[發明專利]一種基于卷積神經網絡的管道缺陷深度的反演方法

有效

• 申請號: 201710168186.5
• 申請日: 2017-03-21
• 公開（公告）號: CN106950276B
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 張化光;馮健;劉金海;汪剛;馬大中;盧森驤;張鑫博
• 申請（專利權）人: 東北大學
• 主分類號: G01N27/83
• 分類號: G01N27/83
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李運萍

本發明提供一種基于卷積神經網絡的管道缺陷深度的反演方法，隨機生成管道缺陷輪廓：生成n組管道缺陷深度矩陣，基于磁偶極子模型仿真得到n組管道缺陷輪廓的軸向漏磁信號，獲取實測的k組管道缺陷深度矩陣，并采用磁場傳感器測量其相應的軸向漏磁信號，構造卷積神經網絡模型，采用仿真的管道缺陷輪廓的軸向漏磁信號和實測的管道缺陷輪廓的軸向漏磁信號對卷積神經網絡模型進行訓練，得到最終的卷積神經網絡模型，將未知深度的管道缺陷的軸向漏磁信號進行預處理后，輸入最終的卷積神經網絡模型，得到未知深度的管道缺陷的深度預測值，本發明方法有效地減少了網絡訓練所需要的參數，減少了對缺陷反演所需的時間。

技術領域

本發明屬于故障診斷和人工智能技術領域，具體涉及一種基于卷積神經網絡的管道缺陷深度的反演方法。

背景技術

在經濟建設中，管道運輸起著非常關鍵的作用。由于管道經常工作在惡劣的環境中，管壁會因腐蝕、外力等因素而變薄。這種帶有缺陷的管道很容易導致泄漏事故的發生。

漏磁檢測技術是目前國內外最有效的管道缺陷檢測方法之一，由于其擁有較好的可靠性、較高的穩定性和較快的檢測速度，這一技術越來越多的被用在管道缺陷的檢測上。缺陷識別是管道漏磁檢測系統的重要組成部分，只有進行正確的識別，才能夠為業主提供準確的信息，判斷管道能否被使用。隨著現代計算機技術的發展，對管道的檢測不僅僅局限于發現缺陷，更為重要的是能夠對缺陷進行定量分析，也就是說，能夠由缺陷漏磁信號反演到缺陷實際尺寸的問題。

其中，在管道缺陷的所有尺寸參數中，人們最為關心的是缺陷的深度信息。因為缺陷的深度直接關系到管道的失效壓力，決定它能否繼續使用。

漏磁信號的反演是盡可能地利用隱含在缺陷測量信號中的信息評估缺陷的深度參數。它的求解是一類典型的缺陷漏磁場和缺陷幾何尺寸之間的非線性不完全映射問題。

反演問題中采取的方法有很多種，總的來說可以分為直接反演法和迭代反演法。

直接反演法是一種非模型的方法。它的主要步驟是：(1)獲取缺陷的漏磁信號；(2)通過特征提取算法得到與計算缺陷深度有關的缺陷漏磁信號特征；(3)利用神經網絡或支持向量機等智能算法建立這些漏磁信號特征與缺陷幾何尺寸之間的關系。

通過上述步驟，就可以得到缺陷的幾何尺寸數據。

直接反演算法具有一定的局限性：①需要大量的樣本數據以建立漏磁信號特征與缺陷幾何尺寸之間的映射關系，如果樣本數量不足，則反演得到的結果誤差較大；②需要有準確的特征提取算法作為基礎，如果無法準確地提取缺陷漏磁信號的特征，就無法準確地建立漏磁信號特征與缺陷幾何尺寸之間的關系；③反演結果受信號噪聲和信號畸變的影響較大。

迭代反演法是一種基于模型的方法。迭代反演法的主要步驟是：(1)依據反演精度設定逼近閾值ε；(2)建立正演模型獲得缺陷的漏磁信號；(3)比較正演信號和實測信號得到偏差結果d；(4)如果d小于ε，就將正演模型的缺陷尺寸作為反演結果；如果d大于ε，調整正演模型中的缺陷尺寸，并重復步驟(2)-(4)。

通過上述步驟，就可以得到缺陷的幾何尺寸數據。

迭代反演法相比于直接反演法精度更高。但是迭代反演法仍然存在以下缺點：①需要較長的計算時間；②很難保證正演模型的準確性；③缺陷尺寸優化算法易陷入局部最優解；④反演結果受信號噪聲和信號畸變的影響較大。

發明內容

針對現有技術的不足，本發明提出一種基于卷積神經網絡的管道缺陷深度的反演方法。

本發明的技術方案是：

一種基于卷積神經網絡的管道缺陷深度的反演方法，包括以下步驟：