宋艷麗

(河南質(zhì)量工程職業(yè)學(xué)院,河南 平頂山 467000)

1 引 言

石油通過管道傳輸可有效提高油氣輸送效率以及降低成本,但是油氣管道通常埋于地下,若外界環(huán)境發(fā)生變化,如地震、山體滑坡、人為破壞等均會引起油氣泄漏,造成重大經(jīng)濟損失,因此對油氣管道監(jiān)測至關(guān)重要[1]。

人工對油氣管道設(shè)備監(jiān)測,由于受主觀因素的影響無法確保全線路、全覆蓋監(jiān)測。光纖傳感器具有較好的抗電磁干擾性、靈敏度高等特性,并且適合在復(fù)雜環(huán)境中使用,廣泛應(yīng)用于長距離油氣管道監(jiān)測中,但是油氣管道很多振動屬于無害類型,如農(nóng)耕、火車、道路施工等,若每次振動都安排工作人員現(xiàn)場復(fù)核,會產(chǎn)生很大的工作量,因此正確識別出振動類型可減少現(xiàn)場復(fù)核次數(shù)[2]。支持向量機(Support Vector Machine,SVM)通過振動信號的特征向量辨識振動,以判斷是否有異常[3],但SVM識別效果在很大程度上依賴于核函數(shù)的選擇以及內(nèi)核和軟邊緣參數(shù)的微調(diào)。神經(jīng)網(wǎng)絡(luò)(Neural Network,NN),不要求對振動樣本集有太多先驗信息[4],但是需要大量數(shù)據(jù)樣本進行訓(xùn)練,且訓(xùn)練時間長。反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)能提高泄漏檢測的可靠性[5],但是存在局部極小值,收斂速度較慢等問題。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)特征層面避免了大部分人工干預(yù),網(wǎng)絡(luò)能夠自動輸出分類特征[6]。隱馬爾科夫模型(Hidden Markov Model,HMM)具有處理振動序列數(shù)據(jù)的優(yōu)勢[7],但是需遵從齊次馬爾科夫鏈假設(shè)。

為了提高光纖油氣管道監(jiān)測效果,采用類腦脈沖神經(jīng)網(wǎng)絡(luò)算法(Brain Spiking Neural Network,BSNN),對振動信號進行頻段特征提取,各頻段的能量占比作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入進行模型訓(xùn)練,從而對振動信號識別,實例驗證了本文方法的有效性。

2 光纖振動檢測過程

2.1 光纖定位計算

當(dāng)油氣管道受到振動時,感測光纜隨之發(fā)生振動,引起背向瑞利散射光的輻射損耗變化[8]。設(shè)距離光纖入射端x為z處的光功率為:

(1)

式中,P0為初始光功率；a0(x)為前向衰減系數(shù)。

z處背向散射回入射端的光功率為:

(2)

式中,Kr≈0.5為耦合器損耗乘積因子；S(x)為光纖在z點的背向散射系數(shù)；ab(x)為光纖背向衰減系數(shù)。

當(dāng)油氣管道沿線環(huán)境處于無振動時,光纖產(chǎn)生瑞利散射光曲線保持不變,若外部干擾引起z點光纖振動,引起該點折射率變化,后向散射光相位波動導(dǎo)致輻射模形成新的損耗,S(x)此時記為S(x,t),得到:

(3)

通過計算光纖入射端測量背向散射光隨時間的變化,可獲得光纖上不同位置處的損耗特征,如圖1所示。

圖1 散射曲線Fig.1 Scattering curve

從圖1可以看出,當(dāng)在1580 m管道沿線附近的光纖受到破壞,此處的背向瑞利散射光及返回的散射曲線發(fā)生改變,利用擾動信號傳播到光電探測器所用的時間,可計算出破壞行為的具體位置。

當(dāng)有振動時,光纖油氣管道監(jiān)測定位距離為:

L=ΔTv/2

(4)

式中,ΔT為光脈沖發(fā)射和接收到振動信號的時間差；v為光在光纖中的速度；v=c/λ,c為光在真空中的速度；λ光纖折射率。

2.2 累加平均法消噪

獲得的光纖傳感器振動信號會混有噪聲,如果直接進行特征提取,導(dǎo)致正確識別率下降,因此需要對振動信號進行消噪。設(shè)獲得的測量信號為x(t):

x(t)=s(t)+n(t)

(5)

式中,s(t)為特征信號；n(t)為噪聲信號。

則第j個測量點第i次測量信號為:

xij(t)=x(ti+jTs)=s(ti+jTs)+n(ti+jT)

(6)

式中,ti為第i個測量周期的初始時刻；Ts為間隔時間。

雖然采樣周期不斷變化,但是各采樣周期對應(yīng)的第j個測試點的幅值幾乎不變；同時噪聲值與i和j都有關(guān)系,因此得:

xij=sj+nij

(7)

設(shè)噪聲標(biāo)準(zhǔn)差為σn,則i個測量周期信噪比為:

(8)

第j個測試點累加N次后的均值為:

(9)

則累加平均N次有:

(10)

(11)

累加N次之后有用信號和噪聲信號有效值分別為:

(12)

此時的信噪比為:

(13)

2.3 振動信號特征提取

表1 典型信號的各頻小波包能量Tab.1 Wavelet packet energy of each frequency of typical signal

3 類腦脈沖神經(jīng)網(wǎng)絡(luò)

3.1 基于脈沖響應(yīng)的類腦神經(jīng)元設(shè)計

當(dāng)脈沖型神經(jīng)元l膜電壓達到點火閾值ζ時,此時l被激活[11],輸出激勵腦脈沖電壓ul,并且記錄激勵脈沖產(chǎn)生的時刻tl,神經(jīng)元l輸出激勵脈沖的所有時間集合為Fl,與神經(jīng)元l相連的前突觸集合為Γi。神經(jīng)元受到點火閾值激活的勢能為:

(14)

式中,ηl為神經(jīng)元對自身輸出脈沖的響應(yīng)函數(shù);εlL為脈沖神經(jīng)元對其前突觸輸入脈沖的響應(yīng)函數(shù);ωlL為神經(jīng)網(wǎng)絡(luò)中前突觸神經(jīng)元L到后突觸神經(jīng)元l的聯(lián)結(jié)權(quán)值。

函數(shù)ηl，εlL為:

(15)

(16)

式中,τ，τm，τs為時間常數(shù);H(s)為階躍響應(yīng)信號;φ為脈沖信號在軸突上的傳輸延時。

當(dāng)ul達到點火閾值ζ時,則激活神經(jīng)網(wǎng)絡(luò),從而對振動信號進行分析。

3.2 類腦脈沖神經(jīng)網(wǎng)絡(luò)

3.2.1 神經(jīng)元連接強度非線性設(shè)計

類腦神經(jīng)網(wǎng)絡(luò)通過模擬大腦皮層分區(qū)模塊化結(jié)構(gòu)實現(xiàn),多個子網(wǎng)絡(luò)組成神經(jīng)網(wǎng)絡(luò),每個子網(wǎng)絡(luò)承擔(dān)全局任務(wù)的一個子任務(wù),當(dāng)神經(jīng)元產(chǎn)生激勵腦脈沖電壓時則被激活[12]。當(dāng)神經(jīng)元接收到脈沖信號后,自身膜電壓開始升高,當(dāng)達到閾值后,向后層神經(jīng)元發(fā)射一個脈沖信號,同時自身膜電壓復(fù)位,如果前神經(jīng)元被激活的時間早于后神經(jīng)元被激活的時間,則前、后神經(jīng)元連接得到加強,反之減弱。連接權(quán)值的變化量不僅是脈沖時間的函數(shù),還與權(quán)值本身的函數(shù)有關(guān),因此神經(jīng)元連接的強度與前、后神經(jīng)元激活時間差函數(shù)關(guān)系非線性設(shè)計為:

(17)

式中,t1、t2為前、后神經(jīng)元激活時間；τ>0為控制指數(shù)衰減速率的時間常數(shù)；a>0為對稱度調(diào)整參數(shù),用于調(diào)整f-(ωlL)、f+(ωlL)函數(shù)對稱度；μ為曲率因子；K(Δt)為在連接過程中的學(xué)習(xí)窗函數(shù)；f-(ωlL)、f+(ωlL)為更新函數(shù)；ΔωlL為權(quán)值調(diào)整量；ξ(t)為隨機擾動項；λ為學(xué)習(xí)率；C為目標(biāo)函數(shù)。當(dāng)Δt>0時,則連接加強,Δt≤0,連接減弱。

當(dāng)連接權(quán)值達到最大值時,連接權(quán)值更新會越來越小,這樣可有效防止突觸權(quán)值無限制地增長,從而更好地模仿生物大腦的學(xué)習(xí)方式。

3.2.2 輸入數(shù)據(jù)與神經(jīng)元脈沖轉(zhuǎn)換

假設(shè)神經(jīng)元狀態(tài)值為s∈[smin,smax],首次編碼發(fā)放時間t(s),則編碼為:

(18)

式中,φ為優(yōu)化系數(shù),主要用于調(diào)節(jié)發(fā)放時間。

神經(jīng)網(wǎng)絡(luò)隱含層輸入電流[13]:

(19)

為減少算法復(fù)雜度,輸出層神經(jīng)元的輸出脈沖序列為連續(xù)發(fā)放,平均發(fā)放率為:

(20)

式中,U為輸出層神經(jīng)元在一個時間窗口T內(nèi)發(fā)放脈沖的數(shù)量。

類腦脈沖神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程:(1)對不同的振動信號進行長時間采集并分割成短時信號,消噪后提取頻段特征值；(2)特征值編碼構(gòu)成類腦脈沖神經(jīng)網(wǎng)絡(luò)輸入量；(3按振動所對應(yīng)信號建立模型庫；(4)將訓(xùn)練好的模型用于實時信號分析。

3.2.3 算法流程

①輸入振動信號；

②消噪后提取信號頻段特征值,輸入類腦脈沖神經(jīng)網(wǎng)絡(luò);

③神經(jīng)元學(xué)習(xí)更新,并將激活神經(jīng)元連接至輸出神經(jīng)元；

④若網(wǎng)絡(luò)達到收斂或最大迭代次數(shù),轉(zhuǎn)至步驟⑤；否則進行步驟③；

⑤輸出分析結(jié)果。

4 實驗仿真

類腦神經(jīng)網(wǎng)絡(luò)的每個子網(wǎng)絡(luò)采用48-5-6結(jié)構(gòu),在光纖油氣管道監(jiān)測中,6種振動信號在頻域上各取8個頻段,因此涉及到輸入層節(jié)點總數(shù)共計48個,脈沖編碼依次設(shè)置為000001～110000,模型輸出層節(jié)點總數(shù)為6個:機械挖掘、電鉆打孔、人工挖土、重型卡車行駛、人工走路、鎬刨,脈沖編碼依次為001～110,隱藏層節(jié)點總數(shù)為5個,利用Python結(jié)合脈沖神經(jīng)網(wǎng)絡(luò)軟件Neuro Solutions 7.0搭建仿真平臺,點火閾值ζ取10 mV,學(xué)習(xí)率λ取0.2,曲率因子μ取1.3,權(quán)值調(diào)整量ΔωlL∈(20,100)。以管道進站和出站為例,光纜埋深1.1 m,土質(zhì)為粉壤土,進站設(shè)備監(jiān)測長度40 km,出站設(shè)備監(jiān)測長度50 km,在兩條監(jiān)測鏈路中選擇兩個具有典型的兩個測試點進行挖掘測試,有效采集管道附近的振動信號,選取300個振動信號數(shù)據(jù)作為訓(xùn)練樣本,150個數(shù)據(jù)作為測試樣本,最大迭代次數(shù)為200次。

4.1 信號識別結(jié)果

在識別過程中,為了驗證不同算法的有效性,進行單一信號識別和混合信號識別,涉及的算法有SVM、NN、BPNN、CNN、HMM、BSNN,各種算進行30次實驗,其結(jié)果如圖2、圖3所示。

圖2 單一信號識別Fig.2 Single signal identification

圖3 混合信號識別Fig.3 Mixed signal identification

從圖2、圖3可以看出,各種算法對單一信號識別準(zhǔn)確率高于混合信號,這是因為單一信號頻段特征便于分析,混合信號的不同頻段特征疊加增加了分析的復(fù)雜度,同時噪聲也對混合信號影響較大。本文算法在單一信號、混合信號識別準(zhǔn)確率高于其他算法,單一信號識別準(zhǔn)確率在95.87%左右,兩種振動混合信號識別準(zhǔn)確率在90.52%左右,三種振動混合信號識別準(zhǔn)確率在86.46%左右。

4.2 定位距離誤差分析

各種算法進行30次實驗定位距離誤差分析,其結(jié)果如圖4所示。

圖4 定位距離誤差結(jié)果Fig.4 Positioning distance error results

從圖4可以看出,本文算法對各種振動信號定位距離誤差小于其他算法,均控制在30 m以內(nèi),如機械挖掘定位距離誤差為27 m,電鉆打孔定位距離誤差為26 m,人工挖土定位距離誤差為25 m,重型卡車行駛定位距離誤差為28 m,人工走路定位距離誤差為26 m,鎬刨定位距離誤差為28 m,便于及時找到故障位置,能夠在油氣管道中起到降低成本的效果。

5 總 結(jié)

本文基于類腦脈沖神經(jīng)網(wǎng)絡(luò)對光纖油氣管道各種振動信號進行識別,振動信號消噪后提取不同頻段的特征輸入到脈沖神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,本文算法在單一信號、混合信號識別準(zhǔn)確率高于其他算法,為光纖油氣管道監(jiān)測提供了一種新的參考方法。