管道漏磁检测的智能方法综述

管道漏磁检测技术利用漏磁原理对管道进行无损检测.传统的人工检测方法通常使用漏磁检测器采集的管道漏磁数据,绘制出漏磁信号曲线,然后根据曲线的变化特性对管道上的缺陷和组件进行人工判别,这种方法效率低下且具有很强的主观性.随着人工智能技术的快速发展,许多基于人工智能的漏磁检测方法被提出,可实现更加高效和更加准确的智能检测.本文对管道漏磁检测的智能方法进行了综述,首先简要介绍了漏磁检测的基本原理和漏磁检测器的组成结构,随后重点阐述了管道漏磁检测中的机器学习方法(含基于分类的方法、基于目标检测的方法和多分量方法)、基于知识的智能专家系统和多传感器融合方法,最后进行了总结,并讨论了当前智能方法仍然存在的问题.     

基于ISODATA算法的漏磁信号到缺陷轮廓的网络映射

由于漏磁信号与缺陷轮廓的非线性关系，由管道漏磁信号描述管道缺陷的几何特征一直是管道漏磁检测的难点．本采用小波基函数神经网络的方法，建立了由管道缺陷的漏磁信号到缺陷截面轮廓图的网络映射．算法中应用迭代自组织数据分析(ISODATA)动态聚类的算法使得基函数中心的选取更加合理，经过多层分辨率的训练．网络输出表明，该网络可以较准确反映出缺陷的几何特征，为管道缺陷的特征提取提供一种可行的方法。     

新型脉冲漏磁传感器的仿真设计与实验研究

在对带保温层管道进行检测时,由于保温层的隔离作用使得传统的电磁无损检测方法感生的磁场在传播到管道表面时已衰减的非常微弱,因此,对带保温层管道中腐蚀缺陷的检测是无损检测领域的一个难点.脉冲漏磁方法由于结合了脉冲检测频率丰富以及漏磁检测适于铁磁性管道检测的优势,因而采用脉冲漏磁技术对管道腐蚀缺陷进行了检测.在分析了脉冲漏磁检测原理的基础上,仿真分析了4种不同结构的脉冲漏磁传感器沿管道表面和管壁的磁场分布以及对不同厚度保温层的检测能力,仿真结果表明带聚磁板的模型具有较好的检测能力.最后,采用实验的方法研究了这种模型传感器对腐蚀缺陷深度的定量能力,实验结果表明该传感器可以很好地实现对腐蚀缺陷深度的定量检测.     

缺陷长度对漏磁场的影响

漏磁检测的量化问题是漏磁检测应用推广需要解决的关健问题,对缺陷漏磁场特征与缺陷长度的关系进行了研究,表明缺陷长度是影响漏磁检测缺陷量化的重要参数。     

输油管道漏磁检测信号自适应滤波的研究

在采用漏磁法对输油管道进行无损检测过程中，信号会受到各种噪声的干扰。介绍了输油管道漏磁检测方法及归一化最小均方自适应滤波方法。通过实验装置采集了含有噪声的漏磁信号。由于各传感器提离值不能保证一致，对信号进行了补偿调整。将一路的传感器输出信号作为主输人信号，与之相邻的传感器输出信号作为参考信号，采用归一化自适应滤波对主输人信号进行处理。结果表明，采用归一化最小均方自适应滤波方法可使缺陷漏磁信号的信噪比得到显著的提高。     

基于改进BP神经网络算法的管道缺陷漏磁信号识别

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷漏磁信号来识别缺陷的形态参数．根据漏磁检测原理设计了相关的漏磁检测电路，通过提取信号的主要特征量，利用Levenberg-Marquardt算法在对常用BP神经网络改进的基础上应用其来识别缺陷的尺寸参数，给出了BP神经网络各层数的确定及权值、学习率的调整方法和相应的漏磁信号数据处理过程．漏磁检测数据处理实验表明，该缺陷识别BP神经网络系统具有逼近精度高、收敛速度快等特点．     

基于LS-SVM的管道二维漏磁缺陷重构

针对铁磁材料的无损评估中,漏磁信号描述缺陷的几何特征难点,提出了应用支持向量机对二维缺陷重构的新方法,支持向量机输入是漏磁信号,输出是缺陷轮廓数据,建立了由缺陷的漏磁信号到缺陷二维轮廓的映射关系。网络学习采用最小二乘算法,训练样本由实验数据与仿真数据组成,测试样本为人工裂纹缺陷。该方法实现了人工裂纹缺陷的二维轮廓的重构,并与径向基神经网络重构结果进行了比较。试验结果表明,该方法具有速度快、精度高和很好的泛化能力,为漏磁检测定量化提供了一种可行的方法。     

管道缺陷漏磁检测大容量高保真数据压缩研究

管道检测是石油天然气工业的一个重要课题.在管道缺陷检测中,利用缺陷的漏磁通从而设计有效的漏磁检测装置来检测缺陷是目前研究的热点,而如何对漏磁检测数据进行大容量高保真数据压缩是其中的一个关键问题.本文在分析漏磁检测原理和漏磁检测数据特征的基础上,根据对重要数据采用无损压缩、对非重要数据采用有损压缩的原则,通过数据的差分和动态范围阈值判断数据块的检测重要性,结合Huffman算法以及小波有损压缩的优点,设计了大容量高保真管道漏磁检测数据压缩算法,并利用FPGA设计了相关的数据采集压缩电路来验证和实现该算法.实验表明该算法具有较高的压缩比并能很好的再现管道检测原始数据.     

小波神经网络在海底石油管道漏磁缺陷检测中的应用

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷的漏磁信号识别缺陷的形态参数,噪声消除和缺陷识别是其中的关键问题。利用噪声信号和测试信号在各个尺度上波谱的不同特征,基于小波变换来消除管道漏磁检测中的噪声信号,并根据正交小波多尺度多分辨率特点,把信号分解成各相互独立的频带,构建一个小波神经网络系统,通过输入漏磁信号的特征量识别缺陷的参数。漏磁检测数据处理实验表明该小波变换能较好地去除检测信号中的主要噪声,所建立的缺陷识别小波神经网络系统具有收敛速度快、逼近精度高等特点。     

基于RBF网络的漏磁检测缺陷定量分析方法

为了正确评估油气管道的使用寿命和安全状况,需根据漏磁检测信号特征对缺陷进行准确的定量分析。提出一种基于径向基函数(RBF)神经网络、用于定量分析油气管道缺陷的迭代方法,给出了具体的算法步骤,并采用自适应学习机制来训练网络,既加快了该算法的收敛速度,又避免了陷入局部最小值问题。仿真结果表明:该方法不仅训练速度明显快于普通反向传播(BP)网络,而且最大量化误差仅为0.26%。该方法有助于提高漏磁检测的准确度,可为油气管道的安全评估提供可靠的依据。     

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.     

Recognition algorithm of seabed pipeline defect inspection based on dynamic WBF neural networks

This paper describes a magnetic flux leak (MFL) model of pipeline defect inspection, and presents a recognition algorithm based on dynmnic wavelet basis function (WBF) neural network. The dynamic network utilizes multiscale and multireselution orthogonal wavelet, through signals backwards propagation:,has more significant advantages than BP or other neural networks used in MFL inspection. It also can control the accuracy of the predicted defect profiles, high-speed convergence possessing and well approaching feature. The perfonnance applying the algorithm based on the network to predict defect profile from experimental MFL signals is presented.     

油气管道高速漏磁检测系统中数据压缩研究

在管道缺陷检测中,如何对漏磁检测数据进行大容量高保真数据压缩是其中的一个关键问题.文章分析漏磁缺陷信号的特点,首先采用零树小波编码算法,找出能够表征缺陷信号的重要数据和不能表征缺陷信号的非重要数据,非重要数据建立小波零树,对信号进行压缩,然后结合算术编码,对压缩数据流进一步压缩处理,通过仿真实验表明在一定允许失真度的情况下,可以达到很高的压缩率.     

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。     

Coefficients de-noising with wavelet transform for magnetic flux leakage data obtained from oil pipeline

This paper considers the problem of noise cancellation for the magnetic flux leakage （MFL） data obtained from the inspection of oil pipelines. MFL data is contaminated by various sources of noise, and the noise can considerably reduce the detectability of flaw signals in MFL data. This paper presents a new denoising approach for removing the system noise contained in the MFL data by using the coefficients denoising with wavelet transform. Experimental results are presented to demonstrate the advantages of this de-noising approach over the conventional wavelet de-noising method.     

小波神经网络在海底石油管道漏磁缺陷检测中的应用

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷的漏磁信号识别缺陷的形态参数,噪声消除和缺陷识别是其中的关键问题。利用噪声信号和测试信号在各个尺度上波谱的不同特征,基于小波变换来消除管道漏磁检测中的噪声信号,并根据正交小波多尺度多分辨率特点,把信号分解成各相互独立的频带,构建一个小波神经网络系统,通过输入漏磁信号的特征量识别缺陷的参数。漏磁检测数据处理实验表明该小波变换能较好地去除检测信号中的主要噪声,所建立的缺陷识别小波神经网络系统具有收敛速度快、逼近精度高等特点。     

应用磁荷法建立漏磁信号模型

研究了漏磁无损检测中一种基于双极磁荷法的漏磁信号分析模型，运用这一分析模型研究了三种不同类型缺陷的径向和轴向漏磁信号．设计制作了实验装置与试样并进行了实验，将实验结果与分析模型的仿真结果进行了比较，两者得到了较好的吻合，说明了分析模型的有效性．这个模型建立了缺陷尺寸与漏磁信号的关系，具有参数少，计算快，分析方便等优点，它为漏磁信号处理和缺陷的识别评估提供了重要工具．