CN109613109A - 一种管道漏磁检测数据自动分析系统 - Google Patents
一种管道漏磁检测数据自动分析系统 Download PDFInfo
- Publication number
- CN109613109A CN109613109A CN201811551735.8A CN201811551735A CN109613109A CN 109613109 A CN109613109 A CN 109613109A CN 201811551735 A CN201811551735 A CN 201811551735A CN 109613109 A CN109613109 A CN 109613109A
- Authority
- CN
- China
- Prior art keywords
- data
- magnetic flux
- flux leakage
- server
- learning model
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Examining Or Testing Airtightness (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提出了一种管道漏磁检测数据的自动分析系统,包括管道漏磁检测器、客户端和服务器,所述管道漏磁检测器采集管道的漏磁检测数据并传输至服务器,在所述服务器上部署有数据生成器、训练器、推理器和预定义的自学习模型,通过深度学习人工智能技术来自动进行特征提取、自动进行模式识别和缺陷分类及缺陷量化,大量减少了人工的投入。
Description
技术领域
本发明涉及一种管道漏磁检测数据的自动分析系统,尤其涉及一种基于深度学习人工智能技术对管道漏磁检测数据进行自动分析的系统。
背景技术
漏磁检测是一种较普遍的铁磁性材料的无损检测手段,在油气管道、储油罐底板、各类钢板、钢棒、钢条、钢丝绳的缺陷检测中较为常用,有检测灵敏度高、不需要耦合剂、易于实现自动化、无污染等优点。但是,漏磁检测器所生成的数据量非常之大,特别是现代的高清漏磁检测器所生成的数据可以超过1MB/米,折合1GB/公里。如何从如此大量的数据中分析出对客户有用的定性及定量的信息是非常困难的。
目前普遍的做法是依靠人工预定义的规则来进行数据筛选,再由人根据波形来判断、给出缺陷的结论。例如,根据预定义的几个规则,对漏磁数据中的脉冲宽度、脉冲信号幅度值、脉冲位置等几个人工预定义的特征进行运算,筛选出异常信号位置,交给有经验的分析师根据波的形状来做判断。这个办法耗时较多,而且根据分析师的经验及主管差异会导致不同的分析师会得出不同的结果。
本发明专利的做法是通过深度学习人工智能技术来自动进行特征提取(不是人工定义的规则),自动进行模式识别和缺陷分类及缺陷量化。大量减少人工投入,达到几乎一个数量级的效率提升。
发明内容
本发明提出了一种自动提取管道漏磁检测数据特征并进行可视化输出的系统。
为解决背景技术中提出的问题,本发明采用以下技术方案:
一种管道漏磁检测数据自动分析系统,包括管道漏磁检测器、客户端和服务器,所述管道漏磁检测器采集管道的漏磁检测数据并传输至服务器,在所述服务器上部署有数据生成器、训练器、推理器和预定义的自学习模型,用于对来自所述检测器的数据进行计算处理,其特征在于:
所述数据生成器接收所述漏磁检测器传来的原始数据,并对所述原始数据进行加载、去噪后,将原始数据转换为具有所述预定义自学习模型可用格式的数据,并对格式转化后的数据按照采集位置的不同进行分段标定;
所述自学习模型为一组预定义的参数和算法;
当系统处于训练模式时,所述训练器根据所述自学习模型中包含的参数和算法,对所述数据生成器生成的数据进行循环迭代预测运算,并可将预测运算所得的结果数据与所述数据生成器生成的标定数据进行比较,并根据比较结果调整所述自学习模型中包含的参数,当所述预测运算所得结果与所述数据生成器生成的标定数据差值小于某一预设阈值时,迭代停止;
当系统处于推理模式时,所述推理器根据所述自学习模型中包含的参数和算法,对所述数据生成器中生成的数据进行运算;
所述可视化组件为一组预先定义的界面控件,用于显示推理器运算后的结果。
进一步的,所述训练器和推理器可以集中部署在一台服务器上,也可以分别部署在多台服务器上组成集群使用。
进一步的,所述自学习模型是基于深层卷积网络和深层循环网络的深度神经网络,层数可超过10层。
进一步的,所述管道漏磁检测器可以通过在线联机方式将检测数据传输至服务器,也可通过物理存储介质方式将检测数据拷贝至服务器。
进一步的,所述漏磁管道检测器可同时处理多路数据输入。
进一步的,所述漏磁管道检测器可同时处理多维度数据输入。
进一步的,所述可视化组件可以直接部署在所述服务器端,也可部署在所述客户端。
与现有技术相比,本发明具有以下技术效果:
1、具有自学习功能,可根据不同管道情况自动调节数据特征提取的参数,无需人工设置。
2、部署方式灵活,可组网工作,也可单机工作。
3、结果显示直观。
附图说明
图1为本发明处于训练模式的流程图;
图2为本发明处于推理模式的流程图;
图3为本发明的一种典型部署方式。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
图3为本发明的一种典型部署方式。本发明所述的管道漏磁检测器首先收集被检测管道的漏磁数据,并将数据传输至服务器上部署的数据生成器中。传输方式包括但不限于RS232、RS485、并口传输、以太网线、无线网络等在线网络传输方式,以及经由SD卡、闪存盘、硬盘等物理存储介质的传输方式。数据生成器在接收原始数据后,进行数据加载(至内存)、数据清洗(检查格式、根据预定规则去噪)、数据转换(传感器序号的对齐,位置信号对齐、里程信息校准、X、Y、Z方向数据的通道矩阵生成,数据归一化)、数据位置信息数据分发(至不同的训练服务器节点)。此外,数据生成器还可以进行数据增强及扩充、模拟数据的生成、数据的标定(也可以导出到外部软件进行标定),为模型训练提供符合要求的数据。
在系统开始分析数据之前,自学习模型首先要根据数据进行学习,具体过程为:将数据进行分段和标定,把去除标定值的数据输入自学习模型,并由自学习模型使用预定义的参数和算法进行迭代运算,预测出缺陷的量化数据。把预测数据与标定的数据进行比较,如果二者差值小于预定阈值,则停止迭代预测,否则根据差值调整自学习模型参数,并进行下一次迭代。
当系统结束学习后,自学习模型被推送至推理器中。由管道漏磁检测器收集的数据被送至推理器中处理,处理结果通过预置的可视化组件进行显示。
Claims (7)
1.一种管道漏磁检测数据自动分析系统,包括管道漏磁检测器、客户端和服务器,所述管道漏磁检测器采集管道的漏磁检测数据并传输至服务器,在所述服务器上部署有数据生成器、训练器、推理器和预定义的自学习模型,用于对来自所述检测器的数据进行计算处理,其特征在于:
所述数据生成器接收所述漏磁检测器传来的原始数据,并对所述原始数据进行加载、去噪后,将原始数据转换为具有所述预定义自学习模型可用格式的数据,并对格式转化后的数据按照采集位置的不同进行分段标定;
所述自学习模型为一组预定义的参数和算法;
当系统处于训练模式时,所述训练器根据所述自学习模型中包含的参数和算法,对所述数据生成器生成的数据进行循环迭代预测运算,并可将预测运算所得的结果数据与所述数据生成器生成的标定数据进行比较,并根据比较结果调整所述自学习模型中包含的参数,当所述预测运算所得结果与所述数据生成器生成的标定数据差值小于某一预设阈值时,迭代停止;
当系统处于推理模式时,所述推理器根据所述自学习模型中包含的参数和算法,对所述数据生成器中生成的数据进行运算;
所述可视化组件为一组预先定义的界面控件,用于显示推理器运算后的结果。
2.根据权利要求1所述的一种管道漏磁检测数据自动分析系统,其特征在于:
所述训练器和推理器可以集中部署在一台服务器上,也可以分别部署在多台服务器上组成集群使用。
3.根据权利要求1或2所述的一种管道漏磁检测数据自动分析系统,其特征在于:
所述自学习模型是基于深层卷积网络和深层循环网络的深度神经网络,层数可超过10层。
4.根据权利要求1或2所述的一种管道漏磁检测数据自动分析系统,其特征在于:
所述管道漏磁检测器可以通过在线联机方式将检测数据传输至服务器,也可通过物理存储介质方式将检测数据拷贝至服务器。
5.根据权利要求1或2所述的一种管道漏磁检测数据自动分析系统,其特征在于:
所述漏磁管道检测器可同时处理多路数据输入。
6.根据权利要求1或2所述的一种管道漏磁检测数据自动分析系统,其特征在于:
所述漏磁管道检测器可同时处理多维度数据输入。
7.根据权利要求1或2所述的一种管道漏磁检测数据自动分析系统,其特征在于:
所述可视化组件可以直接部署在所述服务器端,也可部署在所述客户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551735.8A CN109613109A (zh) | 2018-12-19 | 2018-12-19 | 一种管道漏磁检测数据自动分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551735.8A CN109613109A (zh) | 2018-12-19 | 2018-12-19 | 一种管道漏磁检测数据自动分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109613109A true CN109613109A (zh) | 2019-04-12 |
Family
ID=66009832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811551735.8A Pending CN109613109A (zh) | 2018-12-19 | 2018-12-19 | 一种管道漏磁检测数据自动分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109613109A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021039880A1 (ja) * | 2019-08-28 | 2021-03-04 | コニカミノルタ株式会社 | 非破壊検査の情報処理システム及び非破壊検査方法 |
CN113063843A (zh) * | 2021-02-22 | 2021-07-02 | 广州杰赛科技股份有限公司 | 一种管道缺陷识别方法、装置及存储介质 |
CN114354740A (zh) * | 2022-03-09 | 2022-04-15 | 成都熊谷油气科技有限公司 | 一种管道检测系统 |
CN115081485A (zh) * | 2022-07-04 | 2022-09-20 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002156363A (ja) * | 2000-11-20 | 2002-05-31 | Tokyo Gas Co Ltd | 導管の漏洩磁束探傷方法 |
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 |
CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
CN106950276A (zh) * | 2017-03-21 | 2017-07-14 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
-
2018
- 2018-12-19 CN CN201811551735.8A patent/CN109613109A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002156363A (ja) * | 2000-11-20 | 2002-05-31 | Tokyo Gas Co Ltd | 導管の漏洩磁束探傷方法 |
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 |
CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
CN106950276A (zh) * | 2017-03-21 | 2017-07-14 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021039880A1 (ja) * | 2019-08-28 | 2021-03-04 | コニカミノルタ株式会社 | 非破壊検査の情報処理システム及び非破壊検査方法 |
JP7351341B2 (ja) | 2019-08-28 | 2023-09-27 | コニカミノルタ株式会社 | 非破壊検査の情報処理システム及び非破壊検査方法 |
CN113063843A (zh) * | 2021-02-22 | 2021-07-02 | 广州杰赛科技股份有限公司 | 一种管道缺陷识别方法、装置及存储介质 |
CN114354740A (zh) * | 2022-03-09 | 2022-04-15 | 成都熊谷油气科技有限公司 | 一种管道检测系统 |
CN115081485A (zh) * | 2022-07-04 | 2022-09-20 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613109A (zh) | 一种管道漏磁检测数据自动分析系统 | |
CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN110516735B (zh) | 一种基于LSTM网络和Adam算法的天然气管道事件分类方法 | |
CN106482938A (zh) | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN114444620B (zh) | 一种基于生成式对抗神经网络的示功图故障诊断方法 | |
CN110648305A (zh) | 工业图像检测方法、系统与计算机可读记录介质 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN112836719B (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
CN114611958A (zh) | 一种基于机器学习的石油钻井大数据处理方法和装置 | |
CN108627242B (zh) | 基于盲源分离单边检测法的环冷机漏风率检测方法 |
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 |