一种基于极限学习机的管道漏磁缺陷检测方法技术

本发明专利技术涉及一种基于极限学习机的管道漏磁缺陷检测方法，利用已知管道漏磁缺陷的长度、宽度、深度数据及漏磁信号波形特征值，建立极限学习机模型，训练样本数据中的已知管道漏磁缺陷的长度、宽度、深度数据作为该模型的输入，运用试凑法选取隐含层节点个数，计算隐含层输出矩阵及输出权值，漏磁信号波形特征值作为该模型的输出。当管道发生漏磁时，获取未知漏磁缺陷形状的漏磁信号波形，利用极限学习机模型进行管道漏磁缺陷检测。本发明专利技术运用极限学习机模型对管道缺陷形状进行智能反演，具有学习速度快、泛化性能好等优点，对于使用检测出来的缺陷波形，能够快速准确构造缺陷的形状，从而得知缺陷的严重性，可以预知管道风险，防止管道泄漏。

【技术实现步骤摘要】
一种基于极限学习机的管道漏磁缺陷检测方法
本专利技术属于管道检测
，具体涉及一种基于极限学习机的管道漏磁缺陷检测方法。
技术介绍
面对管道缺陷研究领域，管道缺陷形状数据量大，要求检测速度快的特点。对于这些困难，目前广泛采用的有限元算法，有限元算法是一种高效能、常用计算方法，它能将连续离散化为若干个有限大小的单元体的集合，可以应用于任何微分方程所描述的各类物理场中。但有限元算法面对数据量较大的特点，速度比较慢，消耗时间长不能满足要求。此外还有支持向量机，支持向量机(SupportVectorMachine，SVM)是近几年出现的一种优秀的机器学习算法，它是建立在统计学理论的结构风险最小原理和VC维理论的基础上，根据有限的样本数据信息在模型的复杂性(即对特定训练样本数据的学习精度)和学习能力(即无错误地识别任意样本数据的能力)之间寻求最佳方法，以求获得最好的推广能力。支持向量机的很多优势体现在其解决高维模式、非线性等的模式识别问题中。现在，作为一种优秀的机器学习算法，它已经成为国际机器学习、人工智能领域的研究热点。但是，支持向量机对于管道缺陷数据量大的特点，会凸显其速度慢，耗时长的本文档来自技高网...

【技术保护点】
一种基于极限学习机的管道漏磁缺陷检测方法，其特征在于，包括以下步骤：步骤1：获取已知管道漏磁缺陷的形状参数，包括管道漏磁缺陷的长度、宽度、深度数据，并对已知管道漏磁缺陷处的漏磁信号波形进行特征值提取，提取出漏磁信号波形特征值；步骤2：将已知管道漏磁缺陷的长度、宽度、深度数据及漏磁信号波形特征值作为样本数据，将样本数据分为训练样本数据和测试样本数据；步骤3：针对训练样本数据，建立极限学习机模型，训练样本数据中的已知管道漏磁缺陷的长度、宽度、深度数据作为该模型的输入，运用试凑法选取隐含层节点个数，计算隐含层输出矩阵及输出权值，漏磁信号波形特征值作为该模型的输出；步骤4：利用测试样本数据对极限学习机...

【技术特征摘要】
1.一种基于极限学习机的管道漏磁缺陷检测方法，其特征在于，包括以下步骤：步骤1：获取已知管道漏磁缺陷的形状参数，包括管道漏磁缺陷的长度、宽度、深度数据，并对已知管道漏磁缺陷处的漏磁信号波形进行特征值提取，提取出漏磁信号波形特征值；步骤2：将已知管道漏磁缺陷的长度、宽度、深度数据及漏磁信号波形特征值作为样本数据，将样本数据分为训练样本数据和测试样本数据；步骤3：针对训练样本数据，建立极限学习机模型，训练样本数据中的已知管道漏磁缺陷的长度、宽度、深度数据作为该模型的输入，运用试凑法选取隐含层节点个数，计算隐含层输出矩阵及输出权值，漏磁信号波形特征值作为该模型的输出；步骤4：利用测试样本数据对极限学习机模型进行校正：将测试样本中已知管道漏磁缺陷的长度、宽度、深度数据输入极限学习机模型，对极限学习机模型的输出与测试样本数据的漏磁信号波形特征值的平均相对误差进行判断：若平均相对误差满足设定的预期平均相对...

【专利技术属性】
技术研发人员：冯健，吴振宁，刘金海，张化光，崔凯，汪刚，马大中，卢森骧，李芳明，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21