基于EMD与VPMCD的矿浆管道泄漏检测方法*

毛 敏， 王晓东， 吴建德， 刘英杰

(1.昆明理工大学 信息工程与自动化学院，云南 昆明 652500；2.云南省矿物管道输送工程技术研究中心，云南 昆明 650500)

0 引 言

复杂地形长距离矿浆管道(以下简称管道)在输送过程中，由于受到地形复杂、高速流动、建筑施工等因素的影响，容易引发泄漏，带来不必要的经济损失[1]。管道在正常运行的情况下，其压力值呈现出稳定而连续的变化，一旦发生了泄漏，管道沿程任意一点压力值都会发生下降，通过分析管道某点压力、流量是否偏离正常值范围就可以判断泄漏是否发生[2]。但工况调整同样会导致压力、流量下降，因此，易导致泄漏误报与漏报，增加了准确检测的难度。

如何在不同工况下，从非平稳的信号中提取[3]、选择最能准确反映管道运行工况的特征参数，以提高泄漏检测效率，保障管道安全输送的意义非常重大。

在管道泄漏检测领域中，由于复杂的运行现场和繁多的噪声类型，测量信号表现为非平稳、非线性的特征。经验模态分解(empirical mode decomposition,EMD)是一种新的非平稳、非线性信号的分析方法，该方法具有自适应的多尺度分解特性，且Hilbert变换也是自适应的信号处理方法，具有较高的信噪比。与此同时，变量预测模型(variablepredictive mode based class discriminate，VPMCD)的方法因其分类效果较好，在其他领域的故障诊断中取得了较好的应用。因此，结合以上方法分析信号，可排除管道工况调整对泄漏检测产生的干扰，有效提高管道泄漏识别率并准确报警[4]。

本文提出了一种基于EMD与VPMCD分类识别的管道泄漏检测方法，该方法能够有效地提取特征信号，并利用VPMCD方法建立泄漏识别模型，用于检测管道的运行状况，并提供安全保障。

1 信号特征提取方法

1.1 EMD

EMD的实质是根据不同时间尺度的特征把多分量的信号分解成一系列的单分量信号，即固有模态函数[5]。各阶次的IMF包含了原始信号的不同频率信息，分析这些IMF即可获得信号的局部信息特征。

假设信号为x(t)，经过EMD分解后可得到若干个本证模函数(intrinsic mode function，IMF)分量和一个余量rn(t)[6]，即

(1)

1.2 Hilbert-Huang变换

对式(1)中的各个ci(t)作Hilbert-Huang变换(HHT)[7]得到

(2)

构造解析函数

zi(t)=ci(t)+jH[ci(t)]=ai(t)ejΦi(t)

(3)

于是，可得其幅值函数

(4)

以及相位函数

(5)

求得瞬时频率

(6)

由此可得到Hilbert谱

(7)

式中Re为取其实部，展开式(6)中的频率ωi(t)和幅值ai(t)为随着时间变化的，从HHT的整个过程分析，Hilbert谱H(ω,t)描述了每个IMF分量的幅值随着时间和频率的分布规律。

1.3 Hilbert能量谱

若将|x(t)|2看成信号的能量密度，则经HHT后，H2(ω,t)也具有能量密度的物理意义，因此，将H2(ω,t)称为Hilbert能量谱。基于HHT边际谱，定义E(ω)为Hilbert边际能量谱

(8)

式中E(ω)为局部瞬时能量，反映了信号在某一频率成分的能量随着时间的变化规律。由式(3)可定义每个IMFci(t)的能量谱为

(9)

Ei(t)准确地描述了第i个IMF分量的能量随时间的变化情况。所以，第i个IMF分量的能量计算式为

(10)

标准差较好地反映了一个数据集的离散程度，各IMF的Hilbert能量谱分布标准差[6]为

(11)

2 信号特征识别方法

本文选取二次交互模型(QI)，如式(12)所示，对信号特征值向量进行分析

(12)

