kaiyun官方注册
您所在的位置: 首页> 其他> 设计应用> 基于稀疏建模和SVM的管道缺陷分类方法研究
基于稀疏建模和SVM的管道缺陷分类方法研究
2020年信息技术与网络安全第10期
郑 林1,张红星2,句海洋3,4
1.太原卫星发射中心,山西 太原036303;2.中电智能科技有限公司,北京102209; 3.华北计算机系统工程研究所,北京100083;4.北京工业大学,北京100124
摘要:埋地钢质管道缺陷识别及评估是管道检测领域中长期存在的难点之一,而实现对管道缺陷准确分类的前提是管道损伤信号的精准提取,针对埋地管道缺陷信号特征提出一种基于稀疏建模和支持向量机(SVM)的管道缺陷信号提取与识别方法。通过从原始信号中学习获得字典,将该字典采用正则化正交匹配追踪算法构建缺陷信号稀疏模型,并根据压缩感知理论获得信号的特征向量。进一步,采用多分类SVM将缺陷信号的特征向量与管道实际缺陷类型建立映射关系,并通过遗传粒子群优化算法指导SVM参数选取。结果表明:提出的分类方法可实现对管道缺陷损伤程度的准确划分,该方法已经成功通过实验室验证,并成功应用于华北某油田的工程领域检测。
中国分类号: TE973;TP391.41
文献标识码:A
DOI:10.19358/j.issn.2096-5133.2020.10.013
引用格式: 郑林,张红星,句海洋. 基于稀疏建模和SVM的管道缺陷分类方法研究[J].信息技术与网络安全,2020,39(10):67-74.
Research on pipeline defect classification based on sparse modeling and SVM
Zheng Lin1,Zhang Hongxing2,Ju Haiyang3,4
1.Taiyuan Satellite Launch Center,Taiyuan 036303,China; 2.Intelligence Technology of CEC Co.,Ltd.,Beijing 102209,China; 3.National Computer System Engineering Research Institute of China,Beijing 100083,China; 4.Beijing University of Technology,Beijing 100124,China
Abstract:The defect identification and evaluation of buried steel pipeline is a long-term challenge in the field of pipeline detection, and the prerequisite for efficient identification of defects is the accurate extraction of pipeline damage signals. Aiming at the characteristics of buried pipeline defect signals, a method of pipeline defect signal extraction and recognition is proposed, which is based on sparse modeling and support vector machine(SVM). A dictionary is obtained by learning from the original signal, the dictionary is used to construct a sparse model of the defect signal using a regularized orthogonal matching pursuit algorithm, and the feature vector of the signal is obtained according to the compressed sensing theory. Furthermore, multi-classification SVM is used to establish a mapping relationship between the feature vector of the defect signal and the actual defect type of the pipeline, and Genetic Algorithm-Particle Swarm Optimization is used to guide the selection of SVM parameters. The results showed that the proposed classification method can realize the accurate division of the damage degree of pipeline defects, which has been successfully verified in the laboratory and applied to the engineering field detection of an oil field in North China.
Key words :sparse modeling;SVM;pipeline defect;classification method

0 引言

埋地管道是最有效的油气输送手段之一,对在役管道进行无损检测和安全评价已受到各国的高度重视[1]。管道在铺设和运行后,由于腐蚀、第三方破坏以及自然灾害等因素的影响,不可避免地会形成一些损伤,需要通过相关的检测方法及时检测缺陷,并评估其对管道安全的影响。常规管道检测中常用的无损检测(NDT)技术有超声波检测(UT)和漏磁检测(MFL)[2],属于管道内检测(ILI)范畴,ILI需要克服管道运行压力、流量、变形和管道清洁度对检测精度的影响,而传统的内部检测技术仅适用于已形成的宏观缺陷,对铁磁材料的应力集中和损伤早期诊断无效[3]。另外,大多数埋地管道都具有限制清管的特点,因此在非开挖状态下,管道缺陷的检测是一个亟待解决的问题。

目前,可用的一些外部检测技术包括涡流(EC)方法[4]、导波检测(GWT)[5]、瞬变电磁法(TEM)[6]和射线扫描法[7],以上方法称为主动式(有激励信号源)检测,但以上方法均为外部电磁激励检测方法,增加了现场检测的难度,且对于管道损伤等级的划分精度方面存在较大问题。

相关学者从不同的角度对管道缺陷处产生的缺陷磁信号与缺陷参数大小关系进行了实验和研究,针对金属磁记忆检测管道缺陷判定准则的局限性,易方等人[8]构造了五维支持向量机输入特征向量:区域信号的峰峰值、修正傅里叶系数、小波包频带能量增量、信号的检测切向梯度和检测法向梯度。管道状态划分为应力集中、微观缺陷和宏观缺陷3个等级。张军等[9]选取磁信号的峰峰值和梯度值作为特征向量来描述缺陷信号特征,通过BP神经网络实现了套管故障风险等级的非线性分类,实验验证了方法的有效性。邢海燕[10]针对焊缝不同等级的磁记忆特征提取及定量评价难题,引入能够反映焊缝损伤程度的奇异谱熵、功率谱熵和小波空间能谱熵,首次提出信息熵带与D-S理论联合的磁记忆定量评价模型。然而,以上文献中所使用的管道缺陷识别方法存在实验样本少、识别模型普适性不足以及无现场实际验证等问题。

鉴于以上问题,为弥补现有埋地管道缺陷损伤程度分类问题的不足,本文提出基于稀疏建模SVM的管道缺陷损伤程度分类模型,采用稀疏模型提取管道缺陷的本质特征向量,并将缺陷特征向量通过改进的多分类支持向量机分类,为埋地钢质管道在非开挖情况的管体损伤缺陷检测提供了一种有效的方法。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003144




作者信息:

郑 林1,张红星2,句海洋3,4

(1.太原卫星发射中心,山西 太原036303;2.中电智能科技有限公司,北京102209;

3.华北计算机系统工程研究所,北京100083;4.北京工业大学,北京100124)

此内容为AET网站原创,未经授权禁止转载。
Baidu
map