基于bp神经网络的漏磁检测信号处理

基于bp神经网络的漏磁检测信号处理

管道运输是石油和天然气运输的主要方式。管道穿越该地区广泛，服务环境复杂，位置隐蔽。一旦管道发生事故，不仅会造成巨大的经济损失，而且会对社会和环境产生严重的影响。直接和间接损失较大，因此需要定期检测管道。漏磁法是我国高层设计中“水下管道及其检测技术”中采用的主要技术。然而，如何识别错误仍然是一个难题。在识别和应用于人类网络方面，人类网络得到了良好的应用。在真实应用中，大多数神经网络模型采用了bp网络和其他变体。本文在设计了应用于秀明台气的bp检测装置的基础上，提出了一种应用改进的bp网络来识别管道缺陷，并应用于实验室数据的验证。1漏磁的在线数据处理管道漏磁检测是采用一个外加磁场对管道进行磁化,如果管壁没有缺陷,则磁力线闭合于管壁之内;反之,磁力线将穿出管壁而产生漏磁.漏磁场被检测装置的传感器检测到后,经滤波、放大处理,记录到检测装置的存储器中.再经对数据的分析和处理,从而得出缺陷的类型及尺寸参数.目前,常用的漏磁器件有霍尔元件、磁敏管、磁敏电阻和检测线圈等,表1为几种磁敏器件的性能对比.从表中的对照看,虽然磁敏管的灵敏度很高,但线性度太差;磁敏电阻温度特性很差且有局部非线性;检测线圈的灵敏度、温度特性和线性度都可以,但线圈是测量磁感应的,只能测量变化的磁场.当磁场变化缓慢时,线圈很难测到,而且线圈和磁场之间运动的相对速度变化也会影响测量值的大小.综合各方面参数,霍尔元件是相对稳定的器件,它是根据霍尔效应制成的.其中,Eh=ΙBneb(1)Eh=IBneb(1)式中:Eh为霍尔电动势;I为施加电流;b为霍尔元件厚度;n、e与霍尔元件本身材料有关;B为磁感应强度.令霍尔元件灵敏度Kh=(neb)-1,由式(1)得B=EhΚhΙ(2)B=EhKhI(2)可以看出,当施加恒定电流,且霍尔元件已经确定时,忽略温度等因素的影响,B和Eh成线性关系.图1是设计的一个采集通道数为40的漏磁在线数据处理电路图,它可分为供电、测量电路、采集电路、工控机电路等几部分.通过对样本缺陷(如矩形腐蚀坑缺陷等)进行大量数据分析实验后,大致可以得出用漏磁信号的峰-峰值pp来判别缺陷的深度,漏磁信号的峰-峰间距p-p来判别缺陷的长度等经验数据,但要定量地分析缺陷的尺寸必须应用神经网络来进行非线性逼近.漏磁信号的波形特征量一般定义如下:(1)信号波形的pp,通常它是衡量缺陷深度的一个重要指标.(2)信号波形的p-p.(3)信号周向宽度W.由于本漏磁检测装置的磁场是采用轴向磁化,对于缺陷的宽度不是很敏感,所以其主要根据管道周向传感器的排列的霍尔传感器的个数和间距来确定,图2是根据管道缺陷信号进行宽度确定的示意图.该管道检测专职所能检测到的周向最小缺陷检测宽度lc=2πr/N.其中:r为管道半径;N为霍尔传感器的片数.(4)波形下面积S.它由漏磁信号的峰和谷组成一个波动,反映信号的短时一阶中心矩,S=Ν∑n(x(t)-min[x(t)])(5)信号波形能量E.反映了在一定空间内漏磁信号的离散程度,相当于信号的短时二阶中心矩,E=Ν∑n(x(t)-min[x(t)])2根据前面的特征量衍生出来的特征量,如pp/p-p、S/pp和S/p-p等(见图3).2各层bp神经网络BP神经网络是基于误差反向传播算法的多层前向神经网络,系统地解决了多层网络中隐含单元连接权的学习问题,可以实现输入和输出间的任意非线性映射,已广泛用于函数逼近、模式识别、分类、数据压缩等领域.BP算法是在导师指导下,适合于多层神经元网络的一种学习,它是建立在梯度下降法的基础上的.对某一个输入为xk,网络的输出yk,节点i的输出为Oik,当第l层的第j个单元输入第k个样本时,节点j的输入为netljk=∑jwlijΟl-1jk,Οl-1jk表示l-1层输入第k个样本时第j个单元节点的输出,其中Oljk=f(netljk).令误差函数为Ek=12∑i(yjk-ˉyjk)2ˉyjk是单元j的实际输出.定义δljk=∂Ek∂netljk,则有:∂Ek∂wlij=∂Ek∂netljk∂netljk∂wlij=∂Ek∂netljkΟl-1jk(3)若节点j为输出单元,则Οljk=ˉyjk,所以δljk=∂Ek∂netljk=∂Ek∂ˉyjk∂ˉyjk∂netljk=-(yk-ˉyk)f(netljk)(4)若节点j不为输出单元,则δljk=∂Ek∂netljk=∂Ek∂Οljk∂Οljk∂netljk=∑m∂Ek∂netljk∂netljk∂Οljkfl(netljk)=∑mδl+1mkwl+1mjfl(netljk)(5)在应用BP神经网络时,首先需要确定权系数初值,然后在正向过程中计算各层各单元的Ol-1jk、netljk和ˉyk,在反向过程中计算δljk并修正权值wij=wij-μ∂E∂wij,其中μ为步长.由BP定理可知,对给定的任意ε>0和任意L2函数f:[0,1]2→Rm,存在一个3层BP网络,它可在任意ε平方误差精度内逼近f.对于漏磁管道缺陷的长度、宽度、深度的识别建立一个3层BP神经网络如图4所示.其输入层、隐含层和输出层的单元数分别为m、j、p,wij和wjp为输入层到隐含层及隐含层到输出层的连接权值,其中p=3.由于并不是所有的特征量对缺陷的外形尺寸具有相同的贡献,必须找出对应于长、宽、深的主要特征向量来简化计算的复杂性.采用主分量分析的方法,根据特征向量数据方差贡献率来降低数据的维数,当特征向量数据方差贡献率ψ(m)≥80%时,确定其有效的特征量.由于本文是在同一个网络结构中实现深度、长度、宽度的识别,综合取它们的主要特征量pp、p-p、w、S和pp/p-p,其余的特征量不予考虑,所以m=5.而隐含层单元数j通过多次试算取为16.对于BP网络隐含层神经元采用双曲正切Sigmoid函数,其隐含层各单元的输入模式可表示为Aj=m∑i=1wijxm-θaj其中,θaj为隐含层单元的阈值.各隐含层的输出为aj=f(Aj)=11+exp(-m∑i=1wijxm-θaj)样本集的全局误差E=12mm∑p=1(yp-ˆyp)2,其输出层的误差δp和隐含层的误差δj分别为:δp=(ˉyp-yp)ˉyp(1-ˉyp)δj=aj(1-aj)∑jδpwjp}(6)该3层BP神经网络实际输出ˉyp=f(∑jajwjp-θp)其阈值修正公式为:θp(k+1)=θp(k)+ηδpθj(k+1)=θj(k)+ηδj}(7)式中:η为学习率;k为学习次数.常用的基于梯度下降法的BP网络权值修正公式存在着收敛速度慢的问题,本文采用结合梯度下降法和高斯牛顿法的Levenberg-Marquardt优化法,其权值调整公式为Δw=(JΤJ+μΙ)-1JΤe(8)式中:J为误差对权值微分的Jacobian矩阵;μ为一个标量;I为单位矩阵;e为误差向量.该方法有效缩短了学习的时间,提高了收敛的速度.实验中对管内径为195mm的钢管用电火花加工80个缺陷,优化选择其中的50个作为样本数据,表2列出的是部分样本数据的尺寸参数和它们的主要特征量.η的选取将较大影响收敛的速度,太大则易导致网络发散,太小网络收敛速度慢.该BP神经网络采用自适应的调整方法调整η,首先选取一较大的η进行训练,然后以一定的步长进行扫描.设定最大训练步数为2500步,目标误差为0.0001.对网络进行训练,图5为训练精度随步长逼近目标精度的变化图,图6为缺陷深度评价随步长变化图.从图中可以看出,该网络的在1350步时收敛,其训练目标误差为9.9836