油气管道漏磁检测缺陷的三维成像技术

漏磁检测是油气管道常用的无损检测方法,检测的重点是根据测量的漏磁信号重构缺陷的轮廓。提出了基于小波神经网络的三维成像方法,利用图像函数矩阵表达出管道缺陷的三维图像,矩阵元素值对应着缺陷的深度。利用小波神经网络,建立了由缺陷漏磁信号到图像函数矩阵关系的映射。选用的小波函数是墨西哥草帽小波,采用随机梯度下降算法训练。训练样本为三维有限元仿真数据和测量数据。采用训练数据对小波神经网络进行逼近缺陷图像函数矩阵的训练,然后用训练好的小波神经网反演给定数据,重构缺陷图像。实验结果表明,该方法能够实现三维缺陷漏磁检测的成像化及可视化。     

基于稀疏化LS-SVM的漏磁缺陷三维轮廓重构

漏磁缺陷轮廓重构是指由检测到的漏磁信号重构缺陷轮廓及参数，是实现漏磁反演的关键。将最小二乘支持向量机( LS-SVM)应用于漏磁缺陷的三维轮廓重构中，并对LS-SVM采取了稀疏化处理，将漏磁信号磁通密度法向分量Bz作为支持向量机网络的输入，缺陷的几何参数长度、宽度、深度作为输出，由实验测量数据和三维有限元仿真计算得到的仿真数据组建样本库。建立了由缺陷的漏磁信号到缺陷三维轮廓图的映射关系，实现了缺陷三维轮廓的重构。实验结果表明：该方法具有很高的精度和很好的泛化能力，同时对噪声也有一定容忍能力。     

基于LS-SVM的管道二维漏磁缺陷重构

针对铁磁材料的无损评估中,漏磁信号描述缺陷的几何特征难点,提出了应用支持向量机对二维缺陷重构的新方法,支持向量机输入是漏磁信号,输出是缺陷轮廓数据,建立了由缺陷的漏磁信号到缺陷二维轮廓的映射关系.网络学习采用最小二乘算法,训练样本由实验数据与仿真数据组成,测试样本为人工裂纹缺陷.该方法实现了人工裂纹缺陷的二维轮廓的重构,并与径向基神经网络重构结果进行了比较.试验结果表明,该方法具有速度快、精度高和很好的泛化能力,为漏磁检测定量化提供了一种可行的方法.     

基于PSO-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,用漏磁信号描述缺陷的几何特征一直是漏磁检测的难点。提出应用最小二乘支持向量机对缺陷轮廓重构的方法,并利用粒子群算法来优化LS-SVM的参数及核函数参数。支持向量机输入是漏磁信号,输出是缺陷轮廓数据,建立了由缺陷的漏磁信号到缺陷二维轮廓的映射关系。训练样本由试验数据与仿真数据组成,测试样本为人工裂纹缺陷。该方法实现了人工裂纹缺陷的二维轮廓的重构,并与BP神经网络、GA-LS-SVM两种方法进行了比较。试验结果表明,该方法具有速度快、精度高和很好的泛化能力,为漏磁检测定量化提供了一种可行的方法。