漂亮的保姆4,日韩精品欧美视频,成人性爱视频在线观看

基于稀疏建模和SVM的管道缺陷分類方法研究

2020年信息技術與網(wǎng)絡安全第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.華北計算機系統(tǒng)工程研究所，北京100083；4.北京工業(yè)大學，北京100124

摘要： 埋地鋼質(zhì)管道缺陷識別及評估是管道檢測領域中長期存在的難點之一，而實現(xiàn)對管道缺陷準確分類的前提是管道損傷信號的精準提取，針對埋地管道缺陷信號特征提出一種基于稀疏建模和支持向量機(SVM)的管道缺陷信號提取與識別方法。通過從原始信號中學習獲得字典，將該字典采用正則化正交匹配追蹤算法構(gòu)建缺陷信號稀疏模型，并根據(jù)壓縮感知理論獲得信號的特征向量。進一步，采用多分類SVM將缺陷信號的特征向量與管道實際缺陷類型建立映射關系，并通過遺傳粒子群優(yōu)化算法指導SVM參數(shù)選取。結(jié)果表明：提出的分類方法可實現(xiàn)對管道缺陷損傷程度的準確劃分，該方法已經(jīng)成功通過實驗室驗證，并成功應用于華北某油田的工程領域檢測。

關鍵詞： 稀疏建模 SVM 管道缺陷分類方法

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(wǎng)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(guī)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(nèi)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(tǒng)的內(nèi)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(shù)埋地管道都具有限制清管的特點，因此在非開挖狀態(tài)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(xiàn)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(chǎn)生的缺陷磁信號與缺陷參數(shù)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(gòu)造了五維支持向量機輸入特征向量：區(qū)域信號的峰峰值、修正傅里葉系數(shù)、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(tài)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(jīng)網(wǎng)絡實現(xiàn)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(lián)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(xiàn)場實際驗證等問題。

鑒于以上問題，為彌補現(xiàn)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(zhì)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(zhì)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(nèi)容請下載:http://www.j7575.cn/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.華北計算機系統(tǒng)工程研究所，北京100083；4.北京工業(yè)大學，北京100124)

原創(chuàng)聲明：此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關內(nèi)容