贾海东

新疆多介质管道安全输送重点试验室；中国石油大学（北京）；国家管网集团西部管道公司

摘要：近年来人工智能技术被广泛应用于漏磁检测数据的分析，改进了传统漏磁内检测信号识别存在的人工识别效率低、对特征分类不准确、量化存在误差且量化模型不通用、缺陷重构和反演精度低、多信息融合分析未挖掘漏磁信号隐含特征等不足。本文介绍了人工智能技术在缺陷识别、缺陷分类、缺陷量化分析、缺陷重构以及多信息融合数据分析中的应用，展望了这一技术在管道内检测信号识别领域的研究方向。

关键词：人工智能；长输油气管道；漏磁内检测；缺陷识别；缺陷量化

漏磁内检测技术是目前国内大口径天然气管道采用的主流内检测技术，但是由于缺陷漏磁场分布不均匀性以及漏磁场求解的复杂性，传统漏磁检测方法在缺陷和特征识别、分类、量化、重构、多信息融合数据分析方面仍有不少需要解决的难题。

近年来，随着人工智能的迅速发展，国内外研究人员开始把人工智能技术应用到漏磁场信号处理领域。通过设计深度神经网络模型对数据集进行训练，可以有效的对信号进行识别、分类、量化、反演，实现管道内检测数据的自动识别。从而减小人员工作量和人为误差，提升数据判读准确性，使缺陷识别和量化更加精确，更好的指导维修工作。

1  应用现状

1.1  缺陷识别分析

国内对于管道焊缝缺陷的智能识别，主要应用的神经网络方法有支持向量机、BP神经网络、RBF神经网络等；国外对于焊接缺陷数据进行训练和识别主要应用的方法为多层感知器神经网络。基本都是采用人工的图像分割到目标的特征提取，然后采用统计方法或浅层神经网络方法来实现目标的分类识别。

文献[1]提出了一种基于卷积神经网络的管道焊缝识别方法。利用卷积神经网络逐层挖掘管道焊缝图像区域的特征信息，通过训练网络权重参数和对焊缝样本的测试，实现对管道焊缝漏磁曲线特征的智能识别。实验表明管道焊缝的识别率超过93%，该方法有较高的识别准确率和处理批量图像的优势。

文献[2]针对管道内检测中焊缝法兰组件的识别精度不够问题，提出了一种基于深度学习网络的智能识别方法。该方法利用漏磁检测（MFL）图像而不是MFL测量，因此它可以跳过特征提取的过程。实验结果表明，该方法拥有良好的识别精度，在信噪比小于10 dB特征不明显样本中，所提方法的识别灵敏度为85.3%，优于其他基于特征的智能识别方法，同时，改进的深度学习网络对于漏磁图像具有良好的位移和畸变鲁棒性。

在漏磁数据异常检测研究中，大都基于阈值法或者边缘检测算子法进行检测，以上方法对噪声的鲁棒性较低，边缘检测精度不高，特别是对于针孔等微小异常区域容易发生漏检。文献[3]提出了一种基于深度网络的图像分割方法，对漏磁图像进行异常检测。该方法基于U-Net网络模型来提取管道图像异常特征，运用基于对抗网络的训练方法对异常图像进行进一步修正，提升了检测准确性。实验结果显示：该方法在真实管道数据集上的IoU达到了0.983，可以满足众多工业应用的需求。

现阶段，基于人工智能技术已可以实现管道环焊缝、法兰、弯头等特征以及单一的金属损失、凹陷等缺陷的自动识别，大大提升了数据分析效率，下一步还需要解决有交互影响的缺陷和特征的精确识别问题。此外，随着漏磁数据量的增加，如何实现管道特征和缺陷的快速、精准识别和标注也是需要重点研究的。

