CN109325544A - 一种基于中层特征的管道异常分类方法 - Google Patents

Abstract

本发明提供一种基于中层特征的管道异常分类方法，涉及管道无损检测和数据挖掘领域。该方法包括：步骤1.管道漏磁信号的预处理；步骤2.获取漏磁数据样本集；步骤3.生成漏磁数据样本的显性特征；步骤4.基于BOW模型生成漏磁数据样本的中层特征：对每个样本圈框并计算差分特征向量；对待聚类差分特征向量集进行K‑Means聚类，得到k个视觉单词；统计每个视觉单词在每个样本中的频数，得到每个样本的中层特征向量；步骤5.基于联合稀疏表示的特征融合算法，将样本的显性特征与中层特征融合，形成联合稀疏矩阵，利用分类判别函数对样本分类。本发明解决了现有技术中管道异常的特征提取和分类准确性低、检测效果不理想的技术问题。

Description

一种基于中层特征的管道异常分类方法

技术领域

本发明涉及管道无损检测和数据挖掘领域，特别是涉及一种基于中层特征的管道异常分类方法。

背景技术

随着全球经济的快速发展，能源需求量越来越大。作为最安全、高效的运输方式，管道运输被称为世界经济的“大动脉”。管道埋藏于地下，由于恶劣环境及各种人为因素的破坏，管道易发生磨损、腐蚀和泄露等现象，造成严重的经济损失。对输油管道表面的检测一般采用无损检测方式，常用的管道无损检测方法包括：超声检测、涡流检测和漏磁检测。其中，漏磁检测技术最为成熟。漏磁检测对环境的要求较低，能达到较高的灵敏度，可以检测的异常类型也比较多，不仅可以检测管道上的焊缝、法兰，还可以检测裂纹、气孔、缩孔等多种缺陷。通过对漏磁信号进行反演，可以得到管道缺陷的形状和尺寸大小，从而完成管道的无损检测。

在管道漏磁检测过程中，管道异常信号的精确分类是其中的关键问题。而管道异常信号的特征提取是管道异常信号分类中最困难、最关键的一步。从某种意义上说，管道异常特征提取的准确性直接关系到管道漏磁检测结果的准确性。

然而，现有的管道异常分类方法都是基于对管道漏磁信号的显性特征提取进行分类。一方面，显性特征，是管道漏磁信号的基本信息，可以从管道漏磁信号中直接获得，没有加入人们对于管道漏磁信号的理解。由于人们对于管道漏磁信号的理解不仅仅是简单地统计管道漏磁信号的最大峰谷差、谷底位置平均值、拐点间距等基本信息，还包括运用视觉学习能力来理解管道漏磁信号的内容，显性特征无法体现人类学习的经验知识。另一方面，管道漏磁信号具有一定的不确定性或者多样性，即有的管道漏磁信号无法用单一的定义解释，也无法使用简单的显性特征向量来描述。上述两方面使得基于显性特征的管道异常分类方法对管道漏磁信号的特征提取不够准确，导致管道异常分类的准确性低，致使管道异常的检测效果不理想。因此，如何将管道漏磁信号中的显性特征提高到中层语义信息的层次，以体现人类学习的经验知识以及应对管道漏磁信号的不确定性和多样性，提高管道漏磁数据特征提取的准确性，从而提高管道异常分类的准确性，进一步增强管道异常的检测效果，显得尤为重要。

发明内容

针对上述现有的管道异常分类方法中存在的管道漏磁信号特征提取的准确性低导致管道异常分类的准确性低、检测效果不理想的技术问题，本发明提供一种基于中层特征的管道异常分类方法，能够增强识别能力、节约人力和物力。

本发明的技术方案为：

一种基于中层特征的管道异常分类方法，其特征在于，包括下述步骤：

步骤1：管道漏磁信号的预处理：通过管道内传感器采集初始漏磁信号，对所述初始漏磁信号进行放大、插值、滤波处理，得到预处理后的漏磁信号；

步骤2：获取漏磁数据样本集：载入预处理后的漏磁信号，从所述预处理后的漏磁信号中获取相同数量的缺陷漏磁数据样本、焊缝漏磁数据样本、法兰漏磁数据样本，构成漏磁数据样本集；所述漏磁数据样本集中的每个样本在宽度方向上包含相同数量的传感器通道且长度相同；每个所述缺陷漏磁数据样本中至少含有一个缺陷，且有一个所述缺陷处于样本的中间位置；每个所述焊缝漏磁数据样本中只含有一个完整的焊缝，所述焊缝处于样本的中间位置；每个所述法兰漏磁数据样本中只含有一个完整的法兰，所述法兰处于样本的中间位置；

步骤3：生成漏磁数据样本的显性特征向量：计算所述漏磁数据样本集中每个样本中漏磁数据的最大峰谷差、谷底位置平均值、拐点间距、特殊点间距，形成所述漏磁数据样本集中每个样本的4维显性特征向量；

步骤4：基于BOW模型生成漏磁数据样本的中层特征向量：

步骤4.1：对所述漏磁数据样本集中的每个样本进行圈框处理，计算每个圈框内的差分特征向量；

步骤4.2：从所述漏磁数据样本集中随机选取w个缺陷漏磁数据样本、w个焊缝漏磁数据样本、w个法兰漏磁数据样本，形成待聚类样本集，得到待聚类样本集的差分特征向量集；基于K-Means算法，对所述待聚类样本集的差分特征向量集进行聚类，得到k个聚类中心，所述聚类中心即为视觉单词；

步骤4.3：计算所述漏磁数据样本集中每个样本中的每个差分特征向量与每个视觉单词间的距离，将该样本中的每个差分特征向量归类到离该差分特征向量最近的视觉单词，形成分别以每个视觉单词为中心的k个簇；统计以每个视觉单词为中心的簇所包含的差分特征向量个数，以所述k个视觉单词为横坐标、以每个视觉单词为中心的簇所包含的差分特征向量个数为纵坐标形成该样本的视觉直方图，该视觉直方图即为该样本的k维中层特征向量，最终得到所述漏磁数据样本集中每个样本的k维中层特征向量；

步骤5：特征融合及样本分类：

步骤5.1：获取漏磁数据训练样本集T₁和漏磁数据测试样本集T₂，分别得到所述漏磁数据训练样本集T₁、所述漏磁数据测试样本集T₂的显性特征向量矩阵与中层特征向量矩阵；

步骤5.2：基于联合稀疏表示的特征融合算法，将所述漏磁数据训练样本集T₁的显性特征向量矩阵与所述漏磁数据测试样本集T₂的显性特征向量矩阵进行融合，将所述漏磁数据训练样本集T₁的中层特征向量矩阵与所述漏磁数据测试样本集T₂的中层特征向量矩阵进行融合，形成联合稀疏矩阵；

步骤5.3：利用分类判别函数，对所述漏磁数据测试样本集T₂中的每个样本进行分类。

所述步骤1中，对所述初始漏磁信号的放大处理采用多级放大方法，对所述初始漏磁信号的插值处理采用三次样条插值方法。

所述步骤4.1包括下述步骤：

步骤4.1.1：对所述漏磁数据样本集中的每个所述缺陷漏磁数据样本进行圈框处理，使得所述缺陷处于圈框的中间位置，所述圈框的长度为l米，所述圈框的宽度方向上包括m个传感器通道，每个传感器通道上每1米有n个采样点；保持圈框的大小不变，每次向下移动一个传感器通道，对于每个所述缺陷漏磁数据样本最终都得到r个圈框；

步骤4.1.2：对所述漏磁数据样本集中的每个所述焊缝漏磁数据样本、每个所述法兰漏磁数据样本均进行所述步骤4.1.1中相同的圈框处理，使得所述焊缝处于圈框的中间位置、所述法兰处于圈框的中间位置，对于每个所述焊缝漏磁数据样本、每个所述法兰漏磁数据样本最终都得到r个圈框；

步骤4.1.3：计算每个圈框的每个传感器通道中的每个采样点的差分，其中，对于每个传感器通道，第j个采样点的差分为所述第j个采样点与第j+1个采样点的电压值之差的绝对值的β倍，j＝1,2,…,l*n-1，第l*n个采样点的差分等于第l*n-1个采样点的差分；

步骤4.1.4：将所述差分分成α个差分范围，α与漏磁数据特征有关，α＝3，所述3个差分范围为[a₁，a₂]、(a₂，a₃]、(a₃，a₄]；将所有圈框构成圈框集合，所述圈框集合中包含3mr个长为l米的传感器通道；其中，y_i为所述圈框集合中第i个传感器通道中平滑部分的所有采样点的差分的最小值；z_i为所述圈框集合中第i个传感器通道中平滑部分的所有采样点的差分的最大值；u_i为所述圈框集合中第i个传感器通道中焊缝部分的所有采样点的差分的最大值；v_i为所述圈框集合中第i个传感器通道中法兰部分的所有采样点的差分的最大值；

步骤4.1.5：对于每个圈框，判断该圈框中每个采样点的差分所属的差分范围，以所述3个差分范围为横坐标、每个差分范围所包含的采样点的差分之和为纵坐标形成该圈框的差分直方图，该差分直方图即为该圈框的差分特征向量，最终得到所述漏磁数据样本集中每个样本中的每个圈框的差分特征向量。

所述步骤4.2中，基于K-Means算法对所述待聚类样本集的差分特征向量集进行聚类的步骤如下：

步骤4.2.1：确定k的值；

步骤4.2.2：从所述待聚类样本集的差分特征向量集中随机选取k个差分特征向量作为初始聚类中心，记迭代次数为t，t的初始值为0；

步骤4.2.3：计算所述待聚类样本集的差分特征向量集中的每一个差分特征向量与每一个聚类中心的欧氏距离，将每一个差分特征向量归类到离该差分特征向量最近的聚类中心，形成k个簇；

步骤4.2.4：分别计算每个簇中所有差分特征向量的均值，得到k个新的聚类中心，t＝t+1；

步骤4.2.5：如果每个簇中第t次迭代得到的聚类中心与第t-1次迭代得到的聚类中心的距离小于阈值δ，或者t等于最大迭代次数T，则迭代终止，得到k个聚类中心，所述聚类中心即为视觉单词；否则，进入步骤4.2.3，进行新一轮的迭代。

所述步骤5.1中，从所述漏磁数据样本集中分别选取p₁个缺陷漏磁数据样本、p₂个焊缝漏磁数据样本、p₃个法兰漏磁数据样本，形成漏磁数据训练样本集T₁，得到所述漏磁数据训练样本集T₁的第i种特征向量矩阵i∈{1,2}，第1种、第2种特征分别为显性特征、中层特征；其中，j为类别标签，j∈{1,2,3}，1、2、3分别为缺陷漏磁数据样本、焊缝漏磁数据样本、法兰漏磁数据样本的类别标签，为所述漏磁数据训练样本集T₁中第j类漏磁数据样本集的第i种特征向量矩阵，为所述漏磁数据训练样本集T₁中第j类漏磁数据样本集中第k个样本的第i种特征向量，k∈{1,2,...,p_j}，p_j为所述漏磁数据训练样本集T₁中第j类漏磁数据样本的数量；从所述漏磁数据样本集中随机选取p₁′个缺陷漏磁数据样本、p₂′个焊缝漏磁数据样本、p₃′个法兰漏磁数据样本，形成漏磁数据测试样本集T₂，得到所述漏磁数据测试样本集T₂的第i种特征向量矩阵Yⁱ，i∈{1,2}。

所述步骤5.2中，基于联合稀疏表示的特征融合算法，得到Yⁱ＝Xⁱ×Γⁱ+Nⁱ，其中，i∈{1,2}，Γⁱ为第i种特征的稀疏矩阵，Nⁱ为第i种特征对应的稀疏噪声矩阵，记Γ＝[Γ¹，Γ²]，Γ为联合稀疏矩阵；利用最小二乘法，考虑实际管道的尺寸，求解联合稀疏矩阵为其中，D为管道外径，t为管道壁厚，B为特征的种类数，B＝2，F代表F-范数，λ为预设参数，||Γ||_1,q为对Γ施加l₁/l_q范数的正则化，p为所述漏磁数据训练样本集T1中的样本总数，γ^k为矩阵Γ中的第k行。

所述步骤5.3中，利用分类判别函数，对所述测试样本集T₂中的每个样本进行分类，输出所述测试样本集T₂中每个样本的类别标签，所述分类判别函数如下

其中，为矩阵指示器函数，保持矩阵Γⁱ与第j类相关行的值、将其他行全部设置为0。

本发明的有益效果为：

第一，本发明基于BOW模型提取管道漏磁数据的中层特征，中层特征体现人类学习的经验知识并能够应对管道漏磁信号的不确定性和多样性，从而提高管道漏磁数据特征提取的准确性，进一步提高管道异常分类的准确性；

第二，本发明对漏磁数据样本集中的每个样本进行圈框处理，计算圈框中每个传感器通道中每个采样点的差分，根据漏磁数据的特征对差分进行范围划分，生成圈框的差分直方图。一方面，差分采用电压值之差的绝对值的β倍，更加突出了管道异常部分的差分尤其是采样点较少的差分范围，进一步增加了不同异常间的区分度；另一方面，由于圈框中缺陷、焊缝、法兰这三类漏磁数据样本的凸起与平滑部分比例不同，凸起的倾斜程度也有差别，并且差分值具有伸缩不变性，从而用差分直方图作为差分特征向量能够更准确地体现不同漏磁数据样本的不同特征；

