CN109632942A - 一种基于sl的管道缺陷尺寸的反演方法 - Google Patents
一种基于sl的管道缺陷尺寸的反演方法 Download PDFInfo
- Publication number
- CN109632942A CN109632942A CN201910130177.6A CN201910130177A CN109632942A CN 109632942 A CN109632942 A CN 109632942A CN 201910130177 A CN201910130177 A CN 201910130177A CN 109632942 A CN109632942 A CN 109632942A
- Authority
- CN
- China
- Prior art keywords
- defect
- signal
- coefficient
- data
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 25
- 230000004907 flux Effects 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000005364 simax Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
- G01N27/85—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields using magnetographic methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提出一种基于SL的管道缺陷尺寸的反演方法，包括：对已知缺陷尺寸的缺陷三轴漏磁信号样本集进行数据插值预处理；进行多维度特征提取，在时域中提取信号特征集[F(t),F(δ)]；在频域中，采用一种基于小波变换的方法构造小波能量特征集F(w)；构建nsample个缺陷的多维度特征集F＝[F(t),F(δ),F(w)]；采用一种迭代的Stacking Leaning网络，自动确定最终网络结构；对待测缺陷漏磁信号的尺寸进行预测，得到管道缺陷尺寸的预测结果。本发明采用时频域多维度特征提取方法构造缺陷特征，全面分析漏磁信号所含信息，提高网络对复杂缺陷的尺寸预测能力；本发明鲁棒性强，短时间内实现缺陷的故障诊断，降低管道泄漏造成的社会危害；实现对不同故障诊断样本集的自适应性，使网络在工业领域具有普适性和可移植性。
Description
技术领域
本发明属于管道故障诊断领域，具体涉及一种基于SL的管道缺陷尺寸的反演方法。
背景技术
管道运输是与铁路、公路、航空、水运并驾齐驱的五大运输业之一，由于管道输送在运送气体、液体等散装物品方面具有独特优势，已成为现代工业和国民经济的命脉。随着管道的增加、管龄增长，管道安全问题越来越突出。据统计，我国的油气管道穿孔率高达0.66次/km每年。其中腐蚀导致的穿孔比例越来越大，而且由于其难以及时发现，后果更为严重。因此对管道安全服役保障技术，尤其对致命安全缺陷的早期故障诊断相关技术的需求越来越迫切。管道缺陷安全检测技术主要包括：漏磁检测技术、超声检测技术、涡流检测技术，其中90％以上管道内检测采用漏磁检测技术。漏磁内检测技术核心问题是管道缺陷的尺寸反演问题，通过采集的漏磁信号对缺陷尺寸进行还原。由于管道状况与操作环境的复杂性，有效的对腐蚀管道实现故障诊断面临着严峻的考验。
目前国内外针对漏磁缺陷技术反演的方法分为两类，直接法和间接法。间接法是通过物理机理模型仿真出缺陷的漏磁信号，将仿真信号与真实信号进行差异比较，通过优化缩小差异，以便求出真实信号所对应的尺寸。该方法由于其庞大的复杂度及计算量导致所需时间周期过长，无法被工业应用接受。同时由于仿真模型与管道漏磁信号原理本质存在差异，无法精确得到缺陷轮廓。直接法是基于数据驱动的方法，通过已有数据集建立漏磁信号与缺陷形状尺寸之间的映射关系，运用神经网络，树模型，CNN等智能方法建立模型，以便之后对待测数据的预测。该方法由于其方便快捷，可短时间内处理大量数据而被应用于工业领域。同时近年来机器学习方法的蓬勃发展，给了直接反演法可期的未来。然而目前由于管道自然状况的复杂性与多样性，采集的漏磁信号存在高噪声高干扰，缺陷信号特征的完整性无法保证。对于复杂信号的精准反演尚没有形成快速精准诊断方法，因此亟待将智能化技术与漏磁数据分析有效结合一起，针对复杂状况管道缺陷，形成完备故障诊断方法。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于SL(Stacking Learning)的管道缺陷尺寸的反演方法。本方法可以对管道漏磁数据进行分析快速建立量化模型，其算法复杂度低，计算周期短以及可移植性高。可适应复杂管道各种工况下漏磁信号，并对其精准预测缺陷尺寸，即缺陷的长度，宽度，深度。本发明从构造复杂缺陷信号特征角度，发明一种基于时域和频域的多维度数据特征提取方法；从人工智能角度发明一种基于集成学习Stacking Learning(SL)的缺陷尺寸量化方法。
一种基于SL(Stacking Learning)的管道缺陷尺寸的反演方法，具体步骤如下：
