梁伟 张萌 林扬 张来斌 沙夺林

中国石油大学（北京）

摘 要：针对防腐层和保温层下管道缺陷无损检测困难，提出了一种基于脉冲磁涡流原理的油气管道缺陷外检测技术，研制了相应的软硬件系统。同时，针对高提离高度下微弱信号准确捕捉和定位难题，结合sym8小波与EMD分解处理检测信号，利用多传感器信息融合技术，建立了小信号识别与诊断模型，并开展了多源信号特征提取研究。试验结果表明，该模型可有效提取管道缺陷小信号的特征，准确定位管道缺陷。

 

钢制管道是油气输送的重要设备之一。由于运送介质冲刷和腐蚀会造成管道壁厚减薄，严重的管道壁厚减薄会导致灾难性的事故发生。为保证油气输送系统安全稳定运行，需要利用无损检测技术定期检测管道的剩余厚度。

为了防腐和保温，管道本体大都包裹在防腐层或保温层等之下，这给常规检测带来了较大的困难（见图 1）。检测传感器距离管道本体的距离称为提离高度，受距离影响在高提离高度下的电磁响应信号极其微弱、背景噪声大。

对于管道信号特征和缺陷信号特征的提取，常用的方法有：逐次多元统计分析法、小波神经网络、BP神经网络、 SVM支持向量机信号分类等方法。现有特征提取方法无法捕捉、解析噪声中的微弱小信号，无法穿透防腐层和保温层检测管道本体缺陷。

本文提出了一种基于脉冲磁涡流原理的油气管道缺陷外检测技术，研制了相应的软硬件系统。同时，为了解决在高提离度下，信号小、背景噪声大的难点，提出了基于sym8小波的信号降噪方法，降噪后利用EMD分解的第一层本征模态函数（IMF）提取小信号特征。针对微弱信号准确捕捉和定位的难题，利用多传感器信息融合技术，建立了小信号识别与诊断模型，并开展了多源信号特征提取研究，如图 2所示。试验结果表明，该模型可有效提取管道缺陷小信号的特征。

1 小信号识别与诊断模型

1.1 脉冲磁涡流检测原理

脉冲磁涡流原理基于瞬变电磁法，最早于1933年由美国科学家L.W.Blan提出，主要是利用电流脉冲激发供电偶极形成时间域电磁场，并命名为“Eltran”法 [1]。 1955年，美国阿贡国家实验室（ArgonneNational Laboratory）采用该技术对核反应组件的金属护层厚度进行检测研究[2]。

1996年美国 Iowa State University 无损评估中心对脉冲磁涡流的研究主要集中在对飞机多层结构缺陷的检测和定量上，并且研制了用于对飞机多层结构中出现的腐蚀缺陷进行检测的脉冲磁涡流仪器[3]，见图 2。

国防科技大学采用PECT技术对多层板缺陷进行研究，结合时域和频域的特征分析方法，对不同深度、长度和体积的缺陷进行了定量分类研究[4]。

主要原理是在脉冲磁涡流技术的基础上对传感器信号进行差分。由于两边采用相同的电流和匝数相同的线圈，传感器的检测信号可表示为：

由式（1）可知，脉冲磁涡流传感器电压幅值反映出A、 B两端磁导率的变化，相同材料与相同激励下，材料μ―H曲线相同。当出现腐蚀或应力集中等原因造成材质磁导率发生变化时，传感器电压幅值发生变化，导致差分电路产生相应的变化信号，从而通过信号的突变实现缺陷的识别。

1.2 基于sym8小波基的缺陷信号降噪方法研究

小波变换以其良好的时频局部化特性，可解决信号局部性和抑制噪声之间的矛盾[5]。本文利用sym8小波基对缺陷检测信号开展降噪研究。

首先对信号用选定的小波基进行小波分解，然后按选定的阈值对小波分解系数进行处理，最后用阈值 处理后的小波分解系数进行小波重构，从而实现信号降噪。

小波分解具体如式（2）所示：

式中， ψ (t )是满足一定条件的基本小波函数；a≠0，为尺度因子； b为平移因子。

1.3 降噪后数据的EMD特征提取方法研究

EMD分解以局部时间尺度为基础，根据频段大小将时域信号分解为有限多的IMF[6]。本文根据缺陷的脉冲磁涡流信号特征，选择EMD分解的第一层IMF作为特征信号进行缺陷识别。 EMD分解的主要原理如式（3）所示：

式中， Cj (t )为EMD分解的不同层次的IMF， rn (t )为残余函数。

1.4 基于D-S证据理论的缺陷多源信息融合诊断模型研究

证据理论也称为Dempster-Shafer证据理论，用来处理那些不确定、不精确记忆间或不准确的信息。两个信度合成法则为：

管道缺陷检测诊断是一个多源信息融合处理与状态识别的过程，多通道传感器的数据具有多源性[7]。因此，基于信息融合对管道的缺陷识别进行决策融合识别，如图 4所示。

2 油气管道缺陷的小信号特征提取实例分析

按照小信号识别与诊断模型的实施步骤，设计了室内环道缺陷检测实验方案、现场包覆层管道试验方案，验证了本文提出的小信号识别与诊断方法的有效性。

2.1 包覆层管道的脉冲磁涡流检测系统研制

利用式（1）所示的脉冲磁涡流原理，研制了油气管道脉冲磁涡流探伤系统（PMS-I型），硬件如图 5（a）所示，软件界面如图 5（b）所示。为了验证 小信号识别与诊断模型的有效性，利用该设备开展了室内与现场试验。

        

图 5  脉冲磁涡流检测系统（PMS-I型）

2.2 室内数据的小信号特征提取

实验管道为20 #无缝钢管，管径89 mm，壁厚6 mm。设置坑型、槽型两种缺陷，如图 6所示。

图 6  被测管道及设置的表面缺陷图

传感器位于被测表面正上方约16 mm处，沿管的轴向的推进速度约为1 m/s。利用本文提出的方法对脉冲磁涡流信号进行处理，结果如图 7所示：图 7（a）为原始信号，图 7（b）为基于sym8小波降噪后的信号，图 7（c）为降噪信号的第一层IMF。

图 7  室内缺陷检测实验的信号处理图

由图 7(a)、 (b)、 (c)对比可知，基于sym8的小波阈值降噪方法可有效降低原始信号中的背景噪声，第一层IMF的EMD特征可有效提取室内测试缺陷小信号的特征。

2.3 现场数据的小信号特征提取研究

为进一步检测脉冲磁涡流检测系统性能，对某输气站带包覆层排污管线开展缺陷检测，如图 8所示。待测管道为20#钢管，管径80 mm，壁厚4 mm。保温层厚40 mm，外部包裹0.5 mm白铁皮。

传感器距离管道本体表面约为50 mm，测试速度为1 m/s，测试信号如图 9所示。图 9中存在三处疑似缺陷信号，如图中标注。然后进行多次测试，信号基本保持稳定。为验证信号准确性，对包覆层进行剥离，如图 10所示。剥离最外层白铁皮，发现白铁皮下存在固定保温棉的细铁丝，铁丝间距约20 cm，与测试中的疑似缺陷信号对应。进一步剥离保温层，管 道外表面存在轻微点蚀。

            

利用本文提出的方法对图 9中的脉冲磁涡流信号进行处理，结果如图 11所示，分别为基于sym8小波降噪后的信号和降噪信号的第一层IMF。降噪信号剔除了噪声，使得三处铁丝信号特征更加明显。但点蚀信号难以判断，启动和停止信号仍然存在。对降噪信号进行EMD分解，保留的第一层IMF滤掉了启动和停止信号，并完整保留了三处铁丝信号和点蚀信号。

        

图 11  现场试验信号分析结果

由图 9和图 11(a)、 (b)对比可知，基于sym8的小波阈值降噪方法可有效降低原始信号中的背景噪声，第一层IMF的EMD特征可有效提取保温层管道下点蚀区域的小信号特征。

3 结论

（1）研制的包覆层管道脉冲磁涡流检测系统整备质量约为8 kg，额定功率为125 W，工作环境温度为-25 ℃～50 ℃，续航时间超过24小时，满足国家防爆标准GB 3836―2010。

（2）脉冲磁涡流检测系统最大提离高度可达60 mm，灵敏度可达管壁厚度的3 %，可同时对管道 内外部缺陷进行检测，误报率小于0.6 %。

（3）室内实验和现场试验表明，利用本文提出的小信号识别与诊断模型可有效降低脉冲磁涡流信号中的背景噪声，并能准确提取管道缺陷小信号的特征，准确定位管道缺陷。

参考文献：

[1]Poddar M. A rectangular loop source of current onmultilayered earth[J]. Geophysics, 1983, 48(1): 107-109.

[2]WAIDELICH D L. Pulsed eddy currents gauge platingthickness [J]. Electronics, 1955, 28: 146-147.

[3]Moulder J C, Bieber J A, Ward W W, et al. Scanned pulsededdy current instrument for nondestructive inspection ofaging

aircraft[C]//Nondestructive Evaluation of AgingAircraft, Airports, and Aerospace Hardware. InternationalSociety for

Optics and Photonics, 1996, 2945: 2-14.

[4]高军哲. 谱分析型多频涡流检测的信号处理方法研究[J]. 电子测量与仪器学报, 2011, 25(1):16-22.

[5]Zhang Z, Lu C, Zhang F et al. A Novel Method for noncontact measuring diameter parameters of wheelset basedon wavelet

analysis. Optik - International Journal forLight and Electron Optics.2012, 123(5):433-438.

[6]Shukla S, Mishra S, Singh B. Power quality eventclassification under noisy conditions using emd-basedde-noising

techniques. IEEE Transactions on Industrial Informatics, 2014, 10(2):1044-1054.

[7]Zadeh L A. A Simple View of the Dempster-ShaferTheory of Evidence and its Implication for the Rule of Combination[J].

   Ai Magazine, 1986, 7(2):85-90.

作者：梁伟，教授，博士生导师，现任国家安全生产监督管理总局“油气安全工程技术研究中心”主任，国家安全生产监督管理总局“油气生产过程安全事故预防与控制基础研究实验室”主任。历任中国石油大学（北京）校办产业总公司总经理、成果转化与产业办公室主任、机械与储运工程学院副院长、首任安全工程系主任。

长期从事油气管道安全监测、场站设备诊断与可靠性评估等研究。创造性地提出并成功研制了基于脉冲磁涡流技术的包覆层下油气装备缺陷的智能诊断系统，地研制成功了基于双扭环机制的油气输送管道小泄漏诊断系统，提出了基于设备工况的故障诊断方法与系统。曾主持国家863计划课题、国家自然科学基金、北京市科技新星计划、石油科技中青年创新基金；成果获省部级科技进步一等奖5项，二等奖1项，三等奖1项，荣获“2018石油石化好技术”奖杯，先后在国内外期刊MECH SYST SIGNAL PR、SAFETY SCI、 J NAT GAS SCI ENG等发表论文50余篇。授权国家发明专利10余件，授权国家实用新型专利2件，授权软件著作登记7项，参编专著3部。