發布時間：所屬分類：工程師職稱論文瀏覽：1次
摘 要： 摘要：為對管道大泄露高頻信號進行降噪，提取信號的故障頻率，實現對管道泄漏的源定位。引入了 VMD 方法對收集到的信號進行不同頻率之間的分離，突出信號的局部細節。為消除 VMD 分解中 k 值與懲罰因子這兩個人為因素對分解效果的影響，采用模態分量與原信號的相關系數
摘要：為對管道大泄露高頻信號進行降噪，提取信號的故障頻率，實現對管道泄漏的源定位。引入了 VMD 方法對收集到的信號進行不同頻率之間的分離，突出信號的局部細節。為消除 VMD 分解中 k 值與懲罰因子這兩個人為因素對分解效果的影響，采用模態分量與原信號的相關系數法，得出最優分解層數 k 值。使用優化的 k 值來對信號進行 VMD 分解之后，用最大峭度值來選擇最優的懲罰因子。將通過最優參數得到的 VMD 分解模態分量再次與原信號進行相關系數比較，選出包含故障信息最多的模態分量進行 Hilbert 包絡分析，得到信號的故障信息，對故障進行診斷及定位。研究發現，該方法能有效分離故障信號成分，從而實現對故障頻率的提取。
關鍵詞：管道泄漏;聲發射;變分模態分解;Hilbert 包絡譜
1 引言
隨著時代的進步，城市化進程的不斷推進，生活、生產中對資源的需求量日益增大。管道運輸應運而生，以其快捷，方便的優勢得到迅速發展[1]。但是錯綜復雜的管道線路也埋下了安全隱患。由于年久失修、管件老化、自然腐蝕、人為破壞等原因，導致管道裂縫，引起管道泄漏。管道泄露事故的發生，將會嚴重危害財產安全，甚至是重大人員傷亡[2，3]。所以，對管道泄漏的檢測就顯得尤為重要 ，但由于大部分管道深埋地下，加上管道線路長且復雜，增大了對管道泄漏位置的檢測難度。對管道泄漏所產生的聲發射信號進行采集和分析可以實現對泄漏源的精確定位 。聲發射(AE)是指在材料內部應力平衡被打破，應變能以彈性波的形式沿管道傳播的方式。通過采集并分析聲發射攜帶的管道泄漏信號判斷管道泄漏位置，但由于信號在傳播過程中會受到噪音信號的干擾，所以有效的濾除噪音信號，凸顯沖擊信號是處理泄露信號的關鍵。
各學者對聲發射信號的處理方法不盡相同。如文獻[4]提出的特征參數分析法，通過分析特征參數振鈴數、上升時間、脈沖數、幅度、到達時間等任意兩個參數做關聯分析，尋找聲發射信號的變化規律，但由于試驗環境、試驗介質、試驗對象等的不同，其對聲發射信號處理上會有一定的偏差。使用不同的小波基[5,6]對泄漏信號進行小波變換可以達到降噪的目的，但是小波基的選取十分困難，只能選取相對比較接近的小波基，有的甚至還需要自己做小波基。文獻[7]采用 MED 方法對滾動軸承的強烈背景噪聲進行降低。但傳統 MED 方法只對單脈沖信號敏感。文獻[8]采用在 MED 基礎上該進來的 MCKD 方法對管道泄露信號進行處理，減少傳輸路徑對聲發射信號的干擾，突出沖擊成分，但該方法存在輸入參數較多且不易確定，重采樣過程改變采樣點數等缺點。此外還有時間反轉法應用于聲發射源定位的方法。文獻[9]時間反轉聚焦成像的方法來增強信號，并通過重建信號波動圖的方法實現對聲發射信號的源定位。文獻[10]采用基于經驗模態(EMD)對采集到的信號進行分解，將信號分解成若干個固有模態函數，突出信號的局部特征。但該方法容易造成模態混淆及端點效應。文獻[11] 在 EMD 的基礎上那個運用集合平均經驗模態分解算法(EEMD)改進了模態混疊現象。文獻[12]將自相關函數算法和 EMD 算法應用到 EEMD 中，得到 IEEMD，將原始信號直接去噪分解為真實信號和冗雜信號的方法，并濾除冗雜信號，從而精確定位泄露位置。
變分模態分解(VMD)是文獻[13]為了解決 EMD 分解方法易受噪聲干擾和端點效應上的不足，得到的一種對非平穩、非線性信號進行頻域上的自適應分解，改善 EMD 的遞歸分解的方法，使信號的各個模態分量更清晰。VMD 分解方法實質是多個自適應維納(Wiener)濾波器組對信號進行分析，具有更強的噪聲魯棒性以及更弱的端點效應。VMD 方法被應用在許多領域，文獻[14]將此方法應用到光伏發電上。文獻[15]用 VMD 方法對滾動軸承原始信號進行分解，從而進一步對軸承故障特征進行分析。文獻[16]將 VMD 方法應用到管道泄漏定位上。但是 VMD 方法也有缺點，就是在對 VMD 中的 k 參數和懲罰因子進行選擇時，沒有一個準則，需要經驗知識來進行調整。文獻[17]通過能量差值法優化 VMD 中的 k 值來增強軸承故障診斷效果。文獻[18]用香農熵的方法來選取最優的 k 值的方法對故障特征進行提取。文獻[19]用瞬時頻率均值的方法來實現 k 值的選擇，并對軸承故障進行診斷。
這里采用相關性與峭度值來進行對VMD方法中的 k 值和懲罰因子的選擇。將原信號經過 VMD 分解之后的模態分量與原信號進行相關性分析，選出相關性系數最大的模態分量進行 hilbert 包絡譜分析，來對信號進行進一步降噪，凸顯管道泄露處的故障信息。
2 變分模態分解
2.1 變分模態分解原理
VMD(Variational mode decomposition)是一種抗干擾能力強、自適應分解的模態變分和信號處理的方法。該技術具有可以確定模態分解個數的優點，其自適應性表現在根據實際情況確定所給序列的模態分解個數，隨后的搜索和求解過程中可以自適應地匹配每種模態的最佳中心頻率和有限帶寬，并且可以實現固有模態分量(IMF)的有效分離、信號的頻域劃分、進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。它克服了 EMD 方法存在端點效應和模態分量混疊的問題，并且具有更堅實的數學理論基礎，可以降低復雜度高和非線性強的時間序列非平穩性，分解獲得包含多個不同頻率尺度且相對平穩的子序列，適用于非平穩性的序列，VMD 的核心思想是構建和求解變分問題。
4 實驗驗證
4.1 實驗數據的采集
為了減少外在噪音或震動帶來的影響，在玻璃支架上搭建一個長 5000mm，管道直徑為 160mm，壁厚為 8mm 的不銹鋼管道，在管道 1600mm 處，設置一個可以調節的泄漏口。為了更契合管道在實際輸送過程中所遇到的環境影響，在背景噪音和管道固有頻率、外部敲擊噪音與管道小泄露同時存在的情況下進行信號采集，如圖 1 所示。
觀察圖 2 可以看出，故障信號受噪音干擾影響嚴重，故障信息被噪音淹沒，無法對故障信號進行分析和對管道泄漏進行診斷。 為了消除噪聲的影響，首先采用 VMD 方法對信號進行模態分解。按照上文提出的方法對 k 值進行選擇，當 k 值為 9 時，VMD 變分模態分解，如圖 3 所示。
設定一個相關性系數為 0.3 的閾值，當相關性系數大于 0.3 時為有效模態分量，從表 1 中可以看出 k 7 時為無效模態分量。所以，選擇 k 6 作為變分模態分解層數，以保證模式識別的精確性。
峭度值是對信號沖擊成分的體現，峭度值越大則說明信號所含沖擊成分越明顯。所以文章用峭度值來選取最優的懲罰因子數值。對以 k 6 進行 VMD 模態分解之后不同值下模態分量最大峭度的比較，可以看出當最大的模態分量峭度對應的懲罰因子的值為 400，如圖 5 所示。
通過表 2 可以看出最優參數下 VMD 分解的模態分量中第三層模態分量與原信號之間的相關系數最大，說明第三層模態分量最能反映管道故障中的沖擊成分信息。
4.2 Hilbert 包絡分析
為了達到對信號進行降噪的目的，需要選取合適的濾波方法對信號進行噪音信號的濾除。管道泄漏聲發射信號屬于高頻信號，要實現對其信號的降噪，需要對信號進行高通濾波，以消除其中包含的低頻噪音干擾，如圖 7 所示：
通過圖 7 可以看出高通濾波對信號降噪有一定的效果，但其效果不明顯。濾波后的信號依然很難實現對信號的分析，觀察與定位。
Hilbert變換可以對VMD分解之后的窄帶模態分量進行分析，可以有效提取包絡和調制信號頻率，對 VMD 分解之后的第三層模態分量進行 Hilbert 分析，如圖 8 所示。
通過圖 7、圖 8 的對比發現，Hilbert 變換相比高通濾波能更好的實現對調制信號的解調，實現對故障頻率的凸顯。更適合對 VMD 分解之后的窄帶信號進行濾波。
5 結論
通過實驗發現 VMD 和 Hilbert 變換結合的方法，可以有效的實現對管道泄漏的噪聲信號的濾除，對故障沖擊信號的凸顯，從而實現對泄漏源定位更準確。主要結論如下：
1) 收集到的管道泄漏信號不僅包含沖擊成分，還受到傳輸過程中外界環境或管道固有頻率等其他頻率噪聲影響。 VMD 分解方法可以將信號分解為不同頻率的子信號，實現信號的準確分離，能很好的突出原信號的局部細節，利用其自身具有的維納濾波特性，達到對管道故障信號噪聲濾除效果。
2) 采用相關系數法選擇 k 值，有效解決了人為選擇分解層數的缺陷，分解層數更精確。峭度準則選取懲罰因子的大小解決了解調信號的邊界效應的影響，使 VMD 的分解效果更優。
3) 選擇與原信號相關系數最大的模態分量進行 Hilbert 變換，可以包含更多的故障沖擊信息，對故障頻率分析更準確。
4) Hilbert 包絡變換相比其他對高頻信號的分析方法，更適用于 VMD 解析之后的窄帶信號。二者結合能更好的得到故障信號的本征模態，并提取出便于觀察分析的故障頻率進行管道泄漏的源定位。——論文作者：李志星 1,2，王春鵬 2，鮑慧茹 3
參考文獻：
[1] 袁方.成品油管道輸送的優勢及發展[J].石油庫與加油站，2006(04)： 37-39+47.(Yuan Fang.Status and trend of refined oil pipeline technologies [J].Oil Depot and Gas Station，2006(04)：37-39+47.)
