[发明专利]基于多特征融合的管道漏磁非规则缺陷反演方法及装置

说明书

本申请公开了一种基于多特征融合的管道漏磁非规则缺陷反演方法及装置，涉及故障诊断和人工智能领域，通过在反演网络中加入物理特征和深度抽象特征，增强了整个网络的可解释性以及信号深度信息的提取，另外轴向和径向特征的融合有效的避免了局部信号变形问题。所述方法包括：基于管道漏磁内检测仪，获取第一漏磁信号和第二漏磁信号；分别对第一漏磁信号和第二漏磁信号进行预处理，生成训练样本以及测试样本；建立多特征融合的不规则缺陷反演网络，采用训练样本，对多特征融合的不规则缺陷反演网络进行训练，得到目标反演网络；将测试样本输入至目标反演网络，得到测试样本对应的目标缺陷信息，目标缺陷信息包括目标缺陷的长度、宽度和深度。

技术领域

本申请涉及故障诊断和人工智能领域，特别是涉及一种基于多特征融合的管道漏磁非规则缺陷反演方法及装置。

背景技术

近些年来，随着石油、天然气能源的广泛使用，用于能源运输的管道得到大力发展，石油管道建设日益增强。管道所处环境较为恶劣，在能源原料的腐蚀、自然条件侵蚀以及生产过程中应力集中等因素的影响下，管道极易产生缺陷。随着缺陷严重程度的不断增加，管道可能发生泄露甚至是爆炸，不仅会造成能源的浪费，对生态环境造成破坏，甚至人身安全遭到危害。

漏磁内检测是管道检测最常用的无损检测方法之一，其具有效率高、鲁棒性强、受速度效应影响小等优点。管道被饱和磁化后，在缺陷处发生漏磁信号，磁传感器拾取漏磁信号。通过对漏磁信号的处理与分析，可以准确检测出管道缺陷。缺陷的不同尺寸影响着工人对管道的处理方式，比如长且深的缺陷需要及时维修，短且浅的缺陷需要定期监测。因此缺陷尺寸反演是漏磁信号处理中至关重要的步骤之一。在实际情况中，缺陷通常是不规则的，缺陷特征不明显，因此对不规则缺陷进行反演具有挑战性。

相关技术中，不规则缺陷反演是通过训练大量已知尺寸的缺陷来预测待测缺陷的尺寸。缺陷反演的算法有很多，常用的方法是基于机理模型的反演方法和基于学习算法的反演方法等。基于机理模型的反演方法的主要步骤是：(1)机理仿真和特征提取；(2)对缺陷信号进行特征分析；(3)建立缺陷反演机理模型；(4)确定反演误差函数，优化模型参数；(5)实验验证；(6)应用机理模型完成缺陷反演。基于学习算法的反演方法的主要步骤是：(1)获取大量缺陷的样本以及其尺寸标签；(2)建立深度特征提取网络和缺陷反演网络；(3)训练特征提取网络，并提取深度特征；(4)使用特征训练缺陷反演网络，完成对不规则缺陷的反演。

在实现本申请的过程中，申请人发现相关技术至少存在以下问题：

基于机理模型的反演方法具有一定的局限性：(1)多用于实验室建模，对实际工况应用能力较差；(2)完全基于机理提取物理特征，对信号其他信息利用率低；(3)多数用于反演规则缺陷，对不规则缺陷的泛化能力较低。基于学习算法的反演方法具有一定局限性：(1)多分为特征提取网络和缺陷反演网络，训练过程多为非端到端，增加了局部最优的发生概率；(2)提取的特征完全依赖于黑盒网络，可解释性较差。因此，亟需一种不规则缺陷反演方法来增强深度信息的可解释性，并且提高机理模型特征信息利用率。

发明内容

有鉴于此，本申请提供了一种基于多特征融合的管道漏磁非规则缺陷反演方法及装置，主要目的在于解决目前不规则缺陷难以反演，深度特征可解释性差，机理模型特征信息利用率低的问题。

依据本申请第一方面，提供了一种基于多特征融合的管道漏磁非规则缺陷反演方法，该方法包括：

基于管道漏磁内检测仪，获取第一漏磁信号和第二漏磁信号；

分别对所述第一漏磁信号和所述第二漏磁信号进行预处理，生成训练样本以及测试样本；

建立多特征融合的不规则缺陷反演网络，采用所述训练样本，对所述多特征融合的不规则缺陷反演网络进行训练，得到目标反演网络；

将所述测试样本输入至所述目标反演网络，得到所述测试样本对应的目标缺陷信息，所述目标缺陷信息包括目标缺陷的长度、宽度和深度。