CN117007673A - 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 - Google Patents
一种油气管道裂纹信号的正交孪生方法及装置、存储介质 Download PDFInfo
- Publication number
- CN117007673A CN117007673A CN202311034637.8A CN202311034637A CN117007673A CN 117007673 A CN117007673 A CN 117007673A CN 202311034637 A CN202311034637 A CN 202311034637A CN 117007673 A CN117007673 A CN 117007673A
- Authority
- CN
- China
- Prior art keywords
- crack
- signal
- magnetic
- leakage
- orthogonal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000005291 magnetic effect Effects 0.000 claims abstract description 289
- 230000005284 excitation Effects 0.000 claims abstract description 98
- 230000004044 response Effects 0.000 claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 54
- 239000000523 sample Substances 0.000 claims description 46
- 238000004088 simulation Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 31
- 230000004907 flux Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 33
- 230000000694 effects Effects 0.000 description 28
- 239000002245 particle Substances 0.000 description 28
- 238000007476 Maximum Likelihood Methods 0.000 description 26
- 238000010606 normalization Methods 0.000 description 20
- 238000001514 detection method Methods 0.000 description 18
- 230000004913 activation Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 8
- 238000011002 quantification Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000007769 metal material Substances 0.000 description 3
- 238000012856 packing Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Electrochemistry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
一种油气管道裂纹信号的正交孪生方法及装置、存储介质,该方法包括:获取在单向直流励磁条件下的内壁裂纹或者外壁裂纹的三轴漏磁测量信号模值,获取在与直流励磁正交的动态磁场激励条件下的动磁信号或涡流信号;将所述三轴漏磁测量信号模值输入裂纹信号正交孪生模型,得到漏磁增强估计信号;进而,从漏磁增强估计信号及其0‑1二值化信号中提取裂纹尺度初值,并将其代入内壁裂纹或者外壁裂纹的磁偶极子模型中迭代计算出最优尺度中间变量;可选地,在虚拟正交孪生直流励磁的激励下,以该最优尺度中间变量为输入,通过“动磁或涡流信号映射”,输出孪生动磁或涡流响应信号。
Description
技术领域
本公开实施例涉及但不限于裂纹检测技术领域,尤其涉及一种油气管道裂纹信号的正交孪生方法及装置、存储介质,孪生的适用对象包括但不限于油气管道或输氢管道的管体裂纹信号、弯头裂纹信号、环焊缝裂纹信号,高铁钢轨裂纹信号、储罐底板裂纹等铁磁性金属材料裂纹信号。
背景技术
油气管道、输氢管道、高铁钢轨、石油储罐等铁磁性金属材料长期运营在复杂的自然环境和压力负荷中,在材料内部或内外壁出现应力裂纹、疲劳裂纹、脆性裂纹、氢致裂纹等微小裂纹,进而发展成为可见的裂隙或尺度较大的金属损失。裂纹是金属材料服役过程中各类缺陷的主要源头因素之一。
金属损失相对裂纹而言由于体积较大而更容易被检测,目前已经有多种比较成熟的技术可以准确检测、识别、量化金属损失缺陷。但是裂纹通常由于尺度较小而响应信号微弱,尤其是在检测速度大于2m/s的在线在役条件下,如裂纹处于发生的起始阶段或服役过程中裂纹处于较早的发展阶段,早期微小裂纹的检测、识别、量化难度更高。
同时,裂纹检测中裂纹响应信号与激励信号、激励方向、感测传感器等密切相关。例如,在油气管道单向漏磁(轴向MFL或环向MFL)检测中,以励磁方向为基准,对于相同尺寸的裂纹,裂纹与励磁方向的倾斜角模值越大,它的漏磁响应信号的幅值越大;裂纹与励磁方向的倾斜角模值越小,它的漏磁响应信号的幅值越小。因此,轴向励磁条件下的轴向裂纹或裂隙信号非常微弱,甚至被业界认为无法实现工业级检测。改变轴向励磁为环向励磁可以提高轴向裂纹或裂隙信号的强度,但环向励磁检测器又对环向裂纹或裂缝的检测效果欠佳。为此,工业界出现了轴向励磁MFL检测器外加环向励磁MFL检测器的串行组合MFL检测器方案。很明显组合MFL检测器方案明显提升了设备制造成本和检测工程成本;同时传统MFL受其工作原理的制约,对微小裂纹的检测识别量化,存在先天不足或根本无法实现。
发明内容
本公开实施例提供了一种油气管道裂纹信号的正交孪生方法及装置、存储介质,这里的“正交孪生”概念被定义为,在已知单向直流励磁的原始响应信号的条件下,通过变换得到与单向直流励磁同平面、大小相等、方向垂直的孪生磁场对应的响应信号,该响应信号被定义为“孪生响应信号”(例如孪生漏磁响应信号或孪生动磁/涡流响应信号),它与原始单向直流励磁的响应信号,即“原始响应信号”(例如原始漏磁响应信号或原始动磁/涡流响应信号)也构成孪生关系。通过联合处理“孪生响应信号”和“原始响应信号”,可以大幅度提高任意倾斜角裂纹响应信号总体的信号强度,尤其是与励磁方向平行分布的裂纹的响应信号强度。“正交孪生”的方法包括但不限于机器学习模型映射法、数学解析法、电路(或电磁)仿真法、硬件设备真实信号产生法等。将“原始响应信号”变换为“孪生响应信号”的过程被定义为“正交孪生变换”。
本公开实施例采用的技术方案为:
本公开实施例提供了一种油气管道裂纹信号的正交孪生方法,包括:获取在单向直流励磁条件下的内壁裂纹或者外壁裂纹三轴漏磁测量信号模值,获取在与直流励磁正交的动态磁场激励条件下的动磁信号或涡流信号,所述单向直流励磁指具有单一方向的直流励磁方式;将所述三轴漏磁测量信号模值输入裂纹信号正交孪生模型,得到漏磁增强估计信号,所述漏磁增强估计信号为仿真的正交孪生三轴漏磁信号模值的函数,所述正交孪生三轴漏磁信号模值为在虚拟正交孪生直流励磁条件下的三轴漏磁响应信号模值,所述虚拟正交孪生直流励磁与所述单向直流励磁同平面、大小相等且方向垂直。
可选地,所述漏磁增强估计信号为仿真最优三轴漏磁信号模值SAo与仿真的正交孪生三轴漏磁信号模值S⊥的函数f(αSAo,αS⊥),所述仿真最优三轴漏磁信号模值SAo是使||αSA-MA||F最小的仿真三轴漏磁信号模值,MA为所述三轴漏磁测量信号模值,SA为将裂纹尺度代入磁偶极子模型得到的仿真三轴漏磁信号模值,‖·‖F为矩阵的Frobenius范数,α为调节因子,其中: 分别是仿真三轴漏磁信号的X轴分量、Y轴分量以及Z轴分量,所述X轴方向与所述单向直流励磁的激励方向相同,所述Y轴方向在所述油气管道平面内与所述X轴方向垂直,所述Z轴方向分别与所述X轴方向和Y轴方向垂直; 分别是正交孪生三轴漏磁信号的X轴分量、Y轴分量以及Z轴分量; K≥1;调节因子α表示等于MA矩阵的最大元素除以初始矩阵的最大元素,所述初始矩阵为将裂纹实测尺度代入磁偶极子模型计算所得的仿真三轴漏磁信号模值组成的矩阵。
