人机合作式管道漏磁信号分析与缺陷定量识别

采用替换、平滑、反差等方法改善缺陷的漏磁信号．并把漏磁信号转变成云图，由人定性识别出缺陷的位置；通过对管道漏磁信号的分析，选取了缺陷漏磁场的特征量，采用非线性方法实现缺陷的定量分析。试验证明，这种人机结合的方法提高了分析效率和定量分析精度。     

抽油管缺陷检测的多传感器融合技术

将多传感器信息融合技术应用于抽油管缺陷在线检测系统.油管缺陷定量检测的多传感器信息融合模型的建立分别在数据层、特征层和决策层三个融合层次上进行;选取4路传感器信号进行信号直接融合,通过硬件直接形成油管的偏磨信号;建立了基于插值法的偏磨缺陷的定量分析方法,并给出了实测结果.对于坑状缺陷,通过对28路传感器所观测的目标进行统一的特征融合,提取特征向量,利用神经网络的决策模型完成了坑状缺陷的量化分析.     

基于BP神经网络的噪声背景下的信号识别

从测试工程技术的实际出发，利用BP(Back Propagarion)神经网络算法，对噪声背景下的信号识别进行了探讨。并通过训练和测试网络，证明该方法用于噪声背景下的信号识别是有效的。     

一种基于神经网络特征识别方法的研究

提出一种新型基于人工神经网络的特征识别方法,可大大加快特征识别的速度,降低交叉特征识别的难度。同时,提出的ＬＡ图克服了ＦＡＧ图特征信息不完备的缺陷,使网络的输入形式简洁统一,改善了现有用神经网络识别特征时由于输入的不确定性和复杂性而导致效率不高、特征识别域小和使用困难的不足。此方法通用性较强,计算量较小。     

一种改进卷积神经网络模型的焊缝缺陷识别方法

针对传统卷积神经网络(Convolutional neural network,CNN)应用于焊缝缺陷识别时,池化模型适应差及特征选择能力低、以及易导致过拟合问题,提出了一种基于改进卷积神经网络(Improved pooling model and feature selection of CNN,IPFCNN)的焊缝缺陷识别方法。结合焊缝缺陷图像本身的特点,对传统平均池化模型做出改进,提出一种综合考虑池化域与其所在区域特征图分布的池化模型;为增强模型特征选择能力,提出将随机森林与卷积神经网络相结合的强化特征选择方法。以某汽轮机制造过程中焊缝缺陷识别案例对所提方法进行了验证和说明,结果表明提出的池化模型在处理不同特征分布的池化域时具有动态自适应性,并通过提高特征选择能力,使得所提方法比传统CNN方法具有更高的缺陷识别率。     

三维模型特征识别中的神经网络方法

将神经网络方法运用到三维模型的特征识别问题是一种新的尝试，对于用神经网络解决拓扑性的、不易被形式化的这类问题具有积极意义。本文综述了近10年来各种基于神经网络的三维模型特征识别技术，介绍并分析了三维模型拓扑数据的矢量化方法、不同神经网络模型的识别算法，以及基于层分解技术的特征自组织识别等，可帮助相关领域的研究人员较为完整地了解该领域的研究成果和发展方向。     

基于人工神经网络的板形缺陷识别

根据带钢板形控制的要求,以北京科技大学高效轧制国家工程研究中心双机架四辊可逆式冷轧机为研究对象,运用人工神经网络理论,提出了一种智能板形识别方法,该方法提高了识别速度和精度.     

一种高效的过渡特征识别与抑制算法

过渡特征的识别与抑制是有效实现CAD／CAE、CAD／CAM集成的关键技术之一。提出了一种简单、高效的过渡特征识别与抑制算法。该算法首先识别出零件中的全部过渡面,并将它们划分为边过渡特征、点过渡特征以及混合过渡区域,将混合过渡区域分解为独立的边、点过渡特征,将每一边、点过渡特征所包含的全部过渡面作为一个整体,采用欧拉操作进行抑制。该算法简化了抑制过程,显著提高了抑制效率。此外,该算法不受过渡面生成方法的制约,能处理任意类型的过渡面。最后,给出了实验结果。     

基于支持向量机的油管内外表面缺陷识别方法

由于根据漏磁信号难以准确识别出油管内、外表面缺陷,为此提出了基于支持向量机(SVM)的油管内外表面缺陷识别方法。采用时频分析技术提取了用于区分油管内外表面缺陷的漏磁信号时域和频域特征量,然后将其作为油管内外表面缺陷识别SVM模型的样本数据,采用改进的云自适应粒子群(MACPSO)优化算法对SVM识别模型的参数进行优选,结合优选的模型参数和样本数据训练构建油管内外表面缺陷识别SVM模型。实验结果表明:该智能识别方法能够有效区分油管的内外表面缺陷,识别准确率高于90%。     

一种油管内壁清洗通规工具的研制

针对油田油井内油管传统清洗工艺存在的清洗效果差、清洁不彻底等问题,研制了一种新型的油管内壁清洗通规工具,现场应用证明,该工具克服了原工艺技术的不足,确保了清洗质量,提高了生产效率.     

漏磁场法测量油管壁厚的研究

在石油开采中,油管内壁杆状磨损和内外壁大面积腐蚀引起的壁厚减薄缺陷是造成油管失效的主要原因之一,本文提出了一种油管壁厚漏磁场测量方法,结果表明,该方法具有精度和灵敏度高,可在线测量等特点,为表面受油泥或其它非导磁性材料覆盖的旧油管的现场检测提供了新的方法与手段。     

内衬油管井抽油杆断脱分析

以胜利油田东辛采油厂DXX109X106油井为例,对其断脱形式按强度分析、疲劳分析以及屈曲分析逐层计算。计算表明,该油井抽油杆断裂处最大应力172.45 M Pa,远远小于抗拉强度795~965 M Pa,不属于拉伸强度破坏;疲劳特性分析表明,此井的实际平均应力-应力幅点在持久极限曲线图以内,属于非正常疲劳断裂;示功图分析表明,该井抽油杆柱的下冲程存在严重的屈曲现象,宜将抽油杆简化为受压杆件。     

油管与接箍接头的缝隙腐蚀评价

台阶面腐蚀是油管和接箍接头腐蚀失效的重要形式,进而在高压下使油管渗漏。采用腐蚀失重、形貌分析和电化学测试,研究了FeCl3溶液和油田采出液中某油田油管钢和接箍钢的缝隙腐蚀敏感性,结果表明,油管钢抗缝隙腐蚀能力比接箍钢低,缝隙腐蚀产生后,交流阻抗增加一个高频容抗,缝隙内呈现点蚀特征,油管和接箍接头台阶面以油管的缝隙腐蚀为主。随着温度升高,缝隙腐蚀程度先增大后减小。     

SEW油套管API圆螺纹粘扣原因分析

油套管粘扣问题一直是套管生产厂家的重点研究课题,通过对一种新型石油专用管-SEW油套管的螺纹抗粘扣性能进行分析,从API圆螺纹粘扣失效机理、螺纹参数优化、接箍镀层选用到油田作业规范等方面进行了归纳总结,提出了在SEW油套管生产中应注意的问题,具有一定的借鉴意义。     

基于小波神经网络的木质材料缺陷模式识别

利用小波和神经网络对木质材料中密度纤维板的不同缺陷进行智能模式识别,研究采用Daubechies小波包对振动信号进行3层分解,计算信号在各频段所占的能量率,并以此作为样本对拓扑结构不同的BP神经网络进行训练,然后利用训练好的网络对缺陷的种类进行分类识别。结果表明,性质相近的两种贫胶缺陷应作为一类缺陷模式进行识别,单隐层和双隐层的BP网络对没有缺陷、鼓泡缺陷和贫胶缺陷3种模式的识别都很理想,但双隐层BP网络的推广性能较好,网络输出的波动性小。对中密度纤维板没有缺陷、鼓泡缺陷和贫胶缺陷智能识别的最佳网络是双层BP网络,网络第1隐层节点和第2隐层节点分别为20和6,对中密度纤维板缺陷模式识别的准确率为90％。     

某油井P110油管腐蚀穿孔原因

西部油田某油井油管发生严重腐蚀甚至穿孔。通过宏观形貌和显微组织观察、化学成分分析、硬度测试、拉伸和冲击性能测试、腐蚀产物检测等方法对油管失效原因进行了分析。结果表明:油管在含Cl^-、H2S、CO2酸性环境下发生了均匀腐蚀和局部腐蚀。均匀腐蚀由H2S-CO2-H2O(Cl^-)体系引起的析氢腐蚀所致;而CaCO3沉积造成的微电偶效应以及Fe^2+与地层水中Cl^-的水合作用导致了油管的局部腐蚀穿孔。建议油井管材采用具有一定抗硫性的P110-3Cr钢或耐蚀性能更优的钢,并添加缓蚀阻垢剂进行防护。     

基于货币特征的模式识别方法研究

本文较为系统地介绍了纸币面值数字图象识别的计算机仿真。文中详细介绍了模版匹配、特征点匹配、神经网络等字符识别方法,并进行了比较。根据本文研究对象的特点,选择了从分析数字本身的拓扑结构入手,根据字符投影分布的规律来判断和识别的方法,成功实现了纸币面值的识别。     

SDJ型水平井电览对接工具

介绍了一种新型水平井电缆对接工具的设计原理及设计要点。     

利用转子故障耦合动力学系统模型识别油膜涡动下的碰摩故障

转子碰摩故障通常为不平衡、不对中以及油膜涡动等故障引发的二次故障,其信号通常具有周期、拟周期和混沌这3种复杂的非线性特征。本文针对油膜涡动下的转子碰摩故障诊断问题,建立了含不平衡、油膜涡动以及碰摩故障耦合动力学模型,利用数值仿真研究了转子系统在油膜涡动下的碰摩故障频谱特征,提取了反映耦合故障的特征信息。为了准确的对碰摩故障进行诊断,通过不断改变系统参数获取了包括各种状态下的耦合故障样本。最后构造了结构自适应神经网络,利用一半样本对神经网络进行训练,再用另一半样本对训练好的神经网络进行测试,识别率达到了94%以上。计算结果充分表明了本文方法对于识别油膜涡动和碰摩耦合故障的有效性。     

基于自适应遗传BP算法的混合气体定量检测研究

针对混合气体检测问题,利用误差反向传播(BP)算法和遗传算法,提出了用自适应遗传算法优化BP神经网络的方法来实现定量检测.即利用遗传算法的全局搜索能力,对神经网络连接权值和阈值进行优化,再以优化后的初值作为BP神经网络的初始连接权值和阈值,最后用附加“动量项”的误差反向传播算法训练BP网络.设计了一个结构为7×18 ×3的3层BP网络用于一组含有5个样本的混合气体识别试验.结果表明:将自适应遗传神经网络算法应用于混合气体定量识别的训练中,收敛速度比附加“动量项”BP算法要快,而且学习精度更高,识别效率也提高了2/3.