CN104048164B - 一种管道内检测器里程测量装置及方法 - Google Patents
一种管道内检测器里程测量装置及方法 Download PDFInfo
- Publication number
- CN104048164B CN104048164B CN201410268458.5A CN201410268458A CN104048164B CN 104048164 B CN104048164 B CN 104048164B CN 201410268458 A CN201410268458 A CN 201410268458A CN 104048164 B CN104048164 B CN 104048164B
- Authority
- CN
- China
- Prior art keywords
- mileage
- pipeline
- pulse
- pulse signal
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000001105 regulatory effect Effects 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 102000001253 Protein Kinase Human genes 0.000 claims abstract description 4
- 108060006633 protein kinase Proteins 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims abstract description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 13
- 108091000080 Phosphotransferase Proteins 0.000 claims description 11
- 102000020233 phosphotransferase Human genes 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 210000001367 artery Anatomy 0.000 claims description 5
- 210000003462 vein Anatomy 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000007935 neutral effect Effects 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 101000885321 Homo sapiens Serine/threonine-protein kinase DCLK1 Proteins 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 102100039758 Serine/threonine-protein kinase DCLK1 Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Pipeline Systems (AREA)
Abstract
一种管道内检测器里程测量装置及方法，属于管道检测技术领域，该装置安装在管道内检测器上，包括：磁场传感器单元、信号调理模块、A/D转换模块和中央处理单元；该方法包括：步骤1：采集与各路里程轮的磁场变化相对应的脉冲电信号；步骤2：对各路脉冲电信号分别进行滤波和放大处理；步骤3：对步骤2处理后的脉冲信号进行模数转换；步骤4：对步骤3模数转换后的数字脉冲信号进行二次滤波处理；步骤5：里程轮异常判断和管道转弯判断；步骤6：选择当前最优里程脉冲信号并输出；步骤7计算管道内检测器里程值。本发明保证了系统的检测速度、里程脉冲信号的稳定性，同时提高了系统的抗干扰性、保证了里程测量的测量精度和最优里程脉冲的输出。
Description
技术领域
本发明属于管道检测技术领域，具体涉及一种管道内检测器里程测量装置及方法。
背景技术
