基于EEMD-VMD的空气耦合超声储油罐乳化层液位检测

2022-06-10常俊杰吴中权罗文斌董德秀

中国测试 2022年5期

常俊杰，吴中权，罗文斌，徐洋，董德秀

(1. 南昌航空大学无损检测技术教育部重点实验室，江西南昌 330063; 2. 珠海格力电器股份有限公司，广东珠海 519060;3. 中国航发沈阳黎明航空发动机有限责任公司，辽宁沈阳 110043)

0 引言

现今，石油仍在所有能源中占据主导地位[1]，石油开采时添加的乳化剂使得开采出的原油静置后会产生较厚的乳化层，加上原油本身的油水比是动态变化的，这两个因素使得原油沉降分层后乳化层的位置难以确定[2]，乳化层液位的不确定性将影响油田联合站的盘库精度和沉降底水的排放[3]，因此对储油罐中乳化层液位的测量是一项重要的工作。

目前的液位测量方法有电容-电阻法[4]，运用传感器测量液体的电容或电阻，但测量装置容易出现挂油现象；合成脉冲雷达液位测量法[5]可以不受温度压力影响，实现非接触式测量，但装置需要安装在罐内，且只能测最上层表面液位；磁致伸缩液位仪[6-7]利用浮子磁场和脉冲电流磁场产生扭转波脉冲来测量液位，但易受温度的影响；还有学者根据超声导波信号的幅值或传播时间[8-9]来识别水-油界面，但未对乳化层液位进行有效测量。在实际测量时各种模式Lamb波和干扰波往往容易混合在一起，加大了测量难度。空气耦合超声[10]以空气为耦合剂，使用Lamb波检测时探头只需置于罐外，便可完成对原油乳化层液位的测量，受外界影响小，可以实现自动化检测。

对于乳化层液位的测量，跟缺陷识别一样，重点在于对信号中特征值的合理提取。对于特征值的提取，许多学者做了有益的研究。张鹏林等利用声发射检测技术与BP神经网络相结合的方法[11]研究声发射传感器分布对智能定位输出结果的影响。李俊超等利用小波包分析和人工神经网络[12]对超声信号进行三层小波包分解后提取各频率成分能量作为特征值来识别缺陷类型；张琛等对滚动轴承的振动信号进行EEMD分解后根据峭度、均方差和欧氏距离等指标[13]对IMF分量进行信号重构，求取其奇异值熵，最后利用奇异值熵的大小判断滚动轴承的故障类别。句海洋等采用近似熵噪声抑制方法[14]提升VMD对特征信号的提取效果，进一步用尺度空间算法对VMD的设定参数进行优化并对其抗噪性能进行比较分析，最后通过能量梯度算子实现对缺陷信号的识别。

鉴于目前各种液位检测方法的不足和单一的EMD系列分解方法的局限性，本文基于非接触式空气耦合超声，结合EMD时域分解的自适应性，EEMD分解的去噪抗干扰性以及VMD分解的阶数可控性，从三种不同角度较全面地获取乳化层液位探测信号的特征参数，把这些特征参数作为BP神经网络的输入，用探头高度处的罐内液体介质种类作为输出进行训练，达到一定精度后进行液位识别检测。

1 EMD、EEMD和VMD的特征提取

EMD是一种根据数据自身的时间尺度特征来进行信号自适应分解的方法，无须预先设定基函数，在理论上可应用于任何类型信号的分解，其本征模态分量IMF的频率由大到小排列，对于非平稳及非线性信号的分解具有明显的优势。但是空气耦合超声信号受噪声和未知间断信号干扰，而EMD去噪能力弱，当信号中含有其他杂波时，将会干扰特征值的提取；利用EMD分解还容易出现模态混叠现象，造成分解失效，特征会被弱化或完全失效；此外，不合理截取的信号进行EMD分解容易造成端点效应，出现虚假频率。

