基于SSA-BP神經網絡的管道裂紋渦流識別研究*

王長新 陳金忠 辛佳興 張雪偉 何仁洋 王德國

(1.中國石油大學(北京) 2.中國特種設備檢測研究院 3.南昌航空大學)

0 引 言

管道運輸是實現油氣資源與市場高效結合的關鍵環節，在油氣領域起著至關重要的作用。油氣管道在制造、運輸和服役等階段易受外界環境、內部輸送介質的沖擊和腐蝕，以及人為因素的影響而出現裂紋或凹坑等多種缺陷，加之油氣管道多處于條件惡劣及人員密集的廠區環境中，一旦發生泄漏事故可能造成人員傷亡和經濟損失[1-5]。為了避免管道泄漏事故的發生，需對管道進行定期檢測和維護，以保障管道安全有效運行[6-8]。

相對于傳統的油氣管道裂紋檢測技術，渦流檢測技術有著無需外加磁化和精度高的優點，且無需耦合劑，是實現管道裂紋檢測的有效手段[9-12]。但由于管道檢測里程長、檢測數據量大，為快速準確掌握裂紋的分布情況以及尺寸識別，有必要對管道裂紋進行定量分析[13]。近年來，國內外學者對管道裂紋定量識別進行了大量研究[14]。LIU S.J.等[15]提取了金屬管道裂紋的磁記憶檢測信號,構建了BP神經網絡，有效地定量識別出管道的裂紋參數。ZHANG H.等[16]采用IPSO-RBF神經網絡對管道缺陷進行識別研究，提高了油氣管道缺陷形態特征的識別精度。DAI Y.C.等[17]采用增加隱層神經元數量的方法對神經網絡結構進行優化，提高了神經網絡的訓練精度，優化后的BP神經網絡能夠較好地識別出管道裂紋狀態。WANG Z.W.等[18]通過數值模擬和試驗研究，得到了裂紋深度、寬度與檢測信號之間的關系，利用基于遺傳算法的BP神經網絡實現對裂紋的高精度反演。

目前，管道裂紋識別研究主要集中在漏磁檢測領域[19]，針對管道裂紋渦流檢測定量識別的研究較少，主要問題有：①裂紋尺寸較小，不易檢出且外部干擾信號對裂紋檢測影響較大；②缺乏對管道裂紋檢測信號有效特征參數提取；③缺少高精度管道裂紋定量識別算法。本文基于SSA-BP神經網絡對管道裂紋進行定量識別研究，運用Maxwell有限元仿真軟件對不同尺寸裂紋進行數值模擬，探究不同尺寸裂紋信號特征的變化規律，并搭建基于渦流檢測技術的裂紋檢測系統，驗證了數值模擬的正確性；對試驗及數值模擬的檢測信號進行特征參數提取，采用SSA-BP神經網絡對裂紋參數進行定量識別。所得結果對油氣管道裂紋定量識別技術的發展具有一定的指導意義。

1 數值模擬

1.1 渦流檢測理論分析

渦流檢測技術以鐵磁性材料導體感應出的渦流為基礎，通過測量相應的磁場變化得到缺陷信息。

渦流檢測原理如圖1所示。當激勵線圈通入交變激勵信號時，根據安培定律，線圈內部會產生交變一次磁場H1，假設該磁場在空間中一點處的磁感應強度為B1，其方向可由右手螺旋定則判斷。根據法拉第電磁感應定律，當交變一次磁場H1作用于被測試件時，試件內部會產生感應渦電流I1，進而渦電流衍生出渦流磁場H2，其磁感應強度為B2。由于管道多為鐵磁性材料，當線圈產生的一次磁場H1作用在試件表面時，試件內部磁疇朝著磁場H1的方向發生旋轉，還會產生一個與一次磁場方向相同的磁化磁場H3，其磁感應強度為B3。在檢測點A1處放置磁性芯片，此時磁性芯片在空間中檢測到的復合磁感應強度B是B1、B1與B3的矢量和。B值可由式(1)確定。

圖1 渦流檢測原理圖Fig.1 Principle of eddy current detection

B=B1+B2+B3

(1)

式中：B1為交變一次磁感應強度，T；B2為渦流磁感應強度，T；B3為磁化磁感應強度，T。

當試件存在裂紋時，線圈激勵的一次磁場不變，裂紋阻礙渦流形成回路，從而使渦流變大，渦流磁場隨之增大；同時裂紋會削弱試件磁化，導致磁化磁場減小，由于渦流磁場和磁化磁場方向相反且磁化磁場遠大于渦流磁場，所以磁化磁場將渦流磁場抵消。最后通過放置在A1處磁性芯片來獲取復合場的磁信號并轉化成直觀的電信號進行分析，通過電信號的差異來判斷被測試件的裂紋尺寸。

1.2 有限元模型

由于管道曲率相對于探頭尺寸較小，所以利用平面代替管道弧面進行仿真分析，建立簡化的三維管道裂紋渦流檢測模型，如圖2所示。

圖2 管道裂紋渦流檢測三維模型Fig.2 Three-dimensional model of pipeline crack identification from eddy current detection

模型主要包括激勵線圈、裂紋、試件及空氣域。將試件材料設置為X52管材，經過仿真優化及考慮試驗中芯片封裝的影響，最終將激勵線圈尺寸設置為內徑9 mm，外徑11 mm，高度5 mm，匝數200。激勵電流信號幅值為0.1 A，頻率為500 Hz。

1.3 裂紋深度與仿真信號關系

設置7條不同深度的裂紋，長度20 mm，寬度1 mm，深度0.2～0.8 mm(步長0.1 mm)，相鄰裂紋間距35 mm。在實際工程中考慮探頭外殼以及芯片封裝的影響，將提離高度設置為0.5 mm，激勵線圈沿X正方向掃描，提取A1點的磁通密度Z向分量幅值，截取掃描路徑上各裂紋的仿真信號，結果如圖3所示。

圖3 不同深度裂紋仿真信號Fig.3 Simulation signals of cracks with different depths

由圖3可以看出：激勵線圈在無裂紋區域時仿真信號近似呈一條水平直線，信號分布與試件表面形貌一致；通過裂紋區域時仿真信號發生明顯突變，呈現“近V字形”；波峰值隨著深度的增加出現小幅度增加，波谷值隨著深度的增加而減小，但減小速率逐漸減緩，信號峰峰間距無明顯變化。

1.4 裂紋寬度與仿真信號關系

設置7條不同寬度的裂紋，長度100 mm，深度3 mm，寬度1.0～4.0 mm(步長0.5 mm)，相鄰裂紋間距80 mm。將提離高度設置為0.5 mm，激勵線圈沿X正方向掃描，提取A1點處的磁通密度Z向分量幅值，截取掃描路徑上各裂紋的仿真信號，結果如圖4所示。

圖4 不同寬度裂紋仿真信號Fig.4 Simulation signals of cracks with different widths

由圖4可知：激勵線圈在無裂紋區域時仿真信號近似呈幅值為0的水平直線，通過裂紋區域時仿真信號出現不同程度突變；裂紋寬度對信號峰峰間距影響較為明顯，寬度越大峰峰間距隨之變大；波峰值隨著寬度的增加呈現遞增的趨勢；波谷值隨著深度的增加而減小，但減小速率逐漸降低。

2 試驗驗證

2.1 試驗平臺

為驗證仿真結果的正確性，搭建裂紋渦流檢測試驗系統，對不同尺寸裂紋進行試驗驗證，試驗探頭及裂紋參數與仿真一致。試驗系統組成如圖5所示，主要包括激勵模塊、檢測模塊、信號調理模塊、數據采集模塊、上位機軟件和PC機。

圖5 試驗系統構成圖Fig.5 Composition of test system

激勵模塊采用BP 4610信號發生器，產生幅值為0.1 A、頻率為500 Hz的正弦交流信號并通過導線傳遞至激勵線圈。檢測模塊由探頭、三軸聯動滑臺和試件組成，用于檢測試件表面的磁場信號。三軸聯動滑臺固定并驅動探頭實現在試件上方路徑掃描運動，位于檢測探頭底部圓心位置處的TMR傳感器(敏感方向Z軸)將提取到的磁場信號轉化成電壓信號輸出至調理電路，調理電路對電壓信號進行放大濾波處理。數據采集模塊包括采集卡和采集程序，經過放大濾波處理后的電壓信號由采集卡轉變為數字信號傳輸至采集程序中。最終電腦端對采集到的數據進行分析處理。

2.2 裂紋深度與檢測信號關系

探頭沿不同深度裂紋試件上方0.5 mm處路徑掃描，提取檢測電壓信號峰值，截取各裂紋的檢測信號，結果如圖6所示。

圖6 不同深度裂紋檢測信號Fig.6 Detection signals of cracks with different depths

分析圖6可知，由于試驗臺在運行過程中存在不同程度的振動以及受試件表面粗糙度的影響，檢測信號在無裂紋區域的穩定性欠佳，但裂紋區域的檢測信號較為穩定。波峰值隨著裂紋深度的增加而小幅度上升，在深度0.2～0.4 mm階段波峰值呈現微增長趨勢，深度0.5～0.8 mm階段波峰值增長速率極為緩慢，在深度0.8 mm區域達到頂峰(2.274 V)；波谷值隨著裂紋深度的增加而減小，且減幅逐漸變小，在深度0.2～0.3 mm階段減幅最大(0.102 00 V)，在深度0.7～0.8 mm階段減幅最小(0.000 86 V)，在深度0.8 mm區域降至最低(2.173 40 V)；檢測信號峰峰間距無明顯變化。針對波峰值和波谷值的增長、減小速率由快到慢的現象，分析原因是受趨膚效應的影響，隨著深度的增加，電流密度呈指數衰減，深層裂紋檢測信號的分辨率有所下降。

2.3 裂紋寬度與檢測信號關系

探頭沿不同寬度裂紋試件上方0.5 mm處路徑掃描，提取檢測電壓信號峰值，截取各裂紋的檢測信號，結果如圖7所示。

圖7 不同寬度裂紋檢測信號Fig.7 Detection signals of cracks with different widths

圖7表明:探頭在無裂紋區域時檢測信號趨于平緩，峰峰間距和波峰值均隨著裂紋寬度的增加出現不同程度的增長，但增幅逐漸減小;寬度1 mm時峰峰間距和波峰值最小，分別為2.749 mm和2.268 V;寬度4 mm時峰峰間距和波峰值最大，分別為5.500 mm和2.438 V。波谷值與裂紋寬度呈負相關的非線性變化規律，且變化趨勢逐漸減緩。在寬度1.0～2.5 mm階段波谷值出現明顯降低，由2.147 V降至1.866 V，平均降幅為4.57%；在寬度3.0～4.0 mm階段波谷值出現小幅度降低，由1.822 V降至1.747 V，平均降幅為2.08%，比上一階段減少2.490%。針對峰峰間距和波峰值隨裂紋寬度的增加，其增長速率逐漸變小，及波谷值隨裂紋寬度的增加，其減小速率逐漸降低的現象，分析原因是隨著裂紋寬度與探頭尺寸的比例增大，能夠到達裂紋邊緣的磁場減少，對復合磁場的影響相應減小，進而導致裂紋檢測信號分辨率降低。

2.4 試驗結果與仿真結果對比

對仿真信號與試驗信號進行歸一化處理，結果如圖8所示。由圖8可以看出，仿真與試驗所得到的信號趨勢基本一致。

圖8 歸一化處理結果對比圖Fig.8 Comparison of normalization results

為驗證仿真的正確性，對仿真結果與試驗結果進行定量對比分析。定義偏差δ為衡量指標。

(2)

式中：B為各裂紋仿真信號幅值與試驗信號幅值之比；A為各裂紋仿真信號幅值與試驗信號幅值之比的均值。

將歸一化數值代入，結果如表1和表2所示。表1和表2中的數值(信號幅值)均為歸一化后的數值。

表1 不同深度裂紋偏差對比Table 1 Comparison of deviations for cracks with different depths

表2 不同寬度裂紋偏差對比Table 2 Comparison of deviations for cracks with different widths

由表1和表2可知：不同深度裂紋信號偏差在一定范圍內浮動，最大不超過5.240%，平均偏差為2.219%；不同寬度裂紋偏差均小于1.000%，且最低至0.100%，平均偏差為0.443%。通過仿真與試驗比值偏差的定量對比分析，驗證了仿真的正確性。

3 基于SSA-BP神經網絡的裂紋定量識別

3.1 特征參數及樣本庫的選取

裂紋信號的定量識別與其特征參數的選取密切相關，通過仿真與試驗渦流檢測信號的對比分析，結合BP神經網絡的特點，本文采用基谷值(Bg)、峰峰值(Bz)、周長(C)和面積(S)作為管道裂紋信號的特征參數，如圖9所示。

圖9 特征參數提取示意圖Fig.9 Schematic diagram of extraction of characteristics parameters

由于TMR芯片為線性磁場傳感器，所以相同裂紋尺寸下試驗值和仿真值存在如下比例關系。

(1)基谷值比例系數K1。K1=V1/(Bj-Bmin),其中V1為試驗信號基谷值，Bj為仿真信號基線值，Bmin為仿真信號谷值。

(2)峰峰值比例系數K2。K2=V2/(Bmax-Bmin),其中V2為試驗信號峰峰值，Bmax為仿真信號峰值，Bmin為仿真信號谷值。

(3)周長比例系數K3。

對不同深度和寬度尺寸裂紋對應的比例系數進行均值處理，得到比例系數與裂紋深度、寬度的對應關系，結果如表3所示。

表3 比例系數與裂紋深度、寬度尺寸對應關系Table 3 Corresponding relationship between proportional coefficients and crack depths and widths

為降低加工精度對預測結果的影響，同時獲得足夠的訓練樣本，按照表3的對應關系將仿真數據與試驗數據進行等比例換算，將換算后的134組數據作為神經網絡的訓練樣本，14組數據作為測試樣本。測試樣本特征參數如表4所示。

表4 測試樣本特征參數Table 4 Characteristics parameters of test sample

3.2 SSA-BP神經網絡

BP神經網絡由輸入層、隱藏層和輸出層3部分組成，其網絡結構如圖10所示。

圖10 BP神經網絡結構圖Fig.10 Structure of BP neural network

BP神經網絡的學習過程由信息的正向傳播和誤差的反向傳播組成，其通過調節網絡參數以實現網絡的實際輸出向期望輸出逼近。但在BP神經網絡中，神經單元的權值和閾值隨機產生，為避免求解過程中隨機權值和閾值對識別精度和運行效率的影響，本文將麻雀搜索算法[20]和神經網絡相結合，采用麻雀搜索算法優化BP神經網絡的權值和閾值，以此獲得較高的識別精度。以基谷值、峰峰值、周長和面積為輸入，裂紋的深度或寬度為輸出，建立SSA-BP神經網絡裂紋定量識別模型。SSA-BP神經網絡裂紋定量識別模型的流程如圖11所示。

圖11 SSA-BP神經網絡裂紋定量識別模型流程圖Fig.11 Flow chart of SSA-BP neural network model for quantitative crack identification

3.3 裂紋定量識別結果與分析

為驗證特征參數與算法的可靠性和實用性，將134組訓練樣本和14組測試樣本(見表4)作為SSA-BP神經網絡模型的樣本集，對仿真數據和試驗數據進行預測，預測結果和相對誤差分別如圖12和圖13所示。

圖12 預測結果對比Fig.12 Comparison of prediction results

圖13 相對誤差對比Fig.13 Comparison of relative errors

由圖12、13可以看出，傳統BP神經網絡出現較大的測試誤差，深度最大絕對誤差為0.42 mm，最大相對誤差為69.23%；寬度最大絕對誤差為0.017 mm，最大相對誤差為0.61%，對裂紋寬度的識別精度尚可，但對裂紋深度的識別精度欠佳；采用SSA-BP神經網絡預測,深度最大絕對誤差為0.05 mm，最大相對誤差為12.53%；寬度最大絕對誤差為0.004 3 mm，最大相對誤差0.25%；較傳統BP神經網絡，SSA-BP神經網絡深度、寬度最大相對誤差分別減小56.7百分點和0.36百分點，對裂紋深度和寬度的識別精度顯著提高。

4 結 論

(1)基于渦流測試技術，采用數值模擬方法研究了裂紋尺寸對渦流檢測信號的影響規律，搭建了裂紋渦流檢測試驗系統，對裂紋渦流檢測的可靠性和準確性進行驗證。研制的渦流檢測探頭可實現對寬1 mm、深0.2 mm的裂紋有效檢出。

(2)針對傳統BP神經網絡識別精度低和收斂慢的缺點，采用麻雀搜索算法優化BP神經網絡，提高了神經網絡的識別精度和運行速度。構建的SSA-BP神經網絡管道裂紋識別模型較傳統BP神經網絡模型，深度、寬度最大相對誤差分別減小56.7個百分點和0.36個百分點，深度和寬度最大絕對誤差分別為0.05和0.004 3 mm，能夠有效實現對管道裂紋尺寸的定量識別。