高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法技术

本发明专利技术涉及一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，所述方法包括数据预处理、极点对称模态分解改进、希尔伯特变化、特征提取、SVM训练和识别等方法，可输出缺陷类型，从而提高缺陷分类的识别率，本发明专利技术能很好的去除弱磁油管偏心引起的数据线性偏移；通过基于分段时间插值方法、改进极点对称模态分解方法，对预处理后数据进行分解，保证插值节点的单调性，本方法可较好地识别2×90挤压、双面挤压、单面挤压、3×90挤压、4×90挤压和弯曲6类缺陷，提高了每一类缺陷识别率和平均缺陷识别率。

【技术实现步骤摘要】
高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法
本专利技术涉及无损检测
，具体是指一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法。
技术介绍
在当今社会中天然气是国家工业发展的命脉，国家对天然气的勘探和开发十分重视。普光气田是目前我国最大的整装海相高含硫气田，具有高含量的硫化氢。硫化氢不但会对弱磁油管、套管等井下勘采设备造成严重腐蚀，而且一旦发生泄露会对大范围内的生命造成危险，因此对普光气田开发是世界级的难题。在气田开发过程中，由于人为操作不当或盐膏层蠕变等原因都有可能导致井下内层油管和外层套管的双层管柱发生多种类型的形变，严重的甚至导致硫化氢泄漏。为了对普光气田进行安全开发，且要求双层管柱中外层套管不能发生很严重的变形，因此需要对气田井下双层管柱的外层套管进行监测，当发生变形时，及时进行停工、修复、封井等措施。目前常用的测井方法有多臂井径测井、井温测井、超声波成像测井、电涡流测井等。由于普光气田气流、温度等开发环境复杂，且存在硫化氢，无法直接抽取内层弱磁油管，因此无法采用多臂井径测井、井温测井、超声波成像测井等测井法检测双层管柱的外层套管。考虑到内层油管是镍基合金，具有弱磁性，对电涡流的影响较少，因此选择电涡流测井技术，对井下双层管柱进行测量，通过可穿透弱磁油管的电涡流信号，分析外层套管对电涡流的响应，从而无损检测外层套管的形变。目前，基于电涡流的无损检测技术在许多领域得到广泛的应用。这些应用主要是通过电涡流检测设备，获得电涡流信号，并分析和处理电涡流信号从而识别缺陷。其中，基于特定电涡流信号的特征提取方法是无损检测的核心方法之一，因此部分学者侧重于研究基于傅里叶变换、小波变换等时频域分析方法，提取频谱分离点、谐波分量、基波分量等特征，但是这些方法需要提前选取变换基函数，对信号的分析不具有自适应性，并且都采用固定的变换尺度，变换后的信号不能完全体现原信号，存在一定的损失。因此部分学者侧重于研究基于希尔伯特黄变换的特征提取方法。希尔伯特黄变换方法不受信号平稳性和线性的制约，能够自适应性地按照原始信号的特征时间尺度对信号进行变换，得到能够反映信号特性的本征模态函数(IntrinsicModeFunction,IMF)、瞬时频率和边际谱。但是这些方法主要采用EMD(EmpiricalModeDecomposition)方法分解数据，针对电涡流检测信号分解时会存在计算量大、模态混叠和过冲等问题。为解决EMD存在的问题，WangJL等人提出极点对称模态分解方法(Extreme-pointSymmetricModeDecomposition,ESMD)，但是ESMD采用三次样条插值方法，在对插值节点进行插值时存在局部特性差、无法保证插值节点单调性等问题。同时根据特征信号，采用合适的分类识别方法可有效检测对象缺陷类型，因此部分学者侧重于研究基于电涡流数据的分类识别方法，部分学者构建基于电涡流数据的深度神经网络模型，实现对缺陷的识别，但是深度神经网络模型需要大量训练样本。另一部分学者基于电涡流数据，构建BP(backpropagation)神经网络、径向基神经网络等分类模型，实现缺陷的识别，但是这些分类模型都存在过拟合的问题。综上所述，目前方法存在以下问题：一是常用时频域分析方法不具有自适应性且变换后的信号存在一定的信号损失；二是针对电涡流检测数据，ESMD方法无法保证插值节点单调性；三是常用机器学习方法易出现过拟合问题，且深度神经网络适用于大样本数据。
技术实现思路
为了解决现有技术中的问题，本专利技术提供了一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，提高缺陷分类的识别率。为了实现上述目的，本专利技术具有如下构成：本专利技术提供了一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，包括如下步骤：(1)如果当前存在训练样本的电涡流检测数据，则令当前状态为训练状态；(2)判断当前是否处于训练状态，如果是，则读取训练样本的电涡流检测数据，并继续步骤(4)，否则，继续步骤(3)；(3)对弱磁流油管双层管柱进行多个深度的位置点的检测，并读取电涡流检测数据，然后继续步骤(4)；(4)对电涡流检测数据采用均值方法光滑化；(5)分析所述步骤(4)得到的电涡流检测数据中的缺陷数据，确定波谷点位置、电涡流检测数据的开始位置和结束位置，根据每个波谷点位置，将电涡流检测数据分成多个数据分段，对每个数据分段进行处理，去除电涡流检测数据的线性偏移；(6)根据所述电涡流检测数据中各个位置点的采样时间，将步骤(5)得到的电涡流检测数据转化为时域电涡流检测数据，将多个位置点作为插值节点，对每个插值节点间的时间点进行插值，得到待分解的信号；(7)寻找待分解信号的局部极值点，连接相邻的两个极值点，并寻找相邻极值点的中点，根据待分解信号的初始点和结束点，补充初始点和第一个极值点的边界点中点，补充结束点和最后一个极值点的边界点中点，获得所有中点，构建不同中点之间的插值曲线，计算插值曲线的均值；(8)根据待分解信号得到一个IMF分量，得到待分解的信号减去获得的IMF之后的剩余信号；(9)如果剩余信号为一个单调的信号或其值小于预先设定的阈值，则输出当前得到的多个IMF分量(信号分量)，否则，将剩余信号作为新的待分解信号，继续步骤(7)；(10)对所述IMF分量进行希尔伯特变换，计算瞬时幅度、瞬时相位、瞬时频率和边际谱，得到多个特征参数；(11)如果当前状态不是训练状态，则所述步骤(10)得到的特征参数为用于检测的特征参数，继续步骤(12)，如果当前状态是训练状态，则将步骤(10)中得到的特征参数作为特征参数样本，采用基于高斯核函数的SVM算法对选取的特征参数样本进行训练，获得基于高斯核函数的SVM算法模型的模型参数，根据训练好的参数，构建至少一个分类器，并令当前状态为识别状态，调到步骤(12)；(12)采用构建的分类器对所述用于检测的特征参数进行缺陷检测。可选地，所述步骤(4)中，采用如下公式光滑化：其中，表示第i个采样点的第h深度的电涡流检测数据，表示光滑后的电涡流数据，m表示数据的最大深度，α表示滑动窗口。可选地，所述步骤(5)中，采用如下公式去除电涡流检测数据的线性偏移：其中，表示第i个采样点的第h深度的预处理后的数据，表示第i个采样点的第j个波谷点深度，表示第i个采样点的波谷点位置处的电涡流检测数据。可选地，所述步骤(5)中，采用如下步骤确定波谷点位置：(5.1)根据步骤(4)光滑后的数据对其进行求导，得到导数为令h＝1；(5.2)根据导数，如果采样深度h和h+1满足条件1：或者则位置h+1为待选波谷点1，跳到步骤(5.5)，否则跳到步骤(5.3)；(5.3)如果采样深度h和h+1满足条件2：其中，V1表示导数差判断阈值，则位置h+1为待选波谷点2，跳到步骤(5.6)，否则跳到步骤(5.4)；(5.4)如果采样位置h和h+1满足条件3：则位置h+1为待选波本文档来自技高网...

【技术保护点】
1.一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述方法包括如下步骤：/n(1)如果当前存在训练样本的电涡流检测数据，则令当前状态为训练状态；/n(2)判断当前是否处于训练状态，如果是，则读取训练样本的电涡流检测数据，并继续步骤(4)，否则，继续步骤(3)；/n(3)对弱磁流油管双层管柱进行多个深度的位置点的检测，并读取电涡流检测数据，然后继续步骤(4)；/n(4)对电涡流检测数据采用均值方法光滑化；/n(5)分析所述步骤(4)得到的电涡流检测数据中的缺陷数据，确定波谷点位置、电涡流检测数据的开始位置和结束位置，根据每个波谷点位置，将电涡流检测数据分成多个数据分段，对每个数据分段进行处理，去除电涡流检测数据的线性偏移；/n(6)根据所述电涡流检测数据中各个位置点的采样时间，将步骤(5)得到的电涡流检测数据转化为时域电涡流检测数据，将多个位置点作为插值节点，对每个插值节点的时间点进行插值，得到待分解的信号；/n(7)寻找待分解信号的局部极值点，连接相邻的两个极值点，并寻找相邻极值点的中点，根据待分解信号的初始点和结束点，补充初始点和第一个极值点的边界点中点，补充结束点和最后一个极值点的边界点中点，获得所有中点，构建不同中点之间的插值曲线，计算插值曲线的均值；/n(8)根据待分解信号得到一个IMF分量，得到待分解的信号减去获得的IMF之后的剩余信号；/n(9)如果剩余信号为一个单调的信号或其值小于预先设定的阈值，则输出当前得到的多个IMF分量，否则，将剩余信号作为新的待分解信号，继续步骤(7)；/n(10)对所述IMF分量进行希尔伯特变换，计算瞬时幅度、瞬时相位、瞬时频率和边际谱，得到多个特征参数；/n(11)如果当前状态不是训练状态，则所述步骤(10)得到的特征参数为用于检测的特征参数，继续步骤(12)，如果当前状态是训练状态，则将步骤(10)中得到的特征参数作为特征参数样本，采用基于高斯核函数的SVM算法对选取的特征参数样本进行训练，获得基于高斯核函数的SVM算法模型的模型参数，根据训练好的参数，构建至少一个分类器，并令当前状态为识别状态，调到步骤(12)；/n(12)采用构建的分类器对所述用于检测的特征参数进行缺陷检测。/n...

【技术特征摘要】
1.一种高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述方法包括如下步骤：
(1)如果当前存在训练样本的电涡流检测数据，则令当前状态为训练状态；
(2)判断当前是否处于训练状态，如果是，则读取训练样本的电涡流检测数据，并继续步骤(4)，否则，继续步骤(3)；
(3)对弱磁流油管双层管柱进行多个深度的位置点的检测，并读取电涡流检测数据，然后继续步骤(4)；
(4)对电涡流检测数据采用均值方法光滑化；
(5)分析所述步骤(4)得到的电涡流检测数据中的缺陷数据，确定波谷点位置、电涡流检测数据的开始位置和结束位置，根据每个波谷点位置，将电涡流检测数据分成多个数据分段，对每个数据分段进行处理，去除电涡流检测数据的线性偏移；
(6)根据所述电涡流检测数据中各个位置点的采样时间，将步骤(5)得到的电涡流检测数据转化为时域电涡流检测数据，将多个位置点作为插值节点，对每个插值节点的时间点进行插值，得到待分解的信号；
(7)寻找待分解信号的局部极值点，连接相邻的两个极值点，并寻找相邻极值点的中点，根据待分解信号的初始点和结束点，补充初始点和第一个极值点的边界点中点，补充结束点和最后一个极值点的边界点中点，获得所有中点，构建不同中点之间的插值曲线，计算插值曲线的均值；
(8)根据待分解信号得到一个IMF分量，得到待分解的信号减去获得的IMF之后的剩余信号；
(9)如果剩余信号为一个单调的信号或其值小于预先设定的阈值，则输出当前得到的多个IMF分量，否则，将剩余信号作为新的待分解信号，继续步骤(7)；
(10)对所述IMF分量进行希尔伯特变换，计算瞬时幅度、瞬时相位、瞬时频率和边际谱，得到多个特征参数；
(11)如果当前状态不是训练状态，则所述步骤(10)得到的特征参数为用于检测的特征参数，继续步骤(12)，如果当前状态是训练状态，则将步骤(10)中得到的特征参数作为特征参数样本，采用基于高斯核函数的SVM算法对选取的特征参数样本进行训练，获得基于高斯核函数的SVM算法模型的模型参数，根据训练好的参数，构建至少一个分类器，并令当前状态为识别状态，调到步骤(12)；
(12)采用构建的分类器对所述用于检测的特征参数进行缺陷检测。


2.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(4)中，采用如下公式光滑化：



其中，表示第i个采样点的第h深度的电涡流检测数据，表示光滑后的电涡流数据，m表示数据的最大深度，α表示滑动窗口。


3.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(5)中，采用如下公式去除电涡流检测数据的线性偏移：



其中，表示第i个采样点的第h深度的电涡流检测数据，表示第i个采样点的第h深度的预处理后的数据，表示第i个采样点的第j个波谷点深度，表示第i个采样点的波谷点位置处的电涡流检测数据。


4.根据权利要求1所述的高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法，其特征在于，所述步骤(5)中，采用如下步骤确定波谷点位置：
(5.1)根据步骤(4)光滑后的数据对其进行求导，得到导数为令h＝1；
(5.2)根据导数，如果采...

【专利技术属性】
技术研发人员：陈友荣，金合丽，刘半藤，周莹，任条娟，
申请(专利权)人：浙江树人学院浙江树人大学，
类型：发明
国别省市：浙江;33