基于声信号特征分析的燃气管道探测识别方法*

刘恩斌，温櫂荣，郭冰燕，喻 斌，陈其琨

(1.西南石油大学 石油与天然气工程学院，四川 成都 610500；2.中国石油化工股份有限公司 天然气分公司，北京 100029；3.中石油华北油田分公司，河北 任丘 062550；4.中国石油管道局工程有限公司，河北 廊坊 065000；5.School of Engineering,Cardiff University，UK Cardiff CF24 3AA)

0 引言

2021年11月4日，国务院安委办印发通报中强调全面开展地下管网普查，加快老旧燃气管道更新改造改线。我国城镇燃气行业迅猛发展的同时，城市地下管线规模日益增大，在改扩建过程中，事故时有发生，对人员生命及财产造成巨大损害。地下市政管线情况复杂[1]，燃气管、水管、电力管、供暖管等管线密布，并且燃气管道既有金属管道，又有非金属管道，既有在役管道，又有废弃管道，现有探测方法的效率、准确性等还存在很大的局限性。而在役燃气管道中燃气流经阻力部件形成湍流或涡流，并产生流动噪声，流噪声信号通常是连续的且具有较宽频谱[2]，可以反应管道边界状态、内部运行等主要信号，通过声波传感器采集流噪声信号，经处理识别便可获得主要信息。因此，本文提出采用燃气管道流动声学特征提取方法来实现燃气管道的探测和辨识。由于燃气管道埋地，声音的强度、幅度、声压级很低，且具有衰减的特点。另外，地下除了燃气管道还有其他市政管道干扰，同时，由于原始声信号数据庞大且其高维特征无法有效表征目标信号的特点，需对声信号进行特征提取。

目前，特征提取针对水下声信号、泄漏声信号、故障诊断等[3-5]领域的研究较多，通常采用小波包算法、经验模态分解(EMD)、变分模态分解(VMD)算法等[6-7]。实际需要研究分析的信号，其在任意时间点都可能含有多个波形，所以Huang等[8]提出了Hilbert-Huang变换算法。

由表1可知，HHT算法应用广泛，研究的信号覆盖面广，本文尝试将这种灵活高效的方法应用于燃气管道流动声信号的特征提取中。根据特征提取出的参数进行模式识别，训练适合燃气声信号分类的识别模型。

表1 Hilbert-Huang变换算法在多领域的广泛应用

鉴于以上原因，本文针对燃气管道流动声信号，利用HHT算法对其进行分解，分析其时频及边际谱等特性，确定其特征参数，并归一化形成特征数据库，通过优化后的BP神经网络进行模式识别。

1 模型建立

1.1 特征提取模型与方法

噪声信号特征提取的流程为：

1)选择数值模拟和实验测试得到的流噪声声压脉动信号作为原始信号，做声压级变换得到随时间变化的时域数据。

2)对时域数据进行EMD分解，EMD分解流程如图1所示。

图1 EMD分解流程

3)计算筛选出的各IMF分量的峰值F、峰值频率Fmax，并归一化处理。

4)对经EMD分解得到的各阶IMF分量做Hilbert变换。

5)对Hilbert谱做时域积分得到原信号的能量在时频域上的表达方式。

6)计算出整个大区间能量和参数。

7)计算每个IMF分量边际谱的能量占比Ei作为特征参数，并归一化处理。

基于HHT方法提取出的3种特征参数：F、Fmax、E构成特征向量P。

1.2 模式识别模型与方法

对神经网络算法[16]进行优化，过程如下：

1)输入节点个数

根据提取的特征向量P，由特征向量维数以及实际分类时的分类效果，确定网络输入节点数为16。

2)输出层节点个数

根据燃气管道流噪声信号模式的2种声音类别，对燃气管道内部气体流动噪声信号的编码为(1,0)T；对其他类型气体流动噪声信号的编码为(0,1)T；输出节点取2个，且输出Y的编码如式(1)所示：

(1)

3)隐含层节点个数

通过对比分析不同隐含层节点数条件下网络的训练误差、测试误差以及迭代步数的变化情况，来选择最优的隐含层节点个数。各参数随隐含层节点个数的变化曲线如图2所示。

图2 各参数随隐含层节点变化曲线

由图2可知，网络的测试误差与训练误差均呈先降低后增大的变化趋势，当隐含层节点个数为10时，网络训练误差及测试误差最小，故将隐层节点数定为10个。

4)初始权值选择

通常初始权值有如下3种选择方法：

①在区间[-1，1]之间随机地选择初始权值；

②在0附近一微小区间[-0.01，0.01]之间随机地选择初始权值；

③采用不同的选取方式选择2级网络的初始权值：对于输入层到隐层的连接权值，将其初始化为很小的随机数；对于隐含层到输出层的连接权值，将其初始化为-1或 1。

基于上述提出的3种选取方法，通过多次对神经网络的测试，本文的BP神经网络选择在区间[-1，1]内随机生成初始权值。

5)学习率的选取

通常，需要对学习率选取多组数值进行对比验证，然后对比选取最优学习率供神经网络学习训练使用，对于学习率，一般选择在0.01～1之间，本文将其设为0.001，以保证网络的稳定性。

6)期望误差的选取

期望误差并非数值越低，神经网络分类识别的准确率就越高。如果实际仿真训练过程中，期望误差选择的过低，将会导致整个网络变得复杂化，影响神经网络的分类识别效率以及准确率。所以实际案例中，期望误差的选择只需能够满足要求即可。故本文期望误差设定为E=0.001。

综上所述，本文对于燃气流噪声信号所搭建的BP神经网络分类模型：选用3层拓扑结构，输入节点个数为16，隐含层节点的数为10，输出节点数为2，因此，网络节点拓扑结构为16×10×2，燃气流噪声信号BP神经网络分类模型如图3所示。

图3 燃气流噪声信号BP神经网络分类模型

2 结果与讨论

2.1 声信号的获取与验证

原始声信号的获取主要有数值模拟和实验测试2种方式。实验管道为架空敷设，研究对象有直管、弯头及三通，管材为PE管，管径为DN50、DN65、DN75，压力为0.005～0.01 MPa，流速为1～3 m/s。以DN65三通管件在压力0.008 MPa、流速3m/s条件为例，模拟与实验结果如图4所示。

图4 数值模拟、实验结果三维图

由图4可知，由于实验存在干扰，与模拟结果相比，实验图谱在明显的波峰之间频率相差较大，但二者特点基本一致，且峰值大小基本一致。对fluent软件模拟过程中得到的声压文件进行处理，将频域图转化为时域图，同时本文也采集了水声信号来进行对比分析。

图5为燃气流噪声信号和水声信号的频域图，由图5可知，水声信号声压级随频率增加逐渐下降，而流噪声信号各个频段都有较多能量，且存在主频率。图6为燃气流噪声信号和水声信号的时域图，由图6可以看出2类信号均呈现非平稳、非线性的变化趋势。

图5 燃气声信号和水声信号声压级频域图

图6 燃气声信号和水声信号声压级时域图

2.2 经验模态分解结果分析和讨论

基于EMD方法对燃气管道流噪声信号和水声信号进行分解，结果如图7～8所示。

图7 燃气声信号的IMF分量和余量时域波形图

图8 水声信号的各阶 IMF 分量和余量时域波形图

由图7～8可知，2声信号的IMF分量具有不同的时域波形特征，燃气流动声信号大部分能量集中在阶数较低的IMF分量上。而水声信号，在较高阶的IMF中集中了声信号的大部分能量，IMF1、IMF2集中的能量较小。

将燃气流噪声信号和水声信号的各个IMF分量相关系数和方差贡献率的计算结果分别绘于图9中。

图9 燃气声信号、水声信号各阶IMF相关系数和方差贡献率变化趋势

通过分析图9中2信号的相关系数和方差贡献率可得，燃气声信号主要计算 IMF1～ IMF8的特征参数，水声信号主要计算 IMF3～ IMF10的特征参数，并进行归一化处理。

2.3 希尔伯特边际谱分析

将信号的瞬时频率、幅值、时间等数据绘成三维图如图10所示，图形波动表示信号能量的高低。

图10 燃气流噪声信号、水声信号的三维时频图

从图10中可看出水声信号频谱特性表现出低频能量占优的特点，而燃气流噪声信号频谱特性表现为有明显波峰的特点。

将2类声信号进行EMD分解及处理过程中得到的各阶IMF分量的瞬时频率变化情况分别绘于图11中，由图11可知，EMD 分解过程中，2类声信号的频率是从大到小依次被分解出来的，残余分量的频率很小，几乎接近为0。

图11 燃气流噪声信号和水声信号各阶IMF分量瞬时频率

由于2种声信号在经过EMD算法分解后得到的IMF分量的阶数大致相当，在 Hilbert-Huang 变换时频谱的基础上分别对2种声信号求其边际谱，通过声信号IMF 的边际谱在不同频段的分布情况对其进行分析。

燃气流噪声信号和水声信号的边际谱曲线分别如图12和图13所示，进一步详细展示信号的特点，可以看出2类声信号存在主要频率成分(图中圆圈标示)，而2类信号能量也呈现明显差别，所以分别提取各IMF分量峰值、峰值频率及边际谱区域能量作为特征参数。

图12 燃气流噪声信号的IMF边际谱图

图13 水声信号的IMF边际谱图

基于上述对声信号的详细分析，各管件在模拟过程中设置了多个声压监测点，各情况下的燃气声信号虽然数值大小存在差别，但均存在明显的峰值现象，特性基本一致。对各工况的声信号进行特征提取，燃气声信号的特征参数：将峰值、峰值频率进行归一化处理得到其特征数据库如表2所示。

表2 燃气声信号特征数据库

2.4 基于BP神经网络的燃气流噪声信号分类识别

针对燃气声信号分类的网络模型，选取161组特征数据中的121组用于模型训练，40组用于测试。利用训练出的分类识别模型，将测试数据输入，来判断声信号是否为燃气流动声信号，从而检验本文方法对燃气流噪声信号特征提取的有效性。BP神经网络训练分类过程中训练、测试、验证及所有数据与拟合线之间的关系图如图14所示。将BP神经网络对测试样本的输出及分类识别率的情况列于表3中。

由图14可知，燃气声信号的网络模型实际输出与期望输出之间误差较小，且各结果均在拟合线附近，证明前文特征参数提取有效及网络模型合理。而其他类别信号若在该区域范围内则不准确，将最终识别情况列于表3，根据表3测试结果可知，网络模型对燃气流噪声信号分类识别率达97.5%。

表3 测试结果

图14 回归曲线示意

3 结论

1)本文提出采用燃气管道流动声学特征提取方法来实现在役管道的探测，证明声学特征提取方法在燃气管道探测中的有效性。

2)利用HHT声信号处理的优点，归一化处理得到燃气管道流噪声信号的特征数据库，证明HHT对于燃气管道声信号特征提取的有效性。

3)对BP神经网络优化，确定本文流噪声信号分类识别模型，识别效率为97.5%，证明本文基于声信号特征分析的燃气管道探测识别方法的有效性。