CN1458442A - 管道缺陷漏磁检测数据的分析方法 - Google Patents
管道缺陷漏磁检测数据的分析方法 Download PDFInfo
- Publication number
- CN1458442A CN1458442A CN 03129749 CN03129749A CN1458442A CN 1458442 A CN1458442 A CN 1458442A CN 03129749 CN03129749 CN 03129749 CN 03129749 A CN03129749 A CN 03129749A CN 1458442 A CN1458442 A CN 1458442A
- Authority
- CN
- China
- Prior art keywords
- data
- defect
- pipeline
- analysis
- magnetic leakage
- 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
Images
Abstract
本发明公开了一种能够提高各种钢制管道缺陷检测信号分析效率和定量分析精度的管道缺陷漏磁检测数据分析处理方法。本发明通过下述技术方案予以实现，包括下述步骤：1.从管道缺陷漏磁检测器的数据存储设备中读取所有数据进行重新组织；2.读取需要分析的一段数据；3.用图形方式显示该段数据并对数据进行预处理；4.通过显示数据云图，判断管道是否有缺陷；5.若检测结果为有，则确定缺陷范围，并对缺陷进行定量分析，保存结果。本发明用于油气管道缺陷检测信号的分析中，可大大的提高各种管道缺陷检测信号的分析效率和分析精度。
Description
技术领域
本发明涉及一种数据分析方法，更具体地说，本发明涉及一种对管道缺陷检测数据的分析处理方法。
背景技术
随着经济的发展，各种长输油(气)管道在大量使用，同时随着时间的推移，管道会由于各种原因产生缺陷。为了对管道进行合理维护及提高事故的预防能力，降低或减少因抢修事故造成的经济损失以及环保等系列问题，使用管道漏磁缺陷检测器对成品油、原油、天然气、水等长输管道进行在线检测是最理想的选择。通过管道缺陷检测，能直观、准确、高效地记录下管道上由于各种原因造成的缺陷，科学、准确地给出管道缺损状况。管道漏磁检测器实际检测运行通常在几十公里甚至上百公里，采集后的漏磁检测采集到的数据量是巨大的，通常人工分析处理往往借助于经验，不仅效率底，缺乏科学依据，而且对管道缺陷的定量分析精度也难以提高。
发明内容
本发明的目的是克服现有技术中存在的不足，提供一种能够提高各种钢制管道缺陷检测信号分析效率和定量分析精度的管道缺陷漏磁检测数据分析处理方法。
本发明管道缺陷漏磁检测数据的分析方法，通过下述技术方案予以实现，包括下述步骤：
(1)从管道缺陷漏磁检测器的数据存储设备中读取所有数据进行重新组织；
(2)读取需要分析的一段数据；
(3)用图形方式显示该段数据并对数据进行预处理；
(4)通过显示数据云图，判断管道是否有缺陷；
(5)若检测结果为有，则确定缺陷范围，并对缺陷进行定量分析，保存结果；
(6)若步骤(4)的检测结果为无，则选择是否继续分析，若选择是，则返回步骤(2)；
(7)若步骤(6)选择否，则结束。
所述步骤(1)对数据进行重新组织是将数据导入工程数据库。所述步骤(2)是指可以读取任意位置的每6米管道数据的读取。所述步骤(5)是指确定缺陷范围，自动确定缺陷漏磁数据，并进行缺陷信号特征提取，依据相应的数学模型定量确定缺陷位置和大小。
本发明管道缺陷漏磁检测数据的分析方法可对采集到的信号加以各种形式的处理和分析，给出管道缺陷的位置和定量大小。在油气管道缺陷检测信号的分析中，充分发挥计算机的优势，由计算机进行缺陷的数据抽取和定量分析。可大大的提高各种管道缺陷检测信号的分析效率和分析精度。
附图说明
图1是数据读取及处理过程示意图；
图2是数据分析流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
如图1所示，管道缺陷漏磁检测器主要是采用漏磁无损检测原理由输送介质推动其在钢管内行走，通过自身磁感应探头检测漏磁信号被记录到检测器上的存储器中。检测完毕后通过接口装置进行数据交换，并近一步进行数据分析处理，以便评估检测钢管是否有缺陷和缺陷大小。
首先，由于检测器采集的数据量极大，同时考虑到检测管道原有的数据(例如焊缝信息)，采用数据库技术对数据进行重新组织，如图2中步骤1。该数据库储存有待维修管道的数据信息等，同时可以存储检测的管道数据。建立了工程基础信息表、工程数据表、数据快速索引表、管道特征表、缺陷特征表。通过工程基础信息表，可获取每一次检测数据，通过工程数据表和数据快速索引表，可方便对管道数据进行定位和截取相应长度数据。通过管道特征数据表来获取缺陷的特征数据，对缺陷进行描述和评价。通过这些数据的组织方法，有效地维护了数据完整和相互之间依赖关系。
