CN112861889A - 基于支持向量机和磁记忆技术的管道缺陷分类方法 - Google Patents

基于支持向量机和磁记忆技术的管道缺陷分类方法 Download PDF

Info

Publication number
CN112861889A
CN112861889A CN201911100440.3A CN201911100440A CN112861889A CN 112861889 A CN112861889 A CN 112861889A CN 201911100440 A CN201911100440 A CN 201911100440A CN 112861889 A CN112861889 A CN 112861889A
Authority
CN
China
Prior art keywords
pipeline
magnetic memory
support vector
defect
detection channel
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
Application number
CN201911100440.3A
Other languages
English (en)
Inventor
王观军
陈健飞
杨勇
刘超
王凯
黄晓亮
万勇
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.)
China Petroleum and Chemical Corp
Technology Inspection Center of Sinopec Shengli Oilfield Co
Shengli Oilfield Testing and Evaluation Research Co Ltd
Original Assignee
China Petroleum and Chemical Corp
Technology Inspection Center of Sinopec Shengli Oilfield Co
Shengli Oilfield Testing and Evaluation Research Co Ltd
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 China Petroleum and Chemical Corp, Technology Inspection Center of Sinopec Shengli Oilfield Co, Shengli Oilfield Testing and Evaluation Research Co Ltd filed Critical China Petroleum and Chemical Corp
Priority to CN201911100440.3A priority Critical patent/CN112861889A/zh
Publication of CN112861889A publication Critical patent/CN112861889A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01N27/85—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 using magnetographic methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electrochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明属于管道缺陷检测技术领域，尤其涉及一种基于支持向量机和磁记忆技术的管道缺陷分类方法。该基于支持向量机和磁记忆技术的管道缺陷分类方法可实现对腐蚀缺陷以及应力集中缺陷的有效识别，识别结果准确可靠、正确率高，在油田现场具有良好的应用效果，为提高管道缺陷的检测效率提供了帮助。本发明提供了一种基于支持向量机和磁记忆技术的管道缺陷分类方法，该基于支持向量机和磁记忆技术的管道缺陷分类方法包括有制作管道测试件；扫描管道测试件，得到管道测试件中多个检测通道的磁记忆信号；分析并提取各检测通道的形态特征量以及各检测通道的时域特征量；构建形成多个支持向量机的管道缺陷识别模型等步骤。

Description

基于支持向量机和磁记忆技术的管道缺陷分类方法
技术领域
该发明属于管道缺陷检测技术领域，尤其涉及一种基于支持向量机和磁记忆技术的管道缺陷分类方法。
背景技术
油气输送管道在其使用过程中受自身质量以及外界环境的影响，会产生多种类型的管道缺陷。这些缺陷大致可以分为两类：腐蚀缺陷和应力集中缺陷。其中，腐蚀缺陷是肉眼明显可见的一种临近破坏的缺陷类型，而应力集中缺陷则是肉眼不可见的早期缺陷类型。事实上，应力集中缺陷如不能被及时发现并处理的话，经过不断发展最终也会演变为腐蚀缺陷，从而对管道的安全运行造成威胁。为避免管道缺陷所产生管道破裂、泄漏等事故隐患，危害人民生命财产安全，需要技术人员对管道缺陷隐患进行及时整治处理。然而发明人发现，现有管道检测技术在使用过程中存在有诸多局限性，例如金属磁记忆检测技术虽可实现对铁磁管道材料的早期无损检测，但其只能判断管道是否存在缺陷而无法区分管道缺陷的具体类型，因而无法实现对管道的分阶段预警，不利于进一步提高管道缺陷的检测效率。
发明内容
本发明提供了一种基于支持向量机和磁记忆技术的管道缺陷分类方法，该基于支持向量机和磁记忆技术的管道缺陷分类方法可实现对腐蚀缺陷以及应力集中缺陷的有效识别，识别结果准确可靠、正确率高，在油田现场具有良好的应用效果，为提高管道缺陷的检测效率提供了帮助。
为解决上述技术问题，本发明采用了如下技术方案：
基于支持向量机和磁记忆技术的管道缺陷分类方法，包括有如下步骤：
步骤1：制作管道测试件，所述管道测试件上存在有腐蚀缺陷和应力集中缺陷；
步骤2：扫描步骤1所得管道测试件，得到管道测试件中多个检测通道的磁记忆信号；
步骤3：分析并提取步骤2所得的管道测试件中多个检测通道磁记忆信号中各检测通道的形态特征量以及各检测通道的时域特征量；
步骤4：以步骤3所得的磁记忆信号中各检测通道的形态特征量、步骤3所得的磁记忆信号中各检测通道的时域特征量的不同组合作为输入，以已知的管道缺陷类型作为输出，构建形成多个支持向量机的管道缺陷识别模型。
进一步的，还包括有：
步骤5：以步骤4所得的多个支持向量机的管道缺陷识别模型对油田现场管道进行管道缺陷识别分类，确定步骤4所得的多个支持向量机的管道缺陷识别模型的识别正确率。
较为优选的，所述步骤1具体可描述为：
使用一直线管道以及一直角弯管道焊接形成管道测试件；其中，直线管道上设置有至少两处圆孔腐蚀，每处圆孔腐蚀包含有至少3个肉眼可见的圆孔；所述圆孔的深度分为10级，最浅级圆孔深度为1mm，最深级圆孔深度为直线管道的管壁厚度；直角弯管道不经淬火处理，直角弯管道与直管段连接处存在应力。
较为优选的，所述步骤2具体可描述为：
使用接触式磁记忆检测仪采用打点计数的方式，采集得到管道测试件中多个检测通道的磁记忆信号。
可选择的，步骤3所述各检测通道的形态特征量具体包括有：各检测通道缺陷段信号与X轴围成的面积、各检测通道缺陷段信号磁场梯度最大值、各检测通道缺陷段信号磁场梯度平均值。
可选择的，步骤3所述各检测通道的时域特征量具体包括有：各检测通道缺陷段信号磁场强度平均值、各检测通道缺陷段信号磁场强度最大值、各检测通道缺陷段信号磁场强度最小值、各检测通道缺陷段信号磁场强度峰峰值、各检测通道缺陷段信号的能量。
可选择的，步骤4在构建形成多个支持向量机的管道缺陷识别模型的过程中，选择高斯核函数作为管道缺陷识别模型的核函数。
可选择的，保留识别正确率不低于85％的支持向量机的管道缺陷识别模型作为有效的支持向量机的管道缺陷识别模型。
本发明提供了一种基于支持向量机和磁记忆技术的管道缺陷分类方法，该基于支持向量机和磁记忆技术的管道缺陷分类方法包括有制作管道测试件；扫描管道测试件，得到管道测试件中多个检测通道的磁记忆信号；分析并提取各检测通道的形态特征量以及各检测通道的时域特征量；构建形成多个支持向量机的管道缺陷识别模型等步骤。具有上述步骤的基于支持向量机和磁记忆技术的管道缺陷分类方法，其可通过非接触式检测识别并确定油井现场管道缺陷，管道缺陷识别成功率较高，油田现场使用效果良好，为提高管道缺陷的检测效率提供了帮助。
