摘 要 針對管道模式識別模型效率低下、準(zhǔn)確率不足的問題，提出一種新的管道泄漏檢測方法。首先利用信號能量熵突變情況對泄漏引起的信號跳變進(jìn)行有效捕捉，其次利用變分模態(tài)分解（VMD）進(jìn)行去噪處理，還原信號真實(shí)動態(tài)特性?；陟靥卣魈崛∪ピ胄盘柕膭討B(tài)特征段，并將提取的特征向量輸入改進(jìn)差分進(jìn)化算法（IDE）優(yōu)化的支持向量機(jī)（SVM）識別模塊種，實(shí)現(xiàn)泄漏信號的辨識。實(shí)驗結(jié)果表明，與GA-SVM和PSO-SVM方法相比，IDE-SVM方法有效提高了分類識別準(zhǔn)確率，準(zhǔn)確率達(dá)到96.6667%。

關(guān)鍵詞 管道泄漏 能量熵 特征提取 工況識別 改進(jìn)差分進(jìn)化算法

中圖分類號 TQ055.8+1" "文獻(xiàn)標(biāo)志碼 A" "文章編號 1000-3932（2024）06-1023-05

油氣管道在維護(hù)能源安全中發(fā)揮著不可或缺的作用，但隨著管線服役時間的延長，管線泄漏問題日益嚴(yán)重。近年來，國內(nèi)外研究學(xué)者們對管道泄漏檢測技術(shù)進(jìn)行了深入研究，提出了不同的管道泄漏檢測方法。在泄漏檢測過程中的信號預(yù)處理方面，通過將小波變換［1］、經(jīng)驗?zāi)B(tài)分解［2］及變分模態(tài)分解（Variational Mode Decomposition，VMD）［3］等非線性信號處理方法用于管道信號的預(yù)處理，目前已經(jīng)取得了一定的成果，但也存在一些問題，例如小波變換中小波基選取復(fù)雜，經(jīng)驗?zāi)B(tài)分解易出現(xiàn)模態(tài)混疊的問題，雖然VMD克服了模態(tài)混疊等問題，但在處理非平穩(wěn)信號時數(shù)據(jù)長度變化會導(dǎo)致模態(tài)譜帶發(fā)生劇烈變化進(jìn)而影響模態(tài)分解的效率。

在泄漏檢測工況識別方面，相關(guān)學(xué)者提出將支持向量機(jī)（Support Vector Machine，SVM）用于管道泄漏檢測，但由于SVM參數(shù)選取會影響模型的性能，為此，大量的參數(shù)優(yōu)選方案被用作SVM的參數(shù)選取工具，例如差分進(jìn)化算法［4］、粒子群算法（Particle Swarm Optimization，PSO）［5］和遺傳算法（Genetic Algorithm，GA）［6］。雖然差分進(jìn)化算法相較于GA算法魯棒性更強(qiáng)且收斂速度更快，但極易陷入局部極值；PSO算法無法有效選取全局最優(yōu)；GA算法的選擇、交叉、突變等操作極易導(dǎo)致算法跳出局部最優(yōu)值。

為了更好地提取泄漏引起的信號跳變，降低信號時間序列復(fù)雜度，提升分類準(zhǔn)確率與實(shí)時性，筆者提出基于能量熵的VMD結(jié)合豪斯多夫距離（Hausdorff Distance，HD）的去噪方法。采用基于能量熵的方法對管道聲波信號進(jìn)行預(yù)處理，提取泄漏引起的信號跳變，降低數(shù)據(jù)長度對模態(tài)譜帶的影響，提升VMD的模態(tài)分解效率。利用VMD算法對信號跳變數(shù)據(jù)段進(jìn)行去噪處理，提高管道泄漏分類的實(shí)時性與準(zhǔn)確性，然后針對分類識別有效性的問題，利用萊維飛行的種群多樣性和擴(kuò)大搜索范圍的特點(diǎn)，改進(jìn)差分進(jìn)化算法的變異操作，并利用改進(jìn)差分進(jìn)化（Improved Differential Evolution，IDE）算法優(yōu)化SVM參數(shù)，提高分類準(zhǔn)確率。最后基于能量熵的VMD-HD去噪方法和IDE算法的優(yōu)點(diǎn)，構(gòu)建一種新的油氣管道泄漏信號分類方法，并將其用于油氣管道工況識別中以驗證該方法的可行性。

