基于EEMD-VMD的空氣耦合超聲儲油罐乳化層液位檢測

常俊杰，吳中權，羅文斌，徐 洋，董德秀

(1. 南昌航空大學 無損檢測技術教育部重點實驗室，江西 南昌 330063; 2. 珠海格力電器股份有限公司，廣東 珠海 519060;3. 中國航發沈陽黎明航空發動機有限責任公司，遼寧 沈陽 110043)

0 引 言

現今，石油仍在所有能源中占據主導地位[1]，石油開采時添加的乳化劑使得開采出的原油靜置后會產生較厚的乳化層，加上原油本身的油水比是動態變化的，這兩個因素使得原油沉降分層后乳化層的位置難以確定[2]，乳化層液位的不確定性將影響油田聯合站的盤庫精度和沉降底水的排放[3]，因此對儲油罐中乳化層液位的測量是一項重要的工作。

目前的液位測量方法有電容-電阻法[4]，運用傳感器測量液體的電容或電阻，但測量裝置容易出現掛油現象；合成脈沖雷達液位測量法[5]可以不受溫度壓力影響，實現非接觸式測量，但裝置需要安裝在罐內，且只能測最上層表面液位；磁致伸縮液位儀[6-7]利用浮子磁場和脈沖電流磁場產生扭轉波脈沖來測量液位，但易受溫度的影響；還有學者根據超聲導波信號的幅值或傳播時間[8-9]來識別水-油界面，但未對乳化層液位進行有效測量。在實際測量時各種模式Lamb波和干擾波往往容易混合在一起，加大了測量難度。空氣耦合超聲[10]以空氣為耦合劑，使用Lamb波檢測時探頭只需置于罐外，便可完成對原油乳化層液位的測量，受外界影響小，可以實現自動化檢測。

對于乳化層液位的測量，跟缺陷識別一樣，重點在于對信號中特征值的合理提取。對于特征值的提取，許多學者做了有益的研究。張鵬林等利用聲發射檢測技術與BP神經網絡相結合的方法[11]研究聲發射傳感器分布對智能定位輸出結果的影響。李俊超等利用小波包分析和人工神經網絡[12]對超聲信號進行三層小波包分解后提取各頻率成分能量作為特征值來識別缺陷類型；張琛等對滾動軸承的振動信號進行EEMD分解后根據峭度、均方差和歐氏距離等指標[13]對IMF分量進行信號重構，求取其奇異值熵，最后利用奇異值熵的大小判斷滾動軸承的故障類別。句海洋等采用近似熵噪聲抑制方法[14]提升VMD對特征信號的提取效果，進一步用尺度空間算法對VMD的設定參數進行優化并對其抗噪性能進行比較分析，最后通過能量梯度算子實現對缺陷信號的識別。

鑒于目前各種液位檢測方法的不足和單一的EMD系列分解方法的局限性，本文基于非接觸式空氣耦合超聲，結合EMD時域分解的自適應性，EEMD分解的去噪抗干擾性以及VMD分解的階數可控性，從三種不同角度較全面地獲取乳化層液位探測信號的特征參數，把這些特征參數作為BP神經網絡的輸入，用探頭高度處的罐內液體介質種類作為輸出進行訓練，達到一定精度后進行液位識別檢測。

1 EMD、EEMD和VMD的特征提取

EMD是一種根據數據自身的時間尺度特征來進行信號自適應分解的方法，無須預先設定基函數，在理論上可應用于任何類型信號的分解，其本征模態分量IMF的頻率由大到小排列，對于非平穩及非線性信號的分解具有明顯的優勢。但是空氣耦合超聲信號受噪聲和未知間斷信號干擾，而EMD去噪能力弱，當信號中含有其他雜波時，將會干擾特征值的提取；利用EMD分解還容易出現模態混疊現象，造成分解失效，特征會被弱化或完全失效；此外，不合理截取的信號進行EMD分解容易造成端點效應，出現虛假頻率。

為了解決上述問題，學者們提出了采用噪聲輔助處理方法EEMD[15]，該方法先在原始信號中加入高斯白噪聲來改變信號極值點的分布，由于高斯白噪聲的寬頻特性，對各頻段的噪聲干擾均有融合性，對噪聲有了平均抵消作用，對n個加噪后的信號分別進行EMD分解，得到各自的本征模量函數集IMFs，最終將各個集合的同階IMF分量進行平均后組成一個新的集合平均IMFs，這樣不僅濾去了高頻噪聲，還可以抑制低頻振動。這時得到整體平均的模態分量IMFs即是EEMD分解得到的本征模態分量，EEMD分解的步驟如圖1所示。

圖1 EEMD分解流程

VMD是一種自適應、完全非遞歸的模態變分方法。該技術可確定模態分解的個數，可以自適應地匹配每種模態的最佳中心頻率和有限帶寬，并且可以實現IMF分量的有效分離、信號的頻域劃分、從而得到給定信號的有效分解成分，最終獲得變分問題的最優解。EMD或EEMD分解都是把接收信號里的所有頻率分量按從高到低順序完全拆散到多個IMF分量中，是一種“完全拆開”的模式；特別地，EEMD加入了噪聲，可能導致頻率失真。而VMD可以自適應地控制IMF分量的個數，是“部分拆開”模式，這有利于把A0模態Lamb波波包從整個信號里剝離出來而不至于被過度拆分，這有利于單獨研究A0模態Lamb波。類比小波變換的多尺度思想，因此有必要把EMD、EEMD和VMD組合使用，從多個頻率尺度來分解出信號中隱含的特征參數，最后基于BP神經網絡，利用這些參數來實現乳化層液位的檢測識別。

2 實驗部分

2.1 檢測原理

當超聲波從一種介質透射到另一種介質時，透射率t滿足以下公式：

Z1——第一介質的聲阻抗；

Z2——第二介質的聲阻抗。

對于儲油罐而言，第一介質為鋼質罐壁（近似看作鋼板），第二介質罐內部的原油，乳化液或者水。

如圖2所示為實驗原理圖。Lamb波在鋼板內傳播的同時會不斷向鋼板內外兩側的介質泄漏能量，由于罐外側都是空氣介質，泄露速率相同。根據式（1）可知罐內介質不同時聲阻抗Z2不同，所以Lamb波向罐內泄漏的透射率t不同，根據能量守恒定律，最終被接收探頭R接收到的Lamb波信號將不同。基于此，當發射探頭與接收探頭間距固定時，接收探頭接收到的Lamb波的能量大小取決于Lamb波向罐內介質泄漏能量的大小，透射率t越大，泄漏越多，接收探頭接收到的能量越小，反之越大。固定間距后同步移動兩探頭沿著儲油罐高度方向掃查，根據接收到的Lamb波幅值或其他參數來區分罐內介質種類，根據探頭位置高度來判斷罐內不同介質的分界面位置，這樣即利用空氣耦合超聲完成了對乳化層液位的非接觸式檢測。

圖2 檢測原理圖

2.2 模態選擇

為了確定探頭激勵出Lamb波所需的入射角，利用帝國理工disperse頻散曲線繪制軟件繪制出5 mm厚鋼板的Lamb波相速度頻散曲線如圖3所示。

圖3 5 mm鋼板相速度頻散曲線

根據圖3可知當探頭的頻率在0.4 MHz附近時，Lamb可能存在S0、A0、S1三種模態，由于S1模態的Lamb頻散嚴重[16]，故應從A0和S0中選擇。由于板內質點離面位移越大，對空氣的振動能力越強，檢測靈敏度越高，所以應選擇二者中離面位移較大的那個模態，繪制A0和S0模態Lamb波在5 mm鋼板里的波結構如圖4所示。

上述知情者稱，吳湞調到北京后，成為炙手可熱的實權派。“按道理，一個有污點的人，是不應該得到提拔重用的。”

圖4 5 mm鋼板波結構圖

根據圖4可知A0模態的離面位移比S0的要大，所以應使用A0模態的Lamb波進行實驗。根據圖3可知當頻率為0.4 MHz時，A0模態Lamb相速度為2 750 m/s，根據snell定律可求得激勵出A0模態Lamb波所需的入射角 α：

2.3 實驗裝置

實驗采用日本探頭株式會社生產的非接觸式空氣耦合超聲檢測系統。該系統主要由NAUT21控制軟件、超聲信號發射接收器和前置放大器組成，探頭頻率選擇0.4 MHz，采樣頻率5 MHz。實驗使用了原油和水，乳化液由水油混合后加入乳化劑制得，實驗布置如圖5所示。

圖5 實驗布置

為便于觀察，儲油罐體側面由亞克力板粘接而制成。依次緩慢注入約50 mm高度的水，乳化液和原油，待液體穩定后進行實驗。兩探頭間隔100 mm相向傾斜7.1°后用螺釘固定在夾持板上，隨著夾持板上下移動掃查。當探頭處于水層，乳化層，原油層位置時的波形如圖6所示。

圖6 三種不同液體層的接收波形

由圖6可知波形(c)中A0模態波包(紅色框住部分)的幅值高于波形(a)和(b)，而(a)和(b)幅值相近。這表明可以通過波包幅值來識別油層和乳化層，但無法識別水和乳化層。因此需要對原信號提取除幅值外的其他的特征參數后再進行液位識別。

2.4 Lamb波信號的分解與特征提取

由于EEMD加入了白噪聲可以避免EMD模態混疊[17-18]的問題，還可以除去原始信號中存在的噪聲和雜波[19]，因此對原始信號進行EEMD分解。經過調試發現高斯白噪聲的標準差為0.15時的分解效果最好，圖7為EEMD分解得到的前5階IMF分量。對比圖8由EMD分解得到的IMF1分量可知，EEMD分解的去雜波能力要比EMD強。所以用EEMD分解得到的IMF1分量來近似替代無雜波時的Lamb波信號，用其波包能量E來表征罐內不同液體介質對A0模態Lamb波能量泄漏程度的影響[20]，將E作為第一類特征值。

圖7 EEMD分解的前5階IMF

圖8 EMD分解的前5階IMF

EEMD分解加入的噪聲可能造成對原信號中有用信息的破壞，所以仍需進行EMD分解。對原信號進行EMD分解，取前5階IMF分量如圖8所示。

經計算，EMD分解的前4階IMF分量重構信號的能量已達到原始信號能量的95%以上，可認為EMD分解得到的前4階IMF分量能夠表征原信號所含有的信息[21]。信號的過零點數可以衡量信號的頻域成分，所以將EMD分解出來的前4階IMF分量的過零點數作為第二類特征值。

EEMD分解會含有殘余噪聲[22]，EMD分解有混疊效應，以及它們都可能過度分解，導致有用的特征參數被拆散。因此有必要進行未加噪且分解階數可控的VMD分解。經過調試，發現當分解階數k為2時可以在時域上將A0模態Lamb波包較好地分離出來。VMD分解結果如圖9所示，圖（b）為圖（a）時域分解信號對應的頻譜。由圖（b）可知IMF1和IMF2分量的頻譜重疊部分較少，混疊效應小，得到了較好的分解效果。所以將VMD分解得到的2個IMF分量的中心頻率[23]作為第三類特征參數。

圖9 2階VMD分解

2.5 乳化層的液面識別

將一個接收信號所具有的這三類特征參數共7個特征值列出如表1所示。

表1 特征值表

由于是手動移動探頭進行掃查，精度不高，所以每移動10 mm采集一次波形，并記錄對應探頭高度處罐內的液體介質種類，組成一個樣本，從水層一直移動到油層共采集15個樣本構成的一組樣本。將每個樣本中波形所擁有的7個特征值作為BP神經網絡的輸入，液體介質種類作為輸出。一組樣本中水層、乳化層和油層各5個。通過適量抽水或注水方式來改變水層厚度，間接改變乳化層液位和油層液位，以此來獲取大量樣本。

利用Matlab編程對每一個信號都進行EEMD分解，EMD分解和VMD分解后提取表1中所列的特征值作為BP神經網絡的輸入，將液體介質種類作為BP神經網絡的期望輸出，并對這三種期望輸出進行數值編號，水為10，乳化層為20，原油為30。BP神經網絡設置了2個隱含層，默認隱函層的傳遞函數為tansig，輸出層傳遞函數為purelin；權值學習訓練函數為traingdx。將采集到的40組樣本進行訓練，訓練結果如圖10所示，由圖可知預測值與真實值較為接近，模型已訓練好。

圖10 樣本訓練結果

訓練好模型后，隨機改變水層厚度后從下往上采集15個新樣本放入到模型中進行液位介質預測。對預測值按閾值進行歸類，預測值在15以下的歸類為水，15～25的歸類為乳化層，大于25的歸類為原油，預測結果如表2所示。結果顯示最大誤差率約為13.8%。由表2統計結果可知用10 mm精度采集信號進行液位檢測識別，預測值偏離程度小，分類全部正確，根據分類結果得出乳化層的液位在8～13 cm 之間。

表2 15個樣本測試結果

3 結束語

本實驗基于空氣耦合超聲Lamb波檢測系統，聯合使用EEMD分解，EMD分解和VMD分解對信號提取特征值，把特征值向量輸入到BP神經網絡中，以此來預測探頭所在高度對應的液體介質種類，實現了對乳化層液位的測量，取得了較好的效果，主要體現在以下4個方面：

1）實驗驗證了用空氣耦合超聲Lamb波識別原油乳化層液位的可行性。

2）對信號進行EEMD分解，當標準差為0.15時可以去除絕大部分干擾波和噪聲，計算出了A0模態Lamb波波包能量值。

3）采用2階VMD分解，可將A0模態Lamb波包分解出來。

4）把 EMD、EEMD和VMD分解得到的7個特征值輸入到BP神經網絡模型對信號所屬的液體介質進行預測，根據預測值大小對該信號進行分類，結合采集信號時探頭所處的位置，實現了對儲油罐中乳化層液位的測量，結果顯示預測最大誤差為13.8%。