基于VMD-SVM的管道漏磁檢測信號特征辨識

(中國石油大學(xué)(北京) 機(jī)械與儲運工程學(xué)院，北京 102249)

在役管道表面缺陷易引發(fā)管道泄漏等安全問題，對管道定期檢測具有重要意義。目前，大多數(shù)管道材料為導(dǎo)磁性材料，對漏磁場具有敏感性[1-2]，采用漏磁檢測技術(shù)非常適合[3-4]，原理簡單、精度高、且成本低。檢測過程中，電磁干擾、環(huán)境干擾會引起檢測信號的幅值產(chǎn)生較大波動，信號波動具有非周期、非平穩(wěn)等特征，增加信號處理難度[5]。

常見的管道檢測信號處理方法有小波分解法(Wavelet Transform，WT)[6-7]、經(jīng)驗?zāi)B(tài)分解法(Empirical Mode Decomposition，EMD)[8]及多種方法聯(lián)合分解法[9-11]等。其中Afzal M等[6]設(shè)計了以噪聲最小均方值為目標(biāo)的自適應(yīng)濾波器，并基于小波函數(shù)降噪方法，濾除了無縫管道噪聲，驗證小波函數(shù)分解信號的有效性。宋志強(qiáng)等[7]以連續(xù)小波對采集信號去噪，識別輸油管道不同漏磁缺陷特征，但精度不高。因此，在改進(jìn)小波研究中，學(xué)者引入了EMD算法對信號進(jìn)行分解。馬鋼等[8]研究EMD對管道內(nèi)檢測缺陷識別的影響，與WT方法相比，EMD具有良好去噪效果，提高了信噪比。多種方法聯(lián)合分解是將信號進(jìn)行WT、EMD等方法聯(lián)合處理完信號，聯(lián)合采用機(jī)器學(xué)習(xí)算法、神經(jīng)網(wǎng)絡(luò)算法識別管道缺陷。王宏安等[9]通過K均值聚類實現(xiàn)了不同管徑水驅(qū)動管道的缺陷標(biāo)識，提高識別算法的適應(yīng)性。王增國等[10]采用三樣條插值方法預(yù)處理漏磁檢測信號，增強(qiáng)曲線圖形的辨識度，提升了識別率。楊志軍[11]采用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)對平板缺陷進(jìn)行漏磁信號識別，實現(xiàn)缺陷的定位和反演，但BP網(wǎng)絡(luò)易發(fā)散，訓(xùn)練失敗，識別精度低。信號處理后，存在欠包絡(luò)、過包絡(luò)、模態(tài)混淆和端點效應(yīng)等問題。因此，為了避免上述問題，Dragomiretskiy K等[11]提出了Variational Mode Decomposition(VMD)信號分解算法。目前，算法主要應(yīng)用于旋轉(zhuǎn)設(shè)備的故障診斷領(lǐng)域，且去噪效果優(yōu)于EMD算法[13]。Li H等[14]將自適應(yīng)VMD與極限學(xué)習(xí)機(jī)相結(jié)合，用于風(fēng)力發(fā)電機(jī)齒輪箱的故障診斷。Zhang Y Q等[15]提出基于VMD的分形維數(shù)估計方法，表征了振動信號的分形特征并診斷滾動軸承故障。旋轉(zhuǎn)設(shè)備振動信號主要由旋轉(zhuǎn)設(shè)備轉(zhuǎn)速及其諧波構(gòu)成，且頻譜主要聚集在旋轉(zhuǎn)設(shè)備轉(zhuǎn)速及其諧波附近。與旋轉(zhuǎn)設(shè)備振動信號不同，管道漏磁檢測信號主要以沖擊信號的形式出現(xiàn)，其特點是頻帶寬，采用EMD易出現(xiàn)過包絡(luò)問題，影響漏磁檢測信號分解效果；且VMD算法未在漏磁檢測信號中應(yīng)用。因此，需要探索VMD在漏磁檢測領(lǐng)域中的應(yīng)用，正如Liu 等[16]采用VMD算法對軸承振動信號的處理。本文采用VMD算法對某段管道的缺陷信號進(jìn)行模態(tài)處理，獲取多個不同頻率尺度的子序列，分析去噪效果。根據(jù)峭度最大原則，選擇IMF2、IMF3兩個子序列為最佳模態(tài)分量，并提取信號的特征量，完成信號類型的辨識。在辨識過程中，提取IMF2、IMF3分量的波形峰谷差、谷距、能量以及面積等特征量建立樣本集。由于樣本數(shù)較少，采用了RBF核函數(shù)的SVM算法對信號特征量進(jìn)行識別分類，精度達(dá)93%。因此，VMD-SVM方法為管道信號識別提供了一種抗干擾、高精度的辨識模型。

