Page 109 - 无损检测2024年第四期
P. 109

黄书童,等:
   多传感器数据融合技术在管道无损检测中的应用

   测技术很难实现高质量的检测。多种检测方式相结                            缺陷、 凹坑和表面腐蚀缺陷频繁出现, 并且缺陷特征
   合可以提供来自不同方法的互补或冗余信息, 即将                           的复杂性使得缺陷识别变得困难, 管道缺陷的有效
   目标相同或不同方面的多个信息源进行融合, 以减                           识别对于管道状态评估和管道安全稳定运行尤为关
   少结果的不确定性, 从而提高检测的鲁棒性和准确                           键。针对缺陷识别精度问题, 诸多学者进行了大量
   性。与单独使用一种无损检测方法相比, 复合检测                           研究, 主 要 采 用 的 数 据 融 合 方 法 有 人 工 神 经 网
   方法能够以更高的可靠性检测出不同失效原因引起                            络 [ 29 ] 、 深 度 学 习 [ 30-32 ] 以 及 混 合 算 法 [ 33-36 ] 。 杨 理 践
   的故障或缺陷       [ 25-28 ] 。例如, REN 等  [ 27 ] 提 出 了 一 种  等  [ 29 ] 利用数据融合技术和 BP 神经网络对管道缺陷
   改进的基于数据融合技术的多传感器识别算法, 建                           进行了识别, 结果表明, 数据融合后的缺陷识别精度
   立了超声检测和涡流检测数据的判别函数和融合函                            和可靠性得到了提高。 ZHANG 等               [ 31 ] 提出了一种
   数, 试验结果表明改进后的融合方法对缺陷有更高                           二维数据融合方法, 将融合的数据作为自主深度学
   的识别率。                                             习识别算法的输入, 提高了管道故障特征识别的准
   2.2  油气管道缺陷识别                                     确性, 为管道的安全运行提供了依据。多传感器数
      油气管道服役的外部环境大多较为恶劣, 焊接                          据融合在管道缺陷识别中的应用如表 2 所示。
                            表 2  多传感器数据融合在管道缺陷识别中的应用

    参考文献       模型            输入          输出                            结果
      [ 30 ]  DLFM    TOFD 图谱, 超声波信号 缺陷类别        DLFM 方法比传统 CNN 、 TCN 、 和 CNN-TCN 方法具有更高的识别率
                                                 MFMSGN 对腐蚀缺陷的识别精度优于 ResNet50 , 略低于 ResNet101 , 但
      [ 32 ]  MFMSGN       漏磁图像         缺陷类别
                                                计算量小得多
      [ 33 ]  SVM-DS     超声波信号特征        缺陷类别       SVM-DS融合识别方法在识别率和泛化性方面都具有较大优势
      [ 34 ]  MFF-MCFE     超声信号         缺陷类别           分类准确率可达 96.29% , 具有较强的鲁棒性和稳定性
      [ 35 ]  DS-A p riori  漏磁信号        缺陷类别               提高了识别精度, 具有较强的抗干扰能力
      [ 36 ]  BP-DS    漏磁信号, 超声波信号      缺陷类别          相比单一网络有更好的识别结果, 提高了系统的可靠性

   2.3  油气管道缺陷量化                                     管道缺陷是影响其结构完整性的重要因素。因此,
      油气管道缺陷量化是管道完整性管理的重要环                           管道缺陷的有效识别量化有利于后续的管道安全性
   节, 通过缺陷量化可以客观地评估管道的运行状态,                          评估以及管道修复决策的制定。以上总结了多传感
   避免管道事故的发生。目前针对管道缺陷识别的研                            器数据融合技术在管道无损检测、 缺陷识别量化中
   究较多, 但是对于管道缺陷量化和轮廓重构的研究                           的应用, 可以看出该技术对提升管道缺陷识别量化
   较少, 缺陷轮廓和漏磁信号之间的复杂非线性关系                           精度有较好的效果, 缺陷识别和尺寸量化的准确度
   使得缺陷轮廓难以估计。学者们主要采用深度学习                            均能达到 90% 以上, 而随着识别准确度的提高, 模
   对缺陷进行量化        [ 37-39 ] , 少量采用人工神经网络    [ 40 ] 或  型越来越复杂, 计算成本也呈上升趋势。总体来说,
   其他智能化算法        [ 41-42 ] 。 ZHANG 等  [ 39 ] 提出了一种  数据融合技术在管道检测领域的应用还处于起步阶
   视觉深度迁移学习神经网络, 首先将一维缺陷漏磁                           段, 但是与传统方法相比, 该方法已经显现出了优越
   信号变换成二维图像, 然后将二维径向和轴向漏磁                           的性能, 因此值得进一步研究。
   图像融合, 再结合相关算法实现缺陷尺寸和轮廓的
                                                     3  结论与展望
   预测, 其网络结构如图 2 所示。结果表明该方法对
   于缺陷尺寸和轮廓的预测具有较高精度, 该研究为                              多传感器数据融合技术在油气管道检测领域已
   油气管道缺陷预测和安全维护提供了理论依据。梁                            经取得了较好的应用效果, 通过对多源数据进行融
   海波等   [ 40 ] 提出了一种将改进鸟群算法与加权正则                    合处理, 不仅提高了缺陷的检测精度, 而且对缺陷识
   化极限学习机相结合的基于多传感器的管道缺陷数                            别量化的准确率也有较大提升。然而数据融合模型
   据融合方法, 融合模型的误差仅为 2. 33% 。通过与                      也存在训练速度慢、 容易陷入局部最优等问题, 所以
   其他模型比较可以看出, 该方法有效提高了管道缺                           降低信号分析与管道评估模型计算时间成本的同时
   陷数据的融合精度, 为多传感器数据融合技术在管                           又能保持高精度是目前的研究难点, 简化模型以及
   道缺陷识别量化方面的应用提供了技术支撑。                              采用有效的计算方法是未来要努力的方向。
       油气管道的完整性是其最重要的质量性能, 而                              深入研究缺陷检测技术对于维护管道安全以及
                                                                                                1
                                                                                               7
                                                                             2024 年 第 46 卷 第 4 期
                                                                                      无损检测
   104   105   106   107   108   109   110   111   112   113   114