[发明专利]一种基于集成学习的管道缺陷尺寸的反演方法

说明书

本发明提出一种基于集成学习的管道缺陷尺寸的反演方法，包括：对已知缺陷尺寸的缺陷三轴漏磁信号样本集进行数据插值预处理；进行多维度特征提取，在时域中提取信号特征集[F(t),F(δ)]；在频域中，采用一种基于小波变换的方法构造小波能量特征集F(w)；构建n_sample个缺陷的多维度特征集F＝[F(t),F(δ),F(w)]；采用一种迭代的Stacking Leaning网络，自动确定最终网络结构；对待测缺陷漏磁信号的尺寸进行预测，得到管道缺陷尺寸的预测结果。本发明采用时频域多维度特征提取方法构造缺陷特征，全面分析漏磁信号所含信息，提高网络对复杂缺陷的尺寸预测能力；本发明鲁棒性强，短时间内实现缺陷的故障诊断，降低管道泄漏造成的社会危害；实现对不同故障诊断样本集的自适应性，使网络在工业领域具有普适性和可移植性。

技术领域

本发明属于管道故障诊断领域，具体涉及一种基于集成学习的管道缺陷尺寸的反演方法。

背景技术

管道运输是与铁路、公路、航空、水运并驾齐驱的五大运输业之一，由于管道输送在运送气体、液体等散装物品方面具有独特优势，已成为现代工业和国民经济的命脉。随着管道的增加、管龄增长，管道安全问题越来越突出。据统计，我国的油气管道穿孔率高达0.66次 /km每年。其中腐蚀导致的穿孔比例越来越大，而且由于其难以及时发现，后果更为严重。因此对管道安全服役保障技术，尤其对致命安全缺陷的早期故障诊断相关技术的需求越来越迫切。管道缺陷安全检测技术主要包括：漏磁检测技术、超声检测技术、涡流检测技术，其中90％以上管道内检测采用漏磁检测技术。漏磁内检测技术核心问题是管道缺陷的尺寸反演问题，通过采集的漏磁信号对缺陷尺寸进行还原。由于管道状况与操作环境的复杂性，有效的对腐蚀管道实现故障诊断面临着严峻的考验。

目前国内外针对漏磁缺陷技术反演的方法分为两类，直接法和间接法。间接法是通过物理机理模型仿真出缺陷的漏磁信号，将仿真信号与真实信号进行差异比较，通过优化缩小差异，以便求出真实信号所对应的尺寸。该方法由于其庞大的复杂度及计算量导致所需时间周期过长，无法被工业应用接受。同时由于仿真模型与管道漏磁信号原理本质存在差异，无法精确得到缺陷轮廓。直接法是基于数据驱动的方法，通过已有数据集建立漏磁信号与缺陷形状尺寸之间的映射关系，运用神经网络，树模型，CNN等智能方法建立模型，以便之后对待测数据的预测。该方法由于其方便快捷，可短时间内处理大量数据而被应用于工业领域。同时近年来机器学习方法的蓬勃发展，给了直接反演法可期的未来。然而目前由于管道自然状况的复杂性与多样性，采集的漏磁信号存在高噪声高干扰，缺陷信号特征的完整性无法保证。对于复杂信号的精准反演尚没有形成快速精准诊断方法，因此亟待将智能化技术与漏磁数据分析有效结合一起，针对复杂状况管道缺陷，形成完备故障诊断方法。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于SL(Stacking Learning)的管道缺陷尺寸的反演方法。本方法可以对管道漏磁数据进行分析快速建立量化模型，其算法复杂度低，计算周期短以及可移植性高。可适应复杂管道各种工况下漏磁信号，并对其精准预测缺陷尺寸，即缺陷的长度，宽度，深度。本发明从构造复杂缺陷信号特征角度，发明一种基于时域和频域的多维度数据特征提取方法；从人工智能角度发明一种基于集成学习Stacking Learning(SL)的缺陷尺寸量化方法。

一种基于SL(Stacking Learning)的管道缺陷尺寸的反演方法，具体步骤如下：

步骤1：对已知缺陷尺寸的缺陷三轴漏磁信号样本集进行数据插值预处理，样本集共有 n_sample个缺陷，所述缺陷三轴漏磁信号包括：轴向漏磁信号、径向漏磁信号、周向漏磁信号；