CN116384253B - 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 - Google Patents
管道漏磁检测缺陷深度预测模型建立、预测方法及装置 Download PDFInfo
- Publication number
- CN116384253B CN116384253B CN202310429643.7A CN202310429643A CN116384253B CN 116384253 B CN116384253 B CN 116384253B CN 202310429643 A CN202310429643 A CN 202310429643A CN 116384253 B CN116384253 B CN 116384253B
- Authority
- CN
- China
- Prior art keywords
- magnetic flux
- leakage detection
- defect depth
- flux leakage
- defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 158
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 106
- 230000004907 flux Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims description 13
- 230000000739 chaotic effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 208000024891 symptom Diseases 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 50
- 230000015654 memory Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 17
- 238000003860 storage Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006698 induction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 239000003302 ferromagnetic material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本说明书涉及缺陷深度预测技术领域，提供了一种管道漏磁检测缺陷深度预测模型建立、预测方法及装置。该方法包括：接收管道漏磁检测信号的特征数据集和缺陷深度数据集；将所述特征数据集和所述缺陷深度数据集作为训练样本，构建训练样本集；构建与群体优化算法级联的神经网络模型；根据所述群体优化算法得到第一权重和第一阈值；利用所述第一权重、所述第一阈值和所述训练样本集训练所述神经网络模型，将训练完成的神经网络模型作为管道漏磁检测缺陷深度预测模型。通过本说明书实施例，可解决管道漏磁检测缺陷深度预测精度低、管道漏磁检测缺陷深度预测精度和预测速度不能兼顾的问题。
Description
技术领域
本说明书涉及缺陷深度预测技术领域，尤其是涉及一种管道漏磁检测缺陷深度预测模型建立、预测方法及装置。
背景技术
在役管道运行工况复杂、随投产时间不断增长，极易出现管体金属损失情况，进而引起管道失效。缺陷漏磁检测技术是一种常用的无损检测方法，相比于超声检测、涡流检测等技术，漏磁检测由于具有检测可靠性高、检测效果好、自动化程度高等优点，在油气管道缺陷检测中被广泛应用。管道漏磁内检测可检出管体缺陷，但缺陷深度的量化是目前研究的难点之一。
缺陷漏磁检测信号的反演评估作为指导被测构件或设施运行维护的重要依据，目前根据信号反演过程中是否存在迭代的环路结构可将反演方法大致分为两类：开环逆向法和闭环伪逆法。其中，开环逆向法通过对缺陷数据进行特征提取，建立缺陷信号与缺陷尺寸之间的非线性映射，进而获得缺陷估计尺寸，闭环伪逆法是是基于磁偶极子模型、有限元模型等物理机制模拟缺陷信号，通过优化算法不断优化参数重建缺陷轮廓。然而，尽管开环逆向法计算速度快，但缺陷深度反演精度较低，闭环伪逆法的求解过程非常复杂，具有计算量大且模型通用性差的缺点，不适用于大规模漏磁检测信号的评定工作，因此亟需一种管道漏磁检测缺陷深度预测方法，适用于大规模漏磁检测信号的评定工作，解决管道漏磁检测缺陷深度预测精度低、管道漏磁检测缺陷深度预测精度和预测速度不能兼顾的问题。
发明内容
鉴于目前管道漏磁检测缺陷深度预测精度和预测速度不能兼顾，提出了本方案以便克服上述问题或者至少部分地解决上述问题。
一方面，本说明书的一些实施例的目的在于提供一种管道漏磁检测缺陷深度预测模型建立方法，所述方法包括：
接收管道漏磁检测信号的特征数据集和缺陷深度数据集；
将所述特征数据集和所述缺陷深度数据集作为训练样本，构建训练样本集；
构建与群体优化算法级联的神经网络模型；
根据所述群体优化算法得到第一权重和第一阈值；
利用所述第一权重、所述第一阈值和所述训练样本集训练所述神经网络模型，将训练完成的神经网络模型作为管道漏磁检测缺陷深度预测模型。
进一步地，所述接收管道漏磁检测信号的检测信号特征数据集和缺陷深度数据集之后，进一步包括：
根据如下公式计算所述特征数据集中每种子特征数据集与所述缺陷深度数据集的相关度：
其中，为第p种子特征数据集与缺陷深度数据集的相关度，Q为每种子特征数据集或缺陷深度数据集的数据值总量，Xpq为第p种子特征数据集的第q个数据值，/>为第p种子特征数据集的均值，Yq为缺陷深度数据集中的第q个数据值，/>为缺陷深度数据集的均值；
利用所述相关度大于第二阈值的子特征数据集构建筛选后的数据集；
根据所述筛选后的数据集更新所述特征数据集。
