缺陷漏磁信号（精选四篇）
缺陷漏磁信号 篇1
如何对裂纹的疲劳寿命进行分析,即确定管道在使用寿命中出现的裂纹,漏磁裂纹检测法是比较常用、有效的手段之一,而管道漏磁检测的关键环节,就是要做好漏磁信号特征与油管道裂纹特征参量之间的相应关系,建立在相应的漏磁信号反应的静磁场现象与裂纹特征之间的数学模型,从而对裂纹缺陷进行定量的分析,为建立输油管道裂纹疲劳寿命评估提供参考依据。而系统中对漏磁检测信号的分析和处理算法的选择,则显得尤为关键,笔者给出一种基于支持向量机(SVM)融合算法的漏磁缺陷检测信号的分析处理方法[3,4]。
1 基于支持向量机的融合算法
1.1 算法概述
支持向量机是建立在统计学习理论的VC维(Vapnik-Chervonenkis Dimension)理论和结构风险最小化(Structural Risk Minimization,SRM)原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。支持向量机方法的几个主要优点为[3,4]:
a. 它是专门针对有限样本情况的,其目标是得到现有信息下的最优解;
b. 算法最终将转化成为一个二次型寻优问题,从理论上说,得到的将是全局最优解,解决了在神经网络方法中无法避免的局部极值问题;
c. 算法将实际问题通过非线性变换转换到高维的特征空间,在高维空间中构造线性判别函数来实现原空间中的非线性判别函数,同时巧妙地解决了维数灾难问题,其算法复杂度与样本维数无关。
目前SVM算法在模式识别、回归估计和概率密度函数估计等方面都有应用。例如,在模式识别方面,对于语音识别、振动信号识别、图像分析及超声波信号分析等问题上,SVM算法在精度上已经超过传统的学习算法或与之不相上下。
1.2 算法原理[5,6]
假设有n个分类器,指通过归一化后的漏磁检测信号的峰峰值、峰值、波谷值3种分类器。若已经取得k个决策样本值以及实际的决策值:
{(z1,y1),(z2,y2),…(zk,yk)}
其中zi=[zi1,zi2,zi3,…,zin]T表示对于第i个输入样本,这n个分类器做出的决策矢量yi是对应第i个输入样本的标签。要求能根据这组样本值,找到一个适当的融合函数f(z),使得对于确定的损失函数L具有最小的期望风险。
融合原理为:
a. 将多种分类器的决策z通过非线性映射ϕ:z=ϕ(z)映射到一个高维空间Ω中去;
b. 在高维空间Ω中进行线性回归。
综合上述两个过程,得到融合决策为:
f(z)=w·ϕ(z)+b
其中·为向量内积运算。
若采用线性不敏感损失函数ξ,则上式的回归问题转化为最小化问题:
undefined
约束条件为:
yi-f(zi)≤ξundefined+ε (i=1,2,…,k)
f(zi)-yi≤ξundefined+ε (i=1,2,…,k)
ξundefined,ξundefined≥0 (i=1,2,…,k)
最小化问题是个凸的二次优化问题,定义相应的拉格朗日子函数:
undefined
其中αundefined,βundefined≥0(j=1,2;i=1,2,…,k)。由于函数L的极值点应满足L对w,b,ξ1,ξ2的偏导数都为零,且对偶定理可得到其对偶型,令K(x,xi)为空间Ω中的内积运算,极大化下列函数:
undefined
约束条件为:
undefined;i=1,2,…,k)
通过求解优化问题,可求得参数w,αundefined,b。从而融合函数可表示为:
undefined
多分类器匹配层融合过程如图1所示,其中wi=αundefined-αundefined,N为支持向量的数目[5]。
1.3 算法流程
下面设计采用支持向量机对多分类器进行融合识别,其算法流程[5,6]为:
a. 归一化。将峰峰值、波峰值和波谷值特征值的匹配值分别进行归一化处理,归一化函数选择Z-score函数undefined,得到3种信号特征的归一化匹配值。
b. 建立训练集与测试集。由于在SVM融合中,需要进行训练,将3种信号特征的匹配结果与真实性建立对应关系,组成训练匹配值组与训练决策值组,用于SVM的输入训练。
c. 选择核函数。在SVM训练中,需要选择投影的核,笔者分别选取了三次多项式、二次多项式以及径向基核函数进行训练,得到特征向量数。
