CN116382100B - 一种油气管道检测控制系统及控制方法 - Google Patents
一种油气管道检测控制系统及控制方法 Download PDFInfo
- Publication number
- CN116382100B CN116382100B CN202310651107.1A CN202310651107A CN116382100B CN 116382100 B CN116382100 B CN 116382100B CN 202310651107 A CN202310651107 A CN 202310651107A CN 116382100 B CN116382100 B CN 116382100B
- Authority
- CN
- China
- Prior art keywords
- oil
- gas pipeline
- state
- detection
- detection node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 14
- 238000011217 control strategy Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000004836 empirical method Methods 0.000 claims description 5
- 238000004062 sedimentation Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 217
- 239000003921 oil Substances 0.000 description 217
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明涉及管道检测技术领域，尤其涉及一种油气管道检测控制系统及控制方法，包括检测点设定模块，参数获取模块，参数处理模块，状态分析模块，神经网络模块，对比模块，调度控制模块；通过利用优化决策树确定油气管道的最优检测节点，并对检测节点处的参数信息进行分类自适应处理，得到准确的油气管道参数信息，为油气管道的检测控制提供数据依据，以完成高效高精准的油气管道检测进行数据基础的铺垫。解决了现有技术中检测系统的检测准确性差，检测效率低，不能及时发现并处理管道问题的技术问题，实现了高效率，高精准的管道检测的技术效果。
Description
技术领域
本发明涉及管道检测技术领域，尤其涉及一种油气管道检测控制系统及控制方法。
背景技术
油气管道是伴随着石油工业的发展而产生的，是石油及天然气最主要的运输方式，它具有运输量大、密闭安全、便于管理、易于实现远程集中监控等优点，在全世界应用广泛且发展迅速。然而由于油气管道距离长、环境复杂、测试物量多等特点，对于油气管道的检测控制具有一定的挑战性，若不及时发现问题和威胁将会带来重大的损失。
对于油气管道检测的方法有很多，李国森等人提出的“201910461005.7，基于HOG特征和滑动框搜索的油气管道检测方法”，主要包括：步骤1a，构建训练集；步骤1b，提取HOG特征与H分量颜色直方图特征；步骤1c，支持向量机分类器训练；识别阶段包括：步骤2a，滑动框选取兴趣区域；步骤2b，提取HOG特征与H分量颜色直方图特征；步骤2c，利用训练好的分类器进行判断；步骤2d，标注管线区域。该基于HOG特征和滑动框搜索的油气管道检测方法对原油管道进行描述，对环境变化的适应性更强，有更强的鲁棒性，算法简单、容易实现、计算量小，有针对性地训练分类器，可以更好地适应不同的检测需求。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：检测准确性差，检测效率低，不能及时发现并处理管道问题。
发明内容
本申请实施例提供一种油气管道检测控制系统及控制方法，解决了现有技术中检测准确性差，检测效率低，不能及时发现并处理管道问题的技术问题，实现了高效率，高精准的管道检测的技术效果。
本发明具体包括以下技术方案：
一种油气管道检测控制系统，包括以下部分：
检测点设定模块，参数获取模块，参数处理模块，状态分析模块，神经网络模块，对比模块，调度控制模块；
所述检测点设定模块，根据油气管道的构造布局，对油气管道检测点进行设置，得到油气管道检测节点；
所述参数获取模块，对检测节点的参数信息进行获取，得到油气管道检测节点的参数信息集合；
所述参数处理模块，对参数获取模块获取的参数信息集合进行参数分类自适应处理，得到准确的油气管道参数；
所述状态分析模块，根据参数处理模块对油气管道参数的处理后参数信息，对当前油气管道进行状态分析，得到油气管道各个节点状态；
所述神经网络模块，通过对油气管道各状态的历史数据进行神经网络学习，得到各油气管道各参数状态下对应的调度控制策略的匹配模型集；
所述对比模块，将状态分析模块得到的油气管道各个节点状态与神经网络中的匹配模型进行相关性对比，进一步得到与各个节点相匹配的匹配模型；
所述调度控制模块，根据对比模块得到的匹配模型得到检测调度控制策略对油气管道进行控制。
一种油气管道检测控制方法，包括以下步骤：
S1. 利用优化决策树确定油气管道的最佳检测节点，并对最佳检测节点处的参数数据信息进行获取，得到参数信息集合；然后，对获取的油气管道最佳检测节点处的参数信息集合进行分类自适应处理，得到最佳检测节点的准确参数信息集合；
