[發明專利]連續管疲勞損耗預警方法及裝置在審
| 申請號: | 202110197780.3 | 申請日: | 2021-02-22 |
| 公開(公告)號: | CN114970051A | 公開(公告)日: | 2022-08-30 |
| 發明(設計)人: | 湯清源;劉洪翠;于志軍;李斌;鄭承明;徐云喜;王文軍;黃立華;莫同鴻;劉丹;李子英;唐海濤 | 申請(專利權)人: | 中國石油天然氣集團有限公司;中國石油集團工程技術研究院有限公司;中石油江漢機械研究所有限公司 |
| 主分類號: | G06F30/18 | 分類號: | G06F30/18;G06F30/20;G06F113/14;G06F119/02;G06F119/14 |
| 代理公司: | 北京康信知識產權代理有限責任公司 11240 | 代理人: | 趙靜 |
| 地址: | 100007 *** | 國省代碼: | 北京;11 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 連續 疲勞 損耗 預警 方法 裝置 | ||
1.一種連續管疲勞損耗預警方法,其特征在于,包括:
根據目標連續管的第一屬性信息,在預設的疲勞損耗模型庫中確定與所述目標連續管相匹配的目標疲勞損耗模型;
將所述目標連續管在第i次作業時的第i次作業參數輸入所述目標疲勞損耗模型,得到所述目標疲勞損耗模型輸出的第i次疲勞損耗結果,其中,i為整數;
在前i次疲勞損耗結果的累計值大于或等于預設閾值的情況下,發送預警信息。
2.根據權利要求1所述的方法,其特征在于,所述方法還包括:
在所述前i次疲勞損耗結果的累計值小于預設閾值的情況下,確定所述目標連續管滿足第i+1次作業要求。
3.根據權利要求2所述的方法,其特征在于,在確定所述目標連續管滿足第i+1次作業要求之后,所述方法還包括:
獲取所述目標連續管在第i+1次作業時的作業參數;
將所述目標連續管在所述第i+1次作業時的作業參數輸入所述目標疲勞損耗模型,得到所述目標疲勞損耗模型輸出的第i+1次疲勞損耗結果;
在前i+1次疲勞損耗結果的累計值大于或等于所述預設閾值的情況下,發送所述預警信息。
4.根據權利要求1所述的方法,其特征在于,在所述將所述目標連續管在第i次作業時的第i次作業參數輸入所述目標疲勞損耗模型之前,所述方法包括:
獲取所述目標連續管在第i次作業時的作業參數,其中,所述作業參數包括:所述目標連續管裝備結構數據、外部作業環境參數、連續管起下過程作業參數。
5.根據權利要求1所述的方法,其特征在于,在預設的疲勞損耗模型庫中確定與所述目標連續管相匹配的目標疲勞損耗模型之前,所述方法包括:
將預設連續管的第二屬性信息輸入通用疲勞損耗模型,得到所述預設連續管的疲勞損耗模型;
將所述預設連續管的疲勞損耗模型存儲至所述疲勞損耗模型庫。
6.根據權利要求5所述的方法,其特征在于,將預設連續管的第二屬性信息輸入通用疲勞損耗模型,得到所述預設連續管的疲勞損耗模型,包括:
將所述預設連續管的第二屬性信息輸入通用疲勞損耗模型,通過多維曲線擬合確定擬合常數;
根據所述擬合常數確定所述預設連續管的疲勞損耗模型。
7.一種連續管疲勞損耗預警裝置,其特征在于,包括:
第一確定模塊,用于根據目標連續管的第一屬性信息,在預設的疲勞損耗模型庫中確定與所述目標連續管相匹配的目標疲勞損耗模型;
輸入模塊,用于將所述目標連續管在第i次作業時的第i次作業參數輸入所述目標疲勞損耗模型,得到所述目標疲勞損耗模型輸出的第i次疲勞損耗結果,其中,i為整數;
發送模塊,用于在前i次疲勞損耗結果的累計值大于或等于預設閾值的情況下,發送預警信息。
8.根據權利要求7所述的裝置,其特征在于,所述裝置還包括:
第二確定模塊,用于在前i次疲勞損耗結果的累計值小于預設閾值的情況下,確定所述目標連續管滿足第i+1次作業要求。
9.一種存儲介質,其特征在于,所述存儲介質中存儲有計算機程序,其中,所述程序可被終端設備或計算機運行時執行所述權利要求1至6任一項中所述的方法。
10.一種電子裝置,包括存儲器和處理器,其特征在于,所述存儲器中存儲有計算機程序,所述處理器被設置為運行所述計算機程序以執行所述權利要求1至6任一項中所述的方法。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于中國石油天然氣集團有限公司;中國石油集團工程技術研究院有限公司;中石油江漢機械研究所有限公司,未經中國石油天然氣集團有限公司;中國石油集團工程技術研究院有限公司;中石油江漢機械研究所有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110197780.3/1.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:文件的處理方法及處理裝置
- 下一篇:深度學習模型的訓練方法和裝置





