基于APMR-GBM的钻头螺纹损伤检测方法 姜浩（Hao Jiang）， 张来斌（Laibin Zhang）， 范建国（Jianchun Fan）， 王雁兰（Yanran Wang）， 方一琳（Yilin Fang）， 王开文（Kaiwen Wang） 叶英英（Yingying Ye）

《Machines》：A Method for Detecting Damage in Drill Tool Threads Based on APMR-GBM Hao Jiang, Laibin Zhang, Jianchun Fan, Yanran Wang, Yilin Fang, Kaiwen Wang and Yingying Ye

　　摘要 钻杆螺纹在复杂的井下载荷下容易发生疲劳裂纹，这对钻探安全构成了重大风险。尽管金属磁记忆（MMM）测试能够实现高效的非破坏性评估，但其实际应用常常受到材料磁化和 lift-off 距离的干扰。为了克服这一限制，我们提出了一种基于磁信号面积峰值与平均值比（APMR）的新型损伤评估方法。该方法专门设计用于抑制外部干扰，同时保持对应力诱导的磁异常的敏感性。通过有限元分析阐明了有缺陷螺纹根部的磁机械耦合行为。随后，使用配备16个隧道磁阻（TMR）传感器的自定义扫描系统，在不同检测条件下从钻杆螺纹中获取 MMM 信号。提取了包括 APMR 在内的多个特征，并通过各种机器学习分类器进行了评估。梯度提升机（GBM）表现出色，测试集的准确率为0.9861，召回率为1.0000——优于所有其他模型。这项工作为钻杆螺纹损伤评估提供了一种有效的自动化方法，有助于提高钻探操作的可靠性和安全性。

1. 引言
钻杆是钻探操作的“支柱”，承受着拉伸、压缩、扭转和弯曲等循环应力 [1,2,3]。随着石油和天然气钻探深度的增加，钻杆的工作条件变得越来越恶劣。当钻杆达到临界旋转速度时，会产生振动 [4]，通常导致管道弯曲、过度磨损 [5]、快速损伤进展和疲劳失效 [6]。疲劳裂纹尤其容易在应力集中区域（连接器部分）开始产生 [7]。一旦出现微裂纹，应力集中因子会增加 [8]，从而显著加速裂纹扩展，可能导致钻柱失效。此类失效从干扰钻探操作和造成经济损失到在严重情况下引发井喷。因此，使用适当的无损检测（NDT）方法来检测钻杆连接器部分的裂纹缺陷对于防止事故至关重要。主流的 NDT 技术包括磁粉检测 [9]、超声波检测 [10] 和金属磁记忆（MMM）检测 [11]。下表总结了每种方法的优点、局限性和基本原理。正如表1中的比较分析所示，金属磁记忆（MMM）技术以其操作简单性、广泛适用性、快速检测能力和便携性而特别适合在现场钻探条件下检测钻杆螺纹的损伤。该方法最初由俄罗斯学者提出，是评估铁磁材料早期疲劳损伤的有效方法。在铁磁组件中，异常应力状态会在表面或材料内部诱导出微观缺陷或应力集中区。值得注意的是，MMM 不仅对宏观缺陷敏感，也对隐藏的缺陷和应力集中状态敏感，从而提供了主动预防故障的潜力。

2. 理论分析
当没有外部应力时，将外部磁场强度 HH 应用于铁磁材料，得到的磁通密度表示为。在应力作用下，磁通密度变为。这些量可以表示为：
（1）
（2）
其中 是真空磁导率， 和 分别表示有无应力时的相对磁导率。
当应力作用于铁磁材料时，磁通密度从 变为 。在磁化过程中，单位体积的能量变化（称为应力能量）可以通过近似积分磁滞回线或本构关系来获得。假设磁滞可以忽略不计且材料处于线性区域，这种能量变化可以近似表示为：
（3）
将方程（1）和（2）代入上述表达式得到：
（4）
对于具有各向同性磁致伸缩性的铁磁材料，在应力作用下，磁弹性能量 [23] 可以表示为：
（5）
其中 是磁致伸缩系数， 是应力（拉伸应力为正，压缩应力为负，单位 MPa）， 是磁化方向与内部应力方向之间的角度。当外力与磁化方向对齐时，根据能量守恒，应力引起的磁能变化表示为：
（6）
根据参考文献 [24] 中提出的近似模型，应力下的磁致伸缩系数 与磁化强度（或磁通密度）的平方成正比。当磁通密度达到饱和值时，磁致伸缩系数也达到其饱和值。因此：
（7）
进一步简化得到：
（8）
在热力学平衡状态下，外部应力引起的系统自由能变化可以用两种等效的物理图像来描述：一种是宏观磁能变化（应力能量），另一种是基于微观磁致伸缩机制的磁弹性能量。对于处于热力学平衡的系统，这两种描述必须是等效的——它们代表了相同的物理现实。因此，我们有：
（9）
将方程（2）和（7）代入方程（9）并消去 和 ，得到铁磁材料的磁导率与施加应力之间的关系：
（10）
使用 Vieta 公式求解这个二次方程可以得到相对磁导率的表达式：
（11）

3. 有限元仿真分析
为了全面研究疲劳损伤条件下钻杆螺纹中磁记忆信号的分布特性，进行了有限元仿真，以分析有缺陷钻杆销中的磁机械耦合效应 [25]。

3.1. 模型和网格划分
建立了一个包含缺陷的钻杆连接器模型，并通过网格划分进行离散化。图2 展示了开发的有限元模型以及螺纹部分的细化网格结果，其中在有缺陷的螺纹根部实施了局部网格细化，以确保计算精度。

3.2. 边界条件
钻杆在操作过程中主要承受内部压力和轴向载荷。因此，在模型中建立了以下边界条件：在一个轴向末端施加了固定约束，以模拟钻柱的固定端；在相对末端施加了7吨的轴向压缩载荷，以代表实际的井下载荷条件。同时，在内壁施加了26 MPa的均匀分布内部压力，以模拟钻井液的压力效应。为了准确提取销子的表面磁场分布特性，将周围空气域（Box）的相对磁导率设置为1，而所有其他材料参数保持不变。这种方法有效消除了空气域对磁场分布的干扰，确保仿真结果仅反映销子内部缺陷引起的磁场畸变。

3.3. 结果与分析
图3 展示了模拟的应力分布轮廓和截面磁通密度轮廓。由于螺纹根部的微观缺陷，该区域的应力集中明显比其他螺纹部分更为明显。同时，在缺陷位置观察到磁场强度的明显畸变。为了研究 lift-off 距离对磁场信号特性的影响，从销子表面在不同 lift-off 距离下提取了磁通密度信号进行比较分析。原始信号及其相应的梯度显示在图4中。如图4所示，随着 lift-off 距离的增加，磁场信号的幅度逐渐减弱，同时信号波形特性也发生了显著变化。这一观察表明，lift-off 距离显著影响了磁场检测的灵敏度和分辨率。因此，在实际检测中，仅使用峰值磁通密度或梯度峰峰值 [13] 等单一指标无法可靠地反映钻杆螺纹的实际损伤状态。这一限制需要采用一种集成多尺度特征融合的分析方法来更准确地评估和识别螺纹损伤的程度。

4. 数据采集
图5 展示了钻杆螺纹的疲劳损伤评估系统以及螺纹检测装置的机械结构。整个系统由三个主要组件组成：螺纹检测装置、控制柜和主机计算机。螺纹检测装置主要负责从钻杆表面获取磁信号。在控制柜内，电源、驱动器、数据采集卡和Wi-Fi模块实现了设备控制、数据处理和无线传输。主机计算机最终分析采集到的数据。图5展示了实验设置。螺纹检测设备配备了八个传感器盒，每个盒子里装有两个隧道磁阻（TMR）传感器，共计16个TMR传感器。在操作过程中，设备前端的扩展机构会插入钻杆的流体通道中，确保与管道轴线精确对齐。旋转手柄可以调整旋转盘，从而改变传感器盒的径向分布，以控制检测时的抬起距离；这种调整还能适应不同规格的钻杆。一旦电机启动，传感器盒会稳定均匀地沿螺纹表面移动，从而高效且高精度地获取来自钻杆的磁记忆信号。使用的TMR传感器（Sinomags?，中国蚌埠市Sinomags技术有限公司制造）进行了测量。为了减少信号采集过程中的噪声、提高信号准确性和可靠性，并有效放大微弱信号，这些传感器与外围电路集成在一起，用于信号转换、放大和滤波。探头的特性曲线如图6所示。图6. 传感器特性曲线。

4.2. 现场测试
图7展示了现场测试前后钻杆的状态。检测设备被安装在钻杆连接部分，并随后拧紧，以尽量减小探针与螺纹表面之间的抬起距离。安装完成后，开始进行检测程序。因为金属磁记忆（MMM）技术是通过检测材料内部磁畴因应力而重新排列的情况来检测缺陷的，所以非铁磁污染物（如油脂和泥浆）不会干扰磁信号测量。因此，在钻杆螺纹上应用MMM时无需表面清洁。这一特性相对于需要严格表面清洁的方法（如磁颗粒检测和超声波检测）具有显著优势，大大提高了检测效率并降低了运营成本。该方法特别适合恶劣的现场环境（如钻井现场），同时消除了因清洁不够导致的漏检风险。现场测试参数总结在表2中。表2. 测试参数。为了进一步验证MMM结果的准确性，在磁记忆扫描后采用了磁颗粒检测（MT）作为补充方法。作为一种成熟且易于解释的表面缺陷检测技术[9]，MT能够有效识别焊缝和近表面区域中的断裂不连续性。这种双重验证方法为后续的数据分析和结论提供了更可靠的实验基础，从而确保了采集数据的准确性和重复性。图8展示了经过磁颗粒检测后的有缺陷钻杆连接件的表面形态。在无缺陷的螺纹区域，磁颗粒均匀分布，自然附着在螺纹根部。由于螺纹表面光滑且没有磁通量泄漏，没有观察到颗粒的优先聚集或线性堆积。在紫外光照射下，背景呈现均匀的荧光或对比色，没有发光现象——只有螺纹的几何轮廓可见。相比之下，在有缺陷的螺纹根部，磁颗粒在缺陷位置形成了明显可见的堆积物。这些堆积物呈现为具有清晰定义的略微弯曲轮廓的线性或条纹状特征。图8. 磁颗粒检测结果。

在测试过程中，传感器的移动速度设置为5、7和10毫米/秒，每个传感器的采样频率为1000赫兹。从螺纹表面共采集到750个磁信号，其中270个来自有缺陷的螺纹，480个来自完好的螺纹。为了评估磁信号测量的重复性，在相同条件下（相同的抬起距离、扫描速度和传感器配置）对选定的有缺陷和完好的螺纹各扫描了三次。采集到的信号显示出高一致性，APMR特征的变异系数低于5%，证实了所提出的传感器系统在现场应用中的良好重复性。

5. 基于XGBoost的钻杆螺纹损伤评估方法
5.1. 特征提取
为了解决上述提到的抬起距离干扰问题，本文提出了一种基于磁信号APMR的钻杆螺纹疲劳损伤评估参数。通过分析采集信号中的特征波形来实现损伤评估。具体实施过程如下：从螺纹部分获取磁记忆信号。由于螺纹的几何形状，磁信号呈现出波动特性。提取信号中的所有峰值和谷值点，并将三个相邻的特征点依次组合形成三角形。计算每个三角形的面积后，最大面积与总面积的比值作为损伤指标。计算公式如下：（公式省略）。这种几何特征在图9中进行了说明，图9展示了有缺陷钻杆连接器表面上的模拟磁信号分布。通过量化几何特征，该方法能够准确评估螺纹的疲劳损伤。与依赖于峰值或梯度的传统单参数方法相比，所提出的特征能有效捕捉磁记忆信号的振幅变化，从而克服了在不同抬起距离和扫描速率下的传统方法的局限性。图9. 磁信号面积峰值与平均值比率的示意图。现场磁记忆测试结果的分析显示，从有缺陷的针状部分获取的信号显示出明显的失真（见图10），而来自完好螺纹的信号显示出相对均匀的变化——这一特性与模拟结果一致。然而，由于钻杆的几何结构，在某些针状端点由于磁化作用形成了局部磁极，产生了显著的磁场干扰。这种端部效应即使在无缺陷区域也会导致异常信号波动（见图11）。尽管如此，根据模拟结果和先前的研究[26]，针状端点并不是应力集中的区域。因此，在应用APMR方法进行缺陷诊断时，可以将每个三角形的质心作为额外的位置特征参数，以提高诊断准确性并防止误判。图10. 有缺陷样本的扫描结果。图11. 针状端点的磁场干扰示意图。

在MMM检测中常用的缺陷评估参数包括标准差、信号幅度、梯度峰值和梯度峰峰值。结合上述两个参数——APMR和LOMA——共提取了六个特征参数，见表3。表3. 特征参数。

5.2. 模型构建和训练
为了确保模型评估的公正性和泛化能力，原始数据集被分为三个互斥的子集——训练集、验证集和独立测试集——采用7:2:1的比例进行分层抽样。对于上述特征参数，使用了三种互补的机器学习方法——基于随机森林的特征重要性[27]、逻辑回归系数分析[28]和排列重要性[29]——来评估每个特征对钻杆螺纹缺陷检测的贡献。特征重要性评估结果如图12所示。图12. 贡献率分析。特征重要性分析显示，与常用的参数（如梯度峰值）相比，两个提出的特征——APMR和LOMA——在所有三个评估模型中都显示出最高的贡献率。这表明这些新特征更有效地描述了钻杆螺纹的损伤状态。随机森林和逻辑回归模型获得的曲线下面积（AUC）值分别为1.000和0.945，进一步验证了所选特征的有效性。

通过三种互补的方法——随机森林、逻辑回归和排列重要性——LOMA和APMR被确定为贡献最大的两个特征。然而，单个特征的重要性评估仅反映了每个特征对分类的单独贡献，并没有完全捕捉到特征之间的协同效应或冗余性[30]。为了验证上述发现并探索潜在的协同作用，设计了一个特征对评估实验。将所有六个特征组合成15个独特的对，每对特征使用复合评分（70%准确率+30% F1分数）进行排名。图13展示了所有15个特征对的二维散布图。不同特征对区分有缺陷和无缺陷样本的能力存在明显差异。例如，特征对（APMR, LOMA）表现出优越的类别分离能力，两组样本在特征空间中有明显的边界。相比之下，某些对（如GPV, GPPV）显示出较大的重叠，表明其缺陷检测能力有限。图13. 15个特征对的二维散布图。图14展示了每个特征对的性能热图。复合评分排名表明，特征对（APMR, LOMA）取得了最佳的整体性能，在逻辑回归模型上的准确率为0.8875，F1分数为0.8772。图14. 特征对性能热图。图15描绘了使用最优特征组合（APMR vs. LOMA）进行螺纹缺陷检测的二维特征空间分布和线性分类结果，其中蓝色和红色点分别代表无缺陷和有缺陷的样本。这些结果表明，一方面，从现场实验获得的数据集与模拟结果非常相似，从而验证了所提出的特征提取方法的合理性。另一方面，特征散布图的检查显示，尽管线性分类器的准确率为0.8875，但其线性决策边界未能有效捕捉样本的分布模式。因此，需要非线性机器学习方法来提高分类性能[31]。图15. 最优特征对的二维散布图。对于二元分类任务，主流机器学习方法包括支持向量机（SVM）[32]、神经网络（NNs）[33]、梯度提升机（GBMs）[34]、K-最近邻（KNNs）[35]、多项式回归（PLR）[36]和XGBoost（XGB）[37]。如图16所示，该研究可视化了六个机器学习模型在二维特征空间中的决策机制。图中将训练集样本表示为散点，蓝色和红色分别代表无缺陷和有缺陷的样本。背景颜色从浅到深的渐变表示模型预测的缺陷概率。图16. 二维决策边界可视化。可视化结果显示：GBM和XGBoost模型展现了最合理的决策边界，清晰地分隔了两个样本类别；SVM和KNN也形成了有效的分类区域，尽管观察到了轻微的局部过拟合；神经网络由于其高模型复杂性，在数据有限的情况下产生了相对复杂的非线性边界；多项式逻辑回归的决策边界显示了一个简单的曲线形状，反映了其模型假设的固有局限性。

5.3. 评估与分析
如图17所示，在评估的六个机器学习模型中，GBM在缺陷检测任务中表现出最佳的整体性能。在测试集上，GBM取得了最高的F1分数（0.9818）和准确率（0.9861），以及1.0000的召回率——实现了所有缺陷样本的完全检测，这对实际工业质量控制具有重要意义。此外，其AUC值0.9972仅次于K最近邻算法，显示出出色的缺陷区分能力。总之，GBM不仅在测试集上获得了最高的F1分数和准确率，还确保了所有缺陷的完全检测，同时表现出最强的稳定性。因此，GBM是本研究中螺纹缺陷检测任务的最佳选择，为工业螺纹质量监控提供了实用可靠的解决方案。图17. 模型性能比较。**结论**
基于上述研究，本文的主要结论总结如下：

为了解决传统金属磁记忆（MMM）方法在检测钻杆螺纹疲劳损伤时易受材料磁化干扰以及离轴距离变化影响的问题，本文提出了一种基于磁信号面积峰值与平均值比率（APMR）并结合机器学习分类的新型损伤评估方法。通过理论分析、有限元仿真和现场实验，验证了该方法的可行性和有效性，并最终成功开发出了一套专用检测系统。结果表明，APMR特征能够有效减少信号干扰，尤其是由离轴距离变化引起的干扰。在评估的多种机器学习模型中，梯度提升机（GBM）表现出优异的整体性能，能够高效准确地识别螺纹损伤，从而为快速现场检测提供了可靠的技术解决方案。这一技术途径为提高钻井作业的安全性和设备可靠性提供了新方法，并为智能无损检测技术在石油和天然气钻井领域的更广泛应用奠定了重要基础。总之，本研究不仅为钻杆螺纹损伤检测这一实际问题提供了创新解决方案，还为智能无损检测技术在石油和天然气钻井领域的广泛应用奠定了关键基础。