基于声压传感器的供热管道泄漏检测

(沈阳航空航天大学 自动化学院，辽宁 沈阳 110136)

在我国北方很多地区都存在着供热管道老化的现象[1]，深埋地下的供热管道一旦发生泄漏很难被及时发现。在众多的管道泄漏检测方法中，负压波法应用范围最广[2]。但其在应用于管道微漏、缓漏的情况时效果不佳,在工况复杂和外界噪声较大的情况下，负压波法提取压力拐点信号的难度较大。基于声压传感器的音波法与负压波法相比具有灵敏度高、实时性强、响应速度快等优点[3]。负压波法的检测量为管道压力的绝对值，而音波法检测量为管道压力脉动。国外关于音波法泄漏检测技术的研究做出许多贡献，如ASI(Acoustic System INC)公司和Modsonic公司等都开发了多款产品应用于实际生产中，并取得了较好的效果。但由于商业原因，相关技术的文献资料极少。我国对于相关技术的研究起步较晚，近年来管道泄漏检测的研究主要集中在油气管道上，关于供热管道泄漏检测方面的研究非常少，相关研究大多在仿真和实验室阶段。因为音波信号在管道内传播过程中易受到现场多种噪声的干扰，导致传感器所采集到的信号信噪比较低，因此基于音波信号的泄漏检测方法尚未大规模应用于实际工程中。关于信号去噪方法的研究对于提高音波法泄漏检测的精度起到决定性作用。刘爽[4]在实验室搭建供热管道模型进行实验研究，得到了较为理想的泄漏信号滤波方法。但实验室管道模型内径和长度与实际供热管道相差极大，且实验室环境噪声相比于工况复杂的现场而言十分微弱。

为解决长输大口径供热管道泄漏检测的问题，本文利用PCB公司的高灵敏度声压传感器在长输大口径供热管道采集泄漏时产生的声压脉动信号，搭建了基于NI cDAQ的传感器数据采集系统；研究了基于小波的信号去噪方法，对比了db、sym、haar小波基函数应用于长输大口径供热管道泄漏信号的去噪效果，设计了基于harr小波的压力脉动信号去噪算法，并通过实际泄漏信号对设计算法进行了验证。研究表明：本文提出的基于haar小波的压力脉动信号去噪算法在实际应用中取得了较好的效果。为基于音波法的大口径长输供热管道泄漏检测方法在实际生产中的推广提供了事实依据。

1 音波法泄漏检测原理

供热管道正常运行时管内压力远高于管外大气压力。当供热管道发生泄漏时管道内的压力平衡被破坏，管内液体在压力的作用下喷射而出。在此过程中，由于液体与管壁和空气等相互作用而形成强烈的湍流，从而产生了四极子声源辐射声波[5]。与此同时，由于管道内液体与管壁、阀门等碰撞会产生偶极子声源，偶极子声源和四极子声源叠加为可表征泄漏的音波信号。泄漏点处产生的音波信号压力为

(1)

式中，p为音波信号压力脉动，Pa；ps为泄漏点处静态压力，Pa；D1为泄漏孔径，m；D2为管道直径，m。

泄漏音波信号从泄漏点开始沿着管壁向两侧传播，安装在管道上的传感器可以采集泄漏音波信号，根据音波信号的变化特征可对管道泄漏进行检测。在音波信号传播的过程中，其高频成分的衰减十分迅速，低频成分可传播较远距离[5-7]。所以，音波法泄漏检测适用于长输管道。

2 实验条件

现场实验在辽宁大唐国际沈抚热力有限责任公司辽宁省沈阳市浑南区深井子东路19号至同城二路11号之间供热管线上进行。管道正常运行压力为0.5 MPa，内径为1.2 m，管壁厚度为14 mm。实验中模拟泄漏点与数据采集点直线距离约1000 m。在模拟泄漏端阀井内通过三通装置与管道阀门相连，三通连接管一端连接压力表可供实时观察供热管道的运行压力，另一端连接控水闸阀，通过控制闸阀的开关状态来模拟管道泄漏的发生。在数据采集端阀井内通过相同的三通连接管与管道相连，三通连接管一端连接压力表实时观察供热管道运行压力，另一端连接传感器对泄漏音波信号进行感知。设备安装示意图如图1所示。

图1 设备安装示意图

传感器采用美国PCB公司的高灵敏度ICP®声压传感器106B50。这是一款用来测量动态压力的传感器，量程为-34.45～34.45 kPa，灵敏度为72.5 mV/kPa，分辨率为0.00048 kPa，低频响应低至0.5 Hz。106B50传感器低频响应特性较好，适宜使用在长输管道泄漏检测上。传感器内部结构示意图如图2所示。

图2 传感器内部结构示意图

当管道正常工作时管内压力稳定，声压传感器受力隔膜处于平衡状态，此时传感器无电压输出；当管道发生泄漏时，由于泄漏产生的音波信号使传感器的受力隔膜受到声压的作用，受力隔膜的平衡状态被打破，从而使传感器有电压输出。

采用NI公司的以太网CompactDAQ机箱cDAQ-9188和24位4通道动态信号采集模块cDAQ-9234设计数据采集系统。利用LabVIEW对采集模块进行配置并编写数据采集程序，通过软件选择IEPE模式驱动106B50传感器工作，最高采样率达51.2 kS/s。cDAQ-9188机箱与上位机通过以太网进行连接完成设备的配置和数据的传输。实验现场设备安装图如图3所示。

图3 现场实验设备安装图

上位机采用LabVIEW软件进行设计，可对数据采集设备的采样通道、采样率、采集数据范围等进行配置，还可以实时显示采集到的数据波形。采集到的数据通过上位机软件选择保存路径，数据文件以tdms格式保存。音波数据采集系统上位机软件前面板如图4所示。

图4 音波信号采集系统上位机前面板

3 实验结果与分析

由于实验现场所处环境十分复杂，实验所采集到的信号中含有大量的噪声，供热管道泄漏实验原始数据波形如图5所示。

由图5可以发现，能够表征泄漏的信号被淹没在噪声中，因此，必须对采集到的原始信号进行去噪处理后再对信号的特征进行分析。在原始数据中截取供热管道正常运行时段的信号进行频谱分析。供热管道泄漏实验原始数据波形图如图6所示，管道背景噪声信号频率充满整个频带，而不是集中在某段频带内。

能够表征管道泄漏的音波信号主要集中在低频段[9]，且模拟泄漏点与数据采集点相距较远，所以高

图5 供热管道泄漏实验原始数据波形图

图6 供热管道背景噪声信号频谱图

频段的信号将发生衰减。供热管道泄漏音波信号频谱图如图7所示。从图7中可知，实际有效音波信号的频率主要分布在3.226～8.065 Hz之间。实验中实际采样率为1651.61 Hz，可满足采样定理的要求。

图7 供热管道泄漏音波信号频谱图

基于傅里叶变换的信号去噪方法和基于小波变换的信号去噪方法是两种典型的信号去噪方式[8]。其中，基于傅里叶变换的信号去噪方法适用于平稳信号的处理。管道泄漏瞬间所产生的泄漏信号在时域范围内是突变的非平稳信号。与傅里叶变换相比，基于小波变换的去噪方法在非平稳信号的处理上更具优势[10-11]。基于小波变换的信号去噪方法首先要对原始信号进行小波分解，再对分解后的高频分量进行处理，最后进行信号重构完成信号去噪。小波分解时要确定小波基函数、小波基函数阶数和小波分解层数。目前并不存在完整的理论可以在小波分解中指导这些参数进行选择，要根据实际情况和工程实践经验对参数进行选择[9]。

在泄漏发生的瞬间，所采集的管道动态压力信号表现为幅值瞬间下降[10-11]。实验中共进行两次时间间隔为50 s的泄漏。db小波和sym小波是在以往研究中其他研究者使用较多的小波基函数类型，这两类小波能较好地处理实验室条件下得到的音波信号数据。为了比较不同小波基函数对信号的去噪效果，分别使用db4、db5、sym4、sym5、haar小波对信号进行分解。通过对管道泄漏音波信号进行频谱分析可知，能够表征管道泄漏的实际有效音波信号频率主要集中在3.226～8.065 Hz频带内。因此小波分解后的低频信息频带范围应包含频带(3.226 Hz，8.065 Hz)。实验中实际的采样率为1651.61 Hz，在小波分解层数达到10层时，其最低频分量的频带为(0,3.226 Hz)。不失一般性，根据实际情况将小波分解层数确定为8～10层对原始数据进行处理。信号小波分解时使用强制降噪处理法，即把小波分解的高频系数全部置“0”，再对信号进行重构。db4小波对原始信号分别进行8～10层分解并重构的结果如图8所示。

图8中，使用db4小波基函数对原始信号进行8～10层分解重构后，3条曲线均产生了3个突变点。db4小波8～10层分解重构曲线前两个突变点之间的时间间隔分别为48.25 s、49.62 s、50.88 s，基本符合两次模拟泄漏之间所设置的50 s时间间隔。但是第3次突变的产生在实际应用中会造成管道泄漏发生的误报警，这会使系统的可靠性大大降低。使用db5小波对原始信号进行8～10层分解重构，重构曲线如图9所示。

图9 db5小波分解重构曲线

图9中，使用db5小波基函数对原始信号进行8层和9层分解重构的结果与图8中使用db4小波基函数对原始数据进行分解重构的结果类似，都在曲线的中后部出现了第3次突变。由db5小波10层分解重构曲线可见，在整个时间范围内曲线波动较大，极易引起管道泄漏的误报警。使用sym4、sym5小波基函数对原始信号进行8～10层分解重构的曲线如图10、图11所示。

图10 sym4小波分解重构曲线

图11 sym5小波分解重构曲线

由图10和图11可见，在使用sym4和sym5小波基函数对原始信号进行8～10层分解重构后，重构信号的中后段仍会出现异常突变。特别是在使用sym4小波基函数对原始信号进行10层小波分解重构后，第二次模拟泄漏的突变信号被削掉，这在实际应用过程中将造成管道泄漏检测的漏报。

使用haar小波基函数对原始信号进行8层和9层分解重构时，原始信号仍会在中后段出现一次异常突变。在使用haar小波对原始信号进行10层分解重构时，可取得较好的去噪效果。使用haar小波对原始信号进行10层分解重构的曲线如图12所示。

由图12可知，经haar小波分解并使用强制去噪处理法将信号重构的曲线中，第一次突变发生在第14.88 s处，第二次突变发生在第65.09 s处，两次突变发生的时间间隔为50.21 s，与两次模拟泄漏的时间间隔50 s基本相符。同时，也消除了其他小波在去噪处理时在信号中后部出现的异常突变。db小波和sym小波在处理实验室得到的小口径、短距离管道模型泄漏数据时可取得良好的效果[12]，但实际的长输大口径管道所处的工作环境与实验室相比复杂很多，db小波和sym小波在长输大口径管道信号的处理中容易产生泄漏的漏报和误报。haar小波在时域中支集很短，局部分析能力很强，利用haar小波对信号进行降噪处理，可以有效地提取信号的奇异点，因此在本文的应用中取得了最好的去噪效果。

图12 haar小波10层分解重构曲线

4 结束语

在长输大口径供热管道进行泄漏检测实验，采用高灵敏度ICP®声压传感器106B50采集泄漏信号。由于实验现场环境复杂，采集到的原始信号中含有较多的噪声信号。使用基于小波的信号去噪方法对信号处理后发现：当泄漏发生时，声压传感器所采时域信号幅值突降。对db小波、sym小波、haar小波的去噪能力进行了对比，db小波和sym小波虽可一定程度地滤除噪声信号，但容易出现泄漏误报和漏报的情况。使用haar小波对原始信号进行10层分解，再采用强制降噪处理法对信号进行重构，具有最好的泄漏信号检测效果。