一種管道漏磁內檢測器數據的自適應濾波方法與流程

本發明涉及管道故障診斷技術領域，尤其涉及一種管道漏磁內檢測器數據的自適應濾波方法。

背景技術：
：

石油和天然氣等是具有流體特性的不可再生資源，又因其沒有一定的形狀，管道運輸在不受氣候驟變和環境突變的影響的同時還可以跨越長距離大量運輸，因此管道運輸成為運輸石油和天然氣等流體的必然選擇。當油氣輸送過程中，發生管道泄漏尤其爆管時，輕則造成經濟損失，能源損失，對生態環境造成不利影響，重則會造成人員傷亡，管道運輸的泄漏檢測與管道維護是管道運輸的重要難題之一。

在國內外范疇上，行業公認且行之有效的安全檢測最有效手段就是管道內檢測技術，即為無損檢測技術，而不同于任何以往的破壞性檢測。該檢測技術就是在不破壞管道化學性質和原有狀態的基礎上，能夠獲取管道特征的檢查方法。管道內檢測器裝置借助管道內介質的物理流動作用作為動力在管道內移動。當內檢測裝置在管道中被取出后，再針對于檢測器所采集到的完整數據結構進行分析和處理。并且經過相應計算得到管道被腐蝕的缺陷形狀和具體所處位置信息。因此，管道內檢測技術能夠攻克所檢測管道的缺陷位置難題，不僅能夠準確定位，而且還能夠實現實時預警，并且能夠識別出缺陷的類型甚至大小，進而在維護管道方面提供了強而有力的科學依據與特征提取方法，在很大程度上避免了管道的盲目維修，大大地減少了管道維修所花費的人力和物力等。管道內檢測機器人主要通過直接無損的方法對管道進行在線檢測，其在管道中行走前進的動力為管道輸送介質，通過對采集到的數據進行處理分析得出管道的變形、缺陷、腐燭、裂紋程度情況并且能夠對其進行準確定位。管道無損檢測在管道安全工程中能夠準確無誤定位到管道缺陷部位，詳細了解到管道運行狀況，是保證管道科學高效與安全有效運營的方法。通過采用科學有效地無損檢測手段實現了管道的壽命預測，延長管道的使用壽命以及故前預防，并且經濟效益也得到了大大提升。

然而管道內檢測器在采集管道漏磁數據過程中，會摻雜各種各樣的噪聲信號。即使抑制了外界干擾源，在漏磁檢測裝置采集數據的整個過程中差不多依然會出現噪聲，其中有少量的系統噪聲，大多數為隨機噪聲。從漏磁信號濾波根源來說，濾波方法均為低通濾波算法。低通濾波算法本身是一把雙刃劍，它不僅可以實現漏磁信號噪聲濾除，而且能夠消除漏磁信號中部分有用高頻信息。以此看來，我們在研究每種去噪方法的過程，本質上就是在保留高頻信息與去噪之間進行權衡。現有漏磁數據濾波技術存在很多不足之處，例如現有管道壽命預測不準，管道故障診斷時難于進行特征提取，濾波效果不明顯等問題。

技術實現要素：
：

針對現有技術的缺陷，本發明提供一種管道漏磁內檢測器數據的自適應濾波方法，使管道壽命預測更加準確，管道故障診斷時更加易于特征提取，濾波效果明顯，并具有快速精準的大數據處理功能。

一種管道漏磁內檢測器數據的自適應濾波方法，包括以下步驟：

步驟1：利用管道內檢測器裝置采集漏磁信號，進行放大處理后存儲，并將其轉化為電壓信號，進行基值校正縮放復原，再進一步轉換為實際數字電壓信號；

步驟2：用改進的平均中值校正方法對步驟1輸出的數字電壓信號進行基線校正，具體步驟如下：

步驟2-1：將可能存在的缺陷信號去除掉，允許去除掉比缺陷信號范圍更大的信號數據，盡可能只保留無缺陷處的表示磁場強度的漏磁信號數據；

步驟2-2：按公式對軸向漏磁信號進行基線校正，得到校正后的軸向漏磁信號矩陣X∈R^p×q，其中，q為管道內檢測器中的軸向霍爾傳感器個數，p為每個霍爾傳感器的數據總里程點數，V_v(u)′為第v個霍爾傳感器在第u個里程點處檢測到的校正后的電壓值，V_v(u)為第v個霍爾傳感器在第u個里程點處檢測到的校正前的電壓值，V_v為第v個霍爾傳感器檢測到的p個電壓值的中值；