可选地,所述方法还包括:对于多个裂纹样本,使用在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的所述漏磁增强估计信号训练所述裂纹信号正交孪生模型,其中,每个所述裂纹样本对应的漏磁增强估计信号通过如下方法生成:以所述裂纹样本的实测尺度为初始的裂纹尺度;用MA矩阵的最大元素除以初始矩阵的最大元素得到调节因子α,MA为所述三轴漏磁测量信号模值;计算||αSA-MA||F,其中SA为将裂纹尺度代入磁偶极子模型得到的仿真三轴漏磁信号模值,‖·‖F为矩阵的Frobenius范数;反复调节所述裂纹尺度,并将所述裂纹尺度输入裂纹磁偶极子模型,直到得到使||αSA-MA||F最小的最优裂纹尺度,与所述最优裂纹尺度对应的仿真三轴漏磁信号模值即为仿真最优三轴漏磁信号模值SAo;将所述最优裂纹尺度输入裂纹正交磁偶极子模型,得到所述仿真的正交孪生三轴漏磁信号模值S⊥;将所述SAo与S⊥代入公式K≥1,从而生成所述漏磁增强估计信号。
可选地,对于所述多个裂纹样本,使用在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的所述漏磁增强估计信号训练所述裂纹信号正交孪生模型,包括:将每个裂纹样本在单向直流励磁激励条件下的三轴漏磁测量信号模值以及对应的漏磁增强估计信号标记为一组正交孪生映射对;将N组正交孪生映射对按照比例k:(1-k)随机拆分为训练集和测试集,其中,0<k<1;使用k×N组所述正交孪生映射对搭建并训练所述裂纹信号正交孪生模型,使用(1-k)×N组所述正交孪生映射对测试所述裂纹信号正交孪生模型。
可选地,所述方法还包括:根据所述漏磁增强估计信号计算裂纹最优尺度中间变量;将所述裂纹尺度分别输入裂纹磁偶极子模型和裂纹正交磁偶极子模型,得到仿真三轴漏磁信号模值和仿真正交孪生三轴漏磁信号模值;根据得到的仿真三轴漏磁信号模值和仿真正交孪生三轴漏磁信号模值,计算二次漏磁增强估计信号;检测所述漏磁增强估计信号与所述二次漏磁增强估计信号的差值的Frobenius范数是否小于预设的阈值;当所述漏磁增强估计信号与所述二次漏磁增强估计信号的差值的Frobenius范数小于预设的阈值时,将输入的所述裂纹尺度作为裂纹最优尺度中间变量;当所述漏磁增强估计信号与所述二次漏磁增强估计信号的差值的Frobenius范数大于或等于预设的阈值时,调节输入的所述裂纹尺度,并返回将所述裂纹尺度分别输入裂纹磁偶极子模型和裂纹正交磁偶极子模型的步骤继续执行。
可选地,根据所述漏磁增强估计信号计算裂纹尺度初值,包括:根据预设的二值化阈值,对所述漏磁增强估计信号进行二值化处理,得到二值化漏磁增强估计信号;根据所述二值化漏磁增强估计信号的边缘轮廓计算裂纹的长度初值、宽度初值和倾斜角初值;计算所述漏磁增强估计信号的峰值,并将计算出的峰值作为裂纹的深度初值。
可选地,所述方法还包括:在虚拟正交孪生直流励磁的激励下,以所述裂纹最优尺度中间变量为输入,通过动磁或涡流信号映射,输出孪生动磁或涡流响应信号。
可选地,所述裂纹信号正交孪生模型为通过卷积神经网络实现的自编码器模型,所述自编码器模型包括编码器部分和解码器部分。
本公开实施例还提供了一种油气管道裂纹信号正交孪生装置,包括:单向直流励磁条件下的漏磁传感器探头,单向直流励磁以及与直流励磁正交的动态磁场激励条件下的动磁或涡流传感器探头,存储指令、算法、模型的存储器,执行所述的油气管道裂纹信号正交孪生方法的处理器,以及连接各个单元的总线系统。
本公开实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开任一实施例所述的油气管道裂纹信号正交孪生方法。
本公开实施例的裂纹信号正交孪生方法及孪生装置、存储介质,通过依据多种检测原理的裂纹响应信号,确定裂纹的客观存在性。当裂纹信号的信噪比较低时,对裂纹信号实施正交孪生,得到裂纹对应的增强信号,该裂纹增强信号将有助于后续开展油气管道裂纹复检、高精度裂纹尺度量化、裂纹轮廓重构等。
本公开实施例的油气管道裂纹信号正交孪生方法及检测装置、存储介质,通过裂纹信号正交孪生模型,基于单向直流励磁条件,提出一种可以增强任意倾斜角裂纹响应信号的新方法、新技术,可以增强任意倾斜角裂纹响应信号,有助于提高对微小裂纹的检测能力、尺寸量化精度、轮廓重构精度,进而对油气管道、输氢管道、高铁钢轨、石油储罐等重大基础设施的安全运营具有重要实际意义。
本公开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,或者通过实施本公开而了解。本公开的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本公开技术方案的理解,并且构成说明书的一部分,与本公开的实施例一起用于解释本公开的技术方案,并不构成对本公开技术方案的限制。
图1为本公开示例性实施例一种油气管道裂纹椭球轮廓及正交磁场示意图;
图2为本公开示例性实施例一种裂纹信号正交孪生方法的流程示意图;
图3A为本公开示例性实施例一种裂纹信号正交孪生方法在模型训练阶段的框架结构图;
图3B为本公开示例性实施例一种油气管道裂纹信号正交孪生方法在模型使用阶段的框架结构图;
图4A为本公开示例性实施例一种“裂纹信号正交孪生模型”(MLOT)的损失函数迭代过程;
图4B为本公开示例性实施例一种“裂纹信号正交孪生模型”(MLOT)的确定系数迭代过程;
图5A为本公开示例性实施例对0°倾斜角裂纹的漏磁信号增强3-D效果图;
图5B为本公开示例性实施例对0°倾斜角裂纹的漏磁信号增强俯视效果图;
图5C为本公开示例性实施例对0°倾斜角裂纹的动磁/涡流信号增强3-D效果图;
图5D为本公开示例性实施例对0°倾斜角裂纹的动磁/涡流信号增强俯视效果图;
图6A为本公开示例性实施例对3°倾斜角裂纹的漏磁信号增强3-D效果图;
图6B为本公开示例性实施例对3°倾斜角裂纹的漏磁信号增强俯视效果图;
图6C为本公开示例性实施例对3°倾斜角裂纹的动磁/涡流信号增强3-D效果图;
图6D为本公开示例性实施例对3°倾斜角裂纹的动磁/涡流信号增强俯视效果图;
图7A为本公开示例性实施例对18°倾斜角裂纹的漏磁信号增强3-D效果图;
图7B为本公开示例性实施例对18°倾斜角裂纹的漏磁信号增强俯视效果图;
图7C为本公开示例性实施例对18°倾斜角裂纹的动磁/涡流信号增强3-D效果图;
图7D为本公开示例性实施例对18°倾斜角裂纹的动磁/涡流信号增强俯视效果图;
图8为本公开示例性实施例一种油气管道裂纹信号正交孪生装置的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,下文中将结合附图对本公开的实施例进行详细说明。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互任意组合。
除非另外定义,本公开实施例公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
本公开提出“正交孪生”的概念,如图1所示,旨在仅有单一方向直流励磁HA的条件下,虚拟孪生出与直流励磁磁场同平面、大小相等、方向垂直的激励磁场H⊥产生的漏磁响应信号。通过联合处理原始漏磁信号与孪生漏磁信号从而得到漏磁增强估计信号,然后利用漏磁增强估计信号得到孪生的前后差分动磁/涡流信号。如图1所示,裂纹的倾斜角定义为裂纹椭球轮廓的长轴方向与原始励磁方向HA之间的夹角,范围为(-90°,90°]。本公开的裂纹信号正交孪生方法适用于小倾斜角的裂纹信号但不限于小倾斜角裂纹信号。“小倾斜角裂纹”是指以励磁方向为基准,正负偏差不超过20°倾斜角的裂纹。本公开实施例中,单向直流励磁是指具有单一方向的直流励磁方式,包括但不限于现有的轴向直流励磁方式、环向直流励磁方式、螺旋直流励磁方式。
如图1所示,在油气管道内壁上建立空间直角坐标系。以裂纹椭球轮廓的几何中心为坐标原点,定义励磁方向(HA方向)为X轴方向;在管道壁平面内与X轴方向垂直的方向为Y轴方向;与管道壁垂直并指向管道内部的方向为Z轴方向;Y轴的反方向为H⊥方向;在管道壁平面内,裂纹椭球轮廓的长轴方向为X′轴方向,相对X轴方向的倾斜角为θ;在管道壁平面内与X′轴垂直的方向为Y′轴方向,它相对Y轴方向的倾斜角为θ;与Z轴重合的方向为Z′轴方向;管道内油、气的流动方向为轴向;与轴向垂直并沿管道壁周向的方向为环向;与Z轴重合的方向为径向。
如图2所示,本公开实施例提供了一种油气管道裂纹信号正交孪生方法,包括如下步骤:
201、建立(训练)油气管道裂纹信号正交孪生模型;
