亚洲专区中文字幕,国产免费一区二区三区四在线播放,亚洲精品无码久久久久久

基于稀疏建模和SVM的管道缺陷分类方法研究

2020年信息技术与网络安全第10期

郑林1，张红星2，句海洋3，4

1.太原卫星发射中心，山西太原036303；2.中电智能科技有限公司，北京102209； 3.华北计算机系统工程研究所，北京100083；4.北京工业大学，北京100124

摘要： 埋地钢质管道缺陷识别及评估是管道检测领域中长期存在的难点之一，而实现对管道缺陷准确分类的前提是管道损伤信号的精准提取，针对埋地管道缺陷信号特征提出一种基于稀疏建模和支持向量机(SVM)的管道缺陷信号提取与识别方法。通过从原始信号中学习获得字典，将该字典采用正则化正交匹配追踪算法构建缺陷信号稀疏模型，并根据压缩感知理论获得信号的特征向量。进一步，采用多分类SVM将缺陷信号的特征向量与管道实际缺陷类型建立映射关系，并通过遗传粒子群优化算法指导SVM参数选取。结果表明：提出的分类方法可实现对管道缺陷损伤程度的准确划分，该方法已经成功通过实验室验证，并成功应用于华北某油田的工程领域检测。

關鍵詞： 稀疏建模 SVM 管道缺陷分类方法

中國分類號： TE973；TP391.41
文獻標識碼： 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].信息技術與網絡安全，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，對在役管道進行無損檢測和安全評價已受到各國的高度重視^[1]。管道在鋪設和運行后，由于腐蝕、第三方破壞以及自然災害等因素的影響，不可避免地會形成一些損傷，需要通過相關的檢測方法及時檢測缺陷，并評估其對管道安全的影響。常規管道檢測中常用的無損檢測（NDT）技術有超聲波檢測（UT）和漏磁檢測（MFL）^[2]，屬于管道內檢測（ILI）范疇，ILI需要克服管道運行壓力、流量、變形和管道清潔度對檢測精度的影響，而傳統的內部檢測技術僅適用于已形成的宏觀缺陷，對鐵磁材料的應力集中和損傷早期診斷無效^[3]。另外，大多數埋地管道都具有限制清管的特點，因此在非開挖狀態下，管道缺陷的檢測是一個亟待解決的問題。

目前，可用的一些外部檢測技術包括渦流（EC）方法^[4]、導波檢測（GWT）^[5]、瞬變電磁法（TEM）^[6]和射線掃描法^[7]，以上方法稱為主動式（有激勵信號源）檢測，但以上方法均為外部電磁激勵檢測方法，增加了現場檢測的難度，且對于管道損傷等級的劃分精度方面存在較大問題。

相關學者從不同的角度對管道缺陷處產生的缺陷磁信號與缺陷參數大小關系進行了實驗和研究，針對金屬磁記憶檢測管道缺陷判定準則的局限性，易方等人^[8]構造了五維支持向量機輸入特征向量：區域信號的峰峰值、修正傅里葉系數、小波包頻帶能量增量、信號的檢測切向梯度和檢測法向梯度。管道狀態劃分為應力集中、微觀缺陷和宏觀缺陷3個等級。張軍等^[9]選取磁信號的峰峰值和梯度值作為特征向量來描述缺陷信號特征，通過BP神經網絡實現了套管故障風險等級的非線性分類，實驗驗證了方法的有效性。邢海燕^[10]針對焊縫不同等級的磁記憶特征提取及定量評價難題，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理論聯合的磁記憶定量評價模型。然而，以上文獻中所使用的管道缺陷識別方法存在實驗樣本少、識別模型普適性不足以及無現場實際驗證等問題。

鑒于以上問題，為彌補現有埋地管道缺陷損傷程度分類問題的不足，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特征向量，并將缺陷特征向量通過改進的多分類支持向量機分類，為埋地鋼質管道在非開挖情況的管體損傷缺陷檢測提供了一種有效的方法。

本文詳細內容請下載:http://www.tom3567.com/resource/share/2000003144

作者信息:

鄭林1，張紅星2，句海洋3，4

(1.太原衛星發射中心，山西太原036303；2.中電智能科技有限公司，北京102209；

3.華北計算機系統工程研究所，北京100083；4.北京工業大學，北京100124)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容