进一步地，所述群体优化算法利用混沌映射初始化生成一个或多个种群。
进一步地，所述利用混沌映射初始化生成一个或多个种群，进一步包括：
混沌映射利用如下公式构建：
其中，z1为第一次映射数据，r为映射参数，z0为初始映射数据，zh为第h次映射数据，zh+1为第h+1次映射数据。
进一步地，所述根据所述群体优化算法得到第一权重和第一阈值，包括：
计算每个种群所有个体的适应度和当前的搜寻率；
获取最高适应度个体对应的第一位置和次高适应度个体对应的第二位置；
根据所述第一位置和所述第二位置确定余下个体所在位置；
利用所述搜寻率更新所有个体所在位置；
计算更新所在位置后个体的适应度；
获取更新后最高适应度个体对应的第三位置和次高适应度个体对应的第四位置；
判断所述第三位置和所述第四位置是否满足终止条件；
若否，则重复上述确定余下个体所在位置以及更新所有个体所在位置的步骤；
若是，则输出所述第三位置。
进一步地，计算每个种群当前的搜寻率，包括：
计算每个种群所有个体的适应度的平均值；
根据所述所有个体的适应度和所述平均值生成惯性权重函数；
根据所述惯性权重函数计算所述搜寻率。
进一步地，所述根据所述惯性权重函数计算所述搜寻率，包括：
利用如下公式计算所述搜寻率：
其中，
其中，F为搜寻率，rand1为(0,1)之间的随机数，z为(-1，1)之间的随机数，t为当前迭代次数，T为最大迭代次数，h为(-2，2)之间的随机数，w(t)为第t次迭代的惯性权重，w0是惯性权重初值，c是系数常量，favg(t)为第t次迭代时所有个体的适应度平均值，fi(t)为第t次迭代时第i个个体的适应度，m为个体总数，N为待预测缺陷深度的数据值总数，ytki为第t次迭代时第i个个体对应的第k个缺陷深度的真实值，为第t次迭代时第i个个体对应的第k个缺陷深度的预测值，ytkj为第t次迭代时第j个个体对应的第k个缺陷深度的真实值，为第t次迭代时第j个个体对应的第k个缺陷深度的预测值。
另一方面，本说明书的一些实施例还提供一种管道漏磁检测缺陷深度预测模型建立装置，所述装置包括：
接收模块，用于接收管道漏磁检测信号的特征数据集和缺陷深度数据集；
第一构建模块，用于将所述特征数据集和所述缺陷深度数据集作为训练样本，构建训练样本集；
第二构建模块，用于构建与群体优化算法级联的神经网络模型；
优化模块，用于根据所述群体优化算法得到第一权重和第一阈值；
训练模块，用于利用所述第一权重、所述第一阈值和所述训练样本集训练所述神经网络模型，将训练完成的神经网络模型作为管道漏磁检测缺陷深度预测模型。
基于同一发明构思，本说明书的一些实施例还提供一种管道漏磁检测缺陷深度预测方法，所述方法包括：
接收待预测的漏磁检测信号数据；
将所述待预测的漏磁检测信号数据输入至利用前述任一实施例所述方法训练得到的管道漏磁检测缺陷深度预测模型中，预测得到漏磁检测信号数据对应的管道漏磁检测缺陷深度。
另一方面，本说明书的一些实施例还提供一种管道漏磁检测缺陷深度预测装置，所述装置包括：
接收模块，用于接收待预测的漏磁检测信号数据；
预测模块，用于将所述待预测的漏磁检测信号数据输入至利用权利要求1-7任一项所述方法训练得到的管道漏磁检测缺陷深度预测模型中，预测得到漏磁检测信号数据对应的管道漏磁检测缺陷深度。
另一方面，本说明书的一些实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
另一方面，本说明书的一些实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
另一方面，本说明书的一些实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
本说明书的一些实施例提供的一个或者多个技术方案，至少具有如下的技术效果：
本说明书的实施例自动接收管道漏磁检测信号的特征数据集和缺陷深度数据集并构建对应的训练样本集，之后构建与群体优化算法级联的神经网络模型，该群体优化算法能够生成优化的第一权重和第一阈值，以避免神经网络模型陷入局部最优，提高管道漏磁检测缺陷深度预测精度，此外，相比于现有技术中开环逆向法和闭环伪逆法等，直接应用训练完成的神经网络模型进行管道漏磁检测缺陷深度预测的速度更高。
上述说明仅是本说明书的一些实施例技术方案的概述，为了能够更清楚了解本说明书的一些实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本说明书的一些实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本说明书的一些实施例的具体实施方式。
附图说明
为了更清楚地说明本说明书的一些实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了本说明书一些实施例中管道漏磁检测缺陷深度预测模型建立方法的实施***示意图；
图2示出了本说明书一些实施例中一种管道漏磁检测缺陷深度预测模型建立方法的流程图；
图3为本说明书一些实施例中计算第一权重和第一阈值的步骤示意图；
图4示出了本说明书一些实施例中一种管道漏磁检测缺陷深度预测方法的流程图；
图5为本说明书一些实施例中一种管道漏磁检测缺陷深度预测模型建立的结构示意图；
图6为本说明书一些实施例中一种管道漏磁检测缺陷深度预测装置的结构示意图；
图7为本说明书一些实施例中提供的计算机设备结构示意图。
【附图标记说明】
101、终端；
102、服务器；
501、接收模块；
502、第一构建模块；
503、第二构建模块；
504、优化模块；
505、训练模块；
601、接收模块；
602、预测模块；
702、计算机设备；
704、处理器；
706、存储器；
708、驱动机构；
710、输入/输出接口；
712、输入设备；
714、输出设备；
716、呈现设备；
718、图形用户接口；
720、网络接口；
722、通信链路；
724、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书的一些实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的一些实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。需要说明的是，本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
如图1所示为本发明实施例一种管道漏磁检测缺陷深度预测模型建立方法的实施***示意图，可以包括：终端101以及服务器102，终端101和服务器102之间通过网络进行通信，网络可以包括局域网(Local Area Network，简称为LAN)、广域网(Wide Area Network，简称为WAN)、因特网或其组合，并连接至网站、用户设备(例如计算设备)和后端***。工作人员可以通过终端101向服务器102发送管道漏磁检测信号的特征数据集和缺陷深度数据集，服务器102接收到接收管道漏磁检测信号的特征数据集和缺陷深度数据集后，构建训练样本集和相应的神经网络模型进行计算处理，得到训练完成的神经网络模型，并将训练完成的神经网络模型发送给终端101，以使工作人员根据训练完成的神经网络模型管道漏磁检测缺陷深度。
在本说明书实施例中，所述服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content Delivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一个可选的实施例中，终端101可以包括但不限于自助终端设备、台式计算机、平板电脑、笔记本电脑、智能可穿戴设备等类型的电子设备。可选的，电子设备上运行的操作***可以包括但不限于安卓***、IOS***、Linux、Windows等。当然，所述终端101并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软件。
此外，需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在实际应用中，还可以包括多个终端101，本说明书不做限制。
图2是本发明实施例提供的一种管道漏磁检测缺陷深度预测模型建立方法的流程图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的***或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图1所示，应用于上述的服务器侧，所述方法可以包括：
S201：接收管道漏磁检测信号的特征数据集和缺陷深度数据集；
S202：将所述特征数据集和所述缺陷深度数据集作为训练样本，构建训练样本集；
S203：构建与群体优化算法级联的神经网络模型；
S204：根据所述群体优化算法得到第一权重和第一阈值；
S205：利用所述第一权重、所述第一阈值和所述训练样本集训练所述神经网络模型，将训练完成的神经网络模型作为管道漏磁检测缺陷深度预测模型。
本说明书的实施例自动接收管道漏磁检测信号的特征数据集和缺陷深度数据集并构建对应的训练样本集，之后构建与群体优化算法级联的神经网络模型，该群体优化算法能够生成优化的第一权重和第一阈值，以避免神经网络模型陷入局部最优，提高管道漏磁检测缺陷深度预测精度，此外，相比于现有技术中开环逆向法和闭环伪逆法等，直接应用训练完成的神经网络模型进行管道漏磁检测缺陷深度预测的速度更高。
具体而言，一些实施例中，管道漏磁检测是一种无损检测方法，是一种基于著名的麦克斯韦方程组提出的技术，常用于铁磁性材料腐蚀、凹坑、凹槽等面积型缺陷检测，特定条件下，也可检测铁磁材料的裂纹，管道漏磁检测对工件表面要求不高，扫查面积大，速度快，效率高，对铁磁性材料的工件提供快捷且廉价的检测，因此应用十分广泛。管道漏磁检测是依据铁磁性材料高磁导率的特性之上，被检工件中缺陷处磁导率远小于钢管的磁导率。当铁磁性工件磁化时(磁感应强度在工件中达到近饱和或饱和)，在没有缺陷处，磁感应线是平滑的没有泄漏量或很均匀的泄漏量；当出现缺陷时，由于被检工件中磁感应线是饱和状态，磁感应线在缺陷处没法全部通过工件内部，从而发生弯曲，迫使多余的一部分磁感应线从缺陷下面绕过，泄漏出试样的内、外表面，从而形成漏磁场，可以通过检测漏磁场的变化发现试样的缺陷。
具体地，在一些实施例中可以将传感器放置在管道内探测和记录缺陷处的漏磁场矢量和大小，以采集管道缺陷漏磁信号，对管道缺陷漏磁信号进一步的处理和分析可判断缺陷是否存在及缺陷有关的尺寸参数。管道漏磁检测信号的特征数据集为对管道缺陷漏磁信号提取特征值得到的数据集，缺陷深度数据集与管道漏磁检测信号的特征数据集相互对应，如表1所示的管道缺陷漏磁信号的特征数据集与缺陷深度数据集示意表，共10组数据，每组数据包含16项漏磁信号数据，其中：A为轴向信号峰谷值、B为轴向信号波形面积、C为轴向信号波形能量、D为周向信号峰谷值、E为径向信号峰谷值、F为轴向信号峰峰距离、G为轴向信号阀值长度、H为轴向积分信号峰谷距离、I轴向积分信号峰谷值、J为周向信号阀值长度、K为径向信号峰谷距离、L为周向积分信号峰谷距离、M为周向积分信号峰谷值、N为径向积分信号峰谷距离、O为径向积分信号峰谷值、DP为管体缺陷深度(金属损失深度/壁厚，单位为毫米)。
表1管道缺陷漏磁信号的特征数据集与缺陷深度数据集示意表
在一些实施例中，在得到管道漏磁检测信号的特征数据集和缺陷深度数据集之后，将管道漏磁检测信号的特征数据集中的数据作为输入，将缺陷深度数据集对应的数据作为目标输出构建训练样本集，群体优化算法是计算智能中的一种常用算法，其基本理论是模拟自然界中动物群体的行为，利用群体间的信息交流与合作，通过简单有限的个体间互动来达到优化的目的，与群体优化算法级联的神经网络模型相比于单一的神经网络模型相比，由于群体优化算法优化了神经网络模型中的权重和阈值，从而避免了神经网络模型的输出结果陷入局部最优，提高了管道缺陷深度的预测精度，进一步地，神经网络模型可以为BPNN神经网络，简单易懂、易于实现和调整，本文对此不做限定。
进一步地，在一些实施例中，所述接收管道漏磁检测信号的检测信号特征数据集和缺陷深度数据集之后，进一步可以包括：
根据如下公式计算所述特征数据集中每种子特征数据集与所述缺陷深度数据集的相关度：
其中，为第p种子特征数据集与缺陷深度数据集的相关度，Q为每种子特征数据集或缺陷深度数据集的数据值总量，Xpq为第p种子特征数据集的第q个数据值，/>为第p种子特征数据集的均值，Yq为缺陷深度数据集中的第q个数据值，/>为缺陷深度数据集的均值；
利用所述相关度大于第二阈值的子特征数据集构建筛选后的数据集；
根据所述筛选后的数据集更新所述特征数据集。
具体而言，一些实施例中，管道漏磁检测信号的检测信号特征数据集中的每类数据与缺陷深度数据集具有一定相关性，然而如果一类数据与缺陷深度数据集本身关联性不大，那么在构建训练样本时采用此类数据既占用计算资源，也会干扰预测精度，因此在接收管道漏磁检测信号的检测信号特征数据集和缺陷深度数据集之后，可以计算检测信号特征数据集中每种子特征数据集与所述缺陷深度数据集的相关度，并筛选相关度大于第二阈值的子特征数据集，以剔除相关度小的子特征数据集对输出精度的干扰，并利用筛选得到的子特征数据集构建组成新的管道漏磁检测信号特征数据集，一些实施例中，如表2所示的子特征与缺陷深度的相关度示意表，不同子特征与缺陷深度的相关度不同。
表2子特征与缺陷深度的相关度示意表
从表2中可见，轴向信号峰谷值、轴向信号波形面积、轴向信号波形能量、周向信号峰谷值、径向信号峰谷值、轴向积分信号峰谷值、径向积分信号峰谷值对应的相关度分别为0.6638、0.6817、0.6051、0.6627、0.6891、0.6197、0.6468，这7项因素与缺陷深度呈强相关，周向积分信号峰谷值对应的相关度为0.5578，与缺陷深度值呈中等程度相关，周向信号阀值长度对应的相关度为0.2009，与缺陷深度值呈弱相关，轴向信号阀值长度、轴向积分信号峰峰距离、轴向积分信号峰谷距离、径向信号峰谷距离、周向积分信号峰谷距离、径向积分信号峰谷对应的相关度为0.0141、0.1395、0.1124、-0.0016、0.0963、0.0711，这6项子特征与缺陷深度呈极弱相关，一些实施例中，为了提升神经网络模型逼近多维复杂非线性函数的能力以及全局寻优能力，增强缺陷深度的预测精度，可以选用与缺陷深度呈强相关的7个指标作为神经网络的输入值。
在一些实施例中，所述群体优化算法利用混沌映射初始化生成一个或多个种群。
可以理解为，一些实施例中，初始化生成种群的目的是进一步筛选得到更准确的权重和阈值，以获得精度更高的输出结果，因此每个种群在初始化时应当尽可能避免种群中的个体仅分布于局部区域，导致最后个体对应的解陷入局部最优，而传统的随机数生成器则可能使个体对应的解陷入局部最优的缺陷，利用混沌映射则能避免这样的缺陷，一些实施例中，混沌映射被用于生成混沌序列，混沌序列是一种由简单的确定性***产生的随机性序列，利用混沌映射可以提升初始种群的多样性和个体搜索的全局遍历性，又与个体随机初始化位置本质相匹配。
进一步地，在一些实施例中，所述利用混沌映射初始化生成一个或多个种群，进一步可以包括：
混沌映射利用如下公式构建：
其中，z1为第一次映射数据，r为映射参数，z0为初始映射数据，zh为第h次映射数据，zh+1为第h+1次映射数据。
具体而言，一些实施例中，映射参数位于(0，1]之间，z0、z1、……、zh和zh+1均位于(0,1)之间，在初始化生成种群时，种群可以只生成一个，但常常都生成多个种群，目的是尽可能提高缺陷深度的预测精度，种群中每个个体的位置具有一个对应的坐标向量，该坐标向量中的元素对应输入至神经网络模型中的权重和阈值，利用混沌映射可以生成每个种群中个体对应的坐标向量，从完成种群的初始化。
参照附图3，在一些实施例中，所述根据所述群体优化算法得到第一权重和第一阈值，可以包括：
S301：计算每个种群所有个体的适应度和当前的搜寻率；
S302：获取最高适应度个体对应的第一位置和次高适应度个体对应的第二位置；
S303：根据所述第一位置和所述第二位置确定余下个体所在位置；
S304：利用所述搜寻率更新所有个体所在位置；
S305：计算更新所在位置后个体的适应度；
S306：获取更新后最高适应度个体对应的第三位置和次高适应度个体对应的第四位置；
S307：判断所述第三位置和所述第四位置是否满足终止条件；
S308：若否，则重复上述确定余下个体所在位置以及更新所有个体所在位置的步骤；
S309：若是，则输出所述第三位置。
可以理解为，一些实施例中，个体的适应度用于衡量将由向量表示的个体当前所在位置作为神经网络模型的权重和阈值时，神经网络模型预测结果与真实结果的误差，搜寻率则是用于衡量种群在全局搜索目标的能力，针对每个种群，均计算所有个体的适应度，并选取最高适应度和次高适应度对应的两个体，使种群中的其他个体接近选取得到的两个个体所在位置，一些实施例中，可以通过以下公式调节种群中的个***置：
其中，/>
其中，Ri(t)为除最高适应度个体对应的第一位置和次高适应度个体对应的第二位置外的其他个***置，t为当前迭代次数，BestV1、BestV2分别为第一位置、第二位置，L1、L2分别为0～1之间的参数，L1、L2的和为1，pi为第i个个体选择最佳个体的概率，fi为除最高适应度个体和次高适应度个体外的第i个个体适应度。
一些实施例中，在确定余下个体所在位置后，在利用所述搜寻率更新所有个体所在位置，可以包括以下步骤：
步骤a：确定所述搜寻率对应的绝对值；
步骤b：若所述绝对值大于第三阈值，则调用第一模型更新所述所有个体所在位置；
步骤c：若所述绝对值不大于所述第三阈值且不小于第四阈值，则调用第二模型更新所述所有个体所在位置；
步骤d：若所述绝对值小于所述第四阈值，则调用第三模型更新所述所有个体所在位置。
可以理解为，在调用所述第一模型时，根据以下公式更新所述所有个体所在位置：
