基于广义S变换的长输管道泄漏检测和定位方法

雷　阳



基于广义S变换的长输管道泄漏检测和定位方法

雷阳1，2

（1 福建省计量科学研究院，福建 福州 350003）
（2 国家蒸汽流量计产品质检中心，福建 福州 350003）

摘要：基于广义S变换，研究了长输管道泄漏检测与定位方法。首先，针对泄漏信号的识别易受工况调节信号干扰的问题，对各类信号进行广义S变换时频分析，提取相应的特征向量。采用概率神经网络（PNN）作为分类器，对泄漏信号进行识别。然后，提出了一种基于相关性分析的广义S变换方法，精确获得泄露负压波到达管道首末站的时间差。利用广义回归神经网络（GRNN）拟合泄漏定位公式，确定泄漏点的位置。最后，通过对实际输油管线现场数据进行分析，验证了文中所提出方法的有效性。

关键词：广义S变换；概率神经网络；广义回归神经网络；泄漏检测；泄漏定位

压力波法通过检测泄漏导致的管道首末端压力波动进行泄漏的检测与定位。由于仅需要管道的压力数据，该方法具有投入费用低的优点。而且较之常规巡检方法，压力波法反应迅速，因此成为长输管道系统常备的泄漏检测与定位方法［1-4］。正常工况调节引发的压力波动严重影响泄漏信号的识别，针对此，时域特征参数提取法［5］和小波包能量特征提取法［6］等方法被提出，用来获取区分泄漏信号和工况调节信号的特征向量，上述方法虽然能在一定程度上剔除工况调节的干扰，但仍存在较多的漏报和误报情况。对于泄漏点的定位，负压波法是最常用且最经典的方法，影响负压波法定位精度的两个关键因素是负压波传播到上、下游两测点的时间差和负压波波速。针对关键因素一，文献［7］引入经典的相关时延估计方法，可准确得到突变性大泄漏产生的负压波到达上、下游两测点的时间差，但其对小泄漏和缓慢泄漏无能为力，且对噪声敏感。文献［8］提出基于高阶统计量的时延估计方法，该方法虽然抑制噪声能力强，但其同样仅适用于大泄漏的时延估计。文献［9-10］提出利用小波变换模极大值原理拾取信号的突变点，能够较准确地得到信号发生变化的时刻，但是小波变换的结果依赖于小波基的选取和分解层数的确定，且其对噪声敏感，结果缺乏直观性，计算过程复杂。文献［11］对比分析了S变换和小波变换的信号检测能力，指出S变换较小波变换在信号检测方面更胜一筹。文献［12］对S变换进行改进，得到广义S变换，并将其应用于边缘检测，效果良好。

广义S变换是小波变换的继承和发展，它克服了小波变换依赖于小波基函数和分解层数的缺点，同时继承了小波变换多分辨率分析的优点和信号奇异点检测能力，在信号时频分析方面，甚至比小波变换更胜一筹。鉴于广义S变换的优点，文中将广义S变换引入管道泄漏检测和定位中，用来提取区分泄漏信号和工况调节信号的特征向量，同时提取由管道泄漏导致的负压波信号的突变点，进而获得此负压波传播到管道首末两端压力测点的时间差。然而油田现场采集到的信号往往带有大量的背景噪声，为了最大可能地保留有用信号，避免有用信号在降噪过程中被平滑处理或被当做噪声被滤除，消除全部噪声是不可能的。因此，在获取上述所提时间差时，被分析信号是带有一定噪声的。基于此，文中通过分析信号经广义S变换后得到的模时频矩阵的中频段和高频段频率系数的特点，提出基于相关性分析的广义S变换算法，成功提取带有一定噪声泄漏压力信号的突变点，进而得到后续泄漏定位时所需的时间差。将计算得到的时间差代入由广义回归神经网络拟合好的泄漏定位公式，得到泄漏点位置，进而提高了定位精度。

1　基本原理

1.1 广义S变换

S变换是一种功能强大的处理非平稳信号的时频分析方法，它继承了短时傅里叶变换和小波变换的优点，克服了两者的缺陷的同时其分辨率随着频率的改变而改变。但S变换的时窗函数变化趋势固定不变，为了使它能在时频平面的不同位置均具有较高的时频分辨率，有必要对其进行改进，引入调节因子λ和p ，对S变换进行推广，得到广义S变换表达式［11-12］：

其中λ为调节因子，p控制窗函数的频率呈非线性变化。通过研究广义S变换的窗函数可知，当p一定时，随着λ的增大，时窗宽度随着信号频率呈反比变化的速度变缓；当λ一定时，p越大，时窗宽度随频率呈反比变化的速度加快。也就是说，对于某一固定的频率，增大λ，时窗宽度就变大；提高频率分辨率，增大p ，时窗宽度变窄；改善时间分辨率，并且p 的微小调节就对时窗宽度有显著的影响［13］。利用p和λ不同的取值组合可得到不同时频分辨率的广义S变换，这样便消除了标准S变换中高斯窗函数时频分辨率变化趋势固定不变的弊端，具有更高的适应性和灵活性。因此，广义S变换具有更强的时频分析能力和突变点检测能力，结果比小波变换更直观，且方法容易实现。令τ→jT，f→n NT，广义S变换离散化后形式为：

1.2 概率神经网络

概 率 神 经 网 络（Probabilistic Neural Networks，简称PNN）是在Bayes分类规则和Parzen窗的概率密度函数估计方法的基础上发展起来的。PNN主要应用于解决分类问题，是一种可用于模式分类的特殊径向基神经网络［14-15］。PNN神经网络实质是径向基神经元和竞争神经元相结合的产物，它充分汲取了两种神经元在分类方面的精华，具有强大的分类功能。通常PNN神经网络有四个结构层构成：输入层、模式层、累加层和决策层。其网络拓扑结构如图1所示。

图1　概率神经网络拓扑结构图

2　基于广义S变换的管道泄漏检测

2.1管道泄漏检测技术路线

基于压力波分析的管道泄漏检测方法主要是从现场采集到的一系列压力信号中准确识别出泄漏引发的压力波动信号。实际生产中，除了泄漏引发压力波动外，调泵、调阀等正常工况操作同样可引发压力波动，甚至，某些工况引发的压力波动信号与泄漏引发的波动信号非常相似，因此泄漏检测的准确性很大程度上取决于对泄漏波形特征参数的选择。文中将管道泄漏压力信号分为四类：泄漏信号、调阀信号、调泵信号和正常信号。采用PNN神经网络作为分类器，同时对各种信号进行广义S变换分析，在此基础上提取相应特征向量作为分类依据，以此提高泄漏检测的准确度，减少误报和漏报。该泄漏检测技术路线如下：

图2　泄漏识别流程图

其中，概率神经网络仅有的平滑参数σ的大小决定模式样本间的影响程度，影响最终的分类结果［15］，利用果蝇优化算法［16］的全局搜索能力对σ进行优选。

2.2基于广义S变换的特征向量提取

通过对管道泄漏时管道的水击过程分析，泄漏引发的压力波的波形在管道中传播的过程与停泵、调阀等正常操作情况不同。管道泄漏引发的压力波动和其他工况引发的压力波动含有不同的丰富信息，如相同频带内信号的能量会有较大的差别，从而使某些频带内信号的能量减小，另外一些频带内信号能量增加，信号各频率成分中包含了不同的信息。通过对各类信号进行广义S变换时频分析，如图3所示，并且对大量的数据进行对比分析与总结，选取如下特征向量，作为区分正常压力波动、调泵压力波动、调阀压力波动和泄漏引发压力波动的依据。

