基于极限学习机及磁记忆技术的管道缺陷分类方法研究

王宇 万勇 杨勇 戴永寿

1中国石油大学（华东）信息与控制工程学院

2中国石化股份有限公司胜利油田分公司技术检测中心

油气输送管道在运营过程中，由于自身存在的质量问题和外界环境的影响，会产生腐蚀和应力集中两大类缺陷。腐蚀缺陷对管道的安全运行有较大的影响；应力集中缺陷如果不能被及时发现和处理，最终也会演变为腐蚀缺陷，从而对管道的安全运行造成威胁。因此，开展管道应力腐蚀检测对于管道隐患的整治以及防止管道破裂事故等都具有重要的指导意义[1-2]。

金属磁记忆检测技术是由俄罗斯学者DOUBOV等人提出的一种新型无损检测技术[3-4]，基本工作原理可以描述如下[5-7]：铁磁构件在载荷和地磁场的共同作用下，内部的磁畴结构发生不可逆变化，这种变化会导致材料在应力集中处产生漏磁场。然而，单从金属磁记忆原始信号本身只能判断被检测管道有无缺陷，无法对缺陷的类型进行有效区分，从而无法实现对管道缺陷的分级别预警[8]。

针对此问题，龚利红等人将感知器神经网络模型应用在基于金属磁记忆技术的管道缺陷判别中，实现了对管道缺陷的分类识别[9]。陈文明等人通过比较缺陷信号与已知类型的缺陷模板的匹配程度来判别缺陷类型，分类效果显著[10]。龚利红等人将线性判别分析模型应用在识别应力集中和宏观裂纹这两种缺陷之中，也取得了不错的分类效果[11]。然而，上述文献中介绍的识别方法仍然存在数据样本少、识别模型普适性差和无油田现场实际验证等问题。

因此，为了充分发挥磁记忆技术在管道缺陷预警方面的优势，实现对管道邻近破坏缺陷和早期缺陷的分阶段预警，本文开展了腐蚀缺陷和应力集中缺陷分类关键技术的研究，利用极限学习机方法建立了管道缺陷分类模型，并验证了方法所建模型的实际应用效果。

1 极限学习机特征提取原理

1.1 极限学习机

管道的磁记忆信号包含丰富的特征信息，因此缺陷分类在高维空间中进行，导致管道缺陷段信号的识别工作面临较大的困难。传统的模式识别方法如BP神经网络，由于存在训练学习时间较长，人为设置大量的网络训练参数等问题，对油田现场管道缺陷类别的快速准确诊断较为困难。

极限学习机（ELM）算法是一种简单有效的单隐层前馈神经网络学习算法。与传统的神经网络学习算法相比，极限学习机只需要设置网络的隐层节点数量，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。

在分析管道缺陷的磁记忆信号时，需要算法模型可以进行快速识别和分类预测，以达到及时预警的目的，虽然极限学习机方法在其他缺陷识别诊断领域也有广泛的应用，而在管道缺陷分类领域的研究较少。因此，本文引入极限学习机方法建立两种固定缺陷的识别模型，并以油田现场的实际输油管道对模型的可行性进行验证，以确定方法的实际应用效果。

1.2 磁记忆信号的特征提取

管道缺陷磁记忆信号的特征提取是建立缺陷分类识别模型，实现缺陷分类的前提。目前，管道缺陷的分类研究还没有明确固定的特征量分析要求；因此，本文从信号的形态、时域和频域三方面全面计算了多种特征量。

1.2.1 形态特征

形态特征是指信号在直观上的某些特点，如信号与坐标轴围成的面积等。通过计算，分别得到如下形态特征量：各通道缺陷段信号与X轴围成的面积、各通道缺陷段信号磁场梯度最大值，以及磁场梯度平均值。

1.2.2 时域特征

时域特征即磁记忆信号随时间变化的特点，如一段信号的平均值等。通过计算，得到如下特征量：各通道缺陷段信号磁场强度平均值、磁场强度最大值、磁场强度最小值、磁场强度峰峰值和缺陷段信号的能量。

1.2.3 频域特征

除了计算信号的形态和时域特征量，本文还在频率域中对信号的特征进行了提取，考虑对磁记忆信号进行小波包分解，以获取缺陷段的频域特征。

小波包分解将信号投射到由一组相互正交的小波函数构成的子空间中，使信号在不同程度上展开，从而可以提取不同频带上的信号特征。由于各频带均包含了丰富的信息，其能量分布可以表征信号的不同特性，因此计算小波包能量作为磁记忆信号频域特征的有效特征量，用于缺陷识别分类方法的建模。下面以三层小波包分解为例解释小波包能量的计算方式。小波包三层分解的结构如图1所示。

图1 三层小波包分解结构图Fig.1 Decomposition structure diagram of three-layer wavelet packet

图中：Si,j表示第i层的第j个节点，其中，i=0，1，2，3，j=0，1，...，7。每个节点的系数表示相应频段的信号特征。设S3,j中某一频段的小波包分解系数为mj,k(j=0，1，...，7，k=1，2，...，n)，则该频段的小波包能量为

在计算磁记忆信号的小波包能量时，采用三层小波包分解，通过对磁记忆信号作离散傅里叶变换，发现信号的低频成分占比较大，高频成分几乎为0，因此提取的缺陷段磁记忆信号的小波包能量为节点S3,0低频段的小波包能量。

2 测试件磁记忆检测试验

仿照实际油气输送管道设计并制作了5根圆孔腐蚀加直角弯焊缝应力集中管道测试件。5根测试件分别命名为1#～5#腐蚀加直角弯测试件，使用Ф114mm无缝钢管制成，材料质地符合国标，壁厚1.5 cm，长6.3 m，包括2个圆孔腐蚀管段和1个直角弯管段。每个圆孔腐蚀管段都有3个肉眼明显可见的腐蚀圆孔，视为腐蚀缺陷；直角弯管段未经淬火处理，存在应力，视为应力集中缺陷。5根测试件仅圆孔腐蚀的孔深存在区别，其余特征均相同，设计图如图2所示。

图2 腐蚀加直角弯测试件实物及结构图Fig.2 Corrosion and right-angle bend test pieces and structure diagram

本次试验使用的仪器是TSC-5M型磁记忆检测仪，该仪器是国内外研究工作者普遍使用的一种磁记忆检测设备，也是最先进的磁记忆检测设备之一。仪器共有4个探头（1#～4#探头），每个探头可以检测该探头位置磁记忆信号的3个分量，共检测12个通道（HP1～HP12）的磁记忆信号。对5根管道测试件分别开展了提离距离0～15 cm的磁记忆信号检测试验，每根管道测试件各留下20组试验数据，共获取100组建模测试件试验数据。

3 极限学习机分类模型的建模及验证

3.1 建模

在建模研究过程中，利用三种类型特征量的不同组合建立了多个极限学习机缺陷识别模型，对比了各模型的实际应用效果，寻找最优的缺陷分类模型，发现使用以下通道及特征量建模，模型的缺陷识别效果相对较好：设置随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，神经元数量设为30个，腐蚀缺陷的预测结果设为1，应力集中缺陷的预测结果设为2。下面列出所建立的有代表性的极限学习机管道缺陷分类模型。

首先，仅选择磁记忆信号的时域特征量进行建模及方法验证，时域特征量包括HP1通道和HP10通道缺陷段信号的平均值、HP1通道和HP7通道缺陷段信号的最大值、HP2通道和HP5通道缺陷段信号的最小值以及HP1、HP4、HP7、HP10通道磁记忆信号的峰峰值。

其次，考虑信号的形态和时域特性，除上述的多种时域特征量外，还加入了形态特征量HP1通道缺陷段信号与 X轴围成的面积，HP1、HP4、HP7、HP10通道磁记忆信号的梯度最大值和梯度平均值进行建模及方法验证。

最后，利用信号形态、时域和频域三类特征量组合建模，加入频域特征量，即HP1通道信号的小波包三层分解中第3层第1个低频节点的小波包能量。

3.2 现场管道非盲测数据验证

为验证模型在油田现场的实际应用效果，在油田输油管道现场进行了验证试验。试验对象为东营市胜利采油厂和现河采油厂野外的5根油气输送管道，5根管道均为裸露管道，管道缺陷类型已知，对所有管道检测的提离距离始终保持在0～15 cm之间，共获取到48组管道的缺陷段数据。

选择48组油田现场管道缺陷数据对三组模型的分类效果进行验证。针对相同特征量组合建模的模型进行10次验证，取平均值进行统计。经验证，仅使用时域特征量建模模型的缺陷平均正确识别率为72.92%；使用形态和时域特征量混合建模模型的缺陷平均正确识别率为76.67%；使用三类特征量混合建模模型的缺陷正确识别率为80.21%。部分模型分类结果如图3～图5所示。

图3 时域特征量模型的非盲测部分分类结果Fig.3 Classification results of non-blind measurement parts of the time domain feature quantity model

图4 形态特征量和时域特征量组合模型的非盲测部分分类结果Fig.4 Classification results of non-blind measurement parts of combination model for morphological feature quantity and time domain feature quantity

图5 三类特征量组合模型的非盲测部分分类结果Fig.5 Classification results of non-blind measurement parts of combination model for three types of feature quantity

3.3 现场管道盲测数据验证

为了验证本文建立的识别方法在油田现场的盲测效果，除选择了以上东营市野外的裸露管道进行识别方法的非盲测验证外，还选择了东营市现河采油厂野外的一条埋地油气输送管道进行盲测验证，该管道的缺陷类型由于管道埋地未知，真实的缺陷类型需开挖后明确（图6）。

图6 开挖后埋地油气输送管道实物图Fig.6 Physical map of buried oil and gas pipeline after excavation

经试验共获得10组盲测试验数据，然后将埋地管道挖开，记录真实缺陷类型，其中本次试验的埋地管道缺陷类型为腐蚀缺陷。使用三类特征量组合建模的模型对该埋地管道进行了10次识别，平均正确识别率为74%。其中两次识别结果如图7所示。

图7 三类特征量组合模型的盲测部分分类结果

4 试验结果分析

缺陷类型识别方法的试验结果如表4所示，根据试验结果可知，在充满干扰因素的油田现场环境下，无论是盲测试验还是非盲测试验，本文所选取的三组极限学习机缺陷分类模型的平均正确识别率均在70%以上，识别率较高。由验证结果可见，建立的极限学习机分类模型对油气管道腐蚀缺陷和应力集中缺陷的识别是可行的，模型主要适用于对管道腐蚀缺陷和应力集中缺陷类型的识别，且适用于油田大部分输油管道的情况，在油田现场有着较好的实际应用效果。

表4 缺陷类型识别方法验证结果Tab.4 Verification results of defect type identification method

同时针对不同类型特征量的不同组合进行建模验证，其中以三种不同类型特征量建模模型的识别效果最好，平均识别率较其余两种模型有显著上升。这是因为三种不同类型特征量之间均为非线性关系，关联性较低，且多角度分析特征量可以更好地反映缺陷信号的特点，考虑问题更加全面与严谨，也说明从三个方面分析和提取磁记忆信号特征量是必要的，可以有效地提高缺陷类型识别方法的正确识别率。但是，本文采用的极限学习机方法仍然存在部分问题，最大的问题就是方法仅能实现腐蚀缺陷和应力集中缺陷这两种特定类型缺陷的识别，受样本数量的限制，其普适性有一定的限制，暂时无法适用于所有缺陷类型的识别工作。以上问题需要在后续的研究中考虑并解决。

5 结束语

目前，尚未有将极限学习机方法应用在管道缺陷检测中的有效研究，故本文针对磁记忆信号本身无法有效识别管道腐蚀缺陷和应力集中缺陷的问题，将极限学习机方法有效地应用在油田管道缺陷的检测中，建立了一种全新的基于金属磁记忆技术的多特征量极限学习机缺陷识别模型。

同时针对目前在磁记忆技术检测分析过程中无明确固定特征量分析需求这一问题，从磁记忆信号的形态特征、时域特征和频域特征三方面全面分析、计算了多种特征量，并利用不同类型特征量的不同组合进行建型，根据模型识别结果也说明从三方面全面考虑磁记忆信号特征是必要的，对磁记忆信号特征量种类的计算和提取过程也可以为后续信号特征的定量化研究提供参考。

最后，将该模型应用在实际油田现场的油气管道中，通过盲测数据及非盲测数据两方面对模型的实际应用效果进行验证，通过验证结果发现，极限学习机方法可以有效地识别油田现场5根不同管道的腐蚀缺陷和应力集中缺陷，实际应用性较强。后续可以在本研究基础上继续开展研究，引入更多类型的缺陷特征，以提高模型的普适性；可继续开展管道缺陷的分级识别、管道缺陷磁记忆信号的定量化研究等工作，通过对管道缺陷做系统的分级识别和定量化研究等工作，实现对管道破裂的及时预警。