一种基于人工智能的压力管道电磁超声检测方法与流程

本发明涉及一种基于人工智能的压力管道电磁超声检测方法。

背景技术：

1、在压力管道电磁超声检测的领域内，现有技术面临着一系列的挑战，这些挑战主要来源于检测数据的质量、数据处理的效率、以及检测模型的准确性和稳定性方面的限制。随着工业应用的不断发展和对安全性要求的提高，对压力管道的健康状态进行高效、准确的监测变得尤为重要。压力管道作为输送液体和气体的重要设施，在长期的使用过程中会出现裂纹、腐蚀、壁厚减薄等多种缺陷，这些缺陷如果不及时检测和处理，可能会导致严重的安全事故。

2、申请号为cn201711163780.1的中国发明专利提出一种管道泄漏检测装置，自动移动效果良好，摆动角度良好，检测方便，减轻劳动强度，提高效率的装置。

3、申请号为cn201721463018.0的中国发明专利提出一种用于管道腐蚀检测的声定位c扫成像装置，在进行管道腐蚀检测的过程中采用声定位发射传感器和声定位接收传感器对检测位置信息进行定位，使得管道的腐蚀情况区域化地显示在c扫彩色图像上，非常直观地反映了被检查管道的腐蚀程度，提高了腐蚀缺陷检出率，为工程质量评估提供了有力的证据。

4、申请号为cn201721467244.6的中国发明专利提出一种工艺管道缺陷高频导波快速检测装置，将高频导波探头夹持在上述扫查架上，通过移动扫查架来实现高频导波探头沿管道周向的移动，提高了扫查的速度，提高了管道缺陷检查的速率。

5、但现有技术主要还存在以下问题：

6、1、现有技术可能在数据采集和处理方面缺乏足够的精度，导致得到的数据质量不高，对后续的分析和识别造成困难。

7、2、现有技术可能未能有效解决训练数据量不足或数据多样性不够的问题，限制了模型的泛化能力和精度。

8、3、现有技术可能在特征提取方面效率不高，无法充分挖掘数据中的有用信息，或者提取出的特征无法准确反映数据的本质属性。

9、4、面对复杂的数据环境和各种噪声干扰，现有技术的模型可能缺乏足够的稳定性和鲁棒性，容易受到异常数据的影响，导致检测精度和可靠性下降。

10、5、现有技术在处理高维数据时，可能面临维度灾难，导致计算复杂度高，处理效率低下。

技术实现思路

1、本发明的目的在于克服现有的缺陷而提供的一种基于人工智能的压力管道电磁超声检测方法，提高了检测数据的质量与准确性。

2、实现上述目的的技术方案是：

3、一种基于人工智能的压力管道电磁超声检测方法，包括：

4、步骤s1，压力管道电磁超声检测数据采集与标注；

5、步骤s2，构建并训练抗噪声增强学习的生成对抗网络模型，进行压力管道电磁超声检测数据扩充；

6、步骤s3，构建并训练深海生态模拟优化算法的神经网络模型，进行压力管道电磁超声检测数据特征提取；

7、步骤s4，构建并训练随机映射和距离度量学习的自编码器，进行压力管道电磁超声检测数据特征提取后的数据的降维；

8、步骤s5，构建并训练极限学习机分类算法模型，对降维后的压力管道电磁超声检测数据进行分类；

9、步骤s6，将新的压力管道电磁超声检测数据输入到训练好的模型中，识别和分类管道中的潜在缺陷。

10、优选的，所述步骤s1中，通过电磁超声换能器在压力管道材料中生成超声波，捕获反射波信号，从而获取压力管道电磁超声检测数据，其中，压力管道电磁超声检测数据以数字信号的形式记录，每个数据点反映了超声波在材料内传播时的特定属性。

11、优选的，所述步骤s1中，压力管道电磁超声检测数据的属性，包括：

12、ax：超声波频率，单位时间内发射的超声波脉冲数；

13、ay：振幅，指超声波在管道材料中传播时波幅的大小；

14、aw：衰减系数，描述超声波在材料中传播时能量损失的程度；

15、av：反射强度，超声波在缺陷处反射回来的能量大小；

16、au：信号到与噪声比，衡量信号质量的指标；

17、at：波形特征，如周期、频率及峰值等，用于描述超声波波形的具体形状；

18、as：缺陷位置，缺陷出现最大反射波信号位置的空间位置信息；

19、ar：指示长度，移动电磁超声换能器所测定出的缺陷长度；

20、aq：缺陷振幅，缺陷出现最大反射波信号位置的波幅大小；

21、av：缺陷自身高度，缺陷区域各个表面之间的垂直距离。

22、优选的，所述步骤s1中，采用人工标注的方式对压力管道电磁超声检测数据进行标注，标注的类别包括：气孔、夹渣、裂纹、未熔合、未焊透和壁厚减薄6类。

23、优选的，所述步骤s2中，训练抗噪声增强学习的生成对抗网络模型，包括：

24、设生成器g的参数为判别器d的参数为初始化生成器g和判别器d的网络参数，生成器g用于从随机噪声生成近似于真实电磁超声检测数据的样本，判别器d用于区分生成的样本与真实样本；

25、采用迭代训练的方式，在每一轮训练中，生成器g接收随机噪声作为输入，生成数据样本，判别器d评估这些生成样本与真实样本，并进行区分，通过这种对抗过程，生成器g学习生成越来越真实的数据样本，即：

26、生成器g接收随机噪声bz，输出生成样本

27、判别器d评估生成样本bg与真实样本bx，其目标是最大化判别真实样本与生成样本的能力，判别器d的目标函数可以表示为：

28、

29、且，生成器g的目标函数为：

30、

31、其中，表示期望，真实样本bx服从于特定的数据分布，表示期望，随机噪声bz输入服从于特定分布；

32、抗噪声机制通过在生成器g的输入中引入噪声抵抗项bnr，噪声抵抗项是一个对输入噪声的处理函数，表示为bnr(bz)，则生成样本bg的过程可以表示为：

33、

34、噪声抵抗项bnr(bz)通过对输入噪声bz进行处理得到，计算方式可以表示为：

35、

36、其中，表示噪声抵抗变换的权重矩阵，为偏置项，re()是relu激活函数；

37、采用改进的损失函数考虑生成样本与真实样本之间的差异和模型复杂度，通过在损失函数中引入正则化项来实现结构风险最小化，用于平衡模型复杂度与拟合程度，可以表示为：

38、

39、其中，是正则化项，λ是正则化系数，控制模型复杂度对损失函数的影响程度；

40、则正则化项的计算方法可以表示为：

41、

42、其中，和分别计算生成器g和判别器d参数的平方和，用于惩罚过大的权重值，避免过拟合；

43、根据损失函数的反馈，逐步调整生成器g和判别器d的参数，通过多轮迭代，生成器g能够生成越来越接近真实电磁超声检测数据的样本，即，通过反向传播和梯度下降算法更新和的方式可以表示为：

44、

45、

46、其中，α是学习率，α设置为0.01；

47、则，对于生成器g，梯度的计算方式可以表示为：

48、

49、其中，表示损失对生成样本的偏导，是生成样本对生成器g参数的偏导；

50、对于判别器d，梯度的计算方式可以表示为：

51、

52、其中，表示损失对判别结果的偏导，是判别结果对判别器d参数的偏导；

53、通过迭代预设的迭代次数，生成器g能够独立生成新的数据样本，最终生成的数据样本bg添加到原始数据集中，作为扩充后的样本数据集。

54、优选的，所述步骤s3中，训练深海生态模拟优化算法的神经网络模型，包括：

55、随机初始化神经网络的参数，包括权重和偏置，设cx为输入的电磁超声检测数据，cw(l)为第l层的权重矩阵，cb(l)为第l层的偏置向量，ca(l)为第l层的激活值，cz(l)为第l层的线性变换值，l为损失函数，η为学习率；

56、在神经网络初始化时，通过一个随机函数finit对权重和偏置进行初始化，可以表示为：

57、cw(l)＝finit()；

58、cb(l)＝finit()；

59、其中，finit()表示采用的初始化函数；

60、则，第l层的权重矩阵cw(l)可以表示为：

61、

62、其中，n(l-1)是第l-1层的节点数，表示均值为0，标准差为1的正态分布；

63、输入压力管道电磁超声检测数据，通过神经网络进行前向传播，计算每一层的激活值和最终的输出特征，即，对于每一层的前向传播，使用以下公式计算线性变换值cz(l)和激活值ca(l)：

64、cz(l)＝cw(l)·ca(l-1)+cb(l)；

65、ca(l)＝factivation(cz(l))；

66、其中，factivation表示激活函数；

67、采用的损失函数l计算输出特征与期望特征之间的差异，计算方式表示为：

68、

69、其中，n是样本数量，cyi是第i个样本的真实标签，是模型的预测输出，floss是自适应损失计算函数；

70、则，自适应损失计算函数floss的计算方式可以表示为：

71、

72、其中，m是类别的数量，cyij是真实标签的one-hot编码，是模型预测的概率分布；

73、利用随机函数优化方法和自适应调整机制，根据损失函数的梯度更新神经网络的参数，参数的更新采用随机梯度下降法进行调整，对于每一层，权重和偏置的更新公式为：

74、

75、

76、其中，η是学习率，和分别是损失函数关于权重和偏置的梯度；

77、则，权重cw(l)和偏置cb(l)的梯度计算通过链式法则得到，可以表示为：

78、

79、其中，是损失函数相对于第l层激活值的梯度，是激活函数的导数，依赖于前一层的激活值ca(l-1)；

80、重复以上步骤，直到达到最大的迭代次数，即完成深海生态模拟优化算法的神经网络模型的训练。

81、优选的，所述步骤s4中，训练随机映射和距离度量学习的自编码器，包括：

82、设输入到模型的第i个数据特征为exi，设随机映射矩阵其中d是特征提取后的数据维度，k是映射后的维度；

83、初始化自编码器模型，采用随机映射矩阵到标准化的数据上，以增强数据特征的表达，可以表示为：

84、

85、其中，为增强数据特征；

86、编码器接收映射后的数据，将其转换为一个低维的特征表示，设eenc为编码器函数，ewe和ebe分别为编码器的权重和偏置，编码的过程可以表示为：

87、

88、其中，re()是relu激活函数；

89、解码器从低维特征表示中重构原始数据，设edec为解码器函数，ewd和ebd分别为解码器的权重和偏置，则解码的过程可以表示为：

90、ex″i＝edec(efi；ewd,ebd)＝re(ewd×efi+ebd)；

91、其中，ex″i为解码后的增强数据特征；

92、通过距离度量学习调整编码器和解码器的参数，以最小化重构误差和特征表示之间的距离，重构误差elrecon的计算方式可以表示为：

93、

94、其中，n表示数据特征个数；

95、特征距离优化eldist的方式可以表示为：

96、

97、其中，yij表示edi和edj是否属于同一类别，由预设的softmax分类函数得到；

98、则，总损失函数的计算方式可以表示为：

99、eltotal＝elrecon+λeldist；

100、其中，λ是正则化参数，用于平衡两种损失；

101、使用梯度下降法更新ewe，ebe，ewd，ebd和em，更新方式可以表示为：

102、

103、

104、

105、

106、

107、其中，ewe,new为更新后的编码器权重参数,ebe,new为更新后的编码器偏置参数，ewd,new为更新后的解码器的权重参数，ebd,new为更新后的解码器的偏置参数，emnew为更新后的随机映射矩阵，η为编码器的学习率；

108、循环以上步骤，直到达到最大的迭代次数，即完成随机映射和距离度量学习的自编码器的训练。

109、优选的，所述步骤s5中，训练极限学习机分类算法模型，包括：

110、随机初始化极限学习机的输入权重和偏置，设置输出层权重的初始值，输入权重wi和偏置bi初始化的方式可以表示为：

111、wi～u(-r,r)；

112、bi～u(-r,r)；

113、其中，u(-r,r)表示在[-r,r]范围内的均匀分布，r是根据输入数据维度选取的一个常数，r设置为1；

114、将特征降维后的压力管道电磁超声检测数据作为输入，通过极限学习机的隐藏层进行非线性变换，得到隐藏层的输出，隐藏层输出h的计算方式可以表示为：

115、h＝sig(wi·x+bi)；

116、其中，x是输入数据，sig()是sigmoid激活函数；

117、隐藏层输出h是通过输入数据x、输入权重wi和偏置bi计算得到的，计算方式可以表示为：

118、h＝sig(wi·x+bi)；

119、sigmoid激活函数的计算方式可以表示为：

120、

121、采用鲁棒优化策略来计算输出权重，以最小化新定义的损失函数，引入对异常值的惩罚项，即，鲁棒优化策略下的输出权重wo计算过程中，求解以下优化问题以获得wo：

122、

123、其中，y是目标输出，λ和γ是正则化项和鲁棒项的权重系数，ρ(hiwo,yi)是针对第i个样本的鲁棒损失函数；

124、采用huber损失函数，计算方式可以表示为：

125、

126、其中，δ是huber损失的阈值参数，用于控制损失函数从平方损失向绝对损失的过渡；

127、根据数据的实际分布自适应调整隐藏层到输出层权重，基于训练过程中的误差反馈动态自适应机制调整λ和γ，以优化模型性能，调整方式可以表示为：

128、

129、

130、其中，αλ和αγ是基于误差变化δe的调整因子，其决定了参数的调整幅度；

131、则，自适应机制调整参数λ和γ的方式可以表示为：

132、

133、αλ和αγ的调整因子具体表示为：

134、

135、

136、其中，kλ和kγ是调整速率参数，δe是模型准确率的改变增量；

137、重复以上步骤，直到达到最大的迭代次数，即完成极限学习机分类算法模型的训练。

138、优选的，所述步骤s6中，将新的压力管道电磁超声检测数据输入到训练好的模型中，识别和分类管道中的潜在缺陷，包括：

139、步骤s61，将新采集的压力管道电磁超声检测数据输入到训练完成的模型中；

140、步骤s62，经过深海生态模拟优化算法的神经网络模型的特征提取和随机映射和距离度量学习的自编码器的降维处理，转化为高度抽象的特征表示；

141、步骤s63，特征表示被送入训练好的极限学习机分类算法模型中，根据特征的不同表现进行缺陷类型的分类。

142、本发明的有益效果是：本发明采用抗噪声增强学习的生成对抗网络模型来扩充训练数据，不仅能生成更加真实的数据样本，而且能够减少噪声数据对训练效果的负面影响；通过深海生态模拟优化算法的神经网络模型进行压力管道电磁超声检测数据特征提取，在提高算法性能的同时，也增强了模型在处理复杂数据时的稳定性；通过随机映射和距离度量学习的自编码器进行压力管道电磁超声检测数据特征提取后的数据的降维，使得降维过程更加稳定和有效，能够更好地保留原始数据的关键信息；通过极限学习机分类算法模型对降维后的压力管道电磁超声检测数据进行分类，提高了分类模型在处理数据时的稳定性和准确性，特别是对异常值的处理能力，使模型在面对数据异常时仍能保持较高的分类性能。