交变拉伸载荷下油管丝扣密封性能研究

针对高压注入井油管在服役环境下长期承受交变拉伸载荷作用存在泄漏风险的问题,通过搭建交变拉伸载荷下油管丝扣密封性能测试试验平台、优选试验设备及制定合理的试验步骤,对平扣、BGT扣、FOX扣油管试样在10~50 t拉伸交变载荷下的密封性能进行了模拟。模拟结果显示:对3种扣型油管试样施加同等拉伸载荷,其密封性能随交变次数增加而降低,降低幅度为平扣>BGT扣>FOX扣;50 t拉伸载荷施加5次后,3种扣型油管试样的密封性能分别为5.67 MPa、32.69 MPa、73.67 MPa。研究表明,平扣无法满足注入井的密封要求,BGT扣及FOX扣具有较好的适用性。研究结果为注入井油管扣型选择提供了依据。     

自适应大邻域搜索算法在无人机物流路径规划问题中的应用

近年来无人机在物流运输领域发展十分迅速,这其中一个重要原因是无人机可以应对各种复杂的交通环境如城市的交通拥堵和乡村偏远地区的较差路况.而路径规划则是其在实际应用过程当中的一个重要环节,本文针对于此设计了一种自适应大邻域搜索算法来解决该问题.该算法通过引入自适应的机制来对传统的邻域搜索进行改善,使其能具有找到更好的解的潜力.在一些经典数据集上的仿真实验显示,本文提出的算法具有较强的鲁棒性和稳定性.另外通过该算法和其他元启发式算法的对比实验验证了本算法能够有效地减少使用无人机进行物流配送的费用.     

基于离散余弦变换和相位谱的钢管内表面缺陷检测

石油运输管道是采用钢板焊接而成的,在它的内壁表面可能会存在划痕、内断、凹坑等问题,如果不能及时发现其内表面的异常则会生产出大量的不合格品,给企业带来损失.本文设计了一种基于图像显著性的钢管内表面异常检测方法.该方法先获取图像利用离散余弦变化后的信息,然后再将其与图像的相位谱进行融合得到最终的显著图,最后通过连通区域检测将检测结果映射到原图上.实验结果表明,相对其他检测方法,该方法的检测效果更优,准确率更高,具有较好的稳定性和实用性.     

基于大数据技术的焊管生产状态可视化设计

针对焊管机组在生产过程中难以实时监控,以及采集、传输、存储生产数据困难的现状,提出并开发了基于大数据技术的焊管机组生产状态监控系统。在现有的物联网系统、MES系统和SCADA系统的支持下,采用分布式数据采集提高了数据采集能力,采用联合分布式存储提升了数据存储效率,采用可视化技术实现生产过程的可视化、透明化管理。基于大数据技术的焊管机组生产状态监控系统的应用,可为用户提供强有力的数据支撑,同时对于工业企业的智能化改造和制造业智能工厂的建设和完善具有借鉴意义。     

基于深度学习的金属焊接管道内壁缺陷检测方法研究

针对目前管道内壁缺陷检测方法不足的问题,提出了一种基于管道机器人和深度学习模型算法的管道内壁缺陷检测方法,对管道内壁缺陷图像进行识别与分类。通过对Faster RCNN目标检测算法进行改进,以密集连接卷积网络（DenseNet）作为检测模型的特征识别核心,从而提高了模型的泛化能力和识别精度。试验结果表明,基于深度学习的识别方法实现了金属焊接管道缺陷的检测,运用改进后的Faster RCNN深度学习算法进行管道缺陷识别具有识别精度高、成本低的优点,平均准确率达到93.2%。     

钢管企业数字化转型模式的探索与研究

介绍了钢管企业数字化转型的内在逻辑，制定了数字化转型策略，分析了数字化建设案例。认为：数字化实施过程中，需要正确认知组织惯性的积极和阻碍作用，合理把握转型变革的尺度，同时运用科学的策略逐步构建企业动态能力；在数字化转型过程中，还需关注数字化文化、人才、能力的建设；可借鉴跨行业企业数字化转型的成功经验，不断从新业态模式、精益化生产、运营态势感知、全流程交付等方面进行探索。