CN116754632A

CN116754632A - 基于正交孪生的油气管道裂纹量化方法及装置、存储介质

Info

Publication number: CN116754632A
Application number: CN202311034794.9A
Authority: CN
Inventors: 郭静波; 王艺钊; 胡铁华
Original assignee: Tsinghua University
Current assignee: Tsinghua University
Priority date: 2023-08-16
Filing date: 2023-08-16
Publication date: 2023-09-15
Anticipated expiration: 2043-08-16
Also published as: CN116754632B

Abstract

一种基于正交孪生的油气管道裂纹量化方法及装置、存储介质，该方法包括：获取在单向直流励磁条件下内壁裂纹或者外壁裂纹的三轴漏磁测量信号模值，获取在与直流励磁正交的动态磁场激励条件下的动磁信号或涡流信号；将所述三轴漏磁测量信号模值输入裂纹信号正交孪生模型，得到漏磁增强估计信号，所述漏磁增强估计信号为正交孪生三轴漏磁信号模值的函数，所述正交孪生三轴漏磁信号模值为在虚拟正交孪生直流励磁条件下的漏磁响应信号模值，所述虚拟正交孪生直流励磁与所述单向直流励磁同平面、大小相等且方向垂直；从所述漏磁增强估计信号以及所述动磁信号或涡流信号中提取特征向量，将所述特征向量输入裂纹尺度估计模型得到裂纹的尺寸和倾斜角。

Description

基于正交孪生的油气管道裂纹量化方法及装置、存储介质

技术领域

本公开实施例涉及但不限于裂纹检测技术领域，尤其涉及一种基于正交孪生的油气管道裂纹量化方法及装置、存储介质，孪生的适用对象包括但不限于油气管道或输氢管道的管体裂纹信号、弯头裂纹信号、环焊缝裂纹信号，高铁钢轨裂纹信号、储罐底板裂纹等铁磁性金属材料裂纹信号。

背景技术

油气管道、输氢管道、高铁钢轨、石油储罐等铁磁性金属材料长期运营在复杂的自然环境和压力负荷中，在材料内部或内外壁出现应力裂纹、疲劳裂纹、脆性裂纹、氢致裂纹等微小裂纹，进而发展成为可见的裂隙或尺度较大的金属损失。裂纹是金属材料服役过程中各类缺陷的主要源头因素之一。

金属损失相对裂纹而言由于体积较大而更容易被检测，目前已经有多种比较成熟的技术可以准确检测、识别、量化金属损失缺陷。但是裂纹通常尺度较小，尤其是在在检测速度大于2m/s的在线在役条件下，如裂纹处于发生的起始阶段或服役过程中裂纹处于的较早发展阶段，早期微小裂纹的检测、识别、量化难度更高。

同时，裂纹检测中裂纹响应信号与激励信号、激励方向、感测传感器等密切相关。例如，在油气管道单向漏磁（轴向MFL或环向MFL）检测中，以励磁方向为基准，对于相同尺寸的裂纹，它的倾斜角模值越大，它的漏磁响应信号的幅值越大；它的倾斜角模值越小，它的漏磁响应信号的幅值越小。因此，轴向励磁条件下的轴向裂纹或裂隙信号非常微弱，甚至被业界认为无法实现工业级检测。改变轴向励磁为环向励磁可以提高轴向裂纹或裂隙信号的强度，但环向励磁检测器又对环向裂纹或裂缝的检测效果欠佳。为此，工业界出现了轴向励磁MFL检测器+环向励磁MFL检测器的串行组合MFL检测器方案。很明显组合MFL检测器方案明显提升了设备制造成本和检测工程成本；同时传统MFL检测受其原理的制约，对微小裂纹的检测识别量化能力明显不足或根本无法实现。

发明内容

本公开实施例提供了一种基于正交孪生的油气管道裂纹量化方法及装置、存储介质，这里的“正交孪生”概念被定义为，在已知单向直流励磁的原始响应信号的条件下，得到与单向直流励磁同平面、大小相等、方向垂直的孪生磁场对应的响应信号，该响应信号被定义为“孪生响应信号”（例如孪生漏磁响应信号或孪生动磁或涡流响应信号），它与原始单向直流励磁的响应信号，即“原始响应信号”（例如原始漏磁响应信号或原始动磁或涡流响应信号）也构成孪生关系。通过联合处理“孪生响应信号”和“原始响应信号”，可以大幅度提高油气管道“小倾斜角裂纹”的量化精度，尤其是与励磁方向平行分布的裂纹的量化精度，包括裂纹的长度精度、宽度精度、深度精度、倾斜角精度等等。这里的“小倾斜角裂纹”是指以励磁方向为基准，正负偏差不超过20°倾斜角的裂纹。“正交孪生”的方法包括但不限于机器学习模型映射法、数学解析法、电路（或电磁）仿真法、硬件设备真实信号产生法等。将“原始响应信号”变换为“孪生响应信号”的过程定义为“正交孪生变换”。

本公开实施例采用的技术方案为：

本公开实施例提供了一种基于正交孪生的油气管道裂纹量化方法，包括：获取在单向直流励磁条件下的内壁裂纹或者外壁裂纹三轴漏磁测量信号模值，获取在与直流励磁正交的动态磁场激励条件下的动磁信号或涡流信号，所述单向直流励磁指具有单一方向的直流励磁方式；将所述三轴漏磁测量信号模值输入裂纹信号正交孪生模型，得到漏磁增强估计信号，所述漏磁增强估计信号为仿真的正交孪生三轴漏磁信号模值的函数，所述正交孪生三轴漏磁信号模值为在虚拟正交孪生直流励磁条件下的三轴漏磁响应信号模值，所述虚拟正交孪生直流励磁与所述单向直流励磁同平面、大小相等且方向垂直；从所述漏磁增强估计信号以及所述动磁信号或涡流信号中提取特征向量，将所述特征向量输入裂纹尺度估计模型，得到裂纹的尺寸和倾斜角。

可选地，从所述漏磁增强估计信号以及所述动磁信号或涡流信号中提取特征向量，包括：根据所述漏磁增强估计信号得到至少一个第一特征值；根据所述动磁信号或涡流信号得到至少一个第二特征值；将所述第一特征值和第二特征值组成特征向量。

可选地，所述第一特征值包括：长轴、短轴、长轴倾斜角以及峰值，所述根据所述漏磁增强估计信号得到第一特征值，包括：根据预设的二值化阈值，对所述漏磁增强估计信号进行二值化处理，得到二值化漏磁信号；计算所述二值化漏磁信号的边缘轮廓的长轴、短轴、长轴倾斜角以及所述漏磁增强估计信号的峰值，将得到的长轴、短轴、长轴倾斜角以及峰值作为所述第一特征值；所述动磁信号或涡流信号包括前后线圈差分信号和左右线圈差分信号，所述第二特征值包括：所述前后线圈差分信号的峰值和峰峰值间距，以及所述左右线圈差分信号的峰值和峰值间距。

可选地，所述裂纹信号正交孪生模型为通过卷积神经网络实现的自编码器模型，所述自编码器模型包括编码器部分和解码器部分；所述裂纹尺度估计模型为全连接神经网络。

可选地，所述漏磁增强估计信号为仿真最优三轴漏磁信号模值与仿真的正交孪生三轴漏磁信号模值/>的函数/>，所述仿真最优三轴漏磁信号模值/>是使最小的仿真三轴漏磁信号模值，其中/>为所述三轴漏磁测量信号模值，/>为将裂纹尺度代入磁偶极子模型得到的仿真三轴漏磁信号模值，/>为矩阵的Frobenius范数，/>为调节因子；/>，/>、/>、/>分别是仿真三轴漏磁信号的X轴分量、Y轴分量以及Z轴分量，所述X轴方向与所述单向直流励磁的激励方向相同，所述Y轴方向在所述油气管道平面内与所述X轴方向垂直，所述Z轴方向分别与所述X轴方向和Y轴方向垂直；/>，/>、/>、/>分别是正交孪生三轴漏磁信号的X轴分量、Y轴分量以及Z轴分量；/>，/>；调节因子/>表示等于/>矩阵的最大元素除以初始矩阵的最大元素，所述初始矩阵为将裂纹实测尺度代入磁偶极子模型计算所得的仿真三轴漏磁信号模值组成的矩阵。

可选地，所述方法还包括：对于多个裂纹样本，使用在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的所述漏磁增强估计信号训练所述裂纹信号正交孪生模型，其中，每个所述裂纹样本对应的漏磁增强估计信号通过如下方法生成：以所述裂纹样本的实测尺度为初始的裂纹尺度；用矩阵的最大元素除以初始矩阵的最大元素得到调节因子/>，为所述三轴漏磁测量信号模值；计算/>，其中/>为将裂纹尺度代入磁偶极子模型得到的仿真三轴漏磁信号模值，/>为矩阵的Frobenius范数；反复调节所述裂纹尺度，并将所述裂纹尺度输入裂纹磁偶极子模型，直到得到使/>最小的最优裂纹尺度，与所述最优裂纹尺度对应的/>即为仿真最优三轴漏磁信号模值/>；将所述最优裂纹尺度输入裂纹正交磁偶极子模型，得到所述仿真的正交孪生三轴漏磁信号模值/>；将所述/>与/>代入公式/>，/>，从而生成所述漏磁增强估计信号。

可选地，对于所述多个裂纹样本，使用在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的所述漏磁增强估计信号训练所述裂纹信号正交孪生模型，包括：将每个裂纹样本在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的漏磁增强估计信号标记为一组正交孪生映射对；将N组正交孪生映射对按照比例随机拆分为训练集和测试集，其中，/>；使用/>组所述正交孪生映射对训练所述裂纹信号正交孪生模型，使用/>组所述正交孪生映射对测试所述裂纹信号正交孪生模型。

可选地，在训练所述裂纹信号正交孪生模型之后，使用所述特征向量训练所述裂纹尺度估计模型，包括：将每个裂纹样本的第一特征值和第二特征值与对应的裂纹尺寸和倾斜角的真实值标记为一组裂纹尺度估计映射对；使用组所述正交孪生映射对对应的裂纹尺度估计映射对进行所述裂纹尺度估计模型的训练，使用/>组所述正交孪生映射对对应的裂纹尺度估计映射对进行所述裂纹尺度估计模型的测试。

本公开实施例还提供了基于正交孪生的油气管道裂纹量化装置，包括：单向直流励磁条件下的漏磁传感器探头，单向直流励磁以及与直流励磁正交的动态磁场激励条件下的动磁或涡流传感器探头，存储指令、算法、模型的存储器，执行所述的油气管道裂纹量化方法的处理器，以及连接各个单元的总线系统。

本公开实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开任一实施例所述的基于正交孪生的油气管道裂纹量化方法。

本公开实施例的基于正交孪生的油气管道裂纹量化方法及装置、存储介质，通过依据多种检测原理的裂纹响应信号，确定裂纹的客观存在性。当裂纹信号的信噪比较低时，对裂纹信号实施正交孪生，得到裂纹对应的增强信号，然后基于正交孪生的增强裂纹信号，应用机器学习模型，实现对原始测量的微弱裂纹信号的高精度尺寸量化。

本公开实施例的油气管道裂纹量化方法，通过裂纹信号正交孪生模型，基于单向直流励磁条件，提出一种准确检测、辨识、量化微小裂纹，尤其是可以准确量化与励磁方向平行分布的裂纹的新方法新技术，对油气管道、输氢管道、高铁钢轨、石油储罐等重大基础设施的安全运营具有重要实际意义。

本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。

附图说明

附图用来提供对本公开技术方案的理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。

图1为本公开示例性实施例一种油气管道裂纹椭球轮廓及正交磁场示意图；

图2为本公开示例性实施例一种基于正交孪生的油气管道裂纹量化方法及装置、存储介质的流程示意图；

图3A为本公开示例性实施例一种基于正交孪生的油气管道裂纹量化方法及装置、存储介质在模型训练阶段的框架结构图；

图3B为本公开示例性实施例一种基于正交孪生的油气管道裂纹量化方法及装置、存储介质在模型使用阶段的框架结构图；

图4A为本公开示例性实施例一种“裂纹信号正交孪生模型”（）的损失函数迭代过程；

图4B为本公开示例性实施例一种“裂纹信号正交孪生模型”（）的确定系数迭代过程；

图5A为本公开示例性实施例一种“裂纹尺度估计模型”（）的损失函数迭代过程；

图5B为本公开示例性实施例一种“裂纹尺度估计模型”（）的确定系数迭代过程；

图6A为本公开示例性实施例对0°倾斜角裂纹的信号增强3-D效果图；

图6B为本公开示例性实施例对0°倾斜角裂纹的信号增强俯视效果图；

图7A为本公开示例性实施例对3°倾斜角裂纹的信号增强3-D效果图；

图7B为本公开示例性实施例对3°倾斜角裂纹的信号增强俯视效果图；

图8A为本公开示例性实施例对18°倾斜角裂纹的信号增强3-D效果图；

图8B为本公开示例性实施例对18°倾斜角裂纹的信号增强俯视效果图；

图9为本公开示例性实施例一种基于正交孪生的油气管道裂纹量化装置的结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，下文中将结合附图对本公开的实施例进行详细说明。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。

除非另外定义，本公开实施例公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

本公开提出“正交孪生”的概念，如图1所示，旨在仅有单一方向直流励磁的条件下，虚拟孪生出与直流激励磁场同平面、大小相等、方向垂直的激励磁场/>产生的漏磁响应信号。然后通过联合处理原始响应信号与孪生响应信号从而得到漏磁增强估计信号，然后通过利用漏磁增强估计信号开展裂纹长、宽、深、倾斜角的估计，最终实现对裂纹尤其是小倾斜角裂纹的高精度量化。如图1所示，裂纹的倾斜角定义为裂纹椭球轮廓的长轴方向与原始励磁方向/>之间的夹角，范围为/>。本公开的裂纹量化方法适用于小倾斜角裂纹但不限于小倾斜角裂纹，这里的“小倾斜角裂纹”是指以励磁方向为基准，正负偏差不超过20°倾斜角的裂纹。本公开实施例中，单向直流励磁是指具有单一方向的直流励磁方式，包括但不限于现有的轴向直流励磁方式、环向直流励磁方式、螺旋直流励磁方式。

如附图1所示，在油气管道内壁上建立空间直角坐标系。以裂纹椭球轮廓的几何中心为坐标原点，定义励磁方向（方向）为X轴方向；在管道壁平面内与X轴方向垂直的方向为Y轴方向；与管道壁垂直并指向管道内部的方向为Z轴方向；Y轴的反方向为/>方向；在管道壁平面内，裂纹椭球轮廓的长轴方向为/>轴方向，相对X轴方向的倾斜角为/>；在管道壁平面内与/>轴垂直的方向为/>轴方向，它相对Y轴方向的倾斜角为/>；与Z轴重合的方向为/>轴方向；管道内油、气的流动方向为轴向；与轴向垂直并沿管道壁周向的方向为环向；与Z轴重合的方向为径向。

如图2所示，本公开实施例提供了一种基于正交孪生的油气管道裂纹量化方法及装置、存储介质，包括如下步骤：

201、建立（训练）基于正交孪生的油气管道裂纹量化模型；

202、使用（测试）基于正交孪生的油气管道裂纹量化模型。

本公开实施例的裂纹量化方法以油气管道为例进行说明，在其它铁磁性金属材料中的实施步骤可参考此方法进行，本公开不再赘述。

在一些示例性实施方式中，参考图3A，已知裂纹尺度及其响应信号，步骤201可以包括如下步骤：

1）依据不同检测原理获得单向直流励磁条件下尺度为的裂纹响应微弱矩阵信号。依据不同检测原理采用3轴漏磁和2轴动磁或涡流传感器超高分辨集成探头获得单向直流励磁条件下尺度为/>的裂纹响应微弱矩阵信号，如获得在A方向直流励磁场/>条件下的三轴漏磁测量信号模值/>，以及在A方向直流励磁场/>条件下的动磁或涡流信号/>（/>，/>）；其中/>分别为裂纹实际测量的长、宽、深、倾斜角；/>，/>，/>分别表示三轴漏磁测量信号的X轴分量，Y轴分量以及Z轴分量；/>，/>分别表示3轴漏磁和2轴动磁或涡流传感器超高分辨集成探头电路板前后线圈差分（以下简称“前后差分”）的动磁或涡流信号以及左右线圈差分（以下简称“左右差分”）的动磁或涡流信号。以上/>和/>都是矩阵信号。至少包括裂纹存在性的指示信号，如/>和/>信号。裂纹存在性指示信号包括裂纹的边界信息。通过/>信号可以区分裂纹是内壁裂纹（ID）还是外壁裂纹（OD）。

2）在相同的A方向直流励磁场条件下，应用内壁裂纹磁偶极子模型或者外壁裂纹磁偶极子模型，生成尺度/>虚拟裂纹的仿真三轴漏磁信号模值。其中，/>为矩阵信号，/>分别为虚拟裂纹的长、宽、深、倾斜角，属于中间变量，其初始值可为对应已知的裂纹实测尺度/>；/>、、/>分别是仿真三轴漏磁信号的X轴分量，Y轴分量以及Z轴分量。如果是内壁裂纹，基于“内壁裂纹磁偶极子模型”，由尺度/>计算/>，/>，/>的公式为(1)式至(2)式；如果是外壁裂纹，基于“外壁裂纹磁偶极子模型”，由尺度/>计算/>，/>，/>的公式为(3)式至(5)式。其中，/>，/>，/>分别为在/>的/>轴分量激励下的磁偶极子3轴（/>轴、/>轴、/>轴）积分算子；/>，/>，/>分别为在/>的/>轴分量激励下的磁偶极子3轴（/>轴、轴、/>轴）积分算子；/>)，为真空磁导率，/>为饱和条件下的管壁相对磁导率；/>为磁偶极子/>轴方向磁荷面密度，/>为磁偶极子/>轴方向磁荷面密度；如果是内壁裂纹，/>为传感器集成探头的提离值，如果是外壁裂纹，/>为裂纹处的管壁剩余壁厚与传感器集成探头的提离值之和。

(1)

(2)

(3)

(4)

(5)

3）为使裂纹仿真产生的效果与裂纹实际测量的效果一致，建立目标函数和约束条件：

(6)

(7)

其中，为矩阵的弗罗贝尼乌斯（Frobenius）范数，/>为拟合裂纹轮廓的椭球方程；调节因子：/>，等于/>矩阵的最大元素除以初始矩阵的最大元素，而初始矩阵（/>）即为将裂纹实测尺度/>代入磁偶极子模型计算所得的仿真三轴漏磁信号模值。通过调节虚拟裂纹尺寸/>，使上述目标函数(6)得以满足。使(6)得到满足的最优虚拟裂纹尺度记为/>，对应的仿真三轴漏磁信号模值记为/>。本文中，裂纹尺度包括裂纹尺寸和倾斜角。

复杂的裂纹形状可以分解为简单条形轮廓的组合，而条形轮廓可以抽象为长方体、椭球体、椭圆柱等简单的几何形状。

本公开实施例的裂纹量化方法中，将裂纹轮廓近似为椭球体，在另一些示例性实施方式中，裂纹轮廓还可以近似为长方体、椭圆柱等形状，本公开实施例对此不作限制。

4）应用内壁裂纹正交磁偶极子模型或者外壁裂纹正交磁偶极子模型计算正交孪生三轴漏磁信号模值。在与同平面、大小相等、方向垂直的孪生磁场/>激励的条件下，针对尺度为/>的虚拟裂纹，应用磁偶极子模型，生成对应的漏磁响应信号模值，即仿真的正交孪生三轴漏磁信号模值/>，其中/>、/>、/>分别是仿真的正交孪生三轴漏磁信号的X轴分量，Y轴分量以及Z轴分量。如果是内壁裂纹，基于“内壁裂纹正交磁偶极子模型”，由尺度/>计算/>，/>，/>的公式如(8)式至(9)式所示；如果是外壁裂纹，基于“外壁裂纹正交磁偶极子模型”，由尺度/>计算/>，，/>的公式如(10)式至(12)式所示。其中，/>为磁偶极子/>轴方向正交磁荷面密度，/>为磁偶极子/>轴方向正交磁荷面密度。

(8)

(9)

(10)

(11)

(12)

5）针对内壁裂纹和外壁裂纹，分别获得N个不同尺寸、不同倾斜角的正交孪生映射对以及实测尺寸集合。上述步骤1)至4）中的，/>，/>，和实测尺度/>构成一一对应关系，定义第i组正交孪生映射对表示为/>，与之对应的实际测量尺度为；则改变/>数值，即更换新的实测裂纹，重复执行步骤1)至4），直到针对内壁裂纹和外壁裂纹，分别获得N个不同尺寸、不同倾斜角的正交孪生映射对，即，与之对应的实测尺度集合表示为/>。

6）针对内壁裂纹和外壁裂纹，分别按照比例将N组正交孪生映射对和实测尺度集合随机拆分为训练集和测试集，它们的数量分别为/>个和个。另外，针对内壁裂纹和外壁裂纹，分别从/>个训练集中随机抽取一部分作为模型训练时的验证集。

7）针对内壁裂纹和外壁裂纹，对于训练集，以为输入，以/>为输出，N，搭建并训练机器学习模型/>，将其命名为“裂纹信号正交孪生模型”，包含“内壁裂纹信号正交孪生模型”以及“外壁裂纹信号正交孪生模型”。其中，/>表示对/>和/>进行逻辑运算，例如/>，/>；显然，，即经过正交孪生变换的输出信号得到增强。

8）针对内壁裂纹和外壁裂纹，对于训练集，在第7）步的基础上，当，再将/>输入到训练好的/>模型中，得到/>组估计结果/>。

9）针对内壁裂纹和外壁裂纹，对于训练集，以为阈值（c在0到1之间，示例性的，c=0.5），对/>进行0-1二值化处理，得到/>，其中。

10）针对内壁裂纹和外壁裂纹，对于训练集，通过和/>以及/>（/>，/>）计算/>组特征向量。/>的边缘轮廓通常为椭圆，记边缘轮廓的长轴为/>，短轴为/>，长轴的倾斜角为/>，/>的峰值为/>，的峰峰值为/>，/>的峰峰值间距为/>，/>的峰值为/>，/>的峰值间距为/>；当N时，共组成/>N组特征向量/>。

11）针对内壁裂纹和外壁裂纹，对于训练集，以为输入，以/>为输出，/> ，搭建并训练机器学习模型/>，将其命名为“裂纹尺度估计模型”，包含“内壁裂纹尺度估计模型”以及“外壁裂纹尺度估计模型”。

到此，训练好的模型和/>模型共同组成了“裂纹量化模型”。

在一些示例性实施方式中，在第2阶段，“裂纹量化模型”的使用或者测试主要适用于没有经过第1阶段模型训练的测试集或者真实油气管道上的新裂纹，参考图3B，步骤202可以包括如下步骤：

1）依据不同检测原理获得单向直流励磁条件下裂纹响应微弱矩阵信号。如获得在A方向直流励磁场条件下的三轴漏磁测量信号模值/>，以及在A方向直流励磁场/>条件下的动磁或涡流信号/>（/>，/>）。至少包括裂纹存在性的指示信号，如/>和/>信号。裂纹存在性指示信号包括裂纹的边界信息。通过/>信号可以区分裂纹是内壁裂纹（ID）还是外壁裂纹（OD）。

2）针对内壁裂纹或外壁裂纹，将信号输入到第1阶段训练好的/>（“内壁裂纹信号正交孪生模型”或“外壁裂纹信号正交孪生模型”）中，输出漏磁增强估计信号。

3）以为阈值，对/>进行0-1二值化处理，得到，c在0到1之间，示例性的，c=0.5。

4）通过和/>以及/>（/>，/>）计算特征向量。记/>边缘轮廓的长轴为/>，短轴为/>，长轴的倾斜角为/>，的峰值为/>，/>的峰峰值为/>，/>的峰峰值间距为/>，/>的峰值为/>，/>的峰值间距为/>；由此组特征向量/>。

5）将特征向量输入到第1阶段训练好的/>（“内壁裂纹尺度估计模型”或“外壁裂纹尺度估计模型”）中，输出内壁或外壁裂纹尺度的估计值。

6）重复执行步骤1）至5）直到将第1阶段的测试集或者真实油气管道上的新裂纹全部量化完毕为止。

为了更好地理解本公开提供的基于正交孪生的油气管道裂纹量化方法及装置、存储介质，下面结合1016（X80钢材，15.30mm壁厚）油气管道裂纹量化这一示例性实施例对本公开的技术方案做进一步说明。

本实施例使用基于3轴漏磁和2轴动磁或涡流传感器超高分辨集成探头采集裂纹弱信号。3轴漏磁是指包含漏磁场的轴向分量、径向分量以及环向分量；2轴动磁或涡流是指探头电路板可以同时采集前后差分的动磁或涡流信号以及左右差分的动磁或涡流信号。前后差分的动磁或涡流信号可以对360°全向裂纹进行检测和内外识别，但是随着裂纹倾斜角模值的减小，前后差分的动磁或涡流信号幅值逐渐降低；而左右差分的动磁或涡流信号幅值却随着裂纹倾斜角模值的减小而增大；两者形成互补、弥补对方的不足。因此利用3轴漏磁和2轴动磁或涡流传感器超高分辨集成探头可以确定裂纹是否存在，判别内裂纹与外裂纹，以及确定裂纹的可疑区域。

整个实施步骤共分为2个阶段，第1阶段为“裂纹量化模型”的建立阶段（模型训练阶段）；第2阶段为“裂纹量化模型”的使用阶段（模型测试阶段）。

在第1阶段，已知裂纹尺度及其响应信号，“裂纹量化模型”的建立（模型训练）步骤包括：

按照步骤1），利用轴向励磁方式的3轴漏磁和2轴动磁或涡流检测器开展对1016（X80钢材，15.30mm壁厚）人工裂纹油气管道的牵拉实验，由此获得人工裂纹的牵拉数据。采用轴向励磁意味着此时励磁方向（X轴方向）与轴向重合，建立的坐标系正如附图1所示。首先在牵拉管道上加工2160个不同尺寸和不同倾斜角的人工裂纹作为模型训练的样本，其中包含1080个内壁裂纹(ID)以及1080个外壁裂纹（OD）；针对内壁裂纹和外壁裂纹，分别随机分配其中75%的样本（810个）为训练集（用train标识），另外25%的样本（270个）为测试集（用test标识），而训练集中随机抽取25%的样本（203个）被定义为验证集（用val标识），它们的尺度分布区间如表1所示。将上述牵拉数据导入“裂纹原始样本标定软件”，在加工裂纹的已知区域，框选并导出裂纹原始样本数据文件，将其以txt格式保存，每个数据文件以裂纹实测的“长（L）-宽（W）-深（D）-倾斜角（/>）-内或外”命名，由此获得轴向励磁条件下不同尺度的裂纹响应弱信号/>以及/>，/>。其中，每个裂纹原始样本数据文件由5种矩阵数据组成，分别为漏磁轴向数据矩阵/>，漏磁径向数据矩阵/>，漏磁环向数据矩阵/>，动磁或涡流前后差分数据矩阵/>和动磁或涡流左右差分数据矩阵/>，而且，/>。针对内壁裂纹或外壁裂纹，训练集中810个样本为第1阶段训练“裂纹量化模型”做好准备，测试集中270个样本为第2阶段测试“裂纹量化模型”做好准备。

表1模型训练的样本分布

/>

按照步骤2），提前测得牵拉实验的轴向励磁场的大小，然后在相同的轴向励磁场条件下，针对内壁裂纹和外壁裂纹，分别对1080每一个不同尺寸和不同倾斜角的人工裂纹样本，以它们文件名记录的实测尺度/>为初值，应用磁偶极子模型，生成虚拟裂纹的仿真三轴漏磁信号模值/>，/>；如果是内壁裂纹，基于“内壁裂纹磁偶极子模型”，由尺度/>计算/>，/>，/>的公式为(13)式至(14)式；如果是外壁裂纹，基于“外壁裂纹磁偶极子模型”，由尺度/>计算/>，/>，/>的公式为(15)式至(17)式。其中，/>，/>，/>分别为在/>的/>轴分量激励下的磁偶极子3轴（/>轴、/>轴、/>轴）积分算子；/>，/>，/>分别为在/>的/>轴分量激励下的磁偶极子3轴（/>轴、/>轴、/>轴）积分算子；/>)，为真空磁导率，为饱和条件下的管壁相对磁导率/>为与第i个人工裂纹样本对应的磁偶极子/>轴方向磁荷面密度，/>为与第i个人工裂纹样本对应的磁偶极子/>轴方向磁荷面密度；如果是内壁裂纹，/>为第i个人工裂纹样本处传感器集成探头的提离值，如果是外壁裂纹，/>为第i个人工裂纹样本处的管壁剩余壁厚与传感器集成探头的提离值之和。

(13)

(14)

(15)

(16)/>

(17)

按照步骤3），为使裂纹仿真产生的效果与裂纹实际测量的效果一致，针对内壁裂纹和外壁裂纹，分别对1080个不同尺寸和不同倾斜角的人工裂纹样本，逐一建立目标函数和约束条件：

(18)

(19)

其中，当时，/>为与第i个人工裂纹样本对应的拟合裂纹轮廓的椭球方程；调节因子：/>，表示/>矩阵的最大元素除以第i个初始矩阵的最大元素，而第i个初始矩阵（/>）即为将裂纹实测尺度/>代入磁偶极子模型计算所得的仿真三轴漏磁信号模值。以实测尺度/>为初值通过调节虚拟裂纹尺寸/>，使上述目标函数(18)得以满足。使(18)得到满足的最优虚拟裂纹尺度记为/>，对应的仿真三轴漏磁信号记为/>。

按照步骤4），应用内壁裂纹正交磁偶极子模型和外壁裂纹正交磁偶极子模型分别计算2160个不同尺寸和不同倾斜角的人工裂纹样本的正交孪生三轴漏磁信号模值。在与同平面、大小相等、方向垂直的孪生磁场/>激励的条件下/>，针对内壁裂纹或外壁裂纹，当/>时，针对尺度为/>的虚拟裂纹，应用磁偶极子模型，生成对应的漏磁响应信号模值，即仿真的正交孪生三轴漏磁信号模值/>。如果是内壁裂纹，基于“内壁裂纹正交磁偶极子模型”，由尺度/>计算/>，/>，/>的公式如(20)式至(21)式所示；如果是外壁裂纹，基于“外壁裂纹正交磁偶极子模型”，由尺度/>计算/>，/>，/>的公式如(22)式至(24)式所示；其中，/>为与第i个人工裂纹样本对应的磁偶极子/>轴方向正交磁荷面密度，/>为与第i个人工裂纹样本对应的磁偶极子/>轴轴方向正交磁荷面密度。

(20)

(21)/>

(22)

(23)

(24)

按照步骤5），针对内壁裂纹和外壁裂纹，分别获得1080个不同尺寸、不同倾斜角的正交孪生映射对以及实测尺寸集合。在上述步骤1)至4）中，针对内壁裂纹或外壁裂纹，为1080个不同尺寸、不同倾斜角的正交孪生映射对，与之对应的实测尺度集合表示为/>。

按照步骤6），针对内壁裂纹和外壁裂纹，本实施例拆分训练集和测试集的比例系数被设定的，即训练集样本数占样本总数的75%；而训练集中验证集的占比为25%。

按照步骤7），针对内壁裂纹和外壁裂纹，对于训练集样本（810个），以为输入，以为输出，/>，搭建并训练机器学习模型/>，即“裂纹信号正交孪生模型”，包含“内壁裂纹信号正交孪生模型”以及“外壁裂纹信号正交孪生模型”。本实施例具体采用卷积神经网络自编码器（CNN Autoencoder）算法搭建了裂纹信号正交孪生模型。模型要求当/>时，输入/>为200/>200的矩阵，输出/>同样也是200/>200的矩阵，两点之间的物理步进为0.5mm。如果物理步进超过0.5mm，可以进行三次样条插值。如果矩阵维度不满足要求，则以裂纹中心为矩阵中心，对超出200维度的边缘部分进行删减，对少于200维度的边缘部分进行补零。

本实施例设计的卷积神经网络自编码器共有37层结构，其中编码部分包含18层结构，解码部分包含19层结构。使用Python语言搭建的网络架构如下：

classConvAutoencoder:#类定义

@staticmethod#静态方法

def build(inputShape): #定义方法

# Encoder（编码器部分）

input_img = Input(shape=inputShape)#输入层

x = Conv2D(64, (7, 7), padding='same')(input_img)#二维卷积层

x = SpatialDropout2D(rate=0.3)(x)#随机将30%的区域置零

x = BatchNormalization()(x)#数据批量标准化层

x = ReLU()(x) #以斜坡函数作为激活函数

x = MaxPooling2D((2, 2), padding='same')(x)#二维池化层

x = Conv2D(32, (7, 7), padding='same')(x)#二维卷积层

x = BatchNormalization()(x)#数据批量标准化层

x = ReLU()(x)#以斜坡函数作为激活函数

x = MaxPooling2D((2, 2), padding='same')(x)#二维池化层

x = Conv2D(16, (7, 7), padding='same')(x)#二维卷积层

x = BatchNormalization()(x)#数据批量标准化层

x = ReLU()(x)#以斜坡函数作为激活函数

x = MaxPooling2D((2, 2), padding='same')(x)#二维池化层

x = Conv2D(8, (7, 7), padding='same')(x)#二维卷积层

x = BatchNormalization()(x)#数据批量标准化层

x = ReLU()(x)#以斜坡函数作为激活函数

encoded = MaxPooling2D((1, 1), padding='same')(x)#二维池化层

# Decoder（解码器部分）

x = Conv2D(8, (7, 7), padding='same')(encoded)#二维卷积层

x = BatchNormalization()(x)#数据批量标准化层

x = ReLU()(x)#以斜坡函数作为激活函数

x = UpSampling2D((1, 1))(x)#二维上采样层

x = Conv2D(16, (7, 7), padding='same')(x)#二维卷积层

x = BatchNormalization()(x)#数据批量标准化层

x = ReLU()(x)#以斜坡函数作为激活函数

x = UpSampling2D((2, 2))(x)#二维上采样层

x = Conv2D(32, (7, 7), padding='same')(x)#二维卷积层

x = BatchNormalization()(x)#数据批量标准化层

x = ReLU()(x)#以斜坡函数作为激活函数

x = UpSampling2D((2, 2))(x)#二维上采样层

x = Conv2D(64, (7, 7), padding='same')(x)#二维卷积层

x = BatchNormalization()(x)#数据批量标准化层

x = ReLU()(x)#以斜坡函数作为激活函数

x = UpSampling2D((2, 2))(x)#二维上采样层

x = Conv2D(1, (7, 7), padding='same')(x)#二维卷积层

x = BatchNormalization()(x)#数据批量标准化层

decoded = Activation('relu')(x)#激活层

autoencoder = Model(inputs=input_img, outputs=decoded)#模型打包

returnautoencoder#返回模型

上述Python语言代码中，Conv2D表示二维卷积层，SpatialDropout2D表示二维空间随机置零层，BatchNormalization表示数据批量标准化层，ReLU表示激活函数层，MaxPooling2D表示二维池化层，UpSampling2D表示二维上采样层，Activation表示激活层。每一行Python语言表示一层结构，每层结构的输出作为下一层结构的输入，下一层结构的输出作为下下一层结构的输入。

按照步骤8），针对内壁裂纹和外壁裂纹，对于训练集样本（810个），在第7）步的基础上，当，再将/>输入到训练好的/>模型中，得到810组估计结果/>。

按照步骤9），针对内壁裂纹和外壁裂纹，对于训练集样本（810个），当，以/>为阈值，对/>进行0-1二值化处理，得到/>。

按照步骤10），针对内壁裂纹和外壁裂纹，对于训练集样本（810个），当，通过/>和/>以及/>（/>，/>）计算810组特征向量。/>的边缘轮廓通常为椭圆，记/>边缘轮廓的长轴为/>，短轴为/>，长轴的倾斜角为，/>的峰值为/>，/>的峰峰值为/>，/>的峰峰值间距为/>，/>的峰值为/>，的峰值间距为/>；当/>时，共组成810组特征向量/>。

按照步骤11），针对内壁裂纹和外壁裂纹，对于训练集样本（810个），当，以/>为输入，以/>为输出，搭建并训练机器学习模型/>，即“裂纹尺度估计模型”，包含“内壁裂纹尺度估计模型”以及“外壁裂纹尺度估计模型”。本实施例具体采用全连接神经网络（DNN）算法搭建了裂纹尺度估计模型。模型要求当时，输入/>为8/>1的向量，输出/>是4/>1的向量。

本实施例设计的全连接神经网络共有5层结构，分别是1个输入层、3个隐藏层、1个输出层。使用Python语言搭建的网络架构如下：

classLWDmodel:#类定义

@staticmethod#静态方法

def build(inputDim):#定义方法

model=Sequential()#定义序贯模型

model.add(Dense(10,input_dim=inputDim,kernel_initializer='random_normal', activation='relu'))#输入层和隐藏层1

model.add(Dense(10,kernel_initializer='random_normal',activation='relu'))#隐藏层2

model.add(Dense(10,kernel_initializer='random_normal',activation='relu'))#隐藏层3

model.add(Dense(4,kernel_initializer='random_normal'))#输出层

return model#返回模型

上述Python语言代码中，Dense用于实现全连接层，中间层有10个神经元，输出层有4个神经元，kernel_initializer为指定初始化方法的关键字，activation为指定激活函数的关键字。

以“内壁裂纹信号正交孪生模型”为例，设置模型训练的迭代步数为500，模型训练的迭代过程如图4A、4B、5A、5B所示。图4A是“裂纹信号正交孪生模型”（）的损失函数（loss function）迭代过程，图4B是“裂纹信号正交孪生模型”（/>）的确定系数（coefficient ofdetermination, 即/>）迭代过程，迭代结束“裂纹信号正交孪生模型”（）的评价指标如表2所示。可见/>模型经过收敛，训练集和验证集的损失函数（loss）最终都减小到0.0002，说明/>模型最终的均方误差（MSE）非常小，且没有出现过拟合。另一方面，/>模型训练集的确定系数最终达到0.9371，验证集的确定系数最终达到0.9281，说明/>模型最终的拟合效果较好，基本满足正交孪生变换的要求。

表2 迭代结束“裂纹信号正交孪生模型”（）的评价指标

以“内壁裂纹信号正交孪生模型”为例，图5A是“裂纹尺度估计模型”（）的损失函数（loss function）迭代过程，图5B是“裂纹尺度估计模型”（/>）的确定系数（coefficient ofdetermination, 即/>）迭代过程，迭代结束“裂纹尺度估计模型”（/>）的评价指标如表3所示。可见/>模型经过收敛，训练集的损失函数（loss）最终减小到0.0044，验证集的损失函数（loss）最终减小到0.0027，说明/>模型最终的均方误差（MSE）也非常小，且没有出现过拟合。另一方面，/>模型训练集的确定系数最终达到0.9907，验证集的确定系数最终达到0.9940，说明/>模型最终的拟合效果非常好，对裂纹长、宽、深、倾斜角的估计准确性非常高。

表3迭代结束“裂纹尺度估计模型”（）的评价指标

在第2阶段，针对第1阶段未被训练的270个测试集样本开展模型测试。“裂纹量化模型”的使用（模型测试）步骤为：

按照步骤1），依据不同检测原理获得单向直流励磁条件下裂纹响应微弱矩阵信号。在执行完第1阶段的步骤1）之后，已经在轴向励磁条件下，针对内壁裂纹或外壁裂纹，获得270个测试集样本的裂纹响应弱信号以及/>，/>。其中，每个裂纹原始样本数据文件由5种矩阵数据组成，分别为漏磁轴向数据矩阵/>，漏磁径向数据矩阵/>，漏磁环向数据矩阵/>，动磁或涡流前后差分数据矩阵/>和动磁或涡流左右差分数据矩阵/>。至少包括裂纹存在性的指示信号，如/>和/>信号。裂纹存在性指示信号包括裂纹的边界信息。通过/>信号可以区分裂纹是内壁裂纹（ID）还是外壁裂纹（OD）。

按照步骤2），针对内壁裂纹或外壁裂纹，对于测试集样本（270个），当，将/>信号输入到/>（“内壁裂纹信号正交孪生模型”或“外壁裂纹信号正交孪生模型”）中，输出漏磁增强估计信号/>。

按照步骤3），针对内壁裂纹或外壁裂纹，对于测试集样本（270个），当，以/>为阈值，对/>进行0-1二值化处理，得到。

按照步骤4），针对内壁裂纹或外壁裂纹，对于测试集样本（270个），当，通过/>和/>以及/>（/>，/>）计算270组特征向量。/>的边缘轮廓通常为椭圆，记/>边缘轮廓的长轴为/>，短轴为/>，长轴的倾斜角为/>，/>的峰值为/>，/>的峰峰值为/>，/>的峰峰值间距为/>，/>的峰值为/>，/>的峰值间距为/>；当/>时，共组成270组特征向量/>。

按照步骤5），针对内壁裂纹或外壁裂纹，对于测试集样本（270个），当，将特征向量/>输入到/>（“内壁裂纹尺度估计模型”或“外壁裂纹尺度估计模型”）中，输出内壁或外壁裂纹尺度的估计值/>。

按照步骤6），针对内壁裂纹或外壁裂纹，确保第1阶段测试集的270个裂纹全部量化完毕为止。

图6A、图6B、图7A、图7B、图8A、图8B分别是测试集样本中3组不同尺度内壁裂纹信号的正交孪生效果图，从左往右三幅图分别是原始输入的漏磁测量信号模值，图片标题为“输入信号”；经过/>输出的漏磁增强估计信号/>，图片标题为“预测输出信号”；以及/>输出的理想信号/>，图片标题为“真实输出信号”。

图6A和图6B展示的是测试集中一个L=30mm，W=0.3mm，D=1.4mm，的内壁裂纹，经过/>（“内壁裂纹信号正交孪生模型”）后信号增强效果图。可见，原始输入信号/>的漏磁场峰值仅有10Gs，经过正交孪生变换之后，/>输出信号的漏磁场峰值达到120Gs，信号被增强12倍；此外，由于该裂纹样本的倾斜角/>，属于轴向裂纹，图6B表明，原始输入信号/>呈现双峰特征，甚至无法分辨它是一个轴向裂纹，然而经过正交孪生变换之后，/>输出信号/>清楚反映了它的轴向裂纹特征，因而/>信号对该轴向裂纹的尺度量化提供了有利条件。

图7A和图7B展示的是测试集中一个L=40mm，W=0.3mm，D=2.5mm，的内壁裂纹，经过/>（“内壁裂纹信号正交孪生模型”）后信号增强效果图。可见，原始输入信号/>的漏磁场峰值仅有12Gs，经过正交孪生变换之后，/>输出信号的漏磁场峰值达到150Gs，信号被增强12.5倍；同样，由于该裂纹样本的倾斜角/>，属于小倾斜角裂纹，图7B表明，该裂纹经过正交孪生变换之后，/>输出信号/>增强了裂纹信号特征，为对其进行尺度的高精度量化提供了有利条件。

图8A和图8B展示的是测试集中一个L=60mm，W=0.4mm，D=2.9mm，的内壁裂纹，经过/>（“内壁裂纹信号正交孪生模型”）后信号增强效果图。可见，原始输入信号/>的漏磁场峰值仅有60Gs，经过正交孪生变换之后，/>输出信号的漏磁场峰值达到200Gs，信号被增强3.3倍，因而/>输出信号也有利于该裂纹的高精度量化。

通过对测试集270个内壁裂纹的估计误差进行区间估计，在90%的置信度下，计算结果如表4所示。可见，内壁裂纹的长度估计误差的置信区间为(-1.046mm, 1.026mm)，宽度估计误差的置信区间为(-0.006mm, 0.005mm)，深度估计误差的置信区间为(-0.214mm,0.193mm)，倾斜角估计误差的置信区间为(-2.282, 2.452/>)。综上所述，本公开的基于正交孪生的油气管道裂纹量化方法及装置、存储介质具有非常高的尺度量化精度。

表4裂纹量化模型估计误差的置信区间

本公开实施例还提供了基于正交孪生的油气管道裂纹量化装置，包括：1）3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头，可实现采集前后差分动磁/涡流信号以及左右差分动磁/涡流信号；2）存储指令、算法、模型的存储器；3）执行基于正交孪生的油气管道裂纹量化方法的处理器；4）显示量化结果的显示器；5）连接各个单元的总线系统。

在一个示例中，如图9所示，基于正交孪生的油气管道裂纹量化装置可包括：3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头910、存储器920、处理器930、显示器940和总线系统950，其中，3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头910、存储器920、处理器930、显示器940通过该总线系统950相连；3轴漏磁和2轴动磁/涡流传感器超高分辨集成探头910用于检测并获得单向直流励磁条件下尺度为的裂纹响应微弱信号，包括3轴漏磁信号和前后差分动磁/涡流信号和左右差分动磁/涡流信号；存储器920用于存储指令及“裂纹信号正交孪生模型”和“裂纹尺度估计模型”等，处理器930用于执行存储器920存储的指令，以通过基于正交孪生的油气管道裂纹量化方法进行裂纹量化。具体地，处理器930可以分别训练“裂纹信号正交孪生模型”和“裂纹尺度估计模型”；可对不同倾斜角的裂纹弱信号进行增强并进行尺度估计；最后通过显示器940将量化结果显示出来。

应理解，存储器920可以包括只读存储器和随机存取存储器，并向处理器930提供指令和数据，包括所述的“裂纹信号正交孪生模型”和“裂纹尺度估计模型”等。存储器920的一部分还可以包括非易失性随机存取存储器。例如，存储器920还可以存储设备类型的信息。

处理器930可以是中央处理单元（Central Processing Unit，CPU），处理器930还可以是其他通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器930也可以是任何常规的处理器等。

显示器940除了显示裂纹的量化结果之外，还可以通过裂纹分析软件显示存储器920中的裂纹检测数据。

总线系统950除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。

在实现过程中，基于正交孪生的油气管道裂纹量化装置所执行的处理可以通过处理器930中的硬件的集成逻辑电路或者软件形式的指令完成。即本公开实施例的基于正交孪生的油气管道裂纹量化装置步骤可以由硬件处理器执行完成，或者用处理器930中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等存储介质中。该存储介质位于存储器920，处理器930读取存储器920中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本公开实施例还提供了一种存储介质，该存储介质存储有可执行指令，该可执行指令被处理器执行时可以实现本公开上述任一实施例提供的基于正交孪生的油气管道裂纹量化方法；此外，存储介质还可以存储裂纹量化模型，包括“裂纹信号正交孪生模型”和“裂纹尺度估计模型”；对所述的小倾斜角裂纹，分别使用训练好的“裂纹信号正交孪生模型”和“裂纹尺度估计模型”进行量化。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

虽然本公开所揭露的实施方式如上，但所述的内容仅为便于理解本公开而采用的实施方式，并非用以限定本公开。任何本公开所属领域内的技术人员，在不脱离本公开所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本公开的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims

1.一种基于正交孪生的油气管道裂纹量化方法，其特征在于，包括：

获取在单向直流励磁条件下内壁裂纹或者外壁裂纹的三轴漏磁测量信号模值，获取在与直流励磁正交的动态磁场激励条件下的动磁信号或涡流信号，所述单向直流励磁指具有单一方向的直流励磁方式；

将所述三轴漏磁测量信号模值输入裂纹信号正交孪生模型，得到漏磁增强估计信号，所述漏磁增强估计信号为仿真的正交孪生三轴漏磁信号模值的函数，所述正交孪生三轴漏磁信号模值为在虚拟正交孪生直流励磁条件下的三轴漏磁响应信号模值，所述虚拟正交孪生直流励磁与所述单向直流励磁同平面、大小相等且方向垂直；

从所述漏磁增强估计信号以及所述动磁信号或涡流信号中提取特征向量，将所述特征向量输入裂纹尺度估计模型，得到裂纹的尺寸和倾斜角；

所述正交孪生被定义为，在已知单向直流励磁的原始响应信号的条件下，得到与单向直流励磁同平面、大小相等、方向垂直的孪生磁场对应的响应信号，得到的响应信号被定义为孪生响应信号，所述孪生响应信号与所述原始响应信号构成孪生关系，将所述原始响应信号变换为所述孪生响应信号的过程定义为正交孪生变换。

2.根据权利要求1所述的方法，其特征在于，从所述漏磁增强估计信号以及所述动磁信号或涡流信号中提取特征向量，包括：

根据所述漏磁增强估计信号得到至少一个第一特征值；

根据所述动磁信号或涡流信号得到至少一个第二特征值；

将所述第一特征值和第二特征值组成特征向量。

3.根据权利要求2所述的方法，其特征在于，所述第一特征值包括：长轴、短轴、长轴倾斜角以及峰值，所述根据所述漏磁增强估计信号得到第一特征值，包括：

根据预设的二值化阈值，对所述漏磁增强估计信号进行二值化处理，得到二值化漏磁信号；

计算所述二值化漏磁信号的边缘轮廓的长轴、短轴、长轴倾斜角以及所述漏磁增强估计信号的峰值，将得到的长轴、短轴、长轴倾斜角以及峰值作为所述第一特征值；

所述动磁信号或涡流信号包括前后线圈差分信号和左右线圈差分信号，所述第二特征值包括：所述前后线圈差分信号的峰值和峰-峰值间距，以及所述左右线圈差分信号的峰值和峰值间距。

4.根据权利要求2所述的方法，其特征在于，所述裂纹信号正交孪生模型为通过卷积神经网络实现的自编码器模型，所述自编码器模型包括编码器部分和解码器部分；所述裂纹尺度估计模型为全连接神经网络。

5.根据权利要求1所述的方法，其特征在于，所述漏磁增强估计信号为仿真最优三轴漏磁信号模值与仿真的正交孪生三轴漏磁信号模值/>的函数/>，所述仿真最优三轴漏磁信号模值/>是使/>最小的仿真三轴漏磁信号模值，其中/>为所述三轴漏磁测量信号模值，/>为将裂纹尺度代入磁偶极子模型得到的仿真三轴漏磁信号模值，/>为矩阵的Frobenius范数，/>为调节因子；

，/>、/>、/>分别是仿真三轴漏磁信号的X轴分量、Y轴分量以及Z轴分量，所述X轴方向与所述单向直流励磁的激励方向相同，所述Y轴方向在所述油气管道平面内与所述X轴方向垂直，所述Z轴方向分别与所述X轴方向和Y轴方向垂直；

=/>，/>、/>、/>分别是正交孪生三轴漏磁信号的X轴分量、Y轴分量以及Z轴分量；

，/>；

调节因子表示等于/>矩阵的最大元素除以初始矩阵的最大元素，所述初始矩阵为将裂纹实测尺度代入磁偶极子模型计算所得的仿真三轴漏磁信号模值组成的矩阵。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对于多个裂纹样本，使用在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的所述漏磁增强估计信号训练所述裂纹信号正交孪生模型，其中，每个所述裂纹样本对应的漏磁增强估计信号通过如下方法生成：

以所述裂纹样本的实测尺度为初始的裂纹尺度；

用矩阵的最大元素除以初始矩阵的最大元素得到调节因子/>，/>为所述三轴漏磁测量信号模值；

计算，其中/>为将裂纹尺度代入磁偶极子模型得到的仿真三轴漏磁信号模值，/>为矩阵的Frobenius范数；

反复调节所述裂纹尺度，并将所述裂纹尺度输入裂纹磁偶极子模型，直到得到使最小的最优裂纹尺度，与所述最优裂纹尺度对应的/>即为仿真最优三轴漏磁信号模值/>；

将所述最优裂纹尺度输入裂纹正交磁偶极子模型，得到所述仿真的正交孪生三轴漏磁信号模值；

将所述与/>代入公式/>，/>，从而生成所述漏磁增强估计信号。

7.根据权利要求6所述的方法，其特征在于，对于所述多个裂纹样本，使用在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的所述漏磁增强估计信号训练所述裂纹信号正交孪生模型，包括：

将每个裂纹样本在单向直流励磁条件下的三轴漏磁测量信号模值以及对应的漏磁增强估计信号标记为一组正交孪生映射对；

将N组正交孪生映射对按照比例随机拆分为训练集和测试集，其中，；

使用组所述正交孪生映射对训练所述裂纹信号正交孪生模型，使用/>组所述正交孪生映射对测试所述裂纹信号正交孪生模型。

8.根据权利要求7所述的方法，其特征在于，在训练所述裂纹信号正交孪生模型之后，使用所述特征向量训练所述裂纹尺度估计模型，包括：

将每个裂纹样本的第一特征值和第二特征值与对应的裂纹尺寸和倾斜角的真实值标记为一组裂纹尺度估计映射对；

使用组所述正交孪生映射对对应的裂纹尺度估计映射对进行所述裂纹尺度估计模型的训练，使用/>组所述正交孪生映射对对应的裂纹尺度估计映射对进行所述裂纹尺度估计模型的测试。

9.一种基于正交孪生的油气管道裂纹量化装置，其特征在于，包括：单向直流励磁条件下的漏磁传感器探头，单向直流励磁以及与直流励磁正交的动态磁场激励条件下的动磁或涡流传感器探头，存储指令、算法、模型的存储器，执行如权利要求1至8中任一项所述的油气管道裂纹量化方法的处理器，以及连接各个单元的总线系统。

10.一种存储介质，其特征在于，其上存储有基于正交孪生的油气管道裂纹量化方法的程序，该程序被处理器执行时实现如权利要求1至8中任一项所述的油气管道裂纹量化方法。