基于磁性传感器信息融合的油管损伤在线检测技术

基于磁性传感器信息融合的油管损伤
　在线检测技术
　金建华杨叔子(上海交通大学信息检测技术与仪器系,上海　200030) (华中科技大学,武汉　430074)摘　要:建立适用于油管损伤检测的磁性传感器信息融合模型,并将信息融合模型分为四级。

在此基础上,提出了磁性传感器信息融合方法,分别完成局部损伤及其严重程度的分类、壁厚损伤的定性判别和壁厚损伤检测数据的融合估计。

结果表明,基于磁性传感器信息融合的油管损伤在线检测系统有效地提高了多源信息的利用程度,具有较高的准确性、可靠性和稳健性。

关键词:输油管道;损伤;磁性传感器;信号处理
中图分类号:TG115.28 文献标识码:A 文章编号:100026656(2002)0920375206
MAGNETIC SENSOR DATA FUSION2BASED TECHNIQUES FOR ON2L INE
DETECTION OF FAU LTS IN OI L PIPE L INES
JIN Jian2hu a
(Department of Instrument Engineering,Shanghai Jiaotong University,Shanghai200030,China)
YANG Shu2zi
(Huazhong University of Science and Technology,Wuhan Hubei430074,China) Abstract:The magnetic sensor data fusion model suitable for the detection of pipeline damage was established and classified into four levels.On the basis of the model and classification,the relevant ma gnetic sensor data fusion methods were discussed in detail,which were used to accom plish the classification of localized faults and their severity,the qualita2 tive decisions of wall loss and the fusion of the wall loss detection data from sensors res p ectively.Several examples were provided and the results showed that the magnetic sensor data fusion2based on2line inspection system for the faults in oil pipelines made full use of information and had high accuracy,reliability and robustness.
K eyw ords:Oil pipeline;Fault;Magnetic sensor;Signal processing
目前,我国许多油田已进入中后期开采阶段,油井达五万多口。

油管因腐蚀、磨损而穿孔、破裂或者断裂事故的发生极为频繁[1,2]。

为了保证油管安全、可靠、正常地工作,人们十分关心在役油管的损伤检测问题[2～7]。

在油管损伤检测过程中,如何获取油管损伤信息并对大量信息进行协调优化和综合处理是需要重点研究的问题。

信息融合作为一种信息综合和处理技术,已被成功地应用于机器人和智能仪器系统、战场任务与无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别和多源图像复合等领域[8～12]。

近年
收稿日期:2002202222来,信息融合技术在国内外无损检测领域的研究与应用也取得了一定的成果[7,13～15]。

信息融合的关键问题是融合模型和融合方法设计。

融合模型从信息融合的组成出发,说明信息融合系统的软、硬件组成,相关数据流、系统与外部环境的人机界面;融合方法是实现信息融合思想,对多传感器信息进行协调优化和综合处理的核心和关键。

首先探讨信息融合技术用于油管损伤检测的必要性与适用性,然后重点研究适用于油管损伤检测的磁性传感器信息融合模型和方法,并讨论油管损伤检测中的信息融合应解决的关键问题。

1　信息融合技术用于油管损伤检测的必要
·
5
7
3
·
第24卷第9期2002年9月无损检测
ND T
Vol.24　No.9
Sep.　2002
性与适用性
一般说来,油管损伤检测过程就是根据从被检对象的某些检测量得到的损伤信息,经过综合分析处理,判断是否存在损伤及对损伤的状态参数进行评价或量化的过程,而这一过程会受到各种因素的影响或者制约,具体表现在以下几个方面。

油管损伤形式的随机性、多样性和模糊性决定了损伤状态参数的随机性、多样性和模糊性。

油管损伤的产生和发展是油管质量、工作状态、井斜因素、采油区的地质特点、抽吸速度、井液中水和腐蚀物质的含量等随机因素综合作用的一个随机变量。

即使在同一根油管上也可能同时存在局部损伤和壁厚损伤等,前者主要包括腐蚀坑、腐蚀孔和横向啃槽等缺陷,后者主要包括杆状磨损和壁厚减薄等缺陷。

各种损伤的几何形状也很不规则,其损伤类型及损伤程度难以用统一的数学模型精确描述。

漏磁场检测信号的模糊性导致局部损伤的状态参数量化时存在类似的模糊性。

由于腐蚀坑、腐蚀孔和横向啃槽等缺陷产生的漏磁场是三维空间磁场,缺陷的三维尺寸、形状和走向等都会影响三维空间漏磁场的大小和分布形式。

因此,准确、全面地获取局部损伤产生的漏磁场信号的大小及分布是对缺陷状态参数精确量化的关键。

然而,由于现场条件限制,即使采用多传感器,所测量的也只是三维漏磁场的水平分量B x或者轴向分量B y。

因此,所测量的一维信号只是对复杂损伤状态的一种不完全模糊映射,即两者之间的确定性关系并不明确,存在中介过渡性和模糊性。

显然,由模糊的一维测量信号反推三维缺陷状态参数的过程本身就是一种不确定性推理过程,不宜采用精确数学或统计模型描述。

油管损伤在线检测系统本身是一个多变量输入的复杂系统,除各种损伤信息外,各种外界干扰及其它许多随机因素也对检测过程产生影响。

即在油管损伤检测过程中,多传感器的输出信号不仅包含了油管的各种损伤信息,而且包含其它干扰因素形成的噪声。

对于影响局部损伤评价的瞬时脉冲噪声或者随机干扰,容易采用适当的软硬件滤波方法消除,而影响壁厚损伤定量评价的缓变干扰相对来说则难用常规的软硬件滤波方法滤除。

因信息的获取受单个传感器结构、时间、空间范围和精度的限制,故单个传感器很难获得关于油管损伤状态的全局信息。

为了弥补单个传感器所获得的信息不足这一缺点,得到确定性的检测对象描述,因而须采用多个传感器(同类或异类)进行损伤检测,获得关于损伤状态的互补和冗余信息,以便进一步处理。

虽然多个传感器能得到较多的关于损伤状态的信息,但如何对这些信息进行综合处理,提高可信度,仍是比较棘手的问题。

在以往的油管损伤检测系统中,虽然有的采用了多个传感器,但通常是对各传感器信息进行单独、孤立的处理,没有对信息进行融合与综合处理,不仅会导致信息工作量的增加,而且割断了各传感器信息间的有机联系,造成信息资源浪费,因此检测系统的可靠性和检测的有效性有待提高。

从本质上讲,油管损伤检测是利用被检对象的各种状态信息和已有的各种知识,进行信息综合处理,最终得到关于油管损伤状况的综合评价。

在这点上,具有与信息融合技术相同的目的和要求。

将信息融合技术应用于油管损伤在线检测系统,一来由于采用多传感器,给系统提供了互补或冗余信息,二来可根据具体对象选用或设计合适的信息融合方法,从而有效地解决局部损伤建模的中介过渡性和模糊性,消除传感器本身的固有随机性和干扰噪声的影响,能够在一定程度上获得精确的损伤状态的估计,增加置信度、降低模糊度、提高系统可靠性等。

2　油管损伤检测的磁性传感器信息融合模型信息融合本质上是一个由低层至高层对多源信息进行整合,逐层抽象的信息处理过程。

但在某些情况下
,高层信息对低层信息的融合要起反馈控制作用。

而且,在一些特殊场合,也可先进行高层信息融合。

由此可概括出信息融合过程的基本模型[16] (图1)。

可见,系统的信息融合相对于信息表征的层次也相应划分为三个层次,即数据层融合,特征层融合和决策层融合。

但并不意味着具体的应用对象和目标融合系统必须包括这三个信息层次上的融
图1　信息融合层次化结构
·
6
7
3
·
合,它们仅仅是融合的一种分类方式。

数据层直接融合来自同类传感器的原始数据,其结果可能比特征层融合精度高,但数据层融合仅对同类观测的传感器是适用的。

特征层融合是对多个传感器所观测的目标进行统一的特征提取,形成特征向量,再经数据联合获得同一目标的分组,从而判决联合特征向量的属性,获得目标的类型和类别,具体融合方法仍是模式识别的相应技术。

