一种基于异构场信号的管道缺陷智能反演方法技术

本发明专利技术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。寸的智能化反演。寸的智能化反演。

【技术实现步骤摘要】
一种基于异构场信号的管道缺陷智能反演方法


[0001]本专利技术涉及管道缺陷无损检测
，尤其涉及一种基于异构场信号的管道缺陷智能反演方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]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。
[0005]为解决上述技术问题，本专利技术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：
[0006]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；
[0007]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：
[0008]D
(i,j+1)-D
(i,j)
＞50
×
(D
(i,j)-D
(i,j-1)
)
[0009]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；
[0010]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；
[0011]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：
[0012][0013][0014]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；V
ref
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；
[0015]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；
[0016]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
；
[0017]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；
[0018]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x
ti
×
y
ti
，通过填补操作，用0在x
ti
左右两侧将异构场信号矩阵的行向量大小补齐至m，m＝max(x
ti
),t＝1,2,...,p，p为该段管道内管道缺陷总数；
[0019]步骤3.2：通过填补操作在y
ti
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(y
ti
)；
[0020]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；
[0021]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；
[0022]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)
；
[0023]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；
[0024]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；
[0025]步骤5.2：将稀疏自编码器编码器部分的权重W
Encoder
复制到解码器部分，使稀疏自编码器的参数减半；
[0026]步骤5.3：设定稀疏自编码器每一层的神经元数量为S
a
，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
...

【技术保护点】

【技术特征摘要】
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n
trees
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1的具体方法为：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：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；V
ref
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。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
。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x
ti
×
y
ti
，通过填补操作，用0在x
ti
左右两侧将异构场信号矩阵的行向量大小补齐至m，m＝max(x
ti
),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y
ti

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