基于磁记忆信号特征的管道缺陷分类识别和分级识别方法

王贵生,李 炜,杨 勇,万 勇

(1.中国石油化工股份有限公司胜利油田分公司，东营 257000; 2.中国石油化工股份有限公司胜利油田分公司技术检测中心，东营 257000；

3.中国石油大学(华东)海洋与空间信息学院，青岛 266580)

油田油气管道长期暴露在野外复杂环境或者潮湿的地下环境中。管道受到外界环境或者受力的长期影响，会产生两种主要的缺陷，即应力集中和腐蚀。其中，腐蚀的危害较大，它是一种明显可见的缺陷类型，包括表面的均匀腐蚀、管道不规则破损甚至管道穿孔等情况。早期应力集中肉眼不可见，但是经过长期演变也会发展为腐蚀，成为管道安全的一大隐患，对油田现场的安全生产造成极大的威胁，因此需要提前对缺陷进行整治[1-2]。

DOUBOV[3]在20世纪90年代末提出了金属磁记忆检测技术。该方法是一种能够有效检测油气管道缺陷的无损检测手段。研究表明，金属磁记忆检测技术可通过原始的磁记忆信号判断管道上是否存在缺陷，但对管道上缺陷的类型以及缺陷对管道的损伤程度无法通过磁记忆信号得到[4]。近几年金属磁记忆技术在管道缺陷检测应用方面的报道越来越多[5-16]，但针对管道缺陷类型识别和缺陷程度分级的相关研究相对较少[17-20]。而且目前管道缺陷的分类识别方法仍然存在一些问题，如建模样本有限，识别方法普适性较差，缺乏现场验证等。因此，目前还没有专门针对管道腐蚀缺陷和应力集中缺陷的分类和分级识别方法。

本工作基于支持向量机(SVM)和模拟油田现场的管道磁记忆检测数据分别建立了针对腐蚀和应力集中两种类型缺陷的分类识别方法和针对腐蚀的分级识别方法，并利用油田现场带有两种类型缺陷的油气管道对分类识别方法的准确性进行了验证，用模拟油田现场的管道磁记忆检测数据对分级识别方法进行了验证，为金属磁记忆技术在管道缺陷定量化研究方面奠定基础，同时为后续磁记忆信号的分析处理提供参考。

仿照油气输送管道制作了存在腐蚀和应力集中两种类型缺陷的试验管道，然后对试验管道开展磁信号采集，获取建模所需的磁记忆检测数据。

1.1 试验管道简介

根据油气输送管道，设计并制作了5根存在腐蚀和应力集中两种类型缺陷的试验管道，如图1所示。分别用圆孔和直角弯模拟管道上的腐蚀缺陷和应力集中缺陷。管道均采用无缝钢管制成，长6 m。每根管道分为四段，分别是：腐蚀段1，腐蚀段2，直管段，应力集中段。腐蚀段有3个圆孔作为腐蚀缺陷，腐蚀段1的3个圆孔位于距离起点50、100、150 cm处，腐蚀段2的3个圆孔位于距离起点300、350、400 cm处；
直角弯距位于距起点500 cm处，将位置信息作为提取缺陷段数据的依据。5根试验管道的差别主要是圆孔的深度不一样，其他指标基本相似，除了一根管道上有通孔外，其余管道上圆孔均不是通孔。

1.2 试验仪器及磁记忆信号采集

通过TSC-5M型磁记忆检测设备对5根试验管道的磁信号进行采集。该设备共有4个传感器，每个传感器能检测到3个不同方向的信号，即X方向、Y方向和Z方向。因此共对应12个通道的检测信号。磁记忆检测设备的4个传感器均匀分布在一条横杆上，检测时横杆沿试验管道的轴向扫描，扫描长度由管道的实际长度决定，扫描步长为1 mm，检测速率为0.5 m/s。磁记忆检测仪获取的原始检测数据是12个通道(HP1～HP12)的磁场强度，单位A/m，将其保存到磁记忆检测仪的内存中，用于进一步计算得到特征量。

图1 存在两种缺陷的试验管道示意Fig.1 Schematic diagram of experimental pipeline with two kinds of defects

前期试验时发现，设备提离距离在0～15 cm范围内，检测信号没有明显的衰减，因此在对5根试验管道的磁信号进行采集时，设备提离距离应在该范围内。考虑到使用SVM建立缺陷分类识别和缺陷程度分级识别方法，需要有足够的建模样本，试验时提离距离的间隔设置为1 cm，每个试验管道重复采集3次数据，共获得了240组试验数据，样本数量满足SVM建模的要求。此外，经过分析发现，检测过程中检测者移动速度过快会导致缺陷信号的采样点过少。所采集的数据不能充分体现缺陷的细节特征，因此被认为是质量较差的数据而被剔除。最终每根管道只保留了20组数据，共计100组数据用于建模。

2.1 特征量的选择与计算

由于通过原始磁信号无法直接对缺陷进行分类，因此提取其特征量用于分类分级识别模型的建立。需提取的磁信号特征量主要有频域特征量、时域特征量和形态特征量，但目前还没有确定的适合于管道缺陷类型识别和分级的特征量组合。本工作尝试了3种类型特征量的计算和分析。在特征量的计算过程中，5根试验管道均包含6个圆孔腐蚀缺陷。由于单个腐蚀缺陷太小，其对应的磁信号无法完全体现腐蚀缺陷的特征，故将6个圆孔腐蚀缺陷的数据整合到一起，作为腐蚀缺陷段的数据。弯管段的数据即为应力集中缺陷段的数据。以下为频域、时域和形态3个特征量的基本情况。

2.1.1 形态特征量

形态特征量可用来形容信号曲线的形态特性，比如信号的波动程度、陡峭程度等。本工作选择的形态特征量如下：各通道缺陷段信号的磁场梯度平均值和最大值；
各通道缺陷段磁信号曲线与X轴围成的面积等。

磁场梯度G表示磁场强度信号的波动程度，是一种较为常用的形态特征量，可按照式(1)计算。

(1)

式中：Hmax为连续4个采样点磁场强度最大值，A/m；
Hmin为连续4个采样点磁场强度最小值，A/m；
d为4个采样点之间的实际距离，m。各通道缺陷段信号的磁场梯度平均值和最大值取多次试验获得的缺陷段磁场梯度的最大值和平均值。

各通道缺陷段磁信号曲线与X轴围成的面积即磁信号幅度的积分，可由各点磁信号幅度值之和计算得到。

2.1.2 时域特征量

时域特征量是信号研究过程中应用最普遍的一类特征，是分析信号特征的重要指标。本工作选择了几个有代表性的时域特征量：缺陷段各通道磁场强度峰峰值、能量、最小值、最大值和平均值。

2.1.3 频域特征量

不同缺陷的磁记忆信号不仅在形态学上和时域上存在差异，在频域中也可能存在差异，因此还需要研究信号的频域特征量，提取出信号里隐含但不直观的信息。本研究中磁记忆信号的波动较多，因此对其进行小波包分解，以获得缺陷段的频域特征。小波包分解是将信号在不同程度上展开，对信号频带进行细分，从而提取不同频带上的信号特征，具有时频分辨率高的特点。各频带上的能量分布包含了大量的信息，可以表征信号的频域特性，因此本研究选用小波包能量作为磁记忆信号频域特征量，用于后续分类分级模型的研究[21]。具体来说，首先对磁信号进行离散傅里叶变换，观察得信号高频成分几乎为0，低频成分占比大，故采用三层小波包分解，计算缺陷段磁记忆信号在节点S3,0低频段的小波包能量作为频域特征量。

2.2 SVM缺陷分类识别模型

对缺陷段磁记忆信号进行计算得到了上述特征量后，分别使用不同特征量组合建立了SVM腐蚀缺陷和应力集中缺陷的分类识别模型，以确定最优的分类识别方法。通过试验获取的管道磁记忆检测数据的数据量较少，在利用机器学习方法建模时，油气管道缺陷的分类识别问题是一个小样本学习问题。SVM就是一种适合于小样本的分类算法。

使用5根试验管道缺陷段特征量的不同组合建立多个SVM管道缺陷分类识别方法。选择高斯核函数(RBF)作为该方法核函数，高斯核函数可以将原始空间映射为无穷维空间，通过调控参数，可以达到很高的灵活性。在SVM分类识别方法中使用高斯核函数比多项式核函数能获得更好的分类效果。SVM模型有两个非常重要的参数c和g。c是惩罚系数，即对误差的宽容度。c过大或过小，都会使泛化能力变差。g(gamma)是选择RBF函数作为核函数后，该函数自带的一个参数，隐含地决定了数据映射到新的特征空间后的分布。采用交叉验证方法得到最优的参数组合：c=0.675 5；
g=0.659 8。

在对缺陷类型进行标记的时候，识别为腐蚀缺陷用1表示，识别为应力集中缺陷用2表示。本研究通过大量建模试验探究了特征量的最优组合，以下列出了最具代表性的3种特征量组合。

(1) 仅包含时域特征量的组合情况：缺陷段HP1和HP10的磁场强度平均值，HP1和HP7的磁场强度最大值，HP2和HP5的磁场强度最小值以及HP1、HP4、HP7、HP10的磁场强度峰峰值。

(2) 包含形态特征量和时域特征量的组合情况：
缺陷段HP1信号曲线与X轴围成的面积，HP1和HP10的磁场强度平均值，HP1和HP7的磁场强度最大值，HP2和HP5的磁场强度最小值，HP1、HP4、HP7、HP10的磁场梯度最大值和平均值以及HP1、HP4、HP7、HP10的磁场强度峰峰值。

(3) 同时包含形态特征量、时域特征量和频域特征量的组合情况：缺陷段HP1信号曲线与X轴围成的面积，HP1和HP10的磁场强度平均值，HP1和HP7的磁场强度最大值，HP1、HP4、HP7、HP10的磁场梯度最大值和平均值，HP2和HP5的磁场强度最小值，HP1、HP4、HP7、HP10的磁场强度峰峰值， HP1信号的小波包三层分解在节点S3,0处的小波包能量。

利用上述3种特征量组合下5根试验管道的数据为输入，以腐蚀缺陷和应力集中缺陷为输出，建立了针对两种类型缺陷的SVM分类识别方法。值得注意的是，所建模型选择的通道均为信息特征较为明显的通道，这些通道信号经计算后得到的特征量可以有效区分两种类型的缺陷。

2.3 现场验证试验

为了验证SVM分类识别方法的实际应用效果，在油田现场对存在缺陷的在役油气输送管道进行验证试验。现场验证试验选取的管道分别为东营胜利采油厂和现河采油厂在役油气管道。对这些管道开展了多次管道缺陷磁记忆检测，共获取到48组管道缺陷段数据。

2.3.1 现场检测管道情况

用于油田现场检测的1号管道为东营市胜利采油厂野外的1根油气输送直管道，如图2(a)所示。该管道表面存在肉眼可见的大面积腐蚀缺陷，总检测长度为5 m，提取200～220 cm管段数据作为腐蚀缺陷段数据。在检测过程中，提离距离为0～15 cm，共获取10组试验数据。

(a) 1号管道(b) 2号管道(c) 3号管道(d) 4号管道图2 油田现场验证试验管道Fig.2 Pipelines No.1 to No.4 (a-d) for verification in oil field

2号管道为东营市现河采油厂一条正在运行的油气直角弯管道，如图2(b)所示。该管道的一端裸露在地面上方，另一端埋在土里，管道中间存在明显弯曲即存在应力集中，该管道的总检测长度为2.9 m，提取110～140 cm管段数据作为应力集中缺陷段数据。在检测过程中，提离距离为0～15 cm，共获取到9组试验数据。

3号管道为东营市现河采油厂野外的一根直管道，如图2(c)所示。该管道表面存在肉眼可见的大面积腐蚀缺陷，总检测长度为3 m，提取160～180 cm管段数据作为腐蚀缺陷段数据。在检测过程中，提离距离为0～15 cm，共获得9组试验数据。

4号管道为东营市现河采油厂野外的另一根直角弯管道，如图2(d)所示。该管道一端裸露在地面上方，另一端埋在土里，管道中间存在明显弯曲即存在应力集中，检测总长度为1.6 m，从埋地端向上扫描，提取20～40 cm管段的数据作为应力集中缺陷段数据。在检测过程中，提离距离为0～15 cm，共获取到10组试验数据。

5号管道也是一根直管道(图略)，其表面也存在明显可见的大面积腐蚀缺陷，总检测长度为4.2 m，提取100～120 cm管段数据作为腐蚀缺陷段数据。在检测过程中，提离距离为0～15 cm，共获得10组试验数据。

2.3.2 现场检测结果

利用油田现场获取的48组实际管道的缺陷段检测数据对2.2节中按照3种特征量组合建立的缺陷分类识别方法进行了验证，结果如图3～5所示。图中1代表腐蚀缺陷，2代表应力集中缺陷。

图3 SVM缺陷分类识别方法的结果对比(仅考虑时域特征量)Fig.3 Result comparison of SVM identification method for defect classification (only considering time domain feature quantity)

由图3可知，当仅选择磁记忆信号的时域特征量建模时，该方法对管道缺陷的正确识别率为77.083 3%，其中腐蚀缺陷的正确识别率为62.07%，应力集中缺陷的正确识别率为100%。由图4可知，在增加了磁记忆信号的形态学特征量后，该方法对管道缺陷的正确识别率为89.583 3%，其中腐蚀缺陷的正确识别率为82.76%，应力集中缺陷的正确识别率为100%。由图5可知，当考虑3种类型的特征量组合建模时，该方法对管道缺陷的正确识别率提高到95.833 3%，其中腐蚀缺陷的正确识别率为93.1%，应力集中缺陷的正确识别率为100%。

图4 SVM缺陷分类识别方法的结果对比(考虑形态和时域特征量组合)Fig.4 Result comparison of SVM identification method for defect classification (considering combination of morphological feature quantity and time domain feature quantity)

图5 SVM缺陷分类识别方法的结果对比(考虑3类特征量组合)Fig.5 Result comparison of SVM identification method for defect classification (considering combination of three types of feature quantity)

由以上结果可知，基于不同特征量组合建立的3个SVM缺陷分类识别方法的缺陷识别率都达到了75%以上，其中同时考虑了3种不同类型特征量的SVM方法的识别效果最好。此外，本课题组还尝试了多种其他通道特征量搭配方案用以建模，结果表明，同时使用频域、时域、形态特征量进行组合的缺陷识别方法的识别效果是最优的。因此，SVM分类识别方法可以实现对油气管道上腐蚀和应力集中缺陷的分类识别，且识别效果较为显著。

在油田现场的实际应用中，除了判别管道的缺陷类型外，还需要进一步判别管道腐蚀缺陷的腐蚀程度，找出最临近管道腐蚀穿孔的腐蚀点位置，即识别管道腐蚀最严重的位置，从而根据管道的腐蚀程度选择修护管道的先后顺序或按照腐蚀程度选择更换管道的顺序，实现对管道破裂的及时预警，达到早发现早维护早预警的目的。

腐蚀缺陷对管道造成的伤害较大，不同等级的腐蚀对管道造成的伤害也有所不同，其中以管道穿孔破裂的危害最为严重。由5根试验管道的结构特性可知，每根试验管道上都有2段圆孔腐蚀缺陷段，每段均含有3个大小深度均相同的圆孔腐蚀，但各段的圆孔大小相同，深度不同，其中1根试验管道存在3个穿孔圆孔。因此，本工作利用SVM方法建立针对管道穿孔腐蚀与未穿孔腐蚀两种腐蚀程度的分级识别方法。

3.1 模型特征量的计算

在分类识别方法特征量的计算过程中，将一个试验管道的6个圆孔，即2个圆孔腐蚀缺陷段的磁记忆数据提取之后整合为一个数据段，作为腐蚀缺陷段的数据。但是在分级识别方法特征量的计算中，需要采用另外的处理方式，即将每个试验管道上3个同样深度的圆孔腐蚀数据整合为一段，重新计算了圆孔腐蚀段的特征量，计算方法同上。这样就得到了5根试验管道的10个不同腐蚀深度的数据段特征量。其中，9个未穿孔腐蚀段对应1～4号试验管道的2个圆孔腐蚀段和5号试验管道的第一个圆孔腐蚀段，1个穿孔腐蚀段对应5号试验管道的第二个圆孔腐蚀段。经整理，5根试验管道各对应20组数据，每组数据包含2个圆孔腐蚀段数据，共得到200组圆孔腐蚀段数据，其中20组穿孔腐蚀段数据，180组未穿孔腐蚀段数据。

3.2 SVM缺陷分级识别模型及验证

将未穿孔的9个圆孔腐蚀段看成一个整体，方法预测输出结果设为1；
将穿孔的1个圆孔腐蚀段看成一个整体，方法预测输出结果设为2。然后，在200组腐蚀段数据中随机选取160组数据用于SVM腐蚀缺陷分级识别建模，剩余的40组数据用于验证。模型所用的SVM函数仍然选择高斯核函数(RBF)。未穿孔腐蚀和穿孔腐蚀的识别结果如图6所示。结果表明，SVM腐蚀缺陷分级识别方法可有效识别管道穿孔腐蚀与未穿孔腐蚀，识别率达到了90%。

由SVM缺陷分类识别方法的识别结果可见：

图6 SVM缺陷分级识别方法的结果对比Fig.6 Result comparison of SVM identification method for defect grading

在充满干扰因素的油田现场环境中，最优方法(采用3种特征量组合建立的方法)对管道缺陷类型的总识别率达到了90%以上，识别率较高，该识别方法的实际应用效果较好。通过不同的特征量组合所建方法的分类识别效果有所不同，这说明将三类特征量组合使用建模是必要的，可以有效提高正确识别率。SVM缺陷分类识别方法对腐蚀缺陷的识别效果相对于应力集中缺陷的识别效果较差。其可能的原因是在管道的腐蚀段同时存在部分应力集中现象，影响了对腐蚀缺陷的识别效果；
也可能是在分类识别方法验证过程中选用的油气管道腐蚀缺陷的腐蚀面积较小，其特征不够明显。由SVM缺陷分级识别方法的识别结果可见：该方法可以在管道腐蚀缺陷的分级中使用。但本工作建立的SVM缺陷分级识别方法仍存在一定局限性：分级识别只能做到分两级，即将穿孔腐蚀同未穿孔腐蚀区分，不能实现多级分级，即对不同深度腐蚀缺陷的分级。此外，该分级识别方法只是利用室内试验管道检测数据进行了验证，对于油田现场识别穿孔与未穿孔的实际应用效果还未知。

采用SVM方法，建立了一种基于金属磁记忆技术的复合特征量组合的缺陷分类和腐蚀缺陷分级的识别方法。验证试验结果表明：以三类不同特征量组合分别建立的SVM模型对缺陷类型的识别率分别是77.08%、89.58%和95.83%，同时使用时域、形态和频域特征量的SVM模型的识别率最高；
腐蚀缺陷分级识别方法的识别率达到了90%。建立的基于SVM和磁记忆技术的缺陷分类和腐蚀缺陷分级识别方法可以有效实现管道的腐蚀缺陷和应力集中缺陷的分类识别，也可以有效实现管道穿孔腐蚀与未穿孔腐蚀的分级识别。

猜你喜欢 圆孔识别率分级 超声心动图在可降解房间隔封堵器治疗卵圆孔未闭术中的应用价值中国临床医学影像杂志(2022年6期)2022-07-26欢迎订阅4-6级《新课标 分级阅读》趣味(作文与阅读)(2021年10期)2021-03-08头痛、卒中：竟是这个孔惹的祸祝您健康(2020年3期)2020-05-18基于真耳分析的助听器配戴者言语可懂度指数与言语识别率的关系中国听力语言康复科学杂志(2019年3期)2019-06-24听力正常青年人的低通滤波言语测试研究*听力学及言语疾病杂志(2019年3期)2019-05-24提升高速公路MTC二次抓拍车牌识别率方案研究中国交通信息化(2018年3期)2018-06-13档案数字化过程中OCR技术的应用分析中国高新技术企业(2017年5期)2017-05-05卵圆孔未闭与缺血性脑卒中心脑血管病防治(2011年3期)2011-09-15

相关热词搜索：识别 分级 管道