CN116090322A - 管道完整性智能决策可视化系统 - Google Patents
管道完整性智能决策可视化系统 Download PDFInfo
- Publication number
- CN116090322A CN116090322A CN202111277953.9A CN202111277953A CN116090322A CN 116090322 A CN116090322 A CN 116090322A CN 202111277953 A CN202111277953 A CN 202111277953A CN 116090322 A CN116090322 A CN 116090322A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- detection
- module
- data
- decision
- 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
Links
- 238000012800 visualization Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 321
- 230000007547 defect Effects 0.000 claims abstract description 144
- 238000012423 maintenance Methods 0.000 claims abstract description 85
- 238000007726 management method Methods 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000013523 data management Methods 0.000 claims abstract description 32
- 238000009412 basement excavation Methods 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 110
- 238000011156 evaluation Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 23
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 description 21
- 230000006698 induction Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 7
- 230000000295 complement effect Effects 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 150000002739 metals Chemical class 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06Q10/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供一种管道完整性智能决策可视化系统，包括管道三维可视化模块和管道智能决策模块；管道三维可视化模块包括三维模型可视化展示子模块、支撑环境子模块、分析决策模块数据接口子模块、管道信息目录树子模块和管道工程数据管理子模块；管道智能决策模块包括基础数据管理子模块、检测管理子模块、缺陷管理子模块和完整性智能决策子模块；完整性智能决策子模块包括针对无法量化缺陷尺寸及类型的单一检测方法或多种检测方法的管道异常信号进行智能分析决策。本发明通过不同检测方法的检测信号及由专家经验或依据开挖确定的异常信号维修决策结果数据的智能分析、埋地管道三维可视化平台交互，实现管道完整性的智能分析决策。
Description
技术领域
本发明涉及管道完整性智能评价可视化技术领域，尤其涉及一种管道完整性智能决策可视化系统。
背景技术
完整性评价是管道完整性管理工作的核心业务之一，通过完整性性评价可判断管道安全状态，为管道的维修维护提供指导意见。对于无法开展内检测、无法开挖检测的炼厂、站场及油气田集输管网等管道，目前，管道面临的问题主要有：1)炼化厂、站场区内分布着大量的原料线、互供线、动力线等，动力管线大多分布在地下，地下管道种类繁多，分布复杂，统一管理难度大；2)油气田集输管网，因管道数量众多，老旧管道资料缺失严重，管线的走向、地下管线分布情况常常出现图纸和现场实际情况、管理人员了解的情形不一致，给施工、检维修等工作以及装置的改扩建和设备的维护更新造成较大困难；3)地下条件复杂，管道腐蚀减薄普遍存在，有些老的管网超负荷、超年限运行，由于腐蚀、压力等原因造成爆管、泄漏、串线等事故，泄漏现象时有发生，存在较大的安全隐患；4)管道无法开展内检测，不能及时掌握管道安全状态。5)现有通过人工经验对检测数据进行评价的方式无法保证评价结果的准确性。6)采用磁应力、导波等多种检测方法融合的方式进行管道安全性评价有利于提高检测的准确性，而现有技术对多检测方法的融合主要依据人工经验对维修类型的判断，而人工经验判定普遍存在主观因素强、对评价人员专业水平要求高、人工成本高、经济性差效率低的问题。
发明内容
本发明提供一种管道完整性智能决策可视化系统，用以解决现有技术中管道分析成本高、效率和准确率较低的缺陷。
本发明提供一种管道完整性智能决策可视化系统，包括：管道三维可视化模块和管道智能决策模块；
其中，所述管道三维可视化模块，包括三维模型可视化展示子模块、支撑环境子模块、分析决策模块数据接口子模块、管道信息目录树子模块和管道工程数据管理子模块；
所述管道智能决策模块，包括基础数据管理子模块、检测管理子模块、缺陷管理子模块和完整性智能决策子模块；
其中，所述分析决策模块数据接口子模块用于为基础数据管理子模块、检测管理子模块、缺陷管理子模块和完整性智能决策子模块提供数据接口；
其中，所述完整性智能决策子模块包括针对无法量化缺陷尺寸及类型的单一检测方法或多种检测方法获得的管道异常信号的智能分析决策；
所述三维模型可视化展示子模块将智能评价及维修决策结果进行三维动态交互可视化展示。
