管道漏磁檢測的智能方法綜述①

杜文飛， 李春光， 萬四海

1.浙江大學 工程師學院，杭州 310015； 2.浙江大學 寧波研究院，浙江 寧波 315100； 3.浙江大學 信息與電子工程學院，杭州 310027； 4.中國五洲(集團)有限公司，河南 許昌 461200

管道運輸是油氣運輸的主要方式，其安全問題一直備受重視．管道上任何微小的缺陷都可能導致油氣泄露，具有很大的潛在危險，因此需要定期對管道進行檢測，及時發(fā)現(xiàn)管道上存在的缺陷并進行修復．漏磁檢測技術可以在不破壞管道完整性的情況下，利用漏磁檢測器對管道中的缺陷進行檢測[1-2]．漏磁檢測器是根據漏磁原理制造的一種儀器，檢測器采集的管道漏磁數據可以反映管道的受損情況．通過處理和分析漏磁數據，不僅能檢測出管道上的缺陷，還能識別出管道中的焊縫、閥門、三通、法蘭和彎頭等組件用以輔助缺陷定位．傳統(tǒng)的人工檢測方法依賴于人工對漏磁信號曲線進行判別，這種方法效率低、主觀性強，且容易出錯．隨著人工智能技術的不斷發(fā)展，許多基于人工智能的方法被應用到管道漏磁檢測中，在提高效率的同時也取得了良好的效果．

本文對管道漏磁檢測的智能方法進行了綜述，首先在第1節(jié)中簡要介紹了漏磁檢測的基本原理，隨后在第2節(jié)中重點闡述了管道漏磁檢測機器學習方法中基于分類的方法、基于目標檢測的方法和多分量方法，在第3節(jié)中介紹了基于知識的智能專家系統(tǒng)，并在第4節(jié)中進一步闡述了多傳感器融合方法，最后在第5節(jié)中進行了總結，并討論了當前漏磁檢測智能方法仍然存在的問題．

1 管道漏磁檢測的基本原理

1966年，Zatsepin和Shcherbinin首先提出了無限長矩形裂紋的磁偶極子模型，該模型是漏磁檢測解析法的基礎理論之一[3]．經過不斷的發(fā)展，如今漏磁檢測已經成為一種經濟實用的管道內無損檢測技術．

漏磁檢測技術依賴于鐵磁性管道的高磁導率特性，這一特性使管道的管壁可以被永磁體或線圈產生的均勻磁場磁化至飽和或接近飽和磁通密度[4]．在正常的管道區(qū)域中，外加磁場的磁感線被束縛于管壁的內部，幾乎沒有磁感線從管壁表面穿出．當管壁中存在缺陷時，缺陷處的磁導率比正常區(qū)域的磁導率更小，磁阻比正常區(qū)域的更大，這會導致磁感線從缺陷上方或下方泄露出來，泄露的磁通量可以通過霍爾效應傳感器檢測到[5]，如圖1所示．

圖1 管道漏磁檢測基本原理

漏磁檢測器是根據漏磁原理制造的一種管道內檢測工具，其主要通過管道中油氣等介質的流動作為動力在管內移動，并在運行過程中不斷采集管壁的漏磁數據[6]．漏磁檢測器主要由動力節(jié)、漏磁節(jié)、計算機節(jié)和電池節(jié)這4個部分組成，如圖2(a)所示．動力節(jié)中的皮碗可用于產生壓差推動檢測器前進； 漏磁節(jié)包含磁化裝置和多個霍爾傳感器，磁化裝置可以使管壁磁化，霍爾傳感器用于測量漏磁通； 計算機節(jié)負責控制測量的過程和存儲采集的數據； 電池節(jié)提供電力支持．節(jié)與節(jié)之間使用萬向節(jié)連接，以保證檢測器可以通過彎道．

圖2 管道漏磁檢測器結構

漏磁檢測器中包含了一組沿著圓周排列的霍爾傳感器，如圖2(b)所示，每一個傳感器都可以測量該處三維磁場矢量H=(Hx，Hy，Hz)，其中Hx表示沿著檢測器運行方向的磁場軸向分量(水平分量)，Hy表示沿著管徑方向的磁場徑向分量(垂直分量)，Hz表示沿著圓周方向的磁場周向分量(切向分量)．根據采集的三維漏磁場矢量信號，繪制出其3個分量的曲線如圖3(a-c)所示．在漏磁曲線中，橫軸表示檢測器沿著管道方向運行的里程數，縱軸表示不同傳感器通道測量的漏磁信號，每條曲線與傳感器通道一一對應．曲線的幅值表示漏磁信號值的大小，由于相鄰通道間的幅值差距很小，所以在曲線之間添加了一定的縱向間隔來分隔它們．此外，也可以將漏磁信號進行灰度映射或偽彩色映射，通過顏色的深淺來表示漏磁信號的大小，如圖3(d-f)所示．漏磁信號在正常區(qū)域變化較為平緩，而在缺陷區(qū)域和組件區(qū)域會出現(xiàn)異常波動，這些波動與周圍的正常信號形成明顯差異，根據這個特性可以區(qū)分出管道上的缺陷和不同的組件．

圖3 漏磁信號各個分量曲線和偽彩色圖像

2 管道漏磁檢測的機器學習方法

近年來，以機器學習和深度學習為代表的人工智能技術在模式識別、圖像分類和目標檢測等領域取得了許多令人矚目的成就，其中的很多方法也被應用到管道漏磁檢測領域，極大地提高了漏磁檢測的效率和精度．本節(jié)對管道漏磁檢測機器學習方法中基于分類的方法、基于目標檢測的方法和多分量方法進行了介紹，概述了每一類方法的研究現(xiàn)狀，并分析了這些方法的特點．

2.1 基于分類的方法

漏磁信號在正常區(qū)域、缺陷區(qū)域和組件區(qū)域會呈現(xiàn)出不同的特征．基于分類的方法可以直接對漏磁信號數據進行處理，提取出數據的特征后進行分類； 也可以根據漏磁數據繪制出漏磁曲線圖像、灰度圖像或偽彩色圖像，隨后使用圖像處理的方法提取特征并進行分類．

在分類任務中，特征的好壞直接影響到分類器性能的好壞[7]，一些研究人員根據漏磁信號的特點人工設計了不同的特征來執(zhí)行分類任務．文獻[8]對漏磁信號與缺陷類型及尺寸之間的關系進行了分析，提取了漏磁信號徑向分量的峰值、徑向分量的峰間距、軸向分量的信號高度和寬度作為缺陷特征，然后采用支持向量機、隨機森林和梯度提升決策樹對5類缺陷進行了分類識別，并通過實驗驗證了所選取的特征的有效性．文獻[9]使用漏磁信號波形的峰谷值、峰谷差、谷谷差和谷谷值等特征，分析和比較了支持向量機和極限學習機對7種不同缺陷進行分類的效果和優(yōu)缺點．文獻[10-11]提出了一種基于支持向量機的方法對管道部件和缺陷進行區(qū)分，該方法采用了后驗熵進行特征選擇，以上下峰次序、信號最大幅值、峰峰跨度、傳感器數量、軸向斜率和周向斜率作為特征向量，可以有效地識別缺陷和不同的部件．文獻[12]提出了一種基于KPCA (Kernel Principal Component Analysis)和Boosting結合的管道異常檢測算法，該算法首先使用KPCA對設計的特征進行選擇，隨后利用選擇的特征訓練Boosting分類器，實現(xiàn)了對焊縫、法蘭和閥門的分類．文獻[13]提出了一種基于改進最小二乘雙支持向量機的焊縫缺陷分類方法，以管道漏磁信號的波動特征和形狀特征作為支持向量機的輸入，并采用粒子群算法對支持向量機的懲罰參數和核參數進行優(yōu)化，最后通過實驗驗證了該方法的有效性．文獻[14]提取了缺陷的多種統(tǒng)計特征，分別使用正則化最小二乘、支持向量機和偏最小二乘回歸方法將漏磁圖像分為有缺陷和無缺陷兩類．文獻[15]提取了缺陷的顯著性、對比度、中心點和指紋這4種特征，然后利用支持向量機、隨機森林和KNN (K-Nearest Neighbor)方法對漏磁圖像上的正常區(qū)域和缺陷區(qū)域進行檢測．

人工特征提取很大程度上依賴于專家經驗，不同的人可能傾向于提取不同類型的特征，這種提取方法存在很強的主觀性，因此一些研究者開始關注更加智能的自動特征提取方法．卷積神經網絡可以實現(xiàn)自動特征提取，能夠獲取到圖像中不同層次的特征，并通過全連接層輸出分類的概率．文獻[16]利用LeNet5卷積神經網絡模型對無缺陷、軸向缺陷、周向缺陷和斜向缺陷的漏磁曲線圖像進行分類，該模型可以自動提取漏磁曲線圖像不同層次的特征，實現(xiàn)了管道缺陷的快速與批量化識別．文獻[17]利用改進的卷積神經網絡逐層提取管道焊縫的特征信息，實現(xiàn)了對無缺陷、環(huán)焊縫和螺旋焊縫曲線圖像的智能識別．文獻[18]使用經過預訓練和篩選后的卷積核構建卷積神經網絡，通過該網絡自動提取焊縫圖像中的特征，實現(xiàn)了環(huán)焊縫與螺旋焊縫的自動分類．

對基于分類方法的相關研究進行總結，如表1所示．從表1可以看出，目前直接使用漏磁數據進行分類的方法多數采用人工特征提取，人工提取可以根據漏磁數據或圖像的特點設計出具有區(qū)分度的特征，但這種提取方式主觀性很強．基于圖像的分類方法既有使用人工特征提取的方法，也有使用自動特征提取的方法，自動特征提取可以直接從漏磁圖像中學習到不同層次的結構特征，無需人工手動設計特征，其對圖像亮度和缺陷形態(tài)等變化的適應性更強，能夠適應更多復雜的場景．

表1 基于分類方法的相關研究

圖4 基于目標檢測的方法

2.2 基于目標檢測的方法

目標檢測是圖像處理的一項基本任務．基于目標檢測的方法可以對漏磁圖像進行處理，不僅能檢測出圖像中缺陷和組件的類別，還可以用矩形框標記出缺陷和組件的具體位置，很符合實際管道檢測的需求，如圖4所示．

已有許多研究者致力于將目標檢測算法應用到管道漏磁檢測中．文獻[19]提出了一個包含特征提取和預測模塊的環(huán)焊縫目標檢測方法，特征提取模塊利用卷積神經網絡自動提取特征，預測模塊使用全連接網絡和卷積網絡預測目標的類別和錨框的偏移量，該方法在較大的噪聲和數據局部缺失的情況下也具備較好的表現(xiàn)．文獻[20]利用視覺表示對比學習的簡單框架生成預訓練模型，并將預訓練后的模型替換到Faster R-CNN的特征提取網絡中，然后使用該網絡檢測漏磁圖像中的缺陷類型和位置．文獻[21]提出了一種改進的級聯(lián)R-CNN多目標檢測算法，利用該算法對缺陷、管道分支、三通和焊縫進行檢測，通過在級聯(lián)R-CNN中添加FPN (Feature Pyramid Networks)和OHEM (Online Hard Example Mining)來提高目標檢測的精度．文獻[22]為了解決小目標檢測精度低的問題，將空洞卷積和注意力殘差模塊引入到SSD算法中，該算法對小目標檢測效果明顯，能夠自動識別環(huán)焊縫、螺旋焊縫和缺陷．

基于目標檢測的方法能夠在整張漏磁圖像上對目標進行檢測，其可視化結果顯得更為直觀，不僅能檢測出目標的類別，還可以得到目標的位置．但是目標檢測所使用的網絡也往往更加復雜，檢測時需要耗費更多的計算時間，在一些對實時性要求高的場景中可能會受到限制．

2.3 多分量方法

漏磁檢測器可以測量三維磁場矢量，磁場的3個分量都包含了管道的部分信息．多數研究只使用了漏磁信號單個分量的數據，忽略了另外兩個分量上所含的信息，或者僅在特征提取時單獨提取出不同分量的特征作為網絡的輸入，而沒有考慮分量之間的融合．

為了充分地利用漏磁信號中多個分量的信息，文獻[23]提出了一種基于卷積神經網絡的數據融合方法，該方法使用漏磁信號軸向、徑向和周向分量的數據來模擬RGB彩色圖像的3個通道，然后利用卷積神經網絡對這3個通道的數據進行融合．文獻[24]使用主成分分析方法對漏磁圖像的3個分量進行融合，相比較于只使用一個分量的圖像，融合后的圖像可以提供所有關于缺陷形狀、邊緣和4個角的增強信息．文獻[25]提出了一種基于空間矢量的多分量信息融合方法，同時考慮了磁場的幅值和方向信息，把3個正交的分量融合到一個三維矩陣中，然后將這個矩陣映射到新的ARC (Axial-Radial-Circumferential)空間上作為網絡的輸入，該融合方法能夠更好地反映出真實磁場的空間分布，提高檢測的準確性．

3 基于知識的智能專家系統(tǒng)

專家系統(tǒng)是人工智能中非常重要和活躍的一個分支，它是一種基于知識和經驗進行推理判斷的智能系統(tǒng)，自從20世紀70年代問世以來，各種不同的專家系統(tǒng)在全世界范圍內得到了廣泛的應用，并產生了巨大的社會效益和經濟效益．

在管道漏磁檢測中，專家系統(tǒng)根據缺陷識別的標準和專家檢測的經驗建立知識庫，通過模擬專家的思維過程對漏磁數據進行分析，以此來檢測管道上的缺陷．有些專家系統(tǒng)還可以進一步對產生缺陷的原因進行分析，并提供解決的方案．文獻[26]基于專家系統(tǒng)理論，建立了一個管道漏磁信號自適應識別系統(tǒng)，該系統(tǒng)采用樣本庫和知識庫相結合的方法，充分發(fā)揮了人機交互的優(yōu)勢，能夠實現(xiàn)對漏磁信號的自動分類識別，具有較高的識別效率和精度．文獻[27]開發(fā)了一套具有多圖形顯示、數據自動修復、數據自動分析處理和檢測報告自動輸出的漏磁檢測專家系統(tǒng)，該系統(tǒng)根據異常點漏磁信號會產生突變的特點，通過專家設定的閾值來識別焊縫和缺陷，并將用于計算腐蝕缺陷的長度、寬度和深度的經驗公式，以及用于管道安全性評估的方程作為系統(tǒng)的領域知識，實現(xiàn)了缺陷的量化和評估[28]．文獻[29]為了提高管道漏磁檢測的效率，提出了一種漏磁檢測數據分析專家系統(tǒng)，該系統(tǒng)不僅可以檢測出管道中的環(huán)焊縫、彎頭、三通和閥門等組件，還能自動識別和量化缺陷，并輸出包含缺陷里程、周向位置、距離最近參考點的位置和尺寸等信息的分析報告．文獻[30]在進行多次管道檢測后，得到了一組將缺陷特征和某種參數聯(lián)系起來的經驗規(guī)則，每條經驗規(guī)則都代表了一個概念形式的典型缺陷模式，在此基礎上，構建了一個基于知識的離線檢測專家系統(tǒng)，該系統(tǒng)在分析時選擇與待檢測缺陷模式最相似的模式，并對所選模式應用指定的經驗規(guī)則來獲得該缺陷的特征估計，最后通過合適的預測方法對缺陷進行識別和評估．

4 多傳感器融合方法

除了漏磁檢測外，還有許多其他的無損檢測技術也可以應用到管道檢測中，如超聲檢測、電磁聲學檢測和渦流檢測等．這些檢測方法通過不同的傳感器采集不同類型的管道數據，可以提供更加全面的管道信息，一些研究者嘗試將不同傳感器采集的數據進行融合以獲得更好的檢測效果．文獻[31]提出了一種將神經網絡和D-S證據理論相結合的數據融合模型，該融合模型首先使用神經網絡對漏磁傳感器和超聲傳感器的數據進行分析處理，然后把神經網絡的輸出值經過歸一化后作為D-S證據理論的證據，最后使用證據理論進行融合計算并給出缺陷識別的結果．文獻[32]利用模糊線性回歸算法對漏磁檢測數據與超聲檢測數據進行融合，推導出不同傳感器之間數據融合的隸屬度和置信區(qū)間計算公式，使用隸屬度的大小來表示損傷的程度，并得到了某一檢測損傷在一定可靠度和置信度時模糊表征尺寸的上下限計算公式，這個公式可以將檢測數據表征成更接近實際尺寸的表征尺寸，從直觀上給出了數據融合的結果．文獻[33]提出了一種基于完全鏈接的模糊推理系統(tǒng)和D-S證據理論的多傳感器數據融合腐蝕檢測方法，該方法首先分別使用模糊推理系統(tǒng)對多個漏磁傳感器的數據與多個超聲傳感器的數據進行融合，然后以這兩個模糊推理系統(tǒng)的輸出作為D-S證據理論的證據，最后通過D-S證據理論做出決策并輸出檢測的結果．

當前文獻報道中的多傳感器融合的方法主要使用漏磁檢測和超聲檢測的數據進行融合．漏磁檢測可以檢測到管壁上較為復雜的缺陷，但是只限于材料近表面的檢測； 超聲波檢測能夠檢測較厚的管壁，但是對復雜缺陷的檢測比不上漏磁檢測．使用融合方法對這兩種傳感器采集的數據進行融合，可以得到更全面的缺陷信息，提高了檢測的準確性和魯棒性．

5 總結與展望

利用漏磁信號數據檢測管道缺陷一直是一項重要且富有挑戰(zhàn)性的任務，傳統(tǒng)人工檢測方法的局限性促使研究人員不斷探索更加高效和更加準確的檢測方法．人工智能技術的快速發(fā)展為管道漏磁檢測提供了新的思路，許多基于人工智能的方法被應用到漏磁檢測領域并取得了良好的成果．本文對管道漏磁檢測的智能方法進行了綜述，首先簡要介紹了漏磁檢測的基本原理，隨后重點闡述了管道漏磁檢測機器學習方法中基于分類的方法、基于目標檢測的方法和多分量方法，以及管道漏磁檢測中基于知識的智能專家系統(tǒng)，并進一步介紹了多傳感器融合方法．

雖然當前基于人工智能的漏磁檢測方法在理論和實驗研究上取得了一定的成果，但是仍然面臨著諸多挑戰(zhàn)．下面針對目前漏磁檢測智能方法中存在的一些問題進行討論．

(1) 基于學習的方法需要大量的數據對模型進行訓練，然而管道漏磁數據集中缺陷樣本的數量往往很少，樣本不足時應用基于學習的方法很容易導致模型過擬合．在小樣本情況下使用機器學習的方法進行漏磁檢測是未來需要解決的一個問題．

(2) 在真實的管道環(huán)境中，焊縫和其他組件處也可能存在缺陷，圖像分類和目標檢測的方法都很難將這些地方的缺陷正確識別出來．實現(xiàn)焊縫和組件處缺陷的精準識別也是未來研究需要解決的一個問題．

(3) 在漏磁檢測的智能方法中，基于數據的學習方法可以在大數據和大算力的支持下達到較高的精度，基于知識的推理方法能夠充分利用專家的知識和經驗解決各種復雜的問題．人類在解決問題時，通常會結合數據學習和知識推理共同進行決策．然而在漏磁檢測的應用中，基于學習的方法和基于推理的方法幾乎是分開的，研究如何使機器學習和邏輯推理進行協(xié)同工作，以達到更高的智能水平，這是未來漏磁檢測智能方法中值得探索的一個方向．