CN112116587A - 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 - Google Patents
基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN112116587A CN112116587A CN202011053144.5A CN202011053144A CN112116587A CN 112116587 A CN112116587 A CN 112116587A CN 202011053144 A CN202011053144 A CN 202011053144A CN 112116587 A CN112116587 A CN 112116587A
- Authority
- CN
- China
- Prior art keywords
- matrix
- water turbine
- runner blade
- support vector
- classification model
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000003466 welding Methods 0.000 claims description 12
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 239000011248 coating agent Substances 0.000 description 7
- 238000000576 coating method Methods 0.000 description 7
- 238000005299 abrasion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 241001400590 Richia Species 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- UONOETXJSWQNOL-UHFFFAOYSA-N tungsten carbide Chemical compound [W+]#[C-] UONOETXJSWQNOL-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质，包括下述步骤：对水轮机转轮叶片表面进行检测，得原始检测图片，再采用图像处理技术对原始检测图片进行提取，再根据提取的RGB数据构建可读矩阵，然后对可读矩阵进行特征提取，再将提取的特征通过核局部投影算法进行数据融合降维，得特征矩阵，最后基于孪生支持向量机构建分类模型，再利用特征矩阵对分类模型进行训练及测试，然后利用训练及测试后的分类模型自动识别水轮机转轮叶片的裂纹故障，该方法、系统、设备及存储介质能够自动识别水轮机转轮叶片裂纹。
Description
技术领域
本发明属于无损检测领域，涉及一种基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质。
背景技术
在水电领域，过流部件的涂层下裂纹检测一直是行业难题。过流部件在工作工程中常常受到汽蚀和泥沙磨损的影响，其表面常常需要喷涂碳化钨(WC)涂层，提高其耐磨蚀能力。然而过流部件结构复杂，本身在制造过程中存在应力集中。而WC的喷涂过程中需要喷丸处理，进一步加剧了应力集中。这些应力集中经过演变会产生涂层下裂纹。经调研发现，近年来，小湾、瑞丽江、金康、滨东、自一里、水牛家、福堂、冷竹关、小天都、安康水电站等近10个水电站均发现涂层下过流部件存在基体开裂、乃至脱落、掉块现象，严重危害了机组的安全运行。
阵列涡流检测是一种检验涂层下裂纹的有效手段。但是当前阵列涡流行业被外国的设备仪器进行技术垄断，检测结果仅以图片的方式进行数据保密。且这种图片的显示结果中对裂纹、焊缝及表面不平整等多种状况采用近似的展示手段，需要很高的人工经验才能区分，甚至有时难以区分，给涂层下的裂纹识别带来了很大困难。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质，高方法、系统、设备及存储介质能够自动识别水轮机转轮叶片裂纹。
为达到上述目的，本发明所述的基于孪生支持向量机的水轮机转轮叶片裂纹识别方法包括下述步骤：
对水轮机转轮叶片表面进行检测，得原始检测图片，再采用图像处理技术对原始检测图片进行提取，再根据提取的RGB数据构建可读矩阵，然后对可读矩阵进行特征提取，再将提取的特征通过核局部投影算法进行数据融合降维，得特征矩阵，最后基于孪生支持向量机构建分类模型，再利用特征矩阵对分类模型进行训练及测试，然后利用训练及测试后的分类模型自动识别水轮机转轮叶片的裂纹故障。
具体包括以下步骤：
1)利用涡流探伤仪检测水轮机转轮叶片表面，得原始检测图片；
2)对原始检测图片进行图像处理，以提取RGB数据，然后将提取的RGB数据转换为可读矩阵；
3)从可读矩阵中进行特征提取，再通过核局部投影算法进行数据融合降维，得特征矩阵；
4)基于孪生支持向量机构建分类模型，利用已知裂纹故障对应的特征矩阵、正常部分对应的特征矩阵及焊接区对应的特征矩阵对分类模型进行训练及检测；
5)利用训练及检测后的分类模型自动识别水轮机转轮叶片的裂纹故障。
步骤3)的具体操作为：
以可读矩阵X＝[x1,x2,L,xn]为输入，利用非线性映射函数
将其由原始输入空间映射到高维特征空间,在高维特征空间中对可读矩阵进行分解，得投影向量γ，其中，状态向量
的低维表示为
投影向量γ通过求解式(1)得到：
其中，D为对角矩阵，L为拉普拉斯矩阵；
得核局部投影算法的广义特征值方程为：
投影向量γ由状态特征空间中的状态矩阵线性表示为：
其中，β表示核局部投影算法权值向量，利用核矩阵
将该广义特征值方程转化为：
KLKβ＝μKDKβ (4)
求解式(4)，得β，再根据β计算投影向量γ，则核局部投影算法求得的投影矩阵为：
则投影矩阵P对应的特征矩阵A为：
A＝P(:,1) (6)。
步骤4)的具体操作过程为：
41)对特征矩阵A配备相应的标签矩阵B；
42)构造一对孪生的优化问题为：
其中，
为优化目标，s.t.-(Bw1+e2b1)+ξ≥e2,ξ≥0为优化条件，w1和w2为支持向量机超平面的法向量，e1和e2分别为维数为n+和n-单位列向量，C1和C2为惩罚因子，ξ和η分别为两类的松弛向量，式(8)为与式(7)相匹配的孪生优化目标及条件；
向式(7)及式(8)中引入拉格朗日算子γ1、γ2、β1及β2，同时将优化条件引入到优化目标中，得拉格朗日函数为：
利用拉格朗日函数在鞍点处求导为零，对孪生优化问题进行求解，输入新的检测数据x，利用公式(11)进行测试：
其中，K(A,x)表示核函数。
一种基于孪生支持向量机的水轮机转轮叶片裂纹识别系统包括以下步骤：
检测模块，用于利用涡流探伤仪检测水轮机转轮叶片表面，得原始检测图片；
数据提取模型，与检测模块相连接，用于对原始检测图片进行图像处理，以提取RGB数据，然后将提取的RGB数据转换为可读矩阵；
特征提取模块，与数据提取模块相连接，用于从可读矩阵中进行特征提取，并通过核局部投影算法进行数据融合降维，得特征矩阵；
建模模块，与特征提取模块相连接，用于基于孪生支持向量机构建分类模型，利用已知裂纹故障对应的特征矩阵、正常部分对应的特征矩阵及焊接区对应的特征矩阵对分类模型进行训练及检测；
自动检测模块，与建模模块相连接，用于利用训练及检测后的分类模型自动识别水轮机转轮叶片的裂纹故障。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于孪生支持向量机的水轮机转轮叶片裂纹识别方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于孪生支持向量机的水轮机转轮叶片裂纹识别方法的步骤。
本发明具有以下有益效果：
本发明所述的基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质在具体操作时，基于孪生支持向量机构建分类模型，利用已知裂纹故障对应的特征矩阵、正常部分对应的特征矩阵及焊接区对应的特征矩阵对分类模型进行训练及检测，然后利用训练及检测后的分类模型自动识别水轮机转轮叶片的裂纹故障。需要说明的是，本发明打破外国阵列涡流的垄断技术，对阵列涡流检测图片进行图片处理与转化，实现对阵列涡流检测结果的深度挖掘，同时降低人为因素的影响，实现涂层下裂纹的自动化识别，操作简单、结果可靠，可指导涂层下的裂纹检测，具有工程使用价值。
附图说明
图1为本发明的水轮机转轮叶片裂纹识别的流程图；
图2为本发明的孪生支持向量机分类原理图；
图3a为正常叶片检测结果图；
图3b为裂纹叶片检测结果图；
图3c为裂纹焊缝区检测结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明所述的基于孪生支持向量机的水轮机转轮叶片裂纹识别方法包括下述步骤：
对水轮机转轮叶片表面进行检测，得原始检测图片，再采用图像处理技术对原始检测图片进行提取，再根据提取的RGB数据构建可读矩阵，然后对可读矩阵进行特征提取，再将提取的特征通过核局部投影算法进行数据融合降维，得特征矩阵，最后基于孪生支持向量机构建分类模型，再利用特征矩阵对分类模型进行训练及测试，然后利用训练及测试后的分类模型自动识别水轮机转轮叶片的裂纹故障。
参照图2所示，圆点和五角星均为样本点，但分属不同类别，孪生支持向量机对每一类向本分别构建最优超平面f1(x)和f2(x)，保证对应类型的样本到超平面的距离和最小，同时远离另一类样本，这样可以最大程度降低误分、错分的概率。
本发明具体包括以下步骤：
1)利用涡流探伤仪检测水轮机转轮叶片表面，得原始检测图片；
2)对原始检测图片进行图像处理，以提取RGB数据，然后将提取的RGB数据转换为可读矩阵；
3)从可读矩阵中进行特征提取，再通过核局部投影算法进行数据融合降维，得特征矩阵；
4)基于孪生支持向量机构建分类模型，利用已知裂纹故障对应的特征矩阵、正常部分对应的特征矩阵及焊接区对应的特征矩阵对分类模型进行训练及检测；
5)利用训练及检测后的分类模型自动识别水轮机转轮叶片的裂纹故障。
步骤3)的具体操作为：
以可读矩阵X＝[x1,x2,L,xn]为输入，利用非线性映射函数
将其由原始输入空间映射到高维特征空间,在高维特征空间中对可读矩阵进行分解，得投影向量γ，其中，状态向量
的低维表示为
投影向量γ通过求解式(1)得到：
其中，D为对角矩阵，L为拉普拉斯矩阵；
得核局部投影算法的广义特征值方程为：
投影向量γ由状态特征空间中的状态矩阵线性表示为：
其中，β表示核局部投影算法权值向量，利用核矩阵
将该广义特征值方程转化为：
KLKβ＝μKDKβ (4)
求解式(4)，得β，再根据β计算投影向量γ，则核局部投影算法求得的投影矩阵为：
则投影矩阵P对应的特征矩阵A为：
A＝P(:,1) (6)。
步骤4)的具体操作过程为：
41)对特征矩阵A配备相应的标签矩阵B；
42)构造一对孪生的优化问题为：
其中，
为优化目标，s.t.-(Bw1+e2b1)+ξ≥e2,ξ≥0为优化条件，w1和w2为支持向量机超平面的法向量，e1和e2分别为维数为n+和n-单位列向量，C1和C2为惩罚因子，ξ和η分别为两类的松弛向量，式(8)为与式(7)相匹配的孪生优化目标及条件；
