一种管道裂纹精准定位方法、系统、终端及其存储介质 专利技术说明

测量装置的制造及其应用技术1.本发明涉及管道裂纹定位技术领域，基于贝叶斯神经网络和声发射技术，具体为一种管道裂纹精准定位方法、系统、终端及其存储介质。背景技术：2.管道运输与公路、铁路、水运和航运并称五大运输行业，在全球范围内有着广泛而不可替代的应用。管道系统由于其污染小、高效、经济、安全等优势，已经成为各个领域存储和运输流体物料的主要设备。管道本身在生产、制造或安装时会存在一定的损伤，在服役期间，如果经过长期高温高压或者输送介质等内外部因素的共同作用，管道就会发生腐蚀、老化或开裂等各种形式的失效，其中裂纹是最常见、最为危险的一种。管道系统一旦出现问题，可能会造成人员伤亡、环境污染和巨大的经济损失，因此，使用科学高效的检测手段对管道可能或已经出现裂纹的位置进行准确定位，对管道的健康状况进行排查，有利于管道系统的维护和维修，对于保证管道服役过程中的安全稳定具有重大的意义。3.目前常用的管道无损检测方法有射线检测法、超声波检测发、电涡流检测法、漏磁检测法、声发射检测法等。4.声发射(acoustic emission)，也称为应力波发射，是指材料内部在受力状态下以弹性波的形式释放应变能的现象。举个例子，地震波，这就是一种我们非常熟悉的声发射波。此外，当我们将锡片放在耳边并慢慢用力弯折时，会有噼啪噼啪的声音产生，这同样是一种常见的声发射波。不同的材料的因不同的机制而产生的声发射信号，覆盖的频率范围很广，低至几hz的次声频、20hz～20khz的声频到数mhz的超声频。5.材料或者结构在受到内力或外力的作用时，会在局部产生应力集中，从而使得应力分布不均。一旦这种处于不稳定状态下的应变能积累到一定程度的时候，会产生裂纹或者是相变等等以达到一种稳定的低能状态，在这一过程中，将会有弹性波的产生用以释放累积的能量，这种现象即为声发射。我们称这种导致能量释放的结构变化为声发射源。固体材料发生局部变形时，声发射波将会以横波和纵波两种方式出现并进行传播。声发射波将沿着固体介质进行传播，其中一部分到达固体介质表面并且被安装于设备之上的接收装置接收，成为检测信号。另一部分将被折射后返回到材料内部，还有一部分将会形成瑞利波。经过对接受到的检测信号进行相关的信号处理，我们能够对声发射源进行定位并推断出它的性质，甚至可以对材料进行损伤研究评价，这就是完整的声发射检测技术。6.深度学习：深度学习技术是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。7.贝叶斯神经网络：是一种先进的人工神经网络，贝叶斯神经网络把权重看成是服从均值为μ，方差为σ的高斯分布，每个权重服从不同的高斯分布，反向传播网络优化的是权重，贝叶斯神经网络优化的是权重的均值和方差。与普通反向传播网络相比，贝叶斯神经网络不容易发生过拟合现象，具有更好的稳定性。8.目前常用的管道无损检测方法有射线检测法、超声波检测发、电涡流检测法、漏磁检测法等。射线检测法对某些类型缺陷的检测灵敏度低，而且对人体存在一定的危害。超声波检测法虽然灵敏度较高，但检测过程较为复杂，且成本较高。漏磁检测法操作过程繁琐，造成的污染较大。这些无损检测方法都有不同的缺点，往往只能做到判断管道是否存在某种缺陷，缺陷所处的大概位置，无法实现高效准确地在线实时检测，无法实现裂纹等缺陷的准确位置定位。声发射技术作为一种动态的在线监测方法，对缺陷的活动灵敏度高，且不需要被检物件有导电等要求，检测过程操作简单，可以提供管道实时的、连续的缺陷信息，另外，由于裂纹在扩张过程中也会产生声发射信号，故使用声发射技术还可以实现对可能发射裂纹的位置进行判断和定位，但声发射技术同样也存在定位不准确的问题。目前已有的基于声发射技术的时差定位法、能量定位法、区域定位法都有一定的局限性，直接应用于管道裂纹定位都会存在较大的偏差。(时差定位法原理简单，但定位精度非常低；能量定位中，声发射波能量衰减非常容易受到结构材料类型、构建几何形状和波模式等因素影响，导致定位不稳定；区域定位法实现简单，不易误定位，但定位精度低，不能给出声发射源的准确位置。)因此，使用更为先进的智能定位技术来高效准确的实现管道上裂纹位置的定位是非常有必要的。