賈海東

新疆多介質管道安全輸送重點試驗室；中國石油大學（北京）；國家管網集團西部管道公司

摘要：近年來人工智能技術被廣泛應用于漏磁檢測數據的分析，改進了傳統漏磁內檢測信號識別存在的人工識別效率低、對特征分類不準確、量化存在誤差且量化模型不通用、缺陷重構和反演精度低、多信息融合分析未挖掘漏磁信號隱含特征等不足。本文介紹了人工智能技術在缺陷識別、缺陷分類、缺陷量化分析、缺陷重構以及多信息融合數據分析中的應用，展望了這一技術在管道內檢測信號識別領域的研究方向。

關鍵詞：人工智能；長輸油氣管道；漏磁內檢測；缺陷識別；缺陷量化

漏磁內檢測技術是目前國內大口徑天然氣管道采用的主流內檢測技術，但是由于缺陷漏磁場分布不均勻性以及漏磁場求解的復雜性，傳統漏磁檢測方法在缺陷和特征識別、分類、量化、重構、多信息融合數據分析方面仍有不少需要解決的難題。

近年來，隨著人工智能的迅速發展，國內外研究人員開始把人工智能技術應用到漏磁場信號處理領域。通過設計深度神經網絡模型對數據集進行訓練，可以有效的對信號進行識別、分類、量化、反演，實現管道內檢測數據的自動識別。從而減小人員工作量和人為誤差，提升數據判讀準確性，使缺陷識別和量化更加精確，更好的指導維修工作。

1  應用現狀

1.1  缺陷識別分析

國內對于管道焊縫缺陷的智能識別，主要應用的神經網絡方法有支持向量機、BP神經網絡、RBF神經網絡等；國外對于焊接缺陷數據進行訓練和識別主要應用的方法為多層感知器神經網絡。基本都是采用人工的圖像分割到目標的特征提取，然后采用統計方法或淺層神經網絡方法來實現目標的分類識別。

文獻[1]提出了一種基于卷積神經網絡的管道焊縫識別方法。利用卷積神經網絡逐層挖掘管道焊縫圖像區域的特征信息，通過訓練網絡權重參數和對焊縫樣本的測試，實現對管道焊縫漏磁曲線特征的智能識別。實驗表明管道焊縫的識別率超過93%，該方法有較高的識別準確率和處理批量圖像的優勢。

文獻[2]針對管道內檢測中焊縫法蘭組件的識別精度不夠問題，提出了一種基于深度學習網絡的智能識別方法。該方法利用漏磁檢測（MFL）圖像而不是MFL測量，因此它可以跳過特征提取的過程。實驗結果表明，該方法擁有良好的識別精度，在信噪比小于10 dB特征不明顯樣本中，所提方法的識別靈敏度為85.3%，優于其他基于特征的智能識別方法，同時，改進的深度學習網絡對于漏磁圖像具有良好的位移和畸變魯棒性。

在漏磁數據異常檢測研究中，大都基于閾值法或者邊緣檢測算子法進行檢測，以上方法對噪聲的魯棒性較低，邊緣檢測精度不高，特別是對于針孔等微小異常區域容易發生漏檢。文獻[3]提出了一種基于深度網絡的圖像分割方法，對漏磁圖像進行異常檢測。該方法基于U-Net網絡模型來提取管道圖像異常特征，運用基于對抗網絡的訓練方法對異常圖像進行進一步修正，提升了檢測準確性。實驗結果顯示：該方法在真實管道數據集上的IoU達到了0.983，可以滿足眾多工業應用的需求。

現階段，基于人工智能技術已可以實現管道環焊縫、法蘭、彎頭等特征以及單一的金屬損失、凹陷等缺陷的自動識別，大大提升了數據分析效率，下一步還需要解決有交互影響的缺陷和特征的精確識別問題。此外，隨著漏磁數據量的增加，如何實現管道特征和缺陷的快速、精準識別和標注也是需要重點研究的。

1.2  缺陷分類分析

文獻[4]使用卷積神經網絡對漏磁圖像進行處理，不僅能提取漏磁圖像的特征，同時對噪聲、縮放、平移等變化具有魯棒性。文章提出一種基于低層特征融合的多核卷積神經網絡（LFMCNN）的方法，用來處理缺陷、焊縫、三通以及正常的分類問題。該方法直接將漏磁曲線圖送進模型中進行訓練。為了得到更多的空間、顏色以及輪廓的信息，直接將原始圖像的尺寸縮小融合在卷積層中。在卷積層中添加RELU激活函數，這樣就能使網絡具有稀疏性，模型訓練得更快。結果表明融合了原始圖像低層特征后的模型對管道漏磁缺陷的識別率相較于CNN提高了7.5%，相較于傳統的機器學習算法準確率提升了11.5%。

由于國內X80鋼管道鋼管質量控制水平差異、現場施工焊接難度大、焊縫缺陷超標和韌性離散、附加載荷等原因，據統計，曾在試壓和投產運行期間，發生了開裂和泄漏30余起，高鋼級管道環焊縫缺陷檢測成為國內外關注的熱點難題。環焊縫處漏磁內檢測信號相對復雜，傳統的人工分析方法不易實現缺陷的分類。文獻[5]提出了一種基于深度卷積神經網絡（Deep Convolutional Neural Network，DCNN）的管道漏磁內檢測環焊縫缺陷智能分類方法：將管道環焊縫漏磁內檢測信號圖像以及環焊縫開挖后射線檢測發現的缺陷類型作為樣本標簽建立數據庫，利用深度卷積對抗生成網絡對數據集進行擴展增強；利用增強后的數據集對殘差網絡進行改進與迭代訓練，最終實現對環焊縫漏磁內檢測信號圖像進行分類。實例應用結果表明：該方法可實現對環焊縫常見條形缺陷、圓形缺陷的識別分類，分類測試的準確率為83％～88％，對于圓形缺陷的召回率超過97％。新方法突破了人工分析環焊縫處漏磁內檢測信號的局限，可為環焊縫缺陷智能分類提供參考。

現階段，人工智能對缺陷內外分辨、金屬損失缺陷類型、焊縫、三通等特征分類準確率還需要進一步加強。此外，針對焊縫開口裂紋等漏磁內檢測有信號反應的缺陷尚需開展大量研究，建立環焊縫裂紋、未熔合等缺陷智能分類算法。

1.3  缺陷量化分析

BP神經網絡方法已被應用到漏磁缺陷量化領域，但傳統遺傳算法優化BP神經網絡應用于大量缺陷反演的計算，存在訓練速度慢、量化精度低等缺點。

文獻[6]提出一種基于深度學習的漏磁檢測缺陷量化識別方法，并建立了漏磁檢測缺陷識別模型，該模型包含深度卷積神經網絡模塊和回歸模塊。深度卷積神經網絡模塊利用卷積神經網絡的多輸入多輸出互相關操作，完成漏磁缺陷信號3個分量（軸向、周向、徑向）的數據融合，利用預訓練的網絡，遷移已有知識，實現缺陷信號的特征自動提取；回歸模塊中設計缺陷、長度和寬度聯合損失函數，利用回歸方式實現缺陷尺度的量化。采用有限元仿真和牽拉試驗相結合的方式，建立漏磁信號缺陷量化數據集并劃分為訓練集和測試集，訓練集用于模型訓練，測試集進行方法驗證。研究結果表明：90%置信度下，長度和寬度量化結果全部落在±10 mm的誤差帶上，深度量化結果全部落在±10% t（t為壁厚）的誤差帶上，滿足工程檢測要求，可有效完成管道漏磁缺陷識別。

現階段，按照定期檢驗規則，具備內檢測條件的管道投產三年內必須完成內檢測作業，通過現場檢測，各內檢測單位和管道運營單位積累了大量的缺陷樣本，這些海量樣本已經被用于量化模型的訓練中并取得了較好的效果，但相關研究仍未大規模進行工程應用。下一步還應該使得量化模型更加具有通用性和可遷移性，并在實際工程中不斷檢驗模型的可靠性。

1.4  缺陷重構分析

文獻[7]提出一種基于勻速采樣模型設計迭代反演方法，使模型更符合實際的采樣過程，并在模型中考慮了速度產生的影響；通過空間映射方法，將勻速采樣產生的多個有限元模型轉化為用磁偶極子模型為基礎表示的解析模型，解決了勻速采樣模型難以設計迭代方法的問題;通過設計基于正則化方法的迭代策略，給出了缺陷重構的算法。最后通過實驗數據驗證了算法的有效性。

