一種新的油氣管道泄漏信號檢測方法研究

摘 要 針對管道模式識別模型效率低下、準確率不足的問題，提出一種新的管道泄漏檢測方法。首先利用信號能量熵突變情況對泄漏引起的信號跳變進行有效捕捉，其次利用變分模態分解（VMD）進行去噪處理，還原信號真實動態特性。基于熵特征提取去噪信號的動態特征段，并將提取的特征向量輸入改進差分進化算法（IDE）優化的支持向量機（SVM）識別模塊種，實現泄漏信號的辨識。實驗結果表明，與GA-SVM和PSO-SVM方法相比，IDE-SVM方法有效提高了分類識別準確率，準確率達到96.6667%。

關鍵詞 管道泄漏 能量熵 特征提取 工況識別 改進差分進化算法

中圖分類號 TQ055.8+1" "文獻標志碼 A" "文章編號 1000-3932（2024）06-1023-05

油氣管道在維護能源安全中發揮著不可或缺的作用，但隨著管線服役時間的延長，管線泄漏問題日益嚴重。近年來，國內外研究學者們對管道泄漏檢測技術進行了深入研究，提出了不同的管道泄漏檢測方法。在泄漏檢測過程中的信號預處理方面，通過將小波變換［1］、經驗模態分解［2］及變分模態分解（Variational Mode Decomposition，VMD）［3］等非線性信號處理方法用于管道信號的預處理，目前已經取得了一定的成果，但也存在一些問題，例如小波變換中小波基選取復雜，經驗模態分解易出現模態混疊的問題，雖然VMD克服了模態混疊等問題，但在處理非平穩信號時數據長度變化會導致模態譜帶發生劇烈變化進而影響模態分解的效率。

在泄漏檢測工況識別方面，相關學者提出將支持向量機（Support Vector Machine，SVM）用于管道泄漏檢測，但由于SVM參數選取會影響模型的性能，為此，大量的參數優選方案被用作SVM的參數選取工具，例如差分進化算法［4］、粒子群算法（Particle Swarm Optimization，PSO）［5］和遺傳算法（Genetic Algorithm，GA）［6］。雖然差分進化算法相較于GA算法魯棒性更強且收斂速度更快，但極易陷入局部極值；PSO算法無法有效選取全局最優；GA算法的選擇、交叉、突變等操作極易導致算法跳出局部最優值。

為了更好地提取泄漏引起的信號跳變，降低信號時間序列復雜度，提升分類準確率與實時性，筆者提出基于能量熵的VMD結合豪斯多夫距離（Hausdorff Distance，HD）的去噪方法。采用基于能量熵的方法對管道聲波信號進行預處理，提取泄漏引起的信號跳變，降低數據長度對模態譜帶的影響，提升VMD的模態分解效率。利用VMD算法對信號跳變數據段進行去噪處理，提高管道泄漏分類的實時性與準確性，然后針對分類識別有效性的問題，利用萊維飛行的種群多樣性和擴大搜索范圍的特點，改進差分進化算法的變異操作，并利用改進差分進化（Improved Differential Evolution，IDE）算法優化SVM參數，提高分類準確率。最后基于能量熵的VMD-HD去噪方法和IDE算法的優點，構建一種新的油氣管道泄漏信號分類方法，并將其用于油氣管道工況識別中以驗證該方法的可行性。

1 基于能量熵的VMD-HD去噪方法

油氣管道發生故障前后其聲波信號的能量分布會發生改變，然而管道泄漏檢測仿真實驗平臺采集到的非線性、非平穩聲波信號片段無法有效突出聲波信號特征，為此筆者提出基于能量熵的聲波信號動態特征數據段提取方法。將仿真實驗平臺采集到的原始信號分解為n段，對各段信號x■（t）進行能量熵計算，利用信號能量熵突變情況對采集信號進行信號時間序列動態特征提取，降低數據復雜程度，從而有效捕捉由于油氣管道故障引起的信號跳變。具體計算式如下：

E■=■x■（t）dt=■［■x■（t）］■dt（1）

E=■E■（2）

p■=E■/E（3）

E■n=-■p■（t）lg p■（4）

式中 E——信號采集周期能量；

E■n——能量熵；

E■——第i段信號能量；

E■——信號能量；

p■——E■與E的比值；

ω——信號采集正半周期。

以能量熵突變量最大分段為起始分段，圖1所示為原始信號分段能量熵最大突變處的曲線（展示了原始信號動態特征段所在位置）。根據圖1提取實驗信號動態特征數據段，從而降低時間序列復雜度，突出信號動態特征，降低數據長度對模態分解的影響，提升模態分解效率。

利用VMD在頻域上自適應地分解出各中心頻率對應的有效成分，并將其與HD相結合作為信號去噪的一種手段。對圖1所示的動態特征段進行去噪處理［7～9］，步驟如下：

a. x（t）經VMD分解為K個本征模態函數

（BLIMF），然后利用各分解模態與分解前信號的概率密度函數之間的HD來表示其與原始信號的相似程度S。

b. 計算兩個相鄰BLIMF與有效數據信號之間的HD的增量θ，將HD突變最大之前的模態分量視為有效BLIMF。

c. 若θ取得最大值，則BLIMF■為轉折點，得到的濾波信號為前m個BLIMF的代數和。

為了驗證基于能量熵的VMD-HD去噪方法對油氣管道聲波信號的預處理效果，選擇180組原始聲波信號進行VMD去噪與基于能量熵的VMD-HD去噪對比實驗。計算不同工況下的去噪時間均值，結果列于表1，可以看出，基于能量熵的VMD-HD去噪方法較之VMD去噪方法去噪時間更短，因此，基于能量熵的VMD-HD去噪方法可在一定程度上解決無效實驗數據過多，數據復雜度高，影響模態分解效率的問題。

2 特征向量選取

選取云模型特征熵、近似熵和重心頻率作為信號特征分類。其中，云模型特征熵是對模糊度和概率的綜合度量；近似熵從自相似程度的角度描述信號的隨機性；重心頻率反映信號功率譜的分布情況。得到的三維數據樣本特征分類結果如圖2所示，雖然不同類型數據之間仍然存在部分重疊難以區分的樣本點，但整體的區分度還是比較明顯的。

3 基于IDE優化的SVM算法

3.1 IDE算法

DE算法由變異、交叉、選擇操作組成。

變異操作過程為：

U■■=X■■+F（X■■-X■■）（5）

U■■=X■■+F（X■■-X■■）（6）

其中，U■■是經變異操作后的個體，t是進化代數，X■■、X■■、X■■是在t時隨機選擇的個體，F是變異因子，X■■是最好的個體。

交叉操作過程為：一般情況下交叉概率可由函數rand產生，模擬DE算法在各代種群中交叉概率隨機產生的情況。

選擇操作過程為：

X■■=U■■， f（U■■）≤f（X■■）X■■， f（U■■）＞f（X■■）（7）

其中，X■■為經選擇操作后的個體；f（x）為x的適應度函數，DE算法按照最優原則選擇DE算法中各代種群的進化方向。

DE算法存在早熟的缺點，嚴重影響了算法的性能。萊維飛行通過短步長與偶爾較長步長相結合來增加種群的多樣性并擴大搜索范圍，為此引入萊維飛行對變異因子F在一定范圍內進行隨機選取，優化DE算法中的變異操作。通過萊維飛行對DE算法的種群變異因子進行替換，從而跳出局部最優值，避免算法早熟，更好地獲得適應度函數的全局最優值。

采用萊維飛行對個體變異操作進行優化：

U■■=X■■+F（X■■-X■■）+rand（X■■-U■■）（8）

F=Z■■+α？茌Levy（λ），i=1，2，…，n（9）

Levy（λ）=■·■■（10）

其中，Z■■是第t代位置，？茌為點對點乘法，α表示步長控制量，Levy（λ）為隨機搜索路徑，λ是服從N（1，3）分布的隨機數，μ和υ是服從N（0，1）分布的隨機函數，Γ是Gamma函數。

3.2 基于IDE優化的SVM算法

SVM［10］運用核函數將非線性問題提升至高維空間，并進行分類平面的構建，從而解決非線性問題。油氣管線各工況聲波信號特征在三維空間中存在部分重疊，為了實現準確識別，將訓練樣本通過核函數映射至更高維，在多維空間建立分類超平面，從而實現聲波信號的識別與分離。由于RBF核函數的整體效果優于sigmoid核函數與多項式核函數，因此筆者采用RBF核函數處理類標簽與屬性之間的非線性關系，并利用IDE算法優化RBF核函數參數。

4 實驗驗證

首先采用基于能量熵的VMD-HD去噪方法對實驗平臺提取的聲波信號進行預處理和特征熵計算，并利用構建的管道工況識別特征向量。然后將提取的特征熵向量歸一化區間作為SVM的輸入，每種管道信號對應的標簽值作為SVM的輸出。最后對GA-SVM（懲罰因子c=140.4957，最佳核參數g=196.6503）、PSO-SVM（c=64.8622，g=100）和IDE-SVM（c=137.326816，g=177.6090）這3種方法進行重復對比實驗，選取最優參數對油氣管道工況進行分類平面構建，并對分類準確率與運行時間進行對比，結果見表2。可以看出，筆者所提的IDE-SVM方法在管道泄漏檢測方面更具適用性，分類準確率達到了96.6667%，相比于PSO-SVM方法準確率提高了6.6667%，比GA-SVM方法提高了1.6667%。在保證分類準確率的前提下，IDE-SVM方法較之GA-SVM方法與PSO-SVM方法的效率也有一定的提升，驗證了IDE-SVM方法在管道泄漏檢測中的可行性和優越性。

5 結束語

筆者提出了一種基于能量熵的VMD-HD去噪方法，通過能量熵的突變情況有效捕捉由于泄漏引起的信號跳變，對采集聲波信號進行動態特征段提取，降低數據復雜度，提高VMD的模態分解效率。通過提取動態特征數據段進行VMD-HD去噪，還原信號的真實動態特征。實驗結果表明，基于能量熵的VMD-HD去噪方法提高了數據分析效率。利用IDE優化SVM參數，解決了SVM因參數選取影響其性能的問題，使得SVM自適應地選擇了最佳核參數g和懲罰因子c。與GA-SVM和PSO-SVM方法相比，IDE-SVM方法的分類準確率可達96.6667%，運行時間縮短至20.099 8 s。

參 考 文 獻

［1］" "HUANG L D，LIU G，WANG Y，et al.Fire detection in video surveillances using convolutional neural net-works and wavelet transform［J］.Engineering Applicat-ions of Artificial Intelligence，2022，110：1-13.

［2］" "LU X M，LU Z H，WU Q，et al.Soft Fault Diagnosis of Analog Circuit Based on EEMD and Improved MF-DFA［J］.Electronics，2023，12（1）：114.

［3］" "ZHUANG D Y，LIU H R，ZHENG H，et al.The IBA-ISMO Method for Rolling Bearing Fault Diagnosis Based on VMD-Sample Entropy［J］.Sensors，2023，23（2）：1-19.

［4］" "MOHAMMED H.Affirmative Ant Colony Optimization Based Support Vector Machine for Sentiment Classification［J］.Electronics，2022，11（7）：1-11.

［5］" WANG C，ZHANG Y， SONG J B，et al.A novel optimized SVM algorithm based on PSO with saturati-on and mixed time-delays for classification of oil pipeline leak detection［J］.Systems Science amp; Control Engineering，2019，7（1）：75-88.

［6］" "ALI L，WAJAHAT I，GOLILARZ N A，et al.LDA-GA-SVM：Improved hepatocellular carcinoma prediction through dimensionality reduction and genetically opti-mized support vector machine［J］.Neural Computing and Applications，2021，33（7）：2783-2792.

［7］" "LU J Y，YUE J K，JIANG C L，et al.Feature extraction based on variational mode decomposition and support vector machine for natural gas pipeline leakage［J］.Transactions of the Institute of Measurement and Cont-rol，2019，9（1）：1-11.

［8］" "路敬祎，國劍鋒，屈雪.基于VMD-OV的去噪算法研究［J］.化工自動化及儀表，2021，48（2）：142-145；155.

［9］" "LU J Y，YUE J K，ZHU L J，et al.Variational mode decomposition denoising combined with improved Bh-attacharyya distance［J］.Measurement，2019，151：1-11.

［10］" "QASIM O S，ALGAMAL Z Y.A gray wolf algorithm for feature and parameter selection of support vector classification［J］.International Journal of Computing Science and Mathematics，2021，13（1）：93-102.

（收稿日期：2023-03-01，修回日期：2024-10-13）

A New Leakage Signal Detection Technology for Oil and Gas Pipelines

LU Jing-yia，b，c， ZHANG Huib， ZHANG Yongd ， HU Zhong-ruib， LI Yu-qib

（a. SANYA Offshore Oil amp; Gas Research Institute； b. Artificial Intelligence Energy Research Institute； c. Heilongjiang Provincial Key Laboratory of Networking and Intelligent Control；d. School of Physics and Electronic Engineering，Northeast Petroleum University）

Abstract" "Considering low efficiency and accuracy of pipeline pattern recognition model， a new method for pipeline leakage detection was proposed. In which， having abrupt change of the signal energy entropy used to capture signal jump caused by the leakage， and the variation mode decomposition（VMD）adopted to remove noise and restore real dynamic characteristics of the signal. In addition， the dynamic feature segment of the de-noised signal was extracted based on the entropy feature， including having the extracted feature vector input into the support vector machine（SVM） recognition module optimized by the improved differential evolution （IDE） algorithm to realize identification of the leakage signals. Simulation results show that， as compared to other methods， the proposed method can effectively improve system recognition efficiency along with a recognition accuracy of 96.6667%.

Key words" " pipeline leakage， energy entropy， feature extraction， working condition recognition， IDE algorithm