基于BP神經網絡的磁記憶檢測管道缺陷研究

劉書俊 蔣 明 張偉明 雍歧衛 何德安

(后勤工程學院軍事供油工程系，重慶 401311)

基于BP神經網絡的磁記憶檢測管道缺陷研究

劉書俊 蔣 明 張偉明 雍歧衛 何德安

(后勤工程學院軍事供油工程系，重慶 401311)

基于BP神經網絡的磁記憶檢測技術設計了3個單輸出方式的三層BP神經網絡，對無缺陷、應力集中和裂紋管道缺陷進行了檢測識別。實驗結果表明：管道缺陷識別率達97.5%，提高了管道缺陷的識別率。

磁記憶檢測 BP神經網絡 管道缺陷

石油天然氣的管道運輸是一種經濟且高效的運輸方式。由于石油天然氣自身具有易燃易爆等特點，因此油氣管道運輸的安全性至關重要。近年來，管道的完整性管理成為管道工程領域的研究熱點。工程實踐表明，埋地管道一旦發生穿孔或斷裂，將造成環境污染、經濟損失甚至引發火災及爆炸等嚴重事故。因此，全面掌握管道狀況，變過去的事故后維修為提前預防具有重要意義。傳統的無損檢測技術(如超聲、射線及渦流等)只能針對已發展成形的宏觀缺陷或絕大多數較為顯著的微觀缺陷，檢測設備不僅操作程序復雜，而且對于在役金屬設備的早期損傷，特別是尚未發展成形的、隱性的、不連續的變化無能為力，無法對潛在的危險做出預警[1,2]。人工神經網絡是模擬人腦活動和激勵行為的并行非線性人工系統，已有學者利用該網絡對管道失效模式進行了識別[3～5]。筆者提出一種基于BP神經網絡的磁記憶檢測管道缺陷研究方法。

1 磁記憶檢測技術

金屬油氣管道發生損壞的重要原因之一就是各種微觀或宏觀機械應力集中所導致的疲勞失效。20世紀90年代，俄羅斯學者Doubov A A率先提出金屬磁記憶檢測技術[6～8]，簡稱磁記憶檢測技術，其原理如圖1所示。

處于地磁場環境下工作的鐵磁性構件受載荷的作用，內部會發生磁致伸縮性質的磁疇組織定向和不可逆的重新取向，并在應力與變形集中區形成最大漏磁場HP的變化，即應力集中區域的磁場切向分量HP(x)具有最大值，而法向分量HP(y)改變符號且具有零值點。這種磁狀態的不可逆變化在工作載荷消除后依然保留，通過對漏磁場法向分量HP(y)的測定，計算出梯度值K=dHP(y)/dx，即可推斷出構件應力集中區域。

圖1 磁記憶檢測原理

根據管道裂紋的生長模型[9]，筆者將管道缺陷形式大致分為應力集中和裂紋兩種，因此也就可以將管道所處的狀態分為裂紋、應力集中和無缺陷3種形式。對于管道維護來說，針對不同的管道狀況，所采取的維護策略可能大相徑庭，因此，檢測并識別缺陷類型是十分有必要的。筆者提取油氣管道磁記憶檢測信號特征，應用BP神經網絡等現代模式識別理論，對管道缺陷進行檢測識別。

2 磁記憶檢測信號特征

有效的信號特征量提取是管道缺陷識別的關鍵之一。大量研究表明[10,11]，峰-峰值Hpp0、谷-谷值Hvv、法向梯度Ky、切向梯度Kx和波寬W是表征管道缺陷的本質特征。

如圖2所示，峰-峰值Hpp0為信號曲線極大值與極小值之差；谷-谷值Hvv是指信號中兩個谷值點之間的位移。法向梯度Ky描述了檢測信號HP在檢測方向垂直方向上的變化情況，在數值上等于檢測方向垂直方向上兩個相鄰采樣點之間的HP之差的絕對值。切向梯度Kx表示漏磁場HP沿信號切向的變化率，在數值上等于兩個相鄰采樣點之間的HP之差的絕對值與采樣點之間距離的比值。筆者定義波寬為W10，即幅度為峰值10%時的波寬。

圖2 磁記憶信號波形特征

3 BP神經網絡

BP神經網絡是一種對非線性可微分函數進行權值訓練的多層網絡，由若干層神經元組成，各層的神經元發揮著不同的作用。一個三層BP神經網絡拓撲結構如圖3所示，網絡由輸入層、中間層(隱層)和輸出層組成。

圖3 三層BP神經網絡拓撲結構

3.1神經網絡輸入節點

BP神經網絡的輸入節點為管道的磁記憶檢測信號特征向量，考慮到計算機計算量等因素，選取峰-峰值Hpp0、谷-谷值Hvv、磁記憶檢測信號法向梯度Ky、磁記憶檢測信號切向梯度Kx、磁記憶檢測信號波寬W10組成的一組向量[Hpp0,Hvv,Ky,Kx,W10]作為BP神經網絡的輸入節點。由于上述特征量具有不同的單位和量級，所以在輸入神經網絡之前應先進行歸一化處理。

3.2神經網絡隱層節點

隱層節點數n可以先根據公式初步確定，然后在實際訓練的基礎上再增加或刪除節點最終加以確定。隱層節點數計算式為：

式中a——1～10之間的任意值；

n——隱層節點數；

ni——輸入層神經元個數；

no——輸出層神經元個數。

3.3神經網絡輸出節點與輸出方式

BP神經網絡模型可以有兩種輸出方式供選擇：多輸出方式和單輸出方式。采用多輸出方式時，網絡的輸出層節點數可設置為3個，其結構如圖4a所示。在三層節點輸出方式中，由于網絡要同時適應應力集中、宏觀缺陷和無缺陷3種類別，網絡需要更多的隱層才能盡可能地減少誤差，而且學習過程往往收斂較慢。但是如果采用單輸出形式的網絡，為每種缺陷類型建立一個網絡，讓每個網絡只完成一種缺陷類型的識別，就可以解決學習過程收斂較慢的問題。而且采用單輸出網絡可以更加清楚地區分不同缺陷類別之間的模糊界限，分類識別的效果往往更佳。單輸出網絡的結構如圖4b所示。為3類缺陷建立神經網絡時，3個網絡的中間層單元數可以不相同。在建立神經網絡后，對每類缺陷的網絡分別進行訓練。當網絡輸入的特征向量與輸出缺陷類型一致時，將輸出期望值置為1；當輸入其他缺陷的特征向量時，則將輸出期望值置為0。在網絡訓練完成之后，對于一個未知缺陷的特征向量，分別將它輸入3個神經網絡進行識別。對3個神經網絡輸出的結果設置一個閾值，之后考查網絡各輸出節點的輸出，如果某一網絡的結果大于該閾值，則將缺陷歸類為該網絡對應的缺陷類型；如果有多個網絡的輸出均大于該閾值，則或將該缺陷歸類為具有最大輸出的一類，或者做出拒絕的判斷。當所有網絡的輸出均小于設定閾值時也可采取類似的決策。

a. 多輸出方式

b. 單輸出方式圖4 三層BP神經網絡的輸出方式

4 管道缺陷檢測實例

4.1實驗

實驗選取無缺陷、應力集中和裂紋樣本各200組，總600組。表1為部分樣本輸入量特征矩陣，其中，001表示樣本為無缺陷狀態，010表示樣本為應力集中狀態，100表示樣本為裂紋狀態。

表1 部分樣本輸入特征量矩陣

將480組信號作為訓練樣本，其中無缺陷、應力集中和裂紋樣本各160組，剩余120組作為測試樣本。將訓練樣本分別輸入無缺陷神經網絡、應力集中神經網絡和裂紋神經網絡，分別對隱層節點數為3～20時的網絡性能進行比較，得到3個神經網絡在不同隱層節點數時的平均訓練誤差，當隱層節點數分別為4、5、4時，神經網絡誤差均最小，且能同時滿足識別精度和訓練時間的要求。無缺陷網絡經過3 002次循環達到訓練目標，誤差為0.043 112 2；應力集中網絡經過3 934次循環達到訓練目標，誤差為0.110 931 4；裂紋網絡經過4 103次循環后達到訓練目標，誤差為0.049 043 7。

4.2識別結果分析

除100號、115號、127號樣本有識別錯誤外，其余樣本均分類正確，測試樣本識別正確率為97.5%。分析其中歸類錯誤的原因，100號、115號、127號樣本尺寸L×D×H分別為4.0×0.1×0.2、3.0×0.1×0.3、2.0×0.1×0.2(單位：mm)，是非常細微的裂紋，介于應力集中與裂紋之間，其特征值與應力集中的特征值非常相似，因此誤將它歸類為應力集中。

5 結束語

磁記憶檢測技術是一種新型的無損檢測技術，可以對鐵磁性金屬材料進行早期診斷。基于磁記憶檢測技術，筆者根據BP神經網絡理論，對管道缺陷進行了識別分類。實驗表明：基于BP神經網絡的磁記憶檢測技術提高了管道缺陷的識別率。

[1] 顏廷俊，張杰東，馮國棟，等.基于金屬磁記憶的熱采濕蒸汽發生器爐管缺陷早期檢測[J].材料工程,2011,(9)：68～71.

[2] 任吉林，林俊明，任文堅，等.金屬磁記憶檢測技術研究現狀與發展前景[J].無損檢測,2012,34(4):3～11.

[3] 韓良浩,王印培，柳曾典.基于人工神經網絡的含缺陷受壓管道失效模式的識別[J].化工機械，1997,24(3)：154～157.

[4] 宋志強，李著信，張鎮，等.碎片殘余提離效應對在役油氣管道漏磁檢測影響分析研究[J].化工機械，2010,37(5):539～543.

[5] 戴光，崔巍，楊志軍，等.換熱管漏磁檢測磁化結構有限元分析[J].化工機械，2010,37(6):726～729,743.

[6] Doubov A A. A Study of Metal Properties Using the Method of Magnetic Memory[J].Metal Science and Heat Treatment,1997,39(9):401～402.

[7] Dubov A. Principle Features of Metal Magnetic Memory Method and Inspection Tools as Compared to Known Magnetic NDT Methods[J].CINDE Journal, 2006,27(3): 16～20.

[8] 任吉林，林俊明.電磁無損檢測[M].北京：科學出版社，2008：377～379．

[9] 李慶芬,胡勝海,朱世范.斷裂力學及其工程應用[M].哈爾濱:哈爾濱大學出版社,2005:1～58.

[10] 梁志芳,李午申,王迎娜,等.焊接裂紋的金屬磁記憶信號特征[J].天津大學學報,2006,39(z1):181～184.

[11] 任吉林，孫金立，周培，等.磁記憶二維檢測的研究與工程應用[J].機械工程學報，2013,49(22):8～15.

StudyonPipelineDefectInspectionwithMagneticMemoryTestingTechnologyBasedonBPNeuralNetwork

LIU Shu-jun, JIANG Ming, ZHANG Wei-ming,YONG Qi-wei, HE De-an

(DepartmentofPetroleumSupplyEngineering,LogisticalEngineeringUniversityofPLA,Chongqing401311,China)

Basing on the neural network-based magnetic memory technology, the three-layer BP neural network which boasting of 3 single-output modes was designed to recognize pipeline defects like the stress concentration and cracks. The experiment result shows that its recognition rate can be up to 97.5%.

magnetic memory testing, BP neural network, pipeline defect

TH865

A

1000-3932(2016)03-0240-04

2015-02-27(修改稿)

后勤工程學院青年科研資助項目