步驟3：用變尺度窗插值擬合算法對步驟2輸出的漏磁信號進行異常數據的查找、剔除和補償，具體步驟如下：

步驟3-1：讀取基線校正后的單通道漏磁數據，設計1×g的變尺度滑動窗，g為滑動窗的寬度；

步驟3-2：將滑動窗從單通道漏磁數據首端到數據末端進行滑動，通過滑動窗中的數據差值擬合出下一點，將這個點再和實際的點進行比較得到差值，將該差值和預設閾值進行比較，如果差值比預設閾值大，則判定為是異常點，反之，則為正常點；

步驟3-3：如果單通道漏磁數據本身存在很多異常點，則會記錄很多的離散異常點，若這些異常點離得很近，則認為其間的數據有可能也無效，需要對所有的離散異常點進行重組；對數據進行鄰近插值計算，如果兩個異常點之間數據少于兩個，則將其合并為一段，反之，則不進行重組；

步驟3-4：利用三次樣條插值對異常數據進行補償，輸出補償后的漏磁信號；

步驟4：用基于閾值的方法對步驟3輸出的漏磁信號進行單通道信號分類，將其中的非管道部件漏磁信號分為無缺陷信號、小波動信號和大缺陷信號，具體步驟如下：

步驟4-1：設漏磁信號峰值閾值為σ，若某通道漏磁信號峰值超過σ，則該通道內的對應位置為焊縫，并向左右兩邊的數據各擴充一個寬度ε，為該管道的管道部件漏測信號，剩余的數據為非管道部件漏磁信號；

步驟4-2：將海量非管道部件漏磁信號數據進行數據分割，分段進行處理，分別對每段數據利用求中值乘系數θ₁(θ₁＞1)的方法自動計算自適應閾值λ₁，λ₁用于區分漏磁信號是否含缺陷，如果非管道部件漏磁信號數據沒有超過閾值λ₁，則該漏磁信號數據是無缺陷漏磁信號，記為ψ₁，如果非管道部件漏磁信號數據超過閾值λ₁，則該漏磁信號數據是疑似有缺陷的漏磁信號，記為ψ₁′；

步驟4-3：對疑似有缺陷的漏磁信號ψ₁′進行信號段擴展，在擴展后的信號段中尋找波谷值與波峰值，再求最大波谷差，然后根據機器學習得到小缺陷信號的峰谷差，即自適應閾值λ₂，λ₂用于判斷疑似有缺陷的漏磁信號的波動情況，如果擴展后的信號段中的漏磁信號數據沒有超過λ₂，則該漏磁信號數據是小波動信號，記為ψ₂，如果擴展后的信號段中的漏磁信號數據超過λ₂，則該漏磁信號數據是大缺陷信號，記為ψ₃；

步驟4-4：當該管道的全部非管道部件漏磁信號分類處理完畢后，信號段間會出現重疊現象，需重新標定，將ψ₂與ψ₁重疊部分歸為ψ₂，將ψ₃與ψ₁重疊部分歸為ψ₃，將ψ₃與ψ₂重疊部分歸為ψ₃；

步驟4-5：判斷是否所有管道均完成漏磁信號分類處理，若沒有完成，則返回步驟4-1至步驟4-4，對下一管道進行漏磁信號分類處理，若完成，則執行步驟5；

步驟5：對步驟4中不同的信號類別采取相應的自適應濾波算法進行線濾波，具體步驟如下：

步驟5-1：對無缺陷漏磁信號ψ₁進行線濾波，先通過FFT濾波算法進行粗濾波，直接進行高頻段噪聲的剔除，再通過中值濾波算法對幅值進行進一步削減，最后通過平滑均值濾波平滑漏磁信號，進行無缺陷信號混合濾波；

