CN108009175A - 一种油气管道凹坑的检测方法及检测装置 - Google Patents
一种油气管道凹坑的检测方法及检测装置 Download PDFInfo
- Publication number
- CN108009175A CN108009175A CN201610959676.2A CN201610959676A CN108009175A CN 108009175 A CN108009175 A CN 108009175A CN 201610959676 A CN201610959676 A CN 201610959676A CN 108009175 A CN108009175 A CN 108009175A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- pipeline
- bending strain
- strain
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种油气管道凹坑的检测方法及检测装置,属于石油工程技术领域。该检测方法包括:获取采用样本数据训练完成的径向基函数神经网络,样本数据包括样本管道的第一弯曲应变数据和与第一弯曲应变数据相对应的样本管道的第一凹坑深度数据,第一弯曲应变数据通过样本管道的采样区域获取,径向基函数神经网络是以第一弯曲应变数据为输入值,以第一凹坑深度数据为输出值训练得到的;获取待检测管道的第二弯曲应变数据;将第二弯曲应变数据作为训练完成的径向基函数神经网络的输入值,以得到待检测管道的第二凹坑深度数据。本发明解决了现在的检测方法对于凹坑的危害性反应不完全的问题。
Description
技术领域
本发明属于石油工程技术领域,特别涉及一种油气管道凹坑的检测方法及检测装置。
背景技术
长距离埋地油气管道在埋入地下后,由于受到施工或者其他因素的影响,会导致油气管的管壁发生凹陷变形,变形处的油管除了会受到正常的内压载荷之外,还会受到因变形而产生的变形应力载荷,因此很容易出现破损,存在较大的安全隐患。
为了避免管道因凹陷变形而产生安全事故,会对埋入地下的管道进行检测,以找到可能存在的凹坑,并通过进一步地检测出凹坑的各项参数来判断该凹坑是否会造成安全事故,进而能够采取有效的预防措施,避免安全事故的产生。常见的检测方法为通过管道变形检测器对管道进行检测,但是该检测方式仅能够得到凹坑的坑口尺寸信息和位置信息,不能得到凹坑的深度信息,然而凹坑的深度信息是判断该凹坑是否会造成安全事故的重要依据,因此现在常用的检测方法并不能完全的反应凹坑的危害性。
发明内容
为了解决现在的检测方法对于凹坑的危害性反应不完全的问题,本发明实施例提供了一种油气管道凹坑的检测方法及检测装置。所述技术方案如下:
一方面,本发明实施例提供了一种油气管道凹坑的检测方法,所述检测方法包括:
获取采用样本数据训练完成的径向基函数神经网络,所述样本数据包括样本管道的第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述样本管道的第一凹坑深度数据,所述第一弯曲应变数据通过所述样本管道的采样区域获取,所述采样区域是通过检测所述样本管道的形变区域的应变值和所述形变区域沿所述样本管道的长度方向的长度中的至少一项得到的,所述形变区域的沿所述样本管道的长度方向的长度大于12m,所述形变区域的应变值大于0.125%,所述第一弯曲应变数据包括最大应变峰值和所述最大应变峰值两端的翘曲量,以及所述最大应变处对应的弯曲长度和所述最大应变的两端处对应的翘曲长度,所述径向基函数神经网络是以所述第一弯曲应变数据为输入值,以所述第一凹坑深度数据为输出值训练得到的;
获取待检测管道的第二弯曲应变数据;
将所述第二弯曲应变数据作为训练完成的所述径向基函数神经网络的输入值,以得到待检测管道的第二凹坑深度数据。
进一步地,所述获取采用样本数据训练完成的径向基函数神经网络,包括:
求取所述径向基函数神经网络的求解参数,所述径向基函数神经网络包括输入层、隐含层和输出层,所述求解参数包括所述径向基函数神经网络的基函数的中心和方差以及所述隐含层和所述输出层之间的神经元的连接权值。
进一步地,所述基函数的中心通过K均值聚类方法求取。
进一步地,求取所述基函数的中心,包括:
在所有所述样本数据中随机选取h个所述第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述第一凹坑深度数据,并将选取的所述第一弯曲应变数据和所述第一凹坑深度数据作为多个聚类中心,h为正整数;
