基于EEMD 的声发射管道泄漏定位检测

周颖涛，周绍骑，姚远航，晁文胜

(1.后勤工程学院军事供油工程系，重庆401331;2. 68099 部队，宝鸡 721700)

管道在油气输送过程中，由于老化、断裂、腐蚀、人为破坏等原因，泄漏时有发生，严重威胁人员和财产安全。现有的检测方法如负压波法、模型法、神经网络法等［1］，对于小孔泄漏、缓变泄漏、已发生的泄漏等情况，存在定位精度不高、甚至无法定位的缺点。声发射法既适用于突然泄漏，也适用于已经发生的泄漏，安装传感器时无需在管道上打孔，因此对声发射管道泄漏检测定位研究具有重要意义。

在实际检测中，传感器接受到的信号包含大量噪声，直接用原始信号进行计算就会造成较大误差，现有的信号处理方法如小波包分解［2］、EMD［3］等先后被应用于管道泄漏声发射定位，但都不能完全解决定位精度不高的问题。为提高定位精度，本文选取集合经验模态分解(EEMD)作为数字信号处理方法，管道泄漏产生的声发射信号具有强烈的非平稳特性［4］，EEMD 适用于非平稳随机信号的分析，通过对分解的信号进行提取和重构，可以更准确、有效地把握信号的特征信息。

1 声发射定位原理

当管道发生泄漏时，在管内流体从漏孔向外喷射过程中，流体与泄漏孔处管壁的摩擦产生的能量以应力波的形式沿管壁传播，利用声发射传感器采集该应力波信号，通过互相关法计算时差，即可确定泄漏位置。其定位原理如图1 所示［5］，由泄漏处产生的声发射信号传到两端的传感器产生一个时间差Δt，Δt=(L2-L1)/C，L1、L2为泄漏处与传感器1、2的距离，C 为泄漏处产生的声发射信号沿管壁传输的速度，其中

式(1)中D 为两传感器之间的距离，只要知道Δt，就可以确定漏孔位置，而对两个传感器接收到的信号进行互相关计算就可以得出Δt。其中互相关函数

式(2)中:Rx1x2(Δt)为两信号的互相关函数;mx1、mx2为两信号的平均值;σx1、σx1为两信号的均方差。ρx1x2最大时对应的Δt 为所求的时间差，进而可以计算出泄漏的位置。泄漏信号沿管壁传输速度为［6］

式(3)中:CL为纵向体速度;E 和ν 分别为弹性模量和泊松比;B 为体积模量;h 为管的厚度;a 为水管内经。

图1 泄漏定位检测原理

2 EEMD 信号分析方法

EEMD 算法为改进的EMD 算法，这是一种自适应分频方法，不必像小波包分解那样既要考虑小波基的选择又要考虑分解尺度［2］，可以较好地解决声发射泄漏信号的多模态问题，具有良好的适应性和准确性，近年来被大量应用于语音信号处理和机械故障诊断等领域［7］。

2.1 经验模态分解(EMD)算法

1998年，美籍华人Norden E. Huang 等［8］提出了本征模态函数(Intrinsic Mode Function，IMF)的概念，以及将任意信号分解为一组本征模态函数的新方法——经验模态分解(Empirical Mode Decomposition，EMD)。EMD 本质上是一种将时域信号按频率尺度分解的数值算法，可以根据被分析信号自身的特点，自适应地选择频带，将原始信号分解为若干个IMF 分量和残余分量，具有直观、直接、后验以及自适应性，适用于非平稳信号的分析。

2.2 集合经验模态分解(EEMD)算法

EMD 过程中，当数据不是纯的白噪声时，分解中的一些时间尺度会丢失，这时就会造成分解的混乱，即模态混叠［9］。为了解决这个问题，Wu 和N.E.Huang 等［9］提出了集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)法，其具体过程为

1)在目标数据上面加入白噪声序列;

2)将加入白噪声的序列分解为IMF;

3)每次加入不同的白噪声序列，反复重复步骤1)、2);

