基于远场涡流技术的智能 pigging 方法，结合虚假峰值信号的特征提取，用于管道缺陷检测

《IEEE Access》：Remote-Field Eddy Current Intelligent Pigging With Spurious-Peak Signal Linear Feature Extraction for Pipeline Defect Detection

　　摘要：清管是确保管道安全的关键过程。传统的管道检测装置（PIGs）无法收集有关管道结构状况的数据。为了解决这一限制，本研究引入了一种利用远场涡流（RFEC）检测技术的智能清管方法，并且与传统的消除杂散峰信号（SPSs）的策略不同，本文提出了一种利用SPSs来识别缺陷的新方法。首先，根据Φ219标准PIG的空间结构特性，制定了兼容RFEC探头的设计要求。其次，采用了磁屏蔽技术来有效缩小RFEC的远场范围并优化探头结构。此外，SPS被用作定位和量化管道缺陷的特征标准，具体标准是通过SPS与缺陷之间的相关性分析得出的。最后，通过实验室实验验证了这种方法的可行性。结果表明，SPS的幅度高度能够更准确地量化缺陷深度（DD），而相位宽度能够更精确地评估缺陷长度（DL）。这些发现通过实验数据证明了强大的线性和检测准确性。CCBY - IEEE并非该材料的版权持有者。请遵循https://creativecommons.org/licenses/by/4.0/的指示以获取全文文章和API文档中的规定。

第I部分 引言
传统的PIGs因其优点而被广泛使用，包括适用于多种管径、长操作寿命、环保、彻底清洁以及无需停机操作。然而，它们的功能仅限于内部管道清洁，在清管过程中无法收集与管道结构相关的数据[1]，[2]，[3]。研究智能管道检测装置（PIGs）[4]，[5]，[6]，[7]（这些装置结合了无损检测（NDT）设备和传统清洁工具，以实现同时检测和清洁）已经取得了进展。目前，智能PIGs主要使用三种NDT技术：磁通量泄漏（MFL）、超声波检测（UT）和涡流（ET）[8]。参考文献[9]分析了基于MFL和UT的清管工具的优缺点：MFL无法检测细小的轴向裂纹，也无法区分内壁缺陷（IDs）和外壁缺陷（ODs）[10]，[11]。研究[12]，[13]采用了超声波智能PIGs进行长距离管道腐蚀检测，但UT严格需要液体耦合[14]。参考文献[15]提出在智能PIGs上安装ET，但没有详细的结构设计；此外，ET仅适用于表面金属损失，并且容易受到复杂管道条件的影响[16]。为不同传感器定制的结构也降低了传统PIGs的多功能性并增加了操作难度。

相比之下，远场涡流（RFEC）技术具有独特的优势。它能够检测管道焊缝和裂纹[17]，不受检测速度和传输介质的影响[18]，对铁磁管道的内壁和外壁缺陷同样敏感，使其成为MFL和UT的有益补充[19]。然而，将RFEC与传统的PIGs结合面临两个瓶颈：管道壁的双重穿透导致检测信号弱和信噪比（SNR）低。同时，RFEC要求的检测距离为管道直径（D）的2到3倍，这与普通PIGs的1到1.5D的有效长度相矛盾。目前，关于集成RFEC的智能PIGs的相关研究仍然不足。

本研究介绍了一种与传统PIGs兼容的RFEC智能PIG（RFEC-PIG），并提出了一种利用杂散峰信号（SPSs）进行缺陷定位和量化的新方法。RFEC检测中杂散峰（SPs）的生成机制本质上与探头结构和管道环境有关。当RFEC检测探头固定在PIG上时，PIG的金属结构、磁化组件和机械支撑会放大SPSs。与之前专注于消除SPs的研究[20]不同，本研究利用增强的SPSs及其独特特性进行缺陷分析。

本文的其余部分结构如下：第I部分解释了与传统PIGs兼容的基于RFEC的智能PIG的操作原理和设计要求。第II部分详细介绍了RFEC检测探头的设计、仿真建模和系统优化。第III部分分析了缺陷响应，并提出了一种使用RFEC SP信号进行缺陷量化和定位的方法。第IV部分介绍了实验平台，进行了缺陷再现，并对实验结果进行了全面分析。第V部分总结了研究并提出了未来的研究方向。

第II部分 RFEC探头设计
A. 检测原理
RFEC检测探头由一个激励线圈和位于远场区域的检测线圈组成。在操作过程中，向激励线圈施加交流信号，会产生两种类型的磁场：一种在管道内部传播的直接耦合场，另一种穿透管道壁并沿着外壁传播的间接耦合场。在以间接耦合场为主的远场区域，该场在被检测线圈检测到之前会穿透管道壁两次。这种双重穿透赋予了间接耦合场关于管道缺陷的信息[21]，[22]。因此，分析来自间接耦合场的信号可以检测这些缺陷。

B. 兼容性设计要求
三个核心要求指导了与传统PIGs兼容的RFEC探头的设计：
1) 空间兼容性
解决RFEC要求在2-3D处的检测位置与传统PIG的1-1.5D有效长度之间的冲突。
2) 结构适应性
确保RFEC设备可以安装在传统PIG上而不改变其结构，同时实现独立操作和易于拆卸。
3) 功能集成
保持传统的清管功能，同时收集足够质量的缺陷数据以支持后续故障诊断。

第III部分 仿真建模和参数优化
PIG由前端、骨架和尾端组成，前端和尾端通常装有钢刷、备用盘、密封环和法兰。利用密封环的宽度，RFEC激励线圈和屏蔽盘位于两个备用盘之间的前端密封环上，而由于空间限制，检测线圈则围绕骨架布置成阵列。图2展示了集成RFEC-PIG系统的示意图。

A. 探头设计
Φ219 PIG的结构参数在表1中详细说明。这些组件安装在相邻的密封环上，每个密封环厚度为10毫米，从而使激励线圈和屏蔽盘的厚度限制在20毫米以内。内部直径D与密封环的外部直径相同，为140毫米。为了适应管道直径的变化，激励线圈的最大外部直径为156毫米，允许调整20%的直径。这种灵活的阵列RFEC探头可以满足弯曲管道和不规则部件等复杂几何形状的检测要求。

B. 模型
在COMSOL中开发了一个三维有限元仿真模型，以确保与传统PIG的空间兼容性，如图3所示。图3还包括管道的非线性B-H曲线。该模型包括RFEC检测探头、被测试的管道和缺陷。RFEC探头包括激励线圈、屏蔽盘、检测线圈和磁路传导组件（磁芯）。激励源为18V的正弦电压。

C. 参数优化
1) 激励频率优化
RFEC属于低频涡流检测技术，低频信号通常低于120 Hz。因此，初始激励频率范围设定为10到120 Hz，增量为10 Hz。为了确保检测位置的一致性，指定在相移点后100毫米处的一致缺陷作为检测目标。图4展示了不同频率下检测信号的幅度和相位特性。

2) 电磁屏蔽
在低频情况下，由于长波长和强大的穿透能力，电磁干扰可能会掩盖有用信号，从而导致信噪比（SNR）降低。因此，电磁屏蔽对于阻挡干扰路径、减少其能量和提高低频SNR至关重要。图6(a)表明，由铜、硅钢和铜组成的屏蔽盘在所有材料中显示出最低的直接耦合磁场，强调了其在抑制直接耦合场方面的卓越效果。图6(b)显示，在1:1:4的比例下，直接耦合磁场最小化，突显了其最佳的抑制能力。因此，屏蔽盘的结构被优化为包含3毫米的铜、3毫米的硅钢和12毫米的铜，总厚度为20毫米，比例为1:1:4。屏蔽盘与激励线圈之间的距离设置为10毫米，相当于分隔它们的备用盘的厚度。

3) 检测线圈优化
检测线圈以阵列形式布置。具体参数见表2。图7显示，当线圈轴垂直于管道轴时，电压输出高于线圈轴平行时的情况。由于磁芯位于线圈中心，电压显著更高。因此，检测线圈被配置为轴垂直于管道轴，中心采用铁镍合金芯。

第IV部分 缺陷响应分析
在图3所示的有限元模型中，最初将一个尺寸为50×50×4毫米的缺陷放置在远场区域，然后向检测装置的激励端移动。该仿真旨在模拟RFEC检测探头接近定位缺陷的过程，随后评估缺陷的响应。

