裂纹检测方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种裂纹检测方法、装置、电子设备及存储介质，涉及故障诊断技术领域，解决了目前在检测管道裂纹时，由于非裂纹信号的波动以及裂纹训练样本不充足，导致裂纹检测精度不高的问题。该方法，包括：控制设置于埋地管道内的漏磁检测器向前移动，得到裂缝训练样本集、非裂缝训练样本集、测试样本集，建立多传感器融合特征互监督神经网络，并基于裂缝训练样本集、非裂缝训练样本集对多传感器融合特征互监督神经网络进行多次训练，更新网络参数，得到目标多传感器融合特征互监督神经网络，基于目标多传感器融合特征互监督神经网络确定所述测试样本集中的裂纹样本。述测试样本集中的裂纹样本。述测试样本集中的裂纹样本。

【技术实现步骤摘要】
裂纹检测方法、装置、电子设备及存储介质


[0001]本申请属于故障诊断
，更具体地，涉及一种裂纹检测方法、装置、电子设备及存储介质。

技术介绍

[0002]管道运输是石油能源运输最常用的方式之一，具有低成本、大运输量以及长运输距离等特点，埋地管道作为油气管道中的一种，其设置于环境较为复杂的地下，受石头挤压、潮湿土壤和能源原料腐蚀等因素影响，易发生泄露，甚至是爆炸，因此，对埋地管道裂纹的检测十分重要。
[0003]漏磁检测是最常用的管道裂纹检测方法之一，具有速度快、精度高、灵敏度高等优点，漏磁检测器一经投入到管道中，通过传感器采集漏磁信号，并将漏磁信号进行保存；漏磁检测检测裂纹，是通过对已知样本进行训练，来预测未知样本是否是有裂纹，裂纹检测的算法很多，常用的方法有基于重构的裂纹检测方法和基于预测的裂纹检测方法，申请人认识到，当使用基于重构的裂纹检测方法进行管道裂纹检测时，管道复杂的运行环境常常会导致非裂纹信号存在一定的波动，从而影响裂纹的检测精度，且当使用基于预测的裂纹检测方法进行管道裂纹检测时，网络训练过程中需要大量的裂纹样本和非裂纹样本，但实际应用过程中裂纹训练样本并不充足，难以满足网络训练要求，进而影响裂纹的检测精度，因此，使用上述裂纹检测方法检测管道裂纹时，由于非裂纹信号的波动以及裂纹训练样本不充足，导致裂纹检测精度不高。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种裂纹检测方法、装置、电子设备及存储介质，主要目的在于解决目前在检测管道裂纹时，由于非裂纹信号的波动以及裂纹训练样本不充足，导致裂纹检测精度不高的问题。
[0005]依据本申请第一方面，提供了一种裂纹检测方法，包括：
[0006]控制设置于埋地管道内的漏磁检测器向前移动，所述漏磁检测器用于释放磁信号并接收当所述磁信号穿过所述埋地管道的金属管壁时产生的漏磁信号；
[0007]在所述漏磁检测器前进的过程中，采集漏磁轴向信号和漏磁径向信号，以及基于所述漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，并对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集；
[0008]建立多传感器融合特征互监督神经网络；
[0009]基于所述裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离，得到第二次
训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络；
[0010]确定训练次数，在每一轮次训练中基于所述裂缝训练样本集对上一轮次得到的第二次训练后的多传感器融合特征互监督神经网络进行当前轮次第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征继续相互逼近，以及基于所述非裂缝训练样本集对当前轮次第一次训练后的多传感器融合特征互监督神经网络进行当前轮次第二次训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征继续相互远离，直至训练的轮次达到所述训练次数，得到目标多传感器融合特征互监督神经网络；
[0011]基于所述目标多传感器融合特征互监督神经网络确定所述测试样本集中的至少一个裂纹样本。
[0012]可选地，所述基于所述漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，包括：
[0013]基于所述漏磁轴向信号和所述漏磁径向信号生成训练信号样本集和测试信号样本集；
[0014]对所述训练信号样本集包括的信号进行划分，确定包括多个轴向裂缝训练样本和对应的多个径向裂缝训练样本的初始裂缝训练样本集、包括多个轴向非裂缝训练样本和对应的多个径向非裂缝训练样本的初始非裂缝训练样本集，其中，
[0015]所述初始裂缝训练样本集为X
d
：为所述初始裂缝训练样本集中第i个轴向裂缝训练样本，为所述初始裂缝训练样本集中第i个径向裂缝训练样本，N为所述初始裂缝训练样本集中轴向缝训练样本/径向裂缝训练样本的数量，
[0016]所述初始非裂缝训练样本集X
nd
为：为所述初始非裂缝训练样本集中第i个轴向非裂缝训练样本，为所述初始非裂缝训练样本集中第i个径向非裂缝训练样本，N为所述初始非裂缝训练样本集中轴向非裂缝训练样本/径向非裂缝训练样本的数量；
[0017]将所述测试信号样本集包括的轴向漏磁信号和径向漏磁信号分别按照预设规则分割成多个测试样本，得到初始轴向测试样本集和初始径向测试样本集，其中，
[0018]所述初始轴向测试样本集为：为所述初始轴向测试样本集中第i个初始轴向测试样本，N
T
为所述初始轴向测试样本集中初始轴向测试样本的数量，
[0019]所述初始径向测试样本集为：为所述初始径向测试样本集中第i个初始径向测试样本，N
T
为所述初始径向测试样本集中初始径向测试样本的数量；
[0020]所述初始轴向测试样本集和所述初始径向测试样本集组成所述初始测试样本集。
[0021]可选地，所述对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始
测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集，包括：
[0022]分别对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中的每个样本进行基值校正，以确保所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个通道的均值为定值ε；
[0023]利用二维三次样条插值法分别对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个校正后的样本进行插值，分别将所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个经过正矫正、插值的样本按照彩虹编码方式转化成三通道图片，获得所述裂缝训练样本集、所述非裂缝训练样本集、轴向测试样本集、径向测试样本集，其中，
[0024]所述裂缝训练样本集S
d
为：为所述裂缝训练样本集中第i个轴向裂缝训练样本，为所述裂缝训练样本集中第i个径向裂缝训练样本，
[0025]所述非裂缝训练样本集S
nd
为：为所述非裂缝训练样本集中第i个轴向非裂缝训练样本，为所述非裂缝训练样本集中第i个径向非裂缝训练样本，
[0026]所述轴向测试样本集为：为所述轴向测试样本集中第i个轴向测试样本，
[0027]所述径向测试样本集为：为所述径向测试样本集中第i个径向测试样本；
[0028]所述轴向测试样本集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种裂纹检测方法，其特征在于，包括：控制设置于埋地管道内的漏磁检测器向前移动，所述漏磁检测器用于释放磁信号并接收当所述磁信号穿过所述埋地管道的金属管壁时产生的漏磁信号；在所述漏磁检测器前进的过程中，采集漏磁轴向信号和漏磁径向信号，以及基于所述漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，并对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集；建立多传感器融合特征互监督神经网络；基于所述裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离，得到第二次训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络；确定训练次数，在每一轮次训练中基于所述裂缝训练样本集对上一轮次得到的第二次训练后的多传感器融合特征互监督神经网络进行当前轮次第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征继续相互逼近，以及基于所述非裂缝训练样本集对当前轮次第一次训练后的多传感器融合特征互监督神经网络进行当前轮次第二次训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征继续相互远离，直至训练的轮次达到所述训练次数，得到目标多传感器融合特征互监督神经网络；基于所述目标多传感器融合特征互监督神经网络确定所述测试样本集中的裂纹样本。2.根据权利要求1所述的裂纹检测方法，其特征在于，所述基于所述漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，包括：基于所述漏磁轴向信号和所述漏磁径向信号生成训练信号样本集和测试信号样本集；对所述训练信号样本集包括的信号进行划分，确定包括多个轴向裂缝训练样本和对应的多个径向裂缝训练样本的初始裂缝训练样本集、包括多个轴向非裂缝训练样本和对应的多个径向非裂缝训练样本的初始非裂缝训练样本集，其中，所述初始裂缝训练样本集为X
