-
公开(公告)号：CN106950276B
公开(公告)日：2020-05-05
申请号：CN201710168186.5
申请日：2017-03-21
Applicant: 东北大学
IPC: G01N27/83
Abstract: 本发明提供一种基于卷积神经网络的管道缺陷深度的反演方法，随机生成管道缺陷轮廓：生成n组管道缺陷深度矩阵，基于磁偶极子模型仿真得到n组管道缺陷轮廓的轴向漏磁信号，获取实测的k组管道缺陷深度矩阵，并采用磁场传感器测量其相应的轴向漏磁信号，构造卷积神经网络模型，采用仿真的管道缺陷轮廓的轴向漏磁信号和实测的管道缺陷轮廓的轴向漏磁信号对卷积神经网络模型进行训练，得到最终的卷积神经网络模型，将未知深度的管道缺陷的轴向漏磁信号进行预处理后，输入最终的卷积神经网络模型，得到未知深度的管道缺陷的深度预测值，本发明方法有效地减少了网络训练所需要的参数，减少了对缺陷反演所需的时间。
-
公开(公告)号：CN106950276A
公开(公告)日：2017-07-14
申请号：CN201710168186.5
申请日：2017-03-21
Applicant: 东北大学
IPC: G01N27/83
Abstract: 本发明提供一种基于卷积神经网络的管道缺陷深度的反演方法，随机生成管道缺陷轮廓：生成n组管道缺陷深度矩阵，基于磁偶极子模型仿真得到n组管道缺陷轮廓的轴向漏磁信号，获取实测的k组管道缺陷深度矩阵，并采用磁场传感器测量其相应的轴向漏磁信号，构造卷积神经网络模型，采用仿真的管道缺陷轮廓的轴向漏磁信号和实测的管道缺陷轮廓的轴向漏磁信号对卷积神经网络模型进行训练，得到最终的卷积神经网络模型，将未知深度的管道缺陷的轴向漏磁信号进行预处理后，输入最终的卷积神经网络模型，得到未知深度的管道缺陷的深度预测值，本发明方法有效地减少了网络训练所需要的参数，减少了对缺陷反演所需的时间。
-
公开(公告)号：CN109783906B
公开(公告)日：2023-07-07
申请号：CN201811633698.5
申请日：2018-12-29
Applicant: 东北大学
IPC: G06F30/27 , G06N3/0464 , G06N3/08 , G01N27/83 , F17D5/02
Abstract: 本发明提出一种管道内检测漏磁数据智能分析系统及方法，流程包括：在数据完备集构建模块中采用一种基于类时域稀疏采样和KNN‑softmax的数据完备集构建方法，得到完备漏磁数据集；在发现模块中采用一种基于选择性搜索与卷积神经网络相结合的管道连接组件发现方法，得到焊缝的精确位置；在发现模型中采用一种基于拉格朗日数乘框架和多源漏磁数据融合的异常候选区域搜索与识别方法，找出有缺陷的漏磁信号；在量化模块中采用一种基于随机森林的缺陷量化方法，得到缺陷尺寸；在解决方案模块中采用一种基于ASME B31G标准改进的管道解决方案，输出评估结果。本发明从整体角度提出了分析方法，实现了预处理，连接组件检测和异常检测，缺陷尺寸反演以及最终维修决策。
-
公开(公告)号：CN109783906A
公开(公告)日：2019-05-21
申请号：CN201811633698.5
申请日：2018-12-29
Applicant: 东北大学
Abstract: 本发明提出一种管道内检测漏磁数据智能分析系统及方法，流程包括：在数据完备集构建模块中采用一种基于类时域稀疏采样和KNN-softmax的数据完备集构建方法，得到完备漏磁数据集；在发现模块中采用一种基于选择性搜索与卷积神经网络相结合的管道连接组件发现方法，得到焊缝的精确位置；在发现模型中采用一种基于拉格朗日数乘框架和多源漏磁数据融合的异常候选区域搜索与识别方法，找出有缺陷的漏磁信号；在量化模块中采用一种基于随机森林的缺陷量化方法，得到缺陷尺寸；在解决方案模块中采用一种基于ASME B31G标准改进的管道解决方案，输出评估结果。本发明从整体角度提出了分析方法，实现了预处理，连接组件检测和异常检测，缺陷尺寸反演以及最终维修决策。
-
-
-
Search Results
4
records
(took 0.015 seconds)
