基于贝叶斯优化的BiLSTM小管径弯管漏磁缺陷识别

作者简介:

作者简介：齐卜弘（2000—）,女,硕士研究生,研究方向为特种设备健康监测及智能诊断

目前,小管径管道应用广泛,管道长时间服役后会出现腐蚀、老化等问题,进而引发管道运输事故,带来经济损失和环境污染[1]。小管径管道检测常采用漏磁检测技术,但小管径弯管处的磁导率分布不均匀,磁场强度相对于直管而言更难达到饱和,其产生的漏磁场分布复杂且易发生信号畸变。为了提高数据分析的准确率,减少不必要的工作量,有必要对数据进行优化处理[2]。

长短期记忆网络（Long short-term memory,LSTM）能弥补一般循环神经网络（Recurrent neural network,RNN）模型中的爆炸及消失等不足[3]。杜小磊等[4]将深层小波卷积自编码分析与LSTM相结合进行运用；赵志宏等[5]提出了一种基于BiLSTM（双向长短期记忆网络）的故障诊断方法；CABRERA等[6]将贝叶斯方法与LSTM模型相结合,提出了一种针对压缩机的故障检测方法。上述方法主要用于检测长输油气直管,而对小管径弯管漏磁缺陷识别的研究相对较少,因此,需要建立适用于弯管漏磁检测的缺陷识别模型。

文章建立了一种适应弯管漏磁场特点的贝叶斯优化BiLSTM识别模型,采用贝叶斯优化算法来确定BiLSTM的超参数调优,对BiLSTM网络的初始学习率和隐藏单元数进行优化。试验结果表明,该模型可对不同类型缺陷进行仿真模拟,提取漏磁信号特征量,提升了小管径弯管漏磁缺陷识别的精度和效率。

1. 小管径弯管漏磁信号缺陷识别方法

1.1 小管径弯管不饱和漏磁场及信号畸变

在进行漏磁检测时,提离值的大小直接决定了缺陷数据的可靠性[7]。检测直管时,提离值不发生相对变化,产生均匀饱和磁场；然而,弯管曲率的存在会导致检测处提离值发生变化,局部磁场可能因为磁路长度的增加或方向的改变而减弱,小管径管道的磁通量密度分布云图如图1所示。

分别提取直管和弯管处的磁感应强度,对比如图2所示。不饱和漏磁场使缺陷产生的额外磁通不能全部被闭合回路吸收,漏磁信号会发生不同程度的畸变且相对较弱,磁感应强度达不到最高值,信号特征可能变得模糊不清。

1.2 贝叶斯优化的BiLSTM

管道漏磁内检测生成的漏磁信号通常是时间序列数据,BiLSTM能够在序列的前后方向上捕获长期依赖关系。BiLSTM是对LSTM的改进,二者的输入是相同的,只是信息传递的方向不同,BiLSTM的结构示意如图3所示。

贝叶斯优化是一种有效的全局优化算法,其在优化的过程中,使用了贝叶斯定理,即

式中：f为未知目标函数；x1为已观测的集合；p（f）为f的先验概率分布；p（f|x1）为目标函数的后验概率分布。

2. 小管径弯管漏磁缺陷仿真分析

2.1 小管径弯管漏磁检测仿真模型

利用Maxwell仿真软件进行三维有限元仿真建模,其中,弯管尺寸为ϕ114 mm×8 mm（壁厚）,材料为Q235钢,采用浮块式的磁化单元结构,永磁铁采用钕铁硼磁铁N48,衔铁和钢刷材料为DT4,其有限元模型如图4所示。

2.2 不同类型缺陷漏磁仿真信号

构建弯管漏磁不同类型缺陷数据集,缺陷类型为一般金属损失、坑状金属损失、轴向凹槽、轴向凹沟和周向凹槽,编号为1#~5#,每种缺陷的尺寸均匀变化并组合模拟,同时曲率半径分别取2D,3D,4D和5D（D为管道直径）。仿真缺陷数据集的具体参数如表1所示。以一般金属损失为例,不同尺寸的一般金属损失缺陷的漏磁仿真信号如图5,6所示。选取上述每组缺陷仿真信号中的一组进行分析,结果如图7所示。

2.3 信号特征量的选择和提取

选择并提取了10个包含三轴漏磁信号的多模态特征值,包括漏磁信号波形的峰间距、峰峰值、半高宽、峰面积和波形能量等,其具体信息如表2所示。其波形曲线特征量定义示意如图8所示。波形能量是一定空间内漏磁信号波动部分的能量或信号的离散程度,其计算公式为

式中：a为所选波形起始点；b为波形结束点；f(x)为漏磁信号函数式。

3. 试验验证及分析

3.1 模型建立

根据上述方法提取数据集的特征量,得到模拟缺陷特征样本库,将所有样本按比率（训练集∶数据集为7∶3）进行分配,以此作为机器学习算法的输入,且每次训练输入样本的顺序随机。

将数据代入BiLSTM神经网络,隐藏层数初始设置为4,初始学习率预设为0.01,迭代次数设置为800,缺陷的编号作为输出进行训练和测试,得到缺陷识别结果的混淆矩阵如图9所示。

由于参数设置具有一定的盲目性,因此,使用贝叶斯优化对BiLSTM的初始学习率和隐藏层数进行优化,隐层数和初始学习率的优化范围分别为[10,20]和[10−3,10−2],迭代次数预设为14,贝叶斯优化迭代过程示意如图10所示,经过多次优化后模型性能达到最优,其缺陷识别结果的混淆矩阵如图11所示。

3.2 模拟测试及结果

BiLSTM优化前后的训练准确度和损失曲线对比如图12所示。当学习率为0.01时,BiLSTM在前50个迭代次数内的损失值下降很快,神经网络进入次优状态,最终损失值固定在0.4左右,并有波动；经过优化后的损失值曲线呈单调下降趋势,当迭代次数超过200次后,损失值为0,准确率明显提高。

为进一步验证贝叶斯优化的BiLSTM（BO-BiLSTM）网络的缺陷识别模型的优越性,将文章提出的优化网络算法分别与BP、LSTM神经网络进行对比,不同算法的识别结果准确率如表3所示,各种神经网络测试集的识别结果如图13所示,可见,BO-BiLSTM算法模型的检测性能均优于其他模型性能,其测试集的准确率达到96.07%,比优化前提高了2.13%。

综上可知,BO-BiLSTM算法整体的识别率较高,运行速度更快,且具有广泛的学习能力和稳定性,更适合小管径弯管漏磁缺陷数据识别任务,对缺陷的识别拥有更高的置信度。

3.3 试验测试及结果

牵拉试验装置如图14所示,在试验过程中,将漏磁检测器缓慢且均匀地牵拉通过测试管道,当磁化单元经过管道时,在管道两侧产生与磁场强度成正比的电压差,霍尔传感器探头接收到漏磁场的变化,并在电子仓内对模拟信号进行A/D（模/数）转换,再将转换后的电信号传输至数据采集节。通过无缺陷管段时,初始电压值基本保持不变,经过预设缺陷管段时,缺陷周围的磁场强度发生改变,可在数据显示计算机上明显看出电压值的变化,然后通过对比分析多通道信号的波形强度和变化,选择信号幅值最大的通道,采用此通道的漏磁信号进行弯管缺陷识别分析。

试验管道的公称直径为114 mm,壁厚t为8 mm,曲率材料为Q235,对试验弯管人工预设1#~5#五种缺陷,每种缺陷设置两组,且每组缺陷深度均为10%t,20%t,30%t,40%t,50%t,60%t,70%t和80%t,弯管试件的缺陷信息如表4所示。

两种算法的试验识别结果如表5所示,可知BO-BiLSTM算法对弯管缺陷的识别效果较好。由于仿真模拟的数据未包含噪声等干扰因素,因此其识别精度高于试验结果精度,但两者并不存在过大差距,表明该模型能较好地应用于小管径弯管漏磁缺陷识别。

4. 无损检测证书挂靠网结论

（1）漏磁检测时,弯管处是非均匀不饱和的漏磁场,可能产生畸变的漏磁信号,故需要建立适用于小管径弯管的缺陷识别模型。

（2）选取了漏磁信号的峰峰值、峰间距、峰面积、半高宽以及波形能量的多模态特征量,以此作为模型输入进行缺陷识别。

（3）建立的贝叶斯优化的BiLSTM模型缺陷识别方法,对一般金属损失、坑状金属损失、轴向凹槽、轴向凹沟和周向凹槽等5种缺陷的综合准确率达到96.07%,比改进前提高了2.13%；能满足小管径弯管漏磁缺陷识别的需求,并为缺陷量化提供了必要的数据基础和初步结论。

推荐阅读：

2025年无损检测证书挂靠价格趋势预测