CN112329590B - 一种管道组件检测系统及检测方法 - Google Patents
一种管道组件检测系统及检测方法 Download PDFInfo
- Publication number
- CN112329590B CN112329590B CN202011194472.7A CN202011194472A CN112329590B CN 112329590 B CN112329590 B CN 112329590B CN 202011194472 A CN202011194472 A CN 202011194472A CN 112329590 B CN112329590 B CN 112329590B
- Authority
- CN
- China
- Prior art keywords
- component
- magnetic flux
- pipeline
- pipeline assembly
- module
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000004907 flux Effects 0.000 claims abstract description 92
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 89
- 238000011176 pooling Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009428 plumbing Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000005260 corrosion Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种管道组件检测系统,该系统包括:距离度量模块,均由神经网络构建的疑似区域生成模块和特征模块,作为管道组件类别对比辨识基准的组件特征样本库;疑似区域生成模块输入待辨识的管道漏磁数据并生成管道组件疑似区域;特征模块用于提取管道组件漏磁数据特征;其输入多种管道组件类别的样本漏磁数据并生成特征样本库;其输入管道组件疑似区域的漏磁数据,其输出疑似管道组件特征;距离度量模块计算疑似管道组件特征与组件特征样本库中的每个组件特征样本间的相似度,并根据相似度的值来判定管道组件类别。本发明还提供了一种管道组件检测方法。本发明克服了样本数量不足情况下检测精确度低的问题,提高了实际管道组件检测的精确度。
Description
技术领域
本发明涉及一种人工智能管道组件故障诊断技术领域,特别涉及一种管道组件检测系统及检测方法。
背景技术
目前,管道运输是石油、天然气的主要运输方式。在役管道长期处于泥土或者海水等恶劣工作环境下,需要定期对管道腐蚀区域进行修补。在管道腐蚀区修补作业中,定位管道腐蚀区域的具体位置非常具有挑战性。尤其是在长距离管道的情况下,利用绝对里程对腐蚀区进行定位存在较大的误差。在实际工程中,往往利用腐蚀区域与管道组件之间的相对距离对其进行定位。因此对油气管道的组件准确识别是至关重要的。
漏磁内检测是目前应用最广泛的管道无损检测方法。其原理是安装在管道漏磁内检测器上的霍尔元件记录管壁周围漏磁场的变化,通过分析漏磁信号,来确定管壁的情况。
传统的基于漏磁信号的管道组件辨识是通过人工检查确认的。这种方法耗时长,效率低,费用较高。
随着机器学习算法的发展,将信号特征与非线性分类器相结合的方法被应用于对不同类别的组件进行识别。首先构建特征工程提取与信号辨识相关的特征,然后利用分类器对具体信号进行分类。然而,这一类方法需要大量的专家经验,且对于制造工艺不同的管道组件通用性较差。
近年来,深度学习算法取得了快速发展,并在自然语言处理、计算机视觉等领域取得了较大突破。相比于传统的机器学习算法,深度学习算法不依赖于特征工程,具有较好的鲁棒性与可移植性,可以适应多场景的变化。这些特点非常契合对于管道组件漏磁信号识别的应用场景。然而,基于深度学习的算法也存在一些缺点。最关键的一点就是深度学习模型对于数据的依赖性极强,需要大量的训练数据支撑。然而,对于管道漏磁信号而言,数据量是非常有限的。尤其是对于管道组件漏磁信号。因为在一条管道上,诸如管道阀门、三通等组件安装的数量较少,获取大量的管道组件样本信号几乎是不可能的。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种管道组件检测系统及检测方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:一种管道组件检测系统,该系统包括:距离度量模块,均由神经网络构建的疑似区域生成模块和特征模块,作为管道组件类别对比辨识基准的组件特征样本库;疑似区域生成模块,其用于确定管道组件疑似区域,其输入待辨识的管道漏磁数据,其生成管道组件疑似区域;特征模块,其用于提取管道组件漏磁数据的特征;其输入多种管道组件类别的样本漏磁数据,输出对应管道组件类别的特征,生成特征样本库;其输入管道组件疑似区域的漏磁数据,其输出疑似管道组件的特征;距离度量模块用于识别管道组件类别;其计算疑似管道组件的特征与组件特征样本库中的每个组件特征样本间的相似度,并根据相似度的值来判定管道组件类别。
