基于BP神经网络的磁记忆检测管道缺陷研究

刘书俊 蒋 明 张伟明 雍歧卫 何德安

(后勤工程学院军事供油工程系，重庆 401311)

基于BP神经网络的磁记忆检测管道缺陷研究

刘书俊 蒋 明 张伟明 雍歧卫 何德安

(后勤工程学院军事供油工程系，重庆 401311)

基于BP神经网络的磁记忆检测技术设计了3个单输出方式的三层BP神经网络，对无缺陷、应力集中和裂纹管道缺陷进行了检测识别。实验结果表明：管道缺陷识别率达97.5%，提高了管道缺陷的识别率。

磁记忆检测 BP神经网络 管道缺陷

石油天然气的管道运输是一种经济且高效的运输方式。由于石油天然气自身具有易燃易爆等特点，因此油气管道运输的安全性至关重要。近年来，管道的完整性管理成为管道工程领域的研究热点。工程实践表明，埋地管道一旦发生穿孔或断裂，将造成环境污染、经济损失甚至引发火灾及爆炸等严重事故。因此，全面掌握管道状况，变过去的事故后维修为提前预防具有重要意义。传统的无损检测技术(如超声、射线及涡流等)只能针对已发展成形的宏观缺陷或绝大多数较为显著的微观缺陷，检测设备不仅操作程序复杂，而且对于在役金属设备的早期损伤，特别是尚未发展成形的、隐性的、不连续的变化无能为力，无法对潜在的危险做出预警[1,2]。人工神经网络是模拟人脑活动和激励行为的并行非线性人工系统，已有学者利用该网络对管道失效模式进行了识别[3～5]。笔者提出一种基于BP神经网络的磁记忆检测管道缺陷研究方法。

1 磁记忆检测技术

金属油气管道发生损坏的重要原因之一就是各种微观或宏观机械应力集中所导致的疲劳失效。20世纪90年代，俄罗斯学者Doubov A A率先提出金属磁记忆检测技术[6～8]，简称磁记忆检测技术，其原理如图1所示。

处于地磁场环境下工作的铁磁性构件受载荷的作用，内部会发生磁致伸缩性质的磁畴组织定向和不可逆的重新取向，并在应力与变形集中区形成最大漏磁场HP的变化，即应力集中区域的磁场切向分量HP(x)具有最大值，而法向分量HP(y)改变符号且具有零值点。这种磁状态的不可逆变化在工作载荷消除后依然保留，通过对漏磁场法向分量HP(y)的测定，计算出梯度值K=dHP(y)/dx，即可推断出构件应力集中区域。

图1 磁记忆检测原理

根据管道裂纹的生长模型[9]，笔者将管道缺陷形式大致分为应力集中和裂纹两种，因此也就可以将管道所处的状态分为裂纹、应力集中和无缺陷3种形式。对于管道维护来说，针对不同的管道状况，所采取的维护策略可能大相径庭，因此，检测并识别缺陷类型是十分有必要的。笔者提取油气管道磁记忆检测信号特征，应用BP神经网络等现代模式识别理论，对管道缺陷进行检测识别。

2 磁记忆检测信号特征

有效的信号特征量提取是管道缺陷识别的关键之一。大量研究表明[10,11]，峰-峰值Hpp0、谷-谷值Hvv、法向梯度Ky、切向梯度Kx和波宽W是表征管道缺陷的本质特征。

如图2所示，峰-峰值Hpp0为信号曲线极大值与极小值之差；谷-谷值Hvv是指信号中两个谷值点之间的位移。法向梯度Ky描述了检测信号HP在检测方向垂直方向上的变化情况，在数值上等于检测方向垂直方向上两个相邻采样点之间的HP之差的绝对值。切向梯度Kx表示漏磁场HP沿信号切向的变化率，在数值上等于两个相邻采样点之间的HP之差的绝对值与采样点之间距离的比值。笔者定义波宽为W10，即幅度为峰值10%时的波宽。

图2 磁记忆信号波形特征

3 BP神经网络

BP神经网络是一种对非线性可微分函数进行权值训练的多层网络，由若干层神经元组成，各层的神经元发挥着不同的作用。一个三层BP神经网络拓扑结构如图3所示，网络由输入层、中间层(隐层)和输出层组成。

图3 三层BP神经网络拓扑结构

3.1神经网络输入节点

BP神经网络的输入节点为管道的磁记忆检测信号特征向量，考虑到计算机计算量等因素，选取峰-峰值Hpp0、谷-谷值Hvv、磁记忆检测信号法向梯度Ky、磁记忆检测信号切向梯度Kx、磁记忆检测信号波宽W10组成的一组向量[Hpp0,Hvv,Ky,Kx,W10]作为BP神经网络的输入节点。由于上述特征量具有不同的单位和量级，所以在输入神经网络之前应先进行归一化处理。

3.2神经网络隐层节点

隐层节点数n可以先根据公式初步确定，然后在实际训练的基础上再增加或删除节点最终加以确定。隐层节点数计算式为：

式中a——1～10之间的任意值；

n——隐层节点数；

ni——输入层神经元个数；

no——输出层神经元个数。

3.3神经网络输出节点与输出方式

BP神经网络模型可以有两种输出方式供选择：多输出方式和单输出方式。采用多输出方式时，网络的输出层节点数可设置为3个，其结构如图4a所示。在三层节点输出方式中，由于网络要同时适应应力集中、宏观缺陷和无缺陷3种类别，网络需要更多的隐层才能尽可能地减少误差，而且学习过程往往收敛较慢。但是如果采用单输出形式的网络，为每种缺陷类型建立一个网络，让每个网络只完成一种缺陷类型的识别，就可以解决学习过程收敛较慢的问题。而且采用单输出网络可以更加清楚地区分不同缺陷类别之间的模糊界限，分类识别的效果往往更佳。单输出网络的结构如图4b所示。为3类缺陷建立神经网络时，3个网络的中间层单元数可以不相同。在建立神经网络后，对每类缺陷的网络分别进行训练。当网络输入的特征向量与输出缺陷类型一致时，将输出期望值置为1；当输入其他缺陷的特征向量时，则将输出期望值置为0。在网络训练完成之后，对于一个未知缺陷的特征向量，分别将它输入3个神经网络进行识别。对3个神经网络输出的结果设置一个阈值，之后考查网络各输出节点的输出，如果某一网络的结果大于该阈值，则将缺陷归类为该网络对应的缺陷类型；如果有多个网络的输出均大于该阈值，则或将该缺陷归类为具有最大输出的一类，或者做出拒绝的判断。当所有网络的输出均小于设定阈值时也可采取类似的决策。

a. 多输出方式

b. 单输出方式图4 三层BP神经网络的输出方式

4 管道缺陷检测实例

4.1实验

实验选取无缺陷、应力集中和裂纹样本各200组，总600组。表1为部分样本输入量特征矩阵，其中，001表示样本为无缺陷状态，010表示样本为应力集中状态，100表示样本为裂纹状态。

表1 部分样本输入特征量矩阵

将480组信号作为训练样本，其中无缺陷、应力集中和裂纹样本各160组，剩余120组作为测试样本。将训练样本分别输入无缺陷神经网络、应力集中神经网络和裂纹神经网络，分别对隐层节点数为3～20时的网络性能进行比较，得到3个神经网络在不同隐层节点数时的平均训练误差，当隐层节点数分别为4、5、4时，神经网络误差均最小，且能同时满足识别精度和训练时间的要求。无缺陷网络经过3 002次循环达到训练目标，误差为0.043 112 2；应力集中网络经过3 934次循环达到训练目标，误差为0.110 931 4；裂纹网络经过4 103次循环后达到训练目标，误差为0.049 043 7。

4.2识别结果分析

除100号、115号、127号样本有识别错误外，其余样本均分类正确，测试样本识别正确率为97.5%。分析其中归类错误的原因，100号、115号、127号样本尺寸L×D×H分别为4.0×0.1×0.2、3.0×0.1×0.3、2.0×0.1×0.2(单位：mm)，是非常细微的裂纹，介于应力集中与裂纹之间，其特征值与应力集中的特征值非常相似，因此误将它归类为应力集中。

5 结束语

磁记忆检测技术是一种新型的无损检测技术，可以对铁磁性金属材料进行早期诊断。基于磁记忆检测技术，笔者根据BP神经网络理论，对管道缺陷进行了识别分类。实验表明：基于BP神经网络的磁记忆检测技术提高了管道缺陷的识别率。

[1] 颜廷俊，张杰东，冯国栋，等.基于金属磁记忆的热采湿蒸汽发生器炉管缺陷早期检测[J].材料工程,2011,(9)：68～71.

[2] 任吉林，林俊明，任文坚，等.金属磁记忆检测技术研究现状与发展前景[J].无损检测,2012,34(4):3～11.

[3] 韩良浩,王印培，柳曾典.基于人工神经网络的含缺陷受压管道失效模式的识别[J].化工机械，1997,24(3)：154～157.

[4] 宋志强，李著信，张镇，等.碎片残余提离效应对在役油气管道漏磁检测影响分析研究[J].化工机械，2010,37(5):539～543.

[5] 戴光，崔巍，杨志军，等.换热管漏磁检测磁化结构有限元分析[J].化工机械，2010,37(6):726～729,743.

[6] Doubov A A. A Study of Metal Properties Using the Method of Magnetic Memory[J].Metal Science and Heat Treatment,1997,39(9):401～402.

[7] Dubov A. Principle Features of Metal Magnetic Memory Method and Inspection Tools as Compared to Known Magnetic NDT Methods[J].CINDE Journal, 2006,27(3): 16～20.

[8] 任吉林，林俊明.电磁无损检测[M].北京：科学出版社，2008：377～379．

[9] 李庆芬,胡胜海,朱世范.断裂力学及其工程应用[M].哈尔滨:哈尔滨大学出版社,2005:1～58.

[10] 梁志芳,李午申,王迎娜,等.焊接裂纹的金属磁记忆信号特征[J].天津大学学报,2006,39(z1):181～184.

[11] 任吉林，孙金立，周培，等.磁记忆二维检测的研究与工程应用[J].机械工程学报，2013,49(22):8～15.

StudyonPipelineDefectInspectionwithMagneticMemoryTestingTechnologyBasedonBPNeuralNetwork

LIU Shu-jun, JIANG Ming, ZHANG Wei-ming,YONG Qi-wei, HE De-an

(DepartmentofPetroleumSupplyEngineering,LogisticalEngineeringUniversityofPLA,Chongqing401311,China)

Basing on the neural network-based magnetic memory technology, the three-layer BP neural network which boasting of 3 single-output modes was designed to recognize pipeline defects like the stress concentration and cracks. The experiment result shows that its recognition rate can be up to 97.5%.

magnetic memory testing, BP neural network, pipeline defect

TH865

A

1000-3932(2016)03-0240-04

2015-02-27(修改稿)

后勤工程学院青年科研资助项目