基于GAN网络的双层管柱外层套管形变位置检测算法_陈友荣.pdf

第 36 卷 第 2 期2023 年 2 月传 感 技 术 学 报CHINESE JOUNAL OF SENSOS AND ACTUATOSVol.36No.2Feb 2023项目来源:浙江省自然科学基金项目(LQ19F010012);国家科技重大专项项目(2016ZX05017003)收稿日期:20220326修改日期:20220517Deformation Position Detection Algorithm of Outer Casingin Double-Layer Pipe Base on GAN Network*CHEN Yourong1，JIN Heli2，HUANG Hua3，XU Fei3，EN Tiaojuan1，WANG Ke1*(1College of Information Science and Technology，Zhejiang Shuren University，Hangzhou Zhejiang 310015，China;2School of Computer Science and Artificial Intelligence，Changzhou University，Changzhou Jiangsu 213164，China;3Petroleum Engineering Institute，Zhongyuan Oilfield Company，SINOPEC，Puyang He nan 457001，China)Abstract:It is difficult to detect the deformation position of outer casing in double-layer pipe in Puguang Gas field To solve the prob-lem，eddy current detection signal of electromagnetic flaw detector is used and a deformation position detection algorithm(DPDA)of out-er casing in double-layer pipe based on GAN network is proposed In DPDA，the eddy current detection signals are preprocessed andconverted into eddy current images，and a deformation position detection model is constructed，including the generation sub-network andthe discrimination sub-network Then the loss functions of these two sub-networks with reconstruction loss，hidden loss and confrontationloss are proposed and the weight coefficients of the loss functions are optimized by using reptile search algorithm The deformation posi-tion detection model is obtained by training，and the deformation pixels are preliminarily detected according to the deformation score Fi-nally，according to the characteristics of eddy current images，a correction method is designed to correct the abnormal results and obtainthe deformation position detection results The experimental results show that DPDA can accurately detect the deformation position of theouter casing in double-layer string It improves the detection accuracy and reduces the missed detection rate and error detection rate Itis better than auto encoder(AE)，Pyramid structure network model(PSNM)and cat swarm optimization algorithm(CSOA)Key words:eddy current signal;deformation position detection;GAN network;outer casingEEACC:6140doi:103969/jissn10041699202302011基于 GAN 网络的双层管柱外层套管形变位置检测算法*陈友荣1，金合丽2，黄华3，徐菲3，任条娟1，王柯1*(1浙江树人学院 信息科技学院，浙江 杭州 310015;2常州大学 计算机与人工智能学院，江苏 常州 213164;3中国石化中原油田分公司 石油工程技术研究院，河南 濮阳 457001)摘要:针对普光气田所使用的双层管柱外层套管存在形变位置难以检测问题，利用电磁探伤仪的电涡流检测信号，提出一种基于 GAN 网络的双层管柱外层套管形变位置检测算法(DPDA)。在 DPDA 中，首先对电涡流检测信号进行预处理将其转换为涡流图像，构建包括生成子网络和判别子网络的形变位置检测模型。然后提出权衡重构损失、隐性损失和对抗损失的两个子网络目标函数，并采用爬行动物搜索算法对目标函数的权重系数进行寻优。训练获得形变位置检测模型，并根据形变评分对形变像素进行初步检测。最后根据涡流图像特性，设计形变结果修正方法进行修正，获得形变位置检测结果。实验结果显示:DPDA 能准确检测双层管柱外层套管的形变位置，提高检测准确率，降低漏检率和误检率，比自编码器(AE)、金字塔结构网络模型(PSNM)和猫群优化算法(CSOA)更优。关键词:电涡流检测信号;形变位置检测;GAN 网络;检测中图分类号:TP391文献标识码:A文章编号:10041699(2023)02024209随着人类社会用能的增大，天然气拥有价格低廉、储存量大和排放清洁等优点，因此国家投入了大量的人力物力开发天然气。普光气田为我国最大规模的高含硫天然气储藏气田。由于普光气田井下环境恶劣，一旦发生二氧化硫泄漏，会引起重大人员伤亡等安全事故，因此其天然气采集油管外层有一层保护套管，但是在开采的过程中由于盐膏层发生蠕变，会造成外层保护套管发生形变，需要对外层套管的形变位置进行检测。针对普光气田套管的特性，中石化公司采用电磁探伤仪对其进行监测，其对每个深度的采样信号为离散的 23 个采样电涡流检测信号点。由于信号直接提供的信息量较少且依次处理和分析每一维电涡流检测信号效率较低，因此可将 23 个离散电涡流检测信号转化为数字图像，再采用图像异常检测算法进行检测，提高检测的准确率和效率。目前图像异常检测在制造业、医学、检测等领域第 2 期陈友荣，金合丽等:基于 GAN 网络的双层管柱外层套管形变位置检测算法受到研究者们的重视。图像异常检测技术主要包括非深度学习法和深度学习法。其中，部分学者侧重于研究基于非深度学习的图像异常检测方法，如文献 1 改进 X 检测算法(eed-Xiaoli detector，XD)，即引入聚类思想，对图像背景像素进行聚类，并应用快速特征分解算法生成异常检测指标。文献 2 设计一种新的背景字典构建策略，获得不含异常信息的有效背景字典，并利用基于背景字典的稀疏表示，对残差矩阵进行全局和局部自适应加权，进行异常和背景区分。文献 3 分解基于马氏距离的低秩稀疏矩阵，挖掘图像背景的低秩先验知识，再利用马氏距离检测图像存在的异常。上述文献 13 提出的 X 检测算法、聚类算法、稀疏编码和字典学习等传统基于非深度学习的图像异常检测方法都需要人为分析和提取图像特征，自适应性不强且提取特征量较少，对图像的表征能力不足。由于地下环境复制，不同双层管柱的电涡流检测信号差别较大，因此人为分析和提取特征的方法难以全面分析所有管柱对应的涡流图像特点，检测效果较差。近些年，部分学者侧重于研究基于深度学习的图像异常检测方法，如文献 4 提出一种基于金字塔结构的深度学习方法，其提取多尺度的图像特征并利用提取到的特征重构图像，比较重构的异常图像和正常图像的结构相似性和感知损失实现图像的异常检测。文献 5 在编码器的损失函数中引入光谱角度距，将图像生成服从单位高斯分布的潜在变量，提高解码器的重构能力，并利用光谱误差对重构后的图像进行检测。文献 6 利用 K-means+算法实现目标边框的聚类，并将聚类结构用于优化先验目标框，利用 TinyYOLOv3 算法检测图像异常点。文献 46 的深度学习方法学习训练时对图像细节的捕获能力不足，导致图像 的 生 成 能 力 不 足、判 别 能 力 较 弱。因 此Goodfellow 等人7 受博弈论的启发，提出一种生成式对抗网络(Generative Adversarial Networks，GAN)。GAN 网络是一种无监督的神经网络学习结构，其由生成子网络和判别子网络构成，生成子网络学习正常图像的特征分布，重构出表征正常的涡流图像，判别子网络区分正常图像特征分布与接近其分布图像之间差异，通过两个子网络之间的博弈，提升自身重构和区分能力。相较于上述基于深度学习的图像异常检测方法，GAN 网络通过生成网络和判别网络的不断博弈，可提高对图像特征细节的捕获能力，使异常检测更加精准，适用于基于电涡流检测信号的图像异常检测。目前部分学者侧重于研究基于 GAN 网络的图像异常检测方法，如文献 8 采用基于跳跃链接的编码器和解码器构建 GAN 网络，利用 GAN 网络学习高维图像空间中多尺度分布的正态数据，从而实现对高维正态分布图像的异常检测。文献 9 在 GAN 网络中应用半监督学习高光谱图像的背景分布，并获得初始光谱特征，克服噪声背景的影响，提高异常检测技术的性能。文献 10 采用自动编码器网络和对抗潜在识别器构建 GAN 网络，并添加一致性增强表示和收缩约束，在输入空间中使用对抗性的校正器，从而抑制高光谱图像的背景，突出异常和提高检测准确率。文献 11 将深度卷积神经网络与 GAN 网络相结合，寻找图像空间到高维特征空间最好的映射，实现对悬链线支撑组件的异常检测。文献 12 提出一种新的双编译码生成对抗网络模型，并且引入一种新的权值函数来控制编码重构阶段和对抗阶段的损失比例，检测工业环境中的异常;文献 13 采用基于跳接式和双自编码器构成生成对抗网络，对手机屏幕玻璃和木材形变进行检测。由于在采用电磁探伤仪进行检测时，附近深度的外层套管变化会对当前深度电涡流检测信号产生影响和网络过拟合问题，导致直接采用 GAN 网络进行检测时，其准确率低。针对上述问题，提出一种基于 GAN 网络的双层管柱 外 层 套 管 形 变 位 置 检 测 算 法(DeformationPosition Detection Algorithm of outer casing in double-layer pipe base on GAN network，DPDA)。首先，对电磁探伤仪检测电涡流数据进行预处理，将电涡流检测信号转化为尺寸相同的涡流图像。然后构建生成子网络、判别子网络、训练集和目标函数，并采用爬行动物搜索算