基于IUPLCD與DTBSVM的輸氣管道泄漏檢測方法

劉 勇,吳明暢,徐 航,李洪偉

(1.國家石油天然氣管網(wǎng)集團有限公司西氣東輸分公司,上海 200120;2.沈陽國儀檢測技術有限公司,遼寧沈陽 110041)

0 引言

管道運輸是油氣等能源的主要運輸方式之一,這種運輸方式成本低,損耗低。油氣管道沿線比較復雜,大多鋪設在野外或偏遠的地方,鋪設環(huán)境比較惡劣。所以,管道極易出現(xiàn)油氣泄漏的現(xiàn)象。天然氣具有易燃、易爆性[1-2],所以一旦泄漏,可能會引起爆炸等事故。因此,對管道進行泄漏檢測是管道運行管理中的一項重要工作[3-4]。

目前,對管道進行泄漏檢測的方法很多。根據(jù)當前應用的情況,可以分為非聲學的檢測方法和聲學檢測方法[5]。聲學法具有檢測精度高、誤報率低等優(yōu)點。但是,聲波在傳播的過程中極易受到環(huán)境的干擾,使得聲波信號中含有大量噪聲,從而降低泄漏的識別準確性。因此,對聲波信號進行去噪尤為重要。Q.Meng等[6]提出了一種EEMD和互譜分析相結合的去噪方法,可以有效降低噪聲含量。X.M.Lang等[7]對LMD去噪方法進行改進,改進后可以準確得出與泄漏信號相關的生產(chǎn)函數(shù),但去噪后的信號中仍有殘余噪聲。TWSVM是最經(jīng)典的分類方法之一,但它處理多分類問題時存在不足[8]。TBSVM是在TWSVM基礎上改進而來,與TWSVM相比,它具有更快的訓練速度和更高的精度[9]。B.P.Zhou等[10]采用深度神經(jīng)網(wǎng)絡來識別管道的泄漏,該方法取得的效果明顯優(yōu)于傳統(tǒng)泄漏檢測方法。Z.Y.Liao等[11]將深度學習和TFR結構相結合,實現(xiàn)對管道工況的識別,但該方法運算速度較慢,準確率較低。

因此,為了提高泄漏的識別準確率,本文提出了一種基于IUPLCD與DTBSVM的管道泄漏檢測方法,能夠準確識別輸氣管道的泄漏,有效地減少了系統(tǒng)的漏報和誤報。

1 基本原理

1.1 勻相窄波局部特征尺度分解

與經(jīng)驗模態(tài)分解EMD相比,局部特征尺度分解(LCD)在性能上得到了更好的改進,它能夠有效減小包絡擬合誤差以及端點效應[12]。但是,LCD并不能完全消除模態(tài)混疊現(xiàn)象。UPLCD通過在需要分解的信號中加入相位均勻變化的窄帶余弦信號,將得到的各個極值點的分布均勻化,進而達到消除模態(tài)混疊的效果[13]。UPLCD的分解步驟如下:

(1)計算分解算法的循環(huán)周期Tc以及次數(shù)nisc

nisc=log2(l)

(1)

Tc=2m

(2)

式中:l為數(shù)據(jù)的長度;m是循環(huán)次數(shù)的倒數(shù),m=1/nisc。

根據(jù)信號的實際情況,對幅值ε的數(shù)值和相位的個數(shù)np進行設置。

(2)令x(t)=r0(t),w(t,εc,fc,θk)為窄波余弦信號,可得:

w(t,εc,fc,θk)=εc·cos(2π·fc·t+θk)

(3)

εc=ε·rm-1(t)

(4)

θk=2π(k-1)/np

(5)

式中:rm-1(t)為標準偏差;θk是信號的相位;fc為余弦信號的頻率;εc為幅值和標準偏差的乘積。

(3)將LCD分解得到的第i個ISC分量用Li(·)表示,LCD分解得到的第1個分量為:

cm,k(t)=L1[x(t)+w(t,εc,fc,θk)],k=1,2,…,np

(6)

(7)

式中:cm,k(t)為加入窄波余弦信號后構造的待分解信號;ISC1為第一個ISC分量。

(4)從源信號x(t)中減去得到的ISC1分量,將剩下的信號作為新的源信號ri(t),重復以上步驟,得到所有的ISC分量,直到分解出所有的ISC分量后,停止循環(huán),rnisc(t)為殘余項。

1.2 改進勻相窄波局部特征尺度分解

UPLCD雖然比LCD的性能改善了很多,但是在信號的重構規(guī)則上并未變化,仍然和LCD一樣,沒有制定一個信號的重構原則,是將所有的ISC分量用于信號的重構,這樣就會導致一些包含噪聲較多的ISC分量也用于重構,造成重構信號中仍含有部分噪聲。本文采用ISC分量的能量和傅里葉頻譜分析后的幅值標準差作為ICS的選擇標準,從所有的ISC分量中將包含有用信息更多的分量篩選出來。

ISC分量中,既包含有用信息,也包含無用信息(噪聲信號)。噪聲信息占比大的ISC分量稱為噪聲主導分量,有用信號占比大的ISC分量稱為信號主導分量。ISC分量的能量曲線中,第一個極值點是區(qū)分ISC分量是受噪聲還是有用信號支配的臨界點[14],即能量曲線臨界點之前(包括臨界點處)的所有分量均為噪聲主導的分量,臨界點之后的分量為信號主導的分量。ISC分量的能量可以由以下公式求得:

(8)

式中:ei為第i個ISC分量的能量;M為序列的長度。

標準差(STD)是方差的算數(shù)平方根,它能反映一個數(shù)據(jù)集的離散程度,而且相較于方差,標準差能夠直觀地反應出數(shù)據(jù)集的偏離程度[15]。對信號進行UPLCD分解后得到的若干個ISC分量進行傅里葉變換,得到的頻譜圖中,無用信號多的頻譜圖與有用信號多的頻譜圖相比更加復雜。此時,可以用標準差對數(shù)據(jù)集的離散程度進行度量。包含有用信息多的數(shù)據(jù),其標準差較小,包含無用信息多的數(shù)據(jù)集,其標準差明顯高于有用信息多的標準差。因此,可以采用標準差來篩選出包含泄漏信息多的ISC分量。

標準差的計算公式如下:

(9)

由于UPLCD沒有給出合理的ISC分量的篩選原則,所以本文通過制定一個篩選準則來對其進行優(yōu)化改進,篩選出有效ISC分量。具體流程如圖1所示。

圖1 降噪流程圖

IUPEMD的具體步驟如下:

(1)對原始信號進行UPLCD分解,得到若干個ISC分量;

(2)分別計算各個ISC分量的能量,確定能量曲線的第一個極值點;

(3)對各個ISC分量進行傅里葉變換,然后對每個ISC分量的幅值進行歸一化處理,再求得其標準差;

(4)根據(jù)ISC分量的能量值和幅值的標準差篩選出信號主導的ISC分量,并將同時滿足以上2個條件的ISC分量用于信號的重構。

1.3 深度孿生有界支持向量機

與TWSVM相同,TBSVM也是采用尋找2個非平行的決策超平面實現(xiàn)對輸入數(shù)據(jù)的分類判斷。線性TBSVM的優(yōu)化問題如下[16]:

(10)

限制條件:

(11)

(12)

限制條件:

(13)

由式(10)～式(13)可得,一個目標函數(shù)的約束由另一個目標函數(shù)的模式確定,2個超平面互相限制。線性狀態(tài)下,TBSVM的拉格朗日對偶式為:

(14)

式中α,β均為非負的拉格朗日乘子。

綜上,可以得到線性條件下,為了線性規(guī)劃問題能有最優(yōu)解,由KKT條件可得對偶問題為:

(15)

(16)

式中:P和N均為優(yōu)化問題的最優(yōu)值;0≤α≤c1;G、H為數(shù)值矩陣;G=[B,e2];H=[A,e1];γ為拉格朗日乘子,0≤γ≤c;I為合適維度的單位矩陣。

此時,當有待判定新樣本輸入時,線性TBSVM可以根據(jù)下式判斷樣本所屬標簽。

(17)

式中:Classi為類別;wk和bk分別為權向量、偏差。

當數(shù)據(jù)在低維空間線性不可分時,SVM利用核函數(shù)將其映射到高維空間,再對數(shù)據(jù)進行分類。和SVM的處理方法相同,TBSVM也是采用核函數(shù)對數(shù)據(jù)進行映射,再利用在線性條件下的方法對數(shù)據(jù)進行分類。引入核函數(shù)后,TBSVM的2個超平面可以表示為:

(18)

式中:K表示核函數(shù);C=[A,B]T;u是高維空間中的非線性數(shù)據(jù)。

非線性TBSVM的優(yōu)化問題如下:

(19)

限制條件:

(20)

(21)

限制條件:

(22)

定義:

S=[K(A,CT)e1]
R=[K(B,CT)e2]

(23)

此時,可得TBSVM對應的朗格朗日對偶問題為:

(24)

(25)

式中:0≤α≤c1;0≤γ≤c2;P和N均為優(yōu)化問題的最優(yōu)值。

此時,當有待判定新樣本輸入時,非線性TBSVM可以根據(jù)下式判斷樣本所屬標簽。

(26)

TBSVM是TWSVM的改進,它使用逐次超松弛技術,使訓練速度更快。此外,TBSVM采用了結構風險最小化原則,與TWSVM相比,TBSVM的分類精度更高,計算時間更少。深度學習是機器學習中最重要的一個分支,它通過訓練多層的網(wǎng)絡結構實現(xiàn)對數(shù)據(jù)集的分類或者回歸[17]。深度學習不需要提取特征,而是自動對數(shù)據(jù)進行篩選、提取特征[18]。在深度學習和TBSVM的基礎上,結合兩者的優(yōu)點,組建了一種新的網(wǎng)絡模型DTBSVM。

DTBSVM是一個3層網(wǎng)絡模型。輸入層輸入管道兩端傳感器測得的數(shù)據(jù)。隱含層的3個TBSVM通過生成6個超平面將數(shù)據(jù)映射到六維空間,實現(xiàn)特征的提取。這3個TBSVM之間的唯一的區(qū)別是參數(shù)的不同。輸出層中包含一個TBSVM,用于分類。本模型不僅充分發(fā)揮了DL和TBSVM的優(yōu)點,還克服了淺層模型的不足,具有良好的準確性。DTBSVM的模型如圖2所示。

圖2 DTBSVM模型

Ci1,Ci2(i=1,2,3)分別為隱含層中3個TBSVM的參數(shù),本文采用交叉驗證和網(wǎng)格搜索的方法來確定其最優(yōu)值。管道泄漏時,傳感器采集的數(shù)據(jù)基本上為非線性數(shù)據(jù),而徑向基函數(shù)(radial basis function)具有良好的非線性映射能力、泛化能力,所以,在非線性情況下,本文采用RBF核函數(shù)K(xi,yi)=exp(-λ‖xi-xj‖2)。

無論是在線性情況下還是非線性情況下,隱含層中的每一個TBSVM都會生成1對超平面。隱含層中TBSVM生成的6個超平面可以將傳感器采集的原始數(shù)據(jù)投射到六維空間中,得到原始數(shù)據(jù)的六維位置信息,進而提取數(shù)據(jù)的特征,生成1個新的特征數(shù)據(jù)集。輸出層的主TBSVM根據(jù)特征數(shù)據(jù)集對管道的狀態(tài)進行識別。

模型的訓練可以分為2步:首先,采用非監(jiān)督學習的方式對模型的每一層進行訓練,調整各層的各項參數(shù)。訓練時,前一層的輸出作為后一層的輸入,直到每一層都訓練完成。在第1步的基礎上,采用監(jiān)督學習對模型各個層的參數(shù)進行調整,使得各層參數(shù)到達最優(yōu)值,進而將誤差最小化。

2 實驗

本文采用某石化公司的輸氣管道進行了泄漏實驗。管道長度12 km,管徑為200 mm,管道首末端的壓力分別為2.3 MPa和0.6 MPa。在管道的1、3、5、7、11 km處各有一個口徑為8 mm和5 mm的球閥。管道首末端各安裝一個PCB 106B型聲壓傳感器,用來采集管道內(nèi)的超聲波信號,其量程為0～57 kPa,靈敏度為43.5 MV/kPa,采樣頻率設為1 000 Hz。數(shù)據(jù)采集裝置采用的是NI-DAQ9181數(shù)據(jù)采集器,對數(shù)據(jù)進行采集。實驗原理圖如圖3所示。

圖3 實驗原理圖

以傳感器1采集到的超聲波信號為例,進行去噪實驗。打開管道3 km處的8 mm閥門,模擬管道出現(xiàn)泄漏,傳感器1在管道首站采集的原始信號如圖4所示。

圖4 去噪前的超聲波信號曲線

從圖4中可以看出,原始信號含有較多的噪聲,信號波動較大,無法判斷信號曲線的變化趨勢?，F(xiàn)采用IUPLCD算法對原始信號進行降噪處理。首先,采用UPLCD算法對原始信號進行分解,將原始信號分解為12個不同尺度的ISC分量和1個殘余項。然后計算各個ISC分量的能量值和分量FFT變換后的幅值的標準差。最后根據(jù)能量值和標準差對ISC分量進行篩選并進行信號重構。ISC分量的能量曲線中,第1個極值點是區(qū)分ISC分量是受噪聲還是有用信號支配的臨界點,也就是說能量曲線臨界點之前(包括臨界點處)的所有分量均為噪聲主導的分量,臨界點之后的分量為信號主導的分量。圖5為各ISC分量的能量值。

圖5 各ISC分量的能量值

從圖5中可以看出,能量曲線的第一個極值點為ISC4所對應的點。因此,ISC1～ISC4為噪聲主導的分量,ISC5～ISC12為信號主導的分量。

對UPLCD分解得到的各個ISC分量進行傅里葉變換,得到的頻譜圖差別較大,離散程度不同。噪聲主導的ISC分量的頻譜圖,其復雜程度更大。標準差能反映一個數(shù)據(jù)集的離散程度,而且相較于方差,標準差能夠直觀地反映出數(shù)據(jù)集的偏離程度。因此,可以采用標準差來判斷哪些分量為信號主導的分量。為了防止傅里葉變換后不同階的ISC分量的幅值的數(shù)量級不同,本文先對數(shù)值進行歸一化處理,再計算不同ISC分量之間的標準差。圖6為各ISC分量傅里葉變換后幅值的標準差。

圖6 各ISC對應的幅值的標準差

由圖6可得,ISC1～ISC6的標準差變化程度大,離散程度高,所以為噪聲主導的分量。ISC7～ISC12的標準差變換程度較小,而且離散程度低,所以ISC7～ISC12為信號主導的分量。

為了能夠最大程度地保留原始信息,本文將同時符合能量值和標準差要求的ISC分量用于信號的重構。綜合ISC分量的能量曲線以及幅值標準差曲線,ISC7～ISC12能夠同時滿足以上2個要求,所以選擇ISC7～ISC12用于信號的重構。在同樣的條件下,選用UPLCD對信號進行去噪處理,將其得到的信號曲線與IUPLCD去噪后的信號曲線進行對比,如圖7、圖8所示。

圖7 UPLCD去噪后的信號曲線

從圖7～圖8中可以明顯看出,采用本文方法得到的曲線更加平滑,含噪聲更少,最大程度地保留了原始泄漏信息,可以明顯地看出信號的變化趨勢以及拐點。

在管道1、3、5、7、11 km處分別打開8 mm和5 mm的閥門模擬泄漏,并各采集3 000組泄漏聲波信號。在管道正常工況下,同樣采集3 000組數(shù)據(jù)。為了提升判斷準確性,采用IUPLCD算法對上述信號進行去噪。

線性情況下,隱含層中3個TBSVM的參數(shù)取值為:c11=0.32,c12=0.13,c21=c22=0.25。c31=0.3,c32=0.2。輸出層TBSVM的參數(shù)c1=c2=1。非線性情況下,c11=0.1,c12=0.32,c21=c31=0.3,c22=c32=0.1。輸出層TBSVM的參數(shù)c1=1,c2=10。隱含層中3個TBSVM均采用RBF核函數(shù),且參數(shù)λ的取值分別為1、0.1、0.1。

將經(jīng)過降噪處理后的前2 000組數(shù)據(jù)作為訓練數(shù)據(jù)集,對DTBSVM模型進行訓練,得到各項參數(shù)的最優(yōu)值。訓練完成后,將剩余的1 000組數(shù)據(jù)作為DTBSVM的輸入,對管道的工況進行識別。在相同的條件下,使用相同的數(shù)據(jù),采用TWSVM和TBSVM對管道工況進行識別,并將識別結果進行對比,本文定義識別精度=(正確數(shù)目/總數(shù))×100%,對比結果如表1所示。

表1 不同模型的識別精度對比

根據(jù)表1可得,不論是不同位置的泄漏,還是同一位置不同大小的泄漏,DTBSVM對管道泄漏的識別準確性明顯要高于TWSVM和TBSVM模型的準確性,DTBSVM對管道泄漏的識別精度最高可達99.7%。

3 結束語

為了能夠準確、及時的識別管道的泄漏,防止出現(xiàn)安全事故,本文提出了一種基于IUPLCD和DTBSVM的管道泄漏檢測方法。首先,針對UPLCD算法無法選取有效ISC分量的缺點,本文對算法進行了優(yōu)化改進。將ISC分量的能量值和傅里葉變換后的幅值的標準差作為有效ISC分量的篩選標準,篩選出信號主導的ISC分量,并將其用于信號的重構。重構后的信號中,噪聲含量極低,更好地還原了原始泄漏信號。最后,為了準確、及時的識別出管道的泄漏,本文根據(jù)深度學習與TBSVM的優(yōu)點,構建了一種新的管道泄漏識別模型DTBSVM。經(jīng)現(xiàn)場實驗驗證,將降噪后的信號輸入到DTBSVM模型中,可以準確判斷出管道的工況,且識別準確率高,有效地降低了系統(tǒng)的漏報率和誤報率,為智慧管網(wǎng)的建設和管理提供了便捷和參考。