CN110702782B - 一种用于石油管道的无损检测系统及其检测方法 - Google Patents

一种用于石油管道的无损检测系统及其检测方法 Download PDF

Info

Publication number
CN110702782B
CN110702782B CN201910966470.6A CN201910966470A CN110702782B CN 110702782 B CN110702782 B CN 110702782B CN 201910966470 A CN201910966470 A CN 201910966470A CN 110702782 B CN110702782 B CN 110702782B
Authority
CN
China
Prior art keywords
detection
petroleum pipeline
delta
point
detection point
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.)
Active
Application number
CN201910966470.6A
Other languages
English (en)
Other versions
CN110702782A (zh
Inventor
刘佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Mechatronics College
Original Assignee
Liaoning Mechatronics College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Mechatronics College filed Critical Liaoning Mechatronics College
Priority to CN201910966470.6A priority Critical patent/CN110702782B/zh
Publication of CN110702782A publication Critical patent/CN110702782A/zh
Application granted granted Critical
Publication of CN110702782B publication Critical patent/CN110702782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • 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
    • G01N27/84—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 by applying magnetic powder or magnetic ink
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
    • G01N2223/1016—X-ray
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/628—Specific applications or type of materials tubes, pipes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明公开一种用于石油管道的无损检测系统，包括：检测模块，其能够吸附在石油管道上，对所述石油管道进行检测；数据传输模块，其与所述检测模块连接，用于传输数据；控制器，其与所述数据传输模块连接，用于接收数据并处理，输出检测结果。通过吸附在石油管道上的检测模块，对石油管道进行检测，对石油管道的检测点进行综合评价，提高检测准确性和石油管道的安全性。本发明还公开一种用于石油管道的无损检测系统的检测方法，能够对石油管道划分多点进行检测，获取石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态，并基于BP神经网络确定石油管道检测点的状态值。