为了解决上述问题，学者们提出了采用噪声辅助处理方法EEMD[15]，该方法先在原始信号中加入高斯白噪声来改变信号极值点的分布，由于高斯白噪声的宽频特性，对各频段的噪声干扰均有融合性，对噪声有了平均抵消作用，对n个加噪后的信号分别进行EMD分解，得到各自的本征模量函数集IMFs，最终将各个集合的同阶IMF分量进行平均后组成一个新的集合平均IMFs，这样不仅滤去了高频噪声，还可以抑制低频振动。这时得到整体平均的模态分量IMFs即是EEMD分解得到的本征模态分量，EEMD分解的步骤如图1所示。

图1 EEMD分解流程

VMD是一种自适应、完全非递归的模态变分方法。该技术可确定模态分解的个数，可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现IMF分量的有效分离、信号的频域划分、从而得到给定信号的有效分解成分，最终获得变分问题的最优解。EMD或EEMD分解都是把接收信号里的所有频率分量按从高到低顺序完全拆散到多个IMF分量中，是一种“完全拆开”的模式；特别地，EEMD加入了噪声，可能导致频率失真。而VMD可以自适应地控制IMF分量的个数，是“部分拆开”模式，这有利于把A0模态Lamb波波包从整个信号里剥离出来而不至于被过度拆分，这有利于单独研究A0模态Lamb波。类比小波变换的多尺度思想，因此有必要把EMD、EEMD和VMD组合使用，从多个频率尺度来分解出信号中隐含的特征参数，最后基于BP神经网络，利用这些参数来实现乳化层液位的检测识别。

2 实验部分

2.1 检测原理

当超声波从一种介质透射到另一种介质时，透射率t满足以下公式：

Z1——第一介质的声阻抗；

Z2——第二介质的声阻抗。

对于储油罐而言，第一介质为钢质罐壁（近似看作钢板），第二介质罐内部的原油，乳化液或者水。

如图2所示为实验原理图。Lamb波在钢板内传播的同时会不断向钢板内外两侧的介质泄漏能量，由于罐外侧都是空气介质，泄露速率相同。根据式（1）可知罐内介质不同时声阻抗Z2不同，所以Lamb波向罐内泄漏的透射率t不同，根据能量守恒定律，最终被接收探头R接收到的Lamb波信号将不同。基于此，当发射探头与接收探头间距固定时，接收探头接收到的Lamb波的能量大小取决于Lamb波向罐内介质泄漏能量的大小，透射率t越大，泄漏越多，接收探头接收到的能量越小，反之越大。固定间距后同步移动两探头沿着储油罐高度方向扫查，根据接收到的Lamb波幅值或其他参数来区分罐内介质种类，根据探头位置高度来判断罐内不同介质的分界面位置，这样即利用空气耦合超声完成了对乳化层液位的非接触式检测。

图2 检测原理图

2.2 模态选择

为了确定探头激励出Lamb波所需的入射角，利用帝国理工disperse频散曲线绘制软件绘制出5 mm厚钢板的Lamb波相速度频散曲线如图3所示。

图3 5 mm钢板相速度频散曲线

根据图3可知当探头的频率在0.4 MHz附近时，Lamb可能存在S0、A0、S1三种模态，由于S1模态的Lamb频散严重[16]，故应从A0和S0中选择。由于板内质点离面位移越大，对空气的振动能力越强，检测灵敏度越高，所以应选择二者中离面位移较大的那个模态，绘制A0和S0模态Lamb波在5 mm钢板里的波结构如图4所示。

上述知情者称，吴浈调到北京后，成为炙手可热的实权派。“按道理，一个有污点的人，是不应该得到提拔重用的。”

图4 5 mm钢板波结构图

根据图4可知A0模态的离面位移比S0的要大，所以应使用A0模态的Lamb波进行实验。根据图3可知当频率为0.4 MHz时，A0模态Lamb相速度为2 750 m/s，根据snell定律可求得激励出A0模态Lamb波所需的入射角 α：

2.3 实验装置

实验采用日本探头株式会社生产的非接触式空气耦合超声检测系统。该系统主要由NAUT21控制软件、超声信号发射接收器和前置放大器组成，探头频率选择0.4 MHz，采样频率5 MHz。实验使用了原油和水，乳化液由水油混合后加入乳化剂制得，实验布置如图5所示。

