CN115096987A - 一种基于漏磁信号特征的管道缺陷量化方法 - Google Patents
一种基于漏磁信号特征的管道缺陷量化方法 Download PDFInfo
- Publication number
- CN115096987A CN115096987A CN202210729456.6A CN202210729456A CN115096987A CN 115096987 A CN115096987 A CN 115096987A CN 202210729456 A CN202210729456 A CN 202210729456A CN 115096987 A CN115096987 A CN 115096987A
- Authority
- CN
- China
- Prior art keywords
- defect
- depth
- peak
- component
- width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 359
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004907 flux Effects 0.000 title claims abstract description 32
- 238000011002 quantification Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000013139 quantization Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 20
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于漏磁信号特征的管道缺陷量化方法,获取不同缺陷尺寸下缺陷的三轴漏磁信号,构建样本集;选择轴向分量微分信号峰谷间距作为缺陷长度的量化参数,得到缺陷长度量化公式:选择周向分量峰谷中值间距作为缺陷宽度的量化参数,得到缺陷宽度量化;通过建立神经网络获取缺陷的长宽与缺陷深度拟合参量之间的映射关系,再以缺陷深度拟合参量和径向分量峰谷值作为缺陷深度的量化参数计算缺陷深度。本发明方法可在剩余缺陷几何参数未知或提离距离一定范围内波动等条件下,能更精确的量化缺陷尺寸,抗干扰能力更强,量化方式更加简单。
Description
技术领域
本发明涉及管道缺陷检测技术领域,尤其是一种基于漏磁信号特征的管道缺陷量化方法。
背景技术
在管道安全工程中,管道检测是保证管道安全的基本方法。诸多类型的管道检测技术中,漏磁内检测技术是应用最广泛、技术最成熟的磁性管道缺陷检测技术。漏磁内检测技术在运行过程中并不能直接测量出管道缺陷的尺寸,漏磁内检测技术核心问题是管道缺陷的尺寸反演问题,通过采集的漏磁信号对缺陷尺寸进行还原。由于漏磁信号与缺陷尺寸之间存在复杂的关系,导致对漏磁信号分析以实现缺陷量化成为一道技术难题。传统的缺陷量化方法多以轴向分量特征作为评价,信号特征来源单一,辨识度不高,导致缺陷量化精度的下降。
发明内容
为了克服上述现有技术中的缺陷,本发明提供一种基于漏磁信号特征的管道缺陷量化方法,能够根据管道的漏磁信号识别管道缺陷类型,抗干扰能力更强,量化方式更加简单,具有重大工程意义和良好应用前景。
为实现上述目的,本发明采用以下技术方案,包括:
一种基于漏磁信号特征的管道缺陷量化方法,包括以下步骤:
S1,获取不同缺陷尺寸下缺陷的三轴漏磁信号,构建样本集;
所述缺陷尺寸包括:缺陷长度、缺陷宽度、缺陷深度;
所述缺陷的三轴漏磁信号是指:轴向漏磁信号即轴向分量,径向漏磁信号即径向分量,周向漏磁信号即周向分量;
其中,轴向即为沿管道长度的方向,径向即为沿垂直于管道内壁的方向,周向即为沿管道的周向;
周向分量的选取方式为:确定轴向路径上径向分量的波峰位置,选择该波峰位置所在的周向路径上的径向分量的值作为周向分量的值;
S2,对样本集中的轴向分量取微分,得到轴向分量微分信号,提取轴向分量微分信号峰谷间距DSxp-p作为缺陷长度L的量化参数,对样本集中轴向分量微分信号峰谷间距DSxp-p和缺陷长度L进行线性拟合,得到缺陷长度量化公式:
L=a1*DSxp-p+b1
其中,a1为长度比例系数,b1为长度修正系数;
S3,提取样本集中周向分量峰谷中值间距Sy-50%作为缺陷宽度W的量化参数,对样本集中周向分量峰谷中值间距Sy-50%和缺陷宽度W进行线性拟合,得到缺陷宽度量化公式:
W=a2*Sy-50%+b2
其中,a2为宽度比例系数,b2为宽度修正系数;
周向分量峰谷中值间距Sy-50%的提取方式为:提取周向分量的波峰和波谷,计算波峰和波谷的中间值即波峰和波谷之间差值的50%作为峰谷中值,周向分量上峰谷中值的间距即为周向分量峰谷中值间距Sy-50%;
S4,提取样本集中径向分量峰谷值Bzp-p,即径向分量的波峰和波谷之间的差值,将径向分量峰谷值Bzp-p作为缺陷深度D的量化参数,对样本集中径向分量峰谷值Bzp-p与缺陷深度D进行拟合,得到缺陷深度量化公式:
D=a*Bzp-p+b
其中,a、b均为缺陷深度拟合参量,且均为变量,当缺陷长度或缺陷宽度变化时,相应的缺陷深度拟合参量a、b也均发生变化;
S5,构建神经网络,所述神经网络的输入为缺陷长度L和缺陷宽度W,输出为缺陷深度拟合参量a、b,利用样本集训练并生成神经网络;
S6,对未知缺陷进行量化的过程如下所示:
S61,根据该未知缺陷的轴向分量微分信号峰谷间距DSxp-p和缺陷长度量化公式,计算得到该未知缺陷的缺陷长度L;
S62,根据该未知缺陷的周向分量峰谷中值间距Sy-50%和缺陷宽度量化公式,计算得到该未知缺陷的缺陷宽度W;
S63,将计算得到的该未知缺陷的长度L和宽度W输入神经网络模型,预测得到缺陷深度拟合参量a、b;
S64,将该未知缺陷的径向分量峰谷值Bzp-p和预测得到的缺陷深度拟合参量a、b,代入缺陷深度量化公式,计算得到该未知缺陷的缺陷深度D。
优选的,步骤S1中,通过有限元软件建模仿真不同缺陷尺寸下缺陷的三轴漏磁信号。
优选的,步骤S5中,将样本集划分为训练集和测试集,利用训练集对神经网络进行训练:
对训练集中缺陷长度和缺陷宽度均相同的径向分量峰谷值Bzp-p与缺陷深度D进行拟合,得到该缺陷长度和该缺陷宽度下的缺陷深度拟合参量a、b,从而得到神经网络的训练数据,利用神经网络的训练数据对神经网络进行训练。
优选的,步骤S5中,将样本集划分为训练集和测试集,利用测试集对神经网络进行测试:
将测试集中已知缺陷的缺陷长度L和缺陷宽度W输入至训练后的神经网络,预测得到对应的缺陷深度拟合参量a、b;将对应的缺陷深度拟合参量a、b和该缺陷的径向分量峰谷值Bzp-p代入缺陷深度量化公式,计算得到缺陷深度D的预测值;通过将缺陷深度D的预测值与缺陷深度D的真实值进行比较,测试神经网络的预测准确率。
本发明的优点在于:
(1)本发明通过对样本数据的分析可知,利用轴向分量微分信号峰谷间距表征缺陷长度最为稳定,轴向分量微分信号峰谷间距不受缺陷宽度、缺陷深度、传感器提离值等因素的影响,即干扰量变动时,轴向分量微分信号峰谷间距并不会随之改变,其仅随缺陷长度的变化而变化,因此根据本发明选择轴向分量微分信号峰谷间距作为缺陷长度的量化参数,并根据样本集构建缺陷长度量化公式。
(2)本发明通过对样本数据的分析可知,只有周向分量峰谷中值间距这一信号特征量可称为稳定量,不随缺陷深度和提离距离的变化而变化,因此根据本发明选择周向分量峰谷中值间距作为缺陷宽度的量化参数,并根据样本集构建缺陷宽度量化公式。
(3)本发明通过对样本数据的分析可知,虽然径向分量峰谷值和轴向分量峰谷值这两个信号特征量适合作为量化缺陷深度的信号特征量,但也受到缺陷尺寸变化的影响,因此,本发明由轴向分量微分信号峰谷间距确定缺陷长度,由周向分量峰谷中值间距确定缺陷宽度尺寸,通过建立BP神经网络模型获取缺陷的长宽与缺陷深度拟合参量a、b之间的映射关系,再以缺陷深度拟合参量和径向分量峰谷值作为缺陷深度的量化参数计算缺陷深度,其准确率高于直接利用径向分量峰谷值对缺陷深度进行量化的方式。
(4)本发明方法通过有限元建模仿真不同缺陷尺寸下的管道漏磁信号,研究分析几种信号特征量与缺陷长度、宽度以及深度之间的相互影响关系,能够得到缺陷长度、宽度以及深度与各信号特征量的表征有效性,并对信号特征量可表征缺陷几何参数的优劣性进行具体分析,并得出最优表征结果,本发明方法可在缺陷尺寸未知且提离距离在一定范围内波动等条件下,能更精确的量化缺陷尺寸,抗干扰能力更强,量化过程更加简单。
(5)本发明方法在不同工作场景,不同装备,不同材料,不同磁化条件等情况下采集的样本数据会有不同,但整体量化预测方法在所有场合均适用。
附图说明
图1为本发明的一种基于漏磁信号特征的管道缺陷量化方法的流程图。
图2为轴向分量微分信号的漏磁曲线图。
图3为周向分量的漏磁曲线图。
图4为径向分量的漏磁曲线图。
图5为不同缺陷长度的轴向分量微分信号的漏磁曲线图。
图6为轴向分量微分信号峰谷间距与缺陷长度的关系曲线图。
图7为不同缺陷长度的轴向分量微分信号峰谷间距与缺陷宽度的关系曲线图。
图8为不同缺陷长度的轴向分量微分信号峰谷间距与缺陷深度的关系曲线图。
图9为不同缺陷长度的轴向分量微分信号峰谷间距与提离值的关系曲线图。
图10为不同缺陷宽度的周向分量的漏磁曲线图。
图11为周向分量峰谷中值间距与缺陷宽度的关系曲线图。
图12为不同缺陷宽度的周向分量峰谷中值间距与缺陷深度的关系曲线图。
图13为不同缺陷宽度的周向分量峰谷中值间距与提离值的关系曲线图。
图14为不同缺陷深度的径向分量的漏磁曲线图。
图15为同一缺陷长宽的径向分量峰谷值与缺陷深度的关系曲线图。
图16为不同缺陷长宽的径向分量峰谷值与缺陷深度的关系曲线图。
图17为BP神经网络的训练结果示意图。
图18为不同缺陷长宽的缺陷深度预测值与缺陷深度真实值的对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由图1所示,一种基于漏磁信号特征的管道缺陷量化方法,其特征在于,包括以下步骤:
S1,获取不同缺陷尺寸下缺陷的三轴漏磁信号,构建样本集。
所述缺陷尺寸包括:缺陷长度、缺陷宽度、缺陷深度。
所述缺陷的三轴漏磁信号是指:轴向漏磁信号即轴向分量,径向漏磁信号即径向分量,周向漏磁信号即周向分量;
其中,轴向即为沿管道长度的方向,径向即为沿垂直于管道内壁的方向即管道内壁的法线方向,周向即为沿管道的周向即环绕管道的圆周方向;
周向分量是通过选取管道周向路径上的径向分量的值而构建的,具体选取方式为:确定轴向路径上径向分量的波峰位置,选择该波峰位置所在的周向路径上的径向分量的值作为周向分量的值;
S2,对样本集中的轴向分量取微分,得到轴向分量微分信号,提取轴向分量微分信号峰谷间距DSxp-p作为缺陷长度L的量化参数,对样本集中轴向分量微分信号峰谷间距DSxp-p和缺陷长度L进行线性拟合,得到缺陷长度量化公式:
L=a1*DSxp-p+b1
其中,a1为长度比例系数,b1为长度修正系数;
轴向分量微分信号峰谷间距DSxp-p如图2所示,图2为轴向分量微分信号的漏磁曲线图,纵轴表示磁感应强度微分值,横轴表示轴向距离。
S3,提取样本集中周向分量峰谷中值间距Sy-50%作为缺陷宽度W的量化参数,对样本集中周向分量峰谷中值间距Sy-50%和缺陷宽度W进行线性拟合,得到缺陷宽度量化公式:
W=a2*Sy-50%+b2
其中,a2为宽度比例系数,b2为宽度修正系数;
周向分量峰谷中值间距Sy-50%如图3所示,其提取方式为:提取周向分量的波峰和波谷,计算波峰和波谷的中间值即波峰和波谷之间差值Smax的50%作为峰谷中值,周向分量上峰谷中值的间距即为周向分量峰谷中值间距Sy-50%。图3为周向分量的漏磁曲线图,纵轴表示磁感应强度,横轴表示周向距离。
S4,提取样本集中径向分量峰谷值Bzp-p,即径向分量的波峰和波谷之间的差值,将径向分量峰谷值Bzp-p作为缺陷深度D的量化参数,对样本集中径向分量峰谷值Bzp-p与缺陷深度D进行拟合,得到缺陷深度量化公式:
D=a*Bzp-p+b
其中,a、b均为缺陷深度拟合参量,且均为变量,当缺陷长度或缺陷宽度变化时,相应的缺陷深度拟合参量a、b也均发生变化。
径向分量峰谷值Bzp-p如图4所示,且图4中的Szp-p表示径向分量峰谷间距。图4为径向分量的漏磁曲线图,纵轴表示磁感应强度,横轴表示轴向距离。
S5,构建神经网络,所述神经网络的输入为缺陷长度L和缺陷宽度W,输出为缺陷深度拟合参量a、b,利用样本集训练并生成神经网络。
将样本集划分为训练集和测试集,利用训练集对神经网络进行训练:
对训练集中缺陷长度和缺陷宽度均相同的径向分量峰谷值Bzp-p与缺陷深度D进行拟合,得到该缺陷长度和该缺陷宽度下的缺陷深度拟合参量a、b,从而得到神经网络的训练数据,利用神经网络的训练数据对神经网络进行训练。
利用测试集对神经网络进行测试:将测试集中已知缺陷的缺陷长度L和缺陷宽度W输入至训练后的神经网络,预测得到对应的缺陷深度拟合参量a、b;将对应的缺陷深度拟合参量a、b和该缺陷的径向分量峰谷值Bzp-p代入缺陷深度量化公式,计算得到缺陷深度D的预测值;通过将缺陷深度D的预测值与缺陷深度D的真实值进行比较,测试神经网络的预测准确率。
S6,对未知缺陷进行量化的过程如下所示:
S61,根据该未知缺陷的轴向分量微分信号峰谷间距DSxp-p和缺陷长度量化公式,计算得到该未知缺陷的缺陷长度L;
S62,根据该未知缺陷的周向分量峰谷中值间距Sy-50%和缺陷宽度量化公式,计算得到该未知缺陷的缺陷宽度W;
S63,将计算得到的该未知缺陷的长度L和宽度W输入神经网络模型,预测得到缺陷深度拟合参量a、b;
S64,将该未知缺陷的径向分量峰谷值Bzp-p和预测得到的缺陷深度拟合参量a、b,代入缺陷深度量化公式,计算得到该未知缺陷的缺陷深度D。
本实施例通过有限元软件建模仿真不同缺陷尺寸下的缺陷漏磁信号构建样本集。样本数据为:缺陷的尺寸以及对应的三轴漏磁信号。缺陷的尺寸包括缺陷的长度、宽度、深度。缺陷的三轴漏磁信号是指:轴向漏磁信号即轴向分量,径向漏磁信号即径向分量,周向漏磁信号即周向分量;本实施例中,周向分量是通过选取管道周向路径上的径向分量的值而构建的,具体选取方式为:确定轴向路径上径向分量的波峰位置,选择该波峰位置所在的周向路径上的径向分量的值作为周向分量的值。
本实施例根据样本集对缺陷的长度、宽度、深度进行量化分析后,得到缺陷长度、宽度、深度的具体量化方式,量化分析具体如下所示:
(1)缺陷长度的量化分析:
根据样本集可知,随着缺陷长度的增大,轴向分量峰谷间距、轴向分量微分信号峰谷间距、径向分量峰谷间距都是单调递增的,即成线性关系;径向分量峰谷值只是近似的单调减;轴向分量峰谷值则成非线性关系,且随缺陷长度的增加而逐渐减小。
以缺陷宽度为10mm,深度为7mm为例,如图5所示,利用有限元仿真得到不同缺陷长度的轴向分量微分信号,轴向分量微分信号是指轴向分量沿轴向求导;本实施例中,利用有限元仿真分别得到缺陷长度为3、6、9、12、15、18mm时的轴向分量微分信号。根据仿真结果可知,不同长度的缺陷轴向分量微分信号峰谷间距DSxp-p与缺陷长度成正比例关系,如图6所示。
轴向分量峰谷间距、轴向分量微分信号峰谷间距、径向分量峰谷间距三个信号特征量中,利用轴向分量微分信号峰谷间距表征缺陷长度最为稳定,轴向分量微分信号峰谷间距不受缺陷宽度、缺陷深度、传感器提离值等因素的影响,即干扰量变动时,轴向分量微分信号峰谷间距并不会随之改变,其仅随缺陷长度的变化而变化,且在有限元仿真中得以验证,轴向分量微分信号峰谷间距的波动精度误差均在10%以内。为验证此结论,设定提离距离分别为1、2、3、4、5mm,缺陷宽度分别为6、8、10、12、14mm,缺陷深度分别为4、6、8、10、12mm的取值范围时,进行漏磁检测获取在缺陷尺寸和提离距离分别变化时的轴向分量微分信号峰谷间距,其中,一个缺陷长度为一组,共分5组,缺陷长度分别对应为6、9、12、15、18mm,获取轴向分量微分信号峰谷间距及对应的缺陷宽度、缺陷深度、提离距离,将上述获取的数据生成折线图,如图7、8、9所示,通过计算每条折线波动百分比验证轴向分量微分信号峰谷间距波动精度误差均在10%以内。其次,轴向分量峰谷间距、径向分量峰谷间距也相对稳定,虽然该两个信号特征量不受缺陷宽度和缺陷深度的影响,但受传感器提离值波动的影响。当提离值增大时,轴向分量峰谷间距会随之减小且之后会成为单波峰,而径向分量峰谷间距会随之增加。
综上分析,选择轴向分量微分信号峰谷间距DSxp-p作为缺陷长度L的量化参数,对样本集中轴向分量微分信号峰谷间距DSxp-p和缺陷长度L进行线性拟合,得到缺陷长度量化公式:
L=a1*DSxp-p+b1
其中,a1为长度比例系数,b1为长度修正系数,a1、b1在一般情况下为定值,且可以根据不同工作环境、管材、励磁强度、检测器属性等具体情况进行调整。
(2)缺陷宽度的量化分析:
漏磁检测器轴向励磁时,检测漏磁信号的传感器为周向排布,而传感器检测到漏磁信号的周向距离大致为缺陷的宽度尺寸,受到缺陷励磁信号的传感器个数与缺陷宽度之间接近正比例关系,为此,受到缺陷励磁信号的传感器个数可以作为量化缺陷宽度的一个指标,也因为这一特殊性质,才产生周向分量峰谷中值间距这一信号特征量。
周向分量的提取,先确定轴向路径上径向分量的最大值位置即波峰位置,然后提取该波峰位置所在的周向路径上的径向分量作为周向分量。
通过有限元仿真得到不同缺陷宽度的周向分量,如图10所示,根据仿真结果可知,不同宽度的周向分量峰谷中值间距Sy-50%与缺陷宽度成正比例关系,如图11所示。
通过有限元仿真分析可知,随着缺陷宽度的增大,轴向分量峰谷值与径向分量峰谷值都是单调递增的,但该两个信号特征量都受到其他因素如缺陷深度变化、提离值波动等的影响。只有周向分量峰谷中值间距这一信号特征量可称为稳定量,不随缺陷深度和提离距离的变化而变化,且在有限元仿真中得以验证,波动精度误差均在10%以内。值得强调的是,缺陷宽度变化时轴向分量峰谷间距,径向分量峰谷间距,轴向分量微分信号峰谷间距等特征参数保持不变,与上述缺陷长度量化参数的判定相对应。
验证量化缺陷宽度时周向分量峰谷中值间距Sy-50%的稳定性,设定提离距离分别为1、2、3、4mm,缺陷深度分别为4、6、8、10、12mm的取值范围,进行漏磁检测获取在缺陷深度和提离距离分别变化时的周向分量,其中,一个缺陷宽度为一组,共分5组,缺陷宽度分别对应为6、8、10、12、14mm,获取周向分量峰谷中值间距Sy-50%及对应的缺陷深度、提离距离,将上述获取的数据生成折线图,如图12、13所示,通过计算每条折线波动百分比验证周向分量峰谷中值间距Sy-50%的波动精度误差均在10%以内。
综上分析,选择周向分量峰谷中值间距Sy-50%作为缺陷宽度W的量化参数,对样本集中周向分量峰谷中值间距Sy-50%和缺陷宽度W进行线性拟合,得到缺陷宽度量化公式:
W=a2*Sy-50%+b2
其中,a2为宽度比例系数,b2为宽度修正系数;a2、b2在一般情况下为定值,且可以根据不同工作环境、管材、励磁强度、检测器属性等具体情况进行调整。
(3)缺陷深度的量化分析
根据仿真结果分析可知,径向分量峰谷值和轴向分量峰谷值均与缺陷深度呈很好的正比例线性关系,随着缺陷深度的增加而增加,适合作为量化缺陷深度的信号特征量。例如,通过有限元仿真得到不同缺陷深度的径向分量,如图14所示,根据仿真结果可知,不同深度的径向分量峰谷值Bzp-p与缺陷宽度成正比例关系,如图15所示。
虽然径向分量峰谷值和轴向分量峰谷值这两个信号特征量适合作为量化缺陷深度的信号特征量,但也受到缺陷尺寸变化及提离值波动带来的影响,仍属于不稳定信号特征量。但根据上述的缺陷长度和宽度的量化分析,可由轴向分量微分信号峰谷间距确定缺陷长度,由周向分量峰谷中值间距确定缺陷宽度尺寸,再以径向分量峰谷值为量化参数量化缺陷深度。
对径向分量峰谷值与对应的缺陷深度进行线性拟合,不同尺寸的缺陷样本下径向分量峰谷值与缺陷深度的线性拟合效果如图16所示,该拟合直线能够表征相应范围的缺陷深度,满足以下关系式:
D=a*Bzp-p+b
其中,Bzp-p为径向分量峰谷值,即径向分量的波峰和波谷之间的差值,a、b均为缺陷深度拟合参量,且均为变量,当缺陷的长度和宽度变化时,相应的a与b也要变化,a、b分别表示缺陷深度的比例系数和修正系数。
为此,可通过建立BP神经网络模型获取缺陷的长宽与缺陷深度拟合参量a、b之间的映射关系。
本实施例中,共设计200组不同长度和宽度的缺陷,取缺陷深度分别为4mm、6mm、8mm、10mm、12mm,将三者相结合共计1000个缺陷,对此200组不同长度和宽度的缺陷的径向分量峰谷值Bzp-p与缺陷深度D进行拟合,获得200组对应的缺陷深度拟合参量a、b,即得到200组神经网络样本数据,构建神经网络样本集。
将已知缺陷的长度和宽度作为神经网络的输入,缺陷深度拟合参量a、b作为输出,采用GA深度优化BP神经网络的方法对样本数据进行训练。将预测得到的缺陷深度拟合参量a、b与径向分量峰谷值Bzp-p代入上式,得到缺陷深度D的预测值。将缺陷深度预测值与初始设定的缺陷深度实际值进行对比,从而判断该方法中的缺陷深度预测准确率。
本实施例中,神经网络样本集划分为训练集、测试集、验证集,训练集中的数据个数为140个,测试集中的数据个数为30个,验证集中的数据个数为30个。BP神经网络输入层节点数为2,隐含层节点数自动寻优,输出层节点数为2。训练集、测试集、验证集以及神经网络总样本集中缺陷深度预测值与缺陷深度实际值的对比结果和相关系数如图17所示,R为集合中的缺陷深度预测值与缺陷深度实际值的相关系数,用于表征集合中缺陷深度的预测准确率,R越接近于1,缺陷深度的预测准确率越接近100%,其中,训练集的相关系数R=0.99801,测试集的相关系数R=0.99448,验证集的相关系数R=0.97216,神经网络总样本集的相关系数R=0.99312。部分样本数据的缺陷深度预测值与缺陷深度实际值对比如图18所示。根据图18可知,通过预测缺陷深度拟合参量a、b实现缺陷深度的间接量化,其效果十分显著,预测准确率大于97%,高于直接利用径向分量峰谷值对缺陷深度进行量化的方法。
综上分析,选择径向分量峰谷值Bzp-p作为缺陷深度D的量化参数,得到缺陷深度量化公式:
D=a*Bzp-p+b
其中,缺陷深度拟合参量a、b通过量化后的缺陷长度和缺陷宽度经神经网络模型预测得到。
本发明方法通过有限元建模仿真不同缺陷尺寸下的管道漏磁信号,研究分析几种信号特征量与缺陷长度、宽度以及深度之间的相互影响关系,能够得到缺陷长度、宽度以及深度与各信号特征量的表征有效性,并对信号特征量可表征缺陷几何参数的优劣性进行具体分析,并得出最优表征结果,本发明方法可在缺陷尺寸未知且提离距离在一定范围内波动等条件下,能更精确的量化缺陷尺寸,抗干扰能力更强,量化过程更加简单。
本发明方法在不同工作场景,不同装备,不同材料,不同磁化条件等情况下采集的样本数据会有不同,但整体量化预测方法在所有场合均适用。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (4)
1.一种基于漏磁信号特征的管道缺陷量化方法,其特征在于,包括以下步骤:
S1,获取不同缺陷尺寸下缺陷的三轴漏磁信号,构建样本集;
所述缺陷尺寸包括:缺陷长度、缺陷宽度、缺陷深度;
所述缺陷的三轴漏磁信号是指:轴向漏磁信号即轴向分量,径向漏磁信号即径向分量,周向漏磁信号即周向分量;
其中,轴向即为沿管道长度的方向,径向即为沿垂直于管道内壁的方向,周向即为沿管道的周向;
周向分量的选取方式为:确定轴向路径上径向分量的波峰位置,选择该波峰位置所在的周向路径上的径向分量的值作为周向分量的值;
S2,对样本集中的轴向分量取微分,得到轴向分量微分信号,提取轴向分量微分信号峰谷间距DSxp-p作为缺陷长度L的量化参数,对样本集中轴向分量微分信号峰谷间距DSxp-p和缺陷长度L进行线性拟合,得到缺陷长度量化公式:
L=a1*DSxp-p+b1
其中,a1为长度比例系数,b1为长度修正系数;
S3,提取样本集中周向分量峰谷中值间距Sy-50%作为缺陷宽度W的量化参数,对样本集中周向分量峰谷中值间距Sy-50%和缺陷宽度W进行线性拟合,得到缺陷宽度量化公式:
W=a2*Sy-50%+b2
其中,a2为宽度比例系数,b2为宽度修正系数;
周向分量峰谷中值间距Sy-50%的提取方式为:提取周向分量的波峰和波谷,计算波峰和波谷的中间值即波峰和波谷之间差值的50%作为峰谷中值,周向分量上峰谷中值的间距即为周向分量峰谷中值间距Sy-50%;
S4,提取样本集中径向分量峰谷值Bzp-p,即径向分量的波峰和波谷之间的差值,将径向分量峰谷值Bzp-p作为缺陷深度D的量化参数,对样本集中径向分量峰谷值Bzp-p与缺陷深度D进行拟合,得到缺陷深度量化公式:
D=a*Bzp-p+b
其中,a、b均为缺陷深度拟合参量,且均为变量,当缺陷长度或缺陷宽度变化时,相应的缺陷深度拟合参量a、b也均发生变化;
S5,构建神经网络,所述神经网络的输入为缺陷长度L和缺陷宽度W,输出为缺陷深度拟合参量a、b,利用样本集训练并生成神经网络;
S6,对未知缺陷进行量化的过程如下所示:
S61,根据该未知缺陷的轴向分量微分信号峰谷间距DSxp-p和缺陷长度量化公式,计算得到该未知缺陷的缺陷长度L;
S62,根据该未知缺陷的周向分量峰谷中值间距Sy-50%和缺陷宽度量化公式,计算得到该未知缺陷的缺陷宽度W;
S63,将计算得到的该未知缺陷的长度L和宽度W输入神经网络模型,预测得到缺陷深度拟合参量a、b;
S64,将该未知缺陷的径向分量峰谷值Bzp-p和预测得到的缺陷深度拟合参量a、b,代入缺陷深度量化公式,计算得到该未知缺陷的缺陷深度D。
2.根据权利要求1所述的一种基于漏磁信号特征的管道缺陷量化方法,其特征在于,步骤S1中,通过有限元软件建模仿真不同缺陷尺寸下缺陷的三轴漏磁信号。
3.根据权利要求1所述的一种基于漏磁信号特征的管道缺陷量化方法,其特征在于,步骤S5中,将样本集划分为训练集和测试集,利用训练集对神经网络进行训练:
对训练集中缺陷长度和缺陷宽度均相同的径向分量峰谷值Bzp-p与缺陷深度D进行拟合,得到该缺陷长度和该缺陷宽度下的缺陷深度拟合参量a、b,从而得到神经网络的训练数据,利用神经网络的训练数据对神经网络进行训练。
4.根据权利要求1或3所述的一种基于漏磁信号特征的管道缺陷量化方法,其特征在于,步骤S5中,将样本集划分为训练集和测试集,利用测试集对神经网络进行测试:
将测试集中已知缺陷的缺陷长度L和缺陷宽度W输入至训练后的神经网络,预测得到对应的缺陷深度拟合参量a、b;将对应的缺陷深度拟合参量a、b和该缺陷的径向分量峰谷值Bzp-p代入缺陷深度量化公式,计算得到缺陷深度D的预测值;通过将缺陷深度D的预测值与缺陷深度D的真实值进行比较,测试神经网络的预测准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210729456.6A CN115096987B (zh) | 2022-06-24 | 2022-06-24 | 一种基于漏磁信号特征的管道缺陷量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210729456.6A CN115096987B (zh) | 2022-06-24 | 2022-06-24 | 一种基于漏磁信号特征的管道缺陷量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115096987A true CN115096987A (zh) | 2022-09-23 |
CN115096987B CN115096987B (zh) | 2024-04-26 |
Family
ID=83292192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210729456.6A Active CN115096987B (zh) | 2022-06-24 | 2022-06-24 | 一种基于漏磁信号特征的管道缺陷量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115096987B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104514987A (zh) * | 2014-12-19 | 2015-04-15 | 清华大学 | 管道三维漏磁成像缺陷量化方法 |
JP2017009549A (ja) * | 2015-06-26 | 2017-01-12 | コニカミノルタ株式会社 | 非破壊検査装置 |
CN106770627A (zh) * | 2016-12-16 | 2017-05-31 | 北京华航无线电测量研究所 | 一种轴向漏磁信号长度量化方法 |
CN106870957A (zh) * | 2017-03-21 | 2017-06-20 | 东北大学 | 一种管道缺陷漏磁信号的特征提取方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析*** |
CN113049676A (zh) * | 2021-03-09 | 2021-06-29 | 中国矿业大学 | 一种管道缺陷量化分析方法 |
-
2022
- 2022-06-24 CN CN202210729456.6A patent/CN115096987B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104514987A (zh) * | 2014-12-19 | 2015-04-15 | 清华大学 | 管道三维漏磁成像缺陷量化方法 |
US20160178580A1 (en) * | 2014-12-19 | 2016-06-23 | Tsinghua University | Method and apparatus for quantifying pipeline defect based on magnetic flux leakage testing |
JP2017009549A (ja) * | 2015-06-26 | 2017-01-12 | コニカミノルタ株式会社 | 非破壊検査装置 |
CN106770627A (zh) * | 2016-12-16 | 2017-05-31 | 北京华航无线电测量研究所 | 一种轴向漏磁信号长度量化方法 |
CN106870957A (zh) * | 2017-03-21 | 2017-06-20 | 东北大学 | 一种管道缺陷漏磁信号的特征提取方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析*** |
CN113049676A (zh) * | 2021-03-09 | 2021-06-29 | 中国矿业大学 | 一种管道缺陷量化分析方法 |
Non-Patent Citations (3)
Title |
---|
ZHANG GUOGUANG: "Defect quantitative recognition technology of circumferential magnetic flux leakage inspection in pipeline", 《2010 INTERNATIONAL CONFERENCE ON COMPUTER APPLICATION AND SYSTEM MODELING (ICCASM 2010)》, 4 November 2010 (2010-11-04) * |
杨涛, 王太勇, 李清, 冷永刚: "油气管道缺陷漏磁检测试验", 天津大学学报, no. 08, 25 August 2004 (2004-08-25) * |
田野;高涛;许光达;丁融;: "长输管道漏磁内检测缺陷识别量化技术研究", 油气田地面工程, no. 10, 20 October 2018 (2018-10-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN115096987B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9715034B2 (en) | Method for multi-tubular evaluation using induction measurements | |
Chen et al. | Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment | |
Kandroodi et al. | Defect detection and width estimation in natural gas pipelines using MFL signals | |
Kandroodi et al. | Detection of natural gas pipeline defects using magnetic flux leakage measurements | |
CN107356677B (zh) | 基于旅行时层析成像和逆时偏移成像的超声无损检测方法 | |
US12018939B2 (en) | System and method for analyzing an oilfield casing using an apparent thickness approach | |
CN104297280A (zh) | 利用核磁共振技术定量评价岩心洗油效果的方法 | |
CN112731377A (zh) | 一种介电常数反演方法、路基检测方法和检测*** | |
CN113049676A (zh) | 一种管道缺陷量化分析方法 | |
CN112084982A (zh) | 一种基于噪声模型的双层管柱脉冲涡流数据去噪方法 | |
Chen et al. | Three-dimensional defect reconstruction from magnetic flux leakage signals in pipeline inspection based on a dynamic taboo search procedure | |
Zhang et al. | Analysis of MFL model for sucker rod defects and its MFL signal processing | |
Chady et al. | Neural network models of eddy current multi-frequency system for nondestructive testing | |
CN114487976A (zh) | 一种mcm电子式互感器校验仪溯源不确定度评定方法及*** | |
CN111579647B (zh) | 基于层次分析法的混凝土构件腐蚀程度检测方法及*** | |
CN115096987B (zh) | 一种基于漏磁信号特征的管道缺陷量化方法 | |
CN106761666B (zh) | 一种四探头散射伽马测井及非线性数据反演的方法及装置 | |
Peng et al. | A lift-off revision method for magnetic flux leakage measurement signal | |
CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN115935241A (zh) | 一种多参数相互融合的清管器实时定位方法及装置 | |
CN113075289B (zh) | 一种金属圆柱缺陷参数检测方法及*** | |
CN115371536A (zh) | 一种金属管道裂纹测量方法及*** | |
Ji et al. | LS-SVMs-based reconstruction of 3-D defect profile from magnetic flux leakage signals | |
CN111197471B (zh) | 井下筛管瞬变电磁检测计算模型及检测方法 | |
US20180306023A1 (en) | Two-dimensional imaging with multi-stage processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |