摘要：海底油氣輸送管道漏磁檢測裝置工作于高溫高壓環境下，其中的InSb霍爾傳感器對溫度敏感，需要補償溫度誤差。該文構建了多傳感器融合模型，將多個霍爾傳感器和溫度傳感器的輸出用徑向基函數(RBF)神經網絡進行融合，用遺傳算法對網絡進行訓練。實驗室檢測數據和反演出的缺陷形狀表明，采用神經網絡融合方法進行誤差補償，簡單方便，霍爾傳感器輸出的平均溫度敏感系數降低了兩個數量級。
　　關鍵詞：溫度誤差補償；神經網絡；數據融合；漏磁檢測

　　Temperature error compensation for sensors based on neural netw ork fusion CHEN Tianlu,QUE Peiwen

　　(Institute of Automatic Detection under Shanghai Jiaotong Univers ity,Shanghai 200030,China)

　　Abstract：The equipment to inspect submarine o il & gas transportation pipelines often works under high temperature and high pr essure.The InSb Hall sensors in the equipment which are sensitive to temperature need to be compensated.A multisensor fusion model is built.The test data of m ultiple magnet sensors and a temperature sensor are processed by a radial basis function(RBF) neural network.Genetic algorithm is chosen to train the netowrk.Th e labtested data and the simulation shapes of defects show that the temperatur e error compensation made by neural network fusion is simple and convenient.The mean temperature sensitive coefficient is reduced sharply to less than 1／100.
Key words：temperature error compensation;neural network;data fu sion;MFL detection

　　目前，我國在役長距離油氣輸送管道總長兩萬公里左右，腐蝕導致的油氣泄漏事故時有發生，造成了經濟損失、能源浪費。　　因此，對油氣管道進行檢測在國民經濟中占有極為重要的地位。漏磁檢測法是國家863高科技項目“管道檢測爬行器”采用的主要技術。其中的關鍵部件——InSb霍爾傳感器由于半導體材料的固有特性和制造工藝的缺陷，對溫度敏感，需要采用一定的溫度補償措施［1］。該文針對已研制成功的檢測設備，采用多傳感器數據融合方式消除溫度誤差。構建了多傳感器融合模型，選用徑向基函數(Radial Basis Function,RBF)網絡對磁敏傳感器和溫度傳感器的輸出進行融合，并通過實驗驗證了該方法的有效性。檢測系統的準確度和穩定性有了明顯的提高。

　　1漏磁檢測裝置及傳感器溫度特性
　　1.1漏磁檢測原理及裝置
　　漏磁檢測法是近年來廣泛應用于輸油輸氣管道檢測的有效方法，原理如圖1所示。如果被測管壁沒有缺陷，磁力線閉合；如果有缺陷，磁力線將穿出管壁而產生漏磁場［2］。磁敏傳感器將漏磁場的大小轉化為電壓數據輸出，輸出波形的幅度同缺陷的深度、波形的峰峰水平間距同缺陷寬度均是近似的線 性關系。因此，由漏磁信號波形可以反演出缺陷的形狀［3］。

　　已研制的管道檢測裝置由驅動機器人、系統控制器、供電部件、漏磁檢測部件、數據預處理部件和定位裝置6部分組成。檢測時，系統控制器控制驅動機器人帶動各個部件在管道中爬行，漏磁檢測傳感器組獲取管道狀態信息并將檢測數據送預處理部件放大、去噪、壓縮并存儲，以備離線分析反演。定位裝置用于確定檢測系統當前位置。
　　1.2InSb溫度特性
　　漏磁檢測傳感器組選用了InSb霍爾元件作為敏感元件。霍爾元件與其他常用的磁敏傳感器相比體積小、功耗小、耐震動、不怕油污、水汽等的污染或腐蝕，靈敏度高。但是該檢測裝置工作于溫度、壓力較高，且經常變化的環境下，霍爾傳感器的輸出電壓誤差較大。圖2是不同材料構成的霍爾傳感器輸出電壓與溫度變化的關系曲線［1］。InSb非線性嚴重。

　　2.多傳感器融合實現誤差補償
　　多傳感器信息融合是20世紀70年代興起的一個新學科，已廣泛應用于目標識別、狀態估計、威脅估計等領域。該技術將來自多個傳感器的數據進行多級別、多方面、多層次的處理，從而產生新的有意義的信息，這種信息是任何單一傳感器無法獲得的［4］。
　　2.1補償模型
　　該文嘗試將多傳感器信息融合應用于誤差補償中。在檢測裝置的漏磁傳感器部件中加入一個溫度傳感器，實時記錄工作環境的溫度。國內輸油輸氣管道管徑普遍較小，設備已排列7圈，共70個漏磁傳感器，空間緊張。而且，部件密封，內部環境溫度變化緩慢，因此只加入一個溫度傳感器。將軸向分布的10排(每排7個)漏磁傳感器分別和溫度傳感器的輸出進行融合，得到管道各個部分缺陷的特征參數和反演圖形，其模型見圖3所示。信息融合策略采用RBF神經網絡，其融合來自8個傳感器的數據。

　　2.2RBF神經網絡原理
　　RBF網絡是一種典型的局部逼近神經網絡，它不像全局逼近神經網絡那樣，對每個輸入輸出數據對、每一個權值均需要調整，而是調整對輸出有影響的少量幾個權值，從而使局部逼近網絡在逼近能力和學習速度方面有明顯的優勢［5］。
該RBF網絡結構為8－20－1形式。輸入層8個節點只是傳遞輸入信號到隱層，隱層20個單元通過徑向基函數實現變換后輸出到輸出層。輸出層節點只是簡單的線性函數。最常用的徑向基函數是高斯核函數(Gaussian kernel function),如式(1)所示。

　　其中，uj是j個隱層節點的輸出，X＝（x1，x2，…，xn)T是輸入樣本，Tj是高斯函數的中心值，σj是標準化常數，即徑向基寬度，M是隱層節點數。節點的輸出范圍在0和1之間，且輸入樣本越靠近節點的中心，輸出值越大。
網絡的輸出yi為隱層節點輸出uj的線性組合，如式(2)所示。

　　2.3訓練方法
　　由式(1)可知，該網絡要學習的參數有3類：RBF的中心、寬度和連接權重。可以分別訓練，也可同時進行。在隱節點數確定的情況下，采用遺傳算法同時訓練中心Tj、寬度σj以及隱層與輸出層的連接權重Wij。
遺傳算法是模擬生物進化過程的計算模型。它對包含可能解的群體反復使用選擇、交叉和變異操作，不斷生成新的群體，使種群不斷進化。當輸入節點較多時，該算法比傳統BP算法的全局最優性更佳，速度更快［6］。算法的適應度函數見式(3)。

　　其中，N為樣本數量，M為隱層節點數，b為待定系數(一般取較大的值，以保證適應度大于零)，d為期望的輸出，y為網絡的實際輸出。
個體j的選擇概率S(j)見式(4)。其中，fj表示個體j的適應度。S為群體規模。

　　文中采用單點交叉，將兩個基因串對應交叉位的值相結合生成新的基因串。
重復選擇交叉和變異操作，直到網絡達到精度要求。

　　3 實驗 
　　用簡化的海底管道檢測裝置(漏磁檢測部件中僅安裝一排7個漏磁傳感器和一個溫度傳感器)，在實驗室條件下，取10個溫度點(－10～80℃，每10℃一個點)，分別對一個半剖管道進行檢測。該管道和實際海底管道具有相同材質和管徑(195 mm)，并按美國無損檢測標準要求，用電火花加工的方法，在其內表面加工了多處不同尺寸、形狀和類型的缺陷。在每個溫度點處，每個漏磁傳感器取55個數據，組成55組數據，取44組作為訓練樣本數據，11組作為測試數據，用上述神經網絡方法進行訓練和測試，實現溫度誤差的融合補償。由于是多維輸入，訓練速度較慢。在網絡誤差設為0.001的情況下，用高斯函數訓練，一般需要經過2 300步左右網絡才可以滿足要求。用遺傳算法訓練，只需要1700步。

　　對一個長10 mm，深5 mm的標準矩形缺陷進行檢測，在兩個典型溫度點下的網絡輸出見圖4。圖中實線是期望的輸出，兩條虛線分別是70℃和－10℃下，未融合的輸出，“ ○”線和“＋”線是這兩個溫度點下融合后的輸出。由圖可見，融合前的兩條輸出波形偏離目標曲線，而且表示缺陷特征的波峰波谷的水平和豎直間距與目標值有一定的差距。融合后的輸出與期望值幾乎重合，補償效果顯著。圖5是反演后的缺陷圖。線型的意義與圖4相同。－10℃和70℃下的數據融合后反演出的缺陷與實際缺陷基本重合。未融合數據反演出的缺陷與實際缺陷深度有偏差。

　　定義傳感器的溫度敏感系數αS為在工作溫度范圍內，溫度變化1 K所引起的輸出電壓最大相對變化的平均值。

　　其中，S∈(1，2，…，44)為測量點序號，隨著裝置在管道內爬行，代表不同的檢測位置。t1、t2是工作溫度的上、下限值，U(t1)、U(t2)是S處溫度分別為t1、t2時傳感器的輸出值。用測試數據對網絡進行校驗，檢驗網絡的靈敏度和適應能力。融合前后7個傳感器的平均溫度敏感系數分別為3.1×10-3K-1和2.3×10-5K-1。可見，多傳感器融合進行溫度補償后傳感器的溫度敏感系數降低了兩個數量級。

　　4　結論
　　該文將數據融合理論和神經網絡方法應用到漏磁傳感器誤差補償中，大大提高了漏磁檢測傳感器的穩定性和準確性。對多個漏磁傳感器和溫度傳感器檢測數據融合后，輸出值的溫度敏感系數降低了兩個數量級，為整個檢測系統在高溫環境下測得高準確度的結果提供了保障。當 輸入節點多時，用遺傳算法比用高斯函數訓練網絡速度快。

　　參考文獻

　　［1］袁希光.傳感器技術手冊［M］.北京：國防工業出版社．
　　［2］金濤，闕沛文.小波分析對漏磁檢測噪聲消除實驗的分析［J］.傳感技術 學報，2003，(3)：260－262．
　　［3］汪友生，潘孟賢，何輔云.缺陷參數與漏磁信號關系的實驗研究［J］.合肥 工業大學學報，1998，21(5)：28－31．
　　［4］何友，王國宏，彭應寧，等.多傳感器信息融合及應用［M］.北京：電子 工業出版社，2000．
　　［5］姜靜清，宋初一，劉娜仁，等.RBF神經網絡的訓練方法及分析［J］.內蒙古 民族大學學報，2003，(8)：301－303．
　　［6］周春光，梁艷春.計算智能［M］.長春：吉林大學出版社，2001．
　　［7］鄧越，顏國正，左建勇．漏磁法管道壁厚檢測裝置［J］．工業儀表與自動 化裝置