一種基于神經(jīng)網(wǎng)絡(luò)和導(dǎo)波特征數(shù)據(jù)庫的管道缺陷類別判別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于無損檢測領(lǐng)域，具體涉及一種基于管道超聲導(dǎo)波和神經(jīng)網(wǎng)絡(luò)判別管道 缺陷類別的方法。
【背景技術(shù)】
[0002] 管道運輸與鐵路運輸，公路運輸，水路運輸，航空運輸并稱五大運輸方式，在國民 經(jīng)濟和社會發(fā)展中扮演著非常重要的角色。然而，在管道長期服役過程中，由于自然老化和 內(nèi)部介質(zhì)的沖刷和腐蝕，導(dǎo)致管道產(chǎn)生腐蝕、穿孔等缺陷，帶來巨大的安全隱患，尤其是在 工業(yè)承壓管道的應(yīng)用中，由于大多數(shù)行業(yè)中的管道運輸介質(zhì)屬易燃易爆物，如泄漏和爆管， 必然造成巨大的人員傷亡和財產(chǎn)損失。為了確保管道的正常工作，必須定期對管道進行缺 陷檢測。
[0003] 傳統(tǒng)的無損檢測方法主要包括聲發(fā)射法、渦流檢測法、射線法、超聲波檢測法等， 但這些檢測方法檢測范圍只能局限在被測點的附近，效率低，在檢測長距離管道時無疑費 時、費力且成本高昂；此外，對架空、埋地等特殊環(huán)境下的管道檢測也難以適用。
[0004] 近年來發(fā)展了一種可用于長距離管道檢測的超聲導(dǎo)波檢測技術(shù)，但是超聲導(dǎo)波回 波波形復(fù)雜，很難直接分辨出管道上的缺陷或特征，只有經(jīng)過專門培訓(xùn)的檢測人員，才能準(zhǔn) 確的判別管道信息。這就需要一種可靠的智能化判別方法，能夠根據(jù)回波信號的特征快速 準(zhǔn)確的給出檢測結(jié)果。與超聲導(dǎo)波檢測相比，導(dǎo)波檢測具有距離長（最長可達200m)、對管 道進行100%檢測、不需要耦合劑和檢測方便快速的優(yōu)點；
[0005] 目前，對于超聲導(dǎo)波檢測方法的研究主要集中在降噪和增強缺陷處特征的研究 上，而對于管道缺陷和特征的分類則研究的比較少。專利200910086451. 0通過建立波形時 域特征的相關(guān)系數(shù)對進行判別，但導(dǎo)波回波信號的時域成分本身很復(fù)雜，單單從相關(guān)系數(shù) 的角度判別難以保證識別的準(zhǔn)確；另有專利CN102122351A利用RBF神經(jīng)網(wǎng)絡(luò)，但僅使用了 管道缺陷尺寸和信號幅值進行缺陷識別，考慮影響因素并不全面。
[0006] 神經(jīng)網(wǎng)絡(luò)在信號分類中發(fā)揮的巨大作用已經(jīng)得到廣泛認(rèn)可，但識別的準(zhǔn)確性與樣 本特征關(guān)聯(lián)緊密。綜合使用了導(dǎo)波信號的時域、頻域和變換域特征參數(shù)并應(yīng)用于神經(jīng)網(wǎng)絡(luò) 識別的方法尚未見報道。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是為了實現(xiàn)對管道缺陷的自動化、智能化判別，解決在導(dǎo)波檢測信 號分析環(huán)節(jié)對操作人員水平要求較高的難題。為此，本發(fā)明提出了一種基于神經(jīng)網(wǎng)絡(luò)和導(dǎo) 波特征數(shù)據(jù)庫的管道缺陷類別判別方法，采用的技術(shù)方案如下：
[0008] -種基于神經(jīng)網(wǎng)絡(luò)和導(dǎo)波特征數(shù)據(jù)庫的管道缺陷類別判別方法，包括如下步驟：
[0009] 步驟1，對管道的類型和狀態(tài)進行分類，對每種管道設(shè)計不同的缺陷或自然缺陷， 分m種缺陷；
[0010] 步驟2,對每個帶缺陷的管道采集η組檢測數(shù)據(jù)進行信息處理，對每組檢測數(shù)據(jù)提 取特征參數(shù)，利用特征參數(shù)構(gòu)成特征向量Fv;
[0011] 步驟3,將η個特征向量導(dǎo)入數(shù)據(jù)庫中，建立導(dǎo)波特征數(shù)據(jù)庫；
[0012] 步驟4,從導(dǎo)波特征數(shù)據(jù)庫提取η個特征向量Fv，構(gòu)成輸入矩陣A;
[0013] 步驟5,將輸入矩陣A進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后輸出為標(biāo)準(zhǔn)輸出矩陣B，標(biāo)準(zhǔn) 輸出矩陣B中包含了η個m行1列的類別向量Fvc，B中每一列的Fvc和A中每一列的Fv 對應(yīng)，F(xiàn)vc由m種不同的形式，依次為[1 0]，[0 ;1 0]，[0 ;0 ;1 ;…； 0]，......，[0 …；1];
[0014] 步驟6,對待測管道進行導(dǎo)波檢測，提取此管道的測量數(shù)據(jù)，構(gòu)成特征向量fv;
[0015] 步驟7,利用特征向量fv，構(gòu)成輸入矩陣A1 ;
[0016] 步驟8,將輸入矩陣A1進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后輸出向量fvc，所述fvc是一 個m行1列的向量，并且與Fvc格式相同；
[0017] 步驟9,求出fvc與各類別的Fvc之間的歐氏距離并依次標(biāo)記為el,e2,e3,…ei… em，ei(i= 1, 2,…，m)依次與m種管道缺陷--對應(yīng)；
[0018] 步驟10,求出最小的ei，此ei所對應(yīng)的第i類缺陷即為判別的結(jié)果。
[0019] 進一步地，步驟2中所述的特征參數(shù)包括：峰度系數(shù)Ku、偏度系數(shù)Sk、形狀系數(shù) Sc、反射系數(shù)Rc、變異系數(shù)Cv、熵值Et、頻域半高寬r、小波子空間能量系數(shù)We;
[0020] 其中，熵值Et包含兩個不同的值Etl和Et2,小波子空間能量系數(shù)We包含7個不 同的值We1、We2、We3、We4、We5、We6、We7。
[0021] 進一步地，所述特征向量Fv=[Ku;Sk;Sc;Cv;Rc;Etl;Et2;r;Wel;We2 ;We3 ; We4 ；ffe5 ；ffe6 ；ffe7] 〇
[0022] 進一步地，所述步驟2中所述的提取特征參數(shù)采用信號預(yù)處理方法，包括幅值歸 一化、濾波降噪、分解重構(gòu)、包絡(luò)提取、缺陷信號截取、信號篩選；
[0023] 所述幅值歸一化采用將檢測信號的最大幅值設(shè)為1的方法進行等比例縮放；所述 濾波降噪采用快速傅里葉變換濾除超出中心頻率附近30kHz的高頻或低頻信號；所述分解 重構(gòu)采用小波分析方法對時域信號進行6層分解并進行篩選、重構(gòu)；所述缺陷信號截取采 用矩形窗截取出管道缺陷位置附近的1. 5-2倍于激勵波長的波形信號；所述信號篩選采用 的標(biāo)準(zhǔn)為缺陷信號的幅值最大處不低于噪聲幅值的3倍。
[0024] 進一步地，所述步驟5中所述的BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層；所述輸 入層節(jié)點為15個，隱含層節(jié)點為k個，輸出層節(jié)點為m個；其中k是根據(jù)分類識別的準(zhǔn)確性 進行嘗試性調(diào)節(jié)的可變量，k的范圍為5-30。
[0025] 進一步地，所述小波分析方法采用的小波基函數(shù)為db或sym小波基，分解重構(gòu)過 程中選用與被分解信號外觀最為相似的2-3層信號進行重構(gòu)。
[0026] 更進一步地，所述m= 3,所述η= 15,所述k= 10。
[0027] 與現(xiàn)有管道缺陷分類判別方法相比，本發(fā)明提出的方法具備以下優(yōu)點：
[0028] (1)實現(xiàn)了對管道缺陷的自動化判別，實現(xiàn)了利用導(dǎo)波方法快速區(qū)分管道缺陷類 型，提尚了檢測效率。
[0029] (2)使用了時域、頻域和變換域的多個具有代表性的無量綱特征參量，并使用了大 量數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，保證了檢測結(jié)果的穩(wěn)定性與準(zhǔn)確性。
[0030] (3)建立了導(dǎo)波信號特征數(shù)據(jù)庫，便于對導(dǎo)波信號進行統(tǒng)一有效的管理。
[0031] (4)數(shù)據(jù)庫與BP神經(jīng)網(wǎng)絡(luò)之間相互連接，便于對BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的訓(xùn)練與改進。
【附圖說明】
[0032] 圖1為基于管道超聲導(dǎo)波特征數(shù)據(jù)庫和神經(jīng)網(wǎng)絡(luò)判別管道缺陷的流程圖；
[0033] 圖2為SQLSERVER數(shù)據(jù)庫與Matlab軟件分析平臺之間的關(guān)系圖；
[0034] 圖3為使用Matlab建立的導(dǎo)波數(shù)據(jù)分析與特征提取軟件平臺主界面；
[0035] 圖4為數(shù)據(jù)庫各項數(shù)據(jù)結(jié)構(gòu)關(guān)系圖；
[0036] 圖5為使用Matlab調(diào)用SQLSERVER數(shù)據(jù)庫的操作界面；
[0037] 圖6為導(dǎo)波檢測實驗系統(tǒng)；
[0038] 圖7為帶有裂紋和孔洞的碳鋼管道導(dǎo)波信號波形圖及其包絡(luò)；
[0039] 圖8為帶有裂紋和孔洞的碳鋼管道預(yù)處理后的管道導(dǎo)波波形圖及其包絡(luò)；
[0040] 圖9為管道缺陷特征神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂曲線。
【具體實施方式】
[0041] 本發(fā)明采用截取管道缺陷處的信號并提取其時域、頻域和變換域的多項無量綱特 征參量，建立導(dǎo)波缺陷特征數(shù)據(jù)庫，最后結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立了完整的缺陷分類系統(tǒng)，能 夠準(zhǔn)確有效對管道缺陷的導(dǎo)波信號進行分類。
[0042] 本發(fā)明的理論原理為：
[0043] 管道導(dǎo)波在傳播過程中存在頻散、模態(tài)轉(zhuǎn)換和能量衰減現(xiàn)象，又由于噪聲和其他 外界干擾，使得回波信號成分相當(dāng)復(fù)雜，難以直觀判別缺陷類別，故而需要對波形特征進行 更深層的分析。首先，對信號進行了歸一化處理，截取管道缺陷處的原始信號，提取熵值、 小波子空間能量系數(shù)和頻域半高寬，這三種參數(shù)反應(yīng)了信號本身的無序性、能量分布和頻 域特征，且對干擾信號較敏感，未進行濾波重構(gòu)處理，較好保留了可能因為濾波和分解重構(gòu) 損失的信息；其次，濾除了干擾信號并突出管道缺陷處的特征，有效抑制了外在因素的干 擾，在截取管道缺陷處的預(yù)處理后的包絡(luò)信號后，提取峰度系數(shù)、偏度系數(shù)、形狀系數(shù)、反射 系數(shù)、變異系數(shù)、熵值，這些參數(shù)各自具有不同的幾何意義，從不同的側(cè)面反映波形特征；最 后，在對大量實驗數(shù)據(jù)精心篩選后建立了導(dǎo)波特征數(shù)據(jù)庫，結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)進行識別。本 發(fā)明在選取了具有典型幾何意義和物理意義的波形特征參數(shù)基礎(chǔ)上，對管道缺陷和處的大 量導(dǎo)波檢測數(shù)據(jù)進行了嚴(yán)格的篩選后，最終結(jié)合BP神經(jīng)網(wǎng)絡(luò)判別管道缺陷類別。因此，利 用該方法建立起的系統(tǒng)能夠?qū)艿廊毕葸M行有效的區(qū)分。
[0044] 本發(fā)明方法的具體實現(xiàn)過程如下：
[0045] 步驟1，對管道的類型和狀態(tài)進行分類，對每種管道設(shè)計不同的缺陷或自然缺陷， 分m種缺陷；
[