基于極限學習機及磁記憶技術的管道缺陷分類方法研究

王宇 萬勇 楊勇 戴永壽

1中國石油大學（華東）信息與控制工程學院

2中國石化股份有限公司勝利油田分公司技術檢測中心

油氣輸送管道在運營過程中，由于自身存在的質量問題和外界環境的影響，會產生腐蝕和應力集中兩大類缺陷。腐蝕缺陷對管道的安全運行有較大的影響；應力集中缺陷如果不能被及時發現和處理，最終也會演變為腐蝕缺陷，從而對管道的安全運行造成威脅。因此，開展管道應力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等人提出的一種新型無損檢測技術[3-4]，基本工作原理可以描述如下[5-7]：鐵磁構件在載荷和地磁場的共同作用下，內部的磁疇結構發生不可逆變化，這種變化會導致材料在應力集中處產生漏磁場。然而，單從金屬磁記憶原始信號本身只能判斷被檢測管道有無缺陷，無法對缺陷的類型進行有效區分，從而無法實現對管道缺陷的分級別預警[8]。

針對此問題，龔利紅等人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，實現了對管道缺陷的分類識別[9]。陳文明等人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[10]。龔利紅等人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[11]。然而，上述文獻中介紹的識別方法仍然存在數據樣本少、識別模型普適性差和無油田現場實際驗證等問題。

因此，為了充分發揮磁記憶技術在管道缺陷預警方面的優勢，實現對管道鄰近破壞缺陷和早期缺陷的分階段預警，本文開展了腐蝕缺陷和應力集中缺陷分類關鍵技術的研究，利用極限學習機方法建立了管道缺陷分類模型，并驗證了方法所建模型的實際應用效果。

1 極限學習機特征提取原理

1.1 極限學習機

管道的磁記憶信號包含豐富的特征信息，因此缺陷分類在高維空間中進行，導致管道缺陷段信號的識別工作面臨較大的困難。傳統的模式識別方法如BP神經網絡，由于存在訓練學習時間較長，人為設置大量的網絡訓練參數等問題，對油田現場管道缺陷類別的快速準確診斷較為困難。

極限學習機（ELM）算法是一種簡單有效的單隱層前饋神經網絡學習算法。與傳統的神經網絡學習算法相比，極限學習機只需要設置網絡的隱層節點數量，在算法執行過程中不需要調整網絡的輸入權值以及隱元的偏置，并且產生唯一的最優解，因此具有學習速度快且泛化性能好的優點。

在分析管道缺陷的磁記憶信號時，需要算法模型可以進行快速識別和分類預測，以達到及時預警的目的，雖然極限學習機方法在其他缺陷識別診斷領域也有廣泛的應用，而在管道缺陷分類領域的研究較少。因此，本文引入極限學習機方法建立兩種固定缺陷的識別模型，并以油田現場的實際輸油管道對模型的可行性進行驗證，以確定方法的實際應用效果。

1.2 磁記憶信號的特征提取

管道缺陷磁記憶信號的特征提取是建立缺陷分類識別模型，實現缺陷分類的前提。目前，管道缺陷的分類研究還沒有明確固定的特征量分析要求；因此，本文從信號的形態、時域和頻域三方面全面計算了多種特征量。

1.2.1 形態特征

形態特征是指信號在直觀上的某些特點，如信號與坐標軸圍成的面積等。通過計算，分別得到如下形態特征量：各通道缺陷段信號與X軸圍成的面積、各通道缺陷段信號磁場梯度最大值，以及磁場梯度平均值。

1.2.2 時域特征

時域特征即磁記憶信號隨時間變化的特點，如一段信號的平均值等。通過計算，得到如下特征量：各通道缺陷段信號磁場強度平均值、磁場強度最大值、磁場強度最小值、磁場強度峰峰值和缺陷段信號的能量。

1.2.3 頻域特征

除了計算信號的形態和時域特征量，本文還在頻率域中對信號的特征進行了提取，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。

小波包分解將信號投射到由一組相互正交的小波函數構成的子空間中，使信號在不同程度上展開，從而可以提取不同頻帶上的信號特征。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，因此計算小波包能量作為磁記憶信號頻域特征的有效特征量，用于缺陷識別分類方法的建模。下面以三層小波包分解為例解釋小波包能量的計算方式。小波包三層分解的結構如圖1所示。

圖1 三層小波包分解結構圖Fig.1 Decomposition structure diagram of three-layer wavelet packet

圖中：Si,j表示第i層的第j個節點，其中，i=0，1，2，3，j=0，1，...，7。每個節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mj,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，發現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點S3,0低頻段的小波包能量。

2 測試件磁記憶檢測試驗

仿照實際油氣輸送管道設計并制作了5根圓孔腐蝕加直角彎焊縫應力集中管道測試件。5根測試件分別命名為1#～5#腐蝕加直角彎測試件，使用Ф114mm無縫鋼管制成，材料質地符合國標，壁厚1.5 cm，長6.3 m，包括2個圓孔腐蝕管段和1個直角彎管段。每個圓孔腐蝕管段都有3個肉眼明顯可見的腐蝕圓孔，視為腐蝕缺陷；直角彎管段未經淬火處理，存在應力，視為應力集中缺陷。5根測試件僅圓孔腐蝕的孔深存在區別，其余特征均相同，設計圖如圖2所示。

圖2 腐蝕加直角彎測試件實物及結構圖Fig.2 Corrosion and right-angle bend test pieces and structure diagram

本次試驗使用的儀器是TSC-5M型磁記憶檢測儀，該儀器是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。儀器共有4個探頭（1#～4#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，共檢測12個通道（HP1～HP12）的磁記憶信號。對5根管道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，每根管道測試件各留下20組試驗數據，共獲取100組建模測試件試驗數據。

3 極限學習機分類模型的建模及驗證

3.1 建模

在建模研究過程中，利用三種類型特征量的不同組合建立了多個極限學習機缺陷識別模型，對比了各模型的實際應用效果，尋找最優的缺陷分類模型，發現使用以下通道及特征量建模，模型的缺陷識別效果相對較好：設置隨機產生輸入層與隱含層間的連接權值及隱含層神經元的閾值，神經元數量設為30個，腐蝕缺陷的預測結果設為1，應力集中缺陷的預測結果設為2。下面列出所建立的有代表性的極限學習機管道缺陷分類模型。

首先，僅選擇磁記憶信號的時域特征量進行建模及方法驗證，時域特征量包括HP1通道和HP10通道缺陷段信號的平均值、HP1通道和HP7通道缺陷段信號的最大值、HP2通道和HP5通道缺陷段信號的最小值以及HP1、HP4、HP7、HP10通道磁記憶信號的峰峰值。

其次，考慮信號的形態和時域特性，除上述的多種時域特征量外，還加入了形態特征量HP1通道缺陷段信號與 X軸圍成的面積，HP1、HP4、HP7、HP10通道磁記憶信號的梯度最大值和梯度平均值進行建模及方法驗證。

最后，利用信號形態、時域和頻域三類特征量組合建模，加入頻域特征量，即HP1通道信號的小波包三層分解中第3層第1個低頻節點的小波包能量。

3.2 現場管道非盲測數據驗證

為驗證模型在油田現場的實際應用效果，在油田輸油管道現場進行了驗證試驗。試驗對象為東營市勝利采油廠和現河采油廠野外的5根油氣輸送管道，5根管道均為裸露管道，管道缺陷類型已知，對所有管道檢測的提離距離始終保持在0～15 cm之間，共獲取到48組管道的缺陷段數據。

選擇48組油田現場管道缺陷數據對三組模型的分類效果進行驗證。針對相同特征量組合建模的模型進行10次驗證，取平均值進行統計。經驗證，僅使用時域特征量建模模型的缺陷平均正確識別率為72.92%；使用形態和時域特征量混合建模模型的缺陷平均正確識別率為76.67%；使用三類特征量混合建模模型的缺陷正確識別率為80.21%。部分模型分類結果如圖3～圖5所示。

圖3 時域特征量模型的非盲測部分分類結果Fig.3 Classification results of non-blind measurement parts of the time domain feature quantity model

圖4 形態特征量和時域特征量組合模型的非盲測部分分類結果Fig.4 Classification results of non-blind measurement parts of combination model for morphological feature quantity and time domain feature quantity

圖5 三類特征量組合模型的非盲測部分分類結果Fig.5 Classification results of non-blind measurement parts of combination model for three types of feature quantity

3.3 現場管道盲測數據驗證

為了驗證本文建立的識別方法在油田現場的盲測效果，除選擇了以上東營市野外的裸露管道進行識別方法的非盲測驗證外，還選擇了東營市現河采油廠野外的一條埋地油氣輸送管道進行盲測驗證，該管道的缺陷類型由于管道埋地未知，真實的缺陷類型需開挖后明確（圖6）。

圖6 開挖后埋地油氣輸送管道實物圖Fig.6 Physical map of buried oil and gas pipeline after excavation

經試驗共獲得10組盲測試驗數據，然后將埋地管道挖開，記錄真實缺陷類型，其中本次試驗的埋地管道缺陷類型為腐蝕缺陷。使用三類特征量組合建模的模型對該埋地管道進行了10次識別，平均正確識別率為74%。其中兩次識別結果如圖7所示。

圖7 三類特征量組合模型的盲測部分分類結果

4 試驗結果分析

缺陷類型識別方法的試驗結果如表4所示，根據試驗結果可知，在充滿干擾因素的油田現場環境下，無論是盲測試驗還是非盲測試驗，本文所選取的三組極限學習機缺陷分類模型的平均正確識別率均在70%以上，識別率較高。由驗證結果可見，建立的極限學習機分類模型對油氣管道腐蝕缺陷和應力集中缺陷的識別是可行的，模型主要適用于對管道腐蝕缺陷和應力集中缺陷類型的識別，且適用于油田大部分輸油管道的情況，在油田現場有著較好的實際應用效果。

表4 缺陷類型識別方法驗證結果Tab.4 Verification results of defect type identification method

同時針對不同類型特征量的不同組合進行建模驗證，其中以三種不同類型特征量建模模型的識別效果最好，平均識別率較其余兩種模型有顯著上升。這是因為三種不同類型特征量之間均為非線性關系，關聯性較低，且多角度分析特征量可以更好地反映缺陷信號的特點，考慮問題更加全面與嚴謹，也說明從三個方面分析和提取磁記憶信號特征量是必要的，可以有效地提高缺陷類型識別方法的正確識別率。但是，本文采用的極限學習機方法仍然存在部分問題，最大的問題就是方法僅能實現腐蝕缺陷和應力集中缺陷這兩種特定類型缺陷的識別，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類型的識別工作。以上問題需要在后續的研究中考慮并解決。

5 結束語

目前，尚未有將極限學習機方法應用在管道缺陷檢測中的有效研究，故本文針對磁記憶信號本身無法有效識別管道腐蝕缺陷和應力集中缺陷的問題，將極限學習機方法有效地應用在油田管道缺陷的檢測中，建立了一種全新的基于金屬磁記憶技術的多特征量極限學習機缺陷識別模型。

同時針對目前在磁記憶技術檢測分析過程中無明確固定特征量分析需求這一問題，從磁記憶信號的形態特征、時域特征和頻域特征三方面全面分析、計算了多種特征量，并利用不同類型特征量的不同組合進行建型，根據模型識別結果也說明從三方面全面考慮磁記憶信號特征是必要的，對磁記憶信號特征量種類的計算和提取過程也可以為后續信號特征的定量化研究提供參考。

最后，將該模型應用在實際油田現場的油氣管道中，通過盲測數據及非盲測數據兩方面對模型的實際應用效果進行驗證，通過驗證結果發現，極限學習機方法可以有效地識別油田現場5根不同管道的腐蝕缺陷和應力集中缺陷，實際應用性較強。后續可以在本研究基礎上繼續開展研究，引入更多類型的缺陷特征，以提高模型的普適性；可繼續開展管道缺陷的分級識別、管道缺陷磁記憶信號的定量化研究等工作，通過對管道缺陷做系統的分級識別和定量化研究等工作，實現對管道破裂的及時預警。