1.2  缺陷分类分析

文献[4]使用卷积神经网络对漏磁图像进行处理，不仅能提取漏磁图像的特征，同时对噪声、缩放、平移等变化具有鲁棒性。文章提出一种基于低层特征融合的多核卷积神经网络（LFMCNN）的方法，用来处理缺陷、焊缝、三通以及正常的分类问题。该方法直接将漏磁曲线图送进模型中进行训练。为了得到更多的空间、颜色以及轮廓的信息，直接将原始图像的尺寸缩小融合在卷积层中。在卷积层中添加RELU激活函数，这样就能使网络具有稀疏性，模型训练得更快。结果表明融合了原始图像低层特征后的模型对管道漏磁缺陷的识别率相较于CNN提高了7.5%，相较于传统的机器学习算法准确率提升了11.5%。

由于国内X80钢管道钢管质量控制水平差异、现场施工焊接难度大、焊缝缺陷超标和韧性离散、附加载荷等原因，据统计，曾在试压和投产运行期间，发生了开裂和泄漏30余起，高钢级管道环焊缝缺陷检测成为国内外关注的热点难题。环焊缝处漏磁内检测信号相对复杂，传统的人工分析方法不易实现缺陷的分类。文献[5]提出了一种基于深度卷积神经网络（Deep Convolutional Neural Network，DCNN）的管道漏磁内检测环焊缝缺陷智能分类方法：将管道环焊缝漏磁内检测信号图像以及环焊缝开挖后射线检测发现的缺陷类型作为样本标签建立数据库，利用深度卷积对抗生成网络对数据集进行扩展增强；利用增强后的数据集对残差网络进行改进与迭代训练，最终实现对环焊缝漏磁内检测信号图像进行分类。实例应用结果表明：该方法可实现对环焊缝常见条形缺陷、圆形缺陷的识别分类，分类测试的准确率为83％～88％，对于圆形缺陷的召回率超过97％。新方法突破了人工分析环焊缝处漏磁内检测信号的局限，可为环焊缝缺陷智能分类提供参考。

现阶段，人工智能对缺陷内外分辨、金属损失缺陷类型、焊缝、三通等特征分类准确率还需要进一步加强。此外，针对焊缝开口裂纹等漏磁内检测有信号反应的缺陷尚需开展大量研究，建立环焊缝裂纹、未熔合等缺陷智能分类算法。

1.3  缺陷量化分析

BP神经网络方法已被应用到漏磁缺陷量化领域，但传统遗传算法优化BP神经网络应用于大量缺陷反演的计算，存在训练速度慢、量化精度低等缺点。

文献[6]提出一种基于深度学习的漏磁检测缺陷量化识别方法，并建立了漏磁检测缺陷识别模型，该模型包含深度卷积神经网络模块和回归模块。深度卷积神经网络模块利用卷积神经网络的多输入多输出互相关操作，完成漏磁缺陷信号3个分量（轴向、周向、径向）的数据融合，利用预训练的网络，迁移已有知识，实现缺陷信号的特征自动提取；回归模块中设计缺陷、长度和宽度联合损失函数，利用回归方式实现缺陷尺度的量化。采用有限元仿真和牵拉试验相结合的方式，建立漏磁信号缺陷量化数据集并划分为训练集和测试集，训练集用于模型训练，测试集进行方法验证。研究结果表明：90%置信度下，长度和宽度量化结果全部落在±10 mm的误差带上，深度量化结果全部落在±10% t（t为壁厚）的误差带上，满足工程检测要求，可有效完成管道漏磁缺陷识别。

现阶段，按照定期检验规则，具备内检测条件的管道投产三年内必须完成内检测作业，通过现场检测，各内检测单位和管道运营单位积累了大量的缺陷样本，这些海量样本已经被用于量化模型的训练中并取得了较好的效果，但相关研究仍未大规模进行工程应用。下一步还应该使得量化模型更加具有通用性和可迁移性，并在实际工程中不断检验模型的可靠性。

1.4  缺陷重构分析

文献[7]提出一种基于匀速采样模型设计迭代反演方法，使模型更符合实际的采样过程，并在模型中考虑了速度产生的影响；通过空间映射方法，将匀速采样产生的多个有限元模型转化为用磁偶极子模型为基础表示的解析模型，解决了匀速采样模型难以设计迭代方法的问题;通过设计基于正则化方法的迭代策略，给出了缺陷重构的算法。最后通过实验数据验证了算法的有效性。

文献[8]提出一种基于偏差估计的随机森林缺陷三维轮廓重构方法。该方法利用随机森林算法通过估计信号和实际信号之间的偏差估计重构轮廓偏差，通过优化参数更新缺陷轮廓，最终可实现缺陷三维轮廓的重构。所提出的方法在缺陷轮廓重构精度上具有良好的效果。

现阶段，基于漏磁内检测的缺陷重构反演仍处于研究中，目前已可以实现球形、椭球型以及矩形缺陷轮廓的反演。下一步还需要构建更加精确的正演模型，利用磁偶极子，迭代法等方法，实现具有更加复杂的轮廓形貌缺陷的反演。

1.5  多信息融合数据分析

文献[9]为区分管道母材及焊缝处不同损伤形式磁记忆信号，运用BP神经网络对管道缺陷检测信号的模式进行识别。以X80管线钢作为试样材质，分别从X80管道母材及焊缝部位取样，加工无缺陷及含裂纹等两种形式的试样并对其进行磁记忆检测。采用有限元分析软件获得其磁场分布，对磁记忆检测信号进行特征参数提取并采用BP神经网络对特征参数进行聚类，建立了管道磁记忆检测模式识别方法。研究结果表明：不同损伤部位及形式的试样，其磁记忆检测信号分布有较大差异；磁记忆检测信号分布与试样表面形貌及损伤形式密切相关；运用BP神经网络能够有效识别管道不同位置及损伤形式的磁记忆检测信号。

现阶段，国内已开发出多物理场内检测装备，同时具备漏磁测试金属损失缺陷，涡流测试管道裂纹，强弱磁测量管道应力集中，IMU测量管道中心线偏移等。多物理场测试数据间关联融合分析将是未来内检测和人工智能技术结合的重要研究方向。

2  结论

人工智能技术在漏磁信号处理上具自适应性和非线性的优势，国内外在漏磁图像增强、异常边缘提取、特征和组件识别、量化模型、三维缺陷重构方面开展了大量研究，但投入到实际工程应用较少。当前的研究均侧重于解决某一方面的问题，未构建基于人工智能的管道内检测分析体系，已形成的智能分析方法在通用性和迁移性方面还需加强。

参考文献：

[1]岳明星，杨理践，石萌.基于卷积神经网络的管道漏磁内检测焊缝识别方法[J].电子世界，2018，(12)：49-50.

[2]杨理践，曹辉.基于深度学习的管道焊缝法兰组件识别方法[J].仪器仪表学报，2018，39(02)：193-202.

[3]曹辉，杨理践，杨文俊，等.基于U-Net卷积神经网络的管道漏磁异常检测[J].沈阳大学学报(自然科学版)，2020，32(05)：402-409.

[4]米亚鑫，郎宪明，韩富丞，等.基于低层特征融合多核卷积神经网络的管道缺陷漏磁图像识别方法[J].当代化工，2023，52(03)：677-681.

[5]耿丽媛，董绍华，钱伟超，等.基于DCNN的管道漏磁内检测环焊缝缺陷智能分类法[J].油气储运，2023，42(5)：532-541.

[6]王宏安，陈国明.基于深度学习的漏磁检测缺陷识别方法[J].石油机械，2020，48(05)：127-132.

[7]吴振宁，汪力行，刘金海.基于空间映射的匀速采样漏磁检测复杂缺陷重构方法[J].仪器仪表学报，2018，39(07)：164-172.

[8]曹辉.基于漏磁内检测的输油管道缺陷识别方法研究[D].沈阳工业大学，2020.

[9]史小东，樊建春，周威，等.基于BP神经网络管道磁记忆检测模式识别[J].石油机械，2020，48(06)：111-117+125.

作者简介：贾海东，1984年生，高级工程师，2009年毕业于西安交通大学，工学硕士，主要从事管道检测及完整性评价工作。联系方式：18699180205，jiahd@pipechina.com.cn。