基于特征點的在線超聲波測厚系統性能診斷

林 敏,黃 劼,甘芳吉,廖俊必,耿鵬武2,師根泰

(1.四川大學 制造科學與工程學院,成都 610065;2.空軍駐雅安地區軍事代表室,雅安 625000)

油氣管道的腐蝕情況嚴重威脅著石化企業的安全生產，有效地監測腐蝕引起的管道壁厚減薄程度，可以及時地對管道進行維護，延長其使用壽命，同時大幅減少因管道腐蝕而發生的安全事故，降低不必要的經濟損失[1-3]。超聲波厚度檢測具有測量速度快，檢測精度高，對管道無影響的特點，因而在管道腐蝕監測中應用較多[4-6]。

在超聲波長期在線監測過程中，其硬件系統可能出現如下3方面的問題：

(1)對于基于壓電效應產生超聲波的硬件系統，傳感器與被測固件之間的耦合劑受溫度或應力影響,耦合效果變差，夾層氧化皮變厚，灰塵增加，使得超聲波路徑發生改變，超聲波入射與出射過程中出現能量損失和頻率變化[7-8]，回波波形幅值減小，信噪比降低。

(2)對于基于電磁效應產生超聲波的硬件系統，在長期使用的過程中，傳感器與硬件電路的屏蔽能力下降，信號受到電磁干擾，產生噪聲，同樣也會導致信噪比降低[9]。

(3)受溫度變化的影響，半導體元件的工作狀態發生改變，導致硬件電路中出現零點漂移的現象，在回波信號中也會產生噪聲信號[10]。

綜合上述3個問題可以看出，長期應用中的超聲波在線監測設備采集到的回波信號，其回波幅值、信噪比均會受到環境影響而降低，因而計算出與幅值、信噪比相關的波形特征點的變化，即可反映硬件系統的健康狀況。

1 自校正超聲波測厚原理

超聲波測厚原理示意如圖1所示，通過超聲波換能器裝置向被測試件發射超聲波，超聲波在經過第一表面和第二表面時分別發生反射，被超聲波換能器接收[11-12]。

圖1 超聲波測厚原理示意

圖2是以壓電超聲波設備為例，檢測工件時，超聲波換能器接收的回波信號。圖2中的第一表面第一次回波簡稱第一回波，指的是換能器下表面反射的超聲波，第二表面第一次回波簡稱第二回波，指的是被測管道下表面反射的超聲波，理想情況下，采集到的回波信號都可以看成是由激勵信號在不同表面反射得到的。

圖2 超聲波換能器接收回波

通過軟件找到兩次回波的波峰位置之間的時間差T，再根據超聲波的聲速υ，即可計算出被測件的厚度d為

(1)

在超聲波測厚技術中，最核心的問題是對于超聲波飛行時間(TOF)的測量[13-15]。

需要注意的是，對于壓電超聲設備，這里的第一回波通常取換能器下表面反射的回波，超聲波透射效果變差，在超聲波聲能總量保持不變的情況下，反射產生的第一回波信號將有所增強，第二回波信號將有所減弱。

另外，對于電磁超聲設備中電磁干擾的問題與兩種設備中硬件電路產生漂移誤差的問題，整個回波信號均會受到影響，噪聲增加。

最后，在第一回波與第二回波之間的飛行時間段內，理想情況下，信號為零，該段波形的大小即可反映噪聲信號的大小。

2 特征值提取與判斷方法

回波信號在不同接收段內的波形受到環境的影響不盡相同，因此，提出將回波信號在時間域上的分布大致分為3個階段：第一回波段、第二回波段和二者之間的超聲波飛行時間段。

分區后的回波信號如圖3所示。

圖3 分區后的回波信號

具體分區由超聲波設備的激勵波周期數n，周期T，采樣頻率f確定。此時一個回波段內的采樣點數N可由式(2)計算得到。

N=nTf

(2)

針對環境因素帶來的影響，對應在波形上體現出不同的特征。

(1)超聲波能量消耗增加或者激勵電壓降低引起的回波信號能量減弱，體現在回波信號上的特征即是兩次回波波峰的降低。

(2)壓電超聲設備中耦合效果變差引起的第二回波能量減少，第一回波能量增加，體現在回波信號上的特征即是第二回波波峰降低，第一回波波峰升高，因此可以使用二者的幅值之比，來反映耦合效果是否變差。

(3)壓電超聲設備中耦合效果變差引入的頻率噪聲、電磁超聲設備中電磁干擾引入的雜散噪聲以及電路元件漂移帶來的漂移噪聲，體現在整個回波信號上最易區分的即是TOF階段產生的雜散波。

對于不同的測厚系統而言，其本身的噪聲水平不同，此時所取的閾值也不同。對于壓電超聲測厚系統，其干擾少，噪聲信號幾乎在波形上體現不出，所以取其幅值閾值為2 mV；而對于電磁超聲測厚系統，由于其高壓電路與電路本身電磁干擾較大，噪聲信號明顯，所以取其幅值閾值為20 mV。

(4)最后，回波信號的信噪比即可由第一回波波峰與TOF階段波峰之比得到。由于單個區段內存在若干尖峰，若只選用單個尖峰求取峰值容易產生偏差，因此取依峰值大小排序的前若干尖峰點的峰值平均值作為該區段的峰值。

對于實際應用的超聲波設備，由于選取的是周期數為2T的激勵[16]，得到的回波信號中普遍存在有5個尖峰點，第一回波主尖峰點為3個，第二回波主尖峰點為2個，所以第一回波段和第二回波段分別取前3個和前2個尖峰值，再求取平均。對于TOF段，取該段內至多兩個尖峰峰值的平均值。

在最簡化的情況下，回波信號提取4個特征值，由特征值引申計算出兩個引申值(見表1)。

表1 特征值及引申值列表

得到波形信號的特征值與引申值后，通過與系統初始工作條件下的特征值與引申值進行對比，求取變化量，來判斷當下系統的硬件健康狀況。

方法應用初期，提示維修保養的變化率閾值由經驗值50%確定，同樣的，TOF段極值點個數變化量閾值定為5個，信噪比變化量閾值對于壓電與電磁系統分別定為15 dB與4 dB。在后期的持續應用中，該值應當根據維護設備的反饋作出調整。

3 工程應用實踐

下面采用具體的超聲波回波數據進行計算和處理過程的詳細說明。

(1)首先提取出四川東北某大型氣田壓電超聲設備3號探頭于2017年6月25日測量的序號為32的初始數據，以及2018年4月8日測量的序號為678的長時間監測后的數據，并對兩個波形進行上述的分區操作。超聲波測厚儀安裝現場如圖4所示。

圖4 超聲波測厚儀安裝現場

圖5 軟件信號識別效果截圖

(2)進行幅值特征點的提取。首先，將整個信號進行絕對值處理，依次取出波形信號中的極值點，將所有極值點的位置信息放入數組pos()中；然后根據操作人員輸入的幅值門限，將pos()中的幅值低于該門限值的點的位置信息刪除，得到pos1()，得到如圖5所示的軟件自動生成的幅值特征點識別界面。時間序列單位為10 ns，幅值單位為mV。

圖5中,左側數據區域為軟件操作員輸入的想要調用的數據信息以及該臺設備在提取特征時的閾值參數。

(3)在每個分區內選擇定量的幅值最大的紅色特征點，對其幅值絕對值求平均，得到3個分區中的幅值特征V1,VTOF,V2。并記錄TOF段高于閾值條件的特征點數目，得到數目特征NTOF。

(4)通過這4個特征值，計算出回波幅值比μ和信噪比SNR。

(5)對比兩次波形的特征值與引申值，根據變化量與變化率閾值，作出系統健康狀況診斷。通過信號的特征提取，得到軟件分析結果為：① 第一回波幅值減弱了20.9%，第二回波幅值減弱了33.3%；② 識別的干擾特征點數增加了1個，干擾信號幅值不變，抗干擾性能幾乎保持不變;③ 回波幅值比減小了16%，雖然有所下降，但基本與初始狀態保持一致;④ 信號的信噪比降低了2.042 dB;⑤ 總體來說，需要進行持續的觀察。

通過以上軟件分析結果可知：在初始安裝時，第二回波的幅值就非常小，因此其回波幅值比也非常小。相對于設備剛安裝時的初始狀態，序號為678的數據無論是第一回波還是第二回波，幅值都減小了，這證明激勵電壓降低，但信噪比幾乎還保持在一個非常高的狀態；相比于初始狀態，回波幅值比減小了16%，證明第二回波的幅值減弱效果更為明顯，因此可以看出，耦合效果相對于初始時也出現了下降。綜合來說，信號依舊有非常好的信噪比，但是傳感器性能和耦合效果都有所下降。

圖6 軟件信號識別效果截圖

為了驗證系統軟件識別和提取的準確性，又提取了一組典型的含有干擾波的超聲波信號，圖6為在四川東北某油氣凈化廠的電磁超聲設備的2號探頭所測得的初始數據(2017年10月12日)和長時間監測后的數據(2018年4月3日)，其時間序列單位為10 ns，幅值單位為mV。軟件的特征分析結果為：① 第一回波幅值增加了9.7%，第二回波幅值減弱了7.4%；② 識別的TOF段干擾特征點數增加了8個，干擾幅值增加了1.75倍，抗干擾性能下降，需要考慮進行維修；③回波幅值比減弱了15.6%，雖然有所下降，但基本與初始狀態保持一致；④ 信號的信噪比降低了7.995 dB，需要考慮進行維修；⑤ 總體來說，設備噪聲過大，需要考慮進行維修。

基于電磁原理的超聲波信號，雖然第二回波幅值非常高，但是自始至終都有干擾信號存在，相對于初始時期，序號為10663的信號的兩個回波的幅值比雖然有所降低，但是依然大于0.7，減小了15.6%，證明信號回波的幅值并沒有減小多少，而相對于初始狀態信噪比卻嚴重降低，且TOF區識別的特征點數也增加了不少，因此可以看出,通過長時間的監測，信號受到的干擾變強，且干擾信號的個數變多，因此從一定程度上也能說明系統的抗干擾性能變弱。

4 結語

使用軟件提取采集波形的特征值的方法，識別與判斷硬件設備的健康狀況，節約了工程人員的勞動力，提高了監管效率。對于長期在線監測的超聲波設備，該方法在實際應用中，會定時采集管道波形，在此波形基礎上進行高效地采樣與反饋，便于現場操作員及時維修或者更換設備硬件，提高了設備在線監測的準確度，并且系統改進成本低，實用性強。但是該方法在長期應用中也需要進一步研究與完善，即目前判定為噪聲的電壓閾值為2 mV與20 mV，信噪比變化量閾值為15 dB與4 dB，TOF段極值點個數變化量閾值為5個，以及峰值變化率閾值為50%，這些都是憑借工程人員經驗而定的，在系統持續使用中，這些經驗確定的閾值需要通過數據訓練以達到最優的區分效果。

基于特征點的系統性能識別與判斷方法是人工智能在腐蝕監測方面的應用，也是未來監測維護課題的發展方向。理論分析與實踐表明，基于特征點的系統性能識別與判斷方法可以有效應用于超聲波的在線監測中，具有較強的實用意義。