202、使用(测试)油气管道裂纹信号正交孪生模型。
本公开实施例的裂纹信号正交孪生方法以油气管道为例进行说明,在其它铁磁性金属材料中的实施步骤可参考此方法进行,本公开不再赘述。
在一些示例性实施方式中,参考图3A,已知裂纹尺度及其响应信号,步骤201可以包括如下步骤:
1)依据不同检测原理获得单向直流励磁条件下尺度为(L,W,D,θ)的裂纹响应微弱矩阵信号。依据不同检测原理采用3轴漏磁和2轴动磁或涡流传感器超高分辨集成探头获得单向直流励磁条件下尺度为(L,W,D,θ)的裂纹响应微弱矩阵信号,如获得在A方向直流励磁场HA条件下的三轴漏磁测量信号模值获取在A方向直流励磁场HA条件下的动磁或涡流信号其中(L,W,D,θ)分别为裂纹实际测量的长、宽、深、倾斜角;分别表示三轴漏磁测量信号的X轴分量,Y轴分量以及Z轴分量;分别表示3轴漏磁和2轴动磁或涡流传感器超高分辨集成探头电路板前后线圈差分(以下简称“前后差分”)的动磁或涡流信号以及左右线圈差分(以下简称“左右差分”)的动磁或涡流信号。以上MA和DA都是矩阵信号。至少包括裂纹存在性的指示信号,如和信号。裂纹存在性指示信号包括裂纹的边界信息。通过信号可以区分裂纹是内壁裂纹(ID)还是外壁裂纹(OD)。
2)在相同的A方向直流励磁场HA条件下,应用内壁裂纹磁偶极子模型或者外壁裂纹磁偶极子模型,生成尺度(Ls,Ws,Ds,θs)虚拟裂纹的仿真三轴漏磁信号模值 其中,SA为矩阵信号,(Ls,Ws,Ds,θs)分别为虚拟裂纹的长、宽、深、倾斜角,属于中间变量,其初始值可为对应已知的裂纹实测尺度(L,W,D,θ);分别是仿真三轴漏磁信号的X轴分量,Y轴分量以及Z轴分量。如果是内壁裂纹,基于“内壁裂纹磁偶极子模型”,由尺度(Ls,Ws,Ds,θs)计算的公式为(1)式至(2)式;如果是外壁裂纹,基于“外壁裂纹磁偶极子模型”,由尺度(Ls,Ws,Ds,θs)计算的公式为(3)式至(5)式。其中,其中,fxX′(·),fyX′(·),fzX′(·)分别为在HA的X′轴分量激励下的磁偶极子3轴(X′轴、Y′轴、Z′轴)积分算子;fxY′(·),fyY′(·),fzY′(·)分别为在HA的Y′轴分量激励下的磁偶极子3轴(X′轴、Y′轴、Z′轴)积分算子;μ0=4π×10-7(H或m),为真空磁导率,μr为饱和条件下的管壁相对磁导率;σx′为磁偶极子X′轴方向磁荷面密度,σy′为磁偶极子Y′轴方向磁荷面密度;如果是内壁裂纹,h为传感器集成探头的提离值,如果是外壁裂纹,h为裂纹处的管壁剩余壁厚与传感器集成探头的提离值之和。
3)为使裂纹仿真产生的效果与裂纹实际测量的效果一致,建立目标函数和约束条件:
min||αSA-MA||F(6)
其中,‖·‖F为矩阵的弗罗贝尼乌斯(Frobenius)范数,Os(Ls,Ws,Ds,θs)=1为拟合裂纹轮廓的椭球方程;调节因子:α=max(MA)/max(SA_initial),等于MA矩阵的最大元素除以初始矩阵的最大元素,而初始矩阵(SA_initial)即为将裂纹实测尺度(L,W,D,θ)代入磁偶极子模型计算所得的仿真三轴漏磁信号模值。通过调节虚拟裂纹尺寸(Ls,Ws,Ds),使上述目标函数(6)得以满足。使(6)得到满足的最优虚拟裂纹尺度记为对应的仿真三轴漏磁信号模值记为本文中,裂纹尺度包括裂纹尺寸和倾斜角。
复杂的裂纹形状可以分解为简单条形轮廓的组合,而条形轮廓可以抽象为长方体、椭球体、椭圆柱等简单的几何形状。
本公开实施例的方法中,将裂纹轮廓近似为椭球体,在另一些示例性实施方式中,裂纹轮廓还可以近似为长方体、椭圆柱等形状,本公开实施例对此不作限制。
4)应用内壁裂纹正交磁偶极子模型或者外壁裂纹正交磁偶极子模型计算正交孪生三轴漏磁信号模值。在与HA同平面、大小相等、方向垂直的孪生磁场H⊥激励的条件下(|H⊥|=|HA|),针对尺度为的虚拟裂纹,应用磁偶极子模型,生成对应的漏磁响应信号模值,即仿真的正交孪生三轴漏磁信号模值其中分别是仿真的正交孪生三轴漏磁信号的X轴分量,Y轴分量以及Z轴分量。如果是内壁裂纹,基于“内壁裂纹正交磁偶极子模型”,由尺度计算 的公式如(8)式至(9)式所示;如果是外壁裂纹,基于“外壁裂纹正交磁偶极子模型”,由尺度计算的公式如(10)式至(12)式所示。其中,σxOT′为磁偶极子X′轴方向正交磁荷面密度,σyOT′为磁偶极子Y′轴方向正交磁荷面密度。
5)针对内壁裂纹和外壁裂纹,分别获得N个不同尺寸、不同倾斜角的正交孪生映射对。上述步骤1)至4)中的MA,αSAo,αS⊥构成一一对应关系,定义第i组正交孪生映射对表示为则改变(L,W,D,θ)数值,即更换新的实测裂纹,重复执行步骤1)至4),直到针对内壁裂纹和外壁裂纹,分别获得N个不同尺寸、不同倾斜角的正交孪生映射对,即
6)针对内壁裂纹和外壁裂纹,分别按照比例k:(1-k)(0<k<1)将N组正交孪生映射对随机拆分为训练集和测试集,它们的数量分别为k×N个和(1-k)×N个。另外,针对内壁裂纹和外壁裂纹,分别从k×N个训练集中随机抽取一部分作为模型训练时的验证集。
7)针对内壁裂纹和外壁裂纹,对于训练集,以为输入,以为输出,i=1,2,…,k×N,搭建并训练机器学习模型MLOT,将其命名为“裂纹信号正交孪生模型”,包含“内壁裂纹信号正交孪生模型”以及“外壁裂纹信号正交孪生模型”。其中,表示对和进行逻辑运算,例如显然,即经过正交孪生变换的输出漏磁信号相比输入漏磁信号得到增强。
到此,“裂纹信号正交孪生模型”训练完毕。
在一些示例性实施方式中,“裂纹信号正交孪生模型”的使用或者测试主要适用于没有经过第1阶段模型训练的测试集或者真实油气管道上的新裂纹,事先只获得裂纹信号而未知裂纹的几何尺度;参考图3B,步骤202可以包括如下步骤:
1)依据不同检测原理获得单向直流励磁条件下裂纹响应微弱矩阵信号。
示例性的,依据不同检测原理采用3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头获得单向直流励磁条件下尺度为(L,W,D,θ)的裂纹响应微弱信号。
如获得在A方向直流励磁场HA条件下的三轴漏磁测量信号模值获取在A方向直流励磁场HA条件下的动磁/涡流信号至少包括裂纹存在性的指示信号,如和信号。裂纹存在性指示信号包括裂纹的边界信息。通过信号可以区分裂纹是内壁裂纹(ID)还是外壁裂纹(OD)。
2)针对内壁裂纹或外壁裂纹,将MA信号输入到第1阶段训练好的MLOT(“内壁裂纹信号正交孪生模型”或“外壁裂纹信号正交孪生模型”)中,输出漏磁增强估计信号
3)以为阈值,对进行0-1二值化处理,得到c在0到1之间,示例性的,c=0.5。
4)通过和计算裂纹尺度初值。记边缘轮廓的长轴为a,短轴为b,长轴的倾斜角为 的峰值为p,则裂纹尺度的初值为
5)将(Ls,Ws,Ds,θs)代入内壁裂纹磁偶极子模型或者外壁裂纹磁偶极子模型计算f(SA,S⊥)。具体地,将(Ls,Ws,Ds,θs)代入公式(1)至(5)以及(8)至(12)中分别计算得到和进而计算得到
6)判断f(SA,S⊥)相对的误差是否小于阈值ε。如果 则记此时的裂纹尺度为裂纹最优尺度中间变量,表示为然后跳转步骤7);否则,更新(Ls,Ws,Ds,θs),然后跳转步骤5)。
7)在|H⊥|=|HA|激励的条件下,对尺度为的裂纹进行动磁/涡流信号映射,输出正交孪生的前后差分动磁/涡流响应信号动磁/涡流信号映射的方法包括但不限于电磁仿真法、有趋势项的ARMA模型方法、数学解析法、动磁信号波形拟合法等现有方法。以电磁仿真法为例,可以在ANSYS/COMSOL软件中建立尺度为的裂纹模型,并搭建磁路和电路环境,然后在|H⊥|=|HA|激励的条件下,让仿真软件根据有限元方法自动输出正交孪生的前后差分动磁/涡流响应信号
8)重复执行步骤1)至7)直到将第1阶段的测试集内/外壁裂纹信号或者真实油气管道上的新裂纹信号,包括漏磁信号和前后差分动磁/涡流信号,全部正交孪生完毕为止。
在执行上述步骤6)中,推荐嵌套启发式优化算法(Heuristic optimizationalgorithm)以加快求解裂纹最优尺度中间变量启发式优化算法包括但不限于遗传算法、粒子群优化算法、蚁群优化算法、人工免疫算法及它们的改进版本等(现有技术)。下面以粒子群优化(PSO)算法为例,介绍在上述步骤6)中嵌套PSO算法的步骤:
S1、初始化参数。定义粒子数目NP,粒子维度dim=4(因为尺度(Ls,Ws,Ds,θs)共有4个参数),最大迭代次数maxIter,惯性权重系数ω,加速常数c1和c2,随机系数r1和r2;粒子的位置矩阵速度矩阵vd=zeros(NP,dim),粒子个体最佳位置矩阵pbest=zeros(NP,dim),粒子群体最佳位置矩阵gbest=zeros(1,dim),粒子个体最佳适应度pfit=zeros(NP,1),粒子全局最佳适应度值gfit=1010;其中,ones(X,Y)表示生成X行Y列的全1矩阵,zeros(X,Y)表示生成X行Y列的全0矩阵。
S2、初始化种群。计算vd为(NP,dim)维的0到1之间的随机数矩阵;pbest=xd;当j=1,…,NP时,将xd的每一行代入内壁裂纹磁偶极子模型或者外壁裂纹磁偶极子模型计算进而pfit的第j行元素表示为然后将pfit列向量中最小的元素赋值给gfit,而最小元素对应的赋值给gbest。
S3、计算每个粒子的适应度。当j=1,…,NP时,将xd的每一行代入内壁裂纹磁偶极子模型或者外壁裂纹磁偶极子模型计算进而第j个粒子的适应度表示为
S4、根据粒子的适应度值更新个体最优和群体最优。当j=1,…,NP时,如果Δj<pfit(j),则pfit(j)用Δj代替,且如果pfit(j)<gfit,则 且gfit=pfit(j)。
S5、更新每个粒子的速度和位置。当j=1,…,NP时,用如下公式(13)和公式(14)依次更新每个粒子的速度和位置。
vd(j)=ω·vd(j)+c1·r1·(pbest(j)-xd(j))+c2·r2·(gbest(j)-xd(j)) (13)
xd(j)=xd(j)+vd(j) (14)
S6、判断是否满足收敛条件。如果达到最大迭代数maxIter,或者如果满足gfit<ε,则记此时裂纹尺度为然后跳转第2阶段(使用“裂纹信号正交孪生模型”)的步骤7),并结束本次粒子群优化算法;否则跳转步骤S3。
为了更好地理解本公开提供的油气管道裂纹信号正交孪生方法,下面结合(X80钢材,15.30mm壁厚)油气管道裂纹信号正交孪生这一示例性实施例对本公开的技术方案做进一步说明。
本实施例使用基于3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头采集裂纹弱信号。3轴漏磁是指包含漏磁场的轴向分量、径向分量以及环向分量;2轴动磁/涡流是指探头电路板可以同时采集前后差分的动磁/涡流信号以及左右差分的动磁/涡流信号。前后差分的动磁/涡流信号可以对360°全向裂纹进行检测和内外识别,但是随着裂纹倾斜角模值的减小,前后差分的动磁/涡流信号幅值逐渐降低;而左右差分的动磁/涡流信号幅值却随着裂纹倾斜角模值的减小而增大;两者形成互补、弥补对方的不足。因此利用3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头可以确定裂纹是否存在,判别内裂纹与外裂纹,以及确定裂纹的可疑区域。
整个实施步骤共分为2个阶段,第1阶段为“裂纹信号正交孪生模型”的建立阶段(模型训练阶段);第2阶段为“裂纹信号正交孪生模型”的使用阶段(模型测试阶段)。
在第1阶段,已知裂纹尺度及其响应信号,“裂纹信号正交孪生模型”的建立步骤为:
按照步骤1),利用轴向励磁方式的3轴漏磁和2轴动磁/涡流检测器开展对(X80钢材,15.30mm壁厚)人工裂纹管道的牵拉实验,由此获得人工裂纹的牵拉数据。采用轴向励磁意味着此时励磁方向(X轴方向)与轴向重合,建立的坐标系正如附图1所示。首先在牵拉管道上加工2160个不同尺寸和不同倾斜角的人工裂纹作为模型训练的样本,其中包含1080个内壁裂纹(ID)以及1080个外壁裂纹(OD);针对内壁裂纹和外壁裂纹,分别随机分配其中75%的样本(810个)为训练集(用train标识),另外25%的样本(270个)为测试集(用test标识),而训练集中随机抽取25%的样本(203个)被定义为验证集(用val标识),它们的尺度分布区间如表1所示。将上述牵拉数据导入“裂纹原始样本标定软件”,在加工裂纹的已知区域,框选并导出裂纹原始样本数据文件,将其以txt格式保存,每个数据文件以裂纹实测的“长(L)-宽(W)-深(D)-倾斜角(θ)-内/外”命名,由此获得轴向励磁条件下不同尺度(Li,Wi,Di,θi)的裂纹响应弱信号以及i=1,2,…,2160。其中,每个裂纹原始样本数据文件由5种矩阵数据组成,分别为漏磁轴向数据矩阵漏磁径向数据矩阵漏磁环向数据矩阵动磁/涡流前后差分数据矩阵和动磁/涡流左右差分数据矩阵而且,针对内壁裂纹或外壁裂纹,训练集中810个样本为第1阶段训练“裂纹信号正交孪生模型”做好准备,测试集中270个样本为第2阶段测试“裂纹信号正交孪生模型”做好准备。
表1模型训练的样本分布
长度区间(mm) | 宽度区间(mm) | 深度区间(mm) | 倾斜角区间(°) | 内壁裂纹总数 |
[10,60] | [0.2,0.4] | [1.0,3.9] | [-20,+20] | 1080 |
长度区间(mm) | 宽度区间(mm) | 深度区间(mm) | 倾斜角区间(°) | 外壁裂纹总数 |
[10,60] | [0.2,0.4] | [1.0,3.9] | [-20,+20] | 1080 |
按照步骤2),提前测得牵拉实验的轴向励磁场HA的大小,然后在相同的轴向励磁场条件下,针对内壁裂纹和外壁裂纹,分别对1080每一个不同尺寸和不同倾斜角的人工裂纹样本,以它们文件名记录的实测尺度为初值,应用磁偶极子模型,生成虚拟裂纹的仿真三轴漏磁信号模值i=1,2,…,1080;如果是内壁裂纹,基于“内壁裂纹磁偶极子模型”,由尺度计算的公式为(15)式至(16)式;如果是外壁裂纹,基于“外壁裂纹磁偶极子模型”,由尺度计算的公式为(17)式至(19)式。其中,fxX′(·),fyX′(·),fzX′(·)分别为在HA的X′轴分量激励下的磁偶极子3轴(X′轴、Y′轴、Z′轴)积分算子;fxY′(·),fyY′(·),fzY′(·)分别为在HA的Y′轴分量激励下的磁偶极子3轴(X′轴、Y′轴、Z′轴)积分算子;μ0=4π×10-7(H/m),为真空磁导率,μr为饱和条件下的管壁相对磁导率;为与第i个人工裂纹样本对应的磁偶极子X′轴方向磁荷面密度,为与第i个人工裂纹样本对应的磁偶极子Y′轴方向磁荷面密度;如果是内壁裂纹,hi为第i个人工裂纹样本处传感器集成探头的提离值,如果是外壁裂纹,hi为第i个人工裂纹样本处的管壁剩余壁厚与传感器集成探头的提离值之和。
按照步骤3),为使裂纹仿真产生的效果与裂纹实际测量的效果一致,针对内壁裂纹和外壁裂纹,分别对1080个不同尺寸和不同倾斜角的人工裂纹样本,逐一建立目标函数和约束条件:
其中,当i=1,2,…,1080时,为与第i个人工裂纹样本对应的拟合裂纹轮廓的椭球方程;调节因子:表示矩阵的最大元素除以第i个初始矩阵的最大元素,而第i个初始矩阵即为将裂纹实测尺度(Li,Wi,Di,θi)代入磁偶极子模型计算所得的仿真三轴漏磁信号模值。以实测尺度(Li,Wi,Di,θi)为初值通过调节虚拟裂纹尺寸使上述目标函数(20)得以满足。使(20)得到满足的最优虚拟裂纹尺度记为对应的仿真三轴漏磁信号记为
按照步骤4),应用内壁裂纹正交磁偶极子模型和外壁裂纹正交磁偶极子模型分别计算2160个不同尺寸和不同倾斜角的人工裂纹样本的正交孪生三轴漏磁信号模值。在与HA同平面、大小相等、方向垂直的孪生磁场H⊥激励的条件下(|H⊥|=|HA|),针对内壁裂纹或外壁裂纹,当i=1,2,…,1080时,针对尺度为的虚拟裂纹,应用磁偶极子模型,生成对应的漏磁响应信号模值,即仿真的正交孪生三轴漏磁信号模值 如果是内壁裂纹,基于“内壁裂纹正交磁偶极子模型”,由尺度计算的公式如(22)式至(23)式所示;如果是外壁裂纹,基于“外壁裂纹正交磁偶极子模型”,由尺度计算的公式如(24)式至(26)式所示。;其中,为与第i个人工裂纹样本对应的磁偶极子X′轴方向正交磁荷面密度,为与第i个人工裂纹样本对应的磁偶极子Y′轴方向正交磁荷面密度。
按照步骤5),针对内壁裂纹和外壁裂纹,分别获得1080个不同尺寸、不同倾斜角的正交孪生映射对。在上述步骤1)至4)中,针对内壁裂纹或外壁裂纹,为1080个不同尺寸、不同倾斜角的正交孪生映射对。
按照步骤6),针对内壁裂纹和外壁裂纹,本实施例拆分训练集和测试集的比例系数被设定的k=0.75,即训练集样本数占样本总数的75%;而训练集中验证集的占比为25%。
按照步骤7),针对内壁裂纹和外壁裂纹,对于训练集样本(810个),以为输入,以为输出,i=1,2,…,810,搭建并训练机器学习模型MLOT,即“裂纹信号正交孪生模型”,包含“内壁裂纹信号正交孪生模型”以及“外壁裂纹信号正交孪生模型”。本实施例具体采用卷积神经网络自编码器(CNN Autoencoder)算法搭建了裂纹信号正交孪生模型。模型要求当i=1,2,…,810时,输入为200×200的矩阵,输出同样也是200×200的矩阵,两点之间的物理步进为0.5mm。如果物理步进超过0.5mm,可以进行三次样条插值。如果矩阵维度不满足要求,则以裂纹中心为矩阵中心,对超出200维度的边缘部分进行删减,对少于200维度的边缘部分进行补零。
本实施例设计的卷积神经网络自编码器共有37层结构,其中编码部分包含18层结构,解码部分包含19层结构。使用Python语言搭建的网络架构如下:
classConvAutoencoder:#类定义
@staticmethod#静态方法
def build(inputShape):#定义方法
#Encoder(编码器部分)
input_img=Input(shape=inputShape)#输入层
x=Conv2D(64,(7,7),padding='same')(input_img)#二维卷积层
x=SpatialDropout2D(rate=0.3)(x)#随机将30%的区域置零
x=BatchNormalization()(x)#数据批量标准化层
x=ReLU()(x)#以斜坡函数作为激活函数
x=MaxPooling2D((2,2),padding='same')(x)#二维池化层
x=Conv2D(32,(7,7),padding='same')(x)#二维卷积层
x=BatchNormalization()(x)#数据批量标准化层
x=ReLU()(x)#以斜坡函数作为激活函数
x=MaxPooling2D((2,2),padding='same')(x)#二维池化层
x=Conv2D(16,(7,7),padding='same')(x)#二维卷积层
x=BatchNormalization()(x)#数据批量标准化层
x=ReLU()(x)#以斜坡函数作为激活函数
x=MaxPooling2D((2,2),padding='same')(x)#二维池化层
x=Conv2D(8,(7,7),padding='same')(x)#二维卷积层
x=BatchNormalization()(x)#数据批量标准化层
x=ReLU()(x)#以斜坡函数作为激活函数
encoded=MaxPooling2D((1,1),padding='same')(x)#二维池化层
#Decoder(解码器部分)
x=Conv2D(8,(7,7),padding='same')(encoded)#二维卷积层
x=BatchNormalization()(x)#数据批量标准化层
x=ReLU()(x)#以斜坡函数作为激活函数
x=UpSampling2D((1,1))(x)#二维上采样层
x=Conv2D(16,(7,7),padding='same')(x)#二维卷积层
x=BatchNormalization()(x)#数据批量标准化层
x=ReLU()(x)#以斜坡函数作为激活函数
x=UpSampling2D((2,2))(x)#二维上采样层
x=Conv2D(32,(7,7),padding='same')(x)#二维卷积层
x=BatchNormalization()(x)#数据批量标准化层
x=ReLU()(x)#以斜坡函数作为激活函数
x=UpSampling2D((2,2))(x)#二维上采样层
x=Conv2D(64,(7,7),padding='same')(x)#二维卷积层
x=BatchNormalization()(x)#数据批量标准化层
x=ReLU()(x)#以斜坡函数作为激活函数
x=UpSampling2D((2,2))(x)#二维上采样层
x=Conv2D(1,(7,7),padding='same')(x)#二维卷积层
x=BatchNormalization()(x)#数据批量标准化层
decoded=Activation('relu')(x)#激活层
autoencoder=Model(inputs=input_img,outputs=decoded)#模型打包
returnautoencoder#返回模型
上述Python语言代码中,Conv2D表示二维卷积层,SpatialDropout2D表示二维空间随机置零层,BatchNormalization表示数据批量标准化层,ReLU表示激活函数层,MaxPooling2D表示二维池化层,UpSampling2D表示二维上采样层,Activation表示激活层。每一行Python语言表示一层结构,每层结构的输出作为下一层结构的输入,下一层结构的输出作为下下一层结构的输入。
以“内壁裂纹信号正交孪生模型”为例,设置模型训练的迭代步数为500,模型训练的迭代过程如图4A、4B所示。图4A是“裂纹信号正交孪生模型”(MLOT)的损失函数(lossfunction)迭代过程,图4B是“裂纹信号正交孪生模型”(MLOT)的确定系数(coefficientofdetermination,即R2)迭代过程,迭代结束“裂纹信号正交孪生模型”(MLOT)的评价指标如表2所示。可见MLOT模型经过收敛,训练集和验证集的损失函数(loss)最终都减小到0.0002,说明MLOT模型最终的均方误差(MSE)非常小,且没有出现过拟合。另一方面,MLOT模型训练集的确定系数最终达到0.9371,验证集的确定系数最终达到0.9281,说明MLOT模型最终的拟合效果较好,基本满足正交孪生变换的要求。
表2迭代结束“裂纹信号正交孪生模型”(MLOT)的评价指标
训练集loss | 训练集R2 | 验证集loss | 验证集R2 |
0.0002 | 0.9371 | 0.0002 | 0.9281 |
在第2阶段,针对内壁裂纹或外壁裂纹,对第1阶段未被训练的270个测试集样本开展模型测试,事先只获得裂纹信号而未知裂纹的几何尺度;嵌套粒子群优化(PSO)算法的模型使用(测试)步骤为:
按照步骤1),依据不同检测原理获得单向直流励磁条件下裂纹响应微弱矩阵信号。在执行完第1阶段的步骤1)之后,已经在轴向励磁条件下,针对内壁裂纹或外壁裂纹,获得270个测试集样本的裂纹响应弱信号以及其中,每个裂纹原始样本数据文件由5种矩阵数据组成,分别为漏磁轴向数据矩阵漏磁径向数据矩阵漏磁环向数据矩阵动磁或涡流前后差分数据矩阵和动磁/涡流左右差分数据矩阵
按照步骤2),针对内壁裂纹或外壁裂纹,对于测试集样本(270个),当i=1,2,…,270,将信号输入到MLOT(“内壁裂纹信号正交孪生模型”或“外壁裂纹信号正交孪生模型”)中,输出信号。
按照步骤3),针对内壁裂纹或外壁裂纹,对于测试集样本(270个),当i=1,2,…,270,以为阈值,对进行0-1二值化处理,得到
按照步骤4),针对内壁裂纹或外壁裂纹,对于测试集样本(270个),当i=1,2,…,270,通过和计算裂纹尺度初值。的边缘轮廓通常为椭圆,记边缘轮廓的长轴为ai,短轴为bi,长轴的倾斜角为 的峰值为pi;当i=1,2,…,270时,裂纹尺度的初值为
按照步骤5),针对内壁裂纹或外壁裂纹,当i=1,2,…,270时,将代入内壁裂纹磁偶极子模型或者外壁裂纹磁偶极子模型计算具体地,将代入公式(1)至(5)以及(8)至(12)中分别计算得到和进而计算得到
按照步骤6),针对内壁裂纹或外壁裂纹,当i=1,2,…,270时,开展以下子步骤:
按照步骤S1,初始化参数。对于第i个测试集样本,定义粒子数目NP=30,粒子维度dim=4,最大迭代次数maxIter=100,惯性权重系数ω=0.8,加速常数c1=c2=2,随机系数r1=0.6和r2=0.3;粒子的位置矩阵速度矩阵vd_i=zeros(30,4),粒子个体最佳位置矩阵pbest_i=zeros(30,4),粒子群体最佳位置矩阵gbest_i=zeros(1,4),粒子个体最佳适应度pfit_i=zeros(30,1),粒子全局最佳适应度值gfit_i=1010;其中,ones(X,Y)表示生成X行Y列的全1矩阵,zeros(X,Y)表示生成X行Y列的全0矩阵。
按照步骤S2,初始化种群。对于第i个测试集样本,计算vd_i为(NP,dim)维的0到1之间的随机数矩阵;pbest_i=xd_i;当j=1,…,NP时,将xd_i的每一行代入磁偶极子模型计算进而pfit_i的第j行元素表示为然后将pfit_i列向量中最小的元素赋值给gfit_i,而最小元素对应的赋值给gbest_i。
按照步骤S3,计算每个粒子的适应度。对于第i个测试集样本,当j=1,…,NP时,将xd_i的每一行代入磁偶极子模型计算进而第i个测试集样本的第j个粒子的适应度表示为
按照步骤S4,根据粒子的适应度值更新个体最优和群体最优。对于第i个测试集样本,当j=1,…,NP时,如果Δij<pfit_i(j),则pfit_i(j)用Δij代替,且如果pfit_i(j)<gfit_i,则且gfit_i=pfit_i(j)。
按照步骤S5,更新每个粒子的速度和位置。对于第i个测试集样本,当j=1,…,NP时,用如下公式(27)和公式(28)依次更新每个粒子的速度和位置。
vd_i(j)=ω·vd_i(j)+c1·r1·(pbest_i(j)-xd_i(j))+c2·r2·(gbest_i(j)-xd_i(j))(27)
xd_i(j)=xd_i(j)+vd_i(j) (28)
按照步骤S6,判断是否满足收敛条件。对于第i个测试集样本,如果达到最大迭代数maxIter=100,或者如果满足gfit_i<ε,则记此时裂纹尺度为然后跳转步骤7);否则跳转步骤S3。
按照步骤7),采用电磁仿真法,针对内壁裂纹或外壁裂纹,当i=1,2,…,270时,在ANSYS软件中建立尺度为的裂纹模型,并搭建磁路和电路环境,然后在|H⊥|=|HA|激励的条件下,让仿真软件根据有限元方法自动输出正交孪生的前后差分动磁/涡流响应信号
按照步骤8),重复执行步骤1)至7)直到将第1阶段的270个测试集内/外壁裂纹漏磁信号和前后差分动磁/涡流信号全部正交孪生完毕为止。
图5A至图5D,图6A至图6D,图7A至图7D分别是测试集样本中3组不同尺度内壁裂纹信号正交孪生效果图。图5A、图5B、图6A、图6B、图7A和图7B中从左往右三幅图分别是原始输入的漏磁测量信号模值MA,图片标题为“输入信号”;经过MLOT输出的漏磁增强估计信号图片标题为“预测输出信号”;以及MLOT输出的理想信号f(αSAo,αS⊥),图片标题为“真实输出信号”。
图5C、图5D、图6C、图6D、图7C和图7D中从左往右两幅图分别是原始输入的前后差分动磁/涡流信号图片标题为“前后差分动磁/涡流原始信号”;以及经过正交孪生输出的前后差分动磁/涡流信号图片标题为“前后差分动磁/涡流增强信号”。
图5A至5D展示的是测试集中一个L=30mm,W=0.3mm,D=1.4mm,θ=0°的内壁裂纹,经过正交孪生得到的增强信号。其中,图5A和图5B是MA信号经过MLOT(“内壁裂纹信号正交孪生模型”)后信号增强效果图。可见,原始输入信号MA的漏磁场峰值仅有10Gs,经过正交孪生变换之后,MLOT输出信号的漏磁场峰值达到120Gs,信号被增强12倍;此外,由于该裂纹样本的倾斜角θ=0°,属于轴向裂纹,图5B表明,原始输入信号MA呈现双峰特征,甚至无法分辨它是一个轴向裂纹,然而经过正交孪生变换之后,MLOT输出信号清楚反映了它的轴向裂纹特征,因而信号对该轴向裂纹后续的尺度量化、轮廓重构提供了有利条件。图5C和图5D是对该轴向裂纹前后差分动磁/涡流信号的信号增强效果。可见,该轴向裂纹的原始信号信噪比(SNR)较低,甚至被淹没在背景噪声中;而经过正交孪生输出的信号,峰峰值达到了120mV,SNR提高了大约10dB,从俯视效果图中可以明显看出该轴向裂纹的信号特征,这为进一步提高该轴向裂纹的尺度量化、形状重构精度提供了有力支撑。
图6A至6D展示的是测试集中一个L=40mm,W=0.3mm,D=2.5mm,θ=3°的内壁裂纹,经过正交孪生得到的增强信号。其中,图6A和图6B是MA信号经过MLOT(“内壁裂纹信号正交孪生模型”)后信号增强效果图。可见,原始输入信号MA的漏磁场峰值仅有12Gs,经过正交孪生变换之后,MLOT输出信号的漏磁场峰值达到150Gs,信号被增强12.5倍;同样,由于该裂纹样本的倾斜角θ=3°,属于小倾斜角裂纹,图6B表明,该裂纹经过正交孪生变换之后,MLOT输出信号增强了裂纹信号特征,为对其进行尺度的高精度量化创造了有利条件。图6C和图6D是对该裂纹前后差分动磁/涡流信号的信号增强效果。可见,该裂纹的原始信号信噪比(SNR)较低,甚至被淹没在背景噪声中;而经过正交孪生输出的信号,峰峰值达到了120mV,SNR提高了大约15dB,从俯视效果图中可以明显看出该裂纹信号的微倾斜特征,这为进一步提高该裂纹的尺度量化、形状重构精度打下了基础。
图7A至图7D展示的是测试集中一个L=60mm,W=0.4mm,D=2.9mm,θ=18°的内壁裂纹,经过正交孪生得到的增强信号。其中,图7A和图7B是MA信号经过MLOT(“内壁裂纹信号正交孪生模型”)后信号增强效果图。可见,原始输入信号MA的漏磁场峰值仅有60Gs,经过正交孪生变换之后,MLOT输出信号的漏磁场峰值达到200Gs,信号被增强3.3倍,因而MLOT输出信号也有利于该裂纹的高精度量化。图7C和图7D是对该裂纹前后差分动磁/涡流信号的信号增强效果。可见,该裂纹的原始信号信噪比(SNR)较低,甚至被淹没在背景噪声中;而经过正交孪生输出的信号,峰峰值达到了170mV,SNR提高了大约13dB,从俯视效果图中可以看出该裂纹信号的倾斜特征,这有助于进一步提高该裂纹的尺度量化、形状重构精度。
本公开实施例还提供了一种油气管道裂纹信号正交孪生装置,包括:1)3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头,可实现采集前后差分动磁/涡流信号以及左右线圈差分动磁/涡流信号;2)存储指令、算法、模型的存储器;3)执行油气管道裂纹信号正交孪生方法的处理器;4)显示信号增强结果的显示器;5)连接各个单元的总线系统。
在一个示例中,如图8所示,一种油气管道裂纹信号正交孪生装置可包括:3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头810、存储器820、处理器830、显示器840和总线系统850,其中,3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头810、存储器820、处理器830、显示器840通过该总线系统850相连;3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头810用于检测并获得单向直流励磁条件下尺度为(L,W,D,θ)的裂纹响应微弱信号,包括3轴漏磁信号和前后差分动磁/涡流信号和左右差分动磁/涡流信号;存储器820用于存储指令及“裂纹信号正交孪生模型”等,处理器830用于执行存储器820存储的指令,以通过油气管道裂纹信号正交孪生方法进行信号正交孪生。具体地,处理器830可以训练“裂纹信号正交孪生模型”;可对不同倾斜角的裂纹弱信号进行增强;最后通过显示器840将增强结果显示出来。
应理解,存储器820可以包括只读存储器和随机存取存储器,并向处理器830提供指令和数据,包括所述的“裂纹信号正交孪生模型”等。存储器820的一部分还可以包括非易失性随机存取存储器。例如,存储器820还可以存储设备类型的信息。
处理器830可以是中央处理单元(Central Processing Unit,CPU),处理器830还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器830也可以是任何常规的处理器等。
显示器840除了显示信号增强结果之外,还可以通过裂纹分析软件显示存储器820中的裂纹检测数据。
总线系统850除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。
在实现过程中,一种油气管道裂纹信号正交孪生装置所执行的处理可以通过处理器830中的硬件的集成逻辑电路或者软件形式的指令完成。即本公开实施例的一种油气管道裂纹信号正交孪生装置步骤可以由硬件处理器执行完成,或者用处理器830中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等存储介质中。该存储介质位于存储器820,处理器830读取存储器820中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本公开实施例还提供了一种存储介质,该存储介质存储有可执行指令,该可执行指令被处理器执行时可以实现本公开上述任一实施例提供的油气管道裂纹信号正交孪生方法;此外,存储介质还可以存储“裂纹信号正交孪生模型”。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
虽然本公开所揭露的实施方式如上,但所述的内容仅为便于理解本公开而采用的实施方式,并非用以限定本公开。任何本公开所属领域内的技术人员,在不脱离本公开所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本公开的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种油气管道裂纹信号的正交孪生方法,其特征在于,包括:
获取在单向直流励磁条件下内壁裂纹或者外壁裂纹的三轴漏磁测量信号模值,获取在与直流励磁正交的动态磁场激励条件下的动磁信号或涡流信号,所述单向直流励磁指具有单一方向的直流励磁方式;
将所述三轴漏磁测量信号模值输入裂纹信号正交孪生模型,得到漏磁增强估计信号,所述漏磁增强估计信号为仿真的正交孪生三轴漏磁信号模值的函数,所述正交孪生三轴漏磁信号模值为在虚拟正交孪生直流励磁条件下的三轴漏磁响应信号模值,所述虚拟正交孪生直流励磁与所述单向直流励磁同平面、大小相等且方向垂直;
所述正交孪生被定义为,在已知单向直流励磁的原始响应信号的条件下,得到与单向直流励磁同平面、大小相等、方向垂直的孪生磁场对应的响应信号,得到的响应信号被定义为孪生响应信号,所述孪生响应信号与所述原始响应信号构成孪生关系,将所述原始响应信号变换为所述孪生响应信号的过程定义为正交孪生变换。
2.根据权利要求1所述的方法,其特征在于,所述漏磁增强估计信号为仿真最优三轴漏磁信号模值SAo与仿真的正交孪生三轴漏磁信号模值S⊥的函数f(αSAo,αS⊥),所述仿真最优三轴漏磁信号模值SAo是使||αSA-MA||F最小的仿真三轴漏磁信号模值,MA为所述三轴漏磁测量信号模值,SA为将裂纹尺度代入磁偶极子模型得到的仿真三轴漏磁信号模值,‖·‖F为矩阵的Frobenius范数,α为调节因子,其中:
分别是仿真三轴漏磁信号的X轴分量、Y轴分量以及Z轴分量,所述X轴方向与所述单向直流励磁的激励方向相同,所述Y轴方向在所述油气管道平面内与所述X轴方向垂直,所述Z轴方向分别与所述X轴方向和Y轴方向垂直;
分别是正交孪生三轴漏磁信号的X轴分量、Y轴分量以及Z轴分量;
调节因子α等于MA矩阵的最大元素除以初始矩阵的最大元素,所述初始矩阵为将裂纹实测尺度代入磁偶极子模型计算所得的仿真三轴漏磁信号模值组成的矩阵。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对于多个裂纹样本,使用在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的所述漏磁增强估计信号训练所述裂纹信号正交孪生模型,其中,每个所述裂纹样本对应的漏磁增强估计信号通过如下方法生成:
以所述裂纹样本的实测尺度为初始的裂纹尺度;
用MA矩阵的最大元素除以初始矩阵的最大元素得到调节因子α,MA为所述三轴漏磁测量信号模值;
计算||αSA-MA||F,其中SA为将裂纹尺度代入磁偶极子模型得到的仿真三轴漏磁信号模值,‖·‖F为矩阵的Frobenius范数;
反复调节所述裂纹尺度,并将所述裂纹尺度输入裂纹磁偶极子模型,直到得到使||αSA-MA||F最小的最优裂纹尺度,与所述最优裂纹尺度对应的仿真三轴漏磁信号模值即为仿真最优三轴漏磁信号模值SAo;
将所述最优裂纹尺度输入裂纹正交磁偶极子模型,得到所述仿真的正交孪生三轴漏磁信号模值S⊥;
将所述SAo与S⊥代入公式从而生成所述漏磁增强估计信号。
4.根据权利要求3所述的方法,其特征在于,对于所述多个裂纹样本,使用在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的所述漏磁增强估计信号训练所述裂纹信号正交孪生模型,包括:
将每个裂纹样本在单向直流励磁激励条件下的三轴漏磁测量信号模值以及对应的漏磁增强估计信号标记为一组正交孪生映射对;
将N组正交孪生映射对按照比例k:(1-k)随机拆分为训练集和测试集,其中,0<k<1;
使用k×N组所述正交孪生映射对搭建并训练所述裂纹信号正交孪生模型,使用(1-k)×N组所述正交孪生映射对测试所述裂纹信号正交孪生模型。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述漏磁增强估计信号计算裂纹最优尺度中间变量;
将所述裂纹尺度分别输入裂纹磁偶极子模型和裂纹正交磁偶极子模型,得到仿真三轴漏磁信号模值和仿真正交孪生三轴漏磁信号模值;
根据得到的仿真三轴漏磁信号模值和仿真正交孪生三轴漏磁信号模值,计算二次漏磁增强估计信号;
检测所述漏磁增强估计信号与所述二次漏磁增强估计信号的差值的Frobenius范数是否小于预设的阈值;
当所述漏磁增强估计信号与所述二次漏磁增强估计信号的差值的Frobenius范数小于预设的阈值时,将输入的所述裂纹尺度作为裂纹最优尺度中间变量;
当所述漏磁增强估计信号与所述二次漏磁增强估计信号的差值的Frobenius范数大于或等于预设的阈值时,调节输入的所述裂纹尺度,并返回将所述裂纹尺度分别输入裂纹磁偶极子模型和裂纹正交磁偶极子模型的步骤继续执行。
6.根据权利要求5所述的方法,其特征在于,根据所述漏磁增强估计信号计算裂纹尺度初值,包括:
根据预设的二值化阈值,对所述漏磁增强估计信号进行二值化处理,得到二值化漏磁增强估计信号;
根据所述二值化漏磁增强估计信号的边缘轮廓计算裂纹的长度初值、宽度初值和倾斜角初值;
计算所述漏磁增强估计信号的峰值,并将计算出的峰值作为裂纹的深度初值。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在虚拟正交孪生直流励磁的激励下,以所述裂纹最优尺度中间变量为输入,通过动磁或涡流信号映射,输出孪生动磁或涡流响应信号。
8.根据权利要求1所述的方法,其特征在于,所述裂纹信号正交孪生模型为通过卷积神经网络实现的自编码器模型,所述自编码器模型包括编码器部分和解码器部分。
9.一种油气管道裂纹信号正交孪生装置,其特征在于,包括:单向直流励磁条件下的漏磁传感器探头,单向直流励磁以及与直流励磁正交的动态磁场激励条件下的动磁或涡流传感器探头,存储指令、算法、模型的存储器,执行如权利要求1至8中任一项所述的油气管道裂纹信号正交孪生方法的处理器,以及连接各个单元的总线系统。
10.一种存储介质,其特征在于,其上存储有油气管道裂纹信号正交孪生方法的程序,该程序被处理器执行时实现如权利要求1至8中任一项所述的油气管道裂纹信号正交孪生方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311034637.8A CN117007673B (zh) | 2023-08-16 | 2023-08-16 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311034637.8A CN117007673B (zh) | 2023-08-16 | 2023-08-16 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117007673A true CN117007673A (zh) | 2023-11-07 |
CN117007673B CN117007673B (zh) | 2024-01-23 |
Family
ID=88567161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311034637.8A Active CN117007673B (zh) | 2023-08-16 | 2023-08-16 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117007673B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05203629A (ja) * | 1992-01-23 | 1993-08-10 | Toshiba Corp | 電磁気探傷方法およびその装置 |
US20110148405A1 (en) * | 2008-08-27 | 2011-06-23 | Jfe Steel Corporation | Magnetism measuring method and device |
CN114636754A (zh) * | 2022-03-09 | 2022-06-17 | 清华大学 | 一种基于漏磁空间积分的裂纹缺陷量化方法和装置 |
CN115358283A (zh) * | 2022-05-23 | 2022-11-18 | 西安电子科技大学 | 电磁信号孪生深度学习识别方法、装置、设备及存储介质 |
CN115577641A (zh) * | 2022-11-14 | 2023-01-06 | 成都飞机工业(集团)有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
CN115616067A (zh) * | 2022-10-28 | 2023-01-17 | 昆明理工大学 | 一种管道检测数字孪生系统 |
CN115758084A (zh) * | 2022-11-21 | 2023-03-07 | 清华大学 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
-
2023
- 2023-08-16 CN CN202311034637.8A patent/CN117007673B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05203629A (ja) * | 1992-01-23 | 1993-08-10 | Toshiba Corp | 電磁気探傷方法およびその装置 |
US20110148405A1 (en) * | 2008-08-27 | 2011-06-23 | Jfe Steel Corporation | Magnetism measuring method and device |
CN114636754A (zh) * | 2022-03-09 | 2022-06-17 | 清华大学 | 一种基于漏磁空间积分的裂纹缺陷量化方法和装置 |
CN115358283A (zh) * | 2022-05-23 | 2022-11-18 | 西安电子科技大学 | 电磁信号孪生深度学习识别方法、装置、设备及存储介质 |
CN115616067A (zh) * | 2022-10-28 | 2023-01-17 | 昆明理工大学 | 一种管道检测数字孪生系统 |
CN115577641A (zh) * | 2022-11-14 | 2023-01-06 | 成都飞机工业(集团)有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
CN115758084A (zh) * | 2022-11-21 | 2023-03-07 | 清华大学 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
Non-Patent Citations (3)
Title |
---|
GUANYU PIAO, ET AL.: "High-Sensitivity Real-Time Tracking System for High-Speed Pipeline Inspection Gauge", 《SENSORS》, vol. 19, pages 1 - 21 * |
曹熙 等: "基于三维漏磁测量的腐蚀检测探头设计", 机电产品开发与创新, vol. 24, no. 6, pages 111 - 113 * |
胡铁华: "油气管道内检测新技术与装备的开发及应用", 《天然气工业》, vol. 39, no. 1, pages 118 - 124 * |
Also Published As
Publication number | Publication date |
---|---|
CN117007673B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Development of a physics-informed doubly fed cross-residual deep neural network for high-precision magnetic flux leakage defect size estimation | |
Piao et al. | Fast reconstruction of 3-D defect profile from MFL signals using key physics-based parameters and SVM | |
Priewald et al. | Fast magnetic flux leakage signal inversion for the reconstruction of arbitrary defect profiles in steel using finite elements | |
Li et al. | Three-dimensional defect reconstruction from eddy-current NDE signals using a genetic local search algorithm | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
Li et al. | Quick reconstruction of arbitrary pipeline defect profiles from MFL measurements employing modified harmony search algorithm | |
Chen et al. | Reconstruction of crack shapes from the MFLT signals by using a rapid forward solver and an optimization approach | |
CN112082496A (zh) | 基于改进数字体图像相关法的混凝土内部变形测量方法及系统 | |
CN115758084B (zh) | 一种深度神经网络裂纹量化方法及装置、存储介质 | |
AU2020271967B2 (en) | Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion | |
Lin et al. | A spectrum-domain instance segmentation model for casting defects | |
Pan et al. | A novel method for defects marking and classifying in MFL inspection of pipeline | |
CN111448453B (zh) | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 | |
Launay et al. | Deep multimodal autoencoder for crack criticality assessment | |
Li et al. | Defect profile reconstruction from MFL signals based on a specially-designed genetic taboo search algorithm | |
CN117007673B (zh) | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 | |
Gobov et al. | Solving the inverse geometric problem of magnetostatics for corrosion defects | |
Chen | Three-axial MFL inspection in pipelines for defect imaging using a hybrid inversion procedure | |
CN116754632B (zh) | 基于正交孪生的油气管道裂纹量化方法及装置、存储介质 | |
CN113984880B (zh) | 对管道金属损失缺陷生成三维轮廓的方法及装置 | |
Dutta | Magnetic Flux Leakage Sensing: The Forward and | |
Blanco et al. | Simulation for magnetic flux leakage signal interpretation: A FE-approach to support in-line magnetic pipeline pigging | |
CN113075289B (zh) | 一种金属圆柱缺陷参数检测方法及系统 | |
Zhang et al. | Defect reconstruction from magnetic flux leakage measurements employing modified cuckoo search algorithm | |
Chen et al. | Equivalent MFL model of pipelines for 3-D defect reconstruction using simulated annealing inversion procedure |
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 |