CN113051521A - 地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统 - Google Patents
地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统 Download PDFInfo
- Publication number
- CN113051521A CN113051521A CN202110301695.7A CN202110301695A CN113051521A CN 113051521 A CN113051521 A CN 113051521A CN 202110301695 A CN202110301695 A CN 202110301695A CN 113051521 A CN113051521 A CN 113051521A
- Authority
- CN
- China
- Prior art keywords
- detection signal
- leakage detection
- magnetic flux
- flux leakage
- corrosion defect
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0219—Compensation of undesirable effects, e.g. quantisation noise, overflow
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0223—Computation saving measures; Accelerating measures
- H03H17/0233—Measures concerning the signal representation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
Abstract
地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统,通过对地上钢结构件漏磁检测信号进行修剪、直流滤波,并对异常数据位置的判断等操作处理,基于优选的sinc函数构建腐蚀缺陷漏磁检测信号修复计算模型,通过迭代更新修复参数,最终实现对地上钢结构件腐蚀缺陷漏磁检测信号的修复。该修复系统包括信号采集模块、信号修剪模块、直流滤波模块、信号区域识别模块、信号计算模块、信号修复模块。通过修复地上钢结构件腐蚀缺陷漏磁检测信号中的异常数据,为腐蚀缺陷漏磁检测信号的反演量化及地上钢结构件的安全评估等提供数据支撑,无需事先准确训练样本,操作简单、计算速度快、信号修复效果好。
Description
技术领域
本发明属于无损检测信号处理领域,更具体地,涉及地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统。
背景技术
漏磁检测是一种常用的无损检测技术,具有检测速度快、对检测环境要求低、反演精度高等优点,目前已经广泛应用在地上钢结构件的腐蚀缺陷检测和安全状态评估中。基于漏磁检测信号进行腐蚀缺陷反演和地上钢结构件的安全评估要求检测得到的漏磁信号是完整的,然后在漏磁检测过程中,由于传感器异常、信号超量程或检测干扰噪声等原因,可能检测到部分异常数据从而导致漏磁信号的不完整。尤其是当异常数据处于腐蚀缺陷处的漏磁检测信号区域中时,将对腐蚀缺陷的反演量化等造成严重的影响,甚至导致评估失效。因此,对地上钢结构检测腐蚀缺陷漏磁检测信号进行必要的修复十分重要。
