基于聲發射的球閥內漏速率反演研究

古 麗， 賈彥杰， 馮蘭婷， 溫 皓， 高仕玉， 張 琳

（國家管網集團西南管道公司，成都 610036）

0 引 言

閥門作為油氣輸送管道的關鍵壓力元件，對于管道的安全運行有著至關重要的作用［1］。截至2019 年，我國的石油與天然氣管道總里程達13.9 萬km，其中天然氣管道約8.1 萬km，原油管道約2.9 萬km，成品油管道約2.9 萬km［2］。在石油天然氣輸送過程中，閥門內漏故障是最常見的安全問題之一［3］。而閥門作為石油、化工等流體輸送系統中的關鍵控制部件，應具有良好密封性能，不能存在內漏情況。BP公司曾對相關閥門失效統計分析表明，輸氣管道閥門存在5% ～10%的內漏［4］。由此可知，閥門的內漏故障不僅存在著較大安全隱患，困擾和影響著正常的輸油、輸氣生產，對油氣管道的安全調控及油氣質量控制的影響極大，也影響了輸油氣安全生產運行和設備維檢修作業。

目前，常用的閥門內漏檢測的方法主要有壓力法、溫度法、超聲波檢測法和聲發射檢測法等。每種方法對閥門內漏的檢測有一定的效果，但存在一定的局限性［5-8］。本文基于聲發射檢測法［9-10］，通過傳感器采集閥門泄露時產生的噴流噪聲，與其他特征參數相比較，判斷閥門是否有內漏故障發生。該方法采集信號時易受背景噪聲的干擾，但聲發射已被證明是一種有效的輸氣管道閥門內漏無損檢測技術［11］，其因安全性較高、方便快捷等特點而被證明是一種能夠快速實現對閥門內漏情況進行有效辨識的方法。

國內外學者在聲發射技術檢測閥門內漏方面做過大量研究。Kaewwaewnoi 等［12］對聲發射信號特征參數和閥門泄漏率的關系進行了深入研究。鄒兵等［13］建立閥門內漏實驗裝置，通過大量實驗得出泄漏率與聲發射信號各特征參數之間的關系式，可定量估算閥門泄漏率。李偉等［14］提出利用功率譜密度法分析閥門內漏情況。由于閥門內漏故障模式多種多樣，學者們開始基于實驗獲取閥門內漏聲發射信號特征信息，以實現對閥門內漏故障和內漏速率的反演。Seung-Hwan等［15］采用聲發射傳感器采集止回閥聲信號，并首次將神經網絡用于聲發射信號識別止回閥故障類型；Gyunyoung等［16］基于神經網絡算法，建立閥門內漏速率和閥門的熱力學參數之間的關系模型，為智能預測閥門內漏速率打下了基礎。

本文基于聲發射技術對油氣集輸站場內的球閥進行內漏研究，通過搭建實驗平臺對球閥內漏的聲發射信號進行采集，利用小波包閾值函數對采集的信號進行去噪，最后利用BP 神經網絡和卷積神經網絡（CNN）對提取相關性高的聲發射信號的特征參數進行反演，實現了對球閥內漏速率的反演。

1 球閥內漏聲發射檢測基本理論

1.1 聲發射技術

聲發射（Acoustic Emission，AE）是指材料中局域源能量快速釋放而產生瞬態彈性波的現象［17］。閥門內漏時在內漏點處因前后端的壓力差形成高速噴流氣體，當管道內部高速的流體與低速的流體急劇混合后會產生一種噴流噪聲，此噴流噪聲屬于連續性聲發射信號，與閥門大小、內漏處前后壓力差、內漏量等因素相關。作為聲發射源，其在傳播時攜帶著大量與材料缺陷處的相關信息，可通過相關的儀器實現對材料中缺陷的檢測與定位，進而通過計算機對采集到的缺陷信號做進一步的處理與分析。

1.2 球閥內漏聲發射檢測原理

聲發射檢測技術通過相應傳感器采集閥門內漏時產生的聲發射信號，如RMS 值、能量值、信號最大幅值、信號平均值等特征參數，然后通過接口與信號處理部分連接并傳輸信號，最后通過計算機實現對信號的處理與分析，實現對待測閥門內漏狀況的判斷。球閥內漏聲發射檢測原理框圖如圖1 所示。

圖1 球閥內漏聲發射檢測原理框圖

1.3 球閥內漏聲發射信號特征參數

由于球閥內漏過程中產生的聲發射信號呈連續性，其包含許多可以表征內漏特征的參數，波形復雜，故不能使用單一的特征量對內漏的聲發射信號進行表征。因此，可通過時域特征參數和形狀特征參數對球閥內漏聲發射信號進行分析。其中，常見的時域特征參數有平均值、均方根、能量和有效值，頻域特征性參數有峰值系數、形狀參數、裕度因子和峭度因子等。

由于與球閥內漏聲發射信號相關的時域特征、形狀特征等參數較多，為了更好地表征內漏信號的特征，需對以上特征參數進行篩選，進而確定與球閥內漏速率相關系數大的特征參數。為此引入皮爾遜相關系數法來對以上特征參數進行篩選，通過計算每個特征向量與球閥內漏速率的相關系數，設置合適的閾值，從而篩選出與球閥內漏程度相關度高的信號特征參數。其相關系數值越大，表明特征值與原信號相關性越強。皮爾遜相關系數r的計算公式為［18］：

式中：n為樣本個數；xi為內漏速率，單位為m3/h；yi為信號特征參數分別表示x、y的均值。

2 球閥內漏檢測實驗

2.1 實驗平臺搭建

根據球閥內漏聲發射的檢測原理，結合油氣管道站場球閥情況（大部分球閥排污口處有個25 mm的球閥，設計整個實驗裝置的管路通徑為25 mm），設計并搭建了如圖2 所示球閥內漏實驗平臺。該實驗平臺主要由氣源、實驗裝置和聲發射采集系統3 部分組成：①氣源部分用于提供實驗所需的氣體，主要由氮氣瓶和減壓閥組成；②實驗裝置主要由壓力傳感器、流量傳感器、罐體和球閥組成，主要用以模擬球閥內漏；③數據采集采選用德國Vallen公司出品的AMSY-6 聲發射采集系統，用于采集球閥內漏信號，主要由聲發射傳感器、數據采集系統和計算機組成。整個實驗裝置的管路通徑為25 mm，設計承壓能力為10 MPa，被測球閥為一體式的手動開關球閥，其通徑為DN25，氣源選擇的氮氣瓶輸出壓力為0 ～14 MPa。

圖2 球閥內漏實驗平臺

在進行球閥內漏檢測實驗前，將聲發射傳感器通過耦合劑將其固定于靠近閥門閥體下游表面。實驗時，①調節減壓閥，使氮氣瓶內的氣體經軟管流經管道與球閥閥腔內，待上游壓力穩定時，關閉減壓閥；②設置聲發射檢測儀的采樣頻率，將閥門調節至一小角度，模擬閥門關閉不嚴時發生的內漏情況，同時開始采集聲發射信號，待閥門內漏結束后停止采集；③待流量計示數穩定后，記錄氣體流速、流量以及聲發射特征信號參數值；④調整被測球閥開度及氮氣瓶的輸出壓力，重復上述步驟，測量不同開度下球閥內漏產生的聲發射信號特征。

由于被測球閥為一體式球閥，用球閥的開度模擬閥芯劃痕、密封不嚴等造成缺陷內漏的情況并控制內漏率，開度越大則認為內漏情況越嚴重，并采用數字流量計對閥門的泄漏量進行測定。經過反復實驗發現，當球閥還未完全關閉時，流量傳感器無法測得流速，因此得到該球閥閉合的臨界角度如圖3 所示。

圖3 球閥閉合臨界角度

2.2 信號去噪

在進行氣體實驗前，需對室內的環境噪聲進行測量，用德國Vallen公司的AMSY-6 聲發射檢測儀對實驗場地進行環境噪聲檢測，將傳感器安裝于球閥閥體后端，當閥內無流體流動時，分別檢測3 個時刻的噪聲信號，采集到的環境噪聲信號所對應的時域波形如圖4（a）所示。通過快速傅里葉變化（FFT）對采集的時域信號進行變換，得到頻域波形圖如圖4（b）所示。

圖4 不同時刻環境噪聲的時頻域曲線

由圖4 可以看出，不同時刻點的環境噪聲大致相同，其幅值并無太大變化，主要分布在14 kHz頻域，對于球閥內漏聲發射的檢測有一定影響。當管匯內有氣體流動時，調節球閥開度為微小開度時，測得的含噪信號如圖5 所示。

證明 (1) 由于A是完全確定性自動機，所以A不會影響監控器M中的概率計算.另外，如果H中某一狀態不包含在M的組合狀態中，則該狀態與監控屬性無關，也不會影響監控器M中的概率計算.所以，

圖5 不同時刻含噪信號的時頻域波形

由含噪信號的頻域波形圖圖5（b）可知，球閥內漏聲發射信號呈寬頻特性，環境噪聲在一定程度上對聲發射信號造成了影響，特別是在低頻區域，因此對信號進行去噪處理很有必要。

3 基于小波包的閾值函數去噪

常見的小波處理方法有小波閾值去噪、小波系數相關性去噪和模極大值去噪。其中，小波閾值去噪為應用最廣泛的信號去噪方法，但其只對低頻部分的信號進行分解。通過現場實驗采集的球閥內漏時的聲發射信號可知，其頻帶較寬，因此本文采用小波包閾值去噪。小波包分析不僅對低頻段分解，也對高頻段進行分析［19］。通過對采集到的聲發射信號進行高低頻分解，對其進行時頻域分析發現，分解的層數在一定范圍內時，頻率的分辨率也越高，小波包分解更能保存球閥內漏信號的有用信息。

3.1 評判標準

對采集的聲發射信號進行小波包閾值去噪后，將信號進行重構，重構信號的去噪效果常使用均方誤差與信噪比來評判，均方誤差MSE 越小、信噪比SNR 越大，說明去噪后的信號越接近真實信號，去噪效果越好［20］。均方誤差MSE、信噪比SNR的定義如下：

式中：x（n）為原始信號；y（n）為去噪后的信號；N為采樣點的個數。

3.2 小波包去噪

在Matlab的小波包工具箱中選取sym5 小波基函數，對信號進行小波包分解，得到各個頻段的小波包系數，選用Rigrsure作為自適應閾值的選擇規則，進而求得小波包系數的閾值，再將每個小波包系數進行硬閾值去噪，然后將去噪后的小波包系數進行重構。通過對比去噪前和去噪后信號的時頻域波形，對1 ～3 層小波包閾值去噪進行對比分析研究，以MSE、SNR 作為去噪效果的評價指標。采集信號進行1 ～3 層的小波包閾值去噪結果如圖6 ～8 所示。

圖6 1層小波包閾值去噪結果

通過Matlab 計算得出1 層小波包閾值去噪的信噪比SNR 為10.437 8，均方誤差MSE 為6.790 9 ×10-5；2 層去噪的信噪比SNR 為12.195 9，均方誤差MSE 為4.530 2 ×10-5；3 層去噪的信噪比SNR 為17.897 4，均方誤差MSE為1.218 9 ×10-5。由圖6 ～8 可以看出，采用小波包閾值去噪方法能夠對噪聲在一定程度上進行去除；通過比較每層去噪的信噪比和均方誤差可知，選擇3 層小波包閾值去噪的信噪比SNR更高、均方誤差MSE更小，其去噪效果更優，去噪后的信號更能反映球閥內漏聲發射信號的特征信息。

4 球閥內漏速率反演分析

圖7 2層小波包閾值去噪結果

圖8 3層小波包閾值去噪結果

以氮氣作為流體介質，在不同的球閥開度下進行實驗。通過實驗裝置測得35 組球閥內漏聲信號數據，對數據進行小波包閾值去噪后提取時頻特征、形狀特征等信號特征參數，求得各信號特征與內漏速率的相關系數。通常，相關系數介于±0.50 ～±0.80 是顯著相關，介于±0.80 ～±1.00 是高度相關。本文選擇相關系數大于0.5 的均方根、能量、有效值、峰值和峭度作為表征球閥內漏程度的特征參數。本文僅列出如表1 所示中20 組信號特征參數與內漏速率的關系。

表1 球閥內漏聲信號特征集球閥內漏速率

由于球閥內漏聲發射信號的特征和內漏速率的關系難以用數學表達式進行表示，因此本文選用BP 神經網絡和CNN來對球閥內漏速率進行反演。

4.1 BP神經網絡反演球閥內漏速率

以聲信號的特征作為輸入，球閥內漏速率作為輸出來訓練BP神經網絡，使得BP神經網絡能夠表達聲發射信號輸入到內漏速率輸出的系統，然后可以應用訓練好的BP神經網絡根據聲發射特征參數反演球閥內漏速率。因此，選用表1 中的均方根、有效值等5 個聲信號的特征作為輸入，球閥內漏速率作為輸出，選用sigmod作為激勵函數，以特征集中前30 組數據作為訓練集，后5 組數據作為測試集。測試集的反演結果如圖9 所示，計算反演后的速率以及絕對誤差的值如表2 所示。

圖9 BP神經網絡反演結果

表2 BP神經網絡內漏速率反演結構

由圖9 及表2 可以看出，通過BP神經網絡反演球閥內漏速率的誤差都不超過1.5%，其最大絕對誤差為1.4%，總體誤差相對較小；通過計算得出BP 神經網絡反演結果的MAE=0.009 7，RMSE=0.01。

4.2 CNN反演球閥內漏速率

由于采集到的球閥內漏聲發射信號是一維的時間序列信號，二維的卷積操作對此并不適用。因此選用一維卷積和一維池化，利用卷積操作自動學習數據的內部關系，從局部到全局提取信號的特征，利用全連接網絡將特征進行綜合，進而提取出采集到原始的聲發射信號的有效特征。在進行CNN 反演球閥內漏速率的反演時，以前30 組數據作為訓練集，后5 組數據作為測試集，采用相應的CNN模型對原始數量的訓練集進行訓練，其測試集的反演結果如圖10 所示，計算反演后的速率以及絕對誤差的值如表3 所示。

圖10 CNN反演結果

表3 CNN內漏速率反演結果

由圖10 及表3 可以看出，通過CNN 反演球閥內漏速率的誤差都不超過1%，其最大絕對誤差為0.66%，與BP神經網絡反演的結果相比，CNN對球閥內漏速率的反演誤差更小。通過計算發現，卷積神經網絡CNN 反演結果的平均絕對誤差MAE =0.003 9，均方根誤差RMSE=0.004。其平均絕對誤差、均方根誤差相比于BP 神經網絡的反演結果都要更低，其反演效果更好。

5 結 語

本文通過理論分析和實驗研究發現，球閥內漏的聲發射信號呈現寬頻特性，噪聲對低頻區域的聲發射信號影響較大。通過采用小波包閾值去噪，可以有效提高信號的信噪比，降低均方誤差值，從而使去噪后的信號更能反映球閥內漏聲發射信號的特征信息。采用皮爾遜相關系數法對聲發射信號的相關特征參數進行篩選發現，均方根、能量、有效值、峰值、峭度因子是表征球閥內漏程度相關度高的信號特征參數。通過采用BP神經網絡和CNN模型分別對采集到的聲發射信號進行球閥內漏速率反演，結果發現CNN模型的平均絕對誤差、均方根誤差均小于BP 神經網絡的反演結果，效果更優。通過以神經網絡的方式實現了對球閥內漏速率的反演，研究結果為實現對閥門泄露程度的判定提供了指導，進而對管道的安全運行提供了的保障。