[发明专利]基于直流磁场和集成学习的高含硫气井套管缺陷识别方法

权利要求书

1.一种基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，包括如下步骤：

S1：利用直流磁场传感器对高含硫气井缺陷套管进行扫描检测，获取套管缺陷的静态磁信号，并根据实际缺陷类型进行标注。

S2：对步骤S1获取的静态磁信号进行预处理。

S3：利用滑动平均法，对步骤S2预处理后的静态磁信号进行数据移位，实现同一缺陷类型下畸变部位的相位对齐。

S4：将步骤S3相位对齐后的数据，利用主成分分析，进行特征提取。

S5：基于步骤S5提取的特征，及其对应的缺陷类型，训练多分类器。利用集成学习的装袋算法，以加权平均的方式将多个弱分类器的分类结果相结合。

S6：将待测高含硫气井缺陷套管经过步骤S1～S4的处理，提取得到对应的特征，输入步骤S5训练后的多分类器，获得模型预测的高含硫气井套管缺陷识别结果。

2.如权利要求1所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤S1中，缺陷类型包含：单面挤压、双面挤压、弯曲、横缝、纵缝、孔洞、四面挤压、无缺陷。

3.如权利要求1所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤S3中，对静态磁信号数据进行循环移位，分别计算不同移位情况下的皮尔逊相关系数，将最小皮尔逊相关系数下的移位长度作为最佳移位长度，得到数据移位后的静态磁信号。

4.如权利要求1所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤S2中，预处理包括平滑滤波、数据中心化等。

5.如权利要求1所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤S5中，弱分类器为SVM分类器或决策树分类器。

6.如权利要求5所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤S5中，多分类器包括2n个弱分类器，弱分类器为二分类模型，具体为n个SVM分类器和n个决策树，n是缺陷类型数。每个弱分类器分别预测特定缺陷类型和其他缺陷类型的概率，每种缺陷类型分别由一个SVM分类器和决策树分类器进行预测。每种缺陷类型的概率基于弱分类器预测概率进行加权求和，最后通过softmax函数进行归一化，输出各缺陷类型的概率，概率最高的输出为缺陷类型。