基于深度学习的漏磁检测缺陷识别方法

发布时间：2022-07-22 17:18

　　传统漏磁信号缺陷量化缺少其他分量信息,人工特征的提取方式造成信息量有限。为此,提出一种基于深度学习的漏磁检测缺陷量化识别方法,并建立了漏磁检测缺陷识别模型,该模型包含深度卷积神经网络模块和回归模块。深度卷积神经网络模块利用卷积神经网络的多输入多输出互相关操作,完成漏磁缺陷信号3个分量（轴向、周向、径向）的数据融合,利用预训练的网络,迁移已有知识,实现缺陷信号的特征自动提取;回归模块中设计缺陷、长度和宽度联合损失函数,利用回归方式实现缺陷尺度的量化。采用有限元仿真和牵拉试验相结合的方式,建立漏磁信号缺陷量化数据集并划分为训练集和测试集,训练集用于模型训练,测试集进行方法验证。研究结果表明:90%置信度下,长度和宽度量化结果全部落在±10 mm的误差带上,深度量化结果全部落在±10%t （t为壁厚）的误差带上,满足工程检测要求,可有效完成管道漏磁缺陷识别。研究结果可为油气输送管道漏磁检测新技术的研究提供一定的参考。 

【文章页数】：6 页

【文章目录】：
0 引言
1 基本原理
    1.1 三维漏磁信号
    1.2 卷积神经网络
2 基于深度学习的漏磁检测缺陷识别模型
    2.1 深度卷积神经网络模块
    2.2 回归模块
3 试验与讨论
4 结束语


【参考文献】：
期刊论文
[1]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工.  智能系统学报. 2019(01)
[2]基于漏磁内检测的缺陷识别方法[J]. 刘金海,付明芮,唐建华.  仪器仪表学报. 2016(11)
[3]缺陷漏磁成像技术综述[J]. 黄松岭,彭丽莎,赵伟,王珅.  电工技术学报. 2016(20)
[4]海底管道检测最新技术及发展方向[J]. 王金龙,何仁洋,张海彬,郭晗,吴庆伟.  石油机械. 2016(10)
[5]长输油气管道漏磁内检测技术[J]. 杨理践,耿浩,高松巍.  仪器仪表学报. 2016(08)
[6]漏磁检测中的缺陷重构方法[J]. 彭丽莎,黄松岭,赵伟,王珅.  电测与仪表. 2015(13)



本文编号：3665018