磁記憶檢測信號處理與井下應用（簡體書）

第5章 套管應力集中的磁記憶非線性定量反演
從漏磁信號反演缺陷外形，包括區分不同種類的缺陷和獲得特征信息進行定性分析，以及對缺陷外形進行描述和獲得缺陷準確輪廓的定量分析，在數學上都可歸結為模式識別問題。在圖像圖形處理和識別方面常用的模式識別方法有：統計方法、按句法規則或結構化方法、人工神經網絡方法、模糊模式識別方法和基于模型（如通過時間序列分析進行建模分析獲得模型特征）。隨著研究的深入，借助于一些先進工具和先進方法的綜合又出現了模糊神經網絡、小波神經網絡等方法，上述方法各有不同的優缺點。目前常用的一種方法是模板匹配法，通過建立數據庫，將大量的各種常見缺陷和人工制作的樣本缺陷信號提取特征，進行記錄形成特征數據庫。實際檢測到的缺陷信號提取特征后與特征庫進行對比，依據模板匹配算法來決定缺陷種類和有關參數。這種方法需要制作大量的缺陷和搜集實際現場出現的缺陷，工作量大，花費時間長。另一種方法是依據特征提取算法來預測缺陷的不同類型和一些特征參數，這種方法屬于統計方法的范疇，也需要大量的數據對缺陷的外形描述，簡單對一些標準缺陷，如矩形槽應用較成功；目前國外對此研究較多，也得出了一些有用的結論，而國內對此研究較少。在多數情況下，缺陷外形復雜要依據完整有效的特征提取算法來推測缺陷的輪廓參數，這種方案對茶杯形狀的缺陷進行三維輪廓構建而得以實現。缺陷參數的評價和外形輪廓的估計重構關鍵是特征選擇和提取問題，從當前研究來看，特征提取一直是個難點，沒有統一有效的算法和手段，對不同的漏磁檢測現象多數是在嘗試。
最近十幾年發展起來的人工神經網絡方法是一種唯象的處理逆問題的方法。神經網絡可以通過學習大量的實際范例來分類和識別目標，其學習過程實際上就是一種逆問題的優化求解過程。人工神經網絡的知識獲取是通過樣本（缺陷信號特征量與缺陷大小）訓練自動獲取，然后分散存儲在網絡的結構中，在模式識別計算中，以并行方式運行，可有效地應用于缺陷檢測系統中。試驗中，選擇了多組缺陷進行離線測試，將提取的信號特征值進行歸一化整理，形成樣本向量，經過特征值壓縮得到訓練網絡的參數（70，71）。前向多層神經網絡已開始應用于渦流檢測的電導率分布重建及缺陷識別中。神經網絡是分析缺陷信號和模型有力工具，這是因為神經網絡本身是一種從輸入到輸出的高度非線性映射，在理論上已經得到證明神經網絡可以以任意精度逼近非線性，而缺陷模型類型識別正是典型非線性的過程。