（测试计量技术及仪器专业论文）神经网络在管道漏磁信号分析中的应用.pdf

婆塑三：些叁堂鍪苎量堡! 坚 一 摘要 繁遴检测怒保证褡潼管遂安全运输融重要手段，潺磁逶法逶黎被广泛豹应霜予输漓 管道的在役检测，而缺陷鉴别是漏磁检测的最终目的。本文诣在寻求一种通过对漏磁信 号豹分拆来搐述管道缺陷形状的方法，亦郢逶避调练享串经溺络的方法来舔灞管道缺陷静 二维形状( 指单检测方向上的长度和深度) 。 论文首先介绍了漏磁检测的基本原理和漏磁检测装鬣的工作原理及蒸本结构；为了 得到用于训练神经网络的大量榉本，比较详细豹介绍了a n s y s 有限元傍真- 软4 q 在本课 题中的应用，并分析了漏磁信号和缺陷形状之间的关系。 冀矮，本文较详缨豹贫缓了耱经网终豹基本理论，趣菇毒孛经元模型， 孛经网络戆基 本结构和神经网络的学习方法；重点对神经网络的逼近作用展开论述，分析了具肖函数 遥透佟建兹径露基( r b f ) 霹终静实褒，并讨论了r b f 聪络酶拳骂方法。 最后，将径向基网络应用于管道漏磁信号的分析中，无论熄仿真信号还是试验信 号，网络都能遮至预测缺陷的二维形状的目的。从预测缩栗分析，网络禚预、坝l 缺陷的长 度上能达到很好的效果，两在缺陷的深度上的预测效果依赖于网络性能的提毫。箍网络 性能的提高决定于样本的数量，基函数的选择和基函数中心的选择方法。分析可知，样 本的数餐越密，网络的性能越壹 ；在基灏数豹选择上，裹叛露数镬疆终豹性能较好；在 基函数中心方法的选择上，样本数据具代表性时，可使用随机选择中心法，样本数据不 是缀鳋瑟萼，魄较b 聚类方法霸蠢盗餐学嚣选中，办法，鸯整餐学霹选中一厶翡方法效柒较 好。 本谦题酌鞠药是逶过调练神经两络米颓镄馥陷的二雏形获，结栗表鞠此方法达到了 预期的目的，为缺陷的镭能判别打下了良好的基础。 关键词：漏磁缺陷鉴别神经嬲络r b f 捧经嬲络 沈刚i ：业大学硕士学位论文 t h e a p p l i c a t i o n o fn e u r a ln e t w o r k i n m a g n e t i c f l u x l e a k a g es i g n a l s a b s t r a c t t h e i n s p e c t i o no f t h ep i p e l i n ei sa l li m p o r t a n tm e a n s t oa s s i l r et h ei n t e g r i t ya n ds a f eo p e r a t i o n o ft h en a t i o n sv a s tg a sp i p e l i n en e t w o r k as e n s o ra s s e m b l a g et h a te m p l o y sm a g n e t i cf l u x l e a k a g eo v i f l ) p r i n c i p l e s i so f t e nu s e dt oi n s p e c tt h eg a st r a n s m i s s i o np i p e l i n e s d e t e c t i n ga n d c h a r a c t e r i z i n gd e f e c t so f t h ep i p e l i n ei st h eo v e r a l lg o a lo ft h ei n s p e c t i o np r o c e d u r e 1 1 1 ep a p e r d e s c r i b e sam e t h o dt om a pt h es e c o n d - d i m e n s i o n a lp r o f i l eo ft h ed e f e c t sb y t r a i n i n gt h en e u r a l n e t w o r k s f i r s t l y ，t h e b a s i st h e o r yo fm f ld e t e c t i n gt o g e t h e rw i t ht h es t r u c t u r ea n dt h ew o r k i n g p r o c e d u r eo f t h ep i p e l i n em f l d e t e c t i n gi n s t r u m e n ti si n t r o d u c e d 1 1 1 ed e f e c tc h a r a c t e r i z a t i o n n e t w o r kr e q u i r e sa ne x t e n s i v ed a t as e tf o rt r a i n i n g s i n c ee x p e r i m e n t a ld a t ai sl i m i t e d ，t h e n u m e r i c a lm o d e l ss i m u l a t i n gt e s ta r ee m p l o y e df o rg e n e r a t i n gt r a i n i n gd a t a t h em f l s i g n a l s u s e df o rt r a i n i n gt h en e u r a ln e t w o r ka r eg e n e r a t e du s i n gaf i n i t ee l e m e n tm o d e l t h e nt h ef i n i t e e l e m e n ta n a l y s i ss o f t w a r e ( a n s y s ) w h i c hi sa p p l i e do nt h es i m u l a t i o no f m a g n e t i cf l u xf i e l di s b r i e f l yd e s c r i b e d o n c e t h e s e s i g n a l sa r eg e n e r a t e d ，t h en e u r a ln e t w o r km a y b et r a i n e d s e c o n d l y ，t h ed e t a i l e dd i s c u s s i o n so f a r t i f i c i a ln e u r a ln e t w o r k sa l ep r e s e n t e d ，i n c l u d i n gt h e a r t i f i c i a ln e u r a le l e m e n tm o d e l ，t h es t r u c t u r eo fn e u r a ln e t w o r ka n dt h el e a m i n ga l g o r i t h m so f n e u r a ln e t w o r k am o r ep o p u l a rn e u r a ln e t w o r k ，n a m e l y ，t h er a d i a lb a s i sf u n c t i o n sn e u r a l n e t w o r ki sd e s c r i b e d t h i sf o c u s e so nt h ee s s e n t i a la n dl e a r n i n ga l g o r i t h m so fr b fn e u r a l n e t w o r k s f i n a l l y ，t h et h e s i sd e s c r i b e st h ea p p l i c a t i o no fr b f n e t w o r k sf o rc h a r a c t e r i z i n gd e f e c ti n n a t u r a lg a st r a n s m i s s i o np i p e l i n e s ，a n dd e s c r i b e sa l le x t e n s i o no ft h ec o n c e p tw h e r ea nr b f n e t w o r ki su s e dt oc h a r a c t e r i z et h e c o m p l e t e d e f