[2] 潘涵.成品油管道遭遇泄漏的危害分析[J].化工管理，2015(14)：241.(Pan Han.Hazard analysis of leakage in product oil pipeline[J].Chemical Enterprise Management，2015(14)：241.)
[3] 宋兆勇，趙云峰，蘇奇，陳曉虎.管道輸送天然氣泄漏危害的定量分析[J].石油工業技術監督，2014，30(01)：47-49+54.(Song Zhao-yong，Zhao Yun-feng，Su qi，Chen Guan-hu. Quantitative analysis of natural-gas leaking hazards in pipeline transportation[J].Technology Supervision in Petroleum Industry，2014， 30(01)：47-49+54.)
[4] Yixin Zhao，Yaodong Jiang.Acoustic emission and thermal infrared precursors associated with bump-prone coal failure.2010，83(1)：11- 20.
[5] 季軍，鐘成，郝永梅，陸貴榮.基于諧波小波分析的城市燃氣管道泄漏檢測[J].中國科技信息，2019(Z1)：105-107.(Ji Jun，Zhong Cheng，Hao Yong-mei，Lu Gui-rong.Detection of urban gas pipeline leakage based on harmonic wavelet analysis[J].China science and technology information，2019(Z1)：105-107.)
[6] 王建國，王道瑞，王少鋒.管道泄漏聲發射信號降噪中最優小波基的選取[J].中國科技論文，2018，13(23)：2667-2671.(Wang Jian-guo，Wang Dao-rui，Wang Shao-feng.Selection of optimal wavelet basis in noise reduction of acoustic emission signal in pipeline leakage[J].China Sciencepaper，2018，13(23)：2667-2671.)
[7] Shang Kun Liu，Bin Pang，Gui Ji Tang.Research on Fault Diagnosis for Roller Bearings Based on MED and Slice Bi-Spectrum[J].Advanced Materials Research，2014，3043.
[8] 王建國，劉朋真，劉艷明，祝祥亞.基于 MCKD 和 EMD 分解的壓力管道泄漏源定位研究[J].工業安全與環保，2018，44(12)：14-17. (Wang Jian-guo，Liu Peng-zhen，Liu Yan-ming，Zhu Xiang-ya. Study on Pressure Pipeline Leakage Source Location Based on MCKD and EMD Decomposition[J].Industrial Safety and Environmental Protection， 2018，44(12)：14-17.)
[9] Yaozhang Sai，Mingshun Jiang，Qingmei Sui，Shizeng Lu，Lei Jia.Multisource acoustic emission localization technology research based on FBG sensing network and time reversal focusing imaging[J] . OptikInternational Journal for Light and Electron Optics，2016，127(1).
[10] Chuan Jiang Li，Jia Pan Zhang，Zi Qiang Zhang，Ju Li Hu，Yi Li.The Research on Leak Detection Technology of Natural Gas Pipeline Based on EMD[J].Applied Mechanics and Materials，2014，2963.