基于PCA和SVM的管道腐蚀超声内检测

为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法。该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维。在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中。将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器。实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类。

基于XGBoost特征重要度的储罐缺陷ANN面积量化模型

针对超声波检测的储罐缺陷的面积量化问题,提出一种改进的储罐腐蚀缺陷面积量化模型。该模型利用XGBoost的特征重要度对人工神经网络(ANN)的参数进行先验初始化实现ANN模型的改进。该模型可以更快的收敛,并且提高准确率。按照国家标准设计实验平台,获取实验信号,并提取信号的统计特征得到特征数据集,利用数据集训练和测试改进的模型,并与传统模型进行对比。通过实验验证得出,改进的ANN模型能够更快的收敛,并且准确量化缺陷面积,相比于ANN量化模型,在训练集上准确率提高了17.9%,达到了98.3%,在测试集上提高了16.6%,达到了92.2%。

基于多尺度特征的储罐腐蚀缺陷面积量化

为有效的对超声干耦合检测的储罐腐蚀缺陷进行面积量化,提出一种智能量化储罐腐蚀缺陷面积方法,通过提取检测信号的特征构建数据集,利用数据集训练和测试机器学习模型实现缺陷面积量化。针对超声干耦合检测方式得到的超声A扫信号具有波形交叉混叠使得传统特征提取难以获取有效信息的难点,提出一种多尺度特征提取方法取代传统普通特征提取方法;针对传统无损检测模型难以准确量化缺陷面积的难点,提出引入XGBoost模型。通过实验验证得出,多尺度特征比普通特征的性能更好;XGBoost模型能够更好的量化缺陷;基于多尺度特征的XGBoost模型能够准确量化缺陷面积,其在训练集上准确率达99.4%,在测试集上为88.1%。