e c t p r o f i l e r e s u l t so b t a i n e d t od a t eh a v e p m v e n t h e f e a s i b i l i t y o fu s i n gn e u r a ln e t w o r k sf o r s o l v i n g i n v e r s ep r o b l e m si nn o n d e s t r u c t i v e e v a l u a t i o n 2 沈阳工业人学硕士学位论文 t h e o b j e c t i o no f t h ep a p e r i sm a p p i n gt h ed e f e c t p r o f i l e sb yt r a i n i n gt h er b f n e u r a ln e t w o r k s ， t h er e s u l t si n d i c a t e dt h em e t h o di sh e l p f u lt ot h e p r e d i c t e dg o a l ，a n d i tc a ne s t a b l i s haf o u n d a t i o n f o ri n t e l l i g e n td e f e c td i s c r i m i n a t i o n k e yw o r d s ：m a g n e t i cf l u xl e a k a g e ( m f l ) ，d e f e c td i s c r i m i n a t i o n ，n e u r a ln e t w o r k s ， r a d i a lb a s i sf u n c t i o n a l 呷f ) n e u r a ln e t w o r k s 一3 独创性说明 本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工 作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得 沈阳工业大学或其他教育机构的学位或证书所使用过的材料。与我一同 工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表 示了谢意。 签名：查查垒丝日期： 加弓刁， 关于论文使用授权的说明 本人完全了解沈阳工业大学有关保留、使用学位论文的规定，即： 学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公 布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论 文。 ( 保密的论文在解密后应遵循此规定) 签名：奎钕仫 导师签名：趁量丝崞 日期：2 卯j 刁r 沈阳工业大学硕士学位论文 1 绪论 1 1 课题的意义及国内外的发展水平与动向 能源是人类生存和发展的永恒主题。随着工业化的实现，人口的增长和社会的进 步，世界对能源的要求正在以惊人的速度增长。石油和天然气是目前能源存在的主要形 式之一，它们的远距离运输大部分是通过长输管道实现的【1 】。管道安全问题是一个系统 工程，从管道建设计划阶段开始到管道报废的整个生命周期的各个阶段，都要作为一个 系统化的工程，认真考虑和解决与管道安全密切相关的各方面问题。在整个管道安全工 程中，管道检测是保证管道安全的基本方法。因为只有通过管道检测准确了解管道状 况，才能及早采取有力措施，避免管道事故的发生口“。目前全世界5 0 以上的在役管道 已经使用了数十年之久，由于腐蚀、磨损、意外损伤等原因导致的管道泄漏事件频频发 生，不仅造成巨大的经济损失，而且严重污染环境，危害人类的身体健康。因此，研究 油气管道检测与安全评价技术具有重要的经济和社会意义口1 。 按无损检测( n d t ) 技术的检测原理，管道检测可划分为漏磁通法、超声法、涡流 法、远场涡流法、电磁声法等3 0 余种口】【4 】，漏磁通法是目前应用最广泛的管道在役检测 法。漏磁通检测的原理是当对铁磁性的被测物施加磁场时，在缺陷附近会有部分磁力线 漏出被测物表面，通过分析磁敏传感器的测量结果，可得到缺陷的有关信息。