CN117388353A - 管道缺陷程度高准确度量化的分析方法 - Google Patents
管道缺陷程度高准确度量化的分析方法 Download PDFInfo
- Publication number
- CN117388353A CN117388353A CN202311534147.4A CN202311534147A CN117388353A CN 117388353 A CN117388353 A CN 117388353A CN 202311534147 A CN202311534147 A CN 202311534147A CN 117388353 A CN117388353 A CN 117388353A
- Authority
- CN
- China
- Prior art keywords
- defect
- pipeline
- neural network
- network model
- depth
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 310
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 135
- 238000003062 neural network model Methods 0.000 claims abstract description 71
- 238000013139 quantization Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000011002 quantification Methods 0.000 claims abstract description 12
- 230000005415 magnetization Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000004907 flux Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 229920006395 saturated elastomer Polymers 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 abstract description 12
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了管道缺陷程度高准确度量化的分析方法,属于管道缺陷分析技术领域。本发明解决了现有方法准确性低的问题,通过创建检测试样管道并对其饱和磁化,利用三维传感器阵列采样;提取轴向分量微分信号峰谷间距、周向分量峰谷中值间距和径向分量峰谷值,作为缺陷长度、缺陷宽度和缺陷深度的量化参数;并将对应两者拟合得到缺陷深度量化结果,将缺陷长度和缺陷宽度导入神经网络模型中训练;采集未知缺陷管道的漏磁检测数据,按上述方法得出缺陷长度、缺陷宽度及与径向分量峰谷值,将缺陷长度与缺陷宽度导入神经网络模型预测出缺陷深度拟合参量;再将缺陷深度拟合参量与径向分量峰谷值拟合得出该缺陷深度,提高了管道缺陷量化分析的准确性。
Description
技术领域
本发明涉及管道缺陷分析技术领域,具体为管道缺陷程度高准确度量化的分析方法。
背景技术
管道内检测作为管道完整性管理的关键技术之一,是国内外管道企业常用的管道缺陷检测方法;管道内检测能够对管道缺陷进行识别、定位及量化,从而为管道事故预防、维护维修提供科学依据。管道内检测器的性能直接决定其能否系统地识别管道本体隐患,是管道运营企业根据管道实际情况选择适宜检测器的关键因素。
目前管道的缺陷分析流程一般是先收集数据、然后确定损伤机制,根据工艺影响、应力等监测数据、管道外部环境、历史施工资料及其他因素确定评价方法;但现有的管道缺陷量化分析方法,存在着信号特征来源欠缺,导致信号特征较为单一,从而降低了现有管道缺陷量化分析的准确性。
