Сохраняющая структуру диффузионная система обучения без образцов для многомодального анализа сигналов утечки магнитного потока

Почему здоровье трубопроводов важно для всех

Нефтепроводные и газопроводные магистрали простираются на тысячи миль под полями, городами и океанами, тихо перенося топлива, которые питают дома и промышленность. Когда эти стальные артерии выходят из строя, последствия могут выражаться пожарами, взрывами и длительным загрязнением. Однако ранние признаки беды — крошечные каверны, трещины и дефекты сварки — часто скрыты внутри толстых стенок и тонут в шуме данных датчиков. В этом исследовании представлена новая рамочная система на базе искусственного интеллекта, которая одновременно очищает такие «грязные» сигналы и распознает даже ранее невиданные типы повреждений, предлагая более безопасный и надежный способ контроля больших трубопроводов.

Скрытые дефекты в гигантских стальных трубах

Трубопроводы большого диаметра работают десятилетиями в суровых условиях, постепенно накапливая повреждения от коррозии, усталости и случайных ударов. Инспекторы полагаются на методы неразрушающего контроля, такие как ультразвук, инфракрасные камеры и датчики утечки магнитного потока (MFL), которые намагничивают сталь и «слушают» искажения поля, вызванные отсутствием металла. На практике MFL-сигналы сильно загрязнены электрическими помехами, изменением подъема датчика и вариациями самой стали. В результате мелкие или нетипичные дефекты могут быть пропущены, а традиционные методы машинного обучения — обученные только на ранее встречавшихся типах дефектов — испытывают трудности при столкновении с редкими или новыми формами повреждений.

Очищение сигнала без размывания дефекта

Первый столп новой системы — это диффузионная модель, сохраняющая структуру. Диффузионные модели — это новый класс генеративных ИИ, которые постепенно удаляют шум из данных множеством небольших шагов. Авторы адаптируют эту идею к одномерным MFL-сигналам и добавляют три целевых ограничения, чтобы денойзинг не смывал те признаки, которые важны инспекторам. Одно ограничение сохраняет резкость краев сигнала там, где начинаются и заканчиваются дефекты, другое защищает общую форму волны вокруг дефекта, а третье проверяет, что повторяющиеся шаблоны в спектре частот сохраняются. Взаимодействуя, эти проверки более чем удваивают отношение сигнал/шум MFL-данных — с 12,3 до 24,1 децибела — при сохранении геометрии дефектов.

Дать разным датчикам сотрудничать, а не конкурировать

Второй столп — это сеть многомодального слияния, которая учит разные датчики поддерживать друг друга. В экспериментальной установке магнитные, ультразвуковые и инфракрасные данные собираются одновременно вдоль одного и того же участка трубы. Каждый поток данных сначала обрабатывается специализированной нейронной сетью, рассчитанной на его тип. Затем механизм внимания обучается для каждого случая определять, какую долю веса придавать дополнительной информации от ультразвука и инфракрасного излучения при уточнении представления, основанного на MFL. Вместо бессмысленного объединения всех данных модель выделяет комплементарные детали и подавляет конфликтные или избыточные сигналы. Эта стратегия перекрестного внимания обеспечивает макро F1-оценку 0,93 по известным классам дефектов, превосходя более простые схемы раннего и позднего слияния.

Распознавание дефектов, которых модель никогда не видела

Самое заметное достижение связано с тем, как система справляется с полностью новыми категориями дефектов. Вместо того чтобы учиться только по меткам типа «трещина» или «коррозионная ямка», модель оперирует в интерпретируемом пространстве атрибутов, определяемых свойствами, которые инженеры используют на практике: общая форма (точечная, линейная, участковая), уровень глубины, вероятная причина (коррозия, механическое повреждение, проблема со сваркой) и направление вдоль трубы. Во время обучения система учится выравнивать объединенные признаки датчиков с этими описаниями атрибутов с помощью контрастного обучения, сближая совпадающие визуальные и семантические представления и отталкивая несовпадающие. На этапе тестирования модель может отвечать о типах дефектов, которых она никогда не встречала, но которые описаны комбинациями этих атрибутов. В задачах «zero-shot» с четырьмя невиданными категориями дефектов она достигает точности 0,84 и сбалансированного показателя (гармонического среднего эффективности на видимых и невидимых классах) 0,88, превосходя несколько продвинутых визуально-языковых моделей, изначально созданных для естественных изображений.

От лабораторной трубы к реальным сетям

Чтобы проверить практичность, исследователи построили макет стального трубопровода большого диаметра с тщательно механически смоделированными дефектами и реальными признаками старения из выведенных из эксплуатации труб, а затем оценили, насколько хорошо их метод переносится на трубы разных размеров, толщины стенки и марок стали. Без дополнительной дообучки система сохраняла среднюю точность zero-shot 0,81 по четырем дополнительным типам труб. Она также работала достаточно быстро — примерно одна десятая секунды на окно инспекции на одном современном графическом процессоре — и требовала умеренной памяти, что делает её реалистичной для интеграции в устройства для внутритрубной инспекции, которые должны работать непрерывно.

Что это значит для более безопасных трубопроводов

Для неспециалистов ключевой вывод в том, что этот подход лучше слышит слабые признаки повреждений внутри больших стальных труб и распознаёт новые типы проблем, не требуя тысяч примеров на этапе обучения. Путём денойзинга сигналов так, чтобы сохранялась истинная форма дефектов, интеллектуального объединения нескольких методов зондирования и рассуждения в понятном человеку пространстве атрибутов, эта система переводит мониторинг трубопроводов от жесткого сопоставления шаблонов к более гибкому, объяснимому пониманию. Хотя вызовы остаются для чрезвычайно мелких дефектов и суровых условий, метод предлагает перспективный путь к более ранним предупреждениям, меньшему числу пропущенных дефектов и более надежной энергетической инфраструктуре.

Цитирование: Dou, Q., Ren, C. A structure-preserving diffusion-based zero-shot learning framework for multimodal magnetic flux leakage signal analysis. Sci Rep 16, 10807 (2026). https://doi.org/10.1038/s41598-026-46518-6

Ключевые слова: инспекция трубопроводов, утечка магнитного потока, многомодальное зондирование, обучение без образцов, диффузионные модели