步骤1：对已知缺陷尺寸的缺陷三轴漏磁信号样本集进行数据插值预处理，样本集共有nsample个缺陷，所述缺陷三轴漏磁信号包括：轴向漏磁信号、径向漏磁信号、周向漏磁信号；
步骤1.1：内检测器即海底管道漏磁检测仪采集到的第λ个原始缺陷漏磁数据按通道排列为M＝{Mx T,My T,Mz T}3n×r，其中，λ≤nsample，Mx，My，Mz分别为轴向信号，径向信号和周向信号，r是缺陷所包含的采样历程点数，且r≤rall，rall为采样历程总点数，n是缺陷所包含的通道数，且n≤nall，nall为通道总数。Mx＝[m1,m2,...mn],mj表示第j条传感器通道的漏磁数据，且j≤n；表示第j条传感器通道第i采样点数据，且i≤r；
步骤1.2：对轴向数据Mx进行插值，传感器瓣间插值数为Num1，瓣内插值数为Num2，采用三次样条方法进行通道间的插值如下，插值后得到漏磁信号为
其中，Δ1，Δ2为两个采样点之间差值，计算公式为其中mk-1，mk，mk+1为三个连续采样点，根据现有信号趋势，恢复信号完整性。插值后轴向数据为 为插值后的通道数；
步骤1.3：如步骤1.2中方法，对径向数据My，周向数据Mz进行插值处理，得到插值后径向数据和周向数据插值后缺陷的三轴数据为
步骤2：对预处理之后的三轴漏磁信号进行多维度特征提取，在时域中提取信号特征集[F(t),F(δ)]。
步骤2.1：采用一种极大互信息系数(MIC)方法确定最大通道Tmax。
步骤2.1.1：定义随机变量其中，为轴向采样点所对应的弦长，为第j条轴向通道在管道上的最大跨度。
步骤2.1.2：定义随机变量S＝sij/simax,其中sij为周向采样点差分面积，sjmax为第j条周向通道与管壁围成的最大面积。
步骤2.1.3：在随机变量H和S所构成的平面内按照h和s维度进行网格分割。
步骤2.1.4：在每一个网格区域Ωhs中计算随机变量H和S的互信息I(Ω；Η,S)为：
其中，p(h,s)是联合分布概率，p(h)和p(s)是边缘概率分布计算如下，
其中，Ι(a∈Ωhs)为落在区域Ωhs内的采样点个数，Ι(a∈Ωh)为落在区域Ωh内的采样点个数，Ι(a∈Ωs)为落在区域Ωs内的采样点个数，Ι(a∈Ω)为样本集采样点总个数。
步骤2.1.5：在不同网格分割下H和S的最大互信息为Imax(Ω；Η,S)，对其归一化可得 的取值区间为[0,1]。
步骤2.1.6：极大互信息系数其中B＝[Ι(a∈Ωh)]0.55。
步骤2.1.7：将极大互信息系数最大的通道确定为最大通道Tmax。
步骤2.2：根据最大通道Tmax提取信号波形参数的显性特征集F(t)。
步骤2.2.1：从轴向漏磁信号提取10维特征，包括：左峰值ulp、右峰值urp、左谷值ulv，右谷值urv、谷谷宽v1、峰峰宽v2、轴向阈值v3、轴向最大面积v4、轴向阈值截取宽度v5和峰谷长v6；
步骤2.2.2：从径向漏磁信号提取3维特征，包括：上峰值u1、下峰值u2和峰峰值u3；
步骤2.2.3：从周向漏磁信号提取4维特征，包括：左上峰值u11、右上峰值u12、左下峰值u21和右下峰值u22；
步骤2.2.4：三轴时域特征共同构成显性特征集F(t)。
步骤2.3：对一个缺陷信号提取其统计特征集F(δ)：分别是差异系数、偏态系数和四分位距，其中，差异系数定义为CV：其中，为采样点数值，σ是数据集的标准差；偏态系数定义为SK：其中，和Md是数据集的平均值和众数；四分位距定义为Qd：Qd＝Q3-Q1，其中，Q3和Q1是数据集第75、25百分位数。
步骤3：对预处理之后的三轴漏磁信号进行多维度特征提取，在频域中，采用一种基于小波变换的方法构造小波能量特征集F(w)。
步骤3.1：对信号进行母小波函数θ(t)下的二维离散小波分解，在分解尺度κ，下求得到水平，竖直，斜线方向得到漏磁信号的近似系数fH和细节系数fC。
步骤3.1.1：对θ(x)函数进行伸缩和平移变换后连续小波为其中为伸缩因子，γj为平移因子。
步骤3.1.2：在离散化中，取值为正值，θ(x)的离散化形式为小波分解的相容性条件变为
步骤3.1.3：将伸缩因子和平移因子的离散化公式分别取作其中可获得离散小波函数
步骤3.1.4：将信号按照步骤3.1.1到步骤3.1.3进行κ层离散分解，漏磁信号二进制小波分解可表示为其中fH表示为近似系数，fC为细节系数。在水平方向，竖直方向，斜线方向分别得到小波系数细节系数水平分量fC1，细节系数竖直分量fC2，细节系数斜线分量fC3。
步骤3.2：把fH和fC在各频带上的能量信息作为频域特征。
步骤3.2.1：对第κ层的fH＝[bij]βh1×βh2提取小波能量
步骤3.2.2：对1,2,...,κ层的fC1＝[bij]βC1×βC2提取小波能量
步骤3.2.3：重复步骤3.2.2提取fC2的小波能量fC3的小波能量构造特征向量
步骤3.3：依次在不同分解尺度上进行步骤3.1和步骤3.2，按尺度排列能量值构造特征集F(w)。
步骤4：重复步骤1到步骤3，构建nsample个缺陷的多维度特征集F＝[F(t),F(δ),F(w)]。
步骤5：采用一种迭代的Stacking Leaning网络，进行缺陷尺寸的反演量化，即对缺陷的长度L,宽度W,深度D的反演量化。通过多次迭代训练网络，满足迭代终止条件后停止迭代，确定最终网络结构。
步骤5.1：对样本集共nsample个样本进行kcross折交叉验证，每次取出ktest折作为测试，其余为训练样本。
