2016年第2期
表技术与传赢器 InstrumentTechniqueand Sensor
基于优化RBF神经网络的管道缺陷量化分析方法
朱红秀”，刘欢，李宏远"，黄松岭”，苏志毅”
2016 No. 2
（1.中国矿业大学（北京）机电与信息工程学院，北京100083;2.清华大学电机系，电力系统国家重点实验室，北京100084）
摘要：为正确评估管道的使用寿命和安全状态，需要对管道缺陷进行准确的定量分析。提出一种基于泛化能力优化的在线学习径向基函数(RBF)神经网络，给出具体的算法步，采用自适应学习机制训练网络，并利用AnsoftMaxwell 3D 建立仿真缺陷数据作为样本进行测试。结采表明：该网络调练效率高，泛化能力好，显著增强了样本适应能力。该方法有
助予量化具有不同形态的缺陷，为管道的安全评估提供依据。关键调：缺陷；定量分析；径向基函数神经网络；泛化能力
中图分类号：TH878
文献标识码：A
文章编号：10021841(2016)02008304
QuantitativeAnalysisMethodforPipelineDefects
BasedonOptimizedRBFNeuralNetwork ZHU Hong-xiu',LIU Huan',LI Hong-yuan',HUANG Song-ling” ,SU Zhi-yi
(1.School of Mechanical Electronic & Information Engineering,China University of Mining & Technology(Beijing) ,Beijing 100083,China;
2.State Key Lab of Power Systems,Department of Electrical Engineering,Tsinghua University,Beijing 100084, China)
Abstract : To properly evaluate the service lifetime and safety of pipeline,the defects should be quantitatively analyzed. An on line leaming radial-basis function ( RBF) neural network based on optimized generalization ability was proposed, The detailed pro-cedures of the iterative algorithm were introduced and self-adaptive mechanism to train the network was used. Then,simulation de-a er se asks oa eina a e sarod nsa sa a sa o ades se pes se aae s o e aa ciency ,good generalization capability which can greatly enhance the ability to adapt to the sample. It helps to quantify the different forms of defects and provids reliable basis for the security evaluation of pipelines.
Key words: defect ; quantitative analysis;radial-basis function neural networks ; generalization ability
0引言
漏磁检测技术在管道检测行业中比较常用。借助于工作人员的经验，基本可以判断出管道缺陷的有无和位置，但对其特征和形态常常不能得到准确信息"]。因此，对管道缺陷的定量分析越来越受到研究人员的关注。近些年来，神经网络理论[}]的发展与应用为实现管道缺陷的定量分析提供了思路[3-4)。2005年，金涛等(5)曾尝试将小波基函数神经网络用于缺陷参数的识别；2006年，AmeetJoshi等[6]提出同时使用小波变换和径向基函数神经网络量化缺陷参数，效果不错；2006年，清华大学的崔伟等！又提出使用RBF神经网络作为正问题的求解模型并利用代法对缺陷进行定量分析，量化误差进一步减小，仅为0.26%。尽管上述方法已经取得了一定效果，具有较好的容错性和推广能力，但具有高精度、高训练速度以及强大适应能力的缺陷量化神经网络模型仍是研究的目标。
在此背景下，提出一种基于泛化能力优化的在线学习径向基函数(RBF)神经网络，在准确量化管道缺陷的基础上，以优化网络参数的方式提高泛化能力；同时研究一种具有在线学习能力的径向基中心自适应算法，使网络能够在线调整，以满足不同形态缺陷的定量分析。
基金项目：国家"863"重大项目资助项目（2011AA090301）；国家重大科
学仪器设备开发专项（2013YQ140505）收稿日期：2014-08-25
径向基函数(RBF)神经网络 1
以轴向并列针孔缺陷量化为例，设计一种径向基函数(RBF)神经网络模型，工作流程如下：
( )(x)=)
(1)
式中：x为输人样本，eR"；1e,l为径向基函数中心，iclk. CR"；隐层有K个神经元；A，为连接隐层和输出层的权重向量;(x)为网络的输出，即缺陷的长度（定义轴向并列针孔的长度为2个针孔的间距加上针孔的直径)或者深度。
如图1所示，输入向量x由缺陷的6个特征量组成：
(1)峰谷值Yp-P,单位是Gs,1 Gs=10-*T。(2)谷谷间距X-P，单位是mm；
(3）信号长度Length=S/Yp-p，单位是mm；(4)信号高度Height=S/Xp-P，单位是Gs;(5)一次差分峰谷间距Xpp-，单位是mm；(6）一次差分峰谷值YpP-P，单位是Gs/mm
2
泛化能力优化算法
有一组共J个用于训练的输人向量样本1x1-，CR及相
应的理想输出11。则误差函数可定义为
（(x））
E(A)= -
2
式中A=(A,A2,"",Ag)。
(2)