天然气管道漏磁检测中的信号处理

采用漏磁法对天然气管道进行检测时，关键问题是对漏磁信号的处理。为此，介绍了去除奇异值的算法，用相邻两点的平均值代替奇异值，可去除脉冲干扰而对信号没有影响。对于漏磁信号中的高斯噪声，采用小波变换去噪方法，选取二阶样条小波为小波函数，选用软阈值函数和固定阈值的方法处理小波系数。提出了提取缺陷信号特征的梯度算法，用信号幅度和梯度值的变化作为缺陷估计标准。研究结果表明，漏磁信号被处理后，很好地去除了各种信号噪声，有助于提取出缺陷信号的特征，可实现对天然气管道的无损检测。     

油气长输管道裂纹漏磁检测的瞬态仿真分析

为了提高油气管道漏磁检测的准确度,应充分考虑检测器行进速度对漏磁信号的影响。根据三维有限元分析原理,建立了漏磁检测系统的瞬态数学模型,并对油气长输管道裂纹检测过程进行了仿真研究。由麦克斯韦方程组推导出管道裂纹静态漏磁场的分布模型,对由漏磁检测器运动产生感应的管壁环向涡流进行了定量分析,计算其形成的"逆磁场"及其对外加磁场的影响,推导出动态磁化条件下的裂纹漏磁场有限元仿真模型。由实际物理实验得到与仿真分析相一致的漏磁信号,这表明所建瞬态仿真模型的有效性。利用该模型,获得了不同裂纹所产生的漏磁信号检测结果。根据检测结果,分析了裂纹几何特征,如深度、宽度等与漏磁信号峰谷值之间的对应关系,并给出了关系曲面图。为实际利用漏磁信号检测油气长输管道裂纹提供了重要的依据。     

漏磁检测技术在长输管道维护中的应用

介绍了油气长输管道的发展状况及在维护管理中存在的主要问题,智能管道检测技术在美国和英国等发达国家的发展状况和国内在智能管道检测方面的研究进展。叙述了管道漏磁检测技术的基本原理,以研20mm智能管道检测器为例说明了智能管道检测器（漏磁检测器）的基本结构及主要功能、机械性能指标、检测性能指标;介绍了漏磁检测器研发中磁路优化设计、检测系统和数据处理硬件、无损压缩算法、缺陷重构技术、漏磁信号成像、信号特征库和几何成像等关键技术。以研20mm管道为例介绍了管道漏磁检测技术的实施过程、检测数据分析、现场开挖验证及管道腐蚀状况评价等内容。     

基于EMD技术的管道漏磁内检测信号研究*

为了解决油气管道漏磁内检测信号识别不准确的问题,采用EMD（经验模态分解）理论,对管道漏磁内检测信号做EMD分解和重构,得到信号处理后的信噪比信息,与原始信号和小波分析后信号的信噪比进行比对分析,结果显示,EMD技术在处理漏磁内检测信号方面比小波分析更为优越。研究表明:采用EMD技术处理管道漏磁信号可以获得更好的信噪比,能更迅速、准确地识别管道中的缺陷。     

油气管道漏磁检测缺陷的三维成像技术

漏磁检测是油气管道常用的无损检测方法,检测的重点是根据测量的漏磁信号重构缺陷的轮廓。提出了基于小波神经网络的三维成像方法,利用图像函数矩阵表达出管道缺陷的三维图像,矩阵元素值对应着缺陷的深度。利用小波神经网络,建立了由缺陷漏磁信号到图像函数矩阵关系的映射。选用的小波函数是墨西哥草帽小波,采用随机梯度下降算法训练。训练样本为三维有限元仿真数据和测量数据。采用训练数据对小波神经网络进行逼近缺陷图像函数矩阵的训练,然后用训练好的小波神经网反演给定数据,重构缺陷图像。实验结果表明,该方法能够实现三维缺陷漏磁检测的成像化及可视化。     

管道漏磁内检测信号的自适应成像算法研究

为提高检测效率,克服管道漏磁内检测技术大量检测数据存储及缺陷识别的困难,基于管道漏磁检测数据的特征,通过比较多种插值方法在漏磁检测信号中的应用,设计了一种基于三次Hermite插值的三次样条插值算法,采用多尺度分段自适应插值方法处理漏磁数据,生成了具有更高辨识度的曲线图形;设计了可显示曲线图形、灰度图像以及伪彩色图像的自适应成像系统,实现了快速精准的漏磁缺陷检测识别。测试实践表明:研究工作达到了上述目标。     

补偿检测仪速度对管道缺陷漏磁场影响的方法

分析了油气管道漏磁检测中检测仪速度对缺陷漏磁场的影响．构造了补偿速度干扰漏磁场的滤波器模型，验证了方法的有效性，有利于漏磁信号波形的识别。     

油气管道腐蚀检测技术的研究

对管道漏磁在线检测仪的总体设计、结构及各部分的工作过程进行了介绍 ,对硬件设计进行了分析 ,采用工程数据库技术对检测数据管理 ,分析干扰因素对漏磁信号的影响 ,采用滤波和数字平滑方法消除干扰影响的方法 ,利用径向基函数插值方法对漏磁信号补偿和凹坑缺陷轮廓的局部逼近 ,提出了缺陷外形参数的评价方法 ,使缺陷检测达到定量化 ,整套方案实际应用有效、可行。     

大型储油罐的漏磁检测与安全评价

漏磁检测是一种有效且精度较高的底板腐蚀检测方法,与超声波测厚只能按点抽检相比,漏磁检测可以100%地覆盖检测仪所能到达的任意地方。但是由于自然腐蚀的漏磁信号与人工缺陷信号大小有差异,同时检测结果还跟缺陷的大小、形状、深度与标定板人工缺陷的差异有关,因此检测结果是一个当量值,与实际大小有一定误差,必要时应用超声波检测方法进行复验;储罐壁板厚度在满足强度要求的同时还需满足刚度要求,在厚度不足时需要增设抗风圈,以保证储罐的使用安全。     

基于深度学习的漏磁检测缺陷识别方法

传统漏磁信号缺陷量化缺少其他分量信息,人工特征的提取方式造成信息量有限。为此,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。研究结果可为油气输送管道漏磁检测新技术的研究提供一定的参考。