典型文献
基于深度学习的天然气钢制管道缺陷检测方法研究
文献摘要：
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.
文献关键词：
超声检测;变分模态分解;卷积神经网络;随机森林
中图分类号：
作者姓名：
梁海波;王怡
作者机构：
西南石油大学机电工程学院 成都 610500
文献出处：
引用格式：
[1]梁海波;王怡-.基于深度学习的天然气钢制管道缺陷检测方法研究)[J].电子测量与仪器学报,2022(09):148-158
A类：
B类：
钢制管道,管道缺陷检测,缺陷检测方法,钢质管道,管道腐蚀缺陷,超声检测,常规模式,模式识别,取回,回波信号,主观性,一维卷积神经网络,one,dimensional,convolutional,neural,network,1D,特征结合,random,forest,RF,声情,小波包变换,wavelet,packet,transform,WPT,去噪,变分模态分解,variational,model,decomposition,VMD,网络特征,随机森林分类,人造,识别准确率,天然气站场,管道缺陷识别,专家识别,别管
AB值：
0.362092
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
