发明名称 |
一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
摘要 |
本发明提供一种基于Adaboost‑RBF协同的管道缺陷漏磁反演方法,涉及管道漏磁检测技术领域。该方法包括:对标准缺陷进行漏磁检测,并进行特征提取;测量待测缺陷所在管道前若干米的缺陷形状参数;对待测缺陷所在管道进行漏磁检测,并进行特征提取;确定样本数据和待测数据;建立Adaboost‑RBF神经网络初始模型;校正Adaboost‑RBF神经网络初始模型;将待测数据输入最终模型,得到待测缺陷的形状参数,完成反演。本发明运用Adaboost‑RBF神经网络模型对管道缺陷进行反演,能够进行快速的缺陷形状重构,学速度快,精度高,泛化性能好,并能判断该缺陷的严重性,从而预防管道泄漏,避免损失。 |
申请公布号 |
CN106018545A |
申请公布日期 |
2016.10.12 |
申请号 |
CN201610488711.7 |
申请日期 |
2016.06.29 |
申请人 |
东北大学;沈阳仪表科学研究院有限公司 |
发明人 |
冯健;刘光恒;刘金海;张化光;汪刚;马大中;吴振宇;温胤镭 |
分类号 |
G01N27/83(2006.01)I;G06N3/02(2006.01)I |
主分类号 |
G01N27/83(2006.01)I |
代理机构 |
沈阳东大知识产权代理有限公司 21109 |
代理人 |
梁焱 |
主权项 |
一种基于Adaboost‑RBF协同的管道缺陷漏磁反演方法,其特征在于,包括:步骤1:对标准缺陷进行漏磁检测,并将其漏磁信号进行特征提取,得到缺陷漏磁信号波形特征值;步骤2:利用标尺等工具人工测量待测缺陷所在管道起点处前若干米的缺陷形状参数;步骤3:对待测缺陷所在管道进行漏磁检测,并将其漏磁信号进行特征提取;步骤4:确定样本数据和待测数据,并将所述样本数据分为训练样本数据和测试样本数据;步骤5:通过训练样本数据建立Adaboost‑RBF神经网络初始模型;步骤6:利用测试样本数据校正所述Adaboost‑RBF神经网络初始模型,得到Adaboost‑RBF神经网络最终模型;步骤7:将所述待测数据输入所述Adaboost‑RBF神经网络最终模型,得到待测缺陷的形状参数,完成对待测管道漏磁信号的反演。 |
地址 |
110819 辽宁省沈阳市和平区文化路3号巷11号 |