一种基于SL的管道缺陷尺寸的反演方法技术

本发明专利技术提出一种基于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。本发明专利技术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；本发明专利技术鲁棒性强，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。

【技术实现步骤摘要】
一种基于SL的管道缺陷尺寸的反演方法
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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(StackingLearning)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。本专利技术从构造复杂缺陷信号特征角度，专利技术一种基于时域和频域的多维度数据特征提取方法；从人工智能角度专利技术一种基于集成学习StackingLearning(SL)的缺陷尺寸量化方法。一种基于SL(StackingLearning)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＝{MxT,MyT,MzT}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在各频带上的能量本文档来自技高网...

【技术保护点】
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

【技术特征摘要】
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＝{MxT,MyT,MzT}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StackingLeaning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...

【专利技术属性】
技术研发人员：张化光，于歌，刘金海，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21