d. 识别。利用SVM训练的特征向量,输入测试样本进行识别。
2 实验及效果分析
笔者利用本学院研制的MFL-4032漏磁/磁记忆检测装置进行实验,MFL-4032漏磁/磁记忆检测仪是新一代电磁无损检测设备,该设备集金属磁记忆检测技术、漏磁检测技术以及微电子技术于一体,仪器采用目前国内最先进的微机技术、DSP技术和SMT工艺制造技术,实现了性能稳定可靠及高信噪比,能够实时有效地检测金属材料缺陷,是一款工程实用性能强大且具备数字化、多功能及便携式等优势的先进电磁检测设备等。笔者利用一条预制裂纹管段进行漏磁检测实验,根据文献[7,8]论及的实验方案来设计实验,提取采集信号的400个峰峰值、波峰值及波谷值组成数据库,以供在下面的分析中使用。
2.1 基于SVM融合算法实验进行特征归一化
采用Z-score函数对3种漏磁检测信号特征值进行归一化,得到归一化的漏磁检测信号峰峰值、波峰值与波谷值的匹配值。
漏磁检测信号峰峰值归一化部分数据如下:
漏磁检测信号波峰值归一化部分数据如下:
漏磁检测信号波谷值归一化部分数据如下:
2.2 基于SVM融合算法的信号特征训练识别
将获得的归一化匹配值分为两组,一组作为训练集,另一组作为测试集。将400组匹配值中的200组作为训练集,200组作为测试集,将200组训练集中的初始决策集以1和-1表示,真实信号为1,伪信号为-1。分别选择二次多项式、三次多项式和径向基函数为核函数进行训练,融合训练识别过程如图2所示。
利用不同核函数进行支持向量机融合算法训练后,得到多信号特征识别结果,见表1。
从图2与表1的分析中可以得出,使用峰峰值与波峰值两者融合识别时,识别最优为最高识别率94.5%,拒识率5%,误识率0.5%;使用峰峰值与波谷值两者融合识别时,识别最优为最高识别率99%,拒识率1%,误识率0%;使用波峰值与波谷值两者融合识别时,识别最优为最高识别率91.5%,拒识率3.5%,误识率5%。使用峰峰值、波峰值与波谷值3个信号特征值进行融合识别时,最高识别率99%,拒识率0.5%,误识率0.5%。
从几者的综合比较来看,最优的识别出现在峰峰值与波谷值的融合识别过程中,而最劣的识别出现在波峰值与波谷值融合识别过程中。这是由于信号的峰峰值与波谷值为两个完全不同的互不关联的漏磁检测信号特征值,其独立性较强。而波峰值与波谷值由于在信号提取过程中,其提取的意义上具有相互关联性,其独立性不明显,而造成在融合识别过程中误差的重叠。而在峰峰值、波峰值与波谷值3个信号特征量融合识别过程中,消除相互关联的信号特征值之间的误差重叠,提高了识别率,但是由于特征向量的增多,识别运算的时间也相应增加[5],使运算的难度加大。
2.3 识别结果分析
将未经过特征值融合的单特征识别和使用SVM融合算法的多特征识别的实验结果放在一起作比较,其对比结果见表2。
从表2可知,利用基于支持向量机的融合算法的多信号特征融合的识别结果可以取得比单信号特征更好的识别结果,可以更有利地对缺陷进行识别和分析。
3 结束语
为了能够明显地看出多信号特征融合的效果,笔者在单信号特征匹配方法中,并没有进行最高匹配精度的选择,而是选择了普通精度的匹配值,并增加了融合样本匹配值的数量。通过融合发现,利用SVM融合算法大大提高了识别的精度,最低识别率提高至90.0%以上,最高识别率提高到99.0%,识别率有明显提高,说明多种信号特征融合后确实可以增加识别率;通过文中论析可知,基于支持向量机融合算法可以获得比单信号特征识别更好的结果,虽然具体识别率与多种因素有关,但其融合算法的结果已可以很好达到应用的程度,弥补了单信号特征值识别的不足,能更有效地对管道裂纹缺陷漏磁信号进行分析和辨识。
摘要：在研究分析支持向量机(SVM)的基础上,探讨分析了基于支持向量机的融合算法,利用建立的算法流程,以漏磁检测信号峰峰值、波峰值和波谷值3个特征量为研究对象,根据具体实验得到的特征数据库,进行了多分类器、多特征量匹配融合分析。研究证明,该算法能有效地对管道裂纹缺陷漏磁信号进行分析和辨识,具有一定的实用价值。
关键词：管道检测,漏磁检测,支持向量机,融合算法,特征识别
参考文献
[1]程光旭.压力容器低周疲劳寿命的损伤力学理论研究[J].西安交通大学学报,1994,28(8):59～64.