第三，本发明将漏磁数据样本的显性特征与中层特征进行融合，得到融合特征作为漏磁数据样本的表征。一方面，显性特征简单易用，有些显性特征在不同类别漏磁数据样本中差别很大，从而使得不同类别漏磁数据样本间的分类效果很好，比如：在同一比例尺下，缺陷漏磁数据样本的最大峰谷差比较小，而焊缝和法兰漏磁数据样本中的最大峰谷差很大，从而可以利用最大峰谷差将缺陷漏磁数据样本与其它两个类别区分开，又比如：同一比例尺下，法兰漏磁数据样本的谷底位置平均值很小，而缺陷和焊缝漏磁数据样本的谷底位置平均值较大，从而利用谷底位置平均值可以将法兰漏磁数据样本与其他两个类别区分开；另一方面，中层特征包含的信息量大。将显性特征与中层特征这两类特征进行融合，可以优势互补，更进一步提高管道漏磁数据特征提取的准确性，进而提高管道异常分类的准确性；

第四，本发明在求解联合稀疏矩阵时，考虑到了实际管道的尺寸，将公式中的改成了使计算出来的结果更加能体现管道实际情况。

附图说明

图1为本发明的基于BOW模型生成漏磁数据样本的中层特征的流程图；

图2为本发明的实施例中对缺陷漏磁数据样本进行圈框处理的示意图；

图3为本发明的实施例中对焊缝漏磁数据样本进行圈框处理的示意图；

图4为本发明的实施例中对法兰漏磁数据样本进行圈框处理的示意图；

图5为本发明的特征融合及样本分类流程图。

具体实施方式

下面将结合附图和具体实施方式，对本发明作进一步描述。

本发明的目的是提供一种基于中层特征的管道异常分类方法，实现管道异常的特征提取以及分类准确性的提高，增强识别能力、节约人力和物力。

本发明首先对管道漏磁信号进行预处理，然后获取漏磁数据样本集，接着生成漏磁数据样本的显性特征，基于BOW模型生成漏磁数据样本的中层特征，基于联合稀疏表示进行特征融合，最后利用分类判别函数对样本分类。

本发明的基于中层特征的管道异常分类方法，具体如下：

步骤1：管道漏磁信号的预处理

通过管道内传感器采集初始漏磁信号，对所述初始漏磁信号进行放大、插值、滤波处理，得到预处理后的漏磁信号。其中，对所述初始漏磁信号的放大处理采用多级放大方法，对所述初始漏磁信号的插值处理采用三次样条插值方法。

步骤2：获取漏磁数据样本集

载入预处理后的漏磁信号，从所述预处理后的漏磁信号中获取相同数量的缺陷漏磁数据样本、焊缝漏磁数据样本、法兰漏磁数据样本，构成漏磁数据样本集；所述漏磁数据样本集中的每个样本在宽度方向上包含相同数量的传感器通道且长度相同；每个所述缺陷漏磁数据样本中至少含有一个缺陷，且有一个所述缺陷处于样本的中间位置；每个所述焊缝漏磁数据样本中只含有一个完整的焊缝，所述焊缝处于样本的中间位置；每个所述法兰漏磁数据样本中只含有一个完整的法兰，所述法兰处于样本的中间位置；

步骤3：生成漏磁数据样本的显性特征向量

计算所述漏磁数据样本集中每个样本中漏磁数据的最大峰谷差、谷底位置平均值、拐点间距、特殊点间距，形成所述漏磁数据样本集中每个样本的4维显性特征向量。

步骤4：基于BOW模型生成漏磁数据样本的中层特征向量

BOW(Bag ofWords)模型，即词袋模型，如图1所示，为本发明的基于BOW模型生成漏磁数据样本的中层特征的流程图，具体步骤如下：

步骤4.1：对所述漏磁数据样本集中的每个样本进行圈框处理，计算每个圈框内的差分特征向量，具体包括下述步骤：

步骤4.1.1：对所述漏磁数据样本集中的每个所述缺陷漏磁数据样本进行圈框处理，使得所述缺陷处于圈框的中间位置，所述圈框的长度为l米，所述圈框的宽度方向上包括m个传感器通道，每个传感器通道上每1米有n个采样点；保持圈框的大小不变，每次向下移动一个传感器通道，对于每个所述缺陷漏磁数据样本最终都得到r个圈框。

步骤4.1.2：对所述漏磁数据样本集中的每个所述焊缝漏磁数据样本、每个所述法兰漏磁数据样本均进行所述步骤4.1.1中相同的圈框处理，使得所述焊缝处于圈框的中间位置、所述法兰处于圈框的中间位置，对于每个所述焊缝漏磁数据样本、每个所述法兰漏磁数据样本最终都得到r个圈框。

如图2、图3、图4所示，分别为本实施例中对缺陷漏磁数据样本、焊缝漏磁数据样本、法兰漏磁数据样本进行圈框处理的示意图。在本实施例中，每个圈框的长度l＝0.5米，每个圈框的宽度方向上包括18个传感器通道，每个传感器通道上每1米有n＝500个采样点，每个样本最终都得到r＝55个圈框。

步骤4.1.3：计算每个圈框的每个传感器通道中的每个采样点的差分，其中，对于每个传感器通道，第j个采样点的差分为所述第j个采样点与第j+1个采样点的电压值之差的绝对值的β倍，j＝1,2,…,l*n-1，第l*n个采样点的差分等于第l*n-1个采样点的差分。其中，β与漏磁数据的特点有关。在本实施例中，β＝100。

步骤4.1.4：将所述差分分成α个差分范围，α与漏磁数据特征有关，α＝3，所述3个差分范围为[a₁，a₂]、(a₂，a₃]、(a₃，a₄]；将所有圈框构成圈框集合，所述圈框集合中包含3mr个长为l米的传感器通道；其中，y_i为所述圈框集合中第i个传感器通道中平滑部分的所有采样点的差分的最小值；z_i为所述圈框集合中第i个传感器通道中平滑部分的所有采样点的差分的最大值；u_i为所述圈框集合中第i个传感器通道中焊缝部分的所有采样点的差分的最大值；v_i为所述圈框集合中第i个传感器通道中法兰部分的所有采样点的差分的最大值。

在本实施例中，通过如步骤4.1.4中的相关计算，得到在上述所有圈框中，平滑部分每个采样点处的的差分在0～0.5之间；焊缝凸起部分每个采样点处的差分在0.5～10之间，有少数采样点的差分大于5；法兰凸起部分每个采样点处的差分在0.5～10之间，有部分采样点的差分超过10但不超过25；缺陷部分几乎所有采样点的差分均在0.5～10之间，从而得到a₁＝0，a₂＝0.5，a₃＝10，a₄＝25。

步骤4.1.5：对于每个圈框，判断该圈框中每个采样点的差分所属的差分范围，以所述3个差分范围为横坐标、每个差分范围所包含的采样点的差分之和为纵坐标形成该圈框的差分直方图，该差分直方图即为该圈框的差分特征向量，最终得到所述漏磁数据样本集中每个样本中的每个圈框的差分特征向量。

步骤4.2：从所述漏磁数据样本集中随机选取w个缺陷漏磁数据样本、w个焊缝漏磁数据样本、w个法兰漏磁数据样本，形成待聚类样本集，得到待聚类样本集的差分特征向量集；基于K-Means算法，对所述待聚类样本集的差分特征向量集进行聚类，得到k个聚类中心，所述聚类中心即为视觉单词；

在本实施例中，待聚类样本集中缺陷、焊缝、法兰漏磁数据样本的个数均为w＝30。

其中，基于K-Means算法对所述待聚类样本集的差分特征向量集进行聚类的步骤如下：

步骤4.2.1：确定k的值；

步骤4.2.2：从所述待聚类样本集的差分特征向量集中随机选取k个差分特征向量作为初始聚类中心，记迭代次数为t，t的初始值为0；

步骤4.2.3：计算所述待聚类样本集的差分特征向量集中的每一个差分特征向量与每一个聚类中心的欧氏距离，将每一个差分特征向量归类到离该差分特征向量最近的聚类中心，形成k个簇；

步骤4.2.4：分别计算每个簇中所有差分特征向量的均值，得到k个新的聚类中心，t＝t+1；

步骤4.2.5：如果每个簇中第t次迭代得到的聚类中心与第t-1次迭代得到的聚类中心的距离小于阈值δ，或者t等于最大迭代次数T，则迭代终止，得到k个聚类中心，所述聚类中心即为视觉单词；否则，进入步骤4.2.3，进行新一轮的迭代。

其中，k与漏磁数据的特点有关，δ、T均可根据实际需求而定。在本实施例中，k＝100，在t等于最大迭代次数T＝100时迭代终止。

通过聚类，得到k个视觉单词，这k个视觉单词组成了词袋，就能基于这个词袋进行漏磁数据中层特征的提取，具体如下述步骤4.3：

步骤4.3：计算所述漏磁数据样本集中每个样本中的每个差分特征向量与每个视觉单词间的距离，将该样本中的每个差分特征向量归类到离该差分特征向量最近的视觉单词，形成分别以每个视觉单词为中心的k个簇；统计以每个视觉单词为中心的簇所包含的差分特征向量个数，以所述k个视觉单词为横坐标、以每个视觉单词为中心的簇所包含的差分特征向量个数为纵坐标形成该样本的视觉直方图，该视觉直方图即为该样本的k维中层特征向量，最终得到所述漏磁数据样本集中每个样本的k维中层特征向量；

