CN110378370A - 一种基于脉冲涡流信号的油气井套管缺陷分类方法 - Google Patents
一种基于脉冲涡流信号的油气井套管缺陷分类方法 Download PDFInfo
- Publication number
- CN110378370A CN110378370A CN201910496710.0A CN201910496710A CN110378370A CN 110378370 A CN110378370 A CN 110378370A CN 201910496710 A CN201910496710 A CN 201910496710A CN 110378370 A CN110378370 A CN 110378370A
- Authority
- CN
- China
- Prior art keywords
- eddy current
- current signal
- value
- oil
- gas well
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明公开一种基于脉冲涡流信号的油气井套管缺陷分类方法。本发明对采集的脉冲涡流信号预处理后,进行特征提取形成组合特征量,建立多分类模型进行缺陷分类识别。本发明选取分类特征时使用时域特征值、频域特征值相结合得到的组合特征值作为分类器的输入,减少样本特征重合,有效提高分类精度;检测过程中采用三个方向探头进行检测,能够获取被测结构完整的空间三维信息;采用了多种消除噪声方法,能够有效提高信噪比并提高最终的分类准确度;采用支持向量机进行分类识别,泛化能力强、运算速度快,结果可靠准确,具有较好的应用前景,为被测油气井套管结构的健康状态评估及寿命预测提供支持。
Description
技术领域
本发明涉及导电结构无损检测领域,尤其涉及一种基于脉冲涡流信号的油气井套管缺陷分类方法。
背景技术
现代油气井工业中,一体化油井得到了广泛的使用,其主体结构是多层的油套管结构。由于长期服役在严苛的工作环境中,作为保护层的套管往往会出现不同程度的缺陷,如:挤压、变形等,这些缺陷会严重影响整体结构的完整性,带来安全隐患。
不同类型的缺陷会对整体结构产生不同的影响,相应的修复措施也不尽相同,因此实现对油气井多层管柱结构缺陷的分类识别很有意义。脉冲涡流检测是油气井多层管柱导电结构缺陷检测的有效方法,不同类型的缺陷会对脉冲涡流检测信号有着不同的影响,根据检测信号进行适当的处理可以获得缺陷的分类信息。
针对导电结构脉冲涡流检测方法,已有一些学者开展了相关研究。张曦郁等人结合了远场涡流和脉冲涡流技术,提出了基于堆叠自编码器神经网络的分类方法,实现了对油套管内管外壁腐蚀、外管内壁腐蚀和外管外壁腐蚀的分类。王立敏等人在连续油管上设计并预制了裂纹、腐蚀缺陷和椭圆度缺陷,对连续油管的缺陷和椭圆度进行试验评价,通过分析缺陷处的磁场异常特征,实现缺陷的定位、定性和定量分析。Mao等人在铁磁性管道的测厚研究中使用了基于Levenberg-Marquardt算法和变量变换的检测算法,获得了较好的检测结果。然而现有的检测方法存在一些问题:提取单一的时域特征,如:峰值、峰值时间等,容易受到各种外界干扰的影响,造成分类结果不准确;采用的分类方法往往只能区分几种区别明显的类型,如:横向裂缝和纵向裂缝,而难以将实际工况中出现的全部类型进行区分。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于脉冲涡流信号的油气井套管缺陷分类方法。
本发明的目的是通过以下技术方案来实现的:一种基于脉冲涡流信号的油气井套管缺陷分类方法,包括以下步骤:
(1)实验数据采集,包括以下子步骤:
(1.1)使用空间轴线两两垂直的三个电磁线圈探头对被测油气井套管结构进行扫描检测,得到脉冲涡流信号U0,并获取对应的缺陷类型;
(1.2)对步骤1.1检测到的脉冲涡流信号U0进行积分采样,得到数字化的采样信号U1;
(2)对步骤1.2得到的采样信号U1进行平滑滤波、均值中心化处理,获得预处理后的脉冲涡流信号U2;
(3)进行特征提取并形成组合特征量,包括以下子步骤:
(3.1)对步骤2预处理后的脉冲涡流信号U2划分为训练集Uc和测试集Up;
(3.2)对步骤3.1获得的训练集Uc和测试集Up分别进行时域特征值提取,得到训练集时域特征值Tc和测试集时域特征值Tp。训练集时域特征值Tc包括训练集Uc经过最小二乘拟合后的斜率kc和第一采样点数据bc;测试集时域特征值Tp包括测试集Up经过最小二乘拟合后的斜率kp和第一采样点数据bp,其中,Tc=[kc,bc],Tp=[kp,bp];
(3.3)对步骤3.1获得的训练集Uc和测试集Up分别进行快速傅里叶变换得到频域响应信号,将频域响应信号的峰值作为训练集频域特征值Fc和测试集频域特征值Fp;
(3.4)对步骤3.2得到的训练集时域特征值Tc、测试集时域特征值Tp和步骤3.3得到的训练集频域特征值Fc、测试集频域特征值Fp分别进行特征组合,得到训练集组合特征量Qc和测试集组合特征量Qp,其中,Qc=[Tc,Fc],Qp=[Tp,Fp];
(4)建立多分类模型,进行缺陷分类识别,包括以下子步骤:
(4.1)将步骤3.4得到的训练集组合特征量Qc和步骤1.1获取的缺陷类型作为输入,输入到多分类支持向量机分类器中进行训练,得到多分类模型;
(4.2)将步骤3.4得到的测试集组合特征量Qp输入到由步骤4.1得到的多分类模型中,获得油气井套管缺陷分类的识别结果;
进一步地,步骤1.1中所述缺陷类型包括无缺陷类型、横缝、纵缝、斜缝孔洞、弯曲、单面挤压、对称双面挤压、直角双面挤压、三面挤压、四面挤压、节箍。
进一步地,步骤1.1中所述扫描检测的方式为从上至下。
进一步地,步骤3.1中所述划分方法为留出法。
进一步地,步骤3.1中所述训练集Uc和测试集Up的比例为3:1。
本发明的有益效果如下:
1.本发明时域特征提取时选择各个探头的信号响应曲线拟合斜率和第一采样点数据,包含了较丰富的被测对象时域信息;频域特征提取时选择频谱峰值作为频域特征,包含了较丰富的被测对象频域信息;选取分类特征时使用时域特征值、频域特征值相结合得到的组合特征值作为分类器的输入,减少样本特征重合,有效提高了分类精度。
2.本发明检测过程中采用三个方向探头进行检测,能够获取被测结构完整的空间三维信息;采用了多种消除噪声方法,能够有效提高信噪比并提高最终的分类准确度;采用支持向量机进行分类识别,泛化能力强、运算速度快,结果可靠准确,具有较好的应用前景,为被测油气井套管结构的健康状态评估及寿命预测提供支持。
附图说明
图1是本发明的缺陷检测总体技术路线图;
图2是本发明检测仪器及三个方向探头空间分布示意图;
图3是本发明的缺陷检测研究步骤示意图;
图中,纵向探头1,第一横向探头2,第二横向探头3。
具体实施方式
以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明一种基于脉冲涡流信号的油气井套管缺陷分类方法,该方法包括如下步骤:
(1)实验数据采集,包括以下子步骤:
(1.1)使用空间轴线两两垂直的三个电磁线圈探头对被测油气井套管结构从上至下进行扫描检测,得到脉冲涡流信号U0(单位为mV),并获取对应的缺陷类型。所述探头为仪器的配件,采用的仪器为西安格威石油仪器有限公司的magnetic thickness detector(MTD,磁性测厚仪)。所述缺陷类型包括无缺陷类型、横缝、纵缝、斜缝孔洞、弯曲、单面挤压、对称双面挤压、直角双面挤压、三面挤压、四面挤压、节箍。
(1.2)对步骤1.1检测到的脉冲涡流信号U0进行积分采样,按照仪器预设的采样规则,得到数字化的采样信号U1。
(2)对步骤1.2得到的采样信号U1进行平滑滤波、均值中心化处理,获得预处理后的脉冲涡流信号U2。
(3)进行特征提取并形成组合特征量,包括以下子步骤:
(3.1)对步骤2预处理后的脉冲涡流信号U2利用留出法按照3:1的比例划分为训练集Uc和测试集Up;
(3.2)对步骤3.1获得的训练集Uc和测试集Up分别进行时域特征值提取,得到训练集时域特征值Tc和测试集时域特征值Tp。训练集时域特征值Tc包括训练集Uc经过最小二乘拟合后的斜率kc和第一采样点数据bc;测试集时域特征值Tp包括测试集Up经过最小二乘拟合后的斜率kp和第一采样点数据bp,其中,Tc=[kc,bc],Tp=[kp,bp];
(3.3)对步骤3.1获得的训练集Uc和测试集Up分别进行快速傅里叶变换得到频域响应信号,将频域响应信号的峰值作为训练集频域特征值Fc和测试集频域特征值Fp。
(3.4)对步骤3.2得到的训练集时域特征值Tc、测试集时域特征值Tp和步骤3.3得到的训练集频域特征值Fc、测试集频域特征值Fp分别进行特征组合,得到训练集组合特征量Qc和测试集组合特征量Qp,其中,Qc=[Tc,Fc],Qp=[Tp,Fp]。
(4)建立多分类模型,进行缺陷分类识别,包括以下子步骤:
(4.1)将步骤3.4得到的训练集组合特征量Qc和步骤1.1获取的缺陷类型作为输入,输入到多分类支持向量机分类器中进行训练,得到多分类模型;
(4.2)将步骤3.4得到的测试集组合特征量Qp输入到由步骤4.1得到的多分类模型中,获得步骤1.2中缺陷类型的识别结果。
实施例
本发明基于组合特征和支持向量机模型的油气井多层管柱结构脉冲涡流无损检测方法的总体技术路线和研究步骤如图1、图3所示,包括如下步骤:
S1:实验数据采集,本发明的实施例中,共获得4800组实验数据;
S1.1:使用线圈空间轴线两两垂直的三个线圈探头从上至下对被测多层管柱结构进行快速扫描检测,获得脉冲涡流电压信号,并获取对应的缺陷类型。
所使用的三个方向探头空间分布如图2所示,第一横向探头2和第二横向探头3的空间轴线水平且相互垂直,纵向探头1的空间轴线水平竖直。
S1.2:对检测到的信号进行数字化采样;为了保证采样数据的准确性,电压值越小的部分采样时间越长,对采样时间内的数据求积分值,之后除以采样时长,得到每个采样点上的脉冲涡流电压值。
S2:对S1.2采集的数据进行预处理,去除噪声干扰;
S2.1:对S1.2采集的数据分别进行阈值判断、平滑滤波以消除随机噪声;
S2.2:对S2.1得到的数据进一步进行均值中心化处理以提高响应曲线的信噪比;
S2.3:对S2.2得到的响应信号数据利用留出法按照3:1的比例划分训练集和测试集数据
S3:对S2.3获得的训练集和测试集信号分别进行特征提取并形成组合特征量,应用组合特征量,可以一次性对油气井多层管柱内部性状进行定性评价分析;
S3.1:对S2.3获得的训练集和测试集信号分别时域特征提取,时域特征包括响应曲线最小二乘拟合后的斜率及响应曲线第一采样点数据;
S3.2:对S2.3获得的训练集和测试集信号分别进行快速傅里叶变换得到频域响应信号,并提取频谱峰值作为频域特征值;
S3.3:对S3.1、S3.2提取每个探头的训练集和测试集信号的时域、频域特征值分别进行组合,形成训练集组合特征量,测试集组合特征量;
S4:使用S3.3获得的组合特征量进行分类识别。本发明的实施例中,共获得4800组实验数据,其中无缺陷数据3105组,有缺陷数据1695组,有缺陷数据共有11种分类,包括横缝、纵缝、斜缝孔洞、弯曲、单面挤压、双面挤压(对称)、双面挤压(直角)、三面挤压、四面挤压、节箍;
S4.1:将S3.3获得的训练集组合特征量和S1.1获取的缺陷类型作为输入,输入到多分类支持向量机分类器中进行训练,得到基于本发明实施例的多分类模型;
S4.2:将S3.3获得的测试集组合特征量输入到由S4.1得到的多分类模型中,获得油气井套管缺陷类型的识别结果。本发明的实施例中,分类准确度约为92%。
其中,S4.1和S4.2中的分类器采用了支持向量机方法,具有可靠准确,泛化能力强、运算速度快等优点。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (5)
1.一种基于脉冲涡流信号的油气井套管缺陷分类方法,其特征在于,包括以下步骤:
(1)实验数据采集,包括以下子步骤:
(1.1)使用空间轴线两两垂直的三个电磁线圈探头对被测油气井套管结构进行扫描检测,得到脉冲涡流信号U0,并获取对应的缺陷类型。
(1.2)对步骤1.1检测到的脉冲涡流信号U0进行积分采样,得到数字化的采样信号U1。
(2)对步骤1.2得到的采样信号U1进行平滑滤波、均值中心化处理,获得预处理后的脉冲涡流信号U2。
(3)进行特征提取并形成组合特征量,包括以下子步骤:
(3.1)对步骤2预处理后的脉冲涡流信号U2划分为训练集Uc和测试集Up。
(3.2)对步骤3.1获得的训练集Uc和测试集Up分别进行时域特征值提取,得到训练集时域特征值Tc和测试集时域特征值Tp。训练集时域特征值Tc包括训练集Uc经过最小二乘拟合后的斜率kc和第一采样点数据bc;测试集时域特征值Tp包括测试集Up经过最小二乘拟合后的斜率kp和第一采样点数据bp,其中,Tc=[kc,bc],Tp=[kp,bp]。
(3.3)对步骤3.1获得的训练集Uc和测试集Up分别进行快速傅里叶变换得到频域响应信号,将频域响应信号的峰值作为训练集频域特征值Fc和测试集频域特征值Fp。
(3.4)对步骤3.2得到的训练集时域特征值Tc、测试集时域特征值Tp和步骤3.3得到的训练集频域特征值Fc、测试集频域特征值Fp分别进行特征组合,得到训练集组合特征量Qc和测试集组合特征量Qp,其中,Qc=[Tc,Fc],Qp=[Tp,Fp]。
(4)建立多分类模型,进行缺陷分类识别,包括以下子步骤:
(4.1)将步骤3.4得到的训练集组合特征量Qc和步骤1.1获取的缺陷类型作为输入,输入到多分类支持向量机分类器中进行训练,得到多分类模型。
(4.2)将步骤3.4得到的测试集组合特征量Qp输入到由步骤4.1得到的多分类模型中,获得油气井套管缺陷分类的识别结果。
2.根据权利要求1所述基于脉冲涡流信号的油气井套管缺陷分类方法,其特征在于,步骤1.1中所述缺陷类型包括无缺陷类型、横缝、纵缝、斜缝孔洞、弯曲、单面挤压、对称双面挤压、直角双面挤压、三面挤压、四面挤压、节箍。
3.根据权利要求1所述基于脉冲涡流信号的油气井套管缺陷分类方法,其特征在于,步骤1.1中所述扫描检测的方式为从上至下。
4.根据权利要求1所述基于脉冲涡流信号的油气井套管缺陷分类方法,其特征在于,步骤3.1中所述划分方法为留出法。
5.根据权利要求1所述基于脉冲涡流信号的油气井套管缺陷分类方法,其特征在于,步骤3.1中所述训练集Uc和测试集Up的比例为3:1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910496710.0A CN110378370A (zh) | 2019-06-10 | 2019-06-10 | 一种基于脉冲涡流信号的油气井套管缺陷分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910496710.0A CN110378370A (zh) | 2019-06-10 | 2019-06-10 | 一种基于脉冲涡流信号的油气井套管缺陷分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378370A true CN110378370A (zh) | 2019-10-25 |
Family
ID=68249961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910496710.0A Pending CN110378370A (zh) | 2019-06-10 | 2019-06-10 | 一种基于脉冲涡流信号的油气井套管缺陷分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378370A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015684A (zh) * | 2022-08-10 | 2022-09-06 | 山东和兑智能科技有限公司 | 基于时频域特征融合的高压套管数字化评估方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257182A (zh) * | 2013-06-07 | 2013-08-21 | 电子科技大学 | 一种脉冲涡流缺陷定量检测方法及检测系统 |
CN103336049A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种消除提离效应的脉冲涡流检测方法及装置 |
CN104266579A (zh) * | 2014-10-08 | 2015-01-07 | 北京航空航天大学 | 一种对铁磁构件进行脉冲涡流检测的信号特征量的提取方法 |
CN109142514A (zh) * | 2018-09-29 | 2019-01-04 | 东北大学 | 一种基于脉冲涡流阵列的缺陷检测装置及方法 |
CN109632944A (zh) * | 2019-01-17 | 2019-04-16 | 浙江大学 | 一种基于组合特征的多层管柱结构脉冲涡流无损检测方法 |
-
2019
- 2019-06-10 CN CN201910496710.0A patent/CN110378370A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257182A (zh) * | 2013-06-07 | 2013-08-21 | 电子科技大学 | 一种脉冲涡流缺陷定量检测方法及检测系统 |
CN103336049A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种消除提离效应的脉冲涡流检测方法及装置 |
CN104266579A (zh) * | 2014-10-08 | 2015-01-07 | 北京航空航天大学 | 一种对铁磁构件进行脉冲涡流检测的信号特征量的提取方法 |
CN109142514A (zh) * | 2018-09-29 | 2019-01-04 | 东北大学 | 一种基于脉冲涡流阵列的缺陷检测装置及方法 |
CN109632944A (zh) * | 2019-01-17 | 2019-04-16 | 浙江大学 | 一种基于组合特征的多层管柱结构脉冲涡流无损检测方法 |
Non-Patent Citations (1)
Title |
---|
彭谢丹: "面向钢轨踏面斜裂纹伤损的脉冲涡流检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑(月刊)铁路运输》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015684A (zh) * | 2022-08-10 | 2022-09-06 | 山东和兑智能科技有限公司 | 基于时频域特征融合的高压套管数字化评估方法与系统 |
CN115015684B (zh) * | 2022-08-10 | 2022-11-29 | 山东和兑智能科技有限公司 | 基于时频域特征融合的高压套管数字化评估方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Reduction of lift-off effects for pulsed eddy current NDT | |
US8536860B2 (en) | Method and apparatus for non-destructive testing | |
CN102759567B (zh) | 直流磁化下钢管内外壁缺陷的涡流检测识别及评价方法 | |
CN109444257B (zh) | 一种基于频域提离交叉点的脉冲涡流检测装置及方法 | |
CN104359389B (zh) | 一种测量铁磁构件壁厚相对变化量的脉冲涡流检测方法 | |
CN104266579B (zh) | 一种对铁磁构件进行脉冲涡流检测的信号特征量的提取方法 | |
CN205426851U (zh) | 一种金属线材表面缺陷在线检测装置 | |
CN102269814A (zh) | 一种用于基桩质量智能检测的方法 | |
Kandroodi et al. | Defect detection and width estimation in natural gas pipelines using MFL signals | |
CN110231395A (zh) | 一种钢丝绳断丝损伤识别方法及系统 | |
CN112229904A (zh) | 一种脉冲远场涡流检测探头及使用方法 | |
CN105866234B (zh) | 电涡流和巴克豪森相融合的铁磁材料无损检测仪器和方法 | |
CN102128880A (zh) | 一种裂纹形状反演方法 | |
EP3344982B1 (en) | A method and system for detecting a material discontinuity in a magnetisable article | |
CN110378370A (zh) | 一种基于脉冲涡流信号的油气井套管缺陷分类方法 | |
Lei et al. | Ultrasonic pig for submarine oil pipeline corrosion inspection | |
Ren et al. | Shaking noise elimination for detecting local flaw in steel wire ropes based on magnetic flux leakage detection | |
Faurschou et al. | Pulsed eddy current probe optimization for steel pipe wall thickness measurement | |
CN112415088A (zh) | 一种内穿式横向脉冲涡流检测探头及其使用方法 | |
CN109632944A (zh) | 一种基于组合特征的多层管柱结构脉冲涡流无损检测方法 | |
CA2965105C (en) | Method and apparatus for material identification of pipelines and other tubulars | |
Luo et al. | Approach for removing ghost-images in remote field eddy current testing of ferromagnetic pipes | |
CN107178710B (zh) | 一种基于内外检测信号特征提取的管道缺陷内外辨识方法 | |
CN201527411U (zh) | 二维低频脉冲涡流探头 | |
CN111197471B (zh) | 井下筛管瞬变电磁检测计算模型及检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191025 |
|
WD01 | Invention patent application deemed withdrawn after publication |