一种风险等级的分类方法及模型训练方法技术

本发明专利技术公开了一种风险等级的分类方法及模型训练方法，涉及管道无损检测技术领域，先根据幅度参数和梯度参数对弱磁信号数据进行风险等级和图像块划分；利用多头自注意力层，将每个图像块投影得到：查询矩阵、关键字矩阵和值矩阵；然后计算每个图像块与其他图像块的关联程度得分，再除以缩放因子，利用Softmax函数进行归一化运算，再将结果乘以值矩阵，将每个乘积相加之后利用MLP分类层进行分类，最后对模型进行优化。本发明专利技术利用多头自注意力层，通过关联程度和权值的计算，使得模型能够投入更多的注意力资源以捕获输入的弱磁信号应力集中区的细节信息，抑制其它的无用信息，从而能够高效地进行管道弱磁信号的分类。能够高效地进行管道弱磁信号的分类。能够高效地进行管道弱磁信号的分类。

【技术实现步骤摘要】
一种风险等级的分类方法及模型训练方法


[0001]本专利技术涉及管道无损检测
，特别是涉及一种基于ViT的管道弱磁信号风险等级的分类方法及模型训练方法。

技术介绍

[0002]油气管道安全维护已经成为“国家能源战略”的重要组成部分，管道内检测技术是国际公认的管道安全维护最有效手段。近些年来，由于应力引起的管道突发性事故频频发生，国际管道内检测
面临新的挑战。管道运输下伴随着复杂应力载荷作用，因此对管道应力集中区进行检测分析有极其重要的工程应用价值，若能通过建立信号分类模型，高效准确地对弱磁信号风险等级进行分类，将进一步保障管道运行的安全性。
[0003]传统的弱磁信号分析方法需要人工提取弱磁信号的特征，费时费力。随着人工智能技术的发展，越来越多的人工智能方法应用于管道弱磁信号的分析，比如经典的机器学习方法如KNN，SVM等，深度学习方法的CNN，RNN等。基于机器学习和深度学习的方法可以自动提取和学习管道弱磁信号的特征，极大地推动了管道弱磁信号分析的发展。但现有应用于管道弱磁信号分类的技术存在分类效率低的缺点。
专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险等级分类模型的训练方法，其特征在于，所述方法包括：根据幅度参数和梯度参数对弱磁信号数据进行风险等级划分，得到标签数据；将所述标签数据进行图像块划分，得到若干个图像块；获取风险等级分类网络；所述风险等级分类网络包括：多头自注意力层和MLP分类层；利用所述多头自注意力层执行如下步骤：将每个图像块进行线性投影，得到三个矩阵向量；所述三个矩阵向量包括：查询矩阵、关键字矩阵和值矩阵；针对每个图像块：根据所述三个矩阵向量计算所述图像块与其他图像块的关联程度得分；将所述关联程度得分除以缩放因子，得到缩放关联程度得分；利用Softmax函数对所述缩放关联程度得分进行归一化运算，得到归一化得分；将所述归一化得分乘以值矩阵，得到权值矩阵；将每个图像块的所述权值矩阵累加，得到累加权值矩阵；利用所述MLP分类层，计算所述累加权值矩阵的幅度参数和梯度参数；并根据所述累加权值矩阵的幅度参数和梯度参数对所述累加权值矩阵进行风险等级分类，得到风险等级分类结果；根据所述标签数据和所述风险等级分类结果利用交叉熵损失函数优化所述风险等级分类网络，得到风险等级分类模型。2.根据权利要求1所述的风险等级分类模型的训练方法，其特征在于，在所述根据幅度参数和梯度参数对弱磁信号数据进行风险等级划分，得到标签数据之前，还包括：利用管道弱磁检测器对管道内部进行检测，获取管道应力集中区的弱磁信号数据。3.根据权利要求1所述的风险等级分类模型的训练方法，其特征在于，所述根据幅度参数和梯度参数对弱磁信号数据进行风险等级划分，得到标签数据，具体包括：将所述弱磁信号数据转换为R*L的矩阵形式，得到采集矩阵；其中，R表示检测器并行采集的弱磁信号数据，L表示沿检测器运行方向上采集点的数量；将所述采集矩阵按照描点连线的方式进行成像，得到曲线图像；计算所述曲线图像的幅度参数和梯度参数；根据所述幅度参数和所述梯度参数对所述曲线图像进行风险等级划分，得到标签数据。4.根据权利要求3所述的风险等级分类模型的训练方法，其特征在于，所述风险等级包括：正常应力、异常应力、风险应力和危害应力；当m1＝1且m＝1时，划分风险等级为正常应力；其中，式中，m1表示幅度参数，m表示梯度参数，K
s
max表示最大梯度，K
s
ave表示平均梯度，A
max
表示最大磁场强度，表示平均磁场强度，表示传感器采样点间隔；当m1＝1.2且m＝1.5时，划分风险等级为异常应力；当m1＝1.5且m＝2，划分风险等级为风险应力；当m1>2且m>3，划分风险等级为危害应力。
5.根据权利要求1所述的风险等级分类模型的训练方法，其特征在于，将所述标签数据进行图像块划分，得到若干个图像块，具体包括：将所述标签数据划分为若干个初级图像块；将每个所述初级图像块线性映射到一维向量中，得到一维序列；将所述一维序列与位置嵌入向量拼接，得到图像块。6.根据权利要求1所述的风险等级分类模型的训练方法，其特征在于，根据所述标签数据和所述风险等级分类结果利用交叉熵损失函数优化所述风险等级分类网络，得到风险等级分类模型，具体包括：根据所述标签数据和所述风险等级分类结果计算交叉熵；根据所述交叉熵利用自适应梯度算法优化所述风险等级分类网络，得到风险等级分类模型。7.根据权利要求1所述的风险等级分类模型的训练方法，其特征在于，所述关联程度得分的计算公式为：MultiHead(Q,K,V)＝Concat(head1,...head
h
)W0其中，head
i
＝Attention(QW
iQ
,KW
iK
,VW
iV
)，Q是查询矩阵，K是关键字矩阵，V是值矩阵，Q和K都是d
...

【专利技术属性】
技术研发人员：刘斌，王福川，武梓涵，何璐瑶，杨理践，任建，于慧，耿浩，廉正，王竹筠，高梦真，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：