基于相关分析的管道特征智能识别方法.pdf

本发明涉及一种基于相关分析的管道特征智能识别方法，属于无损检测信号分析领域。本方法基于对超声导波检测信号进行相关分析，按照幅度大小、外形相似以及对称与非对称信号之间的相对大小关系，对检测信号进行分类。并通过试验，建立类别与管道特征的对应关系，能够快速、准确的将超声导波检测信号进行分类。

1、  基于相关分析的管道特征智能识别方法，其特征在于，该方法包括以下步骤：
1)利用超声导波管道检测仪，测得被检测管道的两条检测信号曲线，即对称信号曲线和非对称信号曲线，以及三条距离幅值校正曲线，即法兰DAC曲线、焊缝DAC曲线和警戒DAC曲线；
利用管道某一已知位置的管道特征信息，将与该位置的特征信息对应的DAC曲线调节至此特征在对称信号峰值点的±20％的范围内；由于三条DAC曲线之间的位置关系是固定的，所以其他两条DAC曲线会自动随着变化；
2)求取对称信号曲线上的所有极大值；
3)以步骤1)中所确定的三条DAC曲线为分界点，对步骤2)中的极大值信号进行分类，通过这三条DAC曲线，将所有的极大值分为四类：法兰疑似信号、焊缝疑似信号、缺陷信号和噪声信号，具体分类方法如下：
当极大值位于小于法兰DAC曲线50％到大于法兰DAC曲线50％的范围内时，该极大值点所对应的信号为疑似法兰信号；
当极大值位于小于警戒DAC曲线50％到大于警戒DAC曲线50％的范围内时，该极大值点所对应的信号为缺陷信号；
当极大值位于法兰疑似信号和缺陷信号之间时，该极大值点所对应的信号为疑似焊缝信号；
当极大值小于缺陷信号时，该极大值点所对应的信号为噪声信号；
4)将疑似法兰信号与标准样本库中的法兰样本信号做相关运算，计算疑似法兰信号与样本库中的每个法兰样本信号的相关系数，并对所求得的相关系数取平均值，将该平均值作为相似度：
如果相似度大于70％就认为疑似确认，将该疑似法兰信号归类为法兰特征信号；如果相似度小于70％就认为疑似否定，将疑似法兰信号归类到缺陷信号中；
将疑似焊缝信号与标准样本库中的焊缝样本信号做相关运算，计算出每一个疑似焊缝信号与样本库中的每个焊缝样本信号相关系数，并对所求得的相关系数取平均值，将该平均值作为相似度：
如果相似度大于70％就认为疑似确认，将疑似焊缝信号归类为焊缝特征信号；如果相似度小于70％就认为疑似否定，将疑似焊缝信号归类到缺陷信号中。
将这些得到的缺陷信号与之前分类得到的缺陷信号归为同类，这样，就将极大值分为三类信号：法兰信号、焊缝信号以及缺陷信号；
5)如果两个焊缝信号相距小于两米，就判定该两个焊缝信号为疑似弯头信号，将疑似弯头信号与样本库中的所有弯头样本信号做相关运算，然后计算出平均相关系数，当平均相关系数大于等于70％时归类为弯头信号，当平均相关系数小于70％时，归类为焊缝信号；
6)经过以上1)～步骤5)就将所有的极大值分为法兰、焊缝、弯头和缺陷四个类型。

基于相关分析的管道特征智能识别方法
技术领域
本发明涉及一种基于相关分析的管道特征智能识别方法，属于无损检测信号分析领域。
背景技术
超声导波检测管道的缺陷和损伤是近年来兴起的一项新的管道检测技术。和常规的漏磁、涡流、射线法相比具有检测效率高、传播距离远、检测范围大、不需要剥离外包层、对埋地管道不需要全部开挖、可以进行在线检测等优点，除了适用于一般的管道检测，对高架管道、有包覆层的管道、埋地管道、管道在公路路基穿越段和穿墙段、在水中的运行的管道等情况。与传统的超声波检测相比，超声导波技术有检测距离长(最长达200米)、可对管道进行100％检测、不需要耦合及检测方便快速的优点。
但是由于超声导波检测设备采集的数据比较复杂，从信号中，很难直接分辨出管道上的特征。需要经过专门培训的人员，才能对信号中的管道特征信息进行识别。因此就要求一种智能的方法，能够从信号中，快速而准确的提取出管道的特征信息。
目前，对于超声导波检测管道的信号处理主要集中在信号的去噪和增强的方面。对于信号类型的分类研究相对比较少。目前，已经发表或者公开的研究成果中有关管道特征识别的成果还是十分少见的。
