油气集输用双金属复合管环焊接头缺陷预测与控制方法与流程

本发明涉及石油天然气集输装备技术领域，特别涉及油气集输用双金属复合管环焊接头缺陷预测与控制方法。

背景技术：

双金属复合钢管基本原理：外基管负责承压和管道刚性支撑的作用，内衬管承担耐腐蚀的作用。油气田集输用双金属复合管通常采用机械滚压法、爆炸复合法、拉拔复合法及液压复合法制造。集输管线通过现场焊接方式连接，现场环焊缝是管道完整性的薄弱环节，其焊缝质量严重影响集输管线的服役安全。双金属集输管现场焊接主要质量缺陷包括以下几个方面：肉眼或低倍放大镜能检测到的且位于焊缝表面的缺陷，如焊缝尺寸不符规范、咬边、焊瘤、弧坑、表面气孔、夹渣、表面裂纹等；必须用破坏性试验或专门的无损检测方法才能发现的管材内部缺陷，如气孔、夹渣、内部裂纹、未焊透、未溶合等。每种类型的焊接缺陷产生受多种因素的复杂耦合影响，如：导致焊缝尺寸缺陷的因素包括，焊缝坡口加工平直度较差、坡口角度不当、装配间隙大小不均、焊接电流过大造成焊条熔化过快、电流过小造成焊条粘合等；咬边的导致因素有，焊接电流过大、电弧过长、焊条角度掌握不合适、运条的速度不当等；裂纹的影响因素有，焊缝热影响区收缩后产生大的应力、母材含淬硬组织较多导致冷却后易生裂纹、焊缝中氢浓度偏高、其他有害元素杂质影响等；弧坑产生主要原因有，焊接终了时熄弧时间过短等；夹渣原因有，焊缝母材清理不干净、焊接电流过小、熔化金属凝固过快、熔渣来不及浮出等；气孔原因有，焊条本身低劣、焊条受潮未按规定要求烘干、焊条药皮变质或剥落、焊芯锈蚀等；弧疤产生原因有，焊接操作不规范，维护工具不到位等；未焊透的原因包括，坡口的角度或组对的间隙过小、坡口两侧及层间焊未清理干净的氧化物及熔渣阻碍金属间充分熔合、选用焊接电流过大导致焊条先于母材熔化、选用过小电流时运条的速度过快、焊条的角度不正确导致熔化偏向一侧而形成局部未焊透等。除了上述之外，一些双金属管焊接过程中的特殊缺陷产生原因复杂难测，如：焊接过程基层碳含量高于衬层，使衬层受到基层的稀释作用，造成焊缝奥氏体形成元素减少和含碳量增加，易产生结晶裂纹；焊接热作用使复合材料局部熔化，合金元素渗入焊缝，易在熔合线附近产生马氏体组织，从而造成焊缝熔合区脆化。

现有技术中往往通过焊接现场工艺试错进行反复调整与优化，导致工程实践中焊接缺陷产生原因难找、规避措施缺乏。

技术实现要素：

为了解决现有技术中的问题，本发明的目的在于提供了油气集输用双金属复合管环焊接头缺陷预测与控制方法，以提高焊接缺陷发生预测的准确度，有效控制焊接缺陷产生。

为实现上述目的，本发明提供的技术方案如下：

油气集输用双金属复合管环焊接头缺陷预测与控制方法，基于实际的焊接缺陷发生情况大数据，综合机器学习和优化设计理论方法，根据不同的焊接缺陷，分别采用分类算法、回归算法或聚类算法，建立由焊接工艺参数作为因变量、焊接各类缺陷数据作为变量的双金属管焊接缺陷预测模型，然后采用遗传算法实施优化，实现油气集输用双金属复合管环焊接头焊接缺陷的预测与控制。

本发明进一步的改进在于，采用遗传算法实施焊接工艺优化，实现油气集输用双金属复合管环焊接头焊接缺陷的预测与控制的过程包括遗传编码生成、随机初始种群确定、适应度评估以及子代种群计算的优化迭代过程，在对所有个体pareto值评估的基础上，引入个体pareto值的均值和标准差，由个体pareto值的均值和标准差评估优化目标梯度对个体周围种群密度信息的灵敏度，使个体的后代繁殖远离优化趋向不活跃的区域；建立以减少焊接缺陷发生为优化目标，以焊接工艺参数为优化设计变量的优化模型，实现改变焊接工艺参数对减少焊接缺陷的控制。

本发明进一步的改进在于，具体包括以下步骤：

s1，预先存储多组不同材质、钢级、规格和双金属复合类型的现场焊接工艺参数和对应的焊缝实际缺陷数据；

对焊缝实际缺陷数据分别统计分析，或按照有/无情况进行分类记录，或按照尺寸或数量进行连续数据记录，并进行分级评级；

然后选取存储的若干组同种材质、规格、钢级和双金属复合类型的双金属管焊接工艺参数数据及其对应的焊缝实际缺陷数据，并对选取的数据进行规一化并抽象为向量，将规一向量化后的数据分为缺陷训练数据样本和验证数据样本；

s2，对于给定一组焊接工艺参数和缺陷数据，根据焊接输入与缺陷输出关系的分析，判断缺陷为金属焊接缺陷类型或双金属复合管焊接缺陷类型；

s3，对于金属焊接缺陷类型，采用监督学习方式进行机器学习，通过分类算法或回归算法进行处理，得到分类预测模型或回归预测模型；

s4，对于双金属复合管焊接缺陷类型，采用无监督学习方式进行机器学习，并进行有组织集群和聚类分析，建立聚类预测模型；

s5，将焊接缺陷数据与焊接工艺参数相对应，统一输入至分类预测模型、回归预测模型或者聚类预测模型，通过模型自学习，从而得到由焊接工艺参数作为因变量、焊接各类缺陷数据作为变量的双金属管焊接缺陷预测模型；

s6，使用步骤s1中的验证数据样本对步骤s5中的双金属管焊接缺陷预测模型进行交叉验证，对于不准确的模型预测结果，则更新数据库，得到缺陷训练数据样本和验证数据样本，将验证数据样本重新输入至步骤s5中的双金属管焊接缺陷预测模型进行交叉验证，不断提高模型预测的正确性；

s7，多次重复步骤s6，最终得到焊接缺陷预测模型，并对指定焊接工艺条件下的缺陷产生程度进行预测，输出焊缝缺陷预测值；

s8，将焊缝缺陷预测值与目标缺陷控制值比对差值作为目标函数，焊接工艺参数作为设计变量，运用遗传算法进行优化迭代，最终满足工程控制目标的要求，输出控制缺陷程度的焊接工艺参数优化设计结果，从而控制缺陷的发生。

本发明进一步的改进在于，步骤s1中，现场焊接工艺参数数据包括：焊接电流、焊缝坡口平直度、坡口角度、装配间隙、运条速度、母材和焊材化学成分、焊接终了熄弧时间、焊缝母材清洁程度以及焊条干燥程度；焊缝实际缺陷数据包括：肉眼或低倍放大镜能检测到的且位于焊缝表面的缺陷、破坏性试验或无损检测方法检测到的管材内部缺陷。

本发明进一步的改进在于，步骤s2中，肉眼或低倍放大镜能检测到的且位于焊缝表面的缺陷包括焊缝尺寸不符规范、咬边、焊瘤、弧坑、表面气孔、夹渣以及表面裂纹；

步骤s2中，无损检测方法检测到的管材内部缺陷包括气孔、夹渣、内部裂纹、未焊透以及未溶合。

本发明进一步的改进在于，步骤s3中，分类算法采用k-近邻算法，k-近邻算法包括以下步骤：(1)计算焊缝检测待测点与已知焊缝缺陷类别数据集中的点的距离；(2)按照距离升序排序；(3)选取与焊缝检测待测点距离最小的k个点；(4)计算前k个点所属缺陷类别的出现频率；(5)将频率最高的缺陷类别作为焊缝待测点的类别，得到分类预测模型；

步骤s3中的回归算法具体为：针对焊接缺陷数据库中的数据点进行拟合，得到回归预测模型；

步骤s3中的金属焊接缺陷类型包括焊缝几何尺寸问题、咬边缺陷、热影响区收缩裂纹、弧坑、夹渣、气孔以及未焊透；

对于热影响区收缩裂纹或未焊透缺陷问题，采用分类算法对缺陷给与表征，具体为：根据焊缝目测及无损检测值预测缺陷存在或不存在，输出是0或者1两个离散的值，其中，0代表无缺陷，1代表有缺陷；

对于焊缝偏差、咬边、弧坑、夹渣及气孔缺陷问题，采用回归算法对缺陷进行拟合并连续表征。

本发明进一步的改进在于，双金属复合管焊接缺陷类型包括衬层受到基层的稀释作用造成的焊缝结晶裂纹、复合材料局部熔化致合金元素渗入焊缝造成的焊缝熔合区脆化。

本发明进一步的改进在于，步骤s4的具体过程包括以下步骤：

(1)从实际形成焊缝缺陷的n个工艺参数数学向量任意选取k个对象作为初始簇中心，

(2)根据簇中对象的均值，计算每个对象与这些簇中心的距离，将每一个对象指派到最相似的簇；

(3)更新簇均值，即计算每一个簇中对象的均值；

(4)循环步骤(2)和步骤(3)直到每个簇准则函数不再发生变化时，得到聚类预测模型。

本发明进一步的改进在于，步骤s6中，对于分类算法预测输出有或无的结果不一致，则为不准确，一致则为准确；

对于回归算法和聚类算法以5％的误差范围作为判断准确与不准确的阈值。

本发明进一步的改进在于，步骤s6中，进行交叉验证的过程如下：

1)从全部的训练数据s中随机选择中随机选择s的样例作为训练集train，剩余的作为测试集test；

2)通过对测试集训练，得到假设函数或者模型；

3)在测试集对每一个样本根据假设函数或者模型，得到训练集的类标，求出分类正确率；

4)选择具有最大分类正确率的模型或者假设。

与现有技术相比，本发明具有的有益效果是：本发明基于实际检测的双金属管焊接工艺参数数据和对应的焊接实际产生焊缝缺陷数据，根据双金属管焊接缺陷具体特征，通过分类、回归和改进聚类算法方法分别实施机器学习，建立双金属管焊接缺陷预测模型，根据该双金属管焊接缺陷预测模型对预设焊接工艺参数条件下焊缝缺陷的产生程度进行预测；结合现场焊接工艺参数及缺陷检测分布数据统计，通过蒙特卡洛模拟建立焊缝缺陷预测模型，根据兼顾质量与成本的考虑建立预期缺陷控制指标，采用改进的遗传算法，以预期焊缝缺陷控制指标为优化目标，以焊接工艺参数为优化设计参数，进行优化计算，得到对控制缺陷发生的焊接工艺参数优化结果。从而可以提高焊缝缺陷发生预测的准确度，有效控制缺陷的发生概率。

本发明针对双金属复合管环焊接头焊接缺陷发生的规律与特点，基于实际的焊接缺陷发生情况大数据，综合机器学习和优化设计理论方法，根据不同的焊接缺陷，区分监督和非监督类机器学习问题，综合采用分类、回归和改进的聚类算法实施基于知识工程的焊接缺陷预测，采用改进的遗传算法实施焊接缺陷控制优化，提出油气集输用双金属复合管环焊接头焊接缺陷的预测与控制方法。

附图说明

图1是本发明实施例提供的双金属复合管焊接缺陷的预测与控制方法流程图。

具体实施方式

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

基于实际的焊接缺陷发生情况大数据，综合机器学习和优化设计理论方法，根据不同的焊接缺陷，分别采用分类算法、回归算法或聚类算法，建立由焊接工艺参数作为因变量、焊接各类缺陷数据作为变量的双金属管焊接缺陷预测模型，然后采用遗传算法实施优化，实现油气集输用双金属复合管环焊接头焊接缺陷的预测与控制。

针对双金属复合管环焊接头焊接缺陷发生的规律与特点，基于实际的焊接缺陷发生情况大数据，综合机器学习和优化设计理论方法，根据不同的焊接缺陷，对于监督类问题，采用分类和回归算法。

对于非监督类问题，采用聚类算法进行基于知识工程的焊接缺陷预测，然后采用遗传算法实施焊接缺陷控制优化，实现油气集输用双金属复合管环焊接头焊接缺陷的预测与控制。

本发明采用遗传算法实施焊接工艺优化，过程包括遗传编码生成、随机初始种群确定、适应度评估以及子代种群计算的优化迭代过程。虽然遗传算子适应度评估过程可以通过非支配排序得到所有遗传个体的pareto值并不断优化，但是无法评估个体周围的种群密度信息，从而会出现优化目标梯度不同的个体仍然具有相同的遗传机会，大大降低了优化计算效率；针对该问题对遗传算法提出改进：在对所有个体pareto值评估的基础上，引入个体pareto值的均值和标准差，由此评估优化目标梯度对个体周围种群密度信息的灵敏度，使个体的后代繁殖远离优化趋向不活跃的区域，达到提高优化计算效率的目的。

参见图1，本发明具体包括以下步骤：

s1，构建数据库：

预先存储多组不同材质、钢级、规格和双金属复合类型的现场焊接工艺参数和对应的焊缝实际缺陷数据。

所述现场焊接工艺参数数据主要包括：焊接电流、焊缝坡口平直度、坡口角度、装配间隙、运条速度、母材和焊材化学成分、焊接终了熄弧时间、焊缝母材清洁程度、焊条干燥程度等。焊缝实际缺陷数据，包括：肉眼或低倍放大镜能检测到的且位于焊缝表面的缺陷，如焊缝尺寸不符规范、咬边、焊瘤、弧坑、表面气孔、夹渣、表面裂纹等；破坏性试验或无损检测方法检测到的管材内部缺陷，如气孔、夹渣、内部裂纹、未焊透、未溶合等。对实际缺陷数据分别统计分析，或按照有/无情况进行分类记录，或按照尺寸或数量进行连续数据记录，并进行分级评级。这些为公知知识，有预测规律；但是对于双金属焊接特有缺陷，很难预测规律，需要采用聚类算法自动分类并寻找规律，得到预测模型。

然后选取存储的若干组同种材质、规格、钢级和双金属复合类型的双金属管焊接工艺参数数据及其对应的焊接实际缺陷分析数据，并对选取的数据进行规一化并抽象为向量，将规一向量化后的数据分为缺陷训练数据样本和验证数据样本；

s2，对焊接缺陷问题进行分类统计分析：

对于缺陷产生原因较为明确，即给定一组焊接工艺参数和缺陷数据，可根据理论认识明确的焊接输入与缺陷输出特定关系，推测出焊接缺陷结果的情况，即判断缺陷为金属焊接缺陷类型或双金属复合管焊接缺陷类型；

s3，对于金属焊接缺陷类型，采用监督学习方式进行机器学习，通过分类算法或回归算法进行处理，得到分类预测模型或回归预测模型；符合该种情况的问题包括诸如：焊缝几何尺寸问题、咬边缺陷、热影响区收缩裂纹、弧坑、夹渣、气孔、未焊透等；

对于监督类问题，按照分类算法和回归算法两种方法进行处理，得到分类预测模型和回归预测模型；分类问题中根据焊接参数输入变量输出离散的缺陷分类结果，例如对焊缝质量具有严重影响的裂纹、未焊透等缺陷，统计分析焊缝裂纹、未焊透等发生有或无的情况；回归问题中根据焊接参数输入变量输出连续的缺陷数据结构，例如焊接不符标准的几何偏差尺寸、咬边几何参数、弧坑数量和尺寸、夹渣数量及尺寸、气孔数量及尺寸等；

对于裂纹、未焊透等缺陷问题，采用分类算法对缺陷给与表征，一般根据焊缝目测及无损检测值预测缺陷存在或不存在，输出是0或者1两个离散的值。(0代表无缺陷，1代表有缺陷)；

回归算法采用k-近邻算法(knn)，使用样本特征数据距离测量的方法进行分类。从焊接缺陷样本数据集中，明确样本集中每个缺陷数据存在的裂纹或未焊透等标签，即知道样本集中每一组缺陷数据与所属分类的对应关系。输入没有标签的新数据后，将数据的每个特征与样本集中数据对应的特征进行距离计算，然后提取样本集中特征最相似数据(最近邻)的分类标签。选择k个最相似的数据，从k个数据中选择出现次数最多的分类，作为新数据的分类。主要步骤包括：(1)计算焊缝检测待测点与已知焊缝缺陷类别数据集中的点的距离；(2)按照距离升序排序；(3)选取与焊缝检测待测点距离最小的k个点；(4)计算前k个点所属缺陷类别的出现频率；(5)返回频率最高的缺陷类别作为焊缝待测点的类别，，得到分类预测模型；

对于焊缝偏差、咬边、弧坑、夹渣及气孔等缺陷问题，采用回归算法对缺陷表征，针对焊接缺陷数据库中的数据点进行拟合，得到回归预测模型，

对典型线性回归模型y＝1x1i+2x2i+…+mxmi,使用最小二乘法，并基于训练数据样本，确定aj，其中，xji代入第i组训练数据样本中的第j个影响因素的数据，yi代入第i组训练数据样本中的焊缝实际缺陷数据，j＝1、2、…、m；具体缺陷数据包括：几何偏差尺寸、咬边几何参数、弧坑数量和尺寸、夹渣数量及尺寸、气孔数量及尺寸等；

s4，对焊接缺陷问题进行分类统计分析，除了监督类问题之外，对于缺陷产生原因不明确，没有可以借鉴的经验和理论认识成果，焊接输入与缺陷输出无明确特定关系，即给定一组焊接工艺参数数据，不能推测出焊接缺陷结果的情况，即对于双金属复合管焊接缺陷类型，采用无监督学习方式进行机器学习，并进行有组织集群和聚类分析，建立聚类预测模型；

符合该种情况的问题包括诸如：一些原因复杂难测的双金属管焊接特殊缺陷，包括衬层受到基层的稀释作用造成的焊缝结晶裂纹、复合材料局部熔化致合金元素渗入焊缝造成的焊缝熔合区脆化等；

对于无监督类问题，通过机器学习可发现焊接工艺与缺陷产生的内在联系，基于焊接参数与实际焊接缺陷大数据分析不断提炼关键要素，并进行有组织集群和聚类分析，建立新的基于知识工程的缺陷预测模型；具体过程为：双金属管焊接结晶裂纹和焊缝材料脆化等缺陷由焊接工艺多维数据复杂耦合影响，现有技术不足，难以确定内在机制。按照非监督学习问题处理，采用k-means聚类算法的原理实施机器学习和预测建模，具体过程如下：

(1)从实际形成焊缝缺陷的n个工艺参数数学向量任意选取k个对象作为初始簇中心，

(2)根据簇中对象的均值，计算每个对象与这些簇中心的距离，将每一个对象指派到最相似的簇，

(3)更新簇均值，即计算每一个簇中对象的均值，

(4)循环步骤(2)和步骤(3)直到每个簇准则函数不再发生变化，得到聚类预测模型。

鉴于k-means聚类算法的预测准确度对初始簇中心的初始值和选取个数较为敏感，针对该问题提出改进：以选择特征值间距尽可能远的k个点作为初始簇为原则，首先随机选择一个样本数据点作为第一个初始类簇中心点，然后选择距离该数据点最远的那个点作为第二个初始类簇中心点，然后再选择距离前两个数据点的最近距离为最大的数据点作为第三个初始类簇的中心点，以此类推，直至选出k个对象作为初始簇中心。

s5，将规范化的焊接缺陷数据与焊接工艺参数相对应，统一输入至分类预测模型、回归预测模型或者聚类预测模型，通过模型自学习不断丰富知识库，提高预测精度；从而得到由焊接工艺参数作为因变量、焊接各类缺陷数据作为变量的双金属管焊接缺陷预测模型；

采用分类算法：对焊缝质量具有严重影响的裂纹，裂纹只有存在就不能容忍，所以可以分为有或无两类。裂纹的影响因素有，焊缝热影响区收缩后产生大的应力、母材含淬硬组织较多导致冷却后易生裂纹、焊缝中氢浓度偏高、其他有害元素杂质影响等。这些因素为输入变量，通过检测数据集采用分类方法得到预测模型。

采用分类方法，对于未焊透等缺陷：坡口的角度或组对的间隙过小、坡口两侧及层间焊未清理干净的氧化物及熔渣阻碍金属间充分熔合、选用焊接电流过大导致焊条先于母材熔化、选用过小电流时运条的速度过快、焊条的角度不正确导致熔化偏向一侧而形成局部未焊透等。

对于缺陷回归问题，根据焊接参数输入变量输出连续的缺陷数据结构，例如焊接不符标准的几何偏差尺寸、咬边几何参数、弧坑数量和尺寸、夹渣数量及尺寸、气孔数量及尺寸等；)

s6，使用步骤s1中的验证数据样本对步骤s5中的双金属管焊接缺陷预测模型进行交叉验证，对于不准确的模型预测结果，则更新数据库，得到缺陷训练数据样本和验证数据样本，将验证数据样本重新输入至步骤s5中的双金属管焊接缺陷预测模型进行交叉验证，不断提高模型预测的正确性；

交叉验证的步骤如下：1、从全部的训练数据s中随机选择中随机选择s的样例作为训练集train，剩余的作为测试集test。2、通过对测试集训练，得到假设函数或者模型。3、在测试集对每一个样本根据假设函数或者模型，得到训练集的类标，求出分类正确率。4、选择具有最大分类率的模型或者假设。这种方法称为hold-outcrossvalidation或者称为简单交叉验证。由于测试集和训练集是分开的，就避免了过拟合的现象。)

对于分类算法预测输出有或无的结果不一致，则为不准确，一致则为准确；

对于回归算法和聚类算法，以5％的误差范围作为判断准确与不准确的阈值。

s7，多次重复步骤s6，最终得到焊接缺陷预测模型，并对指定焊接工艺条件下的缺陷产生程度进行预测，输出焊缝缺陷预测值；采用本发明，可以基于焊接缺陷实际大数据建立缺陷预测模型，提高双金属复合管焊接缺陷预测的准确度；

s8，将焊缝缺陷预测值与目标缺陷控制值比对差值作为目标函数，焊接工艺参数作为设计变量，运用遗传算法进行优化迭代，最终满足工程控制目标的要求，输出控制缺陷程度的焊接工艺参数优化设计结果，从而控制缺陷的发生。

本发明可进行焊接缺陷的预测，并且还可以通过现场焊接质量合格目标与施工成本控制综合分析确定双金属管现场焊接质量控制的目标函数，即将采用上述方法计算得到的焊缝缺陷预测值与目标缺陷控制值比对差值作为目标函数，焊接工艺参数作为设计变量，运用改进的遗传算法进行优化迭代，最终满足工程控制目标的要求，输出控制缺陷程度的焊接工艺参数优化设计结果，有效控制缺陷的发生；可通过蒙特卡洛模拟建立基于响应面函数的焊缝缺陷预测模型，兼顾焊缝缺陷优化控制的精度与效率。