基于深度学习的天然气钢制管道缺陷检测方法研究

作者：梁海波; 王怡

来源：电子测量与仪器学报, 2022, 36(09): 148-158.

DOI：10.13382/j.jemi.B2205550

• 超声检测
• 变分模态分解
• 卷积神经网络
• 随机森林

在天然气钢质管道腐蚀缺陷超声检测中，常规模式识别采用人工提取回波信号的方法，存在主观性强、普适性低的问题。基于此，本文提出用一维卷积神经网络(one-dimensional convolutional neural network, 1D-CNN)提取回波信号的特征结合随机森林(random forest RF)分类的方法。首先根据实验获取的回波信号的噪声情况，用小波包变换(wavelet packet transform WPT)对信号进行去噪；并用变分模态分解(variational model decomposition VMD)对去噪后的信号进行分解和重构以获得平滑的信号；最后将处理好的回波信号进行1D-CNN网络特征提取和随机森林分类。实验结果表明，基于VMD-1D-CNN-RF的天然气钢质管道缺陷检测方法针对人造缺陷的识别准确率为85.71%,针对天然气站场的管道缺陷识别准确率为71.05%,表明无需专家识别也可初步判别管道状况。

• 单位
  石油大学机电工程学院