文献类型：期刊文章

作　　者：王宏安[1,2] 陈国明[1]

Wang Hongan;Chen Guoming(School of Mechanical and Electrical Engineering,China University of Petroleum(Huadong);Drilling Technology Research Institute of Sinopec Shengli Petroleum Engineering Corporation)

机构地区：[1]中国石油大学(华东)机电工程学院 [2]中石化胜利石油工程有限公司钻井工艺研究院

出　　处：《石油机械》

基　　金：国家重点研发计划项目“临海油气管道检测、监控技术研究与仪器装备研制”(2016YFC0802302);“应急处置与安全保障技术研究”(2016YFC0802304);国家863计划项目“海底管道缺陷内检测技术与装备工程化研究”(2011AA090301)。

年　　份：2020

卷　　号：48

期　　号：5

起止页码：127-132

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、ZGKJHX、核心刊

摘　　要：传统漏磁信号缺陷量化缺少其他分量信息,人工特征的提取方式造成信息量有限。为此,提出一种基于深度学习的漏磁检测缺陷量化识别方法,并建立了漏磁检测缺陷识别模型,该模型包含深度卷积神经网络模块和回归模块。深度卷积神经网络模块利用卷积神经网络的多输入多输出互相关操作,完成漏磁缺陷信号3个分量(轴向、周向、径向)的数据融合,利用预训练的网络,迁移已有知识,实现缺陷信号的特征自动提取;回归模块中设计缺陷、长度和宽度联合损失函数,利用回归方式实现缺陷尺度的量化。采用有限元仿真和牵拉试验相结合的方式,建立漏磁信号缺陷量化数据集并划分为训练集和测试集,训练集用于模型训练,测试集进行方法验证。研究结果表明:90%置信度下,长度和宽度量化结果全部落在±10 mm的误差带上,深度量化结果全部落在±10%t (t为壁厚)的误差带上,满足工程检测要求,可有效完成管道漏磁缺陷识别。研究结果可为油气输送管道漏磁检测新技术的研究提供一定的参考。

关 键 词：深度学习  卷积神经网络 回归预测  缺陷量化识别  漏磁信号  

分 类 号：TE973.6] TP18]