CN115081485B - 一种基于ai的漏磁内检测数据自动分析方法 - Google Patents
一种基于ai的漏磁内检测数据自动分析方法 Download PDFInfo
- Publication number
- CN115081485B CN115081485B CN202210786913.5A CN202210786913A CN115081485B CN 115081485 B CN115081485 B CN 115081485B CN 202210786913 A CN202210786913 A CN 202210786913A CN 115081485 B CN115081485 B CN 115081485B
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- pipeline
- sampling
- model
- 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
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 149
- 238000001514 detection method Methods 0.000 title claims abstract description 128
- 230000004907 flux Effects 0.000 title claims abstract description 88
- 238000004458 analytical method Methods 0.000 title claims abstract description 84
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 100
- 238000013139 quantization Methods 0.000 claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 238000011002 quantification Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 126
- 238000005070 sampling Methods 0.000 claims description 112
- 230000008859 change Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供了一种基于AI的漏磁内检测数据自动分析方法,包括:S1:基于管道内检测样本数据和AI模型,构建出自动分析量化模型;S2:基于所述自动分析量化模型生成对应的人工智能数据分析软件;S3:基于所述人工智能数据分析软件和管道完整性管理系统,构建出对应的智能分析评价体系;S4:基于当前管道内检测数据和所述智能分析评价体系获得对应的漏磁数据分析结果;用以通过大量管道内检测样本数据训练AI模型,获得最优量化模型,提高了数据分析的准确性和智能化水平;将最优量化模型与管道风险评价方法、管道完整性管理系统相结合,构建出管道内检测数据的智能分析与评价体系,实现了基于AI模型检测出管道内检测数据中的漏磁数据。
Description
技术领域
本发明涉及漏磁分析技术领域,特别涉及一种基于AI的漏磁内检测数据自动分析方法。
背景技术
目前,对于管道漏磁检测漏磁识别主要应用两种方法来实现。其中,第一种方法是漏磁模板库的方法,漏磁模板库的主要来源有:通过人工制作的标准漏磁样本来进行漏磁场检测,对于管道漏磁的漏磁信号特征进行提取;另一个来源即为对于实际管道检测现场常见的漏磁类型。该方法的局限之处在于漏磁的种类繁多,对于模板库的建立需要制作大量的漏磁类型搜集,工作量繁多等。管道漏磁内检测漏磁参数的评价及外形轮廓的识别的关键是特征量的选择和提取的问题,从目前的研究来看,特征提取一直是个难点,没有统一有效的算法和手段,对不同的漏磁检测现象多数在尝试。
近年来,人工智能技术作为计算机领域一门新兴学科迅速发展起来,人工智能主要依靠人工神经网络技术,针对研究对象建立大数据集,设计深度神经网络结构模型来对于数据集进行训练。通过实验验证了神经网络技术对于漏磁信号处理上具有较好的自适应性和非线性特点。使得神经网络技术在漏磁信号的特征识别、算法优化、信息智能化处理方向的应用上有着广阔的前景。
但迄今为止,如何利用人工智能来实现漏磁数据的自动分析,尤其是在漏磁的反演方面,行业内还没有科研机构或公司实现。
因此,本发明提出了一种基于AI的漏磁内检测数据自动分析方法。
发明内容
本发明提供一种基于AI的漏磁内检测数据自动分析方法,用以通过大量管道内检测样本数据训练AI模型,获得最优量化模型,提高了数据分析的准确性和智能化水平;将最优量化模型与管道风险评价方法、管道完整性管理系统相结合,构建出管道内检测数据的智能分析与评价体系,实现了基于AI模型检测出管道内检测数据中的漏磁数据。
本发明提供一种基于AI的漏磁内检测数据自动分析方法,包括:
S1:基于管道内检测样本数据和AI模型,构建出最优分析量化模型;
S2:基于所述最优分析量化模型生成对应的人工智能数据分析软件;
S3:基于所述人工智能数据分析软件和管道完整性管理系统,构建出对应的智能分析评价体系;
S4:基于当前管道内检测数据和所述智能分析评价体系获得对应的漏磁数据分析结果。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,S1:基于管道内检测样本数据和AI模型,构建出最优分析量化模型,包括:
S101:获取所述当前管道内检测数据,基于所述当前管道内检测数据确定出对应的AI模型;
S102:基于所述管道内检测样本数据对所述AI模型进行训练获得对应的初始量化模型;
S103:基于所述管道内检测样本数据中包含的第一漏磁特征数据对所述初始量化模型进行验证优化,获得对应的最优分析量化模型。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,S102:基于所述管道内检测样本数据对所述AI模型进行训练获得对应的初始量化模型,包括:
S1021:获取所述管道内检测样本数据中包含的初始漏磁MFL信号;
S1022:对所述初始漏磁MFL信号进行预处理后输入至AI模型中进行训练,获得对应的初始量化模型。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,对所述初始漏磁MFL信号进行预处理后输入至AI模型中进行训练,获得对应的初始量化模型,包括:
将所述初始漏磁MFL信号中包含的异常信号段进行删除,获得对应的无损信号;
对所述无损信号进行插值补偿获得对应的完整信号;
对所述完整信号进行背景自适应平衡处理,获得对应的预处理信号;
基于预设周期对所述预处理信号进行等时采样,获得对应的等时预处理信号;
将所述等时预处理信号与预设的管道传输模型进行对齐,获得对应的对齐结果;
基于所述对齐结果和预设距离对所述等时预处理信号进行等距离采样,获得对应的等距离采样信号,对所述等距离采样信号进行特征提取获得对应的等距离信号特征数据;
将所述等距离信号特征数据与漏磁阈值进行比较,确定出所述等距离信号特征数据的漏磁判断结果;
将所述等距离信号特征数据和对应的漏磁判断结果输入至所述AI模型中进行训练,获得对应的初始量化模型。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,将所述初始漏磁MFL信号中包含的异常信号段进行删除,获得对应的无损信号,包括:
对所述初始漏磁MFL信号进行基线校正,获得对应的校正信号;
对所述校正信号进行小波包分解、去噪、重构处理,获得对应的无噪信号;
利用预设梯度的滑动窗口尺寸对所述无噪信号进行滑动采样,获得每个预设尺寸的滑动窗口对应的采样序列;
对所述采样序列中包含的第一采样结果进行特征提取,获得对应的采样特征序列;
将所有预设尺寸的滑动窗口对应的采样特征序列进行对齐,获得对应的采样特征矩阵;
对所述采样特征矩阵进行列向分析,获得对应的列向梯度变化曲线;
确定出所述列向梯度变化曲线的一阶导数,将所述一阶导数恒小于导数阈值的列向梯度变化曲线对应的采样结果确定为异常采样结果;
基于预设梯度的滑动窗口尺寸中的最小滑动窗口尺寸确定出所述异常采样结果对应的异常信号段;
判断所述无噪信号中包含的异常信号段是否只有一个,若是,则将所述无噪信号段包含的异常信号段删除,获得对应的无损信号;
否则,基于每个异常信号段对应的长度,计算出相邻异常信号段之间的长度阈值;
判断所述相邻异常信号段之间的间隔长度是否大于对应的长度阈值,若是,则将所述相邻异常信号段中包含的异常信号段进行删除,获得对应的无损信号;
否则,在所述无噪信号中提取出包含所述相邻异常信号段的最小待测信号段,基于第一预设尺寸的滑动窗口对所述最小待测信号段进行滑动采样,获得对应的第二采样结果;
确定出所述第二采样结果中包含的所有子异常信号段的总长度;
计算出所述总长度与所述间隔长度的异常占比,当所述异常占比大于预设异常占比阈值时,则将所述最小待测信号段判定为最新异常信号段,将所述最新异常信号段删除,获得对应的无损信号;
否则,将所述相邻异常信号段中包含的异常信号段进行删除,获得对应的无损信号。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,对所述无损信号进行插值补偿获得对应的完整信号,包括:
确定出所述初始漏磁MFL信号中包含的所有异常信号段;
确定出所述无损信号中与所述异常信号段相接的第一无损信号幅值;
基于所述第一无损信号幅值对应的第一横坐标值和所述异常信号段中包含的每个插值点对应的第二横坐标值之间的第一横坐标差值和信号波动范围列表以及所述第一无损信号幅值,确定出所述异常信号段中包含的每个插值点对应的第一波动范围;
以所述第一无损信号幅值为起点并按照预设采样规则在所述异常信号段中确定出多个采样点;
基于所述采样点与每个插值点之间的第二横坐标差值和所述信号波动范围列表以及所述采样点对应的第二无损信号幅值,确定出所述异常信号段中包含的每个插值点对应的第二波动范围;
将所述第一波动范围和所有第二波动范围按照所述异常信号段中包含的插值点对齐,获得对应的波动范围对齐集合;
基于所述波动范围对齐集合确定出每个插值点对应的第一波动范围子集合;
基于所述波动范围子集合中包含的所有第一子波动范围的交集确定出所述插值点对应的第二波动范围;
基于每个插值点对应的第二波动范围和所述插值点之间的第三横坐标差值以及所述信号波动范围列表,确定出每个插值点对应的第二波动范围子集合;
基于所述第二波动范围子集合中包含的所有第二子波动范围与所述第二波动范围的交集确定出所述插值点对应的第三波动范围;
基于所述第三波动范围拟合出所述异常信号段对应的补偿信号段;
将所述补偿信号段与所述无损信号进行连接,获得对应的完整信号。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,S103:基于所述管道内检测样本数据中包含的第一漏磁特征数据对所述初始量化模型进行验证优化,获得对应的最优分析量化模型,包括:
用于对所述管道内检测样本数据进行特征提取,获得对应的第一特征数据;
基于漏磁阈值在所述第一特征数据中提取出对应的第一漏磁特征数据;
将所述管道内检测样本数据输入至所述初始量化模型,获得对应的第二漏磁特征数据;
基于所述第一漏磁特征数据和所述第二漏磁特征数据计算出所述初始量化模型的损失度;
判断所述损失度是否满足要求,若是,则将所述初始量化模型作为对应的最优分析量化模型;
否则,基于所述损失度对所述管道内检测样本数据进行二次采样并训练,直至最新确定的损失度满足要求时,则将最新确定的量化模型作为对应的最优分析量化模型。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,S2:基于所述最优分析量化模型生成对应的人工智能数据分析软件,包括:
基于所述最优分析量化模型和预设管道评价方法生成对应的软件框架;
基于所述软件框架生成对应的人工智能数据分析软件。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,S3:基于所述人工智能数据分析软件和管道完整性管理系统,构建出对应的智能分析评价体系,包括:
基于管道位置将所述人工智能数据分析软件和所述管道完整性管理系统进行关联链接,获得关联链接结果;
基于所述关联链接结果,将所述人工智能数据分析软件与所述管道完整性管理系统进行对接,获得对应的智能分析评价体系。
优选的,所述的一种基于AI的漏磁内检测数据自动分析方法,S4:基于当前管道内检测数据和所述智能分析评价体系获得对应的漏磁数据分析结果,包括:
对所述当前管道内检测数据进行预处理,获得对应的标准管道内检测数据;
将所述标准管道内检测数据输入至所述智能分析评价体系,获得对应的漏磁数据分析结果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于AI的漏磁内检测数据自动分析方法流程图;
图2为本发明实施例中又一种基于AI的漏磁内检测数据自动分析方法流程图;
图3为本发明实施例中再一种基于AI的漏磁内检测数据自动分析方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种基于AI的漏磁内检测数据自动分析方法,参考图1,包括:
S1:基于管道内检测样本数据和AI模型,构建出最优分析量化模型;
S2:基于所述最优分析量化模型生成对应的人工智能数据分析软件;
S3:基于所述人工智能数据分析软件和管道完整性管理系统,构建出对应的智能分析评价体系;
S4:基于当前管道内检测数据和所述智能分析评价体系获得对应的漏磁数据分析结果。
该实施例中,管道内检测样本数据即为之前采集获得的管道内的漏磁检测数据。
该实施例中,AI模型即为人工智能模型,例如有:深度人工神经网络、卷积神经网络、贝叶斯、决策树等。
该实施例中,最优分析量化模型即为基于管道内检测样本数据和AI模型构建出的用于漏磁数据的自动化分析量化模型。
该实施例中,人工智能数据分析软件即为基于最优分析量化模型生成的用于分析出管道内检测数据中包含的漏磁数据的数据分析软件。
该实施例中,智能分析评价体系即为基于人工智能分析软件和管道完整性管理系统构建出的用于分析出管道内检测数据中包含的漏磁数据的分析评价体系。
该实施例中,漏磁数据分析结果即为将当前管道内检测数据输入至智能分析评价体系中后获得的当前管道内检测数据中包含的漏磁数据。
该实施例中,当前管道内检测数据即为当前检测获得的管道内检测数据。
以上技术的有益效果为:通过大量管道内检测样本数据训练AI模型,获得最优量化模型,提高了数据分析的准确性和智能化水平;将最优量化模型与管道风险评价方法、管道完整性管理系统相结合,构建出管道内检测数据的智能分析与评价体系,实现了基于AI模型检测出管道内检测数据中的漏磁数据。
实施例2:
在实施例1的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,S1:基于管道内检测样本数据和AI模型,构建出最优分析量化模型,参考图2,包括:
S101:获取所述当前管道内检测数据,基于所述当前管道内检测数据确定出对应的AI模型;
S102:基于所述管道内检测样本数据对所述AI模型进行训练获得对应的初始量化模型;
S103:基于所述管道内检测样本数据中包含的第一漏磁特征数据对所述初始量化模型进行验证优化,获得对应的最优分析量化模型。
该实施例中,初始量化模型即为基于管道内检测样本数据对AI模型进行训练后获得的量化模型。
该实施例中,第一漏磁特征数据即为管道内检测样本数据中包含的漏磁特征数据。
该实施例中,最优分析量化模型即为基于管道内检测样本数据中包含的第一漏磁特征数据对始量化模型进行验证优化后获得的量化模型。
以上技术的有益效果为:利用AI智能数据分析代替人工手动数据分析,提高了工作效率,节约时间及人力成本,实现降本增效。降低了人工数据分析误差,提高缺陷检测率,实现管道安全运行数字化向智慧化转型升级,也提高数据分析的准确性和智能化水平。
实施例3:
在实施例2的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,S102:基于所述管道内检测样本数据对所述AI模型进行训练获得对应的初始量化模型,参考图3,包括:
S1021:获取所述管道内检测样本数据中包含的初始漏磁MFL信号;
S1022:对所述初始漏磁MFL信号进行预处理后输入至AI模型中进行训练,获得对应的初始量化模型。
该实施例中,初始漏磁MFL信号即为管道内检测样本数据中包含的漏磁MFL(铁磁材料被磁化后,表面和近表面缺陷在材料表面形成漏磁场,通过检测漏磁场以发现缺陷的无损检测技术)信号。
以上技术的有益效果为:在已有的管道内检测数据的基础上,通过大量特征数据的学习与训练,得到最优的人工智能模型。提高数据分析的准确性和智能化水平。
实施例4:
在实施例3的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,对所述初始漏磁MFL信号进行预处理后输入至AI模型中进行训练,获得对应的初始量化模型,包括:
将所述初始漏磁MFL信号中包含的异常信号段进行删除,获得对应的无损信号;
对所述无损信号进行插值补偿获得对应的完整信号;
对所述完整信号进行背景自适应平衡处理,获得对应的预处理信号;
基于预设周期对所述预处理信号进行等时采样,获得对应的等时预处理信号;
将所述等时预处理信号与预设的管道传输模型进行对齐,获得对应的对齐结果;
基于所述对齐结果和预设距离对所述等时预处理信号进行等距离采样,获得对应的等距离采样信号,对所述等距离采样信号进行特征提取获得对应的等距离信号特征数据;
将所述等距离信号特征数据与漏磁阈值进行比较,确定出所述等距离信号特征数据的漏磁判断结果;
将所述等距离信号特征数据和对应的漏磁判断结果输入至所述AI模型中进行训练,获得对应的初始量化模型。
该实施例中,异常信号段即为由于采集装置出现的不准确的信号段。
该实施例中,无损信号即为将初始漏磁MFL信号中包含的异常信号段进行删除后获得对应的信号。
该实施例中,完整信号即为对无损信号进行插值补偿后获得的信号。
该实施例中,等时预处理信号即为基于预设周期对预处理信号进行等时采样后获得的信号。
该实施例中,预设周期即为预先设置的对预处理信号进行等时采样的间隔时间。
该实施例中,对齐结果即为将等时预处理信号与预设的管道传输模型进行对齐后获得的结果。
该实施例中,预设的管道传输模型即为预先根据管道的传输过程构建的三维模型。
该实施例中,等距离采样信号即为基于对齐结果和预设距离对等时预处理信号进行等距离采样后获得的信号。
该实施例中,预设距离即为预先设置的对等时预处理信号进行等距离采样的间隔距离。
该实施例中,等距离信号特征数据即为对等距离采样信号进行特征提取后获得的等距离信号特征数据。
该实施例中,将所述等距离信号特征数据与漏磁阈值进行比较,确定出所述等距离信号特征数据的漏磁判断结果,包括:
当等距离信号特征数据大于漏磁阈值时,则将对应的等距离信号特征数据对应的位置发生漏磁作为对应的漏磁判断结果;
否则,将对应的等距离信号特征数据对应的位置未发生漏磁作为对应的漏磁判断结果。
以上技术的有益效果为:通过对初始漏磁MFL信号进行进行异常删除、插值补偿、背景自适应平衡处理后进行等时等距离采样获得对应的采样信号,对采样信号进行漏磁判断,基于判断结果和采样信号对初始量化模型进行训练,得到最优的人工智能模型。提高数据分析的准确性和智能化水平。
实施例5:
在实施例4的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,将所述初始漏磁MFL信号中包含的异常信号段进行删除,获得对应的无损信号,包括:
对所述初始漏磁MFL信号进行基线校正,获得对应的校正信号;
对所述校正信号进行小波包分解、去噪、重构处理,获得对应的无噪信号;
利用预设梯度的滑动窗口尺寸对所述无噪信号进行滑动采样,获得每个预设尺寸的滑动窗口对应的采样序列;
对所述采样序列中包含的第一采样结果进行特征提取,获得对应的采样特征序列;
将所有预设尺寸的滑动窗口对应的采样特征序列进行对齐,获得对应的采样特征矩阵;
对所述采样特征矩阵进行列向分析,获得对应的列向梯度变化曲线;
确定出所述列向梯度变化曲线的一阶导数,将所述一阶导数恒小于导数阈值的列向梯度变化曲线对应的采样结果确定为异常采样结果;
基于预设梯度的滑动窗口尺寸中的最小滑动窗口尺寸确定出所述异常采样结果对应的异常信号段;
判断所述无噪信号中包含的异常信号段是否只有一个,若是,则将所述无噪信号段包含的异常信号段删除,获得对应的无损信号;
否则,基于每个异常信号段对应的长度,计算出相邻异常信号段之间的长度阈值;
判断所述相邻异常信号段之间的间隔长度是否大于对应的长度阈值,若是,则将所述相邻异常信号段中包含的异常信号段进行删除,获得对应的无损信号;
否则,在所述无噪信号中提取出包含所述相邻异常信号段的最小待测信号段,基于第一预设尺寸的滑动窗口对所述最小待测信号段进行滑动采样,获得对应的第二采样结果;
确定出所述第二采样结果中包含的所有子异常信号段的总长度;
计算出所述总长度与所述间隔长度的异常占比,当所述异常占比大于预设异常占比阈值时,则将所述最小待测信号段判定为最新异常信号段,将所述最新异常信号段删除,获得对应的无损信号;
否则,将所述相邻异常信号段中包含的异常信号段进行删除,获得对应的无损信号。
该实施例中,校正信号即为对初始漏磁MFL信号进行基线校正后获得的信号。
该实施例中,无噪信号即为对校正信号进行小波包分解、去噪、重构处理后获得的信号。
该实施例中,采样序列即为利用预设梯度的滑动窗口尺寸对无噪信号进行滑动采样后获得的每个预设尺寸的滑动窗口对应的信号段序列。
该实施例中,预设梯度的滑动窗口尺寸即为预先设置的不同滑动窗口尺寸梯度。
该实施例中,预设尺寸即为预设梯度的滑动窗口尺寸中包含的滑动窗口尺寸。
该实施例中,采样特征序列即为对采样序列中包含的第一采样结果进行特征提取后获得的信号段特征序列。
该实施例中,第一采样结果即为采样序列中包含的信号段。
该实施例中,采样特征矩阵即为将所有预设尺寸的滑动窗口对应的采样特征序列进行对齐后获得的矩阵。
该实施例中,列向梯度变化曲线即为对采样特征矩阵进行列向分析后获得的表征采样特征矩阵中列向梯度变化的曲线。
该实施例中,异常采样结果即为一阶导数恒小于导数阈值的列向梯度变化曲线对应的采样结果。
该实施例中,导数阈值即为即为当采样结果被判定为异常采样结果时对应的最大一阶导数值。
该实施例中,异常信号段即为基于预设梯度的滑动窗口尺寸中的最小滑动窗口尺寸确定出的异常采样结果对应的信号段。
该实施例中,基于每个异常信号段对应的长度,计算出相邻异常信号段之间的长度阈值,包括:
L=0.75(L1+L2)
式中,L为相邻异常信号段之间的长度阈值,L1为前一相邻异常信号段对应的长度,L2为后一相邻异常信号段对应的长度;
例如,L1为100,L2为60,则L为120。
该实施例中,最小待测信号段即为在无噪信号中提取出的包含相邻异常信号段的信号段。
该实施例中,第二采样结果即为基于第一预设尺寸的滑动窗口对最小待测信号段进行滑动采样后获得的信号段。
该实施例中,第一预设尺寸的滑动窗口即为预先设置的比预设梯度的滑动窗口尺寸中的最小滑动窗口尺寸更小的滑动窗口尺寸。
该实施例中,子异常信号段即为第二采样结果中包含的子信号段。
该实施例中,最新异常信号段即为异常占比大于预设异常占比阈值时的最小待测信号段。
该实施例中,预设异常占比阈值即为最小待测信号段被判定为最新异常信号段时对应的最小异常占比。
以上技术的有益效果为:完成了对现有设备的数据加载、转换主要是等时采样数据和等距离采样数据的相互转换,进而变成AI模型需要的等距离采样数据,完成了检测原始数据的预处理、数据异常检测算法,进而实现将初始漏磁MFL信号中包含的异常信号段删除,获得对应的无损信号。
实施例6:
在实施例5的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,对所述无损信号进行插值补偿获得对应的完整信号,包括:
确定出所述初始漏磁MFL信号中包含的所有异常信号段;
确定出所述无损信号中与所述异常信号段相接的第一无损信号幅值;
基于所述第一无损信号幅值对应的第一横坐标值和所述异常信号段中包含的每个插值点对应的第二横坐标值之间的第一横坐标差值和信号波动范围列表以及所述第一无损信号幅值,确定出所述异常信号段中包含的每个插值点对应的第一波动范围;
以所述第一无损信号幅值为起点并按照预设采样规则在所述异常信号段中确定出多个采样点;
基于所述采样点与每个插值点之间的第二横坐标差值和所述信号波动范围列表以及所述采样点对应的第二无损信号幅值,确定出所述异常信号段中包含的每个插值点对应的第二波动范围;
将所述第一波动范围和所有第二波动范围按照所述异常信号段中包含的插值点对齐,获得对应的波动范围对齐集合;
基于所述波动范围对齐集合确定出每个插值点对应的第一波动范围子集合;
基于所述波动范围子集合中包含的所有第一子波动范围的交集确定出所述插值点对应的第二波动范围;
基于每个插值点对应的第二波动范围和所述插值点之间的第三横坐标差值以及所述信号波动范围列表,确定出每个插值点对应的第二波动范围子集合;
基于所述第二波动范围子集合中包含的所有第二子波动范围与所述第二波动范围的交集确定出所述插值点对应的第三波动范围;
基于所述第三波动范围拟合出所述异常信号段对应的补偿信号段;
将所述补偿信号段与所述无损信号进行连接,获得对应的完整信号。
该实施例中,第一无损信号幅值即为无损信号中与异常信号段相接的信号幅值。
该实施例中,第一波动范围即为基于第一无损信号幅值对应的第一横坐标值和异常信号段中包含的每个插值点对应的第二横坐标值之间的第一横坐标差值和信号波动范围列表以及第一无损信号幅值确定出的异常信号段中包含的每个插值点对应的信号幅值波动范围。
该实施例中,第一横坐标值即为第一横坐标值横坐标值。
该实施例中,插值点即为异常信号段中包含的坐标点。
该实施例中,第二横坐标值即为插值点对应的横坐标值。
该实施例中,第一横坐标差值即为第一无损信号幅值对应的第一横坐标值和异常信号段中包含的每个插值点对应的第二横坐标值之间的横坐标差值。
该实施例中,信号波动范围列表即为表征初始漏磁MFL信号中坐标点与坐标点之间的横坐标差值与对应的信号差值范围之间的关系的列表。
该实施例中,采样点即为以第一无损信号幅值为起点并按照预设采样规则在异常信号段中确定出的多个点。
该实施例中,预设采样规则即为每预设间隔横坐标(可根据具体情况设置)取一个采样点。
该实施例中,第二波动范围即为基于采样点与每个插值点之间的第二横坐标差值和信号波动范围列表以及采样点对应的第二无损信号幅值确定出的异常信号段中包含的每个插值点对应的信号幅值波动范围。
该实施例中,第二横坐标差值即为采样点与插值点之间的横坐标差值。
该实施例中,第二无损信号幅值即为采样点对应的信号幅值。
该实施例中,波动范围对齐集合即为将第一波动范围和所有第二波动范围按照异常信号段中包含的插值点对齐后获得的对齐的波动范围集合。
该实施例中,第一波动范围子集合即为基于波动范围对齐集合确定出的每个插值点对应的多个波动范围构成的集合。
该实施例中,第二波动范围即为波动范围子集合中包含的所有第一子波动范围的交集。
该实施例中,第二波动范围子集合即为基于每个插值点对应的第二波动范围和插值点之间的第三横坐标差值以及信号波动范围列表,确定出的每个插值点对应的子波动范围构成的集合。
该实施例中,第三横坐标差值即为插值点之间的横坐标差值。
该实施例中,第三波动范围即为第二波动范围子集合中包含的所有第二子波动范围与第二波动范围的交集。
该实施例中,第二子波动范围即为第二波动范围子集合中包含的信号波动范围。
该实施例中,补偿信号段即为基于第三波动范围拟合出的异常信号段对应的需要补偿至一场新号段位置处的信号段。
以上技术的有益效果为:基于无损信号与异常信号段中的点之间的横坐标差值以及波动范围列表确定出异常信号段中包含的点对应的第一波动范围,再基于无损信号中的其他采样点之间的横坐标差值确定出异常信号段中包含的点对应的第二波动范围,再基于第一波动范围和第二波动范围之间的交集以及以上信号段上点与点之间的横坐标差值确定出更小的波动范围,以此过程实现了不断缩小异常信号段除对应的实际正常信号的波动范围,实现对无损信号的插值补偿。
实施例7:
在实施例6的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,S103:基于所述管道内检测样本数据中包含的第一漏磁特征数据对所述初始量化模型进行验证优化,获得对应的最优分析量化模型,包括:
用于对所述管道内检测样本数据进行特征提取,获得对应的第一特征数据;
基于漏磁阈值在所述第一特征数据中提取出对应的第一漏磁特征数据;
将所述管道内检测样本数据输入至所述初始量化模型,获得对应的第二漏磁特征数据;
基于所述第一漏磁特征数据和所述第二漏磁特征数据计算出所述初始量化模型的损失度;
判断所述损失度是否满足要求,若是,则将所述初始量化模型作为对应的最优分析量化模型;
否则,基于所述损失度对所述管道内检测样本数据进行二次采样并训练,直至最新确定的损失度满足要求时,则将最新确定的量化模型作为对应的最优分析量化模型。
该实施例中,第一特征数据即为用于对管道内检测样本数据进行特征提取后获得的特征数据。
该实施例中,基于漏磁阈值在所述第一特征数据中提取出对应的第一漏磁特征数据,包括:将大于漏磁阈值的第一特征数据判定为第一漏磁特征数据。
该实施例中,漏磁阈值即为当第一特征数据判定为第一漏磁特征数据时对应的最小特征数据。
该实施例中,第二漏磁特征数据即为将管道内检测样本数据输入至初始量化模型后获得的表征发生漏磁的特征数据。
该实施例中,基于所述第一漏磁特征数据和所述第二漏磁特征数据计算出所述初始量化模型的损失度,包括:
式中,α为初始量化模型的损失度,m1为第一漏磁特征数据中包含的与第二漏磁特征数据一致的子数据总个数,m为第一漏磁特征数据中包含的子数据总个数,n为第二漏磁特征数据中包含的子数据总个数;
例如,m第一漏磁特征数据中包含的100,n为100,m1为80,则α为0.4。
该实施例中,判断所述损失度是否满足要求,包括:当损失度大于损失度阈值时,则判定损失度满足要求,否则,判定损失度不满足要求。
该实施例中,最优分析量化模型即为损失度是否满足要求时对应的最新获得的量化模型。
以上技术的有益效果为:结合收集得到的已有的管道内检测相关的各类特征缺陷数据,进行结果比对与验证,进一步优化模型。通过大量样本数据进行训练,得到了一个比人工算法更优的量化模型。
实施例8:
在实施例7的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,S2:基于所述最优分析量化模型生成对应的人工智能数据分析软件,包括:
基于所述最优分析量化模型和预设管道评价方法生成对应的软件框架;
基于所述软件框架生成对应的人工智能数据分析软件。
