漏磁检测定量分析中的信号处理技术

李再国 张友明

(大庆油田测试技术服务分公司 黑龙江大庆)

漏磁检测定量分析中的信号处理技术

李再国 张友明

(大庆油田测试技术服务分公司 黑龙江大庆)

漏磁检测和涡流检测是油田套管、油管状况检测的两种主要电磁无损检测方法,其中漏磁检测与评价的最终难点是检测信号的定量解释。文章主要介绍了漏磁检测定量分析中的常用信号处理方法,包括信号数字滤波,信号特征量提取,缺陷模式的反演等相关技术。

套管;油管状况检测;数字滤波;信号分析;模式反演;神经网络;时域-频域

0 引 言

漏磁检测和涡流检测是油田套管、油管状况检测[1]的两种主要电磁无损检测方法。漏磁检测以其速度快、穿透力强、不受油水介质影响,对管道内部缺陷、应力集中具有较高灵敏度,且具有成本低和操作简单等优点,被广泛应用于油田套管、油管等铁磁性管道的检测。在漏磁检测中,磁力线走向的不定性,磁传感器很强的空间敏感性,以及检测过程中测量间隙变化,均使得检测信号的重复性和稳定性较差。从磁场分布特征来看,不同几何形状的缺陷可能产生相似的磁场分布图形,因而,从磁场分布图形反演几何尺寸时,反演结果并非唯一,存在着不定性。以上这些因素对检测信号的定量解释造成了极大的障碍,因此漏磁检测与评价的最终难点是检测信号的定量解释。涡流检测以电磁感应理论为基础,当导体位于交变磁场中时将感应涡流,涡流也会产生一个反磁场来改变原磁场的强弱,进而导致检测线圈电压和阻抗的改变,涡流检测就是通过测量线圈阻抗的变化或扰动磁场(缺陷引起的空间磁场的变化)的分布来判断缺陷大小的。导体中各种电磁性能变化及缺陷尺寸都将影响涡流的分布,使得各种缺陷的信号特征难以识别。

对漏磁检测来说,采集到漏磁信号后,必须对其作适当的分析处理以获取管道缺陷或者应力集中状况。信号特征分析是检测信号分析处理的关键过程之一,它通过提取信号的特征量,继而推导出特征量与缺陷几何参数、应力集中状况的关系。在检测时,可按照“采样-数据预处理-特征量提取-状态识别”的步骤进行。本文主要从信号数字滤波、信号特征量提取、缺陷模式的反演等几方面分析和介绍了漏磁检测定量分析中的主要方法。

1 检测信号的数字滤波

考虑到应用现场实际情况,检测仪器采集到信号之后,应首先对其进行平滑处理,目的是剔除数据中可能出现的短促脉冲噪声信号。数字滤波可以灵活方便改变滤波器的带宽,实现硬件无法做到的功能。主要采用下面几种方法:

1)滑动中值平滑器滤波:实现形式为 y(m)=Median[x(m),x(m-1),x(m-2)]

其中 y(m)为平滑器的输出,x(m)是输入信号序列,Median为中值函数。这样处理后的数据采样周期是初始信号采样周期的三倍,有效剔除了外来尖脉冲信号的影响,同时减少了计算数据量。

另外,根据有效信号和噪声信号的频谱分析,还可构造低通、高通、带通滤波器来去噪;漏磁信号是典型的低频信号,常可构造一阶或者二阶的低通滤波器,使之满足精度要求。

2 信号特征的提取

经滤波处理后的信号可用来进行定量分析和判断缺陷或者应力集中。而为这种分析和判断提供资料的操作为特征量提取。通常应选择明确而易于识别的特征量来对缺陷或者应力集中进行判断。下面是一些可能用于分析识别的特征量及提取算法。

1)小波分析方法[2]:小波除噪的原理是把带有噪声的测量信号进行小波分解,根据信号与噪声在小波变换下的不同特点把两者分离开;把属于噪声的小波系数置为零,剩余部分进行小波重构得到有用信号。传统除噪技术大多基于傅里叶分析,只能利用信号和噪声在频域内的差别进行信噪分离。小波方法能够同时利用信号与噪声在时域和频域内的差别,更加有效地实现信噪分离,从而获得较为理想的除噪效果。

实际上,对信号进行小波变换相当于使信号同时通过高通和低通滤波器,再将各频带内信息重构就可得到原始信号从低频到高频的各个频带内随时间变化的情况。

2)时域-频域分析方法[3]:短时傅里叶(STFT)变换、Wigner分布是主要的时频-频域分析方法,它能以三维阵图的直观方式来表示信号的时频特性,便于有效地提取信号特征量。

3)信号峰-峰值 PP0:信号峰-峰值计算法又称极差法,该算法以信号的峰-峰值作为特征量,信号峰峰值如图1所示,排除了信号基线的影响,缺陷检出的可靠性有所提高,因为峰-峰值是检测信号的主要分布特征。计算峰-峰值时,首先寻找信号中的极大值和极小值,然后求得相邻的一对极值之差的绝对值(极差),最后对差值作二值化处理即可。运算分为两步,即首先寻得信号的极值并计算极差,然后对信号的极差作非线性变换。

PP0= c{max[x(m)]- min[x(m)]},m = 0,....N

式中,max[x(m)],min [x(m)]为—对相邻极值, N为极值间的数据点数,c为二值化函数,即与规定的门限作比较处理,这种算法也较为简单。

4)短时能量[2]

图1 信号峰峰值

短时能量通常指大约一个波动内或一个捻距内的能量,它相当于信号的短时二阶原点矩,反映了在一定空间内漏磁的能量,其物理意义较为明确。漏磁能量增大表明此时传感器可能正处于被测的缺陷附近。其算法为

其中x(m)对应 m时刻输入信号序列,N为分析帧长度。

5)短时波动能量[2]

短时波动能量通常指大约一个波动内或一个捻距内信号的短时二阶中心矩,反映在一定空间内漏磁波动部分的能量或信号的离散程度,它的增大表示信号有较大波动,提示可能存在缺陷。由于扣除了信号的均值,对于信号的波动更为敏感。其算法为

其中min[x(m)]对应 m时刻输入信号序列最小值,N为分析帧长度。

6)自适应门限法

在许多算法中,都要涉及到判断门限值或阈值,它们的确定均以信号统计特征为基础,选择适当与否对检测结果的正确率影响极大。通常要根据实际情况作适当的调整方能得到满意的结果。在实际检测中,漏磁信号属随机信号,而且严格来说不具有平稳性,加上剩磁和传感器运动方向变化的影响,信号的背景电平是在不断地波动的,使用单一阈值的判别算法可能会因此出现误检和漏检。为适应检测过程中信号统计特征的变化,可以考虑自适应门限调整技术,使系统能在一定范围内自动追随信号电平的变化,以减少人工对检测的干预。

3 信号反演

漏磁和涡流无损检测中缺陷(应力集中)或裂缝的位置大小和形状的识别本质上属于电磁场逆问题[4]。电磁场逆问题的求解方法有两大类,一类是用数值方法反复求解电磁场微积分方程,另一类是模式识别方法。

在定量分析方面,目前主要基于缺陷信号特征量并借助各种非线性方法来求解。其中常用的有非线性分类器和神经网络方法。非线性分类器分离函数的形式为:

其中 C为特征向量c1,c2,...cn,函数 fi(C)=fi (c1,c2,...cn)是直接由特征向量C给出的函数,它们组成一个函数系。

最近十几年发展起来的人工神经网络方法[5]是一种唯象的处理逆问题的方法。神经网络可以通过学习大量的实际范例来分类和识别目标,其学习过程实际上就是一种逆问题的优化求解过程。人工神经网络的知识获取是通过样本(缺陷信号特征量与缺陷大小)训练自动获取,然后分散存储在网络的结构中。在模式识别计算中,它支持并行方式运行,可有效地应用于缺陷检测系统的快速识别。试验中,选择了多组缺陷进行离线测试,将提取的信号特征值进行归一化整理,形成样本向量,经过特征值压缩得到训练网络的参数。目前,前向多层神经网络已开始应用于漏磁、涡流检测的电导率、磁导率分布重建及缺陷识别中。

支持向量机方法[6]是根据有限的样本信息,在模型的复杂性和学习能力两方面寻求最佳折衷,以期望获得最好的泛化能力。与传统的神经网络相比,支持向量机方法可转化为一个二次最优问题。从理论上说,得到的将是全局最优点,解决了神经网络方法中无法避免的局部极值问题,支持向量机拓扑结构由支持向量机决定,免去了神经网络拓扑结构需要经验试凑的麻烦,支持向量机也能以任意精度逼近任意函数,这有助于漏磁检测缺陷(应力集中)的精确分析。

4 算法选择与编程策略

漏磁检测应用中多采用定性与定量两种分析算法,前者较为简单、区分能力较弱,但响应速度快,实时性好;后者有较强的识别能力,但运算通常较为复杂,响应速度较慢,实时性相对较差。算法的确定取决于仪器的总体设计,应根据实际需求来选择算法。

漏磁检测定性分析时使用绝对峰值、峰-峰值识别等简单算法即可,对有定量分析要求的场合则可综合使用一种或若干种算法。在定量分析系统的分析程序中为提高效率,常使用定性算法对信号作初步判断,然后再进行较为复杂的定量分析。编程时可采用前后台方式,将较为简单且有实时要求的数据采集和定性算法放在后台,每完成一次信号采样,在将数据送入缓冲区的同时对信号作初步判断,一旦发现异常,除可根据需要发出警报外,还将初步分析的结果传给工作于前台的定量分析程序,指导前台的程序进行较为复杂的定量分析。

5 结 论

漏磁检测和涡流检测是油田套管、油管状况检测的两种主要的电磁无损检测方法,漏磁检测与评价的最终难点是检测信号的定量解释,其解决程度是该方法推广应用成功与否的关键。本文主要给出了漏磁检测中定量分析的主要信号处理方法,包括信号数字滤波,信号特征量提取,缺陷模式的反演等相关技术,可为检测仪器的设计与信号分析处理提供指导性原则。

[1] 陈 民,王长生,李志军,大庆油田套损井测井技术及其应用[J].国外测井技术.2005,20(5)

[2] 宋大雷,徐殿国,王 卫,等.小波分析在钢丝绳无损检测中的应用[J].仪器仪表学报.1997,18(4)

[3] 蒋 奇,王太勇.钢管漏磁检测信号的时频分析[J].机电设备.2002,(5)

[4] 柳春图,陈卫江.缺陷识别反问题的研究状况与若干进展[J].力学进展.1998,28(3)

[5] 金建华,康宜华.人工神经网络在电磁无损检测中的应用[J].无损检测.2003,25(12)

[6] 朱凌云,曹长修.基于支持向量机的缺陷识别方法[J].重庆大学学报.2002,25(6)

TE28

B

1004-9134(2010)03-0076-03

李再国,男,1968生,工程师,1992年毕业于大庆石油学院矿场地球物理专业。现在大庆油田测试技术服务公司测试十大队从事测井仪器应用与维修方面工作。邮编:163453

2009-10-24 编辑:高红霞)

·仪器设备·