陳展 張穎 周發(fā)戚 束倩倩

（1.常州大學(xué)環(huán)境與安全工程學(xué)院，江蘇 常州 213164；2.常州大學(xué)機(jī)械與軌道交通學(xué)院，江蘇 常州 213164）

0 引言

作為一種高效便捷的流體（天然氣、石油、自來水等）輸運(yùn)工具，管道系統(tǒng)在生產(chǎn)生活中應(yīng)用廣泛，由于腐蝕、老化以及第三方破壞等，管道泄漏事故時(shí)有發(fā)生［1］。管道泄漏未及時(shí)處理可能會(huì)間接造成資源浪費(fèi)、環(huán)境污染，甚至導(dǎo)致火災(zāi)、爆炸等惡性事故，給大眾的生命、財(cái)產(chǎn)造成嚴(yán)重的威脅。

作為一種實(shí)時(shí)在線的無損檢測方法，聲發(fā)射技術(shù)可以在不停產(chǎn)的狀況下對(duì)管道的泄漏情況進(jìn)行檢測及判斷，而且此技術(shù)對(duì)管道結(jié)構(gòu)形狀并無要求，已在管道泄漏檢測中發(fā)揮著日益重要的作用［2］。然而，在面對(duì)低流量泄漏管道的檢測時(shí)，典型聲發(fā)射特征參數(shù)并不能作為識(shí)別不同檢測位置泄漏氣動(dòng)噪聲信號(hào)的有力依據(jù)。因此，針對(duì)低流量管道泄漏氣動(dòng)噪聲分類識(shí)別，可根據(jù)試驗(yàn)數(shù)據(jù)提取合適的特征參數(shù)，建立有效的識(shí)別分類模型。

在信號(hào)特征方面，梅爾頻率倒譜系數(shù)（MFCC）矩陣作為一種高效的信號(hào)特征，因具有良好的識(shí)別性能，越來越多地應(yīng)用于各種信號(hào)識(shí)別領(lǐng)域。陳瀚翔等［3］提出了一種基于鳴聲信號(hào)MFCC 和高斯混合模型（GMM）的鳥種識(shí)別方法，結(jié)果表明，16 種鳥類的識(shí)別準(zhǔn)確率在80.0%～96.7%。REVATHI A 等［4］對(duì)樣本進(jìn)行MFCC 提取，用于識(shí)別殘疾人控制輪椅和周圍裝置的命令，結(jié)果表明，MFCC可以有效表征殘疾人不同控制命令的信號(hào)特征。黃林然等［5］針對(duì)MIG焊焊接線能量的信號(hào)識(shí)別難題，利用MFCC 建立識(shí)別模型，最后得出識(shí)別率達(dá)到99.25%。WANG Y X等［6］以某風(fēng)電場故障風(fēng)機(jī)和無故障風(fēng)機(jī)為例，提取聲音信號(hào)的MFCC，結(jié)合K均值聚類實(shí)現(xiàn)風(fēng)力機(jī)葉片的故障診斷，驗(yàn)證了所提方法的有效性。由以上研究可知，特征矩陣MFCC 在信號(hào)識(shí)別領(lǐng)域具有一定的優(yōu)勢。在信號(hào)分類識(shí)別方面，支持向量機(jī)（Support Vector Machine，SVM）是由VAPNIK 等提出的一種模式識(shí)別方法，因其模型結(jié)構(gòu)簡單且泛化能力強(qiáng)，在非線性、高維度的模式識(shí)別問題中辨識(shí)性能強(qiáng)［7］。但傳統(tǒng)SVM 在懲罰參數(shù)c和核函數(shù)參數(shù)g的采取上具有隨機(jī)性，通過灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）優(yōu)化后的支持向量機(jī)（GWO-SVM）可得到最優(yōu)的懲罰參數(shù)c和核函數(shù)參數(shù)g，從而進(jìn)一步提升識(shí)別精度。

針對(duì)上述問題，本文提出一種基于MFCC 和GWO-SVM 的低流量管道泄漏氣動(dòng)噪聲辨識(shí)方法。首先，利用低流量管道泄漏氣動(dòng)噪聲信號(hào)數(shù)據(jù)提取信號(hào)特征矩陣MFCC，使其作為定量描述指標(biāo)；然后以GWO-SVM 對(duì)信號(hào)特征矩陣MFCC 進(jìn)行不同檢測位置信號(hào)模式識(shí)別分類，證明特征向量構(gòu)建的有效性。