根据本发明提供的一种管道完整性智能决策可视化系统，所述管道三维可视化模块基于人机交互原则，通过对炼厂设备与装置、地上标志物及与装置连接的地上、地下管道对象进行实地勘测，确定建模对象的地理信息或相对位置，在三维模型中建立对象的模型，并通过三维模型或目录树对建立的管线、装置和设备相关工程信息进行管理，其中，管线的信息作为埋地管道完整性评价的数据基础。
根据本发明提供的一种管道完整性智能决策可视化系统，所述基础数据管理子模块，用于从所述管道三维可视化模块中获取管道所在管线的基本信息，所述基本信息包括管径、壁厚、管材、输送介质、设计数据以及连接设备信息，并对所述基本信息进行增、查、删、改。
根据本发明提供的一种管道完整性智能决策可视化系统，所述检测管理子模块包括检测信号样本库管理、被检测管道管理、检测工程管理和检测数据管理四个功能，针对检测作业、检测信号、检测结果的逻辑化管理；
其中，检测信号样本库管理用于对检测管道的历史异常检测信号的管理；被检测管道管理用于对检测管道及其相关联的检测工程的管理；检测工程管理用于在一段管道开展一次检测作业后，建立一个检测工程，并对所述检测工程进行管理；检测数据管理用于针对某次检测工程的检测数据的管理，功能包括支持不同检测方法的检测信号图管理、检测信号数据管理、检测结果数据管理。
根据本发明提供的一种管道完整性智能决策可视化系统，所述缺陷管理子模块用于对管道一次检测后通过专家解析信号、开挖验证或内置的智能决策模型或管道决策模型，得到的缺陷数据进行管理；缺陷数据能够与三维模型交互，实现被检测管道缺陷信息的增、查、删、改，同时，根据不同的缺陷类型分类管理缺陷信息，其中，腐蚀缺陷的腐蚀速率通过后台内置算法，根据缺陷深度和投运时间进行直接计算，或者通过试验或实测录入。
根据本发明提供的一种管道完整性智能决策可视化系统，所述完整性智能决策子模块用于：针对无法量化缺陷尺寸及类型的单一检测方法获得的管道异常信号，从检测管理子模块中获取管段的检测信号图或检测信号强度数值，采用基于深度学习预先训练好的智能决策模型进行智能化维修决策。
根据本发明提供的一种管道完整性智能决策可视化系统，所述智能决策模型的训练过程包括：
从检测管理子模块中的专家解析数据中获取样本磁应力检测信号图片或检测信号强度数值；其中，所述样本磁应力检测信号图片或强度数值中需要覆盖各种缺陷像素位置和各种维修等级；
从检测管理子模块中的专家解析数据中获取所述样本磁应力检测信号图片或强度数值的管道异常区域里程位置及维修等级；其中，样本数据分成训练集和测试集；
将预先已确定缺陷像素位置及维修等级的样本磁应力检测信号图片或强度数值作为模型的输入，将所述样本磁应力检测信号图片或强度数值中的管道异常区域里程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，得到智能决策模型；
根据本发明提供的一种管道完整性智能决策可视化系统，所述完整性智能决策子模块还用于：针对无法量化缺陷尺寸及类型的多种检测方法获得的管道异常信号，先从检测管理子模块中获取管段在各检测方法下检测信号图和检测信号强度数值，并提取各检测方法下检测信号图和检测信号强度数值的特征向量，并将各特征向量输入至权重预测模型，得到所述权重预测模型输出的各特征向量对应的权重系数；
以各特征向量对应的权重系数更新管道决策模型对应的权重系数后，将各特征向量输入至所述管道决策模型，得到所述管道决策模型输出的管道分析结果；
将各特征向量输入至维修等级预测模型，由维修等级预测模型对各特征向量进行融合，得到融合向量，并基于融合向量得到维修等级预测结果。
根据本发明提供的一种管道完整性智能决策可视化系统，在前期不具备开挖数据时，智能决策模型通过缺陷管理子模块中的专家解析数据进行训练和测试；
在开挖数据积累的程度满足预设条件后，从检测管理子模块中获取开挖缺陷数据，通过数据迁移，对智能决策模型进行优化。
根据本发明提供的一种管道完整性智能决策可视化系统，所述权重预测模型是基于样本特征向量以及样本特征向量对应的样本权重系数训练得到的；
所述样本权重系数是基于如下步骤确定的：
确定各样本特征向量对应的初始样本权重系数，并以目标步长对初始样本权重系数进行遍历，得到迭代权重系数；其中，每次遍历时得到的各迭代权重系数之和为1；
基于各迭代权重系数，对各样本特征向量进行加权融合，得到各融合特征向量；
基于各融合特征向量，确定各融合特征向量对应的管道缺陷预测结果，并将与管道缺陷标签相同的管道缺陷预测结果对应的迭代权重系数作为所述样本特征向量对应的样本权重系数。
由上述技术方案可知，本发明提供的管道完整性智能决策可视化系统，通过不同检测方法的检测信号及由专家经验或依据开挖确定的异常信号维修决策结果数据的智能分析、埋地管道三维可视化平台交互，实现管道特别是炼厂内、站场内及集输管网等管道完整性的智能分析决策。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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，还可以根据这些附图获得其他的附图。
图1是本发明提供的管道完整性智能决策可视化系统的结构示意图；
图2是本发明提供的权重预测模型训练方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的管道完整性智能决策可视化系统，通过不同检测方法的检测信号及由专家经验或依据开挖确定的异常信号维修决策结果数据的智能分析、埋地管道三维可视化平台交互，实现管道特别是炼厂内、站场内及集输管网等管道完整性的智能分析决策。
图1是本发明提供的管道完整性智能决策可视化系统的结构示意图，如图1所示，该系统包括：管道三维可视化模块和管道智能决策模块；
其中，管道三维可视化模块，包括三维模型可视化展示子模块、支撑环境子模块、分析决策模块数据接口子模块、管道信息目录树子模块和管道工程数据管理子模块；
管道智能决策模块，包括基础数据管理子模块、检测管理子模块、缺陷管理子模块和完整性智能决策子模块；
其中，分析决策模块数据接口子模块用于为基础数据管理子模块、检测管理子模块、缺陷管理子模块和完整性智能决策子模块提供数据接口；
其中，完整性智能决策子模块包括针对无法量化缺陷尺寸及类型的单一检测方法或多种检测方法的管道异常信号进行智能分析决策，针对无法量化缺陷尺寸及类型的单一检测方法获得的管道异常信号，先从检测管理子模块中获取管段的检测信号图和检测信号强度数值，采用基于深度学习预先训练好的信号图或信号数据的智能决策模型进行智能化维修决策；
针对无法量化缺陷尺寸及类型的多种检测方法的管道异常信号，先从检测管理子模块中分别获取管段在各检测方法下的检测信号图和检测信号强度数值，采用基于深度学习预先训练好的权重预测模型对各检测方法进行权重系数预测，得到各检测方法对应的权重系数，并以各检测方法对应的权重系数更新预先训练好的管道决策模型，得到管道评价结果，以及采用预先训练好的维修等级预测模型对各检测方法下的检测信号图和检测信号强度数值对应的特征向量进行融合，得到维修决策结果；
三维模型可视化展示子模块将智能评价及维修决策结果进行三维动态交互可视化展示。
由上述技术方案可知，本实施例提供的管道完整性智能决策可视化系统，通过不同检测方法获得的检测信号及由专家经验或依据开挖确定的异常信号维修决策结果数据的智能分析、埋地管道三维可视化平台交互，实现管道特别是炼厂内、站场内及集输管网等管道完整性的智能分析决策。
在本实施例中，管道完整性智能化评价可视化系统，包括三维可视化功能和管道完整性智能分析决策两部分。其中三维可视化功能主要包括简化的管道连接设备、装置，地上标志物，以及与设备连接的所有管道的三维模型的可视化展示与管线信息管理；管道智能分析决策功能主要包括管道基础数据管理、检/维修决策数据管理、缺陷管理、与三维模型实现动态数据交互的管道完整性智能分析决策。
关于管道三维可视化模块介绍如下：
管道三维可视化模块包括三维模型可视化展示、安全可靠的支持环境以及完整性管道智能决策模块的应用接口(管道基础数据管理，检测管理、缺陷管理和智能分析决策。遵循人机交互原则，通过对管道连接的设备与装置、地上标志物(如马路、井盖等)及与装置连接的所有地上、地下管道等对象进行实地勘测，确定建模对象的地理信息或相对位置，在三维模型中建立这些对象的模型，同时，通过三维模型或目录树对建立的管线、装置和设备相关工程信息进行增、查、删、改，其中管线的信息作为埋地管道完整性评价的数据基础。
关于管道智能决策模块，介绍如下：
管道智能决策模块主要包括：基础数据管理子模块、检测管理子模块、缺陷管理子模块和与三维模型实现动态数据交互的完整性智能决策子模块。
基础数据管理子模块包括从三维可视化平台中获取的管道所在管线的基本信息如管径、壁厚、管材、输送介质、设计数据、连接设备等，以及用于该类信息的增、查、删、改。
检测管理子模块主要包括检测信号样本库管理、被检测管道管理、检测工程管理、检测数据管理4个功能，主要是针对检测作业、检测信号、检测结果等检测数据的逻辑化管理。①检测信号样本库管理：用于对检测管道的历史异常检测信号的管理，包括检测管道信息、检测设备名称、检测方法、检测设备厂家、评价专家级别、异常信号、维修决策类型和维修决策结果的增、查、删、改，针对要入库的各类管道非接触式检测方法的历史异常检测信号，信息包括被检管道信息(管径、管材、干扰场景及因素)、检测设备名称、检测方法、检测设备厂家、评价专家级别、异常信号、维修决策类型(开挖验证、专家解析)、维修决策结果(包括但不限于异常位置、缺陷类型、维修等级等)等数据的增、查、删、改，该类数据均存入智能决策模型样本库，作为模型的样本集，对模型实现训练、测试和不断优化；②被检测管道管理：主要是对检测管道及其相关联的检测工程的管理，被检测管道管理主要对被检测管道的检测范围，在内置管道编号命名规则的基础上，基于被检管道所在的管线自动生成新增检测管道的管道编号，从而对新增被检测管道的信息如：检测长度、检测定位(或检测起点和检测终点标志物)、备注信息进行维护、修改和查看，同时，在新建检测管道后，通过管道编号在三维模型上对被检测管道高亮定位；此外，可在已添加的被检测管道下，对被检测管道的检测工程及相关信息进行增、查、删、改。在一次管道检测之后，在管线三维模型上，通过检测标志物等信息，由人工定位，在待检管线上点选确定检测管道的检测范围，系统根据检测管道所在的管线自动生成检测管道编号，同时根据检测管道编号，实现与三维模型中被检测管道的高亮定位。对被检测管道的信息进行维护和修改，包括检测长度、检测定位点、设计系数等信息的录入、修改和被检测管道的删除等。被检测管道删除后与其相关联的检测工程，缺陷点位置，缺陷数据同时被删除。③检测工程管理：在一段管道开展一次检测作业后，建立一个检测工程，即包括在新增的被检测管道下新建检测工程，对检测工程及其相关信息(检测工程名称、检测方法、检测设备、检测时间、检测单位等)进行增、查、删、改等维护管理。检测工程删除后与其相关联缺陷点位置，缺陷数据同时被删除。该模块还可以通过被检测管道编号，查看对应被检测管道下的所有检测工程列表。④检测数据管理功能：针对某次检测工程的检测数据的增、查、删、改管理。功能包括支持不同检测方法的检测信号图管理、检测信号数据管理、检测结果数据管理。其中检测信号图管理主要是对不同检测方法的管道的检测信号图进行增查删改；检测信号数据管理是对检测信号沿检测里程的信号强弱数值，按照检测器采样结果，将数据以表单的形式，导入系统；检测结果数据同样以表单导入系统的形式，进行管理。此外，还包括检测信号、结果模板下载、数据导入，及数据的增、查、删、改。
缺陷管理子模块主要是对管道一次检测后通过专家解析信号、开挖验证或内置的智能决策模型，得到的缺陷数据(包括缺陷编号、缺陷类型、缺陷尺寸、缺陷位置、缺陷腐蚀速率、缺陷定位、决策结果等)的管理。缺陷数据可实现与三维模型的交互，实现被检测管道缺陷信息的增、查、删、改等，同时，可根据不同的缺陷类型，如腐蚀缺陷、制造缺陷、变形缺陷和焊缝异常等，分类管理缺陷信息，其中腐蚀缺陷的腐蚀速率通过后台内置算法，可根据缺陷深度、投运时间等直接计算，也可通过试验或实测值直接录入。新增缺陷可采用两种方式：①对于开挖验证、专家解析得到的单个的缺陷，可在已知缺陷定位的前提下，在三维管道模型上通过在被检测管道上的标志物(管道起点、马路、井盖等)进行标尺测量，直接添加缺陷点位置，之后录入缺陷数据，同时将该开挖验证了的管道信息、检测信息及维修决策结果等存入历史检维修决策样本库中，以供智能决策模型的优化；②通过智能决策模型，针对录入的检测信号图片或数据进行智能分析决策，输出缺陷位置、缺陷类型以及维修等级，智能分析决策结果(包括缺陷编号、缺陷类型、缺陷尺寸、缺陷位置、缺陷腐蚀速率、缺陷定位、决策结果等)为可修改模式，也可通过专家解析或开挖进一步验证智能决策是否有误，对于验证后的缺陷信息，尤其是开挖验证后，将智能决策结果进一步修正，同时将以①中的方式，同样将该缺陷相关数据存入历史检维修决策样本库中，以优化智能决策模型。决策结果可自动在三维平台对应的管段上标注异常区间，并将维修等级自动同步到对应管道的异常区间上，对于需要立即修复的异常区间，以高亮或红色二等警示标志显示，自动保存，以供再进入智能分析决策界面能够展示；③对于批量检测信号，可通过智能分析决策进行步骤②相同方式的批量智能新增和定位，缺陷的修订可通过将智能分析决策结果批量导出，导出后针对开挖验证的缺陷数据进行修改，修改完成后进一步导入系统，并按照①中的方式将修改的数据同时同步至样本库。在缺陷管理页面，可通过管道信息、检测工程等实现缺陷的查询，也可对缺陷进行删除。缺陷删除时，同时将缺陷数据和三维模型上的缺陷同时删除。
完整性智能决策子模块主要包括针对无法量化缺陷尺寸及类型的不同检测方法获得的管道异常信号，进行智能分析决策，针对量化缺陷的自动评价与维修决策。
针对无法量化缺陷尺寸及类型的管道异常信号，对于采用一种单一检测方法获得的管道信号，先从“检测数据管理”中获取该管段的检测信号图和检测信号强度数值，采用预先训练好的信号图或信号数据的完整性智能维修决策模型，分别根据管道的信号图和信号强度数据，确定一个标准长度的信号图或信号数据值
若信号图或信号数值长度
则将信号图和数值放缩为标准大小；若信号长度
从信号数组的左侧端点开始，建立长度为
的滑动窗口，每
长度剪裁一次信号，直到滑动窗口的右侧到达信号最大值的边界，得到
(向下取整)个信号图或信号数组。将这些信号图或信号数组分别输入智能维修决策模型进行预测，根据网络预测结果分别输出异常信号位置所在的里程区间及异常信号的维修等级(立即修复、计划修复和监测使用)。对于采用多种检测方法获得的检测信号，如超声导波和磁应力信号，基于预先建立好的多检测方法融合智能分析决策，首先对未知环境下提取检测数据数据预处理，提取特征向量，将特征向量输入到权重预测模型，由权重预测模型输出权值预测结果，即权重系数，依旧权重预测模型所预测的权值优化管道决策模型(如多流隐马尔可夫模型)的权值设置，实现多检测方法的决策融合模型来输出每种缺陷类型的概率；维修等级预测模型对维修等级预测时，采用特征矩阵处理方法对所要识别的特征信号做预处理，获取识别特征向量。将识别特征向量输入到维修等级预测模型，由维修等级预测模型预测维修等级概率(立即修复，计划修复，建议监测)。
在本实施例中，需要说明的是，在得到缺陷识别结果和维修等级预测结果后，按照缺陷管理子模块中的②和③进行管理。
针对量化缺陷的自动评价与维修决策，通过检测获得尺寸、类型等信息的批量和单一缺陷，不同的缺陷类型缺陷评价方法不同，用户可分别针对某一类缺陷，选定评价方法后，系统可调用内置的评价算法，对统一类型的缺陷点或某一个缺陷进行同一种评价方法的批量评价、单一评价及维修决策。系统评价成功后保存评价结果，下次再次进入评价页面展示评价结果。单一缺陷自动评价是针对缺陷类型和缺陷尺寸已知的缺陷点，在单一评价模块，选择需要评价的缺陷点，选择评价方法，进行缺陷点自动评价，对已评价的缺陷点保存缺陷评价结果，再次进入时展示评价结果，可选择评价方法重新评价；批量缺陷自动评价是在批量评价页面，通过选择装置、管道编号、检测工程、缺陷类型后，对需要评价的缺陷点，选择评价方法、输入评价所需信息后通过系统内置评价算法，批量评价某一类缺陷，可以对已评价的缺陷点修改评价方法重新评价。
在前期不具备开挖数据时，智能决策模型可通过检测管理子模块中的专家解析数据进行训练和测试。
在本实施例中，所述智能决策模型的训练过程包括：
从检测管理子模块中的专家解析数据中获取样本磁应力图片；其中，所述样本磁应力图片中需要覆盖各种缺陷像素位置和各种维修等级；
从检测管理子模块中的专家解析数据中获取所述样本磁应力图片的管道异常区域里程位置及维修等级；
将预先已确定缺陷像素位置及维修等级的样本磁应力图片作为模型的输入，将所述样本磁应力图片中的管道异常区域里程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，得到智能决策模型；
由此可见，本实施例基于磁感应信号图片数据，进行一种适应性强且不受人为主观因素影响的智能维修决策，从而可以有效提高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。
这里，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信号数据的管道智能维修决策方式，这种方式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。
基于上述实施例的内容，在本实施例中，在从检测管理子模块中的专家解析数据中获取样本磁应力信号数据之后，还包括手动和智能的样本磁应力信号数据处理。其中，对于手动的样本磁应力信号处理处理过程为：
对所述样本磁应力信号数据进行统一尺度调整，具体包括：
首先统计每个被检管段信号数据的检测里程Xmax、平均检测里程
像素长度Lsrc以及平均原始像素长度
平均宽度
四舍五入到整数；
为保证所有信号数据检测里程比例统一化，首先将所有信号数据的像素长度Lsrc进行调整，使得调整后的样本信号数据长度
统计信号数据长度L0的像素平均值
四舍五入到整数，然后对信号数据进行下一步放缩调整。
可以理解的是，通过对所述磁感应检测信号图进行统一尺度调整，使得在进行前述基于检测信号图的智能维修决策模型的训练过程更加准确有效，从而可以解决由于每次测定的里程不同，导致每次得到的磁应力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应力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。
在本实施例中，通过先确定磁应力信号数据的检测里程与被检管段的磁应力信号数据的平均检测里程的关系，然后再根据磁应力信号数据的检测里程与被检管段的磁应力信号数据的平均检测里程的关系，对所述磁应力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，导致每次得到的磁应力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应力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。
在开挖数据积累到一定程度后，可从检测管理子模块中获取开挖缺陷数据，通过数据迁移，对智能决策模型进行优化。
下面通过具体的实例对上面模型的训练和优化过程进行说明：
首先将图片按像素值归一化为大小相同的向量，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(Region ProposalNetwork，区域生成网络)得到目标区域，再对目标区域进行预测。
根据人工标注的图片异常区域位置(可以理解成缺陷像素位置)及管道信号异常类型(可以理解成维修等级)，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图片，模型的输出是缺陷像素位置和维修等级，将磁应力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。
基于上述实施例的内容，在本实施例中，在从检测管理子模块中的专家解析数据中获取样本磁应力检测信号强度数值之后，还包括以下步骤：
对样本磁应力检测信号强度数值进行长度统一处理，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：
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：
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。
可以理解的是，通过对所述磁感应检测信号数据进行统一尺度调整，使得在进行前述基于检测信号强度数值的智能维修决策模型的训练过程更加准确有效，从而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。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。
在本实施例中，针对无法量化缺陷尺寸及类型的多种检测方法的管道异常信号，基于管道决策模型进行缺陷分析以及基于维修等级预测模型进行维修决策的过程如下：
确定至少两种检测方法对应的埋地管道的检测信号数据。此处，检测方法指用于检测埋地管道缺陷的方法，如磁应力检测方法、导波检测方法等。其中，两种检测方法是互补的检测方法，例如对于磁应力检测方法，其对管道周围环境较为敏感，易受到树木、金属、电线等因素的影响，而导波检测方法主要受管道弯头影响，不易受到环境因素的影响，即导波检测方法可以弥补磁应力检测方法的不足，也就是说磁应力检测方法与导波检测方法互补。
在获取至少两种检测方法对应的埋地管道的检测信号数据后，可以采用主成分分析、离散余弦变换等方法提取各检测信号数据的特征向量。由于各检测信号数据是基于不同的检测方法确定的，从而在不同检测环境下各特征向量对管道分析所占权重是不同的。
例如，若埋地管道附近存在树木、金属、电线等，由于磁应力检测方法易受到树木、金属、电线等干扰因素的影响，从而会影响管道分析结果的精度，而导波检测方法不易受到环境因素的影响，此时可以增大导波检测方法对应特征向量的权重系数，减小磁应力检测方法对应特征向量的权重系数，进而避免磁应力检测方法受干扰因素影响导致管道分析结果精度降低的问题。
同理，若埋地管道附近不存在树木、金属、电线等干扰因素，但埋地管道存在大量弯头，由于导波检测方法易受到管道弯头影响，从而会影响管道分析结果的精度，而磁应力检测方法不易受到管道弯头的影响，此时可以减小导波检测方法对应特征向量的权重系数，增大磁应力检测方法对应特征向量的权重系数，进而避免导波检测方法受管道弯头影响导致管道分析结果精度降低的问题。
因此，在提取各检测信号数据的特征向量后，将各特征向量输入至权重预测模型，从而可以根据不同的检测环境确定各特征向量对应的权重系数，进而保证后续管道分析结果的精度。
其中，权重预测模型是基于样本特征向量以及样本特征向量对应的样本权重系数训练得到的，样本特征向量是基于至少两种检测方法获取的样本检测信号数据确定的，此处的至少两种检测方法是互补的检测方法，例如检测方法可以为互补的磁应力检测方法与导波检测方法。
在将各特征向量输入至权重预测模型之前，还可以预先训练得到权重预测模型，具体可以通过执行如下步骤实现：首先，收集大量样本特征向量，通过人工标注确定其对应的样本权重系数。随即，基于样本特征向量以及样本特征向量对应的样本权重系数对初始模型进行训练，从而得到权重预测模型。
在确定各特征向量对应的权重系数后，更新管道决策模型中对应的权重系数，从而管道决策模型可以基于权重系数对各特征向量得到的管道分析结果进行融合，得到最终的管道分析结果。其中，管道决策模型是基于样本特征向量以及样本特征向量对应的样本分析结果训练得到的；样本特征向量是基于至少两种检测方法获取的样本检测信号数据确定的。
可以理解的是，管道决策模型可以是基于多流隐马尔可夫模型训练得到的，隐马尔科夫模型以加权乘积方式将不同检测方法对应的状态观测概率进行同步融合，计算最大似然概率lgP(O|C)：
lgP(O|C)＝λ1log(pr(O1|C1))+…+λilog(pr(Oi|Ci))+…+λnlog(pr(On|Cn))
λ1+λ2+…+λn＝1
0＜λ1,λ2,…,λn＜1
其中，Ci为隐马尔科夫模型状态参数。
由此可见，本发明实施例以各特征向量对应的权重系数更新管道决策模型，使得受干扰因素影响较大的检测方法对应的权重系数较小，受干扰因素影响较小的检测方法对应的权重系数较大，从而可以避免干扰因素影响管道分析结果的精度。
在得到各检测信号数据的特征向量之后，将各特征向量输入至维修等级预测模型，得到维修决策结果。其中，维修决策结果可以包括“立即修复”、“计划修复”、“建议监测”等。
在将各特征向量输入至维修等级预测模型之前，还可以预先训练得到维修等级预测模型，具体可以通过执行如下步骤实现：首先，收集大量样本特征向量，通过人工标注确定其对应的维修等级标签。随即，基于样本特征向量以及样本特征向量对应的维修等级标签对初始模型进行训练，从而得到维修等级预测模型。其中维修等级预测模型可以包括融合层和预测层，融合层用于对各特征向量进行交叉组合降维融合成新的特征向量，即融合向量。在得到融合向量后，将融合向量输入至预测层，得到维修决策结果。
在对维修等级预测模型进行训练时，维修等级标签可以分为“立即修复”、“计划修复”、“建议监测”三种。以融合磁感应力检测与导波检测方法，对“立即修复”标签数据处理为例，磁感应力检测方法标签为“立即修复”的特征向量数据为mi(i为样本数据个数)，导波检测方法标签为“立即修复”的特征向量数据为nj(j为样本数据个数)。对mi与nj线性插值变换与主成分分析降至相同维度l，以交叉组合特征向量的方法融合特征向量，得到样本融合向量