Description

一种用于石油管道的无损检测系统及其检测方法
技术领域
本发明石油管道检测技术领域，更具体的是，本发明涉及一种用于石油管道的无损检测系统及其检测方法。
背景技术
管道作为大量输送石油、气体等能源的安全经济的运输手段，在世界各地得到了广泛应用，为了保障油气管道的安全运行，延长使用寿命，应对其定期进行检测，以便发现问题，采取措施。
现有的无损检测方法有超声波检测、电磁脉冲检测等方法，但超声波无损检测方式需要探头和被测物之间添加耦合剂，此方式只适合产品出厂前的静态测试，对于作业过程中一直在移动的连续油管，无法持续添加耦合剂。由于作业现场要求检测设备必须与连续油管无接触，且响应速度快，检测精度高，因此只能选择漏磁检测与涡流检测相结合的手段，才能实现油管缺陷和油管椭圆度的检测目标。并且只进行单一检测，没有办法对油管各点进行综合评价，只能单一分析其在一个面的安全性能，很容易造成漏评，或者检测不及时，形成安全隐患。
发明内容
本发明的一个目的是设计开发了一种用于石油管道的无损检测系统，通过吸附在石油管道上的检测模块，对石油管道进行检测，对石油管道的检测点进行综合评价，提高检测准确性和石油管道的安全性。
本发明的另一个目的是设计开发了一种用于石油管道的无损检测系统的检测方法，能够对石油管道划分多点进行检测，获取石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态，并基于BP神经网络确定石油管道检测点的状态值。
本发明还能根据检测点的壁厚安全系数，变形安全系数，焊缝安全系数，确定检测点的综合评价值，对石油管道的检测点进行综合评价，提高检测准确性和石油管道的安全性。
本发明提供的技术方案为：
一种用于石油管道的无损检测系统，包括：
检测模块，其能够吸附在石油管道上，对所述石油管道进行检测；
数据传输模块，其与所述检测模块连接，用于传输数据；
控制器，其与所述数据传输模块连接，用于接收数据并处理，输出检测结果。
优选的是，所述检测模块包括：
振动检测器，用于获取石油管道检测点的振动参数；
涡流检测器，用于获取石油管道检测点的涡流变化；
磁漏通检测器，用于获取石油管道检测点的漏磁变化；
激光检测器，用于获取石油管道检测点变形情况；
X射线检测器，用于获取石油管道检测点焊缝状态。
一种用于石油管道的无损检测系统的检测方法，对石油管道划分多点进行检测，获取石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态，并基于BP神经网络确定石油管道检测点的状态值，具体包括如下步骤：
步骤一、按照采样周期，测量石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5}；其中，x1为石油管道检测点的振动参数，x2为检测点的涡流变化，x3为检测点的漏磁变化，x4为检测点的变形情况，x5为检测点的焊缝状态；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2,o3,o4}；其中，o1为检测点壁厚状态值，o2为检测点变形状态值，o3为检测点焊缝状态值，o4为检测点腐蚀状态值，当检测点不为管道之间的焊缝连接处时，o3＝100。
优选的是，还包括：对获得的检测点的壁厚状态值，变形状态值，焊缝状态值，以及腐蚀状态值进行归一化，获得检测点的壁厚安全系数，变形安全系数，焊缝安全系数，以及腐蚀安全系数：
Figure BDA0002230650580000031
其中，δj为检测点第j项的安全系数，oj分别为输出参数：检测点的壁厚状态值，变形状态值，焊缝状态值，以及腐蚀状态值，j＝1,2,3,4；ojmax和ojmin分别为相应输出参数中的最大值和最小值。
优选的是，还包括获得检测点的综合评价值：
Figure BDA0002230650580000032
其中，A为检测点的综合评价值，A0为检测点的综合评价标准值，e为自然对数的底数，ξ为校正系数，δ1为检测点的壁厚安全系数，δ1∈[δ10,1]，δ10为检测点的壁厚安全阈值，δ2为检测点的变形安全系数，δ2∈[δ20,1]，δ20为检测点的变形安全阈值，δ3为检测点的焊缝安全系数，δ3∈[δ30,1]，δ30为检测点的焊缝安全阈值，δ4为检测点的腐蚀安全系数，δ4∈[δ40,1]，δ40为检测点的腐蚀安全阈值；
当A≥85时，检测点处于安全状态；
当60≤A＜85时，每隔3h对检测点进行检查；
当A＜60时，检测点处于危险状态，立即更换对应石油管道或者进行修复。
优选的是，当δ1＜δ10时，检测点壁厚过薄，立即更换对应石油管道或者进行修复。
优选的是，当δ2＜δ20时，检测点形变过大，立即更换对应石油管道或者进行修复。
优选的是，当δ3＜δ30时，检测点焊缝不符合要求，立即进行修复。
优选的是，当δ4＜δ40时，检测点腐蚀严重，立即更换对应石油管道或者进行修复。
优选的是，所述隐层的神经元为5个；所述隐层及所述输出层的激励函数均采用S型函数f(x)＝1/(1+e-x)。
本发明所述的有益效果：
(1)本发明设计开发的用于石油管道的无损检测系统，通过吸附在石油管道上的检测模块，对石油管道进行检测，对石油管道的检测点进行综合评价，提高检测准确性和石油管道的安全性。
(2)本发明设计开发的用于石油管道的无损检测系统的检测方法，能够对石油管道划分多点进行检测，获取石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态，并基于BP神经网络确定石油管道检测点的状态值。本发明还能根据检测点的壁厚安全系数，变形安全系数，焊缝安全系数，确定检测点的综合评价值，对石油管道的检测点进行综合评价，提高检测准确性和石油管道的安全性。
附图说明
图1为本发明所述用于石油管道的无损检测系统的模块示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种用于石油管道的无损检测系统，包括：检测模块，其能够吸附在石油管道上，对石油管道进行检测，所述的检测模块包括：振动检测器，用于获取石油管道检测点的振动参数；涡流检测器，用于获取石油管道检测点的涡流变化；磁漏通检测器，用于获取石油管道检测点的漏磁变化；激光检测器，用于获取石油管道检测点变形情况；X射线检测器，用于获取石油管道检测点焊缝状态。数据传输模块，其与检测模块连接，用于传输数据；控制器，其与数据传输模块连接，用于接收数据并处理，输出检测结果。
本发明设计开发的用于石油管道的无损检测系统，通过吸附在石油管道上的检测模块，对石油管道进行检测，对石油管道的检测点进行综合评价，提高检测准确性和石油管道的安全性。
本发明还提供一种用于石油管道的无损检测系统的检测方法，对石油管道划分多点进行检测，获取石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态，并基于BP神经网络确定石油管道检测点的状态值，具体包括如下步骤：
步骤一、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
Figure BDA0002230650580000051
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示系统工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入向量：x＝(x1,x2,...,xn)T
中间层向量：y＝(y1,y2,...,ym)T
输出向量：o＝(o1,o2,...,op)T
本发明中，输入层节点数为n＝5，输出层节点数为p＝4，隐藏层节点数m＝5。
输入层5个参数分别表示为：x1为石油管道检测点的振动参数，x2为检测点的涡流变化，x3为检测点的漏磁变化，x4为检测点的变形情况，x5为检测点的焊缝状态；
输出层4个参数分别表示为：o1为检测点壁厚状态值，o2为检测点变形状态值，o3为检测点焊缝状态值，o4为检测点腐蚀状态值，当检测点不为管道之间的焊缝连接处时，o3＝100，需要说明的的，数值越大代表安全性能越好。
步骤二、进行BP神经网络的训练。
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致。
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
Figure BDA0002230650580000061
式中，
Figure BDA0002230650580000062
为第n次计算时l层的j单元信息加权和，
Figure BDA0002230650580000063
为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，
Figure BDA0002230650580000064
为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令
Figure BDA0002230650580000065
Figure BDA0002230650580000066
为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数，则
Figure BDA0002230650580000067
且
Figure BDA0002230650580000071
若神经元j属于第一隐层(l＝1)，则有
Figure BDA0002230650580000072
若神经元j属于输出层(l＝L)，则有
Figure BDA0002230650580000073
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
Figure BDA0002230650580000074
对隐单元
Figure BDA0002230650580000075
(c)修正权值：
Figure BDA0002230650580000076
η为学习速率。
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
Δω＝(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。
步骤三、对获得的检测点的壁厚状态值，变形状态值，焊缝状态值，以及腐蚀状态值进行归一化，获得检测点的壁厚安全系数，变形安全系数，焊缝安全系数，以及腐蚀安全系数：
Figure BDA0002230650580000081
其中，δj为检测点第j项的安全系数，oj分别为输出参数：检测点的壁厚状态值，变形状态值，焊缝状态值，以及腐蚀状态值，j＝1,2,3,4；ojmax和ojmin分别为相应输出参数中的最大值和最小值。
步骤四、获得检测点的综合评价值：
Figure BDA0002230650580000082
其中，A为检测点的综合评价值，A0为检测点的综合评价标准值，e为自然对数的底数，ξ为校正系数，与管道材质有关，δ1为检测点的壁厚安全系数，δ1∈[δ10,1]，δ10为检测点的壁厚安全阈值(与管道材质有关)，δ2为检测点的变形安全系数，δ2∈[δ20,1]，δ20为检测点的变形安全阈值(与管道材质有关)，δ3为检测点的焊缝安全系数，δ3∈[δ30,1]，δ30为检测点的焊缝安全阈值(与管道材质有关)，δ4为检测点的腐蚀安全系数，δ4∈[δ40,1]，δ40为检测点的腐蚀安全阈值(与管道材质有关)；
当A≥85时，检测点处于安全状态；
当60≤A＜85时，每隔3h对检测点进行检查；
当A＜60时，检测点处于危险状态，立即更换对应石油管道或者进行修复。
当δ1＜δ10时，检测点壁厚过薄，立即更换对应石油管道或者进行修复。
当δ2＜δ20时，检测点形变过大，立即更换对应石油管道或者进行修复。
当δ3＜δ30时，检测点焊缝不符合要求，立即进行修复。
当δ4＜δ40时，检测点腐蚀严重，立即更换对应石油管道或者进行修复。
下面结合具体的实施例进一步的对本发明提供的用于石油管道的无损检测系统的检测方法进行说明。
模拟10组不同的管道(相同材质)，并在管道上的不同部位设置有不同的缺陷，并通入与石油密度和粘度相接近的液体进行试验，并采用本发明提供的检测方法进行检测，输出结果如表1所示。
表1输出结果
序号 壁厚状态值 变形状态值 焊缝状态值 腐蚀状态值
1 90 92 100 91
2 75 80 90 82
3 65 56 78 70
4 56 70 95 60
5 80 91 85 75
6 95 88 100 93
7 45 32 76 50
8 55 61 80 62
9 76 55 46 80
10 82 61 28 79
通过多次检测确定，壁厚状态值的最大值为100，最小时为5；变形状态值的最大值为100，最小时为10；焊缝状态值的最大值为100，最小时为0；腐蚀状态值的最大值为100，最小时为5，对获得的检测点的壁厚状态值，变形状态值，焊缝状态值，以及腐蚀状态值进行归一化，获得检测点的壁厚安全系数，变形安全系数，焊缝安全系数，以及腐蚀安全系数，具体结果如表2所示。
表2归一化数据结果
Figure BDA0002230650580000091
Figure BDA0002230650580000101
由于采用相同材质，确定校正系数ξ＝0.0673，设定A0＝100，δ10＝0.3，δ20＝0.4，δ30＝0.5，δ40＝0.3，获得检测点的综合评价值，如表3所示。
表3综合评价值
序号 综合评价值 管道安全状态
1 99.1 安全
2 59.1 更换或修复
3 77.8 定期检查
4 67.7 定期检查
5 82.2 定期检查
6 88.3 安全
7 / 更换或修复
8 55.4 更换或修复
9 / 更换或修复
10 / 更换或修复
对实施例2、7-10的管道进行修复或者更换为一组，另一组不做任何处理，继续进行流体试验，持续3个月，其结果如表4所示。
表4试验结果
Figure BDA0002230650580000102
Figure BDA0002230650580000111
由表4可知，本发明提供的检测方法检测结果较准确，能够提前预防隐患的发生。
本发明设计开发的用于石油管道的无损检测系统的检测方法，能够对石油管道划分多点进行检测，获取石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态，并基于BP神经网络确定石油管道检测点的状态值。本发明还能根据检测点的壁厚安全系数，变形安全系数，焊缝安全系数，确定检测点的综合评价值，对石油管道的检测点进行综合评价，提高检测准确性和石油管道的安全性。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (6)