因此,不满足现有的需求,对此我们提出了管道缺陷程度高准确度量化的分析方法。
发明内容
本发明的目的在于提供管道缺陷程度高准确度量化的分析方法,通过创建检测试样管道并对其饱和磁化,利用三维传感器阵列采样;提取轴向分量微分信号峰谷间距、周向分量峰谷中值间距和径向分量峰谷值,作为缺陷长度、缺陷宽度和缺陷深度的量化参数;并将对应两者拟合得到缺陷深度量化结果,将缺陷长度和缺陷宽度导入神经网络模型中训练;采集未知缺陷管道的漏磁检测数据,按上述方法得出缺陷长度、缺陷宽度及与径向分量峰谷值,将缺陷长度与缺陷宽度导入神经网络模型预测出缺陷深度拟合参量;再将缺陷深度拟合参量与径向分量峰谷值拟合得出该缺陷深度,提高了管道缺陷量化分析的准确性,解决了上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:管道缺陷程度高准确度量化的分析方法,包括以下步骤:
S1:创建与被检测部件相同材质、相同厚度的管道为检测试样管道,对检测试样沿三轴等距相同的设定人工标准缺陷,并在检测试样管道内预先排设三维传感器阵列,由此采集检测试样管道的缺陷检测数据;
S2:通过创建直流磁化场对检测试样管道的管壁进行饱和磁化,并基于预先排设的三维传感器阵列在检测试样管道内以预设采样速度进行相等间距采样,由此获得标准缺陷下检测试样管道的轴向、径向和周向的离散三维漏磁检测数据,以作为检测试样管道的缺陷检测样本;
S3:通过对缺陷检测样本进行过滤处理,提取缺陷检测样本中轴向分量微分信号峰谷间距,以作为缺陷长度的量化参数;并对轴向分量微分信号峰谷间距和缺陷长度进行线性拟合,得到缺陷长度量化结果;提取周向分量峰谷中值间距,以作为缺陷宽度的量化参数,并对周向分量峰谷中值间距和缺陷宽度进行线性拟合,得到缺陷宽度量化结果;提取径向分量峰谷值,即径向分量的波峰和波谷之间的差值,将径向分量峰谷值作为缺陷深度的量化参数;并对径向分量峰谷与缺陷深度进行线性拟合,得到缺陷深度量化结果;
S4:创建神经网络模型,将缺陷检测样本导入神经网络模型中进行训练与测试,由此输出测试结果;
S5:对未知缺陷管道按S1中三维传感器阵列进行排布,利用三维传感器阵列采集离散三维漏磁检测数据,并按S3-S4操作步骤,计算得出未知缺陷管道的缺陷深度。
进一步的,所述S3中对缺陷检测样本进行过滤处理,具体为:
通过对三维传感器阵列所采集的三维漏磁检测数据取平均值,并以平均值的预设倍数作为阈值对所采集的检测数据进行过滤,由此提取出缺陷检测样本中检测数据;该检测数据为漏磁信号特征,漏磁信号特征包括:周向漏磁信号特征、径向漏磁信号和轴向漏磁信号特征。
进一步的,所述S4中创建神经网络模型前,还包括:将缺陷检测样本中检测数据作为样本集,并将该样本集划分为训练样本集与测试样本集。
进一步的,所述S4中创建神经网络模型,将缺陷检测样本导入神经网络模型中进行训练与测试,具体为:
通过将训练样本集导入神经网络模型中进行训练,由此输出训练结果;再将测试样本集导入神经网络模型中进行测试,由此输出测试结果;并将训练结果和测试结果分别与所得到的缺陷深度量化结果进行比对,由此确保神经网络模型计算结果的准确性。
进一步的,所述S5中对未知缺陷管道按S3-S4操作步骤,计算得出未知缺陷管道的缺陷深度,具体为:
对未知缺陷管道按S1中三维传感器阵列进行排布,利用三维传感器阵列采集离散三维漏磁检测数据;按S3中依次提取出离散三维漏磁检测数据的缺陷长度、缺陷宽度与径向分量峰谷值,并将该缺陷长度与缺陷宽度导入神经网络模型中进行计算,由此预测出缺陷深度拟合参量;再将该缺陷深度拟合参量与径向分量峰谷值进行拟合,由此得出未知缺陷管道的缺陷深度。
进一步的,所述S1中对检测试样沿三轴等距相同的设定人工标准缺陷,标准缺陷包括:缺陷长度、缺陷宽度、缺陷深度。
进一步的,所述S1中在检测试样管道内预先排设三维传感器阵列时,需将该三维传感器阵列沿着检测试样管道径向依次布置,同时该径向指向检测试样管道的缺陷处。
进一步的,所述S2中预先排设的三维传感器阵列在检测试样管道内的采样间距为0.4-9.0mm。
进一步的,所述S2中预先排设的三维传感器阵列在检测试样管道内的预设采样速度为为0.1-4.0m/s。
进一步的,将训练结果和测试结果分别与所得到的缺陷深度量化结果进行比对,若训练结果和测试结果分别与所得到的缺陷深度量化结果相一致,则判定当前神经网络模型计算过程运行正常,并将未知缺陷管道的检测数据导入该神经网络模型进行计算;若训练结果和测试结果分别与所得到的缺陷深度量化结果不一致,则判定当前神经网络模型计算过程运行异常,并将缺陷检测样本重新导入神经网络模型进行训练与测试,直至训练结果和测试结果分别与所得到的缺陷深度量化结果相一致。
与现有技术相比,本发明的有益效果是:
本发明,通过创建检测试样管道并设定人工缺陷与排设三维传感器阵列,对检测试样管道进行饱和磁化,利用三维传感器阵列在检测试样管道内进行采样;对缺陷检测样本进行过滤处理,提取轴向分量微分信号峰谷间距作为缺陷长度的量化参数;并对轴向分量微分信号峰谷间距和缺陷长度进行线性拟合,得到缺陷长度量化结果;提取周向分量峰谷中值间距作为缺陷宽度的量化参数,并对周向分量峰谷中值间距和缺陷宽度进行线性拟合,得到缺陷宽度量化结果;提取径向分量峰谷值为缺陷深度的量化参数,并对径向分量峰谷与缺陷深度进行拟合,得到缺陷深度量化结果;将上述缺陷长度和缺陷宽度作为输入量导入神经网络模型中进行训练,将缺陷深度作为输出量,并将输出结果与缺陷深度进行比对,以确保神经网络模型计算的准确性;在确定神经网络模型的准确性后,利用三维传感器阵列采集未知缺陷管道的离散三维漏磁检测数据,并按上述方法计算出未知缺陷管道的缺陷长度、缺陷宽度及与径向分量峰谷值,并将该缺陷长度与缺陷宽度导入神经网络模型中进行计算,由此预测出缺陷深度拟合参量;再将该缺陷深度拟合参量与径向分量峰谷值进行拟合,由此得出未知缺陷管道的缺陷深度,从而有效提高管道缺陷程度量化分析的准确性。
附图说明
图1为本发明的管道缺陷程度高准确度量化的分析方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
为了解决现有管道缺陷量化分析方法存在信号特征来源欠缺,导致信号特征较为单一,从而降低了现有管道缺陷量化分析准确性的技术问题,请参阅图1,本实施例提供以下技术方案:
管道缺陷程度高准确度量化的分析方法,包括以下步骤:
S1:创建与被检测部件相同材质、相同厚度的管道为检测试样管道,对检测试样沿三轴等距相同的设定人工标准缺陷,其标准缺陷包括:缺陷长度、缺陷宽度、缺陷深度;并在检测试样管道内预先排设三维传感器阵列,由此采集检测试样管道的缺陷检测数据;在检测试样管道内预先排设三维传感器阵列时,需将该三维传感器阵列沿着检测试样管道径向依次布置,同时该径向指向检测试样管道的缺陷处;具体的,通过与被检测部件相同材质、相同厚度的管道作为检测试样管道,并对其试样管道进行人工设定缺陷长度、宽度及其深度,从而形成管道缺陷分析用检测模具;并基于人工设定的缺陷为采样路径,利用所排布的三维传感器阵列在其模具管道内进行采集缺陷数据,由此使得检测数据可用作于检测样本,从而为已投入使用且未知缺陷的管道提供分析载体,进而提高了现有管道缺陷量化分析的准确性。
S2:通过创建直流磁化场对检测试样管道的管壁进行饱和磁化,并基于预先排设的三维传感器阵列在检测试样管道内以预设采样速度进行相等间距采样,由此获得标准缺陷下检测试样管道的轴向、径向和周向的离散三维漏磁检测数据,以作为检测试样管道的缺陷检测样本;其中,三维传感器阵列在检测试样管道内的采样间距为0.4-9.0mm,预设采样速度为为0.1-4.0m/s;具体的,创建直流磁化场对检测试样管道的管壁进行饱和磁化,可通过调节磁化器各参数使得管道内壁达到饱和状态,而可调节的磁化器参数有:磁铁矫顽力、磁铁长度、磁铁宽度、磁铁厚度及磁极间距;通过上述方法使管道内壁达到饱和状态后,按照0.4-9.0mm的采样间距将三维传感器阵列预先排设于检测试样管道内,并以0.1-4.0m/s的速度为检测试样管道采集轴向、径向和周向的离散三维漏磁检测数据,基于此作为检测样本,从而为现有管道缺陷量化分析提供实验载体。
S3:通过对缺陷检测样本进行过滤处理,提取缺陷检测样本中轴向分量微分信号峰谷间距,以作为缺陷长度的量化参数;并对轴向分量微分信号峰谷间距和缺陷长度进行线性拟合,得到缺陷长度量化结果;提取周向分量峰谷中值间距,以作为缺陷宽度的量化参数,并对周向分量峰谷中值间距和缺陷宽度进行线性拟合,得到缺陷宽度量化结果;提取径向分量峰谷值,即径向分量的波峰和波谷之间的差值,将径向分量峰谷值作为缺陷深度的量化参数;并对径向分量峰谷与缺陷深度进行线性拟合,得到缺陷深度量化结果;其中,对缺陷检测样本进行过滤处理具体为:通过对三维传感器阵列所采集的三维漏磁检测数据取平均值,并以平均值的预设倍数作为阈值对所采集的检测数据进行过滤,由此提取出缺陷检测样本中检测数据;该检测数据为漏磁信号特征,漏磁信号特征包括:周向漏磁信号特征、径向漏磁信号和轴向漏磁信号特征;具体的,通过对缺陷检测样本中的数据进行计算平均值,并按照平均值的倍数作为阈值来剔除不符合阈值范围的无效数据,由此提高检测样本的可靠性;再按上述方法对检测样本中的数据分别提取出轴向分量微分信号峰谷间距作为缺陷长度的量化参数、周向分量峰谷中值间距作为缺陷宽度的量化参数、径向分量峰谷值作为缺陷深度的量化参数;其中,缺陷长度与缺陷宽度用于导入神经网络模型中进行测试,径向分量峰谷值为检测试样管道的缺陷深度,同时还用于验证神经网络模型所输出的测试结果是否准确,从而提高神经网络模型计算的精准性,进而提高现有管道缺陷量化分析的准确性。
在一优选的实施例中,如:通过提取缺陷检测样本中轴向分量微分信号峰谷间距A作为缺陷长度a的量化参数、周向分量峰谷中值间距B作为缺陷宽度b的量化参数、径向分量峰谷值C作为缺陷深度c的量化参数;其中,A、a/B、b/C、c可为任意一个自然数;将缺陷长度a与缺陷宽度b作为输入量,c作为输出量,将缺陷长度a与缺陷宽度b导入神经网络模型中进行测试,从而输出测试结果d;再将d与径向分量峰谷值C进行拟合,从而得出检测试样管道的缺陷深度d+。
S4:创建神经网络模型,将缺陷检测样本导入神经网络模型中进行训练与测试,由此输出测试结果;在创建神经网络模型前,还包括:将缺陷检测样本中检测数据作为样本集,并将该样本集划分为训练样本集与测试样本集;具体的,通过创建神经网络模型,并将缺陷检测样本中所提取的缺陷宽度与缺陷长度进行训练与测试,并将神经网络模型所输出的训练结果与根据缺陷检测样本中所提取的径向分量峰谷值及其拟合得到的缺陷深度量化结果进行比对,由此确保神经网络模型计算的精准性。
S5:对未知缺陷管道按S1中三维传感器阵列进行排布,利用三维传感器阵列采集离散三维漏磁检测数据,并按S3-S4操作步骤,计算得出未知缺陷管道的缺陷深度;具体为:对未知缺陷管道按S1中三维传感器阵列进行排布,利用三维传感器阵列采集离散三维漏磁检测数据;按S3中依次提取出离散三维漏磁检测数据的缺陷长度、缺陷宽度与径向分量峰谷值,并将该缺陷长度与缺陷宽度导入神经网络模型中进行计算,由此预测出缺陷深度拟合参量;再将该缺陷深度拟合参量与径向分量峰谷值进行拟合,由此得出未知缺陷管道的缺陷深度;接上述实施例,在确保神经网络模型计算的准确性后,通过在未知缺陷管道内按照0.4-9.0mm的采样间距排布三维传感器阵列,并以0.1-4.0m/s的速度为未知缺陷管道采集轴向、径向和周向的离散三维漏磁检测数据;基于S3中按照平均值的倍数作为阈值来剔除不符合阈值范围的无效数据,再将处理后离散三维漏磁检测数据提取出轴向分量微分信号峰谷间距E作为缺陷长度e的量化参数、周向分量峰谷中值间距F作为缺陷宽度f的量化参数和径向分量峰谷值G;将缺陷长度e与缺陷宽度f导入训练后的神经网络模型中进行训练,由此输出缺陷深度预测值H;再将缺陷深度预测值H与径向分量峰谷值G进行拟合,由此得出未知缺陷管道的缺陷深度值H+。
上述内容的工作原理:通过创建检测试样管道并设定人工缺陷与排设三维传感器阵列,对检测试样管道进行饱和磁化,利用三维传感器阵列在检测试样管道内进行采样;对缺陷检测样本进行过滤处理,提取轴向分量微分信号峰谷间距作为缺陷长度的量化参数;并对轴向分量微分信号峰谷间距和缺陷长度进行线性拟合,得到缺陷长度量化结果;提取周向分量峰谷中值间距作为缺陷宽度的量化参数,并对周向分量峰谷中值间距和缺陷宽度进行线性拟合,得到缺陷宽度量化结果;提取径向分量峰谷值为缺陷深度的量化参数,并对径向分量峰谷与缺陷深度进行拟合,得到缺陷深度量化结果;将上述缺陷长度和缺陷宽度作为输入量导入神经网络模型中进行训练,将缺陷深度作为输出量,并将输出结果与缺陷深度进行比对,以确保神经网络模型计算的准确性;在确定神经网络模型的准确性后,利用三维传感器阵列采集未知缺陷管道的离散三维漏磁检测数据,并按上述方法计算出未知缺陷管道的缺陷长度、缺陷宽度及与径向分量峰谷值,并将该缺陷长度与缺陷宽度导入神经网络模型中进行计算,由此预测出缺陷深度拟合参量;再将该缺陷深度拟合参量与径向分量峰谷值进行拟合,由此得出未知缺陷管道的缺陷深度,从而有效提高管道缺陷程度量化分析的准确性。
S4中创建神经网络模型,将缺陷检测样本导入神经网络模型中进行训练与测试,具体为:通过将训练样本集导入神经网络模型中进行训练,由此输出训练结果;再将测试样本集导入神经网络模型中进行测试,由此输出测试结果;并将训练结果和测试结果分别与所得到的缺陷深度量化结果进行比对,若训练结果和测试结果分别与所得到的缺陷深度量化结果相一致,则判定当前神经网络模型计算过程运行正常,并将未知缺陷管道的检测数据导入该神经网络模型进行计算;若训练结果和测试结果分别与所得到的缺陷深度量化结果不一致,则判定当前神经网络模型计算过程运行异常,并将缺陷检测样本重新导入神经网络模型进行训练与测试,直至训练结果和测试结果分别与所得到的缺陷深度量化结果相一致,由此确保神经网络模型计算结果的准确性。
接上述实施例,如:通过将缺陷长度a与缺陷宽度b作为输入量导入神经网络模型中进行测试,由此输出测试结果d;再将测试结果d与径向分量峰谷值C进行拟合,从而得出检测试样管道的缺陷深度d+;此时缺陷深度c作为输出量,通过将经由神经网络模型计算得出的缺陷深度d+与拟合得到的缺陷深度c进行比对;若d+的数值与c的数值相一致,则判定当前神经网络模型计算过程运行正常,并将未知缺陷管道的检测数据导入该神经网络模型进行计算;若d+的数值与c的数值不一致,则判定当前神经网络模型计算过程运行异常,并将缺陷检测样本重新导入神经网络模型进行训练与测试;直至d+的数值与c的数值相一致为止,从而确保神经网络模型计算结果的准确性,进而提高现有管道缺陷程度量化分析的准确性。
工作原理:通过与被检测部件相同材质、相同厚度的管道作为检测试样管道,并对其试样管道进行人工设定缺陷长度、宽度及其深度,基于人工设定的缺陷为采样路径,由此采集的检测数据可用作于检测样本;利用该检测样本对其进行拟合计算得出管道缺陷深度值,并将该检测样本导入预先设定的神经网络模型中进行训练与测试,再将神经网络模型所输出的结果与拟合计算得出管道缺陷深度值,由此确保神经网络模型计算的准确性;在确定神经网络模型计算的准确性后,对未知缺陷的管道按上述方法进行数据采集及拟合处理,并将处理后的数据导入神经网络模型中进行计算,并将计算结果与未知缺陷管道的径向分量峰谷值进行拟合,由此得出未知缺陷管道的缺陷深度。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.管道缺陷程度高准确度量化的分析方法,其特征在于,包括以下步骤:
S1:创建与被检测部件相同材质、相同厚度的管道为检测试样管道,对检测试样沿三轴等距相同的设定人工标准缺陷,并在检测试样管道内预先排设三维传感器阵列,由此采集检测试样管道的缺陷检测数据;
S2:通过创建直流磁化场对检测试样管道的管壁进行饱和磁化,并基于预先排设的三维传感器阵列在检测试样管道内以预设采样速度进行相等间距采样,由此获得标准缺陷下检测试样管道的轴向、径向和周向的离散三维漏磁检测数据,以作为检测试样管道的缺陷检测样本;
S3:通过对缺陷检测样本进行过滤处理,提取缺陷检测样本中轴向分量微分信号峰谷间距,以作为缺陷长度的量化参数;并对轴向分量微分信号峰谷间距和缺陷长度进行线性拟合,得到缺陷长度量化结果;
提取周向分量峰谷中值间距,以作为缺陷宽度的量化参数,并对周向分量峰谷中值间距和缺陷宽度进行线性拟合,得到缺陷宽度量化结果;
提取径向分量峰谷值,径向分量的波峰和波谷之间的差值,将径向分量峰谷值作为缺陷深度的量化参数;并对径向分量峰谷与缺陷深度进行线性拟合,得到缺陷深度量化结果;
S4:创建神经网络模型,将缺陷检测样本导入神经网络模型中进行训练与测试,由此输出测试结果;
S5:对未知缺陷管道按S1中三维传感器阵列进行排布,利用三维传感器阵列采集离散三维漏磁检测数据,并按S3-S4操作步骤,计算得出未知缺陷管道的缺陷深度。
2.根据权利要求1所述的管道缺陷程度高准确度量化的分析方法,其特征在于:所述S3中对缺陷检测样本进行过滤处理,具体为:
通过对三维传感器阵列所采集的三维漏磁检测数据取平均值,并以平均值的预设倍数作为阈值对所采集的检测数据进行过滤,由此提取出缺陷检测样本中检测数据;该检测数据为漏磁信号特征,漏磁信号特征包括:周向漏磁信号特征、径向漏磁信号和轴向漏磁信号特征。
3.根据权利要求1所述的管道缺陷程度高准确度量化的分析方法,其特征在于:所述S4中创建神经网络模型前,还包括:将缺陷检测样本中检测数据作为样本集,并将该样本集划分为训练样本集与测试样本集。
4.根据权利要求1所述的管道缺陷程度高准确度量化的分析方法,其特征在于:所述S4中创建神经网络模型,将缺陷检测样本导入神经网络模型中进行训练与测试,具体为:
通过将训练样本集导入神经网络模型中进行训练,由此输出训练结果;再将测试样本集导入神经网络模型中进行测试,由此输出测试结果;并将训练结果和测试结果分别与所得到的缺陷深度量化结果进行比对,由此确保神经网络模型计算结果的准确性。
5.根据权利要求1所述的管道缺陷程度高准确度量化的分析方法,其特征在于:所述S5中对未知缺陷管道按S3-S4操作步骤,计算得出未知缺陷管道的缺陷深度,具体为:
对未知缺陷管道按S1中三维传感器阵列进行排布,利用三维传感器阵列采集离散三维漏磁检测数据;按S3中依次提取出离散三维漏磁检测数据的缺陷长度、缺陷宽度与径向分量峰谷值,并将该缺陷长度与缺陷宽度导入神经网络模型中进行计算,由此预测出缺陷深度拟合参量;再将该缺陷深度拟合参量与径向分量峰谷值进行拟合,由此得出未知缺陷管道的缺陷深度。
6.根据权利要求1所述的管道缺陷程度高准确度量化的分析方法,其特征在于:所述S1中对检测试样沿三轴等距相同的设定人工标准缺陷,标准缺陷包括:缺陷长度、缺陷宽度、缺陷深度。
7.根据权利要求1所述的管道缺陷程度高准确度量化的分析方法,其特征在于:所述S1中在检测试样管道内预先排设三维传感器阵列时,需将该三维传感器阵列沿着检测试样管道径向依次布置,同时该径向指向检测试样管道的缺陷处。
8.根据权利要求1所述的管道缺陷程度高准确度量化的分析方法,其特征在于:所述S2中预先排设的三维传感器阵列在检测试样管道内的采样间距为0.4-9.0mm。
9.根据权利要求1所述的管道缺陷程度高准确度量化的分析方法,其特征在于:所述S2中预先排设的三维传感器阵列在检测试样管道内的预设采样速度为为0.1-4.0m/s。
10.根据权利要求4所述的管道缺陷程度高准确度量化的分析方法,其特征在于:将训练结果和测试结果分别与所得到的缺陷深度量化结果进行比对,若训练结果和测试结果分别与所得到的缺陷深度量化结果相一致,则判定当前神经网络模型计算过程运行正常,并将未知缺陷管道的检测数据导入该神经网络模型进行计算;若训练结果和测试结果分别与所得到的缺陷深度量化结果不一致,则判定当前神经网络模型计算过程运行异常,并将缺陷检测样本重新导入神经网络模型进行训练与测试,直至训练结果和测试结果分别与所得到的缺陷深度量化结果相一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311534147.4A CN117388353A (zh) | 2023-11-17 | 2023-11-17 | 管道缺陷程度高准确度量化的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311534147.4A CN117388353A (zh) | 2023-11-17 | 2023-11-17 | 管道缺陷程度高准确度量化的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117388353A true CN117388353A (zh) | 2024-01-12 |
