1.1漏磁检测原理及装置
漏磁检测法是近年来广泛应用于输油输气管道检测的有效方法,原理如图1所示。如果被测管壁没有缺陷,磁力线闭合;如果有缺陷,磁力线将穿出管壁而产生漏磁场[2]。磁敏传感器将漏磁场的大小转化为电压数据输出,输出波形的幅度同缺陷的深度、波形的峰峰水平间距同缺陷宽度均是近似的线 性关系。因此,由漏磁信号波形可以反演出缺陷的形状[3]。
![1.jpg](http://www.21ic.com/d/file/201105/815553cd1884e14a588106f6cf934bbb.jpg)
1.2InSb温度特性
漏磁检测传感器组选用了InSb霍尔元件作为敏感元件。霍尔元件与其他常用的磁敏传感器相比体积小、功耗小、耐震动、不怕油污、水汽等的污染或腐蚀,灵敏度高。但是该检测装置工作于温度、压力较高,且经常变化的环境下,霍尔传感器的输出电压误差较大。图2是不同材料构成的霍尔传感器输出电压与温度变化的关系曲线[1]。InSb非线性严重。
![2.jpg](http://www.21ic.com/d/file/201105/13d0cd7ff0549b02b343507f84febc4b.jpg)
多传感器信息融合是20世纪70年代兴起的一个新学科,已广泛应用于目标识别、状态估计、威胁估计等领域。该技术将来自多个传感器的数据进行多级别、多方面、多层次的处理,从而产生新的有意义的信息,这种信息是任何单一传感器无法获得的[4]。
2.1补偿模型
该文尝试将多传感器信息融合应用于误差补偿中。在检测装置的漏磁传感器部件中加入一个温度传感器,实时记录工作环境的温度。国内输油输气管道管径普遍较小,设备已排列7圈,共70个漏磁传感器,空间紧张。而且,部件密封,内部环境温度变化缓慢,因此只加入一个温度传感器。将轴向分布的10排(每排7个)漏磁传感器分别和温度传感器的输出进行融合,得到管道各个部分缺陷的特征参数和反演图形,其模型见图3所示。信息融合策略采用RBF神经网络,其融合来自8个传感器的数据。
![3.jpg](http://www.21ic.com/d/file/201105/2c71a46e8f7819049d0ff9afd874c20c.jpg)
RBF网络是一种典型的局部逼近神经网络,它不像全局逼近神经网络那样,对每个输入输出数据对、每一个权值均需要调整,而是调整对输出有影响的少量几个权值,从而使局部逼近网络在逼近能力和学习速度方面有明显的优势[5]。
该RBF网络结构为8-20-1形式。输入层8个节点只是传递输入信号到隐层,隐层20个单元通过径向基函数实现变换后输出到输出层。输出层节点只是简单的线性函数。最常用的径向基函数是高斯核函数(Gaussian kernel function),如式(1)所示。
![4.jpg](http://www.21ic.com/d/file/201105/9f437774499be327cee7f51dadc3c454.jpg)
网络的输出yi为隐层节点输出uj的线性组合,如式(2)所示。
![5.jpg](http://www.21ic.com/d/file/201105/e9ab9281d84579826b736a28b51d1035.jpg)
由式(1)可知,该网络要学习的参数有3类:RBF的中心、宽度和连接权重。可以分别训练,也可同时进行。在隐节点数确定的情况下,采用遗传算法同时训练中心Tj、宽度σj以及隐层与输出层的连接权重Wij。
遗传算法是模拟生物进化过程的计算模型。它对包含可能解的群体反复使用选择、交叉和变异操作,不断生成新的群体,使种群不断进化。当输入节点较多时,该算法比传统BP算法的全局最优性更佳,速度更快[6]。算法的适应度函数见式(3)。
![6.jpg](http://www.21ic.com/d/file/201105/07d1b3d5011d2183509e64ce2457df88.jpg)
![3.jpg](http://www.21ic.com/d/file/201105/65e87c673e93a5aa88ba617a20478149.jpg)
择概率S(j)见式(4)。其中,fj表示个体j的适应度。S为群体规模。文中采用单点交叉,将两个基因串对应交叉位的值相结合生成新的基因串。
重复选择交叉和变异操作,直到网络达到精度要求。 3实验
用简化的海底管道检测装置(漏磁检测部件中仅安装一排7个漏磁传感器和一个温度传感器),在实验室条件下,取10个温度点(-10~80℃,每10℃一个点),分别对一个半剖管道进行检测。该管道和实际海底管道具有相同材质和管径(195 mm),并按美国无损检测标准要求,用电火花加工的方法,在其内表面加工了多处不同尺寸、形状和类型的缺陷。在每个温度点处,每个漏磁传感器取55个数据,组成55组数据,取44组作为训练样本数据,11组作为测试数据,用上述神经网络方法进行训练和测试,实现温度误差的融合补偿。由于是多维输入,训练速度较慢。在网络误差设为0.001的情况下,用高斯函数训练,一般需要经过2 300步左右网络才可以满足要求。用遗传算法训练,只需要1 700步。
![4.jpg](http://www.21ic.com/d/file/201105/9924444773b62bc5aec4c3b90ba6ca51.jpg)
![6.jpg](http://www.21ic.com/d/file/201105/98cb6716716a28ec5329d312882ebd5f.jpg)
![5.jpg](http://www.21ic.com/d/file/201105/7fb1bfb59447260875941f9e052dd471.jpg)
该文将数据融合理论和神经网络方法应用到漏磁传感器误差补偿中,大大提高了漏磁检测传感器的稳定性和准确性。对多个漏磁传感器和温度传感器检测数据融合后,输出值的温度敏感系数降低了两个数量级,为整个检测系统在高温环境下测得高准确度的结果提供了保障。当 输入节点多时,用遗传算法比用高斯函数训练网络速度快。