[发明专利]基于人工智能的管道完整性评价方法及装置

说明书

本发明公开了一种基于人工智能的管道完整性评价方法及装置，方法包括：获取管道的磁感应检测信号数据后对磁感应检测信号数据进行处理；将所述磁感应检测信号数据输入至完整性评价模型中，得到所述管道的缺陷位置、维修等级、缺陷类型以及是否有金属、树木干扰；所述完整性评价模型为预先进行训练和测试后得到的。本发明基于磁感应检测信号数据，提出一种准确度高、适应性强且不受人为主观因素影响的管道完整性智能评价方法，以有效提高管道评价的准确性，有效避免盲目维修，同时可以极大地提高经济性和降低劳动力，以及提高管道的安全性。

技术领域

本发明涉及管道安全技术领域，具体涉及一种基于人工智能的管道完整性评价方法及装置。

背景技术

厂内管道是炼化厂、集输管网、站场生产的命脉，是各设施的纽带。厂内埋地管道检测难度大、腐蚀严重，时常发生泄漏等问题，对环境、安全和经济都带来巨大损失。目前厂内埋地管道的开挖检测的方法主要为磁应力检测。

现有的磁感应检测信号解读技术主要是直接依据人工经验对信号图进行判断，依据相关分级标准对磁应力检测信号异常进行分级，然而这种方式无法判断树木、金属物等环境因素对信号的影响，也无法预测缺陷类型，同时再在对信号严重程度的判断中，引入了过多人为主观因素，评价的准确性不能保证，且人工成本高，经济性差。

发明内容

针对现有技术存在的问题，本发明实施例提出一种基于人工智能的管道完整性评价方法及装置。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明实施例提供了一种基于人工智能的管道完整性评价方法，包括：

获取管道的磁感应检测信号数据后对磁感应检测信号数据进行处理；

将所述磁感应检测信号数据输入至完整性评价模型中，得到所述管道的缺陷位置、维修等级、缺陷类型以及是否有金属、树木干扰；

其中，所述完整性评价模型为将预先通过专家经验或开挖验证确定是否存在异常及管道异常缺陷位置、缺陷类型、维修等级、是否有金属、树木干扰等样本磁感应检测信号数据作为样本集进行处理后作为输入，将缺陷在原始信号数据上的起始位置和结束位置以及对应的维修等级、缺陷类型、有无金属、树木因素的干扰作为输出，对初始神经网络模型进行训练和测试后得到的。

进一步地，所述方法还包括：所述完整性评价模型的样本集的处理过程；

其中，所述完整性评价模型的样本集的处理过程包括：

收集预设数量的样本磁感应检测信号数据；其中，所述预设数量的样本磁感应检测信号数据的异常信号需要覆盖各种缺陷位置、缺陷类型和维修等级，以及需要覆盖有树木金属干扰和无树木金属干扰的情况；

所述预设数量的样本磁感应检测信号数据中的异常信号的缺陷位置、缺陷类型、维修等级、是否有树木、金属干扰是根据开挖验证或专家凭经验确定的；

将样本磁感应检测信号数据中的异常点的维修等级、缺陷位置、缺陷类型、是否有树木金属干扰标记为样本标签，统计样本集中信号异常和正常数量的比例，将现有的样本集数据以该比例值，随机分成训练集和测试集；

所述训练集和测试集用于采用训练集训练网络模型，测试集测试网络效果。

进一步地，在收集预设数量的样本磁感应检测信号数据之后，所述样本集的处理过程还包括以下步骤：

对所述样本磁感应检测信号数据进行长度规范化处理，具体包括：

每段管道的磁感应检测信号通常为二维数组，形式为：

其中，m为采样次数，在每个采样点所得到的磁感应检测信号：