将没有被选取的所述样本数据以各个聚类中心为中心进行分类,以得到多个聚类集合,分类是根据最近邻规则进行的;
分别计算每个聚类集合的平均值,如果计算出的平均值与对应的聚类中心相同,则与聚类集合的平均值相同的聚类中心为所述径向基函数神经网络的所述基函数的中心;如果计算出的平均值与对应的聚类中心不同,则将计算出的平均值作为聚类集合的新的聚类中心,并再次计算聚类集合的平均值,直至计算出的平均值与对应的聚类中心相同。
进一步地,所述将没有被选取的所述样本数据以各个聚类中心为中心进行分类,包括:
将没有被选取的所述样本数据分配给距离自身欧氏距离最小的一个聚类中心,从而形成多个聚类集合。
进一步地,所述基函数为高斯函数,所述基函数的方差通过以下公式求得:
其中,cmax为各所述基函数的中心之间的最大距离。
进一步地,所述隐含层和所述输出层之间的神经元的连接权值采用以下公式计算:
其中,h为聚类中心的数量,xp为第p个第一弯曲应变数据,ci为第i个聚类集合。
进一步地,所述采样区域是通过检测所述形变区域的应变值和所述形变区域的沿所述样本管道的长度方向的长度得到的。
进一步地,所述第一凹坑深度数据和所述第二凹坑深度数据均为凹坑的深度与所述凹坑对应的管道的管径的比值。
另一方面,本发明实施例提供了一种油气管道凹坑的检测装置,所述检测装置包括:
神经网络获取模块,用于获取采用样本数据训练完成的径向基函数神经网络;
参数获取模块,用于获取样本数据,所述样本数据包括样本管道的第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述样本管道的第一凹坑深度数据,所述第一弯曲应变数据通过所述样本管道的采样区域获取,所述采样区域是通过检测所述样本管道的形变区域的应变值和所述形变区域沿所述样本管道的长度方向的长度中的至少一项得到的,所述形变区域的沿所述样本管道的长度方向的长度大于12m,所述形变区域的应变值大于0.125%,所述第一弯曲应变数据包括最大应变峰值和所述最大应变峰值两端的翘曲量,以及所述最大应变处对应的弯曲长度和所述最大应变的两端处对应的翘曲长度;
输入模块,用于输入待检测管道的第二弯曲应变数据,以通过训练完成的径向基函数神经网络得到待检测管道的第二凹坑深度数据。
本发明实施例提供的技术方案带来的有益效果是:
通过首先获取样本数据,然后将样本数据中的第一弯曲应变数据作为径向基函数神经网络的输入值,将与第一弯曲应变数据相对应的第一凹坑深度数据作为径向基函数神经网络的输出值,以训练出成型的径向基函数神经网络,最后获取待检测管道的第二弯曲应变数据,并将获取到的第二弯曲应变数据作为出成型的径向基函数神经网络输入值,以得到待检测管道的第二凹坑深度数据,从而通过待检测管道的弯曲应变数据,根据训练成型的径向基函数神经网络,得到待检测管道的凹坑深度,进而提供了判断凹坑是否会造成安全事故的重要依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的检测方法的流程图;
图2是本发明实施例二提供的检测方法的流程图;
图3是本发明实施例二提供的管道的弯曲应变示意图;
图4是本发明实施例二提供的均方差与扩散速度和神经元数目的关系示意图;
图5是本发明实施例二提供的检验结果示意图;
图6是本发明实施例三提供的检测装置的结构示意图;
图7是本发明实施例四提供的检测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本发明实施例提供了一种油气管道凹坑的检测方法,如图1所示,检测方法包括:
步骤101:获取采用样本数据训练完成的径向基函数神经网络。
具体地,样本数据包括样本管道的第一弯曲应变数据和与第一弯曲应变数据相对应的样本管道的第一凹坑深度数据,第一弯曲应变数据通过样本管道的采样区域获取,采样区域是通过检测样本管道的形变区域的应变值和形变区域沿样本管道的长度方向的长度中的至少一项得到的,形变区域的沿样本管道的长度方向的长度大于12m,形变区域的应变值大于0.125%,第一弯曲应变数据包括最大应变峰值和最大应变峰值两端的翘曲量,以及最大应变处对应的弯曲长度和最大应变的两端处对应的翘曲长度。