进一步地,疑似区域生成模块,其由RPN神经网络构建,其包括依次连接的输入层、卷积层、回归层、池化层及全连接层;输入层输入采集的管道组件漏磁数据,卷积层生成该图像的特征映射并输出至回归层;回归层生成目标建议区域及相应分数至池化层;池化层修正建议区域的尺寸并输出至全连接层,全连接层生成管道组件疑似区域。
进一步地,特征模块由孪生神经网络搭建,孪生神经网络包括两个分支网络,两个分支网络包括相同的输入层、卷积层、池化层,两个分支网络的输入层各自输入一漏磁数据;两个分支网络的池化层输出对应漏磁数据的特征向量至同一个全连接层。
进一步地,组件特征样本库为一个N×M的特征矩阵;其中,N代表组件特征样本库中包含组件特征样本的个数,每个组件特征样本包括M维特征向量。
本发明还提供了一种管道组件检测方法,该方法为:采用神经网络构建疑似区域生成模块、特征模块、距离度量模块,设置用于作为管道组件类别对比辨识基准的组件特征样本库;采用疑似区域生成模块来确定管道组件疑似区域,使其输入管道组件漏磁数据,使其生成管道组件疑似区域;采用特征模块来提取管道组件漏磁数据的特征;使其输入多种管道组件类别的样本漏磁数据,使其输出对应管道组件类别的特征,来生成组件特征样本库;使其输入管道组件疑似区域的漏磁数据,使其输出疑似管道组件的特征;采用距离度量模块来识别管道组件类别;使其计算疑似的特征与特征样本库中的每个特征样本间的相似度,并根据相似度的值来判定管道组件类别。
进一步地,该方法包括如下步骤:
步骤1:构建RPN神经网络;
步骤2:提取试验场管道漏磁数据的轴向数据,选取若干包含各类组件的漏磁数据段作为RPN神经网络训练数据Tp;标记出训练数据中组件信号的位置,作为训练标签Lp;
步骤3:利用训练数据Tp及训练标签Lp训练RPN神经网络;将训练完成的RPN神经网络作为疑似区域生成模块MP;
步骤4:搭建孪生神经网络;
步骤5:提取仅含有单个组件的漏磁信号,作为组件漏磁信号样本库Ds;
步骤6:从组件漏磁信号样本库Ds中,提取任意两个样本的漏磁信号构成一组,编制成孪生神经网络训练数据集Tf;并标记训练数据集Tf中每一组的漏磁信号是否源自同一类组件,将该标记编制成对应训练数据集Tf的训练标签集Lf;
步骤7:利用训练数据集Tf及训练标签集Lf训练孪生神经网络;将训练完成的孪生神经网络分支作为特征模块MF;
步骤8:将组件漏磁信号样本库Ds中的组件漏磁信号分别输入到特征模块MF中;由特征模块MF生成对应管道组件类别的特征向量,由这些对应管道组件类别的特征向量构建组件特征样本库Df;
步骤9:将待辨识的管道组件漏磁数据输入疑似区域生成模块MP中,得到建议区域P;
步骤10:将建议区域P输入特征模块MF中,得到疑似管道组件的特征F;
步骤11:分别计算疑似管道组件的特征F与组件特征样本库Df中的每个特征样本间的欧式距离d,找到欧式距离d最小值所对应的组件类别,作为疑似管道组件的组件类别。
进一步地,步骤1中,设置RPN神经网络包括依次连接的输入层、卷积层、回归层、池化层及全连接层;设其卷积层个数为3~10,卷积核大小为ap×ap,ap为3~10,池化层个数为3~10,全连接层个数为2~3,设其激活函数为ReLU函数。
进一步地,步骤2包括以下分步骤:
步骤2.1:将采集的漏磁信号分为n段,每段漏磁信号尺寸为lpl×lpw;第i段漏磁信号记为tpi,i为漏磁信号分段后的段序号,i=1,2,...,n;每段漏磁信号中至少包括m个组件漏磁信号;训练数据Tp=[tp1,tp2,...,tpn];
步骤2.2:标记第i段漏磁信号tpi中组件漏磁信号的位置;设组件漏磁信号的坐标为Anm=[a1ij,a2ij,a3ij,a4ij];其中,j表示第i段漏磁信号中的组件漏磁信号的序号,j==1,2,...,m;a1ij为组件漏磁信号区域横坐标,a2ij为组件漏磁信号区域纵坐标,a3ij为组件漏磁信号区域长度,a4ij为组件漏磁信号区域宽度;设第i段漏磁信号tpi的标签为Lpi=[Ai1,Ai2,...Aim]T;
步骤2.3:构建训练标签集Lp=[Lp1,Lp2,...Lpn]T。
进一步地,步骤4中,设置孪生神经网络包括两个分支网络,两个分支网络包括相同的输入层、卷积层、池化层;两个分支网络的池化层输出至同一个全连接层;设每个分支网络的卷积层个数为3~10,卷积核大小为af×af,af为3~10,池化层个数为3~10,全连接层个数为2~3,设其激活函数为ReLU函数。
进一步地,步骤5的具体步骤包括:提取采集的漏磁信号中所有组件信号,一共v个组件漏磁信号;将所有提取的组件漏磁信号尺寸统一缩放至lf×lf,每个漏磁漏磁信号记为uf,构建组件漏磁信号样本库Ds=[u1,u2,...uv]。
进一步地,步骤6包括以下分步骤:
步骤6.1:将所有组件漏磁信号两两分成一组,编制成孪生神经网络训练数据集Tf,Tf=[(u1,u2),(u1,u3),...(u1,uv),...(u(v-1),uv)];设训练样本集Tf中的训练样本数量为e,
