工業管道質量評估系統中的數據處理軟件研究

1.安徽城市管理職業學院信息工程系，安徽合肥，231635；

2.安徽城市管理職業學院城市建設系，安徽合肥，231635

工業管道質量評估系統中的數據處理軟件研究

陳 彬1，聶宗瑤2

1.安徽城市管理職業學院信息工程系，安徽合肥，231635；

2.安徽城市管理職業學院城市建設系，安徽合肥，231635

研究了應用于工業管道質量評估系統的數據處理軟件，分析了該軟件的功能劃分及框架結構。采用多線程技術對多個傳感器的信號進行采集，研究了主/從線程之間的同步問題，并結合小波與RBF神經網絡技術實現了信號濾波及多種類型缺陷信號的識別。采用該數據處理軟件的工業管道質量評估系統已在油田企業應用，并取得了良好的效果。

工業管道；數據處理；數據采集；信號濾波；神經網絡

工業管道應用于石油、化工、冶金等行業，通常工作于高壓環境下，因管體上的缺陷可能導致重大安全事故。工業管道質量評估系統可對管道進行在線檢測，防止事故的發生。質量評估系統基于漏磁檢測原理，管道上的缺陷或厚度變化會產生漏磁信號，緊貼管道表面的磁敏傳感器組可檢測到該漏磁信號，并轉換為電壓信號后送入計算機進行分析[1]。

數據處理軟件能采集和處理傳感器組輸入的多路信號，并對工業管道上的缺陷類型進行判斷，以圖形化界面進行顯示和存儲。本文研究了一種具有多通道信號處理能力、多線程同步采集并具有缺陷類型識別能力的數據處理軟件，實際應用取得了良好的效果。

1 軟件主要功能及軟件架構

1.1 工業管道質量評估系統檢測原理

工業管道多為鐵磁性材料制成，若通過勵磁線圈向被測管道施加磁場，當管道的管體存在缺陷(如裂紋或孔洞)時，缺陷界面對外施磁場會產生折射效應，導致該磁場有一部分沿管道表面法線方向“泄漏”出來而形成漏磁場，磁敏傳感器組可以檢測到這個漏磁場，從而判定管體缺陷的存在[2](圖1)，這就是工業管道質量評估系統的基本檢測原理。

1.2 數據處理軟件的功能與系統接口

工業管道質量評估系統包含兩組磁敏傳感器陣列，磁敏傳感器將管體缺陷產生的漏磁信號轉換為模擬電壓信號，并送入計算機中的數據采集卡，進行模擬/數字信號轉換后由數據處理軟件進行分析處理。數據處理軟件需要對數據采集卡進行控制，將多個數據通道的數據進行采集并進行分析、處理、顯示和存儲。

圖1 漏磁檢測基本原理圖

1.2.1 多通道采集功能

數據處理軟件可對數據采集卡進行編程，以盡可能快的速度對來自傳感器陣列的多路模擬電壓信號進行模擬/數字轉換。并將轉換后的數字信號送入緩沖區進行處理。

1.2.2 定時器控制功能

在數據處理軟件中設定控制字，對采集卡上的定時器/計數器進行編程，利用定時器/計數器的連續輸出脈沖作為模/數轉換的觸發源信號，從而使數據采集能連續不斷地進行下去。

1.2.3 編碼器及定位開關功能

通過讀取紅外開關的狀態，可以確定被測管體的大致位置。數據處理軟件通過讀取數據采集卡的信號輸入口，對旋轉編碼器輸入脈沖進行計數，計算出里程輪行走的距離，以確定被測管體的運行狀態，并計算出管體缺陷在被測管體上的水平分布絕對位置。

檢測過程中，如發現管體缺陷，數據處理軟件將會立即記錄下缺陷的位置信息，并向數據采集卡上數字輸出接口發出脈沖信號，推動管體缺陷標記裝置在管體上噴涂缺陷標記。

2 數據處理軟件的設計

2.1 對數據采集卡的配置

運用數據處理軟件對數據采集卡進行配置，使采集卡能連續、穩定地進行數據采集。

2.1.1 配置觸發方式及觸發源

數據采集需要收到觸發信號才能啟動數據采集過程，為確保數據采集卡連續不斷工作，采用板上8254定時器輸出作為觸發源。數據處理軟件直接讀寫采集卡上的控制字，配置采集卡上8254定時器的工作模式，使8254每隔一段時間發出觸發信號驅動一次數據采集，從而確定采集卡的工作采樣率。

2.1.2 配置數據傳輸方式

配置數據采集卡的控制字使采集卡工作在DMA(直接存儲訪問)數據傳輸方式下，并使采集卡獲取的數據直接向指定緩沖區傳送；與中斷方式相比，DMA可實現大量數據傳輸而無須CPU干預[1]，可極大地提高數據傳輸效率。

2.2 數據處理功能2.2.1 雙緩沖數據處理

數據采集卡在收到啟動命令后即處于不間斷工作的狀態，每秒高達200K個采樣通過PCI總線傳入計算機。數據處理軟件需要以雙緩沖技術對采樣后數據進行暫存處理。數據采集開始后，將收集到的數據不斷放入主緩沖區，當主緩沖區半滿時，發出“取數據”的內核事件，通知主線程取走上半緩沖區中的全部數據；此時收集到的數據存入下半緩沖區，待緩沖區全滿時，再次發出“取數據”的內核事件通知主線程取走下半緩沖區的數據，并讓此后收集到的數據存入上半緩沖區。

以雙緩沖方式進行數據暫存，可在不影響采集速度的情況下最大限度利用緩沖區，有效避免共享同一緩沖區的讀、寫操作同時進行而產生的數據錯誤。

2.2.2 主/從線程同步

數據處理軟件中設置主線程和多個從線程(從線程數等于采集卡的輸入通道數)。主線程從緩沖區中取的采樣轉換成數據后，分發給各個獨立的從線程；從線程則取出各自緩沖區中數據，進行濾波和缺陷識別。

圖3 數據處理軟件各線程

主/從線程之間共享分通道緩沖，在數據處理軟件工作期間，需要確保線程之間始終能以準確的時序對緩沖進行訪問，主線程將采集卡傳來的數據送入分通道緩沖，再由從線程取出其中的數據，為防止Windows系統進行線程調度時造成數據讀取的順序錯亂，需要對主/從線程進行同步。

采用系統內核事件技術進行線程間的控制與同步。主線程對數據采集卡進行實時監視，收到模擬/數字信號轉換后，立即從采集卡的數據緩沖區中復制數據，并調用SetEvent()函數使預定義的內核事件對象處于“已通知”狀態，通知各從線程取走數據。同時，每個從線程均在內部循環中調用WaitForSingleObject()函數進入等待狀態，發現預定義的內核事件對象已變為“已通知”狀態后，立即從主緩沖區中取出對應于本線程的通道數據，進行后繼處理。

2.2.3 小波去噪

工業管道檢測中數據采集裝置采集到的漏磁信號為非平穩信號,同時由于受現場環境、試件表面光潔度和電子噪聲等因素的影響,漏磁檢測信號中存在大量噪聲干擾,而信號中的噪聲主要來自高頻部分[3]，因此需要對所采集的信號進行濾波處理。

數據處理軟件利用小波多分辨率逐層逼近的特點，對各個分通道的數據進行小波去噪處理，即把信號分解成各相互獨立的頻帶，進行多次分解后，小波變換就可以視為帶通濾波器[4]。通過設計參數并調整小波分解的層數，可以消除高頻噪聲，并盡可能地保留大部分的缺陷信號信息。

本研究采用Mallat算法計算離散小波變換，設單個通道輸入的漏磁信號為x(t),a為尺度因子，b為平移因子，基函數如下：

(1)

Ψj,n(t)=2-j/2Ψ(2-jt-n)

(2)

進一步可得離散變換式：

(3)

算法中采用以下公式進行遞推：

(4)

(5)

遞推式中，hn與gn分別為低通、高通濾波器，dj,k是第j層低頻系數，cj,k是第j層高頻系數。

數據處理軟件工作時，主線程將數據采集卡送來的數據分發到各個從線程之后，從線程對這些數據進行小波濾波處理，以去除高頻噪聲。先對信號進行多層小波分解，再提取每層的低頻分量，通過計算決定分解的層數來濾除高頻率段噪聲，實現低通濾波。濾波后的數據再進行缺陷類型判斷處理。

2.2.4 利用神經網絡進行缺陷識別

工業管道缺陷的種類很多，如裂紋、孔洞等，并且還有分布于內壁與外壁的區別。為準確識別這些缺陷，本研究采用神經網絡技術。管道內壁與外壁的缺陷信號在幅頻特性上存在區別，將管體缺陷的分布特征參數、類型特征參數與信號的特征值看作一種模糊映射關系[5]，利用神經網絡模型建立此映射,并利用這個映射關系，根據信號特征來反演缺陷的類型。

在數據處理軟件的設計中，加入神經網絡的訓練算法，首先選取若干經過特殊加工、管體上刻有多種類型的人工缺陷的樣管，對神經網絡進行訓練；經過訓練之后，數據處理軟件可以對實際工作中的輸入信號進行分類，具有智能化、自動化判斷能力。

本研究選用了徑向基函數(RBF,Radial Basis Function)神經網絡來進行樣本學習和信號處理。RBF神經網絡為3層前饋網絡，由輸入層、隱含層以及輸出層組成[6]，是一種性能優良的前饋型神經網絡，它可以任意精度逼近任意的非線性函數，拓撲結構緊湊，結構參數可實現分離學習，收斂速度快[7]。

圖4 RBF神經網絡結構圖

RBF神經網絡中的基函數通常選取高斯核函數，通常的形式如下：

其中，X表示輸入，Y=(y1,y2,…,yn)T表示輸出，H為基函數個數，σj為基函數半徑，Wlj是第j個基函數與第l個輸出點間連接權值。

RBF神經網絡的學習算法一般包括兩個階段：隱層徑向基函數中心的確定和對徑向基函數權值進行學習與調整[6]。

結合工業管道缺陷自身的特點及現有樣本數據，本文采用非監督學習的方法進行基函數中心的確定，利用K-MEANS聚類算法選取基函數的中心；對于徑向基函數的權值，則選取了梯度下降的訓練算法，以確定隱含層到輸出層之間的連接權值。

2.2.5 數據顯示及存儲

數據處理軟件中，各從線程對數據進行處理后，通過發送Windows消息的方式，將數據送至繪圖線程，并根據旋轉編碼器的輸入及紅外信號解算出缺陷信號在管體上的絕對位置，換算成屏幕坐標后由繪圖線程在屏幕上進行顯示。每次檢測的數據記錄存入數據庫，以備查詢。

3 實驗及應用情況

3.1 實驗及應用平臺配置

數據處理軟件應用在工業計算機上，軟件開發平臺為Windows7+VisualStudio2010；數據采集卡為凌華PCI-9114型32通道多功能通用數據采集卡，該板卡可對單極性、雙極性的模擬信號進行采集，且具有單次采樣、連續采樣等多種工作模式；板上自帶1K的FIFO緩沖，支持DMA數據傳輸模式。

對采集卡上8254定時計數器芯片進行編程，并選定其輸出作為觸發源后，可實現連續自動采樣，最高采樣率達200KSPS/秒[8]。應用多線程技術后，數據處理軟件可同時處理32路模擬輸入信號及16路數字輸入信號。

圖5為數據處理軟件主界面示意圖，圖中給出了4個通道的數據情況，左半部分為經過小波濾波和神經網絡處理后的檢測信號，右半部分直接顯示從傳感器采集到的原始雙極型信號。

圖5 數據處理軟件主界面圖

3.3 小波濾波及神經網絡識別效果

應用小波濾波方法后，較好地濾除了工業現場的高頻噪聲及其他大型設備傳入的隨機干擾，同時保留了漏磁信號所在低頻段的目標信號。

經過137根樣管上的缺陷樣本(含內壁缺陷、外壁缺陷、管體內螺旋狀缺陷)數據對RBF神經網絡進行訓練后，實際工作中，數據處理軟件取得了良好的識別效果。在產品綜合驗收試驗中，能較好地區分出內壁、外壁缺陷，內、外壁缺陷綜合檢出率不低于95%，準確率高于85%，其中管體內螺旋狀缺陷判別準確率高于90%。

3.3 軟件的應用情況

工業管道質量評估數據處理軟件自研制成功以來，在勝利油田高原套管有限公司得到應用。軟件能準確地對石油用管的管體缺陷類型進行區分，準確判斷管體缺陷是分布于內壁還是外壁。系統整機通過了勝利油田質檢部門依據中華人民共和國國家標準《GB/T25757-2010 無損檢測 鋼管自動漏磁檢測系統綜合性能測試方法》及美國石油學會制定的檢測規范API-5CT(第9版)進行的性能測試。自系統整機通過驗收投入使用以來，截至2015年10月，共檢測石油用套管4萬噸。

4 結 論

本文對工業管道質量評估系統的配套數據處理軟件進行了研究，介紹了軟件的功能及其與外圍電路的接口，通過多線程技術來實現多通道數據同時采集。根據工業管道質量評估系統對缺陷信號進行準確識別、分辨的要求，在軟件設計中加入了小波濾波及RBF神經網絡進行缺陷特征識別的功能。

[1]陳彬．管道檢測高速數據采集軟件系統的研究[J]．合肥工業大學學報:自然科學版，2012，35(3)：331-333,391

10.3969/j.issn.1673-2006.2016.03.030

2015-11-28

國家科技部科技型中小企業創新基金資助項目“在線工業管道非接觸檢測設備與安全評估系統”(07C26213400525)；安徽省高等學校省級優秀青年人才基金重點項目“工業管道質量評估系統中的數據處理關鍵技術研究”(2013SQRL103ZD)；安徽省高校人文社科及自然科學研究項目“基于現場總線技術的轎車涂裝控制系統設計”(KJ2016A012)；安徽城市管理職業學院校級科研項目“應用于無縫鋼管的超聲波厚度測量數據采集與分析系統”(2013ZRKX01)。

陳彬(1979-)，安徽合肥人，碩士，講師，主要研究方向：信號處理、計算機軟件及嵌入式開發。

TP274.2

A

1673-2006(2016)03-0119-05