毛 敏， 王曉東， 吳建德， 劉英杰

(1.昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 652500；2.云南省礦物管道輸送工程技術(shù)研究中心，云南 昆明 650500)

0 引 言

復(fù)雜地形長距離礦漿管道(以下簡稱管道)在輸送過程中，由于受到地形復(fù)雜、高速流動、建筑施工等因素的影響，容易引發(fā)泄漏，帶來不必要的經(jīng)濟(jì)損失[1]。管道在正常運(yùn)行的情況下，其壓力值呈現(xiàn)出穩(wěn)定而連續(xù)的變化，一旦發(fā)生了泄漏，管道沿程任意一點(diǎn)壓力值都會發(fā)生下降，通過分析管道某點(diǎn)壓力、流量是否偏離正常值范圍就可以判斷泄漏是否發(fā)生[2]。但工況調(diào)整同樣會導(dǎo)致壓力、流量下降，因此，易導(dǎo)致泄漏誤報(bào)與漏報(bào)，增加了準(zhǔn)確檢測的難度。

如何在不同工況下，從非平穩(wěn)的信號中提取[3]、選擇最能準(zhǔn)確反映管道運(yùn)行工況的特征參數(shù)，以提高泄漏檢測效率，保障管道安全輸送的意義非常重大。

在管道泄漏檢測領(lǐng)域中，由于復(fù)雜的運(yùn)行現(xiàn)場和繁多的噪聲類型，測量信號表現(xiàn)為非平穩(wěn)、非線性的特征。經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)是一種新的非平穩(wěn)、非線性信號的分析方法，該方法具有自適應(yīng)的多尺度分解特性，且Hilbert變換也是自適應(yīng)的信號處理方法，具有較高的信噪比。與此同時(shí)，變量預(yù)測模型(variablepredictive mode based class discriminate，VPMCD)的方法因其分類效果較好，在其他領(lǐng)域的故障診斷中取得了較好的應(yīng)用。因此，結(jié)合以上方法分析信號，可排除管道工況調(diào)整對泄漏檢測產(chǎn)生的干擾，有效提高管道泄漏識別率并準(zhǔn)確報(bào)警[4]。

本文提出了一種基于EMD與VPMCD分類識別的管道泄漏檢測方法，該方法能夠有效地提取特征信號，并利用VPMCD方法建立泄漏識別模型，用于檢測管道的運(yùn)行狀況，并提供安全保障。

1 信號特征提取方法

1.1 EMD

EMD的實(shí)質(zhì)是根據(jù)不同時(shí)間尺度的特征把多分量的信號分解成一系列的單分量信號，即固有模態(tài)函數(shù)[5]。各階次的IMF包含了原始信號的不同頻率信息，分析這些IMF即可獲得信號的局部信息特征。

假設(shè)信號為x(t)，經(jīng)過EMD分解后可得到若干個(gè)本證模函數(shù)(intrinsic mode function，IMF)分量和一個(gè)余量rn(t)[6]，即

(1)

1.2 Hilbert-Huang變換

對式(1)中的各個(gè)ci(t)作Hilbert-Huang變換(HHT)[7]得到

(2)

構(gòu)造解析函數(shù)

zi(t)=ci(t)+jH[ci(t)]=ai(t)ejΦi(t)

(3)

于是，可得其幅值函數(shù)

(4)

以及相位函數(shù)

(5)

求得瞬時(shí)頻率

(6)

由此可得到Hilbert譜

(7)

式中Re為取其實(shí)部，展開式(6)中的頻率ωi(t)和幅值ai(t)為隨著時(shí)間變化的，從HHT的整個(gè)過程分析，Hilbert譜H(ω,t)描述了每個(gè)IMF分量的幅值隨著時(shí)間和頻率的分布規(guī)律。

1.3 Hilbert能量譜

若將|x(t)|2看成信號的能量密度，則經(jīng)HHT后，H2(ω,t)也具有能量密度的物理意義，因此，將H2(ω,t)稱為Hilbert能量譜?；贖HT邊際譜，定義E(ω)為Hilbert邊際能量譜

(8)

式中E(ω)為局部瞬時(shí)能量，反映了信號在某一頻率成分的能量隨著時(shí)間的變化規(guī)律。由式(3)可定義每個(gè)IMFci(t)的能量譜為

(9)

Ei(t)準(zhǔn)確地描述了第i個(gè)IMF分量的能量隨時(shí)間的變化情況。所以，第i個(gè)IMF分量的能量計(jì)算式為

(10)

標(biāo)準(zhǔn)差較好地反映了一個(gè)數(shù)據(jù)集的離散程度，各IMF的Hilbert能量譜分布標(biāo)準(zhǔn)差[6]為

(11)

2 信號特征識別方法

本文選取二次交互模型(QI)，如式(12)所示，對信號特征值向量進(jìn)行分析

(12)

式中k，a，b≠i；Xi為變量；b0，bj，bjj，bjk為模型參數(shù)。

VPMCD方法[8]分為模型訓(xùn)練與分類2個(gè)階段，具體過程[9]如下：

1)模型訓(xùn)練

a.假定存在q類狀態(tài)，分別對其進(jìn)行m次采集，每類狀態(tài)下都有m個(gè)訓(xùn)練樣本，即mk,k=1,2,…,q。

b.對所有的訓(xùn)練樣本提取p個(gè)特征值，其特征向量記為T=[M1,M2,…,Mp]。

c.對隨機(jī)被預(yù)測變量Mi,i=1,2,…,p，選取QI模型。

2)模型分類

a.選取測試樣本并提取對應(yīng)的特征值T=[M1,M2,…,Mp]。

c.計(jì)算所有類別下的所有特征向量的誤差平方和的值δk，如式(13)所示。依據(jù)δk最小作為判別條件對測試進(jìn)行分類，并將測試樣本歸到第k類

(13)

VPMCD方法根據(jù)VPM對信號進(jìn)行特征值預(yù)測，用于信號實(shí)際特征值誤差平方和最小作為評定標(biāo)準(zhǔn)，對信號進(jìn)行識別。

3 基于EMD與VPMCD的泄漏檢測方法

對分析在不同工況下智能壓力變送器檢測到的礦漿管道壓力信號，考慮到管道工況的變化，會導(dǎo)致壓力信號的波動范圍差異較大，以此影響分析的結(jié)果，所以必須對上述條件下的信號進(jìn)行去噪與歸一化的預(yù)處理[6]，歸一化至[-1,1]。由此，本文具體方法流程圖如圖1所示。

圖1 管道泄漏檢測流程

具體的步驟如下：

1)分別在管道正常運(yùn)行、泄漏以及工況調(diào)整狀態(tài)下，按一定采樣頻率依次進(jìn)行n次采樣，共得到2n個(gè)壓力信號作為訓(xùn)練樣本；為了數(shù)據(jù)準(zhǔn)確處理，將信號進(jìn)行預(yù)處理。

2)對每個(gè)工況下的各個(gè)壓力信號預(yù)處理后進(jìn)行EMD，得到若干個(gè)IMF分量，然后求得能夠準(zhǔn)確反映工況特征的局部Hilbert能量譜，將其作為分析對象。

3)提取前p個(gè)IMF分量的Hilbert能量譜作為樣本特征，并構(gòu)建相應(yīng)的特征值向量T=[M1,M2,…,Mp]。

5)采集對應(yīng)的測試信號，按步驟(2)、步驟(3)構(gòu)成特征值向量T，將其分別作為VPMCD分類器的輸入，根據(jù)其輸出判斷礦漿所處的運(yùn)行狀態(tài)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)管道數(shù)據(jù)