漏磁检测 装置就是根据这一原理制作的，此装置具有信息采集，处理和存储的功能，通常称为 智能猪。通过对漏磁信号的分析来实现缺陷鉴别是漏磁检测的最终目的。本论文论 述了一种通过训练径向基神经网络来描述漏磁管道缺陷形状的方法。 由于实测数据是有限的，而神经网络的训练需要大量的样本，因此大量的仿真样本 通过有限元方法获得。国外如美国依阿华州立大学的l o r d w 等人对缺陷漏磁场的分布 进行了大量有限元仿真计算并获得了很大的进展，国内在有限元仿真方面也有一定进展 7 1 。l o r d 在已有的管道检测资料和有限元仿真结果的基础上，正在研究缺陷鉴别和漏磁 信号补偿的各种算法，而这些算法均采用了模式识别中的函数神经网络技术【27 1 。 基于函数神经网络的漏磁信号补偿算法和缺陷鉴别算法使缺陷鉴别过程中的人为因 素大大降低，并使检测资料的处理速度大为提高，最重要的是它给出了缺陷高精度定量 沈r 】工业人学硕士学位论文 再现的解决方案。从此，可能会解决漏磁检测不能定量只能定性的问题，从而在检测精 度上有较大的提高，缩小与超声法在这方面的差距【2 8 】，而国内在这方面正处于起步阶 段，神经网络应用于漏磁信号的研究还有待于更加深入。 在本课题进行之前，我们已经完成了某些管径的漏磁型管道检测装置的研制工作， 并已成功地进行了模拟管道实验和实际输油管道的检测实验，取得了实测资料，又利用 a n s y s 有限元分析软件对管道缺陷漏磁场的基本规律进行了深入地研究。早期的缺陷 鉴别过程大都是由经验丰富的无损检测人员完成，其结果存在大量的人为因素，并耗时 较长，往往需要几个月的时间才能得到一条管线的分析结果。另外，用该方法只能给出 缺陷的等效尺寸，而无法给出对缺陷形状和尺寸的准确描述。并且国内外各个公司对自 己的管道智能检测器( p i g ) 测得的资料的解释方法在技术上都是保密的”。我们的课 题正是在这样的实际情况中产生的。 1 2 神经网络的发展与现状 人工神经网络的研究始于本世纪4 0 年代。半个世纪以来，它经历了由兴起到萧 条、又由萧条到兴盛的曲折发展道路。 人工神经网络的研究始于1 9 4 3 年，它是由心理学家w s m c c u l l o c h 和数学家 w p i t t s 所提出的m - p 模型。该模型除连接权部分调整外，其他与现在的阀值单元模型 基本相同。m - p 模型的提出不仅具有开创意义，而且还为以后的研究工作提供了依据。 1 9 4 9 年心理学家d o h e b b 提出了神经网元之间突触强度调整的假设。他认为学习 过程是在突触上发生的，连接权的调整正比与两相连神经元激活值的乘积，这就是有名 的h e b b 学习规则。直到现在，h e b b 学习规则仍然是人工神经网络中的一个极为重要的 学习规则。 5 0 年代末，f s o s e n b l a t t 提出了著名的感知机( p e c e p t r o n ) 模型，这是第一个完整 的人工神经 回络。这个模型由阀门单元构成，初步具备了诸如并行处理、分布存储和学 习等神经网络的一些基本特征，从而确立了从系统的角度研究人工神经网络的基础。 1 9 6 0 年b w i n d r o w 和m e h o f f 提出了自适应线性单元( a d a l i n e ) 网络。它可用于 自适应滤波、预测和模式识别。从5 0 年代末到6 0 年代初，神经网络的研究受到了人们 的重视，研究工作进入了一个高潮。 2 鎏堕：! ：些奎堂堡主堂堡堡塞一 1 9 6 9 年，美国麻省理工学院著名人工智能学者m m i n s k y 和s p a p e r t 编写了影响很 大的( ( p e r c e p t r o n ) ) 一书。该书指出：单层的的感知机只能用于线性问题的求解，而对 于像x o r ( 异或) 这样简单的非线性问题却无法求解。他们还指出，能求解非线性问 题的网络应该是具有隐含层的多层神经网络，而将感知机模型扩展多层网络是否有意 义，还不能从理论上得到有力的证明。由于m 沁k y 的悲观结论，加上当时以逻辑推理 为基础的人工智能和数字计算机取得了辉煌的成绩，从而大大降低了许多人对人工神经 网络的热情及克服理论障碍的勇气。在这之后近1 0 年中，神经网络的研究进入了一个 缓慢发展的低潮期。 在这个低潮期，研究工作并没有完全停顿下来，仍有许多学者继续进行探索，并取 得了一些重要成果。在这期间，芬兰的学者t k o n e n 提出了自组织映射理论；美国学者 s a g r o d d b e r g 提出了自适应共振理论( a r t ) ：日本学者福岛邦彦( k f u k u s h i m a ) 提 出了认知机( n e o c o g n i t r o n ) 模型。这些研究成果对以后神经网络的研究和发展都产生 了重要的影响。 进入8 0 年代，神经网络的研究又引起了众多学科领域学者的关注，并很快形成了 热潮。其主要原因是以逻辑推理为基础的人工智能理论和v o n n e u m a n n 计算机在处理 诸如视觉、听觉、形象思维、联想记忆和运动控制等智能信息处理问题上受到了挫折； 具有并行和分布机制的人工神经网络本身的研究成果以及脑科学和神经科学成果的推动 作用：v l s i 技术和光电技术的发展为神经网络的实现提供了物质基础。由于以上原 因，使人们产生了一个共识，即人工神经网络可能成为未来智能机的良好模式。 美国加州理工学院生物物理学家j j h o p f i e l d 于1 9 8 2 年和1 9 8 4 年在美国科学院院 刊发表的两篇文章，有力的推动了神经网络的研究，引起了神经网络研究的又一次热 潮。1 9 8 2 年他提出了一个新的神经网络模型- - h o p f i e l d 网络模型。他在这种网络模型的 研究中，首次引人类网络能量函数的概念，并给出了网络稳定性的判据。1 9 8 4 年 h o p f i e l d 提出了网络模型实现的电子电路，为神经网络的工程实现指明了方向。 h o p f i e l d 的研究成果开拓了神经网络用于联想记忆和优化计算的新途径，并为神经计算 机的研究奠定了基础。1 9 8 4 年h i n t o n 等人将模拟退火算法引入到神经网络中，提出了 b o l t z m a n n 机( b m ) 网络模型。b m 网络算法为神经网络优化计算跳出局部极小提供了 - 3 沈| j 工业人学硕士学位论文 _ r 一个有效的方法。1 9 8 6 年d e r u m e l h a r t 和j l m c c l e l l a n d 及其研究小组发表了两本专 著：( ( p a r a l l e ld i s t r i b u t e dp r o c e s s i n g ) ) 、( ( e x p l o r a t i o ni nm i c r o s t r u c t u r eo fc o n n i t i o n ) ) 。 该书致力于认知微观结构的探索，特别是他们提出的误差反向传播( e b p ) 学习算法，成 为至今为止影响很大的一种网络学习算法。1 9 8 7 年美国神经计算机专家r h e c h t n i e s e n 提出了对向传播( c o u n t e rp r o p a g a t i o n ) 神经网络，该网络具有分类灵活、算法简练的 特点，可用于模式识别、函数分类、统计分析和数据压缩的等领域。1 9 8 8 年美国加州 大学的l o c h u a 等人提出了细胞神经网络( c n n ) 模型，它在视觉初级加工得到了广 泛的应用。自1 9 8 5 年第一个人工神经网络感知机出现以来，提出的神经网络已近4 0 种。 8 0 年代中期以来，神经网络的应用研究取得了很大的成绩，涉及的面非常广泛。 就应用技术领域而言有计算机视觉，语音的识别、理解与合成，优化计算，智能控制及 复杂系统分析，模式识别神经计算机的研制，知识处理，专家系统与人工智能。涉及的 学科有神经生物学，认识科学，数、理科学，心理学，信息科学，计算机科学，微电子 学，光学，生物电子学等。 从众多应用研究领域取得的丰硕成果看，人工神经网络的发展具有强大的生命力。 当前存在的问题是智能水平还不高，许多应用方面的要求还不能得到很好的满足；网络 分析和综合的一些理论性问题( 如：稳定性、收敛性的分析、网络的结构综合等) 还未 得到很好的解决。随着人们对大脑信息处理机理人识的深化，以及人工神经网络智能水 平的提高，人工神经网络必将在科学技术领域发挥更大的作用。 针对当前人工神经网络存在的问题，今后研究的主要方向可分为理论研究和应用研 究两个方面。