基于改进BP神经网络算法的管道缺陷漏磁信号识别

　　管道运输是石油、天然气运输采用的主要方式.由于输送管线穿越地域广阔、服役环境复杂和位置隐蔽,管道一旦发生事故,不仅会造成巨大的经济损失,而且对社会和环境也会产生严重的后果,其直接、间接经济损失巨大,所以必须定期对管道进行检测.漏磁法是目前国家863高科技项目“海底管道爬行器及其检测技术”中采用的主要技术,但是如何实现缺陷的定量识别,依然是一个研究的难点问题.人工神经网络在模式识别、函数逼近等方面已经得到了良好的应用,而目前实际应用中的绝大部分神经网络模型是采用BP网络和它的变化形式[1].本文在已设计漏磁检测装置的基础上,提出了应用改进的BP神经网络对管道缺陷进行识别,并应用实验室数据进行验证.

　　1　管道漏磁检测原理及电路设计

　　管道漏磁检测是采用一个外加磁场对管道进行磁化,如果管壁没有缺陷,则磁力线闭合于管壁之内;反之,磁力线将穿出管壁而产生漏磁.漏磁场被检测装置的传感器检测到后,经滤波、放大处理,记录到检测装置的存储器中.再经对数据的分析和处理,从而得出缺陷的类型及尺寸参数[2～5].

　　目前,常用的漏磁器件有霍尔元件、磁敏管、磁敏电阻和检测线圈等,表1为几种磁敏器件的性能对比.从表中的对照看,虽然磁敏管的灵敏度很高,但线性度太差;磁敏电阻温度特性很差且有局部非线性;检测线圈的灵敏度、温度特性和线性度都可以,但线圈是测量磁感应的,只能测量变化的磁场.当磁场变化缓慢时,线圈很难测到,而且线圈和磁场之间运动的相对速度变化也会影响测量值的大小.综合各方面参数,霍尔元件是相对稳定的器件,它是根据霍尔效应制成的.其中,

　　式中:Eh为霍尔电动势;I为施加电流;b为霍尔元件厚度;n、e与霍尔元件本身材料有关;B为磁感应强度.令霍尔元件灵敏度Kh=(neb)-1,由式(1)得

　　可以看出,当施加恒定电流,且霍尔元件已经确定时,忽略温度等因素的影响,B和Eh成线性关系.图1是设计的一个采集通道数为40的漏磁在线数据处理电路图,它可分为供电、测量电路、采集电路、工控机电路等几部分.

　　通过对样本缺陷(如矩形腐蚀坑缺陷等)进行大量数据分析实验后,大致可以得出用漏磁信号的峰-峰值pp来判别缺陷的深度,漏磁信号的峰-峰间距p-p来判别缺陷的长度等经验数据,但要定量地分析缺陷的尺寸必须应用神经网络来进行非线性逼近.漏磁信号的波形特征量一般定义如下[6,7]:

　　(1)信号波形的pp,通常它是衡量缺陷深度的一个重要指标.

　　(2)信号波形的p-p.

　　(3)信号周向宽度W.由于本漏磁检测装置的磁场是采用轴向磁化,对于缺陷的宽度不是很敏感,所以其主要根据管道周向传感器的排列的霍尔传感器的个数和间距来确定,图2是根据管道缺陷信号进行宽度确定的示意图.该管道检测专职所能检测到的周向最小缺陷检测宽度lc=2πr/N.其中:r为管道半径;N为霍尔传感器的片数.