本发明涉及腐蚀检测,具体地说,涉及基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法。
背景技术:
1、地网接地极腐蚀是变电站和输电杆塔安全运行的巨大威胁,若由于长期服役,没有及时发现和更换,使得或接地网接地性能下降,容易造成大型事故,对设备和工作人员的安全产生威胁。因此,地网接地极的无损检测方法对于变电站和输电杆塔的安全运行至关重要,目前大多数变电站检查采用的是直接开挖检测法,这种方法效率低,并且需要花费大量时间来大面积挖掘检查,同时变电站接地扁钢异常情况有多种,即使人工开挖暴露变电站接地扁钢,还需要通过检测人员长时间的观察,甚至需要将整个变电站接地扁钢取出地面,才能判断出变电站接地扁钢处于那种异常。
技术实现思路
1、本发明的目的在于提供基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,提供了基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,包括包括如下步骤:
3、s1、提前采集各类接地扁钢腐蚀参考样本检测数据,生成腐蚀参考样本数据库,实际采集接地扁钢检测数据;
4、s2、根据各类接地扁钢腐蚀参考样本检测数据,选取能够准确地反映和描述各类腐蚀减薄信息的对应信号特征量,并对每个对应信号特征量进行分类;
5、s3、对实际采集接地扁钢检测数据进行信号特征提取,生成实际检测数据信号特征量;
6、s4、比对实际检测数据信号特征量与各个对应信号特征量,判断实际检测数据信号特征量所代表的缺陷类型;
7、s5、人工神经网络实现对缺陷的识别,并根据缺陷的类型对缺陷减薄程度进行量化处理。
8、作为本技术方案的进一步改进,所述s1中采集检测数据的方法包括如下步骤:
9、s1.1、发送端发出电磁超声波至接地扁钢检测位置;
10、s1.2、接地扁钢检测位置反射电磁超声波信号,接收端接收电磁超声波信号;
11、s1.3、激发频率端根据反射电磁超声波信号,模拟出正弦波的脉冲信号图像;
12、s1.4、功率放大端对电磁超声波信号进行功率放大,增大模拟出正弦波的脉冲信号;
13、s1.5、数字化处理端对正弦波的脉冲信号进行数字化处理。
14、作为本技术方案的进一步改进,所述s2中对应信号特征量选取方法包括如下步骤:
15、s2.1、接收端接收正弦波的脉冲信号图像信息;
16、s2.2、根据正弦波的脉冲信号计算出回波信号各类信号值;
17、s2.3、编程端提取各数据特征量。
18、作为本技术方案的进一步改进,所述s2中对应信号特征量的分类方法采用分类判别算法,其算法公式如下:
19、;
20、其中,c为待检模式特征量矩阵;为系数矩阵;为系数;下标代表模式中的第类, 将缺陷样本提取缺陷信号的特征量作为模式向量样本,根据所选择的模式样本集,将模式向量样本送入上述线性分类器,构造分类判别函数根据特征量类别,从待检缺陷信号中提取用作分类的特征量(模式向量),并送至分类器,最后分类器按判别函数的结构形式及参数,根据模式样本实现待检特征量的分类即缺陷类型的分类。
21、作为本技术方案的进一步改进,所述s1各类接地扁钢腐蚀的分类方法包括如下步骤:
22、s1.6、结合接地扁钢腐蚀形状,确定每种接地扁钢腐蚀特征点;
23、s1.7、根据每种接地扁钢腐蚀特征点确定各类接地扁钢腐蚀类型。
24、作为本技术方案的进一步改进,所述s5中人工神经网络的实现方法包括如下步骤:
25、s5.1、规划神经网络bp层,确定各bp层连接方式,实现各层之间各神经网络单元全连接;
26、s5.2、确定神经网络练习方式,进行自学习训练;
27、s5.3、结合自学习训练制定学习算法,预定学习算法传播方向。
28、作为本技术方案的进一步改进,所述s5.3中学习算法如下:
29、;
30、其中, 分别为在第p组样本输入时,网络的目标函数、经t次权值调整后网络的第k个节点的输出、第k个节点对应的样本输出以及上述两种输出的差值。
31、作为本技术方案的进一步改进,所述s2.2中回波信号各类信号值计算方法采用信号值计算算法,其算法公式如下:
32、峰度系数用来描述回波信号波形尖峭或扁平程度,其具体计算公式如下:
33、 ;
34、其中,n为波形点的个数,为波形的平均幅值,为波形的幅值;
35、偏度系数用来描述回波信号数据偏离对称分布,利用偏度系数检验回波信号的偏斜程度,其具体计算公式如下:
36、;
37、其中,n为波形点的个数,为波形的平均幅值,为波形的幅值,离散系数描述回波信号数据“混乱”程度,利用回波信号离散系数的差异性程度区分管道不同的特征与缺陷,其具体计算公式如下:
38、;
39、其中,n为波形点的个数,为波形的平均幅值,为波形的幅值,熵值用来描述回波信号数据不确定性数,熵值越小表示整个回波信号数据的不确定性越小,随机噪声、频散等因素造成回波信号中存在某种程度的不确定性,利用熵值对回波信号的不确定因素进行描述,其具体计算公式如下:
40、;
41、其中,n为时域波形图点的个数,为时域的数据,。
42、与现有技术相比,本发明的有益效果:
43、1、该基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法中,依据回波数据的特征值来辨别评估地网接地极腐蚀缺陷的种类,同时量化扁钢的减薄程度,及时了解接地极状态,保证接地极的安全性和完整性,而且还避免了人工操作可能造成的漏检和误判,大量节省人力资源,降低时间成本。
44、2、该基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法中,通过结合接地扁钢腐蚀形状,确定每种接地扁钢腐蚀特征点,然后根据每种接地扁钢腐蚀特征点确定各类接地扁钢腐蚀类型。
1.基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,其特征在于:所述s1中采集检测数据的方法包括如下步骤:
3.根据权利要求1所述的基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,其特征在于:所述s2中对应信号特征量选取方法包括如下步骤:
4.根据权利要求1所述的基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,其特征在于:所述s2中对应信号特征量的分类方法采用分类判别算法,其算法公式如下:
5.根据权利要求2所述的基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,其特征在于:所述s1各类接地扁钢腐蚀的分类方法包括如下步骤:
6.根据权利要求1所述的基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,其特征在于:所述s5中人工神经网络的实现方法包括如下步骤:
7.根据权利要求6所述的基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,其特征在于:所述s5.3中学习算法如下:
8.根据权利要求3所述的基于电磁超声导波的接地扁钢腐蚀分类及减薄量化方法,其特征在于:所述s2.2中回波信号各类信号值计算方法采用信号值计算算法,其算法公式如下: