李立剛，萬 勇，王 宇，楊 勇，戴永壽

（1.中國石油大學（華東）海洋與空間信息學院，青島266580；2.中國石油大學（華東）控制科學與工程學院，青島266580；3.中國石化股份勝利油田分公司技術檢測中心，東營257000）

油氣輸送管道在使用過程中，由于自身的質量問題和外界環(huán)境的影響，會產生各種腐蝕缺陷。腐蝕缺陷是肉眼明顯可見的一種臨近破壞的缺陷，如不同深度的大面積腐蝕和穿孔等。腐蝕缺陷對管道的安全運行有較大的影響，易造成管道的破裂和泄漏等事故，威脅人們的生命財產安全。因此，開展管道腐蝕檢測對于管道隱患的整治以及防止管道破裂事故等都具有重要的指導意義［1-2］。

金屬磁記憶檢測技術是由俄羅斯學者DOUBOV等于20世紀90年代末提出的一種新型無損檢測技術［3-4］。該方法已被證實能對鐵磁性材料的早期損傷進行有效檢測。與其他無損檢測方法相比，它具有能發(fā)現(xiàn)早期應力集中缺陷的優(yōu)點，并且檢測過程中不需要管道停運，因此是實現(xiàn)管道缺陷檢測的一種優(yōu)越的手段。其基本工作原理如下［5-7］：鐵磁構件在地磁場環(huán)境中，受到外界載荷的作用，構件受外界載荷作用處會產生一定的應力集中，以對抗自身所受外界載荷的作用，這個應力集中會造成鐵磁構件內部的磁疇組織重新取向，重新取向過程是一種不可逆的變化，這種不可逆變化會一直保留，從而導致鐵磁構件在應力集中位置產生漏磁場。然而，通過磁記憶原始信號本身只能判斷被檢測管道有無缺陷，無法對腐蝕缺陷的深度特征進行判斷，從而無法實現(xiàn)對管道缺陷的分級別預警［8］。

在對金屬磁記憶技術進行研究的過程中，周俊華根據得到的地磁場中受應力作用的金屬桿件的漏磁場有效場表達式，解釋了鐵磁性材料在應力集中處的漏磁場的切向分量出現(xiàn)最大值，同時法向分量為零值的現(xiàn)象［9］。溫偉剛等從晶體結構出發(fā)，解釋了磁記憶現(xiàn)象的內部原因取決于鐵磁晶體微觀結構特點［10］。丁輝等通過建立裂紋類缺陷應力場與磁通量變化間的數學模型，闡明裂紋埋藏深度、寬度、走向、受力條件及外磁場等不同時的磁通量變化規(guī)律，為磁記憶檢測裂紋類缺陷提供了理論依據［11］。黃松嶺等研究了焊縫附近殘余應力分布和試件表面磁感應強度垂直分量的關系，研究表明，二者具有較好的一致性［12］。祖瑞麗通過微磁學理論對磁記憶技術的檢測機理進行了闡述［13］。上述專家學者從機理上對磁記憶技術進行了研究，但沒有針對具體的缺陷特征進行研究和分析。王進等［14-18］針對磁記憶信號的特征提取方向進行了研究，可為缺陷特征提取提供參考，但仍然沒有解決具體的缺陷深度特征反演問題。龔利紅等［19］將感知器神經網絡模型應用在基于金屬磁記憶技術的管道缺陷判別中，實現(xiàn)了對管道缺陷的分類識別。陳文明等［20］通過比較缺陷信號與已知類型的缺陷模板的匹配程度來判別缺陷類型，分類效果顯著。龔利紅等［21］將線性判別分析模型應用在識別應力集中和宏觀裂紋這兩種缺陷之中，也取得了不錯的分類效果。劉書俊等［22］利用BP神經網絡的方法同樣實現(xiàn)了對無缺陷、應力集中和裂紋管道缺陷的檢測和識別。上述專家學者雖然對管道缺陷的識別進行了有益的研究，但是沒能準確且定量識別管道缺陷的深度。

由以上研究現(xiàn)狀可知，雖然磁記憶技術在檢測機理、缺陷信號分析及管道缺陷識別領域已有相關研究，但是仍然存在信號特征量類型提取不全面以及沒有解決管道缺陷深度特征的反演等問題。因此，為了解決以上問題，本工作開展了管道缺陷深度的定量化反演方法的研究。

1 支持向量機方法的原理

管道的磁記憶信號包含豐富的特征信息，這使得缺陷深度的定量化研究在高維空間中進行，從而導致“維度災難”問題，使問題變得復雜。主要存在的困難包括：其一，對缺陷深度的定量化反演研究很難在高維空間、有限訓練樣本的條件下進行；其二，在實際條件的限制下，取得大量樣本耗時久且代價很高。因此，管道缺陷深度的定量化反演問題是一種小樣本回歸預測問題。

支持向量機（SVM，support vector mechine）是模式識別技術中的一種小樣本機器學習算法，它通過尋求結構化風險最小來提高學習機泛化能力，實現(xiàn)經驗風險和置信范圍的最小化，從而達到在統(tǒng)計樣本量較少的情況下，亦能獲得良好統(tǒng)計規(guī)律的目的。也就是說，SVM的本質思想就是尋找一個最優(yōu)超平面，將屬于2個類別的樣本無誤地分開，且分類間隙最大。所謂的分類間隙是指兩類樣本中離分類超平面最近的樣本，且平行于分類超平面的兩個超平面間的距離。管道缺陷深度的定量化反演問題本質是一種數據的回歸預測問題，而非分類問題，即找出多種特征量（自變量）和管道缺陷深度（因變量）之間函數關系的近似表達，然后利用已知特征量反演管道缺陷的深度。SVM應用于回歸預測時，其基本思想不再是尋找一個最優(yōu)平面使得兩類樣本分開，而是尋找一個最優(yōu)分類面使得所有訓練樣本離該分類面的誤差最小。

SVM可以很好地解決小樣本、高維度、非線性問題，適合于管道缺陷深度的定量化反演研究。因此，為了充分發(fā)揮金屬磁記憶檢測技術在管道缺陷預警方面的優(yōu)勢，實現(xiàn)對管道缺陷的精準識別，提高磁記憶技術的應用水平，本工作基于支持向量機的回歸預測能力建立了管道缺陷深度的定量化反演模型，并對模型的識別效果進行了驗證。

2 測試件磁記憶檢測試驗

在缺陷深度定量化反演研究過程中，需要獲取不同深度缺陷的磁記憶數據，用以進行缺陷深度數據的特征分析并選擇有效的反演方法建模，實現(xiàn)管道缺陷深度的反演識別。由于管道缺陷的類型多樣且復雜，管道所處的環(huán)境、管道的材質、檢測過程中的提離值、儀器噪聲及不同的缺陷大小形狀均對數據存在較大影響，所以目前尚無有效的磁記憶數據模擬仿真方法能夠有效且準確地模擬出不同類型缺陷的磁記憶數據。為了克服缺少數據仿真方法的困難，解決缺少磁記憶數據的問題，本工作設計并制造了5根管道測試件，并進行了管道測試件的磁記憶檢測試驗，獲取了管道不同深度缺陷的磁記憶數據，以真實準確的實測數據代替模擬仿真數據，提升模型的實際應用效果。

2.1 測試件的設計

磁記憶數據檢測試驗的試驗對象是5根仿照油氣輸送管道制造的圓孔腐蝕缺陷測試件，分別命名為1～5號腐蝕測試件。測試件使用φ114無縫鋼管制成，壁厚1.5 cm，長6.3 m，材料質地符合國標要求，國內多數油氣輸送管道采用φ114無縫鋼管制作，因此φ114無縫鋼管基本可以用于代表目前油氣管道的類型。每個測試件包含兩個圓孔腐蝕段。每個腐蝕段（每個測試件共兩個腐蝕段，一共10個圓孔腐蝕段，10種不同的深度）都有3個深度相同且肉眼明顯可見的腐蝕圓孔，可視為腐蝕缺陷。5根測試件僅圓孔腐蝕缺陷的特征存在區(qū)別，其余直徑、長度等特征均相同，故可以排除測試件本身材質等因素的影響，便于對不同深度缺陷的磁記憶數據進行對比和分析。其實物圖與結構圖如圖1所示，具體特征如表1所示。

2.2 試驗方法

試驗使用由俄羅斯動力診斷公司生產的TSC-5M型磁記憶檢測儀，它能有效評估設備的應力變形狀況，并測定應力集中區(qū)，特別適合于大直徑管道100%的接觸式檢測，埋地管道的非接觸式檢測，以及其他大型結構件的檢測，是目前該領域國內外研究工作者普遍使用的一種磁記憶檢測設備，也是最先進的磁記憶檢測設備之一，其主機實物圖和探頭實物圖如圖2所示。

該儀器共有4個探頭（1～4號探頭），每個探頭可以檢測該探頭位置磁記憶信號的3個分量，即X分量、Y分量和Z分量，因此該儀器共可檢測12個通道（HP1～HP12）的磁記憶信號。磁記憶檢測儀直接檢測獲取的信號就是漏磁場的強度信號（HP），單位是A／m，通過對磁場強度信號的計算和分解可以得到多種不同類型的特征量。該儀器在檢測鐵磁構件的磁記憶信號時，儀器探頭采用打點計數的方式采集信號，在移動過程中，每一個點位對應該處的漏磁場強度，因此只需將儀器的感應探頭垂直在鐵磁構件上方一定距離進行一次掃描，即可獲取掃描區(qū)域的磁記憶信號。

圖1 圓孔腐蝕測試件的實物及結構圖Fig.1 Physical photo（a）and structural drawing（b）of the round hole corrosion test piece

表1 圓孔腐蝕測試件特征統(tǒng)計表Tab.1 Characteristic statistics of round hole corrosion test pieces

圖2 TSC-5M磁記憶檢測儀的主機實物圖及探頭實物圖Fig.2 Host（a）and probe（b）of TSC-5M magnetic memory tester

對5根測試件分別開展了提離距離0～15 cm的磁記憶信號檢測試驗，并對每個測試件重復采集3次數據，共獲得240組試驗數據。通過檢查數據，發(fā)現(xiàn)在采集數據的過程中，存在檢測者移動速度過快的現(xiàn)象，導致了儀器探頭在檢測過程中打點計數量過少，缺陷的特征信息不夠明顯，從而導致部分數據出現(xiàn)不準確的問題，因此刪除了多組存在缺陷的數據，每根管道測試件各留下20組試驗數據，共100組試驗數據。

3 特征量的選擇與計算

由研究背景可知，原始磁記憶信號本身無法實現(xiàn)對腐蝕缺陷的定量化區(qū)分和識別，因此管道缺陷段磁記憶信號的特征提取是建立缺陷定量化反演模型的必需工作。對管道磁記憶信號的分析提取主要包括信號形態(tài)特征、時域特征和頻域特征三個方面。根據已有的研究發(fā)現(xiàn)，不同的分析方法可以得到不同的特征信息，但這些特征信息大都是以分析為主，其提取的特征量用于輔助診斷和信號分析，對管道缺陷定量化研究目前還沒有明確的固定特征量分析要求。因此，本工作全面考慮了數據的形態(tài)特征、時域特征和頻域特征，計算得到了多種不同類型的數據特征量。

在特征量的計算過程中，由于單個腐蝕缺陷孔面積過小，不利于體現(xiàn)腐蝕缺陷磁記憶信號的數據特征，因此將每段3個相同深度的圓孔腐蝕缺陷段數據提出并整合為一個缺陷數據段，作為一種深度的缺陷數據。由于各測試件上腐蝕段的連續(xù)3個圓孔的總面積是一樣的，腐蝕缺陷的總面積相同，因此整合后不同深度腐蝕缺陷的面積也相同，排除缺陷面積因素的影響。

3.1 形態(tài)特征

形態(tài)特征是指磁記憶信號在直觀上的某些特點，如信號的陡峭程度，信號與坐標軸圍成的面積等。通過計算，分別得到如下特征量：各通道缺陷段信號與X軸圍成的面積，即信號在缺陷段的積分、各通道缺陷段信號磁場梯度最大值以及磁場梯度平均值。

各通道缺陷段信號與X軸圍成的面積就是信號幅度的積分，由于磁記憶信號是數字信號，其計算方法為各點信號幅度值的和。

磁場梯度用于表征磁場強度信號的變化率，信號波動的程度，也是金屬磁記憶檢測管道應力集中的常用特征量，也可嘗試用于識別兩種類型的缺陷，其計算公式如式（1）所示。

其中，Hmax表示連續(xù)4個采樣點磁場強度最大值；Hmin表示連續(xù)4個采樣點磁場強度最小值；d表示4個采樣點對應的檢測距離。磁場梯度最大值以及平均值分別是缺陷段磁記憶信號多個磁場梯度中的最大值和多個磁場梯度值的求平均。

3.2 時域特征

在信號的時域特征提取過程中，提取了缺陷段磁記憶信號的磁場強度平均值、最大值、最小值、磁場強度的峰峰值和信號的能量。

峰峰值，即一個管道缺陷段內信號的最大值和最小值之間的差值。它描述了管道缺陷信號值的變化范圍大小。峰峰值作為信號最大值和最小值的差值，只有正值，無負值。

磁記憶信號的能量，就是信號幅度平方的積分，由于磁記憶信號是數字信號，能量為各點信號幅度值平方后的求和。

3.3 頻域特征

對信號進行形態(tài)和時域特征分析計算時，會有部分信號的特征參數相同，但信號不僅隨時間變化，還與頻率、相位等信息有關，因此并不能說明信號是完全相同的。為了避免這種情況在建模時產生誤差，本工作進一步分析了信號的頻率結構，并在頻率域中對信號的特點進行描述。由于所使用的磁記憶信號檢測儀打點采樣頻率較低，且磁記憶信號是不平穩(wěn)信號。因此考慮對磁記憶信號進行小波包分解，以獲取缺陷段的頻域特征。

小波包分解具有良好的時頻特性，能克服傳統(tǒng)傅里葉變換的不足，是一種比小波變換更為精確的分析方法，它除了對信號的低頻部分進行分解外，還對信號的高頻部分同樣作了進一步分解，從而提高信號的時頻分辨率。小波包分解可以將原始信號投射到由一組相互正交的由小波函數構成的子空間中，在這個子空間中以不同的程度展開原始信號，使信號能夠在多頻帶上進行分解，用以提取不同頻帶上的原始信號特征。由于各頻帶均包含了豐富的信息，其能量分布可以表征信號的不同特性，因此小波包能量可作為磁記憶信號頻域特征的有效特征量，用于缺陷深度定量化反演方法的建模。

以三層小波包分解為例來解釋小波包能量的計算方式，小波包三層分解的結構如圖3所示。

圖3 三層小波包分解的結構圖Fig.3 Structure diagram of three-layer wavelet packet decomposition

圖3 中，Si，j表示第i層的第j個節(jié)點，其中，i＝0，1，2，3，j＝0，1，…，7。每個節(jié)點的系數表示相應頻段的信號特征。設S3，j中某一頻段的小波包分解系數為m i，k（j＝0，1，…，7，k＝1，2，…，n），則該頻段的小波包能量為：

在計算磁記憶信號的小波包能量時，采用三層小波包分解，通過對磁記憶信號作離散傅里葉變換，發(fā)現(xiàn)信號的低頻成分占比較大，高頻成分幾乎為0，因此提取的缺陷段磁記憶信號的小波包能量為節(jié)點S3，0低頻段的小波包能量。

4 支持向量機缺陷深度預測模型建模及結果驗證

在計算得到5根管道測試件缺陷信號的多種特征量后，利用5個管道測試件缺陷段的三類特征量組合建立支持向量機管道缺陷定量化預測模型，模型核函數選擇高斯核函數（RBF），對10種不同深度缺陷的預測結果分別設為1，2，4，6，8，9，10，12，14，15，分別對應深度為1，2，4，6，8，9，10，12，14，15 mm的缺陷。使用平均誤差及均方根誤差對模型的預測效果進行描述和評估。平均誤差是樣本預測值與真實值之差的平均值，它的大小可以直觀反映反演預測效果的好壞；均方根誤差在本小節(jié)是指深度估計值與深度真實值之差的平方的平均值再開方，記為RMSE。RMSE可以有效地評價深度預測值的變化程度，RMSE越小，說明缺陷深度預測模型描述真實深度數據的精確度越好。

在建模研究過程中，利用不同通道三種類型特征量的不同組合建立了多個缺陷定量化一寸模型，對比了各模型的預測效果，以選擇最合適的特征量進行建模。經驗證發(fā)現(xiàn)，選擇以下通道的固定特征量建模，模型的預測效果相對較好。具體通道及特征量如表2所示。

表2 建模特征量的統(tǒng)計表Tab.2 Statistical table of modeling feature quantities

由上文可知5根測試件各有20組試驗數據，每組數據中包含2個圓孔腐蝕段數據，因此共得到200組圓孔腐蝕段數據。設置模型在200組腐蝕段中隨機選取160組建模，剩余的40組用于預測驗證。隨機產生10組模型及其預測結果，僅列出第1、2組的結果如圖4所示，10組模型總的預測結果經統(tǒng)計如表3所示，模型對不同深度圓孔的預測結果平均值如表4所示。

綜上所述，本工作隨機建模10次，模型預測結果的平均誤差為2.398 mm，均方根誤差為3.205 mm，由此可見，支持向量機方法對1～15 mm深度的管道腐蝕缺陷預測的效果較好。由不同深度圓孔預測結果平均值的統(tǒng)計結果可知，模型對深度較小的腐蝕圓孔預測效果較差，誤差偏大。其可能原因是深度較小的腐蝕圓孔，其磁記憶數據的腐蝕特征不夠明顯，從而導致模型的預測效果較差。

表3 圓孔腐蝕測試件的預測結果Tab.3 Round hole corrosion test piece inversion prediction result table

表4 不同深度圓孔反演結果平均值統(tǒng)計表Tab.4 Average statistical table of round hole inversion results at different depths

5 總結

針對磁記憶信號本身無法直接實現(xiàn)對管道腐蝕缺陷的定量化識別，無法直接判斷缺陷深度的問題，建立了一種基于支持向量機方法的管道缺陷深度定量化反演模型。經驗證，模型可以有效預測1～15 mm孔深的腐蝕缺陷，為管道缺陷特征的精準識別和管道腐蝕泄漏的及時預警奠定了基礎。雖然本文研究方向較為新穎，但模型受樣本數量的限制，其普適性有一定的限制，暫時無法適用于所有缺陷深度的識別工作，且模型對深度較小的缺陷反演效果較差。這些問題都需要在后續(xù)的研究中考慮并解決。與此同時，后續(xù)可以在此基礎上繼續(xù)開展管道缺陷的定量化反演研究，引入更多類型的缺陷特征，如腐蝕缺陷的面積、形狀等，以提高模型的反演能力和普適性，實現(xiàn)對管道缺陷特征的精準識別。