气体管道运行状态特征提取与状态识别

阚玲玲，叶 蕾，高丙坤，梁洪卫，路敬祎

(东北石油大学 电气信息工程学院，黑龙江大庆 163318)

0 引言

近年来，油气管道泄漏事件经常发生，并且都造成了严重的后果，因此，对油气管道的运行状态进行实时监测具有重要意义[1-3]。目前，反向传播神经网络(Back Propagation Neural Network，BPNN)等方法已广泛应用于油气管道的泄漏检测[4]。2013年，ABDULLA等[5]将神经网络和概率决策支持相结合，可快速识别管道运行状态；2015年，季舒瑶等[6]将本征模态函数(Intrinsic Mode Function，IMF)归一化能量作为特征参数，利用BP实现不同泄漏量的分类；2017年，刘胜楠等[7]研究了人工蜂群优化的BP神经网络；2019年，刘浩宇等[8]提出基于粒子群优化支持向量机的小泄漏检测法；2020年，燕宗伟等[9]针对管道泄漏检测准确率较低的问题，提出一种基于数据预处理的遗传算法(Genetic Algorithm，GA)优化BP神经网络泄漏检测法。

以上各项研究在各个细节方面均有独到见解。本文重点研究气体管道各运行状态的特征值，选取中心频率、云模型特征熵、重心频率作为特征值，搭建VMD-En-BP神经网络模型，实现气体管道正常运行(背景噪声)、敲击、渗漏、小泄漏和大泄漏等五种运行状态的识别。

1 气体管道各种运行状态声波信号特征提取

气体输送管道各种运行状态均会产生相应的声波信号，以下分析提取系统在不同运行状态下声波信号的特征变量。

1.1 气体管道运行状态检测系统设计

基于声波的气体管道泄漏检测系统硬件部分由模拟管道、空气压缩机、储气罐、控制系统、数据采集与处理系统组成，如图1所示。模拟管道承压范围为0～2 MPa，管道长度169 m，外径80 mm；数据采集系统由声波、压力、温度三种类型的传感器，以及上位机采集系统组成；在模拟管道上安装了15个球阀，每个球阀连接不同大小的泄漏口径，模拟大泄漏、小泄漏、渗漏三种泄漏状态。该系统选用LIT-PZT压电声压传感器和B&K 8103微型水听器作为管道声波信号的采集单元，前者的频率范围为0.1～20 000 Hz，后者的频率范围为0.1～180 000 kHz。

图1 气体管道泄漏检测模拟系统Fig.1 Simulation system for leak detection of gas pipelines

油田生产中的油气管道运行状态是指管道正常运行、管道破损发生泄漏、管道受外界影响发生振动等三种状态，本模拟系统针对气体管道开展研究，通过敲击管道模拟管道振动状态，通过球阀放空模拟管道泄漏状态。

目前对于管道小泄漏的阐述还没有明确的定义，有的用泄漏量进行界定，有的用泄漏孔径进行界定[10]。中国石油大学研究团队用流量计进行界定，将泄漏量小于管道总流量的1.2%泄漏称为小泄漏；辽宁石油化工大学研究团队用泄漏孔径d与管道直径D的比值进行界定，将该比值小于0.2的泄漏称为小泄漏；燕山大学研究团队将天然气管道泄漏孔直径介于1～5 mm 之间的泄漏称为小泄漏[11]。

由于本文设计的模拟系统未安装流量计，为了对泄漏大小进行界定，该系统用直径12.7 mm的4分球阀直接放空模拟大泄漏状态；通过直径1 mm圆孔放空模拟小泄漏状态；用外接10 m软管顶端的直径0.4 mm圆孔放空模拟渗漏状态，如图2所示。

图2 泄漏点和安装有衰减管的泄漏点Fig.2 Leakage point and the leakage point with installedattenuation tube

1.2 IMF特征值提取

可变模态分解(Variable Mode Decomposition，VMD)可以实现气体管道各种运行状态声波信号的自适应时频分解，然后通过提取分解后各平稳分量的信号特征实现运行状态识别[12-13]。采集实际运行管道正常运行、敲击、泄漏三种运行状态的声波信号，分别对其进行可变模态分解(VMD)，采样频率设为fs=10 000 Hz，分解尺度K=3，然后分析不同状态下各模态分量的特征。

正常运行经VMD后，各模态分量时域波形如图3所示，其中，IMF1中心频率为262 Hz，IMF2中心频率为5 264 Hz。

泄漏声波信号经VMD后，各模态分量时域波形如图4所示，其中，第1个模态IMF1的中心频率为7.9 Hz，第2个模态IMF2的中心频率为5 279 Hz。

图3 正常运行及其VMD时域波形图Fig.3 Normal operation signal and its VMD time domain waveform

敲击声波信号经VMD后,各模态分量时域波形见图5，其中，第1个模态IMF1中心频率为351 Hz，第2个模态IMF2中心频率为5 889 Hz。

对气体管道各种运行状态下的大量声波信号进行VMD，通过表1所列的数据分析发现，各个运行状态下采集的声波信号经过VMD后，第1个模态IMF1的中心频率有很大差别，第2个模态IMF2的中心频率差距也比较大，因此，各运行状态声波信号VMD后前两个模态的中心频率可以作为特征参数进行运行状态识别。另外，各个运行状态下的IMF1,IMF2中心频率会有一定的波动，这是由于每次试验的工况不完全相同造成的。

图5 敲击声波信号及其VMD时域波形图Fig.5 Knocking acoustic signal and its VMD timedomain waveform

表1 不同运行状态下IMF1和IMF2的中心频率对比Tab.1 Central frequency comparison between IMF1 andIMF2 under different operating states

1.3 云模型特征熵值提取

“熵”常用来表征信号的特征信息，其中，云模型特征熵参数选择简单，能解决不确定性问题，在故障诊断中获得了广泛应用[14]。C(Ex,En,He)表示云模型的不确定性，其中，特征熵En(Entropy)代表云滴的离散程度，决定了云滴的确定度。重构信号功率谱主频带位置的变化用重心频率FC表示。

如图6所示，基于VMD-Wavelet的云模型特征熵提取过程如下：(1)利用VMD-Wavelet算法将系统采集的信号分解为κ个模态；(2)利用豪斯托夫距离、峭度和偏度优选模态，重构信号；(3)计算重构信号的云模型特征熵值；(4)将云模型特征熵值En、重心频率FC作为特征参数。

图6 基于VMD-Wavelet的云模型特征熵提取过程Fig.6 Characteristic entropy extraction process of cloudmodel based on VMD-Wavelet

图7 三种运行状态时域波形图Fig.7 Time domain waveforms under three operating conditions

气体管道在正常运行、敲击、泄漏三种运行状态下采集的声波信号时域波形如图7所示，利用图6所示基于VMD-Wavelet的云模型特征熵提取过程，获取三种状态下声波信号的特征参数。

依次增加VMD的分解尺度，经数据对比发现前两个分量可以作为有效模态进行信号重构，重构的泄漏信号和敲击信号时域波形如图8所示。

图8 重构的泄漏信号和敲击信号时域波形图Fig.8 The time domain waveforms of reconstructed leakagesignal and knocking signal

超熵He(Hyper entropy)是熵的不确定性度量，它逐渐增大时，云滴落在云心区的概率是先递增、后递减的规律，存在一个极大值[15]，超熵越小越接近于正态分布。为了便于观察三类信号云模型的差异，将超熵He设为0.000 5，通过计算可以得到重构信号的云模型如图9所示，由内向外依次表示正常运行信号(正常信号)、敲击、泄漏三种运行状态。其中，泄漏信号特征熵值为0.040 9，明显大于正常运行信号、敲击信号的云模型特征值。因此，云模型特征熵En可以作为特征值进行气体管道运行状态识别。

为了验证各个特征参数的有效性，特采集正常运行、敲击、泄漏信号各40组，依次用VMD算法对其进行分解，取前两个分量进行重构，然后计算重构信号的云模型特征熵值和重心频率，得到云模型特征熵拟合曲线和重心频率拟合曲线,分别如图10，11所示。

图9 正常运行、泄漏、敲击声波信号重构云模型对比Fig.9 Comparison between reconstructed cloud models foracoustic signals for normal operation,leakage and knocking

图10 云模型特征熵拟合曲线Fig.10 The characteristic entropy fitting curves of thecloud model

图11 重心频率拟合曲线Fig.11 The gravity center frequency fitting curves

由图10可知，管道泄漏声波信号的云模型特征熵值存在较大抖动，但与正常运行、敲击声波信号之间没有交叉，且差值较大。敲击、正常运行的云模型特征熵值比较稳定，且无交叉。因此，云模型特征熵可以作为气体管道运行状态的特征参数。由图11可知，泄漏声波信号的重心频率波动较小且比较稳定，与正常运行、敲击的重心频率之间差值较大，易于区分。因此，重心频率FC也可以作为管道泄漏检测的特征参数。

泄漏声波信号的云模型特征熵值波动较大，但可以与其他两种状态有效区分，同时，泄漏声波信号的重心频率波动较小，因此，可以将云模型特征熵和重心频率结合，共同作为气体管道运行状态识别的特征值。

2 气体管道运行状态识别

1986年，PLAUT等提出了误差反向传播算法(Error Back Propa-gation Training，BP)[16]，BP神经网络通常包含输入、输出、隐含3层，其训练过程包括：网络初始化、网络训练、网络测试三个步骤。本文基于BP神经网络搭建了3种气体管道运行状态识别模型，并进行对比分析。

2.1 VMD-BP模型与En-BP模型

将气体管道各种运行状态下的声波信号经过VMD，取前两个分量IMF1,IMF2的中心频率作为BP神经网络的输入参数：

X=[FIMF1,FIMF2]

(1)

依次提取正常运行(背景噪声)、大泄漏、小泄漏、渗漏、敲击等5种状态下的IMF1,IMF2分量的中心频率作为特征值：

(2)

式中，fx1,fy1,fz1,fr1,fq1,fx2,fy2,fz2,fr2,fq2分别表示5种运行状态下前两个分量的中心频率。将这些中心频率作为输入，并对特征矩阵进行归一化处理：

(3)

设置输出层神经元个数为1，输出为3表示大泄漏，输出为2表示小泄漏，输出为1表示渗漏，输出为0表示正常，输出为-1表示敲击，确定训练目标为:

(4)

分别对应管道的5种运行状态。

将隐含层神经元个数设置为7，则VMD-BP神经网络模型如图12所示。

图12 VMD-BP神经网络模型Fig.12 VMD-BP neural network model

VMD-BP神经网络识别过程如下。

(1)采集正常运行、敲击、渗漏、小泄漏、大泄漏5种状态下的声波信号各50组，提取IMF1,IMF2分量的中心频率；

(2)各取40组不同运行状态下的数据，对BP神经网络进行训练；

(3)各取10组不同运行状态下的数据，对BP神经网络进行测试。

通过仿真训练发现，VMD-BP神经网络本身的误差为3.57%，预测输出误差达到26%，测试结果如表2所示。通过表2可以发现：VMD-BP神经网络模型无法有效区分正常运行和敲击两种运行状态，单项误差达到了100%，对渗漏、小泄漏两种状态也出现了误判，整体输出误差达到26%。因此，仅用前两个分量的中心频率很难实现气体管道运行状态的准确识别。

表2 VMD-BP网络模型预测结果Tab.2 Prediction results of VMD-BP network model

采用同样的方法，搭建En-BP神经网络模型，结合En，FC两个特征值作为BP神经网络的输入。通过仿真分析发现神经网络本身的误差为4.15%，预测输出误差达到16%，分析表3中测试结果发现：该模型对敲击、正常运行两种状态已经能够有效地进行分类，但是小泄漏状态下有7组数据被判定为大泄漏，单项差错率达到了70%，因此，该模型对泄漏量的分类存在比较大的误差。

表3 En-BP网络模型预测结果Tab.3 Prediction results of En-BP network model

2.2 VMD-En-BP模型

通过第2.1节的试验数据可以发现，不管是IMF1，IMF2的中心频率、还是云模型特征熵En和重心频率，都无法实现气体管道所有运行状态的精确分类。本节将VMD后有效模态的中心频率IMF、云模型特征熵En、重心频率FC同时作为特征值，输入BP神经网络进行气体管道运行状态识别，搭建VMD-En-BP神经网络，网络搭建及测试过程同第2.1节。网络结构为4输入、1输出模型(如图13所示)，此时BP神经网络的输入为：

X=[FIMF1,FIMF2,FEn,FFC]

(5)

图13 VMD-En-BP神经网络模型Fig.13 VMD-En-BP neural network model

此时5种运行状态下的特征值分别为：

(6)

通过网络训练和测试发现,该网络本身误差为0.52%，预测输出误差为2%，测试数据如表4所示。该模型对正常运行出现了10%的误判，而对敲击、渗漏、小泄漏和大泄漏4种状态都能实现准确的识别，整体识别准确率达到了98%，因而是一种有效的气体管道运行状态识别模型。

表4 VMD-En-BP网络模型预测结果Tab.4 Prediction results of VMD-En-BP network model

3 结语

本文提出了VMD-En-BP神经网络模型，该模型能够实现气体管道正常运行、敲击、渗漏、小泄漏、大泄漏等5种状态的识别。测试结果表明，该模型的识别准确率达到98%以上，是一种高精度的气体管道运行状态识别方法，可以实际应用于气体管道运行状态识别。