摘要：漏磁内检测是长输管道主要检测方式。目前漏磁内检测数据分析中的缺陷检测方法环境适应性差,需要大量样本为不同环境分别建立检测模型,难以满足实用需求。本文提出一种自监督的缺陷检测方法,可以在少量样本下建立精确缺陷检测模型,克服目前缺陷检测方法需要大量样本才能训练精确模型的问题,并且在不同环境下检测效果都有所提升,因此具有良好的适用性和迁移性。首先对漏磁内检测缺陷数据进行预处理,接着将缺陷数据自适应的可视化,然后利用视觉表示对比学习的简单框架(SIMCLR)对可视化后的缺陷进行训练获得预训练权重,最后采用深度学习完成对缺陷的识别与定位。试验研究表明,本文设计的自监督检测方法能够有效解决可标记数据少的问题,具有检测精度高,迁移性好,泛化能力强的特点。

摘要：在管道漏磁检测中,缺陷反演是管道故障诊断的核心部分。考虑漏磁信号的复杂性以及管道环境的多变性,常用的缺陷反演方法多采用传感器单轴信息,从而导致缺陷反演面临缺陷估计尺寸精度低、模型通用性差的问题,难以满足实际应用需求。本文提出基于三轴融合的漏磁内检测数据缺陷反演算法,显著提高漏磁缺陷反演精度。该方法主要由两部分组成,首先,利用提出的加权随机森林算法分别实现单轴信号的缺陷反演;其次,通过本文设计的模糊推理系统实现三轴反演结果决策融合,进而得到精确的缺陷估计尺寸。最后,通过仿真数据与实际管道数据实现该方法的评估。实验结果表明,该方法缺陷反演的长度精度提升23%,宽度精度提升13%,深度精度提升14.7%,具有较好的实验效果。