《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 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。
中國分類號： TE973；TP391.41
文獻(xiàn)標(biāo)識碼： A
DOI： 10.19358/j.issn.2096-5133.2020.10.013
引用格式： 鄭林，張紅星，句海洋. 基于稀疏建模和SVM的管道缺陷分類方法研究[J].信息技術(shù)與網(wǎng)絡(luò)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氣輸送手段之一，對在役管道進(jìn)行無損檢測和安全評價(jià)已受到各國的高度重視[1]。管道在鋪設(shè)和運(yùn)行后，由于腐蝕、第三方破壞以及自然災(zāi)害等因素的影響，不可避免地會形成一些損傷，需要通過相關(guān)的檢測方法及時檢測缺陷，并評估其對管道安全的影響。常規(guī)管道檢測中常用的無損檢測（NDT）技術(shù)有超聲波檢測（UT）和漏磁檢測（MFL）[2]，屬于管道內(nèi)檢測（ILI）范疇，ILI需要克服管道運(yùn)行壓力、流量、變形和管道清潔度對檢測精度的影響，而傳統(tǒng)的內(nèi)部檢測技術(shù)僅適用于已形成的宏觀缺陷，對鐵磁材料的應(yīng)力集中和損傷早期診斷無效[3]。另外，大多數(shù)埋地管道都具有限制清管的特點(diǎn)，因此在非開挖狀態(tài)下，管道缺陷的檢測是一個亟待解決的問題。

    目前，可用的一些外部檢測技術(shù)包括渦流（EC）方法[4]、導(dǎo)波檢測（GWT）[5]、瞬變電磁法（TEM）[6]和射線掃描法[7]，以上方法稱為主動式（有激勵信號源）檢測，但以上方法均為外部電磁激勵檢測方法，增加了現(xiàn)場檢測的難度，且對于管道損傷等級的劃分精度方面存在較大問題。

    相關(guān)學(xué)者從不同的角度對管道缺陷處產(chǎn)生的缺陷磁信號與缺陷參數(shù)大小關(guān)系進(jìn)行了實(shí)驗(yàn)和研究，針對金屬磁記憶檢測管道缺陷判定準(zhǔn)則的局限性，易方等人[8]構(gòu)造了五維支持向量機(jī)輸入特征向量：區(qū)域信號的峰峰值、修正傅里葉系數(shù)、小波包頻帶能量增量、信號的檢測切向梯度和檢測法向梯度。管道狀態(tài)劃分為應(yīng)力集中、微觀缺陷和宏觀缺陷3個等級。張軍等[9]選取磁信號的峰峰值和梯度值作為特征向量來描述缺陷信號特征，通過BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了套管故障風(fēng)險(xiǎn)等級的非線性分類，實(shí)驗(yàn)驗(yàn)證了方法的有效性。邢海燕[10]針對焊縫不同等級的磁記憶特征提取及定量評價(jià)難題，引入能夠反映焊縫損傷程度的奇異譜熵、功率譜熵和小波空間能譜熵，首次提出信息熵帶與D-S理論聯(lián)合的磁記憶定量評價(jià)模型。然而，以上文獻(xiàn)中所使用的管道缺陷識別方法存在實(shí)驗(yàn)樣本少、識別模型普適性不足以及無現(xiàn)場實(shí)際驗(yàn)證等問題。

    鑒于以上問題，為彌補(bǔ)現(xiàn)有埋地管道缺陷損傷程度分類問題的不足，本文提出基于稀疏建模和SVM的管道缺陷損傷程度分類模型，采用稀疏模型提取管道缺陷的本質(zhì)特征向量，并將缺陷特征向量通過改進(jìn)的多分類支持向量機(jī)分類，為埋地鋼質(zhì)管道在非開挖情況的管體損傷缺陷檢測提供了一種有效的方法。




本文詳細(xì)內(nèi)容請下載:http://m.ihrv.cn/resource/share/2000003144




作者信息:

鄭  林1，張紅星2，句海洋3，4

(1.太原衛(wèi)星發(fā)射中心，山西 太原036303；2.中電智能科技有限公司，北京102209；

3.華北計(jì)算機(jī)系統(tǒng)工程研究所，北京100083；4.北京工業(yè)大學(xué)，北京100124)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。