基于Φ-OTDR系统的声波信号管道监测方法

张旭

（武汉邮电科学研究院，湖北 武汉 430074）

管道运输作为一种经济、有效、环保的运输方式，已成为国内外油气资源的主要运输手段[1]。近年来人为破坏的管道泄露事故时有发生，对人民财产安全及生态环境构成了相当大的威胁。所以保障管道运输安全，及时发现泄露是十分重要的[2]。

管道泄漏检测的研究从上个世纪70 年代开始，至今已经有五十余年发展历程，衍生出了多种多样的检测方法，如传感光缆法、负压波法、流量平衡法等。在如此多的检测方法中，Φ-OTDR 系统具有抗电磁干扰能力、高绝缘强度、对腐蚀和高压具有高耐性、可在恶劣环境下进行长距离准确检测等优点，非常适合应用于油气管道的泄漏检测。

该文基于Φ-OTDR 系统建立了泄露声波信号的BP 神经网络识别模型，对特征参数的选取和降噪方法做了一定研究，最终决定选取MFCC 作为特征参数，设计了一种新的小波阈值函数作为该文的降噪方法。

最终实验结果表明，文中建立的BP 神经网络泄漏方法具有较好的识别率，并且文中设计的新型阈值小波算法降噪效果良好，泄漏识别率有一定的提升，具有很高的应用价值。

1 Φ-OTDR系统工作原理

1993 年，由Taylor 和Lee 首次提出相位敏感光时域反射计（Φ-OTDR）思想，其原理是利用光在光纤中传播时发生瑞利散射，后向瑞利散射光携带光纤沿线的扰动信息，并沿光纤传播回光纤注入端，采集并分析后向瑞利散射光即可得到光纤上的形变信息[3]。

Φ-OTDR 系统因其具有抗电磁干扰能力、高绝缘强度、对腐蚀和高压具有高耐性、可在恶劣环境下进行长距离准确检测等优点[4]，在周界入侵检测、油气管道检测等领域已经得到广泛应用。

Φ-OTDR 系统采用光相干的检测方式，将连续光分为本地光和测试光，测试光经声光调制器后调制成为窄脉冲光，脉冲光从环形器进入到待测光纤，反射光从环形器回来后和本地光相干，经平衡探测器进行光电转换，将光信号转换为电信号，数据采集卡将采集到的电信号送入到工控机，工控机的中央处理器(Central Processing Unit,CPU)+图形处理器(Graphics Processing Unit，GPU)对数据进行快速傅里叶变换(Fast Fourier Transform,FFT)处理，最终得到外界对于光纤扰动的信息。Φ-OTDR 系统的总体结构如图1 所示。

图1 Φ-OTDR系统的整体结构

2 基于小波分析的信号降噪

在现实的工业环境中，Φ-OTDR 系统采集到的声波信号中必然掺杂着大量的环境噪声且系统本身自带噪声，这些噪声势必会对声波信号分析造成很大程度的干扰，导致泄漏识别准确率大大下降，所以对声波信号进行去噪是非常有必要的步骤。

目前常见的语音降噪算法有小波变换法、谱减法、滤波器法、子空间算法等。其中，子空间算法只能进行时域分析，谱减法和滤波器法只能进行频域分析，而小波变换法对时域和频域都具有一定的分析能力，所以非常适合对非平稳信号进行分析，而声波信号即是一个非常典型的非平稳信号，所以文中选取小波变换法中最为常见的小波阈值降噪作为该文的降噪算法[5]。

传统的小波阈值降噪函数有硬阈值函数和软阈值函数，但是由于它们都有一定的缺陷，如软阈值函数中的小波系数和原系数间有固定偏差，硬阈值函数有间断。所以在分析硬阈值、软阈值函数的基础上，设计构造了一个新型阈值函数，不仅克服了传统阈值函数的缺陷，且针对Φ-OTDR 系统的管道泄漏降噪有了更好的效果[6]。

阈值选取的主要准则有固定形式阈值准则(sqtwolog)、自适应阈值准则（rigrsure）、启发式阈值准则（heursure）和极大极小阈值准则（minimaxi）[7]。文中选取rigrsure 作为函数阈值准则。

2.1 阈值函数

传统的小波阈值降噪函数基本思想由Danoho提出，其主要函数如下所示[8]：

1）硬阈值函数

2）软阈值函数

式（1）、（2）中的λ为阈值，式（2）中的sgn()为符号函数，当函数的变量大于0 时取1，小于0 时取-1。

选取一段纯语音对其进行加噪，再用软、硬阈值对其进行处理，得到的波形如图2～5 所示。从软、硬阈值处理后的波形图可以看出，虽然通过硬阈值函数处理后的信号峰值信噪比较高，但是会有局部震荡的现象；经过软阈值函数处理过的信号波形虽然相对比较光滑，但会出现边界模糊的现象。

图2 纯语音原始信号波形

图3 加噪后波形

图4 硬阈值降噪后波形

图5 软阈值降噪后波形

2.2 新型阈值设计

文中设计了如下的阈值函数：

表1 不同阈值函数下降噪效果对比

由表1 可以分析出，对比硬阈值函数来说，文中提出的新型阈值函数降噪效果分别提升了2.69 dB、1.99 dB、3.2 dB、4.23 dB；对比软阈值函数来说，该文阈值函数降噪效果分别提升了2.02 dB、0.48 dB、4.13 dB、1.78 dB。由实验数据可知，文中设计的新型阈值函数比传统的软、硬阈值函数的降噪效果要好，且在低信噪比时降噪效果依旧出色。

