Page 96 - 无损检测2024年第三期

左万君, 等:
漏磁检测在管道损伤探测中的应用

图4 漏磁检测操作流程
步骤。 准确性, 有必要对噪声信号进行处理。李小娟等 [ 13 ]
( 1 )漏磁检测与信号采集: 将内部探测器牵引 将滤波算法改进为适用于过滤漏磁信号的多级滤波

至管道中, 对管壁进行磁化并采集漏磁信号, 将采集 算法, 通过二级改进的中值滤波算法达到过滤漏磁
信号存储至数据采集室后将探测器从管道内牵引 信号 中 高 频 噪 声 以 及 基 线 漂 移 信 号 的 目 的。
出。 ZHANG 等 [ 14 ] 提出了一种基于小波去噪结合中值

( 2 )信号预处理与可视化: 首先, 在检测之前对 滤波的多电平滤波方法, 通过选择两个最佳小波基,

探测器参数进行校准, 而后通过小波分解等方法提 即s y m8和s y m6 ( 8阶和6阶的S y mlet 小波函数)
取缺陷信号, 最后借助可视化程序将缺陷信号以图 并结合中值滤波方法实现了对漏磁信号的去噪。利
像形式呈现出来。 用小波分解重构技术可以有效滤除漏磁信号中的噪

( 3 )异常信号识别: 通过对信号特征分析识别 声信号, 而小波分解重构的层数是决定信号去噪效
异常信号, 并对异常信号进行分类, 将管道损伤与非 果的关键, 过低的层数会使得去噪效果不佳, 过高的
损伤状态区分开。 层数则会使得小缺陷信号被作为噪声信号去除而引

( 4 )缺陷定量分析: 根据缺陷信号对缺陷位置、 起信号失真。 SHI 等 [ 15 ] 在综合考虑了信噪比、 均方
尺寸及深度进行反演。设备安全评估与预测: 结合 根误差以及平滑度等多个指标的基础上, 提出了一
缺陷反演结果和管道环境等因素对管道运行状态进 种基于交变系数的磁流变信号小波去噪方法, 该方
行安全评估和预测。 法在实际应用中表现出了良好的信号去噪效果。

3 异常识别

3.1 设备异常类型
一般情况下, 工业设备如管道、 储罐等表面存在
的异常主要包括材料损伤、 焊缝以及拼接部件。材
料损伤分为材料损失、 腐蚀、 形变等。其中, 材料的
表面损失主要指人为操作如安装、 搬运等过程中造
成的表面剐蹭; 腐蚀大多是外部环境的变化以及内
部运输介质的化学反应引起的; 形变则是指设备长
图5 漏磁检测内部探测器结构 期处于某种压力作用下形成的塑性变形。焊缝主要
存在于运输管道的拼接处, 主要分为直焊、 环焊以及
2 检测信号的预处理 螺旋焊接 [ 16 ] 。由于焊接材料与管材存在差异, 检测

信号的预处理包括对检测信号进行压缩以及降 过程中材料性质的不连续会导致漏磁。拼接部件例
噪等处理。一般情况下, 检测数据包含磁性数据和 如三通、 弯头等主要用于管道连接, 这些连接部件会
非磁性数据。磁性数据是指检测到的相关管道损伤 改变管道结构而导致检测过程中出现漏磁现象。
的漏磁数据; 非磁性数据记录了内部探测器工作状 3.2 设备异常识别与分类
态、 时间、 速度、 管道温度以及空间位置等信息。由 在漏磁检测过程中上述情况均会导致漏磁反
于漏磁检测信号数据量较为庞大, 且检测设备存储 应, 而焊缝以及拼接部件却是非损伤结构, 因此, 对
容量有限, 因此需要对检测信号进行压缩。通常情 设备异常进行识别与分类尤为重要。传统的检测信
况下, 检测到异常部位时信号会产生峰值, 因此在压 号异常识别流程包括管道检测位置选取、 人工异常
缩信号时, 对其峰值部分可选择轻微压缩或者不压 信号提取与识别以及异常分类。通常情况下, 采取
缩以保证数据的真实性, 而其他小幅度信号则可以 人为选择检测区域并且定义检测信号特征( 包括信
[ 17 ]
选择较大压缩比进行压缩 [ 12 ] 。 号峰谷值、 信号上升率、 谷宽等) 的方式, 其识别
此外, 为了提高信号质量以及信号表征缺陷的 结果很大程度上依赖操作者的工作经验。此外, 漏
8
5
2024年 第46卷 第3期
无损检测