图3　各类信号时频分析图

图4　、和三维图

图5　、和三维图

由图4和图5可知，文中所提取特征向量可准确区分泄漏信号、调阀信号、调泵信号和正常信号。

3　基于广义S变换的管道泄漏定位

鉴于大多数管线仅在管道两端安装压力变送器，且负压波方法简单易行，灵敏度高、定位精度良好等，文中仍采用负压波定位方法。负压波法泄漏点定位公式为：

式中，a 为负压波传播速度，L为管道总长度，∆t为负压波被首末端测压点检测到的时间差。可见，精确的时间差∆t 和负压波传播速度a 是准确定位管道泄漏的关键。

3.1基于相关性分析的广义S变换时间差获取

当输油管道有泄漏存在时，其产生的负压波信号类似于阶跃信号或斜坡信号。因此，首先对负压波信号进行广义S变换处理，其高频频谱幅值曲线模极大值即对应负压波信号发生变化的时刻。

为了提高负压波法对微弱泄漏故障检测的性能，需要对信号进行高精度的采集，并对采集的信号进行有效的滤波。为了更好地保留有用信号，滤除全部噪声是不现实的［17］。然而对于带有一定噪声的信号，直接使用广义S变换会发现有很多的奇异点。通过观察信号经广义S变换后得到的模时频矩阵的中高频段系数，可知将该模时频矩阵的中高频段相邻系数取绝对值进行乘积可有效抑制噪声，如图6所示。

基于此，对信号进行广义S变换后，取其模时频矩阵的中频和高频频率段中频率为f的系数和频率为f+n的系数，分别取其绝对值后相乘，乘积经适当调整后再与频率为f的系数模相比较，如果乘积小于相应频率f的系数模，则认为是噪声并将其置零。其中，n为间隔频率数。我们的目的是拾取突变点，只要能够准确找到突变时刻，计算相邻频率处的乘积是没有必要的，为了减少计算量，可取间隔为n （n≥2）的频率处系数进行计算。

图6　加噪阶跃信号分析

具体算法如下：

①计算开始，取

式中，1，2，...，N为信号采用时刻；

②引入相关系数corr1，如式（9），并定义其修正值corr1_new1，得式（10）：

④将corr1_new1与d（3）相乘，得式（11），并定义其相关系数修正值，得式（12）：

⑤比较时刻j 的corr1_new2j和corr1_new1j，若corr1_new2j＜corr1_new1j，说明corr1_new1j为噪声系数，corr1_new2j=0，以此类推，便可得到corr_new3，corr_new4，...，corr_newk 。

在corr_newk 中，若存在如图7所示信号，若corr_newkt为corr_newk 的最大值，对于任意ti，有corr_newkti=0，则t为被分析信号突变点时刻，计算完成，否则改变加权系数λ和频率间隔数n，从corr1_new1重新计算。

图7　局部信号

分别对首端和末端检测到的负压波信号进行上述分析，得到其对应的突变点时刻t1和t2，则负压波传播到首末端的时间差为∆t=t1-t2。

3.2 泄漏定位

当视负压波波速为定值时，存在较大的定位误差，为了提高泄漏点的定位精度，不少文献对负压波波速进行了修正［18-20］，其中文献［20］在对负压波进行修正的基础上，利用GRNN神经网络拟合出泄漏定位公式xL=f（∆t），其中∆t为上文提到的负压波到达上下游测点的时间差，xL则为泄漏点距管道首端的距离。但该文献中没有给出GRNN网络平滑参数σ的选取依据。文中则利用果蝇优化算法（FOA）对GRNN网络的平滑参数σ进行优选［21］，建立GRNN-FOA模型，利用改进后的GRNN网络拟合出泄漏定位公式，将利用3.1节所提出的基于相关性分析的广义S变换法计算得到的时间差，代入该泄漏定位公式，给出泄漏点的位置。

4　管道泄漏检测与定位应用

4.1管道泄漏检测

为了评估文中所提方法的效果，采用东临输油管线现场采集数据进行测试。并且将小波包能量特征提取法和小波模极大值原理提取突变点引入作性能比较。

本节选取东临输油管线2011年1月至2014 年3月共200组样本数据进行分析，其中正常信号、调阀信号、调泵信号、泄漏信号各50组。按照文中2.2提出的基于广义S变换的特征向量提取法提取各类信号的特征向量，选取每类各40组数据作为训练样本，对PNN神经网络进行训练，剩余每类10组数据作为测试样本。各类信号对应PNN神经网络的输出分别为：泄漏信号（样本序号Li）输出为‘1’，调阀信号（样本序号Vi）输出为‘2’， 调泵信号（样本序号Pi）输出为‘3’，正常信号（样本序号Ni）输出为‘4’，测试样本的分类结果如表1所示。由表1可知，文中所提的基于广义S变换的特征向量提取法提取的特征向量比用小波包能量特征提取法选取的特征向量更能表征泄漏信号与正常工况调节信号的不同。