步骤5.2：取出训练样本对网络进行迭代训练，反演网络中基学习器Γ[[base]]的输入是多维度组合特征集F＝[F(t),F(δ),F(w)]。通过元学习Γ[[meta]]1的输出计算评价函数J(Γμ)。
步骤5.2.1：第μ次迭代中基学习器为ν个，其中的输入的输入Rin[Θ12]＝[F(t),F(δ),F1 1(w)]。
步骤5.2.2：计算元学习器Γ[[meta]]1的评价函数J(Γμ),其中ζj＝[errj1,errj2,errj3]为第j个缺陷的长度，宽度，深度残差，errj1∪j2∪j3＝predctionL∪W∪D-realL∪W∪D，ω＝[ω1,ω2,ω3]为动态权重系数，满足下列条件其中i≤κ，1≤ξ≤j，α为基学习器的数量。
步骤5.3：增加迭代次数μ＝μ+1，小波分解尺度κ＝κ+1，即增加一个基学习器第μ次迭代第ν个基学习输入为根据步骤5.2.2计算此次迭代下的评价函数J(Γμ)。
步骤5.4：迭代直至当J(Γμ)收敛，即J(Γ<μ>)-J(Γ<μ-1>)≤ε，ε为收敛阈值，迭代终止，确定网络结构Γ[[network]]。
步骤5.5：取出测试样本对网络进行测试，计算网络对测试样本的RMSE。
errLi、errwi、errDi分别为测试样本集中第i个缺陷长、宽、深的残差；
步骤5.6：选出kcross折交叉验证中RMSE最小的网络Γ[[network]]best为最终网络。
步骤6：使用最终网络Γ[[network]]best对待测缺陷漏磁信号的尺寸，长度，宽度，深度进行预测，得到管道缺陷尺寸的预测结果，即为管道缺陷尺寸反演方法预测结果。
有益技术效果：
1采用时频域多维度特征提取方法构造缺陷特征，全面分析漏磁信号所含信息，为管道运输的安全和维护提供科学分析依据，提高网络对复杂缺陷的尺寸预测能力。
2通过动态特征训练网络，弥补专家经验的缺失，鲁棒性强，短时间内实现缺陷的故障诊断，降低管道泄漏造成的社会危害。
3采用迭代方式，通过元学习器表现反馈确定网络结构，实现对不同故障诊断样本集的自适应性，使网络在工业领域具有普适性和可移植性。
附图说明
图1为本发明实施例的一种基于SL的管道缺陷尺寸的反演方法流程图；
图2为本发明实施例的时域轴向特征量示意图；
图3为本发明实施例的时域径向特征量示意图；
图4为本发明实施例的时域周向特征量示意图；
图5为本发明实施例的缺陷反演的Stacking Learning(SL)网络结构图；
图6为本发明实施例的在测试样本中随机加入1％的高斯白噪声下缺陷尺寸的平均误差；
图7为本发明实施例的在测试样本中随机加入3％的高斯白噪声下缺陷尺寸的平均误差；
图8为本发明实施例的在测试样本中随机加入5％的高斯白噪声下缺陷尺寸的平均误差。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明，如图1所示，本发明基于Stacking Learning(SL)的管道缺陷尺寸的反演方法主要分为6个步骤：漏磁信号预处理，在时域中提取信号特征集，在频域中构造特征集，构建nsample个缺陷的多维度特征集，缺陷尺寸量化，对待测缺陷漏磁信号的尺寸进行预测，得到管道缺陷尺寸的预测结果。
本实例中：母小波函数θ(x)为biar3.5；基学习器Γ[[base]]为随机森林；元学习器Γ[[meta]]为岭回归；Num1为8；Num2为2；传感器采样里程点间距为2mm；样本集管道共100米共rall＝5000个采样点；管道壁厚为9.5mm；传感器轴向，径向，周向通道数nall＝180；训练样本加测试样本nsample＝666；kcross折交叉验证kcross＝10；取出ktest＝1进行测试；采样点aij单位为高斯(Gs)；最终网络分解尺度κ＝5；阈值v3＝0.7*v1；小波离散化公式中动态权重系数初始值收敛阈值ε＝0.01。
具体实施如下：
一种基于SL的管道缺陷尺寸的反演方法，具体步骤如下：
步骤1：对已知缺陷尺寸的缺陷三轴漏磁信号样本集进行数据插值预处理，样本集共有nsample个缺陷，所述缺陷三轴漏磁信号包括：轴向漏磁信号、径向漏磁信号、周向漏磁信号；
步骤1.1：内检测器即海底管道漏磁检测仪采集到的第λ个原始缺陷漏磁数据按通道排列为M＝{Mx T,My T,Mz T}3n×r，其中，λ≤nsample，Mx，My，Mz分别为轴向信号，径向信号和周向信号，r是缺陷所包含的采样历程点数，且r≤rall，rall为采样历程总点数，n是缺陷所包含的通道数，且n≤nall，nall为通道总数Mx＝[m1,m2,...mn],mj表示第j条传感器通道的漏磁数据，且j≤n；表示第j条传感器通道第i采样点数据，且i≤r；
步骤1.2：对轴向数据Mx进行插值，传感器瓣间插值数为Num1，瓣内插值数为Num2，采用三次样条方法进行通道间的插值如下，插值后得到漏磁信号为
其中，Δ1，Δ2为两个采样点之间差值，计算公式为其中mk-1，mk，mk+1为三个连续采样点，根据现有信号趋势，恢复信号完整性。插值后轴向数据为 为插值后的通道数；
步骤1.3：如步骤1.2中方法，对径向数据My，周向数据Mz进行插值处理，得到插值后径向数据和周向数据插值后缺陷的三轴数据为
步骤2：对预处理之后的三轴漏磁信号进行多维度特征提取，在时域中提取信号特征集[F(t),F(δ)]。
