徐彩軍 王芳 張世杰 于漫漫

摘要：針對(duì)穿跨越油氣管道人工巡檢困難的問題，文中采用分布式光纖實(shí)時(shí)監(jiān)測(cè)管道狀態(tài)，對(duì)振動(dòng)信號(hào)進(jìn)行分類，識(shí)別管道振動(dòng)源。提出改進(jìn)的禿鷹搜索算法和光纖振動(dòng)信號(hào)特征提取方法，并基于神經(jīng)網(wǎng)絡(luò)對(duì)分布式光纖相位敏感信號(hào)進(jìn)行分類和識(shí)別。實(shí)驗(yàn)結(jié)果顯示，文中提出的Ct-GBES-BPNN分類模型具有良好的分類識(shí)別效果，可為保障穿跨越油氣管道安全提供支撐。

關(guān)鍵詞：分布式光纖；相位敏感信號(hào)；油氣管道；特征提?。徽駝?dòng)識(shí)別

Research on Oil and Gas Pipeline Vibration Detection Based on Distributed Fiber Optic Phase-Sensitive Signal Classification

XU Caijun1， WANG Fang1，? ZHANG Shijie2， YU Manman1

（ 1 Fujian Boiler and Pressure Vessel Inspection Institute， Fuzhou 350008， Fujian， China ）

（ 2 Fuzhou Huarun Gas Co.， Ltd. Fuzhou 350001， Fujian， China ）

Abstract： Addressing the challenge of manual inspection difficulties for trans-crossing oil and gas pipelines， this paper employs distributed fiber optics for real-time monitoring of pipeline conditions， classifying vibration signals to identify the sources of pipeline vibrations. An improved Bald Eagle Search algorithm and a method for extracting features from fiber optic vibration signals are proposed. Furthermore， distributed fiber optic phase-sensitive signals are classified and recognized based on neural networks. Experimental results demonstrate that the proposed Ct-GBES-BPNN classification model achieves excellent performance in classification and recognition， providing support for ensuring the safety of trans-crossing oil and gas pipelines.

Key Words： Distributed fiber optics; Phase-sensitive signals; Oil and gas pipelines; Feature extraction; Vibration recognition

0引言

目前，油氣輸送最主要的方式是管道運(yùn)輸[1]。油氣是具有易燃易爆特性和毒性的危化品，一旦發(fā)生泄漏，不僅容易造成巨大的經(jīng)濟(jì)損失和環(huán)境危害，更將對(duì)管道沿線居民生命健康安全產(chǎn)生巨大威脅。油氣管道不可避免要經(jīng)過一些山川河流等地貌，這些管道的穿跨越段往往巡檢困難，因此難以及時(shí)發(fā)現(xiàn)潛在的安全隱患，且往往不具備維搶修條件。另一方面，穿跨越管段容易因?yàn)橐馔廨d荷破壞管道本體，導(dǎo)致管道泄漏[2-5]。因此開發(fā)油氣管道安全檢測(cè)技術(shù)，及時(shí)發(fā)現(xiàn)威脅管道安全的異常事件，對(duì)于保障管道安全運(yùn)行有重要作用[6]。

傳統(tǒng)的人工巡檢方法效率低、易受環(huán)境干擾[7]。分布式光纖監(jiān)測(cè)是實(shí)時(shí)檢測(cè)管道運(yùn)行狀態(tài)的有效手段，具有感測(cè)與傳輸一體、測(cè)量距離長、測(cè)量精度高、抗電磁干擾、本質(zhì)安全等優(yōu)點(diǎn)，是油氣管道健康狀態(tài)檢測(cè)的有效手段[8-9]。馮誠[10]研發(fā)白光干涉分布式光纖系統(tǒng)，提取了光纖傳感信號(hào)的時(shí)頻域特征。彭云輝[11]提出基于模極大值的光纖信號(hào)去噪算法，該算法精度較高，但運(yùn)算時(shí)間比較長。張景川[12]采用小波降噪方法處理光纖檢測(cè)信號(hào)，但該方法再低頻段去噪效果不佳。對(duì)此，文中開展了分布式光纖相位敏感信號(hào)分類的油氣管道振動(dòng)檢測(cè)研究，提出了Ct-GBES-BPNN分類模型用于檢測(cè)人工挖掘、機(jī)械挖掘、行車噪聲等造成的光纖振動(dòng)信號(hào)，為保障穿跨越油氣管道安全運(yùn)行提供了技術(shù)支撐。

1 改進(jìn)禿鷹搜索算法

1.1 標(biāo)準(zhǔn)禿鷹搜索算法

禿鷹搜索算法（Bald Eagle Search optimization algorithm， BES）是一種仿生元啟發(fā)式演算法，完整的BES搜索過程由搜索空間階段、搜索獵物階段和俯沖捕食階段三個(gè)階段，具體的數(shù)學(xué)模型如下：

1）搜索空間階段，通過判斷獵物數(shù)量更新最佳搜尋位置，以找到最優(yōu)空間，該行為的數(shù)學(xué)表達(dá)式為：

式中：是控制禿鷹位置改變的因子；為0到1的隨機(jī)數(shù)；、、和分別對(duì)應(yīng)為禿鷹的最新位置、最佳位置、平均位置和種群中第只個(gè)體的位置；

2）盤旋搜索階段，禿鷹在最優(yōu)空間盤旋尋找獵物最佳俯沖捕獲位置，螺旋飛行可以通過極坐標(biāo)描述，該階段的位置更新可以表示為：

式中：表示螺旋方程的極角；為螺旋方程的極徑；為螺旋的軌跡因子；確定了搜索的周期數(shù)；、個(gè)體在極坐標(biāo)下的位置；

3）俯沖捕食階段，該階段的位置更新式為：

式中：、為禿鷹向中心位置的強(qiáng)度，取值為（1，2）。

在此階段，禿鷹將圍繞最優(yōu)個(gè)體進(jìn)行搜索。由式（6）可知，個(gè)體所圍繞的中心會(huì)漸漸向獵物中心靠近。當(dāng)與獵物的距離為0即最優(yōu)位置時(shí)，算法將獲得最優(yōu)尋優(yōu)效果。

1.2 禿鷹搜索算法的改進(jìn)

1.2.1 Tent混沌映射算法

Tent混沌映射是二維的混沌映射[13]，廣泛應(yīng)用于混沌加密系統(tǒng)。在搜索空間階段引入Tent混沌映射增加禿鷹初始化個(gè)體的均勻度，并利用Tent混沌映射對(duì)禿鷹搜索的位置進(jìn)行更改，通過減少隨機(jī)數(shù)r影響全局搜索能力的影響，隨迭代增加，禿鷹搜索算法從全局收縮轉(zhuǎn)向局部搜索，數(shù)學(xué)模型為：

1.2.2 自適應(yīng)t-分布和動(dòng)態(tài)選擇策略

文中引入自適應(yīng)t-分布，分布形態(tài)變化影響著變異算子對(duì)禿鷹最佳俯沖確定的捕獲位置進(jìn)行變異的能力。在算法迭代前期，通過對(duì)捕獲位置的變異獲得更優(yōu)的全局搜索性能，變異項(xiàng)的作用隨迭代次數(shù)的T的增大而不斷減小，算法逐漸聚焦于局部區(qū)域的搜索，加快算法收斂過程。融合自適應(yīng)t-分布和動(dòng)態(tài)選擇策略的位置更新式為：

式中：為變異后種群中第只個(gè)體的位置；為變異算子，，隨迭代次數(shù)T的增大而減??；為t-分布函數(shù)。

1.2.3 黃金正弦算法

將Golden-SA作為局部算子融合到禿鷹俯沖捕獲獵物階段，式（12）為第三階段的位置更新式，通過設(shè)定A以平衡全局搜索和局部開發(fā)能力，平衡全局搜索和局部搜索。隨著迭代次數(shù)增加，算法更傾向于搜索以提高算法對(duì)局部區(qū)域進(jìn)行充分搜索的能力。降低變異率，從而提升禿鷹搜索算法的尋優(yōu)速度和尋優(yōu)精度。改進(jìn)后的位置更新式為：