样本融合向量
可表示为：
由此可见，样本融合向量
矩阵维度为2l，样本融合向量数据样本个数k＝i*j。对样本融合向量
降维至与原始特征矩阵相同的维度l，则特征向量矩阵数量为i*j+i+j。对“计划修复”“建议检测”标签矩阵采用相同的处理方法，则维修等级预测模型的“立即修复”数据集特征向量M可表示为：
基于上述实施例，样本特征向量可以基于如下步骤获取：
典型因素影响的干扰数据A1与无干扰的数据A2两部分。以融合磁应力检测和导波检测方法为例，磁应力检测方法易受树木、金属、电线等环境因素的影响，收集整理磁应力方法受到此类影响的数据，即为数据集A1，数据集A1包含受干扰因素影响的磁应力检测数据与基于开挖的真实异常点以及异常点的维修等级(立即修复，计划修复，监测)与缺陷类型数据(凹陷、金属损失、焊缝异常)作为标签数据。具体标签信息包含信号长度，缺陷位置起始点与终止点与之对应的维修等级与缺陷类型。与没有受到磁应力干扰因素干扰的检测信号数据与标签数据即为A2，数据集A1与A2共同构成自适应权值的多检测方法融合检测模型的数据基础。导波检测方法不易受到以上干扰因素干扰，收集导波检测数据作为数据集A3。以上所收集的数据共同构成融合磁应力检测与导波检测方法的样本数据集。
对所建立的样本数据集数据进行数据规范化预处理，所采集的检测数据通常为二维数组，以融合磁应力与导波为例，即磁应力检测信号数据为
导波检测信号数据为
其中m为采样次数，则检测信号可以表示为：
各采样点的磁感应信号与导波信号分别为：
其中，m为磁感应信号维度，n为导波信号维度。为了对两种检测方法的数据进行有效的数据信息融合，需要对
数据规范化处理。计算数据集中各检测信号的平均长度，通过线性插值变换的方法对检测信号计算平均长度L，对于数据长度l<L的信号数据采用插值变换的方法对信号数据插值，对插值变换后的信号数据与数据长度l>L的数据采用主成分分析降维的方法将数据长度降维至L。至此，
数据维度相同。由于所计算的信号特征向量，在数值上存在较大差异，为减少数值差异对建模的影响，对线性插值变换后的特征向量进行归一化处理。
归一化后的特征向量为
以归一化后的特征向量
作为样本特征向量，对权值预测模型和管道决策模型进行训练。
基于上述任一实施例，在本实施例中，权重预测模型是基于样本特征向量以及样本特征向量对应的样本权重系数训练得到的；
样本权重系数是基于如下步骤确定的：
确定各样本特征向量对应的初始样本权重系数，并以目标步长对初始样本权重系数进行遍历，得到迭代权重系数；其中，每次遍历时得到的各迭代权重系数之和为1；
基于各迭代权重系数，对各样本特征向量进行加权融合，得到各融合特征向量；
基于各融合特征向量，确定各融合特征向量对应的管道缺陷预测结果，并将与管道缺陷标签相同的管道缺陷预测结果对应的迭代权重系数作为样本特征向量对应的样本权重系数。
具体地，在得到各样本特征向量后，可以赋予各样本特征向量对应的初始样本权重系数，其中各初始样本权重系数之和为1。然后，再以目标步长对初始样本权重系数进行遍历，得到各样本特征向量对应的迭代权重系数。其中，目标步长可以根据实际情况设置，本发明实施例对此不作具体限定。
其中，在基于融合特征向量进行管道缺陷预测时，可以采用预先训练完成的管道缺陷预测模型进行预测，得到管道缺陷预测结果。
例如，当存在两种检测方式，即n＝2时，设置两种检测方式对应的初始样本权重系数分别为λ1＝0，λ2＝1，且λ1+λ2＝1，以目标步长(l＝0.1,0＜λ1,λ2＜1)遍历权重数值，对数据集内的特征向量分别建模分析，依据所输出的管道缺陷预测结果与管道缺陷标签判断，若为与标签结果相同，记录对应权值作为样本权重系数。
又如当存在两种以上的检测方式，即n＞2时，采用上述相同的方法遍历权值，以n＝3为例，设置初始样本权重系数分别为λ1＝1，λ2＝0，λ3＝1-λ1-λ2，以目标步长(l＝0.1,0＜λ1,λ2,λ3＜1)，固定λ1，遍历穷举λ2,λ3。表1为权值遍历表，如1表所示，当λ1＝1时，λ2＝0，λ3＝1-λ1-λ2＝0，以目标步长l＝0.1降低λ1值，则λ1＝0.9，当λ1＝0.9时，穷举遍历λ2与λ3，当λ2＝0时，则λ3＝0.1，当λ3＝0时，则λ2＝0.1，以此类推，对所有值穷举遍历。
表1
将遍历λ1,λ2,λ3数值与管道缺陷标签结果判断，若为与标签结果相同，记录权值作为样本权重系数。当融合多种检测方法时，可以对具体的环境影响因素具体分析，如当检测方法3与检测方法1和2互补时，可将λ1,λ2绑定作为最优权值与所提取的特征向量拟合预测，那么λ3＝1-λ1-λ2。当检测方法1、2、3互为互补时，可建立权值自适应模型对权值预测λ1,λ2，则λ3＝1-λ1-λ2，λ1,λ2,λ3始终满足0＜λ1,λ2,λ3＜1且λ1+λ2+λ3＝1。
至此，已通过预训练模型计算得到不同样本特征向量所对应的样本权重系数。基于数据集中特征向量O1,O2,…,On与其匹配的样本权重系数λ1,λ2,…,λn拟合，如可通过多层线性感知器、决策树、随机森林等方法拟合关系。
λi＝f(Oi)
以融合磁应力检测方法与导波检测方法为例，对规范化后数据集数据以离散余弦变换的方法提取特征向量得到特征向量Oc,Od，则以多流隐马尔科夫模型加权乘积决策融合的形式对两种检测方法的状态观测概率进行同步融合计算似然概率lgP(O|C)，其中，Cc,Cd为隐马尔科夫模型状态参数，由训练计算得来，λ1,λ2为两种方法所占的权重系数：lgP(O|C)＝λ1log(pr(Oc|Cc))+λ2log(pr(Od|Cc))，λ1+λ2＝1，0＜λ1,λ2＜1。
如图2所示，当存在n种检测方式时，设置各检测方式对应的初始样本权重系数分别为λ1＝1，λ2＝0，...，λn＝0，且λ1+λ2+...+λn＝1，以目标步长遍历初始样本权重系数，对数据集内的特征向量分别建模分析，如采用多检测方法分析预测模型进行分析，得到管道缺陷预测结果，依据所输出的管道缺陷预测结果与管道缺陷标签判断，若为与管道缺陷标签相同，记录对应权值作为样本权重系数，并基于样本特征向量以及样本权重系数对权重预测模型进行训练。
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)
1.一种管道完整性智能决策可视化系统，其特征在于，包括：管道三维可视化模块和管道智能决策模块；
其中，所述管道三维可视化模块，包括三维模型可视化展示子模块、支撑环境子模块、分析决策模块数据接口子模块、管道信息目录树子模块和管道工程数据管理子模块；