1 基于能量熵的VMD-HD去噪方法

油氣管道發(fā)生故障前后其聲波信號的能量分布會發(fā)生改變，然而管道泄漏檢測仿真實(shí)驗平臺采集到的非線性、非平穩(wěn)聲波信號片段無法有效突出聲波信號特征，為此筆者提出基于能量熵的聲波信號動態(tài)特征數(shù)據(jù)段提取方法。將仿真實(shí)驗平臺采集到的原始信號分解為n段，對各段信號x■（t）進(jìn)行能量熵計算，利用信號能量熵突變情況對采集信號進(jìn)行信號時間序列動態(tài)特征提取，降低數(shù)據(jù)復(fù)雜程度，從而有效捕捉由于油氣管道故障引起的信號跳變。具體計算式如下：

E■=■x■（t）dt=■［■x■（t）］■dt（1）

E=■E■（2）

p■=E■/E（3）

E■n=-■p■（t）lg p■（4）

式中 E——信號采集周期能量；

E■n——能量熵；

E■——第i段信號能量；

E■——信號能量；

p■——E■與E的比值；

ω——信號采集正半周期。

以能量熵突變量最大分段為起始分段，圖1所示為原始信號分段能量熵最大突變處的曲線（展示了原始信號動態(tài)特征段所在位置）。根據(jù)圖1提取實(shí)驗信號動態(tài)特征數(shù)據(jù)段，從而降低時間序列復(fù)雜度，突出信號動態(tài)特征，降低數(shù)據(jù)長度對模態(tài)分解的影響，提升模態(tài)分解效率。

利用VMD在頻域上自適應(yīng)地分解出各中心頻率對應(yīng)的有效成分，并將其與HD相結(jié)合作為信號去噪的一種手段。對圖1所示的動態(tài)特征段進(jìn)行去噪處理［7～9］，步驟如下：

a. x（t）經(jīng)VMD分解為K個本征模態(tài)函數(shù)

（BLIMF），然后利用各分解模態(tài)與分解前信號的概率密度函數(shù)之間的HD來表示其與原始信號的相似程度S。

b. 計算兩個相鄰BLIMF與有效數(shù)據(jù)信號之間的HD的增量θ，將HD突變最大之前的模態(tài)分量視為有效BLIMF。

c. 若θ取得最大值，則BLIMF■為轉(zhuǎn)折點(diǎn)，得到的濾波信號為前m個BLIMF的代數(shù)和。

為了驗證基于能量熵的VMD-HD去噪方法對油氣管道聲波信號的預(yù)處理效果，選擇180組原始聲波信號進(jìn)行VMD去噪與基于能量熵的VMD-HD去噪對比實(shí)驗。計算不同工況下的去噪時間均值，結(jié)果列于表1，可以看出，基于能量熵的VMD-HD去噪方法較之VMD去噪方法去噪時間更短，因此，基于能量熵的VMD-HD去噪方法可在一定程度上解決無效實(shí)驗數(shù)據(jù)過多，數(shù)據(jù)復(fù)雜度高，影響模態(tài)分解效率的問題。

2 特征向量選取

選取云模型特征熵、近似熵和重心頻率作為信號特征分類。其中，云模型特征熵是對模糊度和概率的綜合度量；近似熵從自相似程度的角度描述信號的隨機(jī)性；重心頻率反映信號功率譜的分布情況。得到的三維數(shù)據(jù)樣本特征分類結(jié)果如圖2所示，雖然不同類型數(shù)據(jù)之間仍然存在部分重疊難以區(qū)分的樣本點(diǎn)，但整體的區(qū)分度還是比較明顯的。

3 基于IDE優(yōu)化的SVM算法

3.1 IDE算法

DE算法由變異、交叉、選擇操作組成。

變異操作過程為：

U■■=X■■+F（X■■-X■■）（5）

U■■=X■■+F（X■■-X■■）（6）

其中，U■■是經(jīng)變異操作后的個體，t是進(jìn)化代數(shù)，X■■、X■■、X■■是在t時隨機(jī)選擇的個體，F(xiàn)是變異因子，X■■是最好的個體。