式中：為內(nèi)隨機(jī)數(shù)；為內(nèi)隨機(jī)數(shù)。

2 Ct-GBES-BPNN分類模型的構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)的分類性能依賴于學(xué)習(xí)速率L、學(xué)習(xí)動(dòng)量r以及初始權(quán)重的選取，文中采用 Ct-GBES算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率參數(shù)L和學(xué)習(xí)動(dòng)量r以及神經(jīng)網(wǎng)絡(luò)的初始權(quán)重等參數(shù)的選擇，建立最優(yōu)BP神經(jīng)網(wǎng)絡(luò)參數(shù)組合，達(dá)到提升模型分類準(zhǔn)確率的效果。Ct-GBES-BPNN分布式光纖相位敏感信號(hào)分類模型的具體構(gòu)建流程如圖1所示。

步驟1：采用小波能譜特征算法、小波信息熵算法提取相位敏感信號(hào)特征，并構(gòu)建特征數(shù)據(jù)集，歸一化處理后按8∶2的比例劃分特征數(shù)據(jù)集。

步驟2：確定BPNN的學(xué)習(xí)速率L、學(xué)習(xí)動(dòng)量r和初始權(quán)重的尋優(yōu)范圍，確定尋優(yōu)維度，構(gòu)建目標(biāo)函數(shù)，設(shè)置禿鷹種群的規(guī)模和最大迭代次數(shù)，采用Tent混沌映射算法初始化種群。

步驟3：更新參數(shù)學(xué)習(xí)速率、學(xué)習(xí)動(dòng)量以及權(quán)重初始值，根據(jù)目標(biāo)函數(shù)計(jì)算禿鷹個(gè)體的適應(yīng)度值確定目前最優(yōu)適應(yīng)度以及最優(yōu)適應(yīng)度值對(duì)應(yīng)的禿鷹個(gè)體位置，即最高驗(yàn)證準(zhǔn)確率和對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)參數(shù)組合。

步驟4：更新Tent混沌映射優(yōu)化隨機(jī)數(shù)r，更新禿鷹位置。

步驟5：判斷隨機(jī)數(shù)r是否小于警戒值；若，通過變異算子對(duì)禿鷹螺旋飛行確定的俯沖捕獲位置進(jìn)行變異，提高全局搜索能力。

步驟6：判斷隨機(jī)數(shù)是否大于設(shè)定A；若，引入黃金正弦算法對(duì)禿鷹俯沖捕食位置進(jìn)行變異。

步驟7：重復(fù)執(zhí)行步驟3到步驟6直到達(dá)到最大迭代次數(shù)

步驟8：應(yīng)用最優(yōu)Ct-GBES-BPNN模型對(duì)不同噪聲下的相位敏感信號(hào)進(jìn)行分類。

3 數(shù)據(jù)采集

搭建了長輸管道實(shí)驗(yàn)裝置，主要由長輸管道系統(tǒng)和傳感系統(tǒng)兩部分構(gòu)成。其中長輸管道系統(tǒng)主要包括環(huán)道系統(tǒng)、泵站、控制柜和空壓系統(tǒng)。環(huán)道系統(tǒng)由600m長的不銹鋼管道和容量為2m3的水箱構(gòu)成，管道共8層（見圖2）。實(shí)驗(yàn)時(shí)，水從水箱底部流入管道，經(jīng)泵站加壓后從第8層返回水箱。泵站系統(tǒng)包含4個(gè)模擬泵站，每個(gè)泵站配有2臺(tái)小型離心式水泵，可單啟，也可兩臺(tái)串聯(lián)或并聯(lián)運(yùn)行?？刂乒窨煽刂票玫膯⑼：娃D(zhuǎn)速、閥門的啟閉和開度、離心泵的串并聯(lián)狀態(tài)等，并顯示流量、壓力等信息；空壓系統(tǒng)主要組成部分是空氣壓縮機(jī)，既用于試驗(yàn)結(jié)束后管線吹掃、又能為氣動(dòng)閥提供動(dòng)力。在長輸管道系統(tǒng)上模擬人工挖掘、機(jī)械挖掘、行車噪聲等三類不同工況，并通過直接探測(cè)型φ-OTDR采集對(duì)應(yīng)的相位敏感信號(hào)。