技术实现要素：9.针对现有技术中存在管道裂缝定位不准确的问题，本发明提供一种管道裂纹定位精准方法、系统、终端及其存储介质，利用贝叶斯神经网络强大的非线性拟合能力，通过寻找声发射信号的互相关时差与位置的函数关系来实现定位，只需要对采集的信号进行简单的处理就能实现高精度的定位。10.本发明是通过以下技术方案来实现：11.一种管道裂纹精准定位方法，包括如下步骤：12.获取管道裂纹扩展的声发射信号；13.对所获取的管道裂纹扩展的声发射信号进行预处理得到拟合数据；并将拟合数据分为训练集拟合数据和测试集拟合数据；14.建立贝叶斯神经网络模型，对贝叶斯神经网络模型参数初始化，将训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，并通过管道裂纹定位训练集拟合数据效果图中的时间差-管道裂纹位置对管道裂纹定位；将测试集拟合数据输入至贝叶斯神经网络模型内进行测试得到管道裂纹定位测试集拟合数据效果图，当管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置满足管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件时，完成管道裂纹精准定位。15.优选的，对所获取的管道裂纹扩展的声发射信号进行预处理过程如下：16.读取两传感器的声发射信号，将所读取的声发射信号采用wavelet-emd联合去噪方法进行去噪，并对去噪后的信号做互相关处理，获得信号到两传感器的时间差，根据信号时间差和管道裂纹位置的对应关系对数据集打标签，将信号时差数据与管道裂纹位置修改至同一量级，并对数据清洗，剔除数据集中明显的异常样本点，最后将所获得的全部数据集分类为训练集拟合数据和测试集拟合数据。17.优选的，对贝叶斯神经网络模型参数初始化，包括权重节点和偏置节点的均值和方差，即权重节点均值wμ、权重节点方差wσ、偏置节点均值bμ和偏置节点方差bσ；对高斯分布进行随机采样获取权重节点采样wε和偏置节点采样bε；通过权重节点均值wμ、权重节点方差wσ和权重节点采样wε计算用于连接各个节点的权重值w，通过偏置节点均值bμ、偏置节点方差bσ和偏置节点采样bε计算各个节点的偏置值b，最后计算权重值w和偏置值b的先验概率、后验概率和最大似然估计，用于后续计算损失值。18.优选的，贝叶斯神经网络模型的建立过程如下：19.设置网络层数与节点，并通过对贝叶斯神经网络模型参数初始化所计算的到的权重值w和偏置值b的先验概率、后验概率和最大似然估计推导并编写模型的损失函数，并选择adam优化器进行优化，对比选择未定义的最优超参数，得到贝叶斯神经网络模型。20.进一步的，贝叶斯神经网络模型结构包括输入层、隐藏层和输出层，其中输入特征为信号到达传感器的时间差，输入层设定为1个节点；隐藏层设定为32个节点；输出特征为裂纹位置，输出层设定为1个节点。21.优选的，训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，观察拟合结果中时间差-管道裂纹位置及损失值，当拟合结果中时间差-管道裂纹位置及损失值不满足管道裂纹定位要求时，调整贝叶斯神经网络模型参数后再次将训练集拟合数据输入至调整后的贝叶斯神经网络模型进行训练得到管道裂纹定位训练集拟合数据效果图，直至拟合结果中时间差-管道裂纹位置及损失值满足管道裂纹定位要求后完成管道裂纹定位。22.优选的，管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置与管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件为满足误差在1cm以内。23.一种管道裂纹精准定位系统，包括：24.获取模块，用于获取管道裂纹扩展的声发射信号；25.第一处理模块，用于对所获取的管道裂纹扩展的声发射信号进行预处理得到拟合数据；并将拟合数据分为训练集拟合数据和测试集拟合数据；26.第二处理模块，用于建立贝叶斯神经网络模型，对贝叶斯神经网络模型参数初始化，将训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，并通过管道裂纹定位训练集拟合数据效果图中的时间差-管道裂纹位置对管道裂纹定位；将测试集拟合数据输入至贝叶斯神经网络模型内进行测试得到管道裂纹定位测试集拟合数据效果图，当管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置满足管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件时，完成管道裂纹精准定位。27.一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述一种管道裂纹精准定位方法的步骤。28.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述一种管道裂纹精准定位方法的步骤。29.与现有技术相比，本发明具有以下有益的技术效果：30.本发明提供了一种管道裂纹定位精准方法，使用贝叶斯神经网络对采集到的管道裂纹扩展的声发射信号进行回归预测，以实现对管道上裂纹具体位置的定位。首先需要使用声发射仪采集管道裂纹扩展的声发射信号，再对信号进行适当的预处理；接着设计贝叶斯神经网络并将处理后的数据输入至网络；最后由该网络拟合声发射信号到达传感器的时差与裂纹位置的关系，实现根据采集信号对管道上裂纹位置的精确定位。本发明使用智能定位方法，利用贝叶斯神经网络强大的非线性拟合能力，通过寻找声发射信号的互相关时差与位置的函数关系来实现定位，只需要对采集的信号进行简单的处理就能实现高精度的定位。31.进一步的，本发明将深度学习技术与声发射技术融合起来，设计了一种新的管道裂纹定位方法。只需要使用声发射传感器测量管道裂纹扩展的声发射信号，再通过简单的互相关处理，通过贝叶斯神经网络就可以实现对管道上正在扩展和潜在裂纹的定位，实验表明可以将定位精度控制在1cm以内。本方法实现简单，定位精度高。附图说明32.图1为本发明中管道裂纹精准定位方法的流程图；33.图2为本发明中管道裂纹精准定位系统原理结构图；34.图3为本发明实施例中管道裂纹精准定位方法的总体流程图；35.图4为本发明实施例中读取数据及预处理开发流程图；36.图5为本发明实施例中初始化贝叶斯神经网络模型参数开发流程图；37.图6为本发明实施例中贝叶斯神经网络模型结构示意图；38.图7为本发明实施例中贝叶斯神经网络模型结构的开发流程图；39.图8为本发明实施例中模型训练与测试开发流程图；40.图9为本发明实施例中500轮训练后的拟合结果图；41.图10为本发明实施例中1000轮训练后的拟合结果图；42.图11为本发明实施例中1500轮训练后的拟合结果图；43.图12为本发明实施例中2000轮训练后的拟合结果图；44.图13为本发明实施例中测试后的拟合结果图。具体实施方式45.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。46.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。47.下面结合附图对本发明做进一步详细描述：48.本发明提供一种管道裂纹定位精准方法、系统、终端及其存储介质，利用贝叶斯神经网络强大的非线性拟合能力，通过寻找声发射信号的互相关时差与位置的函数关系来实现定位，只需要对采集的信号进行简单的处理就能实现高精度的定位。49.具体的，根据图1所示，该管道裂纹精准定位方法，包括如下步骤：50.s1、获取管道裂纹扩展的声发射信号；51.s2、对所获取的管道裂纹扩展的声发射信号进行预处理得到拟合数据；并将拟合数据分为训练集拟合数据和测试集拟合数据；52.具体的，读取两传感器的声发射信号，将所读取的声发射信号采用wavelet-emd联合去噪方法进行去噪，并对去噪后的信号做互相关处理，获得信号到两传感器的时间差，根据信号时间差和管道裂纹位置的对应关系对数据集打标签，将信号时差数据与管道裂纹位置修改至同一量级，并对数据清洗，剔除数据集中明显的异常样本点，最后将所获得的全部数据集分类为训练集拟合数据和测试集拟合数据。