步驟5-2：對小波動信號ψ₂進行線濾波，先通過等紋低通濾波算法對缺陷信號進行濾波，再通過貝塞爾濾波算法對幅值進行進一步平滑，進行小波動信號混合濾波；

步驟5-3：對大缺陷信號ψ₃進行線濾波，先通過窗函數法濾波算法對缺陷信號進行濾波，再通過小波濾波算法對幅值進行進一步平滑，進行大缺陷信號混合濾波；

步驟6：通過對比和分析相鄰通道間噪聲影響的程度，進行漏磁信號多通道均衡化；

步驟7：用基于連通域的方法對步驟6輸出的非管道部件漏磁信號進行多通道信號區域分類，分為無缺陷區域、小波動區域和大缺陷區域，具體步驟如下：

步驟7-1：將海量非管道部件漏磁信號數據進行數據分割，分區域進行處理，分別對每區域漏磁信號數據利用求中值乘系數θ₂(θ₂＞1)的方法自動計算自適應區域閾值λ₃，λ₃用于區分該漏磁信號區域是否含有缺陷，如果區域閾值λ₃為0，則該漏磁信號區域為無缺陷區域，記為ψ₄，如果區域閾值λ₃為1，則該漏磁信號區域為疑似有缺陷的區域，記為ψ₄′；

步驟7-2：對疑似有缺陷的區域ψ₄′進行區域擴展，在擴展后的區域中尋找波谷值與波峰值，再求最大波谷差，然后根據機器學習得到小缺陷信號的峰谷差即自適應區域閾值λ₄，λ₄用于判斷疑似有缺陷的漏磁信號區域的波動情況，如果區域閾值λ₄為0，則該漏磁信號區域為小波動區域，記為ψ₅，如果區域閾值λ₄為1，則該漏磁信號區域為大缺陷區域，記為ψ₆；

步驟7-3：當該管道的全部非管道部件漏磁信號處理完畢后，信號段間會出現重疊現象，需重新標定，將ψ₅與ψ₄重疊部分歸為ψ₅，將ψ₆與ψ₄重疊部分歸為ψ₆，將ψ₆與ψ₅重疊部分歸為ψ₆；

步驟7-4：判斷是否所有管道均完成漏磁信號區域分類處理，若沒有完成，則返回步驟7-1至步驟7-4，對下一管道進行漏磁信號區域分類處理，若完成，則執行步驟8；

步驟8：對步驟7中不同的信號區域采取相應的濾波算法進行面濾波，具體步驟如下：

步驟8-1：對無缺陷區域ψ₄進行面濾波，先通過中值濾波算法對幅值進行削減，再通過均值濾波平滑曲線，進行無缺陷區域混合濾波；

步驟8-2：對小波動區域ψ₅進行面濾波，先通過高斯濾波算法對小缺陷區域漏磁信號進行濾波，實現去噪與盡可能大的使缺陷信號不失真，再通過巴特沃斯濾波算法對幅值進行進一步平滑，達到缺陷信號圖像增強的效果，進行小波動區域混合濾波；

步驟8-3：對大缺陷區域ψ₆進行面濾波，先通過高斯濾波算法對大缺陷區域漏磁信號進行濾波，再通過小波包濾波算法對幅值進行進一步平滑，進行大缺陷區域混合濾波。

進一步地，所述步驟6的漏磁信號多通道均衡化，具體包括以下步驟：

步驟6-1：選擇管道系統n+1條通道中的一個通道為參考通道，其余n條為輔助通道，c_ref(t)和c_i(t)分別為參考通道和第i條輔助通道的固有時域脈沖響應，C_ref(jω)和C_i(jω)分別為參考通道和第i條輔助通道的頻域傳遞函數，其中，i＝1，2，…，n，輔助通道和參考通道的輸入信號均為d(t)，第i條輔助通道和參考通道的輸出信號分別為信號x_i(t)和y_ref(t)，且分別滿足式(1)和式(2)；

