[发明专利]三维漏磁检测缺陷神经网络迭代反演成像方法

说明书

技术领域

本发明涉及无损检测技术领域，特别涉及一种三维漏磁检测缺陷神经网络迭代反演成像方法。

背景技术

漏磁检测是较常用的无损检测方法，广泛应用于油气管道、储罐底板、钢丝绳等铁磁性材料质量检测和安全监测领域。近年来，随着缺陷量化技术的不断进步与提高，人们希望可以将管道腐蚀缺陷分布情况转化为肉眼可直接识别的图形和图像形式，实现缺陷成像。然而，由于缺陷形状与漏磁信号之间复杂的非线性关系，导致缺陷成像成为目前漏磁检测技术研究的难点和热点。现有的缺陷成像方法多以单轴漏磁检测信号作为数据源，检测信号来源单一，已不能适应三轴漏磁检测的要求，且计算模型复杂，重构精度较低。

相关技术中，例如一种磁声成像和漏磁成像的复合无损检测方法，虽然结合漏磁与超声检测原理，将漏磁成像图和磁声成像图同时送入计算机并进行融合计算，从而可实现对缺陷所在内外层次准确定位，但该技术重点在于区分缺陷具体位于待测钢板的哪个表面，并未对缺陷成像本身做更多的说明。例如一种石油管道缺陷最小二乘支持向量机二维重现方法，虽然能够利用经去噪、归一化处理后的管道漏磁信号数据实现对管道缺陷轮廓的重构，但只是二维重构，即对缺陷的某一断层轮廓进行反演，精度一般。例如基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法，虽然在一定程度上可精确实现缺陷轮廓重构，特别是能够减少信号噪声，提高迭代方法对噪声的鲁棒性，但仍为缺陷轮廓的二维重构，且计算模型过于复杂，效率不高。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的目的在于提出一种三维漏磁检测缺陷神经网络迭代反演成像方法，该方法针对性强、稳定性好，有助于减少计算量，提高成像精度。

为了实现上述目的，本发明的实施例提出了一种三维漏磁检测缺陷神经网络迭代反演成像方法，包括以下步骤：S1：提供待测管道，并从所述待测管道选取成像区域，其中，所述成像区域包括标准人工缺陷；S2：利用三轴磁传感器扫描所述待测管道，得到所述待测管道的离散三维漏磁检测数据，并对所述离散三维漏磁检测数据进行过滤，得到最终的三维漏磁场检测值；S3：根据主成分分析法对所述三维漏磁场检测值进行分析，并提取缺陷轮廓反演时所需的多个特征值，并组成相应的实际特征值向量；S4：根据三维缺陷漏磁信号确定缺陷开口轮廓，并根据所述缺陷开口轮廓和深度参数建立对应的缺陷三维轮廓条状模型；S5：构建正向径向基函数神经网络模型，其中，所述正向径向基函数神经网络模型的输入为基于所述三维轮廓条状模型的缺陷参数；S6：设定初始的深度向量，并将所述深度向量输入所述正向径向基函数神经网络模型以进行正向预测，得到所述三维漏磁场检测值的多个特征值对应的预测特征值向量；S7：计算并判断所述实际特征值向量与所述预测特征值向量之间的误差是否小于误差阈值，如果是，则根据所述初始的深度向量进行反演成像，以得到最终缺陷轮廓，否则，对所述初始的深度向量进行修正，并返回执行所述步骤S6，直至所述实际特征值向量与所述预测特征值向量之间的误差小于或等于所述误差阈值。

根据本发明实施例的三维漏磁检测缺陷神经网络迭代反演成像方法，首先，应用主成分分析法提取反映缺陷轮廓参数的多个主要特征值，以消除三维漏磁检测信号中的数据冗余现象；然后，根据缺陷开口轮廓检测结果，建立适于神经网络的缺陷三维轮廓条状模型，并定义了缺陷轮廓表达式，未知参数只剩下深度参数；最后，建立正向RBF(Radial Basis Function，径向基函数)神经网络预测模型，并将其嵌入迭代循环，从而实现三维漏磁检测缺陷三维轮廓的神经网络迭代反演。因此，本发明的方法针对性强、稳定性好，有助于减少计算量，提高了成像精度，具有广阔的应用前景。

另外，根据本发明上述实施例的三维漏磁检测缺陷神经网络迭代反演成像方法还可以具有如下附加的技术特征：

在一些示例中，在所述步骤S2之前，还包括：利用直流磁化场对所述待测管道的管壁进行饱和磁化处理。

在一些示例中所述步骤S2进一步包括：利用三轴磁传感器以预设速度匀速等间距扫描所述待测管道，得到沿管道轴向、径向和周向的离散三维漏磁检测数据；计算所述离散三维漏磁检测数据的平均值，并根据所述平均值得到异常阈值；删除所述离散三维漏磁检测数据中大于所述异常阈值的漏磁检测数据，得到最终漏磁场检测值。

在一些示例中，所述离散三维漏磁检测数据包括：轴向漏磁检测数据、径向漏磁检测数据和周向漏磁检测数据。

在一些示例中，所述三维缺陷漏磁信号包括：轴向缺陷漏磁信号、径向缺陷漏磁信号和周向缺陷漏磁信号。