发明内容
本发明的目的是为了解决超声导波设备收集到的信号分析过程中，对人员要求高、处理精度差的现状，本发明提出了一种基于相关分析的管道特征智能识别方法，本方法能够对信号进行智能自动的分类，提取出信号中管道特征信息。
本方法基于对超声导波检测信号进行相关分析。按照幅度大小、外形相似以及对称与非对称信号之间的相对大小关系，对检测信号进行分类。并通过试验，建立类别与管道特征的对应关系，能够快速、准确的将超声导波检测信号进行分类。
本发明利用相关分析对管道特征智能识别的方法，包括以下步骤：
1)利用超声导波管道检测仪，测得被检测管道的两条检测信号曲线，即对称信号曲线和非对称信号曲线，以及三条距离幅值校正曲线(DAC曲线)，即法兰DAC曲线、焊缝DAC曲线和警戒DAC曲线。利用管道某一已知位置的管道特征信息，将与该位置的特征信息对应的DAC曲线调节至此特征在对称信号峰值点的±20％的范围内。由于三条DAC曲线之间的位置关系是固定的，所以其他两条DAC曲线会自动随着变化；
2)利用求导的方法，求取对称信号曲线上的所有极大值；
3)以步骤1)中所确定的三条DAC曲线为分界点，对步骤2)中的极大值信号进行分类，通过这三条DAC曲线，可以将所有的极大值分为四类：法兰疑似信号、焊缝疑似信号、缺陷信号和噪声信号(如图2)，具体分类方法如下：
当极大值位于小于法兰DAC曲线50％到大于法兰DAC曲线50％的范围内时(图2中A区域)，认为该极大值点所对应的信号为疑似法兰信号；
当极大值位于小于警戒DAC曲线50％到大于警戒DAC曲线50％的范围内时(图2中C区域)，认为该极大值点所对应的信号为缺陷信号；
当极大值位于法兰疑似信号和缺陷信号之间时(图2中B区域)，认为该极大值点所对应的信号为疑似焊缝信号；
当极大值小于缺陷信号时，认为该极大值点所对应的信号为噪声信号。
4)将疑似法兰信号与标准样本库中的法兰样本信号做相关运算，计算疑似法兰信号与样本库中的每个法兰样本信号的相关系数，并对所求得的相关系数求平均数，将该平均数作为相似度：
如果相似度大于等于70％就认为疑似确认，将该疑似法兰信号归类为法兰特征信号；如果相似度小于70％就认为疑似否定，将疑似法兰信号归类到缺陷信号中。
将疑似焊缝信号与标准样本库中的焊缝样本信号做相关运算，计算出每一个疑似焊缝信号与样本库中的每个焊缝样本信号相关系数，并对所求得的相关系数取平均值，将该平均值作为相似度：
如果相似度大于等于70％就认为疑似确认，将疑似焊缝信号归类为焊缝特征信号；如果相似度小于70％就认为疑似否定，将疑似焊缝信号归类到缺陷信号中。
将这些得到的缺陷信号与之前分类得到的缺陷信号归为同类，这样，就可以将极大值分为三类信号：法兰信号、焊缝信号以及缺陷信号；
5)由于弯头信号是由两条相距不远的焊缝信号组成，因此，步骤4)中得到的焊缝信号包含有弯头信号。通过判断连续两个焊缝信号的距离就可以确定焊缝疑似信号。一般来说，弯头信号的焊缝距离不超过2米。因此，如果两个焊缝信号相距小于两米，就可以判定为疑似弯头信号，将疑似弯头信号与样本库中的所有弯头样本信号做相关运算，然后计算出平均相关系数，以70％为阈值，当平均相关系数大于等于70％时归类为弯头信号，当平均相关系数小于70％时，归类为焊缝信号。
6)经过以上1)～步骤5)就可以将所有的极大值分为法兰、焊缝、弯头和缺陷四个类型。实现了对检测信号的分类。
本发明利用相关分析对管道特征进行分类，其原理如下：
