大口徑管道裂紋缺陷漏磁數(shù)據(jù)生成與評(píng)估方法

Chen Ximing，Li Kun，F(xiàn)u Mengkai，etal.A method for generating and evaluating magnetic flux leakage data for large-diameterpipelinecrack defectsbasedonnumericalsimulationanddiffusionalgorithm[J].China Petroleum Machinery，2025，53（7）：1-11.

AMethod for Generating and Evaluating Magnetic FluxLeakage DataforLarge-diameter Pipeline Crack DefectsBased on Numerical Simulation and Diffusion Algorithm

Chen Ximing Li KunFu Mengkai Zhu Jianjun Liu Xiaoben （CollegeofMechanical andTransportation Engineering，China UniversityofPetroleum（Beijing））

Abstract：Considering that the sample size of magnetic flux leakage（MFL）data forlarge-diameter pipeline crack defects is insufficient tosupport the quantitative identification，a database generation method integrating numerical simulation of MFL fieldanddifusion algorithm was proposed，and it was verified through full-scale pul test and thre-dimensional MFL simulation modeling.The results show that the crack defect size hasa clear impact on the MFL signal.For the axial component，the peak value is positivelycorrelated withthe defectdepth，and the troughspacing is positively corelated with the defectlength.Fortheradial component，which shows anantisymmetric distribution，the absolute peak value is positively correlated with the depth，and the spacing between the positive and negative peaks is positively correlated with the length．Theaccuracy of the three-dimensional MFL simulation model reaches the engineering requirement （average error 45% ），and 24O groups of crack defect simulation databases wereconstructed.The data generated from the diffusion model have the same distribution as the simulation data.Afteroptimizing themodelbasedonthe pulltestdatawith environmentalnoise，75.4%of the generated datapass theKNN test（ K=5 ），and have the feature distribution highly similar to the real data.The research conclusions provide a basis of MFL data for the quantitative evaluation of pipeline crack defects.

Keywords： Large-diameter pipeline;crack defect;magnetic flux leakage defct;ful-scale pulltest； finite ele ment simulation;diffusion model

0引言

油氣管道隨著運(yùn)行時(shí)間的延長(zhǎng)不可避免地會(huì)產(chǎn)生腐蝕或裂紋等缺陷，其中裂紋缺陷在疲勞或應(yīng)力腐蝕的作用下易導(dǎo)致管道破裂失效[。管道內(nèi)缺陷檢測(cè)技術(shù)作為管道完整性管理的重要手段，在獲取管道缺陷信息方面起到了關(guān)鍵作用。漏磁檢測(cè)因其在運(yùn)行環(huán)境、適用范圍、技術(shù)成熟度及經(jīng)濟(jì)性等方面的優(yōu)勢(shì)，是目前應(yīng)用最為廣泛的管道內(nèi)缺陷檢測(cè)手段[2-3]。

目前針對(duì)管道缺陷參數(shù)對(duì)漏磁信號(hào)的影響及腐蝕缺陷的量化識(shí)別已進(jìn)行了大量研究。高亞婷等[4]通過(guò)控制變量法改變矩形槽缺陷的尺寸以及傳感器提離值，得出缺陷尺寸及傳感器提離值對(duì)漏磁場(chǎng)磁感應(yīng)強(qiáng)度分布規(guī)律，為漏磁內(nèi)檢測(cè)器結(jié)構(gòu)設(shè)計(jì)和缺陷精準(zhǔn)量化提供了理論基礎(chǔ)。王宏安等[5分析了圓柱形缺陷的深度和直徑對(duì)漏磁場(chǎng)信號(hào)的影響，得到了缺陷與漏磁場(chǎng)信號(hào)的對(duì)應(yīng)關(guān)系，并建立了缺陷的量化方程；同時(shí)通過(guò)有限元仿真和牽拉試驗(yàn)相結(jié)合的方式構(gòu)建了數(shù)據(jù)集并進(jìn)行模型訓(xùn)練和預(yù)測(cè)。張佳偉基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)漏磁信號(hào)智能化識(shí)別，結(jié)果顯示，管道矩形缺陷從長(zhǎng)度、深度方面識(shí)別預(yù)測(cè)效果較好，而缺陷寬度的預(yù)測(cè)效果較差，還需要豐富訓(xùn)練集中的缺陷樣本數(shù)，進(jìn)一步提高對(duì)缺陷尺寸的識(shí)別準(zhǔn)確度。趙東升等[7利用三維磁偶極子模型生成各種尺寸的矩形凹槽缺陷漏磁場(chǎng)法向分量、切向分量和周向分量的仿真數(shù)據(jù)，并與在役管道檢測(cè)數(shù)據(jù)進(jìn)行隨機(jī)融合，實(shí)現(xiàn)缺陷樣本數(shù)據(jù)的擴(kuò)充。盡管上述研究取得一定進(jìn)展，但在漏磁數(shù)據(jù)高效獲取方面仍存在不足。

筆者采用有限元仿真方法建立了管道裂紋缺陷漏磁場(chǎng)信號(hào)分析模型，基于全尺寸牽拉試驗(yàn)結(jié)果驗(yàn)證了模型準(zhǔn)確性。通過(guò)對(duì)影響因素分析，探究了裂紋缺陷的尺寸對(duì)漏磁場(chǎng)信號(hào)的影響。提出了基于仿真數(shù)據(jù)與擴(kuò)散模型[8-10]的漏磁場(chǎng)數(shù)據(jù)生成方法，并建立了漏磁場(chǎng)數(shù)據(jù)質(zhì)量評(píng)價(jià)方法，證明了生成數(shù)據(jù)與真實(shí)數(shù)據(jù)具有相同的分布，可用于漏磁數(shù)據(jù)庫(kù)的建立。

1漏磁檢測(cè)全尺寸牽拉試驗(yàn)

1.1 試驗(yàn)工況

管道牽拉試驗(yàn)是獲取管道缺陷漏磁信號(hào)最為準(zhǔn)確的試驗(yàn)方法[1]。牽拉試驗(yàn)所用設(shè)備為外徑 1219mm 超高清三軸綜合內(nèi)檢測(cè)器，其能夠針對(duì)管道微小缺陷進(jìn)行陣列式超高清磁電多物理場(chǎng)內(nèi)檢測(cè)技術(shù)研究，進(jìn)一步提升檢測(cè)精度。牽拉試驗(yàn)內(nèi)檢測(cè)器主要由漏磁節(jié)、萬(wàn)向節(jié)以及測(cè)徑節(jié)構(gòu)成。其主要性能參數(shù)如下：管徑為 1219mm ，最大有效檢測(cè)速度為 5m/s ，運(yùn)行溫度為 0～70°C ，最大工作壓力為 12MPa ，工作時(shí)間為 60～80h ，檢測(cè)通道為軸、圍、徑向各1280通道，軸向采樣間隔為在 5m/s 的牽拉速度下內(nèi)檢測(cè)器每毫米采集1個(gè)數(shù)據(jù)點(diǎn)，檢測(cè)壁厚范圍為 6.35～31.75mm ○

研究對(duì)象為 ψ1 219mmX70 鋼級(jí)的長(zhǎng)輸管道。該檢測(cè)器檢測(cè)過(guò)程如圖1所示。其結(jié)構(gòu)被明確區(qū)分為加速區(qū)域、檢測(cè)區(qū)域以及減速區(qū)域。加速區(qū)域主要利用牽引裝置將內(nèi)檢測(cè)器加速至特定速度，并維持該速度平穩(wěn)穿越檢測(cè)區(qū)域；檢測(cè)區(qū)域則預(yù)先設(shè)置了裂紋缺陷樣本；減速區(qū)域則主要對(duì)內(nèi)檢測(cè)器進(jìn)行速度調(diào)控，確保其在完成檢測(cè)后能夠平穩(wěn)地減速。

為了深入探究裂紋缺陷對(duì)漏磁場(chǎng)信號(hào)的變化規(guī)律，在測(cè)試管段設(shè)置了不同長(zhǎng)度和深度的矩形開(kāi)口裂紋缺陷。圖2為管道上長(zhǎng)度為 40mm 的外表面裂紋缺陷。通過(guò)精確控制裂紋缺陷的尺寸參數(shù)[12-13]，并結(jié)合超高清漏磁檢測(cè)器，能夠準(zhǔn)確捕捉到由裂紋缺陷引發(fā)的微弱漏磁場(chǎng)信號(hào)，進(jìn)而系統(tǒng)性地分析裂紋缺陷特征參數(shù)（如長(zhǎng)度和深度）對(duì)漏磁場(chǎng)信號(hào)特性的影響，為無(wú)損檢測(cè)技術(shù)提供更為精確的理論依據(jù)以及可靠的數(shù)據(jù)支持。ol219mm 牽拉試驗(yàn)管道裂紋缺陷尺寸如表1所示。定義壁厚為δ，缺陷深度用δ的百分比表示。

1.2 試驗(yàn)數(shù)據(jù)分析

為了探究不同深度、不同長(zhǎng)度裂紋缺陷下傳感器軸向信號(hào)的特征，基于牽拉試驗(yàn)結(jié)果，對(duì)裂紋缺陷的磁感應(yīng)信號(hào)分量進(jìn)行分析。圖3為不同長(zhǎng)度裂紋缺陷下的軸向信號(hào)。這里分別給出了10和 40mm 這2種長(zhǎng)度裂紋缺陷在不同缺陷深度情況下的磁感應(yīng)軸向分量信號(hào)的分布情況。從圖3可以看出：隨著缺陷深度逐漸增大，軸向分量信號(hào)的峰值逐漸增加；隨著缺陷長(zhǎng)度增大，軸向分量信號(hào)出現(xiàn)2個(gè)波峰且谷間距逐漸增大。軸向分量信號(hào)峰值與缺陷深度正相關(guān)，波谷間距與缺陷長(zhǎng)度正相關(guān)。

圖4為不同深度裂紋缺陷下徑向信號(hào)。這里分別給出了10和 40mm 這2種長(zhǎng)度的裂紋缺陷在不同深度情況下的磁感應(yīng)徑向分量信號(hào)的分布情況。磁感應(yīng)徑向分量信號(hào)分布形式與軸向不同，呈現(xiàn)反對(duì)稱分布。其信號(hào)峰值絕對(duì)值與缺陷深度正相關(guān)，正負(fù)峰值間距與缺陷長(zhǎng)度正相關(guān)。

2 漏磁檢測(cè)三維模型仿真

2. 1 模型建立

Maxwell有限元法是基于麥克斯韋方程組進(jìn)行求解，而管道材質(zhì)多為鐵磁材料，要引入輔助方程來(lái)反映電磁場(chǎng)與鐵磁材料之間的關(guān)系[14]，從而更好地分析鐵磁材料對(duì)電磁場(chǎng)的影響。麥克斯韋方程組及其輔助方程如下：

式中： E 為電場(chǎng)強(qiáng)度， V/m ； B 為磁感應(yīng)強(qiáng)度，T;H 為磁場(chǎng)強(qiáng)度， A/m ； D 為電位移強(qiáng)度矢量， C/m² J 為電流密度， A/m² . ρ 為體電荷密度， C/m³ ；V稱為nabla算子，無(wú)量綱； ε 為介電常數(shù)， F/m ； σ 為電導(dǎo)率， S/m ： μ 為介質(zhì)磁導(dǎo)率， H/m ，真空下為4π×10^-7H/m 。

基于Maxwell有限元軟件進(jìn)行三維漏磁仿真的求解方法主要是通過(guò)建立漏磁檢測(cè)三維模型，設(shè)置合適的材料屬性和邊界條件，將永磁體作為激勵(lì)，利用Maxwell的穩(wěn)態(tài)求解器對(duì)模型進(jìn)行數(shù)值求解，計(jì)算出磁場(chǎng)分布和漏磁信號(hào)[15]。在求解過(guò)程中，需要對(duì)模型進(jìn)行網(wǎng)格劃分以提高求解精度，并通過(guò)后處理工具對(duì)求解結(jié)果進(jìn)行分析，提取漏磁信號(hào)的幅值等。采用Maxwell有限元分析軟件建立 β1 219mmX70 管道漏磁檢測(cè)三維模型，根據(jù)漏磁內(nèi)檢測(cè)鋼刷管道環(huán)向陣列分布的特點(diǎn)，建立了高效計(jì)算的 ① 環(huán)向?qū)ΨQ模型，仿真求解采用穩(wěn)態(tài)求解器，鋼刷做弧面處理與管壁接觸。通過(guò)參數(shù)化建模建立不同管道幾何參數(shù)、材料參數(shù)以及缺陷的尺寸、位置、深度的漏磁檢測(cè)三維模型（見(jiàn)圖5）。仿真模型中，管材選用X70鋼，銜鐵和鋼刷選用20鋼，永磁體部分選用硼酸釹鐵N45，相關(guān)材料參數(shù)如表2所示。

Maxwell中有多種邊界條件，分別適用于不同場(chǎng)合。這里采用Neumann邊界條件，即磁場(chǎng)正切于該邊界，磁力線不能穿越該邊界。在Maxwell3D中不定義邊界條件時(shí)，繪制的Region計(jì)算區(qū)域邊界條件為Neumann。模型網(wǎng)格劃分與無(wú)關(guān)性分析如圖6所示。由圖6可知，網(wǎng)格劃分采用細(xì)化的四面體網(wǎng)格，當(dāng)裂紋缺陷處網(wǎng)格尺寸細(xì)化至 1mm 時(shí)，徑向及軸向信號(hào)基本達(dá)到平穩(wěn)狀態(tài)。因此在后續(xù)的參數(shù)化批量計(jì)算時(shí)采用該網(wǎng)格尺寸，在確保了計(jì)算精度的同時(shí)提高模型的計(jì)算效率。

2.2 模型驗(yàn)證

基于牽拉試驗(yàn)數(shù)據(jù)對(duì)數(shù)值仿真模型進(jìn)行準(zhǔn)確性驗(yàn)證。圖7為相同深度不同長(zhǎng)度裂紋缺陷仿真結(jié)果與實(shí)際試驗(yàn)的漏磁量峰值對(duì)比。圖 7a 、圖7b分別表示相同深度下，10和 40mm 長(zhǎng)度裂紋缺陷仿真與試驗(yàn)值峰值對(duì)比。結(jié)果表明，裂紋缺陷仿真結(jié)果與牽拉試驗(yàn)數(shù)據(jù)的平均誤差在 5% 以內(nèi)，證明了筆者建立的漏磁檢測(cè)三維模型的準(zhǔn)確性?；诖四Ｐ?，構(gòu)建了包含240組裂紋缺陷樣本的漏磁仿真數(shù)據(jù)庫(kù)。裂紋缺陷的尺寸范圍涵蓋以下參數(shù)：軸向?qū)挾葹?.10、0.15、0.30、0.50、0.80、1.00mm ；環(huán)向長(zhǎng)度為24和 50mm ；深度為 1mm 、0.108、0.208、 0.30δ 、0.408和 0.50δ 。通過(guò)系統(tǒng)組合上述參數(shù)，生成了具有代表性的裂紋缺陷樣本集，為漏磁檢測(cè)技術(shù)的定量分析與評(píng)估提供了可靠的數(shù)據(jù)基礎(chǔ)。

3漏磁場(chǎng)信號(hào)變化規(guī)律

基于控制變量法分析了矩形開(kāi)口不同長(zhǎng)度、深度裂紋缺陷對(duì)漏磁場(chǎng)信號(hào)的影響。圖8為不同長(zhǎng)度裂紋缺陷的漏磁場(chǎng)軸向分量信號(hào)與徑向分量信號(hào)的分布情況。由圖8可知：徑向分量信號(hào)以裂紋缺陷中心為基準(zhǔn)呈現(xiàn)反對(duì)稱分布，在缺陷長(zhǎng)度兩端呈現(xiàn)相反的趨勢(shì)；徑向分量信號(hào)的曲線峰值隨著缺陷長(zhǎng)度的增加而增大，且間距大小與缺陷長(zhǎng)度匹配，當(dāng)缺陷長(zhǎng)度是 5mm 時(shí)，徑向分量信號(hào)峰值強(qiáng)度為 0.0244T ；當(dāng)缺陷長(zhǎng)度達(dá)到 100mm 時(shí)，徑向信號(hào)峰值強(qiáng)度為0.0347T，信號(hào)增強(qiáng)到1.42倍。軸向信號(hào)則是以裂紋缺陷中心為基準(zhǔn)呈現(xiàn)鏡像對(duì)稱；當(dāng)缺陷長(zhǎng)度較小時(shí)，曲線呈現(xiàn)單峰形式，隨著缺陷長(zhǎng)度的增加，曲線波峰逐漸分離成雙峰形式；當(dāng)缺陷長(zhǎng)度是 5mm 時(shí)，軸向信號(hào)峰值強(qiáng)度為 0.0493T ；當(dāng)缺陷長(zhǎng)度達(dá)到 100mm 時(shí)，軸向信號(hào)單個(gè)峰值強(qiáng)度為 0.0343T 。信號(hào)峰值降低的原因在于曲線形式的變化。

圖9為不同缺陷深度的漏磁場(chǎng)軸向分量信號(hào)與徑向分量信號(hào)的分布情況。波峰間的距離為缺陷長(zhǎng)度。由圖9可知：徑向分量在缺陷中心處為0，而在缺陷中心兩側(cè)取得最大值和最小值。徑向分量信號(hào)的曲線峰值隨著缺陷深度的增加而逐漸增大，當(dāng)缺陷深度為 0.10δ （ ）時(shí)，徑向信號(hào)峰值強(qiáng)度為 0.0087T ；當(dāng)缺陷深度達(dá)到壁厚的 80% （ 14.72mm ）時(shí)，徑向信號(hào)峰值強(qiáng)度為 0.0716T 信號(hào)增強(qiáng)到8.2倍。軸向信號(hào)則是以缺陷中心為基準(zhǔn)呈現(xiàn)鏡像對(duì)稱，隨著缺陷深度的增加，曲線峰值隨著缺陷深度的增加而增大，當(dāng)缺陷深度是0.108（ 1.84mm ）時(shí)軸向信號(hào)峰值強(qiáng)度為 0.0176T ，當(dāng)深度達(dá)到0.808（ 14.72mm ）時(shí)軸向信號(hào)單個(gè)峰值強(qiáng)度為 0.0734T ，信號(hào)增強(qiáng)到4.1倍。

4基于擴(kuò)散模型的數(shù)據(jù)生成方法

4.1擴(kuò)散模型

4.1. 1 模型原理

擴(kuò)散模型是一種基于概率生成模型的深度學(xué)習(xí)方法，近年來(lái)在圖像生成、語(yǔ)音合成、文本生成等領(lǐng)域取得了顯著的成果。其核心思想是通過(guò)模擬物理擴(kuò)散過(guò)程，逐步向數(shù)據(jù)中添加噪聲，然后學(xué)習(xí)逆向過(guò)程，從噪聲中逐步恢復(fù)原始數(shù)據(jù)[16-17]。圖10為擴(kuò)散算法原理。

由圖10可知：增強(qiáng)噪聲階段指的是逐步向原始數(shù)據(jù)中添加噪聲，直到數(shù)據(jù)呈現(xiàn)高斯分布；去除噪聲階段也稱為采樣階段，指的是采樣一個(gè)高斯噪聲之后，通過(guò)不斷去除其噪聲的方式，最終得到和原始數(shù)據(jù)分布一致的新數(shù)據(jù)；對(duì)于增強(qiáng)噪聲的過(guò)程，步數(shù)和強(qiáng)度事先確定，全過(guò)程已知；對(duì)于去除噪聲的過(guò)程，需要用神經(jīng)網(wǎng)絡(luò)來(lái)擬合[18]，并通過(guò)訓(xùn)練確定網(wǎng)絡(luò)的最優(yōu)參數(shù)。

4.1.2模型訓(xùn)練與采樣

增強(qiáng)噪聲的過(guò)程沒(méi)有參數(shù)需要訓(xùn)練，去除噪聲的過(guò)程需要訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)擬合每個(gè)步驟應(yīng)該去除的噪聲[19]。由于噪聲的尺寸和原始數(shù)據(jù)的尺寸相同，所以輸入輸出尺寸相同的U-Net（U型卷積網(wǎng)絡(luò)）是較為合適的網(wǎng)絡(luò)。圖11為網(wǎng)絡(luò)訓(xùn)練階段。從圖11可以看出：網(wǎng)絡(luò)的輸入是原始數(shù)據(jù) x₀ 疊加噪聲 z （噪聲比例為 ）后的數(shù)據(jù) x_z 和時(shí)刻 Φ_t ；期望其預(yù)測(cè)時(shí)刻 χ_t 增強(qiáng)的噪聲 z ；損失函數(shù) ））是預(yù)測(cè)的噪聲和實(shí)際增強(qiáng)的噪聲 z 的差異。通過(guò)對(duì)損失函數(shù)應(yīng)用梯度下降算法，使模型性能不斷優(yōu)化最終使U-Net參數(shù)達(dá)到最優(yōu)[20]，即網(wǎng)絡(luò)能夠預(yù)測(cè)任意時(shí)刻增強(qiáng)的噪聲。

圖12為采樣階段。該階段利用訓(xùn)練好的U-Net依次預(yù)測(cè)從1＼～T每個(gè)時(shí)刻的噪聲，采樣一個(gè)高斯噪聲之后，再迭代減去預(yù)測(cè)的噪聲就能生成新的數(shù)據(jù)，并且新數(shù)據(jù)滿足原始數(shù)據(jù)的分布。

為了控制生成數(shù)據(jù)的類別，在訓(xùn)練階段，需要將訓(xùn)練數(shù)據(jù)的類別信息編碼輸入網(wǎng)絡(luò)；在采樣階段，額外輸入類別信息就能生成指定類別的數(shù)據(jù)。

4.1.3數(shù)據(jù)生成流程

圖13為基于擴(kuò)散模型的漏磁數(shù)據(jù)生成方法。輸入數(shù)據(jù)可為有限元仿真數(shù)據(jù)和真實(shí)牽拉數(shù)據(jù)，由于2類數(shù)據(jù)的長(zhǎng)度比通道維度更密集，所以需對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理，從而得到每個(gè)缺陷樣本都是方陣的樣本。擴(kuò)散生成數(shù)據(jù)主要為在原始數(shù)據(jù)的基礎(chǔ)上增加噪聲獲得的高斯噪聲，通過(guò)不斷去除其噪聲的方式最終得到和原始數(shù)據(jù)分布一致的新數(shù)據(jù)。最終通過(guò)可視化評(píng)價(jià)和質(zhì)量評(píng)價(jià)驗(yàn)證此方法的可行性。

4.2數(shù)據(jù)預(yù)處理

在仿真和牽拉試驗(yàn)中，對(duì)于一個(gè)裂紋缺陷的漏磁數(shù)據(jù)，因?yàn)樵谌毕蓍L(zhǎng)度方向采集的數(shù)據(jù)比通道維度更密集[21-22，所以采集得到的數(shù)據(jù)矩陣行數(shù)與列數(shù)差別較大。為了使采集到的數(shù)據(jù)行數(shù)和列的長(zhǎng)度一致，采用二維線性插值的方式對(duì)數(shù)據(jù)尺寸進(jìn)行改變，最終使每個(gè)缺陷數(shù)據(jù)樣本都是方陣。

4.2.1歸一化處理

考慮到激活函數(shù)需要在（-1，1）的范圍內(nèi)具有合理的梯度，為了使數(shù)據(jù)樣本在這個(gè)范圍內(nèi)，需要分別對(duì)每個(gè)數(shù)據(jù)樣本進(jìn)行歸一化處理，保證網(wǎng)絡(luò)訓(xùn)練過(guò)程中不會(huì)因梯度消失或者梯度爆炸而導(dǎo)致訓(xùn)練失敗。

式中： x 是原始數(shù)據(jù)； x₀ 是可以直接輸入網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。

4.2.2 后處理

生成的數(shù)據(jù)都在（-1，1）范圍內(nèi)，需要再經(jīng)過(guò)后處理才能接近真實(shí)的漏磁場(chǎng)。這是由網(wǎng)絡(luò)內(nèi)非線性激活函數(shù)決定的，即擬合的是數(shù)據(jù)的變化趨勢(shì)。

式中： x₀^′ 是網(wǎng)絡(luò)輸出的數(shù)據(jù)； 是反歸一化結(jié)果。

4.3數(shù)據(jù)的生成與評(píng)價(jià)

4.3.1數(shù)據(jù)可視化評(píng)價(jià)

使用CLIP模型（對(duì)比語(yǔ)言圖像預(yù)訓(xùn)練模型）對(duì)圖像和文本數(shù)據(jù)進(jìn)行前向傳播，從模型的特定層提取出圖像和文本的特征向量。使用降維技術(shù)，如主成分分析、t分布隨機(jī)鄰域嵌入或統(tǒng)一流形近似與投影，將高維特征向量降維到二維或三維，并通過(guò)散點(diǎn)圖、熱圖或其他可視化手段來(lái)展示圖像和文本特征在空間中的分布。對(duì)于圖像特征，可以將每個(gè)圖像的特征向量表示為一個(gè)點(diǎn)，并根據(jù)其位置在圖中進(jìn)行布局。通過(guò)觀察可視化結(jié)果，可以初步了解圖像和文本特征在CLIP模型中的分布情況。

對(duì)每個(gè)通道的模擬和生成數(shù)據(jù)進(jìn)行可視化處理，以比較不同方向分量的漏磁分布趨勢(shì)。這種比較的目的是評(píng)估模擬數(shù)據(jù)和生成數(shù)據(jù)之間的一致性。圖14為模擬數(shù)據(jù)與生成數(shù)據(jù)可視化對(duì)比。由圖14可知，對(duì)于相同的管道裂紋缺陷類別，生成數(shù)據(jù)的泄漏通量趨勢(shì)與模擬數(shù)據(jù)中觀察到的趨勢(shì)一致。

對(duì)CLIP模型提取的特征向量進(jìn)行可視化處理，生成數(shù)據(jù)和仿真數(shù)據(jù)的特征分布相似，如圖15a所示。相對(duì)誤差計(jì)算結(jié)果表明，生成數(shù)據(jù)的特征值與仿真數(shù)據(jù)的特征值接近，如圖15b所示。

將牽拉試驗(yàn)數(shù)據(jù)和生成數(shù)據(jù)可視化為灰度圖像，以評(píng)估生成數(shù)據(jù)是否表現(xiàn)出與自然數(shù)據(jù)相似的特征。隨機(jī)選取4個(gè)不同尺寸的裂紋缺陷數(shù)據(jù)進(jìn)行可視化，其結(jié)果如表3所示。對(duì)于相同的管道裂紋缺陷類別，生成的數(shù)據(jù)具有與試驗(yàn)數(shù)據(jù)類似的特征。

4.3.2 數(shù)據(jù)可視化評(píng)價(jià)

使用KNN（K最近鄰）算法進(jìn)行數(shù)據(jù)質(zhì)量評(píng)價(jià)，將待評(píng)價(jià)的數(shù)據(jù)樣本作為測(cè)試集，同時(shí)準(zhǔn)備一個(gè)已知質(zhì)量的數(shù)據(jù)集作為訓(xùn)練集。選擇能夠反映數(shù)據(jù)質(zhì)量的特征（數(shù)值型數(shù)據(jù)的均值、標(biāo)準(zhǔn)差，或分類數(shù)據(jù)的類別分布等）構(gòu)建特征空間。使用KNN算法計(jì)算測(cè)試集中每個(gè)樣本與訓(xùn)練集中所有樣本之間的距離，并選擇適當(dāng)?shù)腒值（即考慮最近鄰的個(gè)數(shù)）。通過(guò)比較測(cè)試樣本與其近鄰的相似性來(lái)評(píng)估測(cè)試樣本的質(zhì)量。如果測(cè)試樣本與其近鄰在關(guān)鍵屬性上高度一致，則認(rèn)為該樣本的質(zhì)量較高；反之，則可能存在質(zhì)量問(wèn)題。

表3生成數(shù)據(jù)的可視化

圖16為KNN計(jì)算結(jié)果。由圖16可知，在生成的38個(gè)管道裂紋缺陷y方向數(shù)據(jù)樣本中，KNN算法分析確定了25個(gè)樣本可能來(lái)源于真實(shí)數(shù)據(jù)，概率超過(guò)閾值。

基于KNN算法中應(yīng)用的概率論，可以推斷65.8% 的生成數(shù)據(jù)很可能來(lái)源于真實(shí)的數(shù)據(jù)分布。在生成的53個(gè) z 方向周向裂紋缺陷樣本中，40個(gè)樣本被評(píng)估為可能來(lái)自真實(shí)數(shù)據(jù)，概率超過(guò)閾值。這意味著 75.4% 的生成數(shù)據(jù)可以被認(rèn)為從真實(shí)數(shù)據(jù)分布中采樣得到。KNN計(jì)算結(jié)果表明，生成數(shù)據(jù)的特征分布與真實(shí)數(shù)據(jù)的特征分布具有較高的相似性。

5結(jié)論

（1）隨著缺陷深度逐漸增大，軸向分量的峰值逐漸增加；隨著缺陷長(zhǎng)度增大，軸向分量信號(hào)出現(xiàn)2個(gè)波峰且谷間距逐漸增大。軸向分量峰值與缺陷深度正相關(guān)，波谷間距與缺陷長(zhǎng)度正相關(guān)。磁感應(yīng)徑向分量信號(hào)分布形式與軸向不同，呈現(xiàn)反對(duì)稱分布，其信號(hào)峰值絕對(duì)值與缺陷深度正相關(guān)，正負(fù)峰值間距與缺陷長(zhǎng)度正相關(guān)。

（2）基于有限元仿真軟件建立了含裂紋缺陷的三維漏磁仿真模型，仿真結(jié)果表明，隨著缺陷長(zhǎng)度、深度變化的磁場(chǎng)規(guī)律與現(xiàn)場(chǎng)牽拉試驗(yàn)數(shù)據(jù)趨勢(shì)相同，且裂紋缺陷仿真結(jié)果與牽拉試驗(yàn)數(shù)據(jù)的平均誤差在 5% 以內(nèi)，證明了三維漏磁仿真模型的準(zhǔn)確性，并建立了樣本量為240組的裂紋缺陷漏磁場(chǎng)仿真數(shù)據(jù)庫(kù)。

（3）基于擴(kuò)散模型構(gòu)建了生成漏磁場(chǎng)數(shù)據(jù)的方法，其中類別信息用于控制特定裂紋缺陷類型的數(shù)據(jù)生成，采用仿真數(shù)據(jù)訓(xùn)練擴(kuò)散模型，其質(zhì)量評(píng)估結(jié)果表明，生成數(shù)據(jù)與仿真數(shù)據(jù)具有相同的分布，證實(shí)了該方法的可行性。

（4）針對(duì)實(shí)際管道噪聲干擾問(wèn)題，通過(guò)全尺寸牽拉試驗(yàn)獲取含環(huán)境噪聲的真實(shí)漏磁數(shù)據(jù)，并以此優(yōu)化生成模型。經(jīng)混合數(shù)據(jù)訓(xùn)練后，生成數(shù)據(jù)中 75.4% 的樣本通過(guò)KNN檢驗(yàn)（ K=5 ），且生成數(shù)據(jù)的特征分布與真實(shí)數(shù)據(jù)的特征分布具有較高的相似性，證明該方法在復(fù)雜工況下的工程適用性。

參考文獻(xiàn)

[1]莫麗，雍浩，李長(zhǎng)俊，等．油氣管道組合缺陷漏磁檢測(cè)信號(hào)數(shù)值模擬研究［J]．中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2024，20（1）：5-10.MOL，YONGH，LICJ，etal.Numerical simula-tion study on magnetic flux leakage testing signals of com-bined defects in oil and gas pipelines [J]. Journal ofSafety Science and Technology， 2024， 20（1）：5-10.

[2]ZHANGL，BIAN Y，ZHOUL， et al.Experimentalclassification of pipeline magnetic leakage defects basedonmixed attention mechanism [J].Experimental Tech-nologyand Management，2024，41（1）：100-107.

[3]李睿．油氣管道內(nèi)檢測(cè)技術(shù)與數(shù)據(jù)分析方法發(fā)展現(xiàn)狀及展望[J].油氣儲(chǔ)運(yùn)，2024，43（3）：241-256.LIR. Current progress and prospects of in-line inspec-tiontechniquesand data analysis methods foroil and gaspipelines[J].Oil amp; Gas Storage and Transportation，2024，43（3）：241-256.

[4］高亞婷，吳楠，遲國(guó)安，等．管道缺陷漏磁場(chǎng)影響因素仿真分析與研究[J]．電氣防爆，2024（2）：38-43.GAO YT，WUN，CHI GA，et al. Simulation analy-sis and research on influencing factors of pipeline defectmagnetic leakage field [J]． Electric Explosion Protec-tion，2024（2）：38-43.

［5］王宏安，陳國(guó)明．基于深度學(xué)習(xí)的漏磁檢測(cè)缺陷識(shí)別方法［J]．石油機(jī)械，2020，48（5）：127-132.WANGHA，CHENGM.Magnetic flux leakage defectdetection based on deep learning [J]．China PetroleumMachinery，2020，48（5）：127-132.

[6］張佳偉．基于卷積神經(jīng)網(wǎng)絡(luò)的管道缺陷漏磁數(shù)據(jù)識(shí)別方法研究[D]．沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2023.ZHANG JW.Research on the method of magnetic fluxleakage data identification for pipeline defects based onconvolutional neural networks[D].Shenyang：ShenyangUniversity of Technology，2023.

[7］趙東升，楊理踐，耿浩，等．一種面向管道缺陷檢測(cè)的漏磁數(shù)據(jù)增強(qiáng)方法［J]．儀表技術(shù)與傳感器，2023（12）：111-116.ZHAO D S， YANG L J，GENG H，et al. MFL data aug-mentation method for pipeline defect detection[J].Instrument Technique and Sensor， 2023（12）：111-116.

[8］焦華超，孫文磊，王宏偉．基于WLT-ACGAN的軸承故障數(shù)據(jù)生成方法［J/OL]．中國(guó)機(jī)械工程，2024：1-10（2024-09-12）[2024-10-12]．http：//kns.cnki.net/kcms/detail/42.1294. TH.20240912.1439.025.html.JIAO HC，SUNWL，WANGHW.Bearing faultdata generation method based on WLT-ACGAN [J/OL].China Mechanical Engineering， 2024：1-10 （2024-09-12）[2024-10-12].http：//kns.cnki.net/kcms/detail/42. 1294. TH.20240912.1439.025. html.

[9］曹寅，秦俊平，馬千里，等．文本生成圖像研究綜述[J]．浙江大學(xué)學(xué)報(bào)（工學(xué)版），2024，58（2）：219-238.CAO Y，QIN JP， MAQL，et al. Survey of text-to-imagesynthesis[J].Journal of Zhejiang University（Engineering Science），2024，58（2）：219-238.

［10］高欣宇，杜方，宋麗娟．基于擴(kuò)散模型的文本圖像生成對(duì)比研究綜述［J]．計(jì)算機(jī)工程與應(yīng)用，2024，60 （24）：44-64.GAO XY，DUF，SONGL J.Comparative review of text-to-image generation techniques based on diffusion models[J].Computer Engineering and Applications，2O24，60（24）： 44-64.

[11］燕冰川，富寬，張海亮，等．環(huán)焊縫裂紋型缺陷漏磁內(nèi)檢測(cè)牽拉試驗(yàn)研空「]油氣田地面工程2023，42（4）：69-75.YANBC，F(xiàn)UK，ZHANGHL，etal.Experimentalstudy on pulling test for magnetic flux leakage internaldetection of girth weld crack defects [J]. Oil-Gas FieldSurface Engineering，2023，42（4）：69-75.

［12］賈海東，黃忠勝．螺旋焊縫裂紋型缺陷高清漏磁內(nèi)檢測(cè)器牽拉研究［J]．管道技術(shù)與設(shè)備，2018（2）：26-28.JIA HD，HUANG Z S.Pull T est research of high-resolution MFL detector for crack defects in spiral welds[J].Pipeline Technique and Equipment，2018（2）：26-28.

[13]NICOLICEA A，OLIVEROS-MATA E S， ZABILA Y，et al.Flexible anisotropic magnetoresistive sensors fornovel magnetic flux leakage testing capabilities[J].NDT and EInternational，2024，146：146.

[14]LI Y Q，SUN C. Research on magnetic flux leakagetesting of pipelinesby finite element simulation com-bined with artificial neural network [J]. InternationalJournal of Pressure Vessels and Piping， 2024， 212，Part A： 105338.

[15］趙翰學(xué)，張咪，郭巖寶，等．基于機(jī)器學(xué)習(xí)的管道金屬損失缺陷識(shí)別方法［J]．石油機(jī)械，2020，48（12）：138-145.ZHAO HX，ZHANG M，GUO YB，et al.Recogni-tion method of pipeline metal loss defects based onmachine learning [J]. China Petroleum Machinery，2020，48（12）：138-145.

[16］吳其亮，王興，苗子書(shū)，等．基于特征條件擴(kuò)散模型的雷達(dá)回波外推算法［J]．科學(xué)技術(shù)與工程，2024，24（22）：9498-9509.WU Q L，WANG X， MIAO Z S， et al. Extrapola-tion algorithms for radar echoes based on characteristicconditional diffusion models[J]．. Science Technologyand Engineering，2024，24（22）：9498-9509.

[17］馬迪，杜曉林，陳小龍，等．基于多頭自注意力擴(kuò)散模型的雷達(dá)圖像海雜波抑制［J/OL]．電波科學(xué)學(xué)報(bào)，2025：1-9（2024-09-18）[2024-10-15].http：//kns.cnki. net/kcms/detail/41.1185.TN.20240914.1035.001.html.MA D，DUX L，CHEN XL，et al. Sea clutter sup-pression for radar images based on multi-head self-attention diffusion model [J/OL].Chinese Journal ofRadio Science，2025：1-9（2024-09-18）[2024-10-15].htp：//kns.cnki.net/kcms/detail/41.1185.TN.20240914.1035.001.html.

[18]譚超，譚繼偉，沈艷軍，等．VMD與時(shí)間-空間分?jǐn)?shù)階擴(kuò)散模型聯(lián)合分段TEM濾波［J]．重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2025，37（2）：204-214.TAN C，TANJW，SHENYJ，et al.SegmentedTEM filtering combined with VMD and time-space frac-tional-order diffusion model [J].Journal of ChongqingUniversity of Posts and Telecommunications（NaturalScienceEdition），2025，37（2）：204-214.

[19］神祥凱，劉金海．基于異構(gòu)擴(kuò)散模型的輸油管道缺陷及組件檢測(cè)方法研究［J]．控制與決策，2025，40 （3）：937-945.SHEN X K，LIU JH. Research on defect and compo-nent detection method of oil pipeline basedon heteroge-neous diffusion model ［J]．Control and Decision，2025，40（3）：937-945.

[20]黃浩，蒲亦非．基于分?jǐn)?shù)階全變分和擴(kuò)散模型的圖像去模糊方法［J］．四川大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，61（5）：41-51.HUANGH，PUYF.Imagedeblurringbased on frac-tional-order total variation and diffusion models [J].Journal of Sichuan University（Natural Science Edi-tion），2024，61（5）：41-51.

[21］李振北，常連庚，張學(xué)鵬，等． β1016mm 管道超高清漏磁復(fù)合檢測(cè)器研制［J]．石油機(jī)械，2023，51（7）：138-145.LI Z B，CHANG L G，ZHANG X P，et al. Develop-ment of ultra-high definition magnetic flux leakage composite pipeline detector for 1 O16 mm pipelines [J].China Petroleum Machinery，2023，51（7）：138-145.

[22］張雪偉，陳金忠，康小偉，等．油氣管道劃痕非飽和漏磁檢測(cè)與識(shí)別[J]．石油機(jī)械，2022，50（3）：132-138.ZHANG X W，CHENJZ，KANG XW，et al.Unsaturated magnetic flux leakage detection and identifi-cation of scratches in oil and gas pipelines [J].ChinaPetroleumMachinery，2022，50（3）：132-138.

作者簡(jiǎn)介：陳溪銘，生于2004年，中國(guó)石油大學(xué)（北京）油氣儲(chǔ)運(yùn)工程專業(yè)本科在讀。地址：（102249）北京市昌平區(qū)。email：1223525146@qq.com。通信作者：劉嘯奔，副教授。email：xiaobenliu@cup.edu.cn。

收稿日期：2024-12-03 修改稿收到日期：2025-02-15（本文編輯劉海森）