向式(7)及式(8)中引入拉格朗日算子γ1、γ2、β1及β2，同时将优化条件引入到优化目标中，得拉格朗日函数为：
利用拉格朗日函数在鞍点处求导为零，对孪生优化问题进行求解，输入新的检测数据x，利用公式(11)进行测试：
其中，K(A,x)表示核函数。
本发明所述的基于孪生支持向量机的水轮机转轮叶片裂纹识别系统包括以下步骤：
检测模块，用于利用涡流探伤仪检测水轮机转轮叶片表面，得原始检测图片；
数据提取模型，与检测模块相连接，用于对原始检测图片进行图像处理，以提取RGB数据，然后将提取的RGB数据转换为可读矩阵；
特征提取模块，与数据提取模块相连接，用于从可读矩阵中进行特征提取，并通过核局部投影算法进行数据融合降维，得特征矩阵；
建模模块，与特征提取模块相连接，用于基于孪生支持向量机构建分类模型，利用已知裂纹故障对应的特征矩阵、正常部分对应的特征矩阵及焊接区对应的特征矩阵对分类模型进行训练及检测；
自动检测模块，与建模模块相连接，用于利用训练及检测后的分类模型自动识别水轮机转轮叶片的裂纹故障。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述基于孪生支持向量机的水轮机转轮叶片裂纹识别方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述基于孪生支持向量机的水轮机转轮叶片裂纹识别方法的步骤。
实施例一
某水轮机现场进行测试，该水轮机上有15个叶片，其中，2个叶片发生裂纹，8个叶片在不同时期出现过焊接修补，其余叶片均为正常叶片，对该水轮机叶片进行检测，每张叶片产生4-8组检测图片(正常叶片最少4组，裂纹和焊缝区根据需要增加测试，最多测试8组)，累计产生92组检测图片(其中，正常叶片20张、裂纹叶片16张、焊接修补叶片56张)。其中，最优代表性检测结果如图3a、图3b及图3c所示，对92组检测图片分别按照图像处理、核局部保持投影进行特征融合，得到92组特征矩阵，选取已知代表性的3种类型数据各选取2组，形成了6组测试样本集，对剩余的86张图片依次增加数量进行测试，结果如表1所示，其中，N表示正常，C表示裂纹、W表示焊缝区，最左列为测试样本中各类样本的数目，右侧三列为测试结果，其中，每个结果中包含两个数字，前面数字表示分类正确的结果，后面数字表示对应的样本数，以第三行第二列数字20/20为例，表明该组中正常叶片样本20组，被分类成正常的样本数为20个，分类准确率为20/20。依次类推，发现裂纹和正常检测样本全部能够百分百识别，焊接区样本仅在少数情况下错分了1个，被误认为裂纹，但通过进一步排查可以消除这种误判，最大程度保证水轮机叶片安全。
表1
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种基于孪生支持向量机的水轮机转轮叶片裂纹识别方法，其特征在于，包括下述步骤：
对水轮机转轮叶片表面进行检测，得原始检测图片，再采用图像处理技术对原始检测图片进行提取，再根据提取的RGB数据构建可读矩阵，然后对可读矩阵进行特征提取，再将提取的特征通过核局部投影算法进行数据融合降维，得特征矩阵，最后基于孪生支持向量机构建分类模型，再利用特征矩阵对分类模型进行训练及测试，然后利用训练及测试后的分类模型自动识别水轮机转轮叶片的裂纹故障。
2.根据权利要求1所述的基于孪生支持向量机的水轮机转轮叶片裂纹识别方法，其特征在于，具体包括以下步骤：
1)利用涡流探伤仪检测水轮机转轮叶片表面，得原始检测图片；
2)对原始检测图片进行图像处理，以提取RGB数据，然后将提取的RGB数据转换为可读矩阵；
3)从可读矩阵中进行特征提取，再通过核局部投影算法进行数据融合降维，得特征矩阵；
4)基于孪生支持向量机构建分类模型，利用已知裂纹故障对应的特征矩阵、正常部分对应的特征矩阵及焊接区对应的特征矩阵对分类模型进行训练及检测；
5)利用训练及检测后的分类模型自动识别水轮机转轮叶片的裂纹故障。
3.根据权利要求2所述的基于孪生支持向量机的水轮机转轮叶片裂纹识别方法，步骤3)的具体操作为：
以可读矩阵X＝[x1,x2,L,xn]为输入，利用非线性映射函数
将其由原始输入空间映射到高维特征空间,在高维特征空间中对可读矩阵进行分解，得投影向量γ，其中，状态向量
的低维表示为
投影向量γ通过求解式(1)得到：
其中，D为对角矩阵，L为拉普拉斯矩阵；
得核局部投影算法的广义特征值方程为：
投影向量γ由状态特征空间中的状态矩阵线性表示为：
其中，β表示核局部投影算法权值向量，利用核矩阵
将该广义特征值方程转化为：
KLKβ＝μKDKβ (4)
求解式(4)，得β，再根据β计算投影向量γ，则核局部投影算法求得的投影矩阵为：
则投影矩阵P对应的特征矩阵A为：
A＝P(:,1) (6)。
4.根据权利要求2所述的基于孪生支持向量机的水轮机转轮叶片裂纹识别方法，步骤4)的具体操作过程为：
41)对特征矩阵A配备相应的标签矩阵B；
42)构造一对孪生的优化问题为：
其中，
为优化目标，s.t.-(Bw1+e2b1)+ξ≥e2,ξ≥0为优化条件，w1和w2为支持向量机超平面的法向量，e1和e2分别为维数为n+和n-单位列向量，C1和C2为惩罚因子，ξ和η分别为两类的松弛向量，式(8)为与式(7)相匹配的孪生优化目标及条件；
向式(7)及式(8)中引入拉格朗日算子γ1、γ2、β1及β2，同时将优化条件引入到优化目标中，得拉格朗日函数为：
利用拉格朗日函数在鞍点处求导为零，对孪生优化问题进行求解，输入新的检测数据x，利用公式(11)进行测试：
其中，K(A,x)表示核函数。
5.一种基于孪生支持向量机的水轮机转轮叶片裂纹识别系统，其特征在于，包括以下步骤：
检测模块，用于利用涡流探伤仪检测水轮机转轮叶片表面，得原始检测图片；
数据提取模型，与检测模块相连接，用于对原始检测图片进行图像处理，以提取RGB数据，然后将提取的RGB数据转换为可读矩阵；
特征提取模块，与数据提取模块相连接，用于从可读矩阵中进行特征提取，并通过核局部投影算法进行数据融合降维，得特征矩阵；
建模模块，与特征提取模块相连接，用于基于孪生支持向量机构建分类模型，利用已知裂纹故障对应的特征矩阵、正常部分对应的特征矩阵及焊接区对应的特征矩阵对分类模型进行训练及检测；
自动检测模块，与建模模块相连接，用于利用训练及检测后的分类模型自动识别水轮机转轮叶片的裂纹故障。
6.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于孪生支持向量机的水轮机转轮叶片裂纹识别方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于孪生支持向量机的水轮机转轮叶片裂纹识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011053144.5A CN112116587A (zh) | 2020-09-29 | 2020-09-29 | 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011053144.5A CN112116587A (zh) | 2020-09-29 | 2020-09-29 | 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112116587A true CN112116587A (zh) | 2020-12-22 |
Family
ID=73798064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011053144.5A Pending CN112116587A (zh) | 2020-09-29 | 2020-09-29 | 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116587A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792829A (zh) * | 2021-07-29 | 2021-12-14 | 湖南五凌电力科技有限公司 | 水轮机巡检方法、装置、计算机设备及存储介质 |
| CN115758084A (zh) * | 2022-11-21 | 2023-03-07 | 清华大学 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| CN103745234A (zh) * | 2014-01-23 | 2014-04-23 | 东北大学 | 一种带钢表面缺陷的特征提取与分类方法 |
| WO2020140022A1 (en) * | 2018-12-27 | 2020-07-02 | Guruprasad Srinivasan | System and method for fault detection of components using information fusion technique |
| US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
| CN111639722A (zh) * | 2020-06-22 | 2020-09-08 | 杭州电力设备制造有限公司 | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 |
-
2020
- 2020-09-29 CN CN202011053144.5A patent/CN112116587A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| CN103745234A (zh) * | 2014-01-23 | 2014-04-23 | 东北大学 | 一种带钢表面缺陷的特征提取与分类方法 |
| WO2020140022A1 (en) * | 2018-12-27 | 2020-07-02 | Guruprasad Srinivasan | System and method for fault detection of components using information fusion technique |
| US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
| CN111639722A (zh) * | 2020-06-22 | 2020-09-08 | 杭州电力设备制造有限公司 | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐科等: "基于Tetrolet变换的热轧钢板表面缺陷识别方法", 《机械工程学报》 * |
| 柳长源等: "基于TWSVM算法的发动机故障识别方法", 《内燃机学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792829A (zh) * | 2021-07-29 | 2021-12-14 | 湖南五凌电力科技有限公司 | 水轮机巡检方法、装置、计算机设备及存储介质 |
| CN115758084A (zh) * | 2022-11-21 | 2023-03-07 | 清华大学 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
| CN115758084B (zh) * | 2022-11-21 | 2023-11-14 | 清华大学 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Deep active learning for civil infrastructure defect detection and classification | |
| CN113695713B (zh) | 一种热水器内胆焊接质量在线监测方法及装置 | |
| CN112116587A (zh) | 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 | |
| CN109035242B (zh) | 一种基于深度学习的hf-erw焊接状态检测方法及装置 | |
| CN111027594B (zh) | 一种基于字典表示的分步式异常检测方法 | |
| CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
| CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
| CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
| CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN114783538A (zh) | 一种煤炭灰分预测方法及装置 | |
| Abdulrahman et al. | Aero-Engine Blade Defect Detection: A Systematic Review of Deep Learning Models | |
| Chen et al. | Automatic crack segmentation and feature extraction in electroluminescence images of solar modules | |
| Wang et al. | Automotive Gear Defect Detection Method based on Yolov8 Algorithm | |
| CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
| Berend | Distribution awareness for AI system testing | |
| Lamb et al. | Quantification of low-level genetically modified (GM) seed presence in large seed lots: a case study of GM seed in Canadian flax breeder seed lots | |
| Zhou et al. | DiffDD: A surface defect detection framework with diffusion probabilistic model | |
| Xiao-Guang et al. | The research of defect recognition for radiographic weld image based on fuzzy neural network | |
| Naddaf-Sh et al. | Next-generation of weld quality assessment using deep learning and digital radiography | |
| CN114120043A (zh) | 一种基于生产动态数据和示功图检测异常抽油井的方法 | |
| Austria et al. | Defect detection and classification in printed circuit boards using Convolutional Neural Networks | |
| Wei et al. | Classification of wellhead device defects based on CNN-GA-BP model | |
| Momot et al. | Analysis of the influence of the threshold level of binarization on the efficiency of segmentation of images of surface defects in steel by the U-NET network | |
| Ni et al. | Detection of zirconium hydrides in transmission electron micrographs using deep neural networks | |
| Gao et al. | A unified binary classification network for weld image detection |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201222 |