(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210729035.3 (22)申请日 2022.06.24 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 潘建华　高伦　赵冬军　 (74)专利代理 机构 合肥和瑞知识产权代理事务 所(普通合伙) 34118 专利代理师 王挺 (51)Int.Cl. G06F 30/23(2020.01) G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01)G06T 17/00(2006.01) (54)发明名称 一种基于GA深度优化机器学习的管道缺陷 类型识别方法 (57)摘要 本发明公开了一种基于GA深度优化机器学 习的管道 缺陷类型识别方法， 获取不同缺陷类型 下缺陷的三轴漏磁信号； 针对缺陷的三轴漏磁信 号提取信号特征参数； 将轴向分量微分信号峰谷 间距、 周向分量峰谷中值间距、 径向分量峰谷值、 径向分量峰谷间距、 轴向分量波形面积， 以及将 漏磁传感器上采集到缺陷漏磁信号的传感器个 数作为缺陷类型的识别参数， 构建样本集； 构建 神经网络， 神经网络的输入为缺陷类型的识别参 数， 输出为缺陷类型； 利用 样本集训练并生成神 经网络； 对未知缺陷进行类型识别， 将该未知缺 陷的识别参数输入神经网络中进行预测， 预测输 出该未知缺陷的缺陷类型。 本发 明能够准确识别 管道缺陷类型， 具有重大工程意义和良好应用前 景。 权利要求书3页 说明书10页 附图8页 CN 115130343 A 2022.09.30 CN 115130343 A 1.一种基于GA深度优化机器学习的管道缺陷类型识别方法， 其特征在于， 包括以下步 骤： S1， 获取不同缺陷类型 下缺陷的三轴漏磁信号； 所述缺陷的三轴漏磁信号是指： 轴向漏磁信号即轴向分量， 径向漏磁信号即径向分量， 周向漏磁信号即周向分量； 其中， 轴向即为沿管道长度的方向， 径向即为沿垂直于管道内壁的方向， 周向即为沿管 道的周向； 周向分量的选取方式为： 确定轴向路径上径向分量的波峰位置， 选择该波峰位置所在 的周向路径上的径向分量的值作为周向分量的值； S2， 针对缺陷的三轴漏磁信号提取信号特征参数， 包括： 轴向分量微分信号峰谷间距 DSxp‑p、 轴向分量波形面积Sx、 周向分量峰谷中值间距Sy‑50％、 径向分量峰谷值Bzp‑p、 径向分量 峰谷间距Szp‑p； 其中， 轴向分量微 分信号峰谷间距DSxp‑p的提取方式为： 对轴向分量取微 分， 得到轴向分 量微分信号， 提取轴向分量 微分信号峰谷间距D Sxp‑p； 周向分量峰谷中值间距Sy‑50％的提取方式为： 提取周向分量的波峰和 波谷， 计算波峰和 波谷的中间值即波峰和波谷之间差值的50％作为峰谷中值， 周向分量上峰谷中值的间距即 为周向分量峰谷中值间距Sy‑50％； S3， 将轴向分量微分信号峰谷间距DSxp‑p、 周向分量峰谷中值间距Sy‑50％、 径向分量峰谷 值Bzp‑p、 径向分量 峰谷间距Szp‑p、 轴向分量波形面积Sx， 以及将漏磁传感器上采集到缺陷漏 磁信号的传感器 个数N作为 缺陷类型的识别参数， 构建样本集； 样本集中的样本数据包括： 缺陷的各个识别参数值以及对应的缺陷类型； S4， 构建神经网络， 所述神经网络的输入为缺陷的各个识别参数值， 输出为缺陷类型； 利用样本集训练并生成神经网络； S5， 对未知缺陷进行类型识别， 过程如下 所示： S51， 根据 该未知缺陷的三轴漏磁信号提取各个信号特征参数， 并获取漏磁传感器上采 集到该未知缺陷漏磁信号的传感器 个数N， 得到该 未知缺陷的各个识别参数值； S52， 将该未知缺陷的各个识别参数值输入步骤S4所得的神经网络中进行预测， 预测输 出该未知缺陷的缺陷类型。 