孫啟昌，易亞男

（1.中石化石油工程設(shè)計(jì)有限公司，山東東營 257026；2.樸牛（上海）科技有限公司，上海 200241）

管道的腐蝕、焊口缺陷、外力作用等很多種情況都會(huì)導(dǎo)致管道泄漏。相較于長輸管道和燃?xì)夤艿溃吆驓馓锼釟饧敼艿谰哂蠬2S 含量高、管道并行交叉多、內(nèi)檢測受限、第三方破壞風(fēng)險(xiǎn)高等特點(diǎn)[1-2]。酸性氣體的泄漏極易造成周邊人員傷亡，因此對酸性氣體管道的實(shí)時(shí)健康監(jiān)控勢在必行。

現(xiàn)代管道監(jiān)測系統(tǒng)集成了電子技術(shù)、傳感技術(shù)、精密技術(shù)、光學(xué)技術(shù)、計(jì)算機(jī)及其軟件技術(shù)、信息處理技術(shù)、通信技術(shù)等[3]。光纖傳感技術(shù)起源于上世紀(jì)六七十年代，當(dāng)光纖受到外界因素變化的影響，會(huì)引起光強(qiáng)度、光相位等的變化，因此光纖傳感技術(shù)被廣泛應(yīng)用于各種管道的運(yùn)行狀態(tài)監(jiān)控[4-5]。

針對上述酸性氣體管道健康監(jiān)控問題，采用小波包分解提取能量特征，并用神經(jīng)網(wǎng)絡(luò)作為分類器的方法，能夠很好地區(qū)分不同的信號(hào)，并用大量的測試數(shù)據(jù)驗(yàn)證了模型的可靠性。

1 試驗(yàn)信號(hào)采集

DAS 系統(tǒng)基于相干瑞利散射原理，利用光纖對聲音（振動(dòng)）敏感的特性，當(dāng)外界振動(dòng)作用于傳感光纖時(shí)，光纖的折射率、長度將產(chǎn)生微小變化，導(dǎo)致光纖內(nèi)傳輸信號(hào)的相位變化，通過檢測振動(dòng)前后信號(hào)的相位變化，即可實(shí)現(xiàn)振動(dòng)事件的探測，并具備多振動(dòng)事件同時(shí)精確定位的功能[6-8]，該技術(shù)被廣泛應(yīng)用在健康監(jiān)測領(lǐng)域[9-10]。試驗(yàn)中當(dāng)氣體管道發(fā)生損壞時(shí)，管道內(nèi)外的壓力差使管道破損處的氣體發(fā)生振動(dòng)，導(dǎo)致光纖發(fā)生相應(yīng)的相變，從而達(dá)到監(jiān)測定位的需求。

所用酸性氣體管道為H2S 氣體管道，考慮到H2S泄漏會(huì)對實(shí)驗(yàn)人員以及環(huán)境造成損害，氮?dú)夂虷2S氣體的密度接近，在發(fā)生泄漏時(shí)的聲學(xué)特征相似，且氮?dú)廨^為環(huán)保，因此在設(shè)計(jì)試驗(yàn)時(shí)，將H2S 氣體換成了氣體密度接近的氮?dú)狻?/p>

分別采集酸性氣體管道在三種狀態(tài)下的信號(hào)，分別是無擾動(dòng)的正常狀態(tài)下的正常信號(hào)、管道泄漏狀態(tài)下的泄漏信號(hào)、基于挖掘機(jī)挖掘的第三方入侵狀態(tài)下的第三方入侵信號(hào)，三種信號(hào)的標(biāo)簽分別為1、2、3。試驗(yàn)采用樸牛（上海）科技有限公司研發(fā)的HiFi-DAS 分布式光纖傳感器，采樣率為4 000 Hz，0.5 m一個(gè)通道，共120個(gè)通道。圖1所示為HiFi-DAS系統(tǒng)原理框圖。圖2-4為三種信號(hào)的差分信號(hào)波形圖。

圖1 HiFi-DAS系統(tǒng)原理框圖

圖4 第三方入侵信號(hào)差分波形圖

從三種差分信號(hào)波形圖可知，當(dāng)管道發(fā)生擾動(dòng)時(shí)，其差分信號(hào)的幅值明顯增大，但泄漏信號(hào)和第三方入侵信號(hào)的差分信號(hào)波形圖無明顯的區(qū)別。

2 小波包能量特征提取

酸性氣體管道一般為埋地管道，在內(nèi)外壓差的作用下，其產(chǎn)生的聲音信號(hào)為非線性、非平穩(wěn)信號(hào)。為了確保能夠提取到在復(fù)雜背景環(huán)境下的有效信息，采用小波包分解方法對采集到的三種差分信號(hào)進(jìn)行分析。

2.1 特征提取

小波包分解在分析非平穩(wěn)信號(hào)方面具備優(yōu)勢，其自適應(yīng)能力可以將信號(hào)分解到合適的頻段，達(dá)到時(shí)頻分辨效果[11-12]。采用小波包三層分解，分解樹圖如圖5 所示。

圖5 小波包分解樹圖

信號(hào)經(jīng)過小波包分解之后，各個(gè)子頻攜帶了原始信號(hào)的能量。提取小波包分解的第三層各個(gè)子頻的能量作為特征。提取的三種不同工況的典型樣本的特征如表1 所示。

表1 小波包分解第三層能量

將表1 的數(shù)據(jù)以折線圖形式展現(xiàn)，如圖6 所示。

圖6 小波包分解第三層能量折線圖

觀察圖6 可發(fā)現(xiàn)，正常信號(hào)在整個(gè)頻率范圍內(nèi)能量都比較穩(wěn)定，波動(dòng)較小。泄漏信號(hào)和第三方入侵信號(hào)在低頻段能量較小，高頻段能量較大。但泄漏信號(hào)在E3-6頻段達(dá)到能量最大值，在E3-7頻段能量下降。將第三層小波包分解的能量組成特征向量T=[E3-0,E3-1,E3-2,E3-3,E3-4,E3-5,E3-6,E3-7]。三種信號(hào)在不同的頻段有不同表現(xiàn)，可據(jù)此特征向量進(jìn)行模式識(shí)別。

2.2 特征選擇

觀察圖6 可發(fā)現(xiàn)，特征向量中的特征并不是每個(gè)都對分類有作用的。特征向量中存在相關(guān)特征，也存在無關(guān)特征，因此需要對特征向量中的特征進(jìn)行選擇，減少特征既可加快訓(xùn)練速度，也減少了模型的復(fù)雜度，避免過擬合，提高模型的泛化能力[13-14]。

用卡方檢驗(yàn)的方法對特征進(jìn)行選擇?？ǚ綑z驗(yàn)的思想是通過觀察值和理論值之間的偏差來判斷理論值的正確率。以觀察值與期望的差距構(gòu)建統(tǒng)計(jì)量：

其中，Ai表示觀察頻數(shù)（即觀察值），Ni表示期望頻數(shù)，x為卡方值，k為特征總數(shù)。

據(jù)此方法對上述特征向量T=[特征0，特征1，特征2，特征3，特征4，特征5，特征6，特征7]中的八個(gè)特征進(jìn)行篩選，得出八個(gè)特征的得分和P-values，如圖7 所示。得分越高，該特征越重要，P-values 值越小，該特征越重要。

圖7 卡方檢驗(yàn)的特征選擇結(jié)果

圖7（a）中特征0 的得分最高，對應(yīng)特征向量中的E3-0；特征1 得分最低，特征1 到特征7 得分依次遞增。圖7（b）中特征1 的P-values 值遠(yuǎn)大于其余七個(gè)特征，剩余七個(gè)特征的P-values 值較接近于1。綜上所述，八個(gè)特征中，特征1 是無關(guān)特征，其余七個(gè)特征為相關(guān)特征。刪除特征1 后，重新組成新的特征向量T=[E3-0,E3-2,E3-3,E3-4,E3-5,E3-6,E3-7]，使用新的特征向量進(jìn)行模式識(shí)別。

3 BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別

BP 神經(jīng)網(wǎng)絡(luò)是一種多層的前饋網(wǎng)絡(luò)。這種網(wǎng)絡(luò)通過信號(hào)的正向傳播以及誤差的反向傳播兩個(gè)過程來對數(shù)據(jù)進(jìn)行訓(xùn)練[15-16]。諸多學(xué)者證明，只需一個(gè)包含足夠多神經(jīng)元的隱層，多層前饋網(wǎng)絡(luò)就能以任意精度逼近任意復(fù)雜度的連續(xù)函數(shù)。文中選擇三個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

BP 神經(jīng)網(wǎng)絡(luò)將數(shù)據(jù)分為訓(xùn)練集和測試集，三種信號(hào)分別選取9 000 個(gè)樣本并提取其特征向量作為訓(xùn)練集，1 000 個(gè)樣本提取特征作為測試集。由于是分類任務(wù)，使用準(zhǔn)確率和損失函數(shù)來展示訓(xùn)練過程，損失函數(shù)使用的是交叉熵?fù)p失函數(shù)。BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程可視化如圖8 所示。

圖8 BP神經(jīng)網(wǎng)絡(luò)結(jié)果評(píng)價(jià)

從圖8 可以看出，BP 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練集分類的準(zhǔn)確率達(dá)到了99.5%，訓(xùn)練損失為0.559，且測試集準(zhǔn)確率較穩(wěn)定，損失函數(shù)的值也較低。

為驗(yàn)證該模型的泛化能力，三種信號(hào)分別重新采集1 000 個(gè)樣本進(jìn)行分類測試。圖9 為驗(yàn)證樣本的混淆矩陣。

圖9 驗(yàn)證集混淆矩陣

觀察圖9 可發(fā)現(xiàn)，3 000 個(gè)樣本分類準(zhǔn)確率為97%，異常狀況檢出率為99.4%。正常信號(hào)分類錯(cuò)誤25 個(gè)；泄漏信號(hào)分類錯(cuò)誤30 個(gè)；第三方入侵信號(hào)分類錯(cuò)誤34 個(gè)。在驗(yàn)證樣本上，三種信號(hào)分類準(zhǔn)確率較高，誤報(bào)率較低，可認(rèn)為該分類模型可用于酸性氣體管道的健康監(jiān)控。

4 結(jié)束語

針對非線性、非平穩(wěn)的聲音信號(hào)，提出基于小波包分解的能量特征提取，并用卡方檢驗(yàn)的方法挑選相關(guān)特征，具有較高的區(qū)分度，為快速準(zhǔn)確地檢測出管道是否正常運(yùn)行奠定了基礎(chǔ)。所用的三個(gè)隱藏層結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò)也能夠較好地適用于酸性氣體管道聲音信號(hào)的模式識(shí)別，在測試集上三種信號(hào)的分類準(zhǔn)確率也達(dá)到99.5%。該方法在驗(yàn)證樣本中三種信號(hào)分類準(zhǔn)確率達(dá)到97%以上，誤報(bào)率均在4%以下，表現(xiàn)略差于測試集，考慮是訓(xùn)練樣本較少的原因，后續(xù)可增加訓(xùn)練樣本數(shù)量。

文中采用的光纖與管道之間的距離是固定的。后續(xù)可增加不同鋪設(shè)距離、不同鋪設(shè)角度對采集信號(hào)的影響，進(jìn)而確定出較適合酸性氣體管道健康監(jiān)控的光纖傳感器鋪設(shè)方法。