基于ACO-LS-SVM的漏磁信号二维轮廓重构

漏磁检测技术被广泛应用于铁磁材料的无损评估中,由漏磁信号描述缺陷的几何特征一直是漏磁检测的难点.为此提出应用LS-SVM对缺陷轮廓进行重构的新方法,利用蚁群算法优化LS-SVM及核函数的参数,并采用剪枝算法改善LS-SVM的稀疏性.支持向量机输入采用漏磁信号Bx、By分量的特征融合信号,输出是缺陷轮廓数据,建立了由缺陷...     

基于RBF网络的漏磁检测缺陷定量分析方法

为了正确评估油气管道的使用寿命和安全状况,需根据漏磁检测信号特征对缺陷进行准确的定量分析。提出一种基于径向基函数(RBF)神经网络、用于定量分析油气管道缺陷的迭代方法,给出了具体的算法步骤,并采用自适应学习机制来训练网络,既加快了该算法的收敛速度,又避免了陷入局部最小值问题。仿真结果表明:该方法不仅训练速度明显快于普通反向传播(BP)网络,而且最大量化误差仅为0.26%。该方法有助于提高漏磁检测的准确度,可为油气管道的安全评估提供可靠的依据。     

海底管线缺陷内检测技术与装备工程化研究技术总结

漏磁检测是在管道内检测中应用最广泛的一种无损检测技术,检测数据量化与分析是气难点。在技术方面针对课题重点研究的关键技术开展了一系列研究,提出了油气管道漏磁检测数据的分类和量化方法,并基于此研发出一套漏磁检测数据分析软件。漏磁检测中缺陷量化困难的原因在于缺陷的形态对漏磁场的形态有复杂的非线性的影响,继而影响对漏磁信号的定量解释,因此,根据缺陷的开口形状将缺陷进行分类,对于实现将其准确量化是十分必要的。再者,由于实际检测条件的限制,往往只能通过空间离散的漏磁感应强度信号的一维分量推算缺陷的三维形态,这本身不适合使用精确的数学或者统计模型加以描述。使用神经网络对缺陷进行量化,是漏磁检测缺陷量化领域近20年来的一个研究热点。根据课题研究内容以及检测器设计指标,提出了一种基于改进径向基函数网络的量化算法,它以缺陷漏磁场信号的特征量为输入,输出向量为缺陷的三维外形参数。径向基函数网络是一种局部最佳逼近网络,但漏磁检测中漏磁感应强度信号与缺陷外形之间强烈的非线性关系,往往更要求所选用的网络能够识别两者间的内在联系,并使得面对新的数据时仍有合理的量化结果。为此,对径向基函数网络做出基于泛化能力优化的改进,提出新的评价函数,并采用能够迅速适应新样本的在线学习算法,实验验证表明,的确能大幅提高网络的泛化能力。在实际工程检测管道中,多缺陷聚集会明显影响漏磁场的形态,轴向槽缺陷漏磁场与两个坑状缺陷信号波形极为相似,缓变缺陷漏磁场信号变化趋势较小,这对定量漏磁检测的实用化是不容忽视的问题。讨论了不同类型缺陷漏磁场形态和强度的影响,并测试了量化神经网络对缺陷间隔变化的适应能力。研究以分类和量化算法为核心,研发一套漏磁检测数据分析系统。该系统配合内检测器已项目中投入测试,对牵拉实验数据分析的结果验证了所提出算法的确具有优秀的量化性能。     

基于LS-SVM的管道二维漏磁缺陷重构

针对铁磁材料的无损评估中,漏磁信号描述缺陷的几何特征难点,提出了应用支持向量机对二维缺陷重构的新方法,支持向量机输入是漏磁信号,输出是缺陷轮廓数据,建立了由缺陷的漏磁信号到缺陷二维轮廓的映射关系。网络学习采用最小二乘算法,训练样本由实验数据与仿真数据组成,测试样本为人工裂纹缺陷。该方法实现了人工裂纹缺陷的二维轮廓的重构,并与径向基神经网络重构结果进行了比较。试验结果表明,该方法具有速度快、精度高和很好的泛化能力,为漏磁检测定量化提供了一种可行的方法。     

基于改进BP神经网络算法的管道缺陷漏磁信号识别

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷漏磁信号来识别缺陷的形态参数．根据漏磁检测原理设计了相关的漏磁检测电路，通过提取信号的主要特征量，利用Levenberg-Marquardt算法在对常用BP神经网络改进的基础上应用其来识别缺陷的尺寸参数，给出了BP神经网络各层数的确定及权值、学习率的调整方法和相应的漏磁信号数据处理过程．漏磁检测数据处理实验表明，该缺陷识别BP神经网络系统具有逼近精度高、收敛速度快等特点．     

基于多节点样条理论的漏磁数据去冗余压缩算法

为解决管道漏磁缺陷检测中采样数据的去冗余压缩问题，在利用小波去噪的基础上，根据多节点样条理论具有插值过程无需解方程组、逼近误差小、基函数有界支集的性质，通过构造一个对称的、局部支集的、拉格朗日型基函数，从而设计出一种能快速、高效地逼近原检测数据的去冗余压缩新算法，以提高管道漏磁在线检测数据压缩的实时性．用实验室检测到的漏磁数据对该算法进行了验证．结果表明，该算法具有很好的实时性及较高的数据压缩率．     

基于布谷鸟搜索算法的漏磁反演方法研究

针对漏磁检测中的缺陷反演重构问题,引入了一种新型启发式优化算法—布谷鸟搜索算法,提出了以径向基函数神经网络为前向模型,布谷鸟搜索算法用作迭代算法的漏磁反演方法.为验证该反演方法的有效性,分别使用了不含噪声和含噪声的漏磁仿真信号以及实测漏磁信号.实验结果表明,与粒子群优化算法和差分进化算法相比,布谷鸟搜索算法的处理误差最小,而且对含噪声仿真漏磁信号和实测漏磁信号的重构结果依然能够较好地逼近真实缺陷.因此,基于布谷鸟搜索算法的反演方法对噪声具有一定的鲁棒性,是一种有效可行的漏磁反演方法.     

油气管道缺陷漏磁检测试验

在油气管道检测中,缺陷的定量分析一直是个难题.通过试验研制了管道漏磁腐蚀检测器,在钢管(273mm,壁厚为14.3mm)上设计了系列缺陷,并采集了缺陷漏磁的相关信号.研究了管道缺陷漏磁信号的分布规律和缺陷的几何尺寸大小之间的关系,结果表明,缺陷漏磁场检测信号的两波谷间距、检测到信号的传感器数和信号峰谷值分别是缺陷长度、宽度和深度量化分析的重要特征量,并由此得出缺陷长、宽、高的计算方法.通过该方法对缺陷的漏磁信号进行量化分析,表明缺陷长度、宽度和深度的平均绝对误差分别为2.4mm、8.3mm和0.8mm.     

管道缺陷定量识别技术的研究

对管道漏磁在线检测仪的总体设计和各部分的工作过程进行了简要介绍，对硬件设计进行分析，采用工程数据库技术对检测数据管理，采用滤波和数字平滑方法消除干扰影响的方法，选取了缺陷漏磁场特征量，并提出了缺陷外形参数的评价方法，利用非线函数插值方法对漏磁信号补偿和凹坑缺陷轮廓的局部逼近，使缺陷检测达到定量化，整套方案实验 证有效，可行。     

基于K均值聚类的油气管道漏磁缺陷标记方法

为了提高漏磁数据缺陷区域标记能力,将聚类算法应用于漏磁检测数据分析中,提出了一种基于K均值聚类的管道漏磁缺陷信号标记方法,并进行了不同口径和不同壁厚管道检测试验验证。结果表明:该方法可有效识别出漏磁数据中的缺陷区域,识别准确度满足工程要求。由于该方法无需根据检测器和管道情况单独设置阈值,因此其具有较广泛的适应性。     

Recognition algorithm of seabed pipeline defect inspection based on dynamic WBF neural networks

This paper describes a magnetic flux leak (MFL) model of pipeline defect inspection, and presents a recognition algorithm based on dynmnic wavelet basis function (WBF) neural network. The dynamic network utilizes multiscale and multireselution orthogonal wavelet, through signals backwards propagation:,has more significant advantages than BP or other neural networks used in MFL inspection. It also can control the accuracy of the predicted defect profiles, high-speed convergence possessing and well approaching feature. The perfonnance applying the algorithm based on the network to predict defect profile from experimental MFL signals is presented.     

小波神经网络在海底石油管道漏磁缺陷检测中的应用

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷的漏磁信号识别缺陷的形态参数,噪声消除和缺陷识别是其中的关键问题。利用噪声信号和测试信号在各个尺度上波谱的不同特征,基于小波变换来消除管道漏磁检测中的噪声信号,并根据正交小波多尺度多分辨率特点,把信号分解成各相互独立的频带,构建一个小波神经网络系统,通过输入漏磁信号的特征量识别缺陷的参数。漏磁检测数据处理实验表明该小波变换能较好地去除检测信号中的主要噪声,所建立的缺陷识别小波神经网络系统具有收敛速度快、逼近精度高等特点。     

Wavelet domain adaptive filtering algorithm for removing the seamless pipe noise contained in the magnetic flux leakage data

With the widespread application and fast development of gas and oil pipeline network in China, the pipeline inspection technology has been used more extensively. The magnetic flux leakage （MFL） method has established itself as the most widely used in-line inspection technique for the evaluation of gas and oil pipelines. The MFL data obtained from seamless pipeline inspection is usually contaminated by the seamless pipe noise （SPN）. SPN can in some cases completely mask MFL signals from certain type of defects, and therefore considerably reduces the detectability of the defect signals. In this paper, a new de-noising algorithm called wavelet domain adaptive filtering is proposed for removing the SPN contained in the MFL data. The new algorithm results from combining the wavelet transform with the adaptive filtering technique. Results from application of the proposed algorithm to the MFL data from field tests show that the proposed algorithm has good performance and considerably improves the detectability of the defect signals in the MFL data.     

油气管道高速漏磁检测系统中数据压缩研究

在管道缺陷检测中,如何对漏磁检测数据进行大容量高保真数据压缩是其中的一个关键问题.文章分析漏磁缺陷信号的特点,首先采用零树小波编码算法,找出能够表征缺陷信号的重要数据和不能表征缺陷信号的非重要数据,非重要数据建立小波零树,对信号进行压缩,然后结合算术编码,对压缩数据流进一步压缩处理,通过仿真实验表明在一定允许失真度的情况下,可以达到很高的压缩率.     

管道缺陷漏磁检测大容量高保真数据压缩研究

管道检测是石油天然气工业的一个重要课题.在管道缺陷检测中,利用缺陷的漏磁通从而设计有效的漏磁检测装置来检测缺陷是目前研究的热点,而如何对漏磁检测数据进行大容量高保真数据压缩是其中的一个关键问题.本文在分析漏磁检测原理和漏磁检测数据特征的基础上,根据对重要数据采用无损压缩、对非重要数据采用有损压缩的原则,通过数据的差分和动态范围阈值判断数据块的检测重要性,结合Huffman算法以及小波有损压缩的优点,设计了大容量高保真管道漏磁检测数据压缩算法,并利用FPGA设计了相关的数据采集压缩电路来验证和实现该算法.实验表明该算法具有较高的压缩比并能很好的再现管道检测原始数据.     

Coefficients de-noising with wavelet transform for magnetic flux leakage data obtained from oil pipeline

This paper considers the problem of noise cancellation for the magnetic flux leakage （MFL） data obtained from the inspection of oil pipelines. MFL data is contaminated by various sources of noise, and the noise can considerably reduce the detectability of flaw signals in MFL data. This paper presents a new denoising approach for removing the system noise contained in the MFL data by using the coefficients denoising with wavelet transform. Experimental results are presented to demonstrate the advantages of this de-noising approach over the conventional wavelet de-noising method.     

Fabric Defect Detection Technique Based on Two-double Neural Network

This paper introduces the identification of the defects on the fabric by using two-double neural network and wavelet analysis. The purpose is to fit for the automatic cloth inspection system and to avoid the disadvantages of traditional human inspection. Firstly, training the normal fabric to acquire its characteristics and then using the BP neural network to tell the normal fabric apart from the one with defects. Secondly, doing the two-dimeusional discrete wavelet transformation based on the image of the defects, then wiping off the proper characteristics of the fabric, and identifying the defects utilizing the trained BP neural network. It is proved that this method is of high speed and accuracy. It comes up to the requirement of automatic cloth inspection.