自试压法兰在海底管道损伤修复中的应用

传统修复损伤海底管道的方法是将损伤管段在水下切除,然后安装新管段替代原损伤管段,新旧管道之间通过水下法兰连接,最后对整条管道进行试压,以验证法兰的密封有效性。这种试压方案需要较长时间,且很难判断压降是否由维修段渗漏导致。由于自试压法兰可验证法兰自身安装密封的有效性,从而避免了管道整体试压,可大幅缩短管道密封测试的施工工期。以渤海某D14 in天然气管道损伤点修复为例,对比了自试压法兰与传统法兰不同点,介绍了自试压法兰在海底管道损伤修复中的应用,重点对修复过程中平管起吊及法兰焊接、法兰短节安装、法兰试压、海底管道的后保护等施工步骤进行了较为详尽的论述。     

海底管道缺陷点的定位查找方法

近年来,随着海底管道服役年限的增加,发现的缺陷点危险程度越发严重。在海底管道缺陷点修复工程中,缺陷点的定位查找方法尤为关键,根据海底管道内检测数据,可以对海底管道缺陷点进行定位和查找确认。该方法在渤海地区海底管道缺陷点修复作业中已多次使用并取得良好效果,为类似工程项目提供了经验借鉴。     

内含油水海底混输管道修复技术研究和实践

某海上油田D 610 mm/D 711 mm管中管混输管道运行一段时间后发生损坏,为修复此条管道需要对长度为43 m的膨胀弯进行水下拆除,并把与原膨胀弯连接的带法兰平管起吊至舷侧后进行更换。文章介绍了混输管道修复防溢油技术、内含油水混合物的海底管道膨胀弯水下拆除方法及大尺寸海底管道平管起吊更换法兰技术,论述了集油罩、封堵气囊以及起重载动气囊等在海底管道修复中的应用。     

机械管卡在海底管道维抢修中的应用

海底管道是海上油气田开发、生产与油气外输的主要设施。管道损坏事故多种多样,其中因施工缺陷、介质腐蚀、机械损伤等原因造成的管道变形、穿孔、裂缝、断裂腐蚀等损伤较为常见,在应急保护及修复该类损伤管道时较常采用机械管卡水下修复法。总结了国产机械管卡应用于水深小于60 m以下的海底管道损伤修复的通用做法,水深大于60 m的海底管道损伤修复工作也可以参考该方法。     

海底管道不停产带压开孔技术的应用与分析

介绍了水下不停产带压开孔技术在渤海某海底输气管道修复作业中的应用,并对水下带压开孔技术和施工工艺进行了研究,分析了带压开孔作业过程中的各种施工风险及相关控制措施。     

国产机械连接器在海底管道维修中的应用

机械连接器在海底管道维修领域已广泛应用,由于受到国外公司的技术垄断与技术封锁,机械连接器都依赖进口。文章介绍了首套国产机械连接器在海底管道维修中的应用,包括:国产机械连接器的使用背景,安装前的准备工作以及安装程序。安装过程包含了辅助工具的准备、管道直度和椭圆度测量、就位、螺栓紧固、自密封试验、防腐处理以及保护。该机械连接器的成功应用打破了国外专业公司的技术垄断,填补了国内空白,为机械连接器的国产化奠定了基础,具有很好的推广价值。     

海底输气管网不停产改线技术应用

介绍了渤海某油田群为了释放产能,在不停产情况下对油田群至陆地终端的一条管线进行改建,并新增一条支路。支路管线将油田剩余天然气汇入主管线,最终将其输送到陆地终端。     

海底管道不停输带压开孔封堵技术应用

海底管道水下带压开孔、封堵是一种在役管道维抢修技术,适用于管道的正常维修改造和突发事故的抢修。渤海某D12 in天然气管道在内检测时发生卡球情况,在正向增压和反向泄压均无效的情况下设计了不停输带压开孔封堵的方案。介绍了带压封堵施工的全过程,包括:管道的挖沟暴露、混凝土层清理、开孔封堵设备的安装以及开孔封堵作业、管道切割取智能球、管段回接等。并介绍了关键技术:首次使用国产机械三通、国产高压软管作为临时旁通、开孔机与机械三通组合体的水下竖直安装。此次海底管道不停输带压开孔封堵技术的应用,填补了国内该领域的空白,在确保管道生产的同时,减小了维修作业时管道大量进水及溢油的风险。     

全矢与SGMD-FastICA的轴承故障诊断北大核心

针对滚动轴承故障诊断中存在的故障信号特征不全面且易被噪声污染等问题,基于全矢和辛几何模态分解(SGMD),提出了全矢与SGMD-FastICA方法。首先,使用SGMD对水平方向X和竖直方向Y的故障信号进行分解,并通过综合指标将分解信号分为故障重构信号和噪声重组信号;其次,通过FastICA实现对故障重构信号与噪声重组信号的盲源分离;最后,利用全失谱技术对水平方向和竖直方向的盲源分离的有效分量进行融合,并使用Teager能量算子(TEO)对全矢融合信号进行解调分析。通过对滚动轴承振动信号的实验和对比分析,验证了所提方法的优越性和可靠性,在滚动轴承故障诊断领域具有一定的实用价值。     

声学成像和深度学习的诊断与定位方法

针对传统的基于振动信号的故障诊断技术无法兼顾定位与诊断的问题,提出一种基于声音信号的反卷积成像和深度学习的智能故障诊断与定位模型,该模型在传统波束形成算法的基础上,引入反卷积成像算法确定噪声源位置;同时,使用深度学习对声音信号进行训练分类从而判断故障类型,可兼顾噪声源识别定位以及故障检测的特点,拓展声像识别的应用场景,并进一步推动故障诊断技术在多领域交叉发展。实验结果表明,与传统的基于振动信号的故障诊断方法对比,该方法在设备故障诊断方面的故障识别率达到97.22%,并能够准确识别故障所在位置。