一种管道漏磁检测的表面伤损分析方法及系统

技术领域

本发明属于变电站管道检测的技术领域，具体涉及一种管道漏磁检测的表面伤损分析方法及系统。

背景技术

变电站的金属管道在长期服役过程中，会受到外力、腐蚀等作用，在金属管道外表面处和接缝处会产生疲劳伤损。漏磁检测技术因其传感器结构简单、检测灵敏度高、非接触、对工件表面清洁度要求不高等特点，非常适用于管道表面裂纹的快速巡检。而管道漏磁检测设备在采集和传输漏磁信号的过程中，由于漏磁检测设备振动、传感器探头撞击接头、过钢管接缝等情况的发生，使得其采集到的管道顶面缺陷漏磁信号都带有振动干扰，即提离值变化造成的干扰，而且干扰信号与缺陷信号频谱重叠，幅值相近，会使得微小缺陷的漏磁信号较难通过人工进行识别，并且不同类型的伤损也较难区别。例如专利CN102122351A公开一种基于RBF神经网络的油气管道缺陷智能识别方法。(1)获取管道缺陷漏磁信号和管道缺陷轮廓作为检测数据；(2)建立RBF神经网络；(3)对神经网络进行训练和测试；(4)利用通过测试的神经网络来预测管道缺陷轮廓。管道缺陷轮廓包括：管道缺陷的长度、宽度和深度。其虽然可以建立有关管道缺陷轮廓预测模型，实现预测管道缺陷轮廓的目的，但是无法避免提离值变化造成的干扰，并且也无法实现不同类型伤损的识别。

因此，如何提供一种抗干扰且识别精度高的管道伤损分析方法是本领域技术人员亟待解决的问题。

发明内容

针对现有技术中存在的缺陷，本发明提供了一种管道漏磁检测的表面伤损分析方法及系统。可以通过对不同伤损漏磁信号进行特征数据的提取，实现伤损分类，提高管道基础设施的智能化检测与维护水平，保障金属管道运输安全稳定高效地进行。

第一方面，本发明提供一种管道漏磁检测的表面伤损分析方法，包括：

对管道进行漏磁检测，得到漏磁信号；

根据管道伤损类别组对漏磁信号进行数据提取，给出对应的特征数据；

基于主成分分析对特征数据进行降维处理，给出降维后的特征数据；

基于预先构建的伤损分类模型，对降维后的特征数据进行分析处理，给出管道表面的伤损分类结果。

进一步的，根据管道伤损类别组对漏磁信号进行数据提取，给出对应的特征数据，包括：

获取历史漏磁信号；

根据管道伤损类别组，对历史漏磁信号进行分析处理，给出管道伤损类别组对应最优的信号特征组；

对漏磁信号进行数据提取，给出与最优的信号特征组匹配的特征数据。

进一步的，漏磁信号的信号特征包括峰度、平均值、伤损前波幅度、后波幅度、样本能量和峰值，信号特征组为信号特征中的至少两种，管道伤损类别组为擦伤、掉块、腐蚀、裂纹中的至少两种。

进一步的，根据管道伤损类别组，对历史漏磁信号进行分析处理，给出管道伤损类别组对应最优的信号特征组，包括：

基于历史漏磁信号给出所有信号特征组对应的历史特征数据；

基于所有信号特征组对应的历史特征数据和管道伤损类别组，对信号特征组进行分析处理，给出混合信号特征组；

将混合信号特征组与所有信号特征组进行相交替换，得到重组集群；

基于所有混合信号特征组对应的历史特征数据和管道伤损类别组，对重组集群进行筛选处理，给出最佳的信号特征组；

重复上述分析和筛选步骤直至满足终止条件，给出最终的信号特征组；其中，终止条件为最大重复次数或最小适应度值。

进一步的，基于所有信号特征组对应的历史特征数据和管道伤损类别组，对信号特征组进行分析处理，给出混合信号特征组，包括：

根据所有信号特征组对应的历史特征数据和管道伤损类别组，对神经网络分类器进行训练直至收敛，并给出收敛后神经网络分类器输出的每个历史特征数据对应的分类预测值；

根据所有分类预测值和分类实际值，给出每个信号特征组对应的适应度值；

选取适应度值最小的信号特征组与预设的理想信号特征组进行交叉和变异，得到一定数量的混合信号特征组。

进一步的，适应度值满足以下关系：

式中，S为适应度值，n为样本数量，即单个信号特征对应的历史特征数据的数量，Y

进一步的，选取适应度值最小的信号特征组与预设的理想信号特征组进行交叉和变异，得到一定数量的混合信号特征组，包括：

确定选取次数，每次从漏磁信号的所有信号特征中随机选取多个信号特征，得到多组信号特征子集；

将每组信号特征子集中选取的信号特征与预设的理想信号特征组中的信号特征进行比对，筛选出每组信号特征子集中存在于预设的理想信号特征组内的信号特征形成多组交叉特征子集；

将多组交叉特征子集中的信号特征与适应度值最小的信号特征组进行匹配，将每组交叉特征子集中未匹配的信号特征分别与适应度值最小的信号特征组进行合并，得到多组交叉特征组；

根据多组交叉特征组和漏磁信号的所有信号特征，生成与每组交叉特征组匹配的多个交叉信号特征表；其中，交叉信号特征表包括漏磁信号的所有信号特征和所有信号特征对应的特征状态；

将交叉信号特征表中与交叉特征组内的信号特征对应的特征状态设置为选中，其他信号特征的特征状态设置为未选中；

根据预设变异概率，对每个交叉信号特征表中所有特征信号的特征状态进行变异；其中，预设变异概率为0.001～0.1；

整合变异后的每个交叉信号特征表中特征状态为选中的特征信号分别形成混合信号特征组。

进一步的，根据预设变异概率，对每个交叉信号特征表中所有特征信号的特征状态进行变异，包括：

根据预设变异概率确定每个交叉信号特征表中发生变异的特征信号；

基于发生变异的特征信号，将对应特征信号的特征状态进行改变。

其中，将对应特征信号的特征状态进行改变，包括：将特征状态由选中变为未选中，或由未选中变为选中。

进一步的，将混合信号特征组与所有信号特征组进行相交替换，得到重组集群，包括：

根据所有混合信号特征组对应的历史特征数据和管道伤损类别组，给出每个混合信号特征组对应的适应度值；

将所有混合信号特征组对应的适应度值与所有信号特征组中的最大适应度值进行比较，剔除适应度值大于最大适应度值的混合信号特征组；

根据剩余的混合信号特征组数量，从所有信号特征组形成的初始集群中按照适应度值由大到小的顺序，选出与剩余混合信号特征组数量匹配的信号特征组；

将选出的信号特征组的适应度值与剩余混合信号特征组的适应度值按照大小排序，并按照适应度值由小到大的顺序选出一半数量的信号特征组和/或混合信号特征组作为替换子集群；

将替换子集群与初始集群中剩余的信号特征组进行合并得到重组集群。

其中，初始集群中剩余的信号特征组为选出与剩余混合信号特征组数量匹配的信号特征组时，未被选出的信号特征组。

进一步的，基于所有混合信号特征组对应的历史特征数据和管道伤损类别组，对重组集群进行筛选处理，给出最佳的信号特征组，包括：

对重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组进行突变操作，得到突变信号特征组；

将重组集群中最小适应度值对应的信号特征组或混合信号特征组与突变信号特征组均标记为预选信号特征组，得到突变集群；

根据预设阈值从突变集群中选取对应数量的预选信号特征组；其中，预设阈值可以为3、5或10；

按照适应度值从小到大的顺序选取预定数量的预选信号特征组作为最佳的信号特征组。

进一步的，对重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组进行突变操作，得到突变信号特征组，包括：

基于漏磁信号的所有信号特征，生成与重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组分别对应的多个突变信号特征表；其中，突变信号特征表包括漏磁信号的所有信号特征和所有信号特征对应的特征状态；

根据重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组内的信号特征，将与其对应的每个突变信号特征表中相同信号特征的特征状态设置为选中，其他信号特征的特征状态设置为未选中；

基于每个突变信号特征表中信号特征的初始顺序，在每个突变信号特征表中选取一定大小的顺序片段或多个信号特征；

将选取的顺序片段或多个信号特征按照初始顺序进行颠倒；

将颠倒后的顺序片段或多个信号特征，并赋予按初始顺序排列的特征状态，得到翻转信号特征表；

根据每个翻转信号特征表中的特征状态，获取特征状态为选中的信号特征作为突变信号特征组。

进一步的，重复上述分析和筛选步骤直至满足终止条件，给出最终的信号特征组，包括：

当重复次数达到最大重复次数或选取的最佳信号特征组的适应度值达到最小适应度值，则给出所有重复步骤内选取的最佳信号特征组；

根据所有重复步骤内选取的最佳信号特征组对应的适应度值，筛选出适应度值最小的最佳信号特征组作为最终的信号特征组。

进一步的，基于主成分分析对特征数据进行降维处理，给出降维后的特征数据，包括：

对特征数据进行分析处理给出散点矩阵；

基于散点矩阵给出其中最大特征值对应的特征向量；

基于最优的信号特征组，给出对应的信号向量；

基于每个信号向量在特征向量上的投影和最大特征值对应的特征向量，得到每个信号向量对应的降维向量；

根据降维向量得到降维后的特征数据。

进一步的，对特征数据进行分析处理给出散点矩阵，包括：

根据最优信号特征组的每个特征信号对应的所有特征数据，得到每个特征信号对应的平均值；

根据每个特征信号对应的所有特征数据和其对应平均值的差值，得到每个特征信号的方差和任意两个特征信号之间的协方差；

基于最优的信号特征组，以及每个特征信号的方差和任意两个特征信号之间的协方差，给出散点矩阵。

进一步的，散点矩阵横向顺序和竖向顺序与最优的信号特征组中的特征信号排列顺序相同，散点矩阵对角线上的元素为各个特征信号的方差，非对角线上的元素是两个特征信号之间的协方差。

其中，每个特征信号的方差为对应的各个特征数据与平均值之差的平方的平均数，任意两个特征信号之间的协方差为两个特征信号对应的各个特征数据与平均值之差的乘积除以(n-1)，n为每个特征信号对应的特征数据数量。