1 管道漏磁檢測原理及檢測信號特征

1.1 管道漏磁檢測原理

管道漏磁檢測裝置俗稱“管道豬”，用于管道缺陷檢測。主要由檢測裝置、探頭、記錄器、關(guān)節(jié)以及里程輪等部件組成(如圖1)。在檢測過程中，裝置中的永磁鐵形成磁場，缺陷處的空氣、氣泡等雜質(zhì)的磁導(dǎo)率低、磁阻大，使得漏磁場強(qiáng)度增強(qiáng)。根據(jù)突變的磁場信號對管道缺陷進(jìn)行研究[17]。

圖1 管道漏磁檢測裝置結(jié)構(gòu)示意

采用圖1 的裝置對大連某石油化工廠的直徑為406 mm管道進(jìn)行檢測。裝置關(guān)節(jié)的圓周方向分布72個探頭，每個探頭是單一的信號通道。當(dāng)前，油氣管道的缺陷類型有機(jī)械缺陷、凹坑、腐蝕以及焊縫缺陷等。為了完整地探測管道缺陷，常采用三坐標(biāo)檢測法[18]。因為漏磁信號的周向分量所占比例很小，因此未采集周向分量，主要分析徑向分量和軸向分量信號[19-20]?，F(xiàn)場采集信號如圖2，x軸為探頭通道號；y軸為采集的里程長度，每2 mm采集1個點，共2 000 個點，掃掠里程為4 000 mm；z軸為漏磁信號強(qiáng)度。圖2 a為漏磁徑向信號分量，圖2 b為漏磁軸向信號分量?？梢钥闯?，每個通道輸出的信號雜亂無章，且存在噪聲干擾，對信號進(jìn)行去噪處理是信號識別的第1步。采用VMD算法對原始信號進(jìn)行去噪處理，處理后的信號會在管道缺陷位置存在明顯突變。

圖2 管道缺陷漏磁檢測不同分量的信號圖

1.2 管道漏磁檢測信號特征

以現(xiàn)場采樣信號為研究對象，管道原始信號進(jìn)行歸一化處理并顯示為二維圖形(如圖3)。由圖3可知：每個通道完成管道缺陷掃掠后，采集信號存在4種類型，分別為：螺旋焊縫1、環(huán)焊縫、螺旋焊縫1存在1個缺陷點、螺旋焊縫2。

圖3 管道漏磁檢測不同分量信號歸一化處理圖

2 基于VMD-SVM的管道漏磁信號預(yù)處理

管道漏磁信號特征辨識主要包括信號預(yù)處理、特征提取與識別。首先對非周期、非穩(wěn)定的缺陷信號進(jìn)行預(yù)處理，通過WT、EMD和VMD算法完成信號分解，并分析預(yù)處理算法的優(yōu)缺點。其次，根據(jù)時域分量的波形特征，提取特征參數(shù)，并建立特征量數(shù)據(jù)庫。最后，利用SVM方法對特征完成識別。本文研究技術(shù)路線如圖4。

圖4 缺陷信號處理流程

圖4 技術(shù)路線包括信號預(yù)處理和SVM辨識2 部分。信號預(yù)處理采用WT、EMD和VMD算法實現(xiàn)，提取預(yù)處理信號時域分量的特征量，為漏磁信號辨識做準(zhǔn)備。SVM辨識對時域分量的特征量進(jìn)行識別分類，通過不同的預(yù)處理方法、不同SVM的核

函數(shù)訓(xùn)練SVM模型，提高精確度。

2.1 信號分解

對圖2的信號采用VMD分解算法，獲取適應(yīng)性強(qiáng)且光滑的信號。VMD算法公式為：

(1)

式中：B為漏磁信號，mT；m為分解的模態(tài)個數(shù)(正整數(shù))，文中對信號進(jìn)行4階模態(tài)變分，m最大取4；um為對應(yīng)分解后第m階模態(tài)，mT；ωm為分解后第m階中心頻率，Hz；δ(t)為狄拉克分布；*為卷

積符號；t為時間，s。

對式(1)進(jìn)行增廣拉格朗日算法求解，可表示為：

(2)

式中：λ為拉格朗日乘子；α為二次懲罰因子。參數(shù)({um}, {ωm},λ)交替更新后，公式為：

(3)

(4)

(5)

圖5 VMD分解后漏磁檢測曲線圖

由圖5 可知：原始數(shù)據(jù)是第1組數(shù)據(jù)，并對原始數(shù)據(jù)完成了4階模態(tài)分解，分解后的信號更加平滑。每階模態(tài)分量可表示為IMF(n)分量，其中n= 1, 2, 3, 4。為了驗證VMD算法分解效果，對同組信號進(jìn)行MT、EMD算法分解，獲得有效的管道漏磁信號。對于MT算法。以離散小波為參考，前一尺度小波變換的低頻信號提取出來進(jìn)行后一尺度小波變換。因此，對原始信號進(jìn)行4層小波分解，結(jié)果如圖6。由圖6 可知：MT算法表征了信號的局部特性。但在第四尺度小波分量中低頻信號存在異變，時域信號特征異樣，MT分解效果不佳。

圖6 原始信號MT分解后檢測曲線

最后，利用EMD算法對原始信號進(jìn)行分解，分解成多個內(nèi)涵模態(tài)分量(IMF)，包含了局部特征分量和殘差分量。原始信號的5層EMD分解結(jié)果如圖7。由圖7 可知：EMD算法雖可實現(xiàn)信號去噪，但去噪后信號出現(xiàn)過包絡(luò)現(xiàn)象，大量信號發(fā)散，信號表征識別困難。

圖7 EMD分解后缺陷信號曲線

由上述3種方法對比可知：VMD算法消噪效果較好，克服了EMD算法的端點效應(yīng)和模態(tài)混疊現(xiàn)象，克服了MT算法低頻信號異變問題，得到平滑穩(wěn)定信號。因此，VMD算法可適用于處理管道檢測信號。

2.2 確定VMD模態(tài)分量

以峭度為指標(biāo)參數(shù)，選擇合適的VMD模態(tài)分量，為管道漏磁信號辨識奠定基礎(chǔ)。指標(biāo)計算公式為：

(6)

由式(6)計算可知：Ku1=2.50，Ku2=12.03，Ku3=23.56，Ku4=16.98。

由圖5可知：IMF4分量的信號特征不明顯，故以峭度最大原則選取IMF2和IMF3分量進(jìn)行特征量提取。

3 VMD-SVM預(yù)處理數(shù)據(jù)特征提取

采用VMD算法對管道信號進(jìn)行預(yù)處理，根據(jù)峭度指標(biāo)參數(shù)確定最佳的模態(tài)分量。提取最佳的模態(tài)分量的特征量。

3.1 特征量計算

常見的漏磁信號特征系數(shù)[21-22]有：峰谷幅值差Bh、峰谷間距L、橫軸面積S與能量E等參數(shù)。因此，選取以上參數(shù)表征信號特征，計算公式如下：

1) 峰谷幅值差Bh。

Bh=Bmax-Bmin

(7)

式中：Bmax為VMD分解徑向或軸向分量的時域信號的波峰值，mT；Bmin為波谷值，mT。包括徑向分量的峰谷幅值差Bhy和軸向分量的峰谷幅值差Bhx。

2) 峰谷間距L。

峰谷間距表示波峰和波谷的差值，反映缺陷在徑向的尺寸信息，定義為Ly，mm。反映缺陷在軸向的尺寸信息，定義為Lx，mm。

3) 信號的面積S。

徑向分量的面積表示徑向分量的時域波形與橫坐標(biāo)軸之間的面積Sy，mm2。軸向分量的面積表示軸向分量的時域信號波形與橫坐標(biāo)軸之間的面積Sx，mm2。

4) 信號的能量E。

對于軸向分量漏磁檢測信號，信號的部分能量作為其特征量，公式為：

(8)

式中：E為能量，mT2；B為漏磁信號，mT，包括徑向漏磁信號Ey和軸向漏磁信號Ex的信號能量。

3.2 特征量提取

由圖3可知：每個通道掃掠完成后，信號包含4種特征信息?；谛盘柼攸c，將每個通道的2 000個數(shù)據(jù)點分成10段數(shù)據(jù)，每段200個點表征一類缺陷，進(jìn)行提取信號的特征量。根據(jù)3.1節(jié)所述，統(tǒng)計VMD的IMF2和IMF3分量的特征量如表1。

表1 管道漏磁檢測第1通道特征量提取信號參數(shù)

由表1 可知：每類信號包含了16個特征量。以16個特征量建立SVM識別樣本庫，以缺陷類別建立SVM識別標(biāo)簽。最后，完成管道數(shù)據(jù)特征的辨識。

4 管道數(shù)據(jù)特征辨識及仿真實驗

采用SVM算法對信號特征進(jìn)行辨識。由圖4 流程可知：首先對信號進(jìn)行預(yù)處理，然后提取信號的特征量，最后建立720×16的特征量樣本集和720×1的標(biāo)簽樣本集。其中，選取620×16的特征量樣本和620×1的標(biāo)簽樣本為訓(xùn)練樣本，選取100×16的特征量樣本和100×1的標(biāo)簽樣本為測試樣本。在訓(xùn)練樣本和測試樣本中，隨機(jī)打亂各個數(shù)據(jù)的順序，輸入到SVM，通過SVM進(jìn)行分類。

4.1 預(yù)處理方法驗證

進(jìn)一步驗證VMD算法在管道漏磁檢測信號預(yù)處理的可靠性。采用MT、EMD和VMD不同預(yù)處理算法對信號進(jìn)行處理，提取信號的特征量，建立SVM的訓(xùn)練樣本，完成數(shù)據(jù)特征辨識。3種預(yù)處理方法的訓(xùn)練性能對比如表2。

表2 3種處理方法訓(xùn)練性能對比

由表2 對比可知：信號預(yù)處理方法對管道缺陷辨識效果具有明顯的影響。在VMD、EMD 和MT預(yù)處理信號過程中，VMD最佳，EMD次之，MT最差，其訓(xùn)練精度分別為93%、74%和60%。因此，VMD-SVM方法對信號處理效果最佳，驗證了VMD處理漏磁信號的優(yōu)勢，有效地提高管道信號識別精度。

4.2 SVM核函數(shù)優(yōu)選

SVM核函數(shù)會影響辨識精度，其目的在于將不可分的輸入樣本映射到高維的特征空間可分，因此核函數(shù)在SVM模型起到至關(guān)重要的作用。常見SVM核函數(shù)分為Linear核函數(shù)、Polynomial核函數(shù)、RBF核函數(shù)及Sigmoid核函數(shù)等。由于Linear核函數(shù)為線性核函數(shù)，對復(fù)雜非線性分類問題效果不佳，文中主要采用Polynomial核函數(shù)、RBF核函數(shù)以及Sigmoid核函數(shù)訓(xùn)練SVM模型。不同核函數(shù)訓(xùn)練結(jié)果如圖8。

圖8 不同核函數(shù)的SVM訓(xùn)練識別結(jié)果圖

由圖8a 可知：訓(xùn)練精度最高的核函數(shù)為RBF核函數(shù)，訓(xùn)練精度可達(dá)93%。分別比Polynomial核函數(shù)和Sigmoid核函數(shù)的精度高了16%和14%。RBF核函數(shù)訓(xùn)練時間為0.016 s。由圖8b可知：RBF核函數(shù)的迭代次數(shù)最少，為168次，而Polynomial核函數(shù)的迭代次數(shù)最多，為541次。無論哪種核函數(shù)，它的訓(xùn)練識別類別數(shù)目一致，且都存在4種識別類型，分別為：螺旋焊縫1、環(huán)焊縫、螺旋焊縫1存在1個缺陷點、螺旋焊縫2。因此采用RBF核函數(shù)的VMD-SVM算法辨識不同識別信號精度高，驗證了SVM的辨識能力。

5 結(jié)論

1) 管道漏磁信號存在干擾，且具有非周期、非平穩(wěn)性等特點，處理難度大，以前的算法存在過包絡(luò)、低頻異變等缺點。采用VMD算法緩解了上述問題，得到平滑的時域信號。根據(jù)峭度最大原則，提取VMD分解后的IMF2、IMF3分量，有效表征管道漏磁信號的特征。

2) 現(xiàn)場采集信息樣本數(shù)量較少。因此，基于SVM算法、并通過優(yōu)選核函數(shù)對特征量進(jìn)行辨識，可提高辨識精度。通過計算及比較分析，RBF核函數(shù)為最優(yōu)核函數(shù)，辨識精度達(dá)93%，且迭代次數(shù)最少，為168次。

3) 以現(xiàn)場采集信號為例，VMD-SVM不僅能對信號有效去噪，而且能高精度識別缺陷類型。因此，VMD-SVM為管道漏磁信號提供了一種抗干擾、高精度的信號處理及特征識別方法，具有較高的實用價值