53.s3、建立贝叶斯神经网络模型，对贝叶斯神经网络模型参数初始化，将训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，并通过管道裂纹定位训练集拟合数据效果图中的时间差-管道裂纹位置对管道裂纹定位；将测试集拟合数据输入至贝叶斯神经网络模型内进行测试得到管道裂纹定位测试集拟合数据效果图，当管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置满足管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件时，完成管道裂纹精准定位。54.具体的，对贝叶斯神经网络模型参数初始化，包括权重节点和偏置节点的均值和方差，即权重节点均值wμ、权重节点方差wσ、偏置节点均值bμ和偏置节点方差bσ；对高斯分布进行随机采样获取权重节点采样wε和偏置节点采样bε；通过权重节点均值wμ、权重节点方差wσ和权重节点采样wε计算用于连接各个节点的权重值w，通过偏置节点均值bμ、偏置节点方差bσ和偏置节点采样bε计算各个节点的偏置值b，最后计算权重值w和偏置值b的先验概率、后验概率和最大似然估计，用于后续计算损失值。55.具体的，贝叶斯神经网络模型的建立过程如下：56.设置网络层数与节点，并通过对贝叶斯神经网络模型参数初始化所计算的到的权重值w和偏置值b的先验概率、后验概率和最大似然估计推导并编写模型的损失函数，并选择adam优化器进行优化，对比选择未定义的最优超参数，得到贝叶斯神经网络模型。57.其中，贝叶斯神经网络模型结构包括输入层、隐藏层和输出层，其中输入特征为信号到达传感器的时间差，输入层设定为1个节点；隐藏层设定为32个节点；输出特征为裂纹位置，输出层设定为1个节点。58.具体的，训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，观察拟合结果中时间差-管道裂纹位置及损失值，当拟合结果中时间差-管道裂纹位置及损失值不满足管道裂纹定位要求时，调整贝叶斯神经网络模型参数后再次将训练集拟合数据输入至调整后的贝叶斯神经网络模型进行训练得到管道裂纹定位训练集拟合数据效果图，直至拟合结果中时间差-管道裂纹位置及损失值满足管道裂纹定位要求后完成管道裂纹定位。59.具体的，管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置与管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件为满足误差在1cm以内，即管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置与管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置接近。60.实施例61.根据图3所示，提供一种管道裂纹精准定位方法，包括如下步骤：62.步骤1、获取管道裂纹扩展的声发射信号。63.使用声发射信号采集系统进行采集。使用的是美国声学物理公司的pac-ii系统，该系统由声发射传感器、前置放大器和声发射仪组成。传感器为r15a型声发射采集传感器，r15a传感器适应性比较广泛，是声发射检测中最常用的一种传感器，属于压电谐振式声发射传感器。该传感器的中心频率为150khz，谐振频率在70khz，工作频率范围是50-200khz。前置放大器是pac公司的2/4/6型放大器。它的激励电压为dc28v；为满足不同需要，增益类型有三种：20db、40db和60db，其中最常用的是40db增益。在传感器的安装过程中，通常使用耦合剂对传感器与管壁之间进行耦合，从而提高它们之间的耦合性，耦合剂可以减少传感器表面与管壁表面之间间隙，且起到过渡的作用，减少两者表面间的声阻抗，从而降低因界面反射而造成的能量损失。在传感器安装时，将适量耦合剂涂抹于打磨出金属光泽的区域，将传感器布置在涂有耦合剂的区域，使传感器表面与罐壁表面耦合良好。64.步骤2、数据预处理，读取数据及预处理开发流程如图4所示；65.通过声发射仪采集到管道裂纹扩展的声发射数据后，需要经过一定的处理后才能作为有效地输入在贝叶斯神经网络中进行拟合。66.一般试件发生损伤时发出的声发射信号通常是非常微弱的，同时外界环境和采集系统又会引入背景噪声和各种干扰，因此必须首先从含噪信号中提取出表征复合管道损伤性质的微弱声发射信号。