基于BP神經(jīng)網(wǎng)絡(luò)的磁記憶檢測(cè)管道缺陷研究

劉書俊 蔣 明 張偉明 雍歧衛(wèi) 何德安

(后勤工程學(xué)院軍事供油工程系，重慶 401311)

基于BP神經(jīng)網(wǎng)絡(luò)的磁記憶檢測(cè)管道缺陷研究

劉書俊 蔣 明 張偉明 雍歧衛(wèi) 何德安

(后勤工程學(xué)院軍事供油工程系，重慶 401311)

基于BP神經(jīng)網(wǎng)絡(luò)的磁記憶檢測(cè)技術(shù)設(shè)計(jì)了3個(gè)單輸出方式的三層BP神經(jīng)網(wǎng)絡(luò)，對(duì)無(wú)缺陷、應(yīng)力集中和裂紋管道缺陷進(jìn)行了檢測(cè)識(shí)別。實(shí)驗(yàn)結(jié)果表明：管道缺陷識(shí)別率達(dá)97.5%，提高了管道缺陷的識(shí)別率。

磁記憶檢測(cè) BP神經(jīng)網(wǎng)絡(luò) 管道缺陷

石油天然氣的管道運(yùn)輸是一種經(jīng)濟(jì)且高效的運(yùn)輸方式。由于石油天然氣自身具有易燃易爆等特點(diǎn)，因此油氣管道運(yùn)輸?shù)陌踩灾陵P(guān)重要。近年來(lái)，管道的完整性管理成為管道工程領(lǐng)域的研究熱點(diǎn)。工程實(shí)踐表明，埋地管道一旦發(fā)生穿孔或斷裂，將造成環(huán)境污染、經(jīng)濟(jì)損失甚至引發(fā)火災(zāi)及爆炸等嚴(yán)重事故。因此，全面掌握管道狀況，變過(guò)去的事故后維修為提前預(yù)防具有重要意義。傳統(tǒng)的無(wú)損檢測(cè)技術(shù)(如超聲、射線及渦流等)只能針對(duì)已發(fā)展成形的宏觀缺陷或絕大多數(shù)較為顯著的微觀缺陷，檢測(cè)設(shè)備不僅操作程序復(fù)雜，而且對(duì)于在役金屬設(shè)備的早期損傷，特別是尚未發(fā)展成形的、隱性的、不連續(xù)的變化無(wú)能為力，無(wú)法對(duì)潛在的危險(xiǎn)做出預(yù)警[1,2]。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦活動(dòng)和激勵(lì)行為的并行非線性人工系統(tǒng)，已有學(xué)者利用該網(wǎng)絡(luò)對(duì)管道失效模式進(jìn)行了識(shí)別[3～5]。筆者提出一種基于BP神經(jīng)網(wǎng)絡(luò)的磁記憶檢測(cè)管道缺陷研究方法。

1 磁記憶檢測(cè)技術(shù)

金屬油氣管道發(fā)生損壞的重要原因之一就是各種微觀或宏觀機(jī)械應(yīng)力集中所導(dǎo)致的疲勞失效。20世紀(jì)90年代，俄羅斯學(xué)者Doubov A A率先提出金屬磁記憶檢測(cè)技術(shù)[6～8]，簡(jiǎn)稱磁記憶檢測(cè)技術(shù)，其原理如圖1所示。

處于地磁場(chǎng)環(huán)境下工作的鐵磁性構(gòu)件受載荷的作用，內(nèi)部會(huì)發(fā)生磁致伸縮性質(zhì)的磁疇組織定向和不可逆的重新取向，并在應(yīng)力與變形集中區(qū)形成最大漏磁場(chǎng)HP的變化，即應(yīng)力集中區(qū)域的磁場(chǎng)切向分量HP(x)具有最大值，而法向分量HP(y)改變符號(hào)且具有零值點(diǎn)。這種磁狀態(tài)的不可逆變化在工作載荷消除后依然保留，通過(guò)對(duì)漏磁場(chǎng)法向分量HP(y)的測(cè)定，計(jì)算出梯度值K=dHP(y)/dx，即可推斷出構(gòu)件應(yīng)力集中區(qū)域。

圖1 磁記憶檢測(cè)原理

根據(jù)管道裂紋的生長(zhǎng)模型[9]，筆者將管道缺陷形式大致分為應(yīng)力集中和裂紋兩種，因此也就可以將管道所處的狀態(tài)分為裂紋、應(yīng)力集中和無(wú)缺陷3種形式。對(duì)于管道維護(hù)來(lái)說(shuō)，針對(duì)不同的管道狀況，所采取的維護(hù)策略可能大相徑庭，因此，檢測(cè)并識(shí)別缺陷類型是十分有必要的。筆者提取油氣管道磁記憶檢測(cè)信號(hào)特征，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)等現(xiàn)代模式識(shí)別理論，對(duì)管道缺陷進(jìn)行檢測(cè)識(shí)別。

2 磁記憶檢測(cè)信號(hào)特征

有效的信號(hào)特征量提取是管道缺陷識(shí)別的關(guān)鍵之一。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和波寬W是表征管道缺陷的本質(zhì)特征。

如圖2所示，峰-峰值Hpp0為信號(hào)曲線極大值與極小值之差；谷-谷值Hvv是指信號(hào)中兩個(gè)谷值點(diǎn)之間的位移。法向梯度Ky描述了檢測(cè)信號(hào)HP在檢測(cè)方向垂直方向上的變化情況，在數(shù)值上等于檢測(cè)方向垂直方向上兩個(gè)相鄰采樣點(diǎn)之間的HP之差的絕對(duì)值。切向梯度Kx表示漏磁場(chǎng)HP沿信號(hào)切向的變化率，在數(shù)值上等于兩個(gè)相鄰采樣點(diǎn)之間的HP之差的絕對(duì)值與采樣點(diǎn)之間距離的比值。筆者定義波寬為W10，即幅度為峰值10%時(shí)的波寬。

圖2 磁記憶信號(hào)波形特征

3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種對(duì)非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)，由若干層神經(jīng)元組成，各層的神經(jīng)元發(fā)揮著不同的作用。一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖3所示，網(wǎng)絡(luò)由輸入層、中間層(隱層)和輸出層組成。

圖3 三層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

3.1神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)

BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為管道的磁記憶檢測(cè)信號(hào)特征向量，考慮到計(jì)算機(jī)計(jì)算量等因素，選取峰-峰值Hpp0、谷-谷值Hvv、磁記憶檢測(cè)信號(hào)法向梯度Ky、磁記憶檢測(cè)信號(hào)切向梯度Kx、磁記憶檢測(cè)信號(hào)波寬W10組成的一組向量[Hpp0,Hvv,Ky,Kx,W10]作為BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)。由于上述特征量具有不同的單位和量級(jí)，所以在輸入神經(jīng)網(wǎng)絡(luò)之前應(yīng)先進(jìn)行歸一化處理。

3.2神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)

隱層節(jié)點(diǎn)數(shù)n可以先根據(jù)公式初步確定，然后在實(shí)際訓(xùn)練的基礎(chǔ)上再增加或刪除節(jié)點(diǎn)最終加以確定。隱層節(jié)點(diǎn)數(shù)計(jì)算式為：

式中a——1～10之間的任意值；

n——隱層節(jié)點(diǎn)數(shù)；

ni——輸入層神經(jīng)元個(gè)數(shù)；

no——輸出層神經(jīng)元個(gè)數(shù)。

3.3神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)與輸出方式

BP神經(jīng)網(wǎng)絡(luò)模型可以有兩種輸出方式供選擇：多輸出方式和單輸出方式。采用多輸出方式時(shí)，網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)可設(shè)置為3個(gè)，其結(jié)構(gòu)如圖4a所示。在三層節(jié)點(diǎn)輸出方式中，由于網(wǎng)絡(luò)要同時(shí)適應(yīng)應(yīng)力集中、宏觀缺陷和無(wú)缺陷3種類別，網(wǎng)絡(luò)需要更多的隱層才能盡可能地減少誤差，而且學(xué)習(xí)過(guò)程往往收斂較慢。但是如果采用單輸出形式的網(wǎng)絡(luò)，為每種缺陷類型建立一個(gè)網(wǎng)絡(luò)，讓每個(gè)網(wǎng)絡(luò)只完成一種缺陷類型的識(shí)別，就可以解決學(xué)習(xí)過(guò)程收斂較慢的問(wèn)題。而且采用單輸出網(wǎng)絡(luò)可以更加清楚地區(qū)分不同缺陷類別之間的模糊界限，分類識(shí)別的效果往往更佳。單輸出網(wǎng)絡(luò)的結(jié)構(gòu)如圖4b所示。為3類缺陷建立神經(jīng)網(wǎng)絡(luò)時(shí)，3個(gè)網(wǎng)絡(luò)的中間層單元數(shù)可以不相同。在建立神經(jīng)網(wǎng)絡(luò)后，對(duì)每類缺陷的網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練。當(dāng)網(wǎng)絡(luò)輸入的特征向量與輸出缺陷類型一致時(shí)，將輸出期望值置為1；當(dāng)輸入其他缺陷的特征向量時(shí)，則將輸出期望值置為0。在網(wǎng)絡(luò)訓(xùn)練完成之后，對(duì)于一個(gè)未知缺陷的特征向量，分別將它輸入3個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。對(duì)3個(gè)神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果設(shè)置一個(gè)閾值，之后考查網(wǎng)絡(luò)各輸出節(jié)點(diǎn)的輸出，如果某一網(wǎng)絡(luò)的結(jié)果大于該閾值，則將缺陷歸類為該網(wǎng)絡(luò)對(duì)應(yīng)的缺陷類型；如果有多個(gè)網(wǎng)絡(luò)的輸出均大于該閾值，則或?qū)⒃撊毕輾w類為具有最大輸出的一類，或者做出拒絕的判斷。當(dāng)所有網(wǎng)絡(luò)的輸出均小于設(shè)定閾值時(shí)也可采取類似的決策。

a. 多輸出方式

b. 單輸出方式圖4 三層BP神經(jīng)網(wǎng)絡(luò)的輸出方式

4 管道缺陷檢測(cè)實(shí)例

4.1實(shí)驗(yàn)

實(shí)驗(yàn)選取無(wú)缺陷、應(yīng)力集中和裂紋樣本各200組，總600組。表1為部分樣本輸入量特征矩陣，其中，001表示樣本為無(wú)缺陷狀態(tài)，010表示樣本為應(yīng)力集中狀態(tài)，100表示樣本為裂紋狀態(tài)。

表1 部分樣本輸入特征量矩陣

將480組信號(hào)作為訓(xùn)練樣本，其中無(wú)缺陷、應(yīng)力集中和裂紋樣本各160組，剩余120組作為測(cè)試樣本。將訓(xùn)練樣本分別輸入無(wú)缺陷神經(jīng)網(wǎng)絡(luò)、應(yīng)力集中神經(jīng)網(wǎng)絡(luò)和裂紋神經(jīng)網(wǎng)絡(luò)，分別對(duì)隱層節(jié)點(diǎn)數(shù)為3～20時(shí)的網(wǎng)絡(luò)性能進(jìn)行比較，得到3個(gè)神經(jīng)網(wǎng)絡(luò)在不同隱層節(jié)點(diǎn)數(shù)時(shí)的平均訓(xùn)練誤差，當(dāng)隱層節(jié)點(diǎn)數(shù)分別為4、5、4時(shí)，神經(jīng)網(wǎng)絡(luò)誤差均最小，且能同時(shí)滿足識(shí)別精度和訓(xùn)練時(shí)間的要求。無(wú)缺陷網(wǎng)絡(luò)經(jīng)過(guò)3 002次循環(huán)達(dá)到訓(xùn)練目標(biāo)，誤差為0.043 112 2；應(yīng)力集中網(wǎng)絡(luò)經(jīng)過(guò)3 934次循環(huán)達(dá)到訓(xùn)練目標(biāo)，誤差為0.110 931 4；裂紋網(wǎng)絡(luò)經(jīng)過(guò)4 103次循環(huán)后達(dá)到訓(xùn)練目標(biāo)，誤差為0.049 043 7。

4.2識(shí)別結(jié)果分析

除100號(hào)、115號(hào)、127號(hào)樣本有識(shí)別錯(cuò)誤外，其余樣本均分類正確，測(cè)試樣本識(shí)別正確率為97.5%。分析其中歸類錯(cuò)誤的原因，100號(hào)、115號(hào)、127號(hào)樣本尺寸L×D×H分別為4.0×0.1×0.2、3.0×0.1×0.3、2.0×0.1×0.2(單位：mm)，是非常細(xì)微的裂紋，介于應(yīng)力集中與裂紋之間，其特征值與應(yīng)力集中的特征值非常相似，因此誤將它歸類為應(yīng)力集中。

5 結(jié)束語(yǔ)

磁記憶檢測(cè)技術(shù)是一種新型的無(wú)損檢測(cè)技術(shù)，可以對(duì)鐵磁性金屬材料進(jìn)行早期診斷?；诖庞洃洐z測(cè)技術(shù)，筆者根據(jù)BP神經(jīng)網(wǎng)絡(luò)理論，對(duì)管道缺陷進(jìn)行了識(shí)別分類。實(shí)驗(yàn)表明：基于BP神經(jīng)網(wǎng)絡(luò)的磁記憶檢測(cè)技術(shù)提高了管道缺陷的識(shí)別率。

[1] 顏廷俊，張杰東，馮國(guó)棟，等.基于金屬磁記憶的熱采濕蒸汽發(fā)生器爐管缺陷早期檢測(cè)[J].材料工程,2011,(9)：68～71.

[2] 任吉林，林俊明，任文堅(jiān)，等.金屬磁記憶檢測(cè)技術(shù)研究現(xiàn)狀與發(fā)展前景[J].無(wú)損檢測(cè),2012,34(4):3～11.

[3] 韓良浩,王印培，柳曾典.基于人工神經(jīng)網(wǎng)絡(luò)的含缺陷受壓管道失效模式的識(shí)別[J].化工機(jī)械，1997,24(3)：154～157.

[4] 宋志強(qiáng)，李著信，張鎮(zhèn)，等.碎片殘余提離效應(yīng)對(duì)在役油氣管道漏磁檢測(cè)影響分析研究[J].化工機(jī)械，2010,37(5):539～543.

[5] 戴光，崔巍，楊志軍，等.換熱管漏磁檢測(cè)磁化結(jié)構(gòu)有限元分析[J].化工機(jī)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.電磁無(wú)損檢測(cè)[M].北京：科學(xué)出版社，2008：377～379．

[9] 李慶芬,胡勝海,朱世范.斷裂力學(xué)及其工程應(yīng)用[M].哈爾濱:哈爾濱大學(xué)出版社,2005:1～58.

[10] 梁志芳,李午申,王迎娜,等.焊接裂紋的金屬磁記憶信號(hào)特征[J].天津大學(xué)學(xué)報(bào),2006,39(z1):181～184.

[11] 任吉林，孫金立，周培，等.磁記憶二維檢測(cè)的研究與工程應(yīng)用[J].機(jī)械工程學(xué)報(bào)，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)

后勤工程學(xué)院青年科研資助項(xiàng)目