煉化裝置閘閥內(nèi)漏去噪及聲識別技術(shù)研究*

王 瓊,茍云峰,李慶潤,朱 亮,劉名楊,來子琴,楊 進(jìn),肖安山

(1.化學(xué)品安全全國重點實驗室,山東青島 266104 2.中石化安全工程研究院有限公司,山東青島 266104 3.重慶大學(xué),重慶 400044)

0 前言

閥門作為一種通用的控制流體介質(zhì)輸送的設(shè)備,被廣泛用于石油、化工、天然氣、核電等行業(yè)。然而閥門腐蝕、老化、破損和工作人員操作不當(dāng)?shù)仍蚓墒归y門的密封面遭到破壞,從而發(fā)生閥門泄漏的現(xiàn)象,其中閥門內(nèi)漏因為現(xiàn)象不明顯,比外漏情況更難以檢測。閥門內(nèi)漏不僅造成資源浪費,還常伴隨著經(jīng)濟(jì)損失,甚至人員傷亡。過去針對閥門檢修的方法主要是進(jìn)行定期檢修,將所有閥門拆卸、檢查、修復(fù)。這種方式缺乏針對性,不僅導(dǎo)致大量的人力物力浪費,還非常費時,造成大量的經(jīng)濟(jì)損失。目前用于閥門內(nèi)漏檢測的技術(shù)有壓降法、熱紅外法、超聲檢測法和聲發(fā)射檢測法等。這些檢測技術(shù)中,聲發(fā)射檢測法因其低成本、非侵入式測量的優(yōu)點,被廣泛應(yīng)用于閥門故障檢測[1]。

通過分析聲發(fā)射傳感器采集的閥門內(nèi)漏聲發(fā)射信號,提取與閥門泄漏率最相關(guān)的特征量,可以預(yù)估閥門內(nèi)漏率,極大地減少閥門內(nèi)漏引起的安全事故。國內(nèi)外對于閥門泄漏率的定量研究大多也都是基于上述原理。如戴光,等[2]對閘閥的內(nèi)漏過程進(jìn)行了理論分析建模,研究了壓差與泄漏率、壓差與振幅、振幅與泄漏率之間的關(guān)系。Lee,等[3]通過分析內(nèi)漏閥門產(chǎn)生的聲發(fā)射信號的時頻特征后發(fā)現(xiàn),內(nèi)漏聲信號的均方根值與壓差和泄漏率相關(guān),特征頻率與故障模式相關(guān)。Ye,等[4]利用高斯回歸過程建立多元數(shù)學(xué)模型,用于描述聲發(fā)射信號的特性與壓力、泄漏率之間的關(guān)系。宗福興,等[5]采用互相關(guān)結(jié)合小波變換的方法實現(xiàn)了對原始信號的去噪,改善了內(nèi)漏率估計精度。Abiodun,等[6]利用聲發(fā)射信號的6個時域特征參數(shù)作為輸入,訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,成功實現(xiàn)閥門內(nèi)部泄漏的評估。Sim,等[7]評估了聲發(fā)射技術(shù)在往復(fù)壓縮機(jī)閥門泄漏檢測中的潛力,根據(jù)均方根值擬合泄漏量的經(jīng)驗公式。趙翰學(xué),等[8]通過小波分解增加樣本數(shù)量,建立BP神經(jīng)網(wǎng)絡(luò)模型,實現(xiàn)了對閥門內(nèi)漏速率的量化預(yù)測。上述方法雖然可以在一定程度上預(yù)判閥門內(nèi)漏率,但普遍誤差較大,而且主要的研究對象是實驗室的小孔徑閥門,難以模擬真實的煉化生產(chǎn)環(huán)境下閥門出現(xiàn)內(nèi)漏的情況。

