专利名称：一种基于rbf神经网络的管道缺陷智能识别方法
技术领域：
本发明涉及一种油气管道缺陷智能识别方法，特别涉及一种能够准确、快速地识 别管道缺陷的基于RBF神经网络的油气管道缺陷智能识别方法。
背景技术：
通过测量到的漏磁信号反映出缺陷的特征参量、轮廓等信息是漏磁检测研究的难 点。一般的解决方式是分析缺陷参数和漏磁信号的相互关系，根据信号的特征反算出缺陷 的相关信息。采用经验公式的方法对缺陷的几何尺寸进行量化，这种方法在对量化精度的 要求不是很高的情况下是可用的，但是对于高精度的缺陷量化，这种方法是难以满足要求 的。基于磁偶极子的逆向方程进行缺陷的重构，这种方法对于识别形状简单的缺陷有较大 的优势，但是油气管道的实际缺陷比较复杂，形式多种多样，采用这种方法计算量巨大。漏 磁信号受多种因素的联合影响，漏磁信号与缺陷的几何尺寸之间很难找到一个简单的对应 关系，根据若干特征进行缺陷反演建立一个缺陷识别的模型还存在很大的困难。人工神经 网络为解决这种工程问题提供了切实可行的途径，神经网络是仿效生物处理模式以获得智 能信息处理功能的理论，它着眼于大脑的微观网络结构，通过大量神经元的复杂连接，采用 由底到顶的方法，通过自学习、自组织和非线性动力学所形成的并行分布方式，来处理难于 语言化的模式信息。
发明内容
本发明的目的在于提供一种能够准确、快速地识别管道缺陷的一种基于RBF神经 网络的管道缺陷智能识别方法。本发明的目的是这样实现的包括如下步骤⑴获取管道缺陷数据；(2)建立RBF神经网络；(3)对神经网络进 行训练和测试；(4)利用通过测试的神经网络来预测管道缺陷轮廓。所述的管道缺陷尺寸包括管道缺陷的长度、宽度、深度。所述的步骤(1)还包括对管道缺陷轮廓数据归一化到0和+1之间的归一化过程。所述的神经网络包括一个输入层、一个中间层和一个输出层。所述的对神经网络进行训练和测试是，将数据分为两部分，前70%用来训练网络， 记为训练样本，后30%用来检验网络，一记为检验样本；对网络反复训练，当预测值与监测 数据间误差达到0. 001时，停止训练，开始预测。本发明只需进行有限次试验，就可以建立有关管道缺陷轮廓预测模型，通过计算 机仿真试验，科学预测，能够准确、快速地预测管道缺陷轮廓。
图1神经网络结构图；图加-图2f径向基神经网络训练的管道缺陷预测图与实际图对比图3管道缺陷轮廓样本集表。
具体实施例方式下面结合实施例对本发明的基于RBF神经网络的管道缺陷智能识别方法做出详 细说明。本发明的基于RBF神经网络的管道缺陷智能识别方法，包括如下步骤(1)获取管道缺陷漏磁和管道缺陷轮廓数据。本发明的实施例中获取的管道缺陷尺寸是管道的长度、宽度、深度。根据缺陷产生 的漏磁信号预测缺陷几何参数的过程，实质上是一个建立漏磁信号与缺陷几何参数的映射 关系的过程。将所有的样本分为训练样本集和测试样本集。样本的长度、宽度、深度如表 6. 1所示。在获取的管道缺陷漏磁数值归一化到0和+1之间。(2)建立RBF神经网络。所述的神经网络由输入层、一个隐含层(径向基层)和一个线性输出层组成的前 向神经网络。RBF神经网络的主要特征是隐含层采用径向基函数作为神经元的激活函数，使 其具有局部感受特性。所有数据归一化到0和+1之间。(3)对神经网络进行训练和测试。所述的对神经网络进行训练和测试是，将管道缺陷漏磁数据及管道缺陷轮廓记为 一组数据，并将所有组数据分为两部分，前70%称为训练样本，后30%称为检验样本。将70%的训练样本用来训练网络，建立学习机制，即当输入一组数据时，即给出管 道缺陷轮廓这样一组输入数据时，经过网络自动运算，会有一个输出值(预测的管道缺陷 轮廓)，比较输出值与期望输出值(实际测量的管道缺陷轮廓)之间的误差，若误差小于指 定精度，则学习结束。否则，进入下一组学习，直到连接权值对所有训练组的预测误差均在 指定范围内，输出此时的最佳权值。训练组越多，网络的学习越充分，网络经验值越大，预测 精度越高。对网络反复训练，当误差达到0.001时，停止训练，开始预测。此时预测模型目 标值与输出值相关系数高达0. 9887，均方根误差为0. 25500。将另外30%的检验样本用来检验网络。当网络训练结束后，利用另外30%的数 据来检验网络，看模型得是否符合要求。利用神经网络预测另外30%组所对应的管道缺陷 轮廓，对照模型预测值与实际测量值间的误差，当神经网络在各组测试数据的预测误差均 低于规定水平时即通过测试，可以用于预测工作。此时模型预测值与实测值间相关系数为 0. 8376，均方根误差为0. 5785，通过测试。在进行训练中，当神经网络在各组测试数据的预 测误差均低于规定水平时即通过测试，可以用于预测工作。(4)利用通过测试的神经网络进行预测。利用通过测试的神经网络进行预测必须将输入数据归一化到0和+1之间，再输入 到通过测试的神经网络中，并将网络运算后的输出进行反归一化，就得到管道缺陷轮廓。以上结果说明，所建立的神经网络对训练组和测试组都有很好的预测效果，因而 具有较强的推广能力。本实施例表明，本发明能够准确、快速地预测管道缺陷轮廓，且预测 方法有较强的推广能力，具有广阔的应用前景。
权利要求
1.一种基于RBF神经网络的管道缺陷智能识别方法，其特征在于(1)获取管道缺陷漏磁和管道缺陷轮廓数据作为检测数据；(2)建立RBF神经网络；(3)对神经网络进行训练和测试；(4)利用通过测试的神经网络进行预测。
2.根据权利要求1所述的基于RBF神经网络的管道缺陷智能识别方法，其特征在于 所述的管道缺陷尺寸是管道的长度、宽度、深度。
3.根据权利要求2所述的基于RBF神经网络的管道缺陷智能识别方法，其特征在于 获取管道缺陷漏磁和管道缺陷轮廓数据作为检测数据后对管道缺陷漏磁和管道缺陷轮廓 数据归一化到0和+1之间。
4.根据权利要求3所述的基于RBF神经网络的管道缺陷智能识别方法，其特征在于 所述的神经网络包括一个输入层、一个中间层和一个输出层。
5.根据权利要求4所述的基于RBF神经网络的管道缺陷智能识别方法，其特征在于 所述的对神经网络进行训练和测试是，将检测数据分为两部分，前70%用来训练网络，记为 训练样本，后30%用来检验网络，记为检验样本；对网络反复训练，当预测值与监测数据间 误差达到0. 001时，停止训练，开始预测。
6.根据权利要求5所述的基于RBF神经网络的管道缺陷智能识别方法，其特征在于 所述的对神经网络的训练是采用径向基算法进行训练。
7.根据权利要求6所述的基于RBF神经网络的管道缺陷智能识别方法，其特征在于 当神经网络对各组检验样本的预测误差均低于规定水平时即通过测试。
8.根据权利要求7所述的基于RBF神经网络的管道缺陷智能识别方法，其特征在于 利用通过测试的神经网络进行预测时，先将检测数据归一化到0和+1之间，再进行输入，并 将网络运算后的输出值进行反归一化，即得到管道缺陷轮廓预测值。
全文摘要
本发明提供的是一种基于RBF神经网络的油气管道缺陷智能识别方法。(1)获取管道缺陷漏磁信号和管道缺陷轮廓作为检测数据；(2)建立RBF神经网络；(3)对神经网络进行训练和测试；(4)利用通过测试的神经网络来预测管道缺陷轮廓。管道缺陷轮廓包括管道缺陷的长度、宽度和深度。本发明只需进行有限次试验，就可以建立有关管道缺陷轮廓预测模型，通过计算机仿真试验，科学预测，能够准确、快速地预测管道缺陷轮廓。
文档编号G06K9/62GK102122351SQ20111004875
公开日2011年7月13日 申请日期2011年3月1日 优先权日2011年3月1日
发明者刘杨, 刘胜, 李冰 申请人:哈尔滨工程大学