技术特征：
1.一种基于检测信号的管道完整性智能评价方法，其特征在于，包括：获取管道的磁感应检测信号数据；将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。2.根据权利要求1所述的基于检测信号的管道完整性智能评价方法，其特征在于，还包括：所述完整性智能评价模型的训练过程；其中，所述完整性智能评价模型的训练过程包括：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需要覆盖各种异常区域位置和各种维修等级；根据检测信号解析专家凭经验或开挖确定与所述预设数量的样本磁感应检测信号数据对应的管道异常区域位置及维修等级；将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型。3.根据权利要求2所述的基于检测信号的管道完整性智能评价方法，其特征在于，在收集预设数量的样本磁感应检测信号数据之后，所述方法还包括以下步骤：对所述样本磁感应检测信号数据进行长度统一处理，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：其中，n为磁感应检测信号维度，h
ij
表示磁感应检测信号的第j个信号特征的数值大小；磁感应检测信号数据的采样频率统一，h的长度代表被检测管段的长度，将磁感应检测信号数据进行标准化处理，使得每段检测信号向量的长度相同，以便网络训练；首先统计所有被检管段磁感应检测信号数据的平均长度四舍五入到整数，然后执行下述情况1至情况5：情况1：对于数组长度的信号数据，用插值的方式将数组长度放缩到具体地，先得到新数组的采样点在原始数值坐标中的位置：式中，x为变换后新数组的位置信息集合；根据新的位置信息x，利用线性插值计算新位置上的检测信号插值
方式为：式中，j＝[i]为i的整数部分，为原数据中对应位置的磁感应检测信号数据，得到的新磁感应检测信号数据h
*
的向量长度为情况2：对于数组长度的信号数据，对数组进行拼接得到新信号：信号长度变为n*l，直到再按情况1中的方法，将长度放缩为情况3：对于数组长度的无异常信号数据，从数组的起始位置和终点位置分别向对侧划分长度，得到两个新数据，即：长度，得到两个新数据，即：情况4：对于数组长度均无异常信号数据h，从数组起点位置按长度开始切割，得到长度为的信号，直到剩余部分的长度再按照情况1-情况3的方法将剩余部分长度也变为情况5：对于数组长度的有异常信号数据h，则异常区域集g表达为g＝｛[g
i
，g
i
+d
i
]，i＝1，2，...，q}式中，q为h中异常区域的数量，g
i
为第i处异常的起点位置，d
i
为第i处异常的位置长度，首先，对每个异常区域，分别从异常信号起终点向两侧划分长度，若或区间内完全包含其他信号异常区间，则合并异常区间并剪裁，具体的：当时，将异常区域合并为同一个信号并裁减，同理当对，将异常区域合并为同一信号并裁减，裁剪后的数组长度为若或或区间内不完全包含其他异常信号，从异常信号[g
i
，g
i
+d
i
]的中点分别向两侧延伸，得到长度为的区间的区间若此区间包含其他异常信号的端点，则该端点作为一个裁剪点，再向另一侧延伸裁剪，保证含信号异常的部分长度为以包含端点g
i-1
+d
i-1
为例，得到剪裁区间为例，得到剪裁区间若此时右端点落在其他异常区间内，则再向左缩至无异常处，得到最终的剪裁区间[g
i-1
+d
i-1
，g
i+1
]，对最终裁剪的信号数组重复情况1-情况2；对于的信号，直接将该部分异常信号区域裁剪为
一个信号数组，再对剩余的部分进行上述步骤处理；对于上述裁剪后剩余的无信号区域，循环执行情况1-情况4。4.根据权利要求2所述的基于检测信号的管道完整性智能评价方法，其特征在于，将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型，包括：根据针对历史获取到磁感应检测信号数据的统计结果，确定包含有缺陷的磁感应检测信号数据和不包含有缺陷的磁感应检测信号数据的数量比例；根据所述数量比例，将已确定管道异常区域位置及维修等级的样本磁感应检测信号随机分成训练集和测试集以训练和测试完整性智能评价模型。5.根据权利要求1～4任一项所述的基于检测信号的管道完整性智能评价方法，其特征在于，在将所述磁感应检测信号数据输入至完整性智能评价模型中之前，所述方法还包括：在应用模型时，对于所述磁感应检测信号数据，先对所述磁感应检测信号数据进行数组长度比例统一化；若信号长度则按照如权利要求3中所述的情况1和情况2的方法将信号数组放缩为标准大小；若信号长度则从信号数组的左侧端点开始，建立长度为的滑动窗口，每长度剪裁一次信号，直到滑动窗口的右侧到达信号数组的边界，得到个信号数组，将这些信号数组输入网络进行预测，根据网络预测结果输出异常信号位置在数据上的异常区域位置及异常信号的维修等级。6.根据权利要求1～4任一项所述的基于检测信号的管道完整性智能评价方法，其特征在于，还包括：对所述完整性智能评价模型进行调整和迁移的处理过程；其中，对所述完整性智能评价模型进行调整和迁移的处理过程，包括：在积累管道开挖数据后，将影响磁感应的周围环境因素包括金属、树木和管道属性做热独one-hot编码或连续编码，得到第一特征向量；将利用区域生成网络rpn选取出的目标区域在卷积神经网络得到的特征图上对应的特征向量与所述第一特征向量进行拼接，得到第二特征向量；所述第二特征向量经过全连接神经网络层的计算，再通过softmax函数，计算得到样本磁感应检测信号数据属于每种维修等级的概率l
i
，使用随机梯度下降法sgd方法训练全连接网络，网络输出l
i
结果中，最大l
i
处即是该处异常最可能的维修等级；其中，信号样本属于每种维修等级的概率l
i
计算方式为：其中，p
i
是全连接网络层的输出，n表示维修等级数目。7.根据权利要求6所述的基于检测信号的管道完整性智能评价方法，其特征在于，还包括：对所述完整性智能评价模型进行优化，使得所述完整性智能评价模型输出缺陷类型；在网络的全连接层后增加一层多标签sigmod损失函数，得到样本磁感应检测信号数据预测为每类缺陷的概率
其中，为网络最后一个全连接层输出的列向量，m为缺陷类型的数量，采取交叉熵损失函数，使用随机梯度下降法sgd训练网络，网络输出向量中所有大于阈值的位置对应的缺陷类型；完成以上处理后，网络在预测时输出异常区域位置、缺陷类型以及相应维修等级。8.一种基于检测信号的管道完整性智能评价装置，其特征在于，包括：获取模块，用于获取管道的磁感应检测信号数据；智能评价模块，用于将所述磁感应检测信号数据输入至完整性智能评价模型中，得到所述管道的完整性智能评价结果；其中，所述完整性智能评价结果包括异常区域位置和维修等级；其中，所述完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型进行训练和测试后得到的。9.根据权利要求8所述的基于检测信号的管道完整性智能评价装置，其特征在于，还包括：训练模块，用于对所述完整性智能评价模型执行训练过程；其中，所述完整性智能评价模型的训练过程包括：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需要覆盖各种异常区域位置和各种维修等级；根据检测信号解析专家凭经验或开挖确定与所述预设数量的样本磁感应检测信号数据对应的管道异常区域位置及维修等级；将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，基于智能学习算法对神经网络模型进行训练和测试，得到完整性智能评价模型。10.根据权利要求9所述的基于检测信号的管道完整性智能评价装置，其特征在于，在收集预设数量的样本磁感应检测信号数据之后，所述训练模块还用于执行以下步骤：对所述样本磁感应检测信号数据进行长度统一处理，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：其中，n为磁感应检测信号维度，h
ij
表示磁感应检测信号的第j个信号特征的数值大小；磁感应检测信号数据的采样频率统一，h的长度代表被检测管段的长度，将磁感应检测信号数据进行标准化处理，使得每段检测信号向量的长度相同，以便网络训练；首先统计所有被检管段磁感应检测信号数据的平均长度四舍五入到整数，然后执行下述情况1至情况5：
情况1：对于数组长度的信号数据，用插值的方式将数组长度放缩到具体地，先得到新数组的采样点在原始数值坐标中的位置：式中，x为变换后新数组的位置信息集合；根据新的位置信息x，利用线性插值计算新位置上的检测信号插值方式为：式中，j＝[i]为i的整数部分，为原数据中对应位置的磁感应检测信号数据，得到的新磁感应检测信号数据h
*
的向量长度为情况2：对于数组长度的信号数据，对数组进行拼接得到新信号：信号长度变为n*l，直到再按情况1中的方法，将长度放缩为情况3：对于数组长度的无异常信号数据，从数组的起始位置和终点位置分别向对侧划分长度，得到两个新数据，即：长度，得到两个新数据，即：情况4：对于数组长度均无异常信号数据h，从数组起点位置按长度开始切割，得到长度为的信号，直到剩余部分的长度再按照情况1-情况3的方法将剩余部分长度也变关情况5：对于数组长度的有异常信号数据h，则异常区域集g表达为g＝｛[g
i
，g
i
+d
i
]，i＝1，2，...，q}式中，q为h中异常区域的数量，g
i
为第i处异常的起点位置，d
i
为第i处异常的位置长度，首先，对每个异常区域，分别从异常信号起终点向两侧划分长度，若或区间内完全包含其他信号异常区间，则合并异常区间并剪裁，具体的：当时，将异常区域合并为同一个信号并裁减，同理当时，将异常区域合并为同一信号并裁减，裁剪后的数组长度为若或或区间内不完全包含其他异常信号，从
异常信号[g
i
，g
i
+d
i
]的中点分别向两侧延伸，得到长度为的区间的区间若此区间包含其他异常信号的端点，则该端点作为一个裁剪点，再向另一侧延伸裁剪，保证含信号异常的部分长度为以包含端点g
i-1
+d
i-1
为例，得到剪裁区间为例，得到剪裁区间若此时右端点落在其他异常区间内，则再向左缩至无异常处，得到最终的剪裁区间[g
i-1
+d
i-1
，g
i+1
]，对最终裁剪的信号数组重复情况1-情况2；对于的信号，直接将该部分异常信号区域裁剪为一个信号数组，再对剩余的部分进行上述步骤处理；对于上述裁剪后剩余的无信号区域，循环执行情况1-情况4。
技术总结
本发明公开了一种基于检测信号的管道完整性智能评价方法及装置，方法包括：获取管道的磁感应检测信号数据；将磁感应检测信号数据输入至完整性智能评价模型中，得到管道的完整性智能评价结果；其中，完整性智能评价结果包括异常区域位置和维修等级；完整性智能评价模型为将样本磁感应检测信号数据作为模型的输入，将与所述样本磁感应检测信号数据对应的异常区域位置和维修等级作为模型的输出，对神经网络模型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，提高了检测结果解析的准确性，避免盲目维修，可以极大地提高经济性和降低劳动力，同时提高了管道的安全性。了管道的安全性。了管道的安全性。
技术研发人员：于子浩 崔凯燕 王晓霖 王佳楠 杨晓
受保护的技术使用者：中国石油化工股份有限公司大连石油化工研究院
技术研发日：2021.03.08
技术公布日：2022/9/15