阀门内漏缺陷类型识别与内漏速率计算的方法技术

阀门缺陷类型识别与内漏内漏速率计算的方法。其步骤包括（1）基于声发射技术开展阀门内漏检测实验，获取实验数据；（2）提取阀门特征、工艺参数、声发射信号特征等方面数据，构建高维特征空间；（3）对高维特征空间数据进行保局投影降维，提取低维空间特征；（4）建立基于支持向量分类的阀门内漏缺陷类型识别模型，选用RBF核函数，用微粒群算法确定模型的最优参数，输入低维空间标记数据进行训练；（5）基于主动学习的方法，标记对模型影响较大的无标签数据样本，建立支持向量回归的内漏内漏速率计算模型；（6）利用模型预测待测阀门的内漏缺陷类型及内漏速率。本发明专利技术降低了对数据样本数量的依赖，有效解决阀门内漏定量检测困难的问题。

【技术实现步骤摘要】
【专利摘要】阀门缺陷类型识别与内漏内漏速率计算的方法。其步骤包括（1）基于声发射技术开展阀门内漏检测实验，获取实验数据；（2）提取阀门特征、工艺参数、声发射信号特征等方面数据，构建高维特征空间；（3）对高维特征空间数据进行保局投影降维，提取低维空间特征；（4）建立基于支持向量分类的阀门内漏缺陷类型识别模型，选用RBF核函数，用微粒群算法确定模型的最优参数，输入低维空间标记数据进行训练；（5）基于主动学习的方法，标记对模型影响较大的无标签数据样本，建立支持向量回归的内漏内漏速率计算模型；（6）利用模型预测待测阀门的内漏缺陷类型及内漏速率。本专利技术降低了对数据样本数量的依赖，有效解决阀门内漏定量检测困难的问题。【专利说明】
本专利技术涉及阀门内漏检测领域，特别涉及阀门内漏缺陷类型识别与内漏速率计笪
技术介绍
近年来，基于声发射技术的阀门内漏检测已经成为研究热点。有些研究人员从声发射机理出发，用解析法提出了阀门内漏速率估测的Kaewwaewnoi模型与E.Meland模型。但是，应用这些模型的前提是泄漏孔形状确定，这在工程现场中是很难直接获得的。大多数研究者着眼于阀门内漏的声发射信号的特征，在阀门内漏声发射信号预处理以及特征提取方面取得了很好的进展，对于阀门内漏速率预测，也提出了最小二乘法回归预测、数据对比等方法。受选取的特征参数数量及样本数量不足的限制，上述方法的预测模型只适用于限定状况下的阀门内漏检测，模型的可移植性与精确性较差，这严重制约了阀门内漏检测技术的工程转化。因此，数据的获取、甄选以及多维特征参数的降维处理成为制约阀门内漏检测技术发展的重要原因。
技术实现思路
本专利技术针对基于声发射技术进行阀门内漏检测时，数据样本少、数据特征参数利用不充分的问题，从流形学习降维、主动学习、支持向量领域出发，提出了一种。降低了对数据样本数量的依赖，最大程度挖掘、利用了测试数据中的特征参数。建立普适性良好、由声发射信号特征等可测因素反演计算内漏速率的数学模型。本专利技术的技术方案如下: O分别从实验室、工程现场采集阀门内漏检测所需的实验数据: 实验室内采集，针对不同类型(球阀、闸阀、截止阀)、不同材质(碳钢、不锈钢、铸铁)的阀门，人工预制阀门内漏缺陷(密封划痕、穿孔、关不紧)，通过改变密封划痕的形状尺寸、阀体穿孔的形状尺寸以及阀门的开度，模拟缺陷的损伤程度；然后针对所有缺陷的阀门，以阀门类型、阀门材质、阀门尺寸、工艺参数(阀前压力、阀后压力、温度)、介质特性(密度、粘度和介质相态)为变量组合V，用宽频传感器以IMHz的采样频率采集阀门内漏声发射信号，包括特征量信号与波形流信号。标记内漏缺陷类型和测试阀门的内漏速率。工程现场采集，针对工程现场发生内漏的阀门，记录变量组合V中的数值，采集阀门内漏声发射信号，根据工程现场状况，对于内漏缺陷类型和内漏速率已知的内漏阀门，标记阀门内漏缺陷类型标签及内漏速率标签，其他数据，不作标记。2)将步骤I)采集的实验数据添加到样本集R。样本集R包括标签数据样本集L、无标签数据样本集U。R中样本包含对象数据、测试数据与标签数据三类。其中对象数据包含阀门类型、阀门材质、介质相态三个属性，测试数据包括阀门尺寸、阀前压力、阀后压力、温度、介质密度、介质粘度、声发射信号数据，标签数据包括内漏缺陷类型标签、内漏速率标签，分别记为L,、Ln。对于实验中和工程现场中内漏缺陷类型与内漏速率已知的阀门，添加其步骤I)中采集的数据至标签数据样本集L中；对于工程现场中阀门内漏缺陷类型、内漏速率无法获取的阀门，仅将工程现场采集的对象数据与测试数据，添加至无标签数据样本集U中。3)提取样本集R中所有声发射信号的幅值平均值、有效值电压(RMS)、平均信号电平(ASL)、峰值频率。选用db8小波基对声发射波形流信号进行了 5层小波包分解， 将原始信号分解到32个子频段上，根据每个子频段能量的大小，选取31.25^46.875KHz, 46.875^62.5 KHz, 62.5^78.125 KHz, 78.125^93.75 KHz,93.75~109.375 KHz, 109.375~125 KHz, 125~140.625 KHz, 140.625~156.25 KHz,156.25~171.875 KHz, 171.875~187.5 KHz十个能量最大的子频段” 子频段信号的能量计算公式如下:【权利要求】1.，其特征在于，包括以下步骤: 1)分别从实验室、工程现场采集阀门内漏检测所需的实验数据: 实验室内采集，针对不同类型(球阀、闸阀、截止阀)、不同材质(碳钢、不锈钢、铸铁)的阀门，人工预制阀门内漏缺陷(密封划痕、穿孔、关不紧)，通过改变密封划痕的形状尺寸、阀体穿孔的形状尺寸以及阀门的开度，模拟缺陷的损伤程度；然后针对有缺陷的阀门，以阀门类型、阀门材质、阀门尺寸、工艺参数(阀前压力、阀后压力、温度)、介质特性(密度、粘度和介质相态)为变量组合V，用宽频传感器以IMHz的采样频率采集阀门内漏声发射信号，包括特征量信号与波形流信号；标记内漏缺陷类型和测试阀门的内漏速率； 工程现场采集，针对工程现场发生内漏的阀门，记录变量组合V中的数值，采集阀门内漏声发射信号，根据工程现场状况，对于内漏缺陷类型和内漏速率已知的内漏阀门，标记阀门内漏缺陷类型标签及内漏速率标签，其他数据，不作标记； 2)将步骤I)采集的实验数据添加到样本集R,样本集R包括标签数据样本集L、无标签数据样本集U，R中样本包含对象数据、测试数据与标签数据三类，其中对象数据包含阀门类型、阀门材质、介质相态三个属性，测试数据包括阀门尺寸、阀前压力、阀后压力、温度、介质密度、介质粘度、声发射信号数据，标签数据包括内漏缺陷类型标签、内漏速率标签，分别记为L,、Ln ;对于实验中和工程现场中内漏缺陷类型与内漏速率已知的阀门，添加其步骤O中采集的数据至标签数据样本集L中；对于工程现场中阀门内漏缺陷类型、内漏速率无法获取的阀门，仅将工程现场采集的对象数据与测试数据，添加至无标签数据样本集U中； 3)提取样本集R中所有声发射信号的幅值平均值、有效值电压(RMS)、平均信号电平(ASL)、峰值频率，选用db8小波基对声发射波形流信号进行了 5层小波包分解，将原始信号分解到32个子频段上，根据每个子频段能量的大小，选取31.25~46.875KHz, 46.875~62.5KHz, 62.5^78.125 KHz, 78.125^93.75 KHz, 93.75~109.375 KHz, 109.375~125 KHz,125~140.625 KHz, 140.625^156.25 KHz, 156.25^171.875 KHz, 171.875~187.5 KHz 十个频率段的能量，子频段信号的能量计算公式如下: 2.根据权利要求1所述的，其特征在于:所述步骤6)中所述基于主动学习，从未知标签的数据中，选择对模型影响较大的数据点，主动学习的步骤如下: (1)将保局投影后Xl的低维特征数据与内漏速率标签Ln组合为B(x, y)，其中X为X3l样本数据，y为对应的泄漏量标签，以B (x,y)为训练数据，，选用RBF核函数，用微粒群算法确定模型的最优本文档来自技高网...

【技术保护点】
阀门内漏缺陷类型识别与内漏速率计算的方法，其特征在于，包括以下步骤：1）分别从实验室、工程现场采集阀门内漏检测所需的实验数据：实验室内采集，针对不同类型（球阀、闸阀、截止阀）、不同材质（碳钢、不锈钢、铸铁）的阀门，人工预制阀门内漏缺陷（密封划痕、穿孔、关不紧），通过改变密封划痕的形状尺寸、阀体穿孔的形状尺寸以及阀门的开度，模拟缺陷的损伤程度；然后针对有缺陷的阀门，以阀门类型、阀门材质、阀门尺寸、工艺参数（阀前压力、阀后压力、温度）、介质特性（密度、粘度和介质相态）为变量组合V，用宽频传感器以1MHz的采样频率采集阀门内漏声发射信号，包括特征量信号与波形流信号；标记内漏缺陷类型和测试阀门的内漏速率；工程现场采集，针对工程现场发生内漏的阀门，记录变量组合V中的数值，采集阀门内漏声发射信号，根据工程现场状况，对于内漏缺陷类型和内漏速率已知的内漏阀门，标记阀门内漏缺陷类型标签及内漏速率标签，其他数据，不作标记；2）将步骤1）采集的实验数据添加到样本集R，样本集R包括标签数据样本集L、无标签数据样本集U，R中样本包含对象数据、测试数据与标签数据三类，其中对象数据包含阀门类型、阀门材质、介质相态三个属性，测试数据包括阀门尺寸、阀前压力、阀后压力、温度、介质密度、介质粘度、声发射信号数据，标签数据包括内漏缺陷类型标签、内漏速率标签，分别记为Lq、Ln；对于实验中和工程现场中内漏缺陷类型与内漏速率已知的阀门，添加其步骤1）中采集的数据至标签数据样本集L中；对于工程现场中阀门内漏缺陷类型、内漏速率无法获取的阀门，仅将工程现场采集的对象数据与测试数据，添加至无标签数据样本集U中；3）提取样本集R中所有声发射信号的幅值平均值、有效值电压（RMS）、平均信号电平（ASL）、峰值频率，选用db8小波基对声发射波形流信号进行了5层小波包分解，将原始信号分解到32个子频段上，根据每个子频段能量的大小，选取31.25~46.875KHz,?46.875~62.5?KHz,?62.5~78.125?KHz,?78.125~93.75?KHz,?93.75~109.375?KHz,?109.375~125?KHz,?125~140.625?KHz,?140.625~156.25?KHz,?156.25~171.875?KHz,?171.875~187.5?KHz十个频率段的能量，子频段信号的能量计算公式如下：其中，Sk（t）每一频段的重构系数；然后对样本集R中的所有样本，以阀门尺寸、阀前压力、阀后压力、温度、介质密度、介质粘度；幅值平均值、有效值电压（RMS）、平均信号电平（ASL）、峰值频率以及十个子频带的能量值共20个变量为输入参数，构建n*20的输入矩阵X1；4）通过流行学习方法对输入矩阵X1中测试数据进行保局投影(LPP)降维，提取低维空间特征，形成低维特征空间；首先按照不同维度对输入矩阵X1进行归一化处理，得到归一化处理后的矩阵X2，然后利用保局投影算法对X2进行降维处理得到矩阵X3，其中由标签数据样本集L降维获得的样本集记为X3L，由无标签数据样本集U降维获得的样本集记为X3U；5）对于由阀门类型、阀门材质、介质相态三个属性组合的不同研究对象，利用支持向量分类（SVC）方法，分别建立相应研究对象的阀门内漏缺陷类型识别模型，选用RBF核函数，用微粒群算法确定模型的最优参数，然后输入保局投影后X3L中低维特征数据与内漏缺陷类型标签Lq，训练得到阀门内漏缺陷类型识别模型；6）对于由阀门类型、阀门材质、介质相态三个属性组合的不同研究对象，建立支持向量回归（SVR）阀门内漏速率计算模型，基于主动学习的方法，从降维后的无标签数据集X3U中挑选对模型影响较大的数据点，然后通过实验采集获得内漏速率标签并加入到已标记样本集L，最后利用更新后的样本集L重新建立阀门内漏速率回归计算模型Mend；7）阀门内漏缺陷类型识别及内漏速率预测，按照变量组合V中要求采集被测阀门的相关数据，经过2）、3）、4）处理后得到该数据样本的降维后样本，然后将该降维后的样本分别输入5）、6）中建立的阀门内漏缺陷类型识别模型、阀门内漏速率回归计算模型，从而得到该阀门内漏缺陷类型和内漏速率。2013104596283100001dest_path_image001.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：徐长航，曹国梁，陈国明，任乐峰，李国瑞，史焕地，艾素萍，韩国星，张丽珍，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：