基于聲信號特征分析的燃氣管道探測識別方法*

劉恩斌，溫櫂榮，郭冰燕，喻 斌，陳其琨

(1.西南石油大學 石油與天然氣工程學院，四川 成都 610500；2.中國石油化工股份有限公司 天然氣分公司，北京 100029；3.中石油華北油田分公司，河北 任丘 062550；4.中國石油管道局工程有限公司，河北 廊坊 065000；5.School of Engineering,Cardiff University，UK Cardiff CF24 3AA)

0 引言

2021年11月4日，國務院安委辦印發通報中強調全面開展地下管網普查，加快老舊燃氣管道更新改造改線。我國城鎮燃氣行業迅猛發展的同時，城市地下管線規模日益增大，在改擴建過程中，事故時有發生，對人員生命及財產造成巨大損害。地下市政管線情況復雜[1]，燃氣管、水管、電力管、供暖管等管線密布，并且燃氣管道既有金屬管道，又有非金屬管道，既有在役管道，又有廢棄管道，現有探測方法的效率、準確性等還存在很大的局限性。而在役燃氣管道中燃氣流經阻力部件形成湍流或渦流，并產生流動噪聲，流噪聲信號通常是連續的且具有較寬頻譜[2]，可以反應管道邊界狀態、內部運行等主要信號，通過聲波傳感器采集流噪聲信號，經處理識別便可獲得主要信息。因此，本文提出采用燃氣管道流動聲學特征提取方法來實現燃氣管道的探測和辨識。由于燃氣管道埋地，聲音的強度、幅度、聲壓級很低，且具有衰減的特點。另外，地下除了燃氣管道還有其他市政管道干擾，同時，由于原始聲信號數據龐大且其高維特征無法有效表征目標信號的特點，需對聲信號進行特征提取。

目前，特征提取針對水下聲信號、泄漏聲信號、故障診斷等[3-5]領域的研究較多，通常采用小波包算法、經驗模態分解(EMD)、變分模態分解(VMD)算法等[6-7]。實際需要研究分析的信號，其在任意時間點都可能含有多個波形，所以Huang等[8]提出了Hilbert-Huang變換算法。

由表1可知，HHT算法應用廣泛，研究的信號覆蓋面廣，本文嘗試將這種靈活高效的方法應用于燃氣管道流動聲信號的特征提取中。根據特征提取出的參數進行模式識別，訓練適合燃氣聲信號分類的識別模型。

表1 Hilbert-Huang變換算法在多領域的廣泛應用

鑒于以上原因，本文針對燃氣管道流動聲信號，利用HHT算法對其進行分解，分析其時頻及邊際譜等特性，確定其特征參數，并歸一化形成特征數據庫，通過優化后的BP神經網絡進行模式識別。

1 模型建立

1.1 特征提取模型與方法

噪聲信號特征提取的流程為：

1)選擇數值模擬和實驗測試得到的流噪聲聲壓脈動信號作為原始信號，做聲壓級變換得到隨時間變化的時域數據。

2)對時域數據進行EMD分解，EMD分解流程如圖1所示。

圖1 EMD分解流程

3)計算篩選出的各IMF分量的峰值F、峰值頻率Fmax，并歸一化處理。

4)對經EMD分解得到的各階IMF分量做Hilbert變換。

5)對Hilbert譜做時域積分得到原信號的能量在時頻域上的表達方式。

6)計算出整個大區間能量和參數。

7)計算每個IMF分量邊際譜的能量占比Ei作為特征參數，并歸一化處理。

基于HHT方法提取出的3種特征參數：F、Fmax、E構成特征向量P。

1.2 模式識別模型與方法

對神經網絡算法[16]進行優化，過程如下：

1)輸入節點個數

根據提取的特征向量P，由特征向量維數以及實際分類時的分類效果，確定網絡輸入節點數為16。

2)輸出層節點個數

根據燃氣管道流噪聲信號模式的2種聲音類別，對燃氣管道內部氣體流動噪聲信號的編碼為(1,0)T；對其他類型氣體流動噪聲信號的編碼為(0,1)T；輸出節點取2個，且輸出Y的編碼如式(1)所示：

(1)

3)隱含層節點個數

通過對比分析不同隱含層節點數條件下網絡的訓練誤差、測試誤差以及迭代步數的變化情況，來選擇最優的隱含層節點個數。各參數隨隱含層節點個數的變化曲線如圖2所示。

圖2 各參數隨隱含層節點變化曲線

由圖2可知，網絡的測試誤差與訓練誤差均呈先降低后增大的變化趨勢，當隱含層節點個數為10時，網絡訓練誤差及測試誤差最小，故將隱層節點數定為10個。

4)初始權值選擇

通常初始權值有如下3種選擇方法：

①在區間[-1，1]之間隨機地選擇初始權值；

②在0附近一微小區間[-0.01，0.01]之間隨機地選擇初始權值；

③采用不同的選取方式選擇2級網絡的初始權值：對于輸入層到隱層的連接權值，將其初始化為很小的隨機數；對于隱含層到輸出層的連接權值，將其初始化為-1或 1。

基于上述提出的3種選取方法，通過多次對神經網絡的測試，本文的BP神經網絡選擇在區間[-1，1]內隨機生成初始權值。

5)學習率的選取

通常，需要對學習率選取多組數值進行對比驗證，然后對比選取最優學習率供神經網絡學習訓練使用，對于學習率，一般選擇在0.01～1之間，本文將其設為0.001，以保證網絡的穩定性。

6)期望誤差的選取

期望誤差并非數值越低，神經網絡分類識別的準確率就越高。如果實際仿真訓練過程中，期望誤差選擇的過低，將會導致整個網絡變得復雜化，影響神經網絡的分類識別效率以及準確率。所以實際案例中，期望誤差的選擇只需能夠滿足要求即可。故本文期望誤差設定為E=0.001。

綜上所述，本文對于燃氣流噪聲信號所搭建的BP神經網絡分類模型：選用3層拓撲結構，輸入節點個數為16，隱含層節點的數為10，輸出節點數為2，因此，網絡節點拓撲結構為16×10×2，燃氣流噪聲信號BP神經網絡分類模型如圖3所示。

圖3 燃氣流噪聲信號BP神經網絡分類模型

2 結果與討論

2.1 聲信號的獲取與驗證

原始聲信號的獲取主要有數值模擬和實驗測試2種方式。實驗管道為架空敷設，研究對象有直管、彎頭及三通，管材為PE管，管徑為DN50、DN65、DN75，壓力為0.005～0.01 MPa，流速為1～3 m/s。以DN65三通管件在壓力0.008 MPa、流速3m/s條件為例，模擬與實驗結果如圖4所示。

圖4 數值模擬、實驗結果三維圖

由圖4可知，由于實驗存在干擾，與模擬結果相比，實驗圖譜在明顯的波峰之間頻率相差較大，但二者特點基本一致，且峰值大小基本一致。對fluent軟件模擬過程中得到的聲壓文件進行處理，將頻域圖轉化為時域圖，同時本文也采集了水聲信號來進行對比分析。

圖5為燃氣流噪聲信號和水聲信號的頻域圖，由圖5可知，水聲信號聲壓級隨頻率增加逐漸下降，而流噪聲信號各個頻段都有較多能量，且存在主頻率。圖6為燃氣流噪聲信號和水聲信號的時域圖，由圖6可以看出2類信號均呈現非平穩、非線性的變化趨勢。

圖5 燃氣聲信號和水聲信號聲壓級頻域圖

圖6 燃氣聲信號和水聲信號聲壓級時域圖

2.2 經驗模態分解結果分析和討論

基于EMD方法對燃氣管道流噪聲信號和水聲信號進行分解，結果如圖7～8所示。

圖7 燃氣聲信號的IMF分量和余量時域波形圖

圖8 水聲信號的各階 IMF 分量和余量時域波形圖

由圖7～8可知，2聲信號的IMF分量具有不同的時域波形特征，燃氣流動聲信號大部分能量集中在階數較低的IMF分量上。而水聲信號，在較高階的IMF中集中了聲信號的大部分能量，IMF1、IMF2集中的能量較小。

將燃氣流噪聲信號和水聲信號的各個IMF分量相關系數和方差貢獻率的計算結果分別繪于圖9中。

圖9 燃氣聲信號、水聲信號各階IMF相關系數和方差貢獻率變化趨勢

通過分析圖9中2信號的相關系數和方差貢獻率可得，燃氣聲信號主要計算 IMF1～ IMF8的特征參數，水聲信號主要計算 IMF3～ IMF10的特征參數，并進行歸一化處理。

2.3 希爾伯特邊際譜分析

將信號的瞬時頻率、幅值、時間等數據繪成三維圖如圖10所示，圖形波動表示信號能量的高低。

圖10 燃氣流噪聲信號、水聲信號的三維時頻圖

從圖10中可看出水聲信號頻譜特性表現出低頻能量占優的特點，而燃氣流噪聲信號頻譜特性表現為有明顯波峰的特點。

將2類聲信號進行EMD分解及處理過程中得到的各階IMF分量的瞬時頻率變化情況分別繪于圖11中，由圖11可知，EMD 分解過程中，2類聲信號的頻率是從大到小依次被分解出來的，殘余分量的頻率很小，幾乎接近為0。

圖11 燃氣流噪聲信號和水聲信號各階IMF分量瞬時頻率

由于2種聲信號在經過EMD算法分解后得到的IMF分量的階數大致相當，在 Hilbert-Huang 變換時頻譜的基礎上分別對2種聲信號求其邊際譜，通過聲信號IMF 的邊際譜在不同頻段的分布情況對其進行分析。

燃氣流噪聲信號和水聲信號的邊際譜曲線分別如圖12和圖13所示，進一步詳細展示信號的特點，可以看出2類聲信號存在主要頻率成分(圖中圓圈標示)，而2類信號能量也呈現明顯差別，所以分別提取各IMF分量峰值、峰值頻率及邊際譜區域能量作為特征參數。

圖12 燃氣流噪聲信號的IMF邊際譜圖

圖13 水聲信號的IMF邊際譜圖

基于上述對聲信號的詳細分析，各管件在模擬過程中設置了多個聲壓監測點，各情況下的燃氣聲信號雖然數值大小存在差別，但均存在明顯的峰值現象，特性基本一致。對各工況的聲信號進行特征提取，燃氣聲信號的特征參數：將峰值、峰值頻率進行歸一化處理得到其特征數據庫如表2所示。

表2 燃氣聲信號特征數據庫

2.4 基于BP神經網絡的燃氣流噪聲信號分類識別

針對燃氣聲信號分類的網絡模型，選取161組特征數據中的121組用于模型訓練，40組用于測試。利用訓練出的分類識別模型，將測試數據輸入，來判斷聲信號是否為燃氣流動聲信號，從而檢驗本文方法對燃氣流噪聲信號特征提取的有效性。BP神經網絡訓練分類過程中訓練、測試、驗證及所有數據與擬合線之間的關系圖如圖14所示。將BP神經網絡對測試樣本的輸出及分類識別率的情況列于表3中。

由圖14可知，燃氣聲信號的網絡模型實際輸出與期望輸出之間誤差較小，且各結果均在擬合線附近，證明前文特征參數提取有效及網絡模型合理。而其他類別信號若在該區域范圍內則不準確，將最終識別情況列于表3，根據表3測試結果可知，網絡模型對燃氣流噪聲信號分類識別率達97.5%。

表3 測試結果

圖14 回歸曲線示意

3 結論

1)本文提出采用燃氣管道流動聲學特征提取方法來實現在役管道的探測，證明聲學特征提取方法在燃氣管道探測中的有效性。

2)利用HHT聲信號處理的優點，歸一化處理得到燃氣管道流噪聲信號的特征數據庫，證明HHT對于燃氣管道聲信號特征提取的有效性。

3)對BP神經網絡優化，確定本文流噪聲信號分類識別模型，識別效率為97.5%，證明本文基于聲信號特征分析的燃氣管道探測識別方法的有效性。