表1　测试样本识别结果

本节所用10组实验数据取自滨州-惠民站，管道全长39.192km，输送方式为原油加热输送，泄漏方式为人工盗油，缓慢放油导致的泄漏，信号的采样频率为50Hz。首先利用3.1节提出的基于相关性分析的广义S变换法得到泄漏导致的压力波传播到上下游测点的时间差∆t ，将∆t 代入利用改进的GRNN网络拟合得到的泄漏定位公式xL=f（∆t）中，进而得到泄漏点的位置，10组泄漏样本的定位结果如表2所示。由表2可见，采用GST获得的时间差比小波模极大值原理获得的时间差取得更好的定位效果，最大相对定位误差在0.28%，可见采用文中方法得到的泄漏定位精度较高。

表2　泄漏点定位结果

5　结论

广义S变换是一种分析和处理非平稳信号的有效方法，它继承了小波变换的优点，具有多分辨率分析的特点，能够准确得到信号的奇异信息，与小波变换不同的是，广义S变换避免了小波基函数的选取和分解层数的确定，而且直接与各频率分量相对应，可根据识别目标体的实际需要灵活选取窗口形态，简洁直观，运算效率高。文中将广义S变换应用于管道泄漏检测中，提取出能够正确区分泄漏信号和工况干扰信号的特征向量，作为PNN神经网络分类器的输入，比较准确地识别出泄漏信号，提高了泄漏检测的准确度。同时基于广义S变换提取出由管道泄漏产生的负压波信号的突变点，并通过分析含噪信号经广义S变换后其模时频矩阵里中高频段的频率系数的特点，提出相应算法降低噪声的干扰，成功提取了带噪负压波信号突变的时刻，进而获得带噪负压波传播到上、下游测点的时间差。将该时间差代入由改进的GRNN网络拟合的泄漏定位公式，比较准确地给出泄漏点的位置，并在实际管道泄漏检测和定位中，取得良好的效果。

参考文献

［1］ Yan J C， Huang J， Wang Y， et al. Negative Pressure Wave based Pipeline Leak Detection: Challenges and Algorithms ［C］. IEEE International Conference on Service Operations and Logistics， and Informatics. Suzhou， 2012:372-276.

［2］ Li Y B， Sun L Y. Leakage Detection and Location for Long Range Oil Pipeline Using Negative Pressure Wave Technique［C］. IEEE Conference on Industrial Electronic and Applications. Xi’an， 2009:3220-3224.

［3］ Liang W， Zhang L B. A Wave Change Analysis （WCA）Method for Pipeline Leak Detection Using Gaussian Mixture Model［J］. Journal of Loss Prevention in the Process Industries， 2012， 25:60-69.

［4］ Ge C H， Wang G Z， Ye H. Analysis of The Smallest Detectable Leakage Flow Rate of Negative Pressure Wave-based Leak Detection Systems for Liquid Pipeline［J］. Computers and Chemical Engineering， 2009， 32（8）: 1669-1680.

［5］ Meng L Y， Li Y X， Wang W C et al. Experimental Study on Leak Detection and Location for Gas Pipeline Based on Acoustic Method［J］. Journal of Loss Prevention in the Process Industries， 2012， 25: 90-102.

［6］ 孙洁娣， 靳世久. 基于小波包能量及高阶谱的特征提取方法［J］.天津大学学报， 2010，43（6）: 562-566.

［7］ Cui Q， Jin S J， Wang L K. A New Method of Leak Detection Based on Multi-scale Correlation ［J］. Journal of Electronic Measurement and Instrument，2005， 19（5）: 50-53， 62.

