張旭

（武漢郵電科學研究院，湖北 武漢 430074）

管道運輸作為一種經濟、有效、環(huán)保的運輸方式，已成為國內外油氣資源的主要運輸手段[1]。近年來人為破壞的管道泄露事故時有發(fā)生，對人民財產安全及生態(tài)環(huán)境構成了相當大的威脅。所以保障管道運輸安全，及時發(fā)現(xiàn)泄露是十分重要的[2]。

管道泄漏檢測的研究從上個世紀70 年代開始，至今已經有五十余年發(fā)展歷程，衍生出了多種多樣的檢測方法，如傳感光纜法、負壓波法、流量平衡法等。在如此多的檢測方法中，Φ-OTDR 系統(tǒng)具有抗電磁干擾能力、高絕緣強度、對腐蝕和高壓具有高耐性、可在惡劣環(huán)境下進行長距離準確檢測等優(yōu)點，非常適合應用于油氣管道的泄漏檢測。

該文基于Φ-OTDR 系統(tǒng)建立了泄露聲波信號的BP 神經網絡識別模型，對特征參數(shù)的選取和降噪方法做了一定研究，最終決定選取MFCC 作為特征參數(shù)，設計了一種新的小波閾值函數(shù)作為該文的降噪方法。

最終實驗結果表明，文中建立的BP 神經網絡泄漏方法具有較好的識別率，并且文中設計的新型閾值小波算法降噪效果良好，泄漏識別率有一定的提升，具有很高的應用價值。

1 Φ-OTDR系統(tǒng)工作原理

1993 年，由Taylor 和Lee 首次提出相位敏感光時域反射計（Φ-OTDR）思想，其原理是利用光在光纖中傳播時發(fā)生瑞利散射，后向瑞利散射光攜帶光纖沿線的擾動信息，并沿光纖傳播回光纖注入端，采集并分析后向瑞利散射光即可得到光纖上的形變信息[3]。

Φ-OTDR 系統(tǒng)因其具有抗電磁干擾能力、高絕緣強度、對腐蝕和高壓具有高耐性、可在惡劣環(huán)境下進行長距離準確檢測等優(yōu)點[4]，在周界入侵檢測、油氣管道檢測等領域已經得到廣泛應用。

Φ-OTDR 系統(tǒng)采用光相干的檢測方式，將連續(xù)光分為本地光和測試光，測試光經聲光調制器后調制成為窄脈沖光，脈沖光從環(huán)形器進入到待測光纖，反射光從環(huán)形器回來后和本地光相干，經平衡探測器進行光電轉換，將光信號轉換為電信號，數(shù)據(jù)采集卡將采集到的電信號送入到工控機，工控機的中央處理器(Central Processing Unit,CPU)+圖形處理器(Graphics Processing Unit，GPU)對數(shù)據(jù)進行快速傅里葉變換(Fast Fourier Transform,FFT)處理，最終得到外界對于光纖擾動的信息。Φ-OTDR 系統(tǒng)的總體結構如圖1 所示。

圖1 Φ-OTDR系統(tǒng)的整體結構

2 基于小波分析的信號降噪

在現(xiàn)實的工業(yè)環(huán)境中，Φ-OTDR 系統(tǒng)采集到的聲波信號中必然摻雜著大量的環(huán)境噪聲且系統(tǒng)本身自帶噪聲，這些噪聲勢必會對聲波信號分析造成很大程度的干擾，導致泄漏識別準確率大大下降，所以對聲波信號進行去噪是非常有必要的步驟。

目前常見的語音降噪算法有小波變換法、譜減法、濾波器法、子空間算法等。其中，子空間算法只能進行時域分析，譜減法和濾波器法只能進行頻域分析，而小波變換法對時域和頻域都具有一定的分析能力，所以非常適合對非平穩(wěn)信號進行分析，而聲波信號即是一個非常典型的非平穩(wěn)信號，所以文中選取小波變換法中最為常見的小波閾值降噪作為該文的降噪算法[5]。

傳統(tǒng)的小波閾值降噪函數(shù)有硬閾值函數(shù)和軟閾值函數(shù)，但是由于它們都有一定的缺陷，如軟閾值函數(shù)中的小波系數(shù)和原系數(shù)間有固定偏差，硬閾值函數(shù)有間斷。所以在分析硬閾值、軟閾值函數(shù)的基礎上，設計構造了一個新型閾值函數(shù)，不僅克服了傳統(tǒng)閾值函數(shù)的缺陷，且針對Φ-OTDR 系統(tǒng)的管道泄漏降噪有了更好的效果[6]。

閾值選取的主要準則有固定形式閾值準則(sqtwolog)、自適應閾值準則（rigrsure）、啟發(fā)式閾值準則（heursure）和極大極小閾值準則（minimaxi）[7]。文中選取rigrsure 作為函數(shù)閾值準則。

2.1 閾值函數(shù)

傳統(tǒng)的小波閾值降噪函數(shù)基本思想由Danoho提出，其主要函數(shù)如下所示[8]：

1）硬閾值函數(shù)

2）軟閾值函數(shù)

式（1）、（2）中的λ為閾值，式（2）中的sgn()為符號函數(shù)，當函數(shù)的變量大于0 時取1，小于0 時取-1。

選取一段純語音對其進行加噪，再用軟、硬閾值對其進行處理，得到的波形如圖2～5 所示。從軟、硬閾值處理后的波形圖可以看出，雖然通過硬閾值函數(shù)處理后的信號峰值信噪比較高，但是會有局部震蕩的現(xiàn)象；經過軟閾值函數(shù)處理過的信號波形雖然相對比較光滑，但會出現(xiàn)邊界模糊的現(xiàn)象。

圖2 純語音原始信號波形

圖3 加噪后波形

圖4 硬閾值降噪后波形

圖5 軟閾值降噪后波形

2.2 新型閾值設計

文中設計了如下的閾值函數(shù)：

表1 不同閾值函數(shù)下降噪效果對比

由表1 可以分析出，對比硬閾值函數(shù)來說，文中提出的新型閾值函數(shù)降噪效果分別提升了2.69 dB、1.99 dB、3.2 dB、4.23 dB；對比軟閾值函數(shù)來說，該文閾值函數(shù)降噪效果分別提升了2.02 dB、0.48 dB、4.13 dB、1.78 dB。由實驗數(shù)據(jù)可知，文中設計的新型閾值函數(shù)比傳統(tǒng)的軟、硬閾值函數(shù)的降噪效果要好，且在低信噪比時降噪效果依舊出色。

3 特征參數(shù)提取

MFCC 是在人類聽覺機理上提取的頻譜特性參數(shù)，具有一定的抗噪能力和良好的識別性能，正因為如此，MFCC 是許多識別系統(tǒng)的最佳參數(shù)[9]。MFCC是由濾波器組頻譜的離散余弦變換（Discrete Cosine Transform,DCT）產生的，在提取MFCC 特征參數(shù)中完成兩個過程，即倒譜計算和梅爾縮放[10]。MFCC 方法依賴于短時分析和每幀的矢量特征。MFCC 特征參數(shù)的提取原理如圖6 所示，具體步驟如下：

圖6 MFCC特征參數(shù)提取原理框圖

1）將聲波信號x(n)進行預處理，包括預加重、分幀、加窗等操作，變?yōu)閤i(m)。該文設置幀長為256 ms，幀移為150 ms，加窗函數(shù)為漢明窗[11]。

2）對每一幀聲音信號進行FFT 變換，實現(xiàn)時域到頻域的轉換，得到聲波信號的頻譜x(i,k)，其公式為：

3）計算譜線的能量如下：

4）使每幀能量譜通過Mel 濾波器組，并計算該Mel 濾波器的能量，如式（6）所示。其中Mel 濾波器組的頻率響應表示為Hm(k)。

5）把Mel 濾波器的能量取對數(shù)后進行DCT，得到MFCC 特征為：

其中，S(i,m)是式（6）求出的Mel 濾波器能量；m是指第m個Mel 濾波器(共有M個)，該文設置M=22；n是DCT 后的譜線。這樣就求出了MFCC 參數(shù)[12]。

4 泄漏聲波識別

4.1 BP神經網絡基本原理

人工神經網絡（Artificial Neural Networks,ANNs）實質上是受到人腦智能功能的啟發(fā)，仿照人腦神經網絡的結構建立的一種智能模型[12]。而BP 神經網絡是一種最經典的人工神經網絡算法，也是被應用得最為廣泛的神經網絡，其具有信號向前傳播，誤差反向傳播的特點[13]。典型BP 神經網絡的結構如圖7所示，與人工神經網絡的基本單元相同，也是以神經元為基本單元，由輸入層、隱含層和輸出層組成。BP神經網絡具有自適應性強、泛化能力強和非線性映射能力強等優(yōu)點，針對復雜的管道情況具有強大的適應與判斷能力，非常適合應用于管道聲波信號泄漏的識別[14]。

圖7 典型BP神經網絡拓撲結構模型

4.2 BP神經網絡模型建立

該文利用Matlab 軟件建立BP 神經網絡管道泄漏聲波信號識別模型，如圖8 所示，BP 神經網絡設置為3 層拓撲結構，隱含層的傳遞函數(shù)為logsig 函數(shù)，輸出層的傳遞函數(shù)為purelin 函數(shù)，訓練算法選擇trainlm(Levenberg-Marquardt)算法[15]。網絡的初始化參數(shù)設置：最大訓練次數(shù)k=1 000，學習速率η=0.01，隱藏層節(jié)點數(shù)為10，輸出層節(jié)點為2，其余參數(shù)為默認值。

圖8 BP神經網絡訓練流程圖

實驗采集管道泄漏樣本數(shù)據(jù)400 組，正常非泄露樣本數(shù)據(jù)400 組，共800 組樣本數(shù)據(jù)，采樣率均為400 Hz，單次采樣時長為1 s。兩種狀態(tài)各取300 組作為BP 神經網絡的訓練樣本，提取樣本信號的MFCC 特征參數(shù)作為網絡的輸入；隱含層節(jié)點暫定為10 個；輸出層中，用[1 0]和[0 1]兩個節(jié)點狀態(tài)分別表示泄漏聲波信號及正常聲波信號。因此，網絡的節(jié)點拓撲結構為24×10×2[16]。

訓練完成后，將兩種聲波狀態(tài)剩余的100 組特征值數(shù)據(jù)作為測試樣本，通過測試樣本的輸出結果對泄露識別的準確率進行分析。

4.3 實驗結果及分析

實驗分別測試了MFCC 特征參數(shù)和使用新型閾值的小波去噪方法后的MFCC 特征參數(shù)在BP 神經網絡中的識別性能，在0～40 dB 信噪比下的識別結果如表2 所示。從表中可以看出，對比MFCC 特征參數(shù)和小波降噪方法后的MFCC 特征參數(shù)的識別性能變化，改進后方法的整體識別率都明顯優(yōu)于改進前，并且在低信噪比時表現(xiàn)尤為突出。文中提出的新型閾值去噪方法將低信噪比的聲波信號識別率從20.2%提升至61.2%，性能提升40%，在低信噪比時的識別率得到了大幅度的提升。

表2 不同特征參數(shù)的識別率對比

5 結論

文中提出一種基于Φ-OTDR 系統(tǒng)的聲波信號檢測方法，通過選取合適的特征參數(shù)，改善傳統(tǒng)的閾值降噪算法來提高管道泄漏聲波信號的識別性能。該文選取MFCC 作為特征參數(shù)，通過對傳統(tǒng)的小波閾值函數(shù)進行改進，設計了一種新型閾值函數(shù)。在BP神經網絡的訓練與識別實驗中，文中提出的新型閾值降噪方法將低信噪比時的聲波信號識別率提升了40%，且在不同信噪比時的泄漏聲波信號識別性能都有一定提升。

實驗表明，利用Φ-OTDR 系統(tǒng)對管道的聲波信號進行泄漏識別的方案是有效的，可以準確地監(jiān)測出泄漏信號。并且文中提出的新型小波降噪法相比傳統(tǒng)的降噪方法可以更為有效地去除采集信號的噪聲，一定程度上提高了聲波信號的信噪比，大大提高了在低信噪比時的管道泄漏識別率。因此，該研究有一定的實用性，在實際的管道泄漏監(jiān)測領域有一定的發(fā)展前景。