基于EMD與VPMCD的礦漿管道泄漏檢測方法*

毛 敏， 王曉東， 吳建德， 劉英杰

(1.昆明理工大學 信息工程與自動化學院，云南 昆明 652500；2.云南省礦物管道輸送工程技術研究中心，云南 昆明 650500)

0 引 言

復雜地形長距離礦漿管道(以下簡稱管道)在輸送過程中，由于受到地形復雜、高速流動、建筑施工等因素的影響，容易引發泄漏，帶來不必要的經濟損失[1]。管道在正常運行的情況下，其壓力值呈現出穩定而連續的變化，一旦發生了泄漏，管道沿程任意一點壓力值都會發生下降，通過分析管道某點壓力、流量是否偏離正常值范圍就可以判斷泄漏是否發生[2]。但工況調整同樣會導致壓力、流量下降，因此，易導致泄漏誤報與漏報，增加了準確檢測的難度。

如何在不同工況下，從非平穩的信號中提取[3]、選擇最能準確反映管道運行工況的特征參數，以提高泄漏檢測效率，保障管道安全輸送的意義非常重大。

在管道泄漏檢測領域中，由于復雜的運行現場和繁多的噪聲類型，測量信號表現為非平穩、非線性的特征。經驗模態分解(empirical mode decomposition,EMD)是一種新的非平穩、非線性信號的分析方法，該方法具有自適應的多尺度分解特性，且Hilbert變換也是自適應的信號處理方法，具有較高的信噪比。與此同時，變量預測模型(variablepredictive mode based class discriminate，VPMCD)的方法因其分類效果較好，在其他領域的故障診斷中取得了較好的應用。因此，結合以上方法分析信號，可排除管道工況調整對泄漏檢測產生的干擾，有效提高管道泄漏識別率并準確報警[4]。

本文提出了一種基于EMD與VPMCD分類識別的管道泄漏檢測方法，該方法能夠有效地提取特征信號，并利用VPMCD方法建立泄漏識別模型，用于檢測管道的運行狀況，并提供安全保障。

1 信號特征提取方法

1.1 EMD

EMD的實質是根據不同時間尺度的特征把多分量的信號分解成一系列的單分量信號，即固有模態函數[5]。各階次的IMF包含了原始信號的不同頻率信息，分析這些IMF即可獲得信號的局部信息特征。

假設信號為x(t)，經過EMD分解后可得到若干個本證模函數(intrinsic mode function，IMF)分量和一個余量rn(t)[6]，即

(1)

1.2 Hilbert-Huang變換

對式(1)中的各個ci(t)作Hilbert-Huang變換(HHT)[7]得到

(2)

構造解析函數

zi(t)=ci(t)+jH[ci(t)]=ai(t)ejΦi(t)

(3)

于是，可得其幅值函數

(4)

以及相位函數

(5)

求得瞬時頻率

(6)

由此可得到Hilbert譜

(7)

式中Re為取其實部，展開式(6)中的頻率ωi(t)和幅值ai(t)為隨著時間變化的，從HHT的整個過程分析，Hilbert譜H(ω,t)描述了每個IMF分量的幅值隨著時間和頻率的分布規律。

1.3 Hilbert能量譜

若將|x(t)|2看成信號的能量密度，則經HHT后，H2(ω,t)也具有能量密度的物理意義，因此，將H2(ω,t)稱為Hilbert能量譜。基于HHT邊際譜，定義E(ω)為Hilbert邊際能量譜

(8)

式中E(ω)為局部瞬時能量，反映了信號在某一頻率成分的能量隨著時間的變化規律。由式(3)可定義每個IMFci(t)的能量譜為

(9)

Ei(t)準確地描述了第i個IMF分量的能量隨時間的變化情況。所以，第i個IMF分量的能量計算式為

(10)

標準差較好地反映了一個數據集的離散程度，各IMF的Hilbert能量譜分布標準差[6]為

(11)

2 信號特征識別方法

本文選取二次交互模型(QI)，如式(12)所示，對信號特征值向量進行分析

(12)