具體實(shí)驗(yàn)步驟如下：

1）將振動(dòng)傳感器固定在管道上，檢查管道系統(tǒng)是否正確啟閉；將網(wǎng)線和電源線與數(shù)據(jù)采集板相連，插入TF卡并通電；

2）確認(rèn)流程正確后開啟空氣壓縮機(jī)，為氣動(dòng)閥提供起源并排出管道系統(tǒng)內(nèi)積液；開啟對(duì)應(yīng)泵站的操作平臺(tái)，打開需要運(yùn)行的水泵，穩(wěn)定運(yùn)行一段時(shí)間；

3）打開數(shù)據(jù)采集板上的開關(guān)，開始采集振動(dòng)信號(hào)；

4）觀察數(shù)字采集客戶端界面的實(shí)時(shí)波形有無異常，根據(jù)實(shí)驗(yàn)?zāi)康膶?duì)管道系統(tǒng)施加影響，通過電錘敲擊地面模擬機(jī)械挖掘信號(hào)，通過木棒敲擊地面模擬人工挖掘信號(hào)，通過推車模擬行車噪聲。

3.1 小波能譜特征提取

不同噪聲源下的相位敏感信號(hào)包含的信息成分不同，構(gòu)成信號(hào)在不同頻段的能量分布差異，對(duì)分布式光纖管道相位敏感信號(hào)進(jìn)行小波分解，得到不同尺度上的小波分量，通過單子帶重構(gòu)使得不同尺度下的子帶與原信號(hào)具有相同的時(shí)間長度，計(jì)算每個(gè)子帶的能量，將這些歸一化的能量值按頻帶大小排列形成向量作為相位敏感信號(hào)的特征，具體特征提取步驟如下：

1）對(duì)分布式光纖相位敏感信號(hào)采用db5小波基函數(shù)進(jìn)行6層小波分解得到小波系數(shù)：。

2）通過單子帶重構(gòu)算法得到相同時(shí)間長度的各子帶信號(hào)：。

3）用表示，累加各頻帶重構(gòu)的信號(hào)能量得到總能量? ? ?（13）

4）以各頻帶信號(hào)能量構(gòu)造特征向量。

5）對(duì)特征向量進(jìn)行歸一化處理，得到各頻帶能量的占比，即歸一化特征向量。

6）根據(jù)繪出相位敏感信號(hào)的能譜圖。

4 Ct-GBES-BPNN分類性能驗(yàn)證

4.1 小波能譜特征分析

不同噪聲下的相位敏感信號(hào)的典型時(shí)域波形如圖3所示，相比人工挖掘、機(jī)械挖掘車輛噪聲，行車噪聲信號(hào)在時(shí)域上的分布更加均勻?yàn)檫B續(xù)型波形，單從時(shí)域波形并不能有效識(shí)別噪聲源。

對(duì)時(shí)域波形進(jìn)行快速傅里葉變化得到對(duì)應(yīng)的頻譜如圖4所示，不同噪聲源的頻域信號(hào)振幅大小相近。信號(hào)在各頻帶上的能量分布情況不同，行車噪聲信號(hào)在頻域上的分布比較均勻，能量主要集中在700～1500Hz附近；人工挖掘信號(hào)和機(jī)械挖掘信號(hào)的能量分布比較集中，有效信息主要集中在700～1000Hz附近。相比人工挖掘信號(hào)，機(jī)械挖掘信號(hào)的能量在頻段上的分布更加集中。信號(hào)的各頻率成分能量占比差異構(gòu)成了作為相位敏感信號(hào)分類的前提，各頻段的能量占比以向量形式作為區(qū)分不同噪聲源的特征。

根據(jù)小波能譜特征提取算法得到信號(hào)能譜圖如圖5所示，行車噪聲信號(hào)的能量主要集中于、和，而挖掘信號(hào)的能量主要集中于、和，相比人工挖掘信號(hào)，機(jī)械挖掘信號(hào)能量更加集中，主要分布在、；距離挖掘動(dòng)作較近的相位敏感信號(hào)落在高頻區(qū)，高頻信號(hào)隨著傳播距離衰減，相對(duì)動(dòng)作距離較遠(yuǎn)的信號(hào)低頻區(qū)的能量占比有所提高。

不同噪聲源的相位敏感信號(hào)在各頻率段能量分布不同，這些差異構(gòu)成噪聲源的識(shí)別的基礎(chǔ)，為進(jìn)一步驗(yàn)證小波能譜特征的有效性，分別提取10組不同噪聲源的能譜特征經(jīng)過歸一化處理得到特征向量）的平均值］作為相應(yīng)相位敏感信號(hào)的有效特征，從而降低異常值的影響，使特征統(tǒng)計(jì)值具有相對(duì)的穩(wěn)定性。圖6所示為小波能譜折線圖，行車噪聲信號(hào)和挖掘信號(hào)的能量分布差異較大，人工挖掘和機(jī)械挖掘信號(hào)的能量分布差異主要體現(xiàn)在低頻段。

4.2 分類結(jié)果討論

為了驗(yàn)證Ct-GBES-BPNN在相位敏感信號(hào)分類問題上的性能，本研究采集了行車噪聲、人工挖掘和機(jī)械挖掘三種噪聲下的相位敏感信號(hào)各750組，按8：2的比例，得到訓(xùn)練集和測(cè)試集。通過特征提取算法構(gòu)建了特征數(shù)據(jù)集，并建立3種平行參照模型分別為BPNN、FA-BPNN、CS-BPNN。不同模型的分類結(jié)果和運(yùn)行時(shí)間如圖7所示，相比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，采用優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)能夠有效地降低模型的運(yùn)行時(shí)間，同時(shí)提高模型的綜合準(zhǔn)確率，Ct-GBES-BPNN的綜合準(zhǔn)確率最高同時(shí)運(yùn)行時(shí)間最短。

改進(jìn)前后的模型測(cè)試集混淆矩陣如圖8、圖9所示，改進(jìn)前BPNN對(duì)行車噪聲的分類準(zhǔn)確率為76.7%，對(duì)人工挖掘的準(zhǔn)確率為74.1%，對(duì)機(jī)械挖掘的準(zhǔn)確率為84.0%，綜合準(zhǔn)確率為78.22%。改進(jìn)后的Ct-GBES-BPNN對(duì)行車噪聲的分類準(zhǔn)確率為95.9%，對(duì)人工挖掘的準(zhǔn)確率為95.4%，對(duì)機(jī)械挖掘的準(zhǔn)確率為94.7%，綜合準(zhǔn)確率為95.3%?；煜仃嚱Y(jié)果表明：改進(jìn)后的Ct-GBES-BPNN模型具有更高的識(shí)別準(zhǔn)確率。

5 結(jié)論

文中提出了一種基于Ct-GBES-BPNN的分布式光纖相位敏感信號(hào)分類模型，將提取的小波能譜特征和小波熵特征作為輸入變量，相位敏感信號(hào)源類別作為模型的輸出，并對(duì)模型進(jìn)行了訓(xùn)練和測(cè)試，完成了模型有效性驗(yàn)證，可得結(jié)論如下：

