[发明专利]基于支持向量机的油管缺陷定量识别方法

权利要求书

1.一种基于支持向量机的油管缺陷定量识别方法，其特征在于按下述步骤进行：第一步，在试样油管上制作具有不同尺寸的人工缺陷试样并记录尺寸；第二步，获取人工缺陷试样的漏磁信号；第三步，提取人工缺陷试样的表征缺陷几何尺寸大小的漏磁信号特征量；第四步，建立人工缺陷试样数据集；第五步，建立人工缺陷试样定量识别数学模型；第六步，当需要进行现场待识别油管缺陷的定量识别时，先通过磁传感器获取现场待识别油管缺陷的漏磁信号，然后提取现场待识别油管表征缺陷几何尺寸大小的漏磁信号特征量，经归一化到0-1之间后代入人工缺陷试样定量识别数学模型中进行计算得到现场待识别油管缺陷的几何尺寸值，从而实现了对现场待识别油管缺陷的定量识别。

2.根据权利要求1所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第二步中，获取人工缺陷试样的漏磁信号的方法为：首先对人工缺陷试样进行饱和磁化，然后通过磁传感器匀速扫描方式扫描人工缺陷试样上不同尺寸和类型的缺陷，并使磁传感器与人工缺陷试样的垂直距离保持不变，从而获取对应人工缺陷试样的漏磁信号。

3.根据权利要求1或2所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第三步中，提取人工缺陷试样的表征缺陷几何尺寸大小的漏磁信号特征量的方法为：对第二步中获取的不同人工缺陷试样的漏磁信号进行去噪处理后，通过现代信号处理技术对处理后的漏磁信号进行分析，提取各种时域和频域中表征该漏磁信号的特征量，通过对这些特征量进行统计分析，最后选出五个最能反映不同人工缺陷试样几何尺寸大小的特征量即：漏磁信号在时域中的相邻峰谷间的长度值、相邻峰谷间的高度值、相邻峰谷信号间的面积值，在频域中的缺陷信号的信息熵、小波分解特征量。

4.根据权利要求3所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第四步建立人工缺陷试样数据集的方法如下：将每一个人工缺陷试样的几何尺寸和该几何尺寸对应的检测漏磁信号特征量进行组合，表示为                                                ，其中表示第个人工缺陷试样对应的漏磁信号特征量，其中：时域中的相邻峰谷间的长度值、相邻峰谷间的高度值、相邻峰谷信号间的面积值，频域中的缺陷信号的信息熵、小波分解特征量五个量分别用、、、、表示，即=5，表示第个人工缺陷试样的几何尺寸值，最后将所有人工缺陷试样的几何尺寸及其提取的漏磁信号特征量按这种方式进行组合，最终所建立的个人工缺陷试样数据集表示为。

5.根据权利要求4所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第五步中建立人工缺陷试样定量识别数学模型采用支持向量回归机算法建立缺陷定量识别的数学模型，该缺陷定量识别数学模型的对应优化模型表达式1为：

    

其中表示核函数，这里取高斯径向基核函数，表示从漏磁信号中提取的五个漏磁信号特征量，表示对应人工缺陷试样的几何尺寸，表示人工缺陷试样用几个参数来表示几何尺寸大小，表示人工缺陷试样样本数据集个数，、为引入的拉格朗日乘子，为偏置项，为回归残差，C为惩罚系数，将第四步中建立的人工缺陷试样样本数据集进行归一化到0-1之间后代入到该优化模型中，结合留一交叉验证法并应用粒子群优化算法确定模型的参数，最后对该模型进行求解得到参数、、的具体值，从而得到该缺陷定量评价的具体支持向量回归模型的表达式2为：

                      （2）

其中表示从人工缺陷试样待识别几何尺寸缺陷的漏磁信号中提取的五个特征量，表示通过该模型求得人工缺陷试样的几何尺寸大小，表示高斯径向基核函数，、表示引入的拉格朗日乘子，表示偏置项，表示人工缺陷试样样本数据集个数。

6.根据权利要求5所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第六步中当需要对现场待识别油管缺陷的定量识别时，先通过磁传感器获取现场待识别油管缺陷的漏磁信号，并进行去噪处理后提取第三步中指定的该漏磁信号的五个特征量，将其进行归一化到0-1之间后代入支持向量回归模型表达式2中进行计算，最后得到的值再经过反归一化计算即为现场待识别油管缺陷的几何尺寸值，从而实现了对该缺陷的定量识别。

7.根据权利要求1或2所述的基于支持向量机的油管缺陷定量识别方法，其特征在于人工缺陷试样的形状为孔形或槽形。