基于Feature Boosting的管道电磁内检测多传感信号缺陷解析算法

doi:10.3901/JME.2024.20.051

机械工程学报 ›› 2024, Vol. 60 ›› Issue (20): 51-67.doi: 10.3901/JME.2024.20.051

扫码分享

基于Feature Boosting的管道电磁内检测多传感信号缺陷解析算法

傅杨¹, 张跃², 毛颖², 唐小华³, 陈祖高³, 徐和武¹, 杨雨沛¹, 高斌¹, 田贵云^1,4

1. 电子科技大学自动化工程学院成都 611731;
2. 中国石油浙江油田分公司宜宾 645200;
3. 四川德源管道科技股份有限公司成都 610041;
4. 纽卡斯尔大学电气与电子工程学院纽卡斯尔NE17RU英国

收稿日期:2023-10-09 修回日期:2024-05-23 出版日期:2024-10-20 发布日期:2024-11-30
通讯作者: 高斌,男,1983年出生,博士,教授,博士研究生导师,主要研究方向为电磁多物理传感无损检测,非监督/监督机器学习。Email:bin_gao@uestc.edu.cn
作者简介:傅杨,男,1999年出生,硕士。主要研究方向为电磁无损检测和信号处理。E-mail:974098281@qq.com;张跃,男,1972年出生。主要研究方向为管道内检测技术。E-mail:zhangyue85@petrochina.com.cn;毛颖,男,1992年出生。主要研究方向为管道内检测技术。E-mail:maoy85@petrochina.com.cn;唐小华,女,1994年出生,硕士。主要研究方向为管道内检测。E-mail:1432968317@qq.com;陈祖高,男,1998年出生。主要研究方向为管道内检测。E-mail:chenzg213134@163.com;徐和武,男,1997年出生,硕士。主要研究方向为电磁无损检测和信号处理。E-mail:2293697536@qq.com;杨雨沛,男,1997年出生,硕士。主要研究方向为电磁无损检测和信号处理。E-mail:1071280265@qq.com;田贵云,男,1965年出生,博士,教授,博士研究生导师。主要研究方向为电磁传感器、无损检测与评估、结构健康状态监测。E-mail:g.y.tian@uestc.edu.cn;g.y.tian@newcastle.ac.uk
基金资助:
国家自然科学基金(61971093)和四川德源管道科技股份有限公司(231236)资助项目。

Feature Boosting Framework for Pipeline Multi-sensing Defects Inspection Using an Intelligent Pig System

FU Yang¹, ZHANG Yue², MAO Ying², TANG Xiaohua³, CHEN Zugao³, XU Hewu¹, YANG Yupei¹, GAO Bin¹, TIAN Guiyun^1,4

1. School of Automation Engineering, University of Electronic Science and Technology, Chengdu 611731;
2. PetroChina Zhejiang Oilfield Company, Yibin 645200;
3. Sichuan Deyuan Pipeline Technology Co., Ltd., Chengdu 610041;
4. School of Electrical and Electronic Engineering, Newcastle University, Newcastle, NE17RU UK

Received:2023-10-09 Revised:2024-05-23 Online:2024-10-20 Published:2024-11-30

摘要/Abstract

摘要： 随着管道在能源运输中发挥越来越重要的作用，管道的健康管理势在必行。管道内检测是一种常用的管道寿命维护方法。在管道内部环境极其复杂的地方，内部检测得到的信号含有较强的噪声和干扰。因此，如何准确地识别缺陷信号是一个难题。基于管道内检测器的多传感检测信号，提出了一种基于Feature Boosting的信号解析缺陷检测算法框架。该框架通过加强特征构建和层次分类，不仅可以对管道内检测各种复杂信号进行正确分类，还可以实现缺陷信号的准确识别。同时，为了展示检测算法框架的高灵活性和鲁棒性，在实验室环境、模拟环境和实际环境三种不同环境下对标本进行了试验和验证。在实际环境检测信号的分类中，与不同算法进行了比较，并使用f评分进行了定量评价，验证了所提框架的有效性。

关键词: 管道内检测, 缺陷检测及定位, 多传感融合, Feature Boosting

Abstract: As pipelines take an increasingly important role in energy transportation, their health management is necessary. In-pipe inspection is a common pipeline life maintains method. The signal obtained through internal inspection contains strong noise and interference where the internal environment of the pipeline is extremely complicated. Thus, it is challenging to accurately identify the defect signal. A defect detection algorithm framework based on feature boosting is proposed by using the multi sensing pipeline pig as the detection signals. Through boosting construction of features and hierarchical classification, the framework can not only correctly classify various signals in the internal detection signals but also realize the accurate identification of defect signals. Concurrently, in order to demonstrate the high flexibility and robustness of the detection framework, experiments and verifications have been carried out on specimens in three different environments i.e. laboratory environment, simulated environment and actual environment. In the classification of actual environmental detection signals, comparisons with different algorithms have been undertaken and quantitatively evaluated using the F-score and demonstrated the effectiveness of the proposed framework.

Key words: in-pipe inspection, defect detection and location, multi-sensor fusion, Feature Boosting

中图分类号:

TG156

傅杨, 张跃, 毛颖, 唐小华, 陈祖高, 徐和武, 杨雨沛, 高斌, 田贵云. 基于Feature Boosting的管道电磁内检测多传感信号缺陷解析算法[J]. 机械工程学报, 2024, 60(20): 51-67.

FU Yang, ZHANG Yue, MAO Ying, TANG Xiaohua, CHEN Zugao, XU Hewu, YANG Yupei, GAO Bin, TIAN Guiyun. Feature Boosting Framework for Pipeline Multi-sensing Defects Inspection Using an Intelligent Pig System[J]. Journal of Mechanical Engineering, 2024, 60(20): 51-67.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.2024.20.051

http://www.cjmenet.com.cn/CN/Y2024/V60/I20/51

参考文献

[1] 高鹏，高振宇，杜东，等. 2017年中国油气管道行业发展及展望[J]. 国际石油经济，2018，26(3)：21-27. GAO Peng，GAO Zhenyu，DU Dong，et al. The development and prospect of China’s oil and gas pipeline industry in 2017[J]. International Petroleum Economics，2018，26(3)：21-27.
[2] MA Q，TIAN G，ZENG Y，et al. Pipeline in-line inspection method，instrumentation and data management[J]. Sensors，2021，21(11)：3862.
[3] 杨理践，耿浩，高松巍. 长输油气管道漏磁内检测技术[J]. 仪器仪表学报，2016，37(8)：1736-1746. YANG Lijian，GENG Hao，GAO Songwei. Magnetic flux leakage internal detection technology of the long distance oil pipeline[J]. Chinese Journal of Scientific Instrument，2016，37(8)：1736-1746.
[4] 伍剑波，许钊源，吉方，等. 基于偏置磁化的管道内表面裂纹涡流热成像检测方法研究[J]. 机械工程学报，2021，57(22)：80-87. WU Jianbo，XU Zhaoyuan，JI Fang，et al. DC-biased induction thermography for sub-surface defects of pipelines[J]. Journal of Mechanical Engineering，2021，57(22)：80-87.
[5] RIFAI D，ABDALLA A N，RAZALI R，et al. An eddy current testing platform system for pipe defect inspection based on an optimized eddy current technique probe design[J]. Sensors，2017，17(3)：579.
[6] 耿浩，夏浩，王国庆. 高速漏磁检测过程中管道内外壁缺陷定位方法研究[J]. 仪器仪表学报，2022，43(4)：70-78. GENG Hao，XIA Hao，WANG Guoqing. Study on the defect location method of inner and outer wall of pipeline during high-speed magnetic flux leakage testing[J]. Chinese Journal of Scientific Instrument，2022，43(4)：70-78.
[7] 孙伟栋，杨阳，张建昌，等. 油气管道内检测数据深度分析[J]. 腐蚀与防护，2020，41(6)：57-61. SUN Weidong，YANG Yang，ZHANG Jianchang，et al. Deep analysis of in-line inspection data in oil and gas pipelines[J]. Corrosion & Protection，2020，41(6)：57-61.
[8] 杨涛，仇攀，陈少松，等. 天然气管道内检测金属损失缺陷数据分析及验证评价[J]. 天然气技术与经济，2020，14(2)：52-56. YANG Tao，QIU Pan，CHEN Shaosong，et al. Analysis，verification，and evaluation on in-line inspection data of metal loss defects in natural-gas pipelines[J]. Natural Gas Technology and Economy，2020，14(2)：52-56.
[9] 王庆峰，李跃辉，徐建庆，等. GPS卫星定位技术在埋地管道腐蚀检测中的应用[J]. 油气田地面工程，2003，22(12)：32-35. WANG Qingfeng，LI Yuehui，XU Jianqing，et al. Application of GPS satellite positioning technology in buried pipeline corrosion detection[J]. Oil-Gas Field Surface Engineering，2003，22(12)：32-35.
[10] 王勇勇，孙全德，王恪典，等. 小径管内壁缺陷的涡流热成像定量检测[J]. 激光与红外，2021，51(3)：333-338. WANG Yongyong，SUN Quande，WANG Kedian，et al. Quantitative detection of inner defects of small diameter tube by eddy current thermal imaging[J]. Laser & Infrared，2021，51(3)：333-338.
[11] 余兆虎，付跃文，江礼凡，等. 小径管脉冲远场涡流检测研究[J]. 机械工程学报，2021，57(6)：10-18. YU Zhaohu，FU Yuewen，JIANG Lifan，et al. Study on inspection for small diameter tubes using pulsed remote field eddy current method[J]. Journal of Mechanical Engineering，2021，57(6)：10-18.
[12] YIN X C，LIU C P，HAN Z. Feature combination using boosting[J]. Pattern Recognition Letters，2005，26(14)：2195-2205.
[13] SCHAPIRE R E. Explaining adaboost[M]. Heidelberg ：Springer，2013：37-52.
[14] CAO Ying，MIAO Qiguang，LIU Jiachen，et al. Advance and prospects of AdaBoost algorithm[J]. Acta Automatica Sinica，2013，39(6)：745-758.
[15] Friedman J H. Greedy function approximation：A gradient boosting machine[J]. Annals of statistics，2001：1189-1232.
[16] Chandola V，Banerjee A，Kumar V. Anomaly detection：A survey[J]. ACM Computing Surveys，2009，41：15.
[17] Meisenbacher S，Turowski M，Phipps K，et al. Review of automated time series forecasting pipelines[J]. Wiley Interdisciplinary Reviews：Data Mining and Knowledge Discovery，2022，12(6)：e1475.
[18] CHEN R C，CARAKA R E，ARNITA N E G，et al. An end to end of scalable tree boosting system[J]. Sylwan，2020，165(1)：1-11.
[19] 王朗宁，侯炎磐，李彦峰. 数据参数影响RCS统计特征数据可分性[J]. 雷达科学与技术，2020，18(2)：205-210，217. WANG Langning，HOU Yanpan，LI Yanfeng. Influences of sampling frequency and parameters of sliding window on radar target recognition using radar cross section features[J]. Radar Science and Technology，2020，18(2)：205-210，217.
[20] 李翼飞，吴春平，涂煊. 基于PCA与SVM的振动传感器故障诊断方法[J]. 自动化仪表，2019，40(10)：48-52. LI Yifei，WU Chunping，TU Xuan. Fault Diagnosis method based on PCA and SVM for vibration sensor[J]. Process Automation Instrumentation，2019，40(10)：48-52.
[21] YIN W，BINNS R，DICKINSON S J，et al. Analysis of the liftoff effect of phase spectra for eddy current sensors[J]. IEEE Transactions on Instrumentation and Measurement，2007，56(6)：2775-2781.
[22] CHEN Q，ZHANG Q，NIU X，et al. Positioning accuracy of a pipeline surveying system based on MEMS IMU and odometer：Case study[J]. IEEE Access，2019，7：104453-104461.
[23] WANG D，YEUNG D S，TSANG E C C. Structured one-class classification[J]. IEEE Transactions on Systems，Man，and Cybernetics，Part B (Cybernetics)，2006，36(6)：1283-1295.
[24] ERFANI S M，RAJASEGARAR S，KARUNASEKERA S，et al. High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning[J]. Pattern Recognition，2016，58：121-134.
[25] LIU F T，TING K M，ZHOU Z H. Isolation-based anomaly detection[J]. ACM Transactions on Knowledge Discovery from Data (TKDD)，2012，6(1)：1-39.

基于Feature Boosting的管道电磁内检测多传感信号缺陷解析算法

Feature Boosting Framework for Pipeline Multi-sensing Defects Inspection Using an Intelligent Pig System

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 1

编辑推荐

Metrics

本文评价