基于中层特征的管道缺陷故障分类方法研究

发布时间：2022-10-28 22:14

　　随着我国经济的快速发展,工业生产中对石油、天然气的需求量急剧上升,对输油管道的依赖性也越来越强。在管道故障诊断领域,即使一些微小的故障都会带来价格昂贵的维护成本。为了减少管道的故障以及由故障带来的经济损失,海底管道的状态监测和故障诊断在降低停机时间和维修成本方面日益重要。目前在海底管道异常识别与分类领域存在微小异常难以发现、多类复杂异常难以识别的问题。为了解决这些问题,本文提出了一种基于中层特征的管道缺陷故障分类方法,主要完成了以下几个方面的研究:第一,针对利用现有的管道缺陷故障分类方法对微小缺陷及缺陷局部进行分类时精度低的问题,提出了一种基于词袋模型（Bagof Words,BOW）的中层特征提取方法。该模型可将图像的底层特征转化成中层语义特征。由于海管内检测器采集到的漏磁数据含有噪声,因此需要对漏磁数据进行预处理操作,包括对信号进行放大、插值和滤波,然后对漏磁数据进行圈框,并将圈框内的数据映射到0～255之间,形成漏磁数据样本集。第二,针对BOW模型忽略图像特征点间的空间位置信息的问题,提出了一种基于空间金字塔模型（Spatial Pyramid Matching,SPM）的中层特... 

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的背景及研究意义
        1.1.1 课题的背景
        1.1.2 课题的意义
    1.2 管道漏磁检测技术
        1.2.1 漏磁检测的原理
        1.2.2 漏磁数据的检测与处理流程
        1.2.3 无损检测技术对比
    1.3 国内外发展现状
        1.3.1 故障诊断研究发展现状
        1.3.2 特征提取方法的研究现状
    1.4 本文的研究内容及章节安排
第2章 漏磁图像特征表示方法
    2.1 漏磁图像底层特征分析
        2.1.1 颜色特征提取方法
        2.1.2 灰度直方图特征提取方法
        2.1.3 纹理特征提取方法
        2.1.4 SIFT算法分析
    2.2 漏磁图像中层特征分析
        2.2.1 故障图像的语义信息
        2.2.2 BOW模型提取的图像中层特征仿真分析
        2.2.3 SPM提取的图像中层特征仿真分析
    2.3 本章小结
第3章 基于BOW模型的管道缺陷故障分类方法研究
    3.1 支持向量机
        3.1.1 SVM基本原理
        3.1.2 SVM实现图像分类的过程
        3.1.3 SVM的核函数
    3.2 BOW模型提取漏磁图像中层特征的方法
        3.2.1 SIFT底层特征提取方法
        3.2.2 视觉词典生成过程
        3.2.3 BOW中层特征生成方法
    3.3 基于径向基核函数的漏磁图像BOW特征分类方法的分析与设计
        3.3.1 径向基核函数原理
        3.3.2 漏磁图像BOW特征分类仿真实验设计
        3.3.3 实验结果分析
    3.4 基于直方图交叉核的漏磁图像BOW特征分类方法的分析与设计
        3.4.1 直方图交叉核原理
        3.4.2 基于直方图交叉核的漏磁图像BOW特征分类仿真实验设计
        3.4.3 分类效果受参数影响的规律分析
    3.5 本章小结
第4章 基于SPM的管道缺陷故障分类方法研究
    4.1 故障图像的空间信息方法
        4.1.1 局部空间信息方法
        4.1.2 全局空间信息方法
    4.2 SPM模型提取漏磁图像中层特征的过程
        4.2.1 图像的尺度空间
        4.2.2 中层特征提取方法的改进
    4.3 基于径向基核函数的漏磁图像SPM特征分类方法分析与设计
        4.3.1 漏磁图像SPM中层特征分类方法仿真实验设计
        4.3.2 基于径向基核函数的SPM特征分类实验结果分析
    4.4 基于直方图交叉核的漏磁图像SPM特征分类方法分析与设计
        4.4.1 基于直方图交叉核的漏磁图像SPM特征分类仿真实验设计
        4.4.2 四种分类方法性能的对比分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士期间科研情况


【参考文献】：
期刊论文
[1]基于卷积神经网络的层级化智能故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  控制与决策. 2019(12)
[2]故障并行计算在船舶电力设备故障信号诊断中的应用[J]. 张涛.  舰船科学技术. 2018(22)
[3]基于对象BOW特征的高分辨率遥感影像变化检测方法[J]. 罗星,徐伟铭,王佳.  地球信息科学学报. 2018(08)
[4]基于极限学习机的中文文本分类方法[J]. 程东生,范广璐,俞雯静,伍飞,曾伟波.  重庆理工大学学报(自然科学). 2018(08)
[5]基于主元分析和线性判别分析降维的稀疏表示分类[J]. 那天,宋晓宁,於东军.  南京理工大学学报. 2018(03)
[6]基于改进型主元分析和SVR的煤矿瓦斯涌出量预测[J]. 张文东,胡彧.  中北大学学报(自然科学版). 2018(03)
[7]基于鲁棒滑模观测器的多电机卷绕系统故障检测和隔离[J]. 楚晓艳,年晓红,刘静静.  控制理论与应用. 2018(06)
[8]基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取[J]. 刘嘉辉,董辛旻,李剑飞.  中国机械工程. 2018(08)
[9]一类伴有不匹配未知干扰系统的故障信号检测[J]. 李艳冰,徐克林.  精密制造与自动化. 2018(01)
[10]基于视频场景深度学习的人物语义识别模型[J]. 高翔,陈志,岳文静,龚凯.  计算机技术与发展. 2018(06)

博士论文
[1]基于特征表示的行为识别方法研究[D]. 陈飞飞.华中科技大学 2015

硕士论文
[1]基于小波分析和隐马尔科夫模型的风机轴承的故障诊断研究[D]. 程恒煜.昆明理工大学 2018
[2]基于深度学习和稀疏表示的SAR图像分类[D]. 焦翔.西安电子科技大学 2017
[3]基于中层特征的行人再识别技术研究与应用[D]. 王亚东.宁波大学 2017
[4]基于特征学习的行人重识别研究[D]. 邱隆庆.华南理工大学 2017
[5]基于中层语义特征表达的物体检测方法研究[D]. 陈浩.北京工业大学 2016
[6]基于多层次特征表示的场景图像分类算法研究[D]. 王芬.重庆大学 2016
[7]基于中层特征的精细图像分类[D]. 曹永娇.哈尔滨工程大学 2015
[8]基于中层特征表示的图像分类研究[D]. 赵悦.北京交通大学 2014
[9]基于主元分析和支持向量回归机的故障预测[D]. 徐海永.大连理工大学 2013
[10]基于主动学习的图像分类研究[D]. 李向林.西安电子科技大学 2013



本文编号：3697384