傳統(tǒng)漏磁信號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。為此,提出一種基于深度學習的漏磁檢測缺陷量化識別方法,并建立了漏磁檢測缺陷識別模型,該模型包含深度卷積神經網絡模塊和回歸模塊。深度卷積神經網絡模塊利用卷積神經網絡的多輸入多輸出互相關操作,完成漏磁缺陷信號3個分量（軸向、周向、徑向）的數據融合,利用預訓練的網絡,遷移已有知識,實現缺陷信號的特征自動提取;回歸模塊中設計缺陷、長度和寬度聯(lián)合損失函數,利用回歸方式實現缺陷尺度的量化。采用有限元仿真和牽拉試驗相結合的方式,建立漏磁信號缺陷量化數據集并劃分為訓練集和測試集,訓練集用于模型訓練,測試集進行方法驗證。研究結果表明:90%置信度下,長度和寬度量化結果全部落在±10 mm的誤差帶上,深度量化結果全部落在±10%t （t為壁厚）的誤差帶上,滿足工程檢測要求,可有效完成管道漏磁缺陷識別。研究結果可為油氣輸送管道漏磁檢測新技術的研究提供一定的參考。 

【文章頁數】：6 頁

【文章目錄】：
0 引言
1 基本原理
    1.1 三維漏磁信號
    1.2 卷積神經網絡
2 基于深度學習的漏磁檢測缺陷識別模型
    2.1 深度卷積神經網絡模塊
    2.2 回歸模塊
3 試驗與討論
4 結束語


【參考文獻】：
期刊論文
[1]關于深度學習的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學工.  智能系統(tǒng)學報. 2019(01)
[2]基于漏磁內檢測的缺陷識別方法[J]. 劉金海,付明芮,唐建華.  儀器儀表學報. 2016(11)
[3]缺陷漏磁成像技術綜述[J]. 黃松嶺,彭麗莎,趙偉,王珅.  電工技術學報. 2016(20)
[4]海底管道檢測最新技術及發(fā)展方向[J]. 王金龍,何仁洋,張海彬,郭晗,吳慶偉.  石油機械. 2016(10)
[5]長輸油氣管道漏磁內檢測技術[J]. 楊理踐,耿浩,高松巍.  儀器儀表學報. 2016(08)
[6]漏磁檢測中的缺陷重構方法[J]. 彭麗莎,黃松嶺,趙偉,王珅.  電測與儀表. 2015(13)



本文編號：3665018