《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于稀疏建模和SVM的管道缺陷分類方法研究
基于稀疏建模和SVM的管道缺陷分類方法研究
2020年信息技術(shù)與網(wǎng)絡(luò)安全第10期
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
摘要： 埋地鋼質(zhì)管道缺陷識(shí)別及評(píng)估是管道檢測(cè)領(lǐng)域中長(zhǎng)期存在的難點(diǎn)之一，而實(shí)現(xiàn)對(duì)管道缺陷準(zhǔn)確分類的前提是管道損傷信號(hào)的精準(zhǔn)提取，針對(duì)埋地管道缺陷信號(hào)特征提出一種基于稀疏建模和支持向量機(jī)(SVM)的管道缺陷信號(hào)提取與識(shí)別方法。通過(guò)從原始信號(hào)中學(xué)習(xí)獲得字典，將該字典采用正則化正交匹配追蹤算法構(gòu)建缺陷信號(hào)稀疏模型，并根據(jù)壓縮感知理論獲得信號(hào)的特征向量。進(jìn)一步，采用多分類SVM將缺陷信號(hào)的特征向量與管道實(shí)際缺陷類型建立映射關(guān)系，并通過(guò)遺傳粒子群優(yōu)化算法指導(dǎo)SVM參數(shù)選取。結(jié)果表明：提出的分類方法可實(shí)現(xiàn)對(duì)管道缺陷損傷程度的準(zhǔn)確劃分，該方法已經(jīng)成功通過(guò)實(shí)驗(yàn)室驗(yàn)證，并成功應(yīng)用于華北某油田的工程領(lǐng)域檢測(cè)。
中國(guó)分類號(hào)： TE973；TP391.41
文獻(xiàn)標(biāo)識(shí)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(duì)在役管道進(jìn)行無(wú)損檢測(cè)和安全評(píng)價(jià)已受到各國(guó)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(huì)形成一些損傷，需要通過(guò)相關(guān)的檢測(cè)方法及時(shí)檢測(cè)缺陷，并評(píng)估其對(duì)管道安全的影響。常規(guī)管道檢測(cè)中常用的無(wú)損檢測(cè)（NDT）技術(shù)有超聲波檢測(cè)（UT）和漏磁檢測(cè)（MFL）[2]，屬于管道內(nèi)檢測(cè)（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(duì)檢測(cè)精度的影響，而傳統(tǒng)的內(nèi)部檢測(cè)技術(shù)僅適用于已形成的宏觀缺陷，對(duì)鐵磁材料的應(yīng)力集中和損傷早期診斷無(wú)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(kāi)挖狀態(tài)下，管道缺陷的檢測(cè)是一個(gè)亟待解決的問(wèn)題。

    目前，可用的一些外部檢測(cè)技術(shù)包括渦流（EC）方法[4]、導(dǎo)波檢測(cè)（GWT）[5]、瞬變電磁法（TEM）[6]和射線掃描法[7]，以上方法稱為主動(dòng)式（有激勵(lì)信號(hào)源）檢測(cè)，但以上方法均為外部電磁激勵(lì)檢測(cè)方法，增加了現(xiàn)場(chǎng)檢測(cè)的難度，且對(duì)于管道損傷等級(jí)的劃分精度方面存在較大問(wèn)題。

    相關(guān)學(xué)者從不同的角度對(duì)管道缺陷處產(chǎn)生的缺陷磁信號(hào)與缺陷參數(shù)大小關(guān)系進(jìn)行了實(shí)驗(yàn)和研究，針對(duì)金屬磁記憶檢測(cè)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(hào)的峰峰值、修正傅里葉系數(shù)、小波包頻帶能量增量、信號(hào)的檢測(cè)切向梯度和檢測(cè)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(gè)等級(jí)。張軍等[9]選取磁信號(hào)的峰峰值和梯度值作為特征向量來(lái)描述缺陷信號(hào)特征，通過(guò)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了套管故障風(fēng)險(xiǎn)等級(jí)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(duì)焊縫不同等級(jí)的磁記憶特征提取及定量評(píng)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(píng)價(jià)模型。然而，以上文獻(xiàn)中所使用的管道缺陷識(shí)別方法存在實(shí)驗(yàn)樣本少、識(shí)別模型普適性不足以及無(wú)現(xiàn)場(chǎng)實(shí)際驗(yàn)證等問(wèn)題。

    鑒于以上問(wèn)題，為彌補(bǔ)現(xiàn)有埋地管道缺陷損傷程度分類問(wèn)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(guò)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(kāi)挖情況的管體損傷缺陷檢測(cè)提供了一種有效的方法。




本文詳細(xì)內(nèi)容請(qǐng)下載:http://theprogrammingfactory.com/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。