数据经过组织后就可以进行分析，分析时既可以从头开始，也可以从任意位置的截取数据，图2中步骤2。将截取数据即管道缺陷漏磁信号以各种方式的图形方式直观显示出来，图2中步骤3，这样可以通过对波形的观测，很容易对缺陷作定性分析和下一步决策。显示方式有漏磁信号谱阵显示和分析，同时也可对漏磁信号微分分析显示和、幅值谱、频谱等显示方式。同时可以谱阵细化分析包括分页显示、放大和缩小等，同时可确定确定缺陷的大致位置和形状，以及个数，尤其是谱阵微分细化分析。在此情况下，能做到两类重要的分析：(1)对每一路信号进行单独显示和分析。(2)对每一个位置的传感器进行侧视分析。数据显示后需要进行预处理，图2中步骤3。首先需要进行坏信号的剔除：在试验或现场的检测过程中，经常会出现个别传感器异常，表现为该传感器采集的信号与相邻的传感器采集的信号与众不同。这对于数据处理过程中管道缺陷的定量分析来说有较大的影响。解决的方法是用相邻的传感器信号进行插值替代。其次要进行数据一致性处理：由于检测器中各个传感器的基准值并不一样，因此在数据定量分析前，应有分析系统自动把各个传感器的调整到同一基准上。
对选取的进行云图显示分析，图2中步骤4。首先将检测到的数字信号经过一定预处理后转变为图形，确定缺陷信号的位置和范围，通过观察管道缺陷的检测信号云图，使用鼠标在云图上画出矩形框确定管道的大致范围，进行缺陷信号的提取。
缺陷定量分析，首先进行管道缺陷信号特征量提取，图2中步骤5，其方法为：在这里使用检测数据的轴向特征作为缺陷信号长度方向全局特征。体现长度的特征量主要有：信号两峰谷间的距离，信号微分后峰谷间的距离等，这些量都能较好地体现出缺陷长度特征。经过研究发现，缺陷越宽，影响到的传感器个数越多，同时幅值较快增大。这些特征应该同时被考虑。经过比较可选择体现宽度的主要特征量：在某一阈值上感应到的传感器个数，纵向微分得到的传感器个数，信号的幅值等。缺陷深度直接与信号幅值密切相关。因此对于缺陷深度的确定，第一个特征是信号幅值。但缺陷的宽度和长度明显影响缺陷的幅值，而且二者的作用正相反，即随着缺陷长度的增加，幅值降低，而越宽的缺陷幅值也显著越高。所以单纯靠信号幅值确定缺陷深度是不可以的。因为这些因素，所以计算深度的算法则以长宽比为基础。特征量使用第一、二步计算出来的缺陷长宽比和信号幅值。
其次使用管道缺陷非线性分类器进行定量分析，图2中步骤6。利用上述特征量，可以利用这些特征量构造非线性分类器进行缺陷定量识别。使用的非线性分离函数的形式为：
d(
C)＝a0+a1f1(
C)+a2f2(
C)+···+amfm(
C) (1)
其中，
C为特征向量(c1，c2···，cn，函数fi(
C)＝fi(c1，c2，···，cn)是直接由特征向量
C给出的的函数，它们组成一个函数系。如果把这些函数看成一个函数向量的分量，且f0(
C)＝1，则上式可写成向量形式：
d(
C)＝A·F(
C)其中，F＝(f0，f1，···，fm)T。
或利用管道缺陷神经网络方法进行定量分析：人工神经网络的知识获取是通过样本(缺陷信号特征量与缺陷大小)训练自动获取，然后分散存储在网络的结构中，在模式识别计算中，以并行方式运行，可有效地应用于管道缺陷检测系统中。本系统中的管道缺陷神经网络主要用于缺陷的模式识别与分类，模型由输入层、隐含层、输出层三层组成，输入层选取上述的特征值，输出层以缺陷长、宽、深为输出，隐含层神经元为多个。
定量分析中的缺陷特征量和分析结果最终存入数据库。可显示和打印有关报告模块，图2中步骤7。
Claims (4)
1.一种管道缺陷漏磁检测数据的分析方法，其特征是，包括下述步骤：
(1)从管道漏磁检测器的数据存储设备中读取所有数据并进行重新组织；
(2)读取需要分析的一段数据；
(3)用图形方式显示该段数据并进行预处理；
(4)通过显示数据云图，判断管道是否有缺陷；
(5)若检测结果为有，则确定缺陷范围，并对缺陷进行定量分析，保存结果；
(6)若步骤(4)的检测结果为无，则选择是否继续分析，若选择是，则返回步骤(2)；
(7)若步骤(6)选择否，则结束。
2.根据权利要求1所述的管道腐蚀缺陷检测数据分析方法，其特征是，所述步骤(1)对数据进行重新组织是将数据导入工程数据库。
3.根据权利要求1所述的管道腐蚀缺陷检测数据分析方法，其特征是，所述步骤(2)是对可以读取任意位置的每6米管道数据的读取。
4.根据权利要求1所述的管道腐蚀缺陷检测数据分析方法，其特征是，所述步骤(5)指确定缺陷范围，自动确定缺陷漏磁数据，并进行缺陷信号特征提取，依据相应的数学模型定量确定缺陷位置和大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 03129749 CN1458442A (zh) | 2003-05-14 | 2003-05-14 | 管道缺陷漏磁检测数据的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 03129749 CN1458442A (zh) | 2003-05-14 | 2003-05-14 | 管道缺陷漏磁检测数据的分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN1458442A true CN1458442A (zh) | 2003-11-26 |
