CN111665293A - 高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 - Google Patents
高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 Download PDFInfo
- Publication number
- CN111665293A CN111665293A CN202010701588.9A CN202010701588A CN111665293A CN 111665293 A CN111665293 A CN 111665293A CN 202010701588 A CN202010701588 A CN 202010701588A CN 111665293 A CN111665293 A CN 111665293A
- Authority
- CN
- China
- Prior art keywords
- points
- eddy current
- point
- valley
- data
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000009191 jumping Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 17
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 8
- 229910052717 sulfur Inorganic materials 0.000 claims description 8
- 239000011593 sulfur Substances 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 241001463014 Chazara briseis Species 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000001125 extrusion Methods 0.000 abstract description 25
- 238000000354 decomposition reaction Methods 0.000 abstract description 6
- 238000005452 bending Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 29
- 230000006870 function Effects 0.000 description 19
- 239000007789 gas Substances 0.000 description 13
- 238000011161 development Methods 0.000 description 5
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 4
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G01N27/9046—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 by analysing electrical signals
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)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，所述方法包括数据预处理、极点对称模态分解改进、希尔伯特变化、特征提取、SVM训练和识别等方法，可输出缺陷类型，从而提高缺陷分类的识别率，本发明能很好的去除弱磁油管偏心引起的数据线性偏移；通过基于分段时间插值方法、改进极点对称模态分解方法，对预处理后数据进行分解，保证插值节点的单调性，本方法可较好地识别2×90挤压、双面挤压、单面挤压、3×90挤压、4×90挤压和弯曲6类缺陷，提高了每一类缺陷识别率和平均缺陷识别率。
Description
技术领域
本发明涉及无损检测技术领域，具体是指一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法。
背景技术
在当今社会中天然气是国家工业发展的命脉，国家对天然气的勘探和开发十分重视。普光气田是目前我国最大的整装海相高含硫气田，具有高含量的硫化氢。硫化氢不但会对弱磁油管、套管等井下勘采设备造成严重腐蚀，而且一旦发生泄露会对大范围内的生命造成危险，因此对普光气田开发是世界级的难题。在气田开发过程中，由于人为操作不当或盐膏层蠕变等原因都有可能导致井下内层油管和外层套管的双层管柱发生多种类型的形变，严重的甚至导致硫化氢泄漏。为了对普光气田进行安全开发，且要求双层管柱中外层套管不能发生很严重的变形，因此需要对气田井下双层管柱的外层套管进行监测，当发生变形时，及时进行停工、修复、封井等措施。目前常用的测井方法有多臂井径测井、井温测井、超声波成像测井、电涡流测井等。由于普光气田气流、温度等开发环境复杂，且存在硫化氢，无法直接抽取内层弱磁油管，因此无法采用多臂井径测井、井温测井、超声波成像测井等测井法检测双层管柱的外层套管。考虑到内层油管是镍基合金，具有弱磁性，对电涡流的影响较少，因此选择电涡流测井技术，对井下双层管柱进行测量，通过可穿透弱磁油管的电涡流信号，分析外层套管对电涡流的响应，从而无损检测外层套管的形变。
目前，基于电涡流的无损检测技术在许多领域得到广泛的应用。这些应用主要是通过电涡流检测设备，获得电涡流信号，并分析和处理电涡流信号从而识别缺陷。其中，基于特定电涡流信号的特征提取方法是无损检测的核心方法之一，因此部分学者侧重于研究基于傅里叶变换、小波变换等时频域分析方法，提取频谱分离点、谐波分量、基波分量等特征，但是这些方法需要提前选取变换基函数，对信号的分析不具有自适应性，并且都采用固定的变换尺度，变换后的信号不能完全体现原信号，存在一定的损失。因此部分学者侧重于研究基于希尔伯特黄变换的特征提取方法。希尔伯特黄变换方法不受信号平稳性和线性的制约，能够自适应性地按照原始信号的特征时间尺度对信号进行变换，得到能够反映信号特性的本征模态函数(Intrinsic Mode Function, IMF)、瞬时频率和边际谱。但是这些方法主要采用EMD(Empirical Mode Decomposition)方法分解数据，针对电涡流检测信号分解时会存在计算量大、模态混叠和过冲等问题。为解决EMD存在的问题，Wang J L等人提出极点对称模态分解方法(Extreme-point Symmetric Mode Decomposition, ESMD)，但是ESMD采用三次样条插值方法，在对插值节点进行插值时存在局部特性差、无法保证插值节点单调性等问题。
同时根据特征信号，采用合适的分类识别方法可有效检测对象缺陷类型，因此部分学者侧重于研究基于电涡流数据的分类识别方法，部分学者构建基于电涡流数据的深度神经网络模型，实现对缺陷的识别，但是深度神经网络模型需要大量训练样本。另一部分学者基于电涡流数据，构建BP(back propagation)神经网络、径向基神经网络等分类模型，实现缺陷的识别，但是这些分类模型都存在过拟合的问题。
综上所述，目前方法存在以下问题：一是常用时频域分析方法不具有自适应性且变换后的信号存在一定的信号损失；二是针对电涡流检测数据，ESMD方法无法保证插值节点单调性；三是常用机器学习方法易出现过拟合问题，且深度神经网络适用于大样本数据。
发明内容
为了解决现有技术中的问题，本发明提供了一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，提高缺陷分类的识别率。
为了实现上述目的，本发明具有如下构成：
本发明提供了一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，包括如下步骤：
(1)如果当前存在训练样本的电涡流检测数据，则令当前状态为训练状态；
(2)判断当前是否处于训练状态，如果是，则读取训练样本的电涡流检测数据，并继续步骤(4)，否则，继续步骤(3)；
(3)对弱磁流油管双层管柱进行多个深度的位置点的检测，并读取电涡流检测数据，然后继续步骤(4)；
(4)对电涡流检测数据采用均值方法光滑化；
(5)分析所述步骤(4)得到的电涡流检测数据中的缺陷数据，确定波谷点位置、电涡流检测数据的开始位置和结束位置，根据每个波谷点位置，将电涡流检测数据分成多个数据分段，对每个数据分段进行处理，去除电涡流检测数据的线性偏移；
(6)根据所述电涡流检测数据中各个位置点的采样时间，将步骤(5)得到的电涡流检测数据转化为时域电涡流检测数据，将多个位置点作为插值节点，对每个插值节点间的时间点进行插值，得到待分解的信号；
(7)寻找待分解信号的局部极值点，连接相邻的两个极值点，并寻找相邻极值点的中点，根据待分解信号的初始点和结束点，补充初始点和第一个极值点的边界点中点，补充结束点和最后一个极值点的边界点中点，获得所有中点，构建不同中点之间的插值曲线，计算插值曲线的均值；
(8)根据待分解信号得到一个IMF分量，得到待分解的信号减去获得的IMF之后的剩余信号；
(9)如果剩余信号为一个单调的信号或其值小于预先设定的阈值，则输出当前得到的多个IMF分量(信号分量)，否则，将剩余信号作为新的待分解信号，继续步骤(7)；
(10)对所述IMF分量进行希尔伯特变换，计算瞬时幅度、瞬时相位、瞬时频率和边际谱，得到多个特征参数；
(11)如果当前状态不是训练状态，则所述步骤(10)得到的特征参数为用于检测的特征参数，继续步骤(12)，如果当前状态是训练状态，则将步骤(10)中得到的特征参数作为特征参数样本，采用基于高斯核函数的SVM算法对选取的特征参数样本进行训练，获得基于高斯核函数的SVM算法模型的模型参数，根据训练好的参数，构建至少一个分类器，并令当前状态为识别状态，调到步骤(12)；
(12)采用构建的分类器对所述用于检测的特征参数进行缺陷检测。
可选地，所述步骤(4)中，采用如下公式光滑化：
其中，
表示第i个采样点的第h深度的电涡流检测数据，
表示光滑后的电涡流数据，m表示数据的最大深度，α表示滑动窗口。
可选地，所述步骤(5)中，采用如下公式去除电涡流检测数据的线性偏移：
其中，
表示第i个采样点的第h深度的预处理后的数据，
表示第i个采样点的第j个波谷点深度，
表示第i个采样点的波谷点位置
处的电涡流检测数据。
可选地，所述步骤(5)中，采用如下步骤确定波谷点位置：
(5.1)根据步骤(4)光滑后的数据
对其进行求导，得到导数为
令h＝1；
(5.2)根据导数，如果采样深度h和h+1满足条件1：
或者
则位置h+1为待选波谷点1，跳到步骤(5.5)，否则跳到步骤(5.3)；
(5.3)如果采样深度h和h+1满足条件2：
其中，V1表示导数差判断阈值，则位置h+1为待选波谷点2，跳到步骤(5.6)，否则跳到步骤(5.4)；
(5.4)如果采样位置h和h+1满足条件3：
则位置h+1为待选波谷点3，跳到步骤(5.7)，否则跳到步骤(5.8)；
(5.5)如果待选波谷点1的前5个点导数或后5个点导数，均满足公式(3)，则认为待选波谷点1为波谷点，记录该波谷点位置，跳到步骤(5.8)，否则直接跳到步骤(5.8)；
其中，V2表示导数判断阈值，η表示点数量选择值；
(5.6)如果待选波谷点2的前5个点导数或后5个点导数，均满足公式(4)，则认为待选波谷点2为波谷点，记录该波谷点位置，跳到步骤(5.8)，否则直接跳到步骤(5.8)；
(5.7)如果待选波谷点3的前5个点导数或后5个点导数，均满足公式(5)，则认为待选波谷点3为波谷点，记录该波谷点位置，跳到步骤(5.8)，否则直接跳到步骤(5.8)；
(5.8)判断是否完成所有采样位置，如果没有，h＝h+1，跳到步骤(5.2)，否则输出所有波谷点的位置。
可选地，所述步骤(6)中，采用如下步骤将多个位置点作为插值节点，对每个插值节点间的时间点进行插值，得到待分解的信号：
将多个位置点作为插值节点，把每个插值节点作为一个未知函数
的函数值，
表示第i个采样点的第h深度的预处理后的数据，并求取插值节点的导数值f'(tk)，根据两个相邻插值节点
和其导数值，将[tk,tk+1]区间分成间隔0.001秒的多个时间点，采用如下分段三次Hermit插值公式(6)对每个时间点进行插值，获得待分解的信号；
其中，fk(t)表示当前t时刻插入的函数值，
ψk(t)和ψk+1(t)可表示为：
可选地，所述步骤(10)中，采用如下公式计算瞬时幅度、瞬时相位、瞬时频率和边际谱：
(10.1)将每个IMF分量ci(t)进行希尔伯特变换，获得变换后的分量
(10.2)通过式(15)计算瞬时幅度ai(t)：
(10.3)通过式(16)计算瞬时相位θi(t):
(10.4)通过式(17)计算瞬时频率wi(t)：
(10.5)通过式(18)计算电涡流检测数据的边际谱：
其中，h(w,t)表示时频分布的希尔伯特谱。
可选地，所述步骤(11)中，所述高斯核函数K(χJ,χI)为：
K(χJ,χI)＝exp(-γ×||χJ-χI||) (20)
其中，K(χJ,χI)表示高斯核函数，χJ,χI表示特征参数样本，γ表示高斯核参数。
综上所述，与现有技术相比，本发明提出一种针对电涡流检测数据的预处理方法，能很好的去除弱磁油管偏心引起的数据线性偏移；通过基于分段三次Hermit插值方法，改进极点对称模态分解方法，对预处理后数据进行分解，保证插值节点的单调性，得到多个本征模态函数(Intrinsic Mode Function, IMF)；再采用希尔伯特变换方法分析得到的IMF分量，提取第一个分量IMF1的瞬时幅度方差和边际谱方差，第二个分量IMF2的均值、瞬时幅度方差，第三个分量IMF3的瞬时幅度方差、瞬时相位方差等6个特征参数，能较好地表征2×90挤压、双面挤压、单面挤压、3×90挤压、4×90挤压和弯曲6类缺陷，最后采用基于高斯核函数的SVM模型对特征参数进行训练和识别，避免过拟合问题；本方法可较好地识别2×90挤压、双面挤压、单面挤压、3×90挤压、4×90挤压和弯曲6类缺陷，提高了每一类缺陷识别率和平均缺陷识别率。
附图说明
图1是本发明一实施例的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法的工作流程框图；
图2是本发明的波谷点位置确定方法的流程框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员应意识到，没有特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本发明的技术方案。在某些情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明。
如图1和图2所示，为了解决现有技术中的技术问题，本发明提供了一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，包括如下步骤：
(1)初始化滑动窗口α、导数差判断阈值V1、导数判断阈值V2等参数，如果存在训练样本的电涡流检测数据，则令当前状态为训练状态；
(2)如果当前是训练状态，则读取训练样本的电涡流检测数据，跳到步骤(4)，否则跳到步骤(3)；
(3)采用GoWell公司生产的由1个纵向长探头A、2个横向交叉探头B和BB、1个纵向短探头C组成的电磁探伤测试仪MTD-J，对弱磁油管双层管柱进行检测。在一个采样周期内，测井仪的纵向长探头、横向交叉探头和纵向短探头依次对井下双层管柱的同一深度进行采样。A纵向长探头采集的11个时间点分别为0.01、0.06、0.11、0.17、0.26、0.35、0.47、0.57、0.67、0.77、0.87，输出采样数据A1-A11。B横向交叉探头采集的3个时间点分别为0.9、0.92、0.96，输出采样数据B1-B3。BB横向交叉探头采集的3个时间点分别为1.04、1.06、1.07，输出采样数据BB1-BB3。C纵向短探头采集的6个时间点分别为1.09、1.11、1.12、1.13、1.14、1.15，输出采样数据C1-C6。每一个深度共输出由A1-A11、B1-B3、BB1-BB3和C1-C6共23个点数据构成的电涡流检测数据；
4)对不同深度23个点的电涡流检测数据中每一点数据分别进行数据预处理，即通过如下公式(1)，采用均值方法光滑化电涡流数据和去除抖动；
其中，
表示第i个采样点的第h深度的电涡流检测数据，
表示光滑后的电涡流数据，m表示数据的最大深度，α表示滑动窗口。
5)分析缺陷数据，确定波谷点位置
和电涡流数据的开始位置
和结束位置
其中e表示波谷点位置数加1。根据波谷点位置，将原电涡流数据
分成e+1个段。通过公式(2)对每一个段进行处理，去除电涡流检测数据的线性偏移，获得预处理后的电涡流检测数据；
其中，
表示第i个采样点的第h深度的预处理后的数据，
表示第i个采样点的第j个波谷点深度，
表示第i个采样点的波谷点位置
处的电涡流检测数据。如图2所示，所述缺陷数据的波谷点位置确定方法包括如下步骤：
5.1)根据光滑后的数据
对其进行求导，得到导数为
令h＝1；
5.2)根据导数，如果采样位置h和h+1满足条件1：
或者
则位置h+1为待选波谷点1，跳到步骤5.5)，否则跳到步骤5.3)。
5.3)如果采样位置h和h+1满足条件2：
其中，V1表示导数差判断阈值，则位置h+1为待选波谷点2，跳到步骤5.6)，否则跳到步骤5.4)。
5.4)如果采样位置h和h+1满足条件3：
则位置h+1为待选波谷点3，跳到步骤5.7)，否则跳到步骤5.8)。
5.5)如果待选波谷点1的前5个点导数或后5个点导数，均满足公式(3)，则认为待选波谷点1为波谷点，记录该波谷点位置，跳到步骤5.8)，否则直接跳到步骤5.8)。
其中，V2表示导数判断阈值，η表示点数量选择值。
5.6)如果待选波谷点2的前5个点导数或后5个点导数，均满足公式(4)，则认为待选波谷点2为波谷点，记录该波谷点位置，跳到步骤5.8)，否则直接跳到步骤5.8)。
5.7)如果待选波谷点3的前5个点导数或后5个点导数，均满足公式(5)，则认为待选波谷点3为波谷点，记录该波谷点位置，跳到步骤5.8)，否则直接跳到步骤5.8)。
5.8)判断是否完成所有采样位置。如果没有，h＝h+1，跳到步骤5.2)，否则输出所有波谷点的位置。
6)令n＝1，并根据23个不同类型数据的采样时间，将数据预处理后的电涡流检测数据转化为时域电涡流检测数据
其中，tk表示采样点k的采样时间，单位为1毫秒。将这23个点作为插值节点，把每个插值节点作为一个未知函数
的函数值，并求取插值节点的导数值f'(tk)。根据两个相邻插值节点
和其导数值，将[tk,tk+1]区间分成间隔0.001秒的多个时间点，采用如下分段三次Hermit插值公式(6)对每个时间点进行插值，获得待分解的信号。
其中，fk(t)表示当前t时刻插入的函数值。
ψk(t)和ψk+1(t)可表示为：
7)寻找待分解信号的局部极值点，连接相邻的两个极值点，并寻找相邻极值点的中点Fp。根据待分解信号的初始点和结束点，补充初始点和第一个极值点的边界点中点F0，补充结束点和最后一个极值点的边界点中点Fe，获得所有中点。通过公式(6)对第3p+1、3p+2、3(p+1)(p＝0,1,2,...,)个中点构造3条不同中点之间的插值曲线，其中p表示中点分类序号，并计算3条插值曲线的均值ln。
8)将待分解信号减去ln得到一个IMF。
cn(t)＝fD(t)-ln (11)
其中，fD(t)表示当前时刻t的待分解信号，cn(t)表示第n个IMF。将原信号减去分量cn(t)，获得新的原始信号。
rn(t)＝fD(t)-cn(t) (12)
其中，rn(t)表示第n次处理后的原始信号。令当前待分解信号fD(t)为rn(t)。
9)如果剩余信号rn(t)为一个单调的信号或者其值小于预先设定的阈值，则原信号f(t)可以表示为公式(13)，输出当前得到n个IMF分量c1(t)，c2(t),...cn(t)，否则n＝n+1，重新跳到步骤7)，得到下一个IMF分量。
10)对前3个IMF分量进行希尔伯特变换，计算瞬时幅度、瞬时相位、瞬时频率和边际谱，并选择第一个分量IMF1的瞬时幅度方差和边际谱带宽，第二个分量IMF2的均值、瞬时幅度方差，第三个分量IMF3的瞬时幅度方差、瞬时相位方差等6个特征参数；所述瞬时幅度、瞬时相位、瞬时幅度和边际谱的计算方法包括如下步骤：
10.1)利用式(14)将每个IMF分量ci(t)进行希尔伯特变换，获得变换后的分量
10.2)通过式(15)计算瞬时幅度ai(t)：
10.3)通过式(16)计算瞬时相位θi(t):
10.4)通过式(17)计算瞬时频率wi(t)：
10.5)通过式(18)计算电涡流检测数据的边际谱：
其中，h(w,t)表示时频分布的希尔伯特谱，即为
其中，Re代表取函数的实数部分。
11)如果当前状态不是训练状态，则跳到步骤12)，否则采用基于高斯核函数K(χJ,χI)的SVM算法对选取的特征参数样本进行训练，获得基于高斯核函数的SVM算法模型的拉格朗日乘子λq、偏置等参数b。根据训练好的参数，通过公式(21)构造6个分类器，分别用于6种不同类型缺陷判断，并令当前状态为识别状态，跳到步骤2)。其中，所述高斯核函数K(χJ,χI)可表示为
K(χJ,χI)＝exp(-γ×||χJ-χI||) (20)
其中，K(χJ,χI)表示高斯核函数，χJ,χI表示特征参数样本，γ为高斯核参数，||||表示范数。
其中，P(χ)表示判决函数，N表示输入的特征值数量，b表示偏置，λq表示训练后的拉格朗日乘子最优解，且满足0≤λq≤C,，C表示惩罚因子，Yq表示特征样本对应的标签。
12)根据SVM训练好的6个分类器和提取的6个特征参数，进行缺陷识别，如果存在缺陷，则记录该缺陷类型和深度信息。如果检测没有结束，则跳到步骤2)，否则输出当前检测的弱磁油管双层管柱所有缺陷的类型和深度信息。
综上所述，与现有技术相比，本发明提出一种针对电涡流检测数据的预处理方法，能很好的去除弱磁油管偏心引起的数据线性偏移；通过基于分段三次Hermit插值方法，改进极点对称模态分解方法，对预处理后数据进行分解，保证插值节点的单调性，得到多个本征模态函数(Intrinsic Mode Function, IMF)；再采用希尔伯特变换方法分析得到的IMF分量，提取第一个分量IMF1的瞬时幅度方差和边际谱方差，第二个分量IMF2的均值、瞬时幅度方差，第三个分量IMF3的瞬时幅度方差、瞬时相位方差等6个特征参数，能较好地表征2×90挤压、双面挤压、单面挤压、3×90挤压、4×90挤压和弯曲6类缺陷，最后采用基于高斯核函数的SVM模型对特征参数进行训练和识别，避免过拟合问题；本方法可较好地识别2×90挤压、双面挤压、单面挤压、3×90挤压、4×90挤压和弯曲6类缺陷，提高了每一类缺陷识别率和平均缺陷识别率。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
Claims (7)
1.一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述方法包括如下步骤：
(1)如果当前存在训练样本的电涡流检测数据，则令当前状态为训练状态；
(2)判断当前是否处于训练状态，如果是，则读取训练样本的电涡流检测数据，并继续步骤(4)，否则，继续步骤(3)；
(3)对弱磁流油管双层管柱进行多个深度的位置点的检测，并读取电涡流检测数据，然后继续步骤(4)；
(4)对电涡流检测数据采用均值方法光滑化；
(5)分析所述步骤(4)得到的电涡流检测数据中的缺陷数据，确定波谷点位置、电涡流检测数据的开始位置和结束位置，根据每个波谷点位置，将电涡流检测数据分成多个数据分段，对每个数据分段进行处理，去除电涡流检测数据的线性偏移；
(6)根据所述电涡流检测数据中各个位置点的采样时间，将步骤(5)得到的电涡流检测数据转化为时域电涡流检测数据，将多个位置点作为插值节点，对每个插值节点的时间点进行插值，得到待分解的信号；
(7)寻找待分解信号的局部极值点，连接相邻的两个极值点，并寻找相邻极值点的中点，根据待分解信号的初始点和结束点，补充初始点和第一个极值点的边界点中点，补充结束点和最后一个极值点的边界点中点，获得所有中点，构建不同中点之间的插值曲线，计算插值曲线的均值；
(8)根据待分解信号得到一个IMF分量，得到待分解的信号减去获得的IMF之后的剩余信号；
(9)如果剩余信号为一个单调的信号或其值小于预先设定的阈值，则输出当前得到的多个IMF分量，否则，将剩余信号作为新的待分解信号，继续步骤(7)；
(10)对所述IMF分量进行希尔伯特变换，计算瞬时幅度、瞬时相位、瞬时频率和边际谱，得到多个特征参数；
(11)如果当前状态不是训练状态，则所述步骤(10)得到的特征参数为用于检测的特征参数，继续步骤(12)，如果当前状态是训练状态，则将步骤(10)中得到的特征参数作为特征参数样本，采用基于高斯核函数的SVM算法对选取的特征参数样本进行训练，获得基于高斯核函数的SVM算法模型的模型参数，根据训练好的参数，构建至少一个分类器，并令当前状态为识别状态，调到步骤(12)；
(12)采用构建的分类器对所述用于检测的特征参数进行缺陷检测。
2.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(4)中，采用如下公式光滑化：
其中，
表示第i个采样点的第h深度的电涡流检测数据，
表示光滑后的电涡流数据，m表示数据的最大深度，α表示滑动窗口。
3.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(5)中，采用如下公式去除电涡流检测数据的线性偏移：
其中，
表示第i个采样点的第h深度的电涡流检测数据，
表示第i个采样点的第h深度的预处理后的数据，
表示第i个采样点的第j个波谷点深度，
表示第i个采样点的波谷点位置
处的电涡流检测数据。
4.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(5)中，采用如下步骤确定波谷点位置：
(5.1)根据步骤(4)光滑后的数据
对其进行求导，得到导数为
令h＝1；
(5.2)根据导数，如果采样深度h和h+1满足条件1：
或者
则位置h+1为待选波谷点1，跳到步骤(5.5)，否则跳到步骤(5.3)；
(5.3)如果采样深度h和h+1满足条件2：
其中，V1表示导数差判断阈值，则位置h+1为待选波谷点2，跳到步骤(5.6)，否则跳到步骤(5.4)；
(5.4)如果采样位置h和h+1满足条件3：
则位置h+1为待选波谷点3，跳到步骤(5.7)，否则跳到步骤(5.8)；
(5.5)如果待选波谷点1的前5个点导数或后5个点导数，均满足公式(3)，则认为待选波谷点1为波谷点，记录该波谷点位置，跳到步骤(5.8)，否则直接跳到步骤(5.8)；
其中，V2表示导数判断阈值，η表示点数量选择值；
(5.6)如果待选波谷点2的前5个点导数或后5个点导数，均满足公式(4)，则认为待选波谷点2为波谷点，记录该波谷点位置，跳到步骤(5.8)，否则直接跳到步骤(5.8)；
(5.7)如果待选波谷点3的前5个点导数或后5个点导数，均满足公式(5)，则认为待选波谷点3为波谷点，记录该波谷点位置，跳到步骤(5.8)，否则直接跳到步骤(5.8)；
(5.8)判断是否完成所有采样位置，如果没有，h＝h+1，跳到步骤(5.2)，否则输出所有波谷点的位置。
5.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(6)中，采用如下步骤将多个位置点作为插值节点，对每个时间点进行插值，得到待分解的信号：
将多个位置点作为插值节点，把每个插值节点作为一个未知函数
的函数值，
表示第i个采样点的第h深度的预处理后的数据，并求取插值节点的导数值f'(tk)，根据两个相邻插值节点
和其导数值，将[tk,tk+1]区间分成间隔0.001秒的多个时间点，采用如下分段三次Hermit插值公式(6)对每个时间点进行插值，获得待分解的信号；
其中，fk(t)表示当前t时刻插入的函数值，
ψk(t)和ψk+1(t)可表示为：
6.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(10)中，采用如下公式计算瞬时幅度、瞬时相位、瞬时频率和边际谱：
(10.1)将每个IMF分量ci(t)进行希尔伯特变换，获得变换后的分量
(10.2)通过式(15)计算瞬时幅度ai(t)：
(10.3)通过式(16)计算瞬时相位θi(t):
(10.4)通过式(17)计算瞬时频率wi(t)：
(10.5)通过式(18)计算电涡流检测数据的边际谱：
其中，h(w,t)表示时频分布的希尔伯特谱。
7.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(11)中，所述高斯核函数K(χJ,χI)为：
K(χJ,χI)＝exp(-γ×||χJ-χI||) (20)
其中，K(χJ,χI)表示高斯核函数，χJ,χI表示特征参数样本，γ表示高斯核参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010701588.9A CN111665293B (zh) | 2020-07-20 | 2020-07-20 | 高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010701588.9A CN111665293B (zh) | 2020-07-20 | 2020-07-20 | 高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111665293A true CN111665293A (zh) | 2020-09-15 |
| CN111665293B CN111665293B (zh) | 2023-12-19 |
Family
ID=72392385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010701588.9A Active CN111665293B (zh) | 2020-07-20 | 2020-07-20 | 高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111665293B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2004201297A1 (en) * | 1998-09-30 | 2004-04-29 | Hydroscope Canada Inc | Method and system for determining pipeline defects |
| CN101408404A (zh) * | 2008-11-28 | 2009-04-15 | 清华大学 | 用于测试曲面间隙的柔顺式双层电涡流传感器的制备方法 |
| CN102618791A (zh) * | 2012-04-23 | 2012-08-01 | 天津商业大学 | 耐硫化氢腐蚀的高强韧性石油套管及其制造方法 |
| CN103048356A (zh) * | 2012-12-15 | 2013-04-17 | 华南理工大学 | 基于超宽带相控阵逐层聚焦的多材质联合识别方法及装置 |
| GB201304304D0 (en) * | 2013-03-11 | 2013-04-24 | Reeves Wireline Tech Ltd | Methods of and apparatus for identifying geological characteristics in boreholes |
| CA2807917A1 (en) * | 2012-03-19 | 2013-09-19 | Hitachi, Ltd. | Eddy current inspection device, eddy current inspection probe, and eddy current inspection method |
| CN104698076A (zh) * | 2015-02-06 | 2015-06-10 | 成都思驰科技有限公司 | 一种基于电涡流效应的金属管道多点在线探伤装置及方法 |
| CN107449800A (zh) * | 2017-09-14 | 2017-12-08 | 西南石油大学 | 一种高含硫气田集输管道腐蚀监测预警装置及方法 |
| CN107727660A (zh) * | 2017-10-13 | 2018-02-23 | 浙江树人学院 | 基于机器视觉和脉冲涡流的钢轨表面缺陷检测系统及方法 |
| CN110470729A (zh) * | 2019-07-31 | 2019-11-19 | 浙江树人学院（浙江树人大学） | 一种基于电涡流的油田套管缺陷无损检测方法 |
| CN110530984A (zh) * | 2019-09-26 | 2019-12-03 | 中国石油大学(华东) | 一种管道内涂层缺陷的超声波检测方法 |
-
2020
- 2020-07-20 CN CN202010701588.9A patent/CN111665293B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2004201297A1 (en) * | 1998-09-30 | 2004-04-29 | Hydroscope Canada Inc | Method and system for determining pipeline defects |
| CN101408404A (zh) * | 2008-11-28 | 2009-04-15 | 清华大学 | 用于测试曲面间隙的柔顺式双层电涡流传感器的制备方法 |
| CA2807917A1 (en) * | 2012-03-19 | 2013-09-19 | Hitachi, Ltd. | Eddy current inspection device, eddy current inspection probe, and eddy current inspection method |
| CN102618791A (zh) * | 2012-04-23 | 2012-08-01 | 天津商业大学 | 耐硫化氢腐蚀的高强韧性石油套管及其制造方法 |
| CN103048356A (zh) * | 2012-12-15 | 2013-04-17 | 华南理工大学 | 基于超宽带相控阵逐层聚焦的多材质联合识别方法及装置 |
| GB201304304D0 (en) * | 2013-03-11 | 2013-04-24 | Reeves Wireline Tech Ltd | Methods of and apparatus for identifying geological characteristics in boreholes |
| CN104698076A (zh) * | 2015-02-06 | 2015-06-10 | 成都思驰科技有限公司 | 一种基于电涡流效应的金属管道多点在线探伤装置及方法 |
| CN107449800A (zh) * | 2017-09-14 | 2017-12-08 | 西南石油大学 | 一种高含硫气田集输管道腐蚀监测预警装置及方法 |
| CN107727660A (zh) * | 2017-10-13 | 2018-02-23 | 浙江树人学院 | 基于机器视觉和脉冲涡流的钢轨表面缺陷检测系统及方法 |
| CN110470729A (zh) * | 2019-07-31 | 2019-11-19 | 浙江树人学院（浙江树人大学） | 一种基于电涡流的油田套管缺陷无损检测方法 |
| CN110530984A (zh) * | 2019-09-26 | 2019-12-03 | 中国石油大学(华东) | 一种管道内涂层缺陷的超声波检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 叶波;蔡晋辉;黄平捷;范孟豹;周泽魁;: "多层导电结构电涡流扫描检测缺陷自动识别和分类技术研究", 传感技术学报, no. 10 * |
| 徐慧;王诗鹏;刘致秀;谢蓉蓉;燕敏;: "基于涡流技术的管道表面缺陷探测系统", 仪表技术与传感器, no. 04 * |
| 郭晓婷;宋华东;董刚;蒋兴桥;杨路;: "涡流检测技术在管道通径器中的应用研究", 管道技术与设备, no. 06 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111665293B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626153B (zh) | 一种基于集成学习的局放故障状态识别方法 | |
| Miao et al. | Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network | |
| CN109682561B (zh) | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 | |
| Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
| CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
| Thomas et al. | The SIGMA algorithm: A glottal activity detector for electroglottographic signals | |
| CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
| Khanagha et al. | Phonetic segmentation of speech signal using local singularity analysis | |
| CN109492708A (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
| US11443137B2 (en) | Method and apparatus for detecting signal features | |
| CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
| CN114799610A (zh) | 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统 | |
| Lal et al. | Accurate estimation of glottal closure instants and glottal opening instants from electroglottographic signal using variational mode decomposition | |
| CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
| CN104089699A (zh) | 一种变电站设备声音重建算法 | |
| Gao et al. | Fault diagnosis method of rolling bearings based on adaptive modified CEEMD and 1DCNN model | |
| Simula et al. | Process monitoring and visualization using self-organizing maps | |
| CN115081321A (zh) | 一种海洋焊接结构的腐蚀疲劳寿命预测方法、系统及设备 | |
| CN111505490A (zh) | 基于卷积神经网络回归的交流接触器烧蚀情况评估方法 | |
| Yang et al. | AVA: An interactive system for visual and quantitative analyses of vibrato and portamento performance styles | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| CN111665293B (zh) | 高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 | |
| Ganguli | Data rectification and detection of trend shifts in jet engine path measurements using median filters and fuzzy logic | |
| Bouzid et al. | Voice source parameter measurement based on multi-scale analysis of electroglottographic signal | |
| CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |