一种钢管套管接箍连接的关键点自动检测方法与流程

本发明属于质量工程领域，涉及套管接箍连接工程质量，尤其涉及一种基于扭矩信号的前向检测和后向筛选的获取钢管套管接箍连接关键点的自动检测方法。

背景技术：

密封性是石油管道的关键质量特性之一。在目前套管接箍拧接的过程中，采用有经验的工程师人工手动检测的办法，不仅测量上的精度没办法保证，而且有可能存在工作中的疏忽导致废品的外流，所以自动检测套管接箍的密封性是非常必要的。在套管接箍拧接过程中，这个质量特性主要依赖于安装在拧接机上传感器收集的扭矩信号的两个关键可解释的变化点。在本申请书中，两个关键点也指密封点和台肩点，密封点处扭矩值的大小直接影响套管接箍连接的密封性能，台肩点处扭矩值的大小直接影响套管接箍连接牢固度。但是，由于操作系统和测量系统产生的各种噪声和潜在的生产过程因素(如机械回程差，组装偏差和套管的平直度)导致扭矩信号中存在多种非线性的和非平稳的模式。因此，自动精确的识别两个关键点的质量检测是极富挑战性的。现有方法中，仅记载了针对传感器测量的扭矩信号检测台肩点的方法，如文献(R.Ruehmann。and G.Ruark,“Shoulder Yielding Detection During Pipe Make Up,”Offshore Technology Conf.,pp.1-11,2011,‘VAM Book’.(2016,April).[Online].Available:http://www.vamservices.com/Library/files/VAM％C2％AE％20Book.pdf)，然而台肩点只能反映连接的牢固度，不能反映连接的密封性。同时，现有的这些方法来自于工程经验，图1所示为理论扭矩信号曲线，从理论的扭矩信号出发，采用近似计算方法来检测实际扭矩信号(图2是实际扭矩信号曲线)的台肩点的位置，往往计算精度是不够准确的。参考文献VAM book是本领域较权威的技术手册，现有实际工厂大多使用该书里面的方法和要求。然而，对密封点和台肩点的检测是同样重要的，没有检测密封点可能导致密封性不好的套管接箍连接外流，导致石油泄漏，造成巨大损失。

技术实现要素：

为了克服上述现有技术的不足，本发明提供一种钢管套管接箍连接的关键点检测方法，通过建立了一个两阶段模型框架，利用正反顺序的先进统计方法来检测两个关键可解释的变化点，由此实现自动化、精准化的密封点和台肩点的检测。

本发明提供的技术方案是：

一种钢管套管接箍连接的关键点检测方法，所述方法基于带有密封面的套管接箍连接的扭矩信号建立了一个两阶段模型框架：首先基于动态时间扭曲的方法(dynamic time warping)来衡量扭矩信号和可解释的物理基的相似度；然后，在第一阶段中，基于F最大值的统计检验和两相回归模型来检测扭矩信号中所有潜在的变化点；在第二阶段中，通过基于物理约束的逆序变化点的筛选来选择更为可能的两个关键变化点；最后，基于加权三相回归模型确定两个关键的变化点，具体包括如下步骤：

A.动态时间扭曲方法和物理基的生成

根据扭矩信号，得到针对该扭矩信号的物理基和动态时间扭曲距离，即根据扭矩信号的特征生成物理基；具体地：

假设两个时间序列Q和C,长度分别对应为n和m，表示如下:

Q＝q₁，q₂,…,q_i,…，q_n (式1)

C＝c₁，c₂,…,c_j,…,c_m (式2)

为了应用时间扭曲对齐上式1和式2的两个时间序列Q和C，构造了一个n×m矩阵，其中矩阵的第(i_th，j_th)元素表示两点q_i和c_j间的距离d(q_i，c_j)(一般常用欧几里得距离,也就是d(q_i，c_j)＝(q_i-c_j)²).每个矩阵元素(i,j)对应于两个点q_i和c_j间的距离。图3展示了动态时间扭曲的时间序列对应关系。动态时间扭曲路径记为W，是一个连续的矩阵对应关系，定义了Q和C的匹配关系。W中的第k_th的元素定义为w_k＝(i,j)_k，所以我们有如下表达式(式3)表示动态时间扭曲路径记W:

W＝w₁，w₂，…,w_k,…,w_K，max(m,n)≤K<m+n-1 (式3)

动态时间扭曲路径要满足三个条件。第一个是边界条件,即w₁＝(1,1)和w_K＝(m,n)。这点要求动态时间扭曲路径开始于矩阵的左下角的第一个元素，结束于矩阵右上角的元素。第二个是连续性条件，要求给定w_k＝(a,b)条件下，w_k-1＝(a’,b’)，a–a′≤1，b-b′≤1。这就意味着动态时间扭曲路径中每一合理的步骤都是毗邻的。图4展示了这个条件。最后一个条件是单调性。该条件要求每一个W中的元素随时间的演化是单调的。满足上述三个条件的路径个数有指数个,但是最小的那个的扭曲惩罚的路径定义为我们感兴趣的路径DTW(Q,C)。

分母K是不同扭曲路径可能存在不同的长度，对应的约束条件如式3，对应在两个时间序列Q和C上的点为q_n和c_m。

动态规划通过衡量相邻两个元素的累积距离γ(i,j)来有效地发现这条扭曲路径。这个累积距离可以利用现在的元素和相邻元素之间的累积距离来度量:

其中，γ(i,j)为相邻两个元素之间的累积距离；d(q_i，c_j)为两点q_i和c_j间的距离。

为了测量的基和实际转矩信号之间的相似性，我们首先需要生成合理的物理基。由于生产过程存在大量的不确定性，如噪声、套管是弯的、套管与接箍中心线没有对齐等潜在因素，大量的扭矩信号中存在周期为一圈的周期性特征，故可选正弦函数作为物理基，其周期是一圈，振幅为扭矩信号第一圈内扭矩最大值，相位为0。得到周期为一圈的正弦物理基后，利用动态时间扭曲方法求解扭矩信号与相应物理基的扭曲距离，在最大相似度之前(即扭曲距离最小)的点不可能存在关键点。因此，基于物理基的动态时间扭曲为第一阶段的顺序检测和第二阶段的逆序筛选提供了先验，并且为最终的决策提供权重。

B.根据A得到的扭曲距离，第一阶段进行顺序变点检测，得到可能是关键变点的位置；包括过程B1～B2：

B1.两相回归模型的建立

基于现有的理论扭矩分析(许红林,施太和,张智.油套管特殊螺纹接头上扣扭矩理论分析[J].西南石油大学学报,2014,36(5):160‐168)，我们提出以下的模型假设。

(1)扭矩信号是具有三相的分段线性曲线；

(2)两个关键的变化点可以捕获螺纹套管接箍连接的状态；和

(3)在不同阶段的变化处存在显著的增量变化

用于扭矩信号的两相回归模型可以写成式6：

其中，k代表时间；x_k和y_k分别代表k时刻的圈数和扭矩；c_c代表在c时刻扭矩的斜率增长发生了变化，也就是在c时刻出现了可能的变点；ε_k服从独立同分布的正态分布，(a_i，b_i)是回归系数i＝1,2；x_n对应于扭矩信号达到最大值的圈数；原假设H₀:b₁＝b₂,备择假设H₁:b₁≠b₂；对于连续型情况，响应变量的值在两相交点处相同；对于变点(c∈{2,…,n-1})检测的F统计量表示为式7：

其中，SSE₁是备择假设条件下的残差平方和，SSE₀是零假设条件下的残差平方和。因此，

c可以由式10推断得到：

F_max＝max_1≤c≤nF_c. (式10)

上述方程分别是优化和假设检验问题。通常对所有可行的解进行搜索，来找到使F_c最大化的最优变点。然后，F_max与给定的显著水平的临界值进行比较，来决定是否接受或拒绝零假设。

B2.前向顺序变点检测：

套管接箍连接的物理结构暗示了关键变点不会在扭矩信号的前部存在。因此，我们可以从A中获得的扭矩信号每个点和物理基之间的动态时间扭曲距离，找到可能是关键变点的圈数最小的先验位置。具体为A中的扭矩信号中的点和相应扭矩信号的物理距离最小的位置为关键变点的圈数最小先验位置。从连接过程对应的圈数到圈数最小先验位置，假设为线性模型进行线性拟合，该线性模型的斜率和截距可从最小二乘估计中获得。在圈数最小先验位置之后的数据点均被认为是新数据点。从初始数据到第一个新的数据点，在给定的显著水平下，利用F_max统计量检测两相回归的模型中是否存在变化点。如果原假设H₀:b_n＝b₂被拒绝，一个潜在的变化点存在于这段信号中，记录这个点的位置并从这个变化点分隔扭矩信号，利用最小二乘计算分隔点到这个新数据点之间的斜率和截距，然后检测下一个新数据点。重复这一过程，直到扭矩信号中扭矩达到最大的数据点，由此找到所有可能是关键变点的位置。前向顺序变点检测的流程图如图6所示。

C.第二阶段进行逆序变点选择，缩小B中获得的可能关键变点集的范围；包括过程C1～C2：

C1.套管接箍连接的物理约束

螺纹管接头的结构示于图7。如该图所示，从与金属面密封处到台肩面存在一段金属连接。换言之，从密封点到台肩点间存在物理距离。与此同时，台肩处有一个微小的变形，很难通过肉眼可见。根据这两个物理特性，可以进行连续的向后变化点选择。对应于第一个物理约束，两个相邻的改变点之间的位置差必须大于给定的阈值，记为h₁，这个阈值可以从历史数据来估计；对应于第二物理约束，台肩微小变形记为h₃，同时记录台肩对应于密封面的最大物理距离，记为h₂。具有较大F_max统计量的变化点被保留，而另一个被筛除。在逆序变点选择的第一步是要消除伪变点。根据第二个物理约束可以选择可能的第二个关键点的潜在集合。而且，对应于每一个潜在的第二个关键点，可以根据第一个物理约束的性质找到相应的潜在的第一个关键点的变点集合。

C2.逆序变点选择

在B2中，许多潜在的变点已经被发现。设定χ₁代表所有可能的变点，用M代表所有变点的总数，其中只有两个是我们感兴趣的对连接质量起决定作用的关键点。因此，我们设计了一套搜索筛选算法，来起到缩小可能变点的集合。基于B1中的模型假设，我们建立了加权的三相回归模型。

其中k代表时间，x_k和y_k分别代表k时刻的圈数和扭矩；是在c₁时刻的关键点，代表了从螺纹啮合转变到密封面密封；是在c₂时刻的关键点，代表了从密封面密封过渡到台肩对顶。ε_k是独立同分布的高斯噪声；(a_i，b_i)是回归系数i＝1，2，3；x_n是扭矩信号中最大扭矩位置对应的圈数。两个关键点检测的问题可以用以下数学表达式表达：

χ₁＝{c_i，c_j|h₂≥c_j-c_i≥h₁，x_n-c_j＜h₃,i＜j,j＝1,2,…,M} (式13)

其中，h₂和h₃是来源于物理约束，并从历史数据中估计。w_k正比于动态时间扭曲距离。使WRSS最小的c₁和c₂为最优的关键点位置。根据以上物理约束和上述方程，我们可以进行逆序变点筛选。图8展示了逆序筛选算法。

与现有技术相比，本发明的有益效果是：

本发明提供一种自动化、精准化的套管接箍拧接的质量监测方法，创新地发明了根据套管接箍的扭矩信号，将扭矩信号根据理论分析生成物理基；根据物理基和扭矩信号的相似程度，计算扭曲距离，得到扭矩信号每个点的权重；根据扭矩信号的理论机制，提出二相回归模型，根据F_max检验来获得所有可能的变点，然后根据物理结构几何分析来获得台肩点和密封点距离的约束，从而对变点集中的变点进行筛选，最后根据三相加权的回归模型获得最终的台肩点和密封点位置。通过本发明所提供的套管接箍连接的关键点检测方法，加快了套管接箍连接质量监测自动化进程，节省了人工观察密封点和台肩点位置的劳动成本，同时降低了质量监测的假报警率和废品流出率。本发明能够解决套管接箍连接过程中质量监测容易出现假报警、废品外流等难题。通过真实生产过程中的套管接箍拧接过程的数据验证，上述方法可靠有效，方便应用于实际工厂中，可以显著地减少由于套管接箍连接失效造成管道运输泄漏的损失。

附图说明

图1是理论扭矩信号曲线；

图2是实际扭矩信号曲线；

图1～2中，1为密封点；2为台肩点。

图3是两个时间序列的动态时间扭曲对应关系示意图。

图4是连续约束的模式示意图。

图5是本发明提供方法的流程框图。

图6是前向顺序变点检测的算法流程图。

图7是特殊连接扣的结构示意图；

其中，71是螺纹啮合，72是密封表面，73是对顶台肩。

图8是逆序筛选算法的流程图。

图9是本发明实施例中一个扭矩的信号的物理基、动态时间扭曲和检测结果；

其中，(a)为对应于该实施例扭矩信号的物理基；(b)为扭矩信号每个点的动态扭曲距离；(c)为最终该实施例扭矩信号的密封点和台肩点的位置检测结果。

图10是本发明实例中八个不同长度不同非线性模式的实际扭矩信号案例和相应的密封点和台肩点检测位置。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本发明提供一种套管接箍连接的关键点检测方法，建立了一个两阶段的模型框架，提出了利用正反顺序的先进统计方法来检测两个关键可解释的变化点。所述方法基于带有密封面的套管接箍连接的扭矩信号：首先基于动态时间扭曲的方法来衡量扭矩信号和可解释的物理基的相似度。然后，在第一阶段中，基于F最大值的统计检验和两相回归模型来检测扭矩信号中所有潜在的变化点。在第二阶段中，通过基于物理约束的逆序变化点的筛选来选择更为可能的两个关键变化点。最后，基于加权三相回归模型确定两个关键的变化点。通过真实生产过程中的套管接箍拧接过程的数据验证我们的算法可靠有效，方便应用于实际工厂中，可以显著地减少由于套管接箍连接失效造成的油井和管道运输泄漏的损失。

图5是本发明提供的基于扭矩信号和动态时间扭曲的关键点检测方法的流程框图，主要包括以下步骤：

A.时间扭曲方法和物理基的生成

假设两个时间序列Q和C,长度分别对应为n和m，表示如下:

Q＝q₁，q₂,…,q_i,…,q_n (式1)

C＝c₁，c₂,…,c_j,…,c_m (式2)

为了应用时间扭曲对其两个序列，构造了n×m矩阵，其中矩阵的第(i_th，j_th)元素表示两点q_i和c_j间的距离d(q_i，c_j)(一般常用欧几里得距离，也就是d(q_i，c_j)＝(q_i-c_j)²).每个矩阵元素(i,j)对应于两个点q_i和c_j间的距离.图3展示了动态时间扭曲的时间序列对应关系。动态时间扭曲路径记为W,是一个连续的矩阵对应关系，定义了Q和C的匹配关系。W中的第k-th的元素定义为w_k＝(i,j)_k，所以我们有如下表达式:

W＝w₁，w₂,…,w_k,…,w_K，max(m,n)≤K<m+n-1 (式3)

动态时间扭曲路径要满足三个条件。第一个是边界条件,即w₁＝(1,1)和w_K＝(m,n)。这点要求动态时间扭曲路径开始于矩阵的左下角的第一个元素，结束于矩阵右上角的元素。第二个是连续性条件,要求给定w_k＝(a,b)条件下，w_k-1＝(a’,b’)，a–a'≤1，b-b'≤1.这就意味着动态时间扭曲路径中每一合理的步骤都是毗邻的。图4展示了这个条件。最后一个条件是单调性。该条件要求每一个W中的元素随时间的演化是单调的。满足上述三个条件的路径个数有指数个,但是最小的那个的扭曲惩罚的路径定义为我们感兴趣的路径。

分母K是用来弥补不同扭曲路径可能存在不同的长度。

动态规划通过衡量γ(i,j)和d(i,j)之间的累积距离来有效地发现这条扭曲路径。这个累积距离可以利用现在的元素和相邻元素之间的累积距离来度量:

γ(i,j)＝d(q_i,c_j)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)} (式5)

为了测量的基和实际转矩信号之间的相似性，我们首先需要生成合理的物理基。由于大量的扭矩信号中存在周期性特征，可选正弦基为物理基，其周期是一圈。基于物理基的动态时间扭曲为第一阶段的顺序检测和第二阶段的逆序筛选提供了先验，并且为最终的决策提供权重。

B.第一阶段的顺序变点检测包括过程B1～B2：

B1.两相回归模型的建立

为扭矩信号建立两相回归模型：

其中k代表时间；x_k和y_k分别代表k时刻的圈数和扭矩；c_c代表在c时刻扭矩的斜率增长发生了变化，也就是在c时刻出现了可能的变点；ε_k服从独立同分布的正态分布，(a_i，b_i)是回归系数i＝1,2；x_n对应于扭矩信号达到最大值的圈数.原假设H₀:b₁＝b₂,备择假设H₁:b₁≠b₂.对于连续型情况，响应变量的值在两相交点处相同。对于变点(c∈{2,…,n-1})检测的F统计量为

其中SSE₁是备择假设条件下的残差平方和，SSE₀是零假设条件下的残差平方和。因此，

c可以由下式推断：

F_max＝max_1≤c≤nF_c. (式10)

上述方程分别是优化和假设检验问题。通常对所有可行的解进行搜索，来找到使F_c最大化的最优变点。然后，F_max与给定的显著水平的临界值进行比较，来决定是否接受或拒绝零假设。

B2.前向顺序变点检测：

套管接箍连接的物理结构暗示了关键变点不会在扭矩信号的前部存在。因此，我们可以从动态时间扭曲衡量的相似度中找到可能是关键变点的先验位置。从连接过程对应的圈数开始到先验变点位置，斜率和截距可从最小二乘估计中获得。先验变点位置之后，一个新的(未来的)数据点被包括在内。从初始数据到这个新的数据点，在给定的显著水平下(一般可以选择95％或99％的显著性水平)，利用F_max统计量检测两相回归的模型中是否存在变化点。如果零假设被拒绝，一个潜在的变化点存在于这段信号中。这个变化点检测将再次在新的分段数据中执行(从当前的变化点到下一个新的数据点)。重复这一过程，直到最后的一个数据点。前向顺序变点检测的流程图如图6所示。

C.第二阶段的逆序变点选择包括过程C1～C2：

C1.套管接箍连接的物理约束

螺纹管接头的结构示于图7。如该图所示，从与金属面密封处到台肩面存在一段金属连接。换言之，从密封点到台肩点间存在物理距离。与此同时，台肩处有一个微小的变形，很难通过肉眼可见。根据这两个物理特性，可以进行连续的向后变化点选择。对应于第一个物理约束，两个相邻的改变点之间的位置差必须大于给定的阈值，记为h₁，这个阈值可以从历史数据来估计；对应于第二物理约束，台肩微小变形记为h₃，同时记录台肩对应于密封面的最大物理距离，记为h₂。具有较大F_max统计量的变化点被保留，而另一个被筛除。在逆序变点选择的第一步是要消除伪变点。根据第二个物理约束可以选择可能的第二个关键点的潜在集合。而且，对应于每一个潜在的第二个关键点，可以根据第一个物理约束的性质找到相应的潜在的第一个关键点的变点集合。一般h₁和h₂可以根据设计结构或者历史数据来确定，h₃可以用h₁的值的大小来代替。

C2.逆序变点选择

在B2中，许多潜在的变点已经被发现。让χ₁代表所有可能的变点，用M代表所有变点的总数，其中只有两个是我们感兴趣的对连接质量起决定作用的关键点。因此，我们设计了一套搜索筛选算法，来起到缩小可能变点的集合。基于B1中的模型假设，我们建立了加权的三相回归模型。

其中k代表时间，x_k和y_k分别代表k时刻的圈数和扭矩；是在c₁时刻的关键点，代表了从螺纹啮合转变到密封面密封；是在c₂时刻的关键点，代表了从密封面密封过渡到台肩对顶。ε_k是独立同分布的高斯噪声；(a_i，b_i)是回归系数i＝1,2,3；x_n是扭矩信号中最大扭矩位置对应的圈数。两个关键点检测的问题可以用以下数学表达式表达：

χ₁＝{c_i，c_j|h₂≥c_j-c_i≥h₁，x_n-c_j＜h₃,i＜j,j＝1,2,…,M} (式13)

其中，h₂和h₃是来源于物理约束，并从历史数据中估计。w_k正比于动态时间扭曲距离。使WRSS最小的c₁和c₂为最优的关键点位置。根据以上物理约束和上述方程，我们从逆序变点筛选B2中的潜在关键变点的集合，获得最优的关键点位置。图8展示了逆序筛选算法。

我们所提出的方法通过一个真实套管接箍拧接过程的扭矩信号的数据进行验证。传感器的分辨率为0.002，采样时间是50ms。生产收集到的扭矩信号是具有不同长度，不同的非线性特征和水平的扰动。首先，进行正序变点检测得到潜在变点的集合。在显着性水平为0.99的条件下，相应F_max的分位数是22.38。在逆序筛选的第一步是消除是位置非常接近伪变点。从历史数据中估计阈值h₁,h₂和h₃，分别等于0.126，0.762和0.1。

我们用以下例子阐述我们提出的变点检测的整套方法的具体实施和结果。我们从某钢管公司随机收集到了84个不同非线性模式的扭矩信号，这些信号有不同的信号长度，不同的非线性模式，不同的密封点到台肩点的距离，而且都具有回程差扰动。根据本发明方法，首先生成物理基和计算动态时间扭曲距离，结果如图9所示，9(a)为这个示例扭矩信号对应的物理基，9(b)为扭矩信号每个点的动态扭曲距离，这可以为后续的正序变点检测和逆序的变点筛选提供先验信息和加权权重。其次，进行正序检测和逆序筛选；最后通过加权的三项回归模型得到最优的关键点检测决策，检测结果如图9(c)所示。除此之外，我们还检测了具有其他非线性模式和不同长度信号的扭矩信号，结果展示为图10的标记黑色圆点，同时圆点旁边标记了相应的数值大小。从图10中可以看出，我们的算法针对各种各样的非线性信号均具有较准确的检测结果。我们测试了84个样本，根据高级工程师给出的标记位置与我们检测的位置对比，我们的算法对第一个关键点检测的准确率可以达到98.81％，第二个关键点检测的准确率达到97.62％。两个关键点均检测准确的准确率可以高达97.62％。

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。