CN115062679A - 基于检测信号的管道完整性智能评价方法及装置 - Google Patents

基于检测信号的管道完整性智能评价方法及装置 Download PDF

Info

Publication number
CN115062679A
CN115062679A CN202110252338.6A CN202110252338A CN115062679A CN 115062679 A CN115062679 A CN 115062679A CN 202110252338 A CN202110252338 A CN 202110252338A CN 115062679 A CN115062679 A CN 115062679A
Authority
CN
China
Prior art keywords
detection signal
magnetic induction
length
abnormal
signal 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.)
Pending
Application number
CN202110252338.6A
Other languages
English (en)
Inventor
于子浩
崔凯燕
王晓霖
王佳楠
杨晓
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.)
Sinopec Dalian Petrochemical Research Institute Co ltd
China Petroleum and Chemical Corp
Original Assignee
China Petroleum and Chemical Corp
Sinopec Dalian Research Institute of Petroleum and Petrochemicals
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, Sinopec Dalian Research Institute of Petroleum and Petrochemicals filed Critical China Petroleum and Chemical Corp
Priority to CN202110252338.6A priority Critical patent/CN115062679A/zh
Publication of CN115062679A publication Critical patent/CN115062679A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明公开了一种基于检测信号的管道完整性智能评价方法及装置，方法包括：获取管道的磁感应检测信号数据；将磁感应检测信号数据输入至完整性智能评价模型中，得到管道的完整性智能评价结果；其中，完整性智能评价结果包括异常区域位置和维修等级；完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。本发明基于磁感应检测信号数据，提出一种适应性强且不受人为主观因素影响的管道完整性智能评价方法，提高了检测结果解析的准确性，避免盲目维修，可以极大地提高经济性和降低劳动力，同时提高了管道的安全性。

Description

基于检测信号的管道完整性智能评价方法及装置
技术领域
本发明涉及管道安全评价技术领域，具体涉及一种基于检测信号的管道完整性智能评价方法及装置。
背景技术
厂内管道是炼化厂、站场生产的命脉，是各设施的纽带。厂内埋地管道检测难度大、腐蚀严重，时常发生泄漏等问题，对环境、安全和经济都带来巨大损失。目前厂内埋地管道的开挖检测的方法主要为磁应力检测。
现有的磁感应检测信号解读技术主要是直接依据人工经验对信号图进行判断，依据相关分级标准对磁应力检测信号异常进行分级，然而这种方式的缺点是引入了过多人为主观因素，评价的准确性不能保证，且人工成本高，经济性差。
发明内容
针对现有技术存在的问题，本发明实施例提出一种基于检测信号的管道完整性智能评价方法及装置。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明实施例提供了一种基于检测信号的管道完整性智能评价方法，包括：
获取管道的磁感应检测信号数据；
将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；
其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。
进一步地，基于检测信号的管道完整性智能评价方法，还包括：所述完整性智能评价模型的训练过程；
其中，所述完整性智能评价模型的训练过程包括：
收集预设数量的样本磁感应检测信号数据；其中，所述预设数量的样本磁感应检测信号数据需要覆盖各种异常区域位置和各种维修等级；
根据检测信号解析专家凭经验或开挖确定与所述预设数量的样本磁感应检测信号数据对应的管道异常区域位置及维修等级；
将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型。
进一步地，在收集预设数量的样本磁感应检测信号数据之后，所述方法还包括以下步骤：
对所述样本磁感应检测信号数据进行长度统一处理，具体包括：
每段管道的磁感应检测信号通常为二维数组，形式为：
Figure BDA0002966566340000021
其中，m为采样次数，在每个采样点所得到的磁感应检测信号：
Figure BDA0002966566340000022
其中，n为磁感应检测信号维度，hij表示磁感应检测信号的第j个信号特征的数值大小；
磁感应检测信号数据的采样频率统一，H的长度代表被检测管段的长度，将磁感应检测信号数据进行标准化处理，使得每段检测信号向量的长度相同，以便网络训练；
首先统计所有被检管段磁感应检测信号数据的平均长度
Figure BDA00029665663400000315
四舍五入到整数，然后执行下述情况1至情况5：
情况1：对于数组长度
Figure BDA0002966566340000031
的信号数据，用插值的方式将数组长度放缩到
Figure BDA0002966566340000032
具体地，先得到新数组的采样点在原始数值坐标中的位置：
Figure BDA0002966566340000033
式中，X为变换后新数组的位置信息集合；
根据新的位置信息X，利用线性插值计算新位置上的检测信号
Figure BDA0002966566340000034
插值方式为：
Figure BDA0002966566340000035
式中，j＝[i]为i的整数部分，
Figure BDA0002966566340000036
为原数据中对应位置的磁感应检测信号数据，得到的新磁感应检测信号数据H*的向量长度为
Figure BDA0002966566340000037
情况2：对于数组长度
Figure BDA0002966566340000038
的信号数据，对
Figure BDA0002966566340000039
数组进行拼接得到新信号：
Figure BDA00029665663400000310
信号长度变为N*l，直到
Figure BDA00029665663400000311
再按情况1中的方法，将长度放缩为
Figure BDA00029665663400000312
情况3：对于数组长度
Figure BDA00029665663400000313
的无异常信号数据，从数组的起始位置和终点位置分别向对侧划分
Figure BDA00029665663400000314
长度，得到两个新数据，即：
Figure BDA0002966566340000041
Figure BDA0002966566340000042
情况4：对于数组长度
Figure BDA0002966566340000043
的无异常信号数据H，从数组
Figure BDA0002966566340000044
起点位置按
Figure BDA0002966566340000045
长度开始切割，得到长度为
Figure BDA0002966566340000046
的信号，直到剩余部分的长度
Figure BDA0002966566340000047
再按照情况1-情况3的方法将剩余部分长度也变为
Figure BDA0002966566340000048
情况5：对于数组长度
Figure BDA0002966566340000049
内有异常信号数据H，则异常区域集G表达为
G＝｛[gi，gi+Di]，i＝1，2，...，q}
式中，q为H中异常区域的数量，gi为第i处异常的起点位置，Di为第i处异常的位置长度，首先，对每个异常区域，分别从异常信号起终点向两侧划分
Figure BDA00029665663400000410
长度，若
Figure BDA00029665663400000411
或
Figure BDA00029665663400000412
区间内完全包含其他信号异常区间，则合并异常区间并剪裁，具体的：当
Figure BDA00029665663400000413
时，将异常区域合并为同一个信号并裁减，同理当
Figure BDA00029665663400000414
时，将异常区域合并为同一信号并裁减，裁剪后的数组长度为
Figure BDA00029665663400000415
若
Figure BDA00029665663400000416
或
Figure BDA00029665663400000417
Figure BDA00029665663400000418
区间内不完全包含其他异常信号，从异常信号[gi，gi+Di]的中点分别向两侧延伸，得到长度为
Figure BDA00029665663400000419
均区间
Figure BDA00029665663400000420
Figure BDA00029665663400000421
若此区间包含其他异常信号的端点，则该端点作为一个裁剪点，再向另一侧延伸裁剪，保证含信号异常的部分长度为
Figure BDA00029665663400000422
以包含端点gi-1+Di-1为例，得到剪裁区间
Figure BDA00029665663400000423
Figure BDA00029665663400000424
若此时右端点落在其他异常区间内，则再向左缩至无异常处，得到最终的剪裁区间[gi-1+Di-1，gi+1]，对最终裁剪的信号数组重复情况1-情况2；对于
Figure BDA0002966566340000051
的信号，直接将该部分异常信号区域裁剪为一个信号数组，再对剩余的部分进行上述步骤处理；对于上述裁剪后剩余的无信号区域，循环执行情况1-情况4。
进一步地，将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型，包括：
根据针对历史获取到磁感应检测信号数据的统计结果，确定包含有缺陷的磁感应检测信号数据和不包含有缺陷的磁感应检测信号数据的数量比例；
根据所述数量比例，将已确定管道异常区域位置及维修等级的样本磁感应检测信号随机分成训练集和测试集以训练和测试完整性智能评价模型。
进一步地，在将所述磁感应检测信号数据输入至完整性智能评价模型中之前，所述方法还包括：
在应用模型时，对于所述磁感应检测信号数据，先对所述磁感应检测信号数据进行数组长度比例统一化；
若信号长度
Figure BDA0002966566340000052
则按照如上面所述的情况1和情况2的方法将信号数组放缩为标准大小；
若信号长度
Figure BDA0002966566340000053
则从信号数组的左侧端点开始，建立长度为
Figure BDA0002966566340000054
的滑动窗口，每
Figure BDA0002966566340000055
长度剪裁一次信号，直到滑动窗口的右侧到达信号数组的边界，得到
Figure BDA0002966566340000056
个信号数组，将这些信号数组输入网络进行预测，根据网络预测结果输出异常信号位置在数据上的异常区域位置及异常信号的维修等级。
进一步地，所述基于检测信号的管道完整性智能评价方法，还包括：对所述完整性智能评价模型进行调整和迁移的处理过程；
其中，对所述完整性智能评价模型进行调整和迁移的处理过程，包括：
在积累管道开挖数据后，将影响磁感应的周围环境因素包括金属、树木和管道属性做热独One-Hot编码或连续编码，得到第一特征向量；将利用区域生成网络RPN选取出的目标区域在卷积神经网络得到的特征图上对应的特征向量与所述第一特征向量进行拼接，得到第二特征向量；所述第二特征向量经过全连接神经网络层的计算，再通过Softmax函数，计算得到样本磁感应检测信号数据属于每种维修等级的概率Li，使用随机梯度下降法SGD方法训练全连接网络，网络输出Li结果中，最大Li处即是该处异常最可能的维修等级；
其中，信号样本属于每种维修等级的概率Li计算方式为：
Figure BDA0002966566340000061
其中，pi是全连接网络层的输出，N表示维修等级数目。
进一步地，所述基于检测信号的管道完整性智能评价方法，还包括：对所述完整性智能评价模型进行优化，使得所述完整性智能评价模型输出缺陷类型；
在网络的全连接层后增加一层多标签Sigmod损失函数，得到样本磁感应检测信号数据预测为每类缺陷的概率
Figure BDA0002966566340000062
Figure BDA0002966566340000063
其中，
Figure BDA0002966566340000064
为网络最后一个全连接层输出的列向量，M为缺陷类型的数量，
Figure BDA0002966566340000065
采取交叉熵损失函数，使用随机梯度下降法SGD训练网络，网络输出
Figure BDA0002966566340000071
向量中所有大于阈值的位置对应的缺陷类型；
完成以上处理后，网络在预测时输出异常区域位置、缺陷类型以及相应维修等级。
第二方面，本发明实施例还提供了一种基于检测信号的管道完整性智能评价装置，包括：
获取模块，用于获取管道的磁感应检测信号数据；
智能评价模块，用于将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；
其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。
进一步地，所述基于检测信号的管道完整性智能评价装置，还包括：训练模块，用于对所述完整性智能评价模型执行训练过程；
其中，所述完整性智能评价模型的训练过程包括：
收集预设数量的样本磁感应检测信号数据；其中，所述预设数量的样本磁感应检测信号数据需要覆盖各种异常区域位置和各种维修等级；
根据检测信号解析专家凭经验或开挖确定与所述预设数量的样本磁感应检测信号数据对应的管道异常区域位置及维修等级；
将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型。
进一步地，在收集预设数量的样本磁感应检测信号数据之后，所述训练模块还用于执行以下步骤：
对所述样本磁感应检测信号数据进行长度统一处理，具体包括：
每段管道的磁感应检测信号通常为二维数组，形式为：
Figure BDA0002966566340000081
其中，m为采样次数，在每个采样点所得到的磁感应检测信号：
Figure BDA0002966566340000082
其中，n为磁感应检测信号维度，hij表示磁感应检测信号的第j个信号特征的数值大小；
磁感应检测信号数据的采样频率统一，H的长度代表被检测管段的长度，将磁感应检测信号数据进行标准化处理，使得每段检测信号向量的长度相同，以便网络训练；
首先统计所有被检管段磁感应检测信号数据的平均长度
Figure BDA0002966566340000083
四舍五入到整数，然后执行下述情况1至情况5：
情况1：对于数组长度
Figure BDA0002966566340000084
的信号数据，用插值的方式将数组长度放缩到
Figure BDA0002966566340000085
具体地，先得到新数组的采样点在原始数值坐标中的位置：
Figure BDA0002966566340000086
式中，X为变换后新数组的位置信息集合；
根据新的位置信息X，利用线性插值计算新位置上的检测信号
Figure BDA0002966566340000087
插值方式为：
Figure BDA0002966566340000088
式中，j＝[i]为i的整数部分，
Figure BDA0002966566340000089
为原数据中对应位置的磁感应检测信号数据，得到的新磁感应检测信号数据H*的向量长度为
Figure BDA00029665663400000810
情况2：对于数组长度
Figure BDA0002966566340000091
的信号数据，对
Figure BDA0002966566340000092
数组进行拼接得到新信号：
Figure BDA0002966566340000093
信号长度变为N*l，直到
Figure BDA0002966566340000094
再按情况1中的方法，将长度放缩为
Figure BDA0002966566340000095
情况3：对于数组长度
Figure BDA0002966566340000096
的无异常信号数据，从数组的起始位置和终点位置分别向对侧划分
Figure BDA0002966566340000097
长度，得到两个新数据，即：
Figure BDA0002966566340000098
Figure BDA0002966566340000099
情况4：对于数组长度
Figure BDA00029665663400000910
的无异常信号数据H，从数组
Figure BDA00029665663400000911
起点位置按
Figure BDA00029665663400000912
长度开始切割，得到长度为
Figure BDA00029665663400000913
的信号，直到剩余部分的长度
Figure BDA00029665663400000914
再按照情况1-情况3的方法将剩余部分长度也变为
Figure BDA00029665663400000915
情况5：对于数组长度
Figure BDA00029665663400000916
的有异常信号数据H，则异常区域集G表达为
G＝｛[gi，gi+Di]，i＝1，2，...，q}
式中，q为H中异常区域的数量，gi为第i处异常的起点位置，Di为第i处异常的位置长度，首先，对每个异常区域，分别从异常信号起终点向两侧划分
Figure BDA00029665663400000917
长度，若
Figure BDA00029665663400000918
或
Figure BDA00029665663400000919
区间内完全包含其他信号异常区间，则合并异常区间并剪裁，具体的：当
Figure BDA00029665663400000920
时，将异常区域合并为同一个信号并裁减，同理当
Figure BDA00029665663400000921
时，将异常区域合并为同一信号并裁减，裁剪后的数组长度为
Figure BDA00029665663400000922
若
Figure BDA00029665663400000923
或
Figure BDA00029665663400000924
Figure BDA00029665663400000925
区间内不完全包含其他异常信号，从异常信号[gi，gi+Di]的中点分别向两侧延伸，得到长度为
Figure BDA0002966566340000101
的区间
Figure BDA0002966566340000102
Figure BDA0002966566340000103
若此区间包含其他异常信号的端点，则该端点作为一个裁剪点，再向另一侧延伸裁剪，保证含信号异常的部分长度为
Figure BDA0002966566340000104
以包含端点gi-1+Di-1为例，得到剪裁区间
Figure BDA0002966566340000105
Figure BDA0002966566340000106
若此时右端点落在其他异常区间内，则再向左缩至无异常处，得到最终的剪裁区间[gi-1+Di-1，gi+1]，对最终裁剪的信号数组重复情况1-情况2；对于
Figure BDA0002966566340000107
的信号，直接将该部分异常信号区域裁剪为一个信号数组，再对剩余的部分进行上述步骤处理；对于上述裁剪后剩余的无信号区域，循环执行情况1-情况4。
由上述技术方案可知，本发明实施例提供的基于检测信号的管道完整性智能评价方法及装置，先获取管道的磁感应检测信号数据，然后将磁感应检测信号数据输入至完整性智能评价模型中，得到磁感应检测信号数据的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；所述完整性智能评价模型为将预先已确定异常区域位置及维修等级的样本磁感应检测信号数据作为输入，将所述样本磁感应检测信号数据中的异常区域位置和维修等级作为输出，对神经网络模型进行训练和测试后得到的。本发明实施例基于磁感应检测信号数据，提出一种适应性强且不受人为主观因素影响的管道完整性智能评价方法，提高了检测结果解析的准确性，避免盲目维修，可以极大地提高经济性和降低劳动力，同时提高了管道的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1是本发明一实施例提供的基于检测信号的管道完整性智能评价方法的流程图；
图2是本发明一实施例提供的基于磁感应检测信号数据和神经网络的管道完整性评价过程示意图；
图3是本发明一实施例提供的基于检测信号的管道完整性智能评价装置的结构示意图；
图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的基于检测信号的管道完整性智能评价方法的流程图，如图1所示，本发明实施例提供的基于检测信号的管道完整性智能评价方法，具体包括如下内容：
步骤101：获取管道的磁感应检测信号数据；
在本步骤中，磁感应检测信号数据为二维数组信号。
步骤102：将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；
其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。
在本实施例中，需要说明的是，本实施例借助磁感应检测信号数据，基于磁感应检测信号数据，提出一种适应性强且不受人为主观因素影响的管道完整性智能评价方法，提高了检测结果解析的准确性，避免盲目维修，可以极大地提高经济性和降低劳动力，同时提高了管道的安全性。
在本实施例中，需要说明的是，管道检测信号的数据一般为管道里程所对应的信号强度的数据模式，这种数据通常以信号图的形式展示和分析。例如可以根据得到的磁应力信号的强度数值，画出相应的磁应力信号图片，然后根据信号图片采用智能算法进行管线缺陷严重程度的预测。然而，由于数字信号在转成图片时会损失一部分精度，从而导致算法的准确性具有一定局限性，且处理计算图片需要大量的计算资源，计算速度慢，且对计算机硬件的要求非常高。为此，本实施例提出一种直接针对数据信号的管道完整性智能评价方法，这种方法不仅适用于管道非接触式检测的如磁应力检测的信号数据管道完整性智能评价，还可使用于其他类型的检测数据的直接智能评价，一方面具有较强的可适用空间，另一方面在提高管道完整性评价准确度和评价效率的同时，降低人工成本、提高经济效益和管道安全性，填补现有管道完整性智能评价的技术空白。
