本發(fā)明屬于故障診斷和人工智能技術(shù)領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的管道缺陷深度的反演方法。

背景技術(shù)：

在經(jīng)濟建設(shè)中，管道運輸起著非常關(guān)鍵的作用。由于管道經(jīng)常工作在惡劣的環(huán)境中，管壁會因腐蝕、外力等因素而變薄。這種帶有缺陷的管道很容易導(dǎo)致泄漏事故的發(fā)生。

漏磁檢測技術(shù)是目前國內(nèi)外最有效的管道缺陷檢測方法之一，由于其擁有較好的可靠性、較高的穩(wěn)定性和較快的檢測速度，這一技術(shù)越來越多的被用在管道缺陷的檢測上。缺陷識別是管道漏磁檢測系統(tǒng)的重要組成部分，只有進行正確的識別，才能夠為業(yè)主提供準(zhǔn)確的信息，判斷管道能否被使用。隨著現(xiàn)代計算機技術(shù)的發(fā)展，對管道的檢測不僅僅局限于發(fā)現(xiàn)缺陷，更為重要的是能夠?qū)θ毕葸M行定量分析，也就是說，能夠由缺陷漏磁信號反演到缺陷實際尺寸的問題。

其中，在管道缺陷的所有尺寸參數(shù)中，人們最為關(guān)心的是缺陷的深度信息。因為缺陷的深度直接關(guān)系到管道的失效壓力，決定它能否繼續(xù)使用。

漏磁信號的反演是盡可能地利用隱含在缺陷測量信號中的信息評估缺陷的深度參數(shù)。它的求解是一類典型的缺陷漏磁場和缺陷幾何尺寸之間的非線性不完全映射問題。

反演問題中采取的方法有很多種，總的來說可以分為直接反演法和迭代反演法。

直接反演法是一種非模型的方法。它的主要步驟是：(1)獲取缺陷的漏磁信號；(2)通過特征提取算法得到與計算缺陷深度有關(guān)的缺陷漏磁信號特征；(3)利用神經(jīng)網(wǎng)絡(luò)或支持向量機等智能算法建立這些漏磁信號特征與缺陷幾何尺寸之間的關(guān)系。

通過上述步驟，就可以得到缺陷的幾何尺寸數(shù)據(jù)。

直接反演算法具有一定的局限性：①需要大量的樣本數(shù)據(jù)以建立漏磁信號特征與缺陷幾何尺寸之間的映射關(guān)系，如果樣本數(shù)量不足，則反演得到的結(jié)果誤差較大；②需要有準(zhǔn)確的特征提取算法作為基礎(chǔ)，如果無法準(zhǔn)確地提取缺陷漏磁信號的特征，就無法準(zhǔn)確地建立漏磁信號特征與缺陷幾何尺寸之間的關(guān)系；③反演結(jié)果受信號噪聲和信號畸變的影響較大。

迭代反演法是一種基于模型的方法。迭代反演法的主要步驟是：(1)依據(jù)反演精度設(shè)定逼近閾值ε；(2)建立正演模型獲得缺陷的漏磁信號；(3)比較正演信號和實測信號得到偏差結(jié)果d；(4)如果d小于ε，就將正演模型的缺陷尺寸作為反演結(jié)果；如果d大于ε，調(diào)整正演模型中的缺陷尺寸，并重復(fù)步驟(2)-(4)。

通過上述步驟，就可以得到缺陷的幾何尺寸數(shù)據(jù)。

迭代反演法相比于直接反演法精度更高。但是迭代反演法仍然存在以下缺點：①需要較長的計算時間；②很難保證正演模型的準(zhǔn)確性；③缺陷尺寸優(yōu)化算法易陷入局部最優(yōu)解；④反演結(jié)果受信號噪聲和信號畸變的影響較大。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的管道缺陷深度的反演方法。

本發(fā)明的技術(shù)方案是：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的管道缺陷深度的反演方法，包括以下步驟：

步驟1：隨機生成管道缺陷輪廓：生成n組管道缺陷深度矩陣d仿＝(d1，d2，...，dn)，基于磁偶極子模型仿真得到n組管道缺陷輪廓的軸向漏磁信號y仿＝(y1，y2，...，yn)；