在现有的相关技术中,发明专利201610958282.5“一种基于压缩感知的FBG信号自适应修复方法”,基于压缩感知技术,采用改进的稀疏度自适应正交匹配跟踪算法对光纤传感系统的信号进行修复;发明专利200910140488.7“语音信号修复方法和装置”,将信号分段与自身长度相同的汉宁窗进行乘积后再叠加,从而覆盖丢失区域,实现对语音信号的修复。然而上述方法是针对非漏磁信号的处理修复,不同类型的信号由于其信号特性不同,无法直接借鉴应用。发明专利201911002802.5“一种基于GAN的管道漏磁检测数据缺失的重构方法”,采用生成对抗网络构建生成器模型和鉴别器模型进行训练,从而实现对管道漏磁检测缺失数据的重构,然而生成对抗网络技术需要事先准备缺陷样本对模型进行训练,且训练难度大、计算非常复杂,存在模式坍塌、无法收敛等训练风险。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统,通过对地上钢结构件漏磁检测信号进行修剪、直流滤波,并对异常数据位置的判断等操作处理,基于优选的sinc函数构建腐蚀缺陷漏磁检测信号修复计算模型,通过迭代更新修复参数,最终实现对地上钢结构件腐蚀缺陷漏磁检测信号的修复。该方法不需要事先准确训练样本,具有操作简单、计算速度快、信号修复效果好等优点。
本发明采用如下的技术方案。
地上钢结构件腐蚀缺陷漏磁检测信号修复方法,具体步骤如下:
步骤1,采集地上钢结构件的漏磁检测信号,组成钢结构件的漏磁检测信号序列;
步骤2,对钢结构件的漏磁检测信号序列进行修剪操作,包括:记录钢结构件的漏磁检测信号序列中的异常数据位置并删除异常数据、漏磁检测信号序列中的正常数据位置保持不变;
步骤3,对钢结构件的修剪后漏磁检测信号序列进行直流滤波处理,得到钢结构件的滤波后漏磁检测信号序列;
步骤4,分析钢结构件的滤波后漏磁检测信号序列中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内:若不处于该区域内,则对异常数据位置采用相邻的滤波后漏磁检测信号数据的插值结果进行填充,以完成地上钢结构件腐蚀缺陷漏磁检测信号的修复;若处于该区域内,则提取腐蚀缺陷处的漏磁检测信号序列进入步骤5;
其中,
上标k表示迭代次数,
对于初始修复参数,定义k=0;
式中,
x表示漏磁检测信号中各数据采样点的序列号,
sinc(·)表示sinc函数;
步骤8,对钢结构件的漏磁检测信号序列中的异常数据位置,采用步骤7得到的腐蚀缺陷处的漏磁计算信号序列中的数据进行填充,实现地上钢结构件腐蚀缺陷漏磁检测信号的修复。
优选地,
在步骤2中,异常数据至少是如下一种数据:
(1)超过设定的异常阈值的数据;
(2)超过磁传感器采集量程的数据;
(3)噪声干扰数据;
其中,异常阈值的取值范围的上限值是漏磁检测信号序列中所有数据的平均值的400%,异常阈值的取值范围的下限值是漏磁检测信号序列中所有数据的平均值的250%;
正常数据不是上述任意一种数据;
若干个异常数据组成异常数据集Aabnormal,若干个正常数据组成正常数据集Anormal。
优选地,
步骤3中具体如下:
步骤3.1,计算钢结构件的修剪后漏磁检测信号序列中所有数据的平均值;
步骤3.2,钢结构件的漏磁修剪后信号序列中所有数据均减去步骤3.1得到的平均值,实现直流滤波处理,得到钢结构件的滤波后漏磁检测信号序列。
式中,
B(x)表示漏磁检测信号序列中第x个数据采样点的正常数据,
N为正常数据集Anormal中所有数据的总数量,
B(i)表示漏磁检测信号序列中第i个数据采样点的正常数据,且集合{B(1),B(2),…,B(N-1),B(N)}=Anormal。
优选地,
在步骤4中,分析钢结构件的滤波后漏磁检测信号序列中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内的判断条件是:
式中,
BTL_defct和BTH_defct分别为设定的腐蚀缺陷漏磁检测信号阈值范围的下限值和上限值;
优选地,
在步骤7中,腐蚀缺陷处的漏磁计算信号序列与腐蚀缺陷处的修剪后漏磁检测信号序列的误差计算,是以腐蚀缺陷处的修剪后漏磁检测信号序列为基准,计算腐蚀缺陷处的漏磁计算信号序列的误差。
在步骤7中,迭代次数k=k+1,按如下关系式更新修复参数:
式中,
地上钢结构件腐蚀缺陷漏磁检测信号修复系统包括:信号采集模块、信号修剪模块、直流滤波模块、信号区域识别模块、信号计算模块、信号修复模块;
信号采集模块,用于采集地上钢结构件的漏磁检测信号;
信号修剪模块,用于对钢结构件的漏磁检测信号进行修剪操作;
直流滤波模块,用于对钢结构件的修剪后漏磁检测信号进行直流滤波;
信号区域识别模块,用于识别直流滤波模块输出的钢结构件的滤波后漏磁检测信号中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内;
信号计算模块,包括腐蚀缺陷处的漏磁检测信号修复计算单元和修复参数单元;修复参数单元是修复参数的迭代更新模型,通过设置初始值、引入修正因子,采用迭代计算实现修复参数的更新;漏磁检测信号修复计算单元是漏磁检测信号的修复计算模型,基于sinc函数代入更新后的修复参数计算得到漏磁计算信号;
信号修复模块,对不处于腐蚀缺陷处漏磁检测信号区域内的异常数据位置,采用相邻的滤波后漏磁检测信号数据的插值结果进行填充以实现漏磁检测信号的修复;对处于腐蚀缺陷处漏磁检测信号区域内的异常数据位置,采用腐蚀缺陷处的漏磁计算信号序列中的数据进行填充以实现漏磁检测信号的修复。
本发明的有益效果在于,与现有技术相比,在对地上钢结构件腐蚀缺陷漏磁检测信号修复时,无需事先准确训练样本,具有操作简单、计算速度快、信号修复效果好等优点。
附图说明
图1是本发明的地上钢结构件腐蚀缺陷漏磁检测信号修复方法的流程图;
图2是本发明实施例1中的腐蚀缺陷处的漏磁检测信号的波形图;
图3是本发明实施例1中的修剪后的腐蚀缺陷处的漏磁检测信号的波形图;
图4是本发明实施例1中的腐蚀缺陷漏磁计算信号与修剪后的腐蚀缺陷处漏磁检测信号的波形对比图;
图5是本发明实施例1中的经修复得到的地上钢结构件腐蚀缺陷漏磁检测信号的波形图;
图6是本发明实施例2中待修复的非腐蚀缺陷处的第1组漏磁检测信号的波形图;
图7是本发明实施例2中待修复的腐蚀缺陷处的第2组漏磁检测信号的波形图;
图8是本发明实施例2中修复后的第1组漏磁检测信号的波形图;
图9是本发明实施例2中修复后的第2组漏磁检测信号的波形图;
图10是本发明的地上钢结构件腐蚀缺陷漏磁检测信号修复系统的框架图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
实施例1。图1是本发明的地上钢结构件腐蚀缺陷漏磁检测信号修复方法的流程图,该方法包括以下步骤:
步骤1,采集地上钢结构件的漏磁检测信号,组成钢结构件的漏磁检测信号序列。
具体地,
在步骤1中,采集地上钢结构件的漏磁检测信号时,对各检测通道中的漏磁检测信号进行分析判断,任意检测通道中的漏磁检测信号至少具备如下一种特征时,则认为该检测通道中的漏磁检测信号为地上钢结构件的漏磁检测信号,从而组成漏磁检测信号序列,漏磁检测信号的特征包括:
(1)漏磁检测信号中存在超过设定的异常阈值的数据;本优选实施例中,异常阈值的取值范围的上限值是漏磁检测信号序列中所有数据的平均值的400%,异常阈值的取值范围的下限值是漏磁检测信号序列中所有数据的平均值的250%;
(2)漏磁检测信号中存在超过磁传感器采集量程的数据;
(3)漏磁检测信号中存在噪声干扰数据。
本优选实施例中,在地上钢结构件的漏磁检测工作中,共采集了1组地上钢结构件的漏磁检测信号序列,该信号序列的波形如图2所示,从图2中可以看出该漏磁检测信号序列中包含异常数据。
步骤2,对钢结构件的漏磁检测信号序列进行修剪操作,包括:记录钢结构件的漏磁检测信号序列中的异常数据位置并删除异常数据、漏磁检测信号序列中的正常数据位置保持不变。
具体地,
在步骤2中,钢结构件的漏磁检测信号序列中的异常数据至少是如下一种数据:
(1)超过设定的异常阈值的数据;
(2)超过磁传感器采集量程的数据;
(3)噪声干扰数据。
正常数据不是上述任意一种数据。
若干个异常数据组成异常数据集Aabnormal,若干个正常数据组成正常数据集Anormal。
钢结构件的漏磁检测信号数据集A即为异常数据集Aabnormal和正常数据集Anormal的并集,且异常数据集Aabnormal和正常数据集Anormal的交集为空集,满足如下关系式:
本优选实施例中,对图2中的地上钢结构件的漏磁检测信号序列进行修剪,得到如图3所示的地上钢结构件的漏磁修剪后信号序列的波形,从图3中可以看出异常数据被删除、异常数据和正常数据的初始位置均保持不变。
步骤3,对钢结构件的修剪后漏磁检测信号序列进行直流滤波处理,得到钢结构件的滤波后漏磁检测信号序列。
具体地,
步骤3中具体如下:
步骤3.1,计算钢结构件的修剪后漏磁检测信号序列中所有数据的平均值;本优选实施例中该平均值为34.2Gs。
步骤3.2,钢结构件的漏磁修剪后信号序列中所有数据均减去步骤3.1得到的平均值,实现直流滤波处理,得到钢结构件的漏磁滤波后信号序列。
式中,
B(x)表示漏磁检测信号序列中第x个数据采样点的正常数据,