通过BOW模型对漏磁数据的上述处理，提取了漏磁数据更高层次的特征，体现了人类学习的经验知识并能够应对管道漏磁信号的不确定性和多样性，从而提高管道漏磁数据特征提取的准确性，为后续的管道异常分类的准确性打下基础。

通过上述步骤，得到了所述漏磁数据样本集中每个样本的4维显性特征向量和k维中层特征向量。显性特征和中层特征有各自的优点，需要将这两类特征进行融合，优势互补，来更进一步提高管道漏磁数据特征提取的准确性，进而提高管道异常分类的准确性。如图5所示，为本发明的特征融合及样本分类流程图，具体如下述步骤5：

步骤5：特征融合及样本分类

步骤5.1：获取漏磁数据训练样本集T₁和漏磁数据测试样本集T₂，分别得到所述漏磁数据训练样本集T₁、所述漏磁数据测试样本集T₂的显性特征向量矩阵与中层特征向量矩阵。

其中，从所述漏磁数据样本集中分别选取p₁个缺陷漏磁数据样本、p₂个焊缝漏磁数据样本、p₃个法兰漏磁数据样本，形成漏磁数据训练样本集T₁，得到所述漏磁数据训练样本集T₁的第i种特征向量矩阵i∈{1,2}，第1种、第2种特征分别为显性特征、中层特征；其中，j为类别标签，j∈{1,2,3}，1、2、3分别为缺陷漏磁数据样本、焊缝漏磁数据样本、法兰漏磁数据样本的类别标签，为所述漏磁数据训练样本集T₁中第j类漏磁数据样本集的第i种特征向量矩阵，为所述漏磁数据训练样本集T₁中第j类漏磁数据样本集中第k个样本的第i种特征向量，k∈{1,2,...,p_j}，p_j为所述漏磁数据训练样本集T₁中第j类漏磁数据样本的数量；从所述漏磁数据样本集中随机选取p₁′个缺陷漏磁数据样本、p₂′个焊缝漏磁数据样本、p₃v个法兰漏磁数据样本，形成漏磁数据测试样本集T₂，得到所述漏磁数据测试样本集T₂的第i种特征向量矩阵Yⁱ，i∈{1,2}。

在本实施例中，p₁＝p₂＝p₃＝40，p₁′＝p₂′＝p₃′＝40。

步骤5.2：基于联合稀疏表示的特征融合算法，将所述漏磁数据训练样本集T₁的显性特征向量矩阵与所述漏磁数据测试样本集T₂的显性特征向量矩阵进行融合，将所述漏磁数据训练样本集T₁的中层特征向量矩阵与所述漏磁数据测试样本集T₂的中层特征向量矩阵进行融合，形成联合稀疏矩阵。

其中，基于联合稀疏表示的特征融合算法，得到Yⁱ＝Xⁱ×Γⁱ+Nⁱ，其中，i∈{1,2}，Γⁱ为第i种特征的稀疏矩阵，Nⁱ为第i种特征对应的稀疏噪声矩阵，记Γ＝[Γ¹，Γ²]，Γ为联合稀疏矩阵；利用最小二乘法，考虑实际管道的尺寸，求解联合稀疏矩阵为其中，D为管道外径，t为管道壁厚，B为特征的种类数，B＝2，F代表F-范数，λ为预设参数，||Γ||_1,q为对Γ施加l₁/l_q范数的正则化，p为所述漏磁数据训练样本集T₁中的样本总数，γ^k为矩阵Γ中的第k行。在本实施例中，管道外径为D＝219mm，管道壁厚为d＝9.5mm。

步骤5.3：利用分类判别函数，对所述测试样本集T₂中的每个样本进行分类，输出所述测试样本集T₂中每个样本的类别标签，所述分类判别函数如下

其中，为矩阵指示器函数，保持矩阵Γⁱ与第j类相关行的值、将其他行全部设置为0。

显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例；上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (7)

1.一种基于中层特征的管道异常分类方法，其特征在于，包括下述步骤：

步骤1：管道漏磁信号的预处理：通过管道内传感器采集初始漏磁信号，对所述初始漏磁信号进行放大、插值、滤波处理，得到预处理后的漏磁信号；

步骤2：获取漏磁数据样本集：载入预处理后的漏磁信号，从所述预处理后的漏磁信号中获取相同数量的缺陷漏磁数据样本、焊缝漏磁数据样本、法兰漏磁数据样本，构成漏磁数据样本集；所述漏磁数据样本集中的每个样本在宽度方向上包含相同数量的传感器通道且长度相同；每个所述缺陷漏磁数据样本中至少含有一个缺陷，且有一个所述缺陷处于样本的中间位置；每个所述焊缝漏磁数据样本中只含有一个完整的焊缝，所述焊缝处于样本的中间位置；每个所述法兰漏磁数据样本中只含有一个完整的法兰，所述法兰处于样本的中间位置；

步骤3：生成漏磁数据样本的显性特征向量：计算所述漏磁数据样本集中每个样本中漏磁数据的最大峰谷差、谷底位置平均值、拐点间距、特殊点间距，形成所述漏磁数据样本集中每个样本的4维显性特征向量；

步骤4：基于BOW模型生成漏磁数据样本的中层特征向量：

步骤4.1：对所述漏磁数据样本集中的每个样本进行圈框处理，计算每个圈框内的差分特征向量；

步骤4.2：从所述漏磁数据样本集中随机选取w个缺陷漏磁数据样本、w个焊缝漏磁数据样本、w个法兰漏磁数据样本，形成待聚类样本集，得到待聚类样本集的差分特征向量集；基于K-Means算法，对所述待聚类样本集的差分特征向量集进行聚类，得到k个聚类中心，所述聚类中心即为视觉单词；

步骤4.3：计算所述漏磁数据样本集中每个样本中的每个差分特征向量与每个视觉单词间的距离，将该样本中的每个差分特征向量归类到离该差分特征向量最近的视觉单词，形成分别以每个视觉单词为中心的k个簇；统计以每个视觉单词为中心的簇所包含的差分特征向量个数，以所述k个视觉单词为横坐标、以每个视觉单词为中心的簇所包含的差分特征向量个数为纵坐标形成该样本的视觉直方图，该视觉直方图即为该样本的k维中层特征向量，最终得到所述漏磁数据样本集中每个样本的k维中层特征向量；

步骤5：特征融合及样本分类：

步骤5.1：获取漏磁数据训练样本集T₁和漏磁数据测试样本集T₂，分别得到所述漏磁数据训练样本集T₁、所述漏磁数据测试样本集T₂的显性特征向量矩阵与中层特征向量矩阵；

步骤5.2：基于联合稀疏表示的特征融合算法，将所述漏磁数据训练样本集T₁的显性特征向量矩阵与所述漏磁数据测试样本集T₂的显性特征向量矩阵进行融合，将所述漏磁数据训练样本集T₁的中层特征向量矩阵与所述漏磁数据测试样本集T₂的中层特征向量矩阵进行融合，形成联合稀疏矩阵；

步骤5.3：利用分类判别函数，对所述漏磁数据测试样本集T₂中的每个样本进行分类。

2.根据权利要求1所述的基于中层特征的管道异常分类方法，其特征在于，所述步骤1中，对所述初始漏磁信号的放大处理采用多级放大方法，对所述初始漏磁信号的插值处理采用三次样条插值方法。

3.根据权利要求1所述的基于中层特征的管道异常分类方法，其特征在于，所述步骤4.1包括下述步骤：

步骤4.1.1：对所述漏磁数据样本集中的每个所述缺陷漏磁数据样本进行圈框处理，使得所述缺陷处于圈框的中间位置，所述圈框的长度为l米，所述圈框的宽度方向上包括m个传感器通道，每个传感器通道上每1米有n个采样点；保持圈框的大小不变，每次向下移动一个传感器通道，对于每个所述缺陷漏磁数据样本最终都得到r个圈框；

步骤4.1.2：对所述漏磁数据样本集中的每个所述焊缝漏磁数据样本、每个所述法兰漏磁数据样本均进行所述步骤4.1.1中相同的圈框处理，使得所述焊缝处于圈框的中间位置、所述法兰处于圈框的中间位置，对于每个所述焊缝漏磁数据样本、每个所述法兰漏磁数据样本最终都得到r个圈框；

步骤4.1.3：计算每个圈框的每个传感器通道中的每个采样点的差分，其中，对于每个传感器通道，第j个采样点的差分为所述第j个采样点与第j+1个采样点的电压值之差的绝对值的β倍，j＝1,2,…,l*n-1，第l*n个采样点的差分等于第l*n-1个采样点的差分；