附图说明
图1为本发明提供的一种基于支持向量机和磁记忆技术的管道缺陷分类方法的流程示意图；
图2为制作管道测试件的示意图；
图3为根据本发明提供方法生成的支持向量机缺陷分类模型预测结果与实际检测结果的对比示意图。
具体实施方式
本发明提供了一种基于支持向量机和磁记忆技术的管道缺陷分类方法，该基于支持向量机和磁记忆技术的管道缺陷分类方法可实现对腐蚀缺陷以及应力集中缺陷的有效识别，识别结果准确可靠、正确率高，在油田现场具有良好的应用效果，为提高管道缺陷的检测效率提供了帮助。
为便于本领域技术人员的理解，下面将本发明提供的基于支持向量机和磁记忆技术的管道缺陷分类方法的具体步骤拆分为若干实施方式进行说明。
实施例一
如图1所示，本发明提供的基于支持向量机和磁记忆技术的管道缺陷分类方法包括有如下步骤，步骤1：制作管道测试件，所述管道测试件上存在有腐蚀缺陷和应力集中缺陷。具体的，如图2所示，使用一直线管道以及一直角弯管道焊接形成该管道测试件。值得注意的是，由于我国国内油田管道多采用φ114无缝钢管制作形成，因此直线管道选用壁厚为1.5cm、长为6.3m、材料质地符合国标的φ114无缝钢管。在直线管道上设置有至少两处圆孔腐蚀，每处圆孔腐蚀包含有至少3个肉眼可见的圆孔；圆孔的深度分为10级，最浅级圆孔深度为1mm，最深级圆孔深度为直线管道的管壁厚度，通过不同圆孔深度等级以囊括不同的腐蚀类型，用以代表多种腐蚀缺陷。直角弯管道不经淬火处理，直角弯管道与直管段连接处存在应力，用以代表应力集中缺陷。通过前述制备方式可在同一管道测试件设置两种不同类型的缺陷，进而帮助排除测试件本身材质等因素对结果的影响。
步骤2：扫描步骤1所得管道测试件，得到管道测试件中多个检测通道的磁记忆信号。具体的，使用接触式磁记忆检测仪采用打点计数的方式，采集得到管道测试件中多个检测通道的磁记忆信号。例如：选用本领域国内外研究工作者普遍使用的一种磁记忆检测设备-俄罗斯动力诊断公司生产的TSC-5M型磁记忆检测仪作为接触式磁记忆检测仪器，评估管道测试件的应力变形状况并测定应力集中区。值得注意的是，该种接触式磁记忆检测仪器共安装有4个探头(1号-4号探头)，每个探头可以检测该探头位置磁记忆信号的3个分量，共计12个通道(HP1-HP12)的磁记忆信号。通过打点计数的方式，在移动过程中，每一个点位对应该处的漏磁场强度，因此只需将仪器的感应探头垂直在铁磁构件上方的一定距离进行一次扫描，即可获取扫描区域的磁记忆信号，最终得到每根管道测试件20组数据。
步骤3：分析并提取步骤2所得的管道测试件中多个检测通道磁记忆信号中各检测通道的形态特征量以及各检测通道的时域特征量。具体的，各检测通道的形态特征量具体包括有：各检测通道缺陷段信号与X轴围成的面积、各检测通道缺陷段信号磁场梯度最大值、各检测通道缺陷段信号磁场梯度平均值；而各检测通道的时域特征量具体包括有：各检测通道缺陷段信号磁场强度平均值、各检测通道缺陷段信号磁场强度最大值、各检测通道缺陷段信号磁场强度最小值、各检测通道缺陷段信号磁场强度峰峰值、各检测通道缺陷段信号的能量。
