基于聲發(fā)射的球閥內(nèi)漏速率反演研究

古 麗， 賈彥杰， 馮蘭婷， 溫 皓， 高仕玉， 張 琳

（國家管網(wǎng)集團西南管道公司，成都 610036）

0 引 言

閥門作為油氣輸送管道的關鍵壓力元件，對于管道的安全運行有著至關重要的作用［1］。截至2019 年，我國的石油與天然氣管道總里程達13.9 萬km，其中天然氣管道約8.1 萬km，原油管道約2.9 萬km，成品油管道約2.9 萬km［2］。在石油天然氣輸送過程中，閥門內(nèi)漏故障是最常見的安全問題之一［3］。而閥門作為石油、化工等流體輸送系統(tǒng)中的關鍵控制部件，應具有良好密封性能，不能存在內(nèi)漏情況。BP公司曾對相關閥門失效統(tǒng)計分析表明，輸氣管道閥門存在5% ～10%的內(nèi)漏［4］。由此可知，閥門的內(nèi)漏故障不僅存在著較大安全隱患，困擾和影響著正常的輸油、輸氣生產(chǎn)，對油氣管道的安全調(diào)控及油氣質(zhì)量控制的影響極大，也影響了輸油氣安全生產(chǎn)運行和設備維檢修作業(yè)。

目前，常用的閥門內(nèi)漏檢測的方法主要有壓力法、溫度法、超聲波檢測法和聲發(fā)射檢測法等。每種方法對閥門內(nèi)漏的檢測有一定的效果，但存在一定的局限性［5-8］。本文基于聲發(fā)射檢測法［9-10］，通過傳感器采集閥門泄露時產(chǎn)生的噴流噪聲，與其他特征參數(shù)相比較，判斷閥門是否有內(nèi)漏故障發(fā)生。該方法采集信號時易受背景噪聲的干擾，但聲發(fā)射已被證明是一種有效的輸氣管道閥門內(nèi)漏無損檢測技術(shù)［11］，其因安全性較高、方便快捷等特點而被證明是一種能夠快速實現(xiàn)對閥門內(nèi)漏情況進行有效辨識的方法。

國內(nèi)外學者在聲發(fā)射技術(shù)檢測閥門內(nèi)漏方面做過大量研究。Kaewwaewnoi 等［12］對聲發(fā)射信號特征參數(shù)和閥門泄漏率的關系進行了深入研究。鄒兵等［13］建立閥門內(nèi)漏實驗裝置，通過大量實驗得出泄漏率與聲發(fā)射信號各特征參數(shù)之間的關系式，可定量估算閥門泄漏率。李偉等［14］提出利用功率譜密度法分析閥門內(nèi)漏情況。由于閥門內(nèi)漏故障模式多種多樣，學者們開始基于實驗獲取閥門內(nèi)漏聲發(fā)射信號特征信息，以實現(xiàn)對閥門內(nèi)漏故障和內(nèi)漏速率的反演。Seung-Hwan等［15］采用聲發(fā)射傳感器采集止回閥聲信號，并首次將神經(jīng)網(wǎng)絡用于聲發(fā)射信號識別止回閥故障類型；Gyunyoung等［16］基于神經(jīng)網(wǎng)絡算法，建立閥門內(nèi)漏速率和閥門的熱力學參數(shù)之間的關系模型，為智能預測閥門內(nèi)漏速率打下了基礎。

本文基于聲發(fā)射技術(shù)對油氣集輸站場內(nèi)的球閥進行內(nèi)漏研究，通過搭建實驗平臺對球閥內(nèi)漏的聲發(fā)射信號進行采集，利用小波包閾值函數(shù)對采集的信號進行去噪，最后利用BP 神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡（CNN）對提取相關性高的聲發(fā)射信號的特征參數(shù)進行反演，實現(xiàn)了對球閥內(nèi)漏速率的反演。

1 球閥內(nèi)漏聲發(fā)射檢測基本理論

1.1 聲發(fā)射技術(shù)

聲發(fā)射（Acoustic Emission，AE）是指材料中局域源能量快速釋放而產(chǎn)生瞬態(tài)彈性波的現(xiàn)象［17］。閥門內(nèi)漏時在內(nèi)漏點處因前后端的壓力差形成高速噴流氣體，當管道內(nèi)部高速的流體與低速的流體急劇混合后會產(chǎn)生一種噴流噪聲，此噴流噪聲屬于連續(xù)性聲發(fā)射信號，與閥門大小、內(nèi)漏處前后壓力差、內(nèi)漏量等因素相關。作為聲發(fā)射源，其在傳播時攜帶著大量與材料缺陷處的相關信息，可通過相關的儀器實現(xiàn)對材料中缺陷的檢測與定位，進而通過計算機對采集到的缺陷信號做進一步的處理與分析。

1.2 球閥內(nèi)漏聲發(fā)射檢測原理

聲發(fā)射檢測技術(shù)通過相應傳感器采集閥門內(nèi)漏時產(chǎn)生的聲發(fā)射信號，如RMS 值、能量值、信號最大幅值、信號平均值等特征參數(shù)，然后通過接口與信號處理部分連接并傳輸信號，最后通過計算機實現(xiàn)對信號的處理與分析，實現(xiàn)對待測閥門內(nèi)漏狀況的判斷。球閥內(nèi)漏聲發(fā)射檢測原理框圖如圖1 所示。

圖1 球閥內(nèi)漏聲發(fā)射檢測原理框圖

1.3 球閥內(nèi)漏聲發(fā)射信號特征參數(shù)

由于球閥內(nèi)漏過程中產(chǎn)生的聲發(fā)射信號呈連續(xù)性，其包含許多可以表征內(nèi)漏特征的參數(shù)，波形復雜，故不能使用單一的特征量對內(nèi)漏的聲發(fā)射信號進行表征。因此，可通過時域特征參數(shù)和形狀特征參數(shù)對球閥內(nèi)漏聲發(fā)射信號進行分析。其中，常見的時域特征參數(shù)有平均值、均方根、能量和有效值，頻域特征性參數(shù)有峰值系數(shù)、形狀參數(shù)、裕度因子和峭度因子等。

由于與球閥內(nèi)漏聲發(fā)射信號相關的時域特征、形狀特征等參數(shù)較多，為了更好地表征內(nèi)漏信號的特征，需對以上特征參數(shù)進行篩選，進而確定與球閥內(nèi)漏速率相關系數(shù)大的特征參數(shù)。為此引入皮爾遜相關系數(shù)法來對以上特征參數(shù)進行篩選，通過計算每個特征向量與球閥內(nèi)漏速率的相關系數(shù)，設置合適的閾值，從而篩選出與球閥內(nèi)漏程度相關度高的信號特征參數(shù)。其相關系數(shù)值越大，表明特征值與原信號相關性越強。皮爾遜相關系數(shù)r的計算公式為［18］：

式中：n為樣本個數(shù)；xi為內(nèi)漏速率，單位為m3/h；yi為信號特征參數(shù)分別表示x、y的均值。

2 球閥內(nèi)漏檢測實驗

2.1 實驗平臺搭建

根據(jù)球閥內(nèi)漏聲發(fā)射的檢測原理，結(jié)合油氣管道站場球閥情況（大部分球閥排污口處有個25 mm的球閥，設計整個實驗裝置的管路通徑為25 mm），設計并搭建了如圖2 所示球閥內(nèi)漏實驗平臺。該實驗平臺主要由氣源、實驗裝置和聲發(fā)射采集系統(tǒng)3 部分組成：①氣源部分用于提供實驗所需的氣體，主要由氮氣瓶和減壓閥組成；②實驗裝置主要由壓力傳感器、流量傳感器、罐體和球閥組成，主要用以模擬球閥內(nèi)漏；③數(shù)據(jù)采集采選用德國Vallen公司出品的AMSY-6 聲發(fā)射采集系統(tǒng)，用于采集球閥內(nèi)漏信號，主要由聲發(fā)射傳感器、數(shù)據(jù)采集系統(tǒng)和計算機組成。整個實驗裝置的管路通徑為25 mm，設計承壓能力為10 MPa，被測球閥為一體式的手動開關球閥，其通徑為DN25，氣源選擇的氮氣瓶輸出壓力為0 ～14 MPa。

圖2 球閥內(nèi)漏實驗平臺

在進行球閥內(nèi)漏檢測實驗前，將聲發(fā)射傳感器通過耦合劑將其固定于靠近閥門閥體下游表面。實驗時，①調(diào)節(jié)減壓閥，使氮氣瓶內(nèi)的氣體經(jīng)軟管流經(jīng)管道與球閥閥腔內(nèi)，待上游壓力穩(wěn)定時，關閉減壓閥；②設置聲發(fā)射檢測儀的采樣頻率，將閥門調(diào)節(jié)至一小角度，模擬閥門關閉不嚴時發(fā)生的內(nèi)漏情況，同時開始采集聲發(fā)射信號，待閥門內(nèi)漏結(jié)束后停止采集；③待流量計示數(shù)穩(wěn)定后，記錄氣體流速、流量以及聲發(fā)射特征信號參數(shù)值；④調(diào)整被測球閥開度及氮氣瓶的輸出壓力，重復上述步驟，測量不同開度下球閥內(nèi)漏產(chǎn)生的聲發(fā)射信號特征。

由于被測球閥為一體式球閥，用球閥的開度模擬閥芯劃痕、密封不嚴等造成缺陷內(nèi)漏的情況并控制內(nèi)漏率，開度越大則認為內(nèi)漏情況越嚴重，并采用數(shù)字流量計對閥門的泄漏量進行測定。經(jīng)過反復實驗發(fā)現(xiàn)，當球閥還未完全關閉時，流量傳感器無法測得流速，因此得到該球閥閉合的臨界角度如圖3 所示。

圖3 球閥閉合臨界角度

2.2 信號去噪

在進行氣體實驗前，需對室內(nèi)的環(huán)境噪聲進行測量，用德國Vallen公司的AMSY-6 聲發(fā)射檢測儀對實驗場地進行環(huán)境噪聲檢測，將傳感器安裝于球閥閥體后端，當閥內(nèi)無流體流動時，分別檢測3 個時刻的噪聲信號，采集到的環(huán)境噪聲信號所對應的時域波形如圖4（a）所示。通過快速傅里葉變化（FFT）對采集的時域信號進行變換，得到頻域波形圖如圖4（b）所示。

圖4 不同時刻環(huán)境噪聲的時頻域曲線

由圖4 可以看出，不同時刻點的環(huán)境噪聲大致相同，其幅值并無太大變化，主要分布在14 kHz頻域，對于球閥內(nèi)漏聲發(fā)射的檢測有一定影響。當管匯內(nèi)有氣體流動時，調(diào)節(jié)球閥開度為微小開度時，測得的含噪信號如圖5 所示。

證明 (1) 由于A是完全確定性自動機，所以A不會影響監(jiān)控器M中的概率計算.另外，如果H中某一狀態(tài)不包含在M的組合狀態(tài)中，則該狀態(tài)與監(jiān)控屬性無關，也不會影響監(jiān)控器M中的概率計算.所以，

圖5 不同時刻含噪信號的時頻域波形

由含噪信號的頻域波形圖圖5（b）可知，球閥內(nèi)漏聲發(fā)射信號呈寬頻特性，環(huán)境噪聲在一定程度上對聲發(fā)射信號造成了影響，特別是在低頻區(qū)域，因此對信號進行去噪處理很有必要。

3 基于小波包的閾值函數(shù)去噪

常見的小波處理方法有小波閾值去噪、小波系數(shù)相關性去噪和模極大值去噪。其中，小波閾值去噪為應用最廣泛的信號去噪方法，但其只對低頻部分的信號進行分解。通過現(xiàn)場實驗采集的球閥內(nèi)漏時的聲發(fā)射信號可知，其頻帶較寬，因此本文采用小波包閾值去噪。小波包分析不僅對低頻段分解，也對高頻段進行分析［19］。通過對采集到的聲發(fā)射信號進行高低頻分解，對其進行時頻域分析發(fā)現(xiàn)，分解的層數(shù)在一定范圍內(nèi)時，頻率的分辨率也越高，小波包分解更能保存球閥內(nèi)漏信號的有用信息。

3.1 評判標準

對采集的聲發(fā)射信號進行小波包閾值去噪后，將信號進行重構(gòu)，重構(gòu)信號的去噪效果常使用均方誤差與信噪比來評判，均方誤差MSE 越小、信噪比SNR 越大，說明去噪后的信號越接近真實信號，去噪效果越好［20］。均方誤差MSE、信噪比SNR的定義如下：

式中：x（n）為原始信號；y（n）為去噪后的信號；N為采樣點的個數(shù)。

3.2 小波包去噪

在Matlab的小波包工具箱中選取sym5 小波基函數(shù)，對信號進行小波包分解，得到各個頻段的小波包系數(shù)，選用Rigrsure作為自適應閾值的選擇規(guī)則，進而求得小波包系數(shù)的閾值，再將每個小波包系數(shù)進行硬閾值去噪，然后將去噪后的小波包系數(shù)進行重構(gòu)。通過對比去噪前和去噪后信號的時頻域波形，對1 ～3 層小波包閾值去噪進行對比分析研究，以MSE、SNR 作為去噪效果的評價指標。采集信號進行1 ～3 層的小波包閾值去噪結(jié)果如圖6 ～8 所示。

圖6 1層小波包閾值去噪結(jié)果

通過Matlab 計算得出1 層小波包閾值去噪的信噪比SNR 為10.437 8，均方誤差MSE 為6.790 9 ×10-5；2 層去噪的信噪比SNR 為12.195 9，均方誤差MSE 為4.530 2 ×10-5；3 層去噪的信噪比SNR 為17.897 4，均方誤差MSE為1.218 9 ×10-5。由圖6 ～8 可以看出，采用小波包閾值去噪方法能夠?qū)υ肼曉谝欢ǔ潭壬线M行去除；通過比較每層去噪的信噪比和均方誤差可知，選擇3 層小波包閾值去噪的信噪比SNR更高、均方誤差MSE更小，其去噪效果更優(yōu)，去噪后的信號更能反映球閥內(nèi)漏聲發(fā)射信號的特征信息。

4 球閥內(nèi)漏速率反演分析

圖7 2層小波包閾值去噪結(jié)果

圖8 3層小波包閾值去噪結(jié)果

以氮氣作為流體介質(zhì)，在不同的球閥開度下進行實驗。通過實驗裝置測得35 組球閥內(nèi)漏聲信號數(shù)據(jù)，對數(shù)據(jù)進行小波包閾值去噪后提取時頻特征、形狀特征等信號特征參數(shù)，求得各信號特征與內(nèi)漏速率的相關系數(shù)。通常，相關系數(shù)介于±0.50 ～±0.80 是顯著相關，介于±0.80 ～±1.00 是高度相關。本文選擇相關系數(shù)大于0.5 的均方根、能量、有效值、峰值和峭度作為表征球閥內(nèi)漏程度的特征參數(shù)。本文僅列出如表1 所示中20 組信號特征參數(shù)與內(nèi)漏速率的關系。

表1 球閥內(nèi)漏聲信號特征集球閥內(nèi)漏速率

由于球閥內(nèi)漏聲發(fā)射信號的特征和內(nèi)漏速率的關系難以用數(shù)學表達式進行表示，因此本文選用BP 神經(jīng)網(wǎng)絡和CNN來對球閥內(nèi)漏速率進行反演。

4.1 BP神經(jīng)網(wǎng)絡反演球閥內(nèi)漏速率

以聲信號的特征作為輸入，球閥內(nèi)漏速率作為輸出來訓練BP神經(jīng)網(wǎng)絡，使得BP神經(jīng)網(wǎng)絡能夠表達聲發(fā)射信號輸入到內(nèi)漏速率輸出的系統(tǒng)，然后可以應用訓練好的BP神經(jīng)網(wǎng)絡根據(jù)聲發(fā)射特征參數(shù)反演球閥內(nèi)漏速率。因此，選用表1 中的均方根、有效值等5 個聲信號的特征作為輸入，球閥內(nèi)漏速率作為輸出，選用sigmod作為激勵函數(shù)，以特征集中前30 組數(shù)據(jù)作為訓練集，后5 組數(shù)據(jù)作為測試集。測試集的反演結(jié)果如圖9 所示，計算反演后的速率以及絕對誤差的值如表2 所示。

圖9 BP神經(jīng)網(wǎng)絡反演結(jié)果

表2 BP神經(jīng)網(wǎng)絡內(nèi)漏速率反演結(jié)構(gòu)

由圖9 及表2 可以看出，通過BP神經(jīng)網(wǎng)絡反演球閥內(nèi)漏速率的誤差都不超過1.5%，其最大絕對誤差為1.4%，總體誤差相對較??；通過計算得出BP 神經(jīng)網(wǎng)絡反演結(jié)果的MAE=0.009 7，RMSE=0.01。

4.2 CNN反演球閥內(nèi)漏速率

由于采集到的球閥內(nèi)漏聲發(fā)射信號是一維的時間序列信號，二維的卷積操作對此并不適用。因此選用一維卷積和一維池化，利用卷積操作自動學習數(shù)據(jù)的內(nèi)部關系，從局部到全局提取信號的特征，利用全連接網(wǎng)絡將特征進行綜合，進而提取出采集到原始的聲發(fā)射信號的有效特征。在進行CNN 反演球閥內(nèi)漏速率的反演時，以前30 組數(shù)據(jù)作為訓練集，后5 組數(shù)據(jù)作為測試集，采用相應的CNN模型對原始數(shù)量的訓練集進行訓練，其測試集的反演結(jié)果如圖10 所示，計算反演后的速率以及絕對誤差的值如表3 所示。

圖10 CNN反演結(jié)果

表3 CNN內(nèi)漏速率反演結(jié)果

由圖10 及表3 可以看出，通過CNN 反演球閥內(nèi)漏速率的誤差都不超過1%，其最大絕對誤差為0.66%，與BP神經(jīng)網(wǎng)絡反演的結(jié)果相比，CNN對球閥內(nèi)漏速率的反演誤差更小。通過計算發(fā)現(xiàn)，卷積神經(jīng)網(wǎng)絡CNN 反演結(jié)果的平均絕對誤差MAE =0.003 9，均方根誤差RMSE=0.004。其平均絕對誤差、均方根誤差相比于BP 神經(jīng)網(wǎng)絡的反演結(jié)果都要更低，其反演效果更好。

5 結(jié) 語

本文通過理論分析和實驗研究發(fā)現(xiàn)，球閥內(nèi)漏的聲發(fā)射信號呈現(xiàn)寬頻特性，噪聲對低頻區(qū)域的聲發(fā)射信號影響較大。通過采用小波包閾值去噪，可以有效提高信號的信噪比，降低均方誤差值，從而使去噪后的信號更能反映球閥內(nèi)漏聲發(fā)射信號的特征信息。采用皮爾遜相關系數(shù)法對聲發(fā)射信號的相關特征參數(shù)進行篩選發(fā)現(xiàn)，均方根、能量、有效值、峰值、峭度因子是表征球閥內(nèi)漏程度相關度高的信號特征參數(shù)。通過采用BP神經(jīng)網(wǎng)絡和CNN模型分別對采集到的聲發(fā)射信號進行球閥內(nèi)漏速率反演，結(jié)果發(fā)現(xiàn)CNN模型的平均絕對誤差、均方根誤差均小于BP 神經(jīng)網(wǎng)絡的反演結(jié)果，效果更優(yōu)。通過以神經(jīng)網(wǎng)絡的方式實現(xiàn)了對球閥內(nèi)漏速率的反演，研究結(jié)果為實現(xiàn)對閥門泄露程度的判定提供了指導，進而對管道的安全運行提供了的保障。