基于小波能量系数和神经网络的管道缺陷识别

›› 2015, Vol. 28 ›› Issue (11): 13-.

基于小波能量系数和神经网络的管道缺陷识别

姜银方,郭华杰,陈志伟,杜斌,刘秋阁

(1.江苏大学机械工程学院,江苏镇江 212013;
2.江苏省特种设备安全监督检验研究院镇江分院,江苏镇江 212009)

出版日期:2015-11-15 发布日期:2015-12-15
通讯作者: 郭华杰(1988—),男,硕士研究生。研究方向:超声导波技术在管道无损的检测。E-mail:ghj0712@126.com
作者简介:姜银方(1962—),男,教授。研究方向:激光技术,板料塑性成形理论,表面工程技术等。
基金资助:
江苏省特检院2012年度科技基金资助项目(KJ(Y)2012049)

Pipeline Defect Identification Based on Wavelet Energy Coefficients and Neural Network

JIANG Yinfang,GUO Huajie,CHEN Zhiwei,DU Bin,LIU Qiuge

(1.School of Mechanical Engineering,Jiangsu University,Zhenjiang 212013,China;
2.Zhenjiang Sub-branch,Jiangsu Special Equipment Safety Supervision Inspection Institute,Zhenjiang 212009,China)

Online:2015-11-15 Published:2015-12-15

摘要/Abstract

摘要：

利用基于小波能量系数的BP神经网络方法对管道焊缝和管道凹槽进行分类识别。建立了导波检测系统,采集了管道凹槽缺陷和焊缝的多组检测信号样本,从信号样本中提取出小波能量系数,并将小波能量系数应用于BP神经网络的训练与识别。结果表明,该方法对管道缺陷的识别准确率较高,且识别效果稳定,在随机抽取信号样本进行的5次试验中,对焊缝和凹槽的最低识别准确率分别为92%和98%,最高识别准确率均为100%。

关键词: 超声导波, 小波能量系数, 神经网络, 管道, 缺陷识别

Abstract:

The method wavelet energy coefficients combined with BP neural network is used to distinguish pipeline grooves from welds.A guided wave detection system was established,a set of test samples of pipeline grooves from welds were collected,and wavelet energy coefficients were extracted from test samples and applied to the training and recognition of BP neural network.Results show that the identification accuracy of pipeline defects of this method is high and stable with a minimum identification accuracy of 92% and 98% for weld and groove respectively,and a highest recognition accuracy of 100% in the 5 experiments on randomly chosen samples.

Key words: ultrasonic guided wave;wavelet energy coefficient;neural network;pipeline;defect identification

中图分类号:

TP18

姜银方,郭华杰,陈志伟,杜斌,刘秋阁. 基于小波能量系数和神经网络的管道缺陷识别[J]. , 2015, 28(11): 13-.

JIANG Yinfang,GUO Huajie,CHEN Zhiwei,DU Bin,LIU Qiuge. Pipeline Defect Identification Based on Wavelet Energy Coefficients and Neural Network[J]. , 2015, 28(11): 13-.

[1]	李辉,王一丞. 基于CNNCIFG-Attention模型的文本情感分类[J]. 电子科技, 2022, 35(2): 46-51.
[2]	程晓雅,张雷. 基于深度学习的有遮挡人脸识别方法研究[J]. 电子科技, 2022, 35(1): 35-39.
[3]	战荫伟,朱百万,杨卓. 一种车脸识别算法的研究与应用[J]. 电子科技, 2021, 34(8): 1-7.
[4]	廖璐明,张伟. 基于改进VGG16网络的混合批量训练交通标志识别[J]. 电子科技, 2021, 34(8): 8-13.
[5]	司明明,陈玮,胡春燕,尹钟. 融合Resnet50和U-Net的眼底彩色血管图像分割[J]. 电子科技, 2021, 34(8): 19-24.
[6]	马立新,豆晨飞,宋晨灿,杨天笑. 基于特征融合卷积神经网络的绝缘子无损检测[J]. 电子科技, 2021, 34(7): 26-30.
[7]	顾伟,李菲菲,陈虬. 基于多特征融合的行人检测方法[J]. 电子科技, 2021, 34(5): 29-34.
[8]	孟晓姣,张世巍,李小健,李敏玥,宋丙鑫,路宏敏. 一种基于BP神经网络的车载通信设备性能评估方法[J]. 电子科技, 2021, 34(5): 24-28.
[9]	张仕森,孙宪坤,尹玲,李世玺. 基于神经网络的文本标题生成原型系统设计[J]. 电子科技, 2021, 34(5): 35-41.
[10]	薛永杰,巨志勇. 基于改进AlexNet的鱼类识别算法[J]. 电子科技, 2021, 34(4): 12-17.
[11]	闫书豪,乔美英. 基于一维WConv-BiLSTM的轴承故障诊断算法[J]. 电子科技, 2021, 34(4): 75-82.
[12]	窦征立,王亚刚. 基于Elman神经网络的联合循环机组燃烧室温度模型建模[J]. 电子科技, 2021, 34(3): 60-64.
[13]	葛靖,刘子龙. 基于CNN和LSTM的睡眠呼吸暂停检测算法[J]. 电子科技, 2021, 34(2): 21-26.
[14]	朱斌,刘子龙. 基于新型初始模块的卷积神经网络图像分类方法[J]. 电子科技, 2021, 34(2): 52-56.
[15]	周小波,邹任玲,卢旭华,王海滨,张俊翔. 基于人工神经网络的表面肌电信号分类器研究进展[J]. 电子科技, 2021, 34(2): 62-67.