[发明专利]一种基于极限学习机的管道漏磁缺陷检测方法

说明书

技术领域

本发明属于管道检测技术领域，具体涉及一种基于极限学习机的管道漏磁缺陷检测方法。

背景技术

面对管道缺陷研究领域，管道缺陷形状数据量大，要求检测速度快的特点。对于这些困难，目前广泛采用的有限元算法，有限元算法是一种高效能、常用计算方法，它能将连续离散化为若干个有限大小的单元体的集合，可以应用于任何微分方程所描述的各类物理场中。但有限元算法面对数据量较大的特点，速度比较慢，消耗时间长不能满足要求。此外还有支持向量机，支持向量机(Support Vector Machine，SVM)是近几年出现的一种优秀的机器学习算法，它是建立在统计学理论的结构风险最小原理和VC维理论的基础上，根据有限的样本数据信息在模型的复杂性(即对特定训练样本数据的学习精度)和学习能力(即无错误地识别任意样本数据的能力)之间寻求最佳方法，以求获得最好的推广能力。支持向量机的很多优势体现在其解决高维模式、非线性等的模式识别问题中。现在，作为一种优秀的机器学习算法，它已经成为国际机器学习、人工智能领域的研究热点。但是，支持向量机对于管道缺陷数据量大的特点，会凸显其速度慢，耗时长的缺点，不符合管道缺陷研究领域要求快速迭代、检测速度快的特点。

极限学习机(extreme learning machine)ELM是一种简单易用、有效的单隐层前馈神经网络SLFNS学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。该算法不同于传统的学习算法，这种学习方法在保证网络具有良好泛化性能的同时，极大程度提高了前向神经网络的学习速度，同时又学习速度快、泛化性能好等优点。ELM算法随机产生输入层与隐含层的连接权值及隐含层神经元的阈值，在训练过程无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。

发明内容

针对现有技术存在的不足，本发明提供一种基于极限学习机的管道漏磁缺陷检测方法。

本发明的技术方案是：

一种基于极限学习机的管道漏磁缺陷检测方法，包括以下步骤：

步骤1：获取已知管道漏磁缺陷的形状参数，包括管道漏磁缺陷的长度、宽度、深度数据，并对已知管道漏磁缺陷处的漏磁信号波形进行特征值提取，提取出漏磁信号波形特征值。

步骤2：将已知管道漏磁缺陷的长度、宽度、深度数据及漏磁信号波形特征值作为样本数据，将样本数据分为训练样本数据和测试样本数据。

步骤3：针对训练样本数据，建立极限学习机模型，训练样本数据中的已知管道漏磁缺陷的长度、宽度、深度数据作为该模型的输入，运用试凑法选取隐含层节点个数，计算隐含层输出矩阵及输出权值，漏磁信号波形特征值作为该模型的输出。

步骤4：利用测试样本数据对极限学习机模型进行校正：将测试样本中已知管道漏磁缺陷的长度、宽度、深度数据输入极限学习机模型，对极限学习机模型的输出与测试样本数据的漏磁信号波形特征值的平均相对误差进行判断：若平均相对误差满足设定的预期平均相对误差，则当前极限学习机模型为最终的极限学习机模型，执行步骤5，否则返回步骤3。

步骤5：管道发生漏磁时，获取未知漏磁缺陷形状的漏磁信号波形，利用极限学习机模型进行管道漏磁缺陷检测。

步骤5.1：随机产生初始形状参数，即初始管道漏磁缺陷的长度、宽度、深度数据。

步骤5.2：将形状参数输入极限学习机模型，得到形状参数对应的信号波形特征值。

步骤5.3：计算该信号波形特征值对应的漏磁信号波形与未知缺陷形状的漏磁信号波形的适应度值，若该适应度值大于等于设定的最大适应度值，则确定当前的形状参数为管道漏磁缺陷的形状参数，执行步骤5.5，否则，执行步骤5.4。

步骤5.4：对当前形状参数应用遗传算法更新出新的形状参数，返回步骤5.3。

步骤5.5：当前管道漏磁缺陷的形状参数为管道漏磁缺陷检测结果。

本发明的有益效果是：本发明基于极限学习机模型对管道缺陷形状进行智能反演，建立了极限学习机模型，能够对管道缺陷形状进行快速的缺陷形状构造。与目前广泛采用的有限元方法相比，极限学习机模型方法具有学习速度快、泛化性能好等优点。对于使用管道内检测机器人检测出来的缺陷波形，能够快速准确构造缺陷的形状，从而得知缺陷的严重性，对于预知管道风险，防止管道泄漏有重要意义。

附图说明