[2]宋志强,李著信,张镇.基于连续小波变换的输油管道裂纹缺陷漏磁检测研究[J].化工自动化及仪表,2010,37(7):35～39.
[3]Cristianini N著,李国正,王猛,曾华军译.支持向量机导论[M].北京:电子工业出版社,2004.
[4]夏玉宝,何辅云,葛飞.基于多传感器数据融合的漏磁信号采集与处理[J].电子技术应用,2008,34(2):116～118.
[5]王森华.基于小波分析的多生物特征身份鉴别技术研究[D].重庆:后勤工程学院,2009.
[6]刘松,应自炉.基于SVM信息融合方法的人脸表情识别[J].五邑大学学报(自然科学版),2005,(4):27～32.
[7]蒋奇,隋青美,高瑞.管道缺陷漏磁场和缺陷尺寸的关系[J].物理测试,2004,(6):11～13.
提升小波在漏磁信号处理中的应用 篇2
漏磁检测是利用磁现象来检测铁磁材料工件表面及近表面缺陷的一种无损检测方法, 主要根据测量的漏磁信号评估缺陷特征。在漏磁无损检测研究中, 漏磁信号为非平稳信号, 同时由于现场环境的干扰、试件表面光洁度影响和电子噪声的影响, 漏磁检测信号中存在着大量噪声干扰, 如果不经过去噪处理就会影响的评估结果。因此, 必须对漏磁信号进行预处理。
小波降噪技术利用小波分解或小波包分解的方法, 获得被测信号在不同频带上的时域分量, 通过阈值处理剔除噪声成分, 将得到的有用信息进行重构以获得降噪后的有用信号, 在信号处理领域取得了较好的效果。但传统的小波变换在频率域进行, 其小波结构依赖于傅立叶变换, 有大量的卷积运算, 运算速度较慢, 硬件实现复杂, 内存占用大, 不能很好地满足实时在线降噪处理的要求。1996年, Sweldens等人针对第一代小波的局限性, 提出了一种不依赖傅立叶变换的新的小波构造算法—提升算法 (liftingscheme) [1,2], 被称为第二代小波变换。第二代小波变换是一种基于提升原理的时域变换方法, 继承了经典小波的多分辨特性, 运算速度快、占用存储空间小、适合于自适应、非线性、非奇异采样和整数到整数的变换, 可以完全重构[3], 已经证明, 具有有限长度滤波器的经典小波, 可以通过代数变换, 用第二代小波方式实现, 在同样数据长度下, 采用第二代小波方法的变换速度至少提高1倍以上[4]。
本文研究了提升小波的原理及改进方案, 并将该方法应用于漏磁信号的降噪处理, 取得了满意的效果。
1提升小波原理
提升小波在1996年由Swenldens提出后, 在信号处理领域得到了广泛的应用。“提升”算法的基本思想是, 将现有的小波滤波器分解成基本的构造模块, 分步骤完成小波变换。基于提升算法的小波变换被称为第二代小波变换。它使我们能够用一种简单的方法去解释小波的基本理论, 而第一代小波变换都可以找到等效的提升方案。提升方案把小波变换分为以下3个阶段:分解 (Split) 、预测 (Predict) 和更新 (Update) 。提升算法的分解与重构, 如图1所示。
(1) 分裂:将原始信号xn分裂为2个互不相交的子集, 通常的做法是将一个数列分为偶数序列xe和奇数序列xo, 即
(2) 预测:用预测算子P产生小波系数d[n], 即为用xe[n]去预测xo[n]产生的误差, 其表达式为
(3) 更新:通过算子U产生一个更好的子数据集c[n], 使之保持原有数据集xe[n]的一些特性。更新过程的表达式为
重构公式和分解公式基本相同, 区别仅在于把计算次序颠倒, 同时把公式内正号变为负号, 负号变为正号。图1为提升小波分解与重构的示意图。
从上述可以知道, 提升方法可以实现原位运算, 即该算法不需要除了前级提升步骤输出之外的数据, 这样在每个点都可以实现新的数据流替换旧的数据流。当重复使用原位提升滤波器组时, 就获得了交织的小波变换系数, 尺度系数c (n) , 小波系数d (n) 。
2 漏磁信号去噪实验
为验证本文所提出的方法的在去除漏磁信号中的噪声的有效性, 进行了实验。在一方钢上制作矩形人工缺陷, 应用漏磁检测装置对人工缺陷进行等间隔采样, 获取取含3 000个点的原始漏磁信号数据。
基于提升小波变换的信号去噪方法可分成3步:首先对信号进行提升小波变换, 每一次变换将信号分解为新的近似尺度系数c (n) 和小波系数d (n) ;然后对变换后的小波系数进行阈值收缩;最后对收缩后的小波系数和尺度系数进行合成。
Donoho和Johnstone提出两种小波域值法即硬域值和软域值法解决此问题。软、硬阈值消噪法虽然在实际中得到了广泛应用, 也取得了较好的效果, 但这2种方法本身都有一些潜在的缺点。利用软阈值消噪信号比较光滑, 但有着较大的信号失真, 而利用硬阈值消噪效果并不理想, 对于时变信号消噪效果是有限的。
结合软、硬阈值消噪法的特点, 采用软硬阈值折衷法[5], 具体公式如下所示
式中0<α<1, 当α取0和1时, 上式即成为硬阈值和软阈值估计。这种方法思路简单, 实现方便, 但能改进软、硬阈值消噪的缺点, 获得更好的消噪效果。采用该文的提升小波变换方法和经典db2小波的方法, 对漏磁信号进行5次小波分解, 并对细节信号采用阈值进行处理。降噪效果如图2所示。从图2可以看出两种方法都实现了信号的去噪, Daubchies2小波的方法去噪后的信号非常平滑, 但同时一些有用信号也被去掉了。采用该文方法小波处理后的降噪后信号不但去除了噪声, 而且保留了原始信号的有效特征, 为进一步对信号进行分析打下基础。
3 结束语
将提升小波方法应用漏磁信号消噪当中, 并采用了软硬阈值折衷法的阈值处理办法。实验表明, 以该文的信号降噪处理方法不仅较好地剔除信号中的噪声, 而且保留了原始信号中的有效成分, 尤其信号局部特征的处理, 更具有显著的优点。
参考文献
[1] Sweldens W.The lifting scheme:a construction of second generationwavelets.SIAMJ Math Anal, 1997;9 (2) :511—546
[2] Sweldens W.The lifting scheme:a new philosophy in biorthogonalwavelet constructions.Proceedings of SPIE:Wavelet Applications inSignal and Image ProcessingⅢ.1995;2569:68—79
[3] Cheng Xiejie, Li Zhangda.Overvier on wavelet image de-noising.Journal of Image and Graphics.2002;7 (3) :1—6
[4]吴渝, 刘伯红, 李刚, 等.基于提升方案的自适应小波变换.计算机应用研究, 2002;6:18—19.
缺陷漏磁信号 篇3
关键词：直流漏磁检测,内螺纹,缺陷识别
对管道内螺纹检测方法，现目前国内应用较多的是涡流检测、交变漏磁场检测等，对涡流检测技术由于检测信号易受磁导率、电导率、工件的几何形状、探头与工件的位置及提离效应等因素的影响, 使得信号分析存在一定难度，且检测频率较高 (1k Hz左右) , 检测外部缺陷非常困难，而交变漏磁场检测技术由于交流磁场产生的集肤效应和涡流，只能检测工件表面或近表层裂纹等缺陷。因而针对疲劳载荷下管道内螺纹缺陷检测的直流漏磁比对检测技术，正好克服了两者不足。
一、管状内螺纹检测的必要性
螺纹连接是压力管道或容器薄弱环节，特别是受疲劳载荷或存在腐蚀条件的螺纹连接，容易在螺纹表面产生裂纹等缺陷。如某厂的锻压系统中一个与压缩机通过小径管相连的空气蓄势器，该蓄势器是整体旋压容器，无焊缝，如图1所示，端口与小径管通过螺纹连接。在容器运行过程中，压缩机通过小径管不断向其中充气，直到压力达到30MPa，端口内螺纹公称直径为30mm。在此过程中，端口螺纹受到疲劳载荷作用，在螺纹的牙底处因应力集中，易引发疲劳裂纹，作为检验的重点。
由于疲劳断裂是一种潜在的突发性断裂，在疲劳断裂前均不会产生塑性变形及有变形预兆，当裂纹扩展到临界尺寸ac时，材料突然发生断裂。因此，及时地检测出螺纹表面存在的裂纹等缺陷对设备安全运行具有重要意义。
二、漏磁检测的原理
漏磁检测技术是铁磁性材料工件无损探伤的首选方法。其基本原理是利用磁源对被测工件进行局部磁化时，如果材料表面存在裂纹或坑蚀等缺陷，则局部区域的磁导率降低，磁阻增加，磁化场将有一部分从此区域外泄出来，从而形成可检测的漏磁信号。而漏磁缺陷检测技术就是通过磁敏元件将此漏磁场信号转化成电信号在二次仪表中显示。
三、漏磁检测在螺纹检测中的难点及检测的可能性
由上述漏磁检测原理可知，只要工件表面存在裂纹或坑蚀等缺陷，在磁化工件时，磁场就会外泄从而形成检测点。但螺纹由于其结构的特殊性，在磁化工件时，螺纹沟槽相当于裂纹，同样会外泄出漏磁场信号，干扰缺陷信号的检出。
从空间的角度讲，磁场是三维场。研究表明[1]，漏磁场场强垂直分量Hy峰-峰（Hy具有正峰和负峰）随裂纹深度增加呈直线性增加。
根据螺纹受力的特点，螺纹牙底是应力集中处，因此螺纹失效的宏观表现形式首先是在牙根处出现裂纹，进而产生断裂失效。而在螺纹牙根处裂纹的深度较沟槽大，产生的Hy1峰-峰值较无缺陷沟槽产生的Hy2峰-峰值大，即存在ΔHy=Hy1-Hy2（均为矢量），通过对ΔHy峰-峰检测，从而确定缺陷的存在。
资料显示[1]，磁场范围一般为缺陷的2～5倍，即裂纹处产生的漏磁场大部分在螺纹沟槽内，与螺纹沟槽产生的漏磁场形成叠加，磁敏元件能够较完整的采集到缺陷处漏磁场信号。
但是在缺陷处产生的漏磁场磁场强度范围变化较大，从103～10-9mT[1]，因此在缺陷处产生的ΔHy峰-峰值较小，甚至达到10-9mT以下，且在磁敏传感器检测过程中还会受到地磁、外界电磁等干扰，因此就需要有高灵敏度的磁敏传感器尽可能多收集到缺陷的信息，通过信号处理系统对收集到的信息进行一系列的处理，从而在二次仪表上显示出图2所示的信号指示。
四、探测装置的设计
漏磁检测技术的整个过程如图3表示：
1、磁化检测工件
管状内螺纹在疲劳载荷作用下产生环向裂纹的可能性较大，选取直流恒定电流磁化法，沿钢管表面轴向局部磁化，磁场强弱可通过电流大小控制，此种方法可以检测出表层下深达几个毫米的缺陷。
2、磁敏传感器的选择
图3漏磁检测过程框图
根据前面分析可知，需要选取探测灵敏度高的磁敏传感器，一般霍尔器件不完全能够满足检测要求。目前利用磁阻传感器已研制出JLY-1B智能微裂纹检测仪能够检出10-14～10-8T的磁场，而另一种磁通门检测器除了能够满足检测敏度外，还可根据需要做成笔尖状，以便贴近螺纹沟槽底部表面运动，提高检测灵敏度。
3、信号的处理
信号处理就是将磁敏传感器获得的漏磁信号经过一系列的处理转化成电信号通过二次以表显示出来，信号处理过程如图4所示。
五、工件的探测
资料显示[2]，管道螺纹连接处受到轴向载荷作用，螺纹各牙受力很不均匀，啮合螺纹两端的数牙受力最大，中部螺纹受力却很小，在啮合螺纹两端产生缺陷的可能性最大。研究表明[1]，随着测量提离高度（探头与探测表面间距）的增加，裂纹Hy值随之变小。
因此，在探测缺陷时，为了提高检测灵敏度，将工件局部磁化，达到饱和磁场，探头（磁敏传感器）做成针状，同时将探头从啮合螺纹中部开始沿螺纹沟槽底部向螺纹两端沿螺旋线运动。在此过程中，工件的励磁装置与探头运动应保持同步，针形探头贴近螺纹沟槽表面，探头运行的速度应缓慢且速度均匀，当探头在啮合螺纹中部运动探测过程中会接受到螺纹沟槽产生的漏磁场强度B参，以此作为缺陷信号参考值，在探头螺旋前进过程中如果遇到缺陷就会产生如图2所示的缺陷信号分布图，探头的布置如图5。
六、结论
1、本文所提出的管道内螺纹漏磁探测方法是通过查取相关资料得出的理论可行性设计，对管螺纹探测技术的实际应用有一定的启发作用；
2、本文所提到的探测方法是从螺纹中部开始探测，利用探头在螺纹沟槽中螺旋前进过程中接受到的无缺陷漏磁场和有缺陷漏磁场比对的方法实现对缺陷检出；
3、本文所提到的探测系统是根据现在最新信号处理、磁阻传感器、人工智能系统的理论研究成果而设计的。
参考文献
[1]徐章遂, 徐英, 王建斌等.裂纹漏磁定量检测原理与应用.北京:国防工业出版社.2005.9;
缺陷漏磁信号 篇4
管道漏磁检测的理论依据是铁磁性材料在外磁场感应作用下被磁化, 在其缺陷及部件处形成漏磁场, 从空间角度讲是个三维场。在实际检测过程中检测漏磁场信号采集部分由多个传感器组成, 可得出关于缺陷与管道部件漏磁场识别的更全面的评价[1]。而漏磁检测信号的有效分割及其基于分割的目标表达、特征提取和参数测量等将原始信号转化为更抽象更紧凑的形式, 是管道缺陷及部件的自动识别、定量检测以及可视化的基础。
基于区域生长规则图像分割技术[2]的基本思想是将具有相似性质的像素集合起来构成区域。首先对每个需要分割的区域找出一个种子像素作为生长的起点.然后将种子像素周围邻域中与种子有相同或相似性质的像素 (根据事先确定的生长或相似准则来确定) 合并到种子像素所在的区域中。而新的像素继续做种子向四周生长。直到再没有满足条件的像素可以包括进来, 一个区域就生长而成了。
在实际应用区域生长法时需要解决三个问题:
(1) 选择或确定一组能正确代表所需区域的种子像素 (选取种子) ;
(2) 确定在生长过程中能将相邻像素包括进来的准则 (确定门限) ;
(3) 确定让生长过程停止的条件或规则 (停止条件) 。
本文根据漏磁检测信号的特点, 将传感器输出的漏磁信号电压值视为图像的灰度值, 采用基于区域灰度差生长准则提取研究对象。
1基于区域生长规则的漏磁检测信号分割方法
1.1管道漏磁检测信号特征分析
利用磁化结构对被测管道进行磁化, 在磁化结构与被测管道之间形成磁场回路。管道漏磁检测过程中实际传感器测得的磁通量密度可分为两部分:缺陷或管道部件产生的漏磁场和磁化结构在空气中形成的耦合场。管道壁厚无变化时, 即当被测管道内无缺陷或部件时, 漏磁场与空气耦合磁场恰好达到平衡, 磁力线从管道壁穿过并且在管壁内均匀分布, 在理想状态下, 漏磁通密度为零, 但实际上磁铁中穿出的磁力线不可能完全从管壁中穿过, 磁铁通过空气耦合也会形成磁场, 所以此时传感器测得的漏磁信号不一定为零, 但其值是固定不变的因此对被测信号应该首先进行初始化。
一个上峰值, 径向分量有一上一下两个峰值。在研究算法时我们首先研究获得只具有上峰的轴向漏磁信号的分割算法, 对于径向漏磁信号, 应用该算法可以分别获得的上峰和下峰, 然后根据管道缺陷和部件漏磁场的特点进行组合。
1.2算法描述
1.2.1轴向漏磁信号的分割[3,4]
首先研究霍尔元件获取的漏磁感应信号是管道部件或缺陷轴向漏磁场的情况, 这时的检测电压信号只有上峰, 如图1, 算法描述如下。
① 根据传感器的精确度和管道部件尺寸的经验值选取步长, 沿轴向按预定步长逐步截取一定范围Ω, xij0∈Ω, Ωj为j路传感器输出数据的集。
② 初始值化:在管道内漏磁检测过程中传感器的输出电压有一个初始值。所以可以根据观察和统计给每路测量值一个初始值, 将测量噪声屏蔽掉, 或分别取各路传感器电压的平均值作为初始值, 以屏蔽每路传感器的系统误差。将该范围内的所有点初始化:
③ 查找大于0的点, 如果大于0的点占该研究范围所含采样点的比例大于给阈值T则进行区域生长, 否则跳过此范围。
④ 区域生长:以该范围的没有归属区域的点的一个极大值为一个区域的初始种子, 向周围搜索, 如果相邻的点大于0, 则作为新种子, 再分别以新的种子进行搜索, 直到区域不能扩张。
⑤ 如果所研究的范围内没有归属区域的大于0的点超过预定比例T, 认为本研究范围还有需要识别的对象, 回到④, 否则⑥。
⑥ 区域合并:两个相邻区域的具有部分边界相接, 且相接点大于0, 则合并。
⑦ 将所获得区域作为新的研究范围Ω, 如果多于一个极大值, 回到②, 进行二次分割。
这样逐步细分, 可以最大限度地将多个邻近缺陷以及缺陷与部件较近的情况分割开来, 为后续的精确识别打下良好基础。
1.2.1 径向漏磁信号的分割
对于径向漏磁场, 电压信号同时具有上峰和下峰 (如图2) , 可以采用同样的方法分别分割出上峰和下峰, 只要分割下峰时在初始化处进行修改, 即:
管道部件产生的漏磁场与缺陷漏磁场不同[5], 当检测方向相同时, 焊缝、法兰、补板、支管等部件的漏磁场引起的电压信号波动幅值先出现下峰后是上峰, 且中心对称。而缺陷漏磁场引起的电压信号波动幅值时为出现上峰后出现下峰, 二者规律恰好相反。环焊缝与法兰在结构上环绕管道一周, 故其产生的漏磁场也沿管道分布一周, 因而各传感器均能测得其漏磁信号, 且在理论上各传感器所测得信号应完全相同, 但实际检测过程中由于不同传感器在灵敏度上存在一定偏差, 故各通道传感器所测得的数据在数值上略有浮动 (如图3) 。
基于以上分析, 相邻区域为上峰和下峰且宽度相近时可进行组合:
(1) 组合的次序为先下峰后上峰可给出初步判定参考值为补板、支管等部件;
(2) 组合的次序为先上峰后下峰可给出初步判定参考值为缺陷;
(3) 组合的次序为先下峰后上峰且同时具有环绕管道一周的特点可给出初步判定参考值为焊缝、法兰等部件。
注意组合区域时要将上峰和下峰之间的部分通过插值补充完整。接下来可以用管道漏磁检测的识别方法进行进一步的判定识别。
2 应用举例
以Φ159 mm无缝钢管为例, 利用管道内漏磁检测仪进行检测, 检测仪周向有32路传感器, 实验时检测仪的牵引速度为0.5 m/s。输出邻接的补板和支管的检测结果如图2所示。
首先对图2中的上峰部分进行分割:根据对模板库的考察和经验数据, 取电压值2.8处为初始值设为0, 对检测数据进行初始化;沿轴向以200为步长截图。其中在400—200之间, 大于0的点有211个, 可作为考察对象, 取得极大值位3.185 5作为种子, 当相邻的点的电压值大于0时, 作为新的种子, 继续向四周生长, 可获得一个上峰, 轴向范围在280—235, 占据通道为5个, 包含的点集用u1表示;在200—0之间, 大于0的点有471个, 可作为考察对象, 取得极大值位3.6836作为种子, 当相邻的点的电压值大于0时, 作为新的种子, 继续向四周生长, 可获得一个上峰, 轴向范围在150—120, 占据通道8个, 包含的点集用u2表示。
同样对图中的下峰部分进行分割:取电压值2.4处为初始值设为0;在400—200之间可获得两个下峰, 分别为轴向范围在375—325, 占据通道5个, 包含的点集用d1表示和轴向范围210—200, 占据通道5个, 包含的点集用d2表示;在200—0之间可获得一个下峰, 轴向范围在200—180, 占据通道8个, 由于这个与d2具有部分边界相接, 且相接点大于0, 则合并, 包含的点集用d2表示。
相邻的上下峰有d1_u1、u1_d2和d2_u2, 且宽度相近, 可以组合。根据正峰和负峰的排序可以给出初步判定参考值:d1_u1、d2_u2可能为补板、支管等部件, u1_d2可能为缺陷。
3 结论
本文采用图像分割技术中的区域生长规则对多传感器所采集的管道漏磁信号进行分割, 可以利用各传感器信息的互补关系, 将多个传感器的信息进行综合处理, 从而提高信息的利用率。当仪器精度更高, 采样点更多时, 更能发挥图像分割技术的优势, 提高信号分割的准确度。同时可以采用并行处理等计算机技术, 提高算法的运行效率。
摘要：通过对多传感器所采集的管道部件和缺陷的漏磁信号的特征分析, 提出了采用图像分割技术中的区域生长规则分割多传感器漏磁检测信号的算法, 为漏磁检测信号的分析与识别奠定了基础。
关键词：漏磁检测,漏磁场,区域生长规则,信号分割
参考文献
[1]杨涛.基于多传感器融合的油管无损检测与缺陷量化技术研究.天津:天津大学博士论文, 2004
[2]陈方昕.基于区域生长法的图像分割技术.科技信息, 2008; (15) :58—59
[3]Shareef N, Wang D L.Segmentation of medical image using LE-GION.IEEE Transaction on Medical Imaging, 1999;18 (1) :73—89
[4]屈彬, 王景熙, 郑昌琼, 等.一种基于区域生长规则的快速边缘跟踪算法.四川大学学报 (工程科学版) , 2002;34. (2) :100—103