步骤2.1：采用一种极大互信息系数(MIC)方法确定最大通道Tmax。
步骤2.1.1：定义随机变量其中，为轴向采样点所对应的弦长，为第j条轴向通道在管道上的最大跨度。
步骤2.1.2：定义随机变量S＝sij/simax,其中sij为周向采样点差分面积，sjmax为第j条周向通道与管壁围成的最大面积。
步骤2.1.3：在随机变量H和S所构成的平面内按照h和s维度进行网格分割。
步骤2.1.4：在每一个网格区域Ωhs中计算随机变量H和S的互信息I(Ω；Η,S)为：
其中，p(h,s)是联合分布概率，p(h)和p(s)是边缘概率分布计算如下，
其中，Ι(a∈Ωhs)为落在区域Ωhs内的采样点个数，Ι(a∈Ωh)为落在区域Ωh内的采样点个数，Ι(a∈Ωs)为落在区域Ωs内的采样点个数，Ι(a∈Ω)为样本集采样点总个数。
步骤2.1.5：在不同网格分割下H和S的最大互信息为Imax(Ω；Η,S)，对其归一化可得 的取值区间为[0,1]。
步骤2.1.6：极大互信息系数其中B＝[Ι(a∈Ωh)]0.55。
步骤2.1.7：将极大互信息系数最大的通道确定为最大通道Tmax。
步骤2.2：根据最大通道Tmax提取信号波形参数的显性特征集F(t)。
步骤2.2.1：从轴向漏磁信号提取10维特征，特征示意如图2，其中ulp:左峰值，urp:右峰值，ulv:左谷值，urv:右谷值，v1:谷谷宽，v2:峰峰宽，v3:轴向阈值，v4:轴向最大面积，v5:轴向阈值截取宽度，v6:峰谷长。
步骤2.2.2：从径向漏磁信号提取3维特征，特征示意如图3，u1:上峰值，u2:下峰值，u3:峰峰值。
步骤2.2.3：从周向漏磁信号提取4维特征，特征示意如图4，u11:左上峰值，u12:右上峰值，u21:左下峰值，u22:右下峰值。
步骤2.2.4：三轴时域特征共同构成显性特征集F(t)。
步骤2.3：对一个缺陷信号提取其统计特征集F(δ)：分别是差异系数、偏态系数和四分位距，其中，差异系数定义为CV：其中，为采样点数值，σ是数据集的标准差；偏态系数定义为SK：其中，和Md是数据集的平均值和众数；四分位距定义为Qd：Qd＝Q3-Q1，其中，Q3和Q1是数据集第75、25百分位数。
步骤3：对预处理之后的三轴漏磁信号进行多维度特征提取，在频域中，采用一种基于小波变换的方法构造小波能量特征集F(w)。
步骤3.1：对信号进行母小波函数θ(t)下的二维离散小波分解，在分解尺度κ，下求得到水平，竖直，斜线方向得到漏磁信号的近似系数fH和细节系数fC。
步骤3.1.1：对θ(x)函数进行伸缩和平移变换后连续小波为其中为伸缩因子，γj为平移因子。
步骤3.1.2：在离散化中，取值为正值，θ(x)的离散化形式为小波分解的相容性条件变为
步骤3.1.3：将伸缩因子和平移因子的离散化公式分别取作其中可获得离散小波函数
步骤3.1.4：将信号按照步骤3.1.1到步骤3.1.3进行κ层离散分解，漏磁信号二进制小波分解可表示为其中fH表示为近似系数，fC为细节系数。在水平方向，竖直方向，斜线方向分别得到小波系数细节系数水平分量fC1，细节系数竖直分量fC2，细节系数斜线分量fC3。
步骤3.2：把fH和fC在各频带上的能量信息作为频域特征。
步骤3.2.1：对第κ层的fH＝[bij]βh1×βh2提取小波能量
步骤3.2.2：对1,2,...,κ层的fC1＝[bij]βC1×βC2提取小波能量
步骤3.2.3：重复步骤3.2.2提取fC2的小波能量fC3的小波能量构造特征向量
步骤3.3：依次在不同分解尺度上进行步骤3.1和步骤3.2，按尺度排列能量值构造特征集F(w)。
步骤4：重复步骤1到步骤3，构建nsample个缺陷的多维度特征集F＝[F(t),F(δ),F(w)]。
步骤5：采用一种Staking leaning网络，如图5进行缺陷尺寸的反演量化，即对长度L,宽度W,深度D的反演量化。通过多次迭代训练网络，满足迭代终止条件后停止迭代，确定最终网络结构。
步骤5.1：对样本集共nsample个样本进行kcross折交叉验证，每次取出ktest折作为测试，其余为训练样本。
步骤5.2：取出训练样本对网络进行迭代训练，反演网络中基学习器Γ[[base]]的输入是多维度组合特征集F＝[F(t),F(δ),F(w)]。通过元学习Γ[[meta]]1的输出计算评价函数J(Γμ)。
步骤5.2.1：初始第μ＝1次迭代中基学习器为ν＝2个，其中的输入的输入Rin[Θ12]＝[F(t),F(δ),F1 1(w)]。
步骤5.2.2：计算元学习器Γ[[meta]]1的评价函数J(Γμ),其中ζj＝[errj1,errj2,errj3]为第j个缺陷的长度，宽度，深度残差，errj1∪j2∪j3＝predctionL∪W∪D-realL∪W∪D，ω＝[ω1,ω2,ω3]为动态权重系数，满足下列条件其中i≤κ，1≤ξ≤j，α为基学习器的数量。
步骤5.3：增加迭代次数μ＝μ+1，小波分解尺度κ＝κ+1，即增加一个基学习器第μ次迭代第ν个基学习输入为根据步骤5.2.2计算此次迭代下的评价函数J(Γμ)。
步骤5.4：迭代直至当J(Γμ)收敛，即J(Γ<μ>)-J(Γ<μ-1>)≤ε，ε为收敛阈值，迭代终止，确定网络结构Γ[[network]]。
步骤5.5：取出测试样本对网络进行测试，计算网络对测试样本的RMSE。
errLi、errwi、errDi分别为测试样本集中第i个缺陷长、宽、深的残差；
