海洋平台油气管道疲劳裂纹AE信号特征提取及识别研究

2021-04-28崔洪斌谢耀国曲先强

振动与冲击 2021年8期

魏强，崔洪斌，谢耀国，曲先强，李旭

(1. 中国飞机强度研究所全尺寸飞机结构静力/疲劳航空科技重点实验室，西安 710065; 2. 哈尔滨工程大学船舶工程学院，哈尔滨 150001)

声发射(acoustic emission, AE)技术作为一种新型的无损检测技术[1]，已被应用到很多方面，尤其在裂纹检测方面应用较广泛，可对疲劳裂纹进行有效检测。对处于复杂环境中的海洋平台油气管道结构来说，当这些管道系统结构服役若干年后，振动疲劳问题就会随之产生，目前管道振动疲劳广泛存在于各个海洋油气平台，尤其对天然气管线，由于流速和压力较高，产生明显振动的概率较大，易发生疲劳破坏，因此，对海洋平台的设备管线进行研究非常有价值。由于海洋平台油气管道振动会导致采集到的疲劳裂纹声发射信号受到不同程度的干扰，而且声发射传感器又十分灵敏，非常容易被管道振动所干扰，因此，在检测过程中不可避免的会引入振动干扰信号[2-5]。因此，为了将声发射技术实际应用到监测海洋平台油气管道结构疲劳裂纹中，需要解决管道振动对疲劳裂纹信号的干扰以及疲劳裂纹AE信号有效特征提取的问题。

在模式识别过程中特征选取是最重要的一步，特征选取是否有效以及能否提供重要信息会直接影响识别结果的准确性，对此很多研究学者在这方面做了研究。Ali等[6]通过数学分析选取最重要的若干阶本征模态函数(intrinsic mode function, IMF)，提取振动信号的时域以及时频信息作为特征向量，结合神经网络用于对轴承的故障诊断中。Wu等[7]将故障信号通过经验模态分解(empirical mode decomposition, EMD)进行分解，提出采用前四阶本征模态函数的能量作为特征向量用于汽车空调鼓风机故障诊断。杨宇等[8]对轴承故障振动信号通过EMD进行分解，提取前八阶IMF的能量分配率作为特征向量结合神经网络用于滚动轴承故障诊断。Zhou等[9]提出了基于三维能量(three-dimensional energy, TDE)为特征向量的AE信号识别方法，分别提取AE信号的能量熵、前六阶IMF以及剩余分量能量分配率、区间平均能量作为特征向量，通过神经网络对轨道裂纹AE信号进行识别。林丽等[10]提出以能量元素构造特征向量，将AE信号通过EMD进行分解，提取前三阶IMF以及剩余分量能量分配率(energy distribution ratio, EDA)作为特征向量，使用断铅信号来模拟疲劳裂纹信号，通过神经网络对疲劳裂纹信号进行识别。大量研究表明，将故障信号通过EMD分解，提取各频带IMF分量的能量元素为特征参数用于各种模式识别研究中取得了良好的效果。

本文在已有研究的基础上，提出了概率神经网络(probabilistic neural network, PNN)结合基于EMD为特征提取的疲劳裂纹识别方法，即将管道振动干扰问题和疲劳裂纹AE信号有效特征提取问题联系在一起，将疲劳裂纹AE信号通过EMD分解并进行特征提取，通过建立特征元素优化准则对特征元素进行优化来剔除无效振动干扰信息，最后通过概率神经网络模型进行识别。

1 经验模态分解理论

经验模态分解是基于信号自身特征将信号分解成不同尺度的本征模态函数，按照尺度从小到大从上到下依次排列，每个本征模态函数均包含有不同频率段的分量[11-13]，这样原始信号就分解为若干个IMF分量和剩余量之和，即

(1)

式中：Ci为第i个IMF分量；Rn为剩余量；每个IMF必须满足两个条件：①每个IMF极值点和过零点的个数相等或者相差不超过1；②在任意一点，局部极大值点形成的上包络线和极小值点形成的下包络线的平均值必须为零。

由上述可知，经验模态分解是根据信号本身特征完成分解的，各个C1(t),C2(t),…,Cn(t)分量是包含不同频率段成分的，其大小是由大到小排列的，目前这种自适应性分析方法已经被广泛应用到各类故障信号的特征提取中。

2 概率神经网络

海洋平台油气管道结构疲劳裂纹识别是一种典型的模式识别问题。近些年来PNN已经被广泛应用到模式识别中，PNN是一种基于贝叶斯最小风险准则发展而来的计算方法，容错性好并且分类能力强，而且PNN对应的权值就是模式样本的分布，它是将待识别样本和样本库中的模式样本逐一比对，模式匹配样本个数越多，识别效果就越好，因而能够满足训练上实时处理的要求，尤其是对于这种需要处理大量声发射信号数据的方法来说是非常高效的[14-17]。因此，本文采用PNN用于识别钢结构疲劳裂纹AE信号。

PNN的层次结构由输入层、模式层、求和层和输出层组成，其层次结构如图1所示。

图1 概率神经网络结构图

输入层：在输入层中，神经元个数是特征向量维数，网络计算输入向量与所有样本库中的模式匹配样本向量之间的欧式距离。

模式层：在模式层中，神经元个数与已知模式匹配样本个数相等，已知的模式匹配样本个数越多，识别结果越准确，因此模式匹配样本个数对识别结果的影响很大。

求和层：在求和层中，神经元个数是类别个数，该层把各类按类相加作为输出结果。

竞争层：在竞争层中，神经元个数为一，该层将概率最大的那一类输出结果为1，其余都为0。

3 AE信号特征提取及优化

3.1 基于IMF能量比的特征提取

疲劳裂纹声发射信号经过EMD可以分解成若干个IMF分量之和，这些IMF分量所在的频率范围从上往下呈现减少的趋势，当油气管道结构一旦出现疲劳裂纹时，采集到信号经过EMD分解得到的各个IMF分量所在各频率范围的能量也会随之改变，各个IMF分量所在频率范围的能量包含着疲劳裂纹声发射信号很重要的特征信息。

(1) 通过希尔伯特变换计算各个IMF分量的瞬时幅值

Cij=H(xi(t))

(2)

式中：xi(t)为第i个IMF分量；Cij为第i个IMF分量中第j个点的瞬时幅值。

(2) 计算得到各个IMF分量的能量可用式(3)表示

(3)

(3) 计算得到所有IMF的总能量可表示为

(4)

式中：Ei为第i个IMF分量的能量；E为所有IMF分量的能量和。

(4) 计算IMF能量比可表示为

Ri=Ei/E

(5)

通过式(5)可以计算出各个IMF分量能量比[R1,R2,…,Rn]。

3.2 基于IMF区间平均能量的特征提取

通过上述分析可知，将各个IMF分量通过希尔伯特变换可以获得每个点的瞬时幅值，经过研究表明不同类型的声发射信号所对应的同一个IMF分量在各个点处的平均能量会有差异，这种差异可作为识别疲劳裂纹声发射信号的重要信息成分，因此提取IMF分量各个点处的平均能量作为识别疲劳裂纹声发射信号的特征向量。

定义IMF分量各个点处的平均能量为[18]

Gi=-lg(Ei/L)

(6)

式中：Ei为第i个IMF分量的能量；L为IMF分量包含的点数，本文L=8 192。通过式(6)可以计算不同IMF分量各个点处的平均能量[G1,G2,…,Gn]。

3.3 基于IMF信息熵的特征提取

信息熵是衡量一个系统所含信息量的多少，也是消除系统不确定性所需要信息的度量，若整个系统的不确定性越大，要消除这种不确定性所需要的信息量就越大，熵值也就越大。

假设某系统内包含有若干个随机事件事件，根据信息论定义事件i的信息Ii为

Ii=-pilog2pi

(7)

式中，pi为事件发生的概率，当pi=0时，Ii=0。

信息熵即为所有事件信息的总和，即

(8)

基于IMF信息熵的特征提取步骤如下[19]

步骤1将[-1,1]区间分为M个等长区间[-1,a1]，[a1,a2]，…,[am-1,1]。

步骤2对于IMF1分量落在m区间[am-1,am]的点数为N，各IMF分量的长度为L，则在区间[am-1,am]的概率为

p1(m)=N/L

(9)

步骤3计算IMF1分量的信息熵为

(10)

因此，可以通过式(10)可以计算出所有IMF的信息熵[I1,I2,…,In]。

将IMF能量比和IMF区间平均能量以及IMF信息熵结合起来，构建特征向量，因为信号之间会存在些许的差异，所以信号通过EMD自适应分解方法产生IMF分量的个数会有所不同，为了保证每个样本信号特征向量维数的一致性，采用分解层数最少的为基准，统一取前十阶IMF分量，因此可以构建30维的特征向量T。

T=[R1,R2,…,R10;G1,G2,…,G10;I1,I2,…,I10]

(11)

首先，由于在实际海洋平台油气管道检测中采集到的疲劳裂纹声发射信号受管道振动噪声的干扰，因此通过上述特征提取过程不仅会提取疲劳裂纹声发射信号特征信息，而且管道振动噪声干扰信息也会被提取，因此需要剔除振动噪声特征信息从而消除管道振动对疲劳裂纹声发射信号的干扰；其次，疲劳裂纹信号经过经验模态分解会出现过度分解的现象，也就是分解得到的IMF个数比实际组成的分量多，称之为虚假分量，虚假分量的存在对分类没有帮助，需要剔除；最后，由于构建的特征向量T是30维，给后续的识别会带来不便同时增加计算时间成本，需要压缩特征向量T的维数。考虑到以上三点，需要对特征向量T进行优化处理，剔除多余的对识别没有帮助的管道振动干扰信息，选出对识别分类最有帮助的优化向量用于后续的疲劳裂纹识别。

3.4 特征向量优化

特征向量的选择即特征向量的优化，可以剔除对识别分类没有帮助的管道振动干扰信息，并且能最大程度保留有用的识别信息，通过这种方式既可以消除管道振动的干扰，同时也可选出对AE信号识别分类最有效的特征值，实现多维特征向量维数的压缩。通过对IMF能量比和IMF区间平均能量以及IMF信息熵结合构建的特征向量进行优化，既可以消除外界环境噪声干扰，同时也可以提高识别疲劳裂纹AE信号的效率以及准确率。

3.4.1 特征向量优化原理

特征向量的优化目前可分为特征选择和特征提取，前者是指从已有的特征向量中通过某种特征选择准则进行筛选，后者是指将已有的特征向量通过某种变换产生若干个新的特征值构成的向量，该向量的维数小于原始的特征向量[20]。本文将采用特征选择中的基于类间散布矩阵和类内散布矩阵对特征向量T进行优化。

类内距离定义为在某类样本中，各个样本间的均方距离，平方形式为

(12)

式中，Xi和Xj为某类样本集中的两个样本向量。

设一共存在c类样本数据，考虑到各类样本的先验概率，类内散布矩阵表示各类样本围绕各自样本均值的散布情况，可定义为

(13)

式中：ni为第i类样本向量的个数；P(ωi)为第i类样本的先验概率；Mi为第i类样本的均值向量。

类间距离定义为各类样本均值之间的距离，其平方形式为

(14)

同样设存在c类样本数据，如果用先验概率进行加权，可以得到c类模式类间距离平方形式为

(15)

式中：M0为样本总体的均值向量。

类间散布矩阵表示各类样本的均值与总体样本均值之间在空间的散布情况，数学表达式为

(16)

由式(16)可知，类间散布矩阵是类间距离的矩阵表达形式，因此类间距离也可以表示为

(17)

