基于磁記憶信號特征的管道缺陷分類識別和分級識別方法

王貴生,李 煒,楊 勇,萬 勇

(1.中國石油化工股份有限公司勝利油田分公司，東營 257000; 2.中國石油化工股份有限公司勝利油田分公司技術檢測中心，東營 257000； 3.中國石油大學(華東)海洋與空間信息學院，青島 266580)

油田油氣管道長期暴露在野外復雜環境或者潮濕的地下環境中。管道受到外界環境或者受力的長期影響，會產生兩種主要的缺陷，即應力集中和腐蝕。其中，腐蝕的危害較大，它是一種明顯可見的缺陷類型，包括表面的均勻腐蝕、管道不規則破損甚至管道穿孔等情況。早期應力集中肉眼不可見，但是經過長期演變也會發展為腐蝕，成為管道安全的一大隱患，對油田現場的安全生產造成極大的威脅，因此需要提前對缺陷進行整治[1-2]。

DOUBOV[3]在20世紀90年代末提出了金屬磁記憶檢測技術。該方法是一種能夠有效檢測油氣管道缺陷的無損檢測手段。研究表明，金屬磁記憶檢測技術可通過原始的磁記憶信號判斷管道上是否存在缺陷，但對管道上缺陷的類型以及缺陷對管道的損傷程度無法通過磁記憶信號得到[4]。近幾年金屬磁記憶技術在管道缺陷檢測應用方面的報道越來越多[5-16]，但針對管道缺陷類型識別和缺陷程度分級的相關研究相對較少[17-20]。而且目前管道缺陷的分類識別方法仍然存在一些問題，如建模樣本有限，識別方法普適性較差，缺乏現場驗證等。因此，目前還沒有專門針對管道腐蝕缺陷和應力集中缺陷的分類和分級識別方法。

本工作基于支持向量機(SVM)和模擬油田現場的管道磁記憶檢測數據分別建立了針對腐蝕和應力集中兩種類型缺陷的分類識別方法和針對腐蝕的分級識別方法，并利用油田現場帶有兩種類型缺陷的油氣管道對分類識別方法的準確性進行了驗證，用模擬油田現場的管道磁記憶檢測數據對分級識別方法進行了驗證，為金屬磁記憶技術在管道缺陷定量化研究方面奠定基礎，同時為后續磁記憶信號的分析處理提供參考。

1 管道磁記憶檢測

仿照油氣輸送管道制作了存在腐蝕和應力集中兩種類型缺陷的試驗管道，然后對試驗管道開展磁信號采集，獲取建模所需的磁記憶檢測數據。

1.1 試驗管道簡介

根據油氣輸送管道，設計并制作了5根存在腐蝕和應力集中兩種類型缺陷的試驗管道，如圖1所示。分別用圓孔和直角彎模擬管道上的腐蝕缺陷和應力集中缺陷。管道均采用無縫鋼管制成，長6 m。每根管道分為四段，分別是：腐蝕段1，腐蝕段2，直管段，應力集中段。腐蝕段有3個圓孔作為腐蝕缺陷，腐蝕段1的3個圓孔位于距離起點50、100、150 cm處，腐蝕段2的3個圓孔位于距離起點300、350、400 cm處；直角彎距位于距起點500 cm處，將位置信息作為提取缺陷段數據的依據。5根試驗管道的差別主要是圓孔的深度不一樣，其他指標基本相似，除了一根管道上有通孔外，其余管道上圓孔均不是通孔。

1.2 試驗儀器及磁記憶信號采集

通過TSC-5M型磁記憶檢測設備對5根試驗管道的磁信號進行采集。該設備共有4個傳感器，每個傳感器能檢測到3個不同方向的信號，即X方向、Y方向和Z方向。因此共對應12個通道的檢測信號。磁記憶檢測設備的4個傳感器均勻分布在一條橫桿上，檢測時橫桿沿試驗管道的軸向掃描，掃描長度由管道的實際長度決定，掃描步長為1 mm，檢測速率為0.5 m/s。磁記憶檢測儀獲取的原始檢測數據是12個通道(HP1～HP12)的磁場強度，單位A/m，將其保存到磁記憶檢測儀的內存中，用于進一步計算得到特征量。

圖1 存在兩種缺陷的試驗管道示意Fig.1 Schematic diagram of experimental pipeline with two kinds of defects

前期試驗時發現，設備提離距離在0～15 cm范圍內，檢測信號沒有明顯的衰減，因此在對5根試驗管道的磁信號進行采集時，設備提離距離應在該范圍內?？紤]到使用SVM建立缺陷分類識別和缺陷程度分級識別方法，需要有足夠的建模樣本，試驗時提離距離的間隔設置為1 cm，每個試驗管道重復采集3次數據，共獲得了240組試驗數據，樣本數量滿足SVM建模的要求。此外，經過分析發現，檢測過程中檢測者移動速度過快會導致缺陷信號的采樣點過少。所采集的數據不能充分體現缺陷的細節特征，因此被認為是質量較差的數據而被剔除。最終每根管道只保留了20組數據，共計100組數據用于建模。

2 SVM缺陷分類識別方法

2.1 特征量的選擇與計算

由于通過原始磁信號無法直接對缺陷進行分類，因此提取其特征量用于分類分級識別模型的建立。需提取的磁信號特征量主要有頻域特征量、時域特征量和形態特征量，但目前還沒有確定的適合于管道缺陷類型識別和分級的特征量組合。本工作嘗試了3種類型特征量的計算和分析。在特征量的計算過程中，5根試驗管道均包含6個圓孔腐蝕缺陷。由于單個腐蝕缺陷太小，其對應的磁信號無法完全體現腐蝕缺陷的特征，故將6個圓孔腐蝕缺陷的數據整合到一起，作為腐蝕缺陷段的數據。彎管段的數據即為應力集中缺陷段的數據。以下為頻域、時域和形態3個特征量的基本情況。

2.1.1 形態特征量

形態特征量可用來形容信號曲線的形態特性，比如信號的波動程度、陡峭程度等。本工作選擇的形態特征量如下：各通道缺陷段信號的磁場梯度平均值和最大值；各通道缺陷段磁信號曲線與X軸圍成的面積等。

磁場梯度G表示磁場強度信號的波動程度，是一種較為常用的形態特征量，可按照式(1)計算。

(1)

式中：Hmax為連續4個采樣點磁場強度最大值，A/m；Hmin為連續4個采樣點磁場強度最小值，A/m；d為4個采樣點之間的實際距離，m。各通道缺陷段信號的磁場梯度平均值和最大值取多次試驗獲得的缺陷段磁場梯度的最大值和平均值。

各通道缺陷段磁信號曲線與X軸圍成的面積即磁信號幅度的積分，可由各點磁信號幅度值之和計算得到。

2.1.2 時域特征量

時域特征量是信號研究過程中應用最普遍的一類特征，是分析信號特征的重要指標。本工作選擇了幾個有代表性的時域特征量：缺陷段各通道磁場強度峰峰值、能量、最小值、最大值和平均值。

2.1.3 頻域特征量

不同缺陷的磁記憶信號不僅在形態學上和時域上存在差異，在頻域中也可能存在差異，因此還需要研究信號的頻域特征量，提取出信號里隱含但不直觀的信息。本研究中磁記憶信號的波動較多，因此對其進行小波包分解，以獲得缺陷段的頻域特征。小波包分解是將信號在不同程度上展開，對信號頻帶進行細分，從而提取不同頻帶上的信號特征，具有時頻分辨率高的特點。各頻帶上的能量分布包含了大量的信息，可以表征信號的頻域特性，因此本研究選用小波包能量作為磁記憶信號頻域特征量，用于后續分類分級模型的研究[21]。具體來說，首先對磁信號進行離散傅里葉變換，觀察得信號高頻成分幾乎為0，低頻成分占比大，故采用三層小波包分解，計算缺陷段磁記憶信號在節點S3,0低頻段的小波包能量作為頻域特征量。