步骤5.6：选出kcross折交叉验证中RMSE最小的网络Γ[[network]]best为最终网络。
步骤6：使用最终网络Γ[[network]]best对待测缺陷漏磁信号的尺寸，长度，宽度，深度进行预测，得到管道缺陷尺寸的预测结果，即为管道缺陷尺寸反演方法预测结果。
仿真结果说明：
表1：本发明算法与传统SL算法仿真结果对比
| 平均误差/时间 | 深度(mm)/时间(s) | 长度(mm)/时间(s) | 宽度(mm)/时间(s) |
| 本发明算法 | 0.92/0.56 | 7.81/0.41 | 6.9/0.25 |
| 传统SL算法 | 1.23/0.72 | 10.31/0.55 | 8.76/0.51 |
表1反映了本发明算法在本实例样本集中缺陷尺寸的平均误差及算法运行时间。其中本专利算法结果精度高，运行时间短。
图6、图7、图8分别反映了本发明算法在测试样本中随机加入1％，3％，5％的高斯白噪声下缺陷尺寸的平均误差。其中长度误差在12mm之内，宽度10mm之内，深度2mm之内。以上实验结果验证了算法泛化能力和鲁棒性较好，能够实现快速反演完成缺陷故障诊断。
Claims (3)
1.一种基于SL的管道缺陷尺寸的反演方法，其特征在于，具体步骤如下：
步骤1：对已知缺陷尺寸的缺陷三轴漏磁信号样本集进行数据插值预处理，样本集共有nsample个缺陷，所述缺陷三轴漏磁信号包括：轴向漏磁信号、径向漏磁信号、周向漏磁信号；
步骤1.1：内检测器即海底管道漏磁检测仪采集到的第λ个原始缺陷漏磁数据按通道排列为M＝{Mx T,My T,Mz T}3n×r，其中，λ≤nsample，Mx，My，Mz分别为轴向信号，径向信号和周向信号，r是缺陷所包含的采样历程点数，且r≤rall，rall为采样历程总点数，n是缺陷所包含的通道数，且n≤nall，nall为通道总数Mx＝[m1,m2,...mn],mj表示第j条传感器通道的漏磁数据，且j≤n；表示第j条传感器通道第i采样点数据，且i≤r；
步骤1.2：对轴向数据Mx进行插值，传感器瓣间插值数为Num1，瓣内插值数为Num2，采用三次样条方法进行通道间的插值如下，插值后得到漏磁信号为
其中，Δ1，Δ2为两个采样点之间差值，计算公式为其中mk-1，mk，mk+1为三个连续采样点，插值后轴向数据为 为插值后的通道数；
步骤1.3：如步骤1.2中方法，对径向数据My，周向数据Mz进行插值处理，得到插值后径向数据和周向数据插值后缺陷的三轴数据为
步骤2：对预处理之后的三轴漏磁信号进行多维度特征提取，在时域中提取信号特征集[F(t),F(δ)]；
步骤2.1：采用一种极大互信息系数方法确定最大通道Tmax；
步骤2.2：根据最大通道Tmax提取信号波形参数的显性特征集F(t)；
步骤2.3：对一个缺陷信号提取其统计特征集F(δ)：分别是差异系数、偏态系数和四分位距，其中，差异系数定义为CV：其中，为采样点数值，σ是数据集的标准差；偏态系数定义为SK：其中，和Md是数据集的平均值和众数；四分位距定义为Qd：Qd＝Q3-Q1，其中，Q3和Q1是数据集第75、25百分位数；
步骤3：对预处理之后的三轴漏磁信号进行多维度特征提取，在频域中，采用一种基于小波变换的方法构造小波能量特征集F(w)；
步骤3.1：对信号进行母小波函数下的二维离散小波分解，在分解尺度κ，下求得到水平，竖直，斜线方向得到漏磁信号的近似系数fH和细节系数fC；
步骤3.1.1：对函数进行伸缩和平移变换后连续小波为其中为伸缩因子，γj为平移因子；
步骤3.1.2：在离散化中，取值为正值，的离散化形式为小波分解的相容性条件变为
步骤3.1.3：将伸缩因子和平移因子的离散化公式分别取作其中j∈Z,γ0,k∈R，获得离散小波函数
步骤3.1.4：将信号按照步骤3.1.1到步骤3.1.3进行κ层离散分解，漏磁信号二进制小波分解可表示为其中，fH表示为近似系数，fC为细节系数，在水平方向，竖直方向，斜线方向分别得到小波系数细节系数水平分量fC1，细节系数竖直分量fC2，细节系数斜线分量fC3；
步骤3.2：把fH和fC在各频带上的能量信息作为频域特征；
步骤3.2.1：对第κ层的fH＝[bij]βh1×βh2提取小波能量
步骤3.2.2：对1,2,...,κ层的fC1＝[bij]βC1×βC2提取小波能量
步骤3.2.3：重复步骤3.2.2提取fC2的小波能量fC3的小波能量构造特征向量
步骤3.3：依次在不同分解尺度上进行步骤3.1和步骤3.2，按尺度排列能量值构造特征集F(w)；
步骤4：重复步骤1到步骤3，构建nsample个缺陷的多维度特征集F＝[F(t),F(δ),F(w)]；
步骤5：采用一种迭代的Stacking Leaning网络，进行缺陷尺寸的反演量化，即对缺陷的长度L,宽度W,深度D的反演量化，通过多次迭代训练网络，满足迭代终止条件后停止迭代，确定最终网络结构；
步骤5.1：对样本集共nsample个样本进行kcross折交叉验证，每次取出ktest折作为测试，其余为训练样本；
步骤5.2：取出训练样本对网络进行迭代训练，反演网络中基学习器的输入是多维度组合特征集F＝[F(t),F(δ),F(w)]，通过元学习的输出计算评价函数J(Γμ)；
步骤5.2.1：第μ次迭代中基学习器为ν个，其中的输入Rin[Θ11]＝[F(t),F(δ)]，的输入Rin[Θ12]＝[F(t),F(δ),F1 1(w)]；
步骤5.2.2：计算元学习器的评价函数J(Γμ),其中ζj＝[errj1,errj2,errj3]为第j个缺陷的长度，宽度，深度残差，errj1∪j2∪j3＝predctionL∪W∪D-realL∪W∪D，ω＝[ω1,ω2,ω3]为动态权重系数，满足下列条件其中i≤κ，1≤ξ≤j，α为基学习器的数量；
步骤5.3：增加迭代次数μ＝μ+1，小波分解尺度κ＝κ+1，即增加一个基学习器第μ次迭代第ν个基学习输入为根据步骤5.2.2计算此次迭代下的评价函数J(Γμ)；
步骤5.4：迭代直至当J(Γμ)收敛，即J(Γ<μ>)-J(Γ<μ-1>)≤ε，ε为收敛阈值，迭代终止，确定网络结构
步骤5.5：取出测试样本对网络进行测试，计算网络对测试样本的RMSE：
errLi、errwi、errDi分别为测试样本集中第i个缺陷长、宽、深的残差；
步骤5.6：选出kcross折交叉验证中RMSE最小的网络为最终网络；
步骤6：使用最终网络对待测缺陷漏磁信号的尺寸，长度，宽度，深度进行预测，得到管道缺陷尺寸的预测结果，即为管道缺陷尺寸反演方法预测结果。
2.根据权利要求1所述一种基于SL的管道缺陷尺寸的反演方法，其特征在于，所述步骤2.1具体步骤如下：
步骤2.1.1：定义随机变量其中，为轴向采样点所对应的弦长，为第j条轴向通道在管道上的最大跨度；
步骤2.1.2：定义随机变量S＝sij/simax,其中sij为周向采样点差分面积，sjmax为第j条周向通道与管壁围成的最大面积；
步骤2.1.3：在随机变量H和S所构成的平面内按照h和s维度进行网格分割；
步骤2.1.4：在每一个网格区域Ωhs中计算随机变量H和S的互信息I(Ω；Η,S)为：
其中，p(h,s)是联合分布概率，p(h)和p(s)是边缘概率分布计算如下，
其中，Ι(a∈Ωhs)为落在区域Ωhs内的采样点个数，Ι(a∈Ωh)为落在区域Ωh内的采样点个数，Ι(a∈Ωs)为落在区域Ωs内的采样点个数，Ι(a∈Ω)为样本集采样点总个数；
步骤2.1.5：在不同网格分割下H和S的最大互信息为Imax(Ω；Η,S)，对其归一化可得 的取值区间为[0,1]；
步骤2.1.6：极大互信息系数其中B＝[Ι(a∈Ωh)]0.55；
步骤2.1.7：将极大互信息系数最大的通道确定为最大通道Tmax。
3.根据权利要求1所述一种基于SL的管道缺陷尺寸的反演方法，其特征在于，所述步骤2.2具体步骤如下：
步骤2.2.1：从轴向漏磁信号提取10维特征，包括：左峰值ulp、右峰值urp、左谷值ulv，右谷值urv、谷谷宽v1、峰峰宽v2、轴向阈值v3、轴向最大面积v4、轴向阈值截取宽度v5和峰谷长v6；
步骤2.2.2：从径向漏磁信号提取3维特征，包括：上峰值u1、下峰值u2和峰峰值u3；
步骤2.2.3：从周向漏磁信号提取4维特征，包括：左上峰值u11、右上峰值u12、左下峰值u21和右下峰值u22；
步骤2.2.4：三轴时域特征共同构成显性特征集F(t)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910130177.6A CN109632942B (zh) | 2019-02-21 | 2019-02-21 | 一种基于集成学习的管道缺陷尺寸的反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910130177.6A CN109632942B (zh) | 2019-02-21 | 2019-02-21 | 一种基于集成学习的管道缺陷尺寸的反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109632942A true CN109632942A (zh) | 2019-04-16 |
| CN109632942B CN109632942B (zh) | 2022-08-26 |
Family
ID=66065697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910130177.6A Expired - Fee Related CN109632942B (zh) | 2019-02-21 | 2019-02-21 | 一种基于集成学习的管道缺陷尺寸的反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109632942B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112345626A (zh) * | 2020-10-30 | 2021-02-09 | 东北大学 | 一种基于异构场信号的管道缺陷智能反演方法 |
| CN112733435A (zh) * | 2020-12-29 | 2021-04-30 | 东风汽车集团有限公司 | 一种基于多模型融合的整车尺寸匹配偏差预测方法 |
| CN117033973A (zh) * | 2023-08-04 | 2023-11-10 | 电子科技大学 | 一种变流器多工况开路故障诊断方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103196356A (zh) * | 2013-04-07 | 2013-07-10 | 克拉玛依市金牛工程建设有限责任公司 | 基于支持向量机的油管缺陷定量识别方法 |
| CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
| CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
| US20160178580A1 (en) * | 2014-12-19 | 2016-06-23 | Tsinghua University | Method and apparatus for quantifying pipeline defect based on magnetic flux leakage testing |
| CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
| CN106870957A (zh) * | 2017-03-21 | 2017-06-20 | 东北大学 | 一种管道缺陷漏磁信号的特征提取方法 |
| WO2018080462A1 (en) * | 2016-10-25 | 2018-05-03 | Halliburton Energy Services, Inc. | High-dynamic-range inversion for pipe inspection |
| US20180275099A1 (en) * | 2017-03-22 | 2018-09-27 | Tsinghua University | Method for reconstructing defect |
-
2019
- 2019-02-21 CN CN201910130177.6A patent/CN109632942B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103196356A (zh) * | 2013-04-07 | 2013-07-10 | 克拉玛依市金牛工程建设有限责任公司 | 基于支持向量机的油管缺陷定量识别方法 |
| CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
| US20160178580A1 (en) * | 2014-12-19 | 2016-06-23 | Tsinghua University | Method and apparatus for quantifying pipeline defect based on magnetic flux leakage testing |
| CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
| CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
| WO2018080462A1 (en) * | 2016-10-25 | 2018-05-03 | Halliburton Energy Services, Inc. | High-dynamic-range inversion for pipe inspection |
| CN106870957A (zh) * | 2017-03-21 | 2017-06-20 | 东北大学 | 一种管道缺陷漏磁信号的特征提取方法 |
| US20180275099A1 (en) * | 2017-03-22 | 2018-09-27 | Tsinghua University | Method for reconstructing defect |
Non-Patent Citations (3)
| Title |
|---|
| LU SENXIANG ET AL.: "An Estimation Method of Defect Size From MFL Image Using Visual Transformation Convolutional Neural Network", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
| 宋小春等: "基于漏磁检测数据的缺陷三维重构技术", 《中国机械工程》 * |
| 杨涛等: "油气管道缺陷漏磁检测试验", 《天津大学学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112345626A (zh) * | 2020-10-30 | 2021-02-09 | 东北大学 | 一种基于异构场信号的管道缺陷智能反演方法 |
| WO2022088226A1 (zh) * | 2020-10-30 | 2022-05-05 | 东北大学 | 一种基于异构场信号的管道缺陷智能反演方法 |
| CN112345626B (zh) * | 2020-10-30 | 2022-07-29 | 东北大学 | 一种基于异构场信号的管道缺陷智能反演方法 |
| CN112733435A (zh) * | 2020-12-29 | 2021-04-30 | 东风汽车集团有限公司 | 一种基于多模型融合的整车尺寸匹配偏差预测方法 |
| CN117033973A (zh) * | 2023-08-04 | 2023-11-10 | 电子科技大学 | 一种变流器多工况开路故障诊断方法 |
| CN117033973B (zh) * | 2023-08-04 | 2024-07-30 | 电子科技大学 | 一种变流器多工况开路故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109632942B (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109783906B (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
| CN111664365B (zh) | 基于改进vmd和1dcnn的油气管道泄漏检测方法 | |
| Ma et al. | Advances in corrosion growth modeling for oil and gas pipelines: A review | |
| CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
| CN109886433A (zh) | 智能识别城市燃气管道缺陷的方法 | |
| CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
| CN103577676A (zh) | 污水处理工艺综合评价的灰色加权法 | |
| CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
| AU2020271967B2 (en) | Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion | |
| US20230417622A1 (en) | Methods and systems for leakage analysis of urban pipelines and storage media | |
| CN115935241B (zh) | 一种多参数相互融合的清管器实时定位方法及装置 | |
| CN111415008B (zh) | 一种基于vmd-foa-grnn的船舶流量预测方法 | |
| CN105868164A (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
| CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
| CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
| CN113111923B (zh) | 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法 | |
| Qin et al. | A novel physically interpretable end-to-end network for stress monitoring in laser shock peening | |
| Saifullin et al. | Assessment of technical condition of polyurethane foam thermal insulation pipelines of heating networks using neural network technologies | |
| AU2021101888A4 (en) | System and method for corrosion prediction in oil and gas pipeline | |
| CN115308705A (zh) | 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法 | |
| Gao et al. | Research on fault diagnosis of electric gate valve in nuclear power plant based on the VMD-MDI-ISSA-RF model | |
| Tu et al. | Metal-loss defect depth inversion in oil and gas pipelines based on Bayesian regularisation neural network | |
| CN116307184B (zh) | 一种基于因果关系的空气污染治理效果评估方法 | |
| CN109508248B (zh) | 基于自组织映射神经网络的燃料系统故障的检测方法 | |
| CN117540277B (zh) | 一种基于WGAN-GP-TabNet算法的井漏预警方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220826 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |