东北大学无损检测实验室2022年度进展.pdf

无损检测2023年第45卷第6 期85IDT院企风采东北大学无损检测实验室2022年度进展1实验室概况东北大学信息科学与工程学院无损检测实验室创立于2 0 0 2 年，目前由5名教授（张化光博士、冯健博士、刘金海博士、汪刚博士、马大中博士）、3名讲师（刘秀博士、吴振宁博士、卢森骧博士）和10 0 余名博士、硕士研究生组成。团队依托“流程工业综合自动化”国家重点实验室、“流程工业数字化”仪表教育部工程研究中心、“计算机软件”国家工程研究中心、“材料电磁过程研究”教育部重点实验室、“材料先进制备技术”教育部工程研究中心、东北地区超算中心，是东北大学的学术科研带头团队。团队与中海油集团下属的中海石油中国有限公司、中海油能源发展装备技术有限公司等已有十余年的校企合作经历，双方共同完成了国家自然科学基金重大科研仪器研制项目、中海油重大企业技术攻关等项目，建立起了密切的产学研用合作关系。合作方为本项目的研究提供相关研究中心与实验平台，包括海管检测技术中心、多功能管道环路流体实验平台、多功能管道牵拉实验平台、海上管道测试实验平台和管道检测控制系统实验平台等，如图1所示。在国家重点研发计划（2 0 17 YFF0108804）、国家重大科研仪器研制项目（6 16 2 7 8 0 9）与国家自然科学基金重点项目经费的支持下，实验室已建成了包括涡流阵列-脉冲涡流成像平台、永磁-交流漏磁检测平台、常规电磁超声导波检测平台、金属磁记忆应力检测平台、陆上自适应巡检机器人平台、管内自爬行机器人平台、智能故障诊断中控平台。(a）海管检测技术中心（b）多功能管道环路流体实验平台(c)多功能管道牵拉实验平台无损检测2023年第45卷第6 期86IDT院企风采二(d）海上管道测试实验平台(e）管道检测控制系统实验平台图 1 中海油提供的相关研究中心与实验平台目前实验室拥有磁光成像系统、磁记忆检测系统、涡流成像系统、电磁超声测厚系统、漏磁内检测系统、电磁全息内检测系统、数据智能分析与诊断系统等，装备价值超过10 0 0 万。共建共享的实验平台和实验中心，包括电磁无损检测实验室、电磁系统研发实验平台、电磁测试实验平台、管道电磁速度测试平台、多功能牵拉平台、仪器设备装配中心等，如图2 所示。2022年，团队承担的国家重点研发计划与国家重大科研仪器研制项目成功验收，受到业内专家的一致好评。2 0 2 2 年，团队先后获批基金委联合基金重点项目，国家基金委面上项目和企业横向课题，在IEEETransactionsonIndustrial Informatics、I E E E T r a n s a c tio n s o nIndustrial Electronic、I E E E T r a n s a c tio n s o nInstrumentation and Measurement、I E E ETransactionsonCybernetics、仪器仪表学报、中国电机工程学报等国内外无损检测与故障诊断权威期刊上发表学术论文50 余篇，申请发明专利10 余项，多项研究成果已逐步实现成果转化。团队培养的研究生先后获得沈阳市优秀毕业生、省级科研竞赛奖励以及国家奖学金等荣誉。(a）电磁无损检测实验室(c）电磁测试实验平台（e）多功能牵拉平台b）电磁系统研发实验平台(d）管道电磁速度测试平台(f）仪器设备装配中心图2 团队共建及共享的实验室、实验平台和实验中心2代表性研究进展2.1数据获取技术研究进展团队研制出包含漏磁、涡流和超声的电磁全息采样系统（见图3），能够对目标进行三维重建和实时采样，提高了多源数据采集的精度和效率。此外，项目团队研发了高速实时分布式数据采集装置，已取得美国专利“DistributedNetworked Data Acquisition Device”（U S11/567,732），解决了分布式数据采集装置的体系结构、全息采样、多源信息的数据融合与解耦等关键技术问题，满足了现场对检测系统采样速度快、精度高和处理能力强的要求，同时保证了采集数据的准确性和可靠性，为检测源模型构建提供了有力的数据支撑。(a)漏磁传感器(b)超声传感器(c)涡流传感器(d)电磁全息传感器图3电磁全息采样系统无损检测2023年第45卷第6 期87图4内检测数据智能解析系统DT院企风采2.2无损检测技术研究进展团队开发了内检测数据智能解析系统（见图4），可分析漏磁、超声、涡流三种内检测技术数据，并实现内检测数据自动滤波、校正、标准化存储和缺陷组件的自动检出；基于此开发了超高清内检测器、超高清测径仪、反打孔盗油内检设备等国内领先的系列内检测产品，如图5所示。(a）漏磁内检测数据自动分析菜64004.2004.000(b)涡流内检测数据自动分析(a）管道多频电磁内检测器(b）管道电磁涡流检测器图5系统内检测设备2.3智能故障诊断理论与算法研究进展团队提出了基于多特征条件风险的漏磁数据恢复方法，有效地解决了数据间隙问题，其框图如图6 所示。进一步提出了一种无监督的多传感器循环监督卷积神经网络方法，实现了多周期监督 CNN的无监督异常检测，如图7 所示。此外，还提出了一种基于级联抽象特征的直接反演方法，有效处理了复杂条件下的特征提取和缺陷大小估计问题（见图8）。这些新型算法的设计能够显著提高管道缺陷检测准确性与缺陷轮廓反演精度。归一化尺寸关联特征减化后特征廉始完整数据多特征提取多特征Cnnd提取RikCondlitiotl iskMFL数据结果归一化尺寸关联特征减化后特征处理多特征提取数据量建图6 基于多特征条件风险的漏磁数据恢复方法框图10060（.）/图电defet0-503602000100200300400500400采样点采样点（a）管道异常信号标识酒环监蓄卷积神经网络AiAaialCatRdLomCEREeial输入信号训练样本生成训练fisdAxinN山异常检测Cincamfevestial多传感器猫环监督处理细节(b）神经网络拓扑流程图7 多传感器循环监督卷积神经网络方法的信号标识示例和拓扑流程传统通道附加通道融合通道objeetivefictons,MPDS-AEmodelRealsamphMetaInitialized emorPipelineinsp-ection gaugeMixedamplesMetalearmerMagneticedipolemodelCaseadingermor1Outputdefect sizesPhasetPhaise2Phuase3样本处理抽象特征提取快陷尺寸预估图8 基于级联抽象特征的直接反演方法框图无损检测2023年第45卷第6 期88IDT院企风采2.4工程应用实例团队开发的内检测智能分析系统作为国内先进海底管道内检测分析系统，已经在中海油海底管道推广应用，并完成40 余条管道检测，并被央视报道，如图9 所示。通过与国际先进产品指标比对，团队研究成果主要技术指标达到国际同类产品领先水平，在中海油海底管道和大庆油田管道应用中的深度误差为5.7 2%，领先国际先进精度近1倍，并在大庆油田陆地管道开挖验证中得到准确结果，如图10 所示。(a)中海油现场应用(b）中海油海底管道内检测器CCTV13商讯朝天下我海底管道漏石器破国外望断06：13 上燃气积膜(c)央视报道图9 中海油现场应用及央视报道图10大庆油田陆地管道开挖验证团队开发的管道泄漏实时监检测系统能够实时动态监检测管道运行状态，检测和定位管道泄漏点。系统从管道信息采集，多维数据传输，到泄漏定位计算和数据图形化显示，提供了一整套管道泄漏监检测的解决方案，整个系统实现了无人值守数据采集、多站点数据共享、多部门同时报警等功能。至目前为止，该系统已经应用在全国2 0 多个省、12 0 0 0 公里的管道上，发现泄漏超过2 0 0 0 次，创造经济效益超过8 亿元，该系统现场应用，如图11所示。(a)胜利油田河东线调度室(b)鲁皖管道处调度室精心摄作产(c)系统应用现场图11管道泄漏实时监检测系统应用3年度代表性成果1Jinhai Liu,Xiangkai Shen,JianfengWang,et al.An intelligent defect detectionapproach based on cascade attentionnetwork under complexmagnetic fluxleakagesignalsJ.IEEETransactions onIndustrial Electronics,2023.2Yifu Ren,Jinhai Liu,Qiannan Wanget al.HSELL-Net:a heterogeneous sampleenhancement network with lifelong learningunder industrial small samplesJ.IEEETransactions on Cybernetics.DOl:10.1109/TCYB.2022.3158697.3He Zhao,Jinhai Liu,JianhuaTang,et.al.A MFL mechanism-basedself-supervised method for defectdetection with limited labeled samplesJ.无损检测2023年第45卷第6 期89IDT院企风采IEEETransactions onInstrumentationandMeasurement.D0l:10.1109/TIM.2022.3212041.4Xiaoyuan Liu,Jinhai Liu,Zi Wang,et al.Basic-class and cross-class hybridfeature learning for class-imbalancedwelddefect recognitionJ.IEEE TransactionsonIndustrialInformatics.D0l:10.1109/TIl.2022.3228702.5Xiangkai Shen,Jinhai Liu,Jiayue Sun,et.al.SscT-Net:a semi supervised circularteacher network for defect detection withlimited labeled multiview MFL samplesJ.IEEETransactionson Industrial Informatics.DOI:10.1109/TIl.2022.3232764.6Yifu Ren,Jinhai Liu,HuaguangZhang,et.al.TDDA-Net:a transitive distantdomain adaptation network forindustrialsample enhancementJ.InformationSciences,606:927-944.7 Jinhai Liu,Liu Xiaoyuan,et.al.Adefect recognition method for low-qualityweld image based on consistent multi-scale feature mappingJ.IEEE Transactionson Instrumentation and Measurement,2022,71(4):1-11.8Yifu Ren,Jinhai Liu,Chen Yingjiao,et al.LJDA-Net:A Low-Rank Joint DomainAdaptation Network for Industrial SampleEnhancementJ.IEEESensors Journal,22(12):11881-11891.9Yifu Ren,Jinhai Liu,Jianfeng Wang,et al.TBDA-Net:A task-based bias domainadaptation network under industrial smallsamplesJ.IEEE Transactions on IndustrialInformatics.DOl:10.1109/Tll.2022.3141771.10 Lin Jiang,Jinhai Liu,Hang Xu,Xiangkai Shen,et.al.Anomaly detection ofindustrial multi-sensor signals based onenhanced-spatiotemporal featuresJ.NeuralComputingand Applications,2022.11 Lei Wang,Huaguang Zhang,JinhaiLiu,et.al.Defect size quantification forpipeline magnetic flux leakage detectionsystem via multi-level knowledge-guidedneural networkJ.IEEETransactionsonIndustrial Electronics,2022.DOl:10.1109/TIE.2022.3210557.12 Huaguang Zhang,Lei Wang,Jianfeng Wang,Fengyuan Zuo,JifengWang,Jinhai Liu.Apipeline defectinversion method with erratic mfl signalsbased on cascading abstract featuresJ.IEEETransactions on Instrumentation andMeasurement,2022,71:1-11no.3506711.13 Xiao Qi,Feng Jian,et al.Receiversignal analysis on geometry and excitationparameters of remote field eddy currentprobeJ.IEEE Transactions on IndustrialElectronics,2022.14 Feng Jian,Xiao Qi,et al.A doubleremote magnetic field synthesis methodfor reducing high-speed MFL signaldistortion caused by velocity effectJJ.IEEETransactions on Industrial Electronics,2023.15 Song Huadong,Xiao Qi,et al.Acompositeapproach of electromagneticacoustic transducer and eddy currentforinner and outer corrosion defectsdetectionJ.IEEE Transactions onInstrumentation and Measurement,2023,72:1-11.16 Xiao Qi.,Feng Jian,et al.Accurateidentification for 3-D position of hybriddefects in ferromagnetic pipe using externalremote field eddy current testingJ.IEEETransactions on Magnetics,2022,58(3):1-10.17 Wang Gang,Xiao Qi,et al.Multi-frequency AC magnetic flux leakage testingforthe detectionof surface and backsidedefects in thick steel platesJ.IEEEMagnetics Letters,2022,13:1-5.18 Feng Jian,Li Qiangxin,Xiao Qi,etal.A method of Rayleigh wave combined无损检测2023年第45卷第6 期902023年5院企风采with coil spatial pulse compressiontechnique for crack defects detectionJ.IEEETransactions on Instrumentation andMeasurement,2023,72:1-11.19 Wang Gang,Li Yuting,Xiao Qi,et al.Finite-element study of remote fieldeddy current method for inner diameter andouter diameter pipe defects classificationJ.insight,2023.20 Wang Gang,Liang Ce,Xiao Qi,et al.Research magnetic inversion in alternatingcurrent magnetic flux leakage testingJ.insight,2023.21肖奇，冯健，等.基于多频平衡电磁技术的管道内外缺陷检测与全角度表面裂纹识别方法 J.中国电机工程学报，2 0 2 2.22卢森，徐行，张润江，等.基于多维度选择性搜索的小样本缺陷识别方法 J.仪器仪表学报,2 0 2 2,43(0 1):2 2 0-2 2 8.23冯健，肖奇，等，一种基于多频同源平衡电磁技术的管道裂纹检测方法 P.申请号，202210301011.X.24徐行，刘金海，姜琳，等.裂纹检测方法、装置、电子设备及存储介质 P.申请号，202211308775.6.25刘金海，徐行，姜琳，等.基于多特征融合的管道漏磁非规则缺陷反演方法及装置 P.申请号，2 0 2 2 112 3 3 7 6 2.7.26刘金海，王立威，刘晓媛，两阶段超声无损检测信号高精度识别方法 P.申请号，202211343089.2.27刘金海，刘佳睿，任一夫，等.针对埋地管道野外巡检机器人的自主导航系统及方法P.申请号，2 0 2 2 10 6 7 0 7 6 4.6.28刘金海，黄瀚洋，吴振宁，等一种管道自动巡检机器人的精确定位方法及实现装置P.申请号，2 0 2 2 10 58 0 9 3 3.7.29汪刚，赵德伟，董柄谦，等.履带式管道机器人及其运动控制方法 P.申请号，202210290157.7.辽宁省能源综合优化与安全运行重点实验室东北大学智能电气科学与技术研究院肖奇，刘金海，汪刚，卢森，姜琳，徐行，李强鑫供稿