d
：：为所述初始裂缝训练样本集中第i个轴向裂缝训练样本，为所述初始裂缝训练样本集中第i个径向裂缝训练样本，N为所述初始裂缝训练样本集中轴向缝训练样本/径向裂缝训练样本的数量，所述初始非裂缝训练样本集X
nd
为：为：为所述初始非裂缝训练样本集中第i个轴向非裂缝训练样本，为所述初始非裂缝训练样本集中第i个径向非裂缝训练样本，N为所述初始非裂缝训练样本集中轴向非裂缝训练样本/径向非裂缝训练样本的数量；将所述测试信号样本集包括的轴向漏磁信号和径向漏磁信号分别按照预设规则分割成多个测试样本，得到初始轴向测试样本集和初始径向测试样本集，其中，
所述初始轴向测试样本集为：为：为所述初始轴向测试样本集中第i个初始轴向测试样本，N
T
为所述初始轴向测试样本集中初始轴向测试样本的数量，所述初始径向测试样本集为：为：为所述初始径向测试样本集中第i个初始径向测试样本，N
T
为所述初始径向测试样本集中初始径向测试样本的数量；所述初始轴向测试样本集和所述初始径向测试样本集组成所述初始测试样本集。3.根据权利要求2所述的裂纹检测方法，其特征在于，所述对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集，包括：分别对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中的每个样本进行基值校正，以确保所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个通道的均值为定值ε；利用二维三次样条插值法分别对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个校正后的样本进行插值，分别将所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个经过正矫正、插值的样本按照彩虹编码方式转化成三通道图片，获得所述裂缝训练样本集、所述非裂缝训练样本集、轴向测试样本集、径向测试样本集，其中，所述裂缝训练样本集S
d
为：为：为所述裂缝训练样本集中第i个轴向裂缝训练样本，为所述裂缝训练样本集中第i个径向裂缝训练样本，所述非裂缝训练样本集S
nd
为：为：为所述非裂缝训练样本集中第i个轴向非裂缝训练样本，为所述非裂缝训练样本集中第i个径向非裂缝训练样本，所述轴向测试样本集为：为：为所述轴向测试样本集中第i个轴向测试样本，所述径向测试样本集为：为：为所述径向测试样本集中第i个径向测试样本；所述轴向测试样本集和所述径向测试样本集组成所述测试样本集。4.根据权利要求3所述的裂纹检测方法，其特征在于，所述建立多传感器融合特征互监督神经网络，包括：
建立包括特征提取部分、特征融合部分和特征互监督部分的多传感器融合特征互监督神经网络；其中，所述特征提取部分包括用于提取轴向深度自适应特征的含固定层和微调层的第一预训练网络pre
a
、用于提取径向深度自适应特征的含固定层和微调层的第二预训练网络pre
r
、用于提取轴向深度通用特征的第三预训练模型和用于提取径向深度通用特征的第四预训练模型所述特征融合部分用于将所述轴向深度自适应特征值与所述轴向深度通用特征相融合以得到融合轴向特征向量、将所述径向深度自适应特征值与所述径向深度通用特征相融合以得到融合径向特征向量；所述特征互监督部分用于不断相互监督所述融合轴向特征向量和所述融合径向特征向量，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近、非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离。5.根据权利要求4所述的裂纹检测方法，其特征在于，所述基于所述裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，包括：从所述裂缝训练样本集S
d
中提取轴向裂缝训练数据集和径向裂缝训练数据集将所述轴向裂缝训练数据集分别输入到所述第一预训练网络pre
a
和所述第三预训练模型中，得到轴向裂缝深度自适应特征轴向裂缝深度通用特征以及将所述径向裂缝训练数据集分别输入到所述第二预训...

【专利技术属性】
技术研发人员：徐行，刘金海，姜琳，肖奇，王威，刘晓媛，刘佳睿，张化光，汪刚，马大中，卢森骧，
申请(专利权)人：东北大学，
类型：发明
国别省市：