按照定义可知，Sω和Sb均为对称矩阵，当样本类间距离与类内距离比值越大时，对识别分类效果越好，据此可建立特征优化准则为

(18)

式中： tr(Sω)为类内散布矩阵的迹； tr(Sb)为类间散布矩阵的迹。

3.4.2 特征向量优化准则

通过3.3节构建了一个30维的特征向量T，分别对特征向量T中的30个特征元素分别通过特征优化准则进行判别，此时的Sb和Sω均为1×1的矩阵，Sb和Sω的比值即为类间散布矩阵的迹与类内散布矩阵的迹的比值J，根据比值J大小建立如下特征元素优化准则。假设两种模式所含的样本数一样，因此两种模式样本的先验概率均为0.5，如图2～图4所示[21]。

(19)

式中：Mi和Mj分别为模式1和模式2样本特征向量T中的第i个特征元素的均值；M0为所有样本构成的总样本第i个特征元素的均值，按照定义|MiM0|与|M0Mj|和的一半即为特征向量T中第i个特征元素的类间散布矩阵Sb；ri和rj分别为模式1和模式2样本特征向量T中的第i个特征元素围绕各自均值的散布情况，两者之和的一半即为类内散布矩阵Sω。

图2 可分准则示意图

图3 临界可分准则示意图

图4 不完全可分准则示意图

(20)

(21)

可分准则：当Sb和Sω的比值J>1时，可以认为特征向量T中的第i个特征元素能够对模式1和模式2样本能够做到很好的识别分类，图2为可分准则示意图。临界可分准则：当Sb和Sω的比值J=1时，可以认为特征向量T中的第i个特征元素能够对模式1和模式2样本恰好能够做到识别分类，图3为临界可分准则示意图。不完全可分准则：当Sb和Sω的比值J<1时，可以认为特征向量T中的第i个特征元素能够对模式1和模式2样本不能够做到很好的识别分类，图4为不完全可分准则示意图。根据上述分析，如果第i个特征元素的类间散布矩阵与类内散布矩阵的比值小于1时，则认为模式1与模式2第i个特征元素包含的特征信息十分相近，且无法对两者进行识别分类，需要予以剔除。因此要筛选出比值J≥1的特征元素用于识别海洋平台油气管道结构的疲劳裂纹AE信号。

4 试验与结果分析

4.1 海洋油气平台实尺度管道系统结构模型

4.1.1 前期调研

为了能够最真实的建立海洋平台管道实体结构模型，首先需要对典型管道振动诱因进行调研，发现引起管道结构疲劳裂纹的原因主要集中在以下几个方面[22]：

(1) 在大部分管道系统中都存在湍流，湍流的主要起因是系统中存在不连续流动的流体。湍流通常发生在流体流经的设备、部分关闭的阀门、短半径、虾米腰弯头、三通或大小头位置，发生湍流的位置会产生大量连续动能，从而导致管道产生低频振动，在这些位置极易发生疲劳破坏。

(2) 机械激励引起的振动，大部分这类问题与往复压缩机/泵有关，激振力直接作用到与机械连接的管道上或者管道附属结构上，从而引起管道振动，长时间也会使管道结构产生疲劳裂纹，通过和相关技术人员交流，机械振动是导致管道系统结构产生疲劳裂纹的主要原因之一。

(3) 水锤是由于处于运动中的流体被强制停止或突然改变方向而引起的压力波动。假如在管道出口突然关闭管道，将在流体中产生向流体上游传递的声速压力波，会在上游管道处产生瞬间高压和作用力，通过快速关闭或打开阀门使流体动量快速改变也能产生瞬间高作用力，在这种力的作用下极易使管线产生疲劳裂纹。

通过进行大量调研以及同相关技术人员交流可知，在上述三种激励作用下，海洋平台管道走向复杂处、直径小的分支管以及末端有集中质量结构附近焊缝处均易产生振动疲劳裂纹，因此在建立海洋油气平台实尺度管道系统结构模型时要包含上述这些易产生疲劳裂纹的管道构型。