步骤4：以步骤3所得的磁记忆信号中各检测通道的形态特征量、步骤3所得的磁记忆信号中各检测通道的时域特征量的不同组合作为输入，以已知的管道缺陷类型作为输出，构建形成多个支持向量机的管道缺陷识别模型。举例而言，选择高斯核函数(RBF)作为管道缺陷识别模型的核函数，其中，预测结果为腐蚀缺陷段则标注为1，预测结果为应力集中缺陷段则标注为2。综合考虑各检测通道的形态特征量、各检测通道的时域特征量的不同组合，在此根据发明人的测试经验，提供一建模效果良好的输入作为参考：以HP1通道缺陷段信号与X轴围成的面积、HP1，HP4，HP7，HP10通道磁记忆信号的梯度最大值和梯度平均值作为输入1；以HP1通道和HP10通道缺陷段信号的平均值、HP1通道和HP7通道缺陷段信号的最大值、HP2通道和HP5通道缺陷段信号的最小值以及HP1，HP4，HP7，HP10通道磁记忆信号的峰峰值作为输入2。通过使用两种类型特征量(各检测通道的形态特征量、各检测通道的时域特征量)的不同组合，建立了多个支持向量机缺陷识别模型。
实施例二
如图1所示，本发明提供的基于支持向量机和磁记忆技术的管道缺陷分类方法还包括有如下步骤5：以步骤4所得的多个支持向量机的管道缺陷识别模型对油田现场管道进行管道缺陷识别分类，确定步骤4所得的多个支持向量机的管道缺陷识别模型的识别正确率。其中较为优选的，保留识别正确率不低于85％的支持向量机的管道缺陷识别模型作为有效的支持向量机的管道缺陷识别模型。
需要说明的是，步骤5的目的在于甄别并验证步骤4所得的多个支持向量机的管道缺陷识别模型的可靠性，排查掉不适合的支持向量机的管道缺陷识别模型，最终达到提高管道缺陷识别正确率的技术效果。以下提供几组发明人对东营市胜利采油厂和现河采油厂野外的油气输送管道进行了多次管道缺陷磁记忆检测实验的数据，共计到48组管道的缺陷段数据作为参考。
检测实验一：对东营市胜利采油厂野外的1根油气输送管道进行的管道缺陷磁记忆检测试验。该管道表面存在人眼明显可见的大面积腐蚀缺陷，命名为1号腐蚀直管道。对其总检测长度为5米，提取200cm到220cm段数据作为腐蚀缺陷段数据，共获取10组实验数据。
检测实验二：对东营市现河采油厂野外的一根油气输送管道进行的管道缺陷磁记忆检测试验。该管道的一端裸露在地面上方，另一端埋在土里，管道中间存在明显弯曲，即存在应力集中，命名为1号直角弯应力集中管道。对该管道的总检测长度为2.9米，提取110cm到140cm段数据作为应力集中缺陷段数据，共获取到9组实验数据。
检测实验三：对现河采油厂野外的一根直管道进行的管道缺陷磁记忆检测试验，其表面存在明显可见的大面积腐蚀缺陷，命名为2号腐蚀直管道。对该管道的总检测长度为3米，提取160cm到180cm段数据作为腐蚀缺陷段数据，共获得9组实验数据。
检测实验四：对现河采油厂野外的另一根直角弯应力集中管道进行的管道缺陷磁记忆检测试验，其一端裸露在地面上方，另一端埋在土里，管道中间存在明显弯曲，即存在应力集中，命名为2号直角弯应力集中管道。对该管道的检测总长度为1.6米，从埋地端向上扫描，提取20cm到40cm段的数据作为应力集中缺陷段数据，共获取到10组实验数据
检测实验五：对一根直管道进行的管道缺陷磁记忆检测试验，其表面也存在人眼明显可见的大面积腐蚀缺陷，命名为3号腐蚀直管道。对该管道的总检测长度为4.2米，提取100cm到120cm段数据作为腐蚀缺陷段数据，共获得10组实验数据。
利用实施例一所述步骤4所提供的支持向量机缺陷识别模型对该48组油田现场管道的实测缺陷段数据的分类效果验证，如图3所示，最终确定其支持向量机缺陷分类模型的正确识别率为89.5833％，该支持向量机缺陷分类模型对油气管道腐蚀缺陷和应力集中缺陷的识别是可行的且正确识别率较高。
实施例三
为提高管道测试件管道缺陷的代表性，进一步为本领域技术人员提供如下制备数据以供参考。
Figure BDA0002269699990000081
Figure BDA0002269699990000091
本发明提供了一种基于支持向量机和磁记忆技术的管道缺陷分类方法，该基于支持向量机和磁记忆技术的管道缺陷分类方法包括有制作管道测试件；扫描管道测试件，得到管道测试件中多个检测通道的磁记忆信号；分析并提取各检测通道的形态特征量以及各检测通道的时域特征量；构建形成多个支持向量机的管道缺陷识别模型等步骤。具有上述步骤的基于支持向量机和磁记忆技术的管道缺陷分类方法，其可通过非接触式检测识别并确定油井现场管道缺陷，管道缺陷识别成功率较高，油田现场使用效果良好，为提高管道缺陷的检测效率提供了帮助。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.基于支持向量机和磁记忆技术的管道缺陷分类方法，其特征在于，包括有如下步骤：
步骤1：制作管道测试件，所述管道测试件上存在有腐蚀缺陷和应力集中缺陷；
步骤2：扫描步骤1所得管道测试件，得到管道测试件中多个检测通道的磁记忆信号；
步骤3：分析并提取步骤2所得的管道测试件中多个检测通道磁记忆信号中各检测通道的形态特征量以及各检测通道的时域特征量；
步骤4：以步骤3所得的磁记忆信号中各检测通道的形态特征量、步骤3所得的磁记忆信号中各检测通道的时域特征量的不同组合作为输入，以已知的管道缺陷类型作为输出，构建形成多个支持向量机的管道缺陷识别模型。
2.根据权利要求1所述的基于支持向量机和磁记忆技术的管道缺陷分类方法，其特征在于，还包括有：
步骤5：以步骤4所得的多个支持向量机的管道缺陷识别模型对油田现场管道进行管道缺陷识别分类，确定步骤4所得的多个支持向量机的管道缺陷识别模型的识别正确率。
3.根据权利要求1所述的基于支持向量机和磁记忆技术的管道缺陷分类方法，其特征在于，所述步骤1具体可描述为：
使用一直线管道以及一直角弯管道焊接形成管道测试件；其中，直线管道上设置有至少两处圆孔腐蚀，每处圆孔腐蚀包含有至少3个肉眼可见的圆孔；所述圆孔的深度分为10级，最浅级圆孔深度为1mm，最深级圆孔深度为直线管道的管壁厚度；直角弯管道不经淬火处理，直角弯管道与直管段连接处存在应力。
4.根据权利要求1所述的基于支持向量机和磁记忆技术的管道缺陷分类方法，其特征在于，所述步骤2具体可描述为：
使用接触式磁记忆检测仪采用打点计数的方式，采集得到管道测试件中多个检测通道的磁记忆信号。
5.根据权利要求1所述的基于支持向量机和磁记忆技术的管道缺陷分类方法，其特征在于，步骤3所述各检测通道的形态特征量具体包括有：各检测通道缺陷段信号与X轴围成的面积、各检测通道缺陷段信号磁场梯度最大值、各检测通道缺陷段信号磁场梯度平均值。
6.根据权利要求1所述的基于支持向量机和磁记忆技术的管道缺陷分类方法，其特征在于，步骤3所述各检测通道的时域特征量具体包括有：各检测通道缺陷段信号磁场强度平均值、各检测通道缺陷段信号磁场强度最大值、各检测通道缺陷段信号磁场强度最小值、各检测通道缺陷段信号磁场强度峰峰值、各检测通道缺陷段信号的能量。
7.根据权利要求1所述的基于支持向量机和磁记忆技术的管道缺陷分类方法，其特征在于，步骤4在构建形成多个支持向量机的管道缺陷识别模型的过程中，选择高斯核函数作为管道缺陷识别模型的核函数。
8.根据权利要求2所述的基于支持向量机和磁记忆技术的管道缺陷分类方法，其特征在于，保留识别正确率不低于85%的支持向量机的管道缺陷识别模型作为有效的支持向量机的管道缺陷识别模型。
CN201911100440.3A 2019-11-12 2019-11-12 基于支持向量机和磁记忆技术的管道缺陷分类方法 Pending CN112861889A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911100440.3A CN112861889A (zh) 2019-11-12 2019-11-12 基于支持向量机和磁记忆技术的管道缺陷分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911100440.3A CN112861889A (zh) 2019-11-12 2019-11-12 基于支持向量机和磁记忆技术的管道缺陷分类方法

Publications (1)

Publication Number Publication Date
CN112861889A true CN112861889A (zh) 2021-05-28

Family

ID=75984449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911100440.3A Pending CN112861889A (zh) 2019-11-12 2019-11-12 基于支持向量机和磁记忆技术的管道缺陷分类方法

Country Status (1)

Country Link
CN (1) CN112861889A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2264617C2 (ru) * 2001-05-23 2005-11-20 Горошевский Валерий Павлович Способ бесконтактного выявления местоположения и характера дефектов металлических сооружений и устройство для его осуществления
CN103196356A (zh) * 2013-04-07 2013-07-10 克拉玛依市金牛工程建设有限责任公司 基于支持向量机的油管缺陷定量识别方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2264617C2 (ru) * 2001-05-23 2005-11-20 Горошевский Валерий Павлович Способ бесконтактного выявления местоположения и характера дефектов металлических сооружений и устройство для его осуществления
CN103196356A (zh) * 2013-04-07 2013-07-10 克拉玛依市金牛工程建设有限责任公司 基于支持向量机的油管缺陷定量识别方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王宇等: "基于极限学习机及磁记忆技术的管道缺陷分类方法研究", 《完整性管理》, vol. 38, no. 7, pages 98 - 103 *

Similar Documents

Publication Publication Date Title
EP2950038B1 (en) Electromagnetic assessment of multiple conductive tubulars
CN101571233B (zh) 基于相关分析的管道特征智能识别方法
CN206208832U (zh) 一种连续油管在线检测装置
CN205861255U (zh) 基于巴克豪森效应的铁磁材料应力检测装置
CN105353030A (zh) 一种基于低频电磁的缺陷检测装置
US20090234590A1 (en) Method for improved crack detection and discrimination using circumferential magnetic flux leakage
CN101968463A (zh) 管道螺旋焊缝类裂纹缺陷三轴漏磁内检测线信号识别方法
CN109765296B (zh) 厚壁管材内部缺陷超声检测三维定位方法
CN103063124A (zh) 一种奥氏体不锈钢塑性变形量的检测方法
CN105891093A (zh) 一种铁磁性金属材料抗氢致开裂性能的检测方法
RU2614414C1 (ru) Способ комплексного наземного бесконтактного технического диагностирования подземного трубопровода
WU et al. Development status and improvement strategy of inline inspection technology and management
CN110220967A (zh) 一种acfm技术簇状裂纹表面轮廓自动识别方法
DO HAENG et al. Influence of signal-to-noise ratio on eddy current signals of cracks in steam generator tubes
CN112861889A (zh) 基于支持向量机和磁记忆技术的管道缺陷分类方法
CN107064288B (zh) 一种i型裂纹的应力强度因子测定方法
RU2536778C1 (ru) Способ выявления локальных дефектов металла подземного трубопровода
CN114965680A (zh) 一种基于脉冲涡流的铁磁性管道探伤装置及内外检测方法
CN102520064A (zh) 基于时间反转聚焦方法的管道缺陷大小判定方法
CN102445491B (zh) 利用自发射磁信号评价再制造毛坯应力集中程度的方法
CN210465347U (zh) 同时用于远场涡流和声脉冲检测铁磁性换热器管束缺陷的灵敏度标定样管
CN109916997A (zh) 一种石油管道在线检测装置
Moskovkina et al. The statistic analyze of stress-corrosion cracks on the main gas pipeline section
Kim et al. Design of spider-type non-destructive testing device using magnetic flux leakage
Yang et al. Defect feature extraction and recognition of buried pipeline based on metal magnetic memory

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