基于EMD和小波分解的管道泄漏声发射源定位

吴旭景, 杜　斌，叶　陈

(1.浙江省特种设备检验研究院， 杭州 310020;2.沈阳特种设备检测研究院， 沈阳 110179)



基于EMD和小波分解的管道泄漏声发射源定位

吴旭景1, 杜斌1，叶陈2

(1.浙江省特种设备检验研究院， 杭州 310020;2.沈阳特种设备检测研究院， 沈阳 110179)

由于管道泄漏声发射检测信号中含有大量噪声，因此在一定程度上影响了泄漏源定位的精准度。针对这一问题，首先将管道泄漏声发射信号进行经验模态分解(EMD)，然后对其中高频分量进行小波分解去噪，保留有用的信号特征，最后对有效分量进行重构得到去噪后的管道泄漏声发射信号，并通过相关分析进行定位。结果表明：相比单一的信号处理方法，采用EMD和小波分解相结合的方法对声发射信号进行去噪重构，并进行相关分析计算,得到的泄漏源定位更精确。

声发射检测； EMD分解； 小波分解； 管道泄漏

由于服役期较长、腐蚀、老化等原因，石油化工、天然气、医药、食品等行业中所用的管道不可避免地存在各种缺陷或隐患，若不及时发现这些缺陷或隐患，将带来不堪设想的后果。声发射作为一种新兴的动态无损检测技术[1-2]，以其动态性、整体性、实时性、高效性和经济性等特点，在管道检测中的应用日益广泛[3-6]。然而，管道检测现场环境一般都比较复杂，采集到的信号极易受到噪声的干扰，且信号及其干扰信号都属于非稳态信号，因此，如何从信号中剔除干扰噪声并有效提取管道泄漏声发射信号,一直是人们研究的热点。

经验模态分解(EMD)和小波分解都可以对非平稳信号进行分解，被广泛应用于声发射信号的去噪处理[7-12]。然而EMD虽然是根据信号本身的局部特征信息进行自适应多分辨率地分解，但其分解出来的IMF(本征模函数)分量中，高频部分出现噪声分量，低频部分出现虚假分量；小波分解虽也可对信号实现多分辨率分析，其算法简单且计算速度快，但分解尺度一旦选定其分辨率大小也就确定，也就不具备自适应的分解特性。因此，单一地使用EMD或小波分解对信号进行去噪,得到的效果并不是很好。

结合EMD与小波分解各自的优缺点，笔者提出了一种EMD与小波分解相结合的方法,对管道泄漏的声发射信号进行去噪，并结合相关分析计算,实现对管道泄漏点的定位。

1　管道泄漏声发射检测

1.1管道泄漏声发射检测及定位原理

传统的定位方法是通过两个传感器的距离、信号到达两个传感器的时差以及波速来实现定位的。由于该方法事先需要测得声速，故会产生一定的误差。笔者采用三个传感器进行定位的方法来实现无需测声速的定位[13]，定位原理如图1所示。

图1　定位原理图示意

以传感器1#为原点建立坐标系，泄漏点和传感器2#、3#的坐标分别为X1、X2、X3，泄漏点产生的声发射信号到达各传感器的时间分别为T1、T2、T3。设传感器1#与2#收到信号的时间差为ΔT1=T2-T1，传感器1#与3#收到信号的时间差为ΔT2=T3-T1，声速为v，则可计算得到：

(1)

1.2管道泄漏声发射信号

以Q235材料的管道为例,对气体泄漏声发射信号进行取样采集，采样频率为2 500 kHz，采样点数为2 048个，传感器1#、2#、3#采集到的信号波形如图2所示。

图2　各传感器采集到的声发射信号波形

2　基于EMD和小波分解相结合的声发射信号处理

首先对管道泄漏声发射信号进行EMD分解，将信号分解为多个IMF分量信号，然后对其中高频分量进行小波分解去噪，剔除其中的高频噪声模态分量，保留有用的信号特征，最后对有效分量重构得到去噪后的管道泄漏声发射信号，并通过相关分析进行定位。由于篇幅有限，文中以传感器1#为例对管道泄漏声发射信号进行采集后处理，传感器2#、3#采集的信号处理方法与1#传感器相同。

图3　声发射信号经EMD分解后的各IMF分量图

2.1EMD分解

传感器1#采集到的管道泄漏声发射信号经EMD分解后得到多个IMF分量和一个残余分量，由于残余分量单调且幅值小，可以忽略。因此，包含管道泄漏声发射信号的8个IMF分量如图3所示，其IMF1～IMF8分量与原信号的互相关系数分别为:0.337 0,0.812 9,0.391 6,0.268 0,0.113 9,0.088 3,0.085 7,0.043 3。

图4　IMF2分量的5层小波分解图

2.2小波分解及去噪

通过对比分析EMD分解后各IMF分量与原始信号的互相关系数,可知：IMF2分量系数最大，说明IMF2分量中不仅包含大量的管道泄漏信息，同时也包含大量噪声信号，因此需对IMF2分量进行小波分解去噪。笔者采用最常用的小波分解与重构的方法去噪，图4是选择‘db6’小波基对IMF2分量进行5层小波分解的结果，从中可以看出，信号的能量主要集中在低频的小波系数上，提取尺度4上的低频系数和高频系数进行重构去噪，得到去噪后的IMF2信号如图5所示。

图5　去噪后的IMF2分量图

2.3信号重构及相关分析

从EMD分解图(图3)中可知，IMF5及其以后的分量幅值很小，对分析声发射信号影响较小，因此提取有效分量时可不考虑，图6即为有效分量重构得到的去噪管道泄漏声发射信号波形图。

图6　各传感器去噪后的声发射信号波形

文中所采用的相关分析法是时域中描述信号特性的一种重要方法，通过对两个传感器接收到的两个性状相近的声发射信号的波形进行相关运算，可以获得两个信号之间的时间差[14]。获得两传感器接收信号的时差后，利用式(1)就可确定位于两传感器间泄漏点的位置。对比采用的四种不同信号处理方法，所得泄漏点的相关系数和定位误差见表1。

表1　4种不同信号处理方法及泄漏定位误差

4　结论

(1) 在管道泄漏声发射源定位中,采用三个传感器进行定位的方法是可行的，此定位法不仅免去了声速的测得，同时避免了因声速带来的误差。

(2) 通过EMD分解与小波分解相结合的方法来处理管道泄漏信号，相比单一的信号处理方法，能实现泄漏源更精准的定位。

[1]杨明纬. 声发射检测[M]. 北京: 机械工业出版社, 2005: 1-50.

[2]ALLEN T G. 声发射技术五十年(1961～2011)[J]. 无损检测, 2012, 34(4): 50-59.

[3]焦敬品,何存富,吴斌, 等. 管道声发射泄漏检测技术研究进展[J]. 无损检测, 2003, 25(10): 519-523.

[4]雷玉兰. 新型无损检测技术在压力管道在线检测中的应用研究[J]. 高新技术, 2012(23): 1.

[5]王朝晖,张来斌,辛若家,等. 声发射技术在管道泄漏检测中的应用[J]. 中国石油大学学报(自然科学版), 2007， 31(5): 87-90.

[6]贾乐乐,杨国安,沈江,等. 金属管直径对声发射波传播的影响[J]. 无损检测, 2013, 35(6): 1-10.

[7]阳能军,汤伟,龙宪海,等. EMD及其在声发射检测中的应用研究[J]. 振动与冲击, 2008, 27(s): 65-67.[8]孙立瑛,李一博,曲志刚,等. 基于EMD的声发射管道泄漏检测研究[J]. 压电与声光, 2008, 30(2): 239-245.[9]谷小红,侯迪波,周泽魁. 声发射与EMD相结合的埋地水管泄漏定位检测[J]. 浙江大学学报(工学版), 2006, 40(7): 1105-1108.

[10]张平,施克仁,耿荣生,等. 小波变换在声发射检测中的应用[J]. 无损检测, 2002, 24(10): 436-442.

[11]熊亚飞,李强,叶辉. Q345R钢焊接缺陷声发射信号的时频分析[J]. 无损检测, 2014, 36(9): 19-24.

[12]MUNOZ N, ANDRES， HASHEMI, et al. Continuous wavelet transform analysis of acoustic emission signals[J]. Proceedings of the International Modal Analysis Conference-IMAC, 1999, 1(1): 99-102.

[13]龚斌,金志浩,齐辉. 无须测量声速的声发射源定位方法研究[J]. 仪器仪表学报, 2007, 28(1): 185-188.

[14]陈玉华,刘时风,耿荣生,等. 声发射信号的谱分析和相关分析[J]. 无损检测, 2002, 24(9): 359-399.

The Location of Acoustic Emission Source of Pipeline Leakage Based on EMD and Wavelet Transform

WU Xu-jing1, DU Bin1， YE Chen2

(1. Zhejiang Institute of Special Equipment Inspection & Research, Hangzhou 310020, China;2. Shenyang Institute of Special Equipment Inspection & Research, Shenyang 110179, China)

The enormous noise existing in the pipeline leakage acoustic emission detection would greatly influence the precision of localization of leakage sources. Aiming at this problem, this paper firstly used EMD to decompose the pipeline leakage acoustic emission signal. Then, the high frequency was de-noised by wavelet analysis in order to retain the useful signal. Finally, the useful signal was selected to reconstruct the acoustic emission signal and the leakage sources location was determined by correlation analysis. The experimental results showed that, compared with the single processing method, the location accuracy of the leakage detection was increased by using EMD and wavelet analysis.

Acoustic emission testing； Empirical mode decomposition； Wavelet analysis； Pipeline leakage

2015-01-27

吴旭景(1988-),男,助理工程师,硕士,主要从事特种设备检测检验等工作。

10.11973/wsjc201510014

TE973; TG115.28

A

1000-6656(2015)10-0060-04