步驟6-2：采用窗函數法均衡濾波器進行濾波，使n+1條通道的每個傳遞函數均能完好的配對，保證通過參考通道的延遲量與通過輔助通道的延遲量相同，即輸出信號等效，如式(3)和式(4)所示；

C_ref(jω)×H_ref(jω)＝H_i(jω)×C_i(jω)，i＝1，2，…，n (3)

其中，H_ref(jω)是具有線性相位響應的全通濾波器的傳遞函數，H_i(jω)表示第i條通道所需的均衡化傳遞函數；

則第i條通道所需的均衡化傳遞函數H_i(jω)為式(5)；

第N個濾波器的傳遞函數由式(6)表示；

其中，h_k表示權重系數；

定義a(ω)＝[1，e^-jω，…，e^-jω(N-1)]^T和h＝[h₁，h₂，…，h_N]^T，a(ω)和h均為N×1向量，a^T(ω)h的結果為自適應均衡化后的頻率響應。

選擇權重系數向量h使得向量規范γ最小，向量規范γ表示理想濾波器響應與實際獲得的響應之間的最小平方差，用式(7)表示；

其中，a(ω_z)表示同一里程點數、不同通道的電壓量組成的向量；W_z表示對角權重矩陣，是一個加權矩陣；ω_z表示第z個里程點，H(jω_z)表示同一里程點數、不同通道所需的均衡化傳遞函數組成的向量。

由上述技術方案可知，本發明的有益效果在于：本發明提供一種管道漏磁內檢測器數據的自適應濾波方法，一方面在濾波前對漏磁異常數據進行了查找、剔除與補償，減輕了濾波負擔；另一方面對漏磁數據進行了線濾波和面濾波的結合，濾波失真小，效果理想，濾波的同時能更多地保留有用信息。其中，針對漏磁數據特點，能實現海量漏磁數據區域的劃分，有效提高漏磁數據區域劃分的準確性和智能化；并能實現漏磁信號多通道均衡化，提高測試設備的使用性能，更加易于缺陷特征提取和定位估測水平；針對不同漏磁數據區域的特點，再結合多種經典濾波算法的特點，提出基于漏磁內檢測器的自適應單通道濾波方法和多通道濾波方法，從而快速、精準地完成大數據預處理功能，管道壽命預測準確，管道故障診斷時方便特征提取，濾波效果明顯。

附圖說明：

圖1為本發明實施例提供的管道漏磁內檢測器數據的自適應濾波方法總流程圖；

圖2為本發明實施例提供的管道漏磁信號異常數據中的信號奇異點和缺陷信號曲線示意圖；

圖3為本發明實施例提供的管道漏磁信號異常數據中的信號缺失點曲線示意圖；

圖4為本發明實施例提供的管道漏磁信號異常數據的查找、剔除和補償流程圖；

圖5為本發明實施例提供的單通道數據分類流程圖；

圖6為本發明實施例提供的非管道部件漏磁數據分類曲線示意圖；

圖7為本發明實施例提供的單通道自適應濾波算法示意圖；

圖8為本發明實施例提供的自適應均衡器流程圖；

圖9為本發明實施例提供的多通道數據分類流程圖；

圖10為本發明實施例提供的多通道自適應濾波算法示意圖。

具體實施方式：

下面結合附圖和實施例，對本發明的具體實施方式作進一步詳細描述。以下實施例用于說明本發明，但不用來限制本發明的范圍。

一種管道漏磁內檢測器數據的自適應濾波方法，該方法主要包括三大部分：前期處理部分，用于完成采集數據的校正；單通道濾波部分，用于完成線濾波；多通道濾波部分，用于完成面濾波。本實施例提供的一種管道漏磁內檢測器數據的自適應濾波方法，如圖1所示，具體步驟如下所述。

步驟1：利用管道漏磁內檢測器裝置采集漏磁信號，對采集信號放大處理后進行存儲，并將其轉化為電壓信號，進行基值校正縮放復原，再進一步轉換為實際數字電壓信號。

步驟2：用改進的平均中值校正方法對步驟1輸出的數字電壓信號進行進一步基線校正，使漏磁信號更加易于數據處理，具體步驟如下：

步驟2-1：將可能存在的缺陷信號去除掉，允許去除掉比缺陷信號范圍更大的信號數據，盡可能只保留無缺陷處的表示磁場強度的漏磁信號數據；

步驟2-2：按公式對軸向漏磁信號進行基線校正，得到校正后的軸向漏磁信號矩陣X∈R^p×q。其中，q為管道內檢測器中的軸向霍爾傳感器個數，p為每個霍爾傳感器的數據總里程點數，本實施例中，p是采集到的海底管道總里程點數，海底管道長度1米對應500個里程數據；V_v(u)′為第v個霍爾傳感器在第u個里程點處檢測到的校正后的電壓值，V_v(u)為第v個霍爾傳感器在第u個里程點處檢測到的校正前的電壓值；V_v為第v個霍爾傳感器檢測到的p個電壓值的中值，取值在2.5V左右。

管道漏磁信號異常數據示意圖，如圖2和圖3所示。在采集到的數據中，常見的異常數據有兩種，一種為信號奇異點，其特點為突然有一個值或連續幾個值幅值突然增大很多，一種為信號缺失點，其特點為連續幾個值幅值等于基值。

步驟3：用變尺度窗插值擬合算法對步驟2輸出的漏磁信號進行異常數據的查找、剔除和補償，其流程如圖4所示，具體步驟如下：

步驟3-1：讀取基線校正后的單通道漏磁數據，設計1×g的變尺度滑動窗，g為滑動窗的寬度，取值在4-10之間，本實施例中，g取值為5；

步驟3-2：將滑動窗從單通道漏磁數據首端到數據末端進行滑動，通過滑動窗中的數據差值擬合出下一點，將這個點再和實際的點進行比較得到差值，將該差值和預設閾值進行比較，如果差值比預設閾值大，則判定為是異常點，記錄并保存該異常點信息，反之，則為正常點，滑動窗想右移動一個窗口大小的單位；本實施例中，預設閾值設為0.04；

步驟3-3：漏磁數據解析完成后，如果數據本身存在很多異常點，則會記錄很多的離散異常點，異常點查找結束后，這些異常點若離得很近，則認為其間的數據有可能也無效，因此需要對所有的離散異常點進行重組；對數據進行鄰近插值計算，如果兩個異常點之間數據少于兩個，即U(i+1)-U(i)＜3，則將其合并為一段，再進行下一組異常點的比較，反之，則不進行重組，繼續下一組異常點的比較，直到全部數據完成重組；

步驟3-4：利用三次樣條插值對異常數據進行補償，利用三次樣條插值函數將缺失數據補償回來，輸出補償后的漏磁信號；

步驟4：用基于閾值的方法對步驟3輸出的漏磁信號進行單通道信號分類，將其中的非管道部件漏磁信號分為無缺陷信號、小波動信號和大缺陷信號，單通道數據分類流程如圖5所示，具體步驟如下：

步驟4-1：由于焊縫處各通道峰值均很高，因此設定漏磁信號峰值閾值為σ，若某通道漏磁信號峰值超過σ，則該通道內的對應位置為焊縫，并向左右兩邊的數據各擴充一個寬度ε，為該管道的管道部件漏測信號，剩余的數據為非管道部件漏磁信號。

步驟4-2：為了自動識別自適應閾值準確，將海量非管道部件漏磁信號數據進行數據分割，分段進行處理，分別對每段數據利用求中值乘系數θ₁(θ₁＞1)的方法自動計算自適應閾值λ₁，λ₁用于區分漏磁信號是否含缺陷，如果非管道部件漏磁信號數據沒有超過閾值λ₁，則該漏磁信號數據是無缺陷漏磁信號，記為ψ₁，如果非管道部件漏磁信號數據超過閾值λ₁，則該漏磁信號數據是疑似有缺陷的漏磁信號，記為ψ₁′；

步驟4-3：對疑似有缺陷的漏磁信號ψ₁′進行信號段擴展，在擴展后的信號段中尋找波谷值與波峰值，再求最大波谷差，然后根據機器學習得到小缺陷信號的峰谷差，即自適應閾值λ₂，λ₂用于判斷疑似有缺陷的漏磁信號的波動情況，如果擴展后的信號段中的漏磁信號數據沒有超過λ₂，則該漏磁信號數據是小波動信號，記為ψ₂，如果擴展后的信號段中的漏磁信號數據超過λ₂，則該漏磁信號數據是大缺陷信號，記為ψ₃；

步驟4-4：當該管道的全部非管道部件漏磁信號分類處理完畢后，信號段間會出現重疊現象，需重新標定，將ψ₂與ψ₁重疊部分歸為ψ₂，將ψ₃與ψ₁重疊部分歸為ψ₃，將ψ₃與ψ₂重疊部分歸為ψ₃；

步驟4-5：判斷是否所有管道均完成漏磁信號分類處理，若沒有完成，則返回步驟4-1至步驟4-4，對下一管道進行漏磁信號分類處理，若完成，則執行步驟5。

圖6為本實施例中非管道部件漏磁數據單通道數據分類后信號的曲線示意圖。

步驟5：對步驟4中不同的信號類別采取相應的自適應濾波算法進行線濾波，本實施例單通道自適應濾波算法為，信號段ψ₁采用無缺陷信號混合濾波算法；信號段ψ₂采用小波動信號混合濾波算法；信號段ψ₃采用大缺陷信號混合濾波算法，如圖7所示，具體步驟如下：

步驟5-1：對無缺陷漏磁信號ψ₁進行線濾波；

對于ψ₁，盡可能削弱信號幅度，平滑地濾除此區域信號，使幅值接近基值的平坦信號；FFT方法可以從頻譜分析圖上直接對高頻信號即噪聲信號進行濾除，當中值濾波的參數取的較大時，信號幅度也會大幅度減小，同時平滑均值濾波最大的特點就是使信號更加平滑；

先通過FFT濾波算法進行粗濾波，直接進行高頻段噪聲的剔除，再通過中值濾波算法對幅值進行進一步削減，最后通過平滑均值濾波平滑漏磁信號，通過選取合適的參數，使三種方法完美的結合在一起，進行無缺陷信號混合濾波；

步驟5-2：對小波動信號ψ₂進行線濾波；

對于ψ₂，既有可能是小缺陷又有可能是大幅度噪聲信號，若為噪聲信號，應達到削減其幅值，類似于處理不含有缺陷的信號的效果，若為小缺陷信號，則應保證平滑信號地情況下使其幅度稍微增大，即圖像增強；等紋低通濾波最大的特點就是最大誤差最小化，并且其最大逼近誤差均勻分布；貝塞爾濾波最大的特點就是失真小，不存在過沖現象，且參數適當時，可使圖像增強；通過等紋低通濾波和貝塞爾濾波混合濾波算法處理含有小缺陷信號的數據；

因此先通過等紋低通濾波算法對缺陷信號進行濾波，再通過貝塞爾濾波算法對幅值進行進一步平滑，通過選取合適的參數，使兩種方法完美的結合在一起，進行小波動信號混合濾波；

步驟5-3：對大缺陷信號ψ₃進行線濾波；

對于ψ₃，應保證在不失真的情況下，即保證缺陷信號的峰谷差盡量不變，使其更加平滑；窗函數法濾波在濾除噪聲的同時，可使圖像平滑，且失真較小；小波分析方法能同時在時、頻域內對信號進行分析，能有效的區分信號中的缺陷信號和噪聲，從而完成含有較大缺陷信號的去噪；

因此先通過窗函數法濾波算法對缺陷信號進行濾波，再通過小波濾波算法對幅值進行進一步平滑，通過選取合適的參數，使兩種方法完美的結合在一起，進行大缺陷信號混合濾波。

步驟6：通過對比和分析相鄰通道間噪聲影響的程度，進行漏磁信號多通道均衡化，本實施例的自適應均衡器進行均衡化的過程如圖8所示，信號s₁(t)到s_n(t)是所需的均衡化處理后的信號，具體步驟如下：

步驟6-1：管道系統里有n+1條通道，選擇管道系統n+1條通道中的一個通道為參考通道，其余n條為輔助通道，c_ref(t)和c_i(t)分別為參考通道和第i條輔助通道的固有時域脈沖響應，C_ref(jω)和C_i(jω)(i＝1，2，…，n)分別為參考通道和第i條輔助通道的頻域傳遞函數，每個通道中包括漏磁傳感器、放大器、低通濾波器和A/D轉換器，第i條輔助通道和參考通道的輸入信號均為d(t)，第i條輔助通道和參考通道的輸出信號分別為信號x_i(t)(i＝1，2，…，n)和y_ref(t)，且分別滿足式(1)和式(2)；

步驟6-2：為了保證n+1條通道的每個傳遞函數均能完好的配對，采用窗函數法均衡濾波器進行濾波，H_ref(jω)是具有線性相位響應的全通濾波器，要保證通過參考通道的延遲量與通過輔助通道的延遲量相同，即輸出信號等效，如式(3)和式(4)所示；

C_ref(jω)×H_ref(jω)＝H_i(jω)×C_i(jω)，i＝1，2，…，n (3)

其中，H_i(jω)表示第i條通道所需的均衡化傳遞函數；

則第i條通道所需的均衡化傳遞函數H_i(jω)為式(5)；

第N個濾波器的傳遞函數由式(6)表示：

其中，h_k表示權重系數；

定義a(ω)＝[1，e^-jω，…，e^-jω(N-1)]^T和h＝[h₁，h₂，…，h_N]^T，a(幼和h均為N×1向量，a^T(ω)ha^T(ω)h的結果為自適應均衡化后的頻率響應。

選擇權重系數向量h使得向量規范γ最小，向量規范γ表示理想濾波器響應與實際獲得的響應之間的最小平方差，用式(7)表示；

其中，a(ω_z)表示同一里程點數、不同通道的電壓量組成的向量；W_z表示對角權重矩陣，和在不同頻率下的需求與擬合精度關，是一個加權矩陣；ω_z表示第z個里程點，H(jω_z)表示同一里程點數、不同通道所需的均衡化傳遞函數組成的向量；

為達到更好的均衡效果，將式(7)進行優化，得到式(8)；

通過對采樣后的y_ref和x_i序列進行M點離散傅里葉變換即DFT，得到均衡器所需的響應值如式(9)；

用H_i(jω)替代則

式中，m為需要均衡化的帶寬采樣點數量；

設置頻率響應H_ref(jω)作為均衡化效果好壞的標準，頻率響應H_i(jω)的不匹配特性如式(11)所示，

其中，D(jω)表示頻率響應H_i(jω)的不匹配特性，ΔH(jω)表示幅度不匹配性，Δφ(ω)表示相位不匹配性；

定義通道的幅度不匹配和相位不匹配分別為為式(12)和式(13)。

步驟7：用基于連通域的方法對步驟6輸出的非管道部件漏磁信號進行多通道信號區域分類，分為無缺陷區域、小波動區域和大缺陷區域，本實施例多通道數據分類流程如圖9所示，具體步驟如下：

步驟7-1：將海量非管道部件漏磁信號數據進行數據分割，分區域進行處理，分別對每區域漏磁信號數據利用求中值乘系數θ₂(θ₂＞1)的方法自動計算自適應區域閾值λ₃，λ₃用于區分該漏磁信號區域是否含有缺陷，如果區域閾值λ₃為0，則該漏磁信號區域為無缺陷區域，記為ψ₄，如果區域閾值λ₃為1，則該漏磁信號區域為疑似有缺陷的區域，記為ψ₄′；

步驟7-2：對疑似有缺陷的區域ψ₄′進行區域擴展，在擴展后的區域中尋找信號波谷值與波峰值，再求最大波谷差，然后根據機器學習得到小缺陷信號的峰谷差即自適應區域閾值λ₄，λ₄用于判斷疑似有缺陷的漏磁信號區域的波動情況，如果區域閾值λ₄為0，則該漏磁信號區域為小波動區域，記為ψ₅，如果區域閾值λ₄為1，則該漏磁信號區域為大缺陷區域，記為ψ₆；

步驟7-3：當該管道的全部非管道部件漏磁信號處理完畢后，信號段間會出現重疊現象，需重新標定，將ψ₅與ψ₄重疊部分歸為ψ₅，將ψ₆與ψ₄重疊部分歸為ψ₆，將ψ₆與ψ₅重疊部分歸為ψ₆；

步驟7-4：判斷是否所有管道均完成漏磁信號區域分類處理，若沒有完成，則返回步驟7-1至步驟7-4，對下一管道進行漏磁信號區域分類處理，若完成，則執行步驟8。

步驟8：對步驟7中不同的信號區域采取相應的濾波算法進行面濾波，本實施例多通道自適應濾波算法如圖10所示，具體步驟如下：

步驟8-1：對無缺陷區域ψ₄進行面濾波；

當使用中值濾波時，信號幅度會大幅度減小，同時均值濾波最大的特點就是使信號更加平滑；

因此對于ψ₄，先通過中值濾波算法對幅值進行削減，再通過均值濾波平滑曲線，通過選取合適的參數，使兩種方法完美的結合在一起，進行無缺陷區域混合濾波算法；

步驟8-2：對小波動區域ψ₅進行面濾波；

若為噪聲信號，應達到削減其幅值，類似于處理不含有缺陷的信號的效果，若為小缺陷做應保證平滑信號地情況下使其幅度稍微增大，即圖像增強；高斯濾波的特點為能對信號數據進行能量轉化，能量低的就排除掉，噪聲屬于低能量部分，完美的避免了對缺陷信號的失真，與噪聲信號能量的衰減；巴特沃斯濾波最大的特點就曲線最大限度平坦，沒有起伏；

因此對于ψ₅，先通過高斯濾波算法對小缺陷區域漏磁信號進行濾波，實現去噪與盡可能大的使缺陷信號不失真，再通過巴特沃斯濾波算法對幅值進行進一步平滑，以及實現缺陷信號的圖像增強，通過選取合適的參數，使兩種方法完美的結合在一起，進行小波動區域混合濾波算法；

步驟8-3：對大缺陷區域ψ₆進行面濾波；

小波包濾波方法能同時在時、頻域內對信號進行分析，能有效的區分信號中的缺陷信號和噪聲，從而完成含有較大缺陷信號的去噪。高斯濾波可顯著提高信噪比，可使信號波形平滑，且失真較小；

因此對于ψ₆，先通過高斯濾波算法對大缺陷區域漏磁信號進行濾波，再通過小波包濾波算法對幅值進行進一步平滑，通過選取合適的參數，使兩種方法完美的結合在一起，進行大缺陷區域混合濾波算法，最終實現在有用信號損失最小的情況下的漏磁信號濾波處理。

本實施例提供一種管道漏磁內檢測器數據的自適應濾波方法，一方面在濾波前對漏磁異常數據進行了查找、剔除與補償，減輕了濾波負擔；另一方面對漏磁數據進行了線濾波和面濾波的結合，濾波失真小，效果理想，濾波的同時能更多地保留有用信息。其中，針對漏磁數據特點，能實現海量漏磁數據區域的劃分，有效提高漏磁數據區域劃分的準確性和智能化；并能實現漏磁信號多通道均衡化，提高測試設備的使用性能，更加易于缺陷特征提取和定位估測水平；針對不同漏磁數據區域的特點，再結合多種經典濾波算法的特點，提出基于漏磁內檢測器的自適應單通道濾波方法和多通道濾波方法，從而快速、精準地完成大數據預處理功能，管道壽命預測準確，管道故障診斷時方便特征提取，濾波效果明顯。

最后應說明的是：以上各實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明權利要求所限定的范圍。