由上述技术方案可知，本发明实施例提供的基于检测信号的管道完整性智能评价方法，先获取管道的磁感应检测信号数据，然后将磁感应检测信号数据输入至完整性智能评价模型中，得到磁感应检测信号数据的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；所述完整性智能评价模型为将预先已确定异常区域位置及维修等级的样本磁感应检测信号数据作为输入，将所述样本磁感应检测信号数据中的异常区域位置和维修等级作为输出，对神经网络模型进行训练和测试后得到的。本发明实施例基于磁感应检测信号数据，提出一种适应性强且不受人为主观因素影响的管道完整性智能评价方法，提高了检测结果解析的准确性，避免盲目维修，可以极大地提高经济性和降低劳动力，同时提高了管道的安全性。
基于上述实施例的内容，在本实施例中，所述基于检测信号的管道完整性智能评价方法，还包括：所述完整性智能评价模型的训练过程；
其中，所述完整性智能评价模型的训练过程包括：
收集预设数量的样本磁感应检测信号数据；其中，所述预设数量的样本磁感应检测信号数据需要覆盖各种异常区域位置和各种维修等级；
根据检测信号解析专家凭经验或开挖确定与所述预设数量的样本磁感应检测信号数据对应的管道异常区域位置及维修等级；
将预先已确定异常区域位置及维修等级的样本磁感应检测信号数据作为输入，将所述样本磁感应检测信号数据中的异常区域位置和维修等级作为输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型。
在本实施例中，所述预设数量的样本磁感应检测信号数据中覆盖各种异常区域位置和各种维修等级，从而使得利用所述预设数量的样本磁感应检测信号数据进行模型训练后得到的完整性智能评价模型能够准确识别管道的磁感应检测信号数据的异常区域位置和维修等级。
基于上述实施例的内容，在本实施例中，在收集预设数量的样本磁感应检测信号数据之后，所述方法还包括以下步骤：
对所述样本磁感应检测信号数据进行长度统一处理，具体包括：
每段管道的磁感应检测信号通常为二维数组，形式为：
Figure BDA0002966566340000131
其中，m为采样次数，在每个采样点所得到的磁感应检测信号：
Figure BDA0002966566340000132
其中，n为磁感应检测信号维度，hij表示磁感应检测信号的第j个信号特征的数值大小；
磁感应检测信号数据的采样频率统一，H的长度代表被检测管段的长度，将磁感应检测信号数据进行标准化处理，使得每段检测信号向量的长度相同，以便网络训练；
首先统计所有被检管段磁感应检测信号数据的平均长度
Figure BDA0002966566340000141
四舍五入到整数，然后执行下述情况1至情况5：
情况1：对于数组长度
Figure BDA0002966566340000142
的信号数据，用插值的方式将数组长度放缩到
Figure BDA0002966566340000143
具体地，先得到新数组的采样点在原始数值坐标中的位置：
Figure BDA0002966566340000144
式中，X为变换后新数组的位置信息集合；
根据新的位置信息X，利用线性插值计算新位置上的检测信号
Figure BDA0002966566340000145
插值方式为：
Figure BDA0002966566340000146
式中，j＝[i]为i的整数部分，
Figure BDA0002966566340000147
为原数据中对应位置的磁感应检测信号数据，得到的新磁感应检测信号数据H*的向量长度为
Figure BDA0002966566340000148
情况2：对于数组长度
Figure BDA0002966566340000149
的信号数据，对
Figure BDA00029665663400001410
数组进行拼接得到新信号：
Figure BDA00029665663400001411
信号长度变为N*l，直到
Figure BDA00029665663400001412
再按情况1中的方法，将长度放缩为
Figure BDA00029665663400001413
情况3：对于数组长度
Figure BDA0002966566340000151
的无异常信号数据，从数组的起始位置和终点位置分别向对侧划分
Figure BDA0002966566340000152
长度，得到两个新数据，即：
Figure BDA0002966566340000153
Figure BDA0002966566340000154
情况4：对于数组长度
Figure BDA0002966566340000155
的无异常信号数据H，从数组
Figure BDA0002966566340000156
起点位置按
Figure BDA0002966566340000157
长度开始切割，得到长度为
Figure BDA0002966566340000158
的信号，直到剩余部分的长度
Figure BDA0002966566340000159
再按照情况1-情况3的方法将剩余部分长度也变为
Figure BDA00029665663400001510
情况5：对于数组长度
Figure BDA00029665663400001511
的有异常信号数据H，则异常区域集G表达为
G＝｛[gi，gi+Di]，i＝1，2，...，q}
式中，q为H中异常区域的数量，gi为第i处异常的起点位置，Di为第i处异常的位置长度，首先，对每个异常区域，分别从异常信号起终点向两侧划分
Figure BDA00029665663400001512
长度，若
Figure BDA00029665663400001513
或
Figure BDA00029665663400001514
区间内完全包含其他信号异常区间，则合并异常区间并剪裁，具体的：当
Figure BDA00029665663400001515
时，将异常区域合并为同一个信号并裁减，同理当
Figure BDA00029665663400001516
时，将异常区域合并为同一信号并裁减，裁剪后的数组长度为
Figure BDA00029665663400001517
若
Figure BDA00029665663400001518
或
Figure BDA00029665663400001519
Figure BDA00029665663400001520
区间内不完全包含其他异常信号，从异常信号[gi，gi+Di]的中点分别向两侧延伸，得到长度为
Figure BDA00029665663400001521
的区间
Figure BDA00029665663400001522
Figure BDA00029665663400001523
若此区间包含其他异常信号的端点，则该端点作为一个裁剪点，再向另一侧延伸裁剪，保证含信号异常的部分长度为
Figure BDA00029665663400001524
以包含端点gi-1+Di-1为例，得到剪裁区间
Figure BDA00029665663400001525
Figure BDA0002966566340000161
若此时右端点落在其他异常区间内，则再向左缩至无异常处，得到最终的剪裁区间[gi-1+Di-1，gi+1]，对最终裁剪的信号数组重复情况1-情况2；对于
Figure BDA0002966566340000162
的信号，直接将该部分异常信号区域裁剪为一个信号数组，再对剩余的部分进行上述步骤处理；对于上述裁剪后剩余的无信号区域，循环执行情况1-情况4。
在本实施例中，通过先根据磁感应检测信号数据的数组长度与被检管段的平均数组长度的关系，对所述磁感应检测信号数据进行统一尺度调整的方式，可以解决由于每次测定的里程不同，导致每次得到的磁感应检测信号数据的横坐标尺度也不相同，进而导致无法直接利用得到的磁感应检测信号数据进行基于神经网络的管道维修等级智能识别的问题。
基于上述实施例的内容，在本实施例中，将预先已确定异常区域位置及维修等级的样本磁感应检测信号数据作为输入，将所述样本磁感应检测信号数据中的异常区域位置和维修等级作为输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型，包括：
根据针对历史获取到磁感应检测信号数据的统计结果，确定包含有缺陷的磁感应检测信号数据和不包含有缺陷的磁感应检测信号数据的数量比例；
根据所述数量比例，将已确定管道异常区域位置及维修等级的样本磁感应检测信号随机分成训练集和测试集以训练和测试完整性智能评价模型。
在本实施例中，根据针对历史获取到磁感应检测信号数据的统计结果，确定包含有缺陷的磁感应检测信号数据和不包含有缺陷的磁感应检测信号数据的数量比例，然后根据所述数量比例，将已确定管道异常区域位置及维修等级的样本磁感应检测信号随机分成训练集和测试集，然后利用训练集训练神经网络模型，利用测试集测试训练好的完整性智能评价模型的效果，通过将已确定管道异常区域位置及维修等级的样本随机按照所述数量比例分成训练集和测试集，可以提高模型训练的效果以及后续测试的效果，使得模型训练和模型测试都能实现相应的预期。
基于上述实施例的内容，在本实施例中，在对神经网络模型进行训练的过程中，采用随机梯度下降法SGD更新网络参数，训练神经网络模型；其中，在anchor的选择上，根据磁感应检测信号的特征，选择一种尺寸的anchor，长宽比为1：2。
基于上述实施例的内容，在本实施例中，在将所述磁感应检测信号数据输入至完整性智能评价模型中之前，所述方法还包括：
在应用模型时，对于所述磁感应检测信号数据，先对所述磁感应检测信号数据进行数组长度比例统一化；
若信号长度
Figure BDA0002966566340000171
则按照如上面所述的情况1和情况2的方法将信号数组放缩为标准大小；
若信号长度
Figure BDA0002966566340000172
则从信号数组的左侧端点开始，建立长度为
Figure BDA0002966566340000173
的滑动窗口，每
Figure BDA0002966566340000174
长度剪裁一次信号，直到滑动窗口的右侧到达信号数组的边界，得到
Figure BDA0002966566340000175
个信号数组，将这些信号数组输入网络进行预测，根据网络预测结果输出异常信号位置在数据上的异常区域位置及异常信号的维修等级。
在本实施例中，在应用网络模型时，对于一段磁感应信号，若信号长度
Figure BDA0002966566340000176
则按前面所述部分的情况1和情况2将信号数组放缩为标准大小；若信号长度
Figure BDA0002966566340000177
为保证潜在故障区域至少能完整地被网络检测一次并且减小数据信号的失真，以提升网络精度。此时不再进行放缩而是从信号数组的左侧端点开始，建立长度为
Figure BDA0002966566340000178
的滑动窗口，每
Figure BDA0002966566340000179
长度剪裁一次信号，直到滑动窗口的右侧到达信号数组的边界，得到
Figure BDA0002966566340000181
(向下取整)个信号数组。将这些信号数组输入网络进行预测，根据网络预测结果输出异常信号位置在数据上的区间及异常信号维修等级。
基于上述实施例的内容，在本实施例中，所述的基于检测信号的管道完整性智能评价方法，还包括：对所述完整性智能评价模型进行调整和迁移的处理过程；
其中，对所述完整性智能评价模型进行调整和迁移的处理过程，包括：
在信号数据和管道开挖数据进一步积累后，可将管道影响因素如金属、树木、管道属性等变量做One-Hot(热独)编码，或者连续的数值型编码进行向量化，即在开挖时统计管道周围树木，电线，管道属性数据等可能影响磁感应的因素，对这些因素的数据进行记录，得到新的特征向量。如将管道属性数据(管道材质、管径、壁厚)按分类形成One-Hot编码和连续编码，形式如下：
Figure BDA0002966566340000182
其中m代表管材类型，n代表管径的种类，r代表管道的不同厚度数值。将RPN网络选取出的特殊信号区域的特征图与周围环境因素的特征向量进行拼接，拼接后的特征向量经过全连接神经网络层的计算，再通过Softmax函数，计算得到信号样本属于每种维修等级的概率Li，同样使用SGD方法训练网络，网络输出Li结果中，最大Li处即是该处异常最可能的维修等级。信号样本属于每种维修等级的概率Li计算如下：
Figure BDA0002966566340000191
式中，pi是全连接网络层的输出，N表示维修等级数目，如分成3级，立即修复，计划修复，监测使用。
在本实施例中，通过这样的处理，使得完整性智能评价模型最终预测得到的维修等级更加准确，可参考意义更大，从而有效解决了因人员水平差异较大，且工作量巨大，导致人工排查干扰信号准确度低、工作效率低下，对信号的误判、漏判不仅造成企业盲目维修，还会因停工停产造成经济损失和社会影响的问题。
基于上述实施例的内容，在本实施例中，所述基于检测信号的管道完整性智能评价方法，还包括：对所述完整性智能评价模型进行优化，使得所述完整性智能评价模型输出缺陷类型；
在数据进一步积累后，网络的输出还可以向更加精确的缺陷类型，如凹陷、金属腐蚀、焊缝等方向迁移。在网络的全连接层后增加一层多标签Sigmod损失函数，得到样本磁感应检测信号数据预测为每类缺陷的概率
Figure BDA0002966566340000192
Figure BDA0002966566340000193
其中，
Figure BDA0002966566340000194
为网络最后一个全连接层输出的列向量，M为缺陷类型的数量，
Figure BDA0002966566340000195
采取交叉熵损失函数，使用随机梯度下降法SGD训练网络，网络输出
Figure BDA0002966566340000196
向量中所有大于阈值的位置对应的缺陷类型；
完成以上处理后，网络在预测时输出异常区域位置、缺陷类型以及相应维修等级。
在本实施例中，在数据进一步积累后，网络的输出还可以向更加精确的缺陷类型，如凹陷、金属腐蚀、焊缝缺陷等方向迁移，通过本实施例提供的上述处理过程，使得在利用模型预测时，可以进一步输出精确的缺陷类型信息，从而为后续的维修提供了更加有效的指导。
可以理解的是，本实施例提供的基于检测信号的管道完整性智能评价方法，具体包括如下处理内容：
收集磁感应检测信号数据、信号数据中的异常位置以及异常位置由专家凭经验或开挖确定的维修决策等级；将具备维修等级分类信号数据中的异常点作为标签；构建神经网络模型，将收集到的数据进行标准化预处理到统一的大小，再将数据按比例随机分成训练集和测试集，通过训练集数据训练模型，用测试集数据测试模型，输出完整性智能评价结果；进一步采集管道开挖的缺陷数据和周围环境数据以及通过经验公式求得的维修决策数据，将积累的实际缺陷完整性智能评价结果及其所对应的数据信号代入训练模块进行模型调优并进一步准确预测缺陷类型。
下面将结合图2对本发明实施例提供的基于检测信号的管道完整性智能评价过程进行详细说明：
将磁感应检测信号数据视作二维数组，对二维数组向量化，将向量通过灰度VGG卷积神经网络提取特征，得到特征图向量。特征图经过卷积头提取后送入RPN(RegionProposal Network，区域生成网络)得到目标区域，再对目标区域进行预测。
根据检测公司信号解析专家凭经验或开挖确定的磁感应检测信号数据对应的管道异常区域位置及异常信号维修等级(磁感应异常信号的维修等级分成立即修复，计划修复，监测使用3种情况)，计算样本在网络的损失函数。经统计信号异常和正常数量的比例，将现有的数据以该比例值，随机分成训练集和测试集，用训练集训练网络模型，其中，模型的输入是经过规范化的信号数据，模型的输出是缺陷位置在原始信号数据上的起始位置和结束位置(即二维数组的列数)以及对应的维修等级。为降低损失函数，采用SGD(Stochastic Gradient Descent，随机梯度下降法)，更新网络参数，训练目标检测网络，为加快网络训练速度，在anchor选择上，可以根据磁感应信号的特征，只选择一种尺寸的anchor，长宽比为1∶2。采用测试集来测试网络效果。在之后进一步的数据采集积累后，为了提升网络的精度，将新增的数据代入训练模块进行调优，以进一步提升网络检测准确率。
在应用网络模型时，对于一段磁感应信号，若信号长度
Figure BDA0002966566340000212
则按第1部分的方法将信号数组放缩为标准大小；若信号长度
Figure BDA0002966566340000213
保证潜在故障区域至少能完整地被网络检测一次并且减小数据信号的失真，以提升网络精度。此时不再进行放缩而是从信号数组的左侧端点开始，建立长度为
Figure BDA0002966566340000214
的滑动窗口，每0.05*
Figure BDA0002966566340000215
长度剪裁一次信号，直到滑动窗口的右侧到达信号数组的边界，得到
Figure BDA0002966566340000216
(向下取整)个信号数组。将这些信号数组输入网络进行预测，根据网络预测结果输出异常信号位置在数据上的区间及异常信号维修等级。
在信号数据和管道开挖数据进一步积累后，可将管道影响因素如金属、树木、管道属性等变量做One-Hot(热独)编码，或者连续的数值型编码进行向量化，即在开挖时统计管道周围树木，电线，管道属性数据等可能影响磁感应的因素，对这些因素的数据进行记录，得到新的特征向量。如将管道属性数据(管道材质、管径、壁厚)按分类形成One-Hot编码和连续编码，形式如下：
Figure BDA0002966566340000211
其中m代表管材类型，n代表管径的种类，r代表管道的不同厚度数值。将RPN网络选取出的特殊信号区域的特征图与周围环境因素的特征向量进行拼接，拼接后的特征向量经过全连接神经网络层的计算，再通过Softmax函数，计算得到信号样本属于每种维修等级的概率Li，同样使用SGD方法训练网络，网络输出Li结果中，最大Li处即是该处异常最可能的维修等级。信号样本属于每种维修等级的概率Li计算如下：
Figure BDA0002966566340000221
式中，pi是全连接网络层的输出，N表示维修等级数目，如分成3级，立即修复，计划修复，监测使用。
在数据进一步积累后，网络的输出还可以向更加精确的缺陷类型，如凹陷、金属腐蚀、焊缝等方向迁移。在网络的全连接层后增加一层多标签Sigmod损失函数，得到该信号样本预测为每类缺陷的概率
Figure BDA0002966566340000222
Figure BDA0002966566340000223
其中，
Figure BDA0002966566340000224
匀网络最后一个全连接层输出的列向量，M为异常种类个数，
Figure BDA0002966566340000225
采取交叉熵损失函数，SGD方法训练网络，网络输出
Figure BDA0002966566340000226
向量中所有大于阈值(一般为0.5)的位置对应的缺陷类型。
完成以上步骤后，网络在预测时就可以输出缺陷类型以及相应维修等级，如“焊缝缺陷，监测使用”。
由此可见，本实施例为解决现有方法的技术盲点，提供一种基于检测信号的管道完整性智能评价方法，本实施例通过对历史积累的磁感应检测数据信号进行标准化预处理，再训练目标检测卷积神经网络对处理结果进行决策，并在决策时加入周围环境因素，以不断提升识别准确率。具体地，本实施例采用的技术方案包括：收集磁感应检测信号数据、信号数据中的异常位置以及异常位置由专家凭经验或开挖确定的维修决策等级；将具备维修等级分类信号数据中的异常点作为标签；构建神经网络模型，将收集到的数据进行标准化预处理到统一的大小，再将数据按比例随机分成训练集和测试集，通过训练集数据训练模型，用测试集数据测试模型，输出完整性智能评价结果；进一步采集管道开挖的缺陷数据和周围环境数据以及通过经验公式求得的维修决策数据，将积累的实际缺陷完整性智能评价结果及其所对应的数据信号代入训练模块进行模型调优并进一步准确预测缺陷类型。
由此可见，本实施例基于磁感应检测信号数据，提出一种适应性强，不含人为主观因素影响的管道完整性智能评价方法，以提高检测结果解析准确性，避免盲目维修，极大提高经济性和工作效率、降低劳动力，进而提高管道的安全水平。本实施例通过对历史积累的磁感应检测信号数据进行预处理，再训练目标检测卷积神经网络对处理结果进行决策，并在决策时加入周围环境因素，以不断提升识别准确率。
图3示出了本发明一实施例提供的基于检测信号的管道完整性智能评价装置的结构示意图，如图3所示，本发明实施例提供的基于检测信号的管道完整性智能评价装置，包括：
获取模块201，用于获取管道的磁感应检测信号数据；
智能评价模块202，用于将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；
其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。
由于本实施例提供的基于检测信号的管道完整性智能评价装置，可以用于执行上述实施例提供的基于检测信号的管道完整性智能评价方法，其工作原理和有益效果类似，此处不再详述。
基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图4，所述电子设备具体包括如下内容：处理器301、存储器302、通信接口303和通信总线304；
其中，所述处理器301、存储器302、通信接口303通过所述通信总线304完成相互间的通信；所述通信接口303用于实现各设备之间的信息传输；
所述处理器301用于调用所述存储器302中的计算机程序，所述处理器执行所述计算机程序时实现上述基于检测信号的管道完整性智能评价方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取管道的磁感应检测信号数据；将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述基于检测信号的管道完整性智能评价方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取管道的磁感应检测信号数据；将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的基于检测信号的管道完整性智能评价方法。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于检测信号的管道完整性智能评价方法，其特征在于，包括：
获取管道的磁感应检测信号数据；
将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；
其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。
2.根据权利要求1所述的基于检测信号的管道完整性智能评价方法，其特征在于，还包括：所述完整性智能评价模型的训练过程；
其中，所述完整性智能评价模型的训练过程包括：
收集预设数量的样本磁感应检测信号数据；其中，所述预设数量的样本磁感应检测信号数据需要覆盖各种异常区域位置和各种维修等级；
根据检测信号解析专家凭经验或开挖确定与所述预设数量的样本磁感应检测信号数据对应的管道异常区域位置及维修等级；
将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型。
3.根据权利要求2所述的基于检测信号的管道完整性智能评价方法，其特征在于，在收集预设数量的样本磁感应检测信号数据之后，所述方法还包括以下步骤：
对所述样本磁感应检测信号数据进行长度统一处理，具体包括：
每段管道的磁感应检测信号通常为二维数组，形式为：
Figure FDA0002966566330000021
其中，m为采样次数，在每个采样点所得到的磁感应检测信号：
Figure FDA0002966566330000022
其中，n为磁感应检测信号维度，hij表示磁感应检测信号的第j个信号特征的数值大小；
磁感应检测信号数据的采样频率统一，H的长度代表被检测管段的长度，将磁感应检测信号数据进行标准化处理，使得每段检测信号向量的长度相同，以便网络训练；
首先统计所有被检管段磁感应检测信号数据的平均长度
Figure FDA0002966566330000023
四舍五入到整数，然后执行下述情况1至情况5：
情况1：对于数组长度
Figure FDA0002966566330000024
的信号数据，用插值的方式将数组长度放缩到
Figure FDA0002966566330000025
具体地，先得到新数组的采样点在原始数值坐标中的位置：
Figure FDA0002966566330000026
式中，X为变换后新数组的位置信息集合；
根据新的位置信息X，利用线性插值计算新位置上的检测信号
Figure FDA0002966566330000027
插值方式为：
Figure FDA0002966566330000028
式中，j＝[i]为i的整数部分，
Figure FDA0002966566330000029
为原数据中对应位置的磁感应检测信号数据，得到的新磁感应检测信号数据H*的向量长度为
Figure FDA00029665663300000210
情况2：对于数组长度
Figure FDA00029665663300000211
的信号数据，对
Figure FDA00029665663300000212
数组进行拼接得到新信号：
Figure FDA0002966566330000031
信号长度变为N*l，直到
Figure FDA0002966566330000032
再按情况1中的方法，将长度放缩为
Figure FDA0002966566330000033
情况3：对于数组长度
Figure FDA0002966566330000034
的无异常信号数据，从数组的起始位置和终点位置分别向对侧划分
Figure FDA0002966566330000035
长度，得到两个新数据，即：
Figure FDA0002966566330000036
Figure FDA0002966566330000037
情况4：对于数组长度
Figure FDA0002966566330000038
均无异常信号数据H，从数组
Figure FDA0002966566330000039
起点位置按
Figure FDA00029665663300000310
长度开始切割，得到长度为
Figure FDA00029665663300000311
的信号，直到剩余部分的长度
Figure FDA00029665663300000312
再按照情况1-情况3的方法将剩余部分长度也变为
Figure FDA00029665663300000313
情况5：对于数组长度
Figure FDA00029665663300000314
的有异常信号数据H，则异常区域集G表达为
G＝｛[gi，gi+Di]，i＝1，2，...，q}
式中，q为H中异常区域的数量，gi为第i处异常的起点位置，Di为第i处异常的位置长度，首先，对每个异常区域，分别从异常信号起终点向两侧划分
Figure FDA00029665663300000315
长度，若
Figure FDA00029665663300000316
或
Figure FDA00029665663300000317
区间内完全包含其他信号异常区间，则合并异常区间并剪裁，具体的：当
Figure FDA00029665663300000318
时，将异常区域合并为同一个信号并裁减，同理当
Figure FDA00029665663300000319
对，将异常区域合并为同一信号并裁减，裁剪后的数组长度为
Figure FDA00029665663300000320
若
Figure FDA00029665663300000321
或
Figure FDA00029665663300000322
Figure FDA00029665663300000323
区间内不完全包含其他异常信号，从异常信号[gi，gi+Di]的中点分别向两侧延伸，得到长度为
Figure FDA0002966566330000041
的区间
Figure FDA0002966566330000042
Figure FDA0002966566330000043
若此区间包含其他异常信号的端点，则该端点作为一个裁剪点，再向另一侧延伸裁剪，保证含信号异常的部分长度为
Figure FDA0002966566330000044
以包含端点gi-1+Di-1为例，得到剪裁区间
Figure FDA0002966566330000045
Figure FDA0002966566330000046
若此时右端点落在其他异常区间内，则再向左缩至无异常处，得到最终的剪裁区间[gi-1+Di-1，gi+1]，对最终裁剪的信号数组重复情况1-情况2；对于
Figure FDA0002966566330000047
的信号，直接将该部分异常信号区域裁剪为一个信号数组，再对剩余的部分进行上述步骤处理；对于上述裁剪后剩余的无信号区域，循环执行情况1-情况4。
4.根据权利要求2所述的基于检测信号的管道完整性智能评价方法，其特征在于，将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型，包括：
根据针对历史获取到磁感应检测信号数据的统计结果，确定包含有缺陷的磁感应检测信号数据和不包含有缺陷的磁感应检测信号数据的数量比例；
根据所述数量比例，将已确定管道异常区域位置及维修等级的样本磁感应检测信号随机分成训练集和测试集以训练和测试完整性智能评价模型。
5.根据权利要求1～4任一项所述的基于检测信号的管道完整性智能评价方法，其特征在于，在将所述磁感应检测信号数据输入至完整性智能评价模型中之前，所述方法还包括：
在应用模型时，对于所述磁感应检测信号数据，先对所述磁感应检测信号数据进行数组长度比例统一化；
若信号长度
Figure FDA0002966566330000051
则按照如权利要求3中所述的情况1和情况2的方法将信号数组放缩为标准大小；
若信号长度
Figure FDA0002966566330000052
则从信号数组的左侧端点开始，建立长度为
Figure FDA0002966566330000053
的滑动窗口，每
Figure FDA0002966566330000054
长度剪裁一次信号，直到滑动窗口的右侧到达信号数组的边界，得到
Figure FDA0002966566330000055
个信号数组，将这些信号数组输入网络进行预测，根据网络预测结果输出异常信号位置在数据上的异常区域位置及异常信号的维修等级。
6.根据权利要求1～4任一项所述的基于检测信号的管道完整性智能评价方法，其特征在于，还包括：对所述完整性智能评价模型进行调整和迁移的处理过程；
其中，对所述完整性智能评价模型进行调整和迁移的处理过程，包括：
在积累管道开挖数据后，将影响磁感应的周围环境因素包括金属、树木和管道属性做热独One-Hot编码或连续编码，得到第一特征向量；将利用区域生成网络RPN选取出的目标区域在卷积神经网络得到的特征图上对应的特征向量与所述第一特征向量进行拼接，得到第二特征向量；所述第二特征向量经过全连接神经网络层的计算，再通过Softmax函数，计算得到样本磁感应检测信号数据属于每种维修等级的概率Li，使用随机梯度下降法SGD方法训练全连接网络，网络输出Li结果中，最大Li处即是该处异常最可能的维修等级；
其中，信号样本属于每种维修等级的概率Li计算方式为：
Figure FDA0002966566330000056
其中，pi是全连接网络层的输出，N表示维修等级数目。
7.根据权利要求6所述的基于检测信号的管道完整性智能评价方法，其特征在于，还包括：对所述完整性智能评价模型进行优化，使得所述完整性智能评价模型输出缺陷类型；
在网络的全连接层后增加一层多标签Sigmod损失函数，得到样本磁感应检测信号数据预测为每类缺陷的概率
Figure FDA0002966566330000061
Figure FDA0002966566330000062
其中，
Figure FDA0002966566330000063
为网络最后一个全连接层输出的列向量，M为缺陷类型的数量，
Figure FDA0002966566330000064
采取交叉熵损失函数，使用随机梯度下降法SGD训练网络，网络输出
Figure FDA0002966566330000065
向量中所有大于阈值的位置对应的缺陷类型；
完成以上处理后，网络在预测时输出异常区域位置、缺陷类型以及相应维修等级。
8.一种基于检测信号的管道完整性智能评价装置，其特征在于，包括：
获取模块，用于获取管道的磁感应检测信号数据；
智能评价模块，用于将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；
其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。
9.根据权利要求8所述的基于检测信号的管道完整性智能评价装置，其特征在于，还包括：训练模块，用于对所述完整性智能评价模型执行训练过程；
其中，所述完整性智能评价模型的训练过程包括：
收集预设数量的样本磁感应检测信号数据；其中，所述预设数量的样本磁感应检测信号数据需要覆盖各种异常区域位置和各种维修等级；
根据检测信号解析专家凭经验或开挖确定与所述预设数量的样本磁感应检测信号数据对应的管道异常区域位置及维修等级；
将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型。
10.根据权利要求9所述的基于检测信号的管道完整性智能评价装置，其特征在于，在收集预设数量的样本磁感应检测信号数据之后，所述训练模块还用于执行以下步骤：
对所述样本磁感应检测信号数据进行长度统一处理，具体包括：
每段管道的磁感应检测信号通常为二维数组，形式为：
Figure FDA0002966566330000071
其中，m为采样次数，在每个采样点所得到的磁感应检测信号：
Figure FDA0002966566330000072
其中，n为磁感应检测信号维度，hij表示磁感应检测信号的第j个信号特征的数值大小；
磁感应检测信号数据的采样频率统一，H的长度代表被检测管段的长度，将磁感应检测信号数据进行标准化处理，使得每段检测信号向量的长度相同，以便网络训练；
首先统计所有被检管段磁感应检测信号数据的平均长度
Figure FDA0002966566330000073
四舍五入到整数，然后执行下述情况1至情况5：
情况1：对于数组长度
Figure FDA0002966566330000081
的信号数据，用插值的方式将数组长度放缩到
Figure FDA0002966566330000082
具体地，先得到新数组的采样点在原始数值坐标中的位置：
Figure FDA0002966566330000083
式中，X为变换后新数组的位置信息集合；
根据新的位置信息X，利用线性插值计算新位置上的检测信号
Figure FDA0002966566330000084
插值方式为：
Figure FDA0002966566330000085
式中，j＝[i]为i的整数部分，
Figure FDA0002966566330000086
为原数据中对应位置的磁感应检测信号数据，得到的新磁感应检测信号数据H*的向量长度为
Figure FDA0002966566330000087
情况2：对于数组长度
Figure FDA0002966566330000088
的信号数据，对
Figure FDA0002966566330000089
数组进行拼接得到新信号：
Figure FDA00029665663300000810
信号长度变为N*l，直到
Figure FDA00029665663300000811
再按情况1中的方法，将长度放缩为
Figure FDA00029665663300000812
情况3：对于数组长度
Figure FDA00029665663300000813
的无异常信号数据，从数组的起始位置和终点位置分别向对侧划分
Figure FDA00029665663300000814
长度，得到两个新数据，即：
Figure FDA00029665663300000815
Figure FDA00029665663300000816
情况4：对于数组长度
Figure FDA00029665663300000817
均无异常信号数据H，从数组
Figure FDA00029665663300000818
起点位置按
Figure FDA00029665663300000819
长度开始切割，得到长度为
Figure FDA00029665663300000820
的信号，直到剩余部分的长度
Figure FDA0002966566330000091
再按照情况1-情况3的方法将剩余部分长度也变关
Figure FDA0002966566330000092
情况5：对于数组长度
Figure FDA0002966566330000093
的有异常信号数据H，则异常区域集G表达为
G＝｛[gi，gi+Di]，i＝1，2，...，q}
式中，q为H中异常区域的数量，gi为第i处异常的起点位置，Di为第i处异常的位置长度，首先，对每个异常区域，分别从异常信号起终点向两侧划分
Figure FDA0002966566330000094
长度，若
Figure FDA0002966566330000095
或
Figure FDA0002966566330000096
区间内完全包含其他信号异常区间，则合并异常区间并剪裁，具体的：当
Figure FDA0002966566330000097
时，将异常区域合并为同一个信号并裁减，同理当
Figure FDA0002966566330000098
时，将异常区域合并为同一信号并裁减，裁剪后的数组长度为
Figure FDA0002966566330000099
若
Figure FDA00029665663300000910
或
Figure FDA00029665663300000911
Figure FDA00029665663300000912
区间内不完全包含其他异常信号，从异常信号[gi，gi+Di]的中点分别向两侧延伸，得到长度为
Figure FDA00029665663300000913
的区间
Figure FDA00029665663300000914
Figure FDA00029665663300000915
若此区间包含其他异常信号的端点，则该端点作为一个裁剪点，再向另一侧延伸裁剪，保证含信号异常的部分长度为
Figure FDA00029665663300000916
以包含端点gi-1+Di-1为例，得到剪裁区间
Figure FDA00029665663300000917
Figure FDA00029665663300000918
若此时右端点落在其他异常区间内，则再向左缩至无异常处，得到最终的剪裁区间[gi-1+Di-1，gi+1]，对最终裁剪的信号数组重复情况1-情况2；对于
Figure FDA00029665663300000919
的信号，直接将该部分异常信号区域裁剪为一个信号数组，再对剩余的部分进行上述步骤处理；对于上述裁剪后剩余的无信号区域，循环执行情况1-情况4。
CN202110252338.6A 2021-03-08 2021-03-08 基于检测信号的管道完整性智能评价方法及装置 Pending CN115062679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110252338.6A CN115062679A (zh) 2021-03-08 2021-03-08 基于检测信号的管道完整性智能评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110252338.6A CN115062679A (zh) 2021-03-08 2021-03-08 基于检测信号的管道完整性智能评价方法及装置