随着输油管道的增多和管道铺设距离的增长，油气管道在各种复杂、恶劣的环境状况下易产生裂纹、蚀坑、管壁变薄等现象，带来重大安全隐患和经济损失，因而开展长输管道的内部缺陷检测十分必要。腐蚀缺陷的准确定位是管道内检测的关键技术，而精确的里程测量则是腐蚀缺陷准确定位的重要保证。
目前，对管道的里程测量已经具有较好的实时检测技术，但缺乏系统的、高精度的检测装置。尤其是在微小缺陷的检测系统中，要求较高的采样频率和较小的采样间隔，才能保证对微小缺陷的检测及高精度的缺陷定位，这就要求对管道的里程测量必须精确和准确。因此，设计一种具有强抗干扰性、实时检测的、高精度的里程测量装置具有重要的现实意义。
发明内容
针对现有技术存在的不足，本发明提供一种管道内检测器里程测量装置及方法。
本发明的技术方案：
一种管道内检测器里程测量装置，安装在管道内检测器上，包括：磁场传感器单元、信号调理模块、A/D转换模块和中央处理单元；
所述磁场传感器单元包括多个磁场传感器；所述磁场传感器单元中的每个磁场传感器用于对准每个里程轮，随着每个里程轮的运动，捕捉每个里程轮的磁场变化并输出脉冲电信号至信号调理模块；
所述信号调理模块用于对接收到的脉冲电信号进行滤波和放大并送至A/D转换模块；
所述A/D转换模块用于对从信号调理模块接收到的脉冲电信号进行模数转换并将转换后的数字信号传送至中央处理单元；
所述中央处理单元，包括时序控制模块、滤波处理模块、里程轮异常判断模块、管道弯道判断模块和里程信号智能优选模块；
所述时序控制模块用于控制A/D转换模块的各通道的转换顺序；
所述滤波处理模块用于接收A/D转换模块传送的数字信号，并对该数字信号进行二次滤波，并将滤波后的数字信号分别送至里程轮异常判断模块和管道弯道判断模块；
所述里程轮异常判断模块用于判断各里程轮当前工作状态是否正常，同时，分别将接收的各路脉冲信号及各里程轮的当前工作状态送至里程信号智能优选模块；
所述管道弯道判断模块用于根据接收的各路脉冲信号的相互关系，通过计算判断当前管道是否在转弯，并将判断结果送至里程信号智能优选模块；
所述里程信号智能优选模块用于根据从里程轮异常判断模块接收的各路脉冲信号及各里程轮的当前工作状态、从管道弯道判断模块接收的当前管道的转弯信息和从管道内检测器接收的管道内检测器当前的姿态信息，利用智能优选算法选择当前最优里程脉冲信号并输出，且根据该最优里程脉冲信号计算管道内检测器里程。
采用所述的管道内检测器里程测量装置获取管道内检测器里程的方法，包括以下步骤：
步骤1：实时检测各路里程轮转动引发的磁场变化，并采集到与各路里程轮的磁场变化相对应的脉冲电信号；有n路里程轮，即采集到n路脉冲电信号；
步骤2：对步骤1得到的各路脉冲电信号分别进行滤波和放大处理；
步骤3：对步骤2处理后的脉冲信号进行模数转换；
步骤4：对步骤3模数转换后的数字脉冲信号进行二次滤波处理；
步骤5：根据二次滤波处理后的数字脉冲信号进行里程轮异常判断和管道转弯判断；
步骤5.1：里程轮异常判断，包括以下步骤：
步骤5.1.1：设定阈值λ；
步骤5.1.2：在N个连续等时间段，分别计数各路脉冲信号的脉冲数，并找出每个时间段的最大脉冲数及其对应的脉冲信号；
步骤5.1.3：将每个时间段的各路脉冲信号的脉冲数分别与相应的最大脉冲数做比较，得到(n-1)*N个脉冲数差i为第i路脉冲信号，j＝1,2,…，(n-1)*N；
步骤5.1.4：将每个时间段的(n-1)*N个脉冲数差逐一与阈值λ比较；
步骤5.1.5：如果第i路里程轮在每个时间段的(n-1)*N个脉冲数差均大于阈值λ，则标记第i路里程轮异常；否则，标记第i路里程轮正常；
步骤5.2：管道转弯判断；
步骤5.2.1：构建管道弯道半径计算公式；
将管道弯道处的内侧管壁与外侧管壁视为两个同心圆，则有
式中，θ为管道弯道弧度角；ΔS为θ对应的内、外圆的弧长差；S1为θ对应的外圆的弧长；S2为θ对应的内圆的弧长；D为管道直径；R为外圆外径；r为内圆内径；K1、K2、K3分别为映射系数；根据公式(1)，得到管道弯道半径计算公式为：
步骤5.2.2：利用某时间段某段管道的各路历史数字脉冲信号，按照公式(2)和(3)，离线构建并训练BP神经网络模型，建立脉冲信号与管道内、外半径的对应关系；
步骤5.2.3：将实时数字脉冲信号输入训练后的BP神经网络模型，得到当前管道的转弯判断结果W1及该结果的置信程度W2；
具体判断方法为：若各路脉冲信号的脉冲数差均等于0或接近于0，且R-r＝0或接近于0，则BP神经网络模型输出W1＝0及W1＝0表示当前管道位置不转弯；如果各路脉冲信号的脉冲差不等于0，并且R-r≠0，BP神经网络模型输出为W1＝1和W1＝1表示当前管道位置转弯；
步骤6：根据步骤5的结果，利用智能优选算法选择当前最优里程脉冲信号并输出；
步骤6.1：根据步骤5.1的结果，如果识别出前一时刻的最优里程脉冲信号对应的里程轮工作正常，并且根据步骤5.2的结果，判断当前管道位置是否转弯，否，则继续选择该最优里程脉冲信号作为当前最优里程脉冲信号并输出，转到步骤7；是，则判断可信度W2是否大于0.5：是，则根据内检测器姿态信息，选择当前处于最内侧的、工作正常的里程轮所对应的脉冲信号作为当前最优里程脉冲信号输出，转到步骤7，否，则继续选择该最优里程脉冲信号作为当前最优里程脉冲信号并输出，转到步骤7；
步骤6.2：根据步骤5.1的结果，如果识别出前一时刻的最优里程脉冲信号对应的里程轮工作异常，并且根据步骤5.2的结果，判断当前管道位置是否转弯，否，则选择脉冲数最大的脉冲信号作为最优里程脉冲信号并输出，转到步骤7；是，则判断可信度W2是否大于0.5：是，则根据内检测器姿态信息，选择当前处于最内侧、工作正常的里程轮所对应的脉冲信号作为当前最优里程脉冲信号输出，转到步骤7，否，则选择脉冲数最大的脉冲信号作为最优里程脉冲信号并输出，转到步骤7；
步骤7：根据步骤6优选的最优里程脉冲信号计算管道内检测器里程值。
有益效果：
本发明装置，利用中央处理器的快速处理机制，保证了系统的检测速度；利用了数字滤波器进行了二次滤波，保证了里程脉冲信号的稳定性，同时提高了系统的抗干扰性；考虑了里程轮异常和管道弯道等信息，保证了里程测量的测量精度；引入智能优选算法，保证了最优里程脉冲的输出。
附图说明
图1为本发明一种实施方式的管道内检测器里程测量装置的结构示意图；
图2为本发明一种实施方式的A44E霍尔传感器工作原理图；
图3为本发明一种实施方式的信号调理模块的电路原理图；
图4为本发明一种实施方式的ADS7844模数转换器与EP4CE15F17C8FPGA的接口电路图；
图5为本发明一种实施方式的EP4CE15F17C8FPGA工作流程图；
图6为本发明一种实施方式的里程轮异常判断模块工作流程图；
图7为本发明一种实施方式的基于BP神经网络的管道弯道判断模块工作流程图；
图8为本发明一种实施方式的管道弯道示意图；
图9为本发明一种实施方式的里程信号智能优选模块工作流程图。
具体实施方式
下面结合附图对本发明的一种实施方式作详细说明。
本实施方式中的管道内检测器里程测量装置，安装在管道内检测器上，如图1所示，包括：磁场传感器单元、信号调理模块、A/D转换模块和中央处理单元；
本实施方式中的磁场传感器单元包括3个磁场传感器，所述磁场传感器均采用的是型号为A44E的霍尔传感器，每个A44E霍尔传感器正对里程轮，随着每个里程轮的运动，捕捉每个里程轮的磁场变化并输出脉冲电信号至信号调理模块；
本实施方式的A44E霍尔传感器安装在的管道内检测器末端并通过拉伸弹簧连接里程轮，该结构形式更加简单可靠，而且也满足对管壁的压紧力要求。工作原理如图2所示，每个A44E霍尔传感器2的前端正对每个里程轮1，当里程轮1紧贴管壁运行时，A44E霍尔传感器内部的永磁体3产生的磁场在里程轮1的齿隙边缘发生变化，霍尔传感器捕捉到该磁场变化后输出电压信号，该电压信号经过A44E霍尔传感器后端的放大电路4后通过OC门5以脉冲形式输出。
本实施方式中的信号调理模块用于对接收到的脉冲电信号进行滤波和放大并送至A/D转换模块；本实施方式的信号调理模块，如图3所示，从霍尔传感器接收的信号首先经过滤波电路滤波，然后经阻值为10K的电阻R2连接到型号为AD824的运算放大器的反相输入端7，同相输入端8接2.5V的参考电压，AD824运算放大器的输出端6连接阻值为20K的电阻R3的一端、阻值为20K的电阻R1的一端及0.01pF的电容C2的一端，电阻R3的另一端作为信号调理模块的输出端连接A/D转换芯片的输入端，电阻R1的另一端连接运算放大器的反相输入端，电容C2的另一端接地，AD824运算放大器的反相输入端7还连接100pF的电容C1的一端，电容C1的另一端接地。
本实施方式中的A/D转换模块用于在中央处理单元中的时序控制模块的控制下，将从信号调理模块接收到的脉冲电信号进行模数转换并将转换后的数字信号传送至中央处理单元；本实施方式中的A/D转换模块采用的是型号为ADS7844的模数转换器。
本实施方式中的中央处理单元采用的是型号为EP4CE15F17C8的FPGA，包括时序控制模块、FIR滤波器、里程轮异常判断模块、管道弯道判断模块和里程信号智能优选模块；
本实施方式中ADS7844模数转换器与EP4CE15F17C8FPGA的接口电路，如图4所示，ADS7844模数转换器将电压信号转换为数字信号，ADS7844模数转换器的5个不同的输出端分别连接FPGA时序控制模块的自定义I/O口，即ADS7844模数转换器的CS端连接I/O.71端、ADS7844模数转换器的BUSY端连接I/O.72端、ADS7844模数转换器的DCLK端连接FPGA的I/O.73端、ADS7844模数转换器的DIN端连接I/O.74端、ADS7844模数转换器的DOUT端连接I/O.75端。
EP4CE15F17C8FPGA的工作流程，如图5所示,开始于步骤501。
在步骤502，本实施方式中ADS7844模数转换器转换后的数字信号送入EP4CE15F17C8FPGA中的FIR滤波器进行二次滤波，使数字脉冲信号完美去除环境杂波干扰，剔除上限截止频率，变得具有严格的线性相频特性和很好的稳定性。滤经FIR滤波器滤波后的多路脉冲数字信号分别送入里程轮异常判断模块和基于BP神经网络的管道弯道判断模块。
在步骤503，在里程轮异常判断模块中，采用差值阈值比较法，判断各路里程轮的当前工作状态，输出各路里程轮脉冲和各路里程轮的当前工作状态。过程如下：连续n次比较各路里程轮脉冲数与其中的最大里程轮脉冲数的脉冲差，并与设定阈值λ做比较，如果连续n次脉冲差都大于阈值λ，表明该路里程轮工作异常；否则，表明该路里程轮工作正常。
在基于BP神经网络的管道弯道判断模块中，利用各路里程轮脉冲数和管道信息，结合基于BP神经网络的智能判别算法，判断当前管道是否在转弯，同时根据判断结果输出转弯可信度；
在步骤504，在里程信号智能优选模块中，根据输入的各路里程轮脉冲、各路里程轮的当前工作状态和当前管道是否转弯、可信度值等信息，结合管道内检测器的当前姿态信息，利用智能优选算法，择优输出当前最优里程轮脉冲。
里程轮异常判断模块工作流程，如图6所示，开始于步骤601。
步骤602：设定阈值λ；
本实施方式中，设定的阈值λ＝20；
步骤603：在连续N个等时间段，分别计数各路脉冲信号的脉冲数，并找出每个时间段的最大脉冲数及其对应的脉冲信号；
本实施方式在连续5个等时间段，每个时间段为1s，分别计数3路脉冲信号的脉冲数，得到5组15个脉冲数值分别为：301,299,297；298,300,291；289,290,295；296,288,295；290,292,294。可知，每个时间段的最大脉冲数分别为301、300、295、296、294；
步骤604：将每个时间段的各路脉冲信号的脉冲数分别与相应的最大脉冲数做比较，得到(n-1)*N个脉冲数差i为第i路脉冲信号，j＝1,2,…,(n-1)*N；
本实施方式中，将每个时间段的3路脉冲信号的脉冲数分别与相应的最大脉冲数做比较，得到5组10个脉冲数差分别为2,4；2,9；6,5；8,1；4,2。
步骤605：将每个时间段的(n-1)*N个脉冲数差逐一与阈值λ比较；
本实施方式中，将每个时间段共10个脉冲数差逐一与阈值20比较；
步骤606：如果每个时间段的(n-1)*N个脉冲数差均大于阈值λ，则标记第i路里程轮异常；否则，标记第i路里程轮正常；
本实施方式中，可以明显看出，10个脉冲数差均小于阈值20，则标记本实施方式中的3路里程轮均正常；
基于BP神经网络的管道弯道判断模块工作流程，如图7所示，开始于步骤701。
在步骤702，构建管道弯道半径计算公式；
如图8所示，将管道弯道处的内侧管壁与外侧管壁视为两个同心圆，则有
式中，θ为管道弯道弧度角；ΔS为θ对应的内、外圆的弧长差；S1为θ对应的外圆的弧长；S2为θ对应的内圆的弧长；D为管道直径；R为外圆外径；r为内圆内径；K1、K2、K3分别为映射系数；根据公式(1)，得到管道弯道半径计算公式为：
在步骤703，利用某时间段某段管道的各路历史数字脉冲信号，按照公式(2)和(3)，离线构建并训练BP神经网络模型，建立脉冲信号与管道内、外半径的对应关系；
本实施方式利用某时间段某段管道的50组脉冲数据：300,297,302；290,293，293；184,236,287；……274,286,291，离线构建并训练了BP神经网络模型，建立了脉冲信号与管道内、外半径的对应关系；
在步骤704，将实时数字脉冲信号输入训练后的BP神经网络模型，得到当前管道的转弯判断结果W1及该结果的置信程度W2；
具体判断方法为：若各路脉冲信号的脉冲数差均等于0或接近于0，且R-r＝0或接近于0，则BP神经网络模型输出W1＝0及W1＝0表示当前管道位置不转弯；如果各路脉冲信号的脉冲差不等于0，并且R-r≠0，BP神经网络模型输出为W1＝1和W1＝1表示当前管道位置转弯；
本实施方式中，将三路实时数字脉冲信号300,301,297输入训练后的BP神经网络模型，得到当前管道的转弯判断结果W1＝0及该结果的置信程度W2＝0.933，表示当前管道不转弯。
里程信号智能优选模块工作流程，如图9所示，开始于步骤901。
在步骤902，根据异常判断模块的结果，如果识别出前一时刻最优里程脉冲信号对应的里程轮工作正常，并且根据弯道判断模块的结果，判断当前管道位置是否转弯，否，则继续选择该最优里程脉冲信号作为当前最优里程脉冲信号并输出，转到步骤903；是，则判断可信度W2是否大于0.5：是，则根据内检测器姿态信息，选择当前处于最内侧的、工作正常的里程轮所对应的脉冲信号作为当前最优里程脉冲信号输出，转到步骤903，否，则继续选择该最优里程脉冲信号作为当前最优里程脉冲信号并输出，转到步骤903；
根据异常判断模块的结果，如果识别出前一时刻最优里程脉冲信号对应的里程轮工作异常，并且根据弯道判断模块的结果，判断当前管道位置是否转弯，否，则选择脉冲数最大的脉冲信号作为最优里程脉冲信号并输出，转到步骤903；是，则判断可信度W2是否大于0.5：是，则根据内检测器姿态信息，选择当前处于最内侧、工作正常的里程轮所对应的脉冲信号作为当前最优里程脉冲信号输出，转到步骤903，否，则选择脉冲数最大的脉冲信号作为最优里程脉冲信号并输出，转到步骤903；
本实施方式中，根据异常判断模块的结果，识别出前一时刻最优里程脉冲信号对应的里程轮工作正常，并且根据弯道判断模块的结果，判断当前管道位置是转弯，且可信度W2＝0.874是大于0.5，则根据内检测器姿态信息，选择当前处于最内侧的、工作正常的里程轮所对应的脉冲信号作为当前最优里程脉冲信号输出，转到步骤903。
在步骤903，根据上述优选的最优里程脉冲信号计算管道内检测器里程值。
本实施方式中，统计当前最优里程脉冲信号的脉冲数为5000000，则5000000乘以每一个脉冲对应的里程距离为2mm，即得到管道内检测器里程值为10000米。
虽然以上描述了本发明的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (4)
1.一种管道内检测器里程测量装置，安装在管道内检测器上，包括：磁场传感器单元、信号调理模块、A/D转换模块和中央处理单元；其特征在于：
所述磁场传感器单元包括多个磁场传感器；所述磁场传感器单元中的每个磁场传感器用于对准每个里程轮，随着每个里程轮的运动，捕捉每个里程轮的磁场变化并输出脉冲电信号至信号调理模块；
所述信号调理模块用于对接收到的脉冲电信号进行滤波和放大并送至A/D转换模块；
所述A/D转换模块用于对从信号调理模块接收到的脉冲电信号进行模数转换并将转换后的数字信号传送至中央处理单元；
所述中央处理单元，包括时序控制模块、滤波处理模块、里程轮异常判断模块、管道弯道判断模块和里程信号智能优选模块；
所述时序控制模块用于控制A/D转换模块的各通道的转换顺序；
所述滤波处理模块用于接收A/D转换模块传送的数字信号，并对该数字信号进行二次滤波，并将滤波后的数字信号分别送至里程轮异常判断模块和管道弯道判断模块；
所述里程轮异常判断模块用于判断各里程轮当前工作状态是否正常，同时，分别将接收的各路脉冲信号及各里程轮的当前工作状态送至里程信号智能优选模块；
所述管道弯道判断模块用于根据接收的各路脉冲信号的相互关系，通过计算判断当前管道是否在转弯，并将判断结果送至里程信号智能优选模块；
所述里程信号智能优选模块用于根据从里程轮异常判断模块接收的各路脉冲信号及各里程轮的当前工作状态、从管道弯道判断模块接收的当前管道的转弯信息和从管道内检测器接收的管道内检测器当前的姿态信息，利用智能优选算法选择当前最优里程脉冲信号并输出，且根据该最优里程脉冲信号计算管道内检测器里程。
2.采用权利要求1所述的管道内检测器里程测量装置获取管道内检测器里程的方法，其特征在于：包括以下步骤：
步骤1：实时检测各路里程轮转动引发的磁场变化，并采集到与各路里程轮的磁场变化相对应的脉冲电信号；有n路里程轮，即采集到n路脉冲电信号；
步骤2：对步骤1得到的各路脉冲电信号分别进行滤波和放大处理；
步骤3：对步骤2处理后的脉冲信号进行模数转换；
步骤4：对步骤3模数转换后的数字脉冲信号进行二次滤波处理；
步骤5：根据二次滤波处理后的数字脉冲信号进行里程轮异常判断和管道转弯判断；
步骤6：根据步骤5的结果，选择当前最优里程脉冲信号并输出；
步骤7：根据步骤6优选的最优里程脉冲信号计算管道内检测器里程值。
3.根据权利要求2所述的获取管道内检测器里程的方法，其特征在于：步骤5所述的根据二次滤波处理后的数字脉冲信号进行里程轮异常判断和管道转弯判断的方法，包括如下步骤：
步骤5.1：里程轮异常判断，包括以下步骤：
步骤5.1.1：设定阈值λ；
步骤5.1.2：在N个连续等时间段，分别计数各路脉冲信号的脉冲数，并找出每个时间段的最大脉冲数及其对应的脉冲信号；
步骤5.1.3：将每个时间段的各路脉冲信号的脉冲数分别与相应的最大脉冲数做比较，得到(n-1)*N个脉冲数差i为第i路脉冲信号，j＝1,2,…,(n-1)*N；
步骤5.1.4：将每个时间段的(n-1)*N个脉冲数差逐一与阈值λ比较；
步骤5.1.5：如果第i路里程轮在每个时间段的(n-1)*N个脉冲数差均大于阈值λ，则标记第i路里程轮异常；否则，标记第i路里程轮正常；
步骤5.2：管道转弯判断；
步骤5.2.1：构建管道弯道半径计算公式；
将管道弯道处的内侧管壁与外侧管壁视为两个同心圆，则有
式中，θ为管道弯道弧度角；ΔS为θ对应的内、外圆的弧长差；S1为θ对应的外圆的弧长；S2为θ对应的内圆的弧长；D为管道直径；R为外圆外径；r为内圆内径；K1、K2、K3分别为映射系数；根据公式(1)，得到管道弯道半径计算公式为：
步骤5.2.2：利用某时间段某段管道的各路历史数字脉冲信号，按照公式(2)和(3)，离线构建并训练BP神经网络模型，建立脉冲信号与管道内、外半径的对应关系；
步骤5.2.3：将实时数字脉冲信号输入训练后的BP神经网络模型，得到当前管道的转弯判断结果W1及该结果的置信程度W2；
具体判断方法为：若各路脉冲信号的脉冲数差均等于0或接近于0，且R-r＝0或接近于0，则BP神经网络模型输出W1＝0及W1＝0表示当前管道位置不转弯；如果各路脉冲信号的脉冲差不等于0，并且R-r≠0，BP神经网络模型输出为W1＝1和W1＝1表示当前管道位置转弯。
4.根据权利要求2所述的获取管道内检测器里程的方法，其特征在于：步骤6所述的利用智能优选算法选择当前最优里程脉冲信号的方法，包括如下步骤：
步骤6.1：根据步骤5的结果，如果识别出前一时刻的最优里程脉冲信号对应的里程轮工作正常，并且根据步骤5的结果，判断当前管道位置是否转弯，否，则继续选择该最优里程脉冲信号作为当前最优里程脉冲信号并输出，转到步骤7；是，则判断可信度W2是否大于0.5：是，则根据内检测器姿态信息，选择当前处于最内侧的、工作正常的里程轮所对应的脉冲信号作为当前最优里程脉冲信号输出，转到步骤7，否，则继续选择该最优里程脉冲信号作为当前最优里程脉冲信号并输出，转到步骤7；
步骤6.2：根据步骤5的结果，如果识别出前一时刻的最优里程脉冲信号对应的里程轮工作异常，并且根据步骤5的结果，判断当前管道位置是否转弯，否，则选择脉冲数最大的脉冲信号作为最优里程脉冲信号并输出，转到步骤7；是，则判断可信度W2是否大于0.5：是，则根据内检测器姿态信息，选择当前处于最内侧、工作正常的里程轮所对应的脉冲信号作为当前最优里程脉冲信号输出，转到步骤7，否，则选择脉冲数最大的脉冲信号作为最优里程脉冲信号并输出，转到步骤7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410268458.5A CN104048164B (zh) | 2014-06-16 | 2014-06-16 | 一种管道内检测器里程测量装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410268458.5A CN104048164B (zh) | 2014-06-16 | 2014-06-16 | 一种管道内检测器里程测量装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104048164A CN104048164A (zh) | 2014-09-17 |
| CN104048164B true CN104048164B (zh) | 2016-09-28 |
Family
ID=51501366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410268458.5A Expired - Fee Related CN104048164B (zh) | 2014-06-16 | 2014-06-16 | 一种管道内检测器里程测量装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104048164B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105444684B (zh) * | 2015-11-24 | 2018-04-20 | 东北大学 | 一种基于fpga的管道测径仪多路位移脉冲优选装置与方法 |
| CN107332394B (zh) * | 2016-04-29 | 2020-08-04 | 德昌电机(深圳)有限公司 | 一种磁传感器、磁传感器集成电路、电机组件及应用设备 |
| CN107654848B (zh) * | 2017-09-28 | 2019-02-15 | 北京华航无线电测量研究所 | 一种管道位置和方向检测方法 |
| CN109975390A (zh) * | 2019-03-08 | 2019-07-05 | 柳州市自动化科学研究所 | 一种检测桥梁拉索表面病害的装置 |
| CN111664784B (zh) * | 2019-03-09 | 2022-02-01 | 中国石油天然气股份有限公司 | 管道变形位置的确定装置及方法 |
| CN114235001B (zh) * | 2020-09-09 | 2024-09-17 | 中海石油气电集团有限责任公司 | 一种基于里程及姿态信息的弯头检测方法 |
| CN114508992A (zh) * | 2022-02-22 | 2022-05-17 | 国网上海市电力公司 | 一种管道位置精确测量方法 |
| CN115452938A (zh) * | 2022-10-11 | 2022-12-09 | 国家石油天然气管网集团有限公司 | 用于管道焊缝缺陷的检测设备 |
| CN118706149A (zh) * | 2024-08-29 | 2024-09-27 | 国机传感科技有限公司 | 实时里程优选系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19939941A1 (de) * | 1999-08-23 | 2001-03-01 | Abb Research Ltd | Datenübertragungssystem für Pipelines |
| CN1828219A (zh) * | 2006-04-06 | 2006-09-06 | 上海交通大学 | 海底管道智能检测器 |
| CN102798660A (zh) * | 2012-08-30 | 2012-11-28 | 东北大学 | 基于三轴漏磁与电涡流的管道内外壁缺陷检测装置及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2188413C1 (ru) * | 2001-10-25 | 2002-08-27 | ЗАО "Нефтегазкомплектсервис" | Устройство для внутритрубной ультразвуковой толщинометрии |
-
2014
- 2014-06-16 CN CN201410268458.5A patent/CN104048164B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19939941A1 (de) * | 1999-08-23 | 2001-03-01 | Abb Research Ltd | Datenübertragungssystem für Pipelines |
| CN1828219A (zh) * | 2006-04-06 | 2006-09-06 | 上海交通大学 | 海底管道智能检测器 |
| CN102798660A (zh) * | 2012-08-30 | 2012-11-28 | 东北大学 | 基于三轴漏磁与电涡流的管道内外壁缺陷检测装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104048164A (zh) | 2014-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104048164B (zh) | 一种管道内检测器里程测量装置及方法 | |
| CN100567794C (zh) | 基于定向负压波识别技术的油气管道泄漏在线检测方法 | |
| CN101832472B (zh) | 利用次声波实现管道泄漏检测的系统 | |
| CN102419437B (zh) | 一种基于航迹检验的检测前跟踪方法 | |
| CN108397692B (zh) | 基于噪声信号时域分段频谱分析的管道泄漏识别方法 | |
| CN101561081A (zh) | 应用自主导航机器人对油气管道泄漏的检测定位方法 | |
| CN109492708B (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
| CN107290564A (zh) | 一种基于相位差的超声波流速测量方法 | |
| CN109063849B (zh) | 一种管道内检测器的实时跟踪与分级定位系统及方法 | |
| CN104965023A (zh) | 多模态导波工业管道诊断方法 | |
| CN103629534A (zh) | 一种基于综合信号的输油管道泄漏检测和定位方法 | |
| CN108195396A (zh) | 一种新能源汽车车辆数据的有效性的检测方法及系统 | |
| WO2024148884A1 (zh) | 一种多传感器参数相互融合的清管器实时定位方法及装置 | |
| CN105957355B (zh) | 一种车辆测速方法 | |
| CN104361650B (zh) | 一种汽车行驶记录仪脉冲系数自动校准方法 | |
| CN108318578A (zh) | 基于声发射测量的气液段塞流液塞区判别及参数检测方法 | |
| CN106710238B (zh) | 一种提高地磁车检器准确率的方法 | |
| CN103499516A (zh) | 一种高压密相气力输送煤粉流动状态的检测方法及检测装置 | |
| CN113514199B (zh) | 检测和定位流体泄漏的方法 | |
| CN202631065U (zh) | 一种时差法超声波流量计的传输时间校准系统 | |
| CN106771928A (zh) | 一种局部放电脉冲初至时刻在线拾取方法 | |
| CN103363880B (zh) | 一种管道环焊缝识别定位方法 | |
| CN113687192B (zh) | 输电线路放电信号采集及定位方法 | |
| CN206421575U (zh) | 一种提高地磁车检器准确率的机制 | |
| CN104406631A (zh) | 一种红外线烟道在线流速仪及其测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160928 |