Page 125 - 无损检测2023年第六期
P. 125
院企风采
2.2 无损检测技术研究进展 督 CNN 的无监督异常检测，如图 7 所示。此外，
团队开发了内检测数据智能解析系统（见图 还提出了一种基于级联抽象特征的直接反演方法，
4），可分析漏磁、超声、涡流三种内检测技术数 有效处理了复杂条件下的特征提取和缺陷大小估
据，并实现内检测数据自动滤波、校正、标准化 计问题（见图 8）。这些新型算法的设计能够显
存储和缺陷组件的自动检出；基于此开发了超高 著提高管道缺陷检测准确性与缺陷轮廓反演精度。
清内检测器、超高清测径仪、反打孔盗油内检设
备等国内领先的系列内检测产品，如图 5 所示。
图 6 基于多特征条件风险的漏磁数据恢复方法框图
(a) 漏磁内检测数据自动分析
（a) 管道异常信号标识
(b) 涡流内检测数据自动分析
图 4 内检测数据智能解析系统
(a) 管道多频电磁内检测器
（b) 神经网络拓扑流程
图 7 多传感器循环监督卷积神经网络方法的信号标识示
例和拓扑流程
(b) 管道电磁涡流检测器
图 5 系统内检测设备
2.3 智能故障诊断理论与算法研究进展
团队提出了基于多特征条件风险的漏磁数据
恢复方法，有效地解决了数据间隙问题，其框图
如图 6 所示。进一步提出了一种无监督的多传感
器循环监督卷积神经网络方法，实现了多周期监 图 8 基于级联抽象特征的直接反演方法框图
87
2023 年 第45 卷 第6 期
无损检测
