一種基於極限學習機的管道漏磁缺陷檢測方法
2023-09-19 17:24:25 1
一種基於極限學習機的管道漏磁缺陷檢測方法
【專利摘要】本發明涉及一種基於極限學習機的管道漏磁缺陷檢測方法，利用已知管道漏磁缺陷的長度、寬度、深度數據及漏磁信號波形特徵值，建立極限學習機模型，訓練樣本數據中的已知管道漏磁缺陷的長度、寬度、深度數據作為該模型的輸入，運用試湊法選取隱含層節點個數，計算隱含層輸出矩陣及輸出權值，漏磁信號波形特徵值作為該模型的輸出。當管道發生漏磁時，獲取未知漏磁缺陷形狀的漏磁信號波形，利用極限學習機模型進行管道漏磁缺陷檢測。本發明運用極限學習機模型對管道缺陷形狀進行智能反演，具有學習速度快、泛化性能好等優點，對於使用檢測出來的缺陷波形，能夠快速準確構造缺陷的形狀，從而得知缺陷的嚴重性，可以預知管道風險，防止管道洩漏。
【專利說明】—種基於極限學習機的管道漏磁缺陷檢測方法
【技術領域】
[0001]本發明屬於管道檢測【技術領域】，具體涉及一種基於極限學習機的管道漏磁缺陷檢測方法。
【背景技術】
[0002]面對管道缺陷研究領域，管道缺陷形狀數據量大，要求檢測速度快的特點。對於這些困難，目前廣泛採用的有限元算法，有限元算法是一種高效能、常用計算方法，它能將連續離散化為若干個有限大小的單元體的集合，可以應用於任何微分方程所描述的各類物理場中。但有限元算法面對數據量較大的特點，速度比較慢，消耗時間長不能滿足要求。此外還有支持向量機，支持向量機(SupportVectorMachine, SVM)是近幾年出現的一種優秀的機器學習算法，它是建立在統計學理論的結構風險最小原理和VC維理論的基礎上，根據有限的樣本數據信息在模型的複雜性(即對特定訓練樣本數據的學習精度)和學習能力(即無錯誤地識別任意樣本數據的能力)之間尋求最佳方法，以求獲得最好的推廣能力。支持向量機的很多優勢體現在其解決高維模式、非線性等的模式識別問題中。現在，作為一種優秀的機器學習算法，它已經成為國際機器學習、人工智慧領域的研究熱點。但是，支持向量機對於管道缺陷數據量大的特點，會凸顯其速度慢，耗時長的缺點，不符合管道缺陷研究領域要求快速迭代、檢測速度快的特點。
[0003]極限學習機(extreme learning machine) ELM是一種簡單易用、有效的單隱層前饋神經網絡SLFNS學習算法。2004年由南洋理工大學黃廣斌副教授提出。傳統的神經網絡學習算法(如BP算法)需要人為設置大量的網絡訓練參數，並且很容易產生局部最優解。極限學習機只需要設置網絡的隱層節點個數，在算法執行過程中不需要調整網絡的輸入權值以及隱元的偏置，並且產生唯一的最優解，因此具有學習速度快且泛化性能好的優點。該算法不同於傳統的學習算法，這種學習方法在保證網絡具有良好泛化性能的同時，極大程度提高了前向神經網絡的學習速度，同時又學習速度快、泛化性能好等優點。ELM算法隨機產生輸入層與隱含層的連接權值及隱含層神經元的閾值，在訓練過程無需調整，只需要設置隱含層神經元的個數，便可以獲得唯一的最優解。
【發明內容】
[0004]針對現有技術存在的不足，本發明提供一種基於極限學習機的管道漏磁缺陷檢測方法。
[0005]本發明的技術方案是:
[0006]一種基於極限學習機的管道漏磁缺陷檢測方法，包括以下步驟:
[0007]步驟1:獲取已知管道漏磁缺陷的形狀參數，包括管道漏磁缺陷的長度、寬度、深度數據，並對已知管道漏磁缺陷處的漏磁信號波形進行特徵值提取，提取出漏磁信號波形特徵值。
[0008]步驟2:將已知管道漏磁缺陷的長度、寬度、深度數據及漏磁信號波形特徵值作為樣本數據，將樣本數據分為訓練樣本數據和測試樣本數據。
[0009]步驟3:針對訓練樣本數據，建立極限學習機模型，訓練樣本數據中的已知管道漏磁缺陷的長度、寬度、深度數據作為該模型的輸入，運用試湊法選取隱含層節點個數，計算隱含層輸出矩陣及輸出權值，漏磁信號波形特徵值作為該模型的輸出。
[0010]步驟4:利用測試樣本數據對極限學習機模型進行校正:將測試樣本中已知管道漏磁缺陷的長度、寬度、深度數據輸入極限學習機模型，對極限學習機模型的輸出與測試樣本數據的漏磁信號波形特徵值的平均相對誤差進行判斷:若平均相對誤差滿足設定的預期平均相對誤差，則當前極限學習機模型為最終的極限學習機模型，執行步驟5，否則返回步驟3。
[0011]步驟5:管道發生漏磁時，獲取未知漏磁缺陷形狀的漏磁信號波形，利用極限學習機模型進行管道漏磁缺陷檢測。
[0012]步驟5.1:隨機產生初始形狀參數，即初始管道漏磁缺陷的長度、寬度、深度數據。
[0013]步驟5.2:將形狀參數輸入極限學習機模型，得到形狀參數對應的信號波形特徵值。
[0014]步驟5.3:計算該信號波形特徵值對應的漏磁信號波形與未知缺陷形狀的漏磁信號波形的適應度值，若該適應度值大於等於設定的最大適應度值，則確定當前的形狀參數為管道漏磁缺陷的形狀參數，執行步驟5.5，否則，執行步驟5.4。
[0015]步驟5.4:對當前形狀參數應用遺傳算法更新出新的形狀參數，返回步驟5.3。
[0016]步驟5.5:當前管道漏磁缺陷的形狀參數為管道漏磁缺陷檢測結果。
[0017]本發明的有益效果是:本發明基於極限學習機模型對管道缺陷形狀進行智能反演，建立了極限學習機模型，能夠對管道缺陷形狀進行快速的缺陷形狀構造。與目前廣泛採用的有限元方法相比，極限學習機模型方法具有學習速度快、泛化性能好等優點。對於使用管道內檢測機器人檢測出來的缺陷波形，能夠快速準確構造缺陷的形狀，從而得知缺陷的嚴重性，對於預知管道風險，防止管道洩漏有重要意義。
【專利附圖】
【附圖說明】
[0018]圖1是本發明【具體實施方式】中的基於極限學習機的管道漏磁缺陷檢測方法流程圖；
[0019]圖2是本發明【具體實施方式】中的基於極限學習機的管道漏磁缺陷檢測方法中管道漏磁缺陷信號波形特徵值示意圖；
[0020]圖3是本發明【具體實施方式】中的基於極限學習機的管道漏磁缺陷檢測方法中極限學習機模型訓練過程流程圖；
[0021]圖4是本發明【具體實施方式】中的利用未知缺陷形狀的信號波形利用遺傳算法對管道進行管道漏磁缺陷檢測的流程圖。
【具體實施方式】
[0022]下面結合附圖對本發明【具體實施方式】加以詳細的說明。
[0023]一種基於極限學習機的管道漏磁缺陷檢測方法，如圖1所示，包括以下步驟:
[0024]步驟1:獲取已知管道漏磁缺陷的形狀參數，包括管道漏磁缺陷的長度、寬度、深度數據，並對已知管道漏磁缺陷處的漏磁信號波形進行特徵值提取，提取出漏磁信號波形特徵值。
[0025]步驟1.1:獲取已知管道漏磁缺陷的形狀參數，包括管道漏磁缺陷的長度、寬度、深度數據，獲取已知管道漏磁缺陷的缺陷信號波形圖，得到缺陷信號波形的橫縱坐標數據。
[0026]步驟1.2:對每一個管道漏磁缺陷處的多條缺陷信號波形的橫縱坐標數據進行統計。
[0027]步驟1.3:對合併後的每一個已知管道漏磁缺陷處的漏磁信號波形進行特徵值提取:計算合併後的每一個管道漏磁缺陷處信號波形的波峰和波谷數據，提取每個缺陷處波形波動最明顯的波形，得到缺陷信號波形特徵值，即波形的峰谷值、峰谷差、穀穀差及穀穀值。
[0028]如圖2所示，管道漏磁缺陷信號波形特徵值主要分雙峰雙谷、單峰雙谷兩種情況，定義的峰谷值、峰谷差、穀穀差、穀穀值在雙峰雙谷、單峰雙谷兩種情況各有不同定義，但是基本能反應缺陷的特徵。
[0029]峰谷值表示波峰到波谷的縱向差值，穀穀值表示兩波谷之間的縱向差值，峰谷差表不波峰與波谷間的橫向差值,穀穀差表不波谷與波谷之間的橫向差值。
[0030]雙峰雙谷情況下峰谷值、峰谷差、穀穀差、穀穀值比較容易確定，本實施方式中峰谷值有4個，峰谷差有4個，穀穀差、穀穀值則只有I個，至於峰峰值，可以由兩個峰谷值取差確定，因此，不再 單列出作為一個特徵。而峰峰差也可以由兩個峰谷差確定，因此也不再單列出來作為一個特徵。
[0031]單峰雙谷情況下，峰谷值、峰谷差、穀穀差、穀穀值的定義因為只有一個峰，因此與雙峰雙谷的情況有所區別。峰谷值有2個，峰谷差有2個，穀穀差、穀穀值則只有I個。另外，若需要峰峰差，則因為只有一個峰值，認為峰峰差=O。
[0032]缺陷信號波形特徵值的選取可根據實際情況進行提取。
[0033]步驟2:將已知管道漏磁缺陷的長度、寬度、深度數據及漏磁信號波形特徵值作為樣本數據，將樣本數據分為訓練樣本數據和測試樣本數據。
[0034]步驟3:如圖3所示，針對訓練樣本數據，建立極限學習機模型，訓練樣本數據中的已知管道漏磁缺陷的長度、寬度、深度數據作為該模型的輸入，運用試湊法選取隱含層節點個數，計算隱含層輸出矩陣及輸出權值，漏磁信號波形特徵值作為該模型的輸出。
[0035]步驟3.1:設定初始隱含層節點個數為N%初始隱含層節點個數一般取訓練樣本數據個數N的一半。隨機獲取初始輸入權值力和偏置bi; i = 1，...Ν'
[0036]步驟3.2:計算隱含層輸出矩陣H。
[0037]對於極限學習機模型僅需要確定的神經網絡的隱含層節點個數，不需要調整網絡的輸入權值和隱元的偏置及其他參數，因此採用試湊法選取合適的隱含層節點個數:對於給定的N個不同訓練樣本數據N= {(x^t,) Xi e Rn，ti e , i = 1...Ν}，N取值一般大於50，本實施方式中取N = 100，其中Xi為η維輸入變量，本實施方式中的輸入變量是訓練樣本數據中的已知管道漏磁缺陷的長度、寬度、深度數據，為3維，即Xi e R3,η = 3，\為111維輸出變量，本實施方式中的輸出變量是管道漏磁缺陷的信號波形特徵值，分別為信號波形的兩個峰谷值、兩個峰谷差、一個穀穀差、一個穀穀值，因此為6維，即\ e R6, i為訓練樣本數據編號，m = 6。[0038]設定激活函數為g(x)，激活函數一般選擇一個無限可微函數，可以選取正弦函數、S型函數和複合函數等非線性激活函數，也可以使用不可微函數，甚至是不連續的函數作為激活函數。
[0039]計算隱含層輸出矩陣H，公式如下:
[0040]
【權利要求】
1.一種基於極限學習機的管道漏磁缺陷檢測方法，其特徵在於，包括以下步驟: 步驟1:獲取已知管道漏磁缺陷的形狀參數，包括管道漏磁缺陷的長度、寬度、深度數據，並對已知管道漏磁缺陷處的漏磁信號波形進行特徵值提取，提取出漏磁信號波形特徵值； 步驟2:將已知管道漏磁缺陷的長度、寬度、深度數據及漏磁信號波形特徵值作為樣本數據，將樣本數據分為訓練樣本數據和測試樣本數據； 步驟3:針對訓練樣本數據，建立極限學習機模型，訓練樣本數據中的已知管道漏磁缺陷的長度、寬度、深度數據作為該模型的輸入，運用試湊法選取隱含層節點個數，計算隱含層輸出矩陣及輸出權值，漏磁信號波形特徵值作為該模型的輸出； 步驟4:利用測試樣本數據對極限學習機模型進行校正:將測試樣本中已知管道漏磁缺陷的長度、寬度、深度數據輸入極限學習機模型，對極限學習機模型的輸出與測試樣本數據的漏磁信號波形特徵值的平均相對誤差進行判斷:若平均相對誤差滿足設定的預期平均相對誤差，則當前極限學習機模型為最終的極限學習機模型，執行步驟5，否則返回步驟3 ；步驟5:管道發生漏磁時，獲取未知漏磁缺陷形狀的漏磁信號波形，利用極限學習機模型進行管道漏磁缺陷檢測； 步驟5.1:隨機產生初始形狀參數，即初始管道漏磁缺陷的長度、寬度、深度數據； 步驟5.2:將形狀參數輸入極限學習機模型，得到形狀參數對應的信號波形特徵值；步驟5.3:計算該信號波形特徵值對應的漏磁信號波形與未知缺陷形狀的漏磁信號波形的適應度值，若該適應度值大於等於設定的最大適應度值，則確定當前的形狀參數為管道漏磁缺陷的形狀參數，執行步驟5.5，否則，執行步驟5.4 ； 步驟5.4:對當前形狀參數應用遺傳算法更新出新的形狀參數，返回步驟5.3 ； 步驟5.5:當前管道漏磁缺陷的形狀參數為管道漏磁缺陷檢測結果。
【文檔編號】G01N27/83GK104034794SQ201410261496
【公開日】2014年9月10日 申請日期:2014年6月12日 優先權日:2014年6月12日
【發明者】馮健, 吳振寧, 劉金海, 張化光, 崔凱, 汪剛, 馬大中, 盧森驤, 李芳明 申請人:東北大學