CN109100416A - 基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置 - Google Patents

Abstract

本发明提供一种基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，涉及管道缺陷检测技术领域。该装置由多频正弦激励信号发生模块给正交电磁检测探头提供激励信号，对管道进行磁化，霍尔传感器模块捕捉管道内磁场变化并输出多频电磁检测信号，经信号调理电路进行滤波、放大后进入A/D转换模块实现模数转换，再送入FPGA中央处理单元进行分频处理，最后送到缺陷异常判断模块和基于K‑近邻算法的缺陷尺寸预测模块，进行异常状态数据剔除和缺陷尺寸预测。本发明能实现无接触检测，实现表面、近表面、通孔等不同深度缺陷的检测，实现轴向、周向缺陷尺寸的检测，可以通过检测信号的特征量较为准确的预测到缺陷的尺寸。

Description

基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置

技术领域

本发明涉及管道缺陷检测技术领域，尤其涉及一种基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置。

背景技术

管道运输作为当今五大运输方式之一，在石油化工领域发挥着不可替代的作用。由于管道经常工作在恶劣的环境中，长时间工作会出现管壁自然腐蚀和管壁破损等问题，这些重大的安全隐患最终会导致管道泄漏事故的发生，因此迫切需要发展一种有效的管道内壁缺陷检测系统及方法，作为管道安全运行的重要保障。

目前，常用的铁磁材料无损检测方法主要有：漏磁检测、射线检测、涡流检测、超声检测、渗透检测，但是这些检测方法都有自己的不足。有些方法需要耦合剂，有些方法只是能检测缺陷的近表面，有些方法设备体积庞大结构复杂。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，用于实现铁磁性管道内壁缺陷的无接触检测。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，包括多频正弦激励信号发生模块、正交电磁检测探头、霍尔传感器模块、信号调理电路、A/D转换模块、FPGA中央处理单元、缺陷异常判别模块、基于K-近邻算法的缺陷尺寸预测模块；

所述多频正弦激励信号发生模块用于产生多频信号，为正交电磁检测探头提供激励；正交电磁检测探头包括两个相互正交的轴向电磁检测探头和周向电磁检测探头，用于对管道进行磁化，并获取管道缺陷轴向与周向尺寸和管道缺陷深度；霍尔传感器模块安装在正交电磁检测探头中心位置，整个检测装置在管道内移动的过程中，霍尔传感器模块用于捕捉磁场的变化并输出多频电磁检测信号；信号调理电路用于对霍尔传感器模块输出的多频电磁检测信号进行滤波、放大，并输入A/D转换模块；A/D转换模块用于在FPGA中央处理单元控制下实现滤波、放大后多频电磁检测信号的模数转换，并将模数转换后的多频电磁检测信号输入FPGA中央处理单元；FPGA中央处理单元用于对模数转换后的多频电磁检测信号进行分频处理，将分频后的检测信号发送到缺陷异常判断模块；

所述缺陷异常判别模块采用差值阈值比较法对经FPGA中央处理单元分频之后的电磁检测信号进行处理，采用差值阈值比较法，判断管道缺陷状态、管道数据异常两种状态，提取管道缺陷状态时的特征向量同时剔除异常状态数据，将剔除异常状态数据后的电磁检测信号发送到基于K-近邻算法的缺陷尺寸预测模块；

所述基于K-近邻算法的缺陷尺寸预测模块用于通过训练样本集D_a，构建缺陷尺寸预测模型，用测试样本集D_b验证预测模型的准确性，并对预测模型进行修改得到最优缺陷尺寸预测模型；通过已建立的最优缺陷尺寸预测模型，在缺陷识别过程中通过检测信号的特征向量X＝{V_c、V_d、L_c、L_d}，获得对应标签向量Y＝{c、d、h}即缺陷尺寸；其中V_c表示轴向电磁检测探头检测的电压信号峰值、V_d表示周向检测电磁探头检测的电压信号峰值、L_c表示轴向电磁检测探头检测的电压信号峰峰值之间的距离、L_d表示周向检测电磁探头检测的电压信号峰峰值之间的距离；c表示缺陷轴向尺寸、d表示缺陷周向尺寸、h表示缺陷的深度。

