專利名稱：一種基于rbf神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種油氣管道缺陷智能識別方法，特別涉及一種能夠準確、快速地識 別管道缺陷的基于RBF神經(jīng)網(wǎng)絡(luò)的油氣管道缺陷智能識別方法。
背景技術(shù)：
通過測量到的漏磁信號反映出缺陷的特征參量、輪廓等信息是漏磁檢測研究的難 點。一般的解決方式是分析缺陷參數(shù)和漏磁信號的相互關(guān)系，根據(jù)信號的特征反算出缺陷 的相關(guān)信息。采用經(jīng)驗公式的方法對缺陷的幾何尺寸進行量化，這種方法在對量化精度的 要求不是很高的情況下是可用的，但是對于高精度的缺陷量化，這種方法是難以滿足要求 的。基于磁偶極子的逆向方程進行缺陷的重構(gòu)，這種方法對于識別形狀簡單的缺陷有較大 的優(yōu)勢，但是油氣管道的實際缺陷比較復(fù)雜，形式多種多樣，采用這種方法計算量巨大。漏 磁信號受多種因素的聯(lián)合影響，漏磁信號與缺陷的幾何尺寸之間很難找到一個簡單的對應(yīng) 關(guān)系，根據(jù)若干特征進行缺陷反演建立一個缺陷識別的模型還存在很大的困難。人工神經(jīng) 網(wǎng)絡(luò)為解決這種工程問題提供了切實可行的途徑，神經(jīng)網(wǎng)絡(luò)是仿效生物處理模式以獲得智 能信息處理功能的理論，它著眼于大腦的微觀網(wǎng)絡(luò)結(jié)構(gòu)，通過大量神經(jīng)元的復(fù)雜連接，采用 由底到頂?shù)姆椒?，通過自學(xué)習(xí)、自組織和非線性動力學(xué)所形成的并行分布方式，來處理難于 語言化的模式信息。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能夠準確、快速地識別管道缺陷的一種基于RBF神經(jīng) 網(wǎng)絡(luò)的管道缺陷智能識別方法。本發(fā)明的目的是這樣實現(xiàn)的包括如下步驟⑴獲取管道缺陷數(shù)據(jù)；(2)建立RBF神經(jīng)網(wǎng)絡(luò)；(3)對神經(jīng)網(wǎng)絡(luò)進 行訓(xùn)練和測試；(4)利用通過測試的神經(jīng)網(wǎng)絡(luò)來預(yù)測管道缺陷輪廓。所述的管道缺陷尺寸包括管道缺陷的長度、寬度、深度。所述的步驟(1)還包括對管道缺陷輪廓數(shù)據(jù)歸一化到0和+1之間的歸一化過程。所述的神經(jīng)網(wǎng)絡(luò)包括一個輸入層、一個中間層和一個輸出層。所述的對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試是，將數(shù)據(jù)分為兩部分，前70%用來訓(xùn)練網(wǎng)絡(luò)， 記為訓(xùn)練樣本，后30%用來檢驗網(wǎng)絡(luò)，一記為檢驗樣本；對網(wǎng)絡(luò)反復(fù)訓(xùn)練，當預(yù)測值與監(jiān)測 數(shù)據(jù)間誤差達到0. 001時，停止訓(xùn)練，開始預(yù)測。本發(fā)明只需進行有限次試驗，就可以建立有關(guān)管道缺陷輪廓預(yù)測模型，通過計算 機仿真試驗，科學(xué)預(yù)測，能夠準確、快速地預(yù)測管道缺陷輪廓。


圖1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；圖加-圖2f徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練的管道缺陷預(yù)測圖與實際圖對比圖3管道缺陷輪廓樣本集表。
具體實施例方式下面結(jié)合實施例對本發(fā)明的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法做出詳 細說明。本發(fā)明的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，包括如下步驟(1)獲取管道缺陷漏磁和管道缺陷輪廓數(shù)據(jù)。本發(fā)明的實施例中獲取的管道缺陷尺寸是管道的長度、寬度、深度。根據(jù)缺陷產(chǎn)生 的漏磁信號預(yù)測缺陷幾何參數(shù)的過程，實質(zhì)上是一個建立漏磁信號與缺陷幾何參數(shù)的映射 關(guān)系的過程。將所有的樣本分為訓(xùn)練樣本集和測試樣本集。樣本的長度、寬度、深度如表 6. 1所示。在獲取的管道缺陷漏磁數(shù)值歸一化到0和+1之間。(2)建立RBF神經(jīng)網(wǎng)絡(luò)。所述的神經(jīng)網(wǎng)絡(luò)由輸入層、一個隱含層(徑向基層)和一個線性輸出層組成的前 向神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)的主要特征是隱含層采用徑向基函數(shù)作為神經(jīng)元的激活函數(shù)，使 其具有局部感受特性。所有數(shù)據(jù)歸一化到0和+1之間。(3)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試。所述的對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試是，將管道缺陷漏磁數(shù)據(jù)及管道缺陷輪廓記為 一組數(shù)據(jù)，并將所有組數(shù)據(jù)分為兩部分，前70%稱為訓(xùn)練樣本，后30%稱為檢驗樣本。將70%的訓(xùn)練樣本用來訓(xùn)練網(wǎng)絡(luò)，建立學(xué)習(xí)機制，即當輸入一組數(shù)據(jù)時，即給出管 道缺陷輪廓這樣一組輸入數(shù)據(jù)時，經(jīng)過網(wǎng)絡(luò)自動運算，會有一個輸出值(預(yù)測的管道缺陷 輪廓)，比較輸出值與期望輸出值(實際測量的管道缺陷輪廓)之間的誤差，若誤差小于指 定精度，則學(xué)習(xí)結(jié)束。否則，進入下一組學(xué)習(xí)，直到連接權(quán)值對所有訓(xùn)練組的預(yù)測誤差均在 指定范圍內(nèi)，輸出此時的最佳權(quán)值。訓(xùn)練組越多，網(wǎng)絡(luò)的學(xué)習(xí)越充分，網(wǎng)絡(luò)經(jīng)驗值越大，預(yù)測 精度越高。對網(wǎng)絡(luò)反復(fù)訓(xùn)練，當誤差達到0.001時，停止訓(xùn)練，開始預(yù)測。此時預(yù)測模型目 標值與輸出值相關(guān)系數(shù)高達0. 9887，均方根誤差為0. 25500。將另外30%的檢驗樣本用來檢驗網(wǎng)絡(luò)。當網(wǎng)絡(luò)訓(xùn)練結(jié)束后，利用另外30%的數(shù) 據(jù)來檢驗網(wǎng)絡(luò)，看模型得是否符合要求。利用神經(jīng)網(wǎng)絡(luò)預(yù)測另外30%組所對應(yīng)的管道缺陷 輪廓，對照模型預(yù)測值與實際測量值間的誤差，當神經(jīng)網(wǎng)絡(luò)在各組測試數(shù)據(jù)的預(yù)測誤差均 低于規(guī)定水平時即通過測試，可以用于預(yù)測工作。此時模型預(yù)測值與實測值間相關(guān)系數(shù)為 0. 8376，均方根誤差為0. 5785，通過測試。在進行訓(xùn)練中，當神經(jīng)網(wǎng)絡(luò)在各組測試數(shù)據(jù)的預(yù) 測誤差均低于規(guī)定水平時即通過測試，可以用于預(yù)測工作。(4)利用通過測試的神經(jīng)網(wǎng)絡(luò)進行預(yù)測。利用通過測試的神經(jīng)網(wǎng)絡(luò)進行預(yù)測必須將輸入數(shù)據(jù)歸一化到0和+1之間，再輸入 到通過測試的神經(jīng)網(wǎng)絡(luò)中，并將網(wǎng)絡(luò)運算后的輸出進行反歸一化，就得到管道缺陷輪廓。以上結(jié)果說明，所建立的神經(jīng)網(wǎng)絡(luò)對訓(xùn)練組和測試組都有很好的預(yù)測效果，因而 具有較強的推廣能力。本實施例表明，本發(fā)明能夠準確、快速地預(yù)測管道缺陷輪廓，且預(yù)測 方法有較強的推廣能力，具有廣闊的應(yīng)用前景。
權(quán)利要求
1.一種基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，其特征在于(1)獲取管道缺陷漏磁和管道缺陷輪廓數(shù)據(jù)作為檢測數(shù)據(jù)；(2)建立RBF神經(jīng)網(wǎng)絡(luò)；(3)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試；(4)利用通過測試的神經(jīng)網(wǎng)絡(luò)進行預(yù)測。
2.根據(jù)權(quán)利要求1所述的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，其特征在于 所述的管道缺陷尺寸是管道的長度、寬度、深度。
3.根據(jù)權(quán)利要求2所述的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，其特征在于 獲取管道缺陷漏磁和管道缺陷輪廓數(shù)據(jù)作為檢測數(shù)據(jù)后對管道缺陷漏磁和管道缺陷輪廓 數(shù)據(jù)歸一化到0和+1之間。
4.根據(jù)權(quán)利要求3所述的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，其特征在于 所述的神經(jīng)網(wǎng)絡(luò)包括一個輸入層、一個中間層和一個輸出層。
5.根據(jù)權(quán)利要求4所述的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，其特征在于 所述的對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試是，將檢測數(shù)據(jù)分為兩部分，前70%用來訓(xùn)練網(wǎng)絡(luò)，記為 訓(xùn)練樣本，后30%用來檢驗網(wǎng)絡(luò)，記為檢驗樣本；對網(wǎng)絡(luò)反復(fù)訓(xùn)練，當預(yù)測值與監(jiān)測數(shù)據(jù)間 誤差達到0. 001時，停止訓(xùn)練，開始預(yù)測。
6.根據(jù)權(quán)利要求5所述的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，其特征在于 所述的對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是采用徑向基算法進行訓(xùn)練。
7.根據(jù)權(quán)利要求6所述的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，其特征在于 當神經(jīng)網(wǎng)絡(luò)對各組檢驗樣本的預(yù)測誤差均低于規(guī)定水平時即通過測試。
8.根據(jù)權(quán)利要求7所述的基于RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷智能識別方法，其特征在于 利用通過測試的神經(jīng)網(wǎng)絡(luò)進行預(yù)測時，先將檢測數(shù)據(jù)歸一化到0和+1之間，再進行輸入，并 將網(wǎng)絡(luò)運算后的輸出值進行反歸一化，即得到管道缺陷輪廓預(yù)測值。
全文摘要
本發(fā)明提供的是一種基于RBF神經(jīng)網(wǎng)絡(luò)的油氣管道缺陷智能識別方法。(1)獲取管道缺陷漏磁信號和管道缺陷輪廓作為檢測數(shù)據(jù)；(2)建立RBF神經(jīng)網(wǎng)絡(luò)；(3)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試；(4)利用通過測試的神經(jīng)網(wǎng)絡(luò)來預(yù)測管道缺陷輪廓。管道缺陷輪廓包括管道缺陷的長度、寬度和深度。本發(fā)明只需進行有限次試驗，就可以建立有關(guān)管道缺陷輪廓預(yù)測模型，通過計算機仿真試驗，科學(xué)預(yù)測，能夠準確、快速地預(yù)測管道缺陷輪廓。
文檔編號G06K9/62GK102122351SQ20111004875
公開日2011年7月13日 申請日期2011年3月1日 優(yōu)先權(quán)日2011年3月1日
發(fā)明者劉楊, 劉勝, 李冰 申請人:哈爾濱工程大學(xué)