图5 实验布置

为便于观察，储油罐体侧面由亚克力板粘接而制成。依次缓慢注入约50 mm高度的水，乳化液和原油，待液体稳定后进行实验。两探头间隔100 mm相向倾斜7.1°后用螺钉固定在夹持板上，随着夹持板上下移动扫查。当探头处于水层，乳化层，原油层位置时的波形如图6所示。

图6 三种不同液体层的接收波形

由图6可知波形(c)中A0模态波包(红色框住部分)的幅值高于波形(a)和(b)，而(a)和(b)幅值相近。这表明可以通过波包幅值来识别油层和乳化层，但无法识别水和乳化层。因此需要对原信号提取除幅值外的其他的特征参数后再进行液位识别。

2.4 Lamb波信号的分解与特征提取

由于EEMD加入了白噪声可以避免EMD模态混叠[17-18]的问题，还可以除去原始信号中存在的噪声和杂波[19]，因此对原始信号进行EEMD分解。经过调试发现高斯白噪声的标准差为0.15时的分解效果最好，图7为EEMD分解得到的前5阶IMF分量。对比图8由EMD分解得到的IMF1分量可知，EEMD分解的去杂波能力要比EMD强。所以用EEMD分解得到的IMF1分量来近似替代无杂波时的Lamb波信号，用其波包能量E来表征罐内不同液体介质对A0模态Lamb波能量泄漏程度的影响[20]，将E作为第一类特征值。

图7 EEMD分解的前5阶IMF

图8 EMD分解的前5阶IMF

EEMD分解加入的噪声可能造成对原信号中有用信息的破坏，所以仍需进行EMD分解。对原信号进行EMD分解，取前5阶IMF分量如图8所示。

经计算，EMD分解的前4阶IMF分量重构信号的能量已达到原始信号能量的95%以上，可认为EMD分解得到的前4阶IMF分量能够表征原信号所含有的信息[21]。信号的过零点数可以衡量信号的频域成分，所以将EMD分解出来的前4阶IMF分量的过零点数作为第二类特征值。

EEMD分解会含有残余噪声[22]，EMD分解有混叠效应，以及它们都可能过度分解，导致有用的特征参数被拆散。因此有必要进行未加噪且分解阶数可控的VMD分解。经过调试，发现当分解阶数k为2时可以在时域上将A0模态Lamb波包较好地分离出来。VMD分解结果如图9所示，图（b）为图（a）时域分解信号对应的频谱。由图（b）可知IMF1和IMF2分量的频谱重叠部分较少，混叠效应小，得到了较好的分解效果。所以将VMD分解得到的2个IMF分量的中心频率[23]作为第三类特征参数。

图9 2阶VMD分解

2.5 乳化层的液面识别

将一个接收信号所具有的这三类特征参数共7个特征值列出如表1所示。

表1 特征值表

由于是手动移动探头进行扫查，精度不高，所以每移动10 mm采集一次波形，并记录对应探头高度处罐内的液体介质种类，组成一个样本，从水层一直移动到油层共采集15个样本构成的一组样本。将每个样本中波形所拥有的7个特征值作为BP神经网络的输入，液体介质种类作为输出。一组样本中水层、乳化层和油层各5个。通过适量抽水或注水方式来改变水层厚度，间接改变乳化层液位和油层液位，以此来获取大量样本。

利用Matlab编程对每一个信号都进行EEMD分解，EMD分解和VMD分解后提取表1中所列的特征值作为BP神经网络的输入，将液体介质种类作为BP神经网络的期望输出，并对这三种期望输出进行数值编号，水为10，乳化层为20，原油为30。BP神经网络设置了2个隐含层，默认隐函层的传递函数为tansig，输出层传递函数为purelin；权值学习训练函数为traingdx。将采集到的40组样本进行训练，训练结果如图10所示，由图可知预测值与真实值较为接近，模型已训练好。

图10 样本训练结果

训练好模型后，随机改变水层厚度后从下往上采集15个新样本放入到模型中进行液位介质预测。对预测值按阈值进行归类，预测值在15以下的归类为水，15～25的归类为乳化层，大于25的归类为原油，预测结果如表2所示。结果显示最大误差率约为13.8%。由表2统计结果可知用10 mm精度采集信号进行液位检测识别，预测值偏离程度小，分类全部正确，根据分类结果得出乳化层的液位在8～13 cm 之间。