步骤6.2:对训练样本集Tf中的训练样本进行编号,设第k个训练样本的标签为lfk,k=1,2,...,e;当第k个训练样本的两个组件漏磁信号来源于同一种类型的组件时,设其标签lfk=1;当第k个训练样本的两个组件漏磁信号来源于不同类型的组件时,其标签lfk=0;
步骤6.3:构建训练标签集Lf=[lf1,lf2,,...lf e]T。
进一步地,步骤8包括以下分步骤:
步骤8.1:取组件漏磁信号样本库Ds中的第s个组件漏磁信号us,s=1,2,...,v;输入到特征模块MF中;
步骤8.2:经过特征模块MF计算,设对应第s个组件漏磁信号us,特征模块MF输出的特征矩阵为fs,s=1,2,...,v;将fs作为第s个组件漏磁信号us的特征向量;
步骤8.3:重复步骤8.1至步骤8.2,直至组件漏磁信号样本库Ds中所有组件漏磁信号都经过特征模块MF提取特征;
步骤8.4:由特征模块MF输出的特征矩阵fs,s=1,2,...,v,构建组件特征样本库Df=[f1,f2,f3,...,fv]。
本发明具有的优点和积极效果是:本发明利用基于卷积网络的检测算法对疑似区域进行定位;引入孪生神经网络,数据对形式的训练数据提升了可用数据的规模,使得特征提取器得到充分的训练;针对管道组件样本不足的情况,利用距离度量的方式,克服了样本数量的限制。本发明克服了样本数量不足情况下的组件检测问题,提高了实际管道组件检测的精确度。
附图说明
图1是本发明的一种管道组件检测系统结构示意图。
图2是管道组件检测系统中的一种孪生神经网络示意图结构示意图。
图3是管道组件检测系统中的一种RPN网络示意图结构示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹列举以下实施例,并配合附图详细说明如下:
请参见图1至图3,一种管道组件检测系统,该系统包括:距离度量模块,均由神经网络构建的疑似区域生成模块和特征模块,作为管道组件类别对比辨识基准的组件特征样本库;疑似区域生成模块,其用于确定管道组件疑似区域,其输入待辨识的管道漏磁数据,其生成管道组件疑似区域;特征模块,其用于提取管道组件漏磁数据的特征;其输入多种管道组件类别的样本漏磁数据,输出对应管道组件类别的特征,生成特征样本库;其输入管道组件疑似区域的漏磁数据,其输出疑似管道组件的特征;距离度量模块用于识别管道组件类别;其计算疑似管道组件的特征与组件特征样本库中的每个组件特征样本间的相似度,并根据相似度的值来判定管道组件类别。
优选地,疑似区域生成模块,其可由RPN神经网络构建,其可包括依次连接的输入层、卷积层、回归层、池化层及全连接层;输入层输入采集的管道组件漏磁数据,卷积层生成该图像的特征映射并输出至回归层;回归层生成目标建议区域及相应分数至池化层;池化层修正建议区域的尺寸并输出至全连接层,全连接层生成管道组件疑似区域。
优选地,特征模块可由孪生神经网络搭建,孪生神经网络可包括两个分支网络,两个分支网络可包括相同的输入层、卷积层、池化层,两个分支网络的输入层各自输入一漏磁数据;两个分支网络的池化层输出对应漏磁数据的特征向量至同一个全连接层。
优选地,组件特征样本库可为一个N×M的特征矩阵;其中,N代表组件特征样本库中包含组件特征样本的个数,每个组件特征样本包括M维特征向量。
本发明还提供了一种管道组件检测方法,该方法为:采用神经网络构建疑似区域生成模块、特征模块、距离度量模块,设置用于作为管道组件类别对比辨识基准的组件特征样本库;采用疑似区域生成模块来确定管道组件疑似区域,使其输入管道组件漏磁数据,使其生成管道组件疑似区域;采用特征模块来提取管道组件漏磁数据的特征;使其输入多种管道组件类别的样本漏磁数据,使其输出对应管道组件类别的特征,来生成组件特征样本库;使其输入管道组件疑似区域的漏磁数据,使其输出疑似管道组件的特征;采用距离度量模块来识别管道组件类别;使其计算疑似的特征与特征样本库中的每个特征样本间的相似度,并根据相似度的值来判定管道组件类别。
优选地,该方法可包括如下步骤:
步骤1:构建RPN神经网络;
步骤2:提取试验场管道漏磁数据的轴向数据,选取若干包含各类组件的漏磁数据段作为RPN神经网络训练数据Tp;标记出训练数据中组件信号的位置,作为训练标签Lp;
步骤3:利用训练数据Tp及训练标签Lp训练RPN神经网络;将训练完成的RPN神经网络作为疑似区域生成模块MP;
步骤4:搭建孪生神经网络;
步骤5:提取仅含有单个组件的漏磁信号,作为组件漏磁信号样本库Ds;
步骤6:从组件漏磁信号样本库Ds中,提取任意两个样本的漏磁信号构成一组,编制成孪生神经网络训练数据集Tf;并标记训练数据集Tf中每一组的漏磁信号是否源自同一类组件,将该标记编制成对应训练数据集Tf的训练标签集Lf;
步骤7:利用训练数据集Tf及训练标签集Lf训练孪生神经网络;将训练完成的孪生神经网络分支作为特征模块MF;
步骤8:将组件漏磁信号样本库Ds中的组件漏磁信号分别输入到特征模块MF中;由特征模块MF生成对应管道组件类别的特征向量,由这些对应管道组件类别的特征向量构建组件特征样本库Df;
步骤9:将待辨识的管道组件漏磁数据输入疑似区域生成模块MP中,得到建议区域P;
步骤10:将建议区域P输入特征模块MF中,得到疑似管道组件的特征F;
步骤11:分别计算疑似管道组件的特征F与组件特征样本库Df中的每个特征样本间的欧式距离d,找到欧式距离d最小值所对应的组件类别,作为疑似管道组件的组件类别。