该实施例中,软件框架即为基于最优分析量化模型和预设管道评价方法生成的软件规范组件。
该实施例中,预设管道评价方法即为国内外已有的管道风险评价方法,例如:定性方法、半定量方法和定量方法。
以上技术的有益效果为:在得到最优人工智能模型后,嵌入国内外已有的管道风险评价方法,实现将人工智能模型与管道风险评价方法相结合开发出人工智能数据分析软件。
实施例9:
在实施例8的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,S3:基于所述人工智能数据分析软件和管道完整性管理系统,构建出对应的智能分析评价体系,包括:
基于管道位置将所述人工智能数据分析软件和所述管道完整性管理系统进行关联链接,获得关联链接结果;
基于所述关联链接结果,将所述人工智能数据分析软件与所述管道完整性管理系统进行对接,获得对应的智能分析评价体系。
该实施例中,关联链接结果即为将人工智能数据分析软件和管道完整性管理系统进行关联链接后获得的结果。
以上技术的有益效果为:将人工智能数据分析软件与数据对齐与管道完整性管理系统相结合,构建出了管道内检测数据的智能分析与评价体系。
实施例10:
在实施例9的基础上,所述的一种基于AI的漏磁内检测数据自动分析方法,S4:基于当前管道内检测数据和所述智能分析评价体系获得对应的漏磁数据分析结果,包括:
对所述当前管道内检测数据进行预处理,获得对应的标准管道内检测数据;
将所述标准管道内检测数据输入至所述智能分析评价体系,获得对应的漏磁数据分析结果。
该实施例中,标准管道内检测数据即为对当前管道内检测数据进行预处理后获得的管道内检测数据。
以上技术的有益效果为:实现基于当前管道内检测数据对管道内检测的金属损失缺陷进行自动量化,提升分析结果的一致性、准确性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于AI的漏磁内检测数据自动分析方法,其特征在于,包括:
S1:基于管道内检测样本数据和AI模型,构建出最优分析量化模型;
S2:基于所述最优分析量化模型生成对应的人工智能数据分析软件;
S3:基于所述人工智能数据分析软件和管道完整性管理系统,构建出对应的智能分析评价体系;
S4:基于当前管道内检测数据和所述智能分析评价体系获得对应的漏磁数据分析结果;
步骤S1:基于管道内检测样本数据和AI模型,构建出最优分析量化模型,包括:
S101:获取所述当前管道内检测数据,基于所述当前管道内检测数据确定出对应的AI模型;
S102:基于所述管道内检测样本数据对所述AI模型进行训练获得对应的初始量化模型;
S103:基于所述管道内检测样本数据中包含的第一漏磁特征数据对所述初始量化模型进行验证优化,获得对应的最优分析量化模型;
步骤S102:基于所述管道内检测样本数据对所述AI模型进行训练获得对应的初始量化模型,包括:
S1021:获取所述管道内检测样本数据中包含的初始漏磁MFL信号;
S1022:对所述初始漏磁MFL信号进行预处理后输入至AI模型中进行训练,获得对应的初始量化模型;
对所述初始漏磁MFL信号进行预处理后输入至AI模型中进行训练,获得对应的初始量化模型,包括:
将所述初始漏磁MFL信号中包含的异常信号段进行删除,获得对应的无损信号;
对所述无损信号进行插值补偿获得对应的完整信号;
对所述完整信号进行背景自适应平衡处理,获得对应的预处理信号;
基于预设周期对所述预处理信号进行等时采样,获得对应的等时预处理信号;
将所述等时预处理信号与预设的管道传输模型进行对齐,获得对应的对齐结果;
基于所述对齐结果和预设距离对所述等时预处理信号进行等距离采样,获得对应的等距离采样信号,对所述等距离采样信号进行特征提取获得对应的等距离信号特征数据;
将所述等距离信号特征数据与漏磁阈值进行比较,确定出所述等距离信号特征数据的漏磁判断结果;
将所述等距离信号特征数据和对应的漏磁判断结果输入至所述AI模型中进行训练,获得对应的初始量化模型;
将所述初始漏磁MFL信号中包含的异常信号段进行删除,获得对应的无损信号,包括:
对所述初始漏磁MFL信号进行基线校正,获得对应的校正信号;
对所述校正信号进行小波包分解、去噪、重构处理,获得对应的无噪信号;
利用预设梯度的滑动窗口尺寸对所述无噪信号进行滑动采样,获得每个预设尺寸的滑动窗口对应的采样序列;
对所述采样序列中包含的第一采样结果进行特征提取,获得对应的采样特征序列;
将所有预设尺寸的滑动窗口对应的采样特征序列进行对齐,获得对应的采样特征矩阵;
对所述采样特征矩阵进行列向分析,获得对应的列向梯度变化曲线;
确定出所述列向梯度变化曲线的一阶导数,将所述一阶导数恒小于导数阈值的列向梯度变化曲线对应的采样结果确定为异常采样结果;
基于预设梯度的滑动窗口尺寸中的最小滑动窗口尺寸确定出所述异常采样结果对应的异常信号段;
判断所述无噪信号中包含的异常信号段是否只有一个,若是,则将所述无噪信号中包含的异常信号段删除,获得对应的无损信号;
否则,基于每个异常信号段对应的长度,计算出相邻异常信号段之间的长度阈值;
判断所述相邻异常信号段之间的间隔长度是否大于对应的长度阈值,若是,则将所述相邻异常信号段中包含的异常信号段进行删除,获得对应的无损信号;
否则,在所述无噪信号中提取出包含所述相邻异常信号段的最小待测信号段,基于第一预设尺寸的滑动窗口对所述最小待测信号段进行滑动采样,获得对应的第二采样结果;
确定出所述第二采样结果中包含的所有子异常信号段的总长度;
计算出所述总长度与所述间隔长度的异常占比,当所述异常占比大于预设异常占比阈值时,则将所述最小待测信号段判定为最新异常信号段,将所述最新异常信号段删除,获得对应的无损信号;
否则,将所述相邻异常信号段中包含的异常信号段进行删除,获得对应的无损信号;
对所述无损信号进行插值补偿获得对应的完整信号,包括:
确定出所述初始漏磁MFL信号中包含的所有异常信号段;
确定出所述无损信号中与所述异常信号段相接的第一无损信号幅值;
基于所述第一无损信号幅值对应的第一横坐标值和所述异常信号段中包含的每个插值点对应的第二横坐标值之间的第一横坐标差值和信号波动范围列表以及所述第一无损信号幅值,确定出所述异常信号段中包含的每个插值点对应的第一波动范围;
以所述第一无损信号幅值为起点并按照预设采样规则在所述异常信号段中确定出多个采样点;
基于所述采样点与每个插值点之间的第二横坐标差值和所述信号波动范围列表以及所述采样点对应的第二无损信号幅值,确定出所述异常信号段中包含的每个插值点对应的第二波动范围;
将所述第一波动范围和所有第二波动范围按照所述异常信号段中包含的插值点对齐,获得对应的波动范围对齐集合;
基于所述波动范围对齐集合确定出每个插值点对应的第一波动范围子集合;
基于所述波动范围子集合中包含的所有第一子波动范围的交集确定出所述插值点对应的第二波动范围;
基于每个插值点对应的第二波动范围和所述插值点之间的第三横坐标差值以及所述信号波动范围列表,确定出每个插值点对应的第二波动范围子集合;
基于所述第二波动范围子集合中包含的所有第二子波动范围与所述第二波动范围的交集确定出所述插值点对应的第三波动范围;
基于所述第三波动范围拟合出所述异常信号段对应的补偿信号段;
将所述补偿信号段与所述无损信号进行连接,获得对应的完整信号;
步骤S103:基于所述管道内检测样本数据中包含的第一漏磁特征数据对所述初始量化模型进行验证优化,获得对应的最优分析量化模型,包括:
用于对所述管道内检测样本数据进行特征提取,获得对应的第一特征数据;
基于漏磁阈值在所述第一特征数据中提取出对应的第一漏磁特征数据;
将所述管道内检测样本数据输入至所述初始量化模型,获得对应的第二漏磁特征数据;
基于所述第一漏磁特征数据和所述第二漏磁特征数据计算出所述初始量化模型的损失度;
判断所述损失度是否满足要求,若是,则将所述初始量化模型作为对应的最优分析量化模型;
否则,基于所述损失度对所述管道内检测样本数据进行二次采样并训练,直至最新确定的损失度满足要求时,则将最新确定的量化模型作为对应的最优分析量化模型;
其中,基于每个异常信号段对应的长度,计算出相邻异常信号段之间的长度阈值,包括:
L=0.75(L1+L2)
式中,L为相邻异常信号段之间的长度阈值,L1为前一相邻异常信号段对应的长度,L2为后一相邻异常信号段对应的长度;
基于所述第一漏磁特征数据和所述第二漏磁特征数据计算出所述初始量化模型的损失度,包括:
式中,α为初始量化模型的损失度,m1为第一漏磁特征数据中包含的与第二漏磁特征数据一致的子数据总个数,m为第一漏磁特征数据中包含的子数据总个数,n为第二漏磁特征数据中包含的子数据总个数。
2.根据权利要求1所述的一种基于AI的漏磁内检测数据自动分析方法,其特征在于,S2:基于所述最优分析量化模型生成对应的人工智能数据分析软件,包括:
基于所述最优分析量化模型和预设管道评价方法生成对应的软件框架;
基于所述软件框架生成对应的人工智能数据分析软件。
3.根据权利要求2所述的一种基于AI的漏磁内检测数据自动分析方法,其特征在于,S3:基于所述人工智能数据分析软件和管道完整性管理系统,构建出对应的智能分析评价体系,包括:
基于管道位置将所述人工智能数据分析软件和所述管道完整性管理系统进行关联链接,获得关联链接结果;
基于所述关联链接结果,将所述人工智能数据分析软件与所述管道完整性管理系统进行对接,获得对应的智能分析评价体系。
4.根据权利要求3所述的一种基于AI的漏磁内检测数据自动分析方法,其特征在于,S4:基于当前管道内检测数据和所述智能分析评价体系获得对应的漏磁数据分析结果,包括:
对所述当前管道内检测数据进行预处理,获得对应的标准管道内检测数据;
将所述标准管道内检测数据输入至所述智能分析评价体系,获得对应的漏磁数据分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786913.5A CN115081485B (zh) | 2022-07-04 | 2022-07-04 | 一种基于ai的漏磁内检测数据自动分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786913.5A CN115081485B (zh) | 2022-07-04 | 2022-07-04 | 一种基于ai的漏磁内检测数据自动分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081485A CN115081485A (zh) | 2022-09-20 |
CN115081485B true CN115081485B (zh) | 2023-04-07 |
Family
ID=83256901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210786913.5A Active CN115081485B (zh) | 2022-07-04 | 2022-07-04 | 一种基于ai的漏磁内检测数据自动分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081485B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881727B (zh) * | 2023-06-01 | 2024-02-13 | 四川省新洋安创科技有限公司 | 一种油气管道内检测数据管节自动对齐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034796A (zh) * | 2014-06-16 | 2014-09-10 | 东北大学 | 一种管道漏磁内检测数据实时处理装置及方法 |
CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
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 |
CN111667132A (zh) * | 2019-03-07 | 2020-09-15 | 中国石油化工股份有限公司 | 一种管道完整性智能分析决策系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1458442A (zh) * | 2003-05-14 | 2003-11-26 | 天津大学 | 管道缺陷漏磁检测数据的分析方法 |
CN104034794B (zh) * | 2014-06-12 | 2017-01-04 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
CN106018545B (zh) * | 2016-06-29 | 2019-05-14 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
CN106645384B (zh) * | 2016-09-23 | 2019-06-25 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
CN107842713B (zh) * | 2017-11-03 | 2019-04-05 | 东北大学 | 基于knn-svr的海底管道漏磁数据缺失插补方法 |
CN109492708B (zh) * | 2018-11-30 | 2021-04-02 | 东北大学 | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 |
CN109613109A (zh) * | 2018-12-19 | 2019-04-12 | 智云安科技(北京)有限公司 | 一种管道漏磁检测数据自动分析系统 |
CN109783906B (zh) * | 2018-12-29 | 2023-07-07 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
CN110929376B (zh) * | 2019-10-22 | 2023-10-20 | 东北大学 | 一种基于gan的管道漏磁检测数据缺失的重构方法 |
CN112345626B (zh) * | 2020-10-30 | 2022-07-29 | 东北大学 | 一种基于异构场信号的管道缺陷智能反演方法 |
CN112329588B (zh) * | 2020-10-30 | 2024-01-05 | 中海石油(中国)有限公司 | 一种基于Faster R-CNN的管道故障检测方法 |
CN112347903B (zh) * | 2020-11-04 | 2024-02-02 | 东北大学 | 一种基于异构场信号的管道多组件识别方法 |
-
2022
- 2022-07-04 CN CN202210786913.5A patent/CN115081485B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034796A (zh) * | 2014-06-16 | 2014-09-10 | 东北大学 | 一种管道漏磁内检测数据实时处理装置及方法 |
CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
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 |
CN111667132A (zh) * | 2019-03-07 | 2020-09-15 | 中国石油化工股份有限公司 | 一种管道完整性智能分析决策系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115081485A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779260B (zh) | 一种基于预训练模型的领域图谱实体和关系联合抽取方法及系统 | |
WO2021098384A1 (zh) | 一种数据异常检测方法及装置 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
CN114154484B (zh) | 基于混合深度语义挖掘的施工专业术语库智能构建方法 | |
CN114677362A (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN115049627B (zh) | 基于域自适应深度迁移网络的钢表面缺陷检测方法及系统 | |
CN116756679A (zh) | 一种基于多源信息融合的随钻潜山地质模式判识方法 | |
CN111626358A (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
CN116012275A (zh) | 一种随钻电成像数据井下实时处理装置及方法 | |
CN112199376B (zh) | 一种基于聚类分析的标准知识库管理方法及系统 | |
CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
CN117272646A (zh) | 一种基于孪生神经网络的仿真软件自动操作优化方法 | |
CN108763289B (zh) | 一种海量异构传感器格式数据的解析方法 | |
CN112164040A (zh) | 基于半监督深度学习算法的钢铁表面缺陷识别方法 | |
CN115221045A (zh) | 一种基于多任务多视角学习的多目标软件缺陷预测方法 | |
CN112348922B (zh) | 一种测井曲线自动绘制方法、系统、装置及存储介质 | |
CN115456260A (zh) | 客服话务量预测方法 | |
CN115328866A (zh) | 一种基于日志采样的流程实例下一事件预测方法与系统 | |
CN114036829A (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
CN110942354A (zh) | 一种基于大数据算法的轨道交通工程造价指标自动计算方法 | |
CN112381426A (zh) | 基于分阶段时间趋势特征的森林退化遥感监测方法及系统 | |
CN116226623B (zh) | 基于SegNet分段模型的标志层划分方法、装置和计算机设备 | |
CN116843368B (zh) | 基于arma模型的营销数据处理方法 |
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 |