A. 缺陷深度（DD）的影响
根据原始缺陷大小变化了缺陷深度（DD）。图8和图9展示了不同深度下ID和OD对应的检测线圈电压的幅度和相位波形。在RFEC检测中，真实信号（RS）源于管道壁中缺乏金属，而SPSs则源于非缺陷条件引起的干扰。不同深度下ID的模拟信号波形。显示全部 图9. 不同深度下OD的模拟信号波形。显示全部 如图8(a)所示，电压幅度波形在检测ID时显示出明显的凹陷，特别是在150-250毫米的范围内。这种凹陷的宽度约为100毫米，是缺陷轴向长度的两倍。凹陷的开始和结束分别对应于检测线圈首次接触缺陷和随后完全离开缺陷的时刻。其深度与缺陷深度（DD）成正比，代表了缺陷的半径（RS）。图8和图9表明，当激励源靠近缺陷时，所有检测信号中都会出现SP（特殊峰）。这些峰是由于激励源接近时电磁干扰突然增加而产生的。SPs的峰值出现在400毫米处，与激励源和缺陷中心之间的距离一致。OD的波形噪声较多，其幅度波形没有反映出相应的RS。这一观察结果表明，该位置的RS要么相对较弱，要么被SPs所掩盖。原因是OD信号容易受到近场杂散涡流的影响、探头离壁效应以及管壁表面的干扰。ID的幅度曲线显示，在平坦区域内78.45%的数据位于11.6到11.8毫伏之间。因此，中值11.7毫伏被指定为稳定值，SP高度定义为该稳定值与观察到的最小值之间的差值。类似地，对于相位曲线，选择了120°作为稳定值，SP高度计算为最大值与稳定值之间的差值。SPs与缺陷之间的相关系数在表3中给出。表3 SP高度-缺陷深度（DD）相关系数。皮尔逊相关系数（PCC）的方程为：\[r = \frac{\sum_{i=1}^{n} (xi-\bar{x})(yi-\bar{y})}{\sqrt{\sum_{i=1}^{n} (xi-\bar{x})^2}} \sqrt{\sum_{i=1}^{n} (yi-\bar{y})^2}}\]其中\(xi\)和\(yi\)分别是两个变量的第i次观测值，\(\bar{x}\)和\(\bar{y}\)分别是这两个变量观测值的平均值。分子用于反映两个变量之间的共同变化程度，分母用于对分子进行标准化。表3表明，幅度和相位曲线中的SP高度和DD都表现出稳健的线性负相关，结果具有很高的统计显著性。通过使用PCC、决定系数（R2）和p值比较幅度和相位信号，发现幅度信号显示出更强的相关性、更优的模型拟合度和更高的统计显著性。B. 缺陷轴向长度（DL）的影响根据缺陷的原始大小调整了DL。通过保持缺陷左边缘的位置，将长度向右侧延伸，导致缺陷中心点相应地向右移动。如图10所示。图10. 不同轴向长度ID的模拟信号波形。显示全部 如表4所示，幅度曲线中的SP宽度与DL表现出强线性正相关，而相位曲线中的SP宽度与DL表现出极强的线性正相关，接近完美线性。通过使用PCC、R2和p值比较幅度和相位信号，发现相位信号显示出更强的相关性、更好的拟合度和更高的统计显著性。表4 SP宽度-DL相关系数。总之，当DD变化时，基于SP幅度特征的缺陷识别准确性更高；当DL变化时，基于SP相位特征的缺陷识别准确性更高。主要原因是幅度信号本质上是一个能量指标，对涡电流总量（深度、壁厚减少）的变化敏感。相位信号本质上是一个时空指标，对涡电流分布（长度、缺陷位置偏移）的变化敏感。C. 缺陷径向宽度（DW）的影响在保持中心点不变的情况下，根据缺陷的原始大小改变径向宽度的模拟信号波形如图11所示。图11. 不同径向宽度ID的模拟信号波形。显示全部 相比而言，图11(a)和(b)表明增加DW不会显著影响幅度或相位波形。这表明当单个检测线圈沿管道的轴向方向移动而没有任何径向运动时，径向宽度不会影响信号特性。D. 编码在SPs中的缺陷信息总结SP信号包含关键的缺陷信息：缺陷深度（DD）与SP高度之间存在线性负相关；缺陷径向宽度（DW）与SP宽度之间存在线性正相关；SP的峰值位置始终是从激励源到缺陷中心点的距离；应使用SP的幅度特性来识别DD，而使用SP的相位特性来识别DL；SP的强度是RS强度的三倍。第五节. 实验装置A. 实验平台RFEC测试设备和实验室测试系统如图12和图13所示。激励线圈、屏蔽盘、检测线圈和管道的几何参数与优化的模拟结果对齐。测试样品由一根长度为1200毫米的Q235碳钢直管组成。在实验中，激励信号源电压设置为5伏特，主要是为了防止激励线圈过热。图12. 与PIG兼容的RFEC测试探头。显示全部 图13. 实验系统。显示全部 驱动系统包括一个嵌入式控制器和锂离子电池。嵌入式实时控制器作为整个系统的中央处理单元。利用LabVIEW编程生成精确的控制信号，以驱动后续组件，从而实现高精度运动和电磁控制。锂离子可充电电池为整个系统提供直流电源，为电机和线圈供电。检测线圈的离壁距离为10毫米。接收到的信号通过低通滤波器后传输到示波器。B. 实验验证在100赫兹的激励频率下，RFEC测试探头以0.05米/秒的恒定速度沿管道移动以收集信号。在保持牵引速度一致的情况下，进行了多次拉伸实验，同时改变DD和DL。人工缺陷由内壁上的矩形凹槽组成，该凹槽通过线切割加工制成，以保证尺寸精度和边缘均匀性。凹槽的长度和宽度使用校准的数字卡尺测量（精度±0.02毫米），而凹槽深度使用深度千分尺评估（分辨率±0.01毫米）。建立了两组控制实验：一组改变缺陷深度，另一组改变缺陷的轴向长度。缺陷的具体尺寸在表5中详细说明。表5 缺陷的具体尺寸 测量结果重复十次并取平均值以减少随机误差。反演结果显示在图14和图15中。连接平均点，并根据总结的线性回归方程呈现实际值。此外，还指出了相应的相对均方根误差（RRMSE）。图14. 基于SP高度的DD评估。显示全部 图15. 基于SP宽度的DL评估。显示全部 通过提取SP的高度并拟合测量结果的平均回归方程来实现DD的反演。幅度信号的整体RRMSE约为10%，而相位信号的整体RRMSE约为15%。这两组RRMSE结果的比较表明，幅度信号在DD的反演精度上更优，这一发现与表3中呈现的确定系数一致。DL也可以通过测量SP的宽度来估计。幅度信号的整体RRMSE约为10%，而相位信号的整体RRMSE约为8%。这种比较表明，相位信号在DL的拟合效果上更优，这与表4中呈现的确定系数结果一致。图14和图15的分析表明，可以根据测量的平均值来评估缺陷尺寸。深度方向与拟合曲线吻合良好，而长度方向略有偏差。这种差异是由于在实验中准确定义和解释SP特征宽度所面临的挑战。与模拟相比，较弱的实验信号主要是由于理想模型中忽略的因素，如管道表面粗糙度、环境电磁干扰和机械摩擦。使用Mitutoyo SJ-210便携式粗糙度测试仪在三个轴向位置评估的管道内壁未抛光部分的平均算术粗糙度约为Ra ≈ 3.2 μm。这种粗糙度导致有效的离壁变化约为0.1-0.2毫米，从而降低了线圈与管道壁之间的耦合效率。为了补偿这种效应，基于磁屏蔽和磁芯优化的模拟，在实验中进一步引入了锁定放大器和数字滤波来提高信噪比（SNR）。C. 比较验证1) 性能比较本研究从五个维度比较了传统的RFEC、普通的PIG以及本文介绍的RFEC-PIG设备：信号强度、ID和OD识别、抗干扰能力、检测效率以及工程经济性。比较结果如图16所示。图16. RFEC-PIG与RFEC和PIG在管道检测中的多维度比较。显示全部 RFEC-PIG设备在准确区分ID和OD方面存在困难，主要依赖于噪声差异进行区分。然而，利用清管操作的优势可以提高整体检测效率和工程经济性，同时保持较低的设备投资。该设备的携带结构可能产生具有更高幅度的SPs，从而可以直接依赖这些SP特性来评估损伤。这种方法显著简化了去噪过程，并提高了实际条件下的抗干扰性能。2) 定量无损评估（QNDE）表6从QNDE的角度比较了所提出的方法与最先进的技术，包括最小可检测缺陷尺寸、深度定量误差、长度定量误差、缺陷类型、定量关系、离壁鲁棒性和工程适用性。表6 不同方法的QNDE指标比较 所提出的方法在原理、场景和性能上与[23]和[24]不同：它通过利用SPs进行定量缺陷分析，适应Φ219管道清管，实现了比这两项研究中平面静态设计更高的工程适用性和更好的兼容性。现有的针对埋藏钢结构的RFEC缺陷检测研究侧重于探头结构的优化。Yu等人结合了脉冲和平面远程聚焦涡流技术，通过屏蔽和正交线圈增强了磁聚焦，并通过灵敏度和空间分辨率来评估性能（DOI: 10.1109/TIM.2025.3576956）。相比之下，本工作将SPs视为缺陷特征而不是消除它们。利用SPs的幅度高度和相位宽度来量化缺陷尺寸，建立了一个新的特征提取和定量评估框架。第六节. 结论本研究探讨了RFEC探头与PIG之间的设计兼容性，从而开发出了一种灵活的RFEC-PIG组合。它有效解决了传统RFEC方法的固有局限性，包括原始信号弱、在复杂工作环境中的抗干扰能力不足以及实现长距离、连续和高效检测的挑战。