基于粗糙集的管道缺陷远场涡流检测系统

　　1　引言

　　远场涡流技术是基于远场涡流效应的一种管道检测技术,它除了具有一般涡流检测的优点外,对非铁磁性和铁磁性导电管的内外壁缺陷具有相同的灵敏度而不受集肤效应的限制,一个探头能同时检测凹坑、裂纹和壁厚变薄等缺陷,因而被广泛用于管道的检测。而如何从海量的管道检测数据中提取出有用的特征、规律来进行评估和预测,就成为一项重要的课题,它是管线缺陷检测所要解决的关键技术之一[1]。数据挖掘是人工智能、数据库技术、模式识别及数理统计等学科发展和相互结合的产物。它是指从大量数据中提取隐含在其中事先未知、但又潜在有用的信息和知识,挖掘出其中隐藏的关于数据整体特征的描述,将其最终表示成可理解的模式,从而对事务的分析评估和发展趋势预测具有指导作用[2]。本文应用远场涡流法对管道缺陷的检测进行了探讨,并以粗糙集理论的数据挖掘技术构造了一个管道缺陷检测模型。

　　2　粗糙集简约理论及分类规则

　　面对海量的管道数据,如何从中发现有价值的信息或知识,成为一项非常艰巨的任务。数据挖掘就是为迎合这种要求而产生并迅速发展起来的,是目前国际上数据库、信息决策以及自动控制等领域最前沿的研究方向之一,引起了学术界和工业界的广泛关注。它的一般处理模式如图1所示。

　　目前,基于粗糙集的数据挖掘理论从国内外的文献看是解决故障诊断、工程测试信息处理的一种好方法。粗糙集(rough set)的概念首先由波兰学者Z. Pawlak于1982年提出,是一种新的处理不完整性和不确定性知识的数学工具,依据给定问题的知识将问题的论域进行划分,然后对划分后的每一个域确定其对某一概念的支持程度,通过不可分辨关系和不可分辨类确定给定问题的知识简约,根据观测数据删除冗余信息,分析不完整知识的程度———粗糙度、属性间的依赖性与重要性,导出问题的决策或分类规则,为信息系统或决策系统提供潜在知识和决策支持[3]。

　　在管道缺陷海量数据中,有很多数据和缺陷属性并无关系,需要对其进行冗余属性消除,进行知识的简化。通常依据属性重要性度量的不同,可以利用属性的重要性作为启发式进行约简。设S为管道缺陷数据信息系统,C、D分别为条件和决策属性集。R -R的重要性定义如下:

　　由此,能够肯定的划分U中的对象为X或-X2个不相关的子集,而-X的数目为:

　　根据管道检测数据的特点,本文将采用可辨识矩阵的方法根据属性的重要性设计约简算法[4]。可辨识矩阵是一种求解最佳属性约简的好方法,它将信息表中所有有关属性都浓缩进一个矩阵中。令S=(U,A)是一个信息系统,U为论域,且U={x1,x2…,xn},A是条件属性集合,D是决策属性,a(x)是记录x在属性a上的值,则其可辨识矩阵为: