磁测厚仪近场涡流检测模块的管道参数反演方法

541 编辑：中冶有色技术网来源：电子科技大学

2024-03-14 16:00:50

权利要求书： 1.一种磁测厚仪近场涡流检测模块的管道参数反演方法，其特征在于，包括以下步骤：(1)、将磁测厚仪近场涡流检测模块中的激励线圈与接收线圈同轴，且居中放置在被测管道内部，则激励线圈与接收线圈的互阻抗Z为：Z＝ZO+ZP

其中，Zo为被测管道内部介质的传播阻抗，Zp为被测管道壁介质的传播阻抗；

(2)、在已知Z和Zo的情况下，可得Zp为：其中，j表示虚数单位，a为激励线圈和接收线圈的半径，L为激励线圈和接收线圈的距离，ω为激励线圈的激励信号角频率，c为被测管道的内半径，μ1为管道内部介质的磁导率，μ2为管道壁的磁导率；I1(·)、K1(·)分别是第一类、第二类变形贝塞尔函数，x为积分变量；

Γ、β、κ为中间变量，具体满足：

2 2 2

β＝x+jωμ2σ?ωμ2ε

其中，ε、σ分别为管道壁的介电常数和电导率；

将中间变量Γ、β、κ代入上式并化简，得到Zp的表达式为：其中，

(3)、构建互阻抗Z与相位差之间的关系式在空气环境下，设接收线圈的感应电压和激励线圈的激励电流之间的相位差在管道环境下，设接收线圈的感应电压和激励线圈的激励电流之间的相位差互阻抗Z与之间的关系为：在管道环境下，互阻抗Z包含管道壁介质的传播阻抗Zp和管道内部介质的传播阻抗Zo，则上式优化为式：(4)、利用有限元分析软件建立由管道参数到相位特征的反演数据库(4.1)、使用有限元分析软件建立管道涡流检测模型使用有限元分析软件通过二维轴对称的方式进行仿真建模，模拟管道涡流检测模型，设定仿真的场类型为电磁场，通过几何建模建立线圈、管道、内外层空气，并在最外层添加无限元域；

赋予各材料单元的电磁属性：电导率、磁导率、介电常数，设定线圈的参数：内径、电导率、匝数；

在激励线圈施加激励电压，进行网格划分，对接收线圈和激励线圈的信号进行频域分析，计算得到相应的相位差；

(4.2)、建立反演数据库

在管道涡流检测模型中先禁用管道单元，测得空气环境下接收线圈的感应电压和激励线圈的激励电流之间的相位差然后启用管道单元，通过改变管道的内半径c和磁导率参数μ2，测得不同管道参数下，接收线圈的感应电压和激励线圈的激励电流之间的相位差根据得到不同管道参数下对应的再利用和对应的管道参数c和μ2构建反演数据库；

(5)、利用反演数据库训练BP神经网络将反演数据库中的作为BP神经网络的输入，对应的管道参数c和μ2作为BP神经网络的输出，通过调节BP神经网络的权值，不断地减少BP神经网络的预测值和期望值之间的误差，从而得到训练好的BP神经网络；

(6)、利用训练后的BP神经网络反演管道参数实测待检测管道在空气环境和管道环境下，接收线圈的感应电压和激励线圈的激励电流之间的相位差然后根据公式计算出再将输入至训练后的BP神经网络，其输出为该管道的内半径c和磁导率参数μ2。

说明书：一种磁测厚仪近场涡流检测模块的管道参数反演方法技术领域[0001] 本发明属于无损检测技术领域，更为具体地讲，涉及一种磁测厚仪近场涡流检测模块的管道参数反演方法。背景技术[0002] 磁测厚仪作为评估金属管道厚度的一种仪器，是以电磁涡流检测技术为理论基础研制，主要从管道的厚度变化来反映管道的缺陷。管道在经过长时间的使用之后，受到其所处环境的影响(如压力、温度、电化学腐蚀等)，管道壁的磁导率会发生变化。要准确地测量管道壁的厚度及腐蚀情况，就要测量管道壁各处的磁导率的值。磁测厚仪近场涡流检测模块为磁测厚仪提供管道的内径以及磁导率等信息，是评估厚度及腐蚀度的前提。[0003] 传统的管道参数检测通过对电磁传播阻抗测试，对管道属性的特征曲线拟合，计算过程复杂，且精度不高。本专利基于有限元分析软件建立管道参数检测模型、使用BP神经网络对管道参数进行反演，测试参数和计算过程相对简单，得到的管道参数值也更加的准确。发明内容[0004] 本发明的目的在于克服现有技术的不足，提供一种磁测厚仪近场涡流检测模块的管道参数反演方法，通过构建反演数据库，并使用BP神经网络算法学习相位特征到管道参数的非线性映射关系，来对管道的内直径和磁导率进行实时检测。[0005] 为实现上述发明目的，本发明一种磁测厚仪近场涡流检测模块的管道参数反演方法，其特征在于，包括以下步骤：[0006] (1)、将磁测厚仪近场涡流检测模块中的激励线圈与接收线圈同轴，且居中放置在被测管道内部，那么激励线圈与接收线圈的互阻抗Z为：[0007] Z＝Zo+Zp[0008] 其中，Zo为被测管道内部介质的传播阻抗，Zp为被测管道壁介质的传播阻抗；[0009] (2)、在已知Z和Zo的情况下，可得Zp为：[0010][0011][0012][0013] 其中，j表示虚数单位，a为激励线圈和接收线圈的半径，L为激励线圈和接收线圈的距离，ω为激励线圈的激励信号角频率，c为被测管道的内半径，μ1为管道内部介质的磁导率，μ2为管道壁的磁导率；I1(·)、K1(·)分别是第一类、第二类变形贝塞尔函数，x为积分变量；Γ、β、κ为中间变量，具体满足：[0014][0015] β2＝x2+jωμ2σ?ω2μ2ε[0016][0017] 其中，ε、σ分别为管道壁的介电常数和电导率；[0018] 将中间变量Γ、β、κ代入上式并化简，得到Zp的表达式为：[0019][0020] 其中，[0021] (3)、构建互阻抗Z与相位差之间的关系式[0022] 在空气环境下，设接收线圈的感应电压和激励线圈的激励电流之间的相位差[0023] 在管道环境下，设接收线圈的感应电压和激励线圈的激励电流之间的相位差[0024] 互阻抗Z与之间的关系为：[0025][0026] 在管道环境下，互阻抗Z包含管道壁介质的传播阻抗Zp和管道内部介质的传播阻抗Zo，则上式优化为式：[0027][0028] (4)、利用有限元分析软件建立由管道参数到相位特征的反演数据库[0029] (4.1)、使用有限元分析软件建立管道涡流检测模型[0030] 使用有限元分析软件通过二维轴对称的方式进行仿真建模，模拟管道涡流检测模型，设定仿真的场类型为电磁场，通过几何建模建立线圈、管道、内外层空气，并在最外层添加无限元域；[0031] 赋予各材料单元的电磁属性：电导率、磁导率、介电常数，设定线圈的参数：内径、电导率、匝数；[0032] 在激励线圈施加激励电压，进行网格划分，对接收线圈和激励线圈的信号进行频域分析，计算得到相应的相位差；[0033] (4.2)、建立反演数据库[0034] 在管道涡流检测模型中先禁用管道单元，得到空气环境下接收线圈的感应电压和激励线圈的激励电流之间的相位差[0035] 然后启用管道单元，通过改变管道的内半径c和磁导率参数μ2，得到不同管道参数下，接收线圈的感应电压和激励线圈的激励电流之间的相位差[0036] 根据得到不同管道参数下对应的再利用和对应的管道参数c和μ2构建反演数据库；

[0037] (5)、利用反演数据库训练BP神经网络[0038] 将反演数据库中所有的作为BP神经网络的输入，将对应的管道参数c和μ2作为BP神经网络的输出，通过调节BP神经网络的权值，不断地减少BP神经网络的预测值和期望值之间的误差，从而得到训练好的BP神经网络；[0039] (6)、利用训练后的BP神经网络反演管道参数[0040] 实测待检测管道在空气环境和管道环境下，接收线圈的感应电压和激励线圈的激励电流之间的相位差[0041] 然后根据公式计算出再将输入至训练好的BP神经网络，得到该管道的内半径c和磁导率参数μ2。