1 數(shù)據(jù)預(yù)處理

1.1 MFCC 特征提取

MFCC 特征提取流程見圖 1。

圖1 MFCC 特征提取流程

將MFCC 的計(jì)算過程［8］簡要說明如下。

1）首先對(duì)原始信號(hào)S（n）進(jìn)行分幀處理，而加窗的目的是補(bǔ)償分幀造成的信息損失。

2）經(jīng)過預(yù)處理后，原始信號(hào)S（n）變?yōu)闀r(shí)域信號(hào)X（n）。再用快速傅里葉變換（FFT）將時(shí)域信號(hào)X（n）轉(zhuǎn)化為線性頻譜X（k），變換公式為：

3）將X（k）通過濾波器組轉(zhuǎn)換為Mel 頻譜。Mel頻率濾波器組是1 組三角帶通濾波器，在Mel 頻率域內(nèi)，每個(gè)濾波器帶寬相同。其傳遞函數(shù)為：

式中，m為第m個(gè)Mel 濾波器；f（m）為濾波器中心頻率；k為輸入信號(hào)的頻譜分量。

4）為了提高M(jìn)FCC 的魯棒性，通常對(duì)Mel 頻譜取對(duì)數(shù)能量，由X（k）得到對(duì)數(shù)頻譜S（m）的總傳遞函數(shù)為：

5）將S（m）經(jīng)過離散余弦變換（DCT），得到梅爾頻率倒譜系數(shù)參數(shù)C（n）（即MFCC）：

1.2 灰狼優(yōu)化算法

灰狼優(yōu)化（GWO）算法以模擬狼群中協(xié)作狩獵與等級(jí)分工的生存模式，整個(gè)種群類似于金字塔被分為4 個(gè)等級(jí)［9］是狼群中對(duì)群體狩獵生存起決策作用的群體是從屬狼在團(tuán)隊(duì)中充當(dāng)哨兵、捕獵、看護(hù)的作用群體是團(tuán)隊(duì)中等級(jí)最低的狼，缺少將會(huì)導(dǎo)致整個(gè)團(tuán)隊(duì)內(nèi)部斗爭。

在一次具體的狩獵中，灰狼在狩獵過程中包圍獵物，包圍過程的數(shù)學(xué)表達(dá)式如式（5）—式（6）所示：

1.3 支持向量機(jī)

支持向量機(jī)（SVM）是基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的機(jī)器學(xué)習(xí)方法［10］，關(guān)于非線性問題，可以將樣本數(shù)據(jù)從低維空間映射到高維空間，即用核函數(shù)xi，yi）代替點(diǎn)積〈xi，yi〉，使得樣本在高維屬性空間線性可分，繼而求出最優(yōu)分類平面。

徑向基核函數(shù)（RBF）具有較好的高維數(shù)據(jù)分析能力，且學(xué)習(xí)能力較強(qiáng)，故選擇RBF作為核函數(shù)，即：

基于RBF 函數(shù)的SVM 分類決策函數(shù)為：

式中，K為支持向量機(jī)數(shù)量，拉格朗日乘子；b為偏置。

2 基于MFCC 和GWO-SVM 的識(shí)別分類方法

基于MFCC 和GWO-SVM 的低流量管道泄漏氣動(dòng)噪聲辨識(shí)方法原理如圖2 所示。氣動(dòng)噪聲識(shí)別分類包括特征提取和模型識(shí)別2 個(gè)步驟。

圖2 信號(hào)識(shí)別分類原理

1）特征提取步驟，首先利用聲發(fā)射技術(shù)采集原始信號(hào)，采用Hanning 窗將信號(hào)進(jìn)行分幀加窗處理，獲得特征MFCC。

2）模型識(shí)別步驟，將處理得到的特征MFCC 劃分為訓(xùn)練樣本和測試樣本。利用訓(xùn)練樣本訓(xùn)練GWOSVM，生成分類識(shí)別模型。之后將測試樣本輸入到模型中，通過特征匹配實(shí)現(xiàn)對(duì)氣動(dòng)噪聲的分類識(shí)別。在此過程中，GWO-SVM 會(huì)對(duì)影響自身性能的誤差懲罰因子c和核函數(shù)參數(shù)g進(jìn)行分析計(jì)算，自動(dòng)選取最優(yōu)，進(jìn)而優(yōu)化目標(biāo)函數(shù)。

3 試驗(yàn)裝置簡介

本試驗(yàn)選用PAC（美國物理聲學(xué)公司）生產(chǎn)的PCI-8 全數(shù)字聲發(fā)射儀，采用共振頻率為30 kHz 的R3I-AST 傳感器，自帶集成式前置放大器，具體聲發(fā)射參數(shù)設(shè)定值如表1 所示。

表1 聲發(fā)射參數(shù)設(shè)定值

試驗(yàn)所用管道直徑40 mm，傳感器和所測位置編號(hào)從上至下分別定義為一、二、三號(hào)，傳感器均放置在法蘭上采集信號(hào)，流量計(jì)底部連接鼓風(fēng)機(jī)，最頂部管道向窗外排氣，試驗(yàn)裝置如圖3 所示。其中，閥門的主要作用是調(diào)節(jié)和控制流量。在管道中，當(dāng)氣體為定常流動(dòng)時(shí)，各流動(dòng)參數(shù)不隨時(shí)間而改變，因此管道內(nèi)不存在流體壓力、速度等的脈動(dòng)，也就不存在聲源［11］。但是，當(dāng)閥門阻擋引起壓力脈動(dòng)和速度脈動(dòng)導(dǎo)致非定常流動(dòng)時(shí)，可等效為在管道泄漏處產(chǎn)生湍流而出現(xiàn)聲源。

圖3 試驗(yàn)裝置

試驗(yàn)開始前將傳感器和線路正確連接，進(jìn)行斷鉛步驟，確保傳感器能正常使用。試驗(yàn)開始后，打開鼓風(fēng)機(jī)，通過調(diào)節(jié)閥門控制管道內(nèi)流量，分別采集流量為5、10、20、30、40 m3/h 等5 種情況下3 種位置的聲發(fā)射信號(hào)。

4 試驗(yàn)結(jié)果與分析

4.1 典型聲發(fā)射特征參數(shù)分析

利用PAC 研發(fā)的AE-win 軟件可直接導(dǎo)出管道在不同流量下3 種位置的信號(hào)幅值，具體數(shù)值如表2所示。

表2 3 種位置信號(hào)幅值分布區(qū)間

由表2 可知，當(dāng)管內(nèi)流量≥10 m3/h 時(shí)，3 種位置信號(hào)均可以通過幅值進(jìn)行區(qū)分，而當(dāng)管內(nèi)流量為5 m3/h 時(shí)，幅值區(qū)分已不適用，因此還需要對(duì)流量為5 m3/h 下的聲信號(hào)做進(jìn)一步分析。

取某一時(shí)刻3 個(gè)傳感器所采波形信號(hào)的AE 時(shí)域圖和頻域圖進(jìn)行分析。圖4 為3 種位置聲發(fā)射信號(hào)時(shí)域，圖5 為3 種位置聲發(fā)射信號(hào)頻域。

圖4 3 種位置信號(hào)時(shí)域

圖5 3 種位置信號(hào)頻域

從圖4 可以看出，僅從圖像上難以直觀分辨出3種信號(hào)，波形圖像并無規(guī)律可言，而在圖5 中，3 種位置信號(hào)的突出頻響均在23.4 kHz 左右，且一號(hào)位置信號(hào)和二號(hào)位置信號(hào)的突出頻響對(duì)應(yīng)的幅值并無太大區(qū)別，故在頻域圖中區(qū)分3 種位置信號(hào)效果也不理想，因此需要計(jì)算其他特征參數(shù)進(jìn)行識(shí)別。

將上升時(shí)間、能量、計(jì)數(shù)、中心頻率、平均頻率等作為典型聲發(fā)射時(shí)頻域特征參數(shù)，是聲發(fā)射活動(dòng)的重要判斷依據(jù)，利用AE-win軟件導(dǎo)出3 種位置信號(hào)的特征參數(shù)，各特征參數(shù)分布區(qū)間如表3 所示。

表3 3 種位置信號(hào)特征參數(shù)分布區(qū)間

由表3 可知，一些典型聲發(fā)射時(shí)頻域特征參數(shù)也無法區(qū)分3 種位置信號(hào)，針對(duì)此類識(shí)別問題，由于特征矩陣MFCC 是由波長、頻率以及強(qiáng)度等100 余種特征維度組成的信號(hào)特征，具有穩(wěn)定性、可測量性、唯一性等特點(diǎn)，因此，可以嘗試在低流量管道泄漏氣動(dòng)噪聲中用于信號(hào)識(shí)別。

