CN115266907B - 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法 - Google Patents

基于遗传算法的管道漏磁检测传感器初始提离值寻优方法 Download PDF

Info

Publication number
CN115266907B
CN115266907B CN202210884840.3A CN202210884840A CN115266907B CN 115266907 B CN115266907 B CN 115266907B CN 202210884840 A CN202210884840 A CN 202210884840A CN 115266907 B CN115266907 B CN 115266907B
Authority
CN
China
Prior art keywords
value
lift
initial
genetic algorithm
magnetic flux
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
Application number
CN202210884840.3A
Other languages
English (en)
Other versions
CN115266907A (zh
Inventor
潘建华
高伦
赵冬军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210884840.3A priority Critical patent/CN115266907B/zh
Publication of CN115266907A publication Critical patent/CN115266907A/zh
Application granted granted Critical
Publication of CN115266907B publication Critical patent/CN115266907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明公开了基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，涉及管道缺陷检测技术领域，该方法中：定义遗传算法的参量和目标函数，遗传算法的参量包括初始提离值和提离值波动幅度，遗传算法的目标函数包括传感器灵敏度误差、提离值波动误差、噪声判断误差；分别设置初始提离值的取值范围和提离值波动幅度的取值范围，利用遗传算法在提离值波动幅度的取值范围内对初始提离值进行寻优，使得目标函数的值最小化，得到最优初始提离值。本发明不仅考虑了提离值增大后引起的传感器灵敏度误差和噪声判断误差，还综合考虑了由缺陷造成检测传感器随机振动的情况，利用遗传算法进行寻优，置信度高，寻优结果准确。

Description

基于遗传算法的管道漏磁检测传感器初始提离值寻优方法
技术领域
本发明涉及管道缺陷检测技术领域，尤其是基于遗传算法的管道漏磁检测传感器初始提离值寻优方法。
背景技术
管道漏磁检测传感器提离值不是越小越好，现实中管道内壁并不一直是平整光滑的，在管道内壁存在一些凸起的焊缝和杂质，当磁敏传感器通过时会产生机械抖动，导致采集的漏磁信号产生波动，信号不稳定，还掺杂着传感器抖动造成的杂波。因此，在实际检测过程中，工作人员应根据检测情况适当调整磁敏传感器提离值的高度。
由提离产生的信号变化规律在一定范围内可按下式描述(不含0提离，即h0≠0)：S＝K(Δh/h0)。式中，S为信号变化量；Δh为提离值波动幅度；h0为初始提离值；K为影响因子，是一个多参量表达式，其值与被检材料、缺陷特征、检测探头特性以及h0值等有关，影响因素较多，也较为复杂，需要根据具体情况试验分析确定。从式中可以看出，比值Δh/h0是描述探头提离变动产生的相对提离值，在其他条件不变的情况下该值的大小可反映出信号的变化情况。Δh不变而h0越小，信号变化越明显，h0值越接近于0，其缺陷信号的变化越厉害。故将初始提离值h0＝0附近的区域视为提离的敏感区域。h0不变而Δh变大时，信号变化越明显，即随机振动的幅度越大，漏磁信号变化越明显，检测误差也就越大。当初始提离气隙过大时，探测到的漏磁信号也很弱，甚至消失。这是由于一方面受磁能的限制，被检构件局部难以达到磁饱和状态，另一方面传感器距被测件距离过大，捕捉不到漏磁信号，容易造成漏检。此外，初始提离值h0越大，传感器所测得的有效磁场与空气耦合磁场之比越小，从而使信噪比降低。因此，不同的检测对象、条件、环境以及检测系统，均有提离阈值的限制，同样也有最优初始提离值的存在。
发明内容
为了克服上述现有技术中的缺陷，本发明提供基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，不仅考虑了提离值增大后引起的传感器灵敏度误差和噪声判断误差，还综合考虑了由缺陷造成检测传感器随机振动的情况，包含了初始提离值和提离值波动幅度这两个参量，利用遗传算法进行寻优，置信度高，寻优结果准确。
为实现上述目的，本发明采用以下技术方案，包括：
基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，具体如下所示：
S1，定义遗传算法的参量和目标函数，遗传算法的参量包括初始提离值h0和提离值波动幅度Δh；
遗传算法的目标函数A为：
A＝B+C+D
式中，B为传感器灵敏度误差，C为提离值波动误差，D为噪声判断误差；
传感器灵敏度误差B的误差函数为：
式中，y表示缺陷漏磁信号的径向分量峰谷值，h0为初始提离值，y(h0)为管道漏磁检测传感器在初始提离值h0下所检测的缺陷漏磁信号的径向分量峰谷值，h0>hmin，hmin为最小提离值，y(hmin)为管道漏磁检测传感器在最小提离值下所检测的缺陷漏磁信号的径向分量峰谷值；
所述缺陷漏磁信号的径向分量峰谷值是指缺陷漏磁信号的径向分量漏磁曲线上波峰与波谷之间的磁感应强度差值；
提离值波动误差C的误差函数为；
式中，Δh为提离值波动幅度，提离值波动幅度是指提离值波动曲线中波峰与波谷之间的提离值差值，y(h0-Δh/2)为管道漏磁检测传感器在提离值为h0-Δh/2下所检测的缺陷漏磁信号的径向分量峰谷值；
噪声判断误差D的误差函数为；
式中，q(h0)为管道漏磁检测传感器在初始提离值h0下无缺陷时所检测的空气耦合磁场的径向分量峰谷值；
S2，分别设置初始提离值h0的取值范围和提离值波动幅度Δh的取值范围，利用遗传算法在提离值波动幅度Δh的取值范围内对初始提离值h0进行寻优，使得目标函数A的值最小化，得到最优初始提离值。
优选的，初始提离值h0与缺陷漏磁信号的径向分量峰谷值之间的关系表达式为：
式中，α、β、μ均为关系表达式的系数。
优选的，初始提离值h0与缺陷漏磁信号的径向分量峰谷值之间的关系表达式可通过有限元分析得到。
优选的，y(h0-Δh/2)的取值方式如下所示：
优选的，hmin＝1mm。
优选的，设置初始提离值h0的取值范围为1.5mm～5mm。
优选的，设置提离值波动幅度Δh的取值范围为1mm～6mm。
优选的，对提离值波动幅度Δh的取值范围进行划分，划分为若干个细分范围，利用遗传算法分别在各个细分范围内分别对初始提离值h0进行寻优，得到各个细分范围内的最优初始提离值。
本发明的优点在于：
(1)本发明的初始提离值寻优方法不仅考虑了提离值增大后引起的传感器灵敏度误差和噪声判断误差，还综合考虑了由缺陷造成检测传感器随机振动的情况，包含了初始提离值和提离值波动幅度这两个参量，利用遗传算法进行寻优，置信度高，寻优结果准确。
