劉恩斌，溫櫂榮，郭冰燕，喻 斌，陳其琨

(1.西南石油大學(xué) 石油與天然氣工程學(xué)院，四川 成都 610500；2.中國石油化工股份有限公司 天然氣分公司，北京 100029；3.中石油華北油田分公司，河北 任丘 062550；4.中國石油管道局工程有限公司，河北 廊坊 065000；5.School of Engineering,Cardiff University，UK Cardiff CF24 3AA)

0 引言

2021年11月4日，國務(wù)院安委辦印發(fā)通報(bào)中強(qiáng)調(diào)全面開展地下管網(wǎng)普查，加快老舊燃?xì)夤艿栏赂脑旄木€。我國城鎮(zhèn)燃?xì)庑袠I(yè)迅猛發(fā)展的同時(shí)，城市地下管線規(guī)模日益增大，在改擴(kuò)建過程中，事故時(shí)有發(fā)生，對人員生命及財(cái)產(chǎn)造成巨大損害。地下市政管線情況復(fù)雜[1]，燃?xì)夤堋⑺?、電力管、供暖管等管線密布，并且燃?xì)夤艿兰扔薪饘俟艿溃钟蟹墙饘俟艿?，既有在役管道，又有廢棄管道，現(xiàn)有探測方法的效率、準(zhǔn)確性等還存在很大的局限性。而在役燃?xì)夤艿乐腥細(xì)饬鹘?jīng)阻力部件形成湍流或渦流，并產(chǎn)生流動(dòng)噪聲，流噪聲信號通常是連續(xù)的且具有較寬頻譜[2]，可以反應(yīng)管道邊界狀態(tài)、內(nèi)部運(yùn)行等主要信號，通過聲波傳感器采集流噪聲信號，經(jīng)處理識(shí)別便可獲得主要信息。因此，本文提出采用燃?xì)夤艿懒鲃?dòng)聲學(xué)特征提取方法來實(shí)現(xiàn)燃?xì)夤艿赖奶綔y和辨識(shí)。由于燃?xì)夤艿缆竦?，聲音的?qiáng)度、幅度、聲壓級很低，且具有衰減的特點(diǎn)。另外，地下除了燃?xì)夤艿肋€有其他市政管道干擾，同時(shí)，由于原始聲信號數(shù)據(jù)龐大且其高維特征無法有效表征目標(biāo)信號的特點(diǎn)，需對聲信號進(jìn)行特征提取。

目前，特征提取針對水下聲信號、泄漏聲信號、故障診斷等[3-5]領(lǐng)域的研究較多，通常采用小波包算法、經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)、變分模態(tài)分解(VMD)算法等[6-7]。實(shí)際需要研究分析的信號，其在任意時(shí)間點(diǎn)都可能含有多個(gè)波形，所以Huang等[8]提出了Hilbert-Huang變換算法。

由表1可知，HHT算法應(yīng)用廣泛，研究的信號覆蓋面廣，本文嘗試將這種靈活高效的方法應(yīng)用于燃?xì)夤艿懒鲃?dòng)聲信號的特征提取中。根據(jù)特征提取出的參數(shù)進(jìn)行模式識(shí)別，訓(xùn)練適合燃?xì)饴曅盘柗诸惖淖R(shí)別模型。

表1 Hilbert-Huang變換算法在多領(lǐng)域的廣泛應(yīng)用

鑒于以上原因，本文針對燃?xì)夤艿懒鲃?dòng)聲信號，利用HHT算法對其進(jìn)行分解，分析其時(shí)頻及邊際譜等特性，確定其特征參數(shù)，并歸一化形成特征數(shù)據(jù)庫，通過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別。

1 模型建立

1.1 特征提取模型與方法

噪聲信號特征提取的流程為：

1)選擇數(shù)值模擬和實(shí)驗(yàn)測試得到的流噪聲聲壓脈動(dòng)信號作為原始信號，做聲壓級變換得到隨時(shí)間變化的時(shí)域數(shù)據(jù)。

2)對時(shí)域數(shù)據(jù)進(jìn)行EMD分解，EMD分解流程如圖1所示。

圖1 EMD分解流程

3)計(jì)算篩選出的各IMF分量的峰值F、峰值頻率Fmax，并歸一化處理。

4)對經(jīng)EMD分解得到的各階IMF分量做Hilbert變換。

5)對Hilbert譜做時(shí)域積分得到原信號的能量在時(shí)頻域上的表達(dá)方式。

6)計(jì)算出整個(gè)大區(qū)間能量和參數(shù)。

7)計(jì)算每個(gè)IMF分量邊際譜的能量占比Ei作為特征參數(shù)，并歸一化處理。

基于HHT方法提取出的3種特征參數(shù)：F、Fmax、E構(gòu)成特征向量P。

1.2 模式識(shí)別模型與方法

對神經(jīng)網(wǎng)絡(luò)算法[16]進(jìn)行優(yōu)化，過程如下：

1)輸入節(jié)點(diǎn)個(gè)數(shù)

根據(jù)提取的特征向量P，由特征向量維數(shù)以及實(shí)際分類時(shí)的分類效果，確定網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)為16。

2)輸出層節(jié)點(diǎn)個(gè)數(shù)

根據(jù)燃?xì)夤艿懒髟肼曅盘柲Ｊ降?種聲音類別，對燃?xì)夤艿纼?nèi)部氣體流動(dòng)噪聲信號的編碼為(1,0)T；對其他類型氣體流動(dòng)噪聲信號的編碼為(0,1)T；輸出節(jié)點(diǎn)取2個(gè)，且輸出Y的編碼如式(1)所示：

(1)

3)隱含層節(jié)點(diǎn)個(gè)數(shù)

通過對比分析不同隱含層節(jié)點(diǎn)數(shù)條件下網(wǎng)絡(luò)的訓(xùn)練誤差、測試誤差以及迭代步數(shù)的變化情況，來選擇最優(yōu)的隱含層節(jié)點(diǎn)個(gè)數(shù)。各參數(shù)隨隱含層節(jié)點(diǎn)個(gè)數(shù)的變化曲線如圖2所示。

圖2 各參數(shù)隨隱含層節(jié)點(diǎn)變化曲線

由圖2可知，網(wǎng)絡(luò)的測試誤差與訓(xùn)練誤差均呈先降低后增大的變化趨勢，當(dāng)隱含層節(jié)點(diǎn)個(gè)數(shù)為10時(shí)，網(wǎng)絡(luò)訓(xùn)練誤差及測試誤差最小，故將隱層節(jié)點(diǎn)數(shù)定為10個(gè)。

4)初始權(quán)值選擇

通常初始權(quán)值有如下3種選擇方法：

①在區(qū)間[-1，1]之間隨機(jī)地選擇初始權(quán)值；

②在0附近一微小區(qū)間[-0.01，0.01]之間隨機(jī)地選擇初始權(quán)值；

③采用不同的選取方式選擇2級網(wǎng)絡(luò)的初始權(quán)值：對于輸入層到隱層的連接權(quán)值，將其初始化為很小的隨機(jī)數(shù)；對于隱含層到輸出層的連接權(quán)值，將其初始化為-1或 1。

基于上述提出的3種選取方法，通過多次對神經(jīng)網(wǎng)絡(luò)的測試，本文的BP神經(jīng)網(wǎng)絡(luò)選擇在區(qū)間[-1，1]內(nèi)隨機(jī)生成初始權(quán)值。

5)學(xué)習(xí)率的選取

通常，需要對學(xué)習(xí)率選取多組數(shù)值進(jìn)行對比驗(yàn)證，然后對比選取最優(yōu)學(xué)習(xí)率供神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練使用，對于學(xué)習(xí)率，一般選擇在0.01～1之間，本文將其設(shè)為0.001，以保證網(wǎng)絡(luò)的穩(wěn)定性。

6)期望誤差的選取

期望誤差并非數(shù)值越低，神經(jīng)網(wǎng)絡(luò)分類識(shí)別的準(zhǔn)確率就越高。如果實(shí)際仿真訓(xùn)練過程中，期望誤差選擇的過低，將會(huì)導(dǎo)致整個(gè)網(wǎng)絡(luò)變得復(fù)雜化，影響神經(jīng)網(wǎng)絡(luò)的分類識(shí)別效率以及準(zhǔn)確率。所以實(shí)際案例中，期望誤差的選擇只需能夠滿足要求即可。故本文期望誤差設(shè)定為E=0.001。

綜上所述，本文對于燃?xì)饬髟肼曅盘査罱ǖ腂P神經(jīng)網(wǎng)絡(luò)分類模型：選用3層拓?fù)浣Y(jié)構(gòu)，輸入節(jié)點(diǎn)個(gè)數(shù)為16，隱含層節(jié)點(diǎn)的數(shù)為10，輸出節(jié)點(diǎn)數(shù)為2，因此，網(wǎng)絡(luò)節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)為16×10×2，燃?xì)饬髟肼曅盘朆P神經(jīng)網(wǎng)絡(luò)分類模型如圖3所示。

圖3 燃?xì)饬髟肼曅盘朆P神經(jīng)網(wǎng)絡(luò)分類模型

2 結(jié)果與討論

2.1 聲信號的獲取與驗(yàn)證

原始聲信號的獲取主要有數(shù)值模擬和實(shí)驗(yàn)測試2種方式。實(shí)驗(yàn)管道為架空敷設(shè)，研究對象有直管、彎頭及三通，管材為PE管，管徑為DN50、DN65、DN75，壓力為0.005～0.01 MPa，流速為1～3 m/s。以DN65三通管件在壓力0.008 MPa、流速3m/s條件為例，模擬與實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 數(shù)值模擬、實(shí)驗(yàn)結(jié)果三維圖

由圖4可知，由于實(shí)驗(yàn)存在干擾，與模擬結(jié)果相比，實(shí)驗(yàn)圖譜在明顯的波峰之間頻率相差較大，但二者特點(diǎn)基本一致，且峰值大小基本一致。對fluent軟件模擬過程中得到的聲壓文件進(jìn)行處理，將頻域圖轉(zhuǎn)化為時(shí)域圖，同時(shí)本文也采集了水聲信號來進(jìn)行對比分析。

圖5為燃?xì)饬髟肼曅盘柡退曅盘柕念l域圖，由圖5可知，水聲信號聲壓級隨頻率增加逐漸下降，而流噪聲信號各個(gè)頻段都有較多能量，且存在主頻率。圖6為燃?xì)饬髟肼曅盘柡退曅盘柕臅r(shí)域圖，由圖6可以看出2類信號均呈現(xiàn)非平穩(wěn)、非線性的變化趨勢。

圖5 燃?xì)饴曅盘柡退曅盘柭晧杭夘l域圖

圖6 燃?xì)饴曅盘柡退曅盘柭晧杭墪r(shí)域圖

2.2 經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果分析和討論

基于EMD方法對燃?xì)夤艿懒髟肼曅盘柡退曅盘栠M(jìn)行分解，結(jié)果如圖7～8所示。

圖7 燃?xì)饴曅盘柕腎MF分量和余量時(shí)域波形圖

圖8 水聲信號的各階 IMF 分量和余量時(shí)域波形圖

由圖7～8可知，2聲信號的IMF分量具有不同的時(shí)域波形特征，燃?xì)饬鲃?dòng)聲信號大部分能量集中在階數(shù)較低的IMF分量上。而水聲信號，在較高階的IMF中集中了聲信號的大部分能量，IMF1、IMF2集中的能量較小。

將燃?xì)饬髟肼曅盘柡退曅盘柕母鱾€(gè)IMF分量相關(guān)系數(shù)和方差貢獻(xiàn)率的計(jì)算結(jié)果分別繪于圖9中。

圖9 燃?xì)饴曅盘?、水聲信號各階IMF相關(guān)系數(shù)和方差貢獻(xiàn)率變化趨勢

通過分析圖9中2信號的相關(guān)系數(shù)和方差貢獻(xiàn)率可得，燃?xì)饴曅盘栔饕?jì)算 IMF1～ IMF8的特征參數(shù)，水聲信號主要計(jì)算 IMF3～ IMF10的特征參數(shù)，并進(jìn)行歸一化處理。

2.3 希爾伯特邊際譜分析

將信號的瞬時(shí)頻率、幅值、時(shí)間等數(shù)據(jù)繪成三維圖如圖10所示，圖形波動(dòng)表示信號能量的高低。

圖10 燃?xì)饬髟肼曅盘?、水聲信號的三維時(shí)頻圖

從圖10中可看出水聲信號頻譜特性表現(xiàn)出低頻能量占優(yōu)的特點(diǎn)，而燃?xì)饬髟肼曅盘栴l譜特性表現(xiàn)為有明顯波峰的特點(diǎn)。

將2類聲信號進(jìn)行EMD分解及處理過程中得到的各階IMF分量的瞬時(shí)頻率變化情況分別繪于圖11中，由圖11可知，EMD 分解過程中，2類聲信號的頻率是從大到小依次被分解出來的，殘余分量的頻率很小，幾乎接近為0。

圖11 燃?xì)饬髟肼曅盘柡退曅盘柛麟AIMF分量瞬時(shí)頻率

由于2種聲信號在經(jīng)過EMD算法分解后得到的IMF分量的階數(shù)大致相當(dāng)，在 Hilbert-Huang 變換時(shí)頻譜的基礎(chǔ)上分別對2種聲信號求其邊際譜，通過聲信號IMF 的邊際譜在不同頻段的分布情況對其進(jìn)行分析。

燃?xì)饬髟肼曅盘柡退曅盘柕倪呺H譜曲線分別如圖12和圖13所示，進(jìn)一步詳細(xì)展示信號的特點(diǎn)，可以看出2類聲信號存在主要頻率成分(圖中圓圈標(biāo)示)，而2類信號能量也呈現(xiàn)明顯差別，所以分別提取各IMF分量峰值、峰值頻率及邊際譜區(qū)域能量作為特征參數(shù)。

圖12 燃?xì)饬髟肼曅盘柕腎MF邊際譜圖

圖13 水聲信號的IMF邊際譜圖

基于上述對聲信號的詳細(xì)分析，各管件在模擬過程中設(shè)置了多個(gè)聲壓監(jiān)測點(diǎn)，各情況下的燃?xì)饴曅盘栯m然數(shù)值大小存在差別，但均存在明顯的峰值現(xiàn)象，特性基本一致。對各工況的聲信號進(jìn)行特征提取，燃?xì)饴曅盘柕奶卣鲄?shù)：將峰值、峰值頻率進(jìn)行歸一化處理得到其特征數(shù)據(jù)庫如表2所示。

表2 燃?xì)饴曅盘柼卣鲾?shù)據(jù)庫

2.4 基于BP神經(jīng)網(wǎng)絡(luò)的燃?xì)饬髟肼曅盘柗诸愖R(shí)別

針對燃?xì)饴曅盘柗诸惖木W(wǎng)絡(luò)模型，選取161組特征數(shù)據(jù)中的121組用于模型訓(xùn)練，40組用于測試。利用訓(xùn)練出的分類識(shí)別模型，將測試數(shù)據(jù)輸入，來判斷聲信號是否為燃?xì)饬鲃?dòng)聲信號，從而檢驗(yàn)本文方法對燃?xì)饬髟肼曅盘柼卣魈崛〉挠行?。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類過程中訓(xùn)練、測試、驗(yàn)證及所有數(shù)據(jù)與擬合線之間的關(guān)系圖如圖14所示。將BP神經(jīng)網(wǎng)絡(luò)對測試樣本的輸出及分類識(shí)別率的情況列于表3中。

由圖14可知，燃?xì)饴曅盘柕木W(wǎng)絡(luò)模型實(shí)際輸出與期望輸出之間誤差較小，且各結(jié)果均在擬合線附近，證明前文特征參數(shù)提取有效及網(wǎng)絡(luò)模型合理。而其他類別信號若在該區(qū)域范圍內(nèi)則不準(zhǔn)確，將最終識(shí)別情況列于表3，根據(jù)表3測試結(jié)果可知，網(wǎng)絡(luò)模型對燃?xì)饬髟肼曅盘柗诸愖R(shí)別率達(dá)97.5%。

表3 測試結(jié)果

圖14 回歸曲線示意

3 結(jié)論

1)本文提出采用燃?xì)夤艿懒鲃?dòng)聲學(xué)特征提取方法來實(shí)現(xiàn)在役管道的探測，證明聲學(xué)特征提取方法在燃?xì)夤艿捞綔y中的有效性。

2)利用HHT聲信號處理的優(yōu)點(diǎn)，歸一化處理得到燃?xì)夤艿懒髟肼曅盘柕奶卣鲾?shù)據(jù)庫，證明HHT對于燃?xì)夤艿缆曅盘柼卣魈崛〉挠行浴?/p>

3)對BP神經(jīng)網(wǎng)絡(luò)優(yōu)化，確定本文流噪聲信號分類識(shí)別模型，識(shí)別效率為97.5%，證明本文基于聲信號特征分析的燃?xì)夤艿捞綔y識(shí)別方法的有效性。