文獻[8]提出一種基于偏差估計的隨機森林缺陷三維輪廓重構方法。該方法利用隨機森林算法通過估計信號和實際信號之間的偏差估計重構輪廓偏差，通過優化參數更新缺陷輪廓，最終可實現缺陷三維輪廓的重構。所提出的方法在缺陷輪廓重構精度上具有良好的效果。

現階段，基于漏磁內檢測的缺陷重構反演仍處于研究中，目前已可以實現球形、橢球型以及矩形缺陷輪廓的反演。下一步還需要構建更加精確的正演模型，利用磁偶極子，迭代法等方法，實現具有更加復雜的輪廓形貌缺陷的反演。

1.5  多信息融合數據分析

文獻[9]為區分管道母材及焊縫處不同損傷形式磁記憶信號，運用BP神經網絡對管道缺陷檢測信號的模式進行識別。以X80管線鋼作為試樣材質，分別從X80管道母材及焊縫部位取樣，加工無缺陷及含裂紋等兩種形式的試樣并對其進行磁記憶檢測。采用有限元分析軟件獲得其磁場分布，對磁記憶檢測信號進行特征參數提取并采用BP神經網絡對特征參數進行聚類，建立了管道磁記憶檢測模式識別方法。研究結果表明：不同損傷部位及形式的試樣，其磁記憶檢測信號分布有較大差異；磁記憶檢測信號分布與試樣表面形貌及損傷形式密切相關；運用BP神經網絡能夠有效識別管道不同位置及損傷形式的磁記憶檢測信號。

現階段，國內已開發出多物理場內檢測裝備，同時具備漏磁測試金屬損失缺陷，渦流測試管道裂紋，強弱磁測量管道應力集中，IMU測量管道中心線偏移等。多物理場測試數據間關聯融合分析將是未來內檢測和人工智能技術結合的重要研究方向。

2  結論

人工智能技術在漏磁信號處理上具自適應性和非線性的優勢，國內外在漏磁圖像增強、異常邊緣提取、特征和組件識別、量化模型、三維缺陷重構方面開展了大量研究，但投入到實際工程應用較少。當前的研究均側重于解決某一方面的問題，未構建基于人工智能的管道內檢測分析體系，已形成的智能分析方法在通用性和遷移性方面還需加強。

參考文獻：

[1]岳明星，楊理踐，石萌.基于卷積神經網絡的管道漏磁內檢測焊縫識別方法[J].電子世界，2018，(12)：49-50.

[2]楊理踐，曹輝.基于深度學習的管道焊縫法蘭組件識別方法[J].儀器儀表學報，2018，39(02)：193-202.

[3]曹輝，楊理踐，楊文俊，等.基于U-Net卷積神經網絡的管道漏磁異常檢測[J].沈陽大學學報(自然科學版)，2020，32(05)：402-409.

[4]米亞鑫，郎憲明，韓富丞，等.基于低層特征融合多核卷積神經網絡的管道缺陷漏磁圖像識別方法[J].當代化工，2023，52(03)：677-681.

[5]耿麗媛，董紹華，錢偉超，等.基于DCNN的管道漏磁內檢測環焊縫缺陷智能分類法[J].油氣儲運，2023，42(5)：532-541.

[6]王宏安，陳國明.基于深度學習的漏磁檢測缺陷識別方法[J].石油機械，2020，48(05)：127-132.

[7]吳振寧，汪力行，劉金海.基于空間映射的勻速采樣漏磁檢測復雜缺陷重構方法[J].儀器儀表學報，2018，39(07)：164-172.

[8]曹輝.基于漏磁內檢測的輸油管道缺陷識別方法研究[D].沈陽工業大學，2020.

[9]史小東，樊建春，周威，等.基于BP神經網絡管道磁記憶檢測模式識別[J].石油機械，2020，48(06)：111-117+125.

作者簡介：賈海東，1984年生，高級工程師，2009年畢業于西安交通大學，工學碩士，主要從事管道檢測及完整性評價工作。聯系方式：18699180205，jiahd@pipechina.com.cn。