1.一种用于石油管道的无损检测系统的检测方法，其特征在于，对石油管道划分多点进行检测，获取石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态，并基于BP神经网络确定石油管道检测点的状态值，具体包括如下步骤：
步骤一、按照采样周期，测量石油管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5}；其中，x1为石油管道检测点的振动参数，x2为检测点的涡流变化，x3为检测点的漏磁变化，x4为检测点的变形情况，x5为检测点的焊缝状态；
步骤三、所述输入层神经元向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2,o3,o4}；其中，o1为检测点壁厚状态值，o2为检测点变形状态值，o3为检测点焊缝状态值，o4为检测点腐蚀状态值，当检测点不为管道之间的焊缝连接处时，o3＝100；
对获得的检测点的壁厚状态值，变形状态值，焊缝状态值，以及腐蚀状态值进行归一化，获得检测点的壁厚安全系数，变形安全系数，焊缝安全系数，以及腐蚀安全系数：
Figure FDA0003333476400000011
其中，δj为检测点第j项的安全系数，oj分别为输出参数：检测点的壁厚状态值，变形状态值，焊缝状态值，以及腐蚀状态值，j＝1,2,3,4；ojmax和ojmin分别为相应输出参数中的最大值和最小值；
还包括获得检测点的综合评价值：
Figure FDA0003333476400000021
其中，A为检测点的综合评价值，A0为检测点的综合评价标准值，e为自然对数的底数，ξ为校正系数，δ1为检测点的壁厚安全系数，δ1∈[δ10,1]，δ10为检测点的壁厚安全阈值，δ2为检测点的变形安全系数，δ2∈[δ20,1]，δ20为检测点的变形安全阈值，δ3为检测点的焊缝安全系数，δ3∈[δ30,1]，δ30为检测点的焊缝安全阈值，δ4为检测点的腐蚀安全系数，δ4∈[δ40,1]，δ40为检测点的腐蚀安全阈值；
当A≥85时，检测点处于安全状态；
当60≤A<85时，每隔3h对检测点进行检查；
当A<60时，检测点处于危险状态，立即更换对应石油管道或者进行修复。
2.如权利要求1所述的用于石油管道的无损检测系统的检测方法，其特征在于，当δ1<δ10时，检测点壁厚过薄，立即更换对应石油管道或者进行修复。
3.如权利要求2所述的用于石油管道的无损检测系统的检测方法，其特征在于，当δ2<δ20时，检测点形变过大，立即更换对应石油管道或者进行修复。
4.如权利要求2所述的用于石油管道的无损检测系统的检测方法，其特征在于，当δ3<δ30时，检测点焊缝不符合要求，立即进行修复。
5.如权利要求2所述的用于石油管道的无损检测系统的检测方法，其特征在于，当δ4<δ40时，检测点腐蚀严重，立即更换对应石油管道或者进行修复。
6.如权利要求1-5中任意一项所述的用于石油管道的无损检测系统的检测方法，其特征在于，所述隐层的神经元为5个；所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
CN201910966470.6A 2019-10-12 2019-10-12 一种用于石油管道的无损检测系统及其检测方法 Active CN110702782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910966470.6A CN110702782B (zh) 2019-10-12 2019-10-12 一种用于石油管道的无损检测系统及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910966470.6A CN110702782B (zh) 2019-10-12 2019-10-12 一种用于石油管道的无损检测系统及其检测方法

Publications (2)

Publication Number Publication Date
CN110702782A CN110702782A (zh) 2020-01-17
CN110702782B true CN110702782B (zh) 2022-01-28

Family

ID=69198556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910966470.6A Active CN110702782B (zh) 2019-10-12 2019-10-12 一种用于石油管道的无损检测系统及其检测方法

Country Status (1)

Country Link
CN (1) CN110702782B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595569B (zh) * 2020-05-28 2021-07-20 江苏茂华检验检测有限公司 一种蒸汽管道不停车检测方法
CN114993229B (zh) * 2022-06-02 2024-06-11 西南石油大学 一种基于多传感器数据融合的椭圆度在线检测方法
CN115062515B (zh) * 2022-06-23 2023-09-12 中国矿业大学 一种管道壁厚、焊缝余高及缺陷尺寸的量化方法
CN117907426B (zh) * 2024-03-18 2024-05-24 电子科技大学 一种基于梯度法特征分析的金属涡流无损检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101672429A (zh) * 2009-10-12 2010-03-17 哈尔滨工程大学 石油管道检测系统
CN104155360A (zh) * 2014-07-21 2014-11-19 东北大学 管道内检测器信号激发与采集装置及管道缺陷检测方法
CN107859878A (zh) * 2017-11-14 2018-03-30 于岚 一种长输石油管道的监控系统
CN207717710U (zh) * 2018-01-20 2018-08-10 辽宁机电职业技术学院 一种便于携带的无损检测装置
CN109521087A (zh) * 2018-11-29 2019-03-26 北京航空航天大学 一种带包覆层铁磁管道壁厚腐蚀的脉冲涡流检测方法
CN110096790A (zh) * 2019-04-28 2019-08-06 东北大学 一种基于强化学习的不规则缺陷漏磁信号反演方法
CN110107819A (zh) * 2019-05-17 2019-08-09 河南工业大学 一种石化产品输送管道泄露监测预警系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101672429A (zh) * 2009-10-12 2010-03-17 哈尔滨工程大学 石油管道检测系统
CN104155360A (zh) * 2014-07-21 2014-11-19 东北大学 管道内检测器信号激发与采集装置及管道缺陷检测方法
CN107859878A (zh) * 2017-11-14 2018-03-30 于岚 一种长输石油管道的监控系统
CN207717710U (zh) * 2018-01-20 2018-08-10 辽宁机电职业技术学院 一种便于携带的无损检测装置
CN109521087A (zh) * 2018-11-29 2019-03-26 北京航空航天大学 一种带包覆层铁磁管道壁厚腐蚀的脉冲涡流检测方法
CN110096790A (zh) * 2019-04-28 2019-08-06 东北大学 一种基于强化学习的不规则缺陷漏磁信号反演方法
CN110107819A (zh) * 2019-05-17 2019-08-09 河南工业大学 一种石化产品输送管道泄露监测预警系统及方法

Also Published As

Publication number Publication date
CN110702782A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110702782B (zh) 一种用于石油管道的无损检测系统及其检测方法
Vanaei et al. A review on pipeline corrosion, in-line inspection (ILI), and corrosion growth rate models
CN104063588B (zh) 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法
CN111425768B (zh) 一种输油管道漏油点与漏油速率的探测方法
US20230034897A1 (en) A method and system for predicting pipeline corrosion
EP3884253B1 (en) Method and system to analyse pipeline condition
CN115935241B (zh) 一种多参数相互融合的清管器实时定位方法及装置
Caputo et al. An inverse approach for piping networks monitoring
CN114841080A (zh) 一种基于bp神经网络和sd耦合的输气管道内腐蚀预测方法
CN103854057A (zh) 一种应用于在役压力容器的综合安全评判系统
AU2019394685B2 (en) Detecting and quantifying liquid pools in hydrocarbon fluid pipelines
AU2020271967B2 (en) Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion
Nashed et al. Using probabilistic neural networks for modeling metal fatigue and random vibration in process pipework
Nasser et al. A review on oil and gas pipelines corrosion growth rate modelling incorporating artificial intelligence approach
Shravani et al. Cloud-based water leakage detection and localization
CN112649354A (zh) 一种多传感器测量金属管道腐蚀的综合评价方法
CN111667133B (zh) 一种管道完整性的综合评价方法及系统
Xie et al. Impact analysis of inline inspection accuracy on pipeline integrity planning
Tu et al. Metal-loss defect depth inversion in oil and gas pipelines based on Bayesian regularisation neural network
Xiang et al. Corrosion Growth Modeling by Learning a Dynamic Bayesian Network From Multiple In-Line Inspection Data
Zhang et al. Diagnosis and recognition of pipeline damage defects based on improved convolutional neural network
Cheng et al. Data-Driven Machine Learning Techniques Case Study for Corrosion Depth Prediction in Facilities Station Piping
AU2020271630B2 (en) Method for determining the geometry of an object on the basis of data from non-destructive measurement methods
Xie Pipeline Defect Growth Prediction and Risk-based Integrity Management
Wei et al. EVALUATION OF PIPELINE CRACK DEFECTS BASED ON RANDOM RELIABILITY.

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
GR01 Patent grant
GR01 Patent grant