[发明专利]一种基于神经网络和导波特征数据库的管道缺陷类别判别方法

权利要求书

1.一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，包括如下步骤：

步骤1，对管道的类型和状态进行分类，对每种管道设计不同的缺陷或自然缺陷，分m种缺陷；

步骤2，对每个带缺陷的管道采集n组检测数据进行信息处理，对每组检测数据提取特征参数，利用特征参数构成特征向量Fv；

步骤3，将n个特征向量导入数据库中，建立导波特征数据库；

步骤4，从导波特征数据库提取n个特征向量Fv，构成输入矩阵A；

步骤5，将输入矩阵A进行BP神经网络训练，训练后输出为标准输出矩阵B，标准输出矩阵B中包含了n个m行1列的类别向量Fvc，B中每一列的Fvc和A中每一列的Fv一一对应，Fvc由m种不同的形式，依次为[1；0；0；…；0]，[0；1；0；…；0]，[0；0；1；…；0]，……，[0；0；0；…；1]；

步骤6，对待测管道进行导波检测，提取此管道的测量数据，构成特征向量fv；

步骤7，利用特征向量fv，构成输入矩阵A1；

步骤8，将输入矩阵A1进行BP神经网络训练，训练后输出向量fvc，所述fvc是一个m行1列的向量，并且与Fvc格式相同；

步骤9，求出fvc与各类别的Fvc之间的欧氏距离并依次标记为e1,e2,e3,…ei…em，ei(i＝1,2,…,m)依次与m种管道缺陷一一对应；

步骤10，求出最小的ei，此ei所对应的第i类缺陷即为判别的结果。

2.根据权利要求1所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，步骤2中所述的特征参数包括：峰度系数Ku、偏度系数Sk、形状系数Sc、反射系数Rc、变异系数Cv、熵值Et、频域半高宽r、小波子空间能量系数We；

其中，熵值Et包含两个不同的值Et1和Et2，小波子空间能量系数We包含7个不同的值We1、We2、We3、We4、We5、We6、We7。

3.根据权利要求2所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述特征向量Fv＝[Ku；Sk；Sc；Cv；Rc；Et1；Et2；r；We1；We2；We3；We4；We5；We6；We7]。

4.根据权利要求1所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述步骤2中所述的提取特征参数采用信号预处理方法，包括幅值归一化、滤波降噪、分解重构、包络提取、缺陷信号截取、信号筛选；

所述幅值归一化采用将检测信号的最大幅值设为1的方法进行等比例缩放；所述滤波降噪采用快速傅里叶变换滤除超出中心频率附近30kHz的高频或低频信号；所述分解重构采用小波分析方法对时域信号进行6层分解并进行筛选、重构；所述缺陷信号截取采用矩形窗截取出管道缺陷位置附近的1.5-2倍于激励波长的波形信号；所述信号筛选采用的标准为缺陷信号的幅值最大处不低于噪声幅值的3倍。

5.根据权利要求1所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述步骤5中所述的BP神经网络包括输入层、隐含层和输出层；所述输入层节点为15个，隐含层节点为k个，输出层节点为m个；其中k是根据分类识别的准确性进行尝试性调节的可变量，k的范围为5～30。

6.根据权利要求4所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述小波分析方法采用的小波基函数为db或sym小波基，分解重构过程中选用与被分解信号外观最为相似的2-3层信号进行重构。

7.根据权利要求5所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述m＝3，所述n＝15，所述k＝10。