[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

说明书

技术领域

本发明属于无损检测领域，具体涉及一种基于管道超声导波和神经网络判别管道缺陷类别的方法。

背景技术

管道运输与铁路运输，公路运输，水路运输，航空运输并称五大运输方式，在国民经济和社会发展中扮演着非常重要的角色。然而，在管道长期服役过程中，由于自然老化和内部介质的冲刷和腐蚀，导致管道产生腐蚀、穿孔等缺陷，带来巨大的安全隐患，尤其是在工业承压管道的应用中，由于大多数行业中的管道运输介质属易燃易爆物，如泄漏和爆管，必然造成巨大的人员伤亡和财产损失。为了确保管道的正常工作，必须定期对管道进行缺陷检测。

传统的无损检测方法主要包括声发射法、涡流检测法、射线法、超声波检测法等，但这些检测方法检测范围只能局限在被测点的附近，效率低，在检测长距离管道时无疑费时、费力且成本高昂；此外，对架空、埋地等特殊环境下的管道检测也难以适用。

近年来发展了一种可用于长距离管道检测的超声导波检测技术，但是超声导波回波波形复杂，很难直接分辨出管道上的缺陷或特征，只有经过专门培训的检测人员，才能准确的判别管道信息。这就需要一种可靠的智能化判别方法，能够根据回波信号的特征快速准确的给出检测结果。与超声导波检测相比，导波检测具有距离长(最长可达200m)、对管道进行100％检测、不需要耦合剂和检测方便快速的优点；

目前，对于超声导波检测方法的研究主要集中在降噪和增强缺陷处特征的研究上，而对于管道缺陷和特征的分类则研究的比较少。专利200910086451.0通过建立波形时域特征的相关系数对进行判别，但导波回波信号的时域成分本身很复杂，单单从相关系数的角度判别难以保证识别的准确；另有专利CN102122351A利用RBF神经网络，但仅使用了管道缺陷尺寸和信号幅值进行缺陷识别，考虑影响因素并不全面。

神经网络在信号分类中发挥的巨大作用已经得到广泛认可，但识别的准确性与样本特征关联紧密。综合使用了导波信号的时域、频域和变换域特征参数并应用于神经网络识别的方法尚未见报道。

发明内容

本发明的目的是为了实现对管道缺陷的自动化、智能化判别，解决在导波检测信号分析环节对操作人员水平要求较高的难题。为此，本发明提出了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，采用的技术方案如下：

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，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。

进一步地，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。

进一步地，所述特征向量Fv＝[Ku；Sk；Sc；Cv；Rc；Et1；Et2；r；We1；We2；We3；We4；We5；We6；We7]。

进一步地，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；