［8］ 路炜，文玉梅.供水管道泄漏定位中基于互谱的时延估计［J］.仪器仪表学报， 2007，28（3）:504-509.

［9］ Zhao Y， Zhang X， Min S. A New Method of Leak Location for The Natural Gas Pipeline Based on Wavelet Analysis［J］. Energy， 2010（35）: 3814-3820.

［10］ Hu J Q， Zhang L B. Small Leakage Detection of Long Distance Pipeline Based on Harmonic Wavelet Analysis［J］. Journal of China University of Petroleum.2009， 33（4）：118-123.

［11］ 张杰.广义S变换域时频特征分析及微弱目标检测方法研究［D］. 成都:电子科技大学， 2011.

［12］ 陈学华，贺振华， 文晓涛，等. 基于广义S变换的裂缝分频边缘检测方法［J］.吉林大学学报（地球科学版）， 2011， 41（5）: 1605-1609.

［13］ Wang D W， Fan J L， Li Y H. A detection and parameter estimation algorithm of multicomponent chirp signals based onGeneral S-Trans form［J］. InternationalJournalofSignal Processing， Image Processing and Pattern Recognition， 2012，5（2）: 153-160.

［14］ Ahmad Farid Bin Abidin， Azah Mohamed et al. The Classification of Power Swing Based on PNN and MLPNN［J］. Journal of Pattern Recognition and Intelligent Systems，2013，1:44-52.

［15］黄志刚，刘浩，刘顺波，等.基于COP与改进PNN的除湿机故障诊断研究［J］.制冷与空调，2010， 24（5）: 66-69.

［16］ Pan W T. A new Fruit Fly Optimization Algorithm: Taking the financial distress model as an example［J］. Knowledge-Based System， 2012， 26:69-74.

［17］刘金海，冯建，马大中.流体管道压力信号的高精度实时滤波方法［J］.东北大学学报（自然科学版）， 2013，34（1）:9-12.

［18］ Zhang S Q， Gao T Y， Xu H， et al. Study on new methods of improving the accuracy of leak detection and location of natural gas pipeline［C］. International Conference on Measuring Technology and Mechatronics Automation. Hunan， 2009: 360-363.

［19］ Zhang L B， Chen Z G， Liang W， et al. Researcho fleak detection and location method for heat oil pipelines［C］. Proceedings of the ASME International Pipeline Conference. Calgary， AB，Canada， 2008: 469-474.

［20］ 陈琦，林伟国.基于广义回归神经网络的管道泄漏精确定位方法［J］.中南大学学报（自然科学版）， 2011，42（1）:943-948.

［21］ Li H Z， Guo S， Li C J， et al. A hybrid annual power load forecasting model basedongeneralized regressionneuralnet work with fruit fly optimization algorithm［J］. Knowledge-Based System， 2013， 37: 378-387.

收稿日期：2016-04-08

基金项目：国家自然科学基金（No.60974039）

作者简介：雷阳，男，福建省计量科学研究院，博士，工程师

Long Pipeline Leak Detection and Location Method Based on Generalized S Transform

LEI Yang1，2
（1 Fujian Institute of Metrology， Fuzhou 350003， Fujian， China）（2 National Testing Center for Steam Flowmeter Products， Fuzhou 350003， Fujian， China）

Abstract:The long pipeline leakage detection and location problem was researched based on the generalized S transform in this paper. Firstly， for the problem that the identifcation of leakage signals is apt to be affected by regulatory signals， the general S transform was used to extract the feature vectors of the signals. And the leakage signals were identifed by the probabilistic neural network （PNN） classifer. Then， a generalized S transform method was proposed based on the correlation analysis. The time difference of the leakage negative pressure waves between upstream and downstream was acquired accurately by using this method. The formula of leakage location was ftted by the generalized regression neural network （GRNN） and the leak position was located. Finally， the effectiveness of the proposed method was verifed by analyzing the on-site data of the real oil pipeline.

Key words:Generalized S transform； PNN； GRNN； Leak detection； Leakage location.