在上述实现方式中,样本管道可以为已完成检测的管道,即样本管道的第一弯曲应变数据和与其对应的第一凹坑深度数据均为已知数据,第一弯曲应变数据可以通过现有的检测管道弯曲应变的方法获取,例如采用智能漏磁检测装置获取,第一凹坑深度数据可以通过实地挖掘测量得到。
步骤102:获取待检测管道的第二弯曲应变数据。
步骤103:将所述第二弯曲应变数据作为训练完成的所述径向基函数神经网络的输入值,以得到待检测管道的第二凹坑深度数据。
通过首先获取样本数据,然后将样本数据中的第一弯曲应变数据作为径向基函数神经网络的输入值,将与第一弯曲应变数据相对应的第一凹坑深度数据作为径向基函数神经网络的输出值,以训练出成型的径向基函数神经网络,最后获取待检测管道的第二弯曲应变数据,并将获取到的第二弯曲应变数据作为出成型的径向基函数神经网络输入值,以得到待检测管道的第二凹坑深度数据,从而通过待检测管道的弯曲应变数据,根据训练成型的径向基函数神经网络,得到待检测管道的凹坑深度,进而提供了判断凹坑是否会造成安全事故的重要依据。
实施例二
本发明实施例提供了一种油气管道凹坑的检测方法,如图2所示,检测方法包括:
步骤201:获取样本数据。
具体地,样本数据包括样本管道的第一弯曲应变数据和与第一弯曲应变数据相对应的样本管道的第一凹坑深度数据,第一弯曲应变数据通过样本管道的采样区域获取,采样区域是通过检测样本管道的形变区域的应变值和形变区域沿样本管道的长度方向的长度中的至少一项得到的,形变区域的沿样本管道的长度方向的长度大于12m,形变区域的应变值大于0.125%。
在上述实现方式中,采样区域可以为样本管道上的发生变形的部分,应变值可以通过管道智能漏磁检测装置的惯性导航系统检测得到,经过多次试验可以知道,当采样区域的应变值不大于0.125%时,采样区域产生的形变并不足以造成安全事故,属于无用的样本数据,所以仅获取应变值大于0.125%的采集区域的第一弯曲应变数据,可以达到简化样本数据的获取过程的目的。
另外,采样区域的沿样本管道的长度方向的长度可以通过管道智能漏磁检测装置的里程系统检测得到,经过多次试验可以知道,当采样区域的长度不大于12m时,采样区域产生的形变并不足以造成安全事故,所以同样属于无用的样本数据,因此,通过检测采样区域的长度也可以达到简化样本数据的获取过程的目的。
更优选地,采样区域是通过检测形变区域的应变值和形变区域的沿样本管道的长度方向的长度得到的,也就是说,在选取采样区域时,不仅需要检测样本管道上发生形变的区域的应变值,还需检测其长度。在上述实现方式中,由于采样区域的应变值和长度是分别通过管道智能漏磁检测装置的两个不同系统得到的,所以,即使是其中一个系统的检测出现误差,也可以通过另外一个系统实现样本数据的筛选,也就是说,在本实施例中,只有在采样区域的长度大于12m且应变值大于0.125%的情况下,才会采集该区域的第一弯曲应变数据,从而提高了样本数据的采集准确度。
图3为管道的弯曲应变示意图,优选地,样本管道的第一弯曲应变数据可以包括最大应变峰值S2,最大应变峰值两端的翘曲量S1、S3,最大应变处对应的弯曲长度X2,最大应变的两端处对应的翘曲长度X1、X3。因为在实验过程中,发现上述六个参数对管道的弯曲应变数据影响较大,而其他参数,如最大应变处对应的弯曲宽度等,对弯曲应变数据的影响很小,因此,为了降低弯曲应变数据的获取难度以及提高后续计算的速度,优选地只获取上述六个参数,以此代表管道的弯曲应变数据,上述六个参数的获取方法如下:
在样本管道内放入管道智能漏磁检测装置(俗称“管道猪”),检测装置以管道输送介质为动力在管道中运动,运动的过程中,检测装置上的多个漏磁检测探臂成环状布置且始终与管道的内壁接触,从而使得探臂在行进的过程中能够随着管道内壁形状的变化而缩短或伸长,进而获取到整个样本管道的第一弯曲应变数据,然后在获取的第一弯曲应变数据中筛选出上述的六个参数。
优选地,样本管道的第一凹坑深度数据为凹坑的深度与该样本管道的管径之间的比值,可以采用百分比的方式表达,例如凹坑的深度为2cm,样本管道的管径为100cm,那么该凹坑对应的第一凹坑数据为2%,这样可以更为直观的表现出凹坑深度对管道所造成的影响。
步骤202:分别将第一弯曲应变数据作为径向基函数神经网络的输入值,将第一凹坑深度数据作为径向基函数神经网络的输出值,对径向基函数神经网络进行训练,以得到训练完成的径向基函数神经网络。
优选地,由于输出层和隐含层所完成的任务是不同的,因此输出层和隐含层所采取的训练策略也不相同,输出层是对线性权值进行调整,因此采用线性优化策略,而隐含层则是接收输入层神经元的输入,并向输出层的神经元提供输出,即对基函数的参数进行调整,因此采用非线性优化策略,针对输出层和隐含层的不同作用而选取不同的训练策略,可以有效的提高径向基函数神经网络的训练速度。
实际上,对径向基函数神经网络进行训练的过程,即为求取径向基函数神经网络的求解参数的过程。
具体地,求取径向基函数神经网络的求解参数,径向基函数神经网络包括输入层、隐含层和输出层,求解参数包括径向基函数神经网络的基函数的中心和方差以及隐含层和输出层之间的神经元的连接权值。
进一步的,基函数的中心可以通过K均值聚类方法求取。
这样,由于K均值聚类方法的计算方式较为简单,所以利用K均值聚类方法的这一特点,可以有效的提高求取基函数的中心的效率。
K均值聚类方法的具体实现步骤为:
(1)在所有样本数据中随机选取h个第一弯曲应变数据和与第一弯曲应变数据相对应的第一凹坑深度数据,并将选取的第一弯曲应变数据和第一凹坑深度数据作为多个聚类中心ci(i=1,2,...h),h为正整数,且不超过样本数据的总数量。
(2)将没有被选取的样本数据通过最近邻规则,根据多个聚类中心分为多个聚类集合。
具体地,按照第p个数据xp与中心ci之间的欧式距离,将xp分配到各个聚类集合θn(n=1,2,...,P)中,其中,P为聚类集合的总数,n为小于聚类集合总数的任一正整数,p为小于样本数据总数的任一正整数。
在上述实现方式中,最近邻规则为计算每个样本与每个聚类中心的距离,将每个样本分配至与自身最接近的聚类中心,以形成多个以聚类集合。
优选地,将没有被选取的样本数据分配给距离自身欧氏距离最小的一个聚类中心,从而形成多个聚类集合。
(3)分别计算每个聚类集合的平均值,如果计算出的平均值与对应的聚类中心相同,则与聚类集合的平均值相同的聚类中心为径向基函数神经网络的基函数的中心;如果计算出的平均值与对应的聚类中心不同,则将计算出的平均值作为聚类集合的新的聚类中心,并再次计算聚类集合的平均值,直至计算出的平均值与对应的聚类中心相同,上述过程即为基函数的收敛过程。
进一步地,选定基函数为高斯函数,基函数的方差通过以下公式求得:
其中,cmax为在所有的聚类中心中,两个聚类中心之间的最大距离,从而求得基函数的方差。
需要说明的是,基函数的类型并不仅限于高斯函数,还可以为其他类型的函数,本发明对此不作限制。
进一步地,通过最小二乘法求取隐含层和输出层之间的神经元的连接权值,求取公式如下:
其中,xp为第p个第一弯曲应变数据,从而求得隐含层和输出层之间的神经元的连接权值。
从而求取了径向基函数神经网络的所有求解参数,以完成了基函数神经网络的训练。
步骤203:设定隐含层的扩散速度和神经元数目,其中,扩散速度为40,神经元数目为80。
具体实现时,采用模拟分析的方法对隐含层的扩散速度和神经元数目进行试验调整,分别选取隐含层的神经元数目为1、20、40、60、100、120,选取基函数的扩散速度为1、10、40、70、100、130,通过上述训练完成的径向基函数神经网络求得模型均方差与扩散速度和神经元数目之间的关系,如表1和图4所示,在均方差小于优化目标(0.05)的扩散速度和神经元数目的组合中,最终确定扩散速度为40,神经元数目为80。
表1
步骤204:对训练成型的径向基函数神经网络进行检验。
这样,可以保证径向基函数神经网络的可靠性。
具体实现时,可以在训练径向基函数神经网络时,仅采用85%的样本数据进行训练,而另外15%的样本数据则可以用作对训练完成后的径向基函数神经网络进行检验。
选取的作为训练数据的样本数据如表2所示:
表2
在训练完成后,将剩下的15%的样本数据输入训练完成后的径向基函数神经网络中,得出以下结果,如表3和图5所示。
表3
将目标结果和仿真结果相比可得,相对误差均小于优化目标0.05,因此,训练成型的径向基函数神经网络的准确性较高。
步骤205:获取待检测管道的第二弯曲应变数据,将第二弯曲应变数据作为训练完成的径向基函数神经网络的输入值,以得到待检测管道的第二凹坑深度数据。
需要说明的是,待检测管道的第二弯曲应变数据也可以通过管道智能漏磁检测装置得到,具体方法与第一弯曲应变数据的获取方法基本相同,在此不作赘述。
实施例三
本发明实施例提供了一种油气管道凹坑的检测装置,如图6所示,该检测装置包括:
神经网络获取模块100,用于获取采用样本数据训练完成的径向基函数神经网络;
