基于RIME-ICEEMDAN-WPD的MFL传感器信号在管道缺陷检测中的去噪方法

《Processes》：RIME-ICEEMDAN-WPD-Based Denoising for MFL Sensor Signals in Pipeline Defect Detection

　　

磁通泄漏（Magnetic Flux Leakage，MFL）传感器对于油气管道无损检测至关重要。然而，现场采集的MFL传感器信号中普遍存在的噪声严重损害了缺陷量化的准确性，导致显著的测量不确定性。为解决此问题，研究人员引入了一种新颖的混合去噪框架，该框架协同了改进完全集合经验模态分解与自适应噪声（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，ICEEMDAN）和小波包分解（Wavelet Packet Decomposition，WPD）。关键创新在于采用霜冰优化算法（Rime Optimization Algorithm，RIME）自动微调ICEEMDAN的关键参数——信噪比（Signal-to-Noise Ratio，SNR）和噪声添加次数——从而针对传感器信号增强定制分解过程。此优化有效抑制了模态混叠，并产生了忠实反映潜在缺陷特征的本征模态函数。该框架的有效性通过数学建模、基于COMSOL Multiphysics 6.3的有限元仿真以及实际现场MFL传感器数据得到了严格验证。结果表明，传感器信号质量显著提升：相比传统方法，信噪比提高了53.69%，平均绝对误差（MAE）降低了61.03%，均方根误差（RMSE）降低了62.05%。至关重要的是，该方法在模拟缺陷上实现了97.18%的特征保留率（Feature Preservation Rate，FPR），凸显了其在缺陷尺寸评估中保留关键计量特征的卓越能力。这项工作提供了一个稳健的信号处理框架，显著提升了MFL传感器的测量保真度，实现了更可靠的管道完整性评估。

**基于RIME-ICEEMDAN-WPD的MFL传感器信号去噪方法：管道缺陷检测中的高保真测量框架**

**研究背景、问题及意义**

油气管道作为关键能源基础设施，其结构完整性对安全可靠运行至关重要。基于磁通泄漏（Magnetic Flux Leakage，MFL）传感器的无损检测技术是管道缺陷定量评估的主流手段。然而，现场检测环境中电磁干扰、提离变化及工具振动等多种噪声源会严重污染MFL传感器输出信号，导致信号混叠、畸变和基线漂移，引入显著的测量误差和不确定性。例如，本研究中现场采集的MFL原始信号信噪比（SNR）仅为18.86 dB，表明噪声干扰严重。传统的经验模态分解（EMD）及其变体（如改进完全集合经验模态分解与自适应噪声，ICEEMDAN）虽能自适应分解信号，但其参数（如信噪比和噪声添加次数）选择高度依赖经验，参数不当会导致模态混叠和缺陷特征丢失，从而降低测量保真度。为此，研究人员开发了一种新颖的联合去噪框架RIME-ICEEMDAN-WPD，旨在通过智能优化实现高精度、高保真的MFL传感器信号处理，为管道完整性评估提供可靠数据基础。该论文发表在《Processes》期刊上。

**关键技术方法**

本研究采用的主要关键技术方法包括：（1）霜冰优化算法（RIME），一种受自然冰晶形成机制启发的元启发式优化方法，用于自动搜索ICEEMDAN的最优参数（信噪比和噪声添加次数）；（2）改进完全集合经验模态分解与自适应噪声（ICEEMDAN），一种自适应信号分解算法，通过调整参数抑制模态混叠，将信号分解为一系列本征模态函数（IMF）；（3）小波包分解（WPD），一种多分辨率时频分析方法，对筛选出的有效IMF进行贝叶斯软阈值去噪和重构，进一步分离信号与噪声。上述方法在MATLAB R2024b平台上实现，并使用COMSOL Multiphysics 6.3建立有限元模型模拟MFL检测过程。样本来源包括数学模拟信号、基于COMSOL的仿真信号（采用X80钢平板，含矩形、球形、圆柱形、圆锥形和椭球形等缺陷）以及从石油管道检测项目获取的现场MFL信号。

**研究结果**

**3.1. 数学模型仿真分析**

**3.1.1. RIME优化ICEEMDAN的性能评估**
研究人员建立了由余弦波、高斯脉冲和高斯白噪声组成的模拟信号，分别对比了ICEEMDAN和RIME-ICEEMDAN的分解效果。通过图形分析和定量指标（SNR、MAE、RMSE）发现，RIME-ICEEMDAN有效抑制了模态混叠，提取的IMF形态更清晰，低频趋势更平滑。相比传统ICEEMDAN，优化后的算法使SNR提高了22.7%，平均绝对误差（MAE）和均方根误差（RMSE）分别降低了17.5%和19.2%。

**3.1.2. 联合去噪方法的性能评估**
在ICEEMDAN基础上引入WPD，对比了ICEEMDAN-WPD和RIME-ICEEMDAN-WPD。结果显示RIME-ICEEMDAN-WPD重构信号在缺陷区域峰值更清晰，背景波动抑制更显著。定量分析表明，该方法相比ICEEMDAN-WPD使SNR提升了53.69%，MAE和RMSE分别降低了61.03%和62.05%，初步验证了其有效性。

**3.2. 与其他先进去噪方法的对比分析**
研究人员将RIME-ICEEMDAN-WPD与以下方法对比：传统小波变换（WT）去噪、变分模态分解（VMD）去噪、随机森林回归去噪。所有方法均在同一模拟信号上测试。定量结果显示，RIME-ICEEMDAN-WPD在所有指标上均优于其他方法：相比WT和VMD，SNR分别提升约13.8%和13.74%，MAE和RMSE降低23.55%~27.63%；相比随机森林，SNR提升49.3%，MAE和RMSE降低超过53%，证明了其在MFL信号去噪中的优越性。

**3.3. 基于COMSOL的有限元模型仿真**

**3.3.1. 有限元模型建立与仿真信号生成**
利用COMSOL Multiphysics 6.3建立包含典型体积缺陷的管道MFL检测有限元模型，采用AC/DC模块和移动网格技术模拟动态检测过程，输出理想漏磁信号并叠加高斯白噪声（标准差为理想信号幅值的10%）生成含噪信号。

**3.3.2. 去噪处理结果与定量分析**
对COMSOL仿真信号分别应用ICEEMDAN-WPD和RIME-ICEEMDAN-WPD。结果显示，RIME-ICEEMDAN-WPD处理后的信号在缺陷区域峰值更尖锐，背景波动被明显抑制，波形更接近理想信号。定量分析中，该方法的信噪比提升约6 dB，MAE和RMSE降低超过50%，尤其重要的是特征保留率（FPR）达到97.18%，表明其在有效抑制噪声的同时极大保留了缺陷关键幅值信息。

**3.3.3. 不同缺陷几何形状和深度下的鲁棒性验证**
研究人员引入7种不同缺陷（3种深度矩形缺陷、4种几何形状缺陷）的COMSOL信号进行测试。结果显示，所有情况下均获得正的SNR改善（平均ΔSNR为7.60 dB），平均FPR达92.87%，MAE和RMSE分别降低49.10%和51.57%。深度5 mm的矩形缺陷改善幅度略小，但依然有效，证明了方法在多种缺陷条件下的鲁棒性。

**4. 实际信号分析**

**4.1. 现场采集原始信号描述**
选取石油管道检测项目中的实际MFL凹陷信号进行分析，原始信号噪声干扰明显。

**4.2. 信号处理与去噪结果**
应用RIME-ICEEMDAN-WPD方法：首先通过RIME优化参数，ICEEMDAN分解得到IMF（其中IMF1-3为高频噪声，IMF4-5为过渡分量，IMF6-7为低频趋势分量），然后筛选有效IMF进行WPD贝叶斯软阈值处理并重构。处理后信号波形更平滑，原本被噪声掩盖的细节信息显现，在采样点250-350区域观察到与体积缺陷信号一致的波动特征。

**4.3. 时域分析与综合定量分析**

**4.3.1. 时域分析**
频谱分析表明，原始含噪信号在低频段（0-50 Hz）为主频分量，但全频段（0-500 Hz）存在广泛分布的噪声能量。经RIME-ICEEMDAN-WPD去噪后，低频主频分量得到保留，高频段（100 Hz以上）幅值几乎降至零，噪声能量被显著抑制，信号频谱更纯净。

**4.3.2. 综合定量分析**
利用SNR、RMSE、峰值信噪比（PSNR）、相关系数（CC）和信号能量保留率五个指标评估。去噪后，SNR从18.86 dB提升至26.29 dB，PSNR达31.73 dB（超过30 dB高质量阈值），CC达0.9853，信号能量保留率高达99.75%，表明方法在去除噪声的同时几乎不引入失真，有效保留了原始波形和关键特征。

**4.4. 去噪信号特征提取与性能对比**

**4.4.1. 特征提取策略与评估指标体系**
选取缺陷峰值（PV）、半高全宽（FWHM）和缺陷特征能量（FE）三个时域特征，以平均绝对百分比误差（MAPE）和综合保真度指数（CFI）评估特征提取保真度。

**4.4.2. 特征提取结果与对比分析**
RIME-ICEEMDAN-WPD方法处理后的信号，其特征提取MAPE仅为0.67%，CFI高达0.993，FWHM和FE误差均小于1%，表明缺陷几何形状信息被极其准确地保留，远优于噪声信号。这为基于机器学习的自动缺陷识别和量化系统提供了近乎完美的输入数据。

**总结讨论与研究结论**

研究人员在讨论部分指出，本研究提出的RIME-ICEEMDAN-WPD方法主要针对表面开口型金属损失缺陷，对于近表面或亚表面缺陷，由于缺陷响应信号可能更弱，需要重新优化参数和选择IMF准则，并可能需要更高灵敏度的MFL测量。此外，当前COMSOL模型未显式耦合动态扫描速度和提离变化，这些因素可能引入幅度衰减、基线漂移和非平稳扰动，需在去噪前辅以提离补偿、速度归一化或多传感器校正。尽管方法在代表性条件下得到验证，但未来工作将扩展至更复杂的检测场景，包括不同缺陷覆盖厚度、提离距离、扫描速度波动等，并探索将其应用于其他面临类似噪声挑战的无损传感测量模态。

研究结论翻译如下：准确可靠地获取缺陷信号是基于MFL技术的管道完整性管理的基石。然而，MFL传感器信号中普遍存在的噪声退化问题给定量测量过程引入了显著的不确定性，危及后续缺陷表征的准确性。针对这一根本性计量挑战，本文开发了一种新颖的联合去噪框架RIME-ICEEMDAN-WPD，专门用于增强MFL测量信号的保真度和精度。该方法的核心在于以优化测量结果为目标，智能集成信号处理技术。创新性地应用RIME优化算法自动确定ICEEMDAN的关键参数，相比主观手动参数选择实现了重大进步。该优化确保信号分解过程自适应地针对MFL信号的特定特征进行调整，有效缓解模态混叠，并提取出更真实代表潜在缺陷信息的IMF。随后的WPD和重构进一步精炼信号，确保高保真输出。所提出的方法在数学仿真、COMSOL有限元仿真和现场信号三个维度上得到了严格验证，其优越性和鲁棒性均得到证实。该方法在SNR、MAE、RMSE等指标上大幅提升，并在特征保留率（FPR）上达到97.18%，且在实际信号中SNR从18.86 dB提升至26.29 dB，PSNR、CC和信号能量保留率均表现优异。最重要的是，从应用导向视角看，该方法极大改善了缺陷特征提取的保真度，MAPE显著降低、CFI极高，为自动缺陷识别和量化系统提供了更可靠的数据基础。总之，这项工作超越了单纯的去噪算法开发，提供了一个全面、稳健、高保真的信号处理框架，通过提供更纯净的传感器信号并保留关键的缺陷形态特征，实现了更可靠、更准确的管道安全评估，具有显著的工业应用价值。