所述管道智能决策模块，包括基础数据管理子模块、检测管理子模块、缺陷管理子模块和完整性智能决策子模块；
其中，所述分析决策模块数据接口子模块用于为基础数据管理子模块、检测管理子模块、缺陷管理子模块和完整性智能决策子模块提供数据接口；
其中，所述完整性智能决策子模块包括针对无法量化缺陷尺寸及类型的单一检测方法或多种检测方法获得的管道异常信号的智能分析决策；
所述三维模型可视化展示子模块将智能评价及维修决策结果进行三维动态交互可视化展示。
2.根据权利要求1所述的管道完整性智能决策可视化系统，其特征在于，所述管道三维可视化模块基于人机交互原则，通过对炼厂设备与装置、地上标志物及与装置连接的地上、地下管道对象进行实地勘测，确定建模对象的地理信息或相对位置，在三维模型中建立对象的模型，并通过三维模型或目录树对建立的管线、装置和设备相关工程信息进行管理，其中，管线的信息作为埋地管道完整性评价的数据基础。
3.根据权利要求1所述的管道完整性智能决策可视化系统，其特征在于，所述基础数据管理子模块，用于从所述管道三维可视化模块中获取管道所在管线的基本信息，所述基本信息包括管径、壁厚、管材、输送介质、设计数据以及连接设备信息，并对所述基本信息进行增查删改。
4.根据权利要求1所述的管道完整性智能决策可视化系统，其特征在于，所述检测管理子模块包括检测信号样本库管理、被检测管道管理、检测工程管理和检测数据管理四个功能，针对检测作业、检测信号、检测结果的逻辑化管理；
其中，检测信号样本库管理用于对检测管道的历史异常检测信号的管理；被检测管道管理用于对检测管道及其相关联的检测工程的管理；检测工程管理用于在一段管道开展一次检测作业后，建立一个检测工程，并对所述检测工程进行管理；检测数据管理用于针对某次检测工程的检测数据的管理，功能包括支持不同检测方法的检测信号图管理、检测信号数据管理、检测结果数据管理。
5.根据权利要求1所述的管道完整性智能决策可视化系统，其特征在于，所述缺陷管理子模块用于对管道一次检测后通过专家解析信号、开挖验证或内置的智能决策模型，得到的缺陷数据进行管理；缺陷数据能够与三维模型交互，实现被检测管道缺陷信息的增、查、删、改，同时，根据不同的缺陷类型分类管理缺陷信息，其中，腐蚀缺陷的腐蚀速率通过后台内置算法，根据缺陷深度和投运时间进行直接计算，或者通过试验或实测录入。
6.根据权利要求1所述的管道完整性智能决策可视化系统，其特征在于，所述完整性智能决策子模块用于：针对无法量化缺陷尺寸及类型的单一检测方法获得的管道异常信号，从检测管理子模块中获取管段的检测信号图或检测信号强度数值，采用基于深度学习预先训练好的智能决策模型进行智能化维修决策。
7.根据权利要求6所述的管道完整性智能决策可视化系统，其特征在于，在前期不具备开挖数据时，智能决策模型通过检测管理子模块中的专家解析数据进行训练和测试；
在开挖数据积累的程度满足预设条件后，从检测管理子模块中获取开挖缺陷数据，通过数据迁移，对智能决策模型进行优化。
8.根据权利要求6所述的管道完整性智能决策可视化系统，其特征在于，所述智能决策模型的训练过程包括：
从检测管理子模块中的专家解析数据中获取样本磁应力检测信号图片或检测信号强度数值；其中，所述样本磁应力检测信号图片或强度数值中需要覆盖各种缺陷像素位置和各种维修等级；
从检测管理子模块中的专家解析数据中获取所述样本磁应力检测信号图片或强度数值的管道异常区域里程位置及维修等级；其中，样本数据分成训练集和测试集；
将预先已确定缺陷像素位置及维修等级的样本磁应力检测信号图片或强度数值作为模型的输入，将所述样本磁应力检测信号图片或强度数值中的管道异常区域里程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，得到智能决策模型。
9.根据权利要求1所述的管道完整性智能决策可视化系统，其特征在于，所述完整性智能决策子模块还用于：针对无法量化缺陷尺寸及类型的多种检测方法获得的管道异常信号，从检测管理子模块中获取管段在各检测方法下检测信号图和检测信号强度数值，并提取各检测方法下检测信号图和检测信号强度数值的特征向量，并将各特征向量输入至权重预测模型，得到所述权重预测模型输出的各特征向量对应的权重系数；
以各特征向量对应的权重系数更新管道决策模型对应的权重系数后，将各特征向量输入至所述管道决策模型，得到所述管道决策模型输出的管道分析结果；
将各特征向量输入至维修等级预测模型，由维修等级预测模型对各特征向量进行融合，得到融合向量，并基于融合向量得到维修等级预测结果。
10.根据权利要求9所述的管道完整性智能决策可视化系统，其特征在于，所述权重预测模型是基于样本特征向量以及样本特征向量对应的样本权重系数训练得到的；
所述样本权重系数是基于如下步骤确定的：
确定各样本特征向量对应的初始样本权重系数，并以目标步长对初始样本权重系数进行遍历，得到迭代权重系数；其中，每次遍历时得到的各迭代权重系数之和为1；
基于各迭代权重系数，对各样本特征向量进行加权融合，得到各融合特征向量；
基于各融合特征向量，确定各融合特征向量对应的管道缺陷预测结果，并将与管道缺陷标签相同的管道缺陷预测结果对应的迭代权重系数作为所述样本特征向量对应的样本权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111277953.9A CN116090322A (zh) | 2021-10-30 | 2021-10-30 | 管道完整性智能决策可视化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111277953.9A CN116090322A (zh) | 2021-10-30 | 2021-10-30 | 管道完整性智能决策可视化系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116090322A true CN116090322A (zh) | 2023-05-09 |
Family
ID=86185400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111277953.9A Pending CN116090322A (zh) | 2021-10-30 | 2021-10-30 | 管道完整性智能决策可视化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116090322A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309580A (zh) * | 2023-05-19 | 2023-06-23 | 克拉玛依市百事达技术开发有限公司 | 基于磁应力的油气管道腐蚀检测方法 |
| CN117908585A (zh) * | 2024-03-19 | 2024-04-19 | 苏州庶有成自动化设备有限公司 | 工业厂房气体管道气压智能调节系统及方法 |
-
2021
- 2021-10-30 CN CN202111277953.9A patent/CN116090322A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309580A (zh) * | 2023-05-19 | 2023-06-23 | 克拉玛依市百事达技术开发有限公司 | 基于磁应力的油气管道腐蚀检测方法 |
| CN116309580B (zh) * | 2023-05-19 | 2023-08-15 | 克拉玛依市百事达技术开发有限公司 | 基于磁应力的油气管道腐蚀检测方法 |
| CN117908585A (zh) * | 2024-03-19 | 2024-04-19 | 苏州庶有成自动化设备有限公司 | 工业厂房气体管道气压智能调节系统及方法 |
| CN117908585B (zh) * | 2024-03-19 | 2024-05-17 | 苏州庶有成自动化设备有限公司 | 工业厂房气体管道气压智能调节系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109783906B (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
| EP3671201B1 (en) | An improved method for evaluating pipe condition | |
| US20190139215A1 (en) | Pipe feature identification using pipe inspection data analysis | |
| CN116090322A (zh) | 管道完整性智能决策可视化系统 | |
| US20230221207A1 (en) | Methods and internet of things systems for determining gas leakages based on smart gas | |
| CN116503975A (zh) | 基于智慧燃气gis的安全隐患处置方法和物联网系统 | |
| JP5423983B2 (ja) | 計算機システム及びリスク診断方法 | |
| US10072800B1 (en) | Graphically representing a condition of infrastructure | |
| CN116258086B (zh) | 一种燃气管道风险评估方法及系统 | |
| GB2586659A (en) | Inspection related systems and methods | |
| CN118010847A (zh) | 一种内螺纹管胚缺陷检测方法及系统 | |
| CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
| CN116123988A (zh) | 一种基于数据处理的管道几何变形检测方法及系统 | |
| CN115935241A (zh) | 一种多参数相互融合的清管器实时定位方法及装置 | |
| Ebrahimi et al. | Probabilistic condition assessment of reinforced concrete sanitary sewer pipelines using LiDAR inspection data | |
| CN114638166A (zh) | 工艺管线疲劳损伤识别及预测方法、系统、设备和介质 | |
| CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
| CN117808739A (zh) | 用于检测管道缺陷的方法和装置 | |
| WO2021034901A1 (en) | Localized metal loss estimation across piping structure | |
| KR102530194B1 (ko) | 웹 어플리케이션을 활용한 하수관로 안전관리 시스템 | |
| CN115048686A (zh) | 埋地管道完整性综合检维修决策方法及装置 | |
| CN115034250A (zh) | 管道完整性智能评价可视化系统 | |
| Din et al. | Improving inspection data quality in pipeline corrosion assessment | |
| KR102530193B1 (ko) | 웹 어플리케이션을 활용한 상수관로 안전관리 시스템 | |
| Little et al. | Spatio‐temporal modelling of corrosion in an industrial furnace |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240205 Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant after: CHINA PETROLEUM & CHEMICAL Corp. Country or region after: China 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. Country or region before: China Applicant before: DALIAN RESEARCH INSTITUTE OF PETROLEUM AND PETROCHEMICALS, SINOPEC Corp. |