(2)本发明的初始提离值寻优方法考虑了不同管道工作环境下传感器的提离值波动幅度不同的情况，针对Δh的不同取值范围对应设置初始提离值的不同取值范围。
(3)本发明的初始提离值寻优方法能够针对不同工作环境，即针对Δh的不同取值范围，分别选取最适合工况的最优初始提离值，能够保证在不添加其他措施的情况下，也可采集到能准确反映缺陷信息的最优漏磁信号。
(4)本发明的初始提离值寻优方法在所有场合均适用。
附图说明
图1为基于遗传算法的管道漏磁检测传感器初始提离值寻优方法的流程图。
图2为缺陷漏磁信号径向分量的漏磁曲线图。
图3为提离值与缺陷漏磁信号的径向分量峰谷值之间的拟合曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，具体如下所示：
S1，定义遗传算法的参量和目标函数，遗传算法的参量包括初始提离值h0和提离值波动幅度Δh；
遗传算法的目标函数A为：
A＝B+C+D
式中，B为传感器灵敏度误差，C为提离值波动误差，D为噪声判断误差；
传感器灵敏度误差B的误差函数为：
式中，y(h0)为管道漏磁检测传感器在初始提离值h0下所检测的缺陷漏磁信号的径向分量峰谷值，h0>hmin，hmin为最小提离值，y(hmin)为管道漏磁检测传感器在最小提离值下所检测的缺陷漏磁信号的径向分量峰谷值；
所述缺陷漏磁信号的径向分量峰谷值是指缺陷漏磁信号的径向分量漏磁曲线上波峰与波谷之间的磁感应强度差值；
提离值波动误差C的误差函数为；
式中，Δh为提离值波动幅度，提离值波动幅度是指提离值波动曲线中波峰与波谷之间的提离值差值，y(h0-Δh/2)为管道漏磁检测传感器在提离值为h0-Δh/2下所检测的缺陷漏磁信号的径向分量峰谷值；
y(h0-Δh/2)的取值方式如下所示：
噪声判断误差D的误差函数为；
式中，q(h0)为管道漏磁检测传感器在初始提离值h0下无缺陷时所检测的空气耦合磁场的径向分量峰谷值；
S2，分别设置初始提离值h0的取值范围和提离值波动幅度Δh的取值范围，利用遗传算法在提离值波动幅度Δh的取值范围内对初始提离值h0进行寻优，使得目标函数A的值最小化，得到最优初始提离值。
进一步的，可对提离值波动幅度Δh的取值范围进行划分，划分为若干个细分范围，利用遗传算法分别在各个细分范围内分别对初始提离值h0进行寻优，得到各个细分范围内的最优初始提离值。
其中，初始提离值h0与缺陷漏磁信号的径向分量峰谷值之间的关系表达式可通过有限元分析得到，初始提离值h0与缺陷漏磁信号的径向分量峰谷值之间的关系表达式：
式中，α、β、μ均为关系表达式的系数。
实施例1
在磁传感器提离值对漏磁检测信号影响的研究领域，有研究表明，在提离值为1.5mm之内，传感器探头检测漏磁场的灵敏度较高，但在该范围内，受随机振动影响采集的信号波动最大，信号不稳定。因此，提离值在1.5mm之内不是最优提离值范围，本实施例仅研究初始提离值≥1.5mm的情况。
本实施例中，在初始提离值h0在1.5mm～5mm的范围内，提离值波动幅度Δh在1mm～6mm的范围内进行寻优。
通过有限元分析Ansys对凹坑半径为5mm的半球形凹坑缺陷进行建模仿真，得到不同提离值下的缺陷漏磁信号的径向分量，如图2所示，图2为缺陷漏磁信号径向分量的漏磁曲线图。针对不同提离值下的缺陷漏磁信号的径向分量分别提取峰谷值，所述峰谷值是指缺陷漏磁信号径向分量的漏磁曲线上波峰与波谷之间的磁感应强度差值；对不同提离值下的缺陷漏磁信号的径向分量峰谷值进行非线性拟合，如图3所示，图3为提离值与缺陷漏磁信号的径向分量峰谷值之间的拟合曲线。
初始提离值h0与缺陷漏磁信号的径向分量峰谷值之间的关系表达式为：
式中，α、β、μ均为关系表达式的系数，h0为初始提离值，y表示缺陷漏磁信号的径向分量峰谷值，y(h0)为管道漏磁检测传感器在初始提离值h0下所检测的缺陷漏磁信号的径向分量峰谷值。
本实施例中，通过有限元分析Ansys对凹坑半径为5mm的半球形凹坑缺陷进行建模仿真，得到α＝19.7945±0.49272、β＝1.74109±0.1109，μ＝1.69602±0.06484，初始提离值h0与缺陷漏磁信号的径向分量峰谷值之间的关系式：
通过分析和理论验证，得到用于判定初始提离值是否为最优的三个判定条件。
第一个判定条件为：传感器灵敏度误差。
由于传感器探头与管道内壁接触，通常涂有耐磨涂层，因此将最小提离值设为1mm。增大初始提离值h0会导致检测到的信号强度减小，传感器灵敏度降低。因此，将增大初始提离值h0后引起的传感器灵敏度误差作为初始提离值寻优的一个条件。
该第一个判定条件即传感器灵敏度误差的误差函数为：
式中，B为传感器灵敏度误差；y表示缺陷漏磁信号的径向分量峰谷值，h0为初始提离值，y(h0)为管道漏磁检测传感器在初始提离值h0下所检测的缺陷漏磁信号的径向分量峰谷值，h0>hmin，hmin为最小提离值，hmin＝1mm，y(hmin)为管道漏磁检测传感器在最小提离值下所检测的缺陷漏磁信号的径向分量峰谷值。
第二个判定条件为：提离值波动误差。
由于传感器的不同振动幅度的随机振动会导致初始提离值在振动时发生变化，将提离值波动幅度记为Δh，提离值波动幅度是指提离值波动曲线中波峰与波谷之间的提离值差值。因振动导致的初始提离值变化，会使该时刻检测的缺陷漏磁信号的径向分量峰谷值发生变化，因此，将不同波动幅度下引起的缺陷漏磁信号径向分量峰谷值的变化作为初始提离值寻优的一个条件。
该第二个判定条件即提离值波动误差的误差函数为：
式中，C为提离值波动误差；Δh为提离值波动幅度，提离值波动幅度是指提离值波动曲线中波峰与波谷之间的提离值差值，本实施例中，提离值波动是以初始提离值h0为中心，上下波动Δh/2，因此，h0-Δh/2即为在设定波动范围内变化最大的提离值，y(h0-Δh/2)为管道漏磁检测传感器在提离值为h0-Δh/2下所检测的缺陷漏磁信号的径向分量峰谷值，也为变化最大的径向分量峰谷值，且y(h0-Δh/2)的取值方式如下所示：
本发明中，计算提离值波动误差的作用是为了限制传感器的初始提离值过小。
第三个判定条件为：噪声判断误差。
由于漏磁检测工作环境比较恶劣，检测系统的电磁噪声不可避免地会造成缺陷漏磁信号的检测偏差，缺陷漏磁信号的检测偏差即为噪声判断误差。利用仿真模型检测同一初始提离值h0下无缺陷时的空气耦合磁场强度和有缺陷时的漏磁场强度。由于检测磁路的磁场噪声属于背景噪声，噪声强度基本不受提离值的影响。因此当增大传感器的初始提离值h0时，漏磁检测信号的信号强度减小，噪声强度不变，漏磁检测信号的信噪比下降明显，噪声判断误差随之增大。因此，将不同初始提离值h0下引起的噪声判断误差作为初始提离值寻优的一个条件。
该第三个判定条件即噪声判断误差的误差函数为：
式中，D为噪声判断误差，q(h0)为管道漏磁检测传感器在初始提离值h0下无缺陷时所检测的空气耦合磁场的径向分量峰谷值；y(h0)为管道漏磁检测传感器在初始提离值h0下有缺陷时所检测的缺陷漏磁信号的径向分量峰谷值。
理论上三个判定条件误差之和越小，越符合现实要求，越接近最优初始提离值。三个判定条件的误差函数中共存在两个变量，一是初始提离值h0；二是提离值波动幅度Δh。因此，本发明基于遗传算法对不同波动幅度的初始提离值进行寻优。
根据上述的三个判定条件以及各个判定条件的误差函数，得到遗传算法的目标函数为：
A＝B+C+D
式中，A为总误差，B为传感器灵敏度误差，C为提离值波动误差，D为噪声判断误差。
本实施例中，在初始提离值h0在1.5mm～5mm的范围内，提离值波动幅度Δh在1mm～6mm的范围内进行寻优。本实施例中，将提离值波动幅度Δh的取值范围划分为5个细分范围，分别为1mm～2mm、2mm～3mm、3mm～4mm、4mm～5mm、5mm～6mm。分别在每个细分范围内进行迭代计算，得到每个细分范围内的最优初始提离值，即利用遗传算法分别进行五次寻优，得出各个细分范围内的初始提离值h0的最优解。
本实施例中根据计算结果可知，若提离值波动幅度Δh在1mm～2mm范围内，初始提离值h0最优取2mm。若提离值波动幅度Δh在2mm～3mm范围内，初始提离值h0在2.5mm～3mm范围较优。若提离值波动幅度Δh在3mm～4mm范围内，初始提离值h0在3mm～3.5mm范围较优。若提离值波动幅度Δh在4mm～5mm范围内，初始提离值h0在3.5mm～4mm较优。若提离值波动幅度Δh大于5mm时，初始提离值h0最优取4mm。若初始提离值h0大于4mm，则检测缺陷漏磁信号的灵敏度会偏低，且在一定的振动范围内对信号的影响很小且噪声判断误差大。进行综合考虑后，本实施例可将传感器的最优初始提离值h0设置在2mm～4mm范围之间。
管道内单个缺陷的几何尺寸对初始提离值的寻优产生的影响不大，只是不能排除由缺陷或缺陷群造成检测传感器随机振动的情况，提离值波动幅度Δh的取值范围还与与工作场景、管道特征、管道漏磁检测器特性有关。因此，本发明的初始提离值寻优方法不仅考虑了提离值增大后引起的传感器灵敏度误差和噪声判断误差，还综合考虑了由缺陷造成检测传感器随机振动的情况，包含了初始提离值和提离值波动幅度这两个参量，利用遗传算法进行寻优，置信度高，寻优结果准确。本发明的初始提离值寻优方法考虑了不同管道工作环境下传感器的提离值波动幅度不同的情况，针对Δh的不同取值范围对应设置初始提离值的不同取值范围，并选取最适合工况的最优初始提离值，能够保证在不添加其他措施的情况下，也可采集到能准确反映缺陷信息的最优漏磁信号。虽然在不同工作场景，不同装备，不同材料，不同磁化条件等情况下采集的缺陷漏磁信号会有不同，但本发明的初始提离值寻优方法在所有场合均适用。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (8)

1.基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，其特征在于，具体如下所示：
S1，定义遗传算法的参量和目标函数，遗传算法的参量包括初始提离值h0和提离值波动幅度Δh；
遗传算法的目标函数A为：
A＝B+C+D
式中，B为传感器灵敏度误差，C为提离值波动误差，D为噪声判断误差；
传感器灵敏度误差B的误差函数为：
式中，y表示缺陷漏磁信号的径向分量峰谷值，h0为初始提离值，y(h0)为管道漏磁检测传感器在初始提离值h0下所检测的缺陷漏磁信号的径向分量峰谷值，h0>hmin，hmin为最小提离值，y(hmin)为管道漏磁检测传感器在最小提离值下所检测的缺陷漏磁信号的径向分量峰谷值；
所述缺陷漏磁信号的径向分量峰谷值是指缺陷漏磁信号的径向分量漏磁曲线上波峰与波谷之间的磁感应强度差值；
提离值波动误差C的误差函数为；
式中，Δh为提离值波动幅度，提离值波动幅度是指提离值波动曲线中波峰与波谷之间的提离值差值，y(h0-Δh/2)为管道漏磁检测传感器在提离值为h0-Δh/2下所检测的缺陷漏磁信号的径向分量峰谷值；
噪声判断误差D的误差函数为；
式中，q(h0)为管道漏磁检测传感器在初始提离值h0下无缺陷时所检测的空气耦合磁场的径向分量峰谷值；
S2，分别设置初始提离值h0的取值范围和提离值波动幅度Δh的取值范围，利用遗传算法在提离值波动幅度Δh的取值范围内对初始提离值h0进行寻优，使得目标函数A的值最小化，得到最优初始提离值。
2.根据权利要求1所述的基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，其特征在于，初始提离值h0与缺陷漏磁信号的径向分量峰谷值之间的关系表达式为：
式中，α、β、μ均为关系表达式的系数。
3.根据权利要求2所述的基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，其特征在于，初始提离值h0与缺陷漏磁信号的径向分量峰谷值之间的关系表达式可通过有限元分析得到。
4.根据权利要求1所述的基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，其特征在于，y(h0-Δh/2)的取值方式如下所示：
5.根据权利要求1或4所述的基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，其特征在于，hmin＝1mm。
6.根据权利要求1所述的基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，其特征在于，设置初始提离值h0的取值范围为1.5mm～5mm。
7.根据权利要求1所述的基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，其特征在于，设置提离值波动幅度Δh的取值范围为1mm～6mm。
8.根据权利要求1或7所述的基于遗传算法的管道漏磁检测传感器初始提离值寻优方法，其特征在于，对提离值波动幅度Δh的取值范围进行划分，划分为若干个细分范围，利用遗传算法分别在各个细分范围内分别对初始提离值h0进行寻优，得到各个细分范围内的最优初始提离值。
CN202210884840.3A 2022-07-26 2022-07-26 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法 Active CN115266907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210884840.3A CN115266907B (zh) 2022-07-26 2022-07-26 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210884840.3A CN115266907B (zh) 2022-07-26 2022-07-26 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法

Publications (2)

Publication Number Publication Date
CN115266907A CN115266907A (zh) 2022-11-01
CN115266907B true CN115266907B (zh) 2024-04-19

Family

ID=83769546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210884840.3A Active CN115266907B (zh) 2022-07-26 2022-07-26 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法

Country Status (1)

Country Link
CN (1) CN115266907B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018117746A1 (de) * 2017-07-24 2019-01-24 Pii (Canada) Limited Unterscheidung zwischen inneren und äußeren Metallverlustdefekten
CN113049676A (zh) * 2021-03-09 2021-06-29 中国矿业大学 一种管道缺陷量化分析方法
CN113390956A (zh) * 2021-06-18 2021-09-14 西安建筑科技大学 双磁敏元件探头及基于探头的漏磁检测缺陷定量评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018117746A1 (de) * 2017-07-24 2019-01-24 Pii (Canada) Limited Unterscheidung zwischen inneren und äußeren Metallverlustdefekten
CN113049676A (zh) * 2021-03-09 2021-06-29 中国矿业大学 一种管道缺陷量化分析方法
CN113390956A (zh) * 2021-06-18 2021-09-14 西安建筑科技大学 双磁敏元件探头及基于探头的漏磁检测缺陷定量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于GA-BP神经网络的微裂纹漏磁检测定量化评价;邱忠超;张卫民;果艳;刘金;成明明;;无损检测;20160210(02);全文 *
漏磁检测传感器提离值的一种快速估计方法;张勇;叶中付;王;;传感技术学报;20090520(05);全文 *

Also Published As

Publication number Publication date
CN115266907A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN110231394B (zh) 基于交流电磁场的非铁磁性材料不规则裂纹成像方法
CN106643965B (zh) 一种利用模板匹配精确识别液位的方法
SE1000313A1 (sv) Metod för feldetektion av rullningslager genom förhöjning av statistisk asymmetri
JP5180608B2 (ja) ディスク表面の欠陥検査方法及び欠陥検査装置
CN108344795B (zh) 油气管道缺陷识别方法、装置及电子设备
CN113390955B (zh) 交流电磁场裂纹可视化监测与评估方法
CN109597045B (zh) 一种基于两次杂波抑制的静目标稳健识别方法
CN106404893B (zh) 一种轴向漏磁缺陷信号自动检测方法
CN113155839A (zh) 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN115266907B (zh) 基于遗传算法的管道漏磁检测传感器初始提离值寻优方法
CN110220967B (zh) 一种acfm技术簇状裂纹表面轮廓自动识别方法
CN101201371B (zh) 印刷电路检测装置和方法
WO2024046218A1 (zh) 用于动态检测裂纹的装置及方法
TW201905405A (zh) 燒結台車漏風預警系統及其預警方法
Chen et al. A novel hybrid method to detect arrival times of elastic waves with low SNR based on Jensen–Shannon divergence and cumulative sum algorithm
CN109870500B (zh) 一种基于交流电磁场检测的缺陷实时判别方法及系统
CN106778515B (zh) 一种法兰轴向漏磁阵列信号自动识别方法
Haifeng et al. Application of acoustic emission and support vector machine to detect the leakage of pipeline valve
CN102906585B (zh) 用于识别磁性地标出的对象的方法以及相应的设备
CN114354741B (zh) 一种管道缺陷检测方法及系统
CN111368677B (zh) 一种改进过零数分析的目标检测与识别方法
KR102670697B1 (ko) 먼지 센싱 방법 및 이를 수행하는 먼지 센싱 장치
CN118067831B (zh) 一种用于铁磁性材料检测的acfm提离效应抑制方法
Dou et al. Wafer defect detection based on adaptive multi-scale optical flow detection
CN116558675B (zh) 考虑提离效应的交变电磁场应力检测信号处理方法及装置

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