基于遗传优化算法的二维漏磁缺陷重构

信号逆问题，即从测量信号中恢复出缺陷轮廓及其参数，是漏磁无损评估中的一个重要课题。提出了一种基于遗传算法的逆算法，用于从漏磁信号中重构二维缺陷。在该算法中，径向基函数（RBF）神经网络用作前向模型，遗传算法用于求解逆问题中的优化问题，其优点是能够避免基于梯度下降法的迭代逆算法中可能遇到的局部最小问题，并能得到逆问题的全局最优解。实验结果验证了所提出的逆算法的有效性。     

改进的遗传局部搜索算法在漏磁逆问题中的应用研究

通过将模拟退火技术加到遗传局部搜索算法(GLSA)的扰动过程中,提出一种改进的遗传局部搜索算法(IGLSA)及基于IGLSA的逆算法,用于从漏磁信号中重构二维缺陷.该算法中,径向基函数神经网络(RBFNN)用作前向模型,IGLSA用于求解逆问题中的优化问题.实验将该逆算法分别与基于规范遗传算法(CGA)的逆算法和基于GLSA的逆算法进行了比较,结果表明基于IGLSA的逆算法更精确,并且对噪声具有鲁棒性.     

基于遗传模拟退火算法的漏磁缺陷重构

通过将模拟退火技术加到遗传算法（GA）的变异运算中，提出一种遗传模拟退火算法（genetic-simulated—annealing—algorithm，GSAA），并且提出一种基于GSAA的逆算法，用于从漏磁信号中重构二维缺陷．该算法中，径向基函数神经网络（RBFNN）用作前向模型，GSAA用于求解逆问题中的优化问题．实验结果表明，同基于GA的逆算法相比，基于GSAA的逆算法更精确，并且对噪声更具鲁棒性．     

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.     

用于管道漏磁数据的小波域自适应及小波系数去噪算法

基于漏磁检测是油气管道在线检测中应用最广泛的无损检测技术,提出了一种去除漏磁数据中无缝管道噪声(SPN)和系统噪声的新算法.首先利用将小波变换和自适应滤波技术相结合而提出的新型小波域自适应滤波方法去除漏磁数据中的SPN,然后再利用小波系数去噪方法去除小波域自适应SPN消除系统输出漏磁数据中的系统噪声.实测漏磁数据所得结果表明,该算法具有良好的去噪效果,极大地提高了漏磁数据中缺陷信号的可检测性.     

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...     

基于霍尔元件阵列的缺陷漏磁检测技术研究

利用高灵敏度霍尔器件,设计研制了多通道阵列式漏磁检测传感器及信号处理电路.对不同几何参数的铁磁性试件缺陷进行了检测实验研究,该漏磁检测系统可实现地磁场激励和人工弱磁激励下的缺陷信号图像显示.探讨了基于多通道漏磁信号的缺陷表示方法,并利用人工神经网络技术对基于多通道传感器漏磁信号的缺陷反演问题进行了初步研究,表明利用霍尔元件阵列检测装置和人工智能信息处理方法,可以实现多通道漏磁信号与缺陷参数的非线性拟合,进而实现漏磁检测中的缺陷定量化分析.     

基于信号源极值特征的钢管内外裂纹区分方法

提出一种钢管漏磁检测过程中基于信号源的内外裂纹区分方法.该方法基于内外伤法向漏磁分量检测信号的波形特征,参考信号畸变所具有的峰-峰值大小,调整对应畸变信号峭度指标的算法,从而构建内、外伤区分指标.通过钻杆中的横向刻槽检测试验观察,以及二维轴对称有限元仿真分析,检测了在常规钢管漏磁检测过程中对于具有不同宽度信息的内外伤裂纹,这种方法进行缺陷位置识别的实用性较高.     

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。     

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。