参数获取模块200,用于获取样本数据,所述样本数据包括样本管道的第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述样本管道的第一凹坑深度数据,第一弯曲应变数据通过样本管道的采样区域获取,采样区域的应变值大于0.125%,第一弯曲应变数据包括最大应变峰值和最大应变峰值两端的翘曲量,以及最大应变处对应的弯曲长度和最大应变的两端处对应的翘曲长度;
输入模块300,用于输入待检测管道的第二弯曲应变数据,以通过训练完成的径向基函数神经网络得到待检测管道的第二凹坑深度数据。
在使用本实施例所提供的检测装置时,通过神经网络获取模块100获取采用样本数据训练完成的径向基函数神经网络,通过参数获取模块200获取样本数据,所述样本数据包括样本管道的第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述样本管道的第一凹坑深度数据,通过输入模块300输入待检测管道的第二弯曲应变数据,以通过训练完成的径向基函数神经网络得到待检测管道的第二凹坑深度数据,从而提供了判断凹坑是否会造成安全事故的重要依据。
实施例四
本发明实施例提供了一种油气管道凹坑的检测装置,如图7所示,该检测装置包括:
神经网络获取模块400,用于获取采用样本数据训练完成的径向基函数神经网络;
参数获取模块500,用于获取样本数据,样本数据包括样本管道的第一弯曲应变数据和与第一弯曲应变数据相对应的样本管道的第一凹坑深度数据;
输入模块600,用于输入待检测管道的第二弯曲应变数据,以通过训练完成的径向基函数神经网络得到待检测管道的第二凹坑深度数据,第一弯曲应变数据通过样本管道的采样区域获取,采样区域是通过检测样本管道的形变区域的应变值和形变区域沿样本管道的长度方向的长度中的至少一项得到的,形变区域的沿样本管道的长度方向的长度大于12m,形变区域的应变值大于0.125%,第一弯曲应变数据包括最大应变峰值和最大应变峰值两端的翘曲量,以及最大应变处对应的弯曲长度和最大应变的两端处对应的翘曲长度。
在本实施例中,神经网络获取模块400包括:
求解参数计算模块410,用于求取径向基函数神经网络的求解参数,径向基函数神经网络包括输入层、隐含层和输出层,求解参数包括径向基函数神经网络的基函数的中心和方差以及隐含层和输出层之间的神经元的连接权值。
具体地,求解参数计算模块410通过K均值聚类方法求取基函数的中心。
具体地,求解参数计算模块410包括:
聚类中心选取模块411,用于在所有样本数据中随机选取h个第一弯曲应变数据和与第一弯曲应变数据相对应的第一凹坑深度数据,并将选取的第一弯曲应变数据和第一凹坑深度数据作为多个聚类中心,h为正整数。
样本数据分类模块412,用于将没有被选取的样本数据以各个聚类中心为中心进行分类,以得到多个聚类集合,分类是根据最近邻规则进行的。
具体地,样本数据分类模块412,用于将没有被选取的样本数据分配给距离自身欧氏距离最小的一个聚类中心,从而形成多个聚类集合。
比较模块413,用于分别计算每个聚类集合的平均值,如果计算出的平均值与对应的聚类中心相同,则与聚类集合的平均值相同的聚类中心为径向基函数神经网络的基函数的中心;如果计算出的平均值与对应的聚类中心不同,则将计算出的平均值作为聚类集合的新的聚类中心,并再次计算聚类集合的平均值,直至计算出的平均值与对应的聚类中心相同。
在使用本实施例所提供的检测装置时,通过神经网络获取模块400获取采用样本数据训练完成的径向基函数神经网络,通过参数获取模块500获取样本数据,所述样本数据包括样本管道的第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述样本管道的第一凹坑深度数据,通过输入模600块输入待检测管道的第二弯曲应变数据,以通过训练完成的径向基函数神经网络得到待检测管道的第二凹坑深度数据,从而提供了判断凹坑是否会造成安全事故的重要依据。
需要说明的是:上述实施例提供的油气管道凹坑的检测装置在执行油气管道凹坑的检测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的油气管道凹坑的检测装置与油气管道凹坑的检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种油气管道凹坑的检测方法,其特征在于,所述检测方法包括:
获取采用样本数据训练完成的径向基函数神经网络,所述样本数据包括样本管道的第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述样本管道的第一凹坑深度数据,所述第一弯曲应变数据通过所述样本管道的采样区域获取,所述采样区域是通过检测所述样本管道的形变区域的应变值和所述形变区域沿所述样本管道的长度方向的长度中的至少一项得到的,所述形变区域的沿所述样本管道的长度方向的长度大于12m,所述形变区域的应变值大于0.125%,所述第一弯曲应变数据包括最大应变峰值和所述最大应变峰值两端的翘曲量,以及所述最大应变处对应的弯曲长度和所述最大应变的两端处对应的翘曲长度,所述径向基函数神经网络是以所述第一弯曲应变数据为输入值,以所述第一凹坑深度数据为输出值训练得到的;
获取待检测管道的第二弯曲应变数据;
将所述第二弯曲应变数据作为训练完成的所述径向基函数神经网络的输入值,以得到待检测管道的第二凹坑深度数据。
2.根据权利要求1所述的检测方法,其特征在于,所述获取采用样本数据训练完成的径向基函数神经网络,包括:
求取所述径向基函数神经网络的求解参数,所述径向基函数神经网络包括输入层、隐含层和输出层,所述求解参数包括所述径向基函数神经网络的基函数的中心和方差以及所述隐含层和所述输出层之间的神经元的连接权值。
3.根据权利要求2所述的检测方法,其特征在于,所述基函数的中心通过K均值聚类方法求取。
4.根据权利要求3所述的检测方法,其特征在于,求取所述基函数的中心,包括:
在所有所述样本数据中随机选取h个所述第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述第一凹坑深度数据,并将选取的所述第一弯曲应变数据和所述第一凹坑深度数据作为多个聚类中心,h为正整数;
将没有被选取的所述样本数据以各个聚类中心为中心进行分类,以得到多个聚类集合,分类是根据最近邻规则进行的;
分别计算每个聚类集合的平均值,如果计算出的平均值与对应的聚类中心相同,则与聚类集合的平均值相同的聚类中心为所述径向基函数神经网络的所述基函数的中心;如果计算出的平均值与对应的聚类中心不同,则将计算出的平均值作为聚类集合的新的聚类中心,并再次计算聚类集合的平均值,直至计算出的平均值与对应的聚类中心相同。
5.根据权利要求4所述的检测方法,其特征在于,所述将没有被选取的所述样本数据以各个聚类中心为中心进行分类,包括:
将没有被选取的所述样本数据分配给距离自身欧氏距离最小的一个聚类中心,从而形成多个聚类集合。
6.根据权利要求2所述的检测方法,其特征在于,所述基函数为高斯函数,所述基函数的方差通过以下公式求得:
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>c</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>h</mi>
<mo>;</mo>
</mrow>
其中,cmax为各所述基函数的中心之间的最大距离。
7.根据权利要求4所述的检测方法,其特征在于,所述隐含层和所述输出层之间的神经元的连接权值采用以下公式计算:
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>h</mi>
<msubsup>
<mi>c</mi>
<mi>max</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mi>P</mi>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>h</mi>
<mo>;</mo>
</mrow>
其中,h为聚类中心的数量,xp为第p个第一弯曲应变数据,ci为第i个聚类集合。
8.根据权利要求1所述的检测方法,其特征在于,所述采样区域是通过检测所述形变区域的应变值和所述形变区域的沿所述样本管道的长度方向的长度得到的。
9.根据权利要求1所述的检测方法,其特征在于,所述第一凹坑深度数据和所述第二凹坑深度数据均为凹坑的深度与所述凹坑对应的管道的管径的比值。
10.一种油气管道凹坑的检测装置,所述检测装置包括:
神经网络获取模块,用于获取采用样本数据训练完成的径向基函数神经网络;
参数获取模块,用于获取样本数据,所述样本数据包括样本管道的第一弯曲应变数据和与所述第一弯曲应变数据相对应的所述样本管道的第一凹坑深度数据,所述第一弯曲应变数据通过所述样本管道的采样区域获取,所述采样区域是通过检测所述样本管道的形变区域的应变值和所述形变区域沿所述样本管道的长度方向的长度中的至少一项得到的,所述形变区域的沿所述样本管道的长度方向的长度大于12m,所述形变区域的应变值大于0.125%,所述第一弯曲应变数据包括最大应变峰值和所述最大应变峰值两端的翘曲量,以及所述最大应变处对应的弯曲长度和所述最大应变的两端处对应的翘曲长度;
输入模块,用于输入待检测管道的第二弯曲应变数据,以通过训练完成的径向基函数神经网络得到待检测管道的第二凹坑深度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610959676.2A CN108009175A (zh) | 2016-10-28 | 2016-10-28 | 一种油气管道凹坑的检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610959676.2A CN108009175A (zh) | 2016-10-28 | 2016-10-28 | 一种油气管道凹坑的检测方法及检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009175A true CN108009175A (zh) | 2018-05-08 |
Family
ID=62048355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610959676.2A Pending CN108009175A (zh) | 2016-10-28 | 2016-10-28 | 一种油气管道凹坑的检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886302A (zh) * | 2019-01-21 | 2019-06-14 | 河北新兴铸管有限公司 | 基于机器学习的管径判断方法及终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008992A (zh) * | 2006-12-30 | 2007-08-01 | 北京市劳动保护科学研究所 | 基于人工神经网络的管道泄漏的检测方法 |
CN102122351A (zh) * | 2011-03-01 | 2011-07-13 | 哈尔滨工程大学 | 一种基于rbf神经网络的管道缺陷智能识别方法 |
CN106022365A (zh) * | 2016-05-16 | 2016-10-12 | 电子科技大学 | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 |
-
2016
- 2016-10-28 CN CN201610959676.2A patent/CN108009175A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008992A (zh) * | 2006-12-30 | 2007-08-01 | 北京市劳动保护科学研究所 | 基于人工神经网络的管道泄漏的检测方法 |
CN102122351A (zh) * | 2011-03-01 | 2011-07-13 | 哈尔滨工程大学 | 一种基于rbf神经网络的管道缺陷智能识别方法 |
CN106022365A (zh) * | 2016-05-16 | 2016-10-12 | 电子科技大学 | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 |
Non-Patent Citations (2)
Title |
---|
JIA GUANWEI等: "Research on RBF Neural Network Prediction of Oil and Gas Pipe Dent Depth", 《2016 IEEE/CSAA INTERNATIONAL CONFERENCE ON AIRCRAFT UTILITY SYSTEMS (AUS)》 * |
朱红秀等: "基于优化RBF神经网络的管道缺陷量化分析方法", 《仪表技术与传感器》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886302A (zh) * | 2019-01-21 | 2019-06-14 | 河北新兴铸管有限公司 | 基于机器学习的管径判断方法及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousakhani et al. | A novel interval type-2 fuzzy evaluation model based group decision analysis for green supplier selection problems: A case study of battery industry | |
CN107884475A (zh) | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 | |
CN104063588A (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 | |
CN104751229A (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
CN104654024A (zh) | 一种广义回归神经网络城市燃气管道泄漏定位分析方法 | |
CN111523825B (zh) | 基于多维度的高速公路沥青路面长期性能评价方法 | |
Cialani et al. | Sectoral analysis of club convergence in EU countries’ CO2 emissions | |
CN103631788A (zh) | 基于共享数据库的车辆制造质量问题诊断系统 | |
CN102411339A (zh) | 一种数控装备性能可靠性评估方法 | |
CN110067566A (zh) | 盾构纠偏力矩的预测方法及系统 | |
CN106372660A (zh) | 一种基于大数据分析的航天产品装配质量问题分类方法 | |
Yousefi et al. | Multi-criteria decision-making system for wind farm site-selection using geographic information system (GIS): case study of Semnan Province, Iran | |
CN100485359C (zh) | 基于信息融合的气液两相流流型识别方法及流型信号采集装置 | |
CN104866940A (zh) | 一种地质风险评价随机模拟方法 | |
CN106121622A (zh) | 一种基于示功图的有杆泵抽油井的多故障诊断方法 | |
CN107941900A (zh) | 一种钢质弯管缺陷非接触式检测方法 | |
CN104992051A (zh) | 一种燃气聚乙烯管道风险等级评价方法及系统 | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN103603794A (zh) | 一种储气库注采压缩机组自适应故障诊断方法及设备 | |
CN108009175A (zh) | 一种油气管道凹坑的检测方法及检测装置 | |
Zhou et al. | An Intelligent Site Selection Model for Hydrogen Refueling Stations Based on Fuzzy Comprehensive Evaluation and Artificial Neural Network—A Case Study of Shanghai | |
Ding et al. | A clustering-based framework for performance degradation prediction of slewing bearing using multiple physical signals | |
CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN108710946A (zh) | 深水立管系统风险维修决策优化的人因可靠性平衡法 | |
Xu et al. | Impact analysis of initial cracks’ angle on fatigue failure of flange shafts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180508 |