Family
ID=29430508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 03129749 Pending CN1458442A (zh) | 2003-05-14 | 2003-05-14 | 管道缺陷漏磁检测数据的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN1458442A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100356169C (zh) * | 2005-01-07 | 2007-12-19 | 清华大学 | 一种漏磁检测腐蚀缺陷的量化方法 |
| CN101553630B (zh) * | 2006-09-15 | 2012-08-15 | 赫瑞瓦特大学 | 用于检测建筑物排水和通风系统中密封缺陷的方法和设备 |
| CN103174941A (zh) * | 2013-04-11 | 2013-06-26 | 山东理工大学 | 输油管道检测装置 |
| CN104458896A (zh) * | 2014-12-10 | 2015-03-25 | 华中科技大学 | 一种基于多重漏磁检测信号特征值的缺陷评价方法 |
| CN104502451A (zh) * | 2014-12-15 | 2015-04-08 | 中国兵器科学研究院宁波分院 | 一种钢板缺陷识别方法 |
| CN107178710A (zh) * | 2017-04-11 | 2017-09-19 | 东北大学 | 一种基于内外检测信号特征提取的管道缺陷内外辨识方法 |
| CN107842713A (zh) * | 2017-11-03 | 2018-03-27 | 东北大学 | 基于knn‑svr的海底管道漏磁数据缺失插补方法 |
| CN109492708A (zh) * | 2018-11-30 | 2019-03-19 | 东北大学 | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 |
| CN115081485A (zh) * | 2022-07-04 | 2022-09-20 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
-
2003
- 2003-05-14 CN CN 03129749 patent/CN1458442A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100356169C (zh) * | 2005-01-07 | 2007-12-19 | 清华大学 | 一种漏磁检测腐蚀缺陷的量化方法 |
| CN101553630B (zh) * | 2006-09-15 | 2012-08-15 | 赫瑞瓦特大学 | 用于检测建筑物排水和通风系统中密封缺陷的方法和设备 |
| CN103174941A (zh) * | 2013-04-11 | 2013-06-26 | 山东理工大学 | 输油管道检测装置 |
| CN104458896B (zh) * | 2014-12-10 | 2017-07-18 | 华中科技大学 | 一种基于多重漏磁检测信号特征值的缺陷评价方法 |
| CN104458896A (zh) * | 2014-12-10 | 2015-03-25 | 华中科技大学 | 一种基于多重漏磁检测信号特征值的缺陷评价方法 |
| CN104502451A (zh) * | 2014-12-15 | 2015-04-08 | 中国兵器科学研究院宁波分院 | 一种钢板缺陷识别方法 |
| CN104502451B (zh) * | 2014-12-15 | 2017-02-01 | 中国兵器科学研究院宁波分院 | 一种钢板缺陷识别方法 |
| CN107178710A (zh) * | 2017-04-11 | 2017-09-19 | 东北大学 | 一种基于内外检测信号特征提取的管道缺陷内外辨识方法 |
| CN107842713A (zh) * | 2017-11-03 | 2018-03-27 | 东北大学 | 基于knn‑svr的海底管道漏磁数据缺失插补方法 |
| CN107842713B (zh) * | 2017-11-03 | 2019-04-05 | 东北大学 | 基于knn-svr的海底管道漏磁数据缺失插补方法 |
| CN109492708A (zh) * | 2018-11-30 | 2019-03-19 | 东北大学 | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 |
