[发明专利]一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法

摘要

本发明提供一种基于Adaboost‑RBF协同的管道缺陷漏磁反演方法，涉及管道漏磁检测技术领域。该方法包括：对标准缺陷进行漏磁检测，并进行特征提取；测量待测缺陷所在管道前若干米的缺陷形状参数；对待测缺陷所在管道进行漏磁检测，并进行特征提取；确定样本数据和待测数据；建立Adaboost‑RBF神经网络初始模型；校正Adaboost‑RBF神经网络初始模型；将待测数据输入最终模型，得到待测缺陷的形状参数，完成反演。本发明运用Adaboost‑RBF神经网络模型对管道缺陷进行反演，能够进行快速的缺陷形状重构，学习速度快，精度高，泛化性能好，并能判断该缺陷的严重性，从而预防管道泄漏，避免损失。

主权项

1.一种基于Adaboost‑RBF协同的管道缺陷漏磁反演方法，其特征在于，包括：步骤1：对标准缺陷进行漏磁检测，并将其漏磁信号进行特征提取，得到缺陷漏磁信号波形特征值；步骤2：利用标尺工具人工测量待测缺陷所在管道起点处前若干米的缺陷形状参数；步骤3：对待测缺陷所在管道进行漏磁检测，并将其漏磁信号进行特征提取；特征提取的过程包括：步骤a：根据缺陷实际轴向位置与设备提供的位置信息，确定缺陷对应信号的位置；步骤b：统计每个缺陷对应区域波动剧烈的信号所在的信号采集频道的数量；步骤c：提取每个缺陷处波形波动最明显的波形，得到缺陷漏磁信号波形特征值；所述缺陷漏磁信号波形分为单峰双谷和双峰双谷两种情况，所述缺陷漏磁信号波形特征值包括：信号波形的平均峰谷值，表示信号波形的波峰与其最近的波谷的纵向差值的平均值；幅度阈值长度，表示满足信号阈值强度时，对应点之间的横向距离；信号能量，表示漏磁信号的二阶中心距；信号微分峰谷平均距离，表示信号波形微分后波形的波峰与其最近的波谷的横向距离的平均值；信号微分平均峰谷值，表示信号波形微分后波形的波峰与其最近的波谷的纵向差值的平均值；信号周向长度，表示每个缺陷对应区域波动剧烈的信号所在的信号采集频道的数量；步骤4：确定样本数据和待测数据，并将所述样本数据分为训练样本数据和测试样本数据；步骤5：通过训练样本数据建立Adaboost‑RBF神经网络初始模型；具体方法包括：步骤501：将所述训练样本数据、测试样本数据和待测数据中的漏磁信号特征值数据分别进行归一化处理；步骤502：初始化RBF神经网络，确定基函数、散步常数和神经元个数；步骤503：初始化Adaboost样本权值；步骤504：将所述训练样本数据中的每组数据乘以初始权值作为训练集Setl；以所述训练集Setl中的缺陷漏磁信号特征值数据作为输入，以缺陷形状参数作为输出，训练初始化的所述RBF神经网络，得到RBF神经网络子模型1，其输出结果记为Y₁；步骤505：计算所述输出结果Y₁中的数据组与训练样本数据中已知的缺陷性转参数数据组的相对误差，选出所述相对误差超过预设阈值的输出结果数据组，并记为错误结果，统计错误结果数，计算子模型1的错误率；步骤506：根据所述步骤505得到的错误率，调整Adaboost样本权值，增大误差较大的数据组的样本权值，减小误差较小的数据组的样本权值，得到新的Adaboost样本权值；步骤507：将每组训练样本数据与对应的所述新的Adaboost样本权值相乘，得到新的子训练集Set2，并用来训练新的RBF神经网络，记为RBF神经网络模型2，其输出结果记为Y₂，计算子模型2的错误率，方法同步骤505和步骤506；步骤508：重复步骤507，直至得到错误率小于阈值的子模型；步骤509：建立Adaboost‑RBF神经网络初始模型，初始模型的输出公式为：其中，n为RBF神经网络子模型的个数；Y_A‑RBF为Adaboost‑RBF神经网络初始模型的输出，即缺陷形状参数；Y_k为第k个RBF神经网络子模型的输出结果；w_k为Y_k的权值，其取值与对应错误率Δ_k有关，权值计算公式为：步骤6：利用测试样本数据校正所述Adaboost‑RBF神经网络初始模型，得到Adaboost‑RBF神经网络最终模型；步骤7：将所述待测数据输入所述Adaboost‑RBF神经网络最终模型，得到待测缺陷的形状参数，完成对待测管道漏磁信号的反演。