中合特检技术服务有限公司河南省濮阳市457000
摘要：油管漏磁检测技术作为一种应用广泛的电磁无损检测技术，在保证油田安全生产方面具有重要的作用。实际上，漏磁检测信号与缺陷外形尺寸之间的关系呈非线性，因此为建立缺陷与漏磁检测信号的关系，必须同时考虑多种因素。而鉴于影响漏磁检测信号的因素较多，人们也从诸如提离值、管道压力等方面对缺陷漏磁场进行研究。
关键词：基于漏磁检测；缺陷量化方法
前言
基于漏磁原理检测到的铁磁材料制成的管道、器皿等存在缺陷的信号，常简称为漏磁检测信号或漏磁信号。对漏磁检测信号的量化过程，即根据漏磁检测信号确定出对应缺陷的长、宽、深等尺寸的过程，称为对漏磁检测信号的反演过程。在该过程中，仅漏磁场已知，而需要确定的缺陷形状、尺寸等参数有若干个;并且对于不同几何形状、不同尺寸的缺陷，还可能产生相似的磁场分布。因此，漏磁检测信号的反演结果并不唯一。在国内外，不同领域的专业人士从不同角度出发提出不同的检测方法，为漏磁检测信号的量化提供这样或那样的依据。
1、缺陷量化方法概述
漏磁检测定量计算的方法分为直接法和间接法。直接法无法得到唯一、稳定的解，故实际中很少采用。间接法又分为映射法和信号分类法，其中映射法又细分为统计法和人工神经网络法。而信号分类法属于定性方法，不直接给出缺陷的外形尺寸。鉴于此，本文主要介绍间接方法中的映射法，即以统计或神经网络对铁磁材料缺陷漏磁信号进行量化的方法。
2、统计法
通过多个特征量来决定缺陷的某一个特征参数，而这多个特征量之间又存在非线性的关联关系。对于这一类的问题，可以利用统计学中的多元非线性回归方法、主成分分析方法、线性模式分类器和非线性判别函数等方法加以解决。
在对漏磁检测信号进行统计识别前，必须先进行预处理，然后再从中抽取出能够定量反映缺陷形状的特征量。统计识别方法的准确性，由训练模式样本与未知模式样本间的一致性、特征抽取的准确性等多个因素决定，实现的关键在于特征量的选取。
2002年，蒋奇等人利用主成分分析法简化判别缺陷外形尺寸的漏磁场特征量，提出利用多元非线性回归、非线性判别函数等统计识别方法分析缺陷漏磁场的特征量，给出了识别缺陷的长、宽、深的数学模型。结果显示，缺陷深度的评价误差比缺陷长度和宽度的评价误差大;经现场试验验证，使用统计法对缺陷长度的评价精度可达90%以上，对宽度和深度的评价精度达到75%。
3、人工神经网络法
人工神经网络法为映射法的一种，它在反演领域的应用始见于20世纪80年代，其作用不是寻找一个确定的数学表达式，而是把样本集合中的输入向量输入给网络，然后依据一定的算法，使网络的实际输出在某种数学意义下是理想输出的最佳逼近。目前，常用于管道缺陷量化的神经网络有BP神经网络、径向基函数神经网络和小波基函数神经网络等。
3.1使用BP神经网络
对人工神经网络的训练，常采用误差反向传播算法，简称BP算法，相应的人工神经网络被称为BP神经网络或BP网络。使用BP算法做定量分析，存在训练速度较慢、容易陷入局部极小值、识别准确度较低等缺点;且该算法偏重于对已有检测结果的归纳分析，而对任意缺陷的适应能力仍显不足。在BP算法基础上还产生有一些改进方法。对BP算法的改进主要有两种途径，一种是采用启发式学习算法，即在算法中加入动量因子，或引入在学习中能够自适应调整学习率的算法;另一种是采用所谓优化算法，例如利用Levenberg-Marquardt算法。从一定的训练次数下所能获得的准确度角度比较，Levenberg-Marquardt算法明显优于共轭梯度法和变学习率的BP算法。理论上已证明，只要神经元数量足够，BP神经网络就能够以任意精度逼近任何非线性的映射函数。
2006年，马凤铭等人使用基于Levenberg-Marquardt算法的BP神经网络分别对仿真缺陷和人工缺陷进行了量化识别。试验中，分别以ANSYS建模仿真得到的150个缺陷的轴向漏磁数据、125个主要为矩形和圆形人工缺陷的漏磁检测信号数据以及用加权平均法、自适应加权平均法融合后的漏磁检测数据作为样本，并将它们输入神经网络;神经网络输出的，即为缺陷的长度和深度。结果表明，由于仿真数据较为理想，数据样本较多，所以由仿真数据得到的识别结果非常理想。相对于仿真缺陷，对实际缺陷参数的识别结果误差较大，其原因是缺陷样本数不够多且缺陷间距较近，导致不同缺陷的漏磁场信号互相干扰，因此很多检测数据本身不够理想，但识别结果的相对误差大多不超过10%。相比于实际缺陷数据，使用经过融合后的数据，大部分实际缺陷的识别结果均有所改善。
3.2使用径向基函数神经网络
相比于BP网络，径向基函数神经网络同样具有任意精度的逼近能力，还具有唯一最佳逼近的特点，且无局部极小问题;但其逼近函数的表达不唯一，导致网络节点冗余度较高。径向基函数神经网络的性能主要由样本数量、基函数和其中心的选择方法决定。
2005年至2007年，韩文花等人提出以径向基函数神经网络作为前向模型，分别采用遗传算法、结合模拟退火技术的遗传局部搜索算法(也称改进的遗传局部搜索算法)和加入模拟退火技术的遗传算法(遗传模拟退火算法)对逆问题的求解进行优化。结果显示，将遗传算法用于缺陷二维模型的重构，能避免基于梯度下降法的迭代逆运算可能遇到的局部最小问题，并可得到逆问题的全局最优解;分别与基于规范遗传算法的逆算法和基于遗传局部搜索算法的逆算法进行比较发现，基于改进的遗传局部搜索算法的逆算法更为精确;而与基于遗传算法的逆算法相比，基于遗传模拟退火算法的逆算法更精确;而且，基于改进的遗传局部搜索算法或遗传模拟退火算法的逆算法对噪声均具有较好的鲁棒性。
3.3使用小波基函数神经网络
小波基函数神经网络(waveletbasisfunctionneuralnetwork)可看作是以小波函数为基底的一种函数连接型神经网络，也可以被认为是径向基函数神经网络的推广。该神经网络具有函数逼近能力强、收敛速度快、网络参数(隐层节点数和权重)选取依据充分，以及能有效避免局部最小值等优点，但它同时存在构造较复杂、容易产生运算量较大问题。小波基函数神经网络的性能，主要由小波函数的选择以及尺寸参数的设定决定。
4、缺陷量化的其他方法
2004年，杨涛等人提出基于多传感器信息融合的输油管道缺陷定量分析方法。作者对不同缺陷采用了不同的特征和相应的融合算法。首先，根据偏磨和坑状缺陷信号的特点，利用硬件实现偏磨和坑状缺陷的分离;并使用线性分类函数对坑状缺陷中的裂纹和孔加以区分。之后，采用拉格朗日插值方法定量分析偏磨的大小。结果显示，基于拉格朗日插值方法定量分析偏磨缺陷的误差不大。而对于分离出的裂纹和孔状缺陷，则采用前述的基于特征量和BP神经网络的定量分析方法加以量化。
2007年，张勇等人总结了前人将磁偶极子理论模型应用于漏磁场分析的研究成果，提出一种利用漏磁检测信号分步重构缺陷形状的方法，并以半圆形、三角形和矩形等缺陷为例进行了验证。结果表明，按作者提出的逐次逼近法重构缺陷形状，能够取得较好的量化效果，且与其他方法比，该方法具有计算量小、重构方法简单等优点。
5、结束语
各种漏磁检测信号量化方法对应不同应用条件和实际需求，对提高基于漏磁原理的缺陷检测准确度具有积极意义和一定价值。但漏磁检测领域存在的诸如获取到的缺陷信号弱、分辨率低、对缺陷的准确识别和量化较难等问题，至今还未能很好地得到解决。对此，为更有效地提高漏磁检测信号量化分析的质量，不仅应从改进量化缺陷尺寸的数学模型考虑，还可从漏磁检测装置硬件优化、寻找更好的信号处理方法，或将这些考虑加以有机组合等多个途径加以探索。
参考文献：
［1］褚燕利．基于灰度图像及其纹理特性的裂缝特征提取［Ｊ］．公路，２０１０（７）：１３１－１３５．
［2］魏茂安，靳世久．油气管道缺陷二维轮廓重建及处理技术［Ｊ］．石油学报，２００３，２４（６）：９８－１０１．