氣體管道運(yùn)行狀態(tài)特征提取與狀態(tài)識(shí)別

闞玲玲，葉 蕾，高丙坤，梁洪衛(wèi)，路敬祎

(東北石油大學(xué) 電氣信息工程學(xué)院，黑龍江大慶 163318)

0 引言

近年來，油氣管道泄漏事件經(jīng)常發(fā)生，并且都造成了嚴(yán)重的后果，因此，對(duì)油氣管道的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)具有重要意義[1-3]。目前，反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)等方法已廣泛應(yīng)用于油氣管道的泄漏檢測(cè)[4]。2013年，ABDULLA等[5]將神經(jīng)網(wǎng)絡(luò)和概率決策支持相結(jié)合，可快速識(shí)別管道運(yùn)行狀態(tài)；2015年，季舒瑤等[6]將本征模態(tài)函數(shù)(Intrinsic Mode Function，IMF)歸一化能量作為特征參數(shù)，利用BP實(shí)現(xiàn)不同泄漏量的分類；2017年，劉勝楠等[7]研究了人工蜂群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)；2019年，劉浩宇等[8]提出基于粒子群優(yōu)化支持向量機(jī)的小泄漏檢測(cè)法；2020年，燕宗偉等[9]針對(duì)管道泄漏檢測(cè)準(zhǔn)確率較低的問題，提出一種基于數(shù)據(jù)預(yù)處理的遺傳算法(Genetic Algorithm，GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)泄漏檢測(cè)法。

以上各項(xiàng)研究在各個(gè)細(xì)節(jié)方面均有獨(dú)到見解。本文重點(diǎn)研究氣體管道各運(yùn)行狀態(tài)的特征值，選取中心頻率、云模型特征熵、重心頻率作為特征值，搭建VMD-En-BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)氣體管道正常運(yùn)行(背景噪聲)、敲擊、滲漏、小泄漏和大泄漏等五種運(yùn)行狀態(tài)的識(shí)別。

1 氣體管道各種運(yùn)行狀態(tài)聲波信號(hào)特征提取

氣體輸送管道各種運(yùn)行狀態(tài)均會(huì)產(chǎn)生相應(yīng)的聲波信號(hào)，以下分析提取系統(tǒng)在不同運(yùn)行狀態(tài)下聲波信號(hào)的特征變量。

1.1 氣體管道運(yùn)行狀態(tài)檢測(cè)系統(tǒng)設(shè)計(jì)

基于聲波的氣體管道泄漏檢測(cè)系統(tǒng)硬件部分由模擬管道、空氣壓縮機(jī)、儲(chǔ)氣罐、控制系統(tǒng)、數(shù)據(jù)采集與處理系統(tǒng)組成，如圖1所示。模擬管道承壓范圍為0～2 MPa，管道長(zhǎng)度169 m，外徑80 mm；數(shù)據(jù)采集系統(tǒng)由聲波、壓力、溫度三種類型的傳感器，以及上位機(jī)采集系統(tǒng)組成；在模擬管道上安裝了15個(gè)球閥，每個(gè)球閥連接不同大小的泄漏口徑，模擬大泄漏、小泄漏、滲漏三種泄漏狀態(tài)。該系統(tǒng)選用LIT-PZT壓電聲壓傳感器和B&K 8103微型水聽器作為管道聲波信號(hào)的采集單元，前者的頻率范圍為0.1～20 000 Hz，后者的頻率范圍為0.1～180 000 kHz。

圖1 氣體管道泄漏檢測(cè)模擬系統(tǒng)Fig.1 Simulation system for leak detection of gas pipelines

油田生產(chǎn)中的油氣管道運(yùn)行狀態(tài)是指管道正常運(yùn)行、管道破損發(fā)生泄漏、管道受外界影響發(fā)生振動(dòng)等三種狀態(tài)，本模擬系統(tǒng)針對(duì)氣體管道開展研究，通過敲擊管道模擬管道振動(dòng)狀態(tài)，通過球閥放空模擬管道泄漏狀態(tài)。

目前對(duì)于管道小泄漏的闡述還沒有明確的定義，有的用泄漏量進(jìn)行界定，有的用泄漏孔徑進(jìn)行界定[10]。中國(guó)石油大學(xué)研究團(tuán)隊(duì)用流量計(jì)進(jìn)行界定，將泄漏量小于管道總流量的1.2%泄漏稱為小泄漏；遼寧石油化工大學(xué)研究團(tuán)隊(duì)用泄漏孔徑d與管道直徑D的比值進(jìn)行界定，將該比值小于0.2的泄漏稱為小泄漏；燕山大學(xué)研究團(tuán)隊(duì)將天然氣管道泄漏孔直徑介于1～5 mm 之間的泄漏稱為小泄漏[11]。

由于本文設(shè)計(jì)的模擬系統(tǒng)未安裝流量計(jì)，為了對(duì)泄漏大小進(jìn)行界定，該系統(tǒng)用直徑12.7 mm的4分球閥直接放空模擬大泄漏狀態(tài)；通過直徑1 mm圓孔放空模擬小泄漏狀態(tài)；用外接10 m軟管頂端的直徑0.4 mm圓孔放空模擬滲漏狀態(tài)，如圖2所示。

圖2 泄漏點(diǎn)和安裝有衰減管的泄漏點(diǎn)Fig.2 Leakage point and the leakage point with installedattenuation tube

1.2 IMF特征值提取

可變模態(tài)分解(Variable Mode Decomposition，VMD)可以實(shí)現(xiàn)氣體管道各種運(yùn)行狀態(tài)聲波信號(hào)的自適應(yīng)時(shí)頻分解，然后通過提取分解后各平穩(wěn)分量的信號(hào)特征實(shí)現(xiàn)運(yùn)行狀態(tài)識(shí)別[12-13]。采集實(shí)際運(yùn)行管道正常運(yùn)行、敲擊、泄漏三種運(yùn)行狀態(tài)的聲波信號(hào)，分別對(duì)其進(jìn)行可變模態(tài)分解(VMD)，采樣頻率設(shè)為fs=10 000 Hz，分解尺度K=3，然后分析不同狀態(tài)下各模態(tài)分量的特征。

正常運(yùn)行經(jīng)VMD后，各模態(tài)分量時(shí)域波形如圖3所示，其中，IMF1中心頻率為262 Hz，IMF2中心頻率為5 264 Hz。

泄漏聲波信號(hào)經(jīng)VMD后，各模態(tài)分量時(shí)域波形如圖4所示，其中，第1個(gè)模態(tài)IMF1的中心頻率為7.9 Hz，第2個(gè)模態(tài)IMF2的中心頻率為5 279 Hz。

圖3 正常運(yùn)行及其VMD時(shí)域波形圖Fig.3 Normal operation signal and its VMD time domain waveform

敲擊聲波信號(hào)經(jīng)VMD后,各模態(tài)分量時(shí)域波形見圖5，其中，第1個(gè)模態(tài)IMF1中心頻率為351 Hz，第2個(gè)模態(tài)IMF2中心頻率為5 889 Hz。

對(duì)氣體管道各種運(yùn)行狀態(tài)下的大量聲波信號(hào)進(jìn)行VMD，通過表1所列的數(shù)據(jù)分析發(fā)現(xiàn)，各個(gè)運(yùn)行狀態(tài)下采集的聲波信號(hào)經(jīng)過VMD后，第1個(gè)模態(tài)IMF1的中心頻率有很大差別，第2個(gè)模態(tài)IMF2的中心頻率差距也比較大，因此，各運(yùn)行狀態(tài)聲波信號(hào)VMD后前兩個(gè)模態(tài)的中心頻率可以作為特征參數(shù)進(jìn)行運(yùn)行狀態(tài)識(shí)別。另外，各個(gè)運(yùn)行狀態(tài)下的IMF1,IMF2中心頻率會(huì)有一定的波動(dòng)，這是由于每次試驗(yàn)的工況不完全相同造成的。

圖5 敲擊聲波信號(hào)及其VMD時(shí)域波形圖Fig.5 Knocking acoustic signal and its VMD timedomain waveform

表1 不同運(yùn)行狀態(tài)下IMF1和IMF2的中心頻率對(duì)比Tab.1 Central frequency comparison between IMF1 andIMF2 under different operating states

1.3 云模型特征熵值提取

“熵”常用來表征信號(hào)的特征信息，其中，云模型特征熵參數(shù)選擇簡(jiǎn)單，能解決不確定性問題，在故障診斷中獲得了廣泛應(yīng)用[14]。C(Ex,En,He)表示云模型的不確定性，其中，特征熵En(Entropy)代表云滴的離散程度，決定了云滴的確定度。重構(gòu)信號(hào)功率譜主頻帶位置的變化用重心頻率FC表示。

如圖6所示，基于VMD-Wavelet的云模型特征熵提取過程如下：(1)利用VMD-Wavelet算法將系統(tǒng)采集的信號(hào)分解為κ個(gè)模態(tài)；(2)利用豪斯托夫距離、峭度和偏度優(yōu)選模態(tài)，重構(gòu)信號(hào)；(3)計(jì)算重構(gòu)信號(hào)的云模型特征熵值；(4)將云模型特征熵值En、重心頻率FC作為特征參數(shù)。

圖6 基于VMD-Wavelet的云模型特征熵提取過程Fig.6 Characteristic entropy extraction process of cloudmodel based on VMD-Wavelet

圖7 三種運(yùn)行狀態(tài)時(shí)域波形圖Fig.7 Time domain waveforms under three operating conditions

氣體管道在正常運(yùn)行、敲擊、泄漏三種運(yùn)行狀態(tài)下采集的聲波信號(hào)時(shí)域波形如圖7所示，利用圖6所示基于VMD-Wavelet的云模型特征熵提取過程，獲取三種狀態(tài)下聲波信號(hào)的特征參數(shù)。

依次增加VMD的分解尺度，經(jīng)數(shù)據(jù)對(duì)比發(fā)現(xiàn)前兩個(gè)分量可以作為有效模態(tài)進(jìn)行信號(hào)重構(gòu)，重構(gòu)的泄漏信號(hào)和敲擊信號(hào)時(shí)域波形如圖8所示。

圖8 重構(gòu)的泄漏信號(hào)和敲擊信號(hào)時(shí)域波形圖Fig.8 The time domain waveforms of reconstructed leakagesignal and knocking signal

超熵He(Hyper entropy)是熵的不確定性度量，它逐漸增大時(shí)，云滴落在云心區(qū)的概率是先遞增、后遞減的規(guī)律，存在一個(gè)極大值[15]，超熵越小越接近于正態(tài)分布。為了便于觀察三類信號(hào)云模型的差異，將超熵He設(shè)為0.000 5，通過計(jì)算可以得到重構(gòu)信號(hào)的云模型如圖9所示，由內(nèi)向外依次表示正常運(yùn)行信號(hào)(正常信號(hào))、敲擊、泄漏三種運(yùn)行狀態(tài)。其中，泄漏信號(hào)特征熵值為0.040 9，明顯大于正常運(yùn)行信號(hào)、敲擊信號(hào)的云模型特征值。因此，云模型特征熵En可以作為特征值進(jìn)行氣體管道運(yùn)行狀態(tài)識(shí)別。

為了驗(yàn)證各個(gè)特征參數(shù)的有效性，特采集正常運(yùn)行、敲擊、泄漏信號(hào)各40組，依次用VMD算法對(duì)其進(jìn)行分解，取前兩個(gè)分量進(jìn)行重構(gòu)，然后計(jì)算重構(gòu)信號(hào)的云模型特征熵值和重心頻率，得到云模型特征熵?cái)M合曲線和重心頻率擬合曲線,分別如圖10，11所示。

圖9 正常運(yùn)行、泄漏、敲擊聲波信號(hào)重構(gòu)云模型對(duì)比Fig.9 Comparison between reconstructed cloud models foracoustic signals for normal operation,leakage and knocking

圖10 云模型特征熵?cái)M合曲線Fig.10 The characteristic entropy fitting curves of thecloud model

圖11 重心頻率擬合曲線Fig.11 The gravity center frequency fitting curves

由圖10可知，管道泄漏聲波信號(hào)的云模型特征熵值存在較大抖動(dòng)，但與正常運(yùn)行、敲擊聲波信號(hào)之間沒有交叉，且差值較大。敲擊、正常運(yùn)行的云模型特征熵值比較穩(wěn)定，且無(wú)交叉。因此，云模型特征熵可以作為氣體管道運(yùn)行狀態(tài)的特征參數(shù)。由圖11可知，泄漏聲波信號(hào)的重心頻率波動(dòng)較小且比較穩(wěn)定，與正常運(yùn)行、敲擊的重心頻率之間差值較大，易于區(qū)分。因此，重心頻率FC也可以作為管道泄漏檢測(cè)的特征參數(shù)。

泄漏聲波信號(hào)的云模型特征熵值波動(dòng)較大，但可以與其他兩種狀態(tài)有效區(qū)分，同時(shí)，泄漏聲波信號(hào)的重心頻率波動(dòng)較小，因此，可以將云模型特征熵和重心頻率結(jié)合，共同作為氣體管道運(yùn)行狀態(tài)識(shí)別的特征值。

2 氣體管道運(yùn)行狀態(tài)識(shí)別

1986年，PLAUT等提出了誤差反向傳播算法(Error Back Propa-gation Training，BP)[16]，BP神經(jīng)網(wǎng)絡(luò)通常包含輸入、輸出、隱含3層，其訓(xùn)練過程包括：網(wǎng)絡(luò)初始化、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)測(cè)試三個(gè)步驟。本文基于BP神經(jīng)網(wǎng)絡(luò)搭建了3種氣體管道運(yùn)行狀態(tài)識(shí)別模型，并進(jìn)行對(duì)比分析。

2.1 VMD-BP模型與En-BP模型

將氣體管道各種運(yùn)行狀態(tài)下的聲波信號(hào)經(jīng)過VMD，取前兩個(gè)分量IMF1,IMF2的中心頻率作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)：

X=[FIMF1,FIMF2]

(1)

依次提取正常運(yùn)行(背景噪聲)、大泄漏、小泄漏、滲漏、敲擊等5種狀態(tài)下的IMF1,IMF2分量的中心頻率作為特征值：

(2)

式中，fx1,fy1,fz1,fr1,fq1,fx2,fy2,fz2,fr2,fq2分別表示5種運(yùn)行狀態(tài)下前兩個(gè)分量的中心頻率。將這些中心頻率作為輸入，并對(duì)特征矩陣進(jìn)行歸一化處理：

(3)

設(shè)置輸出層神經(jīng)元個(gè)數(shù)為1，輸出為3表示大泄漏，輸出為2表示小泄漏，輸出為1表示滲漏，輸出為0表示正常，輸出為-1表示敲擊，確定訓(xùn)練目標(biāo)為:

(4)

分別對(duì)應(yīng)管道的5種運(yùn)行狀態(tài)。

將隱含層神經(jīng)元個(gè)數(shù)設(shè)置為7，則VMD-BP神經(jīng)網(wǎng)絡(luò)模型如圖12所示。

圖12 VMD-BP神經(jīng)網(wǎng)絡(luò)模型Fig.12 VMD-BP neural network model

VMD-BP神經(jīng)網(wǎng)絡(luò)識(shí)別過程如下。

(1)采集正常運(yùn)行、敲擊、滲漏、小泄漏、大泄漏5種狀態(tài)下的聲波信號(hào)各50組，提取IMF1,IMF2分量的中心頻率；

(2)各取40組不同運(yùn)行狀態(tài)下的數(shù)據(jù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

(3)各取10組不同運(yùn)行狀態(tài)下的數(shù)據(jù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。

通過仿真訓(xùn)練發(fā)現(xiàn)，VMD-BP神經(jīng)網(wǎng)絡(luò)本身的誤差為3.57%，預(yù)測(cè)輸出誤差達(dá)到26%，測(cè)試結(jié)果如表2所示。通過表2可以發(fā)現(xiàn)：VMD-BP神經(jīng)網(wǎng)絡(luò)模型無(wú)法有效區(qū)分正常運(yùn)行和敲擊兩種運(yùn)行狀態(tài)，單項(xiàng)誤差達(dá)到了100%，對(duì)滲漏、小泄漏兩種狀態(tài)也出現(xiàn)了誤判，整體輸出誤差達(dá)到26%。因此，僅用前兩個(gè)分量的中心頻率很難實(shí)現(xiàn)氣體管道運(yùn)行狀態(tài)的準(zhǔn)確識(shí)別。

表2 VMD-BP網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Tab.2 Prediction results of VMD-BP network model

采用同樣的方法，搭建En-BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合En，F(xiàn)C兩個(gè)特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入。通過仿真分析發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)本身的誤差為4.15%，預(yù)測(cè)輸出誤差達(dá)到16%，分析表3中測(cè)試結(jié)果發(fā)現(xiàn)：該模型對(duì)敲擊、正常運(yùn)行兩種狀態(tài)已經(jīng)能夠有效地進(jìn)行分類，但是小泄漏狀態(tài)下有7組數(shù)據(jù)被判定為大泄漏，單項(xiàng)差錯(cuò)率達(dá)到了70%，因此，該模型對(duì)泄漏量的分類存在比較大的誤差。

表3 En-BP網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Tab.3 Prediction results of En-BP network model

2.2 VMD-En-BP模型

通過第2.1節(jié)的試驗(yàn)數(shù)據(jù)可以發(fā)現(xiàn)，不管是IMF1，IMF2的中心頻率、還是云模型特征熵En和重心頻率，都無(wú)法實(shí)現(xiàn)氣體管道所有運(yùn)行狀態(tài)的精確分類。本節(jié)將VMD后有效模態(tài)的中心頻率IMF、云模型特征熵En、重心頻率FC同時(shí)作為特征值，輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行氣體管道運(yùn)行狀態(tài)識(shí)別，搭建VMD-En-BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)搭建及測(cè)試過程同第2.1節(jié)。網(wǎng)絡(luò)結(jié)構(gòu)為4輸入、1輸出模型(如圖13所示)，此時(shí)BP神經(jīng)網(wǎng)絡(luò)的輸入為：

X=[FIMF1,FIMF2,FEn,FFC]

(5)

圖13 VMD-En-BP神經(jīng)網(wǎng)絡(luò)模型Fig.13 VMD-En-BP neural network model

此時(shí)5種運(yùn)行狀態(tài)下的特征值分別為：

(6)

通過網(wǎng)絡(luò)訓(xùn)練和測(cè)試發(fā)現(xiàn),該網(wǎng)絡(luò)本身誤差為0.52%，預(yù)測(cè)輸出誤差為2%，測(cè)試數(shù)據(jù)如表4所示。該模型對(duì)正常運(yùn)行出現(xiàn)了10%的誤判，而對(duì)敲擊、滲漏、小泄漏和大泄漏4種狀態(tài)都能實(shí)現(xiàn)準(zhǔn)確的識(shí)別，整體識(shí)別準(zhǔn)確率達(dá)到了98%，因而是一種有效的氣體管道運(yùn)行狀態(tài)識(shí)別模型。

表4 VMD-En-BP網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Tab.4 Prediction results of VMD-En-BP network model

3 結(jié)語(yǔ)

本文提出了VMD-En-BP神經(jīng)網(wǎng)絡(luò)模型，該模型能夠?qū)崿F(xiàn)氣體管道正常運(yùn)行、敲擊、滲漏、小泄漏、大泄漏等5種狀態(tài)的識(shí)別。測(cè)試結(jié)果表明，該模型的識(shí)別準(zhǔn)確率達(dá)到98%以上，是一種高精度的氣體管道運(yùn)行狀態(tài)識(shí)別方法，可以實(shí)際應(yīng)用于氣體管道運(yùn)行狀態(tài)識(shí)別。