基于Φ-OTDR系統(tǒng)的聲波信號(hào)管道監(jiān)測(cè)方法

張旭

（武漢郵電科學(xué)研究院，湖北 武漢 430074）

管道運(yùn)輸作為一種經(jīng)濟(jì)、有效、環(huán)保的運(yùn)輸方式，已成為國(guó)內(nèi)外油氣資源的主要運(yùn)輸手段[1]。近年來人為破壞的管道泄露事故時(shí)有發(fā)生，對(duì)人民財(cái)產(chǎn)安全及生態(tài)環(huán)境構(gòu)成了相當(dāng)大的威脅。所以保障管道運(yùn)輸安全，及時(shí)發(fā)現(xiàn)泄露是十分重要的[2]。

管道泄漏檢測(cè)的研究從上個(gè)世紀(jì)70 年代開始，至今已經(jīng)有五十余年發(fā)展歷程，衍生出了多種多樣的檢測(cè)方法，如傳感光纜法、負(fù)壓波法、流量平衡法等。在如此多的檢測(cè)方法中，Φ-OTDR 系統(tǒng)具有抗電磁干擾能力、高絕緣強(qiáng)度、對(duì)腐蝕和高壓具有高耐性、可在惡劣環(huán)境下進(jìn)行長(zhǎng)距離準(zhǔn)確檢測(cè)等優(yōu)點(diǎn)，非常適合應(yīng)用于油氣管道的泄漏檢測(cè)。

該文基于Φ-OTDR 系統(tǒng)建立了泄露聲波信號(hào)的BP 神經(jīng)網(wǎng)絡(luò)識(shí)別模型，對(duì)特征參數(shù)的選取和降噪方法做了一定研究，最終決定選取MFCC 作為特征參數(shù)，設(shè)計(jì)了一種新的小波閾值函數(shù)作為該文的降噪方法。

最終實(shí)驗(yàn)結(jié)果表明，文中建立的BP 神經(jīng)網(wǎng)絡(luò)泄漏方法具有較好的識(shí)別率，并且文中設(shè)計(jì)的新型閾值小波算法降噪效果良好，泄漏識(shí)別率有一定的提升，具有很高的應(yīng)用價(jià)值。

1 Φ-OTDR系統(tǒng)工作原理

1993 年，由Taylor 和Lee 首次提出相位敏感光時(shí)域反射計(jì)（Φ-OTDR）思想，其原理是利用光在光纖中傳播時(shí)發(fā)生瑞利散射，后向瑞利散射光攜帶光纖沿線的擾動(dòng)信息，并沿光纖傳播回光纖注入端，采集并分析后向瑞利散射光即可得到光纖上的形變信息[3]。

Φ-OTDR 系統(tǒng)因其具有抗電磁干擾能力、高絕緣強(qiáng)度、對(duì)腐蝕和高壓具有高耐性、可在惡劣環(huán)境下進(jìn)行長(zhǎng)距離準(zhǔn)確檢測(cè)等優(yōu)點(diǎn)[4]，在周界入侵檢測(cè)、油氣管道檢測(cè)等領(lǐng)域已經(jīng)得到廣泛應(yīng)用。

Φ-OTDR 系統(tǒng)采用光相干的檢測(cè)方式，將連續(xù)光分為本地光和測(cè)試光，測(cè)試光經(jīng)聲光調(diào)制器后調(diào)制成為窄脈沖光，脈沖光從環(huán)形器進(jìn)入到待測(cè)光纖，反射光從環(huán)形器回來后和本地光相干，經(jīng)平衡探測(cè)器進(jìn)行光電轉(zhuǎn)換，將光信號(hào)轉(zhuǎn)換為電信號(hào)，數(shù)據(jù)采集卡將采集到的電信號(hào)送入到工控機(jī)，工控機(jī)的中央處理器(Central Processing Unit,CPU)+圖形處理器(Graphics Processing Unit，GPU)對(duì)數(shù)據(jù)進(jìn)行快速傅里葉變換(Fast Fourier Transform,FFT)處理，最終得到外界對(duì)于光纖擾動(dòng)的信息。Φ-OTDR 系統(tǒng)的總體結(jié)構(gòu)如圖1 所示。

圖1 Φ-OTDR系統(tǒng)的整體結(jié)構(gòu)

2 基于小波分析的信號(hào)降噪

在現(xiàn)實(shí)的工業(yè)環(huán)境中，Φ-OTDR 系統(tǒng)采集到的聲波信號(hào)中必然摻雜著大量的環(huán)境噪聲且系統(tǒng)本身自帶噪聲，這些噪聲勢(shì)必會(huì)對(duì)聲波信號(hào)分析造成很大程度的干擾，導(dǎo)致泄漏識(shí)別準(zhǔn)確率大大下降，所以對(duì)聲波信號(hào)進(jìn)行去噪是非常有必要的步驟。

目前常見的語音降噪算法有小波變換法、譜減法、濾波器法、子空間算法等。其中，子空間算法只能進(jìn)行時(shí)域分析，譜減法和濾波器法只能進(jìn)行頻域分析，而小波變換法對(duì)時(shí)域和頻域都具有一定的分析能力，所以非常適合對(duì)非平穩(wěn)信號(hào)進(jìn)行分析，而聲波信號(hào)即是一個(gè)非常典型的非平穩(wěn)信號(hào)，所以文中選取小波變換法中最為常見的小波閾值降噪作為該文的降噪算法[5]。

傳統(tǒng)的小波閾值降噪函數(shù)有硬閾值函數(shù)和軟閾值函數(shù)，但是由于它們都有一定的缺陷，如軟閾值函數(shù)中的小波系數(shù)和原系數(shù)間有固定偏差，硬閾值函數(shù)有間斷。所以在分析硬閾值、軟閾值函數(shù)的基礎(chǔ)上，設(shè)計(jì)構(gòu)造了一個(gè)新型閾值函數(shù)，不僅克服了傳統(tǒng)閾值函數(shù)的缺陷，且針對(duì)Φ-OTDR 系統(tǒng)的管道泄漏降噪有了更好的效果[6]。

閾值選取的主要準(zhǔn)則有固定形式閾值準(zhǔn)則(sqtwolog)、自適應(yīng)閾值準(zhǔn)則（rigrsure）、啟發(fā)式閾值準(zhǔn)則（heursure）和極大極小閾值準(zhǔn)則（minimaxi）[7]。文中選取rigrsure 作為函數(shù)閾值準(zhǔn)則。

2.1 閾值函數(shù)

傳統(tǒng)的小波閾值降噪函數(shù)基本思想由Danoho提出，其主要函數(shù)如下所示[8]：

1）硬閾值函數(shù)

2）軟閾值函數(shù)

式（1）、（2）中的λ為閾值，式（2）中的sgn()為符號(hào)函數(shù)，當(dāng)函數(shù)的變量大于0 時(shí)取1，小于0 時(shí)取-1。

選取一段純語音對(duì)其進(jìn)行加噪，再用軟、硬閾值對(duì)其進(jìn)行處理，得到的波形如圖2～5 所示。從軟、硬閾值處理后的波形圖可以看出，雖然通過硬閾值函數(shù)處理后的信號(hào)峰值信噪比較高，但是會(huì)有局部震蕩的現(xiàn)象；經(jīng)過軟閾值函數(shù)處理過的信號(hào)波形雖然相對(duì)比較光滑，但會(huì)出現(xiàn)邊界模糊的現(xiàn)象。

圖2 純語音原始信號(hào)波形

圖3 加噪后波形

圖4 硬閾值降噪后波形

圖5 軟閾值降噪后波形

2.2 新型閾值設(shè)計(jì)

文中設(shè)計(jì)了如下的閾值函數(shù)：

表1 不同閾值函數(shù)下降噪效果對(duì)比

由表1 可以分析出，對(duì)比硬閾值函數(shù)來說，文中提出的新型閾值函數(shù)降噪效果分別提升了2.69 dB、1.99 dB、3.2 dB、4.23 dB；對(duì)比軟閾值函數(shù)來說，該文閾值函數(shù)降噪效果分別提升了2.02 dB、0.48 dB、4.13 dB、1.78 dB。由實(shí)驗(yàn)數(shù)據(jù)可知，文中設(shè)計(jì)的新型閾值函數(shù)比傳統(tǒng)的軟、硬閾值函數(shù)的降噪效果要好，且在低信噪比時(shí)降噪效果依舊出色。

3 特征參數(shù)提取

MFCC 是在人類聽覺機(jī)理上提取的頻譜特性參數(shù)，具有一定的抗噪能力和良好的識(shí)別性能，正因?yàn)槿绱耍琈FCC 是許多識(shí)別系統(tǒng)的最佳參數(shù)[9]。MFCC是由濾波器組頻譜的離散余弦變換（Discrete Cosine Transform,DCT）產(chǎn)生的，在提取MFCC 特征參數(shù)中完成兩個(gè)過程，即倒譜計(jì)算和梅爾縮放[10]。MFCC 方法依賴于短時(shí)分析和每幀的矢量特征。MFCC 特征參數(shù)的提取原理如圖6 所示，具體步驟如下：

圖6 MFCC特征參數(shù)提取原理框圖

1）將聲波信號(hào)x(n)進(jìn)行預(yù)處理，包括預(yù)加重、分幀、加窗等操作，變?yōu)閤i(m)。該文設(shè)置幀長(zhǎng)為256 ms，幀移為150 ms，加窗函數(shù)為漢明窗[11]。

2）對(duì)每一幀聲音信號(hào)進(jìn)行FFT 變換，實(shí)現(xiàn)時(shí)域到頻域的轉(zhuǎn)換，得到聲波信號(hào)的頻譜x(i,k)，其公式為：

3）計(jì)算譜線的能量如下：

4）使每幀能量譜通過Mel 濾波器組，并計(jì)算該Mel 濾波器的能量，如式（6）所示。其中Mel 濾波器組的頻率響應(yīng)表示為Hm(k)。

5）把Mel 濾波器的能量取對(duì)數(shù)后進(jìn)行DCT，得到MFCC 特征為：

其中，S(i,m)是式（6）求出的Mel 濾波器能量；m是指第m個(gè)Mel 濾波器(共有M個(gè))，該文設(shè)置M=22；n是DCT 后的譜線。這樣就求出了MFCC 參數(shù)[12]。

4 泄漏聲波識(shí)別

4.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks,ANNs）實(shí)質(zhì)上是受到人腦智能功能的啟發(fā)，仿照人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)建立的一種智能模型[12]。而BP 神經(jīng)網(wǎng)絡(luò)是一種最經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)算法，也是被應(yīng)用得最為廣泛的神經(jīng)網(wǎng)絡(luò)，其具有信號(hào)向前傳播，誤差反向傳播的特點(diǎn)[13]。典型BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖7所示，與人工神經(jīng)網(wǎng)絡(luò)的基本單元相同，也是以神經(jīng)元為基本單元，由輸入層、隱含層和輸出層組成。BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性強(qiáng)、泛化能力強(qiáng)和非線性映射能力強(qiáng)等優(yōu)點(diǎn)，針對(duì)復(fù)雜的管道情況具有強(qiáng)大的適應(yīng)與判斷能力，非常適合應(yīng)用于管道聲波信號(hào)泄漏的識(shí)別[14]。

圖7 典型BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型

4.2 BP神經(jīng)網(wǎng)絡(luò)模型建立

該文利用Matlab 軟件建立BP 神經(jīng)網(wǎng)絡(luò)管道泄漏聲波信號(hào)識(shí)別模型，如圖8 所示，BP 神經(jīng)網(wǎng)絡(luò)設(shè)置為3 層拓?fù)浣Y(jié)構(gòu)，隱含層的傳遞函數(shù)為logsig 函數(shù)，輸出層的傳遞函數(shù)為purelin 函數(shù)，訓(xùn)練算法選擇trainlm(Levenberg-Marquardt)算法[15]。網(wǎng)絡(luò)的初始化參數(shù)設(shè)置：最大訓(xùn)練次數(shù)k=1 000，學(xué)習(xí)速率η=0.01，隱藏層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)為2，其余參數(shù)為默認(rèn)值。

圖8 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

實(shí)驗(yàn)采集管道泄漏樣本數(shù)據(jù)400 組，正常非泄露樣本數(shù)據(jù)400 組，共800 組樣本數(shù)據(jù)，采樣率均為400 Hz，單次采樣時(shí)長(zhǎng)為1 s。兩種狀態(tài)各取300 組作為BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，提取樣本信號(hào)的MFCC 特征參數(shù)作為網(wǎng)絡(luò)的輸入；隱含層節(jié)點(diǎn)暫定為10 個(gè)；輸出層中，用[1 0]和[0 1]兩個(gè)節(jié)點(diǎn)狀態(tài)分別表示泄漏聲波信號(hào)及正常聲波信號(hào)。因此，網(wǎng)絡(luò)的節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)為24×10×2[16]。

訓(xùn)練完成后，將兩種聲波狀態(tài)剩余的100 組特征值數(shù)據(jù)作為測(cè)試樣本，通過測(cè)試樣本的輸出結(jié)果對(duì)泄露識(shí)別的準(zhǔn)確率進(jìn)行分析。

4.3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)分別測(cè)試了MFCC 特征參數(shù)和使用新型閾值的小波去噪方法后的MFCC 特征參數(shù)在BP 神經(jīng)網(wǎng)絡(luò)中的識(shí)別性能，在0～40 dB 信噪比下的識(shí)別結(jié)果如表2 所示。從表中可以看出，對(duì)比MFCC 特征參數(shù)和小波降噪方法后的MFCC 特征參數(shù)的識(shí)別性能變化，改進(jìn)后方法的整體識(shí)別率都明顯優(yōu)于改進(jìn)前，并且在低信噪比時(shí)表現(xiàn)尤為突出。文中提出的新型閾值去噪方法將低信噪比的聲波信號(hào)識(shí)別率從20.2%提升至61.2%，性能提升40%，在低信噪比時(shí)的識(shí)別率得到了大幅度的提升。

表2 不同特征參數(shù)的識(shí)別率對(duì)比

5 結(jié)論

文中提出一種基于Φ-OTDR 系統(tǒng)的聲波信號(hào)檢測(cè)方法，通過選取合適的特征參數(shù)，改善傳統(tǒng)的閾值降噪算法來提高管道泄漏聲波信號(hào)的識(shí)別性能。該文選取MFCC 作為特征參數(shù)，通過對(duì)傳統(tǒng)的小波閾值函數(shù)進(jìn)行改進(jìn)，設(shè)計(jì)了一種新型閾值函數(shù)。在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與識(shí)別實(shí)驗(yàn)中，文中提出的新型閾值降噪方法將低信噪比時(shí)的聲波信號(hào)識(shí)別率提升了40%，且在不同信噪比時(shí)的泄漏聲波信號(hào)識(shí)別性能都有一定提升。

實(shí)驗(yàn)表明，利用Φ-OTDR 系統(tǒng)對(duì)管道的聲波信號(hào)進(jìn)行泄漏識(shí)別的方案是有效的，可以準(zhǔn)確地監(jiān)測(cè)出泄漏信號(hào)。并且文中提出的新型小波降噪法相比傳統(tǒng)的降噪方法可以更為有效地去除采集信號(hào)的噪聲，一定程度上提高了聲波信號(hào)的信噪比，大大提高了在低信噪比時(shí)的管道泄漏識(shí)別率。因此，該研究有一定的實(shí)用性，在實(shí)際的管道泄漏監(jiān)測(cè)領(lǐng)域有一定的發(fā)展前景。