沿管道传播超声波的能量由于自身的消耗、散射以及反射，随着传播距离的增加是成指数衰减的。因此，利用指数衰减的DAC曲线可以为管道超声检测信号提供一个不同距离上信号幅度的参照。而在同一距离上的不同信号的幅值也是不同的。法兰的信号最大，焊缝的信号大约是法兰信号的25％，噪声信号一般都小于法兰信号的15％。因此，DAC曲线也分三条：法兰DAC曲线，焊缝DAC曲线和警戒DAC曲线。如果以法兰DAC曲线为标准，焊缝DAC曲线就是法兰DAC曲线的25％，警戒DAC曲线就是法兰DAC曲线的15％。这三条曲线的相对位置是固定的，变动某一条曲线，其余两条会随之变动。当导波检测仪发射的脉冲信号遇到管道特征时会发生反射，将一部分能量反射回传感器处。这部分能量被传感器接收到，就会在接收信号中形成一个“波包”，对应到检测信号曲线上的一个峰值。因此，管道的特征信号都分布在检测信号曲线的极大值处。不同的管道特征，其外形也不相同。而相关系数正好就是表征两个曲线的外形相似程度。外形越相似的曲线，相关系数越接近1。因此就可以利用求取被分类特征信号与样本特征信号的相关系数来作为分类判断的依据。
与现有的人工分类方法相比，本发明具有以下有点：
1)实现了对检测信号的全自动智能分类。使对大量检测信号进行分析成为可能；
2)实现了计算机对检测信号的分析，极大的加快了分析检测数据的速度；
3)降低了检测分析人员的需求登记，提高了检测效率。
附图说明
图1检测信号智能分类方法算法框图
图2DAC曲线以及各类疑似信号的分布图
图3检测示意图
图4原始数据显示
图5极大值显示
图6疑似特征点显示
图7最终结果显示
具体实施方式
结合本发明方法的内容提供以下试验实施例：
1)将传感器安装在一条长管道上，利用超声导波设备检测，收集原始检测对称信号曲线(图4中A曲线)，调节法兰DAC曲线(图4中B曲线)，使之穿过距离在-7m处的已知法兰信号的最大值，如图4，这样便确定了法兰DAC曲线的位置，由于法兰DAC曲线、焊缝DAC曲线和警戒DAC曲线之间的位置关系是固定不变的，所以确定了法兰DAC曲线的位置，其它两条曲线的位置就确定了。图中曲线C为焊缝DAC曲线，曲线D为警戒DAC曲线。
2)利用求导数的方法，计算出对称信号曲线上的所有极大值点，如图5所示，图中○表示计算出的极大值。
3)利用DAC曲线，将极大值分类成疑似法兰信号、疑似焊缝信号和缺陷信号三种情况，如图6。“□”表示疑似法兰(图6中A和B)，总共有两处都在距离为-7m附近。“◇”表示疑似焊缝(图6中C、D、E、F、G)，总共有5处，分别在距离为-7m、-3m、+3m、+10m、+16m处。“△”表示缺陷(包含噪声)。
4)计算步骤3)中所述的每一个疑似法兰信号与标准样本法兰信号的相关系数，并对所求得的所有相关系数求平均值，再根据相关系数平均值按照以下方法确定疑似法兰信号是否为真正的法兰信号，具体为：
疑似法兰信号A的平均相关系数为91.8％，大于70％。因此，疑似法兰信号A判断为法兰信号。
疑似法兰信号B的平均相关系数为38.2％，小于70％。因此，疑似法兰B判断为缺陷信号。
5)计算步骤3)中所述的每一个疑似焊缝信号与标准样本焊缝信号的相关系数，并对求得的所有相关系数求平均值，再根据相关系数平均值按照发明内容部分步骤4)中的方法确定疑似焊缝信号是否为真正的焊缝信号：
疑似焊缝C的平均相关系数为25.2％，小于70％。因此，疑似焊缝C判断为缺陷信号。
疑似焊缝D的平均相关系数为98.1％，大于70％。因此，疑似焊缝D判断为焊缝信号。
疑似焊缝E的平均相关系数为98.2％，大于70％。因此，疑似焊缝E判断为焊缝信号。
疑似焊缝F的平均相关系数为97.9％，大于70％。因此，疑似焊缝F判断为焊缝信号。
疑似焊缝G的平均相关系数为98.3％，大于70％。因此，疑似焊缝G判断为焊缝信号。
6)判断相邻焊缝的距离，当距离小于2米时，列为弯头信号。步骤5)中得到的焊缝D、E、F、G中：
DE为两条相邻的焊缝，其距离为7m，大于2m，排除。
EF为两条相邻的焊缝，其距离为7m，大于2m，排除。
FG为两条相邻的焊缝，其距离为7m，大于2m，排除。
因此，在此例中没有弯头信号。
7)用图例在图形中标出不同的特征，如图7。图7中“□”表示法兰信号，“◇”表示焊缝信号，“△”表示缺陷信号。
对比管道上实际结果，在有效信号距离内，焊缝、法兰信号判断完全准确，并且找到一处缺陷，满足检测需求。