[发明专利]一种基于集成学习的管道缺陷尺寸的反演方法

摘要

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nsample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。

主权项

1.一种基于SL的管道缺陷尺寸的反演方法，其特征在于，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；步骤1.1：内检测器即海底管道漏磁检测仪采集到的第λ个原始缺陷漏磁数据按通道排列为M＝{M_x^T,M_y^T,M_z^T}_3n×r，其中，λ≤n_sample，M_x，M_y，M_z分别为轴向信号，径向信号和周向信号，r是缺陷所包含的采样历程点数，且r≤r_all，r_all为采样历程总点数，n是缺陷所包含的通道数，且n≤n_all，n_all为通道总数M_x＝[m₁,m₂,...m_n],m_j表示第j条传感器通道的漏磁数据，且j≤n；表示第j条传感器通道第i采样点数据，且i≤r；步骤1.2：对轴向数据M_x进行插值，传感器瓣间插值数为Num1，瓣内插值数为Num2，采用三次样条方法进行通道间的插值如下，插值后得到漏磁信号为其中，Δ₁，Δ₂为两个采样点之间差值，计算公式为其中m_k‑1，m_k，m_k+1为三个连续采样点，插值后轴向数据为为插值后的通道数；步骤1.3：如步骤1.2中方法，对径向数据M_y，周向数据M_z进行插值处理，得到插值后径向数据和周向数据插值后缺陷的三轴数据为步骤2：对预处理之后的三轴漏磁信号进行多维度特征提取，在时域中提取信号特征集[F(t),F(δ)]；步骤2.1：采用一种极大互信息系数方法确定最大通道T_max；步骤2.2：根据最大通道T_max提取信号波形参数的显性特征集F(t)；步骤2.3：对一个缺陷信号提取其统计特征集F(δ)：分别是差异系数、偏态系数和四分位距，其中，差异系数定义为CV：其中，为采样点数值，σ是数据集的标准差；偏态系数定义为SK：其中，和M_d是数据集的平均值和众数；四分位距定义为Q_d：Q_d＝Q₃‑Q₁，其中，Q₃和Q₁是数据集第75、25百分位数；步骤3：对预处理之后的三轴漏磁信号进行多维度特征提取，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)；步骤3.1：对信号进行母小波函数下的二维离散小波分解，在分解尺度κ，下求得到水平，竖直，斜线方向得到漏磁信号的近似系数f_H和细节系数f_C；步骤3.1.1：对函数进行伸缩和平移变换后连续小波为其中为伸缩因子，γ_j为平移因子；步骤3.1.2：在离散化中，取值为正值，的离散化形式为小波分解的相容性条件变为步骤3.1.3：将伸缩因子和平移因子的离散化公式分别取作其中j∈Z,γ₀,k∈R，获得离散小波函数步骤3.1.4：将信号按照步骤3.1.1到步骤3.1.3进行κ层离散分解，漏磁信号二进制小波分解可表示为其中，f_H表示为近似系数，f_C为细节系数，在水平方向，竖直方向，斜线方向分别得到小波系数细节系数水平分量f_C1，细节系数竖直分量f_C2，细节系数斜线分量f_C3；步骤3.2：把f_H和f_C在各频带上的能量信息作为频域特征；步骤3.2.1：对第κ层的f_H＝[b_ij]_βh1×βh2提取小波能量步骤3.2.2：对1,2,...,κ层的f_C1＝[b_ij]_βC1×βC2提取小波能量步骤3.2.3：重复步骤3.2.2提取f_C2的小波能量f_C3的小波能量构造特征向量步骤3.3：依次在不同分解尺度上进行步骤3.1和步骤3.2，按尺度排列能量值构造特征集F(w)；步骤4：重复步骤1到步骤3，构建n_sample个缺陷的多维度特征集F＝[F(t),F(δ),F(w)]；步骤5：采用一种迭代的Stacking Leaning网络，进行缺陷尺寸的反演量化，即对缺陷的长度L,宽度W,深度D的反演量化，通过多次迭代训练网络，满足迭代终止条件后停止迭代，确定最终网络结构；步骤5.1：对样本集共n_sample个样本进行k_cross折交叉验证，每次取出k_test折作为测试，其余为训练样本；步骤5.2：取出训练样本对网络进行迭代训练，反演网络中基学习器的输入是多维度组合特征集F＝[F(t),F(δ),F(w)]，通过元学习的输出计算评价函数J(Γμ)；步骤5.2.1：第μ次迭代中基学习器为ν个，其中的输入R_in[Θ₁₁]＝[F(t),F(δ)]，的输入R_in[Θ₁₂]＝[F(t),F(δ),F₁¹(w)]；步骤5.2.2：计算元学习器的评价函数J(Γμ),其中ζ_j＝[err_j1,err_j2,err_j3]为第j个缺陷的长度，宽度，深度残差，err_j1∪j2∪j3＝predction_L∪W∪D‑real_L∪W∪D，ω＝[ω₁,ω₂,ω₃]为动态权重系数，满足下列条件其中i≤κ，1≤ξ≤j，α为基学习器的数量；步骤5.3：增加迭代次数μ＝μ+1，小波分解尺度κ＝κ+1，即增加一个基学习器第μ次迭代第ν个基学习输入为根据步骤5.2.2计算此次迭代下的评价函数J(Γμ)；步骤5.4：迭代直至当J(Γμ)收敛，即J(Γ<μ>)‑J(Γ<μ‑1>)≤ε，ε为收敛阈值，迭代终止，确定网络结构步骤5.5：取出测试样本对网络进行测试，计算网络对测试样本的RMSE：err_Li、err_wi、err_Di分别为测试样本集中第i个缺陷长、宽、深的残差；步骤5.6：选出k_cross折交叉验证中RMSE最小的网络为最终网络；步骤6：使用最终网络对待测缺陷漏磁信号的尺寸，长度，宽度，深度进行预测，得到管道缺陷尺寸的预测结果，即为管道缺陷尺寸反演方法预测结果。