4)把分解得到的各个IMF 的均值作为最终的结果。

2.3 EEMD 算法应用于声发射管道泄漏定位

由于管道泄漏声发射信号中包含有大量的噪声，如果用EMD 法对信号进行分解，就会遇到泄漏信号和频段接近的干扰噪声混叠在一起的现象，即模态混叠现象，通过互相关法进行漏点定位时，就会产生误差。而EEMD 方法在信号分解过程中通过添加高斯白噪声，使频段相近的信号分离，可以得到更准确的分解结果，进而提高定位精度。具体步骤如下:

1)对1#、2#传感器测得的信号x(1)、x(2)进行小波去噪［10］得到信号s(1)、s(2)。实际测得的信号包含大量噪声，小波去噪使信号更加平滑，不仅可以减少噪声的干扰，而且可以有效减少EEMD 的运算时间。

2)通过对信号s(1)、s(2)添加高斯白噪声，进行EEMD分解，得到两组IMF。此过程中要合理选择高斯白噪声的均方差，如果均方差偏大，会埋没原始信号，分解出的IMF 会明显带有噪声;如果均方差过小，在分解过程中会使添加的噪声信号逐步分散在IMF 中，影响低频部分的分解。本文选取待分解信号s(1)、s(2)均方差的0.1 倍分别作为所添加高斯白噪声的均方差。

3)对分解的两组IMF 分别进行选择性重构。观察分解的两组IMF，根据管道泄漏声发射信号非平稳、随机性的特点，选取有效的IMF 分别进行信号重构，重构后的信号为h(1)、h(2)。

4)对重构后的信号进行互相关分析，求出时间差，确定泄漏位置。运用Matlab 的xcorr 函数对h(1)、h(2)进行互相关分析，求出h(1)、h(2)互相关序列最大值对应的序列延时矢量Bm。传感器采样频率为Fs，波速为C，则信号h(1)、h(2)的时间差Δt=Bm* C/Fs，测量得到两传感器之间的距离为D，通过式(1)即可确定泄漏位置。

3 计算机仿真分析

为验证EEMD 算法相比EMD 算法的优越性，本文选取如图2 所示的一组典型信号序列，该信号由一路幅度逐渐增大的正弦信号和7 路频率依次降低、幅度为1 的信号及趋势量叠加而成。分别采用EMD 和EEMD 方法分别对上述叠加信号进行分解;EEMD 过程中，所加高斯白噪声相对均方差为0.1，总体平均次数设为500，最大单次循环数设为5 000，分解结果如图3 所示。

图2 待分解仿真信号

从图3 中可以看出，EMD 的结果中IMF 分量存在模态混叠现象，与实际信号相差很大。而EEMD 分解得到的IMF从高频到低频依次分布，所得到的信号更加平滑，更接近真实信号，较好地克服了模态混叠现象。

4 实验分析

模拟管道铺设了6 m×7 m 长的野战输油管线进行输水实验，管道外径102 mm，壁厚2.5 mm，管材为10 号带钢，管内水压为0.06 MPa。采用德国Vallen 公司生产的AMSY-5(M16 -2)型16 通道声发射仪采集信号，采样频率设为2 MHz，采样点数为10 000 点。1#传感器和2#传感器采集到的信号x(1)、x(2)如图4 所示。

图4 传感器采集的信号

由于实验现场环境含有大量的噪声(如泄漏水流、振动噪声、电子仪器带来的噪声等)，对原始信号直接进行相关分析会产生较大的误差。1#和2#传感器接收到信号x(1)、x(2)经小波去噪，小波基选择dmey 小波，分解尺度选择3 层，去噪后的信号h(1)、h(2)如图5 所示。

图5 信号经小波去噪后的结果

通过加入相对均方差为0.1 的高斯白噪声，将信号h(1)、h(2)经EEMD 分解，结果如图6 所示。

图6 1#和2#传感器采集的信号及EEMD 分解

分解得到的IMF 组代表了信号的内在特征，Wu 和Huang［11］用实验的方法证明了分解过程具有二进滤波的作用。管道泄漏AE 信号具有典型的非平稳特性，根据这一特征，对分解后的IMF 进行分析可获得信号中更丰富的波动信息。因此，可以利用分解得到的具有典型管道泄漏声发射特征的IMF 分量对信号进行重构，恢复被干扰的真实信号，而对于剩余的IMF，如果干扰的成分较突出，可以直接将其去除。由于残余分量是单调的，且代表了信号的整体趋势，所以对AE 信号的分析作用不大，因此可不考虑残余分量的影响。

从图6 可以看出，EEMD 较好地将所测得的信号进行了分解，在分解得到的两组IMF 中，IMF1、IMF2、IMF6 及其后面的分量幅值很小，对AE 信号的分析影响较弱，故不考虑。分量IMF3 ～IMF5 呈具有冲击性质的AE 信号的典型特征，因此为有效的IMF 分量。选取IMF3 ～IMF5 三个本征模态函数进行重构，重构后的信号h(1)、h(2)如图7 所示。

图7 传感器采集信号的重构波形

对重构后的信号进行相关分析，得到泄漏点与1#传感器的距离为17.432 m，实际距离为18.00 m，误差为3.16%。为进行比较，分别对原始信号、EMD 分解后的重构信号、EEMD 分解后的信号进行互相关分析，计算得到泄漏点距离1#传感器的位置如表1 所示。

表1 根据不同方法计算的泄漏点位置

5 结束语

为提高管道泄漏声发射检测的定位精度，根据管道泄漏AE 信号非平稳、随机性的特点，选取了EEMD 对信号进行分析:将两个传感器采集到的信号依次进行小波去噪和EEMD分解，对分解结果进行信号重构，通过互相关法进行时差计算和漏点定位。运用计算机仿真的方法，对一组典型的模拟信号分别进行EMD 和EEMD，仿真结果表明EEMD 比EMD具有更强的信号分解能力。通过实验，将所测得的声发射信号进行小波去噪，添加均方差适合的高斯白噪声进行EEMD，得到了分解后的两组IMF 分量。去除IMF 组中的干扰成分，筛选出具有现实物理意义的IMF 分量对两路信号分别进行重构，进而确定时差和漏点位置。实验表明:EEMD 比EMD 计算出的结果更为准确，漏点定位精度更高。

［1］陈华波，涂亚庆.输油管道泄漏检测方法综述［J］.管道技术与设备，2000(1):38-41.

［2］史烈，张光新，周泽魁，等.基于声发射的输油管线破坏点定位方法研究［J］. 浙江大学学报:工学版，2005，39(3):322-325.

［3］孙立瑛，李一博，靳世久，等.基于小波包和HHT 变换的声发射信号分析方法［J］.仪器仪表学报，2008，29(4):1577-1582.

［4］《国防科技工业无损检测人员资格鉴定与认证培训教材》编审委员会.声发射检测［M］.北京:机械工业出版社，2004.

［5］LOU Y L，LIU G F，LI Z X.A general approach for optimal kinematic design of parallel manipulators［C］//New Orleans，LA:IEEE Proc Int Conf on Robot Automat.2004:3659-3664.

［6］PINNINGTON R J，BRISCOE A R.External applied sensor for axisymmetric waves in a fluid filled pipe［J］.Journal of Sound and Vivration，1994，173(4):503-516.

［7］Huang N E，Shen S S.Hilbert-Huang transform and its applications［M］.World scientific publishing co pte ltd，2014.

［8］Huang N E，Shen Z，Long S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proc.R.Soc.Lond，1998，454A:903-993.

［9］Wu Z，Huang N E. Ensemble empirical mode decomposition:a noise-assisted data analysis method［J］.Advances in adaptive data analysis，2009，1(1):1-41.

［10］刘明才.小波分析及其应用［M］. 北京:清华大学出版社，2013.

［11］Wu Z，Huang N E.A study of the characteristics of white noise using the empirical mode decomposition method［J］.Proc.R.Soc.Lond，2004，460A，1597-1611.