一种基于神经网络的管道漏磁内检测信号量化方法技术

本发明专利技术的一种基于神经网络的管道漏磁内检测信号量化方法，包括以下步骤：S1：利用管道内检测器对管道进行检测，获取管道缺陷漏磁检测数据；S2：利用matlab软件对管道缺陷漏磁检测数据进行提取，生成管道缺陷漏磁信号特征量数据集；S3：在matlab中构建PSO

【技术实现步骤摘要】
一种基于神经网络的管道漏磁内检测信号量化方法


[0001]本专利技术涉及漏磁信号数据识别分析
，特别涉及一种基于神经网络的管道漏磁内检测信号量化方法。

技术介绍

[0002]管道运行经常需要在特殊的埋地、深海工作环境内。这些环境普遍具有高压，管道容易老化，出现伤损的概率比浅埋在地面内的管道要大很多。由于腐蚀、磨损或外力损伤等因素造成管道磨损泄漏的现象频发，其引发的泄漏甚至爆炸等危害不可估量。因此及时准确地检测出管道缺陷的位置与损伤程度至关重要。管道漏磁内检测技术因无需耦合剂、易于实现自动化等优点，被广泛应用于铁磁材料缺陷的检测评估中，是国内外公认的保证管道安全运行的有效手段。漏磁内检测技术关键环节是建立反映漏磁信号和缺陷尺寸的量化模型，以根据漏磁信号确定缺陷信息，量化分析能力和结果是漏磁内检测技术精度的重要体现，也是评估管道安全的重要指标。目前，待检测的长输油气管道多，且管线历程长，导致检测后产生了海量的漏磁检测数据，而目前检测后漏磁信号的数据分析主要采用人工判读的方式，耗时耗力，且容易造成误检、漏检情况发生，人工判读的方式显然已无法满足本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的管道漏磁内检测信号量化方法，其特征在于：包括以下步骤：S1：利用管道内检测器对待测管道进行饱和磁化检测，获取管道缺陷漏磁检测数据，该数据由原始信号数据分解为径向、轴向和周向三个方向分量数据；S2：利用matlab软件对管道缺陷漏磁检测数据进行径向和轴向特征量提取，将提取后的管道缺陷漏磁检测数据输入到matlab软件的数组中，生成管道缺陷漏磁信号特征量数据集；所述管道缺陷漏磁信号特征量数据的90％的数据样本用于模型训练，即模型的训练数据集，剩余管道缺陷漏磁信号特征量数据集10％的数据样本用于模型的测试即测试数据集；S3：在matlab中构建PSO
‑
RBF神经网络模型，所述PSO
‑
RBF神经网络模型采用粒子群算法进行改进，所述PSO
‑
RBF神经网络模型包括输入层、隐含层和输出层；S4：将步骤S2中模型的训练数据集输入初始PSO
‑
RBF神经网络模型，对管道缺陷漏磁信号特征值样本数据进行归一化处理，再设置粒子群算法的迭代次数、粒子群粒子数和适应度值，采用粒子群算法对PSO
‑
RBF神经网络模型的聚类中心、方差和输出权值进行优化；S5：反馈径向、轴向和周向数据的训练误差，通过步骤S2中的测试数据集对PSO
‑
RBF神经网络模型测试输出的误差结果进行横向图表比较，然后再使用步骤S2中的测试数据集对PSO
‑
RBF神经网络模型的隐含层节点数进行调整，得到三个最优的径向、轴向和周向数据的PSO
‑
RBF神经网络模型。2.根据权利要求1所述的基于神经网络的管道漏磁内检测信号量化方法，其特征在于：所述步骤S2包括以下步骤：将所述管道缺陷漏磁检测数据的径向和轴向分量数据导入matlab中，获取管道缺陷处全部信息；使用matlab软件对径向分量峰谷值、径向分量峰谷距离、轴向分量峰谷值、轴向分量跨度值、轴向微分峰谷距离、轴向分量信号波形面积和轴向分量信号波形能量七个特征量进行提取；将整理后的管道缺陷漏磁检测数据输入到matlab软件的数组中生成管道缺陷漏磁信号特征量数据集；所述步骤S2中的模型的训练数据集是从径向分量峰谷值、径向分量峰谷距离、轴向分量峰谷值、轴向分量跨度值、轴向微分峰谷距离、轴向分量信号波形面积和轴向分量信号波形能量七个特征量中分别选取90％的数据样本；matlab中的数据集文件格式为.mat文件。3.根据权利要求2所述的基于神经网络的管道漏磁内检测信号量化方法，其特征在于：所述步骤3中PSO
‑
RBF神经网络模型的构建，将RBF神经网络看作一个R维空间到一维空间的映射，设R维空间一共有α个输入向量x
n
，n＝1,2,
…
,N，N为正整数，它们在输出空间对应目标值为c
n
，n为对输入到输出样本所构成的样本集，设输入向量x
n
对应的非线性映射函数为F(x
n
)，F(x
n
)可以由以下式子表示：F(x
n
)＝c
n
,n＝1,2,
…
,N式中，F(x
n
)函数描述的是一个插值曲面，N为正整数；该曲面要保证插值曲面必须全部通过管道缺陷漏磁信号特征值的样本点，使用基函数来解决插值问题，通过选择基函数，使F(x
n
)每个函数对应一个训练数据，基函数的表达式如下：
φ(||x
‑
Z
n
||),n＝1,2,...,N式中，基函数φ为非线性函数，φ的中心为训练数据点Z
n
，N为正整数；将基函数输入点x到基函数中心的距离Z
n
作为非线性函数的自变量，由于这个距离是径向同性的，因此该函数也被称为径向基函数，径向基函数的线性组合表达式如下：RBF神经网络的径向基函数通常为高斯径向基函数，高斯径向基函数表达式如下：式中，x为空间中的任何一点，d表示网络空间中的中心点；σ为高斯径向基函数扩展常数，其意义表示宽度参数，即神经网络的方差，该参数的作用是约束函数的径向范围；由于RBF神经网络的限制，每一个F(x
n
)输入函数需要一个径向基函数中心与之对应，当样本数量极大时，就会导致神经网络的计算时间变得极长，所以一般采用Garlerkin方法来减少隐含层节点的个数，可以得到RBF神经网络的输出值y(x)表达式如下式中,Z
c
为径向基函数中心，也是神经网络的聚类中心，ω
n
为隐含层与输出层之间的输出权值，φ(x
n
,Z
c
)为径向基函数；RBF神经网络的基函数是一个围绕着中心点函数值单调变化的非线性函数，本次研究所述RBF神经网络的基函数采用高斯函数，高斯函数经过非线性变换之后，数据信息从输入层经过隐含层处理最后到输出层的表达式如下：式中，k＝1,2,
…
,M，‖
·
‖的含义为欧式范数，i＝1,2,...,M，M表示隐含层节点数，式子x
t
＝(x
t1
，x
t2
，
…
，x
tm
)表示训练的管道缺陷漏磁信号特征值的样本数据为第t个，其中x
t
∈R
n
，t＝1,2,...,N，N表示训练数据总数,d
i
∈R
n
，i＝1,2,...,M，d
i
为隐含层的中心，ω
ik
为隐含层到输出层的输出权值，m是最后一层节点的总数，输出层总输出F(x
‑
)表示如下：F(x
t
)＝(F1(x
t
),F2(x
t
),...,F
m
(x
t
))
T
,F(x
t
)∈R
m
研究中一共选择了7个管道漏磁信号特征量，各个特征量之间的差异较大，因此会对PSO
‑
RBF神经网络模型的训练产生影响，所以需要对数据进行归一化处理，即将管道缺陷漏磁信号特征值样本数据数值同比例映射到区间[
‑
1,1]，归一化处理公式如下：式中，X
k
为第k个数据的原始数据，X
min
为输入的管道缺陷漏磁信号特征值样本数据数值的最小值，X
m；x
为输入的管道缺陷漏磁信号...

【专利技术属性】
技术研发人员：耿浩，马宗保，夏浩，杨理践，宋世杰，王国庆，石萌，苏禹铭，高鹏飞，张佳，黄平，郑福印，郑文学，李佳音，全鑫一，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：