-
公开(公告)号：CN111861985A
公开(公告)日：2020-10-30
申请号：CN202010517833.0
申请日：2020-06-09
申请人： 中海油能源发展装备技术有限公司 , 中海石油技术检测有限公司 , 东北大学
摘要： 一种基于自适应模糊神经网络的漏磁缺陷深度识别方法，该方法为：对漏磁缺陷数据进行特征提取，由提取的特征制作样本集；构建最大最小模糊神经网络，采用样本集对该神经网络进行训练并使之生成多个由最小点和最大点构成的N维聚类超盒，每一个超盒内所有样本属于同一漏磁缺陷类别；超盒的隶属度函数采用自适应隶属度函数；由隶属度函数计算待识别漏磁缺陷数据对应每个超盒的隶属度值，将隶属度值最大的超盒所对应的漏磁缺陷类别作为待识别漏磁缺陷的类别。本发明无需设置固定参数，提高了模型的自动化水平。同时采用自适应能力的隶属度函数，提高了模型识别精度。
-
公开(公告)号：CN111861985B
公开(公告)日：2024-04-16
申请号：CN202010517833.0
申请日：2020-06-09
申请人： 中海油能源发展装备技术有限公司 , 中海油(天津)管道工程技术有限公司 , 东北大学
摘要： 一种基于自适应模糊神经网络的漏磁缺陷深度识别方法，该方法为：对漏磁缺陷数据进行特征提取，由提取的特征制作样本集；构建最大最小模糊神经网络，采用样本集对该神经网络进行训练并使之生成多个由最小点和最大点构成的N维聚类超盒，每一个超盒内所有样本属于同一漏磁缺陷类别；超盒的隶属度函数采用自适应隶属度函数；由隶属度函数计算待识别漏磁缺陷数据对应每个超盒的隶属度值，将隶属度值最大的超盒所对应的漏磁缺陷类别作为待识别漏磁缺陷的类别。本发明无需设置固定参数，提高了模型的自动化水平。同时采用自适应能力的隶属度函数，提高了模型识别精度。
-
公开(公告)号：CN110082424B
公开(公告)日：2023-04-14
申请号：CN201910387892.8
申请日：2019-05-10
申请人： 东北大学
摘要： 本发明提供一种快速管道漏磁数据多尺度异常区域推荐系统及方法，涉及管道检测技术领域。本发明步骤如下：步骤1：获取一段管道的漏磁信号，并将其进行多尺度窗体划分，对N个尺度层级进行异常边缘提取，得到异常窗体集合；步骤2：对异常窗体集合进行异常区域估计，得到异常估计集合；步骤3：边界精确；根据异常估计集合，将Wk″中的所有窗体进行相邻窗体的面积比，遍历异常估计集合W″，去除面积比小于λ的窗体，并选取当前集合内交叠窗体中最外围窗体作为异常推荐区域；该方法能够发现尺寸较大，信号明显的异常，同时能够发现较小的异常，能够提供充分的异常候选区域；具有明显的快速性，特别适应管道庞大的数据集。
-
公开(公告)号：CN110514366B
公开(公告)日：2021-03-05
申请号：CN201910778384.2
申请日：2019-08-22
申请人： 东北大学
摘要： 本发明提供一种小样本条件下管道微弱泄漏检测方法，涉及管道泄漏检测技术领域。本发明步骤如下：步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集；步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；步骤3：根据7种统计特征和1组符号化变换特征采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，并利用模型对管道进行小泄漏检测。本方法从增加微弱泄漏样本数量和深度挖掘微弱泄漏样本特征两方面来构造微弱泄漏辨识模型，大大提高了管道微弱泄漏的检测准确率，保障输油管道的安全运行。
-
公开(公告)号：CN110514366A
公开(公告)日：2019-11-29
申请号：CN201910778384.2
申请日：2019-08-22
申请人： 东北大学
摘要： 本发明提供一种小样本条件下管道微弱泄漏检测方法，涉及管道泄漏检测技术领域。本发明步骤如下：步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集；步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；步骤3：根据7种统计特征和1组符号化变换特征采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，并利用模型对管道进行小泄漏检测。本方法从增加微弱泄漏样本数量和深度挖掘微弱泄漏样本特征两方面来构造微弱泄漏辨识模型，大大提高了管道微弱泄漏的检测准确率，保障输油管道的安全运行。
-
公开(公告)号：CN107024532A
公开(公告)日：2017-08-08
申请号：CN201710236188.3
申请日：2017-04-12
申请人： 东北大学
摘要： 本发明公开了一种基于窗体特征的漏磁管道缺陷位置提取方法，其包括：步骤1、提取样本后基于窗体对所提取的样本进行特征提取，利用历史漏磁数据学习特征参数并建立识别模型；所述特征包括显著性特征、对比度特征、中心点特征及指纹特征；步骤2、首先对任意一段待测数据进行异常检测，以确定相应的异常区域；其次分两个阶段对所确定的异常区域进行缺陷位置提取以获得相应的识别结果；所述的两个阶段是指对单个缺陷的识别阶段及对多个缺陷的识别及分割阶段；步骤3、基于所获得识别结果进行效果评估。该方法通过内外环的伸缩考虑了测量窗体与周围背景发的差异程度，增强了模型识别效果且避免了过多的人为干预，增加了算法的可移植性。
-
公开(公告)号：CN109783906B
公开(公告)日：2023-07-07
申请号：CN201811633698.5
申请日：2018-12-29
申请人： 东北大学
IPC分类号： G06F30/27 , G06N3/0464 , G06N3/08 , G01N27/83 , F17D5/02
摘要： 本发明提出一种管道内检测漏磁数据智能分析系统及方法，流程包括：在数据完备集构建模块中采用一种基于类时域稀疏采样和KNN‑softmax的数据完备集构建方法，得到完备漏磁数据集；在发现模块中采用一种基于选择性搜索与卷积神经网络相结合的管道连接组件发现方法，得到焊缝的精确位置；在发现模型中采用一种基于拉格朗日数乘框架和多源漏磁数据融合的异常候选区域搜索与识别方法，找出有缺陷的漏磁信号；在量化模块中采用一种基于随机森林的缺陷量化方法，得到缺陷尺寸；在解决方案模块中采用一种基于ASME B31G标准改进的管道解决方案，输出评估结果。本发明从整体角度提出了分析方法，实现了预处理，连接组件检测和异常检测，缺陷尺寸反演以及最终维修决策。
-
公开(公告)号：CN107024532B
公开(公告)日：2019-12-27
申请号：CN201710236188.3
申请日：2017-04-12
申请人： 东北大学
摘要： 本发明公开了一种基于窗体特征的漏磁管道缺陷位置提取方法，其包括：步骤1、提取样本后基于窗体对所提取的样本进行特征提取，利用历史漏磁数据学习特征参数并建立识别模型；所述特征包括显著性特征、对比度特征、中心点特征及指纹特征；步骤2、首先对任意一段待测数据进行异常检测，以确定相应的异常区域；其次分两个阶段对所确定的异常区域进行缺陷位置提取以获得相应的识别结果；所述的两个阶段是指对单个缺陷的识别阶段及对多个缺陷的识别及分割阶段；步骤3、基于所获得识别结果进行效果评估。该方法通过内外环的伸缩考虑了测量窗体与周围背景发的差异程度，增强了模型识别效果且避免了过多的人为干预，增加了算法的可移植性。
-
公开(公告)号：CN110082424A
公开(公告)日：2019-08-02
申请号：CN201910387892.8
申请日：2019-05-10
申请人： 东北大学
摘要： 本发明提供一种快速管道漏磁数据多尺度异常区域推荐系统及方法，涉及管道检测技术领域。本发明步骤如下：步骤1：获取一段管道的漏磁信号，并将其进行多尺度窗体划分，对N个尺度层级进行异常边缘提取，得到异常窗体集合；步骤2：对异常窗体集合进行异常区域估计，得到异常估计集合；步骤3：边界精确；根据异常估计集合，将Wk″中的所有窗体进行相邻窗体的面积比，遍历异常估计集合W″，去除面积比小于λ的窗体，并选取当前集合内交叠窗体中最外围窗体作为异常推荐区域；该方法能够发现尺寸较大，信号明显的异常，同时能够发现较小的异常，能够提供充分的异常候选区域；具有明显的快速性，特别适应管道庞大的数据集。
-
公开(公告)号：CN109783906A
公开(公告)日：2019-05-21
申请号：CN201811633698.5
申请日：2018-12-29
申请人： 东北大学
摘要： 本发明提出一种管道内检测漏磁数据智能分析系统及方法，流程包括：在数据完备集构建模块中采用一种基于类时域稀疏采样和KNN-softmax的数据完备集构建方法，得到完备漏磁数据集；在发现模块中采用一种基于选择性搜索与卷积神经网络相结合的管道连接组件发现方法，得到焊缝的精确位置；在发现模型中采用一种基于拉格朗日数乘框架和多源漏磁数据融合的异常候选区域搜索与识别方法，找出有缺陷的漏磁信号；在量化模块中采用一种基于随机森林的缺陷量化方法，得到缺陷尺寸；在解决方案模块中采用一种基于ASME B31G标准改进的管道解决方案，输出评估结果。本发明从整体角度提出了分析方法，实现了预处理，连接组件检测和异常检测，缺陷尺寸反演以及最终维修决策。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.062 秒)
