[发明专利]一种基于涡流传感的GIS设备缺陷识别及预警评估方法

权利要求书

1.一种基于涡流传感的GIS设备缺陷识别及预警评估方法，其特征在于包括涡流传感检测的GIS设备缺陷识别和预警评估方法，其中GIS设备检测信号主要为GIS设备气体容器的圆柱外壳缺陷检测信号；其特征在于GIS设备缺陷信号是通过涡流传感系统获取的，包括仿真获取的GIS设备裂纹和腐蚀缺陷信号，以及现场检测的GIS设备裂纹和腐蚀缺陷信号；其中识别及预警评估方法主要为GIS设备裂纹和腐蚀缺陷的识别和预警评估方法，其特征在于通过改进的神经网络算法对裂纹和腐蚀缺陷进行识别，并对识别结果进行预警评估。

2.根据权利要求1所述的一种基于涡流传感的GIS设备缺陷识别及预警评估方法，其特征在于基于涡流传感的GIS设备缺陷识别及预警评估方法步骤实现，包括：

步骤1：根据GIS设备基本参数，构建GIS设备涡流传感有限元仿真模型，通过改变不同裂缝深度D＝[D₁，D₂，…，D_k，…，D_e]，获取不同时刻T＝[t₁，t₂，t₃，…，t_k，…，t_w]的仿真裂缝缺陷信号P_L＝[P_L(t₁，D₁)，P_L(t₂，D₁)，P_L(t₃，D₁)，…，P_L(t_k，D_k)，…，P_L(t_w，D₁)，P_L(t₁，D_e)，P_L(t₂，D_e)，P_L(t₃，D_e)，…，P_L(t_k，D_e)，…，P_L(t_w，D_e)]，P_L(t_k，D_k)＝[P_1，1^L(t_k，D_k)，P_1，2^L(t_k，D_k)，…，P_1，n^L(t_k，D_k)，…，P_i，1^L(t_k，D_k)，P_i，2^L(t_k，D_k)，…，P_i，j^L(t_k，D_k)，…，P_i，n^L(t_k，D_k)，…，P_m，1^L(t_k，D_k)，P_m，2^L(t_k，D_k)，…，P_m，n^L(t_k，D_k)]，任意时刻t_k下的裂缝采样结果包括指定区域内m×n个检测数据；通过改变不同腐蚀面积S＝[S₁，S₂，…，S_k，…，S_e]，获取不同时刻T＝[t₁，t₂，t₃，…，t_k，…，t_w]的仿真腐蚀缺陷信号P_C＝[P_C(t₁，S₁)，P_C(t₂，S₁)，P_C(t₃，S₁)，…，P_C(t_k，S_k)，…，P_C(t_w，D₁)，P_C(t₁，D_e)，P_C(t₂，D_e)，P_C(t₃，D_e)，…，P_C(t_k，D_e)，…，P_C(t_w，D_e)]，P_C(tk，D_k)＝[P_1，1^C(t_k，D_k)，P_1，2^C(t_k，D_k)，…，P_1，n^C(t_k，D_k)，…，P_i，1^C(t_k，D_k)，P_i，2^C(t_k，D_k)，…，P_i，j^C(t_k，D_k)，…，P_i，n^C(t_k，D_k)，…，P_m，1^C(t_k，D_k)，P_m，2^C(t_k，D_k)，…，P_m，n^C(t_k，D_k)]，任意时刻t_k下的采样结果包括指定区域内m×n个检测数据；

步骤2：获得相邻时刻下的裂缝缺陷差分仿真信号Q_L＝[Q_L¹，Q_L²，Q_L³，…，Q_L^k，…，Q_L^n－1]，Q_L^k＝[Q_L1，1^k，Q_L1，2^k，…，Q_L1，n^k，…，Q_Li，1^k，Q_Li，2^k，…，Q_Li，j^k，…，Q_Li，n^k，…，Q_Lm，1^k，Q_Lm，2^k，…，Q_Lm，n^k]，和腐蚀缺陷差分仿真信号其中Q_Li，j^k和Q_Ci，j^k的计算方法为：

步骤3：构建GIS设备缺陷分类数据集合N＝[Q_L，Q_C]，在均一化和正则化后，在卷积神经网络中进行训练学习，网络输出设定分为两类：裂缝和腐蚀，在满足预先设定的网络收敛精度条件后，获取GIS设备缺陷分类模型f1；

步骤4：分别在不同时刻T＝[t₁，t₂，t₃，…，t_k，…，t_w]基于涡流传感系统采样指定检测区域的检测缺陷信号P’＝[P(t₁)’，P(t₂)’，P(t₃)’，…，P(t_k)’，…，P(t_w)’]，P(t_k)’＝[P1，1(t_k)’，P_1，2(t_k)’，…，P_1，n(t_k)’，…，P_i，1(t_k)’，P_i，2(t₁)’，…，P_i，j(t_k)’，…，P_i，n(t₁)’，…，P_m，1(t₁)’，P_m，2(t₁)’，…，P_m，n(t₁)’]，任意时刻ti下的采样结果包括指定区域内m×n个检测数据；

步骤5：获得相邻时刻下的裂缝缺陷差分检测信号Q_L’＝[Q_L¹’，Q_L²’，Q_L³’，…，Q_L^k’，…，Q_L^n－1’]，Q_L^k’＝[Q_L1，1^k’，Q_L1，2^k’，…，Q_L1，n^k’，…，Q_Li，1^k’，Q_Li，2^k’，…，Q_Li，j^k’，…，Q_Li，n^k’，…，Q_Lm，1^k’，Q_Lm，2^k’，…，Q_Lm，n^k’]，和腐蚀缺陷差分检测信号其中和的计算方法为：

步骤6：基于差分信号Q，在均一化和正则化后，构建用于卷积神经网络学习的数据集合N’＝[Q_L’，Q_C’]，输入至训练好的模型f₁中获取检测信号的分类结果O＝[O₁，O₂，O₃，…O_g，…，O_2n－2]；

步骤7：根据检测区域分类结果，对于分类结果为裂缝的区域，采用如下方法进行预警评估：若分类结果O_g为裂缝，其对应的缺陷检测信号为P_L(t_k)’，对应的缺陷差分信号为Q_Li，j^k，计算如下参数：

若Q_Li.j^k大于所设定的裂缝缺陷静态阈值且V_L(t^k)大于所设定的裂缝缺陷动态阈值，则预警等级为一级；

若Q_Li.j^k大于所设定的裂缝缺陷静态阈值且V_L(t^k)小于所设定的裂缝缺陷动态阈值，则预警等级为二级；

若Q_Li.j^k小于所设定的裂缝缺陷静态阈值且V_L(t^k)大于所设定的裂缝缺陷动态阈值，则预警等级为三级；

若Q_Li.j^k小于所设定的裂缝缺陷静态阈值且V_L(t^k)小于所设定的裂缝缺陷动态阈值，则认定为安全；

对于分类结果为腐蚀的区域，采用如下方法进行预警评估

若分类结果O_g为腐蚀，其对应的缺陷检测信号为P_C(t_k)’，对应的缺陷差分信号为Q_Ci，j^k，计算如下参数：

若Q_Ci，j^k大于所设定的腐蚀缺陷静态阈值且V_C(t^k)大于所设定的腐蚀缺陷动态阈值，则预警等级为一级；

若Q_Ci，j^k大于所设定的腐蚀缺陷静态阈值且V_C(t^k)小于所设定的腐蚀缺陷动态阈值，则预警等级为二级；

若Q_Ci，j^k小于所设定的腐蚀缺陷静态阈值且V_C(t^k)大于所设定的腐蚀缺陷动态阈值，则预警等级为三级；

若Q_Ci，j^k小于所设定的腐蚀缺陷静态阈值且V_C(t^k)小于所设定的腐蚀缺陷动态阈值，则认定为安全。