进一步的，基于散点矩阵给出其中最大特征值对应的特征向量，包括：

根据散点矩阵和单位矩阵得到对应的多个特征值；

根据多个特征值给出最大的特征值；

根据散点矩阵、最大的特征值和单位矩阵，给出对应的特征向量。

其中，特征值，满足以下关系：

|A-αB|＝0

式中，A为散点矩阵，α为特征值，B为单位矩阵。

特征向量，满足以下关系：

(A-αB)V＝0

式中，V为特征向量。

进一步的，预先构建的伤损分类模型，包括：

根据历史漏磁信号，给出管道伤损类别组对应最优信号特征组的历史特征数据和分类目标值；

基于主成分分析对最优信号特征组的历史特征数据进行降维处理，给出降维后的历史特征数据；

基于缩放共轭梯度函数，通过给出降维后的特征数据和分类目标值对神经网络模型进行训练直至收敛，给出训练后的神经网络模型。

进一步的，对神经网络模型进行训练直至收敛的条件为达到最大训练次数、神经网络模型的输出值与实际值之间的差值达到阈值或是神经网络模型的输出值与实际值之间的差值减小到一定值后无显著变化(无显著变化可以为相邻两次训练后得到的差值变化在一定范围内进行判断)。

第二方面，本发明还提供一种使用上述管道漏磁检测的表面伤损分析方法的表面伤损分析系统，包括：

信号获取模块，其用于对管道进行漏磁检测，得到漏磁信号；

数据提取模块，其用于根据管道伤损类别组对漏磁信号进行数据提取，给出对应的特征数据；

数据降维模块，其用于基于主成分分析对特征数据进行降维处理，给出降维后的特征数据；

处理分类模块，其用于基于预先构建的伤损分类模型，对降维后的特征数据进行分析处理，给出管道表面的伤损分类结果。

进一步的，数据提取模块包括：

获取历史漏磁信号；

根据管道伤损类别组，对历史漏磁信号进行分析处理，给出管道伤损类别组对应最优的信号特征组；

对漏磁信号进行数据提取，给出与最优的信号特征组匹配的特征数据。

进一步的，数据提取模块包括：

基于历史漏磁信号给出所有信号特征组对应的历史特征数据；

基于所有信号特征组对应的历史特征数据和管道伤损类别组，对信号特征组进行分析处理，给出混合信号特征组；

将混合信号特征组与所有信号特征组进行相交替换，得到重组集群；

基于所有混合信号特征组对应的历史特征数据和管道伤损类别组，对重组集群进行筛选处理，给出最佳的信号特征组；

重复上述分析和筛选步骤直至满足终止条件，给出最终的信号特征组。

进一步的，数据提取模块包括：

根据所有信号特征组对应的历史特征数据和管道伤损类别组，对神经网络分类器进行训练直至收敛，并给出收敛后神经网络分类器输出的每个历史特征数据对应的分类预测值；

根据所有分类预测值和分类实际值，给出每个信号特征组对应的适应度值；

选取适应度值最小的信号特征组与预设的理想信号特征组进行交叉和变异，得到一定数量的混合信号特征组。

进一步的，数据提取模块包括：

根据所有混合信号特征组对应的历史特征数据和管道伤损类别组，给出每个混合信号特征组对应的适应度值；

将所有混合信号特征组对应的适应度值与所有信号特征组中的最大适应度值进行比较，剔除适应度值大于最大适应度值的混合信号特征组；

根据剩余的混合信号特征组数量，从所有信号特征组形成的初始集群中按照适应度值由大到小的顺序，选出与剩余混合信号特征组数量匹配的信号特征组；

将选出的信号特征组的适应度值与剩余混合信号特征组的适应度值按照大小排序，并按照适应度值由小到大的顺序选出一半数量的信号特征组和/或混合信号特征组作为替换子集群；

将替换子集群与初始集群中剩余的信号特征组进行合并得到重组集群。

进一步的，数据提取模块还包括：

对重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组进行突变操作，得到突变信号特征组；

将重组集群中最小适应度值对应的信号特征组或混合信号特征组与突变信号特征组均标记为预选信号特征组，得到突变集群；

根据预设阈值从突变集群中选取对应数量的预选信号特征组；

按照适应度值从小到大的顺序选取预定数量的预选信号特征组作为最佳的信号特征组。

进一步的，数据降维模块包括：

对特征数据进行分析处理给出散点矩阵；

基于散点矩阵给出其中最大特征值对应的特征向量；

基于最优的信号特征组，给出对应的信号向量；

基于每个信号向量在特征向量上的投影和最大特征值对应的特征向量，得到每个信号向量对应的降维向量；

根据降维向量得到降维后的特征数据。

进一步的，处理分类模块包括：

根据历史漏磁信号，给出管道伤损类别组对应最优信号特征组的历史特征数据和分类目标值；

基于主成分分析对最优信号特征组的历史特征数据进行降维处理，给出降维后的历史特征数据；

基于缩放共轭梯度函数，通过给出降维后的历史特征数据和分类目标值对神经网络模型进行训练直至收敛，给出训练后的神经网络模型。

本发明提供的一种管道漏磁检测的表面伤损分析方法及系统，至少包括如下有益效果：

通过基于管道伤损类别组进行分析给出最优的信号特征组，可以确定哪些特征对于伤损分类模型的性能最为重要，并通过确定的信号特征实现对不同伤损漏磁信号的特征数据提取，最终完成对管道表面伤损的分类，提高管道基础设施的智能化检测与维护水平，保障金属管道的安全，同时还提高了伤损分类模型的预测能力和泛化能力。