简单的去噪方法如中值滤波法、均值滤波法和限幅滤波法只能去除由于偶然因素引起的脉冲干扰，但对于其他复杂的噪声却无能为力。67.声发射信号的噪声来源主要包括以下两个方面:①被检测材料内部产生的噪声，这些噪声在时域上看似随机分布，为缺陷检测制造了难度；②声发射信号在传播到采集系统的各个环节都有可能带来噪声，主要是各种回路噪声，例如声发射传感器前置放大器的电子噪声，加载试验过程中加载装置的摩擦噪声等。放大器的电子噪声，加载试验过程中加载装置的摩擦噪声等。这些复杂的噪声使采集到的声发射信号的信噪比严重下降，严重制约了声发射检测和评价的可靠性。因此，在利用声发射信号进行损伤定位和识别之前，有效地去除声发射信号中的噪声，提高信噪比是声发射信号处理的不可或缺的步骤。68.目前声发射信号的去噪方法主要集中在小波去噪和emd(经验模式分解)去噪。但小波去噪也存在一些缺点，如去噪效果与信号特点及小波基函数的选择有很大关系，当信噪比较小时，去噪效果不理想等。emd去噪方法尽管克服了小波去噪需要选择基函数的缺点，但整体去噪效果不如小波去噪。本实施例中，使用了小波-emd联合去噪方法对信号进行去噪处理，即先对信号进行小波阈值去噪，然后再对去噪后的信号进行经验模式分解，在每个模态上进行去噪，使得去噪效果达到最好。69.对去噪后的两个传感器获取到的信号做互相关处理，以获得信号到达两传感器的时间差，作为后续模型中定位裂纹位置的基准。互相关函数反映了两个平稳机械信号的相关程度。两个频率不同的随机信号，其互相关函数为零，即互不相关。而对于两个同源信号进行互相关处理，可以检测两个信号的时间差。根据互相关这一性质可知，对于同一声源(裂纹)发出的声波信号可进行互相关处理，当互相关函数出现最大峰值时，说明两个信号在最大峰值所在的时间处达到最相关，即反映了两个传感器接收到声发射信号的时间差△t。互相关函数反应了两个随机信号的相关程度，如果两个信号不相关，则互相关函数为零，只有同一信号源发出的信号才最相关，因此互相关函数具有过滤干扰信号的特性，测量时不需要进行专门的滤波来消除干扰，这也是相关分析的特性之一，即抗干扰特性，特别适合地下管线等恶劣环境下的信号检测。70.为了方便后续的训练，根据信号时差和裂纹位置的对印关系对数据集打标签，并将信号时差数据与裂纹位置修改至同一量级。这一过程即建立合理的数据集，使得信号时差与裂纹位置相互对应，以便进行后续模型的拟合。71.接下来进行数据清洗，即剔除数据集中明显的异常样本点，以保证后续贝叶斯神经网络对时差与裂纹位置的函数关系进行良好的拟合；最后把获得的全部数据集按照1:4的比例划分为训练集和测试集。72.步骤3、初始化贝叶斯神经网络模型参数开发流程如图5所示；73.需要拟合的数据已经准备完成，接下来需要设计贝叶斯神经网络模型。由于贝叶斯神经网络的每个权重与偏置节点的值并不是固定的，而是看成是服从均值为μ，方差为σ的高斯分布，而每次迭代过程中，传输的权重和偏置节点值是通过对高斯分布值采样得到的，所以每次传递是相当于一个反向传播神经网络。74.首先需要初始化网络参数，包括权重节点和偏置节点的均值和方差，即权重节点均值wμ、权重节点方差wσ、偏置节点均值bμ和偏置节点方差bσ；对高斯分布进行随机采样获取权重节点采样wε和偏置节点采样bε；通过权重节点均值wμ、权重节点方差wσ和权重节点采样wε计算用于连接各个节点的权重值w，通过偏置节点均值bμ、偏置节点方差bσ和偏置节点采样bε计算各个节点的偏置值b，最后计算权重值w和偏置值b的先验概率、后验概率和最大似然估计，用于后续计算损失值。75.步骤4、贝叶斯神经网络模型的建立如图7所示；76.神经网络一般包含输入层、隐藏层和输出层三部分结构，一个网络可以包含若干个隐藏层，每层结构中可以有若干个节点。输入层结点个数由输入数据的特征个数决定；隐藏层节点数需要视具体情况认为设计，节点数越多，模型的计算能力就越强，但是相对应的计算量会显著提升，导致训练速度变慢；输出层的节点个数由输出的需求数决定。网络结构设计如下：77.考虑到输入特征与输出数据的数学关系复杂程度，在保证定位精度的前提下，尽量减少模型的运算量，提升运算速度，本定位系统设计的贝叶斯神经网络采用三层结构，即一个输入层，一个隐藏层和一个输出层。