Page 97 - 无损检测2024年第三期
P. 97

左万君, 等:
   漏磁检测在管道损伤探测中的应用

   磁检测采集的信号数据体量庞大, 除了一些常见的                           输入深度学习模型后, 模型自动进行特征提取, 识别
   异常信号( 见图6 ) 之外还会出现不同种类且类型和                        和分类, 识别效果良好。卷积神经网络( CNN ) 是典
   特征未知的异常信号。传统的异常分类方法主要有                            型的前馈神经网络, 也是最流行的深度学习算法之
   支持向量机模型( SVM )、 极限学习机( ELM )、 浅层                  一。只要用样本数据对已知的卷积网络模型进行训
   神经网络模型等        [ 18 ] , 这些方法均依赖于人工信号特             练, 就可以得到一个性能良好的网络模型来提取图
   征的提取情况, 检测精度较低。                                   像的局部特征信息。这种网络模型已经广泛应用于
                                                     图像识别和分类、 人脸识别、 音频检索、 自然语言处
                                                     理、 视觉跟踪等领域        [ 26 ] 。卷积神经网络结构示意如
                                                     图7所示, 其由输入层、 卷积层、 池化层、 全连接层以
                                                     及输出层组成。其输入层采集原始图像数据; 卷积
           图6 漏磁信号检测中常见的异常信号
                                                     层通过卷积计算获得特征图; 池化层对特征图进行
       随着计算机技术的发展, 一些异常信号建模和
                                                     降采样操作, 降低数据维数。其中, 卷积层和池化层
   统计方法被提出并应用于漏磁信号的异常识别中。
                                                     的数量通常根据实际情况决定, 全连接层则是基于
   WANG 等   [ 19 ] 提出了一种基于稀疏主题模型的半监                  降维数据进行映射, 最终通过输出层对信号进行
   督视频监控异常检测方法。 SONG 等                [ 20 ] 提出了一
                                                     分类。
   种基于行为模型的异常检测方法, 通过行为模型提
                                                       常用的 CNN 信号分类算法有 LeNet 、 VGG 、
   取的行为数据与实测的行为数据进行对比, 检测异
                                                     AlexNet 、 Goo g leNet 等 [ 27 ] , 这些深度学习算法在油
   常情况。这些异常信号建模方法通常适用于异常信
                                                     气管道异常分类的应用中已经取得了良好的效果。
   号固定或者精度要求较低的工况, 但在实际中, 异常
                                                     此外, LI 等  [ 28 ] 提出了一种基于 CNN 的漏磁检测响
   信号的特征通常是复杂的、 未知的, 异常信号的数量
   亦极少, 这些局限性使得其很少用于复杂工况。而                           应进行分类, 如缺陷、 三通以及阴极保护等。 YANG
                                                     等 [ 29 ] 为了更好地对漏磁信号进行分类提出了一种
   如高斯过程回归法和基于贝叶斯的统计方法, 被认
                                                     基于稀疏自编码的漏磁图像分类方法, 该方法基于
   为过于依赖工业数据分布情况而在实际中应用较
                                                     卷积神经网络自动提取特征, 优化了管道环焊缝和
   少。此外, 一些快速识别算法, 如阈值分析法                  [ 21 ] 、 差
   分阈值法    [ 22 ] 、 幅值阈值法 [ 23 ] 以及模板匹配法    [ 24 ] 等  螺旋焊缝的识别精度。曹辉等               [ 30 ] 提出了基于 U-
   被提出, 其通过程序自动化完成对漏磁信号的识别                           Net 卷积神经网络识别管道漏磁异常的方法, 在 U-
   工作。阈值分析法需要手动设置管道异常识别的阈                            Net 提取管道图像异常的基础上采用 ResNet网络
   值, 由于管道管径、 壁厚、 材料等条件不同, 相应的阈                      替代下采样部分的网络结构, 进而提升检测的准确
   值不一致, 因此, 手动设置阈值并不能满足所有情                          性。 LIU 等   [ 31 ] 构建了基于 VGG16 卷积神经网络
   况。差分阈值法是比较磁信号数据相邻两点之间的                            的改进深度残差网络, 能够从检测图像信号中自动
   差值与阈值来确定信号是否异常, 该方法能够识别                           学习特征, 并识别损伤信号与非损伤信号。相较于
   大部分情况下的异常数据, 但会使得信号谷峰附近                           传统异常识别手段, 基于深度学习方法的异常识别
   出现信号缺失等现象。幅值阈值法是将信号中多个                            的准确性得到了明显的提升。
   信号数据最大值的平均值设定为阈值 T , 并通过比                         4 缺陷量化
   较原始数据与阈值 T 的大小来判定是否为异常信
   号, 但该方法受幅值阈值设定的限制, 当检测信号中                           油气管道的缺陷量化是评价管道损伤程度以及
   同时存在缺陷大小差异过大的信号数据时小缺陷部                            评估管道安全性的重要指标。同时, 通过漏磁信号
   分数据将被过滤。王婷婷             [ 25 ] 基于差分阈值法和幅          数据定量确定缺陷轮廓的大小也是漏磁检测中最困
   值阈值法提出了缺陷自适应阈值检测法, 一定程度                           难的问题之一, 因为这是一个不适定的逆问题。而
   上弥补了两者的不足。然而, 管道漏磁信号的复杂                           量化的最终目标是计算管道最大安全操作压力
   性仍然是限制传统方法识别精度的主要因素。                              ( MOP ), 可根据量化特征参数如等效长度、 宽度和
   3.3 基于卷积神经网络的漏磁信号异常识别                             深度将缺陷等效为矩形或者立方体, 并基于此来计
     近年来, 随着人工智能的发展, 深度学习方法在                         算 MOP 。虽然将缺陷等效为矩形等规则形状在实
   管道漏磁检测领域得到了应用。将预处理后的数据                            际工程中具有一定可行性, 但是仍存在长足的进步
                                                                                                9
                                                                                               5
                                                                             2024年 第46卷 第3期
                                                                                     无损检测
   92   93   94   95   96   97   98   99   100   101   102