[发明专利]一种基于极限学习机的管道漏磁缺陷检测方法

摘要

本发明涉及一种基于极限学习机的管道漏磁缺陷检测方法，利用已知管道漏磁缺陷的长度、宽度、深度数据及漏磁信号波形特征值，建立极限学习机模型，训练样本数据中的已知管道漏磁缺陷的长度、宽度、深度数据作为该模型的输入，运用试凑法选取隐含层节点个数，计算隐含层输出矩阵及输出权值，漏磁信号波形特征值作为该模型的输出。当管道发生漏磁时，获取未知漏磁缺陷形状的漏磁信号波形，利用极限学习机模型进行管道漏磁缺陷检测。本发明运用极限学习机模型对管道缺陷形状进行智能反演，具有学习速度快、泛化性能好等优点，对于使用检测出来的缺陷波形，能够快速准确构造缺陷的形状，从而得知缺陷的严重性，可以预知管道风险，防止管道泄漏。

主权项

一种基于极限学习机的管道漏磁缺陷检测方法，其特征在于，包括以下步骤：步骤1：获取已知管道漏磁缺陷的形状参数，包括管道漏磁缺陷的长度、宽度、深度数据，并对已知管道漏磁缺陷处的漏磁信号波形进行特征值提取，提取出漏磁信号波形特征值；步骤2：将已知管道漏磁缺陷的长度、宽度、深度数据及漏磁信号波形特征值作为样本数据，将样本数据分为训练样本数据和测试样本数据；步骤3：针对训练样本数据，建立极限学习机模型，训练样本数据中的已知管道漏磁缺陷的长度、宽度、深度数据作为该模型的输入，运用试凑法选取隐含层节点个数，计算隐含层输出矩阵及输出权值，漏磁信号波形特征值作为该模型的输出；步骤4：利用测试样本数据对极限学习机模型进行校正：将测试样本中已知管道漏磁缺陷的长度、宽度、深度数据输入极限学习机模型，对极限学习机模型的输出与测试样本数据的漏磁信号波形特征值的平均相对误差进行判断：若平均相对误差满足设定的预期平均相对误差，则当前极限学习机模型为最终的极限学习机模型，执行步骤5，否则返回步骤3；步骤5：管道发生漏磁时，获取未知漏磁缺陷形状的漏磁信号波形，利用极限学习机模型进行管道漏磁缺陷检测；步骤5.1：随机产生初始形状参数，即初始管道漏磁缺陷的长度、宽度、深度数据；步骤5.2：将形状参数输入极限学习机模型，得到形状参数对应的信号波形特征值；步骤5.3：计算该信号波形特征值对应的漏磁信号波形与未知缺陷形状的漏磁信号波形的适应度值，若该适应度值大于等于设定的最大适应度值，则确定当前的形状参数为管道漏磁缺陷的形状参数，执行步骤5.5，否则，执行步骤5.4；所述适应度函数F公式如下：F=11+CΣi=1N||Bimeasured-BiELM||;]]>步骤5.4：对当前形状参数应用遗传算法更新出新的形状参数，返回步骤5.3；步骤5.5：当前管道漏磁缺陷的形状参数为管道漏磁缺陷检测结果。