输入特征为信号到达两传感器的时间差，故输入层设定为1个节点；隐藏层设定为32个节点；输出特征为裂纹位置，故输出层设定为1个节点，如图6所示。78.定义损失函数与模型训练的优化器79.根据变分推断(variational inference，vi)与证据下界(evidence lower bound，elbo)，由w和b的先验概率、后验概率和最大似然估计推导并编写模型的损失函数，选择adam作为训练过程中的优化器，对比选择未定义的最优超参数，设置模型训练轮次为2000次。80.步骤5、模型训练与测试开发流程图如图8所示81.本定位系统的贝叶斯神经网络已设计完成，接下来把训练集输入网络模型进行训练，作出训练集上的拟合效果图，观察拟合结果及损失值。过程中适当调整网络模型参数，以获得最佳拟合效果。82.网络模型训练完成后，将测试集输入模型进行拟合，作出测试集上的拟合效果图，评估网络模型对裂纹位置的定位精度，如不满足要求，对模型进行适当调整后继续测试。测试集的拟合效果良好，就可以根据信号的时差定位裂纹的位置。83.系统还可以给出定位过程中的最大、最小误差及其位置，以及平均误差的大小。84.其中，将训练集输入贝叶斯神经网络模型进行训练，训练轮次设为2000轮，训练轮次为500轮后的拟合效果图如图9所示；训练轮次为1000轮后的拟合效果图如图10所示；训练轮次为1500轮后的拟合效果图如图11所示；训练轮次为2000轮后的拟合效果图如图12所示；85.其中点状分布为管道裂纹真实值，线条分布的为拟合曲线，该模型可以成功对时间差与管道裂纹位置的函数关系进行拟合。86.最后通过测试集验证，测试集共40个点位，如图13所示，测试结果的拟合曲线拟合情况较好，经计算，40个测试点的平均定位误差为0.592cm，总体定位精度较高，最大误差2.42cm，最小误差0.029cm，稳定性较高，实现了误差控制在1cm以内的目标。87.综上所述，本发明提供的一种管道裂纹精准定位方法能够实现对管道上的裂纹或可能出现的裂纹实现准确定位的方法，基于贝叶斯神经网络(深度学习技术中的一种深度网络)和声发射技术(一种无损检测方法)，想要实现的目的是：通过使用声发射传感器来采集管道的裂纹扩张时产生的声发射信号，再使用贝叶斯神经网络处理采集到的声发射信号，分析信号中携带的信息，实现对管道上裂纹的定位，使对裂纹的定位误差控制在1cm以内。88.如图2所示，本发明还提供了一种管道裂纹精准定位系统，包括获取模块、第一处理模块和第二处理模块；89.获取模块，用于获取管道裂纹扩展的声发射信号；90.第一处理模块，用于对所获取的管道裂纹扩展的声发射信号进行预处理得到拟合数据；并将拟合数据分为训练集拟合数据和测试集拟合数据；91.第二处理模块，用于建立贝叶斯神经网络模型，对贝叶斯神经网络模型参数初始化，将训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，并通过管道裂纹定位训练集拟合数据效果图中的时间差-管道裂纹位置对管道裂纹定位；将测试集拟合数据输入至贝叶斯神经网络模型内进行测试得到管道裂纹定位测试集拟合数据效果图，当管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置满足管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件时，完成管道裂纹精准定位。92.本发明还提供了一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如管道裂纹精准定位程序。93.所述处理器执行所述计算机程序时实现上述管道裂纹精准定位方法的步骤，例如：94.获取管道裂纹扩展的声发射信号；95.对所获取的管道裂纹扩展的声发射信号进行预处理得到拟合数据；并将拟合数据分为训练集拟合数据和测试集拟合数据；96.建立贝叶斯神经网络模型，对贝叶斯神经网络模型参数初始化，将训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，并通过管道裂纹定位训练集拟合数据效果图中的时间差-管道裂纹位置对管道裂纹定位；将测试集拟合数据输入至贝叶斯神经网络模型内进行测试得到管道裂纹定位测试集拟合数据效果图，当管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置满足管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件时，完成管道裂纹精准定位。97.或者，所述处理器执行所述计算机程序时实现上述系统中各模块的功能，例如：98.获取模块，用于获取管道裂纹扩展的声发射信号；99.第一处理模块，用于对所获取的管道裂纹扩展的声发射信号进行预处理得到拟合数据；并将拟合数据分为训练集拟合数据和测试集拟合数据；100.第二处理模块，用于建立贝叶斯神经网络模型，对贝叶斯神经网络模型参数初始化，将训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，并通过管道裂纹定位训练集拟合数据效果图中的时间差-管道裂纹位置对管道裂纹定位；将测试集拟合数据输入至贝叶斯神经网络模型内进行测试得到管道裂纹定位测试集拟合数据效果图，当管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置满足管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件时，完成管道裂纹精准定位。101.示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述移动终端中的执行过程。例如，所述计算机程序可以被分割成获取模块、第一处理模块和第二处理模块；各模块具体功能如下：102.获取模块，用于获取管道裂纹扩展的声发射信号；103.第一处理模块，用于对所获取的管道裂纹扩展的声发射信号进行预处理得到拟合数据；并将拟合数据分为训练集拟合数据和测试集拟合数据；104.第二处理模块，用于建立贝叶斯神经网络模型，对贝叶斯神经网络模型参数初始化，将训练集拟合数据输入至贝叶斯神经网络模型内进行训练得到管道裂纹定位训练集拟合数据效果图，并通过管道裂纹定位训练集拟合数据效果图中的时间差-管道裂纹位置对管道裂纹定位；将测试集拟合数据输入至贝叶斯神经网络模型内进行测试得到管道裂纹定位测试集拟合数据效果图，当管道裂纹定位测试集拟合数据效果图中的时间差-管道裂纹位置满足管道裂纹定位训练集拟合数据效果图中时间差-管道裂纹位置的误差条件时，完成管道裂纹精准定位。105.所述移动终端，可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述移动终端可包括，但不仅限于，处理器、存储器。106.所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分。107.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述移动终端的各种功能。108.所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。109.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述一种管道裂纹精准定位方法的步骤。110.所述移动终端集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。111.基于这样的理解，本发明实现上述方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述管道裂纹精准定位方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。112.所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。113.需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。114.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!