式中k，a，b≠i；Xi为变量；b0，bj，bjj，bjk为模型参数。

VPMCD方法[8]分为模型训练与分类2个阶段，具体过程[9]如下：

1)模型训练

a.假定存在q类状态，分别对其进行m次采集，每类状态下都有m个训练样本，即mk,k=1,2,…,q。

b.对所有的训练样本提取p个特征值，其特征向量记为T=[M1,M2,…,Mp]。

c.对随机被预测变量Mi,i=1,2,…,p，选取QI模型。

2)模型分类

a.选取测试样本并提取对应的特征值T=[M1,M2,…,Mp]。

c.计算所有类别下的所有特征向量的误差平方和的值δk，如式(13)所示。依据δk最小作为判别条件对测试进行分类，并将测试样本归到第k类

(13)

VPMCD方法根据VPM对信号进行特征值预测，用于信号实际特征值误差平方和最小作为评定标准，对信号进行识别。

3 基于EMD与VPMCD的泄漏检测方法

对分析在不同工况下智能压力变送器检测到的矿浆管道压力信号，考虑到管道工况的变化，会导致压力信号的波动范围差异较大，以此影响分析的结果，所以必须对上述条件下的信号进行去噪与归一化的预处理[6]，归一化至[-1,1]。由此，本文具体方法流程图如图1所示。

图1 管道泄漏检测流程

具体的步骤如下：

1)分别在管道正常运行、泄漏以及工况调整状态下，按一定采样频率依次进行n次采样，共得到2n个压力信号作为训练样本；为了数据准确处理，将信号进行预处理。

2)对每个工况下的各个压力信号预处理后进行EMD，得到若干个IMF分量，然后求得能够准确反映工况特征的局部Hilbert能量谱，将其作为分析对象。

3)提取前p个IMF分量的Hilbert能量谱作为样本特征，并构建相应的特征值向量T=[M1,M2,…,Mp]。

5)采集对应的测试信号，按步骤(2)、步骤(3)构成特征值向量T，将其分别作为VPMCD分类器的输入，根据其输出判断矿浆所处的运行状态。

4 实验结果与分析

4.1 实验管道数据

为了验证方法的有效性，利用某大学的管道输送实验室的一条复杂管道进行现场实验，实验室设备结构布局如图2所示。管道总长68.50m，其中平直管段仅有3.70m，管径为100mm。为了保证矿浆的正常输送，其高层差均小于15°，管道有2个至高点、2个至低点，在起始点及各点均安装有智能压力变送器，首尾端安装有电磁流量计。实验设置2处泄漏口。

实验内容包括对管道进行不同浓度(65%,55%)和不同流速(2.0，1.7，1.5m/s)工况下的正常运行、正常工况调整与泄漏工况实验。其中，1#,2#泄漏口均为直径为15mm的阀门。采用缓慢打开阀门的方式模拟泄漏，采用缓慢打开管道首端电动阀门的形式调阀；采用降低泵速的方式调泵。与此同时，采集压力、流量信号，其数据全部来自实验室的数据采集与检测系统，采样频率为10Hz，提取压力下降的暂态过程5min的数据，采样点个数为3000。

图2 管道结构布局图

4.2 管道运行工况特征量提取

管道泄漏与工况调整的压力波动信号存在着丰富、不同的信息。据此，本文选取泄漏与工况调整作为特征提取的对象，对以上信号进行预处理后，如图3所示。

图3 管道上下游压力信号

图3为在65%浓度，1.7m/s流速运行条件下，管道泄漏和调阀时的压力曲线。分别对其进行EMD,得到的IMF分量及Hilbert能量谱如图4、图5所示。

图4 泄漏压力信号IMF分量图及Hilbert能量谱图

图5 调阀压力信号IMF分量图及Hilbert能量谱图

泄漏与调阀共分解出6个IMF分量。在整个频率范围内，泄漏信号的幅值稍大于调阀信号。由图可看出泄漏信号IMF能量相比于调阀信号IMF能量大，且调阀信号的能量差异较小。经计算，泄漏信号的σ1=41.03，调阀信号的σ2=5.73，所以，从能量分布情况便可清晰地区分泄漏与调阀信号间的差异。