為了驗(yàn)證方法的有效性，利用某大學(xué)的管道輸送實(shí)驗(yàn)室的一條復(fù)雜管道進(jìn)行現(xiàn)場實(shí)驗(yàn)，實(shí)驗(yàn)室設(shè)備結(jié)構(gòu)布局如圖2所示。管道總長68.50m，其中平直管段僅有3.70m，管徑為100mm。為了保證礦漿的正常輸送，其高層差均小于15°，管道有2個(gè)至高點(diǎn)、2個(gè)至低點(diǎn)，在起始點(diǎn)及各點(diǎn)均安裝有智能壓力變送器，首尾端安裝有電磁流量計(jì)。實(shí)驗(yàn)設(shè)置2處泄漏口。

實(shí)驗(yàn)內(nèi)容包括對管道進(jìn)行不同濃度(65%,55%)和不同流速(2.0，1.7，1.5m/s)工況下的正常運(yùn)行、正常工況調(diào)整與泄漏工況實(shí)驗(yàn)。其中，1#,2#泄漏口均為直徑為15mm的閥門。采用緩慢打開閥門的方式模擬泄漏，采用緩慢打開管道首端電動閥門的形式調(diào)閥；采用降低泵速的方式調(diào)泵。與此同時(shí)，采集壓力、流量信號，其數(shù)據(jù)全部來自實(shí)驗(yàn)室的數(shù)據(jù)采集與檢測系統(tǒng)，采樣頻率為10Hz，提取壓力下降的暫態(tài)過程5min的數(shù)據(jù)，采樣點(diǎn)個(gè)數(shù)為3000。

圖2 管道結(jié)構(gòu)布局圖

4.2 管道運(yùn)行工況特征量提取

管道泄漏與工況調(diào)整的壓力波動信號存在著豐富、不同的信息。據(jù)此，本文選取泄漏與工況調(diào)整作為特征提取的對象，對以上信號進(jìn)行預(yù)處理后，如圖3所示。

圖3 管道上下游壓力信號

圖3為在65%濃度，1.7m/s流速運(yùn)行條件下，管道泄漏和調(diào)閥時(shí)的壓力曲線。分別對其進(jìn)行EMD,得到的IMF分量及Hilbert能量譜如圖4、圖5所示。

圖4 泄漏壓力信號IMF分量圖及Hilbert能量譜圖

圖5 調(diào)閥壓力信號IMF分量圖及Hilbert能量譜圖

泄漏與調(diào)閥共分解出6個(gè)IMF分量。在整個(gè)頻率范圍內(nèi)，泄漏信號的幅值稍大于調(diào)閥信號。由圖可看出泄漏信號IMF能量相比于調(diào)閥信號IMF能量大，且調(diào)閥信號的能量差異較小。經(jīng)計(jì)算，泄漏信號的σ1=41.03，調(diào)閥信號的σ2=5.73，所以，從能量分布情況便可清晰地區(qū)分泄漏與調(diào)閥信號間的差異。

如圖6所示分別為泄漏與工況調(diào)整的壓力信號10組樣本的能量分布情況，兩者間存在著鮮明的差異。因此，可以將不同工況下的壓力信號IMF分量Hilbert能量譜作為特征值向量，并利用VPMCD分類器對泄漏進(jìn)行識別。

圖6 IMF能量標(biāo)準(zhǔn)差分布

綜上根據(jù)流量信號間的差異，檢測管道泄漏，如圖7所示。

圖7 管道流量信號

4.3 管道泄漏檢測

本文分別對管道在不同濃度、不同流速工況下1#，2#泄漏口上、下游的壓力信號進(jìn)行采樣，在正常運(yùn)行、泄漏與正常工況調(diào)整(調(diào)泵、調(diào)閥)數(shù)據(jù)中分別隨機(jī)抽取10組數(shù)據(jù)作為訓(xùn)練樣本，剩余20組作為測試樣本。在此基礎(chǔ)上，根據(jù)流量信號來綜合分析泄漏故障。

實(shí)驗(yàn)結(jié)果表明：在管道3種運(yùn)行狀態(tài)下的60個(gè)樣本中，僅有3個(gè)工況調(diào)整被誤識別成管道泄漏，識別精度為95%。

為驗(yàn)證本文方法的準(zhǔn)確性，在相同條件下，與文獻(xiàn)[10]的方法進(jìn)行對比分析，文獻(xiàn)[10]提出了基于EMD與SVM的泄漏信號識別方法。結(jié)果如表3所示。從表中可看出：本文方法優(yōu)勢較SVM方法更為明顯，驗(yàn)證了利用本文方法進(jìn)行管道泄漏檢測的可行性與有效性。

5 結(jié) 論

1)利用EMD方法對管道壓力信號進(jìn)行分解，得到能夠準(zhǔn)確反映工況特征的局部Hilbert能量譜，較為鮮明地區(qū)分出不同管道運(yùn)行工況，有效地實(shí)現(xiàn)分類。

2)通過將選定的Hilbert能量譜，以此構(gòu)造特征值向量，并采用VPMCD方法建立泄漏識別模型，用于檢測管道運(yùn)行狀態(tài)。實(shí)驗(yàn)結(jié)果表明：該方法能有效提高泄漏檢測的準(zhǔn)確性。

表1 泄漏狀態(tài)下的預(yù)測模型

表2 基于EMD與VPMCD的管道泄漏檢測結(jié)果

表3 本文方法與文獻(xiàn)[10]方法對比結(jié)果

3)通過分析管道上下游流量信號，能更有效、更精確，更全面地進(jìn)行泄漏檢測。

由于受信號低采樣頻率的限制，給信號分析帶來了影響，下一步將對其進(jìn)行改進(jìn)，做更為精確的分析并對泄漏進(jìn)行定位。

[1] 王 正,王洪誠,傅 磊,等.基于多壓力傳感器負(fù)壓波的管道檢測法[J].傳感器與微系統(tǒng),2015,34(5):115-118.

[2] Liu Cuiwei,Li Yuxing,Yan Yukun,et al.A new leak location method based on leakage acoustic waves for oil and gas pipe-lines[J].Journal of Loss Prevention in the Process Industries,2015,35:236-246.

[3] 曲志剛,封 皓,靳世久,等.基于提升小波的管道安全系統(tǒng)信號特征提取方法[J].傳感器與微系統(tǒng),2010,29(5):59-62.

[4] 王 政,付紅橋,付少華,等.基于虛擬儀器的原油管道泄漏實(shí)時(shí)監(jiān)測與定位系統(tǒng)[J].傳感器與微系統(tǒng),2012,31(1):111-116.

[5] 劉 霞,黃 陽,黃 敬,等.基于經(jīng)驗(yàn)?zāi)B(tài)分解的(EMD)小波熵閾值地震信號去噪[J].吉林大學(xué)學(xué)報(bào):地球科學(xué)版,2016,46(1):262-269.

[6] 趙利強(qiáng),王建林,于 濤.基于改進(jìn)EMD的輸油管道泄漏信號特征提取方法研究[J].儀器儀表學(xué)報(bào),2013,34(12):2698-2702.

[7] 劉玉龍,李曉林.HHT在動態(tài)稱重傳感器處理非線性信號中的應(yīng)用[J].傳感器與微系統(tǒng),2015,34(7):158-160.

[8] Luo Songrong,Cheng Junsheng,Zeng Ming,et al.An intelligent fault diagnosis model for rotating machinery based on multi-scale higher order singular spectrum analysis and GA-VPMCD[J].Measurement,2013,87:38-50.

[9] Yang Yu,Wang Huanhuan,Cheng Junsheng,et al.A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition[J].Measurement,2013,46:2306-2312.

[10] 于 蕊,張壽明,畢貴紅,等.基于EMD與SVM的泄漏聲發(fā)射信號識別方法 [J].計(jì)算機(jī)與應(yīng)用化學(xué),2015,32(10):1259-1264.