设一疑似管道组件的特征为F1,设组件特征样本库Df中的某个特征样本为f1,设F1与f1的欧式距离为d11,计算F1与组件特征样本库Df中样本特征f1的距离d11的数学表达式如下式所示:
优选地,步骤1中,可设置RPN神经网络包括依次连接的输入层、卷积层、回归层、池化层及全连接层;可设其卷积层个数为3~10,卷积核大小可为ap×ap,ap为3~10,池化层个数为3~10,全连接层个数可为2~3,设其激活函数为ReLU函数。
优选地,步骤2可包括以下分步骤:
步骤2.1:可将采集的漏磁信号分为n段,每段漏磁信号尺寸可为lpl×lpw;第i段漏磁信号记为tpi,i为漏磁信号分段后的段序号,i=1,2,...,n;每段漏磁信号中可至少包括m个组件漏磁信号;训练数据Tp=[tp1,tp2,...,tpn];
步骤2.2:标记第i段漏磁信号tpi中组件漏磁信号的位置;可设组件漏磁信号的坐标为Anm=[a1ij,a2ij,a3ij,a4ij];其中,j表示第i段漏磁信号中的组件漏磁信号的序号,j==1,2,...,m;a1ij为组件漏磁信号区域横坐标,a2ij为组件漏磁信号区域纵坐标,a3ij为组件漏磁信号区域长度,a4ij为组件漏磁信号区域宽度;设第i段漏磁信号tpi的标签为Lpi=[Ai1,Ai2,...Aim]T;
步骤2.3:构建训练标签集Lp=[Lp1,Lp2,...Lpn]T。
优选地,步骤4中,可设置孪生神经网络包括两个分支网络,两个分支网络可包括相同的输入层、卷积层、池化层;两个分支网络的池化层输出至同一个全连接层;设每个分支网络的卷积层个数为3~10,卷积核大小为af×af,af为3~10,池化层个数为3~10,全连接层个数为2~3,设其激活函数为ReLU函数。ReLU函数的数学表达式如下式所示:
f(x)=max(0,x)。
优选地,步骤5的具体步骤可包括:提取采集的漏磁信号中所有组件信号,一共v个组件漏磁信号;可将所有提取的组件漏磁信号尺寸统一缩放至lf×lf,每个漏磁漏磁信号记为uf,构建组件漏磁信号样本库Ds=[u1,u2,...uv]。
优选地,步骤6可包括以下分步骤:
步骤6.1:可将所有组件漏磁信号两两分成一组,编制成孪生神经网络训练数据集Tf,Tf=[(u1,u2),(u1,u3),...(u1,uv),...(u(v-1),uv)];可设训练样本集Tf中的训练样本数量为e,
步骤6.2:对训练样本集Tf中的训练样本进行编号,设第k个训练样本的标签为lfk,k=1,2,...,e;可当第k个训练样本的两个组件漏磁信号来源于同一种类型的组件时,设其标签lfk=1;可当第k个训练样本的两个组件漏磁信号来源于不同类型的组件时,其标签lfk=0;
步骤6.3:构建训练标签集Lf=[lf1,lf2,,...lf e]T。
优选地,步骤8可包括以下分步骤:
步骤8.1:可取组件漏磁信号样本库Ds中的第s个组件漏磁信号us,s=1,2,...,v;输入到特征模块MF中;
步骤8.2:经过特征模块MF计算,可设对应第s个组件漏磁信号us,特征模块MF输出的特征矩阵为fs,s=1,2,...,v;将fs作为第s个组件漏磁信号us的特征向量;
步骤8.3:重复步骤8.1至步骤8.2,直至组件漏磁信号样本库Ds中所有组件漏磁信号都经过特征模块MF提取特征;
步骤8.4:由特征模块MF输出的特征矩阵fs,s=1,2,...,v,构建组件特征样本库Df=[f1,f2,f3,...,fv]。
下面以本发明的一个优选实施例来进一步说明本发明的工作流程及工作原理:
步骤a1:构建RPN网络。包括4个卷积层,卷积核大小为3×3,4个池化层,1个全连接层。其激活函数为ReLU函数,数学表达式如式(1)所示:
f(x)=max(0,x)。
步骤a2-1:对采集的漏磁信号分段,每段漏磁信号尺寸为150×72。共计100段数据,分别记为t1,t2,...t100。每段漏磁信号中包括1-3个组件漏磁信号,共376个组件。训练数据Tp=[t1,t2,...t100]。
步骤a2-2:标记单独一段漏磁信号中组件漏磁信号的位置。每个组件漏磁信号的坐标Anm=[a1nm,a2nm,a3nm,a4nm]。其中,m表示组件漏磁信号的序号。a1nm为组件漏磁信号区域左上角横坐标,a2nm为组件漏磁信号区域左上角纵坐标,a3nm为组件漏磁信号区域长度,a4nm为组件漏磁信号区域宽度。每段漏磁信号tpn的标签为Lpn=[An1,An2,...Anm]T。
步骤a2-3:构建训练标签集Lp=[L1,L2,...L100]T。
步骤a2-4:利用训练数据Tp及训练标签Lp训练RPN网络Fp。其中,学习率为0.001,迭代次数为10000,批大小为32。
步骤a2-5:令疑似区域生成模块MP=Fp。
步骤a3-1:提取采集的漏磁信号中所有组件信号,一共376个组件漏磁信号。将所有提取的组件漏磁信号尺寸统一缩放至32×32,漏磁漏磁信号分别记为u1,u2,...u376。
步骤a3-2:将所有组件漏磁信号两两分成一组,构建训练样本Tf=[(u1,u2),(u1,u3),...(u1,u376),...(u375,u376)]。共有训练样本个。
