[发明专利]一种基于强化学习的不规则缺陷漏磁信号反演方法

说明书

本发明提供一种基于强化学习的不规则缺陷漏磁信号反演方法，涉及输油管道缺陷漏磁检测技术领域。本发明为产生一个估计的缺陷形状并将其输入正向物理模型中，该正向模型模拟了缺陷产生漏磁信号的过程，通过该模型产生仿真漏磁信号，并计算其与实际测量信号之间的差值，误差反馈给逆向迭代算法，逆向迭代算法产生下一步迭代的缺陷形状参数再次输入正向模型，通过迭代的这个过程使缺陷参数不断的趋近于真实缺陷。本方法通过环境对迭代效果的反馈，进而使价值网络得到不断的训练和提升，最终收敛至全局最优解，提高缺陷反演的精度。

技术领域

本发明涉及输油管道缺陷漏磁检测技术领域，尤其涉及一种基于强化学习的不规则缺陷漏磁信号反演方法。

背景技术

石油和天然气是重要的能源和化工原料，对人民生活、工农业生产和国防建设都具有至关重要的作用。油气管道输送的基本要求是安全、高效。然而长输管道的工作条件通常非常恶劣，受各种因素的影响，很容易发生腐蚀和裂纹等损伤，或使管道内部潜在缺陷发展成破损而引起泄露。油气的泄漏不仅造成了巨大的经济损失，同时也会造成严重的环境污染，并且威胁着人身安全。所以必须对油气管道进行定期的无损检测，以保证油气运输过程的安全与高效。

目前，在所有管道无损检测技术中，漏磁检测技术应用范围最为广泛。而在漏磁检测的过程中，漏磁信号的处理以及缺陷的量化识别是管道漏磁检测的核心环节。漏磁检测信号的量化识别过程就是根据漏磁检测信号确定被测材料中是否存在缺陷、并标定缺陷的形状和位置，进而实现缺陷检测的可视化，称为漏磁检测的反演问题。

漏磁信号的反演对缺陷的位置和形状进行估计，可以为管道维修提供了较为准确的预见和报告，对管道缺陷的精确识别不但可以及时对缺陷严重的管道进行更换，尽可能的减少泄漏事故造成的重大经济损失和严重环境污染，同时，对于并不严重的、不会造成管道泄露的缺陷，可以避免盲目地进行管道更换，为管道运行维护提供准确的预报。而漏磁信号的反演方法主要分为两大类，一类是不需要物理模型的直接法，一类是基于模型的间接法，不基于模型的直接法的原理是直接建立测量信号与缺陷参数之间的映射关系，虽然有快速简单的优点，但是由于这种方法的映射参数是基于训练样本得出的，所以这个模型的泛化能力较差，当实际缺陷和训练样本相差较远时，模型的准确率较低，尤其对于形状不规则的缺陷不能精准的预测，而实际应用中缺陷绝大多数是不规则的。

现有的基于模型的反演方法虽然相对于不基于模型的直接法有更高的精度，但是仍然存在求解精度不够高的问题，因此如何在现有的基于模型的间接法的研究成果的基础上进一步提高反演精度是我们目前急需解决的问题。

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，提供一种基于强化学习的不规则缺陷漏磁信号反演方法，本方法通过环境对迭代效果的反馈，进而使价值网络得到不断的训练和提升，最终收敛至全局最优解，提高缺陷反演的精度。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于强化学习的不规则缺陷漏磁信号反演方法，包括如下步骤：

步骤1:已知待估计不规则缺陷的参数target_state产生的轴向漏磁信号Bx_real，随机初始化不规则缺陷形状参数initial_state有n个自由度，每个自由度对应一个分量，该分量代表在该自由度对应的轴向位置上缺陷的形状参数，即缺陷深度占管道厚度的百分比，其中管道缺陷参数具有如下规律:进行缺陷参数的初始化方法为:首先，通过直接法得到最深的中心点或的初始值；其次，除中心点或以外的点可在上述不等式所确定的缺陷参数范围中随机初始化；计算初始误差initial_err，并将其值赋给pre_err；

初始误差initial_err的计算公式如下:

initial_err＝(Bx_real[i]-Bx_sim[i])²