随着计算机软硬件技术的飞速发展,数据融合技术已成为一项新兴的信号处理方法。为了满足工业现场的需要,无损检测系统对数据采集的速度、稳定性和实时性要求越来越高。漏磁检测由于其高信噪比、高灵敏度和检测效率,在无损检测中得到了广泛应用。数据融合以其独特的优点在漏磁检测中被广泛应用。漏磁检测技术是一种以电磁学为基础的无损检测方法,它广泛应用于钢铁、石油、化工等工业领域。其原理是铁磁性材料被磁化后,缺陷处磁力线发生弯曲变形并泄露出缺陷表面,利用传感器检测到缺陷处的泄漏磁场以及磁场强度,从而判断缺陷的相关情况。随着计算机技术的发展,漏磁信号的处理和缺陷的智能识别是管道漏磁检测的重要环节。本文叙述了油气管道漏磁检测以及缺陷识别技术的研究意义和国内外发展状况。在对大直径超长钢管的探伤检测中,必须采用多通道传感器阵列随探头高速旋转采集缺陷信号。同时在检测过程中,会在检测信号中混入噪声信号,所以要对缺陷信号进行去噪处理,以免造成误检或漏检。本论文采用小波分析方法对信号进行去噪。小波分析是一种时频域分析方法,具有多分辨分析的特性,已经成为信号处理的一种新工具。漏磁检测信号中的突变点含有丰富的缺陷信息,利用小波分析可以很好的去除信号中的噪声,提高信噪比。缺陷信号经过预处理后,被送入融合中心进行数据融合运算。本论文采用基于径向基函数(RBF)神经网络的数据融合技术对缺陷信号进行检测处理。在利用RBF神经网络进行处理时,主要内容是如何确定网络隐层节点数、RBF函数的数据中心以及调整隐层空间到输出空间的权值矩阵。RBF网络学习算法可以分为函数中心确定和权值调整两个部分。一般情况下,在确定了网络的隐含节点数、数据中心和标准方差,通过学习确定权值,网络也随之确定。人工神经网络具有学习、记忆、联想、并行处理等卓越功能,已在计量测试仪器标定、故障诊断中获得广泛应用。在多传感器测量系统中,采用数据融合技术可为系统带来多方面的益处,它增强了系统的稳定性、增加了系统的可信度、提高了系统的检测能力等。通过与BP神经网络相比,RBF神经网络有更好的识别性能,对缺陷信号的定性分析更准确和有效。研究结果表明,RBF网络获得了较好的缺陷分类效果,可以有效提高系统的检测能力和信号精度。