[发明专利]一种基于神经网络的高温炉管损伤级别智能评定方法

摘要

本发明属于无损检测技术领域，提供一种基于神经网络的高温炉管损伤级别智能评定方法。首先，在分析采集数据特征的基础上，设计焊缝识别算法与损伤评级算法，进行逐段标记：其次，利用焊缝识别算法将炉管段分为两类‐焊缝段和非焊缝段；最后，利用损伤评级算法对非焊缝段炉管进行损伤级别的评定。本发明在对高温炉管损伤级别进行评定时避免人为因素造成的误判和漏判，同时能够降低其他因素对级别评定的影响，以保证高温炉管损伤级别的评定具有统一性和均衡性。

主权项

1.一种基于神经网络的高温炉管损伤级别智能评定方法，其特征在于，所述的高温炉管损伤级别智能评定方法首先在分析采集数据特征的基础上，设计焊缝识别算法与损伤评级算法，进行逐段标记：再利用焊缝识别算法将炉管段分为两类-焊缝段和非焊缝段；最后利用损伤评级算法对非焊缝段炉管进行损伤级别的评定；具体包括以下步骤：1)采集数据一根炉管由多段管段焊接而成，焊缝处的炉管外形轮廓近似抛物线，其余位置近似为直线，利用直线位移传感器对炉管外形轮廓进行采样，根据公式(1)得到一根炉管管壁的原始数据y；y＝cx[bi-ai(x-xi)2]+δ (1)式中，y为采样值，x为采样位置；cx表示该点是否为焊缝，取值为0或1；ai、bi、xi是控制抛物线形态的参数，i表示一根炉管上焊缝的序号；δ为随机变量；2)利用采集的数据分段研究炉管管壁的数据特征直线位移传感器输出电压采样精度为12位，范围为0～4095，对公式(1)得到的管壁原始数据利用公式(2)进行预处理： y ′ = ψ 4095 · ( y - y 0 ) - - - ( 2 ) ]]>式中，y为原始的采样值，y0为起始点的采样值；ψ表示直线位移传感器能够测量的最大变化量；y′为处理后的数据，将其定义为管壁偏移量，单位为毫米mm，表示采样点相对起始点的水平偏移距离；炉管段的管壁偏移量与采样位置的关系通过公式(3)描述：y'＝cx[b-a(x-x0)2]·[0.54-0.46·cos(2π·x/64)]+ξ (3)式中，y′为管壁偏移量，x为采样位置；cx表示该点是否为焊缝，取值为0或1；a、b、x0是控制抛物线形态的参数；ξ为随机变量；3)采用谷值跃变进行焊缝识别，并采用如公式(4)所示的差分运算法检测谷值跃变：z(n)＝|y'(n)-y'(n-n0)| (4)其中，y(n)′为管壁偏移量的采样值，n是采样点的序号，n0是做差分运算的两个采样点间的序号差，z(n)为管壁偏移量进行差分运算的结果；得到z(n)后，设置阈值z0，选取z(n)值大于z0的点，并记录上述点的下标n，上述点都是焊缝上的点；z0和n0的设置是根据焊缝检验算法并结合实验数据得到；4)根据步骤3)得到的焊缝上的点近似求得每个焊缝的中心位置将步骤3)得到的焊缝上的点依次排列，选取第一个点作为当前焊缝的起始点，依次计算后面点的下标n与起始点的差值，当差值大于一定阈值z0时，说明到达下一个焊缝的起始点，它的前一个点即是当前焊缝的结束点，计算当前焊缝的起始点与结束点下标的中值，得到当前焊缝的中心位置；再由下一个焊缝的起始点重复上述操作，直到结束；结束时还需计算最后一个焊缝的起始点与最后一个点下标的中值得到最后一个焊缝的中心位置；5)检测一根炉管的两个迎火面，得到实际采集数据，并得到同一根炉管两路超声信号幅值特征曲线，并根据超声信号幅值特征曲线确定损伤程度；设置超声信号幅值特征曲线的相对幅值范围为0～500；6)采用两种算法对初步确定的损伤程度进行智能评级一种算法是基于规则的逐步优化评级法，根据超声信号幅值特征曲线的统计特征制定划分损伤程度的标准，模拟人工评级的过程；另一种算法是基于BP神经网络的评级法，采用BP神经网络对输入的超声信号幅值特征曲线分类实现分级；两种算法均以10个数据为一个数据单元对一组数据进行划分，一个数据单元对应一个评级结果，因此长度为n的数据生成的评级结果的长度为n/10；首先采用基于规则的逐步优化评级法，得到初步评级结果；在此基础上进行简单修改之后，采用BP神经网络进行训练学习，得到炉管损伤程度的结果；两种算法均对超声信号幅值特征曲线数据进行预处理，将同一根炉管两个通道的超声幅值特征曲线数据融合为一组，作为算法的输入数据；6.1)基于规则的逐步优化评级算法包括以下三步：6.1.1)初评计算每个数据单元的最小值和均值，并以此进行初步评级，初步评级标准如表1所示；表16.1.2)细评根据每个数据单元相邻两侧的初评结果进行细评，主要规则有：评级结果为A级、B上级的数据单元无需重评；若B级两侧为B下级或焊缝则将其修改为B下级；若B下级和C级两侧不是A级或B上级，则将其修改为B级；6.1.3)膨胀连通设置连通宽度，若评级结果中两个B上级管段的距离小于连通宽度，则将两个B上级之间评级结果为A级的位置修改为B上级，使其连通；B级结果同样需要进行这一步骤；6.2)基于BP神经网络的评级法包括以下内容：BP神经网络具有三层或三层以上的拓扑结构，包括输入层、隐层和输出层，前后层神经元之间全连接，每层神经元之间无连接；其输入向量p＝(p1,p2,…,pn)与输出向量h满足： h = f ( Σ i = 1 n p i · ω i - θ ) = W T P - - - ( 5 ) ]]>式中，WT＝(-θ,ω1,ω2,…,ωn)，P＝(1,p1,p2,…,pn)和f()是输入输出的传递函数。