式中k，a，b≠i；Xi為變量；b0，bj，bjj，bjk為模型參數。

VPMCD方法[8]分為模型訓練與分類2個階段，具體過程[9]如下：

1)模型訓練

a.假定存在q類狀態，分別對其進行m次采集，每類狀態下都有m個訓練樣本，即mk,k=1,2,…,q。

b.對所有的訓練樣本提取p個特征值，其特征向量記為T=[M1,M2,…,Mp]。

c.對隨機被預測變量Mi,i=1,2,…,p，選取QI模型。

2)模型分類

a.選取測試樣本并提取對應的特征值T=[M1,M2,…,Mp]。

c.計算所有類別下的所有特征向量的誤差平方和的值δk，如式(13)所示。依據δk最小作為判別條件對測試進行分類，并將測試樣本歸到第k類

(13)

VPMCD方法根據VPM對信號進行特征值預測，用于信號實際特征值誤差平方和最小作為評定標準，對信號進行識別。

3 基于EMD與VPMCD的泄漏檢測方法

對分析在不同工況下智能壓力變送器檢測到的礦漿管道壓力信號，考慮到管道工況的變化，會導致壓力信號的波動范圍差異較大，以此影響分析的結果，所以必須對上述條件下的信號進行去噪與歸一化的預處理[6]，歸一化至[-1,1]。由此，本文具體方法流程圖如圖1所示。

圖1 管道泄漏檢測流程

具體的步驟如下：

1)分別在管道正常運行、泄漏以及工況調整狀態下，按一定采樣頻率依次進行n次采樣，共得到2n個壓力信號作為訓練樣本；為了數據準確處理，將信號進行預處理。

2)對每個工況下的各個壓力信號預處理后進行EMD，得到若干個IMF分量，然后求得能夠準確反映工況特征的局部Hilbert能量譜，將其作為分析對象。

3)提取前p個IMF分量的Hilbert能量譜作為樣本特征，并構建相應的特征值向量T=[M1,M2,…,Mp]。

5)采集對應的測試信號，按步驟(2)、步驟(3)構成特征值向量T，將其分別作為VPMCD分類器的輸入，根據其輸出判斷礦漿所處的運行狀態。

4 實驗結果與分析

4.1 實驗管道數據

為了驗證方法的有效性，利用某大學的管道輸送實驗室的一條復雜管道進行現場實驗，實驗室設備結構布局如圖2所示。管道總長68.50m，其中平直管段僅有3.70m，管徑為100mm。為了保證礦漿的正常輸送，其高層差均小于15°，管道有2個至高點、2個至低點，在起始點及各點均安裝有智能壓力變送器，首尾端安裝有電磁流量計。實驗設置2處泄漏口。

實驗內容包括對管道進行不同濃度(65%,55%)和不同流速(2.0，1.7，1.5m/s)工況下的正常運行、正常工況調整與泄漏工況實驗。其中，1#,2#泄漏口均為直徑為15mm的閥門。采用緩慢打開閥門的方式模擬泄漏，采用緩慢打開管道首端電動閥門的形式調閥；采用降低泵速的方式調泵。與此同時，采集壓力、流量信號，其數據全部來自實驗室的數據采集與檢測系統，采樣頻率為10Hz，提取壓力下降的暫態過程5min的數據，采樣點個數為3000。

圖2 管道結構布局圖

4.2 管道運行工況特征量提取

管道泄漏與工況調整的壓力波動信號存在著豐富、不同的信息。據此，本文選取泄漏與工況調整作為特征提取的對象，對以上信號進行預處理后，如圖3所示。

圖3 管道上下游壓力信號

圖3為在65%濃度，1.7m/s流速運行條件下，管道泄漏和調閥時的壓力曲線。分別對其進行EMD,得到的IMF分量及Hilbert能量譜如圖4、圖5所示。

圖4 泄漏壓力信號IMF分量圖及Hilbert能量譜圖

圖5 調閥壓力信號IMF分量圖及Hilbert能量譜圖

泄漏與調閥共分解出6個IMF分量。在整個頻率范圍內，泄漏信號的幅值稍大于調閥信號。由圖可看出泄漏信號IMF能量相比于調閥信號IMF能量大，且調閥信號的能量差異較小。經計算，泄漏信號的σ1=41.03，調閥信號的σ2=5.73，所以，從能量分布情況便可清晰地區分泄漏與調閥信號間的差異。

如圖6所示分別為泄漏與工況調整的壓力信號10組樣本的能量分布情況，兩者間存在著鮮明的差異。因此，可以將不同工況下的壓力信號IMF分量Hilbert能量譜作為特征值向量，并利用VPMCD分類器對泄漏進行識別。

圖6 IMF能量標準差分布

綜上根據流量信號間的差異，檢測管道泄漏，如圖7所示。

圖7 管道流量信號

4.3 管道泄漏檢測

本文分別對管道在不同濃度、不同流速工況下1#，2#泄漏口上、下游的壓力信號進行采樣，在正常運行、泄漏與正常工況調整(調泵、調閥)數據中分別隨機抽取10組數據作為訓練樣本，剩余20組作為測試樣本。在此基礎上，根據流量信號來綜合分析泄漏故障。

實驗結果表明：在管道3種運行狀態下的60個樣本中，僅有3個工況調整被誤識別成管道泄漏，識別精度為95%。

為驗證本文方法的準確性，在相同條件下，與文獻[10]的方法進行對比分析，文獻[10]提出了基于EMD與SVM的泄漏信號識別方法。結果如表3所示。從表中可看出：本文方法優勢較SVM方法更為明顯，驗證了利用本文方法進行管道泄漏檢測的可行性與有效性。

5 結 論

1)利用EMD方法對管道壓力信號進行分解，得到能夠準確反映工況特征的局部Hilbert能量譜，較為鮮明地區分出不同管道運行工況，有效地實現分類。

2)通過將選定的Hilbert能量譜，以此構造特征值向量，并采用VPMCD方法建立泄漏識別模型，用于檢測管道運行狀態。實驗結果表明：該方法能有效提高泄漏檢測的準確性。

表1 泄漏狀態下的預測模型

表2 基于EMD與VPMCD的管道泄漏檢測結果

表3 本文方法與文獻[10]方法對比結果

3)通過分析管道上下游流量信號，能更有效、更精確，更全面地進行泄漏檢測。

由于受信號低采樣頻率的限制，給信號分析帶來了影響，下一步將對其進行改進，做更為精確的分析并對泄漏進行定位。

[1] 王 正,王洪誠,傅 磊,等.基于多壓力傳感器負壓波的管道檢測法[J].傳感器與微系統,2015,34(5):115-118.

[2] Liu Cuiwei,Li Yuxing,Yan Yukun,et al.A new leak location method based on leakage acoustic waves for oil and gas pipe-lines[J].Journal of Loss Prevention in the Process Industries,2015,35:236-246.

[3] 曲志剛,封 皓,靳世久,等.基于提升小波的管道安全系統信號特征提取方法[J].傳感器與微系統,2010,29(5):59-62.

[4] 王 政,付紅橋,付少華,等.基于虛擬儀器的原油管道泄漏實時監測與定位系統[J].傳感器與微系統,2012,31(1):111-116.

[5] 劉 霞,黃 陽,黃 敬,等.基于經驗模態分解的(EMD)小波熵閾值地震信號去噪[J].吉林大學學報:地球科學版,2016,46(1):262-269.

[6] 趙利強,王建林,于 濤.基于改進EMD的輸油管道泄漏信號特征提取方法研究[J].儀器儀表學報,2013,34(12):2698-2702.

[7] 劉玉龍,李曉林.HHT在動態稱重傳感器處理非線性信號中的應用[J].傳感器與微系統,2015,34(7):158-160.

[8] Luo Songrong,Cheng Junsheng,Zeng Ming,et al.An intelligent fault diagnosis model for rotating machinery based on multi-scale higher order singular spectrum analysis and GA-VPMCD[J].Measurement,2013,87:38-50.

[9] Yang Yu,Wang Huanhuan,Cheng Junsheng,et al.A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition[J].Measurement,2013,46:2306-2312.

[10] 于 蕊,張壽明,畢貴紅,等.基于EMD與SVM的泄漏聲發射信號識別方法 [J].計算機與應用化學,2015,32(10):1259-1264.