基于神經網絡融合的傳感器溫度誤差補償

3實驗
用簡化的海底管道檢測裝置(漏磁檢測部件中僅安裝一排7個漏磁傳感器和一個溫度傳感器)，在實驗室條件下，取10個溫度點(－10～80℃，每10℃一個點)，分別對一個半剖管道進行檢測。該管道和實際海底管道具有相同材質和管徑(195 mm)，并按美國無損檢測標準要求，用電火花加工的方法，在其內表面加工了多處不同尺寸、形狀和類型的缺陷。在每個溫度點處，每個漏磁傳感器取55個數據，組成55組數據，取44組作為訓練樣本數據，11組作為測試數據，用上述神經網絡方法進行訓練和測試，實現溫度誤差的融合補償。由于是多維輸入，訓練速度較慢。在網絡誤差設為0.001的情況下，用高斯函數訓練，一般需要經過2 300步左右網絡才可以滿足要求。用遺傳算法訓練，只需要1 700步。

對一個長10 mm，深5 mm的標準矩形缺陷進行檢測，在兩個典型溫度點下的網絡輸出見圖4。圖中實線是期望的輸出，兩條虛線分別是70℃和－10℃下，未融合的輸出，“ ○”線和“＋”線是這兩個溫度點下融合后的輸出。由圖可見，融合前的兩條輸出波形偏離目標曲線，而且表示缺陷特征的波峰波谷的水平和豎直間距與目標值有一定的差距。融合后的輸出與期望值幾乎重合，補償效果顯著。圖5是反演后的缺陷圖。線型的意義與圖4相同。－10℃和70℃下的數據融合后反演出的缺陷與實際缺陷基本重合。未融合數據反演出的缺陷與實際缺陷深度有偏差。

定義傳感器的溫度敏感系數αS為在工作溫度范圍內，溫度變化1 K所引起的輸出電壓最大相對變化的平均值。

其中，S∈(1，2，…，44)為測量點序號，隨著裝置在管道內爬行，代表不同的檢測位置。t1、t2是工作溫度的上、下限值，U(t1)、U(t2)是S處溫度分別為t1、t2時傳感器的輸出值。用測試數據對網絡進行校驗，檢驗網絡的靈敏度和適應能力。融合前后7個傳感器的平均溫度敏感系數分別為3.1×10-3K-1和2.3×10-5K-1。可見，多傳感器融合進行溫度補償后傳感器的溫度敏感系數降低了兩個數量級。

4結論
該文將數據融合理論和神經網絡方法應用到漏磁傳感器誤差補償中，大大提高了漏磁檢測傳感器的穩定性和準確性。對多個漏磁傳感器和溫度傳感器檢測數據融合后，輸出值的溫度敏感系數降低了兩個數量級，為整個檢測系統在高溫環境下測得高準確度的結果提供了保障。當 輸入節點多時，用遺傳算法比用高斯函數訓練網絡速度快。