步骤a3-3:对于每一个训练样本,当训练样本中的两个组件漏磁信号来源于同一种类型的组件时,其标签lf=1;当训练样本中的两个组件漏磁信号来源于不同类型的组件时,其标签lf=0。
步骤a3-3:构建训练标签集Lf=[lf1,lf2,,...lfNf,]T。
步骤a4-1:构建孪生神经网络。包括3个卷积层,卷积核大小为3×3,3个池化层,1个全连接层。其激活函数为ReLU函数。
步骤a4-2:利用训练数据Tf及训练标签Lf训练孪生神经网络Fff。其中,学习率为0.01,迭代次数为1000,批大小为64。
步骤a4-3:取出孪生神经网络Fff中的一个分支Ff。
步骤a4-4:令疑似区域生成模块输出MF=Ff。
步骤a5-1:提取采集的漏磁信号中所有组件信号,一共376个组件漏磁信号。将所有提取的组件漏磁信号尺寸统一缩放至32×32,漏磁漏磁信号分别记为u1,u2,...u376。
步骤a5-2:构建组件漏磁信号样本库Ds=[u1,u2,...u376]。
步骤a6-1:取组件漏磁信号样本库Ds中的组件漏磁信号u1,输入到特征模块MF中。
步骤a6-2:经过特征模块MF计算,取出第3个卷积层的特征矩阵f1,作为该组件漏磁信号的特征。
步骤a6-3:重复步骤a6-1至步骤a6-2,直至组件漏磁信号样本库Ds中所有组件漏磁信号都经过特征模块MF提取特征。
步骤a6-4:构建组件特征样本库Df=[f1,f2,f3,...,f376]。
步骤a7:对于待检测漏磁数据X。将X输入疑似区域生成模块MP中,得到8个建议区域P=[p1,p2,p3,...,p8]。
步骤a8-1:对于建议区域p1。将建议区域p1输入特征模块MF中,得到疑似管道组件的特征F1。
步骤a8-2:重复步骤a8-1,直到所有建议区域都计算完成,得到疑似管道组件的特征F1,F2,...F8。
步骤a9-1:对于一疑似管道组件的特征F1。计算F1与组件特征样本库Df中一样本特征f1的距离d11。数学表达式如下式所示:
步骤a9-2:重复步骤a9-1,直到区域特征F1与组件特征样本库Df中所有样本特征都计算完成,记为d1=[d11,d12,...,d1 376]。
步骤a9-3:计算d1中最小值d1min。
步骤a9-4:找到d1中最小值d1min对应的值d1x。d1x对应的组件类别即为建议区域p1中漏磁信号对应的组件类别。
步骤a9-5:重复步骤a9-1至步骤a9-4,直至所有建议区域的组件类别都确定完成,即完成对待检测漏磁数据X的组件检测。
以上所述的实施例仅用于说明本发明的技术思想及特点,其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施,不能仅以本实施例来限定本发明的专利范围,即凡本发明所揭示的精神所作的同等变化或修饰,仍落在本发明的专利范围内。
Claims (11)
1.一种管道组件检测系统,其特征在于,包括:距离度量模块,均由神经网络构建的疑似区域生成模块和特征模块,作为管道组件类别对比辨识基准的组件特征样本库;疑似区域生成模块,其用于确定管道组件疑似区域,其输入待辨识的管道漏磁数据,其生成管道组件疑似区域;特征模块,其用于提取管道组件漏磁数据的特征;其输入多种管道组件类别的样本漏磁数据,输出对应管道组件类别的特征,生成特征样本库;其输入管道组件疑似区域的漏磁数据,其输出疑似管道组件的特征;距离度量模块用于识别管道组件类别;其计算疑似管道组件的特征与组件特征样本库中的每个组件特征样本间的相似度,并根据相似度的值来判定管道组件类别;
特征模块由孪生神经网络搭建,孪生神经网络包括两个分支网络,两个分支网络包括相同的输入层、卷积层、池化层,两个分支网络的输入层各自输入一漏磁数据;两个分支网络的池化层输出对应漏磁数据的特征向量至同一个全连接层。
2.根据权利要求1所述的管道组件检测系统,其特征在于,疑似区域生成模块,其由RPN神经网络构建,其包括依次连接的输入层、卷积层、回归层、池化层及全连接层;输入层输入采集的管道组件漏磁数据,卷积层生成该管道组件漏磁数据的特征映射并输出至回归层;回归层生成目标建议区域及相应分数至池化层;池化层修正建议区域的尺寸并输出至全连接层,全连接层生成管道组件疑似区域。
3.根据权利要求1所述的管道组件检测系统,其特征在于,组件特征样本库为一个N×M的特征矩阵;其中,N代表组件特征样本库中包含组件特征样本的个数,每个组件特征样本包括M维特征向量。
4.一种管道组件检测方法,其特征在于,该方法为:采用神经网络构建疑似区域生成模块、特征模块、距离度量模块,设置用于作为管道组件类别对比辨识基准的组件特征样本库;采用疑似区域生成模块来确定管道组件疑似区域,使其输入管道组件漏磁数据,使其生成管道组件疑似区域;采用特征模块来提取管道组件漏磁数据的特征;使其输入多种管道组件类别的样本漏磁数据,使其输出对应管道组件类别的特征,来生成组件特征样本库;使其输入管道组件疑似区域的漏磁数据,使其输出疑似管道组件的特征;采用距离度量模块来识别管道组件类别;使其计算疑似的特征与特征样本库中的每个特征样本间的相似度,并根据相似度的值来判定管道组件类别;
特征模块由孪生神经网络搭建,孪生神经网络包括两个分支网络,两个分支网络包括相同的输入层、卷积层、池化层,两个分支网络的输入层各自输入一漏磁数据;两个分支网络的池化层输出对应漏磁数据的特征向量至同一个全连接层。
5.根据权利要求4所述的管道组件检测方法,其特征在于,包括如下步骤:
步骤1:构建RPN神经网络;
步骤2:提取试验场管道漏磁数据的轴向数据,选取若干包含各类组件的漏磁数据段作为RPN神经网络训练数据Tp;标记出训练数据中组件信号的位置,作为训练标签Lp;
步骤3:利用训练数据Tp及训练标签Lp训练RPN神经网络;将训练完成的RPN神经网络作为疑似区域生成模块MP;
步骤4:搭建孪生神经网络;
步骤5:提取仅含有单个组件的漏磁信号,作为组件漏磁信号样本库Ds;
步骤6:从组件漏磁信号样本库Ds中,提取任意两个样本的漏磁信号构成一组,编制成孪生神经网络训练数据集Tf;并标记训练数据集Tf中每一组的漏磁信号是否源自同一类组件,将该标记编制成对应训练数据集Tf的训练标签集Lf;
步骤7:利用训练数据集Tf及训练标签集Lf训练孪生神经网络;将训练完成的孪生神经网络分支作为特征模块MF;
步骤8:将组件漏磁信号样本库Ds中的组件漏磁信号分别输入到特征模块MF中;由特征模块MF生成对应管道组件类别的特征向量,由这些对应管道组件类别的特征向量构建组件特征样本库Df;
步骤9:将待辨识的管道组件漏磁数据输入疑似区域生成模块MP中,得到建议区域P;
步骤10:将建议区域P输入特征模块MF中,得到疑似管道组件的特征F;
步骤11:分别计算疑似管道组件的特征F与组件特征样本库Df中的每个特征样本间的欧式距离d,找到欧式距离d最小值所对应的组件类别,作为疑似管道组件的组件类别。
6.根据权利要求5所述的管道组件检测方法,其特征在于,步骤1中,设置RPN神经网络包括依次连接的输入层、卷积层、回归层、池化层及全连接层;设其卷积层个数为3~10,卷积核大小为ap×ap,ap为3~10,池化层个数为3~10,全连接层个数为2~3,设其激活函数为ReLU函数。
7.根据权利要求5所述的管道组件检测方法,其特征在于,步骤2包括以下分步骤:
步骤2.1:将采集的漏磁信号分为n段,每段漏磁信号尺寸为lpl×lpw;第i段漏磁信号记为tpi,i为漏磁信号分段后的段序号,i=1,2,...,n;每段漏磁信号中至少包括m个组件漏磁信号;训练数据Tp=[tp1,tp2,...,tpn];
步骤2.2:标记第i段漏磁信号tpi中组件漏磁信号的位置;设组件漏磁信号的坐标为Anm=[a1ij,a2ij,a3ij,a4ij];其中,j表示第i段漏磁信号中的组件漏磁信号的序号,j=1,2,...,m;a1ij为组件漏磁信号区域横坐标,a2ij为组件漏磁信号区域纵坐标,a3ij为组件漏磁信号区域长度,a4ij为组件漏磁信号区域宽度;设第i段漏磁信号tpi的标签为Lpi=[Ai1,Ai2,...Aim]T;
步骤2.3:构建训练标签集Lp=[Lp1,Lp2,...Lpn]T。
8.根据权利要求5所述的管道组件检测方法,其特征在于,步骤4中,设置孪生神经网络包括两个分支网络,两个分支网络包括相同的输入层、卷积层、池化层;两个分支网络的池化层输出至同一个全连接层;设每个分支网络的卷积层个数为3~10,卷积核大小为af×af,af为3~10,池化层个数为3~10,全连接层个数为2~3,设其激活函数为ReLU函数。
9.根据权利要求5所述的管道组件检测方法,其特征在于,步骤5的具体步骤包括:提取采集的漏磁信号中所有组件信号,一共v个组件漏磁信号;将所有提取的组件漏磁信号尺寸统一缩放至lf×lf,每个漏磁漏磁信号记为uf,构建组件漏磁信号样本库Ds=[u1,u2,...uv]。
10.根据权利要求5所述的管道组件检测方法,其特征在于,步骤6包括以下分步骤:
步骤6.1:将所有组件漏磁信号两两分成一组,编制成孪生神经网络训练数据集Tf,Tf=[(u1,u2),(u1,u3),...(u1,uv),...(u(v-1),uv)];设训练样本集Tf中的训练样本数量为e,
步骤6.2:对训练样本集Tf中的训练样本进行编号,设第k个训练样本的标签为lfk,k=1,2,...,e;当第k个训练样本的两个组件漏磁信号来源于同一种类型的组件时,设其标签lfk=1;当第k个训练样本的两个组件漏磁信号来源于不同类型的组件时,其标签lfk=0;
步骤6.3:构建训练标签集Lf=[lf1,lf2,...lf e]T。
11.根据权利要求5所述的管道组件检测方法,其特征在于,步骤8包括以下分步骤:
步骤8.1:取组件漏磁信号样本库Ds中的第s个组件漏磁信号us,s=1,2,...,v;输入到特征模块MF中;
步骤8.2:经过特征模块MF计算,设对应第s个组件漏磁信号us,特征模块MF输出的特征矩阵为fs,s=1,2,...,v;将fs作为第s个组件漏磁信号us的特征向量;
步骤8.3:重复步骤8.1至步骤8.2,直至组件漏磁信号样本库Ds中所有组件漏磁信号都经过特征模块MF提取特征;
步骤8.4:由特征模块MF输出的特征矩阵fs,s=1,2,...,v,构建组件特征样本库Df=[f1,f2,f3,...,fv]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011194472.7A CN112329590B (zh) | 2020-10-30 | 2020-10-30 | 一种管道组件检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011194472.7A CN112329590B (zh) | 2020-10-30 | 2020-10-30 | 一种管道组件检测系统及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329590A CN112329590A (zh) | 2021-02-05 |
CN112329590B true CN112329590B (zh) | 2024-05-10 |
Family
ID=74322796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011194472.7A Active CN112329590B (zh) | 2020-10-30 | 2020-10-30 | 一种管道组件检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329590B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113899809B (zh) * | 2021-08-20 | 2024-02-27 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN116754632B (zh) * | 2023-08-16 | 2023-11-21 | 清华大学 | 基于正交孪生的油气管道裂纹量化方法及装置、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571233A (zh) * | 2009-06-15 | 2009-11-04 | 北京工业大学 | 基于相关分析的管道特征智能识别方法 |
CN107328850A (zh) * | 2017-07-31 | 2017-11-07 | 中国石油化工股份有限公司 | 一种基于金属磁记忆技术的管道缺陷类型识别方法 |
CN108562639A (zh) * | 2018-01-12 | 2018-09-21 | 西南石油大学 | 一种埋地钢质管道全生命周期缺陷外检测方法 |
CN109325544A (zh) * | 2018-10-11 | 2019-02-12 | 东北大学 | 一种基于中层特征的管道异常分类方法 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017197505A1 (en) * | 2016-05-20 | 2017-11-23 | Desjardins Integrity Ltd. | System and method for detecting and characterizing defects in a pipe |
-
2020
- 2020-10-30 CN CN202011194472.7A patent/CN112329590B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571233A (zh) * | 2009-06-15 | 2009-11-04 | 北京工业大学 | 基于相关分析的管道特征智能识别方法 |
CN107328850A (zh) * | 2017-07-31 | 2017-11-07 | 中国石油化工股份有限公司 | 一种基于金属磁记忆技术的管道缺陷类型识别方法 |
CN108562639A (zh) * | 2018-01-12 | 2018-09-21 | 西南石油大学 | 一种埋地钢质管道全生命周期缺陷外检测方法 |
CN109325544A (zh) * | 2018-10-11 | 2019-02-12 | 东北大学 | 一种基于中层特征的管道异常分类方法 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
Non-Patent Citations (5)
Title |
---|
Magnetic flux leakage image classification method for pipeline weld based on optimized convolution kernel;Lijian Yang 等;《Neurocomputing》;第365卷;229-238 * |
Using Deep Learning for Defect Classification on a Small Weld X-ray Image Dataset;Chiraz Ajmi 等;《Journal of Nondestructive Evaluation 》;1-13 * |
基于三轴漏磁与电涡流检测的管道内外壁缺陷识别方法;王少平 等;《控制工程》;第21卷(第4期);572-578 * |
基于机器学习的漏磁信号异常检测方法研究;张鑫博;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第06期);B019-47 * |
基于深度学习的管道焊缝法兰组件识别方法;杨理践;曹辉;;仪器仪表学报(第02期);193-202 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329590A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102008973B1 (ko) | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 | |
Kumar et al. | Deep learning–based automated detection of sewer defects in CCTV videos | |
CN110132603B (zh) | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 | |
CN112329590B (zh) | 一种管道组件检测系统及检测方法 | |
Lee et al. | Oil and gas pipeline failure prediction system using long range ultrasonic transducers and Euclidean-Support Vector Machines classification approach | |
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 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN109325544B (zh) | 一种基于中层特征的管道异常分类方法 | |
EP2198121A1 (en) | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs | |
Rica et al. | Reducing human effort in engineering drawing validation | |
CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
Liu et al. | An intelligent defect detection approach based on cascade attention network under complex magnetic flux leakage signals | |
CN108038211A (zh) | 一种基于上下文的无监督关系数据异常检测方法 | |
CN112836719A (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
CN116336400A (zh) | 油气集输管道基线检测方法 | |
CN114926707A (zh) | 管道缺陷识别方法、处理器和管道缺陷识别装置 | |
Guo et al. | Visual pattern recognition supporting defect reporting and condition assessment of wastewater collection systems | |
CN113780111A (zh) | 一种基于优化YOLOv3算法的管道连接器及缺陷精确识别方法 | |
CN113111923A (zh) | 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法 | |
Peng et al. | Parameterizing magnetic flux leakage data for pipeline corrosion defect retrieval | |
Lee et al. | Hierarchical rule based classification of MFL signals obtained from natural gas pipeline inspection | |
CN114120043A (zh) | 一种基于生产动态数据和示功图检测异常抽油井的方法 | |
Wang et al. | PIPE-CovNet: Automatic in-pipe wastewater infrastructure surface abnormality detection using convolutional neural network | |
Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
Yan et al. | Yolo-pd: Abnormal signal detection in gas pipelines based on improved yolov7 |
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 |