基于VMD-SVM的管道漏磁檢測信號特征辨識

(中國石油大學(北京) 機械與儲運工程學院，北京 102249)

在役管道表面缺陷易引發管道泄漏等安全問題，對管道定期檢測具有重要意義。目前，大多數管道材料為導磁性材料，對漏磁場具有敏感性[1-2]，采用漏磁檢測技術非常適合[3-4]，原理簡單、精度高、且成本低。檢測過程中，電磁干擾、環境干擾會引起檢測信號的幅值產生較大波動，信號波動具有非周期、非平穩等特征，增加信號處理難度[5]。

常見的管道檢測信號處理方法有小波分解法(Wavelet Transform，WT)[6-7]、經驗模態分解法(Empirical Mode Decomposition，EMD)[8]及多種方法聯合分解法[9-11]等。其中Afzal M等[6]設計了以噪聲最小均方值為目標的自適應濾波器，并基于小波函數降噪方法，濾除了無縫管道噪聲，驗證小波函數分解信號的有效性。宋志強等[7]以連續小波對采集信號去噪，識別輸油管道不同漏磁缺陷特征，但精度不高。因此，在改進小波研究中，學者引入了EMD算法對信號進行分解。馬鋼等[8]研究EMD對管道內檢測缺陷識別的影響，與WT方法相比，EMD具有良好去噪效果，提高了信噪比。多種方法聯合分解是將信號進行WT、EMD等方法聯合處理完信號，聯合采用機器學習算法、神經網絡算法識別管道缺陷。王宏安等[9]通過K均值聚類實現了不同管徑水驅動管道的缺陷標識，提高識別算法的適應性。王增國等[10]采用三樣條插值方法預處理漏磁檢測信號，增強曲線圖形的辨識度，提升了識別率。楊志軍[11]采用BP(Back Propagation)神經網絡對平板缺陷進行漏磁信號識別，實現缺陷的定位和反演，但BP網絡易發散，訓練失敗，識別精度低。信號處理后，存在欠包絡、過包絡、模態混淆和端點效應等問題。因此，為了避免上述問題，Dragomiretskiy K等[11]提出了Variational Mode Decomposition(VMD)信號分解算法。目前，算法主要應用于旋轉設備的故障診斷領域，且去噪效果優于EMD算法[13]。Li H等[14]將自適應VMD與極限學習機相結合，用于風力發電機齒輪箱的故障診斷。Zhang Y Q等[15]提出基于VMD的分形維數估計方法，表征了振動信號的分形特征并診斷滾動軸承故障。旋轉設備振動信號主要由旋轉設備轉速及其諧波構成，且頻譜主要聚集在旋轉設備轉速及其諧波附近。與旋轉設備振動信號不同，管道漏磁檢測信號主要以沖擊信號的形式出現，其特點是頻帶寬，采用EMD易出現過包絡問題，影響漏磁檢測信號分解效果；且VMD算法未在漏磁檢測信號中應用。因此，需要探索VMD在漏磁檢測領域中的應用，正如Liu 等[16]采用VMD算法對軸承振動信號的處理。本文采用VMD算法對某段管道的缺陷信號進行模態處理，獲取多個不同頻率尺度的子序列，分析去噪效果。根據峭度最大原則，選擇IMF2、IMF3兩個子序列為最佳模態分量，并提取信號的特征量，完成信號類型的辨識。在辨識過程中，提取IMF2、IMF3分量的波形峰谷差、谷距、能量以及面積等特征量建立樣本集。由于樣本數較少，采用了RBF核函數的SVM算法對信號特征量進行識別分類，精度達93%。因此，VMD-SVM方法為管道信號識別提供了一種抗干擾、高精度的辨識模型。

1 管道漏磁檢測原理及檢測信號特征

1.1 管道漏磁檢測原理

管道漏磁檢測裝置俗稱“管道豬”，用于管道缺陷檢測。主要由檢測裝置、探頭、記錄器、關節以及里程輪等部件組成(如圖1)。在檢測過程中，裝置中的永磁鐵形成磁場，缺陷處的空氣、氣泡等雜質的磁導率低、磁阻大，使得漏磁場強度增強。根據突變的磁場信號對管道缺陷進行研究[17]。

圖1 管道漏磁檢測裝置結構示意

采用圖1 的裝置對大連某石油化工廠的直徑為406 mm管道進行檢測。裝置關節的圓周方向分布72個探頭，每個探頭是單一的信號通道。當前，油氣管道的缺陷類型有機械缺陷、凹坑、腐蝕以及焊縫缺陷等。為了完整地探測管道缺陷，常采用三坐標檢測法[18]。因為漏磁信號的周向分量所占比例很小，因此未采集周向分量，主要分析徑向分量和軸向分量信號[19-20]。現場采集信號如圖2，x軸為探頭通道號；y軸為采集的里程長度，每2 mm采集1個點，共2 000 個點，掃掠里程為4 000 mm；z軸為漏磁信號強度。圖2 a為漏磁徑向信號分量，圖2 b為漏磁軸向信號分量。可以看出，每個通道輸出的信號雜亂無章，且存在噪聲干擾，對信號進行去噪處理是信號識別的第1步。采用VMD算法對原始信號進行去噪處理，處理后的信號會在管道缺陷位置存在明顯突變。