Publications (1)

Publication Number Publication Date
CN115062679A true CN115062679A (zh) 2022-09-16

Family

ID=83197141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110252338.6A Pending CN115062679A (zh) 2021-03-08 2021-03-08 基于检测信号的管道完整性智能评价方法及装置

Country Status (1)

Country Link
CN (1) CN115062679A (zh)

Similar Documents

Publication Publication Date Title
CN114352947B (zh) 一种燃气管道泄漏检测方法、系统、装置及存储介质
CN108870090B (zh) 基于最小二乘支持向量机信息融合的管道泄漏检测方法
CN115063337A (zh) 埋地管道智能维修决策方法及装置
CN106682159A (zh) 一种阈值配置方法
CN115935139A (zh) 一种海洋观测数据的空间场插补方法
CN118211882B (zh) 一种基于大数据的产品质量管理系统及方法
CN118171069B (zh) 基于三维点云的桥梁状态分析方法及系统
CN116379360A (zh) 一种基于知识迁移的掺氢天然气管道损伤预测方法及系统
CN115481940A (zh) 一种基于大数据的油气管道区域风险监测系统
CN117408422A (zh) 基于深度学习的天然气流量计性能评估方法和系统
CN117554752A (zh) 电力电缆故障在线检测系统及方法
CN113792090B (zh) 一种轧钢数据监控方法、系统、介质及电子终端
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统
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
CN117827595A (zh) 一种设备故障检测模型的训练方法、设备系统
CN117706290A (zh) 一种电缆终端潜在击穿故障预警方法
CN117554000A (zh) 尾矿输送管道泄漏智能检测方法及系统
CN117607019A (zh) 电力金具表面智能检测方法和检测系统
CN115062679A (zh) 基于检测信号的管道完整性智能评价方法及装置
CN114139648B (zh) 一种尾矿充填管路异常智能检测方法及系统
CN114510994A (zh) 城市地下燃气泄漏识别模型的训练方法及装置
CN116070083A (zh) 一种基于卷积神经网络的钢丝绳故障智能识别算法
CN115062680A (zh) 基于人工智能的管道完整性评价方法及装置
CN114266337A (zh) 一种基于残差网络的烟叶智能分级模型及利用该模型分级的方法
CN114199992A (zh) 一种储油罐罐壁腐蚀检测方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20240115

Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Applicant after: CHINA PETROLEUM & CHEMICAL Corp.

Applicant after: Sinopec (Dalian) Petrochemical Research Institute Co.,Ltd.

Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Applicant before: CHINA PETROLEUM & CHEMICAL Corp.

Applicant before: DALIAN RESEARCH INSTITUTE OF PETROLEUM AND PETROCHEMICALS, SINOPEC Corp.

TA01 Transfer of patent application right