N为正常数据集Anormal中所有数据的总数量,
B(i)表示漏磁检测信号序列中第i个数据采样点的正常数据,且集合{B(1),B(2),…,B(N-1),B(N)}=Anormal。
步骤4,分析钢结构件的滤波后漏磁检测信号序列中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内:若不处于该区域内,则对异常数据位置采用相邻的滤波后漏磁检测信号数据的插值结果进行填充,以完成地上钢结构件腐蚀缺陷漏磁检测信号的修复;若处于该区域内,则提取腐蚀缺陷处的漏磁检测信号序列进入步骤5;
具体地,
在步骤4中,分析钢结构件的滤波后漏磁检测信号序列中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内的判断条件是:
式中,
BTL_defct和BTH_defct分别为设定的腐蚀缺陷漏磁检测信号阈值范围的下限值和上限值,本优选实施例中,m=5,设定BTL_defct=20Gs、BTH_defct=100Gs。
本优选实施例中,经步骤4后发现,图2中的腐蚀缺陷处的漏磁检测信号序列中存在一段处于腐蚀缺陷处的漏磁检测信号区域内的异常数据,因此,提取腐蚀缺陷处的漏磁检测信号序列进入步骤5。
其中,
上标k表示迭代次数,
对于初始修复参数,定义k=0;
式中,
x表示漏磁检测信号中各数据采样点的序列号,
sinc(·)表示sinc函数;
通过数据处理发现sinc函数的波形与腐蚀缺陷漏磁检测信号波形的最为相似;
具体地,
在步骤7中,腐蚀缺陷处的漏磁计算信号序列与腐蚀缺陷处的修剪后漏磁检测信号序列的误差计算,是以腐蚀缺陷处的修剪后漏磁检测信号序列为基准,计算腐蚀缺陷处的漏磁计算信号序列的误差。
值得注意的是,所属领域的技术人员可以任意选择计算误差的类型,包含但不限于平均绝对误差、平均相对误差或相对均方根误差等;本发明优选实施例采用平均相对误差是非限制性的较优选择,该平均相对误差满足如下关系式:
式中,
EMRE表示平均相对误差,
∑*表示所有与正常数据集Anormal中数据采样点相对应的数据运算结果之和。
本优选实施例中,若EMRE≥0.1,则迭代次数k=k+1,并按如下关系式更新修复参数:
式中,
值得注意的是,所属领域的技术人员可以任意选择修复参数的更新算法,包含但不限于梯度下降法、牛顿法、共轭梯度法或遗传算法等;本发明优选实施例采用梯度下降法是非限制性的较优选择。
修复参数更新完成后返回步骤5。
若EMRE<0.1,则进入步骤8。
图4是步骤7得到的腐蚀缺陷处漏磁计算信号与腐蚀缺陷处修剪后漏磁检测信号的对比图,其中虚线表示漏磁计算信号,实线表示修剪后漏磁检测信号;其中虚线框内部分为腐蚀缺陷处用于对比的信号区域。
步骤8,对钢结构件的漏磁检测信号序列中的异常数据位置,采用步骤7得到的腐蚀缺陷处的漏磁计算信号序列中的数据进行填充,实现地上钢结构件腐蚀缺陷漏磁检测信号的修复。本优选实施例中,经修复得到的地上钢结构件腐蚀缺陷漏磁检测信号如图5所示。
从本优选实施例中可以看出,采用该方法可以有效地对地上钢结构件腐蚀缺陷漏磁检测信号中的异常数据进行修复,从而为腐蚀缺陷漏磁检测信号的反演量化及地上钢结构件的安全评估等提供有效数据。
实施例2。图1是本发明的地上钢结构件腐蚀缺陷漏磁检测信号修复方法的流程图,该方法包括以下步骤:
步骤1,采集地上钢结构件的漏磁检测信号,组成钢结构件的漏磁检测信号序列。
具体地,
在步骤1中,采集地上钢结构件的漏磁检测信号时,对各检测通道中的漏磁检测信号进行分析判断,任意检测通道中的漏磁检测信号至少具备如下一种特征时,则认为该检测通道中的漏磁检测信号为地上钢结构件的漏磁检测信号,从而组成漏磁检测信号序列,漏磁检测信号的特征包括:
(1)漏磁检测信号中存在超过设定的异常阈值的数据;本优选实施例中,异常阈值的取值范围的上限值是漏磁检测信号序列中所有数据的平均值的400%,异常阈值的取值范围的下限值是漏磁检测信号序列中所有数据的平均值的250%;
(2)漏磁检测信号中存在超过磁传感器采集量程的数据;
(3)漏磁检测信号中存在噪声干扰数据。
本优选实施例中,在地上钢结构件的漏磁检测工作中,共采集了2组地上钢结构件的漏磁检测信号序列,其中第1组地上钢结构件的漏磁检测信号序列的波形如图6所示,第2组待修复的地上钢结构件的漏磁检测信号序列的波形如图7所示,从图6和图7中可以看出2组漏磁检测信号序列中均包含异常数据。
步骤2,对钢结构件的漏磁检测信号序列进行修剪操作,包括:记录钢结构件的漏磁检测信号序列中的异常数据位置并删除异常数据、漏磁检测信号序列中的正常数据位置保持不变。
具体地,
在步骤2中,钢结构件的漏磁检测信号序列中的异常数据至少是如下一种数据:
(1)超过设定的异常阈值的数据;
(2)超过磁传感器采集量程的数据;
(3)噪声干扰数据。
正常数据不是上述任意一种数据。
若干个异常数据组成异常数据集Aabnormal,若干个正常数据组成正常数据集Anormal。
钢结构件的漏磁检测信号数据集A即为异常数据集Aabnormal和正常数据集Anormal的并集,且异常数据集Aabnormal和正常数据集Anormal的交集为空集,满足如下关系式:
步骤3,对钢结构件的修剪后漏磁检测信号序列进行直流滤波处理,得到钢结构件的滤波后漏磁检测信号序列。
具体地,
步骤3中具体如下:
步骤3.1,计算钢结构件的修剪后漏磁检测信号序列中所有数据的平均值;本优选实施例中2组漏磁检测信号序列的平均值分别为36.4Gs和37.8Gs。
步骤3.2,钢结构件的漏磁修剪后信号序列中所有数据均减去步骤3.1得到的平均值,实现直流滤波处理,得到钢结构件的漏磁滤波后信号序列。
式中,
B(x)表示漏磁检测信号序列中第x个数据采样点的正常数据,
N为正常数据集Anormal中所有数据的总数量,
B(i)表示漏磁检测信号序列中第i个数据采样点的正常数据,且集合{B(1),B(2),…,B(N-1),B(N)}=Anormal。
步骤4,分析钢结构件的滤波后漏磁检测信号序列中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内:若不处于该区域内,则对异常数据位置采用相邻的滤波后漏磁检测信号数据的插值结果进行填充,以完成地上钢结构件腐蚀缺陷漏磁检测信号的修复;若处于该区域内,则提取腐蚀缺陷处的漏磁检测信号序列进入步骤5;
具体地,
在步骤4中,分析钢结构件的滤波后漏磁检测信号序列中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内的判断条件是:
式中,
BTL_defct和BTH_defct分别为设定的腐蚀缺陷漏磁检测信号阈值范围的下限值和上限值,本优选实施例中,m=6,设定BTL_defct=20Gs、BTH_defct=100Gs。
本优选实施例中,经步骤4后发现,第1组腐蚀缺陷处的漏磁检测信号序列中仅存在一段不处于腐蚀缺陷处的漏磁检测信号区域内的异常数据,因此,采用该异常数据位置处的向前或向后的5个漏磁检测数据进行插值操作,并将插值结果对异常数据位置进行填充。经填充后,第1组钢结构件腐蚀缺陷漏磁检测信号经修复后的波形如图8所示。
值得注意的是,所属领域的技术人员可以任意选择插值操作算法,插值操作算法可以是但不限制于三次样条插值、多项式插值、牛顿插值、线性插值等方法;本发明优选实施例采用牛顿插值法是非限制性的较优选择。
本优选实施例中,经步骤4后发现,图7中的腐蚀缺陷处的漏磁检测信号序列中仅存在一段处于腐蚀缺陷处的漏磁检测信号区域内的异常数据,因此,提取腐蚀缺陷处的漏磁检测信号序列进入步骤5。
其中,
上标k表示迭代次数,
对于初始修复参数,定义k=0;
式中,
x表示漏磁检测信号中各数据采样点的序列号,
sinc(·)表示sinc函数;
通过数据处理发现sinc函数的波形与腐蚀缺陷漏磁检测信号波形的最为相似;
具体地,
在步骤7中,腐蚀缺陷处的漏磁计算信号序列与腐蚀缺陷处的修剪后漏磁检测信号序列的误差计算,是以腐蚀缺陷处的修剪后漏磁检测信号序列为基准,计算腐蚀缺陷处的漏磁计算信号序列的误差。
值得注意的是,所属领域的技术人员可以任意选择计算误差的类型,包含但不限于平均绝对误差、平均相对误差或相对均方根误差等;本发明优选实施例采用相对均方根误差是非限制性的较优选择,本优选实施例采用相对均方根误差,满足如下关系式:
式中,
ERRMSE表示相对均方根误差,
∑*表示所有与正常数据集Anormal中数据采样点相对应的数据运算结果之和。
本优选实施例中,若ERRMSE≥0.2,则迭代次数k=k+1,并按如下关系式更新修复参数:
式中,
值得注意的是,所属领域的技术人员可以任意选择修复参数的更新算法,包含但不限于梯度下降法、牛顿法、共轭梯度法或遗传算法等;本发明优选实施例采用遗传算法是非限制性的较优选择。
修复参数更新完成后返回步骤5。
若ERRMSE<0.2,则进入步骤8。
步骤8,对钢结构件的漏磁检测信号序列中的异常数据位置,采用步骤7得到的腐蚀缺陷处的漏磁计算信号序列中的数据进行填充,实现地上钢结构件腐蚀缺陷漏磁检测信号的修复。本优选实施例中,经修复得到的地上钢结构件腐蚀缺陷漏磁检测信号如图9所示。
从本优选实施例中可以看出,采用该方法不仅可以有效地对地上钢结构件中处于腐蚀缺陷漏磁检测信号区域内的漏磁检测信号序列中的异常数据进行修复,也能有效地对,地上钢结构件中不处于腐蚀缺陷漏磁检测信号区域内的漏磁检测信号序列中的异常数据进行修复,从而为腐蚀缺陷漏磁检测信号的反演量化及地上钢结构件的安全评估等提供有效数据。
地上钢结构件腐蚀缺陷漏磁检测信号修复系统,如图10所示,系统包括:信号采集模块、信号修剪模块、直流滤波模块、信号区域识别模块、信号计算模块、信号修复模块。
信号采集模块,用于采集地上钢结构件的漏磁检测信号。
信号修剪模块,用于对钢结构件的漏磁检测信号进行修剪操作。
直流滤波模块,用于对钢结构件的修剪后漏磁检测信号进行直流滤波。
信号区域识别模块,用于识别直流滤波模块输出的钢结构件的滤波后漏磁检测信号中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内。
信号计算模块,包括腐蚀缺陷处的漏磁检测信号修复计算单元和修复参数单元;修复参数单元是修复参数的迭代更新模型,通过设置初始值、引入修正因子,采用迭代计算实现修复参数的更新;漏磁检测信号修复计算单元是漏磁检测信号的修复计算模型,基于sinc函数代入更新后的修复参数计算得到漏磁计算信号。
信号修复模块,对不处于腐蚀缺陷处漏磁检测信号区域内的异常数据位置,采用相邻的滤波后漏磁检测信号数据的插值结果进行填充以实现漏磁检测信号的修复;对处于腐蚀缺陷处漏磁检测信号区域内的异常数据位置,采用腐蚀缺陷处的漏磁计算信号序列中的数据进行填充以实现漏磁检测信号的修复。
本发明的有益效果在于,与现有技术相比,在对地上钢结构件腐蚀缺陷漏磁检测信号修复时,无需事先准确训练样本,具有操作简单、计算速度快、信号修复效果好等优点。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (9)
1.地上钢结构件腐蚀缺陷漏磁检测信号修复方法,其特征在于:
所述方法的具体步骤如下:
步骤1,采集地上钢结构件的漏磁检测信号,组成钢结构件的漏磁检测信号序列;
步骤2,对钢结构件的漏磁检测信号序列进行修剪操作,包括:记录钢结构件的漏磁检测信号序列中的异常数据位置并删除异常数据、漏磁检测信号序列中的正常数据位置保持不变;
步骤3,对钢结构件的修剪后漏磁检测信号序列进行直流滤波处理,得到钢结构件的滤波后漏磁检测信号序列;
步骤4,分析钢结构件的滤波后漏磁检测信号序列中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内:若不处于该区域内,则对异常数据位置采用相邻的滤波后漏磁检测信号数据的插值结果进行填充,以完成地上钢结构件腐蚀缺陷漏磁检测信号的修复;若处于该区域内,则提取腐蚀缺陷处的漏磁检测信号序列进入步骤5;
其中,
上标k表示迭代次数,对于初始修复参数,定义k=0;
式中,
x表示漏磁检测信号中各数据采样点的序列号,
sinc(·)表示sinc函数;
步骤8,对钢结构件的漏磁检测信号序列中的异常数据位置,采用步骤7得到的腐蚀缺陷处的漏磁计算信号序列中的数据进行填充,实现地上钢结构件腐蚀缺陷漏磁检测信号的修复。
2.根据权利要求1所述的地上钢结构件腐蚀缺陷漏磁检测信号修复方法,其特征在于:
所述异常数据至少是如下一种数据:
(1)超过设定的异常阈值的数据;
(2)超过磁传感器采集量程的数据;
(3)噪声干扰数据;
所述正常数据不是上述任意一种数据;
若干个异常数据组成异常数据集Aabnormal,若干个正常数据组成正常数据集Anormal。
3.根据权利要求2所述的地上钢结构件腐蚀缺陷漏磁检测信号修复方法,其特征在于:
所述异常阈值的取值范围的上限值是漏磁检测信号序列中所有数据的平均值的400%,异常阈值的取值范围的下限值是漏磁检测信号序列中所有数据的平均值的250%。
4.根据权利要求1所述的地上钢结构件腐蚀缺陷漏磁检测信号修复方法,其特征在于:
步骤3中具体如下:
步骤3.1,计算钢结构件的修剪后漏磁检测信号序列中所有数据的平均值;
步骤3.2,钢结构件的漏磁修剪后信号序列中所有数据均减去步骤3.1得到的平均值,实现直流滤波处理,得到钢结构件的滤波后漏磁检测信号序列。
7.根据权利要求1所述的地上钢结构件腐蚀缺陷漏磁检测信号修复方法,其特征在于:
在步骤7中,腐蚀缺陷处的漏磁计算信号序列与腐蚀缺陷处的修剪后漏磁检测信号序列的误差计算,是以腐蚀缺陷处的修剪后漏磁检测信号序列为基准,计算腐蚀缺陷处的漏磁计算信号序列的误差。
9.基于权利要求1至8所述的地上钢结构件腐蚀缺陷漏磁检测信号修复方法的地上钢结构件腐蚀缺陷漏磁检测信号修复系统,其特征在于:地上钢结构件腐蚀缺陷漏磁检测信号修复系统包括:信号采集模块、信号修剪模块、直流滤波模块、信号区域识别模块、信号计算模块、信号修复模块;
信号采集模块,用于采集地上钢结构件的漏磁检测信号;
信号修剪模块,用于对钢结构件的漏磁检测信号进行修剪操作;
直流滤波模块,用于对钢结构件的修剪后漏磁检测信号进行直流滤波;
信号区域识别模块,用于识别直流滤波模块输出的钢结构件的滤波后漏磁检测信号中异常数据位置是否处于腐蚀缺陷处的漏磁检测信号区域内;
信号计算模块,包括腐蚀缺陷处的漏磁检测信号修复计算单元和修复参数单元;修复参数单元是修复参数的迭代更新模型,通过设置初始值、引入修正因子,采用迭代计算实现修复参数的更新;漏磁检测信号修复计算单元是漏磁检测信号的修复计算模型,基于sinc函数代入更新后的修复参数计算得到漏磁计算信号;
信号修复模块,对不处于腐蚀缺陷处漏磁检测信号区域内的异常数据位置,采用相邻的滤波后漏磁检测信号数据的插值结果进行填充以实现漏磁检测信号的修复;对处于腐蚀缺陷处漏磁检测信号区域内的异常数据位置,采用腐蚀缺陷处的漏磁计算信号序列中的数据进行填充以实现漏磁检测信号的修复。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110301695.7A CN113051521B (zh) | 2021-03-22 | 2021-03-22 | 地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110301695.7A CN113051521B (zh) | 2021-03-22 | 2021-03-22 | 地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113051521A true CN113051521A (zh) | 2021-06-29 |
CN113051521B CN113051521B (zh) | 2022-08-05 |
Family
ID=76514103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110301695.7A Active CN113051521B (zh) | 2021-03-22 | 2021-03-22 | 地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113051521B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899868A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN104897771A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷轮廓重构方法及装置 |
CN106645384A (zh) * | 2016-09-23 | 2017-05-10 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
-
2021
- 2021-03-22 CN CN202110301695.7A patent/CN113051521B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899868A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN104897771A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷轮廓重构方法及装置 |
CN106645384A (zh) * | 2016-09-23 | 2017-05-10 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
Non-Patent Citations (1)
Title |
---|
LISHA PENG等: "A Simplified Calculation Model of MFL Signal of Defect Based on Lift-off Value", 《 2020 CONFERENCE ON PRECISION ELECTROMAGNETIC MEASUREMENTS (CPEM)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113051521B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN108805059B (zh) | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 | |
CN108139432B (zh) | 校正电流互感器中饱和效应的方法以及其智能电子设备 | |
CN109214355B (zh) | 一种基于核估计lof的机械监测数据异常段检测方法 | |
CN110060368B (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN111753699B (zh) | 一种直流充电桩数字计量准确度提升的方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN108592812B (zh) | 风机叶片光纤载荷应变特征提取及裂纹监测方法 | |
CN111367959A (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
CN111259953A (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
CN113051521B (zh) | 地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统 | |
CN116089813A (zh) | 一种基于机器学习的风电机组传动链故障诊断方法 | |
CN116979970A (zh) | 一种漏磁数据的压缩和重构方法、系统、电子设备及介质 | |
CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
CN113702861B (zh) | 一种基于大数据分析的电源故障位置预测方法及装置 | |
CN116452574A (zh) | 一种基于改进YOLOv7的缝隙检测方法、系统和存储介质 | |
CN114779028B (zh) | 一种发电机局放在线监测装置及监测方法 | |
CN114692465B (zh) | 桥梁损伤位置的无损识别方法、存储介质及设备 | |
Li et al. | Bearing fault detection via wavelet packet transform and rough set theory | |
CN110459197A (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
CN109946096B (zh) | 基于模型空间的高速列车风管故障诊断方法 | |
CN114912480A (zh) | 基于深度残差变分自编码器的故障诊断方法和诊断系统 | |
CN113820749A (zh) | 一种基于机器学习的地震数据速度场异常反演方法 |
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 |