萬勇， 王永智， 楊勇， 劉超， 戴永壽

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

我國很多油氣輸送管道的運行時間過長，油氣輸送管道在長時間工作中會因環(huán)境的影響以及自身的材質問題而發(fā)生各種各樣的缺陷，其中以腐蝕缺陷、彎管應力集中缺陷、焊縫應力集中缺陷為主。腐蝕缺陷是肉眼明顯可見的一種缺陷類型，如管道大面積腐蝕氧化、管道表面破損以及管道穿孔等，腐蝕缺陷嚴重威脅管道的正常運行；應力集中缺陷，主要包括彎管應力集中和焊縫應力集中缺陷，并且無法肉眼直接觀察，隨著時間推移很可能轉化為腐蝕缺陷，缺陷隨時間推移越發(fā)嚴重，最終可能會導致管道的破裂以及油氣泄漏，造成經(jīng)濟損失和人員傷亡。只有尋找出腐蝕缺陷和應力集中區(qū)域，才能根據(jù)缺陷的類別相應地采取防治措施，因此，缺陷的檢測及分類對于確保油氣管道的正常運行具有重要意義[1-2]。

近幾年，金屬磁記憶技術逐漸興起[3-4]，相比于超聲波檢測等傳統(tǒng)無損檢測技術，金屬磁記憶技術可保證管道在正常運行情況下進行檢測[5-7]，并且最為重要的是它可以發(fā)現(xiàn)管道早期的應力集中部位，這對管道缺陷的預防至關重要，這也解釋了為什么金屬磁記憶技術近些年被廣泛應用于各領域[8-9]。該技術檢測應力集中部位是建立在金屬磁記憶效應的基礎上，即在地磁場環(huán)境下，鐵磁性材料受到作用力時，在應力集中部位會產(chǎn)生具有磁致伸縮性質的磁疇組織定向和不可逆的重新取向，在金屬表面形成漏磁場。在應力集中部位，漏磁場切向分量達到最大，法向分量達到零值并改變符號[10-12]。根據(jù)這種不可逆的磁狀態(tài)可以找到應力集中部位。

在對金屬磁記憶技術的探索過程中，祖瑞麗等[13]以平板半圓形缺口測試件為實驗對象，研究其不同拉伸狀態(tài)下的測試件磁信號的變化，研究表明測試件拉伸狀態(tài)下應力集中部位磁信號變化與測試件磁化強度矢量的變化趨同，為金屬磁記憶檢測技術的機理研究打下基礎。Xu等[14]通過研究表明磁記憶檢測方法可以檢測出埋置缺陷，并發(fā)現(xiàn)磁場強度及其梯度隨埋深的增加而減小。同一缺陷磁場強度及其梯度在外載荷作用下先減小后增大，在臨界斷裂階段急劇增大。研究結果對磁記憶技術應用于缺陷檢測具有重要意義。丁輝等[15]研究對象是裂紋類缺陷，通過采集其不同應力下的磁通量，建立了兩者之間的數(shù)學模型，該模型解釋了裂紋寬度、走向等特征改變時的磁通量變化規(guī)律，研究結果對磁記憶技術檢測裂紋類缺陷意義重大。張俊斌[16]測量管道焊縫處的磁信號，研究管道焊接處裂紋應力場和磁信號特征之間的關系；上述專家針對磁記憶技術的機理做了一定的研究，找尋磁記憶信號特征與缺陷的對應關系，并沒有將磁記憶技術應用在實際中。周建庭等[17]提出了基于金屬磁記憶技術的鍍鋅鋼絞線拉索腐蝕檢測新方法，較準確地判別出了鋼絞線試件的腐蝕位置及范圍。胡治斌等[18]針對鉆具利用磁記憶技術進行疲勞損傷檢測，結果表明針對35CrMo鋼，磁信號的特征值如峰值、梯度峰值和梯度峰峰值皆可用來表征并一定程度上定量評估其疲勞損傷程度。梁志剛[19]開展實驗，使用磁記憶技術來檢測承壓類設備。上述專家對磁記憶檢測技術的應用作了初步探索，但未能實現(xiàn)幾種缺陷的分類識別。陳文明等[20]采集已知類型缺陷的磁信號通過比較其與缺陷模板的匹配程度來判定識別缺陷類型，識別效果很好。龔利紅等[21]針對宏觀裂紋缺陷和應力集中缺陷采集磁信號，使用線性判別分析模型來對其進行識別，識別效果也很好。然而上述研究的識別模型仍然存在模型普適性差、缺陷種類少、數(shù)據(jù)樣本少以及未能應用于油田現(xiàn)場等問題。

因此，為了將金屬磁記憶技術更好地應用于管道缺陷分類檢測，本文針對油氣管道威脅最大的腐蝕缺陷、彎管應力集中和焊縫應力集中，使用磁通門磁力計采集管道測試件漏磁信號，計算其特征量并利用協(xié)同表示分類方法(CRC)、傳統(tǒng)支持向量機方法(libsvm)和改進支持向量機方法(liblinear)建立了多個管道缺陷分類模型并驗證了模型的分類效果，從中選取最優(yōu)的模型。

1 管道測試件的設計制作及磁信號采集實驗

1.1 測試件的設計制作

為開展實驗室環(huán)境下的管道多缺陷分類模型的建立及驗證，首先要采集建立模型所需要的信號數(shù)據(jù)，為此制作了30根管道測試件，分別命名為SY-001號—SY-030號測試件，每根測試件上面帶有不同類型、大小、深度的缺陷。本次實驗的30根測試件是仿照油氣輸送管道制造的，使用油田管道材料Q235鋼管制成，直徑有219 mm和426 mm 2種。其中包含圓孔腐蝕缺陷共31處，大小分別是10 mm×10 mm、15 mm×15 mm、20 mm×20 mm，深度分別是30%壁厚、40%壁厚、50%壁厚、100%壁厚(通孔)；彎管缺陷共6處；焊縫缺陷共11處(包括彎管處焊縫)。

腐蝕缺陷即管道測試件上的腐蝕圓孔；彎管應力集中缺陷即管道測試件上未經(jīng)淬火處理的彎管段；焊縫應力集中缺陷即管道測試件上的焊縫，包括彎管段與直管段連接處的焊縫以及直管段上的焊縫。

以SY-016號測試件為例，測試件上含有3種缺陷：腐蝕，焊縫應力集中，彎管應力集中。

測試件設計圖如圖1所示，測試件實物圖如圖2所示。

圖1 SY-016號測試件設計Fig.1 Design drawing of SY-016 test piece

圖2 SY-016號測試件實物Fig.2 Physical drawing of SY-016 test piece

1.2 磁信號采集實驗

1.2.1 實驗儀器

測試件制作完畢后，需要采集管道測試件的漏磁信號，實驗使用的儀器是磁通門磁力計，該設備分辨率高，為10-5A/m，適合于小缺陷的檢測，該儀器有2個探頭，每個探頭可測3個分量(X分量、Y分量、Z分量)，磁記憶檢測儀直接檢測獲取的信號就是漏磁場的磁感應強度信號，單位是納特(nT)。磁通門磁力計如圖3所示。

圖3 磁通門磁力計實物Fig.3 Physical drawing of fluxgate magnetometer

1.2.2 實驗過程

實驗過程中使探頭垂直于管道按照不同提離高度緩慢地勻速從管道上方經(jīng)過采集漏磁信號，以SY-001管道測試件信號采集過程為例，從0～100 cm每隔5 cm取一個提離高度，共取21個提離高度，在每個提離高度下開展2次信號采集實驗，得到了42組信號數(shù)據(jù)。30根管道測試件總共采集得到了1 260組漏磁信號磁感應強度數(shù)據(jù)，得到了磁感應強度樣本庫，其中每組數(shù)據(jù)中又分為9個通道，包括探頭本身的6個通道(X1，Y1，Z1，X2，Y2，Z2)和作差得到的3個通道(X1-X2，Y1-Y2，Z1-Z2)。

2 管道多缺陷智能識別方法建模

2.1 數(shù)據(jù)預處理及缺陷段數(shù)據(jù)的提取

由于磁通門磁力計采集獲得的原始數(shù)據(jù)中含有極少量的數(shù)據(jù)空缺行，因此需要對原始數(shù)據(jù)進行數(shù)據(jù)清洗，剔除無效數(shù)據(jù)，即將原始數(shù)據(jù)中空缺的數(shù)據(jù)行刪掉。磁通門磁力計按照一定頻率采集，實驗過程中保持勻速，因此獲得的原始數(shù)據(jù)中的總點數(shù)可看作與管道全長對應。故可根據(jù)缺陷在管道上的位置還有缺陷的大小找到原始數(shù)據(jù)中對應于缺陷處的數(shù)據(jù)點并提取出來，并將提取出的一段數(shù)據(jù)點稱為缺陷段數(shù)據(jù)。以SY-001管道測試件為例，在管道的正中間有一處腐蝕缺陷，直徑為1 cm，取以腐蝕缺陷為中心向兩側延伸的全長為6 cm的一段管道，而后從采集得到的原始數(shù)據(jù)中提取該段管道對應的一段數(shù)據(jù)點作為缺陷段數(shù)據(jù)。一處缺陷對應一組缺陷段數(shù)據(jù)，對于包含多處缺陷的管道，提取出多組缺陷段數(shù)據(jù)。所有的缺陷段數(shù)據(jù)構成缺陷段數(shù)據(jù)樣本庫。

2.2 特征量計算

為得到缺陷分類模型輸入所需的特征量，本文對缺陷段數(shù)據(jù)庫中每個通道的缺陷段數(shù)據(jù)計算了3類共9種特征量，包括時域特征量：峰峰值、最大值、最小值、平均值、能量；形態(tài)學特征量：信號與X軸圍成的面積值、梯度最大值、梯度平均值；頻域特征量：小波包能量。對9個通道的所有缺陷段數(shù)據(jù)分別計算9種特征量得到了特征量樣本庫。

2.2.1 時域特征量

峰峰值在本文指一個缺陷段數(shù)據(jù)的最高值與最低值之間的差值。

磁記憶信號的能量，就是缺陷段信號的均方值，即缺陷段信號平方的平均。

2.2.2 形態(tài)學特征量

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(shù)字信號，該面積值為各點信號幅度值的和。

磁感應強度梯度可描述信號的波動程度變化率，其計算公式為：

(1)

式中：以連續(xù)4個采樣點為一組將原始磁信號數(shù)據(jù)劃分，HPmax表示每組采樣點中磁感應強度的最大值；HPmin表示每組采樣點中磁感應強度的最小值；d表示每組中4個采樣點對應的檢測距離。磁感應強度梯度最大值以及平均值分別為缺陷段數(shù)據(jù)中多個磁感應強度梯度的最大值和平均值。

2.2.3 頻域特征量

本文使用的頻域特征量為小波包能量，由3層小波包分解得到。其分解示意圖如圖4所示。

圖4 3層小波包分解結構Fig.4 Three layer wavelet packet decomposition structure

Si,j即第i層的第j個節(jié)點，i=0,1,2,3,j=0,1,…,7。假設S3，j中某頻段小波包分解系數(shù)是mj,k(j=0,1,…,7,k=1,2,…,n)，那么該頻段的小波包能量即為:

(2)

本文對缺陷段數(shù)據(jù)作離散傅里葉變換，觀察得數(shù)據(jù)的低頻成分占比大，基本集中在S3,0低頻段，因此本文使用該段的小波包能量。

2.3 分類器方法

考慮到建模樣本的數(shù)量相對較少的實際情況，本文選擇了適用于小樣本的3種機器學習的方法：一般的支持向量機(libsvm)、改進的支持向量機(liblinear)、協(xié)同表示(CRC)。3種分類器方法比較見表1。

表1 分類器方法比較Table 1 Comparison of classifier methods

2.4 基于磁通門磁力計的油氣管道多缺陷智能識別分類方法建模

2.4.1 建模數(shù)據(jù)集及驗證數(shù)據(jù)集的選取

本文計算的9種特征量各分為9個通道，共計81個通道的特征量，其中選取了部分通道的特征量構建建模和驗證數(shù)據(jù)集，共設計了很多種搭配方案，其中最具代表性的3種方案如表2所示。

表2 方案1特征量組合Table 2 Combination of characteristic quantities in scheme 1

表3 方案2特征量組合Table 3 Combination of characteristic quantities in scheme 2

以方案一為例詳細介紹建模數(shù)據(jù)集和驗證數(shù)據(jù)集的構成：方案一的每種特征量中含有21個提離距離下的數(shù)據(jù)，從中挑選出提離距離為0、10、15、25、30、40、45、55、60、70、75、85、90、100 cm的數(shù)據(jù)作為建模數(shù)據(jù)集的樣本。剩余的提離距離即5、20、35、50、65、80、95 cm的數(shù)據(jù)作為驗證數(shù)據(jù)集的樣本。

2.4.2 最優(yōu)分類器方法的確定

最優(yōu)分類器方法的確定思路為使用方案1的特征量組合構建建模數(shù)據(jù)集和驗證數(shù)據(jù)集，然后使用3種分類器方法分別訓練缺陷分類模型，根據(jù)模型的識別效果及速度尋找最優(yōu)分類器方法。

表4 方案3特征量組合Table 4 Combination of characteristic quantities in scheme 3

1)建模和驗證數(shù)據(jù)集構建。

選用方案一的特征量組合來構建建模數(shù)據(jù)集和驗證數(shù)據(jù)集其中，建模數(shù)據(jù)集共1 323組樣本。其中腐蝕缺陷樣本數(shù)為840組，彎管應力集中樣本數(shù)為140組，焊縫應力集中樣本數(shù)為252組。驗證數(shù)據(jù)集共616組樣本，其中腐蝕缺陷樣本數(shù)為420組，彎管應力集中樣本數(shù)為70組，焊縫應力集中樣本數(shù)為126組。

2)分類模型訓練及驗證。

分別采用libsvm、liblinear、CRC 3種方法建立缺陷分類模型，如圖5～7所示。圖中縱坐標的1、2、3分別代表腐蝕缺陷、彎管應力集中缺陷、焊縫應力集中缺陷。圖中星號代表缺陷的真實類型，圓圈代表模型的識別類型，兩者重合，代表模型成功識別該處缺陷；反之，識別錯誤。將3種模型的識別結果歸納整理為表5。

圖5 libsvm方法得到的模型Fig.5 The model by libsvm model

圖6 liblinear方法得到的模型Fig.6 The model by liblinear model

圖7 CRC方法得到的模型Fig.7 The model by CRC model

由表5可得，libsvm和liblinear方法訓練的模型的識別率明顯高于CRC方法，達到了98%以上，并且liblinear和CRC方法訓練模型的速度明顯快于libsvm方法，模型的速度快意味著可以很好地應用于實際，因此綜合識別率和訓練速度，liblinear方法為最優(yōu)分類器方法，這也同liblinear方法適合小樣本、速度快的理論特點相符合。

表5 3種模型分類效果Table 5 Classification effect of three models

2.4.3 最優(yōu)特征量組合的確定

最優(yōu)特征量組合的確定思路是嘗試多種特征量組合方案來構建建模數(shù)據(jù)集、驗證數(shù)據(jù)集，并使用最優(yōu)分類器liblinear方法來建立缺陷分類模型，根據(jù)模型的分類效果確定最優(yōu)的特征量組合方案，得到的模型即為最優(yōu)的缺陷分類模型。下面介紹使用特征量組合方案1、2、3所建立的模型，3種模型的分類效果如圖8～10所示。3種模型的識別效果指標歸納到表6中。

圖8 方案1特征量組合建立的模型Fig.8 Model established by combination of feature quantities in scheme 1

圖9 方案2特征量組合建立的模型Fig.9 Model established by combination of feature quantities in scheme 2

圖10 方案3特征量組合建立的模型Fig.10 Model established by combination of feature quantities in scheme 3

由圖表可得：3個特征量組合方案對應的模型分類效果都達到了98%以上，并且對腐蝕缺陷和彎管應力集中缺陷的識別率均為100%，其中方案3對應的模型分類效果最好，對腐蝕樣本和彎管樣本全部正確識別，對焊縫樣本識別率為97.619 0%，總識別率達到了99.513 0%，僅對少量焊縫樣本識別錯誤。即特征量組合方案3是最優(yōu)特征量組合方案，其對應的使用liblinear方法建立的模型為最優(yōu)模型。

2.4.4 提離距離影響研究

為探究提離距離是否會對模型的分類效果產(chǎn)生影響，本文使用提離距離為0～50 cm的樣本建立建模數(shù)據(jù)集和驗證數(shù)據(jù)集。即挑選出提離距離為0、5、15、20、30、35、45、50 cm的數(shù)據(jù)作為建模數(shù)據(jù)集的樣本，共704組樣本。其中腐蝕缺陷樣本數(shù)為480組，彎管應力集中樣本數(shù)為80組，焊縫應力集中樣本數(shù)為144組；挑選提離距離為10、25、40 cm的數(shù)據(jù)作為驗證數(shù)據(jù)集的樣本，共264組樣本。其中腐蝕缺陷樣本數(shù)為180組，彎管應力集中樣本數(shù)為30組，焊縫應力集中樣本數(shù)為54組。特征量組合方案、分類器方法與最優(yōu)分類模型保持一致，模型的分類效果如圖11所示。

由圖11可得：該模型的缺陷識別率為94.312 8%，其中彎管應力集中缺陷的識別率是100%，腐蝕缺陷和焊縫應力集中缺陷有部分樣本識別錯誤，相比較于提離距離為0～100 cm的樣本建立的最優(yōu)模型，該模型的識別率略低，考慮主要原因是樣本的數(shù)量太少，影響了模型的準確性。雖然該模型的識別率略低于最優(yōu)模型，但仍高于94%，對缺陷的分類效果也很明顯，從一定程度上說明提離距離的高低不會顯著影響缺陷的識別效果。

表6 3種模型分類效果Table 6 Classification effect of three models

圖11 提離距離0～50 cm樣本建立的模型Fig.11 Model of samples with lifting distance of 0～50 cm

2.4.5 油田現(xiàn)場管道驗證

為測試上述最優(yōu)模型的實際缺陷分類情況，本文選取了3根油田現(xiàn)場的管道進行缺陷識別，其中油田現(xiàn)場管道1如圖12所示，管道全長200 cm，表面是均勻的蝕缺陷，將管道平均分為20段，利用最優(yōu)分類模型識別該20段管道上含有的缺陷類型，結果如圖13所示，圖中縱坐標的1、2、3分別代表腐蝕缺陷、彎管應力集中缺陷、焊接應力集中缺陷。

圖12 油田現(xiàn)場管道1Fig.12 Pipeline 1 in oilfield site

圖13 油田現(xiàn)場管道缺陷識別圖Fig.13 Pipeline defect identification diagram in oilfield site

由圖可得，模型對20段管道上的缺陷類型均識別為腐蝕缺陷，全部識別正確。

圖14為油田現(xiàn)場管道2，管道上包含2處焊縫應力集中缺陷以及一處彎管應力集中缺陷，圖15為油田現(xiàn)場管道3，上面包含一處腐蝕缺陷，使用磁通門磁力計分別對2根管道在提離距離為20、60、100 cm時采集磁信號，并利用最優(yōu)分類模型對2根管道上的缺陷進行缺陷識別，識別結果如圖16。

圖14 油田現(xiàn)場管道2Fig.14 Pipeline 2 in oilfield site

圖15 油田現(xiàn)場管道3Fig.15 Pipeline 3 in oilfield site

圖16 油田現(xiàn)場管道2、3缺陷識別圖Fig.16 Defect identification of field pipelines 2 and 3

由圖可得，模型對2個管道上的4處缺陷全部正確識別。由此可見，最優(yōu)分類模型可應用于實際中腐蝕、彎管應力集中、焊縫應力集中3種缺陷的識別，并且缺陷識別效果顯著。

3 結論

1)建立的過程為先采集測試件的磁記憶數(shù)據(jù)，待數(shù)據(jù)清洗后，提取缺陷段數(shù)據(jù)并計算缺陷段特征量，按照多種特征量搭配方案構建建模數(shù)據(jù)集和驗證數(shù)據(jù)集，首先確定最優(yōu)分類器方法，而后尋找最優(yōu)特征量組合方案，進而得到最優(yōu)的分類模型。

2)該最優(yōu)模型對3種缺陷識別分類準確率達到了99.513 0%，并且適用于油田現(xiàn)場管道檢測。

3)本文中缺陷段的提取、特征量的計算、以及特征量的組合方案可為后續(xù)信號特征研究以及缺陷的進一步分類研究提供參考。