CN112345626B - 一种基于异构场信号的管道缺陷智能反演方法 - Google Patents
一种基于异构场信号的管道缺陷智能反演方法 Download PDFInfo
- Publication number
- CN112345626B CN112345626B CN202011186863.4A CN202011186863A CN112345626B CN 112345626 B CN112345626 B CN 112345626B CN 202011186863 A CN202011186863 A CN 202011186863A CN 112345626 B CN112345626 B CN 112345626B
- Authority
- CN
- China
- Prior art keywords
- heterogeneous field
- pipeline
- field signals
- heterogeneous
- encoder
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000007637 random forest analysis Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000004907 flux Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000003780 insertion Methods 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000006163 transport media Substances 0.000 description 1
Images
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
-
- 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
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供一种基于异构场信号的管道缺陷智能反演方法，涉及管道缺陷无损检测技术领域。该方法首先采集异构场信号，并进行异常判断，再利用改进的平均中值法对异构场信号进行基值校正，用小波分析方法进行去噪处理；然后对去噪处理后的管道缺陷对应的异构场信号进行填补操作，将不同尺寸的异构场信号统一成相同大小，并对信号幅值做非线性变换；设计具有轴对称结构的稀疏自编码器，得到管道缺陷对应的异构场信号的初级特征；对管道缺陷的长、宽、深度进行分类，得到各管道缺陷的类别标签；设计多分类神经网络，对管道缺陷对应的异构场信号进行分类，提取出含有缺陷尺寸信息的深层特征；构造随机森林回归模型，实现对管道缺陷尺寸的智能化反演。
Description
技术领域
本发明涉及管道缺陷无损检测技术领域，尤其涉及一种基于异构场信号的管道缺陷智能反演方法。
背景技术
随着国民对石油、天然气等能源需求的增加，管道运输方式因其成本低、效率高、安全性好而被广泛采用。然而部分管道由于铺设时间长且受运输介质、自然环境等影响产生管壁破损等现象。如果长输管道的某一位置发生穿孔、泄漏等事故，会使该线路上的资源运输终止，严重影响人们的正常生活，带来无法估计的经济损失。因此，为保证长输管道安全、可靠、有效地完成运输任务，定期进行长输管道的检查与维护工作非常重要。为实现对管道缺陷尺寸的精准判断，常依据异构场信号进行缺陷反演。异构场信号包括漏磁信号、涡流信号、超声信号等多种类别。
缺陷反演是一种通过各类特征提取方法从数据中挖掘出缺陷几何信息的技术，其中的有效信息可以帮助数据分析人员确定缺陷的长度、宽度、深度。内检测器获取的异构场信号受实际检测条件(管道壁厚、材质、内径尺寸、服役地点、使用年限)影响严重，信号峰谷差、面能量、缺陷波形等特征差别很大。在进行缺陷反演时，针对不同的异构场信号需要重新人为设计参数进行特征提取并更新反演算法模型。这导致依赖人工经验的特征提取技术普适性差，缺陷反演精度低。因此，设计一种基于异构场信号的管道缺陷智能反演方法对管道的日常维护和故障检测工作有很大意义。
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，提供一种基于异构场信号的管道缺陷智能反演方法，弥补传统缺陷反演方法的不足之处，提升管道缺陷反演精度。
为解决上述技术问题，本发明所采取的技术方案是：一种基于异构场信号的管道缺陷智能反演方法，包括以下步骤：
步骤1：实时采集某段管道内各采样点的异构场信号，并对采集的异构场信号进行异常判断，再利用改进的平均中值法对各个采样点的异构场信号进行基值校正；
步骤1.1：通过多个传感器实时采集某段管道内各采样点的异构场信号，并对异构场信号进行异常值判定，当异构场信号强度D(i,j)满足如下公式时判定该异构场信号为异常：
D(i,j+1)-D(i,j)＞50×(D(i,j)-D(i,j-1))
其中，D(i,j)为第i号传感器在采样点j处的异构场信号强度，D(i,j-1)为第i号传感器在采样点j-1处的异构场信号强度，D(i,j+1)为第i号传感器在采样点j+1处的异构场信号强度，i＝1、2、…、I，I为管道内检测器所携带的传感器个数，j＝1、2、…、J，J为该段管道的采样点个数；
若异构场信号为异常信号，则用前后两采样点的异构场信号强度的平均值代替异常点的信号强度；
步骤1.2：对传感器获得的各个采样点的异构场信号进行基值校正，基值校正的方法如下公式所示：
其中，D(i,j)ans为第i号传感器在采样点j处的异构场信号校正后的信号强度；k表示传感器通道数；D(i,j)mid为第i号传感器在采样点j处所有通道采集的异构场信号的中值，D(i,j)max为第i号传感器在采样点j处所有通道采集的异构场信号的最大值；D(i,j)min为第i号传感器在采样点j处所有通道采集的异构场信号的最小值；V(i,j)mid为第i号传感器输出电压的中值；Vref为管道内检测器所携带的霍尔传感器的基准电压值；P为管道内检测器所携带的霍尔传感器输出电压的放大倍数；sens为管道内检测器所携带的霍尔传感器输出电压的灵敏度；
步骤2：对步骤1处理后的各采样点的异构场信号用小波分析方法进行去噪处理；
根据传感器采集的各采样点的异构场信号特征，选取sym10为小波基函数，通过小波分解、启发式小波阈值处理及小波重构得到去噪后的异构场信号强度D(i,j)result；
步骤3：对去噪处理后的管道缺陷对应的异构场信号进行填补(padding)操作，将不同尺寸的异构场信号统一成相同大小，其中，在采样点方向用0补齐，在信号幅值方向采用异构场信号中值进行补齐，并对信号幅值做非线性变换；
步骤3.1：设定第i号传感器采集到的第t个管道缺陷对应的异构场信号矩阵的维度为xt i×yt i，通过填补操作，用0在xt i左右两侧将异构场信号矩阵的行向量大小补齐至m，m＝max(xt i),t＝1,2,...,p，p为该段管道内管道缺陷总数；
步骤3.2：通过填补操作在yt i上下两侧用异构场信号中值将异构场信号矩阵的列向量大小补齐至n，n＝max(yt i)；
步骤3.3：经步骤3.1-步骤3.2处理后，每个传感器采集到的所有管道缺陷对应的异构场信号尺寸被统一成m×n，再对统一大小后的异构场信号做非线性变换，压缩其信号幅值；
步骤4：将非线性变换处理后的管道缺陷对应的异构场信号矩阵转化为与稀疏自编码器输入维度相同的数据矩阵；
将非线性变换处理后的维度为m×n的管道缺陷对应的异构场信号矩阵转化为维度为(m×n,1)的矩阵D′(m×n,1)；
步骤5：设计具有轴对称结构的稀疏自编码器，将维度为(m×n,1)的管道缺陷对应的异构场信号矩阵D′(m×n,1)输入到稀疏自编码器中，得到管道缺陷对应的异构场信号的初级特征，并保存稀疏自编码器编码部分的权重；
步骤5.1：设计一个具有轴对称结构的A层稀疏自编码器，前
层构成编码器部分，后
层构成解码器部分，其中A为大于等于3的奇数；
步骤5.2：将稀疏自编码器编码器部分的权重WEncoder复制到解码器部分，使稀疏自编码器的参数减半；
步骤5.3：设定稀疏自编码器每一层的神经元数量为Sa，a＝1、2、…、A，输入是维度为(m×n,1)的所有管道缺陷对应的异构场信号D(′m×n,1)，输出为经过编码器和解码器部分重构后的特征向量F(m×n,1)，并以如下公式为稀疏自编码器的损失函数，通过最小化损失函数来训练稀疏自编码器模型；
其中，error()为损失函数，Dt (m×n,1)为维度为(m×n,1)的第t个管道缺陷对应的异构场信号，Ft (m×n,1)为经过编码器和解码器部分重构后的特征向量，α为偏执因子，取值范围为1.1～4.8；
步骤5.4：取稀疏自编码器第
层的特征向量Fmid作为管道缺陷对应的异构场信号的初级特征；
步骤6：对管道缺陷的长度、宽度和深度进行分类，得到各管道缺陷的类别标签；
设定管道缺陷长度、宽度和深度的类别数均为nclass，对管道缺陷的长度ylength、宽度ywidth、深度ydepth分别按如下公式进行分类，得到管道缺陷关于长度、宽度和深度的类别标签；
其中，ylength-class、ywidth-class、ydeep-class分别为管道缺陷长度、宽度和深度的类别标签，ylength-max为所有管道缺陷对应的异构场信号中长度的最大值，ylength-min为所有管道缺陷对应的异构场信号中长度的最小值，ywidth-max为所有管道缺陷对应的异构场信号中宽度的最大值，ywidth-min为所有管道缺陷对应的异构场信号中宽度的最小值，ydepth-max为所有管道缺陷对应的异构场信号中深度的最大值，ydepth-min为所有管道缺陷对应的异构场信号中深度的最小值；
步骤7：设计基于softmax的多分类神经网络，以有监督的方式对管道缺陷对应的异构场信号进行分类，进一步提取出含有缺陷尺寸信息的深层特征；
步骤7.1：设计基于softmax的b层分类神经网络，其中，
步骤7.2：在b层分类神经网络中，设置其前
层中每层的结构和参数均与稀疏自编码器编码部分保持一致；
步骤7.3：设定分类神经网络的输出类别数为nclass，并在分类神经网络的第
层，采用默认的神经网络初始化参数；
步骤7.4：以维度为(m×n,1)的管道缺陷对应的异构场信号为输入，各管道缺陷长度、宽度和深度的类别标签为输出，训练分类神经网络后，取第b层的特征Fb作为管道缺陷对应的异构场信号的深层特征；
步骤8：以步骤7中提取出的管道缺陷对应的异构场信号的深层特征Fb为输入，以管道缺陷对应的异构场信号的真实尺寸信息为输出构造决策树个数为ntrees的随机森林回归模型，实现对管道缺陷尺寸的智能化反演。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于异构场信号的管道缺陷智能反演方法，(1)设计了一种缺陷数据预处理方法，能够在不改变原始信息的情况下实现不同缺陷信号维度的统一，提升了异构场信号的稳定性；(2)设计了一种异构场信号特征提取方法，能在不同场景下自适应地提取缺陷深层特征，弥补了传统特征提取时主观因素影响严重、耗时长、效率低的不足；(3)设计了一种基于缺陷深层特征的智能化反演方法，具有反演精度高、稳定性好的优点。
附图说明
图1为本发明实施例提供的一种基于异构场信号的管道缺陷智能反演方法的流程图；
图2为本发明实施例提供的具有轴对称结构的稀疏自编码器自适应提取异构场信号的初级特征的示意图；
图3为本发明实施例提供的基于softmax的多分类神经网络以有监督的方式对管道缺陷对应的漏磁信号进行分类的示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以异构场信号中的漏磁信号为例，采用本发明方法的基于异构场信号的管道缺陷智能反演方法对某段石油管道缺陷进行反演。
本实施例中，一种基于异构场信号的管道缺陷智能反演方法，包括以下步骤：
步骤1：实时采集某段管道内各采样点的漏磁信号，并对采集的漏磁信号进行异常判断，再利用改进的平均中值法对各个采样点的漏磁信号进行基值校正；当管道内检测器在管道中实际运行时，受环境因素影响，传感器采集的原始漏磁信号中含部分数据异常点，需要对异常点进行更正。另外其自身性能差异导致不同传感器在零磁场环境下输出不同，从而不同传感器采集的漏磁信号的基值也不同，因此需要进行基值校正；
步骤1.1：通过多个传感器实时采集某段石油管道内各采样点的漏磁信号，并对漏磁信号进行异常值判定，当漏磁信号强度D(i,j)满足如下公式时判定该漏磁信号为异常：
D(i,j+1)-D(i,j)＞50×(D(i,j)-D(i,j-1))
其中，D(i,j)为第i号传感器在采样点j处的磁场信号强度，D(i,j-1)为第i号传感器在采样点j-1处的磁场信号强度，D(i,j+1)为第i号传感器在采样点j+1处的磁场信号强度，i＝1、2、…、I，I为管道内检测器所携带的传感器个数，j＝1、2、…、J，J为该段管道的采样点个数；
若漏磁信号为异常信号，则用前后两采样点的漏磁信号强度的平均值代替异常点的信号强度；
步骤1.2：对传感器获得的各个采样点的漏磁信号进行基值校正，基值校正的方法如下公式所示：
其中，D(i,j)ans为第i号传感器在采样点j处的漏磁信号校正后的信号强度；k表示传感器通道数；D(i,j)mid为第i号传感器在采样点j处所有通道采集的漏磁信号的中值，D(i,j)max为第i号传感器在采样点j处所有通道采集的漏磁信号的最大值；D(i,j)min为第i号传感器在采样点j处所有通道采集的漏磁信号的最小值；V(i,j)mid为第i号传感器输出电压的中值；Vref为管道内检测器所携带的霍尔传感器的基准电压值；P为管道内检测器所携带的霍尔传感器输出电压的放大倍数(常取4)；sens为管道内检测器所携带的霍尔传感器输出电压的灵敏度；本实施例中，Vref取2.5V，P取4，sens取3.125mv/Gs；