附图说明

图1为本发明提供的一种管道漏磁检测的表面伤损分析方法的流程图；

图2为本发明提供的给出最优的信号特征组的流程图；

图3为本发明提供的某一实施例给出混合信号特征组的流程图；

图4为本发明提供的某一实施例得到重组集群的流程图；

图5为本发明提供的某一实施例给出最佳的信号特征组的流程图；

图6为本发明提供的一种管道漏磁检测的表面伤损分析系统的示意图。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。

如图1所示，本发明提供一种管道漏磁检测的表面伤损分析方法，可以包括：

对管道进行漏磁检测，得到漏磁信号；

根据管道伤损类别组对漏磁信号进行数据提取，给出对应的特征数据；

基于主成分分析对特征数据进行降维处理，给出降维后的特征数据；

基于预先构建的伤损分类模型，对降维后的特征数据进行分析处理，给出管道表面的伤损分类结果。

其中，通过漏磁检测设备对管道进行漏磁检测，本发明对于漏磁检测设备的具体结构不作限定，只需要可以采用漏磁检测原理完成管道的漏磁检测即可；常规的漏磁检测设备包括激励线圈、磁芯和磁敏传感器，在进行漏磁检测时，漏磁检测设备具有一定的提离值。本发明在根据管道伤损类别组对漏磁信号进行数据提取之后，还包括对数据的预处理，具体包括数据清洗和特征标准化。数据清洗包括对漏磁信号进行缺失值、异常值和重复值处理。特征标准化包括对伤损的特征进行标准化处理，使得特征具有相似的尺度和范围。

根据管道伤损类别组对漏磁信号进行数据提取，给出对应的特征数据，包括：

获取历史漏磁信号；

根据管道伤损类别组，对历史漏磁信号进行分析处理，给出管道伤损类别组对应最优的信号特征组；

对漏磁信号进行数据提取，给出与最优的信号特征组匹配的特征数据。

漏磁信号的信号特征包括峰度、平均值、伤损前波幅度、后波幅度、样本能量和峰值，信号特征组为信号特征中的至少两种，管道伤损类别组为擦伤、掉块、腐蚀、裂纹中的至少两种。其中，峰度是一个统计量，描述数据分布的尾部厚度。在漏磁信号分析中，峰度可以帮助识别漏磁信号中的异常峰值，这可能指示损伤或缺陷。平均值表示漏磁信号的平均水平。它可以提供漏磁信号整体强度的基本信息。伤损前波幅度表示在损伤发生前漏磁信号的波幅度。通过比较伤损前后的波幅度，可以评估损伤对漏磁信号的影响。后波幅度是指在损伤发生后漏磁信号的波幅度。样本能量是漏磁信号的能量总和，通常通过计算漏磁信号的平方和得到。它可以反映漏磁信号的整体强度和变化情况。峰值是漏磁信号中的最大幅值。峰值在识别漏磁信号中的极端情况(如突出的损伤信号)时非常有用。

如图2所示，根据管道伤损类别组，对历史漏磁信号进行分析处理，给出管道伤损类别组对应最优的信号特征组，包括：

基于历史漏磁信号给出所有信号特征组对应的历史特征数据；

基于所有信号特征组对应的历史特征数据和管道伤损类别组，对信号特征组进行分析处理，给出混合信号特征组；

将混合信号特征组与所有信号特征组进行相交替换，得到重组集群；

基于所有混合信号特征组对应的历史特征数据和管道伤损类别组，对重组集群进行筛选处理，给出最佳的信号特征组；

重复上述分析和筛选步骤直至满足终止条件，给出最终的信号特征组，包括：

当重复次数达到最大重复次数或选取的最佳信号特征组的适应度值达到最小适应度值，则给出所有重复步骤内选取的最佳信号特征组；

根据所有重复步骤内选取的最佳信号特征组对应的适应度值，筛选出适应度值最小的最佳信号特征组作为最终的信号特征组。

如图3所示，基于所有信号特征组对应的历史特征数据和管道伤损类别组，对信号特征组进行分析处理，给出混合信号特征组，包括：

根据所有信号特征组对应的历史特征数据和管道伤损类别组，对神经网络分类器进行训练直至收敛，并给出收敛后神经网络分类器输出的每个历史特征数据对应的分类预测值；

根据所有分类预测值和分类实际值，给出每个信号特征组对应的适应度值；

选取适应度值最小的信号特征组与预设的理想信号特征组进行交叉和变异，得到一定数量的混合信号特征组。

其中，预设的理想信号特征组为所有可能实现管道伤损分类的信号特征的集合，该信号特征的集合对应一个潜在的管道伤损分类方案。

本发明中计算得到适应度值的方式相同，具体的，适应度值满足以下关系：

式中，S为适应度值，n为样本数量，即单个信号特征对应的历史特征数据的数量，Y

其中，选取适应度值最小的信号特征组与预设的理想信号特征组进行交叉和变异，得到一定数量的混合信号特征组，包括：

确定选取次数，每次从漏磁信号的所有信号特征中随机选取多个信号特征，得到多组信号特征子集；

将每组信号特征子集中选取的信号特征与预设的理想信号特征组中的信号特征进行比对，筛选出每组信号特征子集中存在于预设的理想信号特征组内的信号特征形成多组交叉特征子集；

将多组交叉特征子集中的信号特征与适应度值最小的信号特征组进行匹配，将每组交叉特征子集中未匹配的信号特征分别与适应度值最小的信号特征组进行合并，得到多组交叉特征组；

根据多组交叉特征组和漏磁信号的所有信号特征，生成与每组交叉特征组匹配的多个交叉信号特征表；其中，交叉信号特征表包括漏磁信号的所有信号特征和所有信号特征对应的特征状态；

将交叉信号特征表中与交叉特征组内的信号特征对应的特征状态设置为选中，其他信号特征的特征状态设置为未选中；

根据预设变异概率，对每个交叉信号特征表中所有特征信号的特征状态进行变异；其中，预设变异概率为0.001～0.1；

整合变异后的每个交叉信号特征表中特征状态为选中的特征信号分别形成混合信号特征组。

其中，交叉信号特征表为按照预定顺序排列的信号特征，以及按顺序排列的特征状态，每个特征状态为选中时，其用1表示，为未选中时，其用0表示。通过上述的交叉和变异操作，可以将适应度值最小的信号特征子集对应的信号特征组与预设的理想信号特征组中新的合适的特征子集相结合，从而逐步搜索到更优秀的特征子集，以提高神经网络分类器的性能。

如图4所示，将混合信号特征组与所有信号特征组进行相交替换，得到重组集群，包括：

根据所有混合信号特征组对应的历史特征数据和管道伤损类别组，给出每个混合信号特征组对应的适应度值；

将所有混合信号特征组对应的适应度值与所有信号特征组中的最大适应度值进行比较，剔除适应度值大于最大适应度值的混合信号特征组；

根据剩余的混合信号特征组数量，从所有信号特征组形成的初始集群中按照适应度值由大到小的顺序，选出与剩余混合信号特征组数量匹配的信号特征组；

将选出的信号特征组的适应度值与剩余混合信号特征组的适应度值按照大小排序，并按照适应度值由小到大的顺序选出一半数量的信号特征组和/或混合信号特征组作为替换子集群；

将替换子集群与初始集群中剩余的信号特征组进行合并得到重组集群。

如图5所示，基于所有混合信号特征组对应的历史特征数据和管道伤损类别组，对重组集群进行筛选处理，给出最佳的信号特征组，包括：

对重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组进行突变操作，得到突变信号特征组；

将重组集群中最小适应度值对应的信号特征组或混合信号特征组与突变信号特征组均标记为预选信号特征组，得到突变集群；

根据预设阈值从突变集群中选取对应数量的预选信号特征组；

按照适应度值从小到大的顺序选取预定数量的预选信号特征组作为最佳的信号特征组。

其中，预设阈值可以为3、5或10。选取最佳的信号特征组是为了选择脱颖而出的适应度值最小的个体作为父母。在每次选择中，可以选择1个或多个最佳个体作为父母，具体取决于问题的需求和算法设计。如果选择多个最佳个体作为父母，通常是根据每次选择中的表现进行排名，选择适应度值最小的个体作为父母。

其中，对重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组进行突变操作，得到突变信号特征组，包括：

基于漏磁信号的所有信号特征，生成与重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组分别对应的多个突变信号特征表；其中，突变信号特征表包括漏磁信号的所有信号特征和所有信号特征对应的特征状态；

根据重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组内的信号特征，将与其对应的每个突变信号特征表中相同信号特征的特征状态设置为选中，其他信号特征的特征状态设置为未选中；

基于每个突变信号特征表中信号特征的初始顺序，在每个突变信号特征表中选取一定大小的顺序片段或多个信号特征；

将选取的顺序片段或多个信号特征按照初始顺序进行颠倒；

将颠倒后的顺序片段或多个信号特征，并赋予按初始顺序排列的特征状态，得到翻转信号特征表；

根据每个翻转信号特征表中的特征状态，获取特征状态为选中的信号特征作为突变信号特征组。

通过实现对信号特征组进行概率性随机翻转，引入一定程度的随机性，有助于保持集群的多样性，避免陷入局部最优解。

基于主成分分析对特征数据进行降维处理，给出降维后的特征数据，包括：

对特征数据进行分析处理给出散点矩阵；

基于散点矩阵给出其中最大特征值对应的特征向量；

基于最优的信号特征组，给出对应的信号向量；

基于每个信号向量在特征向量上的投影和最大特征值对应的特征向量，得到每个信号向量对应的降维向量；满足以下关系：

式中，x'

