管道缺陷漏磁信号分类与识别方法的研究.pdf.docVIP

2009信息技术与应用学术会议论文 管道缺陷漏磁信号分类与识别方法的研究 杨理践1，史金阳2，高松巍3 (1．沈阳工业大学信息科学与工程学院，辽宁省沈阳市110870) 摘要：为了提高管道漏磁检测缺陷识别的准确性和识别效率，引入支持向量机作 为缺陷分类与识别的平台。利用ANSYS软件对具有不同长度、宽度和深度的多组缺 陷模型进行缺陷漏磁场仿真，将仿真得到的漏磁场磁通密度数据保存在文本文件中， 封装成符合LIBSBt支持向量机工具格式的训练数据，对支持向量机训练。使用i／)I练 后得到的支持向量机模型进行缺陷分类．实验结果表明，支持向量机分类性能良好， 应用在漏磁检测缺陷分类中具有可行性． 关键词：漏磁检测；LIBSVM；支持向量机；统计学习理论；模式识别；超平面；缺 陷分类 中图分类号：TE973．6 文献标识码：A 文章编号： Research on Method of Classification and Recognition on Signal of Magnetic Flux Leakage in Defect of Pipeline YANG Li-jian，SHI Jin—yang，GAO Song—wei (School of Information Science and Engineering，Shenyang University of Technology, shenyang，1 1 0870，China) Abstract：In ordet to improve the accuracy and efficiency ofdofect ofmagnetic flux leakage in defect of pipeline，support vector machine was imported as a platform of classification and recognition．By ANSYS．many MFL simulations which are model of megnific flux Ieakage contain different defects had been done。77结data which we get from simulations will be saved in a tgxt file,then packaged to the format whice match the format ofLIBSVM．Support vector machine Was trained with the data ofsimulations then classify the defects．through the allalysis of the result．It shows that山e function of support vector machine is prefect and it iS feasible in application to defect classification and recognition． Key words：magnetic flux leakage；LIBSVM；support vector machine：electromegnitic field simulation： statistical learning theory：pattern recognition；hyper-plat：defect classification 在国民经济中，石油天然气管道输送的战略地位极为重要，漏磁检测技术是油气管道检测 中应用最为广泛的检测方法之_』1l。在管道缺陷定量识别的方法中，分类方法具有可靠性强， 准确率高，速度快，易于实现等优点，是一种管道缺陷识别的高效方法。支持向量机类似于神 经网络，具有更加完备的理论基础，是—种基于统计学习理论的机器学习方法。采用支持向量 机作为缺陷识别工具，提高了识别智能性和准确率。 1漏磁检测原理 漏磁检测利用了铁磁性材料导磁性能非常高，被检测物体被磁化后，如果在其表面和近表 面存在缺陷，则在不连续处磁场方向将发生改变，在磁感线离开工件和进入工件表面的地方产 生磁极，形成漏磁场【2】。用传感器对漏磁场进行检测，检测到得漏磁信号将包含缺陷的信息。 2支持向量机基础理论 支持向量机(sVM)是—种新的机器学习方法，由Ⅵ哪诙等人在1995年提出。支持向量 机基于统计学习理论，因此具有严格的理论分析和坚实的数学理论基础，具有理论完备、全局 优化、推广能力好、适应件锯等优点。它具有结构风险最小化原则，在最小化经验风险的同时， 162  万方数据 2009信息技术与应用学术会议论文 有效