4.1.2 实尺度管道系统结构模型

管道系统结构试验模型将采用海洋平台上常用的、同种规格的管道，经过前期调研可知，海洋平台常用管道的规格为10～50 cm，材料为GB/T 8163—2008《输送流体用无缝钢管》[23]。经过对典型管道振动诱因及构型前期调研可知，易产生振动疲劳的位置为：①管道走向复杂处；②直径小的分支管；③支管末端有集中质量结构。因此管道振动试验模型需包含典型上述易发生振动疲劳的管道构型，包含一个质量集中点，一个水平支管，一个垂直支管，两个弯管，为了更真实的模拟海洋平台油气管道，采用实尺度管道系统结构试验模型，如图5所示。

图5 管道系统结构说明

4.2 实尺度管道系统结构模型试验

根据调研可知，实际海洋平台油气管道不同位置的振动情况不同，需要考虑不同程度的振动干扰对疲劳裂纹识别结果的影响。为了探究不同程度的管道结构振动干扰对识别结果的影响，同时也为探究外界激振频率对识别结果的影响，试验通过采用激振器的激励作用使管道系统产生振动，由于激振器频率越高时，激振器对管道系统的作用力越小，断铅声发射信号受管道结构模型的振动干扰越小，因此可以通过控制激振器的频率来控制管道振动干扰的程度。将激振器的频率分别设定在10 Hz，20 Hz，30 Hz，40 Hz以及50 Hz，一共5个频率，通过打压设备将管道系统结构注满水，并且使内部压力保持在0，打压设备和激振器装置如图6所示。试验如图7所示。通过AE装置分别采集上述管道试验模型不同位置处的振动噪声信号。

试验采用美国物理声学公司生产的PCI-2型声发射装置，传感器采用R15型，工作频率为50～400 kHz，谐振频率为150 kHz，采用增益为20～60 dB的前置放大器，采样频率为2 000 kHz，AE信号采样长度为8 192点。

图6 打压设备和激振器装置

图7 实尺度管道系统结构模型试验

通过在小试件上进行疲劳试验发现实际钢结构疲劳裂纹声发射信号和断铅信号在频率成分上差别并不大，特征频率范围大致都在100～400 kHz内，只是断铅信号持续的时间较长，再加上由于在实尺度管道系统结构模型上无法进行疲劳试验，因此采用国际通用断铅模拟疲劳裂纹的方法来模拟管道疲劳裂纹声发射信号，在激振器的激励作用下同时进行断铅试验，如图8所示。分别采集管道系统结构不同位置的信号，通过这种方式就可获得包含振动噪声的断铅声发射信号，由于断铅产生的信号具有随机性以及管道系统结构不同位置受距离的影响，因此不同位置处采集到的声发射信号幅值会有差异，为了排除幅值的影响，将所有采集到的声发射信号进行归一化处理。

图8 断铅试验

4.3 试验结果与分析

分别在10 Hz，20 Hz，30 Hz，40 Hz以及50 Hz的激振频率下采集振动信号以及含振动噪声的断铅声发射信号各100组，其中振动噪声信号以及含振动噪声的断铅声发射信号各50组用于样本训练，剩下50组振动噪声信号和50组含噪断铅声发射信号用于测试网络识别效果。

对10 Hz激振频率下采集的振动信号进行时频分析可知，管道振动噪声干扰频率范围在30 kHz以下均有分布，大致符合实际海洋平台油气管道低频振动噪声干扰的特点。图9为分别在10 Hz，20 Hz，30 Hz，40 Hz以及50 Hz激振频率下采集的振动信号以及含振动噪声的断铅声发射信号。当激振器的频率设定在10 Hz时，采集的断铅声发射信号受到管道结构振动干扰较大；当激振器的频率设定在20 Hz时，采集的断铅声发射信号受到管道结构振动干扰较为明显；当激振器的频率设定在30 Hz，40 Hz时，断铅声发射信号受到管道结构振动的干扰不明显；当激振器的频率设定在50 Hz时，断铅声发射信号受到管道结构振动的干扰极小，基本可以忽略。

对采集的信号数据进行特征提取，并对特征向量进行优化处理，图10为各个频率下的特征元素优化结果，比值J<1的特征元素个数分别为17，15，16，14，11，由于激振频率为40 Hz和50 Hz时采集的部分数据EMD分解后的IMF分量个数为9，为了保证向量维数的一致性，只提取前九阶IMF分量的特征信息，共有27维。分别对激振频率为40 Hz和50 Hz采集的信号数据进行优化，特征元素比值J<1的个数分别为14和11。因此激振频率为10 Hz，20 Hz，30 Hz，40 Hz以及50 Hz时剔除征无效特征元素个数占总向量维数的百分比分别为56.7%，50.0%，53.3%，51.9%以及40.7%，大致呈现下降的趋势。

由于在10 Hz受到激振器振动干扰最大，通过优化剔除断铅信号和振动噪声信号共有的振动噪声干扰特征元素最多，随着激振频率增大，断铅信号受到管道振动干扰越来越小，因此通过优化剔除共有的干扰特征元素就越少，因此通过这种方式可以排除管道振动噪声的干扰。

PNN结合基于EMD的钢结构疲劳裂纹AE信号识别方法在10 Hz激振频率下的识别结果，如图11所示。由于篇幅原因只列出激振频率为10 Hz的识别结果，经过对试验结果分析可知，除了在激振器频率为10 Hz出现了一个识别错误，在其他频率下均能够做到准确识别，其中类别一为断铅信号，类别二为振动噪声信号。因此经过试验验证，通过对特征向量进行优化可以剔除两者共有的干扰信息，以此来消除管道振动噪声的干扰，即使在激振频率为10 Hz受到较大干扰的情况下，通过上述方法识别正确率也能保持在99%。采用林丽等的方法在各个激振频率下的识别正确率分别为80%，100%，100%，96%，98%。可以发现，当振动噪声干扰较大时，识别效果一般，当外界振动噪声干扰较小时，识别效果还是非常不错的，整体识别准确率超过96%。

图9 不同激振频率下采集的AE信号

图10 不同激振频率下的特征元素优化结果

图11 10 Hz激振频率下的识别结果

4.4 探究管道系统内部压力对识别结果的影响

当管道系统内部压力改变时，在激振器的作用下管道系统结构同样位置的振动情况会发生改变。为了探究管道内部压力对识别结果的影响，分别在0 MPa，1 MPa，2 MPa，3 MPa下在实尺度管道结构模型上进行试验，如图12所示。

在上述5个频率中，当激振器频率为10 Hz时断铅信号受到的干扰最强，因此将激振器的频率设定为10 Hz，0 MPa压力下可以直接采4.3节的试验结果。试验分别在上述压力下采集管道系统结构不同位置处的振动噪声信号以及含振动噪声的断铅信号各100组，其中50组作为训练样本，剩下50组样本用于验证方法的识别效果。同样为了排除采集到的声发射信号幅值差异的影响，将所有采集到的声发射信号进行归一化处理。

图12 管道系统结构内部压力

通过对试验数据进行分析，可以得到分别在0 MPa，1 MPa，2 MPa，3 MPa压力下的识别结果.管道系统结构压力为0 MPa时出现一个识别错误；当管道系统结构压力分别在1 MPa，2 MPa和3 MPa下均能够做到准确识别；各个压力下特征元素优化结果tr(Sb)与tr(Sω)的比值J>1的特征元素个数分别为13，13，12，13。

通过对上述结果可知，由于除了在压力为0 MPa时出现一个识别错误，在其他压力下均能够做到准确识别，并且各个压力下类间散布矩阵的迹与类内散布矩阵的迹的比值J>1的特征元素个数差别极小，从上述两个方面进行分析可知，管道系统结构内部压力的改变对上述方法没有影响。