根据降维向量得到降维后的特征数据。其中，降维后的特征数据包括5个主成分。

其中，对特征数据进行分析处理给出散点矩阵，包括：

根据最优的信号特征组的每个特征信号对应的所有特征数据；

根据每个特征信号对应实时的所有特征数据，得到每个特征信号对应的平均值；

根据每个特征信号对应实时的所有特征数据和其对应平均值的差值，得到每个特征信号的方差和任意两个特征信号之间的协方差；

基于最优的信号特征组，以及每个特征信号的方差和任意两个特征信号之间的协方差，给出散点矩阵。

进一步的，散点矩阵横向顺序和竖向顺序与最终的信号特征组中的特征信号排列顺序相同，散点矩阵对角线上的元素为各个特征信号的方差，非对角线上的元素是两个特征信号之间的协方差。

其中，每个特征信号的方差为对应的各个特征数据与平均值之差的平方的平均数，任意两个特征信号之间的协方差为两个特征信号对应的各个历史特征数据与平均值之差的乘积除以(n-1)，n为每个特征信号对应的历史特征数据数量。

另外，本发明在得到最优信号特征组时，是通过历史漏磁信号得到历史特征数据进行处理得到的；在进行实际钢管表面伤损分类时，是通过实际采集到的漏磁信号，根据最优信号特征组进行获取对应特征信号的实时特征数据，然后在对实时特征数据进行主成分分析降维后，通过预先构建的伤损分类模型对降维后的实时特征数据进行处理预测，给出钢管表面的实际伤损分类结果。

进一步的，基于散点矩阵给出其中最大特征值对应的特征向量，包括：

根据散点矩阵和单位矩阵得到对应的多个特征值；满足以下关系：

|A-αB|＝0

式中，A为散点矩阵，α为特征值，B为单位矩阵；

根据多个特征值给出最大的特征值；

根据散点矩阵、最大的特征值和单位矩阵，给出对应的特征向量；满足以下关系：

(A-αB)V＝0

式中，V为特征向量。

在主成分分析(PCA)中，特征向量代表着数据集中的主成分方向，即特征向量是描述数据集中方差最大的方向。而特征值则代表了数据在这些主成分方向上的方差。如果存在多个特征向量对应于相同的最大特征值，这意味着数据在这些方向上的方差是相同的，因此存在多个主成分方向。在这种情况下，数据集的主成分不是唯一的，因此会存在多个主成分方向，每个方向对应一个特征向量。这些特征向量描述了数据在不同方向上的方差。

主成分彼此正交，并捕获数据中最大的变化量。数据的可变性可以通过相对较少的主成分来捕获，因此，PCA可以实现高降维。主成分彼此正交体现在特征向量的性质上。在主成分分析中，特征向量构成了数据的新基础，这些特征向量是正交的，即相互垂直。正交性意味着这些特征向量之间是相互独立的方向，它们不包含重复的信息。这使得每个特征向量都能够捕获数据中的独立变化，而不会受到其他方向的影响。当数据经过主成分分析后，得到的新特征空间中的坐标轴(由特征向量构成)是正交的，这意味着在新的特征空间中，不同方向上的变化是彼此独立的。此时PCA能够捕获数据中最大的变化量，因为找到了数据中最大方差的方向，并且这些方向是彼此正交的，不会重复包含相同的信息。因此，正交性体现在特征向量之间的垂直性上，可以有效捕获数据中最大变化量的重要性质。

特征识别过程之后，选择第一个主成分(PC1)的负载并将它们与第二个主成分(PC2)的负载进行比较。负载可以解释为特征得分与主成分之间的相关性，可以推断第一主成分(PC1)代表了所有特征性能的共同之处。第二个主成分(PC2)是表示正方差和负方差的特征之间的对比，并且具有分离那些显著有助于伤损分类的特征的能力。在主成分分析中，主成分的方差是通过特征值得到的。特征值表示数据在对应特征向量方向上的方差大小。在选择第一个主成分(PC1)的负载时，这个主成分的方差即为对应的特征值。具体来说，对于一个给定的数据集，经过PCA分析后得到的特征值和特征向量，其中特征值代表了数据在对应特征向量方向上的方差。第一个主成分(PC1)对应的特征值就是该主成分方向上数据的方差大小。选择第一个主成分的负载，实际上是选择了数据集中方差最大的方向，而这个方差就是对应特征值的值。因此，通过PCA分析得到的主成分的方差是通过对应的特征值得到的。选择第一个主成分(PC1)的负载，就是选择了对应特征值所代表的方差大小。其中，正方差和负方差是由特征向量的方向和符号决定的。如果数据在某一特征向量方向上的变化与该特征向量本身的方向一致，那么这个方差被称为正方差；如果数据在某一特征向量方向上的变化与该特征向量本身的方向相反，那么这个方差被称为负方差。

因此，第二个主成分(PC2)所代表的正方差和负方差是由特征向量的方向和符号来决定的。这些方差的正负性指示了数据在对应方向上的变化是与特征向量方向一致还是相反。

预先构建的伤损分类模型，包括：

根据历史漏磁信号，给出管道伤损类别组对应最优信号特征组的历史特征数据和分类目标值；

基于主成分分析对最优信号特征组的历史特征数据进行降维处理，给出降维后的历史特征数据；

基于缩放共轭梯度函数，通过给出降维后的历史特征数据和分类目标值对神经网络模型进行训练直至收敛，给出训练后的神经网络模型。

另外，对神经网络模型进行训练直至收敛的条件为达到最大训练次数、神经网络模型的输出值与实际值之间的差值达到阈值或是神经网络模型的输出值与实际值之间的差值减小到一定值后无显著变化(无显著变化可以为相邻两次训练后得到的差值变化在一定范围内进行判断)。其中，以神经网络模型的输出值与实际值之间的差值达到阈值为例：在神经网络模型每个epoch训练中，输入的特征数据连同其分类目标值一起被发送到神经网络模型中。一个epoch指的是对整个训练数据集进行一次正向传播和一次反向传播。在反向传播过程中，神经网络模型会根据误差信号进行参数优化，使得误差值逐渐减小。均方误差(Mean Squared Error，MSE)通常是一种用于衡量模型预测值与真实值之间差异的指标。在训练过程中，设定一个阈值，当均方误差降低到这个阈值以下时，训练过程可以结束。阈值的确定通常是基于具体问题和数据集的特性，以及训练算法的收敛性能。一般来说，阈值的选择需要考虑到神经网络模型在训练集和验证集上的性能，以及训练时间和计算资源的限制。在每次epoch的正向传播过程中，会使用当前的模型参数(权重和偏置)对训练数据进行预测，然后计算预测结果与真实标签之间的均方误差。这些均方误差值会被累积或平均，以便在训练过程中监测神经网络模型的性能并进行参数更新。一旦均方误差降低到设定的阈值以下，训练过程就会停止。这意味着神经网络模型已经达到了一个可以接受的误差水平，可以认为模型已经收敛到一个较好的状态。

具体的，本发明使用tan-sigmoid(又称tansig)和purelin作为神经网络中隐藏层和输出层的激活函数，可以增加神经网络的灵活性和适应性，从而达到最佳的学习效率和预测精度。隐藏层中的Tan-Sigmoid(Tansig)，当需要神经网络对输入数据进行非线性映射时，它的数学表达是一个双曲正切函数，可以将输入值映射到-1到1的范围内，使得tansig在处理复杂的非线性关系具有较好的效果。输出层中的Purelin是一种线性激活函数，在回归问题或者需要预测连续值的场景中，保持输入不变，确保网络输出可以是任意值，在需要预测实际数值时具有较好的效果。

另外，神经网络模型的输入层、隐藏层和输出层分别具有12、5和1个神经元。输出层中1个神经元的输出可以通过设定不同的阈值来划分区域(例如，伤损分类存在四个分类结果)，则每个区域对应一个分类结果。漏磁信号的分析通常包括多个信号特征的计算，这些信号特征有助于识别和评估材料的完整性或存在的缺陷。

通过给出降维后的特征数据和分类目标值对神经网络模型进行训练直至收敛时，神经网络模型的输出值和分类目标值通常都是分类结果。在这种情况下，神经网络的目的是将输入数据分配到预定的类别中。例如，分类目标值，是训练数据中的正确类别标签。在训练过程中，神经网络学习如何将输入数据映射到这些标签上。神经网络模型的输出值是神经网络在给定输入数据(特征数据)时产生的预测。在分类任务中，这些输出通常表示为每个类别的概率，神经网络会选择概率最高的类别作为其预测结果。其中，在神经网络模型每个历元的训练过程中，输入的特征数据连同分类目标值一起被发送到神经网络模型中。然后比较目标值和实际输出值，并计算均方误差(mse)，训练过程即为使得神经网络模型倾向于最小化这个均方误差。具体满足以下关系：

式中，MSE为均方误差，N为漏磁信号的样本数量，yi为神经网络模型的输出值，

本发明对漏磁信号的特征进行选择，找到最佳的特征子集，根据实际情况调整确定最优信号特征组时的参数，如伤损的种群大小、交叉概率、变异概率等。本发明的特征选择，通过优化选择最佳的信号特征组，从而提高模型的泛化能力和减少过拟合的风险。并且在优化选择最佳信号特征组的过程中，还可以组合不同的特征，从而生成新的信号特征组，这有助于发现潜在的高效特征组合，提高伤损分类模型的预测性能。另外，通过主成分分析可以将原始的伤损特征空间降维到较低维度的子空间，从而减少特征的维度并保留大部分信息，有助于简化模型和减少计算复杂度。还可以去除特征之间的冗余信息，提取出最能代表原始特征集合的主成分，从而减少特征之间的相关性，有利于提高模型的鲁棒性和泛化能力。综合而言，本发明通过对伤损特征进行处理具有以下效果：

