基于AE传感器的管道泄漏监测技术探讨与试验

上海煤气第一管线工程有限公司 杨 哲

基于AE传感器的管道泄漏监测技术探讨与试验

上海煤气第一管线工程有限公司 杨 哲

利用 AE传感器采集沿管壁传播的气体泄漏振动声音信号可以得出管道是否泄漏的结论。根据基于AE传感器的燃气管道泄漏监测技术的现场试验，发现特征值的选取对分类器准确度有很大影响，样本长度对判断的准确性有较大影响，采样点(1～1.5)×105个的样本长度较为合理。基于AE传感器的燃气管道泄漏监测技术是可行的。

燃气管道 泄漏 监测 传感器

燃气管道的泄漏一直是威胁燃气安全的重要因素。目前燃气管道的泄漏监测一般采用核心原部件为气敏传感器的燃气泄漏探测器，其原理是探测燃气浓度，当燃气在空气中的浓度超过设定值探测器就会被触发报警，并对外发出声光报警信号。基于气敏传感器的燃气泄漏探测器多用于家庭燃气泄漏报警，也被广泛应用于各类炼油厂、油库、化工厂、液化气站等易发生可燃气体泄漏的场所。

基于气敏传感器的燃气泄漏探测器需要安装在一个相对封闭的环境中，需泄漏量累计到一定程度后才会触发报警，而且容易受到安装位置、通风环境、气敏传感器报警点漂移、中毒的影响，降低其探测能力甚至完全失效。

针对这种情况我们提出基于AE传感器的燃气管道泄漏监测技术，这种技术能在泄漏发生初期即监测到泄漏的发生，并能空旷环境中使用。

1 基于AE传感器的燃气管道泄漏监测

AE传感器是利用某些物质(如半导体、陶瓷、压电晶体、强磁性体和超导体等)的物理特性随着外界待测量作用而发生变化的原理制成的。它利用了诸多的效应(包括物理效应、化学效应和生物效应)和物理现象，如利用材料的压阻、湿敏、热敏、光敏、磁敏和气敏等效应，把应变、湿度、温度、位移、磁场等被测量变换成电量。新原理、新效应的发现和利用，新型物性材料的开发和应用，使物性型AE传感器得到很大的发展。

AE传感器一般由壳体、保护膜、压电元件、阻尼块、连接导线及高频插座组成。压电元件通常采用锆钛酸铅、钛酸钡和铌酸锂等。根据不同的检测目的和环境采用不同结构和性能的AE传感器，其中，谐振式高灵敏度声发射传感器是声发射检测中使用最多的一种。单端谐振式声发射传感器的结构简单，将压电元件的负电极面用导电胶粘贴在底座上；另一面焊出一根很细的引线与高频插座的芯线连接，外壳接地。

燃气管道内气体在泄漏过程中会与燃气管道发生摩擦产生振动声波并沿管壁表面向远端传播。利用 AE传感器(声发射传感器)的压电效应采集沿管壁传播的振动声音信号后通过前置放大器放大，经由数据采集仪转化为数字信号，到达终端控制机并被储存、分析，最终得出管道是否泄漏的结论，并进一步采取后续泄漏处置措施。

2 试验验证

为了验证基于AE传感器的燃气管道泄漏监测技术的设想，获得燃气泄漏识别算法训练所需的数据，我们于上海市燃气行业实训基地搭建了一段试验管道，以进行燃气管道泄漏模拟试验。搭建的管道模拟装置由六段镀锌钢管拼接而成，包括五段3m长、DN50 mm、壁厚3 mm的钢管和一段9 m长、DN50 mm、壁厚9 mm的钢管。共设两条支管，长度均为3 m，各段管道间均采用丝扣连接，管道 布置的具体细节见图1。

图1 管道布置细节

图中管道最右端连接空气压缩机，向管道内注入空气以模拟燃气，利用稳压罐和减压阀，管道内气体压力保持为3 kPa，在图右侧支管上连一U形压力计以测量管内气压。图中左侧支管靠近末端管堵处，以带有螺丝的螺孔模拟管道微小泄漏，拧动螺丝可改变泄漏量，精确的泄漏量以管道中串联的流量计读出；为了防止该泄漏模拟处的螺丝密闭不佳，发生不可控的泄漏影响试验结果，模拟泄漏前端设置一球阀，球阀关闭即可保证此段支管不发生任何泄漏；打开右侧支管末端球阀，可模拟用户正常使用。

试验同时在管道上安装了两个AE传感器，用于模拟燃气管道泄漏的监测。两个压电传感器布置在距模拟泄漏发生1.5 m处，安装位置尽量贴近，可以近似认为二者接收到的信号是一致的。安装传感器前先清洁管道表面将贴附传感器的区域，并在传感器与管道表面之间涂上声耦合剂，以排除二者间缝隙中的空气，最大程度的减少信号的弥散和衰减，再将压电传感器固定在管道上表面，保证二者连接紧密不松动。传感器采集到的声发射信号被声发射信号前置放大器放大，经由数据采集仪转化为数字信号，到达终端控制机并被储存。试验现场见图2。

图2 试验现场照片

采样频率选用1 MHz，每组数据采样时间均为3 s。试验开始后，保持模拟泄漏、模拟泄漏处阀门和模拟用户正常使用的阀门关闭，打开空气压缩机，待管内气压稳定在3 kPa后，首先采集两组环境噪声信号。然后打开泄漏模拟处球阀，少量拧出泄漏模拟处螺丝以模拟泄漏，泄漏量很小时，可借助在管道上涂肥皂水的方法判断是否发生泄漏；计时1 min，记下丝扣三通旁的流量计在一分钟前后的流量差，计算此时的泄漏量；在此期间通过终端控制机采集了三组声发射信号数据。上述工作完成后，拧出更多螺丝以增大泄漏量，重复测算泄露量和数据采集的步骤。本次试验最终共采集了环境噪声及0.000067m3/s、0.00025m3/s、0.00071m3/s三种不同泄漏量下的 10组声发射信号，试验的不同工况设置可见表1。

表1 试验工况设置

为了更好的进行泄漏识别，根据泄漏量大小，将试验模拟的泄漏按泄露量分为大、中、小三类，故共存在无泄漏、微小泄漏、中等程度泄漏、大量泄漏四种分类结果，后三种均为发生泄漏的情况。

3 数据处理

3.1 数据预处理

对采集到的声发射信号进行样本离散、趋势项消去、特征提取等工作，图3至图6分别绘出了一组样本长度100 000个采样点，即0.1 s的环境噪声时、频域信号图和发生微小泄漏时的时、频域信号图，难以直接观察出两幅图的差别，这也说明需要使用各项参数优化选择后的模式识别算法对泄漏与否进行判断。

图3 环境噪声的时域信号

图4 环境噪声的频域信号

图5 微小泄漏的时域信号

图6 微小泄漏的频域信号

3.2 参数优化选择

3.2.1 特征值组合

对不同特征值组合进行尝试过程中，模式识别算法的其他参数固定不变，样本长度为100000个采样点，即0.1 s；隐藏层单元数量设置为30个；迭代次数选择5 000次；正则化系数固定为λ=0.001；数据处理结束后，随机从四类样本中抽取50%作为训练集，对算法进行训练，建立模型；其余样本作为测试集，用以评估该特征值组合下算法模型分类的准确性，训练集和测试集样本各152组。类型1为环境噪声样本，类型2为微小泄漏样本，类型3为中等程度泄漏样本，类型4为大量泄漏样本。

为了对比不同模型分类的准确程度，以分类准确率衡量分类的准确性，其数值等于测试集中分类正确的样本数量和测试集总样本量的比值。准确率越高则说明该模型越好。实际工程应用更加注重判断管道是否发生泄漏，为此，计算了二元分类的准确率，将类型2～4归为发生泄漏，类型1归为管道完整，重新计算分类的准确率。

采用不同的特征值组合进行学习后，其分类准确率如表2。不同特征值用以下编号表示：(1)峰值；(2)平均值；(3)标准差；(4)均方根值；(5)偏度；(6)峭度；(7)峰值指标；(8)峰值频率；(9)频谱重心；(10)信号功率。

对比第5、6、7组模型的准确率，可以发现在引入频谱重心这一参数后，第6组将所有情况均判定为微小泄漏，说明不恰当的特征值可能导致算法退化失效。类型4的泄漏量达到了0.000 71 m3/s，多组特征值组合对其分类准确率均达到 100%，说明泄漏量较大时，模型可以很容易的区分出泄漏，但对于微小泄漏，特征值选取和组合对分类的准确性有很大的影响。第8组和第10组模型的准确率完全一致，说明第 10组模型引入的峰值、平均值这两种特征对模型优化并没有帮助，是冗余的特征值，这也说明特征值的种类不是越多越好。本模型最佳特征值组合是第8组的峭度、峰值指标、功率三种，无论是总准确率还是各类别的准确率，该模型的分类结果都是最高。

表2 不同特征值组合的分类准确率

3.2.2 隐藏层单元个数

算法模型隐藏层单元个数没有明确的最优选择标准，也需要通过试算进行。隐藏层单元个数反应了模型的复杂程度，过多的隐藏层单元可能造成过度拟合，对样本数据获得了极优的拟合，但其泛化能力下降，对测试集样本进行分类时准确率反而下降；过少的隐藏层单元可能使模型陷入欠拟合的困境，由于其拓扑结构太过简单，无法划分出足够复杂的非线性分类边界。因此，需要对隐藏层的单元个数进行讨论与优化。

在试算过程中，模型的其他参数固定不变，样本长度为100 000个采样点，即0.1 s；根据3.2.1的优化结果，特征值选取峭度、峰值指标、功率三种；最大迭代次数为5 000次；正则化系数固定为λ=0.001。三类泄漏使用相同的训练集、测试集，以准确率量化衡量模型的优劣。

对于不同的隐藏层，其训练结果如表3所示，可以看到在一定范围内结果非常相似；

表3 隐藏层单元数量对分类准确率的影响

3.2.3 样本长度

声发射信号具有随机性，所以离散样本时取样长度也会影响特征值的大小，进而影响分类的准确性。理论上样本长度越长，提取的特征值越不易受到随机噪声的干扰，但样本长度不可以无限制的增长下去，计算机的存储、计算能力和系统的时效性要求样本长度越小越好，样本长度的选取需要在这二者之间选择一个平衡点。

在试算过程中，模型的其他参数固定不变，根据3.2.1和3.2.2的优化结果，隐藏层单元数量选择30；特征值选取峭度、峰值指标、功率三种；最大迭代次数为5 000次；正则化系数固定为λ=0.001。三类泄漏使用相同的训练集、测试集，以准确率量化衡量模型的优劣。

表4列出了以不同样本长度进行离散后神经网络模型分类的准确率。类型4的分类准确率保持在100%，说明此声发射信号的幅值足够大，受各种噪声扰动的影响小。随着样本长度的增加，分类的准确率在提升，但当样本长度达到2×105(序号5)时，其准确率反而有所下降，这有可能是由于样本长度过长导致样本数量减少，进而造成神经网络训练不充分引起的。综合分类准确性及计算复杂程度，样本长度在(1～1.5)×105是较好的选择。

表4 不同样本长度的分类准确率

4 结语

根据基于AE传感器的燃气管道泄漏监测技术的现场试验，我们获取了用于模式识别算法训练的数据并对其进行了处理；以实测数据为基础，完成了模式识别算法的训练及各项参数的优化选择。通过尝试所列举的不同特征值组合，发现特征值的选取对分类器准确度有很大影响，本模型的最佳特征值向量由是峭度、峰值指标、功率构成；其他条件确定时，隐藏层单元数量在20～50个的范围内变化对模型的影响不大；样本长度对判断的准确性有较大影响，(1～1.5)×105的样本长度较为合理。该算法模型的识别正确率达94%以上。

综上所述我们认为基于AE传感器的燃气管道泄漏监测技术是可行的，通过算法等进一步完善后可以应用于燃气管道泄漏监测，为燃气安全提供一种有效的技术支持。

Discussion and Test of Pipeline Leakage Monitoring Technology Based on AE Sensor

Shanghai Gas No. 1 Pipeline Engineering Co., Ltd. Yang Zhe

By using AE sensor to collect sound signals of gas leakage vibration along the pipe wall, we can draw the conclusion that the pipeline leaks. According to the gas pipeline leak monitoring technology based on AE sensor test, it is found out that the eigenvalue selection has a great influence on the accuracy of the classifier and the accuracy of judging the length of the sample. The sampling points (1～1.5) * 105of the length of the sample is more reasonable. The leakage monitoring technology of gas pipeline based on AE sensor is feasible.

gas pipeline, leakage, monitoring, sensor