2.2 SVM缺陷分類識別模型

對缺陷段磁記憶信號進行計算得到了上述特征量后，分別使用不同特征量組合建立了SVM腐蝕缺陷和應力集中缺陷的分類識別模型，以確定最優的分類識別方法。通過試驗獲取的管道磁記憶檢測數據的數據量較少，在利用機器學習方法建模時，油氣管道缺陷的分類識別問題是一個小樣本學習問題。SVM就是一種適合于小樣本的分類算法。

使用5根試驗管道缺陷段特征量的不同組合建立多個SVM管道缺陷分類識別方法。選擇高斯核函數(RBF)作為該方法核函數，高斯核函數可以將原始空間映射為無窮維空間，通過調控參數，可以達到很高的靈活性。在SVM分類識別方法中使用高斯核函數比多項式核函數能獲得更好的分類效果。SVM模型有兩個非常重要的參數c和g。c是懲罰系數，即對誤差的寬容度。c過大或過小，都會使泛化能力變差。g(gamma)是選擇RBF函數作為核函數后，該函數自帶的一個參數，隱含地決定了數據映射到新的特征空間后的分布。采用交叉驗證方法得到最優的參數組合：c=0.675 5；g=0.659 8。

在對缺陷類型進行標記的時候，識別為腐蝕缺陷用1表示，識別為應力集中缺陷用2表示。本研究通過大量建模試驗探究了特征量的最優組合，以下列出了最具代表性的3種特征量組合。

(1) 僅包含時域特征量的組合情況：缺陷段HP1和HP10的磁場強度平均值，HP1和HP7的磁場強度最大值，HP2和HP5的磁場強度最小值以及HP1、HP4、HP7、HP10的磁場強度峰峰值。

(2) 包含形態特征量和時域特征量的組合情況： 缺陷段HP1信號曲線與X軸圍成的面積，HP1和HP10的磁場強度平均值，HP1和HP7的磁場強度最大值，HP2和HP5的磁場強度最小值，HP1、HP4、HP7、HP10的磁場梯度最大值和平均值以及HP1、HP4、HP7、HP10的磁場強度峰峰值。

(3) 同時包含形態特征量、時域特征量和頻域特征量的組合情況：缺陷段HP1信號曲線與X軸圍成的面積，HP1和HP10的磁場強度平均值，HP1和HP7的磁場強度最大值，HP1、HP4、HP7、HP10的磁場梯度最大值和平均值，HP2和HP5的磁場強度最小值，HP1、HP4、HP7、HP10的磁場強度峰峰值， HP1信號的小波包三層分解在節點S3,0處的小波包能量。

利用上述3種特征量組合下5根試驗管道的數據為輸入，以腐蝕缺陷和應力集中缺陷為輸出，建立了針對兩種類型缺陷的SVM分類識別方法。值得注意的是，所建模型選擇的通道均為信息特征較為明顯的通道，這些通道信號經計算后得到的特征量可以有效區分兩種類型的缺陷。

2.3 現場驗證試驗

為了驗證SVM分類識別方法的實際應用效果，在油田現場對存在缺陷的在役油氣輸送管道進行驗證試驗?，F場驗證試驗選取的管道分別為東營勝利采油廠和現河采油廠在役油氣管道。對這些管道開展了多次管道缺陷磁記憶檢測，共獲取到48組管道缺陷段數據。

2.3.1 現場檢測管道情況

用于油田現場檢測的1號管道為東營市勝利采油廠野外的1根油氣輸送直管道，如圖2(a)所示。該管道表面存在肉眼可見的大面積腐蝕缺陷，總檢測長度為5 m，提取200～220 cm管段數據作為腐蝕缺陷段數據。在檢測過程中，提離距離為0～15 cm，共獲取10組試驗數據。

(a) 1號管道(b) 2號管道(c) 3號管道(d) 4號管道圖2 油田現場驗證試驗管道Fig.2 Pipelines No.1 to No.4 (a-d) for verification in oil field

2號管道為東營市現河采油廠一條正在運行的油氣直角彎管道，如圖2(b)所示。該管道的一端裸露在地面上方，另一端埋在土里，管道中間存在明顯彎曲即存在應力集中，該管道的總檢測長度為2.9 m，提取110～140 cm管段數據作為應力集中缺陷段數據。在檢測過程中，提離距離為0～15 cm，共獲取到9組試驗數據。

3號管道為東營市現河采油廠野外的一根直管道，如圖2(c)所示。該管道表面存在肉眼可見的大面積腐蝕缺陷，總檢測長度為3 m，提取160～180 cm管段數據作為腐蝕缺陷段數據。在檢測過程中，提離距離為0～15 cm，共獲得9組試驗數據。

4號管道為東營市現河采油廠野外的另一根直角彎管道，如圖2(d)所示。該管道一端裸露在地面上方，另一端埋在土里，管道中間存在明顯彎曲即存在應力集中，檢測總長度為1.6 m，從埋地端向上掃描，提取20～40 cm管段的數據作為應力集中缺陷段數據。在檢測過程中，提離距離為0～15 cm，共獲取到10組試驗數據。

5號管道也是一根直管道(圖略)，其表面也存在明顯可見的大面積腐蝕缺陷，總檢測長度為4.2 m，提取100～120 cm管段數據作為腐蝕缺陷段數據。在檢測過程中，提離距離為0～15 cm，共獲得10組試驗數據。

2.3.2 現場檢測結果

利用油田現場獲取的48組實際管道的缺陷段檢測數據對2.2節中按照3種特征量組合建立的缺陷分類識別方法進行了驗證，結果如圖3～5所示。圖中1代表腐蝕缺陷，2代表應力集中缺陷。

圖3 SVM缺陷分類識別方法的結果對比(僅考慮時域特征量)Fig.3 Result comparison of SVM identification method for defect classification (only considering time domain feature quantity)

由圖3可知，當僅選擇磁記憶信號的時域特征量建模時，該方法對管道缺陷的正確識別率為77.083 3%，其中腐蝕缺陷的正確識別率為62.07%，應力集中缺陷的正確識別率為100%。由圖4可知，在增加了磁記憶信號的形態學特征量后，該方法對管道缺陷的正確識別率為89.583 3%，其中腐蝕缺陷的正確識別率為82.76%，應力集中缺陷的正確識別率為100%。由圖5可知，當考慮3種類型的特征量組合建模時，該方法對管道缺陷的正確識別率提高到95.833 3%，其中腐蝕缺陷的正確識別率為93.1%，應力集中缺陷的正確識別率為100%。

圖4 SVM缺陷分類識別方法的結果對比(考慮形態和時域特征量組合)Fig.4 Result comparison of SVM identification method for defect classification (considering combination of morphological feature quantity and time domain feature quantity)

圖5 SVM缺陷分類識別方法的結果對比(考慮3類特征量組合)Fig.5 Result comparison of SVM identification method for defect classification (considering combination of three types of feature quantity)

由以上結果可知，基于不同特征量組合建立的3個SVM缺陷分類識別方法的缺陷識別率都達到了75%以上，其中同時考慮了3種不同類型特征量的SVM方法的識別效果最好。此外，本課題組還嘗試了多種其他通道特征量搭配方案用以建模，結果表明，同時使用頻域、時域、形態特征量進行組合的缺陷識別方法的識別效果是最優的。因此，SVM分類識別方法可以實現對油氣管道上腐蝕和應力集中缺陷的分類識別，且識別效果較為顯著。

3 SVM缺陷分級識別方法

在油田現場的實際應用中，除了判別管道的缺陷類型外，還需要進一步判別管道腐蝕缺陷的腐蝕程度，找出最臨近管道腐蝕穿孔的腐蝕點位置，即識別管道腐蝕最嚴重的位置，從而根據管道的腐蝕程度選擇修護管道的先后順序或按照腐蝕程度選擇更換管道的順序，實現對管道破裂的及時預警，達到早發現早維護早預警的目的。

腐蝕缺陷對管道造成的傷害較大，不同等級的腐蝕對管道造成的傷害也有所不同，其中以管道穿孔破裂的危害最為嚴重。由5根試驗管道的結構特性可知，每根試驗管道上都有2段圓孔腐蝕缺陷段，每段均含有3個大小深度均相同的圓孔腐蝕，但各段的圓孔大小相同，深度不同，其中1根試驗管道存在3個穿孔圓孔。因此，本工作利用SVM方法建立針對管道穿孔腐蝕與未穿孔腐蝕兩種腐蝕程度的分級識別方法。

3.1 模型特征量的計算

在分類識別方法特征量的計算過程中，將一個試驗管道的6個圓孔，即2個圓孔腐蝕缺陷段的磁記憶數據提取之后整合為一個數據段，作為腐蝕缺陷段的數據。但是在分級識別方法特征量的計算中，需要采用另外的處理方式，即將每個試驗管道上3個同樣深度的圓孔腐蝕數據整合為一段，重新計算了圓孔腐蝕段的特征量，計算方法同上。這樣就得到了5根試驗管道的10個不同腐蝕深度的數據段特征量。其中，9個未穿孔腐蝕段對應1～4號試驗管道的2個圓孔腐蝕段和5號試驗管道的第一個圓孔腐蝕段，1個穿孔腐蝕段對應5號試驗管道的第二個圓孔腐蝕段。經整理，5根試驗管道各對應20組數據，每組數據包含2個圓孔腐蝕段數據，共得到200組圓孔腐蝕段數據，其中20組穿孔腐蝕段數據，180組未穿孔腐蝕段數據。

3.2 SVM缺陷分級識別模型及驗證

將未穿孔的9個圓孔腐蝕段看成一個整體，方法預測輸出結果設為1；將穿孔的1個圓孔腐蝕段看成一個整體，方法預測輸出結果設為2。然后，在200組腐蝕段數據中隨機選取160組數據用于SVM腐蝕缺陷分級識別建模，剩余的40組數據用于驗證。模型所用的SVM函數仍然選擇高斯核函數(RBF)。未穿孔腐蝕和穿孔腐蝕的識別結果如圖6所示。結果表明，SVM腐蝕缺陷分級識別方法可有效識別管道穿孔腐蝕與未穿孔腐蝕，識別率達到了90%。

4 討論

由SVM缺陷分類識別方法的識別結果可見：

圖6 SVM缺陷分級識別方法的結果對比Fig.6 Result comparison of SVM identification method for defect grading

在充滿干擾因素的油田現場環境中，最優方法(采用3種特征量組合建立的方法)對管道缺陷類型的總識別率達到了90%以上，識別率較高，該識別方法的實際應用效果較好。通過不同的特征量組合所建方法的分類識別效果有所不同，這說明將三類特征量組合使用建模是必要的，可以有效提高正確識別率。SVM缺陷分類識別方法對腐蝕缺陷的識別效果相對于應力集中缺陷的識別效果較差。其可能的原因是在管道的腐蝕段同時存在部分應力集中現象，影響了對腐蝕缺陷的識別效果；也可能是在分類識別方法驗證過程中選用的油氣管道腐蝕缺陷的腐蝕面積較小，其特征不夠明顯。由SVM缺陷分級識別方法的識別結果可見：該方法可以在管道腐蝕缺陷的分級中使用。但本工作建立的SVM缺陷分級識別方法仍存在一定局限性：分級識別只能做到分兩級，即將穿孔腐蝕同未穿孔腐蝕區分，不能實現多級分級，即對不同深度腐蝕缺陷的分級。此外，該分級識別方法只是利用室內試驗管道檢測數據進行了驗證，對于油田現場識別穿孔與未穿孔的實際應用效果還未知。

5 結論

采用SVM方法，建立了一種基于金屬磁記憶技術的復合特征量組合的缺陷分類和腐蝕缺陷分級的識別方法。驗證試驗結果表明：以三類不同特征量組合分別建立的SVM模型對缺陷類型的識別率分別是77.08%、89.58%和95.83%，同時使用時域、形態和頻域特征量的SVM模型的識別率最高；腐蝕缺陷分級識別方法的識別率達到了90%。建立的基于SVM和磁記憶技術的缺陷分類和腐蝕缺陷分級識別方法可以有效實現管道的腐蝕缺陷和應力集中缺陷的分類識別，也可以有效實現管道穿孔腐蝕與未穿孔腐蝕的分級識別。