步驟1.1：隨機生成一組管道缺陷輪廓：管道缺陷長度l、管道缺陷寬度w及其深度矩陣d：

步驟1.1.1：隨機生成管道缺陷長度l和管道缺陷寬度w，其中，l∈lmin～lmax，w∈wmin～wmax，lmin為隨機生成管道缺陷長度的最小值，lmax為隨機生成管道缺陷長度的最大值，wmin為隨機生成管道缺陷寬度的最小值，wmax為隨機生成管道缺陷寬度的最大值；

步驟1.1.2：隨機生成c個深度值d＝(d1，d2，d3，...，dc)及其對應(yīng)的深度點坐標(biāo)其中，為深度dc的坐標(biāo)；

步驟1.1.3：根據(jù)生成的c個深度值d＝(d1，d2，d3，...，dc)，采用三次樣條算法，按照長度采樣間隔δl和寬度采樣間隔δw生成該組管道缺陷的深度矩陣d。

步驟1.2：采用磁偶極子模型對步驟1.1生成的管道缺陷輪廓進行仿真，得到仿真的管道缺陷輪廓的軸向漏磁信號y；

步驟1.2.1：對生成的管道缺陷的尺寸進行擴展：對管道缺陷軸向方向兩邊分別擴展l/2，管道缺陷周向方向兩側(cè)分別擴展w/2，得到拓展后的管道缺陷；

步驟1.2.2：取擴展后的管道缺陷的缺陷單元mij，采用軸向磁偶極子模型得到各缺陷單元的軸向漏磁信號yij，并計算仿真的管道缺陷輪廓的軸向漏磁信號y，其中i∈(-l，-l+δl，-l+2δl，...，l)，j∈(-w，-w+δw，-w+2δw，...，w)。

步驟1.3：重復(fù)步驟1.1至步驟1.2，生成n組管道缺陷深度矩陣d仿＝(d1，d2，...，dn)，并仿真得到n組管道缺陷輪廓的軸向漏磁信號y仿＝(y1，y2，...，yn)。

步驟2：獲取實測的k組管道缺陷深度矩陣d實＝(d1，d2，...，dk)，并采用磁場傳感器測量其相應(yīng)的軸向漏磁信號y實＝(y1，y2，...，yk)；

步驟3：構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)模型，采用仿真的管道缺陷輪廓的軸向漏磁信號y仿和實測的管道缺陷輪廓的軸向漏磁信號y實進行預(yù)處理后對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到最終的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟3.1：將仿真的管道缺陷輪廓的軸向漏磁信號y仿和實測的管道缺陷輪廓的軸向漏磁信號y實轉(zhuǎn)換為相應(yīng)的仿真漏磁信號的灰度圖像g仿＝(g1，g2，...，gn)和實測漏磁信號的灰度圖像g實＝(g1，g2，...，gk)；

步驟3.2：將仿真漏磁信號的灰度圖像g仿＝(g1，g2，...，gn)和實測漏磁信號的灰度圖像g實＝(g1，g2，...，gk)進行歸一化處理；

步驟3.3：將歸一化后的仿真漏磁信號的灰度圖像g′仿＝(g′1，g′2，...，g′n)和歸一化后的實測漏磁信號的灰度圖像g′實＝(g′1，g′2，...，g′k)均縮放為n*n像素點的圖像，得到n+k幅n*n像素點圖像，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像集合g；

步驟3.4：根據(jù)n組管道缺陷深度矩陣d仿＝(d1，d2，...，dn)和k組管道缺陷深度矩陣d實＝(d1，d2，...，dk)中各深度矩陣中的最大深度值dμmax和各缺陷深度的管壁厚度dμwall得到各缺陷深度的標(biāo)簽pμ，作為卷積神經(jīng)網(wǎng)絡(luò)的輸出p＝p1，p2，...，pn+k，其中，μ∈1，2，...，n+k；

步驟3.5：將卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像集合g與其對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)的輸出p＝p1，p2，...，pn+k一一對應(yīng)后作為樣本集中的樣本，構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)模型，對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到最終的卷積神經(jīng)網(wǎng)絡(luò)模型。

步驟4：采用磁場傳感器測得未知深度的管道缺陷的軸向漏磁信號y測，將未知深度的管道缺陷的軸向漏磁信號y測進行預(yù)處理后，輸入最終的卷積神經(jīng)網(wǎng)絡(luò)模型，得到未知深度的管道缺陷的深度預(yù)測值d測。

步驟4.1：采用磁場傳感器測得未知深度的管道缺陷的軸向漏磁信號y測，轉(zhuǎn)換為相應(yīng)的未知深度漏磁信號的灰度圖像g測；

步驟4.2：將未知深度漏磁信號的灰度圖像g測進行歸一化處理；

步驟4.3：將歸一化后的未知深度漏磁信號的灰度圖像g′測縮放為n*n像素點的圖像，輸入最終的卷積神經(jīng)網(wǎng)絡(luò)模型，得到其對應(yīng)的缺陷深度的標(biāo)簽p測，即未知深度的管道缺陷的深度預(yù)測值。

本發(fā)明的有益效果：

本發(fā)明提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的管道缺陷深度的反演方法，本發(fā)明方法采用卷積神經(jīng)網(wǎng)絡(luò)中的局部感受野和權(quán)值共享方法，有效地減少了網(wǎng)絡(luò)訓(xùn)練所需要的參數(shù)，減少了對缺陷反演所需的時間。與現(xiàn)有技術(shù)相比，本發(fā)明提高了反演精度，減少了反演時間，同時對于信號噪聲具有較好的魯棒性。

附圖說明

圖1為本發(fā)明具體實施方式中基于卷積神經(jīng)網(wǎng)絡(luò)的管道缺陷深度的反演方法的流程圖；

圖2為本發(fā)明具體實施方式中卷積神經(jīng)網(wǎng)絡(luò)示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明具體實施方式加以詳細說明。

1、一種基于卷積神經(jīng)網(wǎng)絡(luò)的管道缺陷深度的反演方法，如圖1所示，包括以下步驟：

步驟1：隨機生成管道缺陷輪廓：生成n組管道缺陷深度矩陣d仿＝(d1，d2，...，dn)，基于磁偶極子模型仿真得到n組管道缺陷輪廓的軸向漏磁信號y仿＝(y1，y2，...，yn)。

步驟1.1：隨機生成一組管道缺陷輪廓：管道缺陷長度l、管道缺陷寬度w及其深度矩陣d。

步驟1.1.1：隨機生成管道缺陷長度l和管道缺陷寬度w，其中，l∈lmin～lmax，w∈wmin～wmax，lmin為隨機生成管道缺陷長度的最小值，lmax為隨機生成管道缺陷長度的最大值，wmin為隨機生成管道缺陷寬度的最小值，wmax為隨機生成管道缺陷寬度的最大值。

本實施方式中，隨機生成管道缺陷長度l＝40mm，其中，lmin＝5mm為隨機生成管道缺陷長度的最小值，lmax＝60mm為隨機生成管道缺陷長度的最大值，隨機生成管道缺陷寬度w＝30mm，wmin＝5mm為隨機生成管道缺陷寬度的最小值，wmax＝60mm為隨機生成管道缺陷寬度的最大值。

步驟1.1.2：隨機生成c個深度值d＝(d1，d2，d3，...，dc)及其對應(yīng)的深度點坐標(biāo)其中，為深度dc的坐標(biāo)。

本實施方式中，隨機生成c＝4個深度值d＝(d1，d2，d3，d4)＝(3，1，4，6)，對應(yīng)的深度點坐標(biāo)

步驟1.1.3：根據(jù)生成的c個深度值d＝(d1，d2，d3，...，dc)，采用三次樣條算法，按照長度采樣間隔δl和寬度采樣間隔δw生成該組管道缺陷的深度矩陣d。

本實施方式中，根據(jù)生成的4個深度值d＝(3，1，4，6)采用三次樣條算法，按照長度采樣間隔δl＝1mm和寬度采樣間隔δw＝1mm生成該組管道缺陷的深度矩陣d如式(1)所示：

步驟1.2：采用磁偶極子模型對步驟1.1生成的管道缺陷輪廓進行仿真，得到仿真的管道缺陷輪廓的軸向漏磁信號y。

步驟1.2.1：對生成的管道缺陷的尺寸進行擴展：對管道缺陷軸向方向兩邊分別擴展l/2，管道缺陷周向方向兩側(cè)分別擴展w/2，得到拓展后的管道缺陷。

本實施方式中，對管道缺陷軸向兩邊分別擴展20mm，管道缺陷周向兩側(cè)分別擴展15mm。得到缺陷的檢測區(qū)域長80mm、寬60mm。

步驟1.2.2：取擴展后的管道缺陷的缺陷單元mij，采用軸向磁偶極子模型得到各缺陷單元的軸向漏磁信號yij，并計算仿真的管道缺陷輪廓的軸向漏磁信號y，其中i∈(-l，-l+δl，-l+2δl，...，l)，j∈(-w，-w+δw，-w+2δw，...，w)。

本實施方式中，取擴展后的管道缺陷的缺陷單元mij，采用軸向磁偶極子模型得到各缺陷單元的軸向漏磁信號yij如式(2)所示：

其中，dij為缺陷單元mij的深度，x為軸向檢測向量(-l，-l+δl，-l+2δl，......，2l)，y為周向檢測向量(-w，-w+δw，-w+2δw，...，w)，σms＝2.53e-5為等效磁化面電荷，μ0＝4π×10^-7為真空磁導(dǎo)率，z為提離值。

得到的仿真的各缺陷單元的軸向漏磁信號yij如式(3)所示：

計算仿真的管道缺陷輪廓的軸向漏磁信號y如式(4)所示：

步驟1.3：重復(fù)步驟1.1至步驟1.2，生成n組管道缺陷深度矩陣d仿＝(d1，d2，...，dn)，并仿真得到n組管道缺陷輪廓的軸向漏磁信號y仿＝(y1，y2，...，yn)。

本實施方式中，共生成60000組管道缺陷深度矩陣d仿＝(d1，d2，...，d60000)，并仿真得到60000組管道缺陷輪廓的軸向漏磁信號y仿＝(y1，y2，...，y60000)。

步驟2：獲取實測的k組管道缺陷深度矩陣d實＝(d1，d2，...，dk)，并采用磁場傳感器測量其相應(yīng)的軸向漏磁信號y實＝(y1，y2，...，yk)。

本實施方式中，獲取實測的100組管道缺陷深度矩陣d實＝(d1，d2，...，d100)，并采用磁場傳感器測量其相應(yīng)的軸向漏磁信號y實＝(y1，y2，...，y100)。

步驟3：構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)模型，采用仿真的管道缺陷輪廓的軸向漏磁信號y仿和實測的管道缺陷輪廓的軸向漏磁信號y實進行預(yù)處理后對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到最終的卷積神經(jīng)網(wǎng)絡(luò)模型。

步驟3.1：將仿真的管道缺陷輪廓的軸向漏磁信號y仿和實測的管道缺陷輪廓的軸向漏磁信號y實轉(zhuǎn)換為相應(yīng)的仿真漏磁信號的灰度圖像g仿＝(g1，g2，...，g60000)和實測漏磁信號的灰度圖像g實＝(g1，g2，...，g100)。

步驟3.2：將仿真漏磁信號的灰度圖像g仿＝(g1，g2，...，g60000)和實測漏磁信號的灰度圖像g實＝(g1，g2，...，g100)進行歸一化處理。

本實施方式中，將仿真漏磁信號的灰度圖像g仿＝(g1，g2，...，g60000)和實測漏磁信號的灰度圖像g實＝(g1，g2，...，g100)進行歸一化處理，將其灰度值歸一化到[0，1]之間。

步驟3.3：將歸一化后的仿真漏磁信號的灰度圖像g′仿＝(g′1，g′2，...，g′60000)和歸一化后的實測漏磁信號的灰度圖像g′實＝(g′1，g′2，...，g′100)均縮放為n*n像素點的圖像，得到n+k幅n*n像素點圖像，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像集合g。

本實施方式中，將歸一化后的仿真漏磁信號的灰度圖像g′仿＝(g′1，g′2，...，g′60000)和歸一化后的實測漏磁信號的灰度圖像g′實＝(g′1，g′2，...，g′100)均縮放為56×56像素點的圖像，得到60100幅56×56像素點圖像，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像集合g。

步驟3.4：根據(jù)60000組管道缺陷深度矩陣d仿＝(d1，d2，...，d60000)和100組管道缺陷深度矩陣d實＝(d1，d2，...，dk)中各深度矩陣中的最大深度值dμmax和各缺陷深度的管壁厚度dμwall得到各缺陷深度的標(biāo)簽pμ，作為卷積神經(jīng)網(wǎng)絡(luò)的輸出p＝p1，p2，...，pn+k，其中，μ∈1，2，...，n+k。

本實施方式中，各缺陷深度的標(biāo)簽pμ的計算公式如式(5)所示：

pμ＝round(dμmax/dμwall×10)(5)

其中，缺陷最大深度為dμmax＝7mm，管壁厚度為dμwall＝10mm，round()為對數(shù)作四舍五入取整運算。

步驟3.5：將卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像集合g與其對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)的輸出p＝p1，p2，...，pn+k一一對應(yīng)后作為樣本集中的樣本，構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)模型，對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到最終的卷積神經(jīng)網(wǎng)絡(luò)模型。

本實施方式中，構(gòu)造的卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示，為5層卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)的中間層包括2個卷積層，2個降采樣層和1個全連接層。其中，每個卷積層后面都緊跟著一個用來求局部加權(quán)平均的降采樣層作為二次特征提取。這種特有的兩次特征提取相結(jié)合的結(jié)構(gòu)使網(wǎng)絡(luò)對輸入圖片具有一定的容忍噪聲能力，即表現(xiàn)為網(wǎng)絡(luò)的魯棒性。

指定卷積神經(jīng)網(wǎng)絡(luò)的輸入為56×56的灰度圖。卷積層c1有8張52×52特征圖，池化層s2有8張13×13特征圖，卷積層c3有16張9×9特征圖，池化層s4有16張3×3特征圖。連接層p設(shè)置144個節(jié)點，輸出層設(shè)置10個節(jié)點。

步驟3.5.1：采用不同的小隨機數(shù)初始化卷積神經(jīng)網(wǎng)絡(luò)中待訓(xùn)練參數(shù)。

步驟3.5.2：將卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像集合g與其對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)的輸出p＝p1，p2，...，pn+k一一對應(yīng)后作為樣本集中的樣本，從樣本集中隨機選取80％個樣本作為訓(xùn)練樣本，將20％個樣本作為測試樣本。每條樣本包括輸入向量和理想輸出向量。

步驟3.5.3：將訓(xùn)練樣本輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，輸入向量經(jīng)過逐層變換，傳送到輸出層，得到實際輸出向量。

步驟3.5.4：使用交叉熵損失函數(shù)，結(jié)合bp反向傳播算法調(diào)整卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，利用softmax回歸作為分類算法，完成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

步驟3.5.5：重復(fù)步驟3.5.3至步驟3.5.4將卷積神經(jīng)網(wǎng)絡(luò)反復(fù)訓(xùn)練100次，其中測試成功率最高為95％，將其作為最終的卷積神經(jīng)網(wǎng)絡(luò)模型。

步驟4：采用磁場傳感器測得未知深度的管道缺陷的軸向漏磁信號y測，將未知深度的管道缺陷的軸向漏磁信號y測進行預(yù)處理后，輸入最終的卷積神經(jīng)網(wǎng)絡(luò)模型，得到未知深度的管道缺陷的深度預(yù)測值。

步驟4.1：采用磁場傳感器測得未知深度的管道缺陷的軸向漏磁信號y測，轉(zhuǎn)換為相應(yīng)的未知深度漏磁信號的灰度圖像g測；

步驟4.2：將未知深度漏磁信號的灰度圖像g測進行歸一化處理；

步驟4.3：將歸一化后的未知深度漏磁信號的灰度圖像g′測縮放為n*n像素點的圖像，輸入最終的卷積神經(jīng)網(wǎng)絡(luò)模型，得到未知深度的管道缺陷的深度預(yù)測值d測。

本實施方式中，根據(jù)計算得到的未知深度的管道缺陷的深度預(yù)測值d測與實際深度d實的誤差δ如式(6)所示：

測試200個未知缺陷，準(zhǔn)確度達到90％。