步骤2：对步骤1处理后的各采样点的漏磁信号用小波分析方法进行去噪处理；
根据传感器采集的各采样点的漏磁信号特征，选取sym10为小波基函数，通过小波分解、启发式小波阈值处理及小波重构得到去噪后的漏磁信号强度D(i,j)result；
步骤3：对去噪处理后的管道缺陷对应的漏磁信号进行填补(padding)操作，将不同尺寸的漏磁信号统一成相同大小，其中，在采样点方向(即x轴)用0补齐，在信号幅值方向(即y轴)采用漏磁信号中值进行补齐，并对信号幅值做非线性变换；
步骤3.1：设定第i号传感器采集到的第t个管道缺陷对应的漏磁信号矩阵的维度为xt i×yt i，通过填补操作，用0在xt i左右两侧将漏磁信号矩阵的行向量大小补齐至m，m＝max(xt i),t＝1,2,...,p，p为该段管道内管道缺陷总数；
本实施例中，m取64，p取346；
当
为整数时，在
的左右两侧分别插入
个数字0；
当
不为整数时，在
左侧插入
个数字0，在
右侧插入
个数字0；
步骤3.2：通过填补操作在yt i上下两侧用漏磁信号中值将漏磁信号矩阵的列向量大小补齐至n，n＝max(yt i)；
本实例中，n取46；
当
为整数时，在yt i的上下两侧分别插入
个漏磁信号中值bi-mid；
当
不为整数时，在yt i上侧插入
个漏磁信号中值bi-mid，在yt i下侧插入
个漏磁信号中值bi-mid；
步骤3.3：经步骤3.1-步骤3.2处理后，每个传感器采集到的所有管道缺陷对应的漏磁信号尺寸被统一成m×n，再对统一大小后的漏磁信号做非线性变换，压缩其信号幅值；
本实施例中，采用如下公式对漏磁信号进行非线性变换实现部分缺陷特征增强并将幅值转换到-1～1，有利于加快自编码模型的收敛速度；
其中，X'表示非线性变换后的漏磁信号，X表示维度为m×n的管道缺陷对应的漏磁信号，Xmax为维度为m×n的漏磁信号矩阵中信号的最大值，Xmin为维度为m×n的漏磁信号矩阵中信号的最小值；
步骤4：将非线性变换处理后的管道缺陷对应的异构场信号矩阵转化为与稀疏自编码器输入维度相同的数据矩阵；
将非线性变换处理后的维度为m×n的管道缺陷对应的漏磁信号矩阵转化为维度为(m×n,1)的矩阵D′(m×n,1)，为后续神经网络训练做准备；
步骤5：设计如图2所示的具有轴对称结构的稀疏自编码器，将维度为(m×n,1)的管道缺陷对应的漏磁信号D′(m×n,1)输入到稀疏自编码器中，得到管道缺陷对应的漏磁信号的初级特征，并保存稀疏自编码器编码部分的权重；
步骤5.1：设计一个具有轴对称结构的A层稀疏自编码器，前
层构成编码器部分，后
层构成解码器部分，其中A为大于等于3的奇数；本示例中A取7；
步骤5.2：将稀疏自编码器编码器部分的权重WEncoder复制到解码器部分，使稀疏自编码器的参数减半，加快训练速度并降低过拟合风险；
步骤5.3：设定稀疏自编码器每一层的神经元数量为Sa，a＝1、2、…、A，输入是维度为(m×n,1)的所有管道缺陷对应的漏磁信号D′(m×n,1)，输出为经过编码器和解码器部分重构后的特征向量F(m×n,1)，并以如下公式为稀疏自编码器的损失函数，通过最小化损失函数来训练稀疏自编码器模型；
其中，error()为损失函数，Dt (m×n,1)为维度为(m×n,1)的第t个管道缺陷对应的漏磁信号，Ft (m×n,1)为经过编码器和解码器部分重构后的特征向量，α为偏执因子，取值范围为1.1～4.8；
本实例中p取346，α取1.5，7层稀疏自编码器的神经元数目分别为2944,1000,500,50,500,1000,2944，稀疏自编码器的输入为D2′944×1，经过7层自编码器得到重构后的特征F2944×1；
步骤5.4：取稀疏自编码器第
层的特征向量Fmid作为管道缺陷对应的漏磁信号的初级特征；本例中Fmid的尺寸为50×1；
步骤6：对管道缺陷的长度、宽度和深度进行分类，得到各管道缺陷的类别标签；
设定管道缺陷长度、宽度和深度的类别数均为nclass，对管道缺陷的长度ylength、宽度ywidth、深度ydepth分别按如下公式进行分类，得到管道缺陷关于长度、宽度和深度的类别标签；
其中，ylength-class、ywidth-class、ydeep-class分别为管道缺陷长度、宽度和深度的类别标签，ylength-max为所有管道缺陷对应的漏磁信号中长度的最大值，ylength-min为所有管道缺陷对应的漏磁信号中长度的最小值，ywidth-max为所有管道缺陷对应的漏磁场信号中宽度的最大值，ywidth-min为所有管道缺陷对应的漏磁信号中宽度的最小值，ydepth-max为所有管道缺陷对应的漏磁信号中深度的最大值，ydepth-min为所有管道缺陷对应的漏磁信号中深度的最小值；
本实施例中，nclass取10，将缺陷漏磁信号的长度、宽度、深度分别分成10类，标签被离散地转化为0～9，管道缺陷对应的漏磁信号中，长度最小值ylength-min＝8.6800，长度最大值ydepth-max＝62.195，宽度最小值ywidth-min＝8.025，宽度最大值ywidth-max＝59.970，为深度最小值ydepth-min＝0.365，为深度最大值ydepth-max＝10.160；
步骤7：设计如图3所示的基于softmax的多分类神经网络，以有监督的方式对管道缺陷对应的漏磁信号进行分类，进一步提取出含有缺陷尺寸信息的深层特征；
步骤7.1：设计基于softmax的b层分类神经网络，其中，
本实例中A取7，b取5；
步骤7.2：在b层分类神经网络中，设置其前
层中每层的结构和参数均与稀疏自编码器编码部分保持一致；本实例中5层网络神经元的个数分别为2944，1000，500，50，15；
步骤7.3：设定分类神经网络的输出类别数为nclass，并在分类神经网络的第
层，采用默认的神经网络初始化参数；
步骤7.4：以维度为(m×n,1)的管道缺陷对应的漏磁信号为输入，各管道缺陷长度、宽度和深度的类别标签为输出，训练分类神经网络后，取第b层的特征Fb作为管道缺陷对应的漏磁信号的深层特征；本实例中，取分类神经网络中第5层的特征作为漏磁信号的深层特征，尺寸为15×1；
步骤8：以步骤7中提取出的管道缺陷对应的漏磁信号的深层特征Fb为输入，以管道缺陷对应的漏磁信号的真实尺寸信息为输出构造决策树个数为ntrees的随机森林回归模型，实现对管道缺陷尺寸的智能化反演。本实例中ntrees取30。
本实施例用346个缺陷的漏磁信号进行自适应特征提取和缺陷尺寸反演，精度高、稳定性好，达到了良好的缺陷反演效果。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (7)
1.一种基于异构场信号的管道缺陷智能反演方法，其特征在于：包括以下步骤：
步骤1：实时采集某段管道内各采样点的异构场信号，并对采集的异构场信号进行异常判断，再利用改进的平均中值法对各个采样点的异构场信号进行基值校正；
步骤1.1：通过多个传感器实时采集某段管道内各采样点的异构场信号，并对异构场信号进行异常值判定，当异构场信号强度D(i,j)满足如下公式时判定该异构场信号为异常：
D(i,j+1)-D(i,j)＞50×(D(i,j)-D(i,j-1))
其中，D(i,j)为第i号传感器在采样点j处的异构场信号强度，D(i,j-1)为第i号传感器在采样点j-1处的异构场信号强度，D(i,j+1)为第i号传感器在采样点j+1处的异构场信号强度，i＝1、2、…、I，I为管道内检测器所携带的传感器个数，j＝1、2、…、J，J为该段管道的采样点个数；
若异构场信号为异常信号，则用前后两采样点的异构场信号强度的平均值代替异常点的信号强度；
步骤1.2：对传感器获得的各个采样点的异构场信号进行基值校正，基值校正的方法如下公式所示：
其中，D(i,j)ans为第i号传感器在采样点j处的异构场信号校正后的信号强度；k表示传感器通道数；D(i,j)mid为第i号传感器在采样点j处所有通道采集的异构场信号的中值，D(i,j)max为第i号传感器在采样点j处所有通道采集的异构场信号的最大值；D(i,j)min为第i号传感器在采样点j处所有通道采集的异构场信号的最小值；V(i,j)mid为第i号传感器输出电压的中值；Vref为管道内检测器所携带的霍尔传感器的基准电压值；P为管道内检测器所携带的霍尔传感器输出电压的放大倍数；sens为管道内检测器所携带的霍尔传感器输出电压的灵敏度；
步骤2：对步骤1处理后的各采样点的异构场信号用小波分析方法进行去噪处理；
步骤3：对去噪处理后的管道缺陷对应的异构场信号进行填补操作，将不同尺寸的异构场信号统一成相同大小，其中，在采样点方向用0补齐，在信号幅值方向采用异构场信号中值进行补齐，并对信号幅值做非线性变换；
步骤4：将非线性变换处理后的管道缺陷对应的异构场信号矩阵转化为与稀疏自编码器输入维度相同的数据矩阵；
步骤5：设计具有轴对称结构的稀疏自编码器，将转换后的管道缺陷对应的异构场信号矩阵输入到稀疏自编码器中，得到管道缺陷对应的异构场信号的初级特征，并保存稀疏自编码器编码部分的权重；
步骤6：对管道缺陷的长度、宽度和深度进行分类，得到各管道缺陷的类别标签；
步骤7：设计基于softmax的多分类神经网络，以有监督的方式对管道缺陷对应的异构场信号进行分类，进一步提取出含有缺陷尺寸信息的深层特征；
步骤8：以步骤7中提取出的管道缺陷对应的异构场信号的深层特征为输入，以管道缺陷对应的异构场信号的真实尺寸信息为输出构造决策树个数为ntrees的随机森林回归模型，实现对管道缺陷尺寸的智能化反演。
2.根据权利要求1所述的一种基于异构场信号的管道缺陷智能反演方法，其特征在于：所述步骤2根据采集的各采样点的异构场信号特征，选取sym10为小波基函数，通过小波分解、启发式小波阈值处理及小波重构得到去噪后的异构场信号强度D(i,j)result。
3.根据权利要求2所述的一种基于异构场信号的管道缺陷智能反演方法，其特征在于：所述步骤3的具体方法为：
步骤3.1：设定第i号传感器采集到的第t个管道缺陷对应的异构场信号矩阵的维度为xt i×yt i，通过填补操作，用0在xt i左右两侧将异构场信号矩阵的行向量大小补齐至m，m＝max(xt i),t＝1,2,...,p，p为该段管道内管道缺陷总数；
步骤3.2：通过填补操作在yt i上下两侧用异构场信号中值将异构场信号矩阵的列向量大小补齐至n，n＝max(yt i)；
步骤3.3：经步骤3.1-步骤3.2处理后，每个传感器采集到的所有管道缺陷对应的异构场信号尺寸被统一成m×n，再对统一大小后的异构场信号做非线性变换，压缩其信号幅值。
4.根据权利要求3所述的一种基于异构场信号的管道缺陷智能反演方法，其特征在于：所述步骤4将非线性变换处理后的维度为m×n的管道缺陷对应的异构场信号矩阵转化为维度为(m×n,1)的矩阵D′(m×n,1)。
5.根据权利要求4所述的一种基于异构场信号的管道缺陷智能反演方法，其特征在于：所述步骤5的具体方法为：
步骤5.1：设计一个具有轴对称结构的A层稀疏自编码器，前
层构成编码器部分，后
层构成解码器部分，其中A为大于等于3的奇数；
步骤5.2：将稀疏自编码器编码器部分的权重WEncoder复制到解码器部分，使稀疏自编码器的参数减半；
步骤5.3：设定稀疏自编码器每一层的神经元数量为Sa，a＝1、2、…、A，输入是维度为(m×n,1)的所有管道缺陷对应的异构场信号D′(m×n,1)，输出为经过编码器和解码器部分重构后的特征向量F(m×n,1)，并以如下公式为稀疏自编码器的损失函数，通过最小化损失函数来训练稀疏自编码器模型；
其中，error()为损失函数，Dt (m×n,1)为维度为(m×n,1)的第t个管道缺陷对应的异构场信号，Ft (m×n,1)为经过编码器和解码器部分重构后的特征向量，α为偏执因子，取值范围为1.1～4.8；
步骤5.4：取稀疏自编码器第
层的特征向量Fmid作为管道缺陷对应的异构场信号的初级特征。
6.根据权利要求5所述的一种基于异构场信号的管道缺陷智能反演方法，其特征在于：所述步骤6设定管道缺陷长度、宽度和深度的类别数均为nclass，对管道缺陷的长度ylength、宽度ywidth、深度ydepth分别按如下公式进行分类，得到管道缺陷关于长度、宽度和深度的类别标签；
其中，ylength-class、ywidth-class、ydeep-class分别为管道缺陷长度、宽度和深度的类别标签，ylength-max为所有管道缺陷对应的异构场信号中长度的最大值，ylength-min为所有管道缺陷对应的异构场信号中长度的最小值，ywidth-max为所有管道缺陷对应的异构场信号中宽度的最大值，ywidth-min为所有管道缺陷对应的异构场信号中宽度的最小值，ydepth-max为所有管道缺陷对应的异构场信号中深度的最大值，ydepth-min为所有管道缺陷对应的异构场信号中深度的最小值。
7.根据权利要求6所述的一种基于异构场信号的管道缺陷智能反演方法，其特征在于：所述步骤7的具体方法为：
步骤7.1：设计基于softmax的b层分类神经网络，其中，
步骤7.2：在b层分类神经网络中，设置其前
层中每层的结构和参数均与稀疏自编码器编码部分保持一致；
步骤7.3：设定分类神经网络的输出类别数为nclass，并在分类神经网络的第
层，采用默认的神经网络初始化参数；
步骤7.4：以维度为(m×n,1)的管道缺陷对应的异构场信号为输入，各管道缺陷长度、宽度和深度的类别标签为输出，训练分类神经网络后，取第b层的特征Fb作为管道缺陷对应的异构场信号的深层特征。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011186863.4A CN112345626B (zh) | 2020-10-30 | 2020-10-30 | 一种基于异构场信号的管道缺陷智能反演方法 |
| PCT/CN2020/126885 WO2022088226A1 (zh) | 2020-10-30 | 2020-11-06 | 一种基于异构场信号的管道缺陷智能反演方法 |
| US18/028,010 US20230341354A1 (en) | 2020-10-30 | 2020-11-06 | Intelligent inversion method for pipeline defects based on heterogeneous field signals |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011186863.4A CN112345626B (zh) | 2020-10-30 | 2020-10-30 | 一种基于异构场信号的管道缺陷智能反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112345626A CN112345626A (zh) | 2021-02-09 |
| CN112345626B true CN112345626B (zh) | 2022-07-29 |
Family
ID=74356535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011186863.4A Active CN112345626B (zh) | 2020-10-30 | 2020-10-30 | 一种基于异构场信号的管道缺陷智能反演方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230341354A1 (zh) |
| CN (1) | CN112345626B (zh) |
| WO (1) | WO2022088226A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569930A (zh) * | 2021-07-15 | 2021-10-29 | 南京逸智网络空间技术创新研究院有限公司 | 一种基于磁场数据侧信道分析的智能设备应用识别方法 |
| CN115081485B (zh) * | 2022-07-04 | 2023-04-07 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109632942A (zh) * | 2019-02-21 | 2019-04-16 | 东北大学 | 一种基于sl的管道缺陷尺寸的反演方法 |
| CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
| CN110220966A (zh) * | 2019-03-07 | 2019-09-10 | 北方民族大学 | 一种漏磁检测缺陷三维量化方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9255875B2 (en) * | 2011-10-25 | 2016-02-09 | Jentek Sensors, Inc. | Method and apparatus for inspection of corrosion and other defects through insulation |
| US11488010B2 (en) * | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
-
2020
- 2020-10-30 CN CN202011186863.4A patent/CN112345626B/zh active Active
- 2020-11-06 US US18/028,010 patent/US20230341354A1/en active Pending
- 2020-11-06 WO PCT/CN2020/126885 patent/WO2022088226A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
| CN109632942A (zh) * | 2019-02-21 | 2019-04-16 | 东北大学 | 一种基于sl的管道缺陷尺寸的反演方法 |
| CN110220966A (zh) * | 2019-03-07 | 2019-09-10 | 北方民族大学 | 一种漏磁检测缺陷三维量化方法 |