交叉操作過程為：一般情況下交叉概率可由函數(shù)rand產(chǎn)生，模擬DE算法在各代種群中交叉概率隨機(jī)產(chǎn)生的情況。

選擇操作過程為：

X■■=U■■， f（U■■）≤f（X■■）X■■， f（U■■）＞f（X■■）（7）

其中，X■■為經(jīng)選擇操作后的個體；f（x）為x的適應(yīng)度函數(shù)，DE算法按照最優(yōu)原則選擇DE算法中各代種群的進(jìn)化方向。

DE算法存在早熟的缺點(diǎn)，嚴(yán)重影響了算法的性能。萊維飛行通過短步長與偶爾較長步長相結(jié)合來增加種群的多樣性并擴(kuò)大搜索范圍，為此引入萊維飛行對變異因子F在一定范圍內(nèi)進(jìn)行隨機(jī)選取，優(yōu)化DE算法中的變異操作。通過萊維飛行對DE算法的種群變異因子進(jìn)行替換，從而跳出局部最優(yōu)值，避免算法早熟，更好地獲得適應(yīng)度函數(shù)的全局最優(yōu)值。

采用萊維飛行對個體變異操作進(jìn)行優(yōu)化：

U■■=X■■+F（X■■-X■■）+rand（X■■-U■■）（8）

F=Z■■+α？茌Levy（λ），i=1，2，…，n（9）

Levy（λ）=■·■■（10）

其中，Z■■是第t代位置，？茌為點(diǎn)對點(diǎn)乘法，α表示步長控制量，Levy（λ）為隨機(jī)搜索路徑，λ是服從N（1，3）分布的隨機(jī)數(shù)，μ和υ是服從N（0，1）分布的隨機(jī)函數(shù)，Γ是Gamma函數(shù)。

3.2 基于IDE優(yōu)化的SVM算法

SVM［10］運(yùn)用核函數(shù)將非線性問題提升至高維空間，并進(jìn)行分類平面的構(gòu)建，從而解決非線性問題。油氣管線各工況聲波信號特征在三維空間中存在部分重疊，為了實(shí)現(xiàn)準(zhǔn)確識別，將訓(xùn)練樣本通過核函數(shù)映射至更高維，在多維空間建立分類超平面，從而實(shí)現(xiàn)聲波信號的識別與分離。由于RBF核函數(shù)的整體效果優(yōu)于sigmoid核函數(shù)與多項式核函數(shù)，因此筆者采用RBF核函數(shù)處理類標(biāo)簽與屬性之間的非線性關(guān)系，并利用IDE算法優(yōu)化RBF核函數(shù)參數(shù)。

4 實(shí)驗驗證

首先采用基于能量熵的VMD-HD去噪方法對實(shí)驗平臺提取的聲波信號進(jìn)行預(yù)處理和特征熵計算，并利用構(gòu)建的管道工況識別特征向量。然后將提取的特征熵向量歸一化區(qū)間作為SVM的輸入，每種管道信號對應(yīng)的標(biāo)簽值作為SVM的輸出。最后對GA-SVM（懲罰因子c=140.4957，最佳核參數(shù)g=196.6503）、PSO-SVM（c=64.8622，g=100）和IDE-SVM（c=137.326816，g=177.6090）這3種方法進(jìn)行重復(fù)對比實(shí)驗，選取最優(yōu)參數(shù)對油氣管道工況進(jìn)行分類平面構(gòu)建，并對分類準(zhǔn)確率與運(yùn)行時間進(jìn)行對比，結(jié)果見表2?？梢钥闯?，筆者所提的IDE-SVM方法在管道泄漏檢測方面更具適用性，分類準(zhǔn)確率達(dá)到了96.6667%，相比于PSO-SVM方法準(zhǔn)確率提高了6.6667%，比GA-SVM方法提高了1.6667%。在保證分類準(zhǔn)確率的前提下，IDE-SVM方法較之GA-SVM方法與PSO-SVM方法的效率也有一定的提升，驗證了IDE-SVM方法在管道泄漏檢測中的可行性和優(yōu)越性。

5 結(jié)束語

筆者提出了一種基于能量熵的VMD-HD去噪方法，通過能量熵的突變情況有效捕捉由于泄漏引起的信號跳變，對采集聲波信號進(jìn)行動態(tài)特征段提取，降低數(shù)據(jù)復(fù)雜度，提高VMD的模態(tài)分解效率。通過提取動態(tài)特征數(shù)據(jù)段進(jìn)行VMD-HD去噪，還原信號的真實(shí)動態(tài)特征。實(shí)驗結(jié)果表明，基于能量熵的VMD-HD去噪方法提高了數(shù)據(jù)分析效率。利用IDE優(yōu)化SVM參數(shù)，解決了SVM因參數(shù)選取影響其性能的問題，使得SVM自適應(yīng)地選擇了最佳核參數(shù)g和懲罰因子c。與GA-SVM和PSO-SVM方法相比，IDE-SVM方法的分類準(zhǔn)確率可達(dá)96.6667%，運(yùn)行時間縮短至20.099 8 s。

參 考 文 獻(xiàn)

［1］" "HUANG L D，LIU G，WANG Y，et al.Fire detection in video surveillances using convolutional neural net-works and wavelet transform［J］.Engineering Applicat-ions of Artificial Intelligence，2022，110：1-13.

［2］" "LU X M，LU Z H，WU Q，et al.Soft Fault Diagnosis of Analog Circuit Based on EEMD and Improved MF-DFA［J］.Electronics，2023，12（1）：114.

［3］" "ZHUANG D Y，LIU H R，ZHENG H，et al.The IBA-ISMO Method for Rolling Bearing Fault Diagnosis Based on VMD-Sample Entropy［J］.Sensors，2023，23（2）：1-19.

［4］" "MOHAMMED H.Affirmative Ant Colony Optimization Based Support Vector Machine for Sentiment Classification［J］.Electronics，2022，11（7）：1-11.

［5］" WANG C，ZHANG Y， SONG J B，et al.A novel optimized SVM algorithm based on PSO with saturati-on and mixed time-delays for classification of oil pipeline leak detection［J］.Systems Science amp; Control Engineering，2019，7（1）：75-88.

［6］" "ALI L，WAJAHAT I，GOLILARZ N A，et al.LDA-GA-SVM：Improved hepatocellular carcinoma prediction through dimensionality reduction and genetically opti-mized support vector machine［J］.Neural Computing and Applications，2021，33（7）：2783-2792.

［7］" "LU J Y，YUE J K，JIANG C L，et al.Feature extraction based on variational mode decomposition and support vector machine for natural gas pipeline leakage［J］.Transactions of the Institute of Measurement and Cont-rol，2019，9（1）：1-11.

［8］" "路敬祎，國劍鋒，屈雪.基于VMD-OV的去噪算法研究［J］.化工自動化及儀表，2021，48（2）：142-145；155.

［9］" "LU J Y，YUE J K，ZHU L J，et al.Variational mode decomposition denoising combined with improved Bh-attacharyya distance［J］.Measurement，2019，151：1-11.

［10］" "QASIM O S，ALGAMAL Z Y.A gray wolf algorithm for feature and parameter selection of support vector classification［J］.International Journal of Computing Science and Mathematics，2021，13（1）：93-102.

（收稿日期：2023-03-01，修回日期：2024-10-13）

A New Leakage Signal Detection Technology for Oil and Gas Pipelines

LU Jing-yia，b，c， ZHANG Huib， ZHANG Yongd ， HU Zhong-ruib， LI Yu-qib

（a. SANYA Offshore Oil amp; Gas Research Institute； b. Artificial Intelligence Energy Research Institute； c. Heilongjiang Provincial Key Laboratory of Networking and Intelligent Control；d. School of Physics and Electronic Engineering，Northeast Petroleum University）

Abstract" "Considering low efficiency and accuracy of pipeline pattern recognition model， a new method for pipeline leakage detection was proposed. In which， having abrupt change of the signal energy entropy used to capture signal jump caused by the leakage， and the variation mode decomposition（VMD）adopted to remove noise and restore real dynamic characteristics of the signal. In addition， the dynamic feature segment of the de-noised signal was extracted based on the entropy feature， including having the extracted feature vector input into the support vector machine（SVM） recognition module optimized by the improved differential evolution （IDE） algorithm to realize identification of the leakage signals. Simulation results show that， as compared to other methods， the proposed method can effectively improve system recognition efficiency along with a recognition accuracy of 96.6667%.

Key words" " pipeline leakage， energy entropy， feature extraction， working condition recognition， IDE algorithm