1）基于tent混沌映射、自適應(yīng) t-分布和黃金正弦算法的融合禿鷹搜索算法，相比傳統(tǒng)的禿鷹搜索算法能有效提高算法收斂性能和局部搜索能力，利用優(yōu)化算法對(duì)BPNN的參數(shù)L，r以及初始權(quán)重進(jìn)行參數(shù)尋優(yōu)能夠提高分類的準(zhǔn)確率，Ct-GBES-BPNN相比BPNN、FA-BPNN、CS-BPNN具有更高的準(zhǔn)確率和更短的運(yùn)行時(shí)間。

2）通過提取分布式光纖相位敏感信號(hào)的小波能譜特征和小波信息熵特征，有效地描述了不同背景噪聲下相位敏感信號(hào)的區(qū)別。

3）針對(duì)相位敏感信號(hào)分類問題，Ct-GBES-BPNN，綜合準(zhǔn)確率95.3%，相比傳統(tǒng)的BPNN分類模型78.2%，準(zhǔn)確率提高了17.1%。

參考文獻(xiàn)

[1]李秋揚(yáng)，趙明華，張斌，溫文，王樂樂，張雪琴，

陳林.2020年全球油氣管道建設(shè)現(xiàn)狀及發(fā)展趨勢(shì)[J].

油氣儲(chǔ)運(yùn)，2021，40（12）：1330-1337+1348.

[2]左廣宇. 城市燃?xì)夤艿赖谌狡茐难芯考皯?yīng)對(duì)措施[D].

華南理工大學(xué)，2014.

[3]郎憲明，李平，曹江濤，任泓.長輸油氣管道泄漏檢測(cè)

與定位技術(shù)研究進(jìn)展[J].控制工程，2018，25（4）：

621-629.

[4]Liu Qiang， Yu Haoyu， Zhu Guochuan， et al.

Investigation on leakage cause of oil pipeline

in the west oilfield of China[J]. Engineering

Failure Analysis， 2020， 113：104552.

[5]么惠全，馮偉.西氣東輸管道第三方破壞風(fēng)險(xiǎn)與防控措

施[J].油氣儲(chǔ)運(yùn)，2010，29（05）：390-392+395+317.

[6]徐海紅.我國長輸油氣管道完整性管理中安全檢測(cè)與

評(píng)估及風(fēng)險(xiǎn)評(píng)價(jià)技術(shù)集成的應(yīng)用研究[D].北京化工

大學(xué)，2005.

[7]邱秀分，張峰，孫志偉，賈慶升，李明，宋聰，

何昌邦.基于分布式光纖傳感技術(shù)的管道破壞聯(lián)合

檢測(cè)方法[J].油氣儲(chǔ)運(yùn)，2021，40（8）：888-894.

[8]張祿濱. 基于分布式光纖傳感技術(shù)的管道監(jiān)測(cè)與評(píng)

估[D].哈爾濱工業(yè)大學(xué)，2020.

[9]張笑華，肖興勇，方圣恩.面向橋梁結(jié)構(gòu)健康監(jiān)測(cè)的

壓縮感知?jiǎng)恿憫?yīng)信號(hào)重構(gòu)[J].振動(dòng)工程學(xué)報(bào)，

2022，35（03）：699-706.

[10]馮誠.面向安全監(jiān)測(cè)的分布式光纖振動(dòng)傳感模式識(shí)

別研究[D].華中科技大學(xué)，2019.

[11]彭云輝， 劉云峰， 楊小岡， 等.小波域模極大值

的激光信號(hào)濾波方法研究[J]. 系統(tǒng)工程與電子技術(shù)，

2008（02）： 229-232.

[12]張景川.分布式光纖油氣管道安全檢測(cè)信號(hào)處理技

術(shù)研究[D].天津大學(xué)，2010.

[13] 莫仕勛，楊皓，蔣坤坪，等. 基于改進(jìn)禿鷹搜索

算法的變壓器 J-A 模型參數(shù)辨識(shí)[J].電工電能

新技術(shù)，2022，41（4）：67-74.