基于神经网络及数据融合的管道缺陷定量识别

　　铁磁性管道是石油和天然气输送的主要方式。管道由于长时间的腐蚀、磨损以及机械损伤等原因会形成各种缺陷。由于管道长时间工作在高压下,这些缺陷如不及时发现修理,将最终导致管道泄漏事故。为了防止事故造成的经济损失、环境污染乃至人员伤害,必须定期进行管道缺陷检测。

　　在诸多铁磁性管道检测技术中,漏磁检测技术是最成熟的,尤其对铁损失等管道缺陷有非常好的检测效果。其基本原理在文献[1]中已有阐述。漏磁检测信号随着管道内压力、检测装置运行速度及管道材质等的变化而变化,检测信号的重复性和稳定性较差。从磁场分布特征来看,不同几何形状的缺陷可能产生相似的磁场分布,因而,从缺陷的磁场分布反演缺陷几何尺寸时,反演运算的结果存在着不定性,因此缺陷参数的定量识别成为漏磁检测技术的难点。目前主要用人工方法进行缺陷的识别,只能给出缺陷的定性结果,而无法给出缺陷形状和尺寸等准确的定量信息。且随着管道漏磁检测设备精度的提高及检测距离的延长,检测数据急剧增加,每检测100 km的管道可以产生高达几万兆字节的数据^[2],如此大量的检测数据人工分析起来耗时极长,迫切需要智能的管道缺陷定量识别技术。

　　神经网络技术是近年来发展起来的一门交叉学科,由于它具有非线性映射、分布并行处理和自适应学习等特性,使得它在模式识别、控制优化、智能信息处理以及故障检测与诊断等领域的应用有着广阔的前景。在无损检测领域,基于神经网络的缺陷识别技术的研究也已经取得了一些成绩。K.Hwang等研究了基于小波神经网络的管道缺陷的三维重建^[3],Pradeep Ramuhalli等研究了电磁检测中的逆问题,尝试用RBF神经网络和小波神经网络由缺陷的漏磁信号反演缺陷的截面轮廓[4];杨涛等对漏磁信号的特征量进行提取,用BP神经网络进行缺陷几何参数的识别,但精度不够理想[5]。这些研究为管道缺陷定量识别技术的研究打下了很好的基础。

　　多传感器数据融合是在20世纪80年代诞生的信息处理技术,现已广泛应用于军事、航天、智能机器人控制等领域。多传感器数据融合研究利用多个传感器获得的多种信息,得出对环境或对象特征的全面、正确的描述。管道漏磁检测装置经常使用多达上千个霍尔传感器来检测漏磁信号的轴向分量和径向分量,多传感器数据融合的应用可以提高检测系统的精度和可靠性,增加系统的可信度。

　　下面分析管道缺陷的漏磁信号与缺陷几何参数的关系。对轴向和径向漏磁信号分别用BP神经网络进行管道缺陷参数的定量识别,用加权平均和自适应加权平均两种方法实现漏磁信号的融合。