2.根据权利要求1所述的一种基于GA深度优化机器学习的管道缺陷类型识别方法， 其 特征在于， 步骤S4中， 在神经网络的训练过程中， 基于遗传算法深度优化神经网络； 遗传算 法深度优化BP神经网络以及 BP神经网络训练的过程具体如下 所示： S41， 初始化神经网络的相关参数， 包括： 隐含层节点数、 超参数、 初始权值、 初始偏置 量； S42， 在超参数和隐含层节点经验公式的设定范围内， 先利用遗传算法对隐含层节点数 和超参数进行迭代寻优， 确定隐含层节点数和超参数 的最优值后导入神经网络模型， 确定 神经网络的拓扑 结构； S43， 再利用遗传算法对初始权值和初始偏置量进行迭代寻优， 将迭代寻优后得到的初 始权重和初始偏置量 导入神经网络模型中； S44， 利用样本集对神经网络进行训练， 计算缺陷类型的预测值与真实值的误差， 判断权　利　要　求　书 1/3 页 2 CN 115130343 A 2预测值与真实值的误差是否满足条件， 若不满足条件， 则更新权重和偏置量； 若满足条件， 则输出训练结果， 得到训练后的神经网络 。 3.根据权利要求2所述的一种基于GA深度优化机器学习的管道缺陷类型识别方法， 其 特征在于， 步骤S42中， 隐含层节点的经验公式为： 其中， m和n分别为输入层和输出层的节点数， m＝6， n＝1； a为取值为1～10之间的调节 常数； h为隐含层节点数， 隐含层节点数h在3～ 20的区间内寻优。 4.根据权利要求2所述的一种基于GA深度优化机器学习的管道缺陷类型识别方法， 其 特征在于， 步骤S42中， 神经网络的算法参数即超参数包括sigma与lambda； 设定sigma与 lambda该两个超参数在0～1的区间寻优。 5.根据权利要求2所述的一种基于GA深度优化机器学习的管道缺陷类型识别方法， 其 特征在于， 步骤S42中， 利用遗传算法对隐含层节点数和超参数进 行迭代寻优的目标函数为 神经网络的预测输出值与真实值的均方误差 MSE， 公式如下： 其中， Z为样本数据的个数， pz为真实值， 为预测输出值。 6.根据权利要求5所述的一种基于GA深度优化机器学习的管道缺陷类型识别方法， 其 特征在于， 步骤S43中， 利用遗传算法对初始权值和初始偏 置量进行迭代寻优的目标函数也 为神经网络的预测输出值与真实值的均方误差MS E， 其中， 对初始权值和初始偏置量寻优的 目标函数的自变量与初始权 重以及初始偏置量的关系如下 所示： Num＝w1+b1+w2+b2 w1＝m*h b1＝h w2＝h*n b2＝n 其中， Num为自变量的总数， w1为输入层到隐含层的权值个数， b1为隐含层的偏置量个 数， w2为隐含层到输出层的权值个数， b2为输出层的偏置量个数， h为隐含层节点数， m和n分 别为输入层和输出层的节点数； 设定初始权 重和初始偏置量的寻优区间均为 ‑2～2。 7.根据权利要求1所述的一种基于GA深度优化机器学习的管道缺陷类型识别方法， 其 特征在于， 步骤S1中， 所述 缺陷类型包括： 裂纹、 表层脱落、 凹坑、 气孔。 8.根据权利要求7所述的一种基于GA深度优化机器学习的管道缺陷类型识别方法， 其 特征在于， 各个缺陷类型的分类信息如下 所示： 裂纹的长度为5～3 0mm， 宽度为0.3～1m m， 深度为1～8m m； 表层脱落的长度为20～5 0mm， 宽度为20～5 0mm， 深度为1～3m m； 凹坑的长度为5～15m m， 宽度为5～3 0mm， 深度为2 ～9mm， 气孔的半径为1～3m m， 距管道内壁深度为2 ～10mm。 9.根据权利要求1或7或8所述的一种基于GA深度优化机器学习的管道缺陷类型识别方权　利　要　求　书 2/3 页 3 CN 115130343 A 3