提高伤损分类模型的泛化能力：减少特征的数量或优化特征的选择，有助于降低模型的复杂度，减少过拟合的风险，从而提高模型在新数据上的表现。

简化模型：降低特征的维度可以简化模型，减少计算成本，并且有助于更好地理解数据的结构和特征之间的关系。

改善模型的鲁棒性：去除冗余信息和优化特征选择可以改善模型对噪声和异常值的鲁棒性，提高模型的稳定性。

基于预先构建的伤损分类模型，对降维后的特征数据进行分析处理，给出管道表面的伤损分类结果，包括：

将降维后的特征数据输入预先构建的伤损分类模型中；

获取预先构建的伤损分类模型的输出结果，得到管道表面对应的伤损分类结果。

本发明中的分类实际值和分类目标值均是指漏磁信号对应特征数据的人工伤损分类结果。这意味着对于每个样本，存在一个对应的人工伤损分类结果，比如正常/异常、健康/不健康等。这些目标值可以是离散的类别，也可以是连续的数值，具体取决于具体的问题和任务。对于伤损分类结果的量化可以采用各种不同的方法，具体取决于具体的任务和数据。一些常见的量化方法包括：

对于离散类别：如果伤损分类结果是离散的类别，可以使用准确率、精确度、召回率、F1分数等作为量化指标。

对于连续数值：如果伤损分类结果是连续的数值，可以使用均方误差(MeanSquared Error，MSE)、平均绝对误差(MeanAbsolute Error，MAE)、R方值等作为量化指标。

如图6所示，本发明还提供一种使用上述管道漏磁检测的表面伤损分析方法的表面伤损分析系统，包括：

信号获取模块，其用于对管道进行漏磁检测，得到漏磁信号；

数据提取模块，其用于根据管道伤损类别组对漏磁信号进行数据提取，给出对应的特征数据；

数据降维模块，其用于基于主成分分析对特征数据进行降维处理，给出降维后的特征数据；

处理分类模块，其用于基于预先构建的伤损分类模型，对降维后的特征数据进行分析处理，给出管道表面的伤损分类结果。

进一步的，数据提取模块包括：

获取历史漏磁信号；

根据管道伤损类别组，对历史漏磁信号进行分析处理，给出管道伤损类别组对应最优的信号特征组；

对漏磁信号进行数据提取，给出与最优的信号特征组匹配的特征数据。

进一步的，数据提取模块包括：

基于历史漏磁信号给出所有信号特征组对应的历史特征数据；

基于所有信号特征组对应的历史特征数据和管道伤损类别组，对信号特征组进行分析处理，给出混合信号特征组；

将混合信号特征组与所有信号特征组进行相交替换，得到重组集群；

基于所有混合信号特征组对应的历史特征数据和管道伤损类别组，对重组集群进行筛选处理，给出最佳的信号特征组；

重复上述分析和筛选步骤直至满足终止条件，给出最终的信号特征组。

进一步的，数据提取模块包括：

根据所有信号特征组对应的历史特征数据和管道伤损类别组，对神经网络分类器进行训练直至收敛，并给出收敛后神经网络分类器输出的每个历史特征数据对应的分类预测值；

根据所有分类预测值和分类实际值，给出每个信号特征组对应的适应度值；

选取适应度值最小的信号特征组与预设的理想信号特征组进行交叉和变异，得到一定数量的混合信号特征组。

进一步的，数据提取模块包括：

根据所有混合信号特征组对应的历史特征数据和管道伤损类别组，给出每个混合信号特征组对应的适应度值；

将所有混合信号特征组对应的适应度值与所有信号特征组中的最大适应度值进行比较，剔除适应度值大于最大适应度值的混合信号特征组；

根据剩余的混合信号特征组数量，从所有信号特征组形成的初始集群中按照适应度值由大到小的顺序，选出与剩余混合信号特征组数量匹配的信号特征组；

将选出的信号特征组的适应度值与剩余混合信号特征组的适应度值按照大小排序，并按照适应度值由小到大的顺序选出一半数量的信号特征组和/或混合信号特征组作为替换子集群；

将替换子集群与初始集群中剩余的信号特征组进行合并得到重组集群。

进一步的，数据提取模块还包括：

对重组集群中最小适应度值以外的其他信号特征组和/或混合信号特征组进行突变操作，得到突变信号特征组；

将重组集群中最小适应度值对应的信号特征组或混合信号特征组与突变信号特征组均标记为预选信号特征组，得到突变集群；

根据预设阈值从突变集群中选取对应数量的预选信号特征组；

按照适应度值从小到大的顺序选取预定数量的预选信号特征组作为最佳的信号特征组。

进一步的，数据降维模块包括：

对特征数据进行分析处理给出散点矩阵；

基于散点矩阵给出其中最大特征值对应的特征向量；

基于最优的信号特征组，给出对应的信号向量；

基于每个信号向量在特征向量上的投影和最大特征值对应的特征向量，得到每个信号向量对应的降维向量；

根据降维向量得到降维后的特征数据。

进一步的，处理分类模块包括：

根据历史漏磁信号，给出管道伤损类别组对应最优信号特征组的历史特征数据和分类目标值；

基于主成分分析对最优信号特征组的历史特征数据进行降维处理，给出降维后的历史特征数据；

基于缩放共轭梯度函数，通过给出降维后的历史特征数据和分类目标值对神经网络模型进行训练直至收敛，给出训练后的神经网络模型。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。