基于Φ-OTDR系統(tǒng)的聲波信號(hào)管道監(jiān)測(cè)方法

張旭

（武漢郵電科學(xué)研究院，湖北 武漢 430074）

管道運(yùn)輸作為一種經(jīng)濟(jì)、有效、環(huán)保的運(yùn)輸方式，已成為國(guó)內(nèi)外油氣資源的主要運(yùn)輸手段[1]。近年來(lái)人為破壞的管道泄露事故時(shí)有發(fā)生，對(duì)人民財(cái)產(chǎn)安全及生態(tài)環(huán)境構(gòu)成了相當(dāng)大的威脅。所以保障管道運(yùn)輸安全，及時(shí)發(fā)現(xiàn)泄露是十分重要的[2]。

管道泄漏檢測(cè)的研究從上個(gè)世紀(jì)70 年代開(kāi)始，至今已經(jīng)有五十余年發(fā)展歷程，衍生出了多種多樣的檢測(cè)方法，如傳感光纜法、負(fù)壓波法、流量平衡法等。在如此多的檢測(cè)方法中，Φ-OTDR 系統(tǒng)具有抗電磁干擾能力、高絕緣強(qiáng)度、對(duì)腐蝕和高壓具有高耐性、可在惡劣環(huán)境下進(jìn)行長(zhǎng)距離準(zhǔn)確檢測(cè)等優(yōu)點(diǎn)，非常適合應(yīng)用于油氣管道的泄漏檢測(cè)。

該文基于Φ-OTDR 系統(tǒng)建立了泄露聲波信號(hào)的BP 神經(jīng)網(wǎng)絡(luò)識(shí)別模型，對(duì)特征參數(shù)的選取和降噪方法做了一定研究，最終決定選取MFCC 作為特征參數(shù)，設(shè)計(jì)了一種新的小波閾值函數(shù)作為該文的降噪方法。

最終實(shí)驗(yàn)結(jié)果表明，文中建立的BP 神經(jīng)網(wǎng)絡(luò)泄漏方法具有較好的識(shí)別率，并且文中設(shè)計(jì)的新型閾值小波算法降噪效果良好，泄漏識(shí)別率有一定的提升，具有很高的應(yīng)用價(jià)值。

1 Φ-OTDR系統(tǒng)工作原理

1993 年，由Taylor 和Lee 首次提出相位敏感光時(shí)域反射計(jì)（Φ-OTDR）思想，其原理是利用光在光纖中傳播時(shí)發(fā)生瑞利散射，后向瑞利散射光攜帶光纖沿線的擾動(dòng)信息，并沿光纖傳播回光纖注入端，采集并分析后向瑞利散射光即可得到光纖上的形變信息[3]。

Φ-OTDR 系統(tǒng)因其具有抗電磁干擾能力、高絕緣強(qiáng)度、對(duì)腐蝕和高壓具有高耐性、可在惡劣環(huán)境下進(jìn)行長(zhǎng)距離準(zhǔn)確檢測(cè)等優(yōu)點(diǎn)[4]，在周界入侵檢測(cè)、油氣管道檢測(cè)等領(lǐng)域已經(jīng)得到廣泛應(yīng)用。

Φ-OTDR 系統(tǒng)采用光相干的檢測(cè)方式，將連續(xù)光分為本地光和測(cè)試光，測(cè)試光經(jīng)聲光調(diào)制器后調(diào)制成為窄脈沖光，脈沖光從環(huán)形器進(jìn)入到待測(cè)光纖，反射光從環(huán)形器回來(lái)后和本地光相干，經(jīng)平衡探測(cè)器進(jìn)行光電轉(zhuǎn)換，將光信號(hào)轉(zhuǎn)換為電信號(hào)，數(shù)據(jù)采集卡將采集到的電信號(hào)送入到工控機(jī)，工控機(jī)的中央處理器(Central Processing Unit,CPU)+圖形處理器(Graphics Processing Unit，GPU)對(duì)數(shù)據(jù)進(jìn)行快速傅里葉變換(Fast Fourier Transform,FFT)處理，最終得到外界對(duì)于光纖擾動(dòng)的信息。Φ-OTDR 系統(tǒng)的總體結(jié)構(gòu)如圖1 所示。

圖1 Φ-OTDR系統(tǒng)的整體結(jié)構(gòu)

2 基于小波分析的信號(hào)降噪

在現(xiàn)實(shí)的工業(yè)環(huán)境中，Φ-OTDR 系統(tǒng)采集到的聲波信號(hào)中必然摻雜著大量的環(huán)境噪聲且系統(tǒng)本身自帶噪聲，這些噪聲勢(shì)必會(huì)對(duì)聲波信號(hào)分析造成很大程度的干擾，導(dǎo)致泄漏識(shí)別準(zhǔn)確率大大下降，所以對(duì)聲波信號(hào)進(jìn)行去噪是非常有必要的步驟。

目前常見(jiàn)的語(yǔ)音降噪算法有小波變換法、譜減法、濾波器法、子空間算法等。其中，子空間算法只能進(jìn)行時(shí)域分析，譜減法和濾波器法只能進(jìn)行頻域分析，而小波變換法對(duì)時(shí)域和頻域都具有一定的分析能力，所以非常適合對(duì)非平穩(wěn)信號(hào)進(jìn)行分析，而聲波信號(hào)即是一個(gè)非常典型的非平穩(wěn)信號(hào)，所以文中選取小波變換法中最為常見(jiàn)的小波閾值降噪作為該文的降噪算法[5]。

傳統(tǒng)的小波閾值降噪函數(shù)有硬閾值函數(shù)和軟閾值函數(shù)，但是由于它們都有一定的缺陷，如軟閾值函數(shù)中的小波系數(shù)和原系數(shù)間有固定偏差，硬閾值函數(shù)有間斷。所以在分析硬閾值、軟閾值函數(shù)的基礎(chǔ)上，設(shè)計(jì)構(gòu)造了一個(gè)新型閾值函數(shù)，不僅克服了傳統(tǒng)閾值函數(shù)的缺陷，且針對(duì)Φ-OTDR 系統(tǒng)的管道泄漏降噪有了更好的效果[6]。

閾值選取的主要準(zhǔn)則有固定形式閾值準(zhǔn)則(sqtwolog)、自適應(yīng)閾值準(zhǔn)則（rigrsure）、啟發(fā)式閾值準(zhǔn)則（heursure）和極大極小閾值準(zhǔn)則（minimaxi）[7]。文中選取rigrsure 作為函數(shù)閾值準(zhǔn)則。

2.1 閾值函數(shù)

傳統(tǒng)的小波閾值降噪函數(shù)基本思想由Danoho提出，其主要函數(shù)如下所示[8]：

1）硬閾值函數(shù)

2）軟閾值函數(shù)

式（1）、（2）中的λ為閾值，式（2）中的sgn()為符號(hào)函數(shù)，當(dāng)函數(shù)的變量大于0 時(shí)取1，小于0 時(shí)取-1。

選取一段純語(yǔ)音對(duì)其進(jìn)行加噪，再用軟、硬閾值對(duì)其進(jìn)行處理，得到的波形如圖2～5 所示。從軟、硬閾值處理后的波形圖可以看出，雖然通過(guò)硬閾值函數(shù)處理后的信號(hào)峰值信噪比較高，但是會(huì)有局部震蕩的現(xiàn)象；經(jīng)過(guò)軟閾值函數(shù)處理過(guò)的信號(hào)波形雖然相對(duì)比較光滑，但會(huì)出現(xiàn)邊界模糊的現(xiàn)象。

圖2 純語(yǔ)音原始信號(hào)波形

圖3 加噪后波形

圖4 硬閾值降噪后波形

圖5 軟閾值降噪后波形

2.2 新型閾值設(shè)計(jì)

文中設(shè)計(jì)了如下的閾值函數(shù)：

表1 不同閾值函數(shù)下降噪效果對(duì)比

由表1 可以分析出，對(duì)比硬閾值函數(shù)來(lái)說(shuō)，文中提出的新型閾值函數(shù)降噪效果分別提升了2.69 dB、1.99 dB、3.2 dB、4.23 dB；對(duì)比軟閾值函數(shù)來(lái)說(shuō)，該文閾值函數(shù)降噪效果分別提升了2.02 dB、0.48 dB、4.13 dB、1.78 dB。由實(shí)驗(yàn)數(shù)據(jù)可知，文中設(shè)計(jì)的新型閾值函數(shù)比傳統(tǒng)的軟、硬閾值函數(shù)的降噪效果要好，且在低信噪比時(shí)降噪效果依舊出色。

3 特征參數(shù)提取

MFCC 是在人類聽(tīng)覺(jué)機(jī)理上提取的頻譜特性參數(shù)，具有一定的抗噪能力和良好的識(shí)別性能，正因?yàn)槿绱耍琈FCC 是許多識(shí)別系統(tǒng)的最佳參數(shù)[9]。MFCC是由濾波器組頻譜的離散余弦變換（Discrete Cosine Transform,DCT）產(chǎn)生的，在提取MFCC 特征參數(shù)中完成兩個(gè)過(guò)程，即倒譜計(jì)算和梅爾縮放[10]。MFCC 方法依賴于短時(shí)分析和每幀的矢量特征。MFCC 特征參數(shù)的提取原理如圖6 所示，具體步驟如下：

圖6 MFCC特征參數(shù)提取原理框圖

1）將聲波信號(hào)x(n)進(jìn)行預(yù)處理，包括預(yù)加重、分幀、加窗等操作，變?yōu)閤i(m)。該文設(shè)置幀長(zhǎng)為256 ms，幀移為150 ms，加窗函數(shù)為漢明窗[11]。

2）對(duì)每一幀聲音信號(hào)進(jìn)行FFT 變換，實(shí)現(xiàn)時(shí)域到頻域的轉(zhuǎn)換，得到聲波信號(hào)的頻譜x(i,k)，其公式為：

3）計(jì)算譜線的能量如下：

4）使每幀能量譜通過(guò)Mel 濾波器組，并計(jì)算該Mel 濾波器的能量，如式（6）所示。其中Mel 濾波器組的頻率響應(yīng)表示為Hm(k)。

5）把Mel 濾波器的能量取對(duì)數(shù)后進(jìn)行DCT，得到MFCC 特征為：

其中，S(i,m)是式（6）求出的Mel 濾波器能量；m是指第m個(gè)Mel 濾波器(共有M個(gè))，該文設(shè)置M=22；n是DCT 后的譜線。這樣就求出了MFCC 參數(shù)[12]。

4 泄漏聲波識(shí)別

4.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks,ANNs）實(shí)質(zhì)上是受到人腦智能功能的啟發(fā)，仿照人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)建立的一種智能模型[12]。而BP 神經(jīng)網(wǎng)絡(luò)是一種最經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)算法，也是被應(yīng)用得最為廣泛的神經(jīng)網(wǎng)絡(luò)，其具有信號(hào)向前傳播，誤差反向傳播的特點(diǎn)[13]。典型BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖7所示，與人工神經(jīng)網(wǎng)絡(luò)的基本單元相同，也是以神經(jīng)元為基本單元，由輸入層、隱含層和輸出層組成。BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性強(qiáng)、泛化能力強(qiáng)和非線性映射能力強(qiáng)等優(yōu)點(diǎn)，針對(duì)復(fù)雜的管道情況具有強(qiáng)大的適應(yīng)與判斷能力，非常適合應(yīng)用于管道聲波信號(hào)泄漏的識(shí)別[14]。

圖7 典型BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型

4.2 BP神經(jīng)網(wǎng)絡(luò)模型建立

該文利用Matlab 軟件建立BP 神經(jīng)網(wǎng)絡(luò)管道泄漏聲波信號(hào)識(shí)別模型，如圖8 所示，BP 神經(jīng)網(wǎng)絡(luò)設(shè)置為3 層拓?fù)浣Y(jié)構(gòu)，隱含層的傳遞函數(shù)為logsig 函數(shù)，輸出層的傳遞函數(shù)為purelin 函數(shù)，訓(xùn)練算法選擇trainlm(Levenberg-Marquardt)算法[15]。網(wǎng)絡(luò)的初始化參數(shù)設(shè)置：最大訓(xùn)練次數(shù)k=1 000，學(xué)習(xí)速率η=0.01，隱藏層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)為2，其余參數(shù)為默認(rèn)值。

圖8 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

實(shí)驗(yàn)采集管道泄漏樣本數(shù)據(jù)400 組，正常非泄露樣本數(shù)據(jù)400 組，共800 組樣本數(shù)據(jù)，采樣率均為400 Hz，單次采樣時(shí)長(zhǎng)為1 s。兩種狀態(tài)各取300 組作為BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，提取樣本信號(hào)的MFCC 特征參數(shù)作為網(wǎng)絡(luò)的輸入；隱含層節(jié)點(diǎn)暫定為10 個(gè)；輸出層中，用[1 0]和[0 1]兩個(gè)節(jié)點(diǎn)狀態(tài)分別表示泄漏聲波信號(hào)及正常聲波信號(hào)。因此，網(wǎng)絡(luò)的節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)為24×10×2[16]。

訓(xùn)練完成后，將兩種聲波狀態(tài)剩余的100 組特征值數(shù)據(jù)作為測(cè)試樣本，通過(guò)測(cè)試樣本的輸出結(jié)果對(duì)泄露識(shí)別的準(zhǔn)確率進(jìn)行分析。

4.3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)分別測(cè)試了MFCC 特征參數(shù)和使用新型閾值的小波去噪方法后的MFCC 特征參數(shù)在BP 神經(jīng)網(wǎng)絡(luò)中的識(shí)別性能，在0～40 dB 信噪比下的識(shí)別結(jié)果如表2 所示。從表中可以看出，對(duì)比MFCC 特征參數(shù)和小波降噪方法后的MFCC 特征參數(shù)的識(shí)別性能變化，改進(jìn)后方法的整體識(shí)別率都明顯優(yōu)于改進(jìn)前，并且在低信噪比時(shí)表現(xiàn)尤為突出。文中提出的新型閾值去噪方法將低信噪比的聲波信號(hào)識(shí)別率從20.2%提升至61.2%，性能提升40%，在低信噪比時(shí)的識(shí)別率得到了大幅度的提升。

表2 不同特征參數(shù)的識(shí)別率對(duì)比

5 結(jié)論

文中提出一種基于Φ-OTDR 系統(tǒng)的聲波信號(hào)檢測(cè)方法，通過(guò)選取合適的特征參數(shù)，改善傳統(tǒng)的閾值降噪算法來(lái)提高管道泄漏聲波信號(hào)的識(shí)別性能。該文選取MFCC 作為特征參數(shù)，通過(guò)對(duì)傳統(tǒng)的小波閾值函數(shù)進(jìn)行改進(jìn)，設(shè)計(jì)了一種新型閾值函數(shù)。在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與識(shí)別實(shí)驗(yàn)中，文中提出的新型閾值降噪方法將低信噪比時(shí)的聲波信號(hào)識(shí)別率提升了40%，且在不同信噪比時(shí)的泄漏聲波信號(hào)識(shí)別性能都有一定提升。

實(shí)驗(yàn)表明，利用Φ-OTDR 系統(tǒng)對(duì)管道的聲波信號(hào)進(jìn)行泄漏識(shí)別的方案是有效的，可以準(zhǔn)確地監(jiān)測(cè)出泄漏信號(hào)。并且文中提出的新型小波降噪法相比傳統(tǒng)的降噪方法可以更為有效地去除采集信號(hào)的噪聲，一定程度上提高了聲波信號(hào)的信噪比，大大提高了在低信噪比時(shí)的管道泄漏識(shí)別率。因此，該研究有一定的實(shí)用性，在實(shí)際的管道泄漏監(jiān)測(cè)領(lǐng)域有一定的發(fā)展前景。