步骤4.1.4：将所述差分分成α个差分范围，α与漏磁数据特征有关，α＝3，所述3个差分范围为[a₁，a₂]、(a₂，a₃]、(a₃，a₄]；将所有圈框构成圈框集合，所述圈框集合中包含3mr个长为l米的传感器通道；其中，y_i为所述圈框集合中第i个传感器通道中平滑部分的所有采样点的差分的最小值；z_i为所述圈框集合中第i个传感器通道中平滑部分的所有采样点的差分的最大值；u_i为所述圈框集合中第i个传感器通道中焊缝部分的所有采样点的差分的最大值；v_i为所述圈框集合中第i个传感器通道中法兰部分的所有采样点的差分的最大值；

步骤4.1.5：对于每个圈框，判断该圈框中每个采样点的差分所属的差分范围，以所述3个差分范围为横坐标、每个差分范围所包含的采样点的差分之和为纵坐标形成该圈框的差分直方图，该差分直方图即为该圈框的差分特征向量，最终得到所述漏磁数据样本集中每个样本中的每个圈框的差分特征向量。

4.根据权利要求3所述的基于中层特征的管道异常分类方法，其特征在于，所述步骤4.2中，基于K-Means算法对所述待聚类样本集的差分特征向量集进行聚类的步骤如下：

步骤4.2.1：确定k的值；

步骤4.2.2：从所述待聚类样本集的差分特征向量集中随机选取k个差分特征向量作为初始聚类中心，记迭代次数为t，t的初始值为0；

步骤4.2.3：计算所述待聚类样本集的差分特征向量集中的每一个差分特征向量与每一个聚类中心的欧氏距离，将每一个差分特征向量归类到离该差分特征向量最近的聚类中心，形成k个簇；

步骤4.2.4：分别计算每个簇中所有差分特征向量的均值，得到k个新的聚类中心，t＝t+1；

步骤4.2.5：如果每个簇中第t次迭代得到的聚类中心与第t-1次迭代得到的聚类中心的距离小于阈值δ，或者t等于最大迭代次数T，则迭代终止，得到k个聚类中心，所述聚类中心即为视觉单词；否则，进入步骤4.2.3，进行新一轮的迭代。

5.根据权利要求1所述的基于中层特征的管道异常分类方法，其特征在于，所述步骤5.1中，从所述漏磁数据样本集中分别选取p₁个缺陷漏磁数据样本、p₂个焊缝漏磁数据样本、p₃个法兰漏磁数据样本，形成漏磁数据训练样本集T₁，得到所述漏磁数据训练样本集T₁的第i种特征向量矩阵i∈{1,2}，第1种、第2种特征分别为显性特征、中层特征；其中，j为类别标签，j∈{1,2,3}，1、2、3分别为缺陷漏磁数据样本、焊缝漏磁数据样本、法兰漏磁数据样本的类别标签，为所述漏磁数据训练样本集T₁中第j类漏磁数据样本集的第i种特征向量矩阵，为所述漏磁数据训练样本集T₁中第j类漏磁数据样本集中第k个样本的第i种特征向量，k∈{1,2,...,p_j}，p_j为所述漏磁数据训练样本集T₁中第j类漏磁数据样本的数量；从所述漏磁数据样本集中随机选取p₁′个缺陷漏磁数据样本、p₂′个焊缝漏磁数据样本、p₃′个法兰漏磁数据样本，形成漏磁数据测试样本集T₂，得到所述漏磁数据测试样本集T₂的第i种特征向量矩阵Yⁱ，i∈{1,2}。

6.根据权利要求5所述的基于中层特征的管道异常分类方法，其特征在于，所述步骤5.2中，基于联合稀疏表示的特征融合算法，得到Yⁱ＝Xⁱ×Γⁱ+Nⁱ，其中，i∈{1,2}，Γⁱ为第i种特征的稀疏矩阵，Nⁱ为第i种特征对应的稀疏噪声矩阵，记Γ＝[Γ¹，Γ²]，Γ为联合稀疏矩阵；利用最小二乘法，考虑实际管道的尺寸，求解联合稀疏矩阵为其中，D为管道外径，t为管道壁厚，B为特征的种类数，B＝2，F代表F-范数，λ为预设参数，||Γ||_1,q为对Γ施加l₁/l_q范数的正则化，p为所述漏磁数据训练样本集T1中的样本总数，γ^k为矩阵Γ中的第k行。

7.根据权利要求6所述的基于中层特征的管道异常分类方法，其特征在于，所述步骤5.3中，利用分类判别函数，对所述测试样本集T₂中的每个样本进行分类，输出所述测试样本集T₂中每个样本的类别标签，所述分类判别函数如下

其中，为矩阵指示器函数，保持矩阵Γⁱ与第j类相关行的值、将其他行全部设置为0。