大口徑管道裂紋缺陷漏磁數據生成與評估方法

Chen Ximing，Li Kun，Fu Mengkai，etal.A method for generating and evaluating magnetic flux leakage data for large-diameterpipelinecrack defectsbasedonnumericalsimulationanddiffusionalgorithm[J].China Petroleum Machinery，2025，53（7）：1-11.

AMethod for Generating and Evaluating Magnetic FluxLeakage DataforLarge-diameter Pipeline Crack DefectsBased on Numerical Simulation and Diffusion Algorithm

Chen Ximing Li KunFu Mengkai Zhu Jianjun Liu Xiaoben （CollegeofMechanical andTransportation Engineering，China UniversityofPetroleum（Beijing））

Abstract：Considering that the sample size of magnetic flux leakage（MFL）data forlarge-diameter pipeline crack defects is insufficient tosupport the quantitative identification，a database generation method integrating numerical simulation of MFL fieldanddifusion algorithm was proposed，and it was verified through full-scale pul test and thre-dimensional MFL simulation modeling.The results show that the crack defect size hasa clear impact on the MFL signal.For the axial component，the peak value is positivelycorrelated withthe defectdepth，and the troughspacing is positively corelated with the defectlength.Fortheradial component，which shows anantisymmetric distribution，the absolute peak value is positively correlated with the depth，and the spacing between the positive and negative peaks is positively correlated with the length．Theaccuracy of the three-dimensional MFL simulation model reaches the engineering requirement （average error 45% ），and 24O groups of crack defect simulation databases wereconstructed.The data generated from the diffusion model have the same distribution as the simulation data.Afteroptimizing themodelbasedonthe pulltestdatawith environmentalnoise，75.4%of the generated datapass theKNN test（ K=5 ），and have the feature distribution highly similar to the real data.The research conclusions provide a basis of MFL data for the quantitative evaluation of pipeline crack defects.

Keywords： Large-diameter pipeline;crack defect;magnetic flux leakage defct;ful-scale pulltest； finite ele ment simulation;diffusion model

0引言

油氣管道隨著運行時間的延長不可避免地會產生腐蝕或裂紋等缺陷，其中裂紋缺陷在疲勞或應力腐蝕的作用下易導致管道破裂失效[。管道內缺陷檢測技術作為管道完整性管理的重要手段，在獲取管道缺陷信息方面起到了關鍵作用。漏磁檢測因其在運行環境、適用范圍、技術成熟度及經濟性等方面的優勢，是目前應用最為廣泛的管道內缺陷檢測手段[2-3]。

目前針對管道缺陷參數對漏磁信號的影響及腐蝕缺陷的量化識別已進行了大量研究。高亞婷等[4]通過控制變量法改變矩形槽缺陷的尺寸以及傳感器提離值，得出缺陷尺寸及傳感器提離值對漏磁場磁感應強度分布規律，為漏磁內檢測器結構設計和缺陷精準量化提供了理論基礎。王宏安等[5分析了圓柱形缺陷的深度和直徑對漏磁場信號的影響，得到了缺陷與漏磁場信號的對應關系，并建立了缺陷的量化方程；同時通過有限元仿真和牽拉試驗相結合的方式構建了數據集并進行模型訓練和預測。張佳偉基于卷積神經網絡實現漏磁信號智能化識別，結果顯示，管道矩形缺陷從長度、深度方面識別預測效果較好，而缺陷寬度的預測效果較差，還需要豐富訓練集中的缺陷樣本數，進一步提高對缺陷尺寸的識別準確度。趙東升等[7利用三維磁偶極子模型生成各種尺寸的矩形凹槽缺陷漏磁場法向分量、切向分量和周向分量的仿真數據，并與在役管道檢測數據進行隨機融合，實現缺陷樣本數據的擴充。盡管上述研究取得一定進展，但在漏磁數據高效獲取方面仍存在不足。

筆者采用有限元仿真方法建立了管道裂紋缺陷漏磁場信號分析模型，基于全尺寸牽拉試驗結果驗證了模型準確性。通過對影響因素分析，探究了裂紋缺陷的尺寸對漏磁場信號的影響。提出了基于仿真數據與擴散模型[8-10]的漏磁場數據生成方法，并建立了漏磁場數據質量評價方法，證明了生成數據與真實數據具有相同的分布，可用于漏磁數據庫的建立。

1漏磁檢測全尺寸牽拉試驗

1.1 試驗工況

管道牽拉試驗是獲取管道缺陷漏磁信號最為準確的試驗方法[1]。牽拉試驗所用設備為外徑 1219mm 超高清三軸綜合內檢測器，其能夠針對管道微小缺陷進行陣列式超高清磁電多物理場內檢測技術研究，進一步提升檢測精度。牽拉試驗內檢測器主要由漏磁節、萬向節以及測徑節構成。其主要性能參數如下：管徑為 1219mm ，最大有效檢測速度為 5m/s ，運行溫度為 0～70°C ，最大工作壓力為 12MPa ，工作時間為 60～80h ，檢測通道為軸、圍、徑向各1280通道，軸向采樣間隔為在 5m/s 的牽拉速度下內檢測器每毫米采集1個數據點，檢測壁厚范圍為 6.35～31.75mm ○

研究對象為 ψ1 219mmX70 鋼級的長輸管道。該檢測器檢測過程如圖1所示。其結構被明確區分為加速區域、檢測區域以及減速區域。加速區域主要利用牽引裝置將內檢測器加速至特定速度，并維持該速度平穩穿越檢測區域；檢測區域則預先設置了裂紋缺陷樣本；減速區域則主要對內檢測器進行速度調控，確保其在完成檢測后能夠平穩地減速。

為了深入探究裂紋缺陷對漏磁場信號的變化規律，在測試管段設置了不同長度和深度的矩形開口裂紋缺陷。圖2為管道上長度為 40mm 的外表面裂紋缺陷。通過精確控制裂紋缺陷的尺寸參數[12-13]，并結合超高清漏磁檢測器，能夠準確捕捉到由裂紋缺陷引發的微弱漏磁場信號，進而系統性地分析裂紋缺陷特征參數（如長度和深度）對漏磁場信號特性的影響，為無損檢測技術提供更為精確的理論依據以及可靠的數據支持。ol219mm 牽拉試驗管道裂紋缺陷尺寸如表1所示。定義壁厚為δ，缺陷深度用δ的百分比表示。

1.2 試驗數據分析

為了探究不同深度、不同長度裂紋缺陷下傳感器軸向信號的特征，基于牽拉試驗結果，對裂紋缺陷的磁感應信號分量進行分析。圖3為不同長度裂紋缺陷下的軸向信號。這里分別給出了10和 40mm 這2種長度裂紋缺陷在不同缺陷深度情況下的磁感應軸向分量信號的分布情況。從圖3可以看出：隨著缺陷深度逐漸增大，軸向分量信號的峰值逐漸增加；隨著缺陷長度增大，軸向分量信號出現2個波峰且谷間距逐漸增大。軸向分量信號峰值與缺陷深度正相關，波谷間距與缺陷長度正相關。

圖4為不同深度裂紋缺陷下徑向信號。這里分別給出了10和 40mm 這2種長度的裂紋缺陷在不同深度情況下的磁感應徑向分量信號的分布情況。磁感應徑向分量信號分布形式與軸向不同，呈現反對稱分布。其信號峰值絕對值與缺陷深度正相關，正負峰值間距與缺陷長度正相關。

2 漏磁檢測三維模型仿真

2. 1 模型建立

Maxwell有限元法是基于麥克斯韋方程組進行求解，而管道材質多為鐵磁材料，要引入輔助方程來反映電磁場與鐵磁材料之間的關系[14]，從而更好地分析鐵磁材料對電磁場的影響。麥克斯韋方程組及其輔助方程如下：

式中： E 為電場強度， V/m ； B 為磁感應強度，T;H 為磁場強度， A/m ； D 為電位移強度矢量， C/m² J 為電流密度， A/m² . ρ 為體電荷密度， C/m³ ；V稱為nabla算子，無量綱； ε 為介電常數， F/m ； σ 為電導率， S/m ： μ 為介質磁導率， H/m ，真空下為4π×10^-7H/m 。

基于Maxwell有限元軟件進行三維漏磁仿真的求解方法主要是通過建立漏磁檢測三維模型，設置合適的材料屬性和邊界條件，將永磁體作為激勵，利用Maxwell的穩態求解器對模型進行數值求解，計算出磁場分布和漏磁信號[15]。在求解過程中，需要對模型進行網格劃分以提高求解精度，并通過后處理工具對求解結果進行分析，提取漏磁信號的幅值等。采用Maxwell有限元分析軟件建立 β1 219mmX70 管道漏磁檢測三維模型，根據漏磁內檢測鋼刷管道環向陣列分布的特點，建立了高效計算的 ① 環向對稱模型，仿真求解采用穩態求解器，鋼刷做弧面處理與管壁接觸。通過參數化建模建立不同管道幾何參數、材料參數以及缺陷的尺寸、位置、深度的漏磁檢測三維模型（見圖5）。仿真模型中，管材選用X70鋼，銜鐵和鋼刷選用20鋼，永磁體部分選用硼酸釹鐵N45，相關材料參數如表2所示。

Maxwell中有多種邊界條件，分別適用于不同場合。這里采用Neumann邊界條件，即磁場正切于該邊界，磁力線不能穿越該邊界。在Maxwell3D中不定義邊界條件時，繪制的Region計算區域邊界條件為Neumann。模型網格劃分與無關性分析如圖6所示。由圖6可知，網格劃分采用細化的四面體網格，當裂紋缺陷處網格尺寸細化至 1mm 時，徑向及軸向信號基本達到平穩狀態。因此在后續的參數化批量計算時采用該網格尺寸，在確保了計算精度的同時提高模型的計算效率。

2.2 模型驗證

基于牽拉試驗數據對數值仿真模型進行準確性驗證。圖7為相同深度不同長度裂紋缺陷仿真結果與實際試驗的漏磁量峰值對比。圖 7a 、圖7b分別表示相同深度下，10和 40mm 長度裂紋缺陷仿真與試驗值峰值對比。結果表明，裂紋缺陷仿真結果與牽拉試驗數據的平均誤差在 5% 以內，證明了筆者建立的漏磁檢測三維模型的準確性。基于此模型，構建了包含240組裂紋缺陷樣本的漏磁仿真數據庫。裂紋缺陷的尺寸范圍涵蓋以下參數：軸向寬度為0.10、0.15、0.30、0.50、0.80、1.00mm ；環向長度為24和 50mm ；深度為 1mm 、0.108、0.208、 0.30δ 、0.408和 0.50δ 。通過系統組合上述參數，生成了具有代表性的裂紋缺陷樣本集，為漏磁檢測技術的定量分析與評估提供了可靠的數據基礎。

3漏磁場信號變化規律

基于控制變量法分析了矩形開口不同長度、深度裂紋缺陷對漏磁場信號的影響。圖8為不同長度裂紋缺陷的漏磁場軸向分量信號與徑向分量信號的分布情況。由圖8可知：徑向分量信號以裂紋缺陷中心為基準呈現反對稱分布，在缺陷長度兩端呈現相反的趨勢；徑向分量信號的曲線峰值隨著缺陷長度的增加而增大，且間距大小與缺陷長度匹配，當缺陷長度是 5mm 時，徑向分量信號峰值強度為 0.0244T ；當缺陷長度達到 100mm 時，徑向信號峰值強度為0.0347T，信號增強到1.42倍。軸向信號則是以裂紋缺陷中心為基準呈現鏡像對稱；當缺陷長度較小時，曲線呈現單峰形式，隨著缺陷長度的增加，曲線波峰逐漸分離成雙峰形式；當缺陷長度是 5mm 時，軸向信號峰值強度為 0.0493T ；當缺陷長度達到 100mm 時，軸向信號單個峰值強度為 0.0343T 。信號峰值降低的原因在于曲線形式的變化。

圖9為不同缺陷深度的漏磁場軸向分量信號與徑向分量信號的分布情況。波峰間的距離為缺陷長度。由圖9可知：徑向分量在缺陷中心處為0，而在缺陷中心兩側取得最大值和最小值。徑向分量信號的曲線峰值隨著缺陷深度的增加而逐漸增大，當缺陷深度為 0.10δ （ ）時，徑向信號峰值強度為 0.0087T ；當缺陷深度達到壁厚的 80% （ 14.72mm ）時，徑向信號峰值強度為 0.0716T 信號增強到8.2倍。軸向信號則是以缺陷中心為基準呈現鏡像對稱，隨著缺陷深度的增加，曲線峰值隨著缺陷深度的增加而增大，當缺陷深度是0.108（ 1.84mm ）時軸向信號峰值強度為 0.0176T ，當深度達到0.808（ 14.72mm ）時軸向信號單個峰值強度為 0.0734T ，信號增強到4.1倍。

4基于擴散模型的數據生成方法

4.1擴散模型

4.1. 1 模型原理

擴散模型是一種基于概率生成模型的深度學習方法，近年來在圖像生成、語音合成、文本生成等領域取得了顯著的成果。其核心思想是通過模擬物理擴散過程，逐步向數據中添加噪聲，然后學習逆向過程，從噪聲中逐步恢復原始數據[16-17]。圖10為擴散算法原理。

由圖10可知：增強噪聲階段指的是逐步向原始數據中添加噪聲，直到數據呈現高斯分布；去除噪聲階段也稱為采樣階段，指的是采樣一個高斯噪聲之后，通過不斷去除其噪聲的方式，最終得到和原始數據分布一致的新數據；對于增強噪聲的過程，步數和強度事先確定，全過程已知；對于去除噪聲的過程，需要用神經網絡來擬合[18]，并通過訓練確定網絡的最優參數。

4.1.2模型訓練與采樣

增強噪聲的過程沒有參數需要訓練，去除噪聲的過程需要訓練一個神經網絡來擬合每個步驟應該去除的噪聲[19]。由于噪聲的尺寸和原始數據的尺寸相同，所以輸入輸出尺寸相同的U-Net（U型卷積網絡）是較為合適的網絡。圖11為網絡訓練階段。從圖11可以看出：網絡的輸入是原始數據 x₀ 疊加噪聲 z （噪聲比例為 ）后的數據 x_z 和時刻 Φ_t ；期望其預測時刻 χ_t 增強的噪聲 z ；損失函數 ））是預測的噪聲和實際增強的噪聲 z 的差異。通過對損失函數應用梯度下降算法，使模型性能不斷優化最終使U-Net參數達到最優[20]，即網絡能夠預測任意時刻增強的噪聲。

圖12為采樣階段。該階段利用訓練好的U-Net依次預測從1＼～T每個時刻的噪聲，采樣一個高斯噪聲之后，再迭代減去預測的噪聲就能生成新的數據，并且新數據滿足原始數據的分布。

為了控制生成數據的類別，在訓練階段，需要將訓練數據的類別信息編碼輸入網絡；在采樣階段，額外輸入類別信息就能生成指定類別的數據。

4.1.3數據生成流程

圖13為基于擴散模型的漏磁數據生成方法。輸入數據可為有限元仿真數據和真實牽拉數據，由于2類數據的長度比通道維度更密集，所以需對輸入數據進行預處理，從而得到每個缺陷樣本都是方陣的樣本。擴散生成數據主要為在原始數據的基礎上增加噪聲獲得的高斯噪聲，通過不斷去除其噪聲的方式最終得到和原始數據分布一致的新數據。最終通過可視化評價和質量評價驗證此方法的可行性。

4.2數據預處理

在仿真和牽拉試驗中，對于一個裂紋缺陷的漏磁數據，因為在缺陷長度方向采集的數據比通道維度更密集[21-22，所以采集得到的數據矩陣行數與列數差別較大。為了使采集到的數據行數和列的長度一致，采用二維線性插值的方式對數據尺寸進行改變，最終使每個缺陷數據樣本都是方陣。

4.2.1歸一化處理

考慮到激活函數需要在（-1，1）的范圍內具有合理的梯度，為了使數據樣本在這個范圍內，需要分別對每個數據樣本進行歸一化處理，保證網絡訓練過程中不會因梯度消失或者梯度爆炸而導致訓練失敗。

式中： x 是原始數據； x₀ 是可以直接輸入網絡的訓練數據。

4.2.2 后處理

生成的數據都在（-1，1）范圍內，需要再經過后處理才能接近真實的漏磁場。這是由網絡內非線性激活函數決定的，即擬合的是數據的變化趨勢。

式中： x₀^′ 是網絡輸出的數據； 是反歸一化結果。

4.3數據的生成與評價

4.3.1數據可視化評價

使用CLIP模型（對比語言圖像預訓練模型）對圖像和文本數據進行前向傳播，從模型的特定層提取出圖像和文本的特征向量。使用降維技術，如主成分分析、t分布隨機鄰域嵌入或統一流形近似與投影，將高維特征向量降維到二維或三維，并通過散點圖、熱圖或其他可視化手段來展示圖像和文本特征在空間中的分布。對于圖像特征，可以將每個圖像的特征向量表示為一個點，并根據其位置在圖中進行布局。通過觀察可視化結果，可以初步了解圖像和文本特征在CLIP模型中的分布情況。

對每個通道的模擬和生成數據進行可視化處理，以比較不同方向分量的漏磁分布趨勢。這種比較的目的是評估模擬數據和生成數據之間的一致性。圖14為模擬數據與生成數據可視化對比。由圖14可知，對于相同的管道裂紋缺陷類別，生成數據的泄漏通量趨勢與模擬數據中觀察到的趨勢一致。

對CLIP模型提取的特征向量進行可視化處理，生成數據和仿真數據的特征分布相似，如圖15a所示。相對誤差計算結果表明，生成數據的特征值與仿真數據的特征值接近，如圖15b所示。

將牽拉試驗數據和生成數據可視化為灰度圖像，以評估生成數據是否表現出與自然數據相似的特征。隨機選取4個不同尺寸的裂紋缺陷數據進行可視化，其結果如表3所示。對于相同的管道裂紋缺陷類別，生成的數據具有與試驗數據類似的特征。

4.3.2 數據可視化評價

使用KNN（K最近鄰）算法進行數據質量評價，將待評價的數據樣本作為測試集，同時準備一個已知質量的數據集作為訓練集。選擇能夠反映數據質量的特征（數值型數據的均值、標準差，或分類數據的類別分布等）構建特征空間。使用KNN算法計算測試集中每個樣本與訓練集中所有樣本之間的距離，并選擇適當的K值（即考慮最近鄰的個數）。通過比較測試樣本與其近鄰的相似性來評估測試樣本的質量。如果測試樣本與其近鄰在關鍵屬性上高度一致，則認為該樣本的質量較高；反之，則可能存在質量問題。

表3生成數據的可視化

圖16為KNN計算結果。由圖16可知，在生成的38個管道裂紋缺陷y方向數據樣本中，KNN算法分析確定了25個樣本可能來源于真實數據，概率超過閾值。

基于KNN算法中應用的概率論，可以推斷65.8% 的生成數據很可能來源于真實的數據分布。在生成的53個 z 方向周向裂紋缺陷樣本中，40個樣本被評估為可能來自真實數據，概率超過閾值。這意味著 75.4% 的生成數據可以被認為從真實數據分布中采樣得到。KNN計算結果表明，生成數據的特征分布與真實數據的特征分布具有較高的相似性。

5結論

（1）隨著缺陷深度逐漸增大，軸向分量的峰值逐漸增加；隨著缺陷長度增大，軸向分量信號出現2個波峰且谷間距逐漸增大。軸向分量峰值與缺陷深度正相關，波谷間距與缺陷長度正相關。磁感應徑向分量信號分布形式與軸向不同，呈現反對稱分布，其信號峰值絕對值與缺陷深度正相關，正負峰值間距與缺陷長度正相關。

（2）基于有限元仿真軟件建立了含裂紋缺陷的三維漏磁仿真模型，仿真結果表明，隨著缺陷長度、深度變化的磁場規律與現場牽拉試驗數據趨勢相同，且裂紋缺陷仿真結果與牽拉試驗數據的平均誤差在 5% 以內，證明了三維漏磁仿真模型的準確性，并建立了樣本量為240組的裂紋缺陷漏磁場仿真數據庫。

（3）基于擴散模型構建了生成漏磁場數據的方法，其中類別信息用于控制特定裂紋缺陷類型的數據生成，采用仿真數據訓練擴散模型，其質量評估結果表明，生成數據與仿真數據具有相同的分布，證實了該方法的可行性。

（4）針對實際管道噪聲干擾問題，通過全尺寸牽拉試驗獲取含環境噪聲的真實漏磁數據，并以此優化生成模型。經混合數據訓練后，生成數據中 75.4% 的樣本通過KNN檢驗（ K=5 ），且生成數據的特征分布與真實數據的特征分布具有較高的相似性，證明該方法在復雜工況下的工程適用性。

參考文獻

[1]莫麗，雍浩，李長俊，等．油氣管道組合缺陷漏磁檢測信號數值模擬研究［J]．中國安全生產科學技術，2024，20（1）：5-10.MOL，YONGH，LICJ，etal.Numerical simula-tion study on magnetic flux leakage testing signals of com-bined defects in oil and gas pipelines [J]. Journal ofSafety Science and Technology， 2024， 20（1）：5-10.

[2]ZHANGL，BIAN Y，ZHOUL， et al.Experimentalclassification of pipeline magnetic leakage defects basedonmixed attention mechanism [J].Experimental Tech-nologyand Management，2024，41（1）：100-107.

[3]李睿．油氣管道內檢測技術與數據分析方法發展現狀及展望[J].油氣儲運，2024，43（3）：241-256.LIR. Current progress and prospects of in-line inspec-tiontechniquesand data analysis methods foroil and gaspipelines[J].Oil amp; Gas Storage and Transportation，2024，43（3）：241-256.

[4］高亞婷，吳楠，遲國安，等．管道缺陷漏磁場影響因素仿真分析與研究[J]．電氣防爆，2024（2）：38-43.GAO YT，WUN，CHI GA，et al. Simulation analy-sis and research on influencing factors of pipeline defectmagnetic leakage field [J]． Electric Explosion Protec-tion，2024（2）：38-43.

［5］王宏安，陳國明．基于深度學習的漏磁檢測缺陷識別方法［J]．石油機械，2020，48（5）：127-132.WANGHA，CHENGM.Magnetic flux leakage defectdetection based on deep learning [J]．China PetroleumMachinery，2020，48（5）：127-132.

[6］張佳偉．基于卷積神經網絡的管道缺陷漏磁數據識別方法研究[D]．沈陽：沈陽工業大學，2023.ZHANG JW.Research on the method of magnetic fluxleakage data identification for pipeline defects based onconvolutional neural networks[D].Shenyang：ShenyangUniversity of Technology，2023.

[7］趙東升，楊理踐，耿浩，等．一種面向管道缺陷檢測的漏磁數據增強方法［J]．儀表技術與傳感器，2023（12）：111-116.ZHAO D S， YANG L J，GENG H，et al. MFL data aug-mentation method for pipeline defect detection[J].Instrument Technique and Sensor， 2023（12）：111-116.

[8］焦華超，孫文磊，王宏偉．基于WLT-ACGAN的軸承故障數據生成方法［J/OL]．中國機械工程，2024：1-10（2024-09-12）[2024-10-12]．http：//kns.cnki.net/kcms/detail/42.1294. TH.20240912.1439.025.html.JIAO HC，SUNWL，WANGHW.Bearing faultdata generation method based on WLT-ACGAN [J/OL].China Mechanical Engineering， 2024：1-10 （2024-09-12）[2024-10-12].http：//kns.cnki.net/kcms/detail/42. 1294. TH.20240912.1439.025. html.

[9］曹寅，秦俊平，馬千里，等．文本生成圖像研究綜述[J]．浙江大學學報（工學版），2024，58（2）：219-238.CAO Y，QIN JP， MAQL，et al. Survey of text-to-imagesynthesis[J].Journal of Zhejiang University（Engineering Science），2024，58（2）：219-238.

［10］高欣宇，杜方，宋麗娟．基于擴散模型的文本圖像生成對比研究綜述［J]．計算機工程與應用，2024，60 （24）：44-64.GAO XY，DUF，SONGL J.Comparative review of text-to-image generation techniques based on diffusion models[J].Computer Engineering and Applications，2O24，60（24）： 44-64.

[11］燕冰川，富寬，張海亮，等．環焊縫裂紋型缺陷漏磁內檢測牽拉試驗研空「]油氣田地面工程2023，42（4）：69-75.YANBC，FUK，ZHANGHL，etal.Experimentalstudy on pulling test for magnetic flux leakage internaldetection of girth weld crack defects [J]. Oil-Gas FieldSurface Engineering，2023，42（4）：69-75.

［12］賈海東，黃忠勝．螺旋焊縫裂紋型缺陷高清漏磁內檢測器牽拉研究［J]．管道技術與設備，2018（2）：26-28.JIA HD，HUANG Z S.Pull T est research of high-resolution MFL detector for crack defects in spiral welds[J].Pipeline Technique and Equipment，2018（2）：26-28.

[13]NICOLICEA A，OLIVEROS-MATA E S， ZABILA Y，et al.Flexible anisotropic magnetoresistive sensors fornovel magnetic flux leakage testing capabilities[J].NDT and EInternational，2024，146：146.

[14]LI Y Q，SUN C. Research on magnetic flux leakagetesting of pipelinesby finite element simulation com-bined with artificial neural network [J]. InternationalJournal of Pressure Vessels and Piping， 2024， 212，Part A： 105338.

[15］趙翰學，張咪，郭巖寶，等．基于機器學習的管道金屬損失缺陷識別方法［J]．石油機械，2020，48（12）：138-145.ZHAO HX，ZHANG M，GUO YB，et al.Recogni-tion method of pipeline metal loss defects based onmachine learning [J]. China Petroleum Machinery，2020，48（12）：138-145.

[16］吳其亮，王興，苗子書，等．基于特征條件擴散模型的雷達回波外推算法［J]．科學技術與工程，2024，24（22）：9498-9509.WU Q L，WANG X， MIAO Z S， et al. Extrapola-tion algorithms for radar echoes based on characteristicconditional diffusion models[J]．. Science Technologyand Engineering，2024，24（22）：9498-9509.

[17］馬迪，杜曉林，陳小龍，等．基于多頭自注意力擴散模型的雷達圖像海雜波抑制［J/OL]．電波科學學報，2025：1-9（2024-09-18）[2024-10-15].http：//kns.cnki. net/kcms/detail/41.1185.TN.20240914.1035.001.html.MA D，DUX L，CHEN XL，et al. Sea clutter sup-pression for radar images based on multi-head self-attention diffusion model [J/OL].Chinese Journal ofRadio Science，2025：1-9（2024-09-18）[2024-10-15].htp：//kns.cnki.net/kcms/detail/41.1185.TN.20240914.1035.001.html.

[18]譚超，譚繼偉，沈艷軍，等．VMD與時間-空間分數階擴散模型聯合分段TEM濾波［J]．重慶郵電大學學報（自然科學版），2025，37（2）：204-214.TAN C，TANJW，SHENYJ，et al.SegmentedTEM filtering combined with VMD and time-space frac-tional-order diffusion model [J].Journal of ChongqingUniversity of Posts and Telecommunications（NaturalScienceEdition），2025，37（2）：204-214.

[19］神祥凱，劉金海．基于異構擴散模型的輸油管道缺陷及組件檢測方法研究［J]．控制與決策，2025，40 （3）：937-945.SHEN X K，LIU JH. Research on defect and compo-nent detection method of oil pipeline basedon heteroge-neous diffusion model ［J]．Control and Decision，2025，40（3）：937-945.

[20]黃浩，蒲亦非．基于分數階全變分和擴散模型的圖像去模糊方法［J］．四川大學學報（自然科學版），2024，61（5）：41-51.HUANGH，PUYF.Imagedeblurringbased on frac-tional-order total variation and diffusion models [J].Journal of Sichuan University（Natural Science Edi-tion），2024，61（5）：41-51.

[21］李振北，常連庚，張學鵬，等． β1016mm 管道超高清漏磁復合檢測器研制［J]．石油機械，2023，51（7）：138-145.LI Z B，CHANG L G，ZHANG X P，et al. Develop-ment of ultra-high definition magnetic flux leakage composite pipeline detector for 1 O16 mm pipelines [J].China Petroleum Machinery，2023，51（7）：138-145.

[22］張雪偉，陳金忠，康小偉，等．油氣管道劃痕非飽和漏磁檢測與識別[J]．石油機械，2022，50（3）：132-138.ZHANG X W，CHENJZ，KANG XW，et al.Unsaturated magnetic flux leakage detection and identifi-cation of scratches in oil and gas pipelines [J].ChinaPetroleumMachinery，2022，50（3）：132-138.

作者簡介：陳溪銘，生于2004年，中國石油大學（北京）油氣儲運工程專業本科在讀。地址：（102249）北京市昌平區。email：1223525146@qq.com。通信作者：劉嘯奔，副教授。email：xiaobenliu@cup.edu.cn。

收稿日期：2024-12-03 修改稿收到日期：2025-02-15（本文編輯劉海森）