内壁方式钢管漏磁检测方法的研究

文章根据漏磁检测原理说明内壁端头检测方式无盲区的原因,介绍从钢管内壁对其缺陷进行探伤的钢管漏磁检测装置结构及其工作情况,重点分析了内壁检测方式传感器的类型和结构。研究证明,通过对内、外壁2种检测方法的对比实验,发现内壁检测方式既能消除检测盲区、又具有简单可靠的特点。     

基于PSO-LSSVM的疲劳裂纹漏磁定量识别技术

针对疲劳裂纹难以定量识别的问题,提出一种将主成分分析（PCA）和粒子群优化的最小二乘支持向量机（PSO-LSSVM）相结合的建模方法,通过建立漏磁信号与疲劳裂纹宽度、深度之间的非线性映射关系,对疲劳裂纹宽度、深度进行定量识别.搭建漏磁检测系统,采用疲劳拉伸试验制备一系列疲劳裂纹样本,通过疲劳裂纹漏磁定量识别实验,建立漏磁缺陷样本库,对基于PSO-LSSVM的疲劳裂纹漏磁定量识别方法的可行性进行验证.结果表明,该方法能够有效定量识别尺寸小于1 mm;疲劳裂纹的宽度、深度,误差在0.1 mm左右.      

基于漏磁的表面裂纹识别及评估

通过建立工件表面两条相互平行槽形裂纹的磁偶极子模型，研究了裂纹漏磁信号之间的相互作用关系，根据漏磁信号的峰值特性对裂纹的几何参数进行了定量评估，通过漏磁信号振幅随两裂纹的深度比和裂纹间距的关系计算了其中较小裂纹的深度，实际检测结果表明，综合利用两个邻接裂纹的漏磁信号进行评估的矢量轨迹法对相邻裂纹的定量评估具有较好的可视效果，该方法简单易行，能够快速准确地对裂纹进行估计。     

钢管高速检测与缺陷识别系统

采用二维漏磁检测技术研究无缝承压钢管高速自动化检测系统,该系统能高速检测钢管内外壁及内部各种细微缺陷;用动态超声测厚技术,高速检测钢管的大面积缺陷和壁厚;结合计算机测控技术,以图形方式对检测全过程进行监测,分析、运算、存储缺陷信号,识别缺陷类型,对缺陷标记、定位．     

钢管磁法高速探伤仪的研制

钢管壁承压２０ＭＰａ以上,管子内外壁受油、泥严重污染,管壁上各类缺陷多、危害大。根据对铁磁性钢管施加稳恒磁场和缺陷使通过管壁磁通变化、并在油管表面产生漏磁场的原理形成的钢管高速探伤仪,具有检测钢管内外壁裂纹、腐蚀坑点、通孔等缺陷的功能。其检测速度为１５～５０ｍ／ｍｉｎ;检测灵敏度Ｄ１．０ｍｍ人工通孔;检测直径５０～１５０ｍｍ;操作简单、运行稳定和检测可靠等。     

基于区域生长规则的多传感器漏磁检测信号分割方法

通过对多传感器所采集的管道部件和缺陷的漏磁信号的特征分析,提出了采用图像分割技术中的区域生长规则分割多传感器漏磁检测信号的算法,为漏磁检测信号的分析与识别奠定了基础。     

基于GA-BP神经网络的微裂纹漏磁定量识别技术

针对漏磁检测定量识别技术中识别的缺陷尺寸大多为1~10 mm的较大裂纹,与实际自然裂纹相差太大的问题,将基于遗传算法优化的BP神经网络（GA-BP）算法应用到微裂纹缺陷的漏磁定量识别中,使得漏磁检测定量识别缺陷的宽度、深度达到小于0.50 mm的微细裂纹,并通过基于磁偶极子模型的理论计算与漏磁检测实验两种方法构建了微裂纹（0.10~0.30 mm）缺陷样本库.由于在实际检测过程中存在干扰噪声的原因,实验数据的预测结果误差比理论计算数据预测结果明显偏大,最大为16.73%,但预测结果能够基本反映微裂纹缺陷的尺寸大小.      

基于K均值聚类的油气管道漏磁缺陷标记方法

为了提高漏磁数据缺陷区域标记能力,将聚类算法应用于漏磁检测数据分析中,提出了一种基于K均值聚类的管道漏磁缺陷信号标记方法,并进行了不同口径和不同壁厚管道检测试验验证。结果表明:该方法可有效识别出漏磁数据中的缺陷区域,识别准确度满足工程要求。由于该方法无需根据检测器和管道情况单独设置阈值,因此其具有较广泛的适应性。     

基于改进BP神经网络的微裂纹漏磁定量识别

漏磁检测是铁磁材料常用的无损检测方法之一,定量识别是指通过检测到的漏磁信号识别裂纹的尺寸.采用主成分分析和优化神经网络相结合的建模方法,建立了微裂纹宽度与深度的预测模型.主成分分析去除了数据相关性,减小了输入样本维数,显著简化了网络结构;遗传算法优化的BP神经网络(GA-BP神经网络)可以有效地防止搜索过程中陷入局部最优解.通过基于磁偶极子模型的理论计算与人工刻槽微裂纹漏磁检测实验两种途径验证了该算法在微裂纹定量识别中的应用,为裂纹发展阶段的早期定量识别技术奠定了一定的基础.     

漏磁检测的交直流磁化问题

针对漏磁检测交流磁化的磁化电流频率选择问题 ,采用概率论的有关知识分析了影响漏磁检测信号大小的因素 ,并从漏磁场的检测理论上分析了磁化频率的选取原则 ,即 :载波频率应远大于调制波频率。对宽 0 .2 mm、深0 .2 m m的人工矩形槽缺陷的检测结果验证了对缺陷漏磁场所作的理论分析 ,得出了在常规的漏磁检测条件下磁化频率应大于 1k Hz,并指出漏磁检测不能采用频率为 5 0 Hz交流电磁化     

Research on Magnetic Flux Leakage Detection Method for Subsea Pipeline

The intelligent pig based on the (MFL) is frequently used for in-line inspection of transportation pipelines. The article discusses the key technology of an MFL tool that includes the sensor‘s structure, the constitution of tool hardware, software and the analysis method of MFL signal.     

谱熵分析方法在漏磁信号特征提取中的应用

为了研究谱熵分析方法在漏磁无损检测中的应用，将信息熵理论引入缺陷漏磁信号的特征提取工作中．通过试验分析证明一维谱熵、二维谱熵在缺陷类别辨识中的可行性，并指出其存在的局限性．提出了集能量集中程度、谱线的重心位置和能量大小3种指标于一身的适于缺陷定量分析、识别的谱熵三维向量的概念，并在室内实验台架上实际测得的不同尺寸矩形槽类内、外缺陷信号分析中进行了应用．实验结果表明，对于矩形槽外缺陷而言．谱熵三维向量中的三维向量指标与二维谱熵和一维谱熵相比，在漏磁检测缺陷定量化方面具有很大的优越性。为缺陷识别定量化提供了一条途径．     

管道漏磁检测信号的支持向量机识别方法

通过对漏磁检测信号的分析,引入支持向量机,给出了特征量、训练集的选择方法以及核函数和支持向量机的分类算法,将漏磁检测信号的根据信号的定性识别和定量分析有机结合起来.可以在漏磁检测样本有限的情况下,获得最优识别结果.     

去除漏磁数据中无缝管道噪声的小波域自适应滤波算法

漏磁(MFL)检测是油气管道在线检测中应用非常成熟的一种无损检测技术。将小波变换与自适应滤波技术相结合,提出了一种去除漏磁数据中无缝管道噪声(SPN)的小波域自适应滤波算法。将该算法用于实测漏磁数据的处理,所得结果说明该算法具有良好的去噪效果,可以极大地提高漏磁数据中缺陷信号的可检测性。     

铸铁件的漏磁检测方法

为了检测轿车变速箱端盖的表面裂纹缺陷 ,提高轿车使用过程中的安全性 ,讨论了采用漏磁检测方法检测轿车变速箱端盖表面缺陷的基本原则 ,采用有限元计算和磁路理论计算相结合的方法 ,解决了铸铁件检测中较难解决的磁化问题。针对检测过程中存在的噪声和检测信号的处理问题 ,提出了针对轿车变速箱端盖漏磁检测信号特征的程序滤波方法 ,实验证明所采用的方案能够很好地满足变速箱端盖表面缺陷的检测需求     

油气管道缺陷漏磁检测试验

在油气管道检测中,缺陷的定量分析一直是个难题.通过试验研制了管道漏磁腐蚀检测器,在钢管(273mm,壁厚为14.3mm)上设计了系列缺陷,并采集了缺陷漏磁的相关信号.研究了管道缺陷漏磁信号的分布规律和缺陷的几何尺寸大小之间的关系,结果表明,缺陷漏磁场检测信号的两波谷间距、检测到信号的传感器数和信号峰谷值分别是缺陷长度、宽度和深度量化分析的重要特征量,并由此得出缺陷长、宽、高的计算方法.通过该方法对缺陷的漏磁信号进行量化分析,表明缺陷长度、宽度和深度的平均绝对误差分别为2.4mm、8.3mm和0.8mm.     

Wavelet domain adaptive filtering algorithm for removing the seamless pipe noise contained in the magnetic flux leakage data

With the widespread application and fast development of gas and oil pipeline network in China, the pipeline inspection technology has been used more extensively. The magnetic flux leakage （MFL） method has established itself as the most widely used in-line inspection technique for the evaluation of gas and oil pipelines. The MFL data obtained from seamless pipeline inspection is usually contaminated by the seamless pipe noise （SPN）. SPN can in some cases completely mask MFL signals from certain type of defects, and therefore considerably reduces the detectability of the defect signals. In this paper, a new de-noising algorithm called wavelet domain adaptive filtering is proposed for removing the SPN contained in the MFL data. The new algorithm results from combining the wavelet transform with the adaptive filtering technique. Results from application of the proposed algorithm to the MFL data from field tests show that the proposed algorithm has good performance and considerably improves the detectability of the defect signals in the MFL data.