专利名称：一种石油管道pso-bp神经网络二维缺陷重现方法
技术领域：
本发明涉及的是一种管道缺陷检测的方法。
背景技术：
随着我国石油和天然气工业的快速发展，管道运输已经成为我国陆上油气运输的主要方式。但随着管龄增长、施工缺陷、人为破坏以及腐蚀等原因，管道事故频频发生，不仅造成重大的经济损失，还严重污染环境甚至危及生产人员的生命安全。漏磁检测技术是管道缺陷检测中使用最广泛的一种方法，它利用超声波、漏磁、射线等探伤原理，在不影响正常生产的情况下，通过智能检测器在管道内的行走，对油气管道的管壁或涂层的缺陷如变形、损伤、腐蚀、穿孔、管壁失重及厚度变化等，进行在线检测与分析，以获得准确可靠的检测数据，检测管道中存在的各种缺陷，为管道维修提供科学准确的数据，避免盲目大修或维修不及时，从而节省大量维护费用，产生重大的经济效益和社会效益。漏磁无损检测中一个重要问题是信号逆问题，即从测量信号中确定缺陷的长、宽、深等参数或确定缺陷的形状。 逆问题非常复杂，求解逆问题的一个普遍使用的方法是使用迭代方法，但该方法的计算量很大。BP神经网络具有通过学习逼近任意非线性映射的能力，但标准BP神经网络存在易陷入局部极小、收敛速度慢和引起振荡效应等缺点。粒子群优化算法(Particle Swarm Optimization, PS0)，是由Kennedy和Eberhart于1995年首次提出的一种基于迭代的寻优算法。该算法是对鸟群社会行为的模拟，PSO算法和遗传算法类似，是一种基于群体 (population)的优化算法，每个粒子通过和其他粒子进行信息交互，调整自己的进化方向， 以及避免陷入局部最优。
发明内容
本发明的目的在于提供将PSO算法与BP神经网络结合，利用粒子群优化算法优化 BP神经网络的权值和阈值，有效地解决BP算法易陷入局部极小值的缺点并实现快速收敛的一种石油管道PSO-BP神经网络二维缺陷重现方法。本发明的目的是这样实现的本发明一种石油管道PSO-BP神经网络二维缺陷重现方法，其特征是(1)将从实际管道缺陷的测量值作为进行网络训练的样本集，对采得的信号进行消噪后，作为缺陷重构的实验数据，将漏磁信号作为PSO-BP神经网络的输入，缺陷轮廓作为输出；(2)初始化粒子群算法参数，设置种群规模、惯性权重W、学习因子C1C2、迭代次数、 确定粒子维度，随机初始化粒子的初始位置和初始速度；(3)针对种群中的每个粒子，计算粒子适应度函数值F，将每个粒子当前适应度值与其历史最优值Pbest比较若当前值优于Pbest,则更新Ptest,否则保持Ptest不变；(4)将每个粒子的Pbest与整个粒子群的全局最优值gbest比较若当前值优于gbest，则更新gbest，否则保持gbest不变；(5)更新粒子的位置和速度；(6)判断是否达到最大迭代次数或预设的精度若达到最大迭代次数或预设的精度则输出神经网络的权值和阈值，否则，转到步骤⑶；(7)将训练好的神经网络模型用于管道二维缺陷重现，将漏磁信号作为输入，重现管道缺陷轮廓。本发明的优势在于(1)由于BP神经网络具有通过学习逼近任意非线性映射的能力，将神经网络应用于管道缺陷二维重构问题，只需利用管道漏磁数据和缺陷数据，建立二维重构模型来进行管道缺陷重构。( 将粒子群优化算法与BP神经网络结合，利用粒子群优化算法优化BP神经网络的权值和阈值，建立PSO-BP神经网络管道二维重构模型，可有效地解决BP算法易陷入局部极小值的缺点，提高收敛精度，从而实现了对管道缺陷的精确重现。
图1为本发明的PSO-BP神经网络管道二维缺陷重构方法流程图；图2为本发明的BP神经网络管道二维缺陷预测值与真实值的对比图；图3为本发明的PSO-BP神经网络管道二维缺陷预测值与真实值的对比图。
具体实施例方式下面结合附图举例对本发明做更详细地描述结合图1 3:1.粒子群优化算法粒子群优化算法的提出受鸟群觅食行为的启发，算法中每个粒子的位置表示待优化问题的一个候选解。每个粒子将在解空间中运动，并由一个速度决定其飞行方向和速率大小，然后通过逐代搜索找到最优解。假设在一个D维的搜索空间中，每一个粒子i都有一个D维的位置向量Xi和速度向量Vi。Xi用于计算粒子的适应值，适应值的大小反映粒子与最优解的近似程度；而Vi则用来修正粒子的位置。粒子通过记忆2个量来改变位置，一个是粒子在寻找最优解的过程中所经过的最好位置(记为Pbest)，另一个是粒子群中最好粒子的位置(记为gbest)。Kennedy和^erhart提出的PSO算法采用如下公式来更新粒子状态
「 ^ k +O = ^ (0+ClVandipi (0 - ^ (0)+c2rand(g(t) - X1 (t))<
柄+1)袖+叻+1)(1)式中t表示的是第t次迭代；Pi(t)表示第t次迭代后粒子i的最好位置Pbest， g(t)表示第t次迭代后整个群体的最好位置gbest ；rand是独立的
之间的随机数；Cl 和C2是学习因子。为避免算法收敛过快，还需引进一个阈值Vmax，用来保证Vi不超过区间 [-Vfflax, VfflaJ ；W为惯性权重。学习因子Cl，C2用来控制粒子自身的记忆和同伴的记忆之间的相对影响，也就是粒子飞向个体极值Pbest和全局极值gtest的加速权重。一般情况下，取。=C2 = 2。
惯性权重w用来控制粒子以前速度对当前速度的影响，它直接影响粒子的全局和局部搜索能力，若惯性权重参数太大，粒子群可能错过最优解，导致算法不收敛，或者不能收敛到最优解。大量实验发现w的值在
之间平均来说算法会有比较好的性能， 并且w的值线性的减少要比用固定的值好。一般情况下，对w的设置如下 ^ = ^max -Omax -^mm(2)
max式中Wmax为最大惯性权重，Wmin为最小惯性权重，t为当前迭代次数，tmax为算法最大迭代次数。2.粒子群优化BP神经网络算法BP神经网络结构简单，算法成熟，具有精确寻优等优点。但标准BP算法易陷入局部极小、收敛速度慢。粒子群优化算法是一种基于迭代模式的优化算法，具有很强的宏观搜索能力，并且简单通用，鲁棒性强。因此利用粒子群算法优化神经网络的权值和阈值，确定神经网络最佳权值和阈值，避免BP算法易于陷入局部极小和收敛速度慢的缺点。算法设计(1)粒子维度(Particle Dimension)每个粒子位置向量X的维度分量都对应神经网络中一个权值或阈值，即粒子的维数等于神经网络的权值和阈值个数。因此粒子的搜索空间维数为D = RXL+LXS+L+S(3)其中R为神经网络输入节点个数，L隐层节点数，S为输出节点数。(2)适应度函数为了使神经网络输出与目标函数之间的误差最小，将适应度函数定义为神经网络的均方误差指标
F =-l---(4)’、2ι
n i=l ；=1式中n为训练样本总数，s为输出节点数，Yi,j为实际输出，y' i.j为期望输出，e 为避免分母为零所加的一个小数。训练误差越小，粒子的适应度函数值越高，PSO算法最终的结果即为神经网络的最佳权值和阈值。实施实例根据缺陷产生的漏磁信号预测缺陷几何参数的过程，实质上是一个建立漏磁信号与缺陷几何参数的映射关系的过程。(1)将从实际管道缺陷的测量值作为进行网络训练的样本集，对采得的信号进行消噪等预处理工作后，作为缺陷重构的实验数据。将漏磁信号作为PSO-BP神经网络的输入，缺陷轮廓(长度和深度)作为输出。样本数据共90组数据，利用前80组做为训练数据， 后10组做为测试数据，每组数据采样点为120。(2)初始化粒子群算法参数，设置种群规模、惯性权重W、学习因子C1C2、迭代次数、 确定粒子维度，随机初始化粒子的初始位置和初始速度，其中惯性权重w采用式( 计算；(3)针对种群中的每个粒子，根据式(4)计算粒子适应度函数值F，每个粒子当前适应度值与其历史最优值Pbest比较，若当前值优于Ptest，则更新Ptest,否则保持Ptest不变；(4)将每个粒子的Pbest与整个粒子群的全局最优值gbest比较，若当前值优于^st, 则更新gbest，否则保持gbest不变。(5)根据式(1)更新粒子的位置和速度。(6)判断是否达到最大迭代次数或预设的精度，若满足条件则输出神经网络的权值和阈值；否则，转到第3步。(7)将训练好的神经网络模型用于管道二维缺陷重现，将漏磁信号作为输入，重现管道缺陷轮廓。图2为4组样本经过BP神经网络训练后得到的管道缺陷预测值与实际值的对比图。图中虚线是实际值，实线是预测值。X轴为采样点数；Y轴表示缺陷深度，单位英寸 (inch)。给出4组测试数据重构结果图。图3为4组样本经过PSO-BP神经网络训练后得到的管道缺陷预测值与实际值的对比图。图中虚线是实际值，实线是预测值。X轴为采样点数；Y轴表示缺陷深度，单位英寸(inch)。结合图2、图3可看出，采用粒子群优化神经网络方法的重构结果明显优于BP神经网络的重构结果，基于PSO-BP神经网络的管道二维重构方法能有效的提高管道缺陷重现精度。
权利要求
1. 一种石油管道PSO-BP神经网络二维缺陷重现方法，其特征是(1)将从实际管道缺陷的测量值作为进行网络训练的样本集，对采得的信号进行消噪后，作为缺陷重构的实验数据，将漏磁信号作为PSO-BP神经网络的输入，缺陷轮廓作为输出；(2)初始化粒子群算法参数，设置种群规模、惯性权重W、学习因子C1C2、迭代次数、确定粒子维度，随机初始化粒子的初始位置和初始速度；(3)针对种群中的每个粒子，计算粒子适应度函数值F，将每个粒子当前适应度值与其历史最优值Pbest比较若当前值优于Pbest,则更新Ptest,否则保持Ptest不变；(4)将每个粒子的Ptest与整个粒子群的全局最优值^rest比较若当前值优于则更新gbest，否则保持gbest不变；(5)更新粒子的位置和速度；(6)判断是否达到最大迭代次数或预设的精度若达到最大迭代次数或预设的精度则输出神经网络的权值和阈值，否则，转到步骤(3)；(7)将训练好的神经网络模型用于管道二维缺陷重现，将漏磁信号作为输入，重现管道缺陷轮廓。
全文摘要
本发明的目的在于提供一种石油管道PSO-BP神经网络二维缺陷重现方法，该方法是将实际测量到的管道漏磁数据和管道缺陷数据，作为缺陷重构的实验数据。将漏磁信号作为输入，缺陷轮廓作为输出，设置粒子初始参数，随机初始化粒子的初始位置和初始速度，计算粒子适应度函数值F，并确定每个粒子历史最优值pbest与整个粒子群的全局最优值gbest，更新粒子的位置和速度，判断是否达到最大迭代次数或预设的精度，若满足条件则输出神经网络的权值和阈值；否则重新比较。利用经粒子群算法优化权值和阈值后的神经网络，用于管道二维缺陷重现，重现管道缺陷轮廓。本发明可有效地解决BP算法易陷入局部极小值的缺点，提高收敛精度，从而实现了对管道缺陷的精确重现。
文档编号G06N3/08GK102364501SQ20111026989
公开日2012年2月29日 申请日期2011年9月14日 优先权日2011年9月14日
发明者傅荟璇, 刘胜, 王宇超, 郑秀丽, 陈明杰 申请人:哈尔滨工程大学