油气管道漏磁检测数据处理和缺陷识别量化方法研究进展.docx

石油和天然气是世界上最重要的“一次能源”来源。鉴于石油和天然气的流动性，管道运输在石油和天然气运输方面具有无与伦比的优势。随着管道服役时间的增加，管壁上的缺陷可能会导致石油和天然气泄漏，造成巨大的经济损失，环境污染，甚至人员伤亡。因此，准确评估管道的结构完整性和可靠性对于石油和天然气运输以及生命财产安全都极为重要。

漏磁（MFL）内检测是一种无损检测管道内部缺陷的技术，永磁体具有体积小和质量轻的优势，被广泛用于漏磁内检测器中。漏磁内检测技术具有环境要求不高、适用范围广、价格低廉等优点，是目前应用最广泛、最成熟的技术之一。在漏磁内检测技术中，磁化强度的确定将直接影响管道检测信号的灵敏度和磁场的准确度。当磁化强度接近饱和或饱和时，检测灵敏度高，检测信号明显，便于漏磁场的检测。

利用麦克斯韦方程组，研究人员提出了各种描述泄漏磁场的方法，包括有限元模拟和磁偶极子模型分析。检测到漏磁信号后，通过分析和识别缺陷可进一步了解相应的缺陷类型和大小。典型的信号识别通常涉及磁偶极子模型分析和算法优化。随着石油和天然气管道里程的增加，内检测器装置采集到的漏磁信号质量逐步降低，对后续数据分析工作造成阻碍。

漏磁数据分析主要由四部分组成：数据预处理、缺陷识别、缺陷量化以及管道安全评估。管道漏磁检测的数据量巨大，通常150km管道会产生约100GB的数据。计算机可以实现高速率采样和处理漏磁信号。手动筛选检测数据方法效率极低，并且正逐渐被管道检测自动化所取代。因此，亟需找到一种可行有效的漏磁数据缺陷识别量化技术，从根本上提高漏磁数据预处理和缺陷识别量化精度。

漏磁数据预处理

数据预处理分为通道基线校正、异常值判别、数据缺口恢复和滤波四个部分。

通道基值校正

1

通道是由传感器、机械支架组件、与数据采集系统电气连接并用于采集漏磁数据的电子设备（抗混叠滤波器和模数转换器，ADC）组成的系统。

漏磁传感器有两个自由度：轴向移动和倾斜。这两者加上传感器跳动引起的噪声、量化误差等都可以看作是系统的状态。每个传感器通道的动态行为由系统状态在状态空间中移动的方式决定。

假设每个状态独立反映在输出中，则认为本系统是可观察的。对于一个可观测系统，每个状态都有对应的输出?，因此可以对其进行校正。如果可观察性Gramman矩阵是非奇异的，则可以找到其初始状态在给定区间[t,T]上?(t)积分的值，从而确定通道的均值，然后利用通道均值数据完成一次校准。

异常值判别

2

测量人员的主观原因、外部条件和仪器的影响可能会使个体数据与样本数据发生偏差。如果个别数据与样本的其他数据存在显著偏差，则怀疑其为粗误差，包含粗误差的测量数据称为异常值。数学模型中判别异常值的常用方法包括t准则、Dixon准则、Schwyzer准则、3s准则、阈值分割等。

JIANG等采用BP神经网络对异常值进行补偿，其流程图如图1所示。BP神经网络的两个信号同时循环，正向信号是预测信号，反向误差信号是校准信号。训练结果近似于输入值，则可保证数据预测的准确性。利用预测值对异常值进行补偿，然后在新数据中对异常值进行判别，结果显示第36个值不再被区分为异常值。因此，预测值是可信的。

图1异常值补偿流程图

数据缺口恢复

3

数据缺口恢复是漏磁数据处理中最重要的步骤之一。在实际漏磁检测中，造成严重数据缺口的关键原因有以下几种：确定并人为消除异常数据，如图2(a)所示；漏磁传感器连接异常，如图2(b)所示；识别跨漏磁传感器波瓣的信号的一致性。

图2数据缺口原因示例

漏磁数据中的任何位置都可能出现数据缺口。管道缺陷段的出现很可能形成数据缺口，这不仅影响缺陷位置的确定，而且严重影响缺陷尺寸的估计。数据缺口恢复主要有两种方法：基于完整字典的稀疏矩阵恢复算法和基于数据驱动的学习算法。

基于完整字典的稀疏矩阵恢复算法将列全秩矩阵构建为字典，其列是已知列向量的线性组合，并且系数是稀疏权重的线性组合。压缩传感（CS）算法是数据恢复的经典字典学习方法之一，可用于无线传感器数据重建、鲁棒数据恢复和质谱数据处理。压缩传感算法具有很强的弹性，但不适合工业领域的数据恢复。由于工业环境的复杂性，行业中的数据缺口是不确定的，因此很难保证数据矩阵的稀疏性。完整字典的建立和优化是两个严重影响数据恢复准确性的问题。此外，高精度的恢复结果需要经过多次迭代，花费时间较长，而行业中对数据处理的速度要求很高。

基于数据驱动的学习算法包括浅层神经网络和深层神经网络。浅层神经网络主要包括支持向量回归（SVR）和随机森林。深度神经网络包括生成对抗性网络、双向递归神经网络、卷积递归神经网络和堆叠式自动编码器。学习算法是通过训练现有数据来预测未知数据。

FENG等将特征和相应的回归向量输入网络中，并训练网络参数，提出了一种快速径向基函数神经网络来重建漏磁检测中的缺陷轮廓