WSN和数据融合理论在钢管损伤识别研究中的应用
何孝兵 俞阿龙
摘 要： 针对钢管损伤识别的漏磁检测技术存在智能化低、检测装置复杂、使用有线传输采集数据的传输方式的现状，同时也为了使钢管损伤识别技术得到进一步的发展，提出将WSN和数据融合理论与漏磁检测技术相结合的方法。一方面，WSN技术为漏磁检测装置提供了无线传输的方式，省略了布线，简化了检测装置，提高了数据传输效率；另一方面，损伤识别的判断速率与精度通过遗传算法与神经网络相结合的方法得到了明显提高。这使得漏磁检测装置的效率得到了显著提升。
关键词： 钢管损伤识别； 漏磁检测技术； WSN； 数据融合； 遗传算法
中图分类号： TN98?34； TP183 文献标识码： A 文章编号： 1004?373X（2017）21?0167?03
Application of WSN and data fusion theory in study of steel tube damage identification
HE Xiaobing1， YU Along2
（1. School of Physics and Electronic?Electrical Engineering， Ningxia University， Yinchuan 750021， China；
2. School of Physics and Electronic Electrical Engineering， Huaiyin Normal University， Huaian 223300， China）
Abstract： The magnetic flux leakage （MFL） detection technology of steel tube damage identification has the problems of low intellectualization and complex detector， and uses the wire transmission for data acquisition， so a method combining MFL detection technology with wireless sensor network （WSN） and data fusion theory is proposed to further promote the development of steel tube damage identification technology. The WSN technology provides a wireless transmission mode for MFL detector， which can save the wiring， simplify the detector and improve the efficiency of data transmission； the method combining the genetic algorithm （GA） and neural network （NN） can improve the judgment rate and precision of damage identification， which can increase the efficiency of the MFL detector greatly.
Keywords： steel tube damage detection； MFL detection technology； WSN； data fusion； GA
0 引 言
生活中随处可见钢管的身影，在感叹钢管重要作用的同时，也应关注每年因钢管生产质量不过关或使用过度等损伤引起的工业事故。例如由于检修维护不当、工作环境苛刻和人为破坏等原因，导致能源管道受到破坏，进而引发能源泄漏，甚至引起失火、爆炸等安全事故；又如由于城市供水、排污管道疏于修葺、维护甚至遭到破坏，在极端天气下引发城市内涝，给人们的生产生活带来不便，造成巨大的经济损失。这一系列的事件都为钢管损伤识别的发展提出了更高的要求。
1 钢管损伤识别的研究现状
钢管损伤识别技术已经得到了飞速发展，当前已经成熟的损伤识别技术包括利用超声波振动原理的检测、运用涡流原理探伤、使用射线技术检测、采用磁粉渗透法进行检测[1]，以及针对特定运输物的检测方法，例如，针对石油的高聚物电缆法检测、针对可燃物的空气采样检测[2]等，它们作为比较成熟的技术，都得到了快速的发展，并已被广泛应用于各行各业。但由于检测成本、操作环境严苛等技术难题，传统的检测技术都存在或多或少的缺陷，如涡流检测对于钢管外部损伤的判断非常精确，但对于内部缺陷却束手无策。针对可燃物的空气采样检测虽然具有良好的灵敏度和准确度，可技术本身却具有非常高的危险性[2?3]。很多专家和研究人员都对各式各样的检测方法提出了改进和优化，Barbosar等人提出将遗传算法应用到结构损伤检测的想法引起了业内的广泛关注[4]，近几年将传统检测方法与现代智能技术相结合的研究成果令人感到非常欣喜[5?7]。
而另一种低成本、可多用途使用的漏磁检测作为一项已经得到大型油气管道维护机构使用的成熟技术，却受制于较低的智能化率而难以得到很好的发展。因此，本文提出将WSN、数据融合理论与漏磁检测技术相结合的方式进行钢管损伤识别，以提高漏磁检测准确性、提高检测效率、改善漏磁检测装置低智能化的现状。
2 检测技术理论简介
WSN（无线传感器网络）是指利用搭载微型传感器的无线传输芯片作为检测节点，在采集完数据后，利用节点间的无线通信方式将各节点采集的信息互相传递，最终传递给远程上位机的一种技术，上位机可将数据处理后传递给用户或大型控制中心，其原理如图1所示。
霍尔效应是指置于磁场中的电流由于受洛伦兹力，发生载流子偏转，产生霍尔电压，进而又受到与洛伦兹力方向相反的电场力，直到载流子所受的洛伦兹力与电场力达到平衡状态，原理图如图2所示。
图2中霍尔电势[UH=RHIB⊥d，]其中[RH]与[d]分别与霍尔元件本身的材料和厚度有关，令[KH=RHd，]则有[8]
[UH=KHIB⊥]。
图3给出了漏磁检测的原理。检测时使用磁铁等磁性物质对被测管进行磁化，当钢管有缺陷，因为缺陷处的空气和管体磁导率不同，磁力线在损伤处会弯曲漏出管壁，从而发生漏磁现象，进而被利用霍尔效应制成的磁敏传感器捕捉到漏磁场，经过适当的滤波、放大和进一步转化从而产生可检测利用的漏电压，电压信号的参数将被传输到分析系统中作具体分析。
数据融合是针对有关数据进行多级、多层面的处理，包括运用自动检测、关联、相关、估计及组合等方法处理传感器数据，并得出特定决策的过程。
本文使用遗传算法（GA）与人工神经网络（ANN）相结合的方式，保留了各自的优点，同时也避免了各自的缺点对整个系统最终可能产生的干扰。对于典型的BP神经网络，拟利用GA来优化BP神经网络的初始权值或在GA中嵌入BP算子等方式，从而克服BP神经网络常有的收敛速度慢、易陷入局部极小值点等弊端[9?10]，同时也能将不适用大型复杂系统的GA在复杂系统的设计研发中得到应用，最终推动数据融合理论的发展，GA?BP结合图如图4所示。
3 钢管损伤检测系统的设计与算法理论
对钢管损伤检测系统的设计主要包含硬件设计和软件设计。
3.1 漏磁检测器的硬件设计
硬件设计包括各种器件的选型，本文选择TI公司利用ZigBee协议进行无线传输的CC2530芯片作为漏磁检测器的核心处理器，磁敏元件选择AH3503线性霍尔传感器，理论灵敏度在7.5～25 MV/MT范围内，经过正常调校可稳定在13.5 MV/MT，且在-100～200 MT范围内有着较好的线性度，满足本次设计的要求，且在进一步对比后，选择直流磁化线圈作为钢管的磁化方式。
3.2 漏磁检测器的软件设计
软件设计主要包括传感器的数据采集和传输设计，CC2530对于数据的保存、处理和传输，神经网络系统对于损伤类型和程度的判别以及检测结果的最终显示和反馈。本文主要思路是使用经遗传算法改进的BP神经网络作为系统的判别算法，完成对损伤的分析和判断。
为了对损伤进行判断，在完成神经网络的构建及初始化之后，便需要让它训练，以使得神经网络能够在以后的检测中对具体的损伤做出准确的判断。
以各自的缺陷处中心作为原点，单个裂纹损伤和单个孔洞损伤的漏磁信号分布如图5所示，且同种类型漏磁信号与损伤尺寸在一定范围内呈正比趋势，如图6所示。
利用裂纹损伤信号的峰峰值大于孔洞损伤，裂纹损伤信号的平均值小于孔洞损伤，裂纹损伤信号的方差大于孔洞损伤等特性，以及漏磁[B]与漏电压成正比的关系，可以明确利用遗传算法及BP神经网络定性损伤程度和类别，从而提高钢管损伤检测技术的精度和实用性。
3.3 算法理论
以单纯的单隐层BP神经网络为例，以霍尔电势的峰峰值和最大脉冲宽度[Vpp，wd]作为网络的输入，选择函数[f（net）=11+e-net]作为本设计中神经网络的激励函数，其中[net=i=0mωikxi，][xi]为网络第[i]层的输入信号，当[i=0]时，令[xi=-1，]此时[ω0k]即为本系统的阈值；[ωik]为系统第[i]层到第[k]层的输入权值，神经网络通过学习调整[ωik，]使得定义的误差函数[σ=j=1Myj-f（netj）2]最小，其中[yj]是系统的理想输出。训练的最终目的是使该神经网络能够输出损伤类型和损伤尺寸，从而达到分辨损伤的目的。
在加入遗传算法前，首先需要解决的便是编码方式问题，为了减少数据的长度，以节省系统处理数据的时间，提高系统的效率，权衡之下选择实数编码方式进行编码。直接将神经网络的权值编排为长串，并在最后附着本次系统的阈值，即[pi=（ωik，ω0k）]。定义个体评价函数[Eval（pi）=E（pi），]则整个群体评价函数可定义为[Eval（P）=1ni=1nEval（pi）]。显然，[Eval（P）]越小，则[Eval（pi）]越小，从而可得[pi]越好。
4 结 语
本文提出将WSN和数据融合技术应用于钢管损伤识别的构想，通过将传统检测技术与原理和当前使用广泛的无线网络传输技术和现代化的BP神经网络算法相结合的构思，以推动两者的共同发展。在探索将传统检测技术智能化的道路上还有很多问题需要解决，譬如，在神经网络中运用哪种激励函数可以最大限度地辨别孔洞损伤的半径，是否能够利用输出信号的简单迭加来模拟一般性损伤的具体形状，这些问题有待进一步深入研究。
参考文献
[1] 金涛，阙沛文.一种管道漏磁无损检测传感器的设计与实现[J].工业仪表与自动化装置，2004（4）：28?30.
[2] 杨磊.基于WSN的输油管道安全监测系统网关设计[D].大连：大连理工大学，2013.
[3] 马超.无损检测技术在钢管检测中的应用概述[J].工程技术，2015（9）：230.
[4] BORGES C C H， BARBOSA H J C， LENNONGE A C C. Structural damage identification method based on genetic algorithm and vibrational data [J]. International journal for numerical methods in engineering， 2007， 69（13）： 2663?2686.
[5] 周邵萍，郝占峰，韩红飞，等.基于应变模态差和神经网络的管道损伤识别技术[J].振动、测试与诊断，2015，35（2）：334?338.
[6] 解源，朱亦丹，曾桂英，等.钢管磁性探伤多传感器信息融合模型的研究[J].集美大学学报（自然科学版），2011，16（2）：123?127.
[7] 林蔚，褚胜楠.多传感器输油管道检测数据融合技术[J].黑龙江大学自然科学学报，2015，32（3）：397?403.
[8] 黄传河.传感器原理与应用[M].北京：机械工业出版社，2014：101?102.
[9] 钟珞，饶文碧，邹成明.人工神经网络及其融合应用技术[M].北京：科学出版社，2007：83?84.
[10] 张德丰.Matlab神经网络应用设计[M].北京：机械工业出版社，2009：262?266.
摘 要： 针对钢管损伤识别的漏磁检测技术存在智能化低、检测装置复杂、使用有线传输采集数据的传输方式的现状，同时也为了使钢管损伤识别技术得到进一步的发展，提出将WSN和数据融合理论与漏磁检测技术相结合的方法。一方面，WSN技术为漏磁检测装置提供了无线传输的方式，省略了布线，简化了检测装置，提高了数据传输效率；另一方面，损伤识别的判断速率与精度通过遗传算法与神经网络相结合的方法得到了明显提高。这使得漏磁检测装置的效率得到了显著提升。
关键词： 钢管损伤识别； 漏磁检测技术； WSN； 数据融合； 遗传算法
中图分类号： TN98?34； TP183 文献标识码： A 文章编号： 1004?373X（2017）21?0167?03
Application of WSN and data fusion theory in study of steel tube damage identification
HE Xiaobing1， YU Along2
（1. School of Physics and Electronic?Electrical Engineering， Ningxia University， Yinchuan 750021， China；
2. School of Physics and Electronic Electrical Engineering， Huaiyin Normal University， Huaian 223300， China）
Abstract： The magnetic flux leakage （MFL） detection technology of steel tube damage identification has the problems of low intellectualization and complex detector， and uses the wire transmission for data acquisition， so a method combining MFL detection technology with wireless sensor network （WSN） and data fusion theory is proposed to further promote the development of steel tube damage identification technology. The WSN technology provides a wireless transmission mode for MFL detector， which can save the wiring， simplify the detector and improve the efficiency of data transmission； the method combining the genetic algorithm （GA） and neural network （NN） can improve the judgment rate and precision of damage identification， which can increase the efficiency of the MFL detector greatly.
Keywords： steel tube damage detection； MFL detection technology； WSN； data fusion； GA
0 引 言
生活中随处可见钢管的身影，在感叹钢管重要作用的同时，也应关注每年因钢管生产质量不过关或使用过度等损伤引起的工业事故。例如由于检修维护不当、工作环境苛刻和人为破坏等原因，导致能源管道受到破坏，进而引发能源泄漏，甚至引起失火、爆炸等安全事故；又如由于城市供水、排污管道疏于修葺、维护甚至遭到破坏，在极端天气下引发城市内涝，给人们的生产生活带来不便，造成巨大的经济损失。这一系列的事件都为钢管损伤识别的发展提出了更高的要求。
1 钢管损伤识别的研究现状
钢管损伤识别技术已经得到了飞速发展，当前已经成熟的损伤识别技术包括利用超声波振动原理的检测、运用涡流原理探伤、使用射线技术检测、采用磁粉渗透法进行检测[1]，以及针对特定运输物的检测方法，例如，针对石油的高聚物电缆法检测、针对可燃物的空气采样检测[2]等，它们作为比较成熟的技术，都得到了快速的发展，并已被广泛应用于各行各业。但由于检测成本、操作环境严苛等技术难题，传统的检测技术都存在或多或少的缺陷，如涡流检测对于钢管外部损伤的判断非常精确，但对于内部缺陷却束手无策。针对可燃物的空气采样检测虽然具有良好的灵敏度和准确度，可技术本身却具有非常高的危险性[2?3]。很多专家和研究人员都对各式各样的检测方法提出了改进和优化，Barbosar等人提出将遗传算法应用到结构损伤检测的想法引起了业内的广泛关注[4]，近几年将传统检测方法与现代智能技术相结合的研究成果令人感到非常欣喜[5?7]。
而另一种低成本、可多用途使用的漏磁检测作为一项已经得到大型油气管道维护机构使用的成熟技术，却受制于较低的智能化率而难以得到很好的发展。因此，本文提出将WSN、数据融合理论与漏磁检测技术相结合的方式进行钢管损伤识别，以提高漏磁检测准确性、提高检测效率、改善漏磁检测装置低智能化的现状。
2 检测技术理论简介
WSN（无线传感器网络）是指利用搭载微型传感器的无线传输芯片作为检测节点，在采集完数据后，利用节点间的无线通信方式将各节点采集的信息互相传递，最终传递给远程上位机的一种技术，上位机可将数据处理后传递给用户或大型控制中心，其原理如图1所示。
霍尔效应是指置于磁场中的电流由于受洛伦兹力，发生载流子偏转，产生霍尔电压，进而又受到与洛伦兹力方向相反的电场力，直到载流子所受的洛伦兹力与电场力达到平衡状态，原理图如图2所示。
图2中霍尔电势[UH=RHIB⊥d，]其中[RH]与[d]分别与霍尔元件本身的材料和厚度有关，令[KH=RHd，]则有[8]
[UH=KHIB⊥]。
图3给出了漏磁检测的原理。检测时使用磁铁等磁性物质对被测管进行磁化，当钢管有缺陷，因为缺陷处的空气和管体磁导率不同，磁力线在损伤处会弯曲漏出管壁，从而发生漏磁现象，进而被利用霍尔效应制成的磁敏传感器捕捉到漏磁场，经过适当的滤波、放大和进一步转化从而产生可检测利用的漏电压，电压信号的参数将被传输到分析系统中作具体分析。
数据融合是针对有关数据进行多级、多层面的处理，包括运用自动检测、关联、相关、估计及组合等方法处理传感器数据，并得出特定决策的过程。
本文使用遗传算法（GA）与人工神经网络（ANN）相结合的方式，保留了各自的优点，同时也避免了各自的缺点对整个系统最终可能产生的干扰。对于典型的BP神经网络，拟利用GA来优化BP神经网络的初始权值或在GA中嵌入BP算子等方式，从而克服BP神经网络常有的收敛速度慢、易陷入局部极小值点等弊端[9?10]，同时也能将不适用大型复杂系统的GA在复杂系统的设计研发中得到应用，最终推动数据融合理论的发展，GA?BP结合图如图4所示。
3 钢管损伤检测系统的设计与算法理论
对钢管损伤检测系统的设计主要包含硬件设计和软件设计。
3.1 漏磁检测器的硬件设计
硬件设计包括各种器件的选型，本文选择TI公司利用ZigBee协议进行无线传输的CC2530芯片作为漏磁检测器的核心处理器，磁敏元件选择AH3503线性霍尔传感器，理论灵敏度在7.5～25 MV/MT范围内，经过正常调校可稳定在13.5 MV/MT，且在-100～200 MT范围内有着较好的线性度，满足本次设计的要求，且在进一步对比后，选择直流磁化线圈作为钢管的磁化方式。
3.2 漏磁检测器的软件设计
软件设计主要包括传感器的数据采集和传输设计，CC2530对于数据的保存、处理和传输，神经网络系统对于损伤类型和程度的判别以及检测结果的最终显示和反馈。本文主要思路是使用经遗传算法改进的BP神经网络作为系统的判别算法，完成对损伤的分析和判断。
为了对损伤进行判断，在完成神经网络的构建及初始化之后，便需要让它训练，以使得神经网络能够在以后的检测中对具体的损伤做出准确的判断。
以各自的缺陷处中心作为原点，单个裂纹损伤和单个孔洞损伤的漏磁信号分布如图5所示，且同种类型漏磁信号与损伤尺寸在一定范围内呈正比趋势，如图6所示。
利用裂纹损伤信号的峰峰值大于孔洞损伤，裂纹损伤信号的平均值小于孔洞损伤，裂纹损伤信号的方差大于孔洞损伤等特性，以及漏磁[B]与漏电压成正比的关系，可以明确利用遗传算法及BP神经网络定性损伤程度和类别，从而提高钢管损伤检测技术的精度和实用性。
3.3 算法理论
以单纯的单隐层BP神经网络为例，以霍尔电势的峰峰值和最大脉冲宽度[Vpp，wd]作为网络的输入，选择函数[f（net）=11+e-net]作为本设计中神经网络的激励函数，其中[net=i=0mωikxi，][xi]为网络第[i]层的输入信号，当[i=0]时，令[xi=-1，]此时[ω0k]即为本系统的阈值；[ωik]为系统第[i]层到第[k]层的输入权值，神经网络通过学习调整[ωik，]使得定义的误差函数[σ=j=1Myj-f（netj）2]最小，其中[yj]是系统的理想输出。训练的最终目的是使该神经网络能够输出损伤类型和损伤尺寸，从而达到分辨损伤的目的。
在加入遗传算法前，首先需要解决的便是编码方式问题，为了减少数据的长度，以节省系统处理数据的时间，提高系统的效率，权衡之下选择实数编码方式进行编码。直接将神经网络的权值编排为长串，并在最后附着本次系统的阈值，即[pi=（ωik，ω0k）]。定义个体评价函数[Eval（pi）=E（pi），]则整个群体评价函数可定义为[Eval（P）=1ni=1nEval（pi）]。显然，[Eval（P）]越小，则[Eval（pi）]越小，从而可得[pi]越好。
4 结 语
本文提出将WSN和数据融合技术应用于钢管损伤识别的构想，通过将传统检测技术与原理和当前使用广泛的无线网络传输技术和现代化的BP神经网络算法相结合的构思，以推动两者的共同发展。在探索将传统检测技术智能化的道路上还有很多问题需要解决，譬如，在神经网络中运用哪种激励函数可以最大限度地辨别孔洞损伤的半径，是否能够利用输出信号的简单迭加来模拟一般性损伤的具体形状，这些问题有待进一步深入研究。
参考文献
[1] 金涛，阙沛文.一种管道漏磁无损检测传感器的设计与实现[J].工业仪表与自动化装置，2004（4）：28?30.
[2] 杨磊.基于WSN的输油管道安全监测系统网关设计[D].大连：大连理工大学，2013.
[3] 马超.无损检测技术在钢管检测中的应用概述[J].工程技术，2015（9）：230.
[4] BORGES C C H， BARBOSA H J C， LENNONGE A C C. Structural damage identification method based on genetic algorithm and vibrational data [J]. International journal for numerical methods in engineering， 2007， 69（13）： 2663?2686.
[5] 周邵萍，郝占峰，韩红飞，等.基于应变模态差和神经网络的管道损伤识别技术[J].振动、测试与诊断，2015，35（2）：334?338.
[6] 解源，朱亦丹，曾桂英，等.钢管磁性探伤多传感器信息融合模型的研究[J].集美大学学报（自然科学版），2011，16（2）：123?127.
[7] 林蔚，褚胜楠.多传感器输油管道检测数据融合技术[J].黑龙江大学自然科学学报，2015，32（3）：397?403.
[8] 黄传河.传感器原理与应用[M].北京：机械工业出版社，2014：101?102.
[9] 钟珞，饶文碧，邹成明.人工神经网络及其融合应用技术[M].北京：科学出版社，2007：83?84.
[10] 张德丰.Matlab神经网络应用设计[M].北京：机械工业出版社，2009：262?266.