Family
ID=89441013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311534147.4A Pending CN117388353A (zh) | 2023-11-17 | 2023-11-17 | 管道缺陷程度高准确度量化的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117388353A (zh) |
-
2023
- 2023-11-17 CN CN202311534147.4A patent/CN117388353A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105203936A (zh) | 一种基于频谱分析的电力电缆局部放电缺陷类型判别方法 | |
CN104514987A (zh) | 管道三维漏磁成像缺陷量化方法 | |
CN101300482B (zh) | 管内面涡流探伤中的s/n比测量方法 | |
CN108562639B (zh) | 一种埋地钢质管道全生命周期缺陷外检测方法 | |
CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN108956111A (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
CN114252749A (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
CN106680366B (zh) | 一种热交换管涡流检测信号质量自动检测方法 | |
CN118051863B (zh) | 一种基于数字计量技术的健康数据采集系统及方法 | |
CN112284819A (zh) | 一种用于废水曝气池出水水质检测的取样方法 | |
CN106959336A (zh) | 用于漏磁检测标定的背景噪声去除装置及方法 | |
CN116985183A (zh) | 一种近红外光谱分析仪质量监测管理方法及系统 | |
CN117314020B (zh) | 一种浮游生物的湿地碳汇数据监测系统 | |
CN112215307B (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN117388353A (zh) | 管道缺陷程度高准确度量化的分析方法 | |
CN113624834A (zh) | 一种基于边际谱质心检测的缺陷深度识别方法、系统 | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
CN113177691A (zh) | 一种管网漏损分析算法 | |
CN114184154B (zh) | 一种基于随机森林和直流磁场的油气井套管内径检测方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN113408383A (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 | |
CN115096987B (zh) | 一种基于漏磁信号特征的管道缺陷量化方法 | |
CN112098306A (zh) | 一种基于自发漏磁检测钢筋锈蚀装置 | |
CN117906937B (zh) | 一种水压试验方法、试验系统及存储介质 |
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 |