圖2 管道缺陷漏磁檢測不同分量的信號圖

1.2 管道漏磁檢測信號特征

以現場采樣信號為研究對象，管道原始信號進行歸一化處理并顯示為二維圖形(如圖3)。由圖3可知：每個通道完成管道缺陷掃掠后，采集信號存在4種類型，分別為：螺旋焊縫1、環焊縫、螺旋焊縫1存在1個缺陷點、螺旋焊縫2。

圖3 管道漏磁檢測不同分量信號歸一化處理圖

2 基于VMD-SVM的管道漏磁信號預處理

管道漏磁信號特征辨識主要包括信號預處理、特征提取與識別。首先對非周期、非穩定的缺陷信號進行預處理，通過WT、EMD和VMD算法完成信號分解，并分析預處理算法的優缺點。其次，根據時域分量的波形特征，提取特征參數，并建立特征量數據庫。最后，利用SVM方法對特征完成識別。本文研究技術路線如圖4。

圖4 缺陷信號處理流程

圖4 技術路線包括信號預處理和SVM辨識2 部分。信號預處理采用WT、EMD和VMD算法實現，提取預處理信號時域分量的特征量，為漏磁信號辨識做準備。SVM辨識對時域分量的特征量進行識別分類，通過不同的預處理方法、不同SVM的核

函數訓練SVM模型，提高精確度。

2.1 信號分解

對圖2的信號采用VMD分解算法，獲取適應性強且光滑的信號。VMD算法公式為：

(1)

式中：B為漏磁信號，mT；m為分解的模態個數(正整數)，文中對信號進行4階模態變分，m最大取4；um為對應分解后第m階模態，mT；ωm為分解后第m階中心頻率，Hz；δ(t)為狄拉克分布；*為卷

積符號；t為時間，s。

對式(1)進行增廣拉格朗日算法求解，可表示為：

(2)

式中：λ為拉格朗日乘子；α為二次懲罰因子。參數({um}, {ωm},λ)交替更新后，公式為：

(3)

(4)

(5)

圖5 VMD分解后漏磁檢測曲線圖

由圖5 可知：原始數據是第1組數據，并對原始數據完成了4階模態分解，分解后的信號更加平滑。每階模態分量可表示為IMF(n)分量，其中n= 1, 2, 3, 4。為了驗證VMD算法分解效果，對同組信號進行MT、EMD算法分解，獲得有效的管道漏磁信號。對于MT算法。以離散小波為參考，前一尺度小波變換的低頻信號提取出來進行后一尺度小波變換。因此，對原始信號進行4層小波分解，結果如圖6。由圖6 可知：MT算法表征了信號的局部特性。但在第四尺度小波分量中低頻信號存在異變，時域信號特征異樣，MT分解效果不佳。

圖6 原始信號MT分解后檢測曲線

最后，利用EMD算法對原始信號進行分解，分解成多個內涵模態分量(IMF)，包含了局部特征分量和殘差分量。原始信號的5層EMD分解結果如圖7。由圖7 可知：EMD算法雖可實現信號去噪，但去噪后信號出現過包絡現象，大量信號發散，信號表征識別困難。

圖7 EMD分解后缺陷信號曲線

由上述3種方法對比可知：VMD算法消噪效果較好，克服了EMD算法的端點效應和模態混疊現象，克服了MT算法低頻信號異變問題，得到平滑穩定信號。因此，VMD算法可適用于處理管道檢測信號。

2.2 確定VMD模態分量

以峭度為指標參數，選擇合適的VMD模態分量，為管道漏磁信號辨識奠定基礎。指標計算公式為：

(6)

由式(6)計算可知：Ku1=2.50，Ku2=12.03，Ku3=23.56，Ku4=16.98。

由圖5可知：IMF4分量的信號特征不明顯，故以峭度最大原則選取IMF2和IMF3分量進行特征量提取。

3 VMD-SVM預處理數據特征提取

采用VMD算法對管道信號進行預處理，根據峭度指標參數確定最佳的模態分量。提取最佳的模態分量的特征量。

3.1 特征量計算

常見的漏磁信號特征系數[21-22]有：峰谷幅值差Bh、峰谷間距L、橫軸面積S與能量E等參數。因此，選取以上參數表征信號特征，計算公式如下：

1) 峰谷幅值差Bh。

Bh=Bmax-Bmin

(7)

式中：Bmax為VMD分解徑向或軸向分量的時域信號的波峰值，mT；Bmin為波谷值，mT。包括徑向分量的峰谷幅值差Bhy和軸向分量的峰谷幅值差Bhx。

2) 峰谷間距L。

峰谷間距表示波峰和波谷的差值，反映缺陷在徑向的尺寸信息，定義為Ly，mm。反映缺陷在軸向的尺寸信息，定義為Lx，mm。

3) 信號的面積S。

徑向分量的面積表示徑向分量的時域波形與橫坐標軸之間的面積Sy，mm2。軸向分量的面積表示軸向分量的時域信號波形與橫坐標軸之間的面積Sx，mm2。

4) 信號的能量E。

對于軸向分量漏磁檢測信號，信號的部分能量作為其特征量，公式為：

(8)

式中：E為能量，mT2；B為漏磁信號，mT，包括徑向漏磁信號Ey和軸向漏磁信號Ex的信號能量。

3.2 特征量提取

由圖3可知：每個通道掃掠完成后，信號包含4種特征信息。基于信號特點，將每個通道的2 000個數據點分成10段數據，每段200個點表征一類缺陷，進行提取信號的特征量。根據3.1節所述，統計VMD的IMF2和IMF3分量的特征量如表1。

表1 管道漏磁檢測第1通道特征量提取信號參數

由表1 可知：每類信號包含了16個特征量。以16個特征量建立SVM識別樣本庫，以缺陷類別建立SVM識別標簽。最后，完成管道數據特征的辨識。

4 管道數據特征辨識及仿真實驗

采用SVM算法對信號特征進行辨識。由圖4 流程可知：首先對信號進行預處理，然后提取信號的特征量，最后建立720×16的特征量樣本集和720×1的標簽樣本集。其中，選取620×16的特征量樣本和620×1的標簽樣本為訓練樣本，選取100×16的特征量樣本和100×1的標簽樣本為測試樣本。在訓練樣本和測試樣本中，隨機打亂各個數據的順序，輸入到SVM，通過SVM進行分類。

4.1 預處理方法驗證

進一步驗證VMD算法在管道漏磁檢測信號預處理的可靠性。采用MT、EMD和VMD不同預處理算法對信號進行處理，提取信號的特征量，建立SVM的訓練樣本，完成數據特征辨識。3種預處理方法的訓練性能對比如表2。

表2 3種處理方法訓練性能對比

由表2 對比可知：信號預處理方法對管道缺陷辨識效果具有明顯的影響。在VMD、EMD 和MT預處理信號過程中，VMD最佳，EMD次之，MT最差，其訓練精度分別為93%、74%和60%。因此，VMD-SVM方法對信號處理效果最佳，驗證了VMD處理漏磁信號的優勢，有效地提高管道信號識別精度。

4.2 SVM核函數優選

SVM核函數會影響辨識精度，其目的在于將不可分的輸入樣本映射到高維的特征空間可分，因此核函數在SVM模型起到至關重要的作用。常見SVM核函數分為Linear核函數、Polynomial核函數、RBF核函數及Sigmoid核函數等。由于Linear核函數為線性核函數，對復雜非線性分類問題效果不佳，文中主要采用Polynomial核函數、RBF核函數以及Sigmoid核函數訓練SVM模型。不同核函數訓練結果如圖8。

圖8 不同核函數的SVM訓練識別結果圖

由圖8a 可知：訓練精度最高的核函數為RBF核函數，訓練精度可達93%。分別比Polynomial核函數和Sigmoid核函數的精度高了16%和14%。RBF核函數訓練時間為0.016 s。由圖8b可知：RBF核函數的迭代次數最少，為168次，而Polynomial核函數的迭代次數最多，為541次。無論哪種核函數，它的訓練識別類別數目一致，且都存在4種識別類型，分別為：螺旋焊縫1、環焊縫、螺旋焊縫1存在1個缺陷點、螺旋焊縫2。因此采用RBF核函數的VMD-SVM算法辨識不同識別信號精度高，驗證了SVM的辨識能力。

5 結論

1) 管道漏磁信號存在干擾，且具有非周期、非平穩性等特點，處理難度大，以前的算法存在過包絡、低頻異變等缺點。采用VMD算法緩解了上述問題，得到平滑的時域信號。根據峭度最大原則，提取VMD分解后的IMF2、IMF3分量，有效表征管道漏磁信號的特征。

2) 現場采集信息樣本數量較少。因此，基于SVM算法、并通過優選核函數對特征量進行辨識，可提高辨識精度。通過計算及比較分析，RBF核函數為最優核函數，辨識精度達93%，且迭代次數最少，為168次。

3) 以現場采集信號為例，VMD-SVM不僅能對信號有效去噪，而且能高精度識別缺陷類型。因此，VMD-SVM為管道漏磁信號提供了一種抗干擾、高精度的信號處理及特征識別方法，具有較高的實用價值