长输油气管线缺陷识别软件系统设计与实现

为了充分发挥金属磁记忆技术在管道缺陷检测中的优势,解决磁记忆信号本身不能判断缺陷类型的问题,建立了一种管道缺陷识别分类方法,设计并开发了一套基于C#和MATLAB混合编程的长输油气管线缺陷识别软件系统。该软件利用MATLAB对长输管线金属磁记忆数据进行数据处理、特征量计算及方法建模等工作,利用C#搭建面向用户的操作界面,使用户能够快速准确地对长输油气管道中的腐蚀缺陷、焊缝应力集中区域、弯管应力集中区域进行识别定位并加以区分。     

基于双处理器的磁记忆/漏磁检测系统

为了弥补磁记忆和漏磁无损检测机理的局限性,提出漏磁辅助磁记忆检测的构想,设计了一种基于DSP和PC104双处理器架构的新型检测系统。硬件设计主要分析了传感器、信号调理、AD采样和双处理器架构;软件设计以上位机操作系统和下位机信号通信传输模块开发为主。通过硬件设计与软件开发,将磁记忆与漏磁检测技术基于同一操作平台组合在一起,从而实现了金属磁记忆和漏磁检测技术在管道检测工程中的完整应用。实验结果表明,相对单一检测技术,新型检测系统具有更强的缺陷识别能力和识别有效性。     

基于支持向量机的超声检测缺陷识别研究

为解决超声检测领域传统人工神经网络方法对于小样本进行缺陷识别时存在的泛化能力差和过学习等问题,提出了一种基于支持向量机的超声检测缺陷识别方法.先使用小波分解对信号进行降噪,再使用小波包变换提取特征值,构造多类分类支持向量机进行缺陷识别.实验结果表明,支持向量机方法具有识别率高、泛化能力强等优点,能够应用于超声检测缺陷识别领域.     

管道漏磁检测的二维数值模拟研究

在管道漏磁检测中,缺陷的定量识别一直是个难题,运用有限元分析的方法,建立了漏磁场的数学模型,然后采用有限元分析软件ANSYS建立了漏磁检测装置分析的模型,并进行了二维静态情况的仿真,获得了不同缺陷所产生的漏磁信号,并把这些结果和实验结果进行了比较分析;从这些结果中可以得出了缺陷的特征与其所产生的漏磁信号的特征之间的对应关系,采用仿真的方法来研究漏磁信号的定量识别问题并取得较好的识别效果。     

基于改进YOLOv5算法的管道漏磁信号识别方法

长输油气管道作为能源运输的主要方式,安全问题至关重要;管道漏磁内检测技术作为管道缺陷检测的重要方法之一,在管道安全保障中发挥着重要作用;人工智能技术可实现管道内检测数据的自动识别,对于减少人力工作量,减少人为误差,提升数据判读准确性具有重要意义;通过引入损失函数Distance-IoU对目标检测算法YOLOv5进行改进,利用改进YOLOv5算法对管道漏磁数据进行训练,使之具有对漏磁缺陷信号自动识别的能力;通过实验,对实际漏磁内检测数据进行识别;结果表明,改进的YOLOv5算法实现了管道缺陷漏磁信号的自动检测识别;并且在相同的训练条件下,改进的YOLOv5算法相较于原始算法准确率有明显的提升,在识别缺陷数量上其精度达到92.8%,比原算法提升了3.22%,改进后的模型损失函数平均损失率为3.6%,比原始YOLOv5模型降低了2.2%,表明该方法在管道缺陷漏磁数据自动识别检测方面具有较好的可行性。     

基于LSTM神经网络的管道缺陷模式识别方法研究

针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95％,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.     

基于三轴漏磁与电涡流检测的管道内外壁缺陷识别方法

提出一种用于管道检测中内外缺陷识别装置方案及识别方法,分别通过三轴正交霍尔传感器和电涡流传感器对管道进行检测,将采集的电压信号经由放大滤波、A/D转换进行信号处理后,将漏磁数据存储下来,将存储数据导入上位机软件,训练出SVM分类机后对这些数据进行分类,甄别出缺陷信号,剔除由于管道自身结构影响所产生的干扰信号。再判断漏磁检测出现缺陷异常时,电涡流是否同样检测到缺陷异常,若电涡流的检测未出现异常,则证明管道有外部缺陷;若电涡流的检测出现异常,则证明管道有内部缺陷。利用本方法进行管道缺陷内检测时,可以更准确地识别内外缺陷。     

管道腐蚀检测中的脉冲漏磁检测技术

漏磁检测技术广泛应用于管道等铁磁性材质的检测;由于常规漏磁检测的局限性,往往难以检测近表面和表面下缺陷;在分析漏磁检测原理基础上,采用脉冲交流磁化方式;介绍了脉冲漏磁检测系统,并对不同深度的缺陷钢管试件进行了试验,试验结果表明提取脉冲漏磁检测传感器(径向分量)输出的瞬态输出电压信号可对表面和表面下腐蚀缺陷进行有效识别;脉冲漏磁检测方法综合了漏磁检测和脉冲涡流检测的优点,具有快速、定量检测的特点,在管道等的缺陷检测中具有广阔的应用前景。     

基于EMD与VPMCD的矿浆管道泄漏检测方法

针对矿浆管道工况调整给泄漏检测带来的干扰,准确提取泄漏信号的特征量是降低泄漏误报、漏报的关键.提出了一种基于经验模态分解(EMD)与变量预测模型(VPMCD)的泄漏检测方法.将压力信号分解为若干个本征模函数(IMF)分量,得到能够准确反映工况特征的局部Hilbert能量谱,并作为特征值向量,通过VPMCD分类器建立泄漏识别模型.方法应用于泄漏检测中,实验结果表明:矿浆管道在正常运行、泄漏和工况调整状态下,识别率达到95%,并综合分析流量信号,提高了泄漏检测精度.     

基于神经网络的超声导波管道缺陷识别

在役石油管道的腐蚀是造成石油管线运输故障的重要原因,适时检测在役管道是否被腐蚀至关重要。研究了超声导波进行长距离在役管道检测技术,并利用人工神经网络进行管道缺陷的智能识别,通过超声导波设备进行了管道缺陷检测实验,从原始检测数据的信号处理结果中提取出了样本特征值,并建立和训练了一种用于实现管道缺陷识别的BP神经网络。实验表明:使用该网络可进行超声导波管道缺陷的自动识别。     

Signal processing and defect analysis of pipeline inspection applying magnetic flux leakage methods

Corrosion, stresses and mechanical damage of oil and gas pipelines can result in catastrophic failures, so pipeline safety evaluation is an important problem of oil and gas transmission. To evaluate the pipeline safety, this paper described a novel magnetic flux leakage (MFL) inspection device, and the designing MFL intelligent inspection pig was used to multi-radius pipelines and variational work condition. At the same time, because signal processing and defect recognition technique is one of the most important techniques in offshore pipeline inspection MFL system, the paper also discussed its signal processing procedure. Time-frequency analysis, median and adaptive filter, and interpolation processing are adopted to preprocess MFL inspection signal. In order to obtain high sensitivity and precision, we adopted multi-sensor data fusion technique. A wavelet basis function neural network was used to recognize defect parameters. The main contribution of the article is that we presented a novel method to evaluate and predict oil pipelines’ condition through combining neural network, data fusion and expert system techniques, and through constructing a knowledge-based off-line inspection expert system, the system improved its defect recognition capability greatly.     

基于自动机器学习流程优化的雷达辐射源信号识别

针对雷达辐射源信号识别课题中复杂的参数配置问题,从机器学习参数优化的研究入手,发现了一种基于树结构的机器学习流程优化方法,该方法利用遗传编程生成基于树结构的机器学习流程,并对其结构和参数进行进化,得到表现最佳的带参数的机器学习流程。该流程可以包括特征处理和建模的任意组合,实现对原始数据集的学习和识别。并与人工参数配制的一对一支持向量机在两种不同维度的雷达信号特征集上进行对比识别,相比之下,该方法无须繁琐的参数配置,最高准确率提高超过6%,证明该方法得到的基于树结构的机器学习流程有着明显的优势。     

基于MEMD的管道阻塞声信号特征提取与识别方法

针对供水管道阻塞声信号的非平稳性和多元数据分解尺度问题,提出了基于多元经验模态分解(MEMD)的管道阻塞声信号特征提取及识别方法.利用MEMD对三种运行状态下的管道检测声信号进行多通道同步自适应分解,获取各个信号通道间的共同模式;根据相关系数和方差贡献率筛选出反映管道主要信息的固有模态分量(IMF),计算所选IMF的能量占比作为管道运行状态的特征向量;采用支持向量机(SVM)对不同运行状态下的管道声信号进行分类识别.实验结果表明:方法能够有效地对管道阻塞声信号进行特征提取及识别.     

小波分析在管道缺陷超声检测中的应用

在管道缺陷超声无损检测中，作为检测基本数据的脉冲反射回波信号受到电子噪声(包括热噪声和量化噪声)和结构噪声的干扰，使材料的缺陷信号变得难以识别。小波变换借助于时．频局部分析特性，已成为现代信号处理中的一种重要方法。在阐述小波变换基本原理的基础上，研究了管道超声缺陷信号的小波分解与重构。利用此方法对超声信号进行分析，可方便地识别是否存在缺陷以及缺陷的位置。     

LMD特征融合与SVM的供水管道堵塞识别

针对城市供水管道早期堵塞难以检测的问题,提出了一种基于局部均值分解(LMD)的分量信号特征提取,结合支持向量机(SVM)的堵塞故障识别方法.先对声响应信号进行LMD,得到若干乘积函数(PF)分量,进而采用相关分析法选取有效PF分量,对有效PF分量分别提取能量熵、近似熵和平均声压三个指标的特征,构建分类特征集.最后利用交叉验证(CV)方法优化参数的SVM分类器识别堵塞故障信号.实验结果表明:采取基于LMD特征融合和通过CV优化的SVM相结合的方法可以有效识别供水管道的初期堵塞.与基于LMD特征融合和BP神经网络的方法进行了对比,结果表明:本文方法具有更好的堵塞故障识别效果.     

基于改进经验小波变换模型的供能管道移动GIS综合智慧巡检策略

当前供能管道巡检策略由于对管道的缺陷特征提取不够纯净,导致缺陷定位准确度差,因此,提出了基于改进经验小波变换模型的供能管道移动GIS综合智慧巡检策略。利用移动GIS技术采集管道数据,根据管道数据采用改进经验小波变换模型对管道缺陷特征进行提取,其树状结构的子频带自分解能够准确分辨出缺陷源信号与其他干扰信号,提取到更加纯净的缺陷特征,并对缺陷特征向量特征集进行滤波,从而计算出管道缺陷的具体位置。在实验论证中,对提出的策略的定位准确性进行了验证,结果表明,提出的策略应用于供能管道巡检中,对管道缺陷定位的准确性较高。     

ANSYS在管道漏磁检测中的应用

在介绍漏磁检测原理的基础上,详细论述了利用有限元法分析缺陷信号的方法以及利用ANSYS对漏磁信号的仿真过程和仿真结果,并对结果进行分析.仿真结果表明,这种方法不仅可以检测到缺陷的存在,而且还能根据缺陷产生的漏磁信号来鉴别缺陷大小形状,判断管道受损程度,对工件的科学合理利用有重要意义.