所述多频正弦激励信号发生模块产生的多频信号为三种不同频率、不同幅值的正弦电压信号叠加而成的复合多频信号，即X(t)＝sin(2π*1000*t)+5sin(2π*5000*t)+10sin(2π*10000*t)。

所述正交电磁检测探头，具体包括两个相互正交的U型铁氧体磁芯和缠绕在两个U型铁氧体磁芯上的激励线圈，两个U型铁氧体磁芯分别沿管道轴向、周向分布；沿轴向分布的U型铁氧体磁芯用于获取缺陷轴向尺寸和缺陷深度，沿周向分布的U型铁氧体磁芯获取缺陷周向尺寸和缺陷深度。

所述FPGA中央处理单元中采用FIR滤波器模块作为多通带滤波器，将电磁检测信号做分频处理，将三种不同频率的信号分三路输出到缺陷异常判别模块。

所述缺陷异常判别模块中对分频之后的电磁检测信号进行处理的具体方法为：

步骤1-1：设置阈值λ₁、λ₂；

步骤1-2：如果则开始记录V_j，式中V_j为检测信号的第j个正峰值；直到再次出现检测电压峰值满足则结束记录，共计k-j+1个检测电压峰值，式中V_k为检测信号的第k个正峰值；

步骤1-3：计算从V_j到V_k共计k-j+1个检测电压峰值的平均值并与步骤1预先设置的阈值相比较，若满足则标记V_j到V_k之间的检测信号为管道缺陷信号，并提取V_c、V_d、L_c、L_d作为样本特征量；若不满足阈值范围，则标记V_j到V_k之间的检测信号为异常信号并剔除。

所述的基于K-近邻算法的缺陷尺寸预测模块中得到最优缺陷尺寸预测模型的具体方法为：

步骤2-1：将检测装置在已知缺陷位置和尺寸的实验管道内运行，提取实测样本特征向量X₁和样本标签向量Y₁构建实测数据样本集D₁＝{X₁，Y₁}；

步骤2-2：以有限元原理为基础建立管道内壁缺陷检测的仿真模型，提取仿真样本特征向量X₂和样本标签向量Y₂构建仿真数据样本集D₂＝{X₂，Y₂}；

步骤2-3：构建训练样本集D_a＝(80％D₁，80％D₂)，由实测数据样本集和仿真数据样本集的各80％构成；测试样本集D_b＝(20％D₁，20％D₂)，由实测数据样本集和仿真数据样本集的各20％构成；

步骤2-4：采用Z-score方法对训练样本集和测试样本集数据进行归一化处理，消除量级对预测模型的影响；

步骤2-5：以训练样本集构建缺陷尺寸预测模型，该模型是包含训练样本集中所有样本特征和样本标签的库；

步骤2-6：采用十折交叉验证法，即采用十组训练样本集的平均绝对误差百分比的均值来确定最优K值；

步骤2-7：采用模值加权的欧氏距离表示测试样本集样本特征向量X_b与训练样本集样本特征向量X_a之间的差异：

式中，f＝1、2、3、4，分别表示样本特征向量中四个特征值V_c、V_d、L_c、L_d；X_a(i)表示训练样本集中第i个样本特征向量，n表示训练样本集中样本特征向量的个数，取相似度最近的K个训练样本集中样本特征向量，并找到对应的样本标签向量Y_a；

步骤2-8：加权平均估计，对K个训练样本集中的样本标签向量加权处理，得到最优的样本标签向量Y_a′：

式中，δ(i)为权值，将预测得到的样本标签向量与测试集中已知的样本标签向量对比，来验证预测模型的准确性，并对模型进行修改得到最优缺陷尺寸预测模型。

采用上述技术方案所产生的有益效果在于：本发明提供的基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置中电磁检测是基于电磁感应原理实现的，因此可以实现无接触检测，且不需要耦合剂；激励信号为多频信号，避免趋肤效应的影响，可以实现表面、近表面、通孔等不同深度缺陷的检测；正交的检测探头，可以实现轴向、周向缺陷尺寸的检测，且两个方向检测探头可以对缺陷深度相互验证；基于K-近邻算法的缺陷尺寸预测模块，可以通过检测信号的特征量较为准确的预测到缺陷的尺寸。

附图说明

图1为本发明实施例提供的基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置总体结构框图；

图2为本发明实施例提供的多频正弦激励信号波形图；

图3为本发明实施例提供的信号调理模块的电路原理图；

图4为本发明实施例提供的基于K-近邻算法的缺陷尺寸预测模块中的方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本实施例提出了一种基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，包括多频正弦激励信号发生模块、正交电磁检测探头、霍尔传感器模块、信号调理电路、A/D转换模块、FPGA中央处理单元、缺陷异常判别模块、基于K-近邻算法的缺陷尺寸预测模块。

多频正弦激励信号发生模块给正交电磁检测探头提供激励信号；正交电磁检测探头对管道进行磁化；霍尔传感器模块随着检测装置整体在管道内的移动，捕捉磁场的变化并输出多频电磁检测信号；多频电磁检测信号经信号调理电路进行滤波、放大后进入A/D转换模块；A/D转换模块在FPGA中央处理单元控制下实现模数转换；转换后的多频电磁检测信号送入FPGA中央处理单元进行分频处理；分频后的信号依次送到缺陷异常判断模块和基于K-近邻算法的缺陷尺寸预测模块。

本实施例中，多频正弦激励信号发生模块由NI-9263的C系列电压输出模块和TDA2030功率放大器组成，正交电磁检测探头为正交U型铁氧体磁芯缠绕0.4mm铜线绕制而成，霍尔传感器模块为A44E，A/D转换模块的型号为ADS7844，FPGA中央处理单元模块的型号为EP4CE1FC8。

多频正弦激励信号发生模块由NI-9263的C系列电压输出模块和TDA2030功率放大器组成。通过LABVIEW上位机编程制作多功能信号发生器，通过多功能信号发生器中的任意波形信号发生模块，实现X(t)＝sin(2π*1000*t)+5sin(2π*5000*t)+10sin(2π*10000*t)多频信号的输出，波形图如图2所示；输出的多频正弦激励信号通过基于TDA2030的功率放大电路输出能带负载的多频正弦激励信号。

正交电磁检测探头为正交U型铁氧体磁芯缠绕0.4mm铜线绕制而成，U型铁氧体磁芯的尺寸如下：外径120mm、内径60mm、高90mm、厚度35mm，两个U型铁氧体磁芯为正交结构，分别沿管道轴向、周向分布。U型铁氧体磁芯上缠绕0.4mm铜线200匝，作为正交电磁检测探头的激励线圈，激励线圈通以经功率放大模块TDA2030放大之后的多频正弦激励信号后，产生电磁场多频正弦信号，用以产生电磁场对管道进行磁化。

霍尔传感器安装在正交电磁检测探头中心位置，不仅使结构形式更加简单可靠，而且对管壁的压紧力也可以满足要求。当检测装置在管道内运行时，霍尔元件捕捉到磁场变化，输出的电压信号经过后端的放大电路，通过OC门输出脉冲。霍尔传感器输出端连接信号调理模块的输入端，信号调理模块的输出端连接A/D转换模块的输入端，A/D转换模块的输出端连接FPGA中央处理单元的输入端。

信号调理模块用于实现信号的滤波和放大，霍尔传感器的输出首先经过滤波电路滤波，然后经一个10K的电阻R2连接到运算放大器的反相输入端，运算放大器的同相输入端接2.5V的参考电压，运算放大器的输出端连接电阻R3的一端、电阻R1的一端及电容C2的一端，电阻R3的另一端作为信号调理模块的输出端连接A/D转换模块的输入端，电阻R1的另一端连接运算放大器的反相输入端，电容C2的另一端接地。本实施例中运算放大器的型号为AD824，信号调理模块的电路原理图如图3所示。

经A/D转换后的数字信号送入FPGA中央处理单元中的FIR带通滤波器，经FIR带通滤波器分频后得到频率为1KHz、5KHz、10KHz的检测信号，经FIR带通滤波器分频之后的电磁检测信号送入缺陷异常识别模块，进行异常数据剔除和筛选，之后送入基于K-近邻算法的缺陷尺寸预测模块。

缺陷异常识别模块，采用差值阈值比较法对经FIR带通滤波器分频之后的电磁检测信号进行处理，采用差值阈值比较法，判断管道缺陷状态、管道数据异常两种状态，提取管道缺陷状态时的特征向量同时剔除异常状态数据，将剔除异常状态数据后的电磁检测信号发送到基于K-近邻算法的缺陷尺寸预测模块，具体步骤如下：

步骤1-1：设置阈值λ₁、λ₂；

步骤1-2：如果则开始记录V_j，式中V_j为检测信号的第j个正峰值，直到再次出现检测电压峰值满足则结束记录，共计k-j+1个检测电压峰值，式中V_k为检测信号的第k个正峰值；

步骤1-3：计算从V_j到V_k共计k-j+1个检测电压峰值的平均值并与预先设置的阈值相比较，若满足则标记V_j到V_k之间的检测信号为管道缺陷信号，并提取V_c、V_d、L_c、L_d作为样本特征量；若不满足阈值范围，则标记V_j到V_k之间的检测信号为异常信号并剔除。

基于K-近邻算法的缺陷尺寸预测模块用于通过训练样本集D_a，构建缺陷尺寸预测模型，用测试样本集D_b验证预测模型的准确性，并对预测模型进行修改得到最优缺陷尺寸预测模型；通过已建立的最优缺陷尺寸预测模型，在缺陷识别过程中通过检测信号的特征向量X＝{V_c、V_d、L_c、L_d}，获得对应标签向量Y＝{c、d、h}即缺陷尺寸；其中V_c表示轴向电磁检测探头检测的电压信号峰值、V_d表示周向检测电磁探头检测的电压信号峰值、L_c表示轴向电磁检测探头检测的电压信号峰峰值之间的距离、L_d表示周向检测电磁探头检测的电压信号峰峰值之间的距离；c表示缺陷轴向尺寸、d表示缺陷周向尺寸、h表示缺陷的深度。其流程图如图4所示，具体步骤如下：

步骤2-1：构建实测数据样本集D₁＝{X₁，Y₁}；将检测装置在已知缺陷位置和尺寸的实验管道内运行，提取实测样本特征向量X₁和样本标签向量Y₁构建实测数据样本集；

步骤2-2：构建仿真数据样本集D₂＝{X₂，Y₂}；由于实验管道长度、管道缺陷类型、管道缺陷尺寸的限制，实测数据样本集并不能覆盖缺陷的类别和尺寸信息，以有限元原理为基础建立管道内壁缺陷检测的仿真模型，提取仿真样本特征向量X₂和样本标签向量Y₂构建仿真数据样本集；

步骤2-3：构建训练样本集D_a＝(80％D₁，80％D₂)，以实测数据样本集和仿真数据样本集的各80％构成；测试样本集D_b＝(20％D₁，20％D₂)，以实测数据样本集和仿真数据样本集的各20％构成；

步骤2-4：数据归一化处理；采用Z-score方法对训练样本集和测试样本集数据进行归一化处理，消除量级对预测模型的影响；

步骤2-5：以训练样本集构建缺陷尺寸预测模型，该模型是包含训练样本集中所有样本特征和样本标签的库；

步骤2-6：K值直接影响模型的预测结果，采用十折交叉验证法，即采用十组训练样本集的平均绝对误差百分比的均值来确定最优K值；

步骤2-7：采用模值加权的欧氏距离表示测试样本集样本特征向量X_b与训练样本集样本特征向量X_a之间的差异：

式中，f＝1、2、3、4，分别表示样本特征向量中四个特征值V_c、V_d、L_c、L_d；X_a(i)表示训练样本集中第i个样本特征向量，n表示训练样本集中样本特征向量的个数，取相似度最近的K个训练样本集中样本特征向量，并找到对应的样本标签向量Y_a；

步骤2-8：加权平均估计，对K个训练样本集中的样本标签向量加权处理，得到最优的样本标签向量Y_a′：

式中，δ(i)为权值，将预测得到的样本标签向量与测试集中已知的样本标签向量对比，来验证预测模型的准确性，并对模型进行修改得到最优缺陷尺寸预测模型，该模型为包含所有的样本特征向量和样本标签向量的库；

步骤2-9：通过已建立的最优缺陷尺寸预测模型，在缺陷识别过程中通过检测信号的特征向量X＝{V_c、V_d、L_c、L_d}，获得对应标签向量Y＝{c、d、h}即缺陷尺寸。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，其特征在于：该装置包括多频正弦激励信号发生模块、正交电磁检测探头、霍尔传感器模块、信号调理电路、A/D转换模块、FPGA中央处理单元、缺陷异常判别模块、基于K-近邻算法的缺陷尺寸预测模块；

所述多频正弦激励信号发生模块用于产生多频信号，为正交电磁检测探头提供激励；正交电磁检测探头包括两个相互正交的轴向电磁检测探头和周向电磁检测探头，用于对管道进行磁化，并获取管道缺陷轴向与周向尺寸和管道缺陷深度；霍尔传感器模块安装在正交电磁检测探头中心位置，整个检测装置在管道内移动的过程中，霍尔传感器模块用于捕捉磁场的变化并输出多频电磁检测信号；信号调理电路用于对霍尔传感器模块输出的多频电磁检测信号进行滤波、放大，并输入A/D转换模块；A/D转换模块用于在FPGA中央处理单元控制下实现滤波、放大后多频电磁检测信号的模数转换，并将模数转换后的多频电磁检测信号输入FPGA中央处理单元；FPGA中央处理单元用于对模数转换后的多频电磁检测信号进行分频处理，将分频后的检测信号发送到缺陷异常判断模块；

所述缺陷异常判别模块采用差值阈值比较法对经FPGA中央处理单元分频之后的电磁检测信号进行处理，采用差值阈值比较法，判断管道缺陷状态、管道数据异常两种状态，提取管道缺陷状态时的特征向量同时剔除异常状态数据，将剔除异常状态数据后的电磁检测信号发送到基于K-近邻算法的缺陷尺寸预测模块；

所述基于K-近邻算法的缺陷尺寸预测模块用于通过训练样本集D_a，构建缺陷尺寸预测模型，用测试样本集D_b验证预测模型的准确性，并对预测模型进行修改得到最优缺陷尺寸预测模型；通过已建立的最优缺陷尺寸预测模型，在缺陷识别过程中通过检测信号的特征向量X＝{V_c、V_d、L_c、L_d}，获得对应标签向量Y＝{c、d、h}即缺陷尺寸；其中V_c表示轴向电磁检测探头检测的电压信号峰值、V_d表示周向检测电磁探头检测的电压信号峰值、L_c表示轴向电磁检测探头检测的电压信号峰峰值之间的距离、L_d表示周向检测电磁探头检测的电压信号峰峰值之间的距离；c表示缺陷轴向尺寸、d表示缺陷周向尺寸、h表示缺陷的深度。

2.根据权利要求1所述的基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，其特征在于：所述多频正弦激励信号发生模块产生的多频信号为三种不同频率、不同幅值的正弦电压信号叠加而成的复合多频信号，即X(t)＝sin(2π*1000*t)+5sin(2π*5000*t)+10sin(2π*10000*t)。

3.根据权利要求1所述的基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，其特征在于：所述正交电磁检测探头，具体包括两个相互正交的U型铁氧体磁芯和缠绕在两个U型铁氧体磁芯上的激励线圈，两个U型铁氧体磁芯分别沿管道轴向、周向分布；沿轴向分布的U型铁氧体磁芯用于获取缺陷轴向尺寸和缺陷深度，沿周向分布的U型铁氧体磁芯获取缺陷周向尺寸和缺陷深度。

4.根据权利要求1所述的基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，其特征在于：所述FPGA中央处理单元中采用FIR滤波器模块作为多通带滤波器，将电磁检测信号做分频处理，将三种不同频率的信号分三路输出到缺陷异常判别模块。

5.根据权利要求1所述的基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，其特征在于：所述缺陷异常判别模块中对分频之后的电磁检测信号进行处理的具体方法为：

步骤1-1：设置阈值λ₁、λ₂；

步骤1-2：如果则开始记录V_j，式中V_j为检测信号的第j个正峰值；直到再次出现检测电压峰值满足则结束记录，共计k-j+1个检测电压峰值，式中V_k为检测信号的第k个正峰值；

步骤1-3：计算从V_j到V_k共计k-j+1个检测电压峰值的平均值并与步骤1预先设置的阈值相比较，若满足则标记V_j到V_k之间的检测信号为管道缺陷信号，并提取V_c、V_d、L_c、L_d作为样本特征量；若不满足阈值范围，则标记V_j到V_k之间的检测信号为异常信号并剔除。

6.根据权利要求5所述的基于正交多频电磁检测的铁磁性管道内壁缺陷检测装置，其特征在于：所述的基于K-近邻算法的缺陷尺寸预测模块中得到最优缺陷尺寸预测模型的具体方法为：

步骤2-1：将检测装置在已知缺陷位置和尺寸的实验管道内运行，提取实测样本特征向量X₁和样本标签向量Y₁构建实测数据样本集D₁＝{X₁，Y₁}；

步骤2-2：以有限元原理为基础建立管道内壁缺陷检测的仿真模型，提取仿真样本特征向量X₂和样本标签向量Y₂构建仿真数据样本集D₂＝{X₂，Y₂}；

步骤2-3：构建训练样本集D_a＝(80％D₁，80％D₂)，由实测数据样本集和仿真数据样本集的各80％构成；测试样本集D_b＝(20％D₁，20％D₂)，由实测数据样本集和仿真数据样本集的各20％构成；

步骤2-4：采用Z-score方法对训练样本集和测试样本集数据进行归一化处理，消除量级对预测模型的影响；

步骤2-5：以训练样本集构建缺陷尺寸预测模型，该模型是包含训练样本集中所有样本特征和样本标签的库；

步骤2-6：采用十折交叉验证法，即采用十组训练样本集的平均绝对误差百分比的均值来确定最优K值；

步骤2-7：采用模值加权的欧氏距离表示测试样本集样本特征向量X_b与训练样本集样本特征向量X_a之间的差异：

式中，f＝1、2、3、4，分别表示样本特征向量中四个特征值V_c、V_d、L_c、L_d；X_a(i)表示训练样本集中第i个样本特征向量，n表示训练样本集中样本特征向量的个数，取相似度最近的K个训练样本集中样本特征向量，并找到对应的样本标签向量Y_a；

步骤2-8：加权平均估计，对K个训练样本集中的样本标签向量加权处理，得到最优的样本标签向量Y_a′：

式中，δ(i)为权值，将预测得到的样本标签向量与测试集中已知的样本标签向量对比，来验证预测模型的准确性，并对模型进行修改得到最优缺陷尺寸预测模型。