S2. 根据准确的油气管道参数信息集合，对油气管道各个检测节点进行状态分析得到检测节点状态集合，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集；
S3. 将油气管道检测节点状态集合与匹配模型集进行相关性对比，得到对应各检测节点状态的调度控制策略，最后根据所述调度控制策略对油气管道进行调度控制。
优选的，在所述步骤S1中，还包括：
利用优化决策树确定油气管道的最佳检测节点，具体过程如下：首先，根据油气管道规划布局图，对油气管道进行分解，将油气管道规划布局图作为一个集合，分解后的油气管道的N个部分作为子集， 得到在所述规划布局图下最佳的分解，再对每个子集进行最佳节点选取，以其中任意一个子集为例，获取所述子集中 油气管道的布局图，所在环境，管道物理参数信息以及其他油气管道信息，同时，将子集中的油气管道进行有限区域划分，即将子集中的油气管道划分为M个区域，并利用经验法取某一区域的特殊位置作为待检测节点，定义权重计算公式，来确定最佳节点位置。
优选的，所述步骤S2，具体包括：
根据准确的油气管道参数信息集合，对油气管道最佳检测节点利用高精度状态分析法进行状态分析得到最佳检测节点的状态集合；并对油气管道历史参数信息进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集。
优选的，在所述步骤S2中，还包括：
参照油气管道最佳检测节点的准确参数信息集合，对油气管道最佳检测节点进行状态分析，得到最佳检测节点状态集合，具体地：对油气管道的状态利用高精度状态分析法进行状态分析，得到所述油气管道检测节点的状态集，所述状态集包含压力状态，火灾状态，应变状态，地质灾害状态，沉降状态以及其他油气管道状态。
优选的，在所述步骤S2中，还包括：
构建优化神经网络模型对油气管道历史参数信息进行学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集，具体地：将油气管道历史参数信息作为模型输入层的输入进行训练学习，随后经过状态层、组合层、筛选层、策略匹配层作用得到各个油气管道状态的匹配模型集。
优选的，所述步骤S3，具体包括：
利用油气管道最佳检测节点状态集合与匹配模型集的相关性进行对比，得到最优各检测节点状态的调度控制策略；并利用所述调度控制策略对油气管道进行调度控制，实现对油气管道的检测控制。
优选的，在所述步骤S3中，还包括：
通过遍历计算油气管道最佳检测节点状态集合与匹配模型集的相关性，求取与油气管道状态相关性最大的模型，进一步确定所述油气管道检测节点的调度控制策略，具体过程如下：第i个油气管道检测节点的状态集合为，对集合/>的任意一个元素与同类别的匹配模型集中的状态进行相关计算，并将所有状态元素的相关值进行累加，得到最终状态相关系数，随后取与匹配模型集中相关系数最大的元素，作为与所述检测检测最佳匹配模型，进一步调用所述油气管道检测节点的调度控制策略。
本发明至少具有如下技术效果或优点：
1、本申请通过利用优化决策树确定油气管道的最优检测节点，并对检测节点处的参数信息进行分类自适应处理，得到准确的油气管道参数信息，为油气管道的检测控制提供数据依据，以完成高效高精准的油气管道检测进行数据基础的铺垫。
2、本申请通过利用高精度状态分析法对油气管道各个检测节点的状态进行状态分析，得到各个检测节点的状态集合，即油气管道的精准检测状态，以有效的对油气管道进行高精准的管道检测，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集为油气管道状态对比提供依据，以更高效的实现对油气管道的检测控制。
3、本申请通过利用相关性将油气管道检测节点状态与匹配模型集进行对比，得到对应各检测点状态的匹配度最佳的调度控制策略，进一步实现对油气管道高效率，高精准的管道检测控制。
4、本申请的技术方案能够有效解决检测准确性差，检测效率低，不能及时发现并处理管道问题的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过利用优化决策树确定油气管道的最优检测节点，并对检测节点处的参数信息进行分类自适应处理，得到准确的油气管道参数信息，为油气管道的检测控制提供数据依据，以完成高效高精准的油气管道检测进行数据基础的铺垫；通过利用高精度状态分析法对油气管道各个检测节点的状态进行状态分析，得到各个检测节点的状态集合，即油气管道的精准检测状态，以有效的对油气管道进行高精准的管道检测，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集为油气管道状态对比提供依据，以更高效的实现对油气管道的检测控制；通过利用相关性将油气管道检测节点状态与匹配模型集进行对比，得到对应各检测点状态的匹配度最佳的调度控制策略，进一步实现对油气管道高效率，高精准的管道检测控制。
附图说明
图1为本申请所述油气管道检测控制系统模块图；
图2为本申请所述油气管道检测控制方法步骤图。
具体实施方式
本申请实施例通过提供一种油气管道检测控制系统：
