本发明专利技术公开了一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，包括步骤1，对管道的类型和状态进行分类，设计m种缺陷；步骤2，建立与每种缺陷对应的特征向量Fv；步骤3，建立导波特征数据库；步骤4，提取数据库中的n个特征向量Fv，构成输入矩阵A；步骤5，对A进行BP神经网络训练，输出标准输出矩阵B，B包含n个m行1列的类别向量Fvc；步骤6，对待测管道进行导波检测，构建特征向量fv；步骤7，利用fv构成输入矩阵A1；步骤8，将A1进行BP神经网络训练，输出向量fvc；步骤9，求出fvc与各类别的Fvc之间的欧氏距离ei(i＝1,2,…,m)；步骤10，求出最小的ei，此ei对应的第i类缺陷即为判别结果。本发明专利技术实现了管道缺陷自动化判别，提高检测效率。
【技术实现步骤摘要】
本专利技术属于无损检测领域，具体涉及一种基于管道超声导波和神经网络判别管道 缺陷类别的方法。
技术介绍
管道运输与铁路运输，公路运输，水路运输，航空运输并称五大运输方式，在国民 经济和社会发展中扮演着非常重要的角色。然而，在管道长期服役过程中，由于自然老化和 内部介质的冲刷和腐蚀，导致管道产生腐蚀、穿孔等缺陷，带来巨大的安全隐患，尤其是在 工业承压管道的应用中，由于大多数行业中的管道运输介质属易燃易爆物，如泄漏和爆管， 必然造成巨大的人员伤亡和财产损失。为了确保管道的正常工作，必须定期对管道进行缺 陷检测。 传统的无损检测方法主要包括声发射法、涡流检测法、射线法、超声波检测法等， 但这些检测方法检测范围只能局限在被测点的附近，效率低，在检测长距离管道时无疑费 时、费力且成本高昂；此外，对架空、埋地等特殊环境下的管道检测也难以适用。 近年来发展了一种可用于长距离管道检测的超声导波检测技术，但是超声导波回 波波形复杂，很难直接分辨出管道上的缺陷或特征，只有经过专门培训的检测人员，才能准 确的判别管道信息。这就需要一种可靠的智能化判别方法，能够根据回波信号的特征快速 准确的给出检测结果。与超声导波检测相比，导波检测具有距离长（最长可达200m)、对管 道进行100%检测、不需要耦合剂和检测方便快速的优点； 目前，对于超声导波检测方法的研究主要集中在降噪和增强缺陷处特征的研究 上，而对于管道缺陷和特征的分类则研究的比较少。专利200910086451. 0通过建立波形时 域特征的相关系数对进行判别，但导波回波信号的时域成分本身很复杂，单单从相关系数 的角度判别难以保证识别的准确；另有专利CN102122351A利用RBF神经网络，但仅使用了 管道缺陷尺寸和信号幅值进行缺陷识别，考虑影响因素并不全面。 神经网络在信号分类中发挥的巨大作用已经得到广泛认可，但识别的准确性与样 本特征关联紧密。综合使用了导波信号的时域、频域和变换域特征参数并应用于神经网络 识别的方法尚未见报道。
技术实现思路
本专利技术的目的是为了实现对管道缺陷的自动化、智能化判别，解决在导波检测信 号分析环节对操作人员水平要求较高的难题。为此，本专利技术提出了一种基于神经网络和导 波特征数据库的管道缺陷类别判别方法，采用的技术方案如下： -种基于神经网络和导波特征数据库的管道缺陷类别判别方法，包括如下步骤： 步骤1，对管道的类型和状态进行分类，对每种管道设计不同的缺陷或自然缺陷， 分m种缺陷； 步骤2,对每个带缺陷的管道采集η组检测数据进行信息处理，对每组检测数据提 取特征参数，利用特征参数构成特征向量Fv; 步骤3,将η个特征向量导入数据库中，建立导波特征数据库； 步骤4,从导波特征数据库提取η个特征向量Fv，构成输入矩阵A; 步骤5,将输入矩阵A进行BP神经网络训练，训练后输出为标准输出矩阵B，标准 输出矩阵B中包含了η个m行1列的类别向量Fvc，B中每一列的Fvc和A中每一列的Fv 对应，Fvc由m种不同的形式，依次为，，，......，; 步骤6,对待测管道进行导波检测，提取此管道的测量数据，构成特征向量fv; 步骤7,利用特征向量fv，构成输入矩阵A1 ; 步骤8,将输入矩阵A1进行BP神经网络训练，训练后输出向量fvc，所述fvc是一 个m行1列的向量，并且与Fvc格式相同； 步骤9,求出fvc与各类别的Fvc之间的欧氏距离并依次标记为el,e2,e3,…ei… em，ei(i= 1, 2,…，m)依次与m种管道缺陷--对应； 步骤10,求出最小的ei，此ei所对应的第i类缺陷即为判别的结果。 进一步地，步骤2中所述的特征参数包括：峰度系数Ku、偏度系数Sk、形状系数 Sc、反射系数Rc、变异系数Cv、熵值Et、频域半高宽r、小波子空间能量系数We; 其中，熵值Et包含两个不同的值Etl和Et2,小波子空间能量系数We包含7个不 同的值We1、We2、We3、We4、We5、We6、We7。 进一步地，所述特征向量Fv= 〇 进一步地，所述步骤2中所述的提取特征参数采用信号预处理方法，包括幅值归 一化、滤波降噪、分解重构、包络提取、缺陷信号截取、信号筛选； 所述幅值归一化采用将检测信号的最大幅值设为1的方法进行等比例缩放；所述 滤波降噪采用快速傅里叶变换滤除超出中心频率附近30kHz的高频或低频信号；所述分解 重构采用小波分析方法对时域信号进行6层分解并进行筛选、重构；所述缺陷信号截取采 用矩形窗截取出管道缺陷位置附近的1. 5-2倍于激励波长的波形信号；所述信号筛选采用 的标准为缺陷信号的幅值最大处不低于噪声幅值的3倍。 进一步地，所述步骤5中所述的BP神经网络包括输入层、隐含层和输出层；所述输 入层节点为15个，隐含层节点为k个，输出层节点为m个；其中k是根据分类识别的准确性 进行尝试性调节的可变量，k的范围为5-30。 进一步地，所述小波分析方法采用的小波基函数为db或sym小波基，分解重构过 程中选用与被分解信号外观最为相似的2-3层信号进行重构。 更进一步地，所述m= 3,所述η= 15,所述k= 10。 与现有管道缺陷分类判别方法相比，本专利技术提出的方法具备以下优点： (1)实现了对管道缺陷的自动化判别，实现了利用导波方法快速区分管道缺陷类 型，提尚了检测效率。 (2)使用了时域、频域和变换域的多个具有代表性的无量纲特征参量，并使用了大 量数据训练神经网络，保证了检测结果的稳定性与准确性。 (3)建立了导波信号特征数据库，便于对导波信号进行统一有效的管理。 (4)数据库与BP神经网络之间相互连接，便于对BP神经网络系统的训练与改进。【附图说明】 图1为基于管道超声导波特征数据库和神经网络判别管道缺陷的流程图； 图2为SQLSERVER数据库与Matlab软件分析平台之间的关系图； 图3为使用Matlab建立的导波数据分析与特征提取软件平台主界面； 图4为数据库各项数据结构关系图； 图5为使用Matlab调用SQLSERVER数据库的操作界面； 图6为导波检测实验系统； 图7为带有裂纹和孔洞的碳钢管道导波信号波形图及其包络； 图8为带有裂纹和孔洞的碳钢管道预处理后的管道导波波形图及其包络； 图9为管道缺陷特征神经网络训练的收敛曲线。【具体实施方式】 本专利技术采用截取管道缺陷处的信号并提取其时域、频域和变换域的多项无量纲特 征参量，建立导波缺陷特征数据库，最后结合BP神经网络建立了完整的缺陷分类系统，能 够准确有效对管道缺陷的导波信号进行分类。 本专利技术的理论原理为： 管道导波在传播过程中存在频散、模态转换和能量衰减现象，又由于噪声和其他 外界干扰，使得回波信号成分相当复杂，难以直观判别缺陷类别，故而需要对波形特征进行 更深层的分析。首先，对信号进行了归一化处理，截取管道缺陷处的原始信号，提取熵值、 小波子空间能量系数和频域半高宽，这三种参数反应了信号本身的无序性、能量分布和频 域特征，且对干扰信号较敏感，未进行滤波重构处理，较好保留了可能因为滤波和分解重构 损失的信息；其次，滤除了干扰信号并突出管道缺陷处的特征，有效抑制了外在因素的干 扰，在截取管道缺陷处的预处理后的包络信号后，提取峰度系数、偏度系数、形状系数、本文档来自技高网...
【技术保护点】
一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，包括如下步骤：步骤1，对管道的类型和状态进行分类，对每种管道设计不同的缺陷或自然缺陷，分m种缺陷；步骤2，对每个带缺陷的管道采集n组检测数据进行信息处理，对每组检测数据提取特征参数，利用特征参数构成特征向量Fv；步骤3，将n个特征向量导入数据库中，建立导波特征数据库；步骤4，从导波特征数据库提取n个特征向量Fv，构成输入矩阵A；步骤5，将输入矩阵A进行BP神经网络训练，训练后输出为标准输出矩阵B，标准输出矩阵B中包含了n个m行1列的类别向量Fvc，B中每一列的Fvc和A中每一列的Fv一一对应，Fvc由m种不同的形式，依次为[1；0；0；…；0]，[0；1；0；…；0]，[0；0；1；…；0]，……，[0；0；0；…；1]；步骤6，对待测管道进行导波检测，提取此管道的测量数据，构成特征向量fv；步骤7，利用特征向量fv，构成输入矩阵A1；步骤8，将输入矩阵A1进行BP神经网络训练，训练后输出向量fvc，所述fvc是一个m行1列的向量，并且与Fvc格式相同；步骤9，求出fvc与各类别的Fvc之间的欧氏距离并依次标记为e1,e2,e3,…ei…em，ei(i＝1,2,…,m)依次与m种管道缺陷一一对应；步骤10，求出最小的ei，此ei所对应的第i类缺陷即为判别的结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：姜文帆，姜银方，郭华杰，戴亚春，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。