4.2 GWO-SVM 相關(guān)參數(shù)設(shè)置

試驗(yàn)管道泄漏氣動(dòng)噪聲趨于穩(wěn)定，故屬于連續(xù)型信號(hào)，首先對(duì)原始信號(hào)進(jìn)行分幀加窗處理，因?yàn)椴蓸娱L度為2 048，所以可以取2 048 個(gè)采樣點(diǎn)為1 幀信號(hào)，為使信號(hào)幀與幀之間平滑過渡，相鄰幀之間的重疊為50%［12］。對(duì)GWO-SVM 進(jìn)行參數(shù)初始化［13］：最大迭代次數(shù)NMax=100，目標(biāo)函數(shù)維數(shù)Dim=2，參數(shù)搜索范圍c∈［0.01，100］，g∈［0.01，100］，數(shù)據(jù)分析軟件為MATLAB R2020b（64 位）。

4.3 試驗(yàn)數(shù)據(jù)分析

當(dāng)管內(nèi)流量為5 m3/h 時(shí)，每種位置信號(hào)取80 個(gè)波形信號(hào)進(jìn)行分析計(jì)算，即每種位置信號(hào)一共有1 638 400 個(gè)采樣點(diǎn)。同時(shí)研究5 種Mel 濾波器組M下的識(shí)別率，每種Mel 濾波器組M下有3 種位置信號(hào)，經(jīng)計(jì)算每種位置信號(hào)有159 幀數(shù)據(jù)，3 種位置信號(hào)共477 幀數(shù)據(jù)，每1 幀數(shù)據(jù)提取特征后是1×M特征向量，共477 個(gè)M維特征向量，即每種位置信號(hào)有159 個(gè)聲樣本，3 種位置信號(hào)共477 個(gè)聲樣本。

從3 種位置信號(hào)中各隨機(jī)抽取50 個(gè)樣本作為測試樣本，其余樣本則作為訓(xùn)練樣本，可以避免結(jié)果的偶然性。為體現(xiàn)GWO-SVM 的優(yōu)勢，將劃分好的訓(xùn)練樣本和測試樣本分別輸入到GWO-SVM 和SVM 中進(jìn)行識(shí)別分類，3 種位置信號(hào)的識(shí)別準(zhǔn)確率如表4 所示。

表4 3 種位置信號(hào)的識(shí)別準(zhǔn)確率

分析表4 結(jié)果，Mel 濾波器組M對(duì)識(shí)別準(zhǔn)確率的影響如下：開始時(shí)，隨著M增大，識(shí)別準(zhǔn)確率不斷提高，這是因?yàn)轭l率段細(xì)化使得特征中包含更多反映各位置氣動(dòng)噪聲不同的有效信息。當(dāng)M為12 時(shí)，GWO-SVM 的準(zhǔn)確率達(dá)到94.67%，而SVM 的準(zhǔn)確率只達(dá)到90.67%，識(shí)別分類結(jié)果如圖6 所示。

圖6 MFCC 識(shí)別分類結(jié)果

之后隨著M繼續(xù)增加，準(zhǔn)確率下降，這是因?yàn)楦哳l環(huán)境噪聲段對(duì)應(yīng)的MFCC分向量個(gè)數(shù)在特征中所占比例過高而影響準(zhǔn)確率，信號(hào)識(shí)別準(zhǔn)確率整體趨勢為先增大后減小。

綜上可知，將MFCC 作為識(shí)別特征具有較高的準(zhǔn)確率，且隨著模型優(yōu)化，分類識(shí)別準(zhǔn)確率會(huì)得到進(jìn)一步的提升。因此，以MFCC 作為低流量管道泄漏氣動(dòng)噪聲信號(hào)的識(shí)別特征具有很好的表征性和可行性。

5 結(jié)論

1）在試驗(yàn)數(shù)據(jù)基礎(chǔ)上，相對(duì)于傳統(tǒng)支持向量機(jī)，利用灰狼優(yōu)化算法優(yōu)化支持向量機(jī)后，可進(jìn)一步提升識(shí)別準(zhǔn)確率。

2）特征選擇方面，典型聲發(fā)射特征無法對(duì)低流量泄漏管道不同檢測位置的氣動(dòng)噪聲進(jìn)行識(shí)別，而特征矩陣MFCC 在此問題上有較好的應(yīng)用。

3）MFCC 作為識(shí)別特征，Mel 濾波器組M=12時(shí)，GWO-SVM 方法下的3 種位置信號(hào)有較高的識(shí)別準(zhǔn)確率。因此，可以嘗試將MFCC 創(chuàng)新拓展到管道安全檢測問題解決中，可為管道早期泄漏檢測提供一種新的理論方法。