針對現(xiàn)有研究對于閥門內(nèi)漏率預(yù)判誤差較大,且因缺少煉化實驗用的閥門難以模擬煉化生產(chǎn)常用閥門出現(xiàn)內(nèi)漏的情況,本文著重對煉化生產(chǎn)中常用的孔徑為50 mm的閘閥是否發(fā)生內(nèi)漏的情況進(jìn)行判別研究。實驗部分基于戶外大型實驗場地,通過控制不同的閘閥開度,采集不同開度下的閥門內(nèi)漏聲發(fā)射信號,模擬閘閥因密封面遭破壞導(dǎo)致閥門內(nèi)漏的情況。為了分析閥門內(nèi)漏聲信號的本質(zhì)特征,提高信號的信噪比和判別準(zhǔn)確率,采用變分模態(tài)分解和支持向量機(jī)相結(jié)合的方式對內(nèi)漏信號進(jìn)行去噪和分類,最終將閥門內(nèi)漏識別準(zhǔn)確率提高至95.5%。

1 閘閥內(nèi)漏聲場數(shù)值模擬研究

1.1 閥門內(nèi)漏聲信號產(chǎn)生機(jī)理

當(dāng)閘閥發(fā)生內(nèi)漏時,在閘板前后高壓差動力推動下,流體介質(zhì)通過內(nèi)漏孔或內(nèi)漏縫噴射形成不規(guī)則的高速湍流,同時產(chǎn)生噴流噪聲,張穎[9]指出這種動態(tài)流體聲源受固體邊界、流體狀態(tài)及流體間相互作用等因素的影響,聲源主要包括噴流噪聲、阻塞噴流噪聲和渦流噪聲3種,有效聲源主要是由于流體達(dá)到噴流狀態(tài)引起的空氣動力聲。

為探究閥門內(nèi)流體介質(zhì)壓力和流速的關(guān)系,利用Fluent軟件對閥門進(jìn)行流場仿真。首先對閘閥的流道進(jìn)行簡化,將閘閥的模型和管道的模型簡化為一個閘板和管道相結(jié)合的結(jié)構(gòu),穩(wěn)態(tài)模型選擇k-e模型,瞬態(tài)模型選擇大渦流模型。閘閥的閘板打開非常小的縫隙來模擬閘閥密封面破損的情況,閥門管道流體仿真幾何模型、閘閥盤附近流體速度矢量圖、閘閥板附近的流體壓力分布圖見圖1。從圖1中可以發(fā)現(xiàn)在閘板未關(guān)緊的地方,閘閥內(nèi)流體介質(zhì)的壓力越來越小,壓力的變化主要集中在閘板未關(guān)緊的地方,閘閥板左邊區(qū)域壓力明顯高于右邊區(qū)域壓力。通過對比閘閥盤附近流體速度矢量圖和閘閥板附近的流體壓力分布圖,還可以發(fā)現(xiàn)流體速度大的區(qū)域,壓力小;流體壓力大的區(qū)域,速度小。

數(shù)值計算后,需要對計算結(jié)果進(jìn)行后處理,即對結(jié)果進(jìn)行可視化展示,提取閘閥管道的壓力云圖和速度流線圖等,便于對閘閥管道在不同工況下的流場情況進(jìn)行對比分析。以DN100閘閥、開度20%、上下游壓差為1 MPa、介質(zhì)為空氣的穩(wěn)態(tài)仿真結(jié)果圖為例,圖2是閘閥仿真圖和閘閥仿真局部放大圖,由圖2(b)紅色方框標(biāo)記處可知,流體經(jīng)過閘板后,在下游靠近閘板處會產(chǎn)生大的渦旋,這會形成渦流噪聲,與閥門內(nèi)漏噪聲類型相對應(yīng),可看出壓力大的區(qū)域速度小,壓力小的區(qū)域速度大。

圖2 閘閥穩(wěn)態(tài)仿真局部放大圖

圖3是渦量圖,該渦量圖采用的是Q準(zhǔn)則下的渦量。由圖3可知,流體在流過閘板后會形成渦量,即在經(jīng)過閘板后的一段區(qū)域內(nèi)會有一定的渦量延伸。而介質(zhì)在流入管道和流過閘板一段距離后是沒有渦量出現(xiàn)的。

圖3 渦量圖

1.2 不同上下游壓差情況下閘閥聲場數(shù)值模擬分析

閘閥開度為20%,上下游壓差分別為0.5,1.0,1.5,2.0,2.5,3.0 MPa,控制下游壓力保持0不變,改變上游壓力的大小。圖4為保持閘閥開度不變、不同壓差下閘閥管道的壓力云圖,可知,在保持其他條件不變只改變閘閥上下游壓差的情況下,管道閘閥內(nèi)的壓力分布不變,改變的只是在管道和閘閥內(nèi)相同地方的壓力值。統(tǒng)計6個壓差下的最低壓強(qiáng)值可得最低壓強(qiáng)隨壓差的變化如圖5所示,可知在閘閥開度一定的情況下,閘板附近的最低壓強(qiáng)隨上下游壓差的增大而減小。

圖4 閘閥不同壓差下壓力云圖

圖5 最低壓強(qiáng)和壓差的關(guān)系

壓力云圖能夠得到管道閥門內(nèi)的壓力分布情況,速度流線圖能夠得到速度分布情況和大小情況。圖6為保持閘閥開度不變,改變上下游壓差的各個壓差下的速度流線圖。由圖6可知,在閘板底部有明顯的噴流現(xiàn)象,速度也在該處急劇增大,這會產(chǎn)生噴流噪聲,在下游靠近閘板處形成旋渦,這會產(chǎn)生渦流噪聲。圖7為最大速度隨壓差的變化圖,由圖可知在閘閥管道開度一定的情況下,管內(nèi)最大速度隨壓差的增大而增大。由圖6可知,不同上下游壓差下,速度流線圖的分布是幾乎不變的。

圖6 閘閥不同壓差下速度流線圖

圖7 最大速度和壓差的關(guān)系

1.3 不同開度下閘閥聲場數(shù)值模擬分析

在保持上下游壓差為1 MPa的情況下,研究在不同開度下流場的壓力和速度分布及大小變化。本組實驗一共仿真4個閘閥開度:5%,10%,20%,30%。圖8為4個開度的壓力云圖,在上下游壓差不變,改變閘閥的開度的情況下,會影響閘閥管道內(nèi)的壓力分布,這和不同壓力下的壓力云圖結(jié)果是不同的。圖9為閘閥管道不同開度下的速度流線圖,不同開度下流體的分布及流速大小是不一樣的。開度越小,流體經(jīng)過閘板縫隙之后在下游形成的渦旋就越大,開度越大時渦旋越小,噴流的速度越大。圖10為保持壓差不變,管道內(nèi)最低壓強(qiáng)隨開度的變化圖,由圖可知,最低壓強(qiáng)隨開度的增大而減小。

圖9 閘閥不同開度下速度流線

圖10 最低壓強(qiáng)和閥門開度的關(guān)系

圖11為保持壓差不變,管道內(nèi)最大速度隨開度的變化圖,由圖可知,最大速度隨閘閥開度的增大而增大。

圖11 最大速度和閥門開度的關(guān)系

2 算法理論

結(jié)合煉化現(xiàn)場噪聲特性及閥門內(nèi)漏聲信號特性,本文提出結(jié)合變分模態(tài)分解(Variational Mode Decomposition,VMD)和互信息熵來抑制噪聲,提取時頻和統(tǒng)計特征,最后通過支持向量機(jī)進(jìn)行內(nèi)漏識別的方法。

2.1 變分模態(tài)分解原理

經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)作為一種近年來比較流行的處理非平穩(wěn)信號的方法,其分解過程是將包含噪聲的時域信號自適應(yīng)的分解到多個經(jīng)驗?zāi)B(tài)中,利用某些特征選擇方法選取主要的經(jīng)驗?zāi)B(tài),重構(gòu)有效的源信號[10-11]。但是EMD不僅缺乏嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)解析過程,其分解過程甚至?xí)霈F(xiàn)模態(tài)混疊以及端點效應(yīng)[12]。Dragomiretskiy,等[13]在2014年時提出了一種基于EMD的新的信號分解方法,即變分模態(tài)分解(VMD),它能夠識別出信號的奇異性,并且分解的特征模態(tài)穩(wěn)定性較好,VMD能夠?qū)⑺械谋菊髂B(tài)函數(shù)的中心頻率以及帶寬確定下來[14]。另外與EMD相比,VMD有著扎實的理論并且在抑噪方面具有更出色的魯棒性。

使用VMD方法之前,需要進(jìn)行變分問題的構(gòu)造,其實質(zhì)是將信號分解為多個模態(tài)函數(shù)。用f表示信號,uk(t)代表模態(tài)函數(shù),k來代表預(yù)設(shè)分解的個數(shù)。估算帶寬的步驟如下:①分析求解uk(t)的解析信號,將單邊頻譜求解出來;②用e-jωkt來表示混合預(yù)估中心的頻率,將全部模態(tài)的頻譜轉(zhuǎn)換到對應(yīng)的基頻帶中[15];③II2來表示信號的梯度的平方范數(shù),如果信號被分解為k個本征模態(tài)函數(shù)IMF分量,其相應(yīng)的約束變分模型計算公式為:

(1)

式中:δ(t)——單位沖擊信號;

wk——中心頻率;

j——虛數(shù)符號;

t——時間。

以上便是VMD的頻帶寬估計過程,在實際使用中,VMD根據(jù)預(yù)設(shè)分解尺度k,將實際信號分解成k個有效模態(tài)[16]。

2.2 支持向量機(jī)(SVM)原理

SVM技術(shù)針對小樣本數(shù)據(jù)和非線性分類具有較好的分類效果,其分類理論是建立在統(tǒng)計學(xué)習(xí)和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)之上,能根據(jù)樣本自身的復(fù)雜性和統(tǒng)計信息在分類學(xué)習(xí)能力之間尋求最佳平衡度[17]。應(yīng)用SVM分類技術(shù),首要步驟就是建立分類超平面模型:

(2)

式中:x——分類樣本點;

w——分類矩陣;

a、b——超參數(shù);

T——轉(zhuǎn)置標(biāo)志;

y——標(biāo)簽值,取值-1或1。

最優(yōu)分類超平面盡可能遠(yuǎn)離所有樣本數(shù)據(jù)點,能對樣本間的最優(yōu)分類界限,SVM的學(xué)習(xí)過程就是尋找一個最優(yōu)的分類超平面的過程[18]。假設(shè)樣本數(shù)據(jù)中任意一點x到超平面(w,b)的距離為:

r=(wT/‖w‖)·x=|wTx+b|/‖w‖

(3)

定義支持向量點:滿足|wTx+b|=1成立的樣本點為支持向量點,即支持向量位于間隔邊界處。為了尋找最優(yōu)超平面(最優(yōu)分類間隔),還需要定義目標(biāo)函數(shù):

max(2/‖w‖)

(4)

s.t.yi(wTxi+b)≥1

s.t.(·)是目標(biāo)函數(shù)的約束條件,為了使目標(biāo)函數(shù)優(yōu)化過程更可靠穩(wěn)定,可將式(4)的最大化過程轉(zhuǎn)化為:

max(‖w‖2/2)

(5)

s.t.yi(wTxi+b)≥1

利用拉格朗日乘子可以得到目標(biāo)函數(shù)式(5)的對偶問題:

(6)

令L(w,b,α)對w,b的偏導(dǎo)數(shù)為零:

(7)

式中αi為拉格朗日乘子,對于任意訓(xùn)練樣本數(shù)據(jù)點,總存在αi=0,等效于最終與分類模型有關(guān)的樣本點都位于最大間隔的邊界上,即上述支持向量點,其余樣本點與分類模型無關(guān)[19]。

2.3 互信息熵

互信息熵可以量化兩個隨機(jī)變量之間的依賴關(guān)系,本文利用互信息熵分析原信號和經(jīng)過VMD分解后的子信號之間的相關(guān)性。對聲傳感器采集的泄漏聲信號x進(jìn)行分析,x經(jīng)VMD自適應(yīng)分解成若干個子信號。為進(jìn)一步度量分解子信號vi所包含的泄漏有效成分,分別計算子信號vi與泄漏聲信號x之間的互信息熵:

I(x;vi)=∑∑p(x;vi)log[p(x;vi)/p(x)p(vi)],
i=1,2,3,4,5

(8)

式中:p()——概率密度;

I(x;vi)——分解子信號vi同泄漏聲信號x的互信息熵。

3 實驗研究

3.1 泄漏信號數(shù)據(jù)采集

搭建了模擬煉化裝置閥門內(nèi)漏的實驗裝置,如圖12所示,由閘閥、聲發(fā)射傳感器、NI多通道數(shù)據(jù)采集卡、計算機(jī)、空氣壓縮機(jī)和氣體流量計組成。其中實驗閥門的孔徑為50 mm,材質(zhì)為不銹鋼,聲發(fā)射傳感器安裝在閥門附近的上下游管道上,采集卡的采樣率設(shè)置為1 MHz,單次采集時間為10 s,共采集泄漏聲信號(閘閥開度50%)200組,無泄漏聲信號(背景噪聲)200組。

圖12 閥門內(nèi)漏檢測數(shù)據(jù)采集實驗裝置現(xiàn)場

在多數(shù)現(xiàn)場生產(chǎn)情況下,50%以上閥門內(nèi)漏可由巡檢人員人耳識別,本文選用關(guān)閉到50%開度區(qū)間內(nèi)的實驗作為分析數(shù)據(jù),認(rèn)為50%開度是泄漏聲信號能量最小的起始度量,其對泄漏識別的作用具有較大意義。為驗證不同開度對聲信號的影響,比較分析了閘閥DN50在0.6 MPa氣體介質(zhì)時,不同開度下的信號時域圖,如圖13所示,隨著開度變大,信號能量值變大,但是50%開度對應(yīng)的泄漏聲信號能量是最小的,分析是由于50%開度下,閥體對管內(nèi)流體的阻滯作用最弱,流體激發(fā)出的聲振動波也就最弱。

圖13 不同開度條件下的信號時域

3.2 泄漏信號去噪預(yù)處理

本文選取位于閥門下游的聲傳感器1采集的泄漏聲源信號x進(jìn)行分析,聲信號經(jīng)VMD自適應(yīng)分解后得到5個子信號,信號時域形式如圖14所示?？梢园l(fā)現(xiàn)子信號v1、v2、v3、v4的時域波形同原始信號比較相似,而v5的時域波形與x有較大差異,因此可初步認(rèn)為v1、v2、v3、v4含有的泄漏信號有效成分高于v5。圖15是據(jù)式(8)計算的互信息熵值繪制而成的分布直方圖,可以看到子信號v5與泄漏聲源信號x之間的互信息熵最小,表明v5與原信號的相關(guān)性最小,因此可以將v5分量剔除,利用剩下的v1、v2、v3、v4重構(gòu)原信號。重構(gòu)后的信號x1和原始信號x如圖16所示,從兩者的波形對比中可以發(fā)現(xiàn),信號x1因為濾除了噪聲,幅值大幅度減少,但基本特征與原始信號x一致,實現(xiàn)了濾除噪聲而保留原始信號特征的目的。利用同樣的處理方式對其它信號進(jìn)行降噪預(yù)處理,得到一系列重構(gòu)信號。

圖14 泄漏聲源信號x與分解信號v1～v5時域形式

圖15 泄漏聲源信號x與分解信號v1～v5的互信息熵

圖16 泄漏聲源信號x與重構(gòu)泄漏聲信號x1

3.3 泄漏樣本特征提取

選擇均方根(Root Mean Rquare,RMS)、梅爾倒譜系數(shù)(Mel Frequency Cepstral Coefficients,MFCC)兩種聲發(fā)射特征值統(tǒng)計特征量繪制樣本的散點圖,并以此圖論述本文算法性能[20]。如圖17(a)為信號經(jīng)EMD降噪預(yù)處理后,提取的RMS和MFCC統(tǒng)計特征散點圖,綠色圓點是無泄漏樣本點,黑色圓點是泄漏樣本點,可以發(fā)現(xiàn)圖中(紅色橢圓內(nèi))兩類樣本之間存在多個交叉樣本點,沒有明顯的分界線,對于微小泄漏的情況,算法的識別效果較差;圖17(b)為信號經(jīng)VMD降噪預(yù)處理后,提取的RMS和MFCC統(tǒng)計特征散點圖,可以發(fā)現(xiàn)(紅色弧線),兩類樣本的界限十分明顯,表示此分類方法效果較好,可以實現(xiàn)對微小內(nèi)漏的判別。

圖17 樣本散點圖

3.4 泄漏狀態(tài)識別

將EMD去噪處理后提取的特征量作為本算法的對比案例,在分類識別過程中,采用10折交叉驗證方法驗證算法的性能,如圖18所示分別為EMD-Nonlinear SVM和VMD-Nonlinear SVM對數(shù)據(jù)集樣本的分類識別結(jié)果(○為支持向量樣本點)。圖中包含2種不同的色塊,即橙色塊和藍(lán)色塊,2種色塊對應(yīng)2種類別的樣本,可以看到2類色塊分類界限較為清晰,但單純的色塊分布情況還不足以說明所提出的算法流程的優(yōu)越性。

為進(jìn)一步分析對比EMD-Nonlinear SVM與VMD-Nonlinear SVM的分類識別性能,引入混淆矩陣這個評價指標(biāo)?；煜仃嚩嘤糜谂袛喾诸惼鞯膬?yōu)劣,其一級指標(biāo)如圖19所示,其中TP表示真正正樣本,FP表示假正負(fù)樣本 ,FN表示假負(fù)正樣本,TN表示真負(fù)負(fù)樣本,在本文中未泄漏表示正樣本,泄漏表示負(fù)樣本。

圖19 混淆矩陣的一級指標(biāo)

由圖19的一級指標(biāo)可以計算出模型的分類精度(Accuracy)二級指標(biāo):

(9)

圖20為EMD-Nonlinear SVM與VMD-Nonlinear SVM的分類識別結(jié)果,據(jù)式(9)的定義和實際統(tǒng)計結(jié)果,EMD-Nonlinear SVM的分類精度為86.0%,VMD-Nonlinear SVM的分類精度為95.5%,因此VMD-Nonlinear SVM的分類精度要高于EMD-Nonlinear SVM。為全面對比所提出的VMD-Nonlinear SVM算法流程的分類識別性能,引入Nonlinear SVM對泄漏樣本數(shù)據(jù)進(jìn)行分類,從圖20可以看到,分類結(jié)果與實驗次數(shù)無關(guān),在3個分類算法中,VMD-Nonlinear SVM的分類精度始終最高,EMD-Nonlinear SVM分類精度次之,而Nonlinear SVM的分類精度最差。

圖20 3種算法流程對閥門泄漏數(shù)據(jù)樣本的分類精度

煉化現(xiàn)場因生產(chǎn)活動,背景噪聲成分比較復(fù)雜,但針對這些噪聲成分,均可使用本文所提出的信號提取處理技術(shù)進(jìn)行濾噪操作。表1是不同噪聲源存在下的分類識別實驗結(jié)果,從數(shù)值可以看到,在閥門關(guān)閉和有開度的情況下,實驗仍然選用本文的RMS和MFCC特征參數(shù)。在不同的噪聲背景下,EMD-Nonlinear SVM方法分類精度較低,通過本文的濾噪處理,本文提出的VMD-Nonlinear SVM方法分類精度有明顯的提升,這意味著提高了對閥門泄漏識別的準(zhǔn)確度。

表1 不同噪聲源、閥門開度下兩種方法的分類精度 %

4 結(jié)語

鑒于現(xiàn)有研究對泄漏率的預(yù)估誤差較大且實驗條件過于理想,不能模擬真實煉化現(xiàn)場的情況,本文利用聲發(fā)射檢測技術(shù)研究煉化行業(yè)閥門內(nèi)漏信號去噪識別技術(shù),采用VMD方法對泄漏噪聲信號進(jìn)行分解和降噪,以互信息熵為判斷依據(jù),剔除互信息熵較小的分解子信號,重構(gòu)泄漏聲源信號。為繪制可視化圖形,提高方法的可操作性,采用了梅爾倒譜(MFCC)和均方根(RMS)這兩個特征參數(shù)。從判別結(jié)果可以看出,與現(xiàn)有同類型的Nonlinear SVM、EMD-Nonlinear SVM分解技術(shù)對比,本文提出的VMD-Nonlinear SVM方法經(jīng)過多次實驗,始終具有最高的分類識別精度,對現(xiàn)場復(fù)雜環(huán)境下的閥門內(nèi)漏信號識別效果最好。