[0042] 本发明的发明目的是这样实现的：[0043] 本发明磁测厚仪近场涡流检测模块的管道参数反演方法，先基于变形贝塞尔函数推导激励信号和接收信号相位差特征与金属管道参数存在映射关系，再利用有限元分析软件建立管道参数检测模型，并改变内径和相对磁导率得到不同参数管道影响的接收信号与激励信号之间的相位差，从而建立由管道参数到相位特征的反演数据库，最后利用反演数据库训练BP神经网络，再结合BP神经网络实时检测被测管道参数。这样简化了管道参数求解难度，且得到的管道参数反演值准确可靠，同时还具有极强的可操作性。附图说明[0044] 图1是本发明磁测厚仪近场涡流检测模块的管道参数反演方法流程图；[0045] 图2是是检测线圈示意图；[0046] 图3是复坐标下的阻抗Z；[0047] 图4是建立检测模型流程图；[0048] 图5是建立的二维轴对称仿真模型图；[0049] 图6是建立反演数据库的流程图。具体实施方式[0050] 下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。[0051] 实施例[0052] 图1是本发明磁测厚仪近场涡流检测模块的管道参数反演方法流程图。[0053] 在本实施例中：使用图2中所示的检测模型，对待测管道进行检测。其中，检测模型采用激励线圈与接收线圈同轴居中放置的结构方式，检测线圈的中间为金属支撑轴。选取激励信号的3个频率为600Hz、1.5kHz和14kHz，激励线圈与接收线圈的距离设置为63.5mm。激励线圈、接收线圈的参数设置相同，具体的参数设置如附表1所示。检测线圈中间的支撑轴为钛合金材料，具体的参数设置如附表2所示。在进行铁磁性管道环境下的建模与仿真时，所使用的具体参数设置如附表3所示。

[0054][0055] 表1[0056][0057] 表2[0058][0059] 表3[0060] 下面我们结合图1，对本发明一种磁测厚仪近场涡流检测模块的管道参数反演方法进行详细说明，具体包括以下步骤：[0061] S1、将磁测厚仪近场涡流检测模块中的激励线圈与接收线圈同轴，且居中放置在被测管道内部，则激励线圈与接收线圈的互阻抗Z为：[0062] Z＝Zo+Zp[0063] 其中，Zo为被测管道内部介质的传播阻抗，Zp为被测管道壁介质的传播阻抗；[0064] S2、基于变形贝塞尔函数推导得出：管道影响的接收信号与激励信号之间的相位差与管道参数之间存在映射关系。[0065] 根据趋肤效应，电磁场在壁厚为d的管道中的衰减可以近似用e?|k|d表示，k为管道外电磁场的传播系数，[0066] k2＝ε'μ'ω2+jσ'μ'ω'[0067] 其中，ε'为管道外部介质的介电常数，μ'和σ'分别为管道外部介质的磁导率和电导率。当介电常数ε'、磁导率μ'和电导率σ'一定时，若激励信号频率f在500Hz到100kHz之间，则有|k|d1，因此可忽略遗漏到管道外的电磁场以及管道外介质的影响。[0068] 在已知Z和Zo的情况下，可得Zp为：[0069][0070][0071][0072] 其中，j表示虚数单位，a为激励线圈和接收线圈的半径，L为激励线圈和接收线圈的距离，ω为激励线圈的激励信号角频率，c为被测管道的内半径，μ1为管道内部介质的磁导率，μ2为管道壁的磁导率；I1(·)、K1(·)分别是第一类、第二类变形贝塞尔函数，下标1表示阶数；x为积分变量；Γ、β、κ为中间变量，具体满足：[0073][0074] β2＝x2+jωμ2σ?ω2μ2ε[0075][0076] 其中，ε、σ分别为管道壁的介电常数和电导率；[0077] 由信号在金属管道中的趋肤特性可知，|βc|＞＞1。则有：[0078] K0(βc)≈K1(βc)[0079] 因此可以对κ的表达式进行化简，可以得：[0080][0081] 又因为管道具有较大的电导率，因此：[0082][0083] 最终，我们将中间变量Γ、β、κ代入上式并化简，得到Zp的表达式为：[0084][0085] 其中，[0086] 在常见的工程问题中，在发射信号频率ω一定(500Hz～100kHz)，给定a、L、σ时，管壁中的传播阻抗Zp只与管道壁的磁导率μ2和管道内半径c有关。[0087] S3、构建互阻抗Z与相位差之间的关系式[0088] 在空气环境下，设接收线圈的感应电压和激励线圈的激励电流之间的相位差[0089] 在管道环境下，设接收线圈的感应电压和激励线圈的激励电流之间的相位差[0090] 互阻抗Z与之间的关系为：[0091][0092] 在管道环境下，互阻抗Z包含管道壁介质的传播阻抗Zp和管道内部介质的传播阻抗Zo，则上式优化为式：[0093][0094] S4、利用有限元分析软件建立由管道参数到相位特征的反演数据库[0095] S4.1、使用有限元分析软件建立管道涡流检测模型[0096] 因为管道涡流检测模型具有轴对称性，可通过COMSOLMultiphysics中的二维轴对称方式建模来进行仿真建模。将检测线圈与铁磁性管道等效为相对静止，使用谐波场来分析。使用软件中的AC/DC模块，选择频域研究进行仿真计算得到接收信号和激励信号之间的相位差。[0097] 利用有限元分析软件Comsol建立近场涡流检测模型的流程，如图4所示，主要可以分为设定物理场类型、建立仿真模型、施加激励、网格划分并求解等步骤，建立的二维轴对称仿真模型图如图5所示。[0098] 下面我们对利用有限元分析软件Comsol建立近场涡流检测模型的流程进行说明，具体为：[0099] 使用有限元分析软件通过二维轴对称的方式进行仿真建模，模拟管道涡流检测模型，设定仿真的场类型为电磁场，通过几何建模建立线圈、管道、内外层空气，并在最外层添加无限元域；[0100] 赋予各材料单元的电磁属性：电导率、磁导率、介电常数，设定线圈的参数：内径、电导率、匝数；[0101] 在激励线圈施加激励电压，进行网格划分，对接收线圈和激励线圈的信号进行频域分析，计算得到相应的相位差；[0102] S4.2、建立反演数据库[0103] 三个频率下的值与管道的内径及磁导率存在映射关系。要研究这种映射关系，就需要很多组包含各种管道参数和与之相应的值的数据库。如果用实际管道测试的数据建立数据库，成本很高，且费时费力。但是如果通过仿真建立反演数据库，就大大减少了工作量，而且仿真计算得到的数值更加的准确。选取激励信号的3个频率为600Hz、1.5kHz和14kHz，分别在空气环境和管道环境下计算相位差，如图6所示，具体为：[0104] 在管道涡流检测模型中先禁用管道单元，仿真空气环境下接收线圈的感应电压和激励线圈的激励电流之间的相位差[0105] 用管道单元，通过改变管道的内半径c和磁导率参数μ2，得到不同管道参数下，接收线圈的感应电压和激励线圈的激励电流之间的相位差[0106] 根据得到不同管道参数下对应的再利用和对应的管道参数c和μ2构建反演数据库；

[0107] 在本实施例中，使用有限元分析软件Comsol建立的接收线圈1对应的部分反演数据库如表4所示，第四列表示管道的内径2c，范围50?250mm，以5mm为步进；第五列表示管道的相对磁导率μ2，为60?130，以10为步进对应于每一个尺寸的管径逐渐递增；前三列分别是在固定c和μ2后，仿真得到的三种频率信号对应的值(角度)。[0108][0109] 表4[0110] S5、利用反演数据库训练BP神经网络[0111] 将反演数据库中所有的作为BP神经网络的输入，将对应的管道参数c和μ2作为BP神经网络的输出，通过调节BP神经网络的权值，使BP神经网络的输入、输出一一对应，从而得到训练好的BP神经网络；[0112] S6、利用训练后的BP神经网络反演管道参数[0113] 实测待检测管道在空气环境和管道环境下，接收线圈的感应电压和激励线圈的激励电流之间的相位差[0114] 然后根据公式计算出再将输入至训练后的BP神经网络，如表5所示，其输出为该管道的内半径c和磁导率参数μ2。

[0115]c真值(mm) μ2真值 c反演值(mm) μ2反演值

65 130 65.7329379625882 130.273931954794

230 70 229.674290368543 69.8436048113531

190 70 190.151793274542 70.0609722177495

300 80 300.488260899864 81.0997610923940

190 80 189.958923165728 80.0960442606703

75 130 75.4658160836910 130.316450279744

140 80 139.900435758976 80.2660160711955

80 110 79.9746552383312 109.932152231735

220 100 219.760949455467 100.126540065791

100 90 99.7046786754432 90.4969784460462

220 60 220.038383685887 59.8736527094127

120 60 120.572951519478 59.5113702956286

55 70 54.9051815761941 70.2542676645646

70 100 70.0458245972663 99.8581310478771

130 80 129.920944812786 80.1941548829621

230 120 230.338272889675 119.708679508089

110 130 110.292751368707 129.160619350634

220 90 219.630085162162 90.3616916983532

150 80 149.946242072072 80.1797514990103

90 70 90.0796988149814 70.1114292684812

170 130 169.951863943466 130.195690793212

60 80 59.8069360581546 79.9807697878271

[0116] 表5[0117] 尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。