首先，利用决策树确定油气管道的最优检测节点，随后对检测节点处的参数数据信息进行获取，并对获取到的参数数据信息进行参数处理，得到准确的油气管道参数信息集合；根据准确的油气管道参数信息集合，对油气管道各个检测节点进行状态分析得到检测节点状态集合，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集；将油气管道检测节点状态集合与匹配模型集进行相关性对比，得到对应各检测节点状态的调度控制策略，最后根据所述调度控制策略对油气管道进行调度控制。通过利用优化决策树确定油气管道的最优检测节点，并对检测节点处的参数信息进行分类自适应处理，得到准确的油气管道参数信息，为油气管道的检测控制提供数据依据，以完成高效高精准的油气管道检测进行数据基础的铺垫；通过利用高精度状态分析法对油气管道各个检测节点的状态进行状态分析，得到各个检测节点的状态集合，即油气管道的精准检测状态，以有效的对油气管道进行高精准的管道检测，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集为油气管道状态对比提供依据，以更高效的实现对油气管道的检测控制；通过利用相关性将油气管道检测节点状态与匹配模型集进行对比，得到对应各检测点状态的匹配度最佳的调度控制策略，进一步实现对油气管道高效率，高精准的管道检测控制。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种油气管道检测控制系统包括以下部分：
检测点设定模块，参数获取模块，参数处理模块，状态分析模块，神经网络模块，对比模块，调度控制模块；
所述检测点设定模块，根据油气管道的构造布局，对油气管道检测点进行设置，得到油气管道检测节点；
所述参数获取模块，对检测节点的参数信息进行获取，得到油气管道检测节点的参数信息集合，所述参数包含常量参数的获取和变量参数的获取，所述常量参数指油气管道的基本参数信息，包含但不限于管道直径，管道材料，耐热度；所述变量参数，包含但不限于管道所处环境参数，检测设备（油气管道内的检测设备和传感器设备）参数；
所述参数处理模块，对参数获取模块获取的参数信息集合进行参数分类自适应处理，得到准确的油气管道参数；
所述状态分析模块，根据参数处理模块对油气管道参数的处理后参数信息，对当前油气管道进行状态分析，得到油气管道各个节点状态；
所述神经网络模块，通过对油气管道各状态的历史数据进行神经网络学习，得到各油气管道各参数状态下对应的调度控制策略的匹配模型集；
所述对比模块，将状态分析模块得到的油气管道各个节点状态与神经网络中的匹配模型进行相关性对比，进一步得到与各个节点相匹配的匹配模型；
所述调度控制模块，根据对比模块得到的匹配模型得到检测调度控制策略对油气管道进行控制；
参照附图2，本申请所述一种油气管道检测控制方法包括以下步骤：
S1. 利用决策树确定油气管道的最优检测节点，随后对检测节点处的参数数据信息进行获取，并对获取到的参数数据信息进行参数处理，得到准确的油气管道参数信息集合；
S11. 利用优化决策树确定油气管道的最佳检测节点，并对最佳检测节点处的参数数据信息进行获取，得到参数信息集合；
利用优化决策树确定油气管道的最佳检测节点，具体过程如下：
首先，根据油气管道规划布局图，利用经验法以及地区特性对油气管道进行分解，将油气管道规划布局图作为一个集合，分解后的油气管道的N个部分作为子集， 得到在所述规划布局图下最佳的分解，再对每个子集进行最佳节点选取，以其中任意一个子集为例，获取所述子集中油气管道的布局图，所在环境，管道物理参数信息（长度、直径、材质、拐角信息）以及其他油气管道信息，同时，将子集中的油气管道进行有限区域划分，即将子集中的油气管道划分为M个区域，并利用经验法取某一区域的特殊位置作为待检测节点，进一步，定义权重计算公式，来确定最佳节点位置，具体公式表示如下：
，
，
其中，表示第i个区域中的最佳检测节点，/>，/>表示待检测节点权重集合，/>，/>表示第i个区域中待检测节点的个数，/>，/>表示第j个待检测节点的权重，S表示油气管道参数信息个数，/>表示第j待检测节点的第s个油气管道参数的权重，/>表示第j待检测节点的第s个油气管道参数值；
特别地，在对子集中的油气管道进行有限区域划分时，划分的区域个数越多，最佳检测节点约准确；
特别地，在对子集中的油气管道进行有限区域划分后，可对不同区域的检测节点进行有选择性的筛选，对最佳检测节点进行精炼；
S12. 对获取的油气管道最佳检测节点处的参数信息集合进行分类自适应处理，得到最佳检测节点的准确参数信息集合；
通过对最佳检测节点处的参数信息进行获取，得到参数信息集合，将所述参数信息集合按照常量参数和变量参数进行分类，得到油气管道最佳检测节点的分类参数信息，然后对油气管道最佳检测节点的常量参数信息利用现有技术进行常规处理，得到油气管道最佳检测节点常量参数信息的准确参数信息，对油气管道最佳检测节点的变量参数进行常规化处理以及降噪处理，所述常规化处理包括奇异值处理，无效值处理及其他常规化处理，在进行降噪处理时，采用优化小波滤波方法进行降噪处理，所述优化小波滤波方法，是针对一定周期内采集到的变量参数信息采用多种拟合方法进行拟合，得到拟合函数，并将拟合函数作为小波滤波的基函数，对变量参数进行小波滤波，得到准确的变量参数信息，进一步得到油气管道最佳检测节点的准确参数信息集合，，集合中的任意一个子集可由/>表示，表示第i个最佳检测节点的参数信息子集。
本申请通过利用优化决策树确定油气管道的最优检测节点，并对检测节点处的参数信息进行分类自适应处理，得到准确的油气管道参数信息，为油气管道的检测控制提供数据依据，以完成高效高精准的油气管道检测进行数据基础的铺垫。
S2. 根据准确的油气管道参数信息集合，对油气管道各个检测节点进行状态分析得到检测节点状态集合，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集；
S21. 根据准确的油气管道参数信息集合，对油气管道最佳检测节点利用高精度状态分析法进行状态分析得到最佳检测节点的状态集合；
参照油气管道最佳检测节点的准确参数信息集合，利用高精度状态分析法对油气管道最佳检测节点进行状态分析，得到最佳检测节点状态集合，具体过程如下：
对油气管道的状态分析包含压力状态，火灾状态，应变状态，地质灾害状态，沉降状态以及其他油气管道状态；
作为一个具体实施例，以第i各油气管道最佳检测节点为例，第i个油气管道最佳检测节点的准确参数信息集合为，/>，/>表示参数信息个数，集合/>中的任意一个元素可由/>表示，/>示油气管道最佳检测节点的第k个准确参数信息；
首先按照状态类别（压力状态，火灾状态，应变状态，地质灾害状态，沉降状态以及其他油气管道状态）将准确参数信息集合进行分类，得到准确参数信息的分类集合，最终利用分类集合参照现有状态计算法将油气管道状态进行计算，得到各个状态的状态值，构成第i个油气管道最佳检测节点的状态集。
最终，得到所述油气管道检测节点的状态集合，，状态集合/>中的任意一个元素可由/>表示，表示第i个检测节点的状态信息。
特别地，在进行分类时，统一参数信息可分到不同类别的状态中，即参数信息可出现在各个分类集合中；
S22. 对油气管道历史参数信息进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集；
构建优化神经网络模型对油气管道历史参数信息进行学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集，具体过程如下：
输入层：
将油气管道历史参数信息作为模型输入层的输入，并对输入参数信息按照步骤S12所述参数分类自适应处理过程进行处理，并将处理后的参数信息作为输入层输出；
状态层：
将输入层的输出作为状态层的输入，按照步骤S21所述高精度状态分析法进行状态分析，得到油气管道历史参数信息对应的状态集/>，并将所述状态集作为状态层输出；
组合层：
将状态层的输出作为组合层的输入，将不同类别的状态进行自由组合，得到自由组合状态集/>，并将所述自由组合状态集作为组合层的输出；
筛选层：
将组合层的输出自由组合状态集作为筛选层的输入，利用经验法对自由组合状态集进行筛选，即将不可能同时出现的状态组合进行删除，得到最终状态组合集，并将所述最终状态组合集作为筛选层的输出；
策略匹配层：
将筛选层的输出最终状态组合集作为策略匹配层的输入，查阅历史策略以及相关工作人员对最终状态组合集进行策略分析，得到最终状态匹配策略，即各个油气管道状态的匹配模型集。
所述匹配模型集包含油气管道状态以及与状态对应的匹配策略；
特别地，通过对最新状态的参数信息进行训练学习，增加油气管道各参数状态下对应的调度控制策略的匹配模型，使得对比依据更加完善，更高效的实现对油气管道的检测控制。
本申请通过利用高精度状态分析法对油气管道各个检测节点的状态进行状态分析，得到各个检测节点的状态集合，即油气管道的精准检测状态，以有效的对油气管道进行高精准的管道检测，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集为油气管道状态对比提供依据，以更高效的实现对油气管道的检测控制。
S3. 将油气管道检测节点状态集合与匹配模型集进行相关性对比，得到对应各检测节点状态的调度控制策略，最后根据所述调度控制策略对油气管道进行调度控制。
S31. 利用油气管道最佳检测节点状态集合与匹配模型集的相关性进行对比，得到最优各检测节点状态的调度控制策略；
通过遍历计算油气管道最佳检测节点状态集合与匹配模型集的相关性，求取与油气管道状态相关性最大的模型，进一步确定所述油气管道检测节点的调度控制策略，具体过程如下：
作为一个具体实施例，以第i个油气管道检测节点的状态集合为例，对集合的任意一个元素与同类别的匹配模型集中的状态进行相关计算，并将所有状态元素的相关值进行累加，得到最终状态相关系数，随后取与匹配模型集中相关系数最大的元素，作为与所述检测检测最佳匹配模型，进一步调用所述油气管道检测节点的调度控制策略。
S32. 并利用所述调度控制策略对油气管道进行调度控制，实现对油气管道的检测控制。
根据对比模块得到的油气管道各个检测节点状态相应的最优调度控制策略，在调度控制模块完成对油气管道各个状态的调度控制，实现对油气管道的检测控制。
本申请通过利用相关性将油气管道检测节点状态与匹配模型集进行对比，得到对应各检测点状态的匹配度最佳的调度控制策略，进一步实现对油气管道高效率，高精准的管道检测控制。
综上所述，便完成了本申请所述的一种油气管道检测控制系统。
效果调研：
本申请的技术方案能够有效解决检测准确性差，检测效率低，不能及时发现并处理管道问题的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过利用优化决策树确定油气管道的最优检测节点，并对检测节点处的参数信息进行分类自适应处理，得到准确的油气管道参数信息，为油气管道的检测控制提供数据依据，以完成高效高精准的油气管道检测进行数据基础的铺垫；通过利用高精度状态分析法对油气管道各个检测节点的状态进行状态分析，得到各个检测节点的状态集合，即油气管道的精准检测状态，以有效的对油气管道进行高精准的管道检测，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集为油气管道状态对比提供依据，以更高效的实现对油气管道的检测控制；通过利用相关性将油气管道检测节点状态与匹配模型集进行对比，得到对应各检测点状态的匹配度最佳的调度控制策略，进一步实现对油气管道高效率，高精准的管道检测控制。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (7)
1.一种油气管道检测控制系统，其特征在于，包括以下部分：
检测点设定模块，参数获取模块，参数处理模块，状态分析模块，神经网络模块，对比模块，调度控制模块；
所述检测点设定模块，根据油气管道的构造布局，对油气管道检测点进行设置，得到油气管道最佳检测节点；
所述参数获取模块，对最佳检测节点的参数信息进行获取，得到油气管道最佳检测节点的参数信息集合；
所述参数处理模块，对参数获取模块获取的参数信息集合进行参数分类自适应处理，得到准确的油气管道参数；
所述状态分析模块，根据参数处理模块对油气管道参数的处理后参数信息，对当前油气管道进行状态分析，得到油气管道各个节点状态；
所述神经网络模块，通过对油气管道各状态的历史数据进行神经网络学习，得到各油气管道各参数状态下对应的调度控制策略的匹配模型集；
所述对比模块，将状态分析模块得到的油气管道各个节点状态与神经网络中的匹配模型进行相关性对比，进一步得到与各个节点相匹配的匹配模型；
通过遍历计算油气管道最佳检测节点状态集合与匹配模型集的相关性，求取与油气管道状态相关性最大的模型，确定所述油气管道检测节点的调度控制策略，具体过程如下：第i个油气管道检测节点的状态集合为，对集合/>的任意一个元素与同类别的匹配模型集中的状态进行相关计算，并将所有状态元素的相关值进行累加，得到最终状态相关系数，随后取与匹配模型集中相关系数最大的元素，作为检测最佳匹配模型，调用所述油气管道检测节点的调度控制策略；
所述调度控制模块，根据对比模块得到的匹配模型得到检测调度控制策略对油气管道进行控制。
2.一种油气管道检测控制方法，其特征在于，包括以下步骤：
S1. 利用优化决策树确定油气管道的最佳检测节点，并对最佳检测节点处的参数数据信息进行获取，得到参数信息集合；然后，对获取的油气管道最佳检测节点处的参数信息集合进行分类自适应处理，得到最佳检测节点的准确参数信息集合；
S2. 根据准确的油气管道参数信息集合，对油气管道各个检测节点进行状态分析得到检测节点状态集合，同时，利用油气管道历史数据进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集；
S3. 将油气管道检测节点状态集合与匹配模型集进行相关性对比，得到对应各检测节点状态的调度控制策略，最后根据所述调度控制策略对油气管道进行调度控制；
通过遍历计算油气管道最佳检测节点状态集合与匹配模型集的相关性，求取与油气管道状态相关性最大的模型，确定所述油气管道检测节点的调度控制策略，具体过程如下：第i个油气管道检测节点的状态集合为，对集合/>的任意一个元素与同类别的匹配模型集中的状态进行相关计算，并将所有状态元素的相关值进行累加，得到最终状态相关系数，随后取与匹配模型集中相关系数最大的元素，作为检测最佳匹配模型，调用所述油气管道检测节点的调度控制策略。
3.根据权利要求2所述的一种油气管道检测控制方法，其特征在于，在所述步骤S1中，还包括：
利用优化决策树确定油气管道的最佳检测节点，具体过程如下：首先，根据油气管道规划布局图，对油气管道进行分解，将油气管道规划布局图作为一个集合，分解后的油气管道的N个部分作为子集， 得到在所述规划布局图下最佳的分解，再对每个子集进行最佳节点选取，以其中任意一个子集为例，获取所述子集中油气管道的布局图，所在环境，管道物理参数信息以及其他油气管道信息，同时，将子集中的油气管道进行有限区域划分，即将子集中的油气管道划分为M个区域，并利用经验法取某一区域的特殊位置作为待检测节点，定义权重计算公式，来确定最佳节点位置。
4.根据权利要求2所述的一种油气管道检测控制方法，其特征在于，所述步骤S2，具体包括：
根据准确的油气管道参数信息集合，对油气管道最佳检测节点利用高精度状态分析法进行状态分析得到最佳检测节点的状态集合；并对油气管道历史参数信息进行神经网络学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集。
5.根据权利要求4所述的一种油气管道检测控制方法，其特征在于，在所述步骤S2中，还包括：
参照油气管道最佳检测节点的准确参数信息集合，对油气管道最佳检测节点进行状态分析，得到最佳检测节点状态集合，具体地：对油气管道的状态利用高精度状态分析法进行状态分析，得到所述油气管道检测节点的状态集，所述状态集包含压力状态，火灾状态，应变状态，地质灾害状态，沉降状态以及其他油气管道状态。
6.根据权利要求2所述的一种油气管道检测控制方法，其特征在于，在所述步骤S2中，还包括：
构建优化神经网络模型对油气管道历史参数信息进行学习训练，得到油气管道各参数状态下对应的调度控制策略的匹配模型集，具体地：将油气管道历史参数信息作为模型输入层的输入进行训练学习，随后经过状态层、组合层、筛选层、策略匹配层作用得到各个油气管道状态的匹配模型集。
7.根据权利要求2所述的一种油气管道检测控制方法，其特征在于，所述步骤S3，具体包括：
利用油气管道最佳检测节点状态集合与匹配模型集的相关性进行对比，得到最优各检测节点状态的调度控制策略；并利用所述调度控制策略对油气管道进行调度控制，实现对油气管道的检测控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310651107.1A CN116382100B (zh) | 2023-06-05 | 2023-06-05 | 一种油气管道检测控制系统及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310651107.1A CN116382100B (zh) | 2023-06-05 | 2023-06-05 | 一种油气管道检测控制系统及控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116382100A CN116382100A (zh) | 2023-07-04 |
| CN116382100B true CN116382100B (zh) | 2023-08-01 |
Family
ID=86971536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310651107.1A Active CN116382100B (zh) | 2023-06-05 | 2023-06-05 | 一种油气管道检测控制系统及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116382100B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116675277B (zh) * | 2023-08-03 | 2023-10-27 | 济南山源环保科技有限公司 | 一种基于物联网的低能耗废水浓缩系统控制方法 |
| CN116954089B (zh) * | 2023-09-21 | 2023-12-12 | 威海润蓝水处理设备有限公司 | 一种mvr刮板结晶控制系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103968256A (zh) * | 2014-05-19 | 2014-08-06 | 税爱社 | 油库管道泄漏检测方法 |
| CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测系统及方法 |
| CN111664365A (zh) * | 2020-06-07 | 2020-09-15 | 东北石油大学 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
| CN114370612A (zh) * | 2022-01-19 | 2022-04-19 | 安徽欧泰祺智慧水务科技有限公司 | 基于随机森林模型的供水管道状态监测方法 |
| CN114741815A (zh) * | 2022-04-29 | 2022-07-12 | 江苏鸥胜船舶科技有限公司 | 一种基于数字孪生的海底石油管道健康管理方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103939749B (zh) * | 2014-04-28 | 2016-08-24 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
| CA3084875A1 (en) * | 2017-12-08 | 2019-06-13 | Solution Seeker As | Modelling of oil and gas networks |
-
2023
- 2023-06-05 CN CN202310651107.1A patent/CN116382100B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103968256A (zh) * | 2014-05-19 | 2014-08-06 | 税爱社 | 油库管道泄漏检测方法 |
| CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测系统及方法 |
| CN111664365A (zh) * | 2020-06-07 | 2020-09-15 | 东北石油大学 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
| CN114370612A (zh) * | 2022-01-19 | 2022-04-19 | 安徽欧泰祺智慧水务科技有限公司 | 基于随机森林模型的供水管道状态监测方法 |
| CN114741815A (zh) * | 2022-04-29 | 2022-07-12 | 江苏鸥胜船舶科技有限公司 | 一种基于数字孪生的海底石油管道健康管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116382100A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116382100B (zh) | 一种油气管道检测控制系统及控制方法 | |
| Tang et al. | Convolutional neural network‐based data anomaly detection method using multiple information for structural health monitoring | |
| Hou et al. | Deep features based on a DCNN model for classifying imbalanced weld flaw types | |
| CN114352947B (zh) | 一种燃气管道泄漏检测方法、系统、装置及存储介质 | |
| Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
| CA3049807A1 (en) | Intelligent systems and methods for process and asset health diagnosis, anomoly detection and control in wastewater treatment plants or drinking water plants | |
| Mokhtari et al. | Comparison of supervised classification techniques for vision-based pavement crack detection | |
| CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
| CN111368980B (zh) | 状态检测方法、装置、设备及存储介质 | |
| CN111046980A (zh) | 一种图像检测方法、装置、设备及计算机可读存储介质 | |
| CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
| CN111738044A (zh) | 一种基于深度学习行为识别的校园暴力评估方法 | |
| Samhouri et al. | Prediction and measurement of damage to architectural heritages facades using convolutional neural networks | |
| Tellez et al. | Gauging Biases in Various Deep Learning AI Models | |
| Raghavendra Prasad et al. | A comparative study of machine learning algorithms for gas leak detection | |
| Mane et al. | Early flood detection and alarming system using machine learning techniques | |
| Ciaburro | Time series data analysis using deep learning methods for smart cities monitoring | |
| Ning et al. | Small obstacle size prediction based on a GA-BP neural network | |
| Dunphy et al. | Autonomous crack detection approach for masonry structures using artificial intelligence | |
| Rasekh et al. | Machine learning approach for contamination source identification in water distribution systems | |
| Jawahar et al. | Trs-net tropical revolving storm disasters analysis and classification based on multispectral images using 2-d deep convolutional neural network | |
| CN114199992B (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
| KR102672518B1 (ko) | 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템 | |
| CN117634006B (zh) | 基于bim技术的套管预埋工程管理系统及方法 | |
| Martens et al. | A neural network approach to the validation of simulation models |
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 |