其中，Pi(t+1)为第t+1次迭代时第i个个体所在位置，Ri(t)为第t次迭代时除最高适应度和次高适应度对应的个体以外的个体所在位置，X为个体随机移动的区域，Pi(t)为第t次迭代时第i个个体所在位置，P1为第一选择参数，F为搜寻率，rand2、rand3为(0,1)之间的随机数，ub、lb分别为搜索空间上、下限值；
在调用所述第二模型时，根据以下公式更新所述所有个体所在位置：
其中，Pi(t+1)为第t+1次迭代时第i个个体所在位置，Ri(t)为第t次迭代时除最高适应度和次高适应度对应的个体以外的个体所在位置，X为个体随机移动的区域，Pi(t)为第t次迭代时第i个个体所在位置，F为搜寻率，rand4、rand5、rand6均为(0,1)之间的随机数，P2为第二选择参数；
在调用所述第三模型时，根据以下公式更新所述所有个体所在位置：
其中，Pi(t+1)为第t+1次迭代时第i个个体所在位置，F为搜寻率，BestV1(t)为第t次迭代时最高适应度对应的个体所在位置，Pi(t)为第t次迭代时第i个个体所在位置，BestV2(t)为第t次迭代时次高适应度对应的个体所在位置，为(0,1)之间的随机数，Ri(t)为第t次迭代时除最高适应度和次高适应度对应的个体以外的个体所在位置，P3为第三选择参数，Levy(d)为随机搜索函数，d为维度。
具体而言，一些实施例中，利用如步骤a到步骤d所述的方法更新所有个体所在位置能够实现根据种群搜寻率不同的情况下，匹配不同的个体所在位置调节方式，以使种群中的个体更准确快速地靠近目标位置，目标位置可以理解为满足使神经网络模型输出结果为真实缺陷深度对应的理想阈值和权重对应的坐标向量。
在一些实施例中，计算每个种群当前的搜寻率可以包括：
计算每个种群所有个体的适应度的平均值；
根据所述所有个体的适应度和所述平均值生成惯性权重函数；
根据所述惯性权重函数计算所述搜寻率。
可以理解为，一些实施例中，计算每个种群当前的搜寻率首先需要得到所有个体的适应度和适应度的平均值，以生成惯性权重函数，该惯性权重函数能够实现：当fi(t)>favg(t)时，即个体距离目标位置较远时，增大惯性权重以增强种群中个体的全局搜索能力，有利于个体跳出局部最优，当fi(t)<favg(t)时，即个体距离目标位置较接近时，减小惯性权重以增强种群中个体的局部搜索能力，使函数快速收敛，个体更快接近目标位置，提升计算和预测速度。
在一些实施例中，所述根据所述惯性权重函数计算所述搜寻率，可以包括：
利用如下公式计算所述搜寻率：
其中，
其中，F为搜寻率，rand1为(0,1)之间的随机数，z为(-1，1)之间的随机数，t为当前迭代次数，T为最大迭代次数，h为(-2，2)之间的随机数，w(t)为第t次迭代的惯性权重，w0是惯性权重初值，c是系数常量，favg(t)为第t次迭代时所有个体的适应度平均值，fi(t)为第t次迭代时第i个个体的适应度，m为个体总数，N为待预测缺陷深度的数据值总数，ytki为第t次迭代时第i个个体对应的第k个缺陷深度的真实值，为第t次迭代时第i个个体对应的第k个缺陷深度的预测值，ytkj为第t次迭代时第j个个体对应的第k个缺陷深度的真实值，为第t次迭代时第j个个体对应的第k个缺陷深度的预测值。
可以理解为，一些实施例中，每个种群在利用搜寻率更新个体所在位置后，重新计算所有个体的适应度，并将判断更新后最高适应度个体对应的第三位置和次高适应度个体对应的第四位置是否满足迭代终止条件，迭代终止条件可以为：适应度小于一个预设的阈值，例如适应度小于0.0000001，当存在种群中个体满足迭代终止条件时将第三位置作为群体优化算法的输出结果，得到第一权重和第一阈值，以用于后续的神经网络模型训练，然而若不满足迭代终止条件，则需要重复确定余下个体所在位置以及更新所有个体所在位置的步骤直至满足迭代终止条件，输出对应的结果。
基于同一发明构思，参照附图4，在一些实施例中，所述管道漏磁检测缺陷深度预测方法可以包括：
S401：接收待预测的漏磁检测信号数据；
S402：将所述待预测的漏磁检测信号数据输入至利用前述任一实施例所述方法训练得到的管道漏磁检测缺陷深度预测模型中，预测得到漏磁检测信号数据对应的管道漏磁检测缺陷深度。
可以理解为，一些实施例中，将待预测的漏磁检测信号数据输入至利用前述任一实施例所述方法训练得到的管道漏磁检测缺陷深度预测模型中，即可得到管道漏磁检测缺陷深度预测结果，并且预测速度快、预测精度高。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
与上述的管道漏磁检测缺陷深度预测模型建立方法对应，本说明书的一些实施例还提供了一种管道漏磁检测缺陷深度预测模型建立装置，参考图5所示，在一些实施例中，所述装置可以包括：
接收模块501，用于接收管道漏磁检测信号的特征数据集和缺陷深度数据集；
第一构建模块502，用于将所述特征数据集和所述缺陷深度数据集作为训练样本，构建训练样本集；
第二构建模块503，用于构建与群体优化算法级联的神经网络模型；
优化模块504，用于根据所述群体优化算法得到第一权重和第一阈值；
训练模块505，用于利用所述第一权重、所述第一阈值和所述训练样本集训练所述神经网络模型，将训练完成的神经网络模型作为管道漏磁检测缺陷深度预测模型。
基于同一发明构思，与上述的管道漏磁检测缺陷深度预测方法对应，本说明书的一些实施例还提供了一种管道漏磁检测缺陷深度预测装置，参考图6所示，在一些实施例中，所述装置可以包括：
接收模块601，用于接收待预测的漏磁检测信号数据；
预测模块602，用于将所述待预测的漏磁检测信号数据输入至利用前述任一实施例所述方法训练得到的管道漏磁检测缺陷深度预测模型中，预测得到漏磁检测信号数据对应的管道漏磁检测缺陷深度。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
需要说明的是，本说明书的实施例中，所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权同意且经过各方充分授权的信息和数据。
本说明书的实施例还提供一种计算机设备。如图7所示，在本说明书一些实施例中，所述计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理器(CPU)或图形处理器(GPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施例中，存储器706上并可在处理器704上运行的计算机程序，所述计算机程序被所述处理器704运行时，可以执行上述任一实施例所述的方法的指令。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备702还可以包括输入/输出接口710(I/O)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口718(GUI)。在其他实施例中，还可以不包括输入/输出接口710(I/O)、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本申请是参照本说明书一些实施例的方法、设备(***)、计算机可读存储介质和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器，使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算机设备访问的信息。按照本说明书中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种管道漏磁检测缺陷深度预测模型建立方法，其特征在于，所述方法包括：
接收管道漏磁检测信号的特征数据集和缺陷深度数据集；
将所述特征数据集和所述缺陷深度数据集作为训练样本，构建训练样本集；
构建与群体优化算法级联的神经网络模型；
根据所述群体优化算法，利用如下的步骤1至步骤9得到第一权重和第一阈值：
步骤1：计算每个种群所有个体的适应度，并利用如下的步骤1.1至步骤1.3计算每个种群当前的搜寻率：
步骤1.1：计算每个种群所有个体的适应度的平均值；
步骤1.2：根据所述所有个体的适应度和所述平均值生成惯性权重函数；
步骤1.3：根据所述惯性权重函数，利用如下公式计算所述搜寻率：
其中，
其中，F为搜寻率，rand1为(0,1)之间的随机数，z为(-1，1)之间的随机数，t为当前迭代次数，T为最大迭代次数，h为(-2，2)之间的随机数，w(t)为第t次迭代的惯性权重，w0是惯性权重初值，c是系数常量，favg(t)为第t次迭代时所有个体的适应度平均值，fi(t)为第t次迭代时第i个个体的适应度，m为个体总数，N为待预测缺陷深度的数据值总数，ytki为第t次迭代时第i个个体对应的第k个缺陷深度的真实值，为第t次迭代时第i个个体对应的第k个缺陷深度的预测值，ytkj为第t次迭代时第j个个体对应的第k个缺陷深度的真实值，/>为第t次迭代时第j个个体对应的第k个缺陷深度的预测值；
步骤2：获取最高适应度个体对应的第一位置和次高适应度个体对应的第二位置；
步骤3：根据所述第一位置和所述第二位置确定余下个体所在位置；
步骤4：利用所述搜寻率更新所有个体所在位置；
步骤5：计算更新所在位置后个体的适应度；
步骤6：获取更新后最高适应度个体对应的第三位置和次高适应度个体对应的第四位置；
步骤7：判断所述第三位置和所述第四位置是否满足终止条件；
步骤8：若否，则重复上述确定余下个体所在位置以及更新所有个体所在位置的步骤；
步骤9：若是，则输出所述第三位置；
利用所述第一权重、所述第一阈值和所述训练样本集训练所述神经网络模型，将训练完成的神经网络模型作为管道漏磁检测缺陷深度预测模型。
2.根据权利要求1所述的方法，其特征在于，所述接收管道漏磁检测信号的检测信号特征数据集和缺陷深度数据集之后，进一步包括：
根据如下公式计算所述特征数据集中每种子特征数据集与所述缺陷深度数据集的相关度：
其中，为第p种子特征数据集与缺陷深度数据集的相关度，Q为每种子特征数据集或缺陷深度数据集的数据值总量，Xpq为第p种子特征数据集的第q个数据值，/>为第p种子特征数据集的均值，Yq为缺陷深度数据集中的第q个数据值，/>为缺陷深度数据集的均值；
利用所述相关度大于第二阈值的子特征数据集构建筛选后的数据集；
根据所述筛选后的数据集更新所述特征数据集。
3.根据权利要求1所述的方法，其特征在于，所述群体优化算法利用混沌映射初始化生成一个或多个种群。
4.根据权利要求3所述的方法，其特征在于，所述利用混沌映射初始化生成一个或多个种群，进一步包括：
混沌映射利用如下公式构建：
其中，z1为第一次映射数据，r为映射参数，z0为初始映射数据，zh为第h次映射数据，zh+1为第h+1次映射数据。
5.一种管道漏磁检测缺陷深度预测方法，其特征在于，所述方法包括：
接收待预测的漏磁检测信号数据；
将所述待预测的漏磁检测信号数据输入至利用权利要求1-4任一项所述方法训练得到的管道漏磁检测缺陷深度预测模型中，预测得到漏磁检测信号数据对应的管道漏磁检测缺陷深度。
6.一种管道漏磁检测缺陷深度预测模型建立装置，其特征在于，所述装置包括：
接收模块，用于接收管道漏磁检测信号的特征数据集和缺陷深度数据集；
第一构建模块，用于将所述特征数据集和所述缺陷深度数据集作为训练样本，构建训练样本集；
第二构建模块，用于构建与群体优化算法级联的神经网络模型；
优化模块，用于根据所述群体优化算法，利用如下的步骤1至步骤9得到第一权重和第一阈值：
步骤1：计算每个种群所有个体的适应度，并利用如下的步骤1.1至步骤1.3计算每个种群当前的搜寻率：
步骤1.1：计算每个种群所有个体的适应度的平均值；
步骤1.2：根据所述所有个体的适应度和所述平均值生成惯性权重函数；
步骤1.3：根据所述惯性权重函数，利用如下公式计算所述搜寻率：
其中，
其中，F为搜寻率，rand1为(0,1)之间的随机数，z为(-1，1)之间的随机数，t为当前迭代次数，T为最大迭代次数，h为(-2，2)之间的随机数，w(t)为第t次迭代的惯性权重，w0是惯性权重初值，c是系数常量，favg(t)为第t次迭代时所有个体的适应度平均值，fi(t)为第t次迭代时第i个个体的适应度，m为个体总数，N为待预测缺陷深度的数据值总数，ytki为第t次迭代时第i个个体对应的第k个缺陷深度的真实值，为第t次迭代时第i个个体对应的第k个缺陷深度的预测值，ytkj为第t次迭代时第j个个体对应的第k个缺陷深度的真实值，/>为第t次迭代时第j个个体对应的第k个缺陷深度的预测值；
步骤2：获取最高适应度个体对应的第一位置和次高适应度个体对应的第二位置；
步骤3：根据所述第一位置和所述第二位置确定余下个体所在位置；
步骤4：利用所述搜寻率更新所有个体所在位置；
步骤5：计算更新所在位置后个体的适应度；
步骤3：获取更新后最高适应度个体对应的第三位置和次高适应度个体对应的第四位置；
步骤7：判断所述第三位置和所述第四位置是否满足终止条件；
步骤8：若否，则重复上述确定余下个体所在位置以及更新所有个体所在位置的步骤；
步骤9：若是，则输出所述第三位置，以得到所述第一权重和第一阈值；
训练模块，用于利用所述第一权重、所述第一阈值和所述训练样本集训练所述神经网络模型，将训练完成的神经网络模型作为管道漏磁检测缺陷深度预测模型。
7.一种管道漏磁检测缺陷深度预测装置，其特征在于，包括：
接收模块，用于接收待预测的漏磁检测信号数据；
预测模块，用于将所述待预测的漏磁检测信号数据输入至利用权利要求1-4任一项所述方法训练得到的管道漏磁检测缺陷深度预测模型中，预测得到漏磁检测信号数据对应的管道漏磁检测缺陷深度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310429643.7A CN116384253B (zh) | 2023-04-20 | 2023-04-20 | 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310429643.7A CN116384253B (zh) | 2023-04-20 | 2023-04-20 | 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116384253A CN116384253A (zh) | 2023-07-04 |
| CN116384253B true CN116384253B (zh) | 2024-04-05 |
Family
ID=86969297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310429643.7A Active CN116384253B (zh) | 2023-04-20 | 2023-04-20 | 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384253B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
| CN109150873A (zh) * | 2018-08-16 | 2019-01-04 | 武汉虹旭信息技术有限责任公司 | 基于pso_svm优化算法的恶意域名检测***及方法 |
| WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析*** |
| CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
| WO2022121531A1 (zh) * | 2020-12-09 | 2022-06-16 | 歌尔股份有限公司 | 一种产品缺陷检测方法和装置 |
| CN115047064A (zh) * | 2022-06-07 | 2022-09-13 | 国家石油天然气管网集团有限公司 | 管道缺陷量化方法、处理器和管道缺陷量化装置 |
| CN115130343A (zh) * | 2022-06-24 | 2022-09-30 | 合肥工业大学 | 一种基于ga深度优化机器学习的管道缺陷类型识别方法 |
| CN115752666A (zh) * | 2022-10-28 | 2023-03-07 | 昆明理工大学 | 一种多策略狼群算法elm的烟叶动态称重方法 |
| CN115829999A (zh) * | 2022-12-22 | 2023-03-21 | 国网新疆电力有限公司信息通信公司 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108828059B (zh) * | 2018-06-29 | 2020-04-07 | 清华大学 | 电磁多场耦合缺陷综合检测评价方法及装置 |
-
2023
- 2023-04-20 CN CN202310429643.7A patent/CN116384253B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
| CN109150873A (zh) * | 2018-08-16 | 2019-01-04 | 武汉虹旭信息技术有限责任公司 | 基于pso_svm优化算法的恶意域名检测***及方法 |
| WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析*** |
| WO2022121531A1 (zh) * | 2020-12-09 | 2022-06-16 | 歌尔股份有限公司 | 一种产品缺陷检测方法和装置 |
| CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
| CN115047064A (zh) * | 2022-06-07 | 2022-09-13 | 国家石油天然气管网集团有限公司 | 管道缺陷量化方法、处理器和管道缺陷量化装置 |
| CN115130343A (zh) * | 2022-06-24 | 2022-09-30 | 合肥工业大学 | 一种基于ga深度优化机器学习的管道缺陷类型识别方法 |
| CN115752666A (zh) * | 2022-10-28 | 2023-03-07 | 昆明理工大学 | 一种多策略狼群算法elm的烟叶动态称重方法 |
| CN115829999A (zh) * | 2022-12-22 | 2023-03-21 | 国网新疆电力有限公司信息通信公司 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
Non-Patent Citations (8)
| Title |
|---|
| Shaohua Dong等.Analysis of upwinding calculations during the installation of subsea oil and gas pipelines.《 Proceedings of SPIE》.2022,全文. * |
| Zixuan Yang.Research on Pipeline Leakage Detection Based on Neural Network.《2021 7th Annual International Conference on Network and Information Systems for Computers (ICNISC)》.2021,全文. * |
| 刘思娇 ; 郑莉 ; 焦晓亮 ; 呼婧 ; .一种基于自适应遗传算法优化BP神经网络的漏磁缺陷量化框架.无损检测.2020,(第10期),全文. * |
| 刘真伟.一种快速计算二维缺陷漏磁场的有限元建模和求解方法.《仪器仪表学报》.2023,全文. * |
| 刘秋丽 ; 马晓军 ; 袁东 ; 苏建强 ; .粒子群优化神经网络在SOC估算中的应用.计算机工程.2012,(第12期),全文. * |
| 基于RBF神经网络的储油罐底板缺陷量化方法;郭萌梦;胡博;刘怡;;南昌航空大学学报(自然科学版);20200615(第02期);全文 * |
| 梁海波.多传感器检测管道缺陷数据融合方法.《激光与光电子学进展》.2022,全文. * |
| 王宏安 ; 陈国明 ; .基于深度学习的漏磁检测缺陷识别方法.石油机械.2020,(第05期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116384253A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109446574B (zh) | 油气开采监测方法、故障识别模型获得方法及相关设备 | |
| CN111832813A (zh) | 一种海底隧道断层活化突水预测方法及*** | |
| CN109521725A (zh) | 检测异常数据的方法、装置和设备以及机器可读介质 | |
| CN105374367A (zh) | 异常帧检测方法和装置 | |
| CN110231447A (zh) | 水质异常检测的方法、装置及终端设备 | |
| Kuang et al. | Network‐based earthquake magnitude determination via deep learning | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| Yu et al. | LPPN: A lightweight network for fast phase picking | |
| Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
| CN117708656B (zh) | 一种面向单源域的滚动轴承跨域故障诊断方法 | |
| Fornasari et al. | A Machine‐Learning Approach for the Reconstruction of Ground‐Shaking Fields in Real Time | |
| CN116384253B (zh) | 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 | |
| CN113050189A (zh) | 一种测井曲线的重构方法、装置、设备及存储介质 | |
| CN111445025B (zh) | 确定业务模型超参数的方法和装置 | |
| CN110991641B (zh) | 一种油藏类型分析方法、装置及电子设备 | |
| CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
| CN113505705B (zh) | 一种双层管柱电涡流信号去噪方法、***及处理终端 | |
| CN114021700A (zh) | 基于岩石物理约束神经网络的渗透率计算方法及装置 | |
| Schiff et al. | Characterizing the latent space of molecular deep generative models with persistent homology metrics | |
| CN114036829A (zh) | 地质剖面图生成方法、***、设备及存储介质 | |
| CN113468822A (zh) | 一种钻速预测方法及*** | |
| CN115128671A (zh) | 一种基于深度学习技术的三维地震相自动识别方法 | |
| CN107664680B (zh) | 一种水质软测量模型的自适应获取方法及装置 | |
| CN111739108A (zh) | 一种基于卷积神经网络的铁矿粉品位快速估测方法 | |
| Byington et al. | Neural Networks for Pipeline Joint Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |