基于多传感器融合与SSI-MPC的管道内检测自适应采样方法

《Journal of Marine Science and Engineering》：An Adaptive Sampling Method for In-Line Inspection of Pipelines Based on Multi-Sensor Fusion and SSI-MPC

　　

在长距离海底管道中，复杂工况下管道检测规（PIG）的速度波动会导致采样频率与运行状态失配，进而损害缺陷检测信号的完整性。针对该问题，研究人员提出一种基于多传感器融合与空间采样间隔模型预测控制器（SSI-MPC）的管道内检测数据自适应采样方法。分析了PIG速度波动对缺陷检测信号完整性的影响，建立基于卡尔曼滤波（Kalman filtering）的多传感器速度融合估计模型，将惯性测量单元（IMU）加速度数据与里程计累计位移信息融合。将采样频率调整表述为空间采样间隔跟踪问题，并设计SSI-MPC控制器。通过与固定时间采样和基于里程计的等距采样进行对比仿真验证方法有效性。结果表明，SSI-MPC自适应采样在速度跳变与高速条件下能更有效恢复缺陷检测信号的关键定量特征，缺陷检测信号的相对平方误差（RSE）与相对幅值误差（RAE）分别控制在3.44%和2.10%以内；相较固定时间采样，该方法使检测信号数据量降低39.37%。

研究背景方面，长距离海底管道服役年限延长使内腐蚀与裂纹等问题凸显，威胁运行安全。以压力差被动驱动的清管器（PIG）进行管道内检测（ILI）是主流手段，缺陷信号的幅值与峰谷间距是量化缺陷尺寸与严重程度的核心依据。现有固定时间采样在PIG速度波动时易出现高速漏检失真、低速冗余；基于里程计的等距采样在油污或焊缝干扰下易打滑失效；基于信号变化或深度强化学习的自适应采样则受噪声误判或训练数据依赖限制。机械限速又会牺牲输送效率。因此，需在数据采集端动态匹配采样频率与PIG运行状态。该研究发表于《Journal of Marine Science and Engineering》，提出融合IMU与里程计的多传感器速度估计，并将采样决策转化为空间采样间隔跟踪问题，用SSI-MPC滚动求解最优采样周期，兼顾信号完整性与存储资源约束。

关键技术方法上，研究人员基于实际工程牵拉试验与在役管道ILI数据，截取稳态、低速、速度跳变、高速四类工况段拼接成验证集，并在跳变与高速段注入随机里程计打滑系数扰动。速度估计采用卡尔曼滤波融合IMU轴向加速度与里程计累计位移，建立离散运动学状态方程与位移观测方程，经可观测性证明后递推时间更新与量测更新得到PIG轴向速度。采样控制侧将实际空间采样间隔Δx(k)=v(k)·T_s(k)线性化，以采样周期T_s为控制量、目标空间采样间隔Δx_ref=4 mm为跟踪目标，构建预测时域3、控制时域1、决策周期0.5 s的SSI-MPC，目标函数无量纲化加权空间间隔跟踪误差与采样周期变化率，约束采样周期于0.0004~0.01 s（对应100~2500 Hz）并嵌入基于最大预测速度的反欠采样保守约束。

研究结果部分，第2节建立PIG运动学与多传感器融合速度估计模型，推导连续与离散轴向运动方程，定义状态向量含位移s(k)与速度v(k)，以里程计累计位移为观测、IMU加速度为输入，给出状态转移矩阵A与观测矩阵H，计算可观测矩阵行列式非零证其可观测；用卡尔曼滤波递归得融合速度，图4显示融合速度消除了里程计差分噪声、IMU积分漂移及打滑突降，表2灵敏度与测量不确定度分析表明Q、R、P(0)在0.5~1.5倍参考值扰动下融合速度RMSD<0.006，测量扰动20次平均RMSD最大0.1277，稳定性良好。第3节将采样频率调整转化为空间采样间隔跟踪，由Δx=v/T_s得逆比例问题，改取T_s为控制变量化成线性跟踪；SSI-MPC含预测模型（零阶保持加速度、速度序列推空间间隔序列）、无量纲目标函数（式18含跟踪权λ₁与平滑权λ₂）、周期约束（式19）与反欠采样约束（式20）。第4节实验中，图5a表明SSI-MPC输出采样频率随融合速度上升且始终位于100~2500 Hz带内贴近理想线，图5b显示其空间间隔紧扣4 mm目标线，固定时间采样则大幅发散；图6与图7量化显示稳态与低速三策略均优，速度跳变与高速下里程计等距采样峰谷与幅值严重失真（RAE显著升高），固定时间采样亦偏差，SSI-MPC的RSE≤3.44%、RAE≤2.10%；图8数据量统计中固定时间采样400万点，里程计等距236万点，SSI-MPC 243万点，较固定时间减少39.37%，虽略多于里程计等距但信号保真度更优。第4.5节讨论指出结果基于多工况拼接数据集仿真，自然裂纹真实尺寸难获取故未做完整现场在线验证；嵌入式硬件需在0.5 s决策周期内完成卡尔曼与MPC滚动优化，线性化建模避免了非线性求解负担。

结论部分翻译如下：

（1）所提基于卡尔曼滤波的速度融合估计方法抑制了里程计差分速度的背景噪声与IMU积分速度的累积漂移，获得更平滑连续的PIG轴向速度估计。

（2）基于SSI-MPC的自适应采样随PIG轴向速度动态调整采样频率，使实际空间采样间隔贴近目标值，降低速度跳变与高速下欠采样风险，提升缺陷信号峰谷间距与幅值特征保持能力。

（3）固定时间采样在稳态与低速可保留关键定量特征，但在速度跳变与高速下峰谷间距、幅值及波形偏离原信号明显；里程计等距采样在无打滑稳态低速可行，跳变高速打滑时误差剧增；SSI-MPC较固定时间采样数据量减少39.37%，在保障缺陷信号完整性同时最大化利用PIG携带存储单元。未来将接入真实管道在线检测平台开展现场验证并考察嵌入式控制器实时性。