如图6所示分别为泄漏与工况调整的压力信号10组样本的能量分布情况，两者间存在着鲜明的差异。因此，可以将不同工况下的压力信号IMF分量Hilbert能量谱作为特征值向量，并利用VPMCD分类器对泄漏进行识别。

图6 IMF能量标准差分布

综上根据流量信号间的差异，检测管道泄漏，如图7所示。

图7 管道流量信号

4.3 管道泄漏检测

本文分别对管道在不同浓度、不同流速工况下1#，2#泄漏口上、下游的压力信号进行采样，在正常运行、泄漏与正常工况调整(调泵、调阀)数据中分别随机抽取10组数据作为训练样本，剩余20组作为测试样本。在此基础上，根据流量信号来综合分析泄漏故障。

实验结果表明：在管道3种运行状态下的60个样本中，仅有3个工况调整被误识别成管道泄漏，识别精度为95%。

为验证本文方法的准确性，在相同条件下，与文献[10]的方法进行对比分析，文献[10]提出了基于EMD与SVM的泄漏信号识别方法。结果如表3所示。从表中可看出：本文方法优势较SVM方法更为明显，验证了利用本文方法进行管道泄漏检测的可行性与有效性。

5 结 论

1)利用EMD方法对管道压力信号进行分解，得到能够准确反映工况特征的局部Hilbert能量谱，较为鲜明地区分出不同管道运行工况，有效地实现分类。

2)通过将选定的Hilbert能量谱，以此构造特征值向量，并采用VPMCD方法建立泄漏识别模型，用于检测管道运行状态。实验结果表明：该方法能有效提高泄漏检测的准确性。

表1 泄漏状态下的预测模型

表2 基于EMD与VPMCD的管道泄漏检测结果

表3 本文方法与文献[10]方法对比结果

3)通过分析管道上下游流量信号，能更有效、更精确，更全面地进行泄漏检测。

由于受信号低采样频率的限制，给信号分析带来了影响，下一步将对其进行改进，做更为精确的分析并对泄漏进行定位。

[1] 王 正,王洪诚,傅 磊,等.基于多压力传感器负压波的管道检测法[J].传感器与微系统,2015,34(5):115-118.

[2] Liu Cuiwei,Li Yuxing,Yan Yukun,et al.A new leak location method based on leakage acoustic waves for oil and gas pipe-lines[J].Journal of Loss Prevention in the Process Industries,2015,35:236-246.

[3] 曲志刚,封 皓,靳世久,等.基于提升小波的管道安全系统信号特征提取方法[J].传感器与微系统,2010,29(5):59-62.

[4] 王 政,付红桥,付少华,等.基于虚拟仪器的原油管道泄漏实时监测与定位系统[J].传感器与微系统,2012,31(1):111-116.

[5] 刘 霞,黄 阳,黄 敬,等.基于经验模态分解的(EMD)小波熵阈值地震信号去噪[J].吉林大学学报:地球科学版,2016,46(1):262-269.

[6] 赵利强,王建林,于 涛.基于改进EMD的输油管道泄漏信号特征提取方法研究[J].仪器仪表学报,2013,34(12):2698-2702.

[7] 刘玉龙,李晓林.HHT在动态称重传感器处理非线性信号中的应用[J].传感器与微系统,2015,34(7):158-160.

[8] Luo Songrong,Cheng Junsheng,Zeng Ming,et al.An intelligent fault diagnosis model for rotating machinery based on multi-scale higher order singular spectrum analysis and GA-VPMCD[J].Measurement,2013,87:38-50.

[9] Yang Yu,Wang Huanhuan,Cheng Junsheng,et al.A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition[J].Measurement,2013,46:2306-2312.

[10] 于 蕊,张寿明,毕贵红,等.基于EMD与SVM的泄漏声发射信号识别方法 [J].计算机与应用化学,2015,32(10):1259-1264.