一种漏磁内检测器数据的自适应滤波方法

唐建华，孙少欣，刘金海，汪 刚

(1.中海油能源发展装备技术有限公司，天津 300451; 2.东北大学 信息科学与工程学院，沈阳 110004)

一种漏磁内检测器数据的自适应滤波方法

唐建华1，孙少欣2，刘金海2，汪 刚2

(1.中海油能源发展装备技术有限公司，天津 300451; 2.东北大学 信息科学与工程学院，沈阳 110004)

提出了一种具有快速精准的大数据处理功能的智能滤波方法，根据不同的漏磁信号特点采取相应的滤波算法进行线滤波和面滤波，实现了对漏磁内检测器装置采集到的数字信号的自适应滤波，为准确快速地进行管道缺陷定位、特征提取及寿命预测奠定了坚实的基础，进一步保证了管道的安全运行，延长了管道的使用寿命，防止了管道泄漏和环境污染。

漏磁内检测器；数据预处理；频谱分析；自适应滤波

管道运输不受气候骤变和环境突变的影响，同时还可以跨越长距离大量运输，因此管道运输成为运输石油与天然气等流体的必然选择。在油气输送过程中，当发生管道泄漏尤其爆管时，轻则造成经济与能源损失，对生态环境造成不利影响，重则会造成人员伤亡，因此管道运输的泄漏检测与管道维护是管道运输的难题之一。

管道内检测与外检测是两种主要的管道故障诊断方法[1-2]。管道外检测只适用于陆地铺设的管道，无法对海底油气管道进行检测，并且主要应用于事后处理，其可对管道已经发生的泄漏进行提示报警，降低由于泄漏而产生的损失，但不能有效预警即将发生的泄漏。而管道内检测技术更加完善，也是国内外行业公认的最为有效的安全检测手段。内检测技术主要包括：涡流检测技术、超声波检测技术、光学检测技术以及漏磁检测技术等。不同于任何以往的破坏性检测，管道内检测技术为无损检测技术，即在不破坏管道化学性质和原有状态的基础上，获取管道特征，进而详细了解管道运行状况。具体检测方法为：通过具有信息存储、采集和处理等强大信息处理功能的管道内部检测装置，采用直接无损的方法对管道进行在线检测，借助管道内介质的物理流动作用作为动力在管道内移动。当内检测装置在管道中被取出后，针对内检测器所采集到的完整数据结构进行分析和处理，经过相应计算得到管道变形、腐烛、裂纹程度等，并对其进行准确定位。因此，管道内检测技术能够攻克所检测管道的缺陷位置难题[3-4]，不仅能够准确无误定位缺陷，实现实时预警，而且能够识别出缺陷的类型甚至大小。

数据预处理技术属于数据分析前端，对检测到的原始数据进行初加工，具体指对漏磁检测装置采集到的信号进行特征提取之前对数据进行的操作，图1为管道故障诊断整体结构设计流程。滤波是数据预处理的重要内容，研究漏磁内检测器数据的自适应滤波方法为准确快速进行管道缺陷定位、特征提取及寿命预测奠定了坚实的基础。因此漏磁内检测器数据的自适应滤波方法可为维护管道运行、预测管道寿命、延长管道使用寿命以及事故预防等方面提供强有力的科学依据，在很大程度上可避免管道的盲目维修，减少管道维修所花费的人力和物力。

图1 管道故障诊断整体结构设计流程

笔者根据不同的漏磁信号特点采取相应的滤波算法进行线滤波和面滤波，实现了对漏磁内检测器装置采集到的数字信号的自适应滤波，为准确快速地进行管道缺陷定位、特征提取及寿命预测奠定了坚实的基础，进一步保证了管道的安全运行，延长了管道的使用寿命，防止了管道泄漏和环境污染。

图2 漏磁信号特点识别示意

1 漏磁数据识别算法

根据漏磁信号特点以及经典滤波方法的特点,设计了单通道自适应滤波系统。漏磁信号基本可以划分为无缺陷信号、大缺陷信号、小波动信号3种类型，漏磁信号特点识别示意如图2所示。一般情况下，一路信号大部分为不含有缺陷的信号，可以通过观察上下通道数据将小波动信号识别出是噪声信号还是小缺陷信号。如果多路信号均有波动，并且波动形状和幅度大小基本一致，或者只有一路信号有较小波动，则为噪声信号，反之则为小缺陷信号。

图3为漏磁数据识别流程图，具体流程如下：

(3) 当全部标记完毕后，信号区域间会出现重叠现象，需重新标定。ψ2与ψ1重叠部分归ψ2，ψ3与ψ1重叠部分归ψ3，ψ3与ψ2重叠部分归ψ3。

图3 漏磁数据识别流程

图4 自适应滤波算法流程

2 自适应滤波算法

自适应滤波算法流程图如图4所示，数据识别完成后，对应于数据类型的具体自适应滤波算法如下所述。

2.1 无缺陷区域信号的自适应滤波 对于不含有缺陷的信号，尽可能削弱信号幅度，平滑地滤除此区域信号，使幅值接近基值的平坦信号。FFT(快速傅里叶变换)方法可以从频谱分析图[5]上直接对高频信号,即噪声信号进行滤除，当中值滤波[6]的参数值较大时，信号幅度也会大幅减小，平滑均值滤波最大的特点就是使信号更加平滑。因此先通过FFT滤波算法进行粗滤波，直接进行高频段噪声的剔除，再通过中值滤波算法对幅值进一步削减，最后通过平滑均值滤波平滑曲线，通过选取合适的参数，使3种方法结合在一起，对不含有缺陷的信号进行无缺陷信号混合滤波，完成线滤波。当使用中值滤波时，信号幅度会大幅减小，同时均值滤波可使信号更加平滑，因此先通过中值滤波算法对漏磁信号幅值进行削减，再通过均值滤波对其进行平滑处理，通过选取合适的参数，使两种方法结合在一起，实现无缺陷区域混合滤波算法，完成面滤波[7]。

2.2 小波动区域信号的自适应滤波

小波动信号既有可能是小缺陷也有可能是大幅度噪声信号,若为噪声信号,则应达到削减其幅值，类似于处理不含有缺陷信号的效果；若为小缺陷，则应保证平滑信号的情况下使其幅度稍微增大，即达到图像增强的效果。等纹低通滤波[8]最大的特点就是使最大误差最小化，并且其最大逼近误差均匀分布。贝塞尔滤波最大的特点就是失真小，不存在过冲现象，且参数适当时，可使图像增强。因此先通过等纹低通滤波算法对漏磁信号进行滤波，再通过贝塞尔滤波算法对幅值进一步平滑，通过选取合适的参数，使两种方法结合在一起，对含有小缺陷的信号进行小波动信号混合滤波，完成线滤波。高斯滤波的特点为能对信号数据进行能量转化，排除掉能量低的部分，而噪声属于低能量部分，在完成噪声信号能量衰减的同时，避免了缺陷信号的失真。巴特沃斯滤波最大的特点为其曲线较平坦，没有起伏。因此先通过高斯滤波算法对小缺陷信号进行滤波，实现去噪与使缺陷信号最大限度的不失真，再通过巴特沃斯滤波算法对幅值进一步平滑，实现缺陷信号增强，通过选取合适的参数，使两种方法结合在一起，实现小波动区域混合滤波算法而完成面滤波。

2.3 大缺陷区域信号的自适应滤波

对于含有较大缺陷的信号，应保证在不失真的情况下，即保证缺陷信号的峰谷差尽量不变的情况下，使其更加平滑。窗函数法滤波在滤除噪声的同时，可使图像平滑，且失真较小。小波分析方法能同时在时、频域内对信号进行分析，能有效地区分信号中的缺陷信号和噪声，从而完成含有较大缺陷信号的去噪。因此先通过窗函数法滤波算法对缺陷信号进行滤波，再通过小波滤波算法对幅值进一步平滑，通过选取合适的参数，使两种方法结合在一起，对含有较大缺陷的信号进行大缺陷信号混合滤波，完成线滤波。小波包滤波方法能同时在时、频域内对信号进行分析，能有效地区分信号中的缺陷信号和噪声，从而完成含有较大缺陷信号的去噪。高斯滤波可显著提高信噪比，可使漏磁信号平滑，且失真较小。因此先通过高斯滤波算法对缺陷信号进行滤波，再通过小波包滤波算法对其幅值进一步平滑，通过选取合适的参数，使两种方法结合在一起，实现大缺陷区域混合滤波算法，完成面滤波。

因此自适应滤波算法即为根据漏磁信号特点，先进行单通道自适应滤波来完成线滤波，再进行多通道自适应滤波来完成面滤波[9-10]的方法。

3 滤波评价方法

3.1 主观评价

3.1.1 信号畸变度(SD)

由于滤波算法的一些缺陷，可能导致滤波后某段波形发生畸变，与正常波形无法对应。信号畸变度是指滤波后与滤波前图像的畸变波形占整体波形的比重，以及畸变波形段无法对应的程度。信号畸变度主要是针对缺陷信号来说的，可分为低、中、高3个等级。信号畸变度越低，滤波效果越好。

一般情况下，与原缺陷信号能够基本重合，甚至在幅值不降低的情况下比原来更加平滑，就可以认定为信号畸变度低；与原缺陷信号比，幅值有小幅下降，但是基本不影响缺陷信号的特征提取，就可以认定为信号畸变度中等；反之，缺陷信号幅度大幅削减，已经达到了与原始信号无法对应的程度，即认定为信号畸变度高。

3.1.2 信号可辨识程度(SDD)

信号可辨识程度是指在保证缺陷信号不失真的基础上，使缺陷信号更加平滑，以及使非缺陷信号更加平坦光滑。信号畸变率主要针对非缺陷信号来说，可分为低、中等、高3个等级。

一般情况下，与原非缺陷信号能够基本重合就可以认定为信号可辨识程度低；与原非缺陷信号比，幅值有小幅下降，就可以认定为信号可辨识程度中等；反之，大幅度削减了非缺陷信号幅度，变得比较平坦平滑了，即认定为信号可辨识程度高。通常信号可辨识程度高，信号畸变度也会越高，因此滤波过程中要达到信号可辨识程度高，信号畸变度低的最佳效果。

3.2 客观评价

进行客观评价时，首先要确定可检测缺陷信号标准。对于可检测缺陷信号，传感器阵列需要至少检测到缺陷的6个有效采样数据，所谓有效采样数据是指峰值信噪比大于10 dB的缺陷采样数据。这里的缺陷有效采样数据为同一个缺陷在所有传感器阵列上检测到的有效采样数据个数之和。

3.2.1 归一化均方误差(NMSE)

(1)

3.2.2 峰值信噪比(PSNR)

峰值信噪比的数学定义为

(2)

式中：xmax为采样数据峰值，默认为幅值最大值。

3.2.3 信噪改善比(SNIR)

峰值信噪比是指信号最大可能功率的大小与影响其精度的具有破坏性的噪声功率的比值。信噪比越大，信号测量越精确。缺陷信号(有效采样数据)峰值信噪比大于10 dB。

(3)

式中：SNR_n为滤波后信噪比;SNR_0为滤波前信噪比。

信噪改善比是指滤波后信噪比与滤波前信噪比的比值。信噪改善比越高，表明滤波系统的滤波效果越好，检测到微弱有用信号的能力越强。

3.2.4 波形失真率(DR)

(4)

波形失真率是指去噪对有用波形的损伤程度。该比值越小，说明校正后的波形与原始波形越接近，对波形的损伤越小，滤波效果越好；反之，DR越大说明校正效果越差。

4 仿真验证

4.1 无缺陷区域信号的自适应滤波效果

无缺陷区域信号的自适应滤波效果评价性能指标如表1所示，可见其大大削减了噪声信号，滤波效果比单一滤波算法效果好很多。无缺陷区域信号的自适应滤波效果对比如图5所示。

表1 无缺陷区域信号的自适应滤波效果评价性能指标

图5 无缺陷区域信号的自适应滤波效果对比

4.2 小波动区域信号的自适应滤波效果

小波动区域信号的自适应滤波效果评价性能指标如表2所示，小波动区域信号的自适应滤波效果对比如图6所示，可以看出图中右端的小缺陷信号平滑的同时，信号得到了一定的增强。而另一个噪声小鼓包，即图像中左端的小鼓包得到了平滑处理，信号幅值得到削减，其滤波效果比单一滤波算法效果好很多。

表2 小波动区域信号的自适应滤波效果评价性能指标

图6 小波动区域信号的自适应滤波效果对比

4.3 大缺陷区域信号的自适应滤波效果 大缺陷区域信号的自适应滤波效果评价性能指标如表3所示，大缺陷区域信号的自适应滤波效果对比如图7所示。可以看出,信号峰值还是有少许降低，这是因为在峰值处也是有噪声的，峰谷差变动不大，其滤波效果也比单一滤波算法效果好很多。

表3 大缺陷区域信号的自适应滤波效果 评价性能指标

4.4 自适应滤波整体效果 利用以上原理实现自适应滤波，通过表4可看出效果较佳时，SD和SDD均很理想。NMSE也有少许减小，PSNR有所增大，SNIR相对较高，DR理想。自适应滤波效果对比如图8所示，效果有明显改善。

图7 大缺陷区域信号的自适应滤波效果对比

评价指标原始信号小波滤波效果SD-低SDD-高NMSE/(×10-6)8．156．24PSNR32．1433．51SNIR-1．043DR/(×10-3)-2．32

图8 自适应滤波效果对比

经过以上分析可看出，自适应滤波算法在传统单一滤波算法的基础上，滤波效果有了较大的改进，自适应性更强，但是仍需进一步改进，达到更加理想的滤波效果。

5 结语

根据管道检测结果，可以对管道腐蚀状况、重大缺陷以及潜在缺陷进行评价，也可以对检测出的缺陷进行分类、分级、评价以及预测，并可以预测管道剩余使用寿命。通过管道检测可以预测和防止缺陷的发生和发展。当出现缺陷时，通过提出相应的维修计划，对缺陷以及危险点或危险段采取对应措施，从而达到控制缺陷的效果，预见性地在管道达到破损值前修理或更换，科学地避免事故的发生。很明显，管道事故一旦发生，可能造成停产停输、环境污染，后果极其严重，但在对漏磁数据进行缺陷检测前，需要进行数据预处理。

笔者对均值滤波、中值滤波、高斯滤波、巴特沃斯滤波、小波滤波等多种经典滤波方法进行了研究。通过对其各自滤波方法的特点进行分析与研究，设计了针对不含有缺陷信号区域、小波动信号区域、含有较大缺陷信号区域，3种不同区域数据的线滤波与面滤波结合的自适应滤波算法，其效果在单一滤波方法的基础上有了极大地改善，基本达到了漏磁信号数据滤波要求的效果。

[1] 康宜华, 武新军, 杨叔子. 磁性无损检测技术中的信号处理技术[J]. 无损检测, 2002, 24(6): 255-259.

[2] 李家伟, 陈积懋, 李路明. 无损检测手册[M]. 北京: 机械工业出版社, 2002.

[3] 邓志扬，杨芸，冯搏,等. 表面粗糙度对裂纹漏磁检测的影响[J]. 无损检测, 2016, 38(2): 40-44.

[4] 高松巍，郑树林，杨理践. 长输管道漏磁内检测缺陷识别方法[J]. 无损检测, 2013, 35(1): 38-41.

[5] ABBOUND D, BAUDIN S, ANTONI J, et al. The spectral analysis of cyclo-non-stationary signals [J]. Mechanical Systems and Signal Processing, 2016, 75(1): 280-300.

[6] 夏良正. 数字图像处理[M]. 南京: 东南大学出版社, 1999.

[7] GE Shi-ming, YANG Rui, HE Yu-qing, et al. Learning multi-channel correlation filter bank for eye localization[J]. Neurocomputing, 2016, 173(2): 418-424.

[8] 高西全, 丁玉美. 数字信号处理[M]. 西安: 西安电子科技大学出版社, 2008.

[9] MUKHERJEE D, SAHA S, MUKHOPADHYAY S, et al. An adaptive channel equalization algorithm for MFL signal[J]. NDT & E International, 2012, 45(1): 111-119.

[10] ZHANG Yong, YE Zhong-fu, XU Xu. An adaptive method for channel equalization in MFL inspection[J]. NDT & E International, 2007, 40(2): 127-139.

An Adaptive Filtering Method of the Data Measured by Magnetic Flux Leakage In-line Detectors

TANG Jianhua1, SUN Shaoxin2, LIU Jinhai2, WANG Gang2

(1.CNOOC EnerTech Equipment Technology Co., Ltd., Tianjin 300451, China;2.School of Information Science and Engineering, Northeastern University, Shenyang 110004, China)

In this paper, a method of intelligent filtering algorithms with the function of fast and accurate data processing is proposed. According to the different characteristics of magnetic flux leakage signals, appropriate filtering algorithms are adopted to realize single channel filter and multi-channel filter. The method realizes adaptive filtering of digital signals collected by the magnetic flux leakage in-line detectors, lays a solid foundation for accurate and fast defect localization, feature extraction and life prediction, ensures the safe operation of the pipeline, extends the pipeline service life, and prevents pipeline leakage and environment pollution further.

magnetic flux leakage in-line detector; data preprocessing; spectrum analysis; adaptive filtering

2016-09-07

国家自然科学基金资助项目(61473069,61374124)

唐建华(1985-),男，本科，工程师，主要从事管道安全检测技术工作

孙少欣，1804824221@qq.com

10.11973/wsjc201705001

TG115.28

A

1000-6656(2017)05-0001-05