决策层融合的输出是一个联合决策结果,在理论上这个联合决策应比任何单个传感器决策更精确或更明确。

即随着信息融合层次的提高,融合所使用的信息的抽象性越高,对传感器的同质性要求就越低,同时系统的容错性增强;而随着融合层次的下降,融合时的信息所保存的细节越多,融合信息的处理量增大,另外,对融合所使用的各信息间的配准性要求相应提高。

因此,信息融合系统应根据具体应用问题特性建立有效的融合模型和融合算法。

提出一种油管损伤检测的磁性传感器信息融合模型(图2)。

该融合模型分为信号提取级、特征提
图2　油管损伤检测的磁性传感器信息融合模型
取级、传感器建模与系统标定级以及磁性传感器信息融合级。

系统的信息融合分别在数据层、特征层和决策层三个融合层次上进行,决策层的融合结果将决定是否需要进行数据层的融合。

2.1　信号提取级
根据油管损伤检测的要求采用合适的检测原理和方法设计磁性传感器子系统,把反映油管损伤的物理量转换成相应的电信号,这是整个融合系统的基础,它所提供的信息的质量直接影响到后级的特征提取和系统融合性能。

2.2　特征提取级
对采集的信号进行处理,滤除各种干扰噪声,选择和提取反映油管损伤状态且对各种干扰因素不敏感的特征参数。

一方面,用于完成传感器建模与系统标定;另一方面,为后续的信息融合处理提供较一致性的数据与特征参数。

2.3　传感器建模与系统标定级
把传感器输出信号与油管损伤状态密切联系,建立两者间关系的数学模型和有关状态参数的先验知识,完成所谓的传感器建模与系统标定过程。

2.4　磁性传感器信息融合级
依据各种融合算法在数据层、特征层和决策层分别对磁性传感器子系统提供的冗余或互补信息进行融合处理,是信息融合系统的核心。

其中,子融合中心1采用各种模糊信息融合法在特征层对局部损伤及其严重程度进行分类;子融合中心2采用目标检测理论在决策层对是否存在壁厚损伤信号进行融合判决,然后引入数据库中关于被检测油井的井况数据对杆状磨损缺陷的当量类型作出判断或者直接由领域专家作出判断;若存在壁厚损伤则子融合中心3利用参数估计理论在数据层对油管的截面积进行融合估计,然后根据有关数学模型求出油管的剩余壁厚。

3　油管损伤检测的磁性传感器信息融合方法
信息融合作为一种信息综合和处理技术,实际上是许多传统学科和新技术的集成和应用,涉及信号处理、概率统计、信息论、模式识别、人工智能、神经网络、模糊数学以及计算机科学等理论与技术。

信息融合没有统一的方法,需要针对不同的应用背景采取有效的处理手段,选择或者设计相应的融合
方法。

油管损伤检测磁性传感器信息融合模型融合的重点是模式识别、目标检测和参数估计。

·
773·
3.1　模式识别和目标检测方法
特征层和决策层的融合多用于目标物体的分类与识别。

可应用的特征层融合方法主要有人工神经网络[8]、聚类分析[7]及模糊集理论[7]等,决策层融合方法主要有多传感器目标检测理论[7,17]、Bayes 推理法[13]、Dempster 2Shafer (D 2S )证据理论[8,18]及模糊集理论等。

3.1.1　局部损伤检测信号的模糊神经网络融合法
模糊神经网络在应用于模式识别时,不但具有神经网络的主要优势,即很强的稳健性、容错性和自学习性,同时又具备模糊系统善于处理分类边界模糊的数据以及易于引入启发性知识的能力,因此基于模糊神经网络所建立的检测信号处理系统能够快速适应变化的环境,具有其它系统所不可比拟的柔性和应变能力,易于实现智能决策。

采用模糊神经网络融合法在特征层对局部损伤及其严重程度进行分类,所采用的模糊神经网络模型分为输入层、模糊化层、映射层、反模糊化层及输出层等五层,它具有模糊输入信号和实数权值,网络结构如图3
所示。

图3　模糊BP 网络
输入层的输入为从局部损伤检测信号中取出的
n 个特征向量构成的样本集合X =(x 1,x 2,…,x n ),X 的每一个元素有m 个特征参数,即x i =(x i 1,x i 2,…,x im )(i =1,2,…,n )。

反映局部损伤信号变
化区特征的特征参数可取周向综合峰峰值、周向综合方差、轴向方差、波宽及峰峰值波宽比等[7]。

模糊化层采用适当的隶属函数如π函数等完成对输入特征向量的每一分量x ij (i =1,2,…,n ,j =1,2,…,m )的模糊化。

映射层完成从模糊化层到反模糊化层的非线性映射。

输入为经上层处理后的输入各特征参数的隶属度,其输出为输入相对各类输出的隶属度。

反模糊化层的输入为映射层输出的输入特征向量相对于损伤模式w k (k =1,2,…,l )的隶属度,反模糊化层的节点数目由局部损伤分类的数目确定。

其输出w k 表示最终确切的局部损伤分类号。

反模糊化方法有多种,最简单的是最大隶属度原则。

输出层主要是通过上一层的反模糊化,起着将最终的局部损伤分类结果输出的作用。

模糊前向神经网络的作用不是寻找一个确定的数学表达式,而是把样本集合中的输入向量输入给网络后,依据一定算法,使网络的实际输出在某种数学意义下是理想输出的最佳逼近。

对于前向网络,
最著名的算法是BP [19](反向传播)算法。

这种算法通过误差反向传播修正隐含层权重,从输出层确定系统误差,然后将其传播到隐含层,直到输入层,在最小均方差意义下最终确定各层间的连接权重。

采用模糊神经网络融合法对测试样本上的十个直径分别为<1～10mm (其对应的损伤模式分别为
w 1～w 10)的标准人工钻孔缺陷进行了分类研究,实
验采集了100个损伤信号,取50个损伤信号经特征提取后组成学习样本,其余作为测试样本,其特征参数分别为周向综合峰峰值、周向综合方差和轴向方差。

运用动量———自适应学习率调整算法来训练模糊BP 网络,利用训练后的神经网络对学习和测试样本进行了分类识别,它们的分类识别率均为100%。

作为对比,用经典BP 网络做同样的工作,
它们的分类识别率分别为100%和96%。

3.1.2　壁厚损伤检测信号的N 2P 决策融合法[7]
对于一根油管中壁厚减薄或杆状磨损缺陷引起的壁厚损伤,通常的做法是采用固定阈值检测法,这种方法将壁厚损伤检测信号幅值(或幅值变化量)与
预先设定的判别阈值进行比较,当信号幅值(或幅值
变化量)超过阈值时输出报警信号。

这种方法的特点是简便明了和易于实现,但是由于单个传感器对环境适应性和抗干扰能力较差,误报警率较高。

而且,每种传感器检测值都有局限性,难以满足数据正确性的要求。

壁厚损伤检测信号的N 2P 决策融合系统的一般结构见图4,用M 个传感器同时对目标进行观测,子决策器i (i =1,2,…,M )根据传感器i 检测到的信号作出子决策u i ,即u i =0表示目标(壁厚损伤信号)未出现;u i =1表示目标出现。

这些子决策被传送到信息融合中心构成融合中心的观测向量u =(u 1,u 2,…,u M )
T
,融合中心基于u 作出系统最
后的整体决策u 。

融合中心的整体决策结果为各子决策器的决策u i 被各自子决策器的可靠性加权,可
·
873·
图4　壁厚损伤检测信号的N 2P 决策融合系统
靠性体现在权值a i 是各子决策器决策的误判率P f i 和准判率P d i 的函数。

一种合理的信息融合方法应能在固定系统误判率P (s )
f
为一可容许的值,来寻求一种判别方法,使
得在约束P (s )f 不变的条件下系统准判率P (s )
d 达到最大,即漏判率P (s )m 最小的方法,这个方法称作
Neyman 2Pearson 准则(简称N 2P 准则)[17]。

根据N 2P 准则,信息融合中心的融合规则可以表示为
a T
u =
∑M
i =1
a i u
i
>t (1)
式中　a ———融合中心的加权向量
a =(a 1,a 2,…,a M )
T
t ———融合中心的系统误判率P (s )
f
决定的阈
值,通过经验或从已知样本集合的统计分析中得到
若该式成立,则融合决策为u =1表示目标出现;否则u =0表示目标未出现。

假定传感器的数量M =8,且各子决策器具有相同的误判率和准判率,即P f i (i =1,2,…,8)=0104,P d i (i =1,2,…,8)=0.96,在阈值t =10时,N 2P 决策融合系统的融合中心的系统误判率和准判
率分别为P (s )f =5.1804e -4和P (s )
d =0.9998。

可
见,壁厚损伤检测信号的N 2P 决策融合法显著地增加了检测系统决策的性能稳健性,减少了误判和漏判,提高了准判率。

3.2　参数估计方法
多数场合是利用多传感器测量数据来消除测量数据中的不确定性,提高测量精度,即利用同类或异类的多个传感器测量同一量,得到一系列数据并进行信息融合。

最简单的方法是直接将所有的数据取平均,但这样做往往效果不佳,因为这些数据中可能存在失效数据。

实际应用中多采用加权平均法[7]、卡尔曼滤波法[20]及贝叶斯估计法[21]等。

假设在给定时刻由M 个传感器得到的截面积的检测值是向量A tm =( A t 1, A t 2,…, A tM ),所谓信
息融合就是按照某种估计准则函数,从A tm 中估计出状态A t 的真实值。

采用加权平均法融合M 个传感器的截面积的检测值后的油管截面积和加权因子满足以下两式
^A t =
∑M
i =1
w i A
ti
(2)∑M
i =1
w
i
=1
(3)
式中　^A t ———截面积的估计值
w i ———各传感器的加权因子(0≤w i ≤1)
w i 可通过一致性检测准则、次序统计量的切尾
估计准则或总均方误差最小准则等得到[7]。

设定油管某处剩余截面积的实际值为950179mm 2,现有八组传感器检测数据 A ti (i =1,2,…,8),分别为952.10,939.80,952.72,944.11,946.88,949.47,952.86,950.79mm 2,采用基于次序统计量切尾估计准则的切尾加权融合估计法[7]对上述八个传感器数据实施融合得到的估计值为950102mm 2,而采用简单平均法的结果为948159mm 2。

可见,截面积估计值^A t 逼近真实值,且明显优于其样本均值。

4　讨论
信息融合不仅是信息处理的理论概念,也是系
统概念。

如前所述,油管损伤检测的磁性传感器信息融合系统是由信号提取级、特征提取级、传感器建模与系统标定级以及磁性传感器信息融合级等功能模块组成的一个有机的整体。

油管损伤检测的磁性传感器信息融合过程也就是各功能块协同工作以产生对被测对象的最佳估计的过程。

因此,要合理设计各功能模块,使整个融合系统的性能最优,不能忽视以下问题。

磁性传感器子系统是整个融合系统的硬件基础和前提条件,它所提供的信息维数、信息质量直接影响损伤检测系统的复杂性和信息融合性能。

获取多源信息将大大增加损伤检测系统的复杂性,这种要求与在线检测条件和用户的要求是相互矛盾的,即在线检测条件的限制要求检测系统结构简单、易安装、易维护、使用方便、不影响采油工作,而许多用户所需求的是一个价格相对低廉而又可靠灵敏的检测系统,因此在线检测条件和用户的要求对多源信息的获取产生了限制。

信息维数和系统结构的增加意味着计算过程的复杂性和计算量的增加。

对于油管损伤的在线检测
·
973·
来说,人们追求的是现场实时检测与诊断,因而减少由信息维数的增加引起的计算工作量是一个值得深入研究的问题。

信息融合技术在许多领域被广泛研究和应用,但在无损检测领域,信息融合技术的研究和应用刚刚起步,缺乏有效的多源信息融合的策略和方案。

基于以上考虑,油管损伤检测中的磁性传感器信息融合应当着重解决以下几个问题,①如何根据传感器的工作原理,合理设计基于在线检测工况的磁性传感器子系统,保证在获得适量的关于损伤状态的冗余信息和互补信息的前提下,克服单个传感器结构、时间和空间范围的限制,即原始信号提取。

②如何处理多传感器信号以获得更多的损伤信息,即特征提取。

③如何建立传感器模型,得到传感器输出信号与油管损伤状态之间关系的数学模型和状态参数的先验知识,形成信息融合所需的先验知识,即传感器建模和系统标定。

④如何选择或设计简单、高效兼有稳健性和准确性的信息融合方法和融合过程,即多传感器信息融合的策略和方案。

⑤如何评估信息融合结果的有效性,即融合方法性能评价。

5　结论
不同的信息融合系统结构将要求不同的信息融合模型和融合方法。

本文在探讨信息融合技术用于油管损伤检测的必要性与适用性的基础上,根据信息流通方式及传输形式,将油管损伤检测的磁性传感器信息融合模型分为四级;根据信息融合功能的层次性,将油管损伤检测中的磁性传感器信息融合分为特征层、决策层和数据层三个融合层次,分别完成模式识别、目标检测和参数估计等融合功能。

在此基础上,详细探讨了相应的信息融合方法,并讨论了油管损伤检测中的信息融合应解决的关键问题。

对基于磁性传感器信息融合的油气管道损伤检测系统的研究有重要的指导意义。

参考文献:
[1]　靳从起,杨福成,韩应胜,等.抽油机井偏磨腐蚀机理及
防治对策[A].中原油田采油工程技术座谈会论文集
[C].濮阳:1999.
[2]　吴则中,田　丰,李　策,等.进一步提高我国油管检测
与修复的技术水平[J].石油机械,1997,25(11):43-
46.[3]　窦益华,贾连壁,郑跃辉,等.油管内壁损伤检测及评判
方法[J].石油机械,1998,26(4):28-31.
[4]　Jin Jianhua,K ang Y ihua,Y ang Shuzi.An improved cor2
rosion inspection and monitoring instrument for used oil well tubing[J].Materials Performance,2000,39(2):72
-75.
[5]　金建华,康宜华,杨叔子.油管缺陷在线检测仪的研究
[J].仪表技术与传感器,2000,(11):18-20,24.
[6]　金建华,康宜华,杨叔子.磁桥路法测量油管壁厚的研
究[J].无损检测,2001,23(2):55-58,77.
[7]　金建华.基于磁性传感器信息融合的油管损伤在线检
测技术与系统[D].武汉:华中科技大学,2001.
[8]　Llinas J,Waltz E.Multisensor Data Fusion[M].
Boston:Artech House,1990.
[9]　Hall DL.Mathematical Techniques in Multisensor Data
Fusion[M].Boston:Artech House,1992.
[10]　Abidi Mongi A,et al.Data Fusion in Robotics and Ma2
chine Intelligence[M].Boston:Academic Press,1992.
[11]　Luo RC,Michael G.Multisensor Integration and Fu2
sion for Intelligent Machines and Systems[M].Nor2
wood NJ:Ablex Publishing Corporation,1995.
[12]　Joshi Rajive.Multisensor Fusion:A Minimal Re presen2
tation Framework[M].Singapore:World Scientific,
1999.
[13]　Gros XE,Strachan P.Bayesian approach to NDT data
fusion[J].INSIGHT,1995,37(5):1354.
[14]　Gros XE,Strachan P.Theory and implementation of
NDT data fusion[J].Research in Nondestructive Eval2
uation,1995,6(4):227-236.
[15]　Gros XE,Bousigue J.NDT data fusion at pixel level
[J].NDT and E International,1999,32(5):283-
292.
[16]　郁六贤,雍少为,郭桂蓉.多传感器信息融合技术述评
[J].国防科技大学学报,1994,16(3):1-11.
[17]　Varshney Pramod K.Distributed Detection and Data
Fusion[M].New Y ork:S pringer,1997.
[18]　Shafer G.A Mathematical Theory of Evidence[M].
Princeton,New Jersey:Princeton University Press,
1976.
[19]　Rumelhart DE.Learning representation by back2propa2
gation errors[J].Nature,1986,323(9):533-536. [20]　Rao BS.A fully decentralized multisensor system for
tracking and surveillance[J].International Journal of
Robotics Research,1988,12(1):20-45.
[21]　Luo RC,et al.Dynamic multisenser data fusion system
for intelligent robots[J].IEEE Journal of Robotics and
Automation,1988,4(4):386-396.
·
8
3
·。