在理论方面的研究有： ( 1 ) 利用人工生理和认知科学研究大脑思维及智能的机理。 ( 2 ) 利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的人工神 经网络模型，深入研究网络的算法和性能，例如稳定性、收敛性、容错性、鲁棒性等； 开发新的网络数理理论，例如神经网络动力学、非线性神经场等。 在应用研究方面有： ( 1 ) 神经网络软件模拟和硬件实现的研究。 4 沆勰工戡犬学硕士学位论文 2 ) 辜枣经鲻终在务令稀学镁域痤蠲懿骚变。宅涉及魏镶域缀广，惫器模式识澍、 缮号簸燧、知滋工程、专家系缓、饶纯缀合、餐戆系统等。 1 3 神经网络与满磁检测 李孛经网络多少年来一_ 】囊是礤究者们关注的焦点，希攒辆络麓像人脑一榉勰决炭袋问 题。 l l 经网络的墩大特点，就怒它不需溪先验知识和内在的规则，然丽它需要样本数据 毅售息，逶过起捞本学习，网终可以近 熬蟪搂述一转没蠢酸轫定义豹函数关系。襻经网 络逶辫被入髓霹l 慕解决笼撰检测中的遂润鬏l ，廷无损捻测中豹逆瓣题救怒通过悫戆 鼷察分辑手段采蘸溪试验辩象鹣特铥。褥缀网络在潺磁检测孛熬痰鞠是它懿函数遥遥终 蠲，鼹韬“函数i 蓍l 透”裁楚爱瓣入矢量粒鞠疲懿徐交矢爨铡练一个潮络邋j 纛一个添数， 丽这个函数没裔确仞酶滋数表达式，只楚释映翁关系，通过这辩映蔚关系，可以颟溅 漏磁缺陷驺特，谯。 漏磁检测的西的，是通过对灞磁信号的分析采达到管道缺陷形状的熬别，虽然漏磁 糖号鸯饕丰富静缺陷信息，但怒它没有确甥的数学表达焱，对缺鹣彤获只越擞定性舱描 述，不s 傲定爨的分琚，l 嚣 审缀网络函数i 骣近馋用可以实瑷缺陷形状的撼述。具体的做 法，就是臻潺磁镶号镦瓣竣豹翰入，月缺夔形状畿翊络豹羧出，懑毽谢练一系裂瓣撵本 薅怠，在阚络数输入输出之阉罨找一静潜在豹j # 线瞧浚襄重懿函数关系。当嬲络毂性能缀 菇薅，输入新静样本，可敬颈溺缺陷静= = ：二缭形浚湖，闺1 1 表鞠了本谦繇豹整体愚路。 爨有函数遥避俸鳎豹瓣缀肖綦予爱离传播算法熬b p 阏络移经淘基( r b f ) i 甄数神经网 络，通道对两种网络的院较，表明径向藻网络在描述缺陷的形状上有更大的优越一陡。 譬遂 灞滋嫠号疑整形拨 圈l 。l 缺辫澎袄的箍舅g 过耩 5 沈i j t ：i z 业大学硕士学位论文 1 4 本论文的工作内容 对 孛经两络在漏磁信号分辑中静应建佟了磅究，主要工 乍蠹容鲡下： 1 根据神经网络的特点及其虚用前景，提出应用神经网络的逼近作用描述漏磁缺 陷形状的设想。 2 为了得到大量的用于神经网络训练的样本，酋先应用有限元软件a n s y s 得到一 定量的仿真数据，其次又在钢板上进行模拟实验，得到了一定量的实验数据。 3 ，对毒枣经网终的逼逡佟鼹终了分专居，藿点讨论了径自基网终救实质及基函数中心 的选择方法。 4 零惩仿奏数据蟊实狻数据分裂谣练李枣经网络，黯嚣络缝戆邃雩亍分褥。 1 5 本论文的安排 本论文的安莽 如下。第二章分为两部分，第一郝分介绍管道漏磁检测原理及检测装 餐的基本结构和工作原理，第二部分叙述a n s y s 蠢限元分橱软件在本课题中的应用； 第三章介绍了神经网络的基本理论 第四章重点介绍了前馈网络中的径向基( r b f ) 神 经网络，并垮其与b p 网络佟以 较，褥出r b f 孛缀网络奁本课题中瓣痤翅其毒雯大鼢 优越性；第五章叙述了径f 向基神经网络在漏磁检测中的应用，并在提高网络的性能方面 传了进一步鹣探讨；第六章是工露瓣总结帮展望。 - 6 鎏塑! ! 些盔兰堡主堂堡堡茎 2 漏磁检测原理及a n s y s 有限元分析软件 本章首先简单介绍漏磁检测原理和漏磁检测装置的工作原理及基本结构：其次为了 得到用于训练神经网络的大量样本，比较详细的介绍了a n s y s 有限元分析软件在本课 题中的应用。 2 1 漏磁检测原理【8 j 漏磁法是无损检测的主要手段之一，它通过测量被磁化的铁磁材料工件表面泄漏的 磁场强度来判定工件缺陷的大小。若被测工件表面光滑没有缺陷且内部无夹杂物，从原 理上讲磁通将全部通过被测工件，如图2 1 ( a ) 所示：若存在缺陷，会导致缺陷处及其附 近的磁阻增加而使得缺陷附近的磁场发生畸变，如图2 1 ( b ) 所示，它们可以分为三部 分：1 大部分磁通会在工件内部绕过缺陷；2 少部分磁通会穿过缺陷；3 还有部分磁通离 开工件的上、下表面而经空气绕过缺陷，这部分从工件中泄漏出来的磁通量即为漏磁 通，当工件表面有缺陷时，由磁敏传感器测得的漏磁通量会明显增大。无论工件的内表 面还是外表面有缺陷，在工件的两面均会产生漏磁通，它们可以被h a l l 组件或移动的感 应线圈测得。该方法已被广泛用于油气管道、储罐罐底的腐蚀检测和钢丝绳、钢板、钢 块等铁磁材料的无损检测中。 ( a )( b ) 图2 1 漏磁法检测原理 - 7 浣| l ； 工受大学硬七学位论文 2 2 警道漏磁检溺装罴豹王佟原理和基本绣榭鼍 2 2 1 工作原理 管道漏磁稔测装置自带电源，随传输流体在管道中运行，在运行过程中由检测装置 携带的励磁设镪国营壁煳载恒定磁场，髓由传感器测量篱壁内侧泄漏的磁通密度，测量 资料经压缩后存放在检测装置的存储设备中。当检测装戮经过缺陷或其它特征物( 螺旋 焊缝、连接焊终、t 形接强、瓣门等) 辩，委魏漏磁法捻溯燕i 璎潺述，会有潺磁邋灌滠 出管壁而被传感器测得。测试系统工作完毕，将其从地下取出，对沿途测得的资料进行 处理霸分褥，可强裁定爨管道雨静伤及隳继债援。为侵予漤察，可褥管遂内的漏磁信号 绘成色图，即用不同的颜色表示不同的腐蚀深度，或者用波形衄线来表示，都可以很直 观遗觚中查看饶及腐蚀程度。并能够从羹程的鼹示来判定伤及腐饿所在盼位置，作为检 漏或评估管道寿命的依据。 2 2 2 装置的机械结构 捡测装置的襁披结拇没计必须以装鬟能否在鸷道中顺利穿行为越提。磐道中隧褥装 置行进的主要魑弯头，为保证通过弯头，需把装澄分成几节，节问采用软连接，以便在 弯头处缝够转弯透过。零漂邃鹱设计戆3 7 7 拄黼管道梭溯装置，缀据管道巍设备海足 寸，将它分成三节：测艟节、计算机节和电池节。每节的前后都有橡皮碗支撑在管道 海，节与节之阕宙万向带相连。整个系统靠油或气的难力海静行建。每一节均为密闭结 构，可耐1 0 m p a 的压力。图2 2 为该装鬣的外形结构简图。 ( 1建蕊 蛰 ，。一 妇，7 ， 寻、 ，。，。 测量带 计算机节屯池带 图2 2 油气管道漏磁检测装置结构图 8 一 沈刚工业大学硕十学位论文 2 3a n s y s 有限元分析软件在管道漏磁检测中的应用 2 3 1a n s y s 有限元分析软件简介” a n s y s 软件是融结构、热、流体、电磁和声学于一体的大型通用有限元分析软 件，可广泛用于各工业及科学研究。该软件可在大多数计算机及操作系统上运行，从 p c 机到工作站直到巨型计算机，a n s y s 文件在其所有产品系列和工作平台上均兼容。 a n s y s 多物理场耦合的功能，允许在同一模型上进行各式各样的耦合计算，如：热一 结构耦合、磁一结构耦合以及电一磁一流体一热耦合。 在a n s y s 的电磁场分析中，用户可方便地选择m k s ，c g s 或其它一些单位制作 为电磁场分析的单位制。除标准的波前( f r o n t a l ) 求解器外，a n s y s 还提供了电 磁问题的快速解法j c g ，p c g 和i c c g 叠代求解器。使用二维和三维无限边界单元，则 不需建立环绕电磁设备的无限介质( 如空气) 的大模型，从而可以采用更小的模型，同 时降低了对计算机资源的需求。 a n s y s 程序提供了丰富的线性和非线性材料的表达式，包括各向同性或正交各向 异性的线性导磁率，材料的b h 曲线和永磁体的退磁曲线。在磁场分析中，电流、外 加磁场和永磁体均可作为模型的载荷，尤其对于永磁体a n s y s 能自动将它转化为等效 电流加载到模型的结点上。 a n s y s 磁场分析的后处理功能允许用户显示磁力线、磁通密度和磁场强度的等值 图、向量图和沿任意路径的曲线图。 2 3 2a n s y s 有限元分析软件用于管道漏磁检测 本课题是以稳定磁场计算为基础，并加以多物理场耦合计算的复杂问题( 压力、温 度、速度) 。而a n s y s 正具备这些功能，故本课题采用了该种有限元分析软件作为主 要的仿真研究工具。 a n s y s 分析过程中包含三个主要步骤： a ) 创建有限元模型 ( 1 ) 创建或读入几何模型 ( 2 ) 定义材料属性 ( 3 ) 划分网格 9 沈阳工业大学硕士学位论文 施加载荷并求解 ( 1 ) 施加载荷及载荷选项，设定约束条件 ( 2 ) 求解 c 1 查看结果 ( 1 ) 查看分析结果 ( 2 ) 检验结果 管道漏磁检测装置的测量节由钕铁硼永磁体、高导磁性的轭铁和钢刷组成，以管径 3 7 7 m m 、壁厚8 m m 钢管上轴向长度l o m m 、深度4 m m ( 5 0 ) 外表面矩形环状缺陷为 例，图2 3 是用a n s y s 有限元软件建立的二维实体模型。在测量过程中，永磁体、轭 铁、钢刷和位于两个磁极之间的管壁构成了闭合的主磁路，而在缺陷附近会有磁通漏出 管壁的上下表面。 6 12 33 6 4 ； 4 ； 5 6 1 管壁2 缺陷3 钥刷4 永久磁铁5 轭铁6 空气 图2 3 实体模型 按前面所述的步骤进行建模、加载及计算后即可查看仿真分析结果，图2 4 为外表 面矩形环状缺陷距管壁内表面1 5 m m 处沿缺陷前后共5 0 m m 内路径上的漏磁通密度曲 线，图2 5 为内表面矩形环状缺陷距管壁内表面1 5 m m 处沿缺陷前后共5 0 r a m 内路径上 的漏磁通密度曲线图。图中b x 为径向漏磁通密度，b y 为卓由向漏磁通密度，b z 为周向 漏磁密度。 1 0 沈阳工业大学硕士学位论文 图2 4 外表面矩形环状缺陷的漏磁通密度分量图 图2 5 内表面矩形环状缺陷的漏磁通密度分量图 研究缺陷和漏磁信号的关系，图2 6 是缺陷轴向长度为1 0 r r l l l l ，不同缺陷深度和磁 通密度轴向分量幅值的关系曲线，从图中可见，缺陷深度与釉向漏磁信号幅值近似呈线 性关系，但随着缺陷深度的增加，曲线的非线性就越明显，可利用这一点判断缺陷的等 效深度。图2 7 是内缺陷的长度与轴向漏磁信号峰峰值间距的关系曲线，由图可见，缺 淀耀工鼗大学颈圭学位论文 陷长度写箍自满磁信号峰蜂闻距墅线往关系，可军l 用这一点判断缺陷静等效长度。正是 由于漏磁信号的这些特点，我们可以通过对漏磁信号的分析，来判断缺陷的形状，本文 就是币0 用漏磁信号做样本来训练 中经网络，最终得到缺陷的二维形状髑。为了得猁大量 的用于训练的样本，利用a n s y s 软件仿真了大约1 0 0 个各 形状的缺隧，把这然缺陷 的漏磁信号数据丛a n s y s 中导出，然后整理这些数据，制成用于训练神经网络的样 本。 b ： il j 番 i 盈l ； i t ii影 i；多啊 j 内缺舅瞵； 蠡毫爹臻酶聚， 咩： | | - - 圈2 6 缺陷深度朔轴内漏磁信号蟠值的关系曲线 图2 , 7 内缺陷长度和轴向漏磁信号峰峰间距的关系曲线 一1 2 。 缺陷鹾度( n m ) 缺陷长度湘m 沈阳工业大学硕士学位论文 3 神经网络基本理论i ”i 本章主要介绍神经网络的基本理论，包括神经元模型，神经网络的基本结构和神经 网络的学习方法。神经网络的特点是由网络节点的特征，网络的扑拓结构和学习方法决 定的。 3 1 人工神经元模型 常用的人工神经元模型主要是基于模拟生物神经元的信息传递特性，即输入、输出 关系。图3 1 表示出了作为n i x 的基本单元的神经元模型，它有三个基本要素： 毒接扳 图3 i 基本神经元模型 ( 1 ) 一组连接( 对应于生物神经元的突触) ，连接强度由各连接上的权值表示， 权值为正表示激活，为负表示抑制。 ( 2 ) 一个求和单元，用于求各输入信号的加权和( 线性组合) 。 ( 3 ) 一个非线性激活函数，起非线性映射作用并将神经元输出幅度限制在一定范 围内( 一般限制在( 0 ，1 ) 或( 一1 ，+ 1 ) 之间) 。 此外还有一个魄( 或偏置6 厅一只) 。 以上作用可分别以数学式表示出来： = _ = l y 女= 妒( 一吼) 1 3 瓤 i ；l ：。 卧 ，；，i、 镰春傅母 沈阳工业大学硕士学位论文 式中x ix ：，h 为输入信号，。，：，”k 为神经元| i 之权值，蜥为线性组合结 果，吼为陶值，妒( ) 为激活函数，以为神经元的输出。 若把输入的维数增加一维，则可把闼值包包括进出。例如 v 女= w k j x ， y ；= 妒h ) 此处增加了一个新的连接，其输入为x o = - 1 ( 或+ 1 ) ，权值为w k 。= 耽( 或以) 如图3 2 ( a ) ，( b ) 所示。 赣 a 直接杈 辅 连接权 图3 2 输入扩维后的神经元模型 ( a