CN116773654A - 一种基于周向导波的管道缺陷智能检测装置及检测方法 - Google Patents

Abstract

本发明公开了一种基于周向导波的管道缺陷智能检测装置及检测方法，通过信号发生器产生特定频率和幅值的脉冲信号，经过功率放大电路在线圈中通入周期性的电流来产生超声波，后续通过数据采集卡来采集接收到经过信号处理电路放大和降噪后的超声波信号，将信号导入计算机中通过人工智能领域深度学习方法对超声波检测信号进行智能分析，从而精确地判断裂纹的有无。本发明具有更高的换能效率，ResNet34与随机森林相结合的整体分类效果要好于ResNet34，在使用卷积神经网络进行特征提取之后，使用随机森林作为分类器，不仅在平衡数据集中，而且在不平衡数据集中，与单独使用卷积神经网进行分类相比，可以提高模型的分类精度。

Description

一种基于周向导波的管道缺陷智能检测装置及检测方法

技术领域

本发明涉及一种管道检测技术，尤其涉及一种基于周向导波的管道缺陷智能检测装置及检测方法。

背景技术

在经济迅速发展的二十一世纪，石油、天然气等资源在工业和生活中得到普遍应用，从而使管道运输业在世界范围内得到飞速发展。管道运输业在经济与国防建设中发挥着越来越大的作用。管道运输具有运量大、不受气候和地面其他因素限制、可连续作业以及成本低等优点，已成为我国继铁路、公路、水运、航空运输之后的第五大运输业，它在国民经济和社会发展中起着十分重要的作用。长距离管道运输方式拥有明显的优点：运营费用低、能耗小；受地形条件的限制少、输送路径短；可实现连续运输、安全可靠、劳动生产率高。

虽然我国油气管道的总里程数增长很快，但是相应的检测技术和检测效果远不如国外。目前，国外已经有了成熟的管道内检测相关的技术和检测设备，但是中国的内检测设备尚处于实验室研发和样机试验阶段。油气管道一般都深埋于地下或海底，经长期使用后，其管壁往往腐蚀变薄甚至出现裂纹，严重时会发生原油泄漏事故，因此，对管道进行定期无损检测问题已引起世界各国的高度重视。应力腐蚀裂纹应力腐蚀开裂是管道中常见的缺陷之一，这种裂纹会随着时间的推移发生扩展逐渐形成更长更深的裂纹，从而导致管道泄漏或突然断裂。

管道的无损检测技术主要有：超声检测技术、涡流检测技术、磁粉检测技术、激光全息检测技术等。这些技术大都需要与被检测管道直接接触，然而一些管道在外表面附有保护管道的涂层，这就意味着即使探测管道外表面的缺陷也需要将管道的涂层移除，或者需要管道停止运营，这就会花费很大的成本。施工实践中，由于传统检查手段费时、费力，而且漏检风险高，对管线的破损情况多数未知，常常导致盲目施工、盲目报废，检修工作缺乏科学性，并由此导致了人力、物资的大量耗费。

管道自动化检测是石油化工行业面临的重要课题，管道缺陷及时检测对监测和预防重大恶性事故发生具有重要意义。电磁超声内检测技术在原油管道内检测作业中已有应用，既可以实现常规超声检测的各种功能，也可以辅助检测管道外包覆层剥落，在管道检测中表现出了明显优势。采用超声波无损检测对在役管道结构完整性评估进行或监测是一种可行且有效的方法，以确保管道的安全性和可靠性。超声导波技术作为新型无损检测和结构健康监测方法之一，具有检测范围大、检测效率高、检测全面、缺陷辨识能力强等优点，正受到越来越多的关注。

发明内容

本发明的目的是要提供一种基于周向导波的管道缺陷智能检测装置及检测方法。

为达到上述目的，本发明是按照以下技术方案实施的：

本发明一种基于周向导波的管道缺陷智能检测装置包括信号发生器、功率放大电路、激励阻抗匹配电路、激励EMAT探头、接收EMAT探头、接收阻抗匹配电路、信号处理电路、数据采集卡和计算机，所述激励EMAT探头、接收EMAT探头均位于被测管道内，所述信号发生器的信号输出端依次通过所述功率放大电路和所述激励阻抗匹配电路与所述激励EMAT探头连接，所述接收EMAT探头的信号输出端依次通过所述接收阻抗匹配电路、信号处理电路、数据采集卡和计算机连接。

本发明所述基于周向导波的管道缺陷智能检测装置的检测方法：通过信号发生器产生特定频率和幅值的脉冲信号，经过功率放大电路在线圈中通入周期性的电流来产生超声波，后续通过数据采集卡来采集接收到经过信号处理电路放大和降噪后的超声波信号，将信号导入计算机中通过人工智能领域深度学习方法对超声波检测信号进行智能分析，从而精确地判断裂纹的有无。

所述人工智能领域深度学习方法包括ResNet34网络和随机森林模型，所述ResNet34网络包括卷积层、批量规范化层、池化层和激活函数运算，所述卷积层首先创建滑动窗口模板，设置卷积核大小、滑动步长，之后将像素点以及窗口范围内的邻域像素和卷积核矩阵的对应元素乘积求和，计算出来的结果作为局部连接的值，之后窗口按照设定步长进行滑动，在每个滑动的位置分别进行卷积计算；所述批量规范化层：在卷积层之后加入批规范化，批规范化通过对隐藏层线性组合输出进行正态标准化，再对标准化的输出进行尺度放缩和平移变换，使隐藏层的输出分布一致；所述池化层采用最大池化，通过计算窗口范围内神经元最大值实现；所述激活函数运算使用激活函数对神经元进行非线性映射，选用的激活函数为Relu激活函数，其公式为：

所述随机森林模型为包含多个决策树的分类器；决策树包括一个根节点、多个内部节点和叶节点；使用CART算法，根据根节点和每个内部节点使用的特征阈值将样本划分为两个子集，以获得分类结果。

本发明的有益效果是：

本发明是一种基于周向导波的管道缺陷智能检测装置及检测方法，与现有技术相比，本发明具有如下技术效果：

1.所设计的周向导波电磁超声换能器与传统的换能器相比具有更高的换能效率，接收信号幅值为传统EMAT接收信号幅值的1.5倍以上。

2.ResNet34的特征提取能力比轻量级CNN更强，可以获得更多有用的特征信息，该方法的特征表现为对数据不平衡的鲁棒性。

3.当训练集的数据失衡比为1/10时，ResNet34与随机森林相结合模型的准确率比浅层CNN与随机森林相结合模型分别提高了0.0417。ResNet34与随机森林相结合的结构在所有组数据集上的预测精度都远高于浅层CNN和标准ResNet34模型，并且没有明显增加计算时间。当导波缺陷信号与无缺陷信号不一样多时，ResNet34和随机森林的组合优于其他模型。

4.ResNet34与随机森林相结合的整体分类效果要好于ResNet34，在使用卷积神经网络进行特征提取之后，使用随机森林作为分类器，不仅在平衡数据集中，而且在不平衡数据集中，与单独使用卷积神经网进行分类相比，可以提高模型的分类精度。

附图说明

图1是本发明的结构原理框图；

图2是本发明的探头结构示意图；

图3是本发明的ResNet34中的残差结构图；

图4是本发明的卷积计算过程图；

图5是本发明的最大池化层计算过程图；

图6是本发明的经过训练的决策树模型图；

图7是本发明的基于CART的分类决策树模型图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

如图1所示：本发明一种基于周向导波的管道缺陷智能检测装置包括信号发生器、功率放大电路、激励阻抗匹配电路、激励EMAT探头、接收EMAT探头、接收阻抗匹配电路、信号处理电路、数据采集卡和计算机，所述激励EMAT探头、接收EMAT探头均位于被测管道内，所述信号发生器的信号输出端依次通过所述功率放大电路和所述激励阻抗匹配电路与所述激励EMAT探头连接，所述接收EMAT探头的信号输出端依次通过所述接收阻抗匹配电路、信号处理电路、数据采集卡和计算机连接。EMAT探头在管道轴向移动进行扫描。发射和接收EMAT探头相隔120°，配置方式为一发一收。EMAT的对称阶梯排列磁铁的结构如图2所示。对称阶梯排列磁铁的结构由对称的六个磁铁阶梯排列组成，六个磁铁的充磁方向是交替变化的。跑道线圈的弧度与环形管相同。

深度学习的最新发展为管道周向导波裂纹检测提供了潜在的应用前景。然而，对于大多数无损检测程序来说，数据不足且难以平衡，使用有限的训练数据来获得满意的分类精度。ResNet是目前比较成熟的卷积神经网络，在计算机视觉方面表现出优越的性能。ResNet其内部的残差块使用了跳跃连接，其ResNet34的残差结构为两层卷积。两层卷积如图3所示，适用于浅层网络，它被用于ResNet34中。

具体的卷积层步骤：首先创建滑动窗口模板，设置卷积核大小、滑动步长等要素。之后将像素点以及窗口范围内的邻域像素和卷积核矩阵的对应元素乘积求和，计算出来的结果作为该局部连接的值。之后窗口按照设定步长进行滑动，在每个滑动的位置分别进行卷积计算。

如图4所示，具体的批量规范化层步骤：在卷积层之后加入批规范化。批规范化通过对隐藏层线性组合输出进行正态标准化，再对标准化的输出进行尺度放缩和平移变换，使隐藏层的输出分布一致。批规范化为了保证非线性的获得，对变换后的满足均值为0方差为1的X_i又进行了尺度变换和偏移操作，让神经网络学习尺度变换参数γ和偏移参数β,其思想是找到线性和非线性之间一个较好的平衡点，既能利用非线性的较强表达能力，又避免了太靠非线性区两边，使得网络收敛速度太慢。批规范化算法如下所示。X₁,X₂,...,X_m代表m个数据(m个神经元)，其中∈是为了避免除数为0时所使用的微小正数，通常取0.00001。

输入:α＝{X₁,X₂,...,X_m}

输出:规范化后的网络响应{y_i＝BN_γ,β(X_i)}

1://计算批处理数据均值

2://计算批处理数据方差

3://规范化

4:y_i←γX_i+β＝N_γ,β(X_i)//尺度变换和偏移

5:return学习的参数γ和β。

如图5所示，具体的池化层步骤：池化层采用最大池化，通过计算窗口范围内神经元最大值来实现。

具体的激活函数运算步骤：使用激活函数对神经元进行非线性映射，选用的激活函数为Relu激活函数，其公式为：

随机森林是一个包含多个决策树的分类器。决策树包括一个根节点、多个内部节点和叶节点。使用CART算法，根据根节点和每个内部节点使用的特征阈值将样本划分为两个子集，以获得分类结果。实验中经过训练的决策树模型如图6所示。

具体的基于CART的分类决策树模型如图7所示。CART算法使用基尼指数选择要使用的特征以及每个节点中特征的阈值。基尼指数有两个公式，如公式(2)和(3)所示,它用于评估每个节点中数据集的不确定性和特征阈值的有效性。P_i是当前数据集D中i类别所占的比例，Feature[n]是当前数据集D中的第n个特征；k是第n个特征的阈值，|D|是数据集D的数量。数据集D根据特征阈值k分为D₀和D₁两个子集，即两个叶子节点。

使用CART算法进行分类的决策树如下所示。X_m代表训练集中的第m个样本，y_m代表第m个样本的真实类别，f_mn代表第m个样本的第n个特征。

输入:训练集D＝{(X₁,y₁),(X₂,y₂),...,(X_m,y_m)}；X_m＝{Feature[1]＝f_m1,Feature[2]＝f_m2,...,Feature[n]＝f_mn}

输出:一棵决策树T(X,y)

管道检测导波根据超声波传播的方向可以区分为轴向导波和周向导波，轴向导波主要因其具有波速快、检测频率低、衰减较小、对周向裂纹缺陷较敏感、受覆盖层影响较小等优点。相比于轴向导波，周向导波对轴向缺陷更为敏感，沿着管道的周向进行传播，遇到周向裂纹后会发生反射，裂纹的轴向尺寸越大回波信号强度越高，检测效果越好。在管道的超声导波无损检测中，电磁超声换能器(EMAT)是一种理想的周向导波激励传感器，因为其非接触特性可以使数据采集高度自动化。然而，对缺陷的判断仍然依赖于人工，其操作人员需要经过长时间的培训和积累大量的检测经验，而要解决这些问题就需要依靠自动智能化系统。因此开发机器学习方法以使管道的检测更可靠和更具成本效益非常重要。值得注意的是，在大多数检查中，缺陷只发生在少数样品中。如果没有缺陷的数据可以通过深度学习程序自动筛选出来，那么人类检查员只需要关注缺陷概率较高的数据子集，这可以减轻检查员的压力，提高他们的检测效率。针对现有技术中的这些问题，利用深度神经网络ResNet对预处理后的连续小波变换(CWT)图像提取特征，并将其输入随机森林分类器。在使用卷积神经网络进行特征提取之后，使用随机森林作为分类器，不仅在平衡数据集中，而且在不平衡数据集中，与单独使用卷积神经网进行分类相比，可以提高模型的分类精度。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (3)

1.一种基于周向导波的管道缺陷智能检测装置，其特征在于：包括信号发生器、功率放大电路、激励阻抗匹配电路、激励EMAT探头、接收EMAT探头、接收阻抗匹配电路、信号处理电路、数据采集卡和计算机，所述激励EMAT探头、接收EMAT探头均位于被测管道内，所述信号发生器的信号输出端依次通过所述功率放大电路和所述激励阻抗匹配电路与所述激励EMAT探头连接，所述接收EMAT探头的信号输出端依次通过所述接收阻抗匹配电路、信号处理电路、数据采集卡和计算机连接。

2.一种如权利要求1所述基于周向导波的管道缺陷智能检测装置的检测方法，其特征在于：通过信号发生器产生特定频率和幅值的脉冲信号，经过功率放大电路在线圈中通入周期性的电流来产生超声波，后续通过数据采集卡来采集接收到经过信号处理电路放大和降噪后的超声波信号，将信号导入计算机中通过人工智能领域深度学习方法对超声波检测信号进行智能分析，从而精确地判断裂纹的有无。

3.根据权利要求2所述的基于周向导波的管道缺陷智能检测装置的检测方法，其特征在于：所述人工智能领域深度学习方法包括ResNet34网络和随机森林模型，所述ResNet34网络包括卷积层、批量规范化层、池化层和激活函数运算，所述卷积层首先创建滑动窗口模板，设置卷积核大小、滑动步长，之后将像素点以及窗口范围内的邻域像素和卷积核矩阵的对应元素乘积求和，计算出来的结果作为局部连接的值，之后窗口按照设定步长进行滑动，在每个滑动的位置分别进行卷积计算；所述批量规范化层：在卷积层之后加入批规范化，批规范化通过对隐藏层线性组合输出进行正态标准化，再对标准化的输出进行尺度放缩和平移变换，使隐藏层的输出分布一致；所述池化层采用最大池化，通过计算窗口范围内神经元最大值实现；所述激活函数运算使用激活函数对神经元进行非线性映射，选用的激活函数为Relu激活函数，其公式为：

所述随机森林模型为包含多个决策树的分类器；决策树包括一个根节点、多个内部节点和叶节点；使用CART算法，根据根节点和每个内部节点使用的特征阈值将样本划分为两个子集，以获得分类结果。