3 特征参数提取

MFCC 是在人类听觉机理上提取的频谱特性参数，具有一定的抗噪能力和良好的识别性能，正因为如此，MFCC 是许多识别系统的最佳参数[9]。MFCC是由滤波器组频谱的离散余弦变换（Discrete Cosine Transform,DCT）产生的，在提取MFCC 特征参数中完成两个过程，即倒谱计算和梅尔缩放[10]。MFCC 方法依赖于短时分析和每帧的矢量特征。MFCC 特征参数的提取原理如图6 所示，具体步骤如下：

图6 MFCC特征参数提取原理框图

1）将声波信号x(n)进行预处理，包括预加重、分帧、加窗等操作，变为xi(m)。该文设置帧长为256 ms，帧移为150 ms，加窗函数为汉明窗[11]。

2）对每一帧声音信号进行FFT 变换，实现时域到频域的转换，得到声波信号的频谱x(i,k)，其公式为：

3）计算谱线的能量如下：

4）使每帧能量谱通过Mel 滤波器组，并计算该Mel 滤波器的能量，如式（6）所示。其中Mel 滤波器组的频率响应表示为Hm(k)。

5）把Mel 滤波器的能量取对数后进行DCT，得到MFCC 特征为：

其中，S(i,m)是式（6）求出的Mel 滤波器能量；m是指第m个Mel 滤波器(共有M个)，该文设置M=22；n是DCT 后的谱线。这样就求出了MFCC 参数[12]。

4 泄漏声波识别

4.1 BP神经网络基本原理

人工神经网络（Artificial Neural Networks,ANNs）实质上是受到人脑智能功能的启发，仿照人脑神经网络的结构建立的一种智能模型[12]。而BP 神经网络是一种最经典的人工神经网络算法，也是被应用得最为广泛的神经网络，其具有信号向前传播，误差反向传播的特点[13]。典型BP 神经网络的结构如图7所示，与人工神经网络的基本单元相同，也是以神经元为基本单元，由输入层、隐含层和输出层组成。BP神经网络具有自适应性强、泛化能力强和非线性映射能力强等优点，针对复杂的管道情况具有强大的适应与判断能力，非常适合应用于管道声波信号泄漏的识别[14]。

图7 典型BP神经网络拓扑结构模型

4.2 BP神经网络模型建立

该文利用Matlab 软件建立BP 神经网络管道泄漏声波信号识别模型，如图8 所示，BP 神经网络设置为3 层拓扑结构，隐含层的传递函数为logsig 函数，输出层的传递函数为purelin 函数，训练算法选择trainlm(Levenberg-Marquardt)算法[15]。网络的初始化参数设置：最大训练次数k=1 000，学习速率η=0.01，隐藏层节点数为10，输出层节点为2，其余参数为默认值。

图8 BP神经网络训练流程图

实验采集管道泄漏样本数据400 组，正常非泄露样本数据400 组，共800 组样本数据，采样率均为400 Hz，单次采样时长为1 s。两种状态各取300 组作为BP 神经网络的训练样本，提取样本信号的MFCC 特征参数作为网络的输入；隐含层节点暂定为10 个；输出层中，用[1 0]和[0 1]两个节点状态分别表示泄漏声波信号及正常声波信号。因此，网络的节点拓扑结构为24×10×2[16]。

训练完成后，将两种声波状态剩余的100 组特征值数据作为测试样本，通过测试样本的输出结果对泄露识别的准确率进行分析。

4.3 实验结果及分析

实验分别测试了MFCC 特征参数和使用新型阈值的小波去噪方法后的MFCC 特征参数在BP 神经网络中的识别性能，在0～40 dB 信噪比下的识别结果如表2 所示。从表中可以看出，对比MFCC 特征参数和小波降噪方法后的MFCC 特征参数的识别性能变化，改进后方法的整体识别率都明显优于改进前，并且在低信噪比时表现尤为突出。文中提出的新型阈值去噪方法将低信噪比的声波信号识别率从20.2%提升至61.2%，性能提升40%，在低信噪比时的识别率得到了大幅度的提升。

表2 不同特征参数的识别率对比

5 结论

文中提出一种基于Φ-OTDR 系统的声波信号检测方法，通过选取合适的特征参数，改善传统的阈值降噪算法来提高管道泄漏声波信号的识别性能。该文选取MFCC 作为特征参数，通过对传统的小波阈值函数进行改进，设计了一种新型阈值函数。在BP神经网络的训练与识别实验中，文中提出的新型阈值降噪方法将低信噪比时的声波信号识别率提升了40%，且在不同信噪比时的泄漏声波信号识别性能都有一定提升。

实验表明，利用Φ-OTDR 系统对管道的声波信号进行泄漏识别的方案是有效的，可以准确地监测出泄漏信号。并且文中提出的新型小波降噪法相比传统的降噪方法可以更为有效地去除采集信号的噪声，一定程度上提高了声波信号的信噪比，大大提高了在低信噪比时的管道泄漏识别率。因此，该研究有一定的实用性，在实际的管道泄漏监测领域有一定的发展前景。