Non-Patent Citations (2)
| Title |
|---|
| An Iterative Stacking Method for Pipeline Defect Inversion With Complex MFL Signals;Yu Ge et al.;《IEEE Transactions on Instrumentation and Measurement》;20190814;第69卷(第6期);第1-9页 * |
| 基于漏磁内检测的缺陷识别方法;刘金海 等;《仪器仪表学报》;20161130;第37卷(第11期);第2572-2581页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112345626A (zh) | 2021-02-09 |
| WO2022088226A1 (zh) | 2022-05-05 |
| US20230341354A1 (en) | 2023-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112345626B (zh) | 一种基于异构场信号的管道缺陷智能反演方法 | |
| CN111783100B (zh) | 基于图卷积网络对代码图表示学习的源代码漏洞检测方法 | |
| WO2023082418A1 (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
| CN110060251A (zh) | 一种基于U-Net的建筑物表面裂纹检测方法 | |
| CN107590778A (zh) | 一种基于无损约束降噪的自编码方法 | |
| CN111899225A (zh) | 基于多尺度金字塔结构的核电管道缺陷检测方法 | |
| Rahman et al. | A novel machine learning approach toward quality assessment of sensor data | |
| CN110232362B (zh) | 基于卷积神经网络和多特征融合的舰船尺寸估计方法 | |
| CN104778692A (zh) | 一种基于稀疏表示系数优化的织物疵点检测方法 | |
| CN113592786A (zh) | 一种基于深度学习的海洋中尺度涡检测方法 | |
| CN112488025A (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
| CN115983274B (zh) | 一种基于两阶段标签校正的噪声事件抽取方法 | |
| CN112580050A (zh) | 一种基于语义分析及向量化大数据的xss入侵识别方法 | |
| CN110929376B (zh) | 一种基于gan的管道漏磁检测数据缺失的重构方法 | |
| CN116760583B (zh) | 一种增强图节点行为表征及其异常图节点检测方法 | |
| CN114580934A (zh) | 基于无监督异常检测的食品检测数据风险的早预警方法 | |
| CN115048537A (zh) | 一种基于图像-文本多模态协同表示的病害识别系统 | |
| Wang et al. | Marine target magnetic anomaly detection based on multi-task deep transfer learning | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN116596851A (zh) | 一种基于知识蒸馏和异常模拟的工业瑕疵检测方法 | |
| CN116580243A (zh) | 一种掩码图像建模引导域适应的跨域遥感场景分类方法 | |
| CN113008998B (zh) | 一种基于pcnn的隐蔽工程内部缺陷判断方法 | |
| CN113689390B (zh) | 一种无缺陷样本学习的异常检测方法 | |
| CN115619707A (zh) | 一种汽车车门密封件表面缺陷检测方法和系统 | |
| Sato et al. | Evolutionary design of edge detector using rule-changing cellular automata |
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 |