原文传递
基于支持向量机和极限学习机的管道缺陷分类方法研究
| 论文题名： | 基于支持向量机和极限学习机的管道缺陷分类方法研究 |
| 关键词： | 管道工程;漏磁检测;缺陷分类;信号特征;支持向量机;极限学习机 |
| 摘要： | 管道是一种重要的运输方式，其在国民经济的发展中发挥着越来越重要的作用。但是，随着管线的增多以及管龄的增长，由于管道腐蚀和自然灾害等因素导致的管网泄漏事故频频发生。因此，对管道缺陷分类方法的研究具有非常重要的意义。近些年来，随着小波分析、模糊控制等先进智能算法及控制理论不断发展，在管道漏磁检测及评估技术研究中，融入先进的智能算法及控制理论是必然的趋势。 本文针对管道缺陷分类问题的复杂性，提出了基于支持向量机与极限学习机的管道缺陷分类方法。主要解决了两方面的技术问题:缺陷分类及漏磁信号特征定义、管道缺陷分类的算法及方法改进。 首先，对管道缺陷分类以及缺陷漏磁信号特征进行定义。管道缺陷分类定义主要将缺陷分为大面积腐蚀、周向划痕、周向狭缝、腐蚀斑、针眼、轴向划痕、轴向狭缝七类，为了方便支持向量机与极限学习机建模仿真，给七类缺陷赋予1～7类别标签。对于管道缺陷漏磁信号特征定义主要要求定义的特征能够代表并区分每一类缺陷，这样才能在使用支持向量机与极限学习机建模时才能得到有意义的模型。本文最终使用的缺陷特征为比较有代表性的缺陷漏磁信号波形的峰谷值、峰谷差、谷谷差、谷谷值，每个缺陷有6个属性值。 其次，使用支持向量机(SVM)与极限学习机(ELM)建模仿真。使用支持向量机与极限学习机仿真时，都需要将缺陷6个属性数据对应的缺陷类别标签分为训练集样本与测试集样本。训练集样本用来训练数学模型，测试集样本用来测试预测结果准确率。通过仿真得出结论:支持向量机预测准确率较高，但是耗费时间长，速度慢;极限学习机速度快，但预测准确率稍低。 最后，分析了支持向量机与极限学习机两者的优缺点，改进缺陷分类方法流程。改进缺陷分类方法将缺陷按照一定规则将缺陷分为严重缺陷与非严重缺陷，这样可以更有侧重的使用两种分类方法。对于严重缺陷利用极限学习机速度快的优点，快速分类，通知现场，而后使用支持向量机得到更准确的分类结果。对于非严重缺陷由于时间上的要求不高，直接使用支持向量机训练仿真。通过仿真分析得出结论:将缺陷分成严重缺陷与非严重缺陷后，得到的缺陷分类结果更为精确也更符合实际需要。 |
| 作者： | 崔凯 |
| 专业： | 控制工程 |
| 导师： | 冯健 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东北大学 |
| 学位年度： | 2014 |
| 正文语种： | 中文 |
检索历史
应用推荐