| CN109492708B (zh) * | 2018-11-30 | 2021-04-02 | 东北大学 | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 |
| CN115081485A (zh) * | 2022-07-04 | 2022-09-20 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10546372B2 (en) | Method, machine, and computer medium having computer program to detect and evaluate structural anomalies in circumferentially welded pipelines | |
| US7414395B2 (en) | Method and apparatus inspecting pipelines using magnetic flux sensors | |
| CN106870957B (zh) | 一种管道缺陷漏磁信号的特征提取方法 | |
| CN1458442A (zh) | 管道缺陷漏磁检测数据的分析方法 | |
| CN101738642A (zh) | 探地雷达数据处理方法 | |
| CN112100164A (zh) | 一种智能审计方法、系统和可读存储介质 | |
| CN105092696B (zh) | 一种用于铁磁性管道内壁裂纹检测的低频交流漏磁检测方法 | |
| CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
| Hohmann | Incorporating information on varying sedimentation rates into paleontological analyses | |
| CN107064454A (zh) | 一种储层裂缝发育程度的岩心确定方法 | |
| CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
| CN112712007A (zh) | 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法 | |
| Pollock | Probability of detection for acoustic emission | |
| CN109469112A (zh) | 基于支持向量机的桩身缺陷严重程度自动识别方法 | |
| CN115616660B (zh) | 利用绕射波监测海域碳封存项目二氧化碳泄露情况的方法及装置 | |
| ALI | Piezoelectric Sensor Array For Detecting Gas Pipeline Crack | |
| CN110082424A (zh) | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 | |
| Cui et al. | Intelligent evaluation algorithm for the structural integrity testing of pipe welds defects | |
| Nguyen | Study of the Characteristics of Acoustic Emission Signals. | |
| CN113591270B (zh) | 基于mdcd在钢轨焊缝数据集上性能分析对比的监测方法 | |
| CN109001798A (zh) | 一种自动识别异常道的方法及系统 | |
| Hu et al. | Application of Impact Elastic Wave Method in Quality Inspection of Concrete Lining | |
| Havira et al. | High-speed rail flaw pattern recognition and classification | |
| CN101482401B (zh) | 基于图像的三维物体不连续空洞体积的测定方法 | |
| CA2854546C (en) | Method, machine, and computer medium having computer program to detect and evaluate structural anomalies in circumferentially welded pipelines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |