基于声发射的球阀内漏速率反演研究

古 丽， 贾彦杰， 冯兰婷， 温 皓， 高仕玉， 张 琳

（国家管网集团西南管道公司，成都 610036）

0 引 言

阀门作为油气输送管道的关键压力元件，对于管道的安全运行有着至关重要的作用［1］。截至2019 年，我国的石油与天然气管道总里程达13.9 万km，其中天然气管道约8.1 万km，原油管道约2.9 万km，成品油管道约2.9 万km［2］。在石油天然气输送过程中，阀门内漏故障是最常见的安全问题之一［3］。而阀门作为石油、化工等流体输送系统中的关键控制部件，应具有良好密封性能，不能存在内漏情况。BP公司曾对相关阀门失效统计分析表明，输气管道阀门存在5% ～10%的内漏［4］。由此可知，阀门的内漏故障不仅存在着较大安全隐患，困扰和影响着正常的输油、输气生产，对油气管道的安全调控及油气质量控制的影响极大，也影响了输油气安全生产运行和设备维检修作业。

目前，常用的阀门内漏检测的方法主要有压力法、温度法、超声波检测法和声发射检测法等。每种方法对阀门内漏的检测有一定的效果，但存在一定的局限性［5-8］。本文基于声发射检测法［9-10］，通过传感器采集阀门泄露时产生的喷流噪声，与其他特征参数相比较，判断阀门是否有内漏故障发生。该方法采集信号时易受背景噪声的干扰，但声发射已被证明是一种有效的输气管道阀门内漏无损检测技术［11］，其因安全性较高、方便快捷等特点而被证明是一种能够快速实现对阀门内漏情况进行有效辨识的方法。

国内外学者在声发射技术检测阀门内漏方面做过大量研究。Kaewwaewnoi 等［12］对声发射信号特征参数和阀门泄漏率的关系进行了深入研究。邹兵等［13］建立阀门内漏实验装置，通过大量实验得出泄漏率与声发射信号各特征参数之间的关系式，可定量估算阀门泄漏率。李伟等［14］提出利用功率谱密度法分析阀门内漏情况。由于阀门内漏故障模式多种多样，学者们开始基于实验获取阀门内漏声发射信号特征信息，以实现对阀门内漏故障和内漏速率的反演。Seung-Hwan等［15］采用声发射传感器采集止回阀声信号，并首次将神经网络用于声发射信号识别止回阀故障类型；Gyunyoung等［16］基于神经网络算法，建立阀门内漏速率和阀门的热力学参数之间的关系模型，为智能预测阀门内漏速率打下了基础。

本文基于声发射技术对油气集输站场内的球阀进行内漏研究，通过搭建实验平台对球阀内漏的声发射信号进行采集，利用小波包阈值函数对采集的信号进行去噪，最后利用BP 神经网络和卷积神经网络（CNN）对提取相关性高的声发射信号的特征参数进行反演，实现了对球阀内漏速率的反演。

1 球阀内漏声发射检测基本理论

1.1 声发射技术

声发射（Acoustic Emission，AE）是指材料中局域源能量快速释放而产生瞬态弹性波的现象［17］。阀门内漏时在内漏点处因前后端的压力差形成高速喷流气体，当管道内部高速的流体与低速的流体急剧混合后会产生一种喷流噪声，此喷流噪声属于连续性声发射信号，与阀门大小、内漏处前后压力差、内漏量等因素相关。作为声发射源，其在传播时携带着大量与材料缺陷处的相关信息，可通过相关的仪器实现对材料中缺陷的检测与定位，进而通过计算机对采集到的缺陷信号做进一步的处理与分析。

1.2 球阀内漏声发射检测原理

声发射检测技术通过相应传感器采集阀门内漏时产生的声发射信号，如RMS 值、能量值、信号最大幅值、信号平均值等特征参数，然后通过接口与信号处理部分连接并传输信号，最后通过计算机实现对信号的处理与分析，实现对待测阀门内漏状况的判断。球阀内漏声发射检测原理框图如图1 所示。

图1 球阀内漏声发射检测原理框图

1.3 球阀内漏声发射信号特征参数

由于球阀内漏过程中产生的声发射信号呈连续性，其包含许多可以表征内漏特征的参数，波形复杂，故不能使用单一的特征量对内漏的声发射信号进行表征。因此，可通过时域特征参数和形状特征参数对球阀内漏声发射信号进行分析。其中，常见的时域特征参数有平均值、均方根、能量和有效值，频域特征性参数有峰值系数、形状参数、裕度因子和峭度因子等。

由于与球阀内漏声发射信号相关的时域特征、形状特征等参数较多，为了更好地表征内漏信号的特征，需对以上特征参数进行筛选，进而确定与球阀内漏速率相关系数大的特征参数。为此引入皮尔逊相关系数法来对以上特征参数进行筛选，通过计算每个特征向量与球阀内漏速率的相关系数，设置合适的阈值，从而筛选出与球阀内漏程度相关度高的信号特征参数。其相关系数值越大，表明特征值与原信号相关性越强。皮尔逊相关系数r的计算公式为［18］：

式中：n为样本个数；xi为内漏速率，单位为m3/h；yi为信号特征参数分别表示x、y的均值。

2 球阀内漏检测实验

2.1 实验平台搭建

根据球阀内漏声发射的检测原理，结合油气管道站场球阀情况（大部分球阀排污口处有个25 mm的球阀，设计整个实验装置的管路通径为25 mm），设计并搭建了如图2 所示球阀内漏实验平台。该实验平台主要由气源、实验装置和声发射采集系统3 部分组成：①气源部分用于提供实验所需的气体，主要由氮气瓶和减压阀组成；②实验装置主要由压力传感器、流量传感器、罐体和球阀组成，主要用以模拟球阀内漏；③数据采集采选用德国Vallen公司出品的AMSY-6 声发射采集系统，用于采集球阀内漏信号，主要由声发射传感器、数据采集系统和计算机组成。整个实验装置的管路通径为25 mm，设计承压能力为10 MPa，被测球阀为一体式的手动开关球阀，其通径为DN25，气源选择的氮气瓶输出压力为0 ～14 MPa。

图2 球阀内漏实验平台

在进行球阀内漏检测实验前，将声发射传感器通过耦合剂将其固定于靠近阀门阀体下游表面。实验时，①调节减压阀，使氮气瓶内的气体经软管流经管道与球阀阀腔内，待上游压力稳定时，关闭减压阀；②设置声发射检测仪的采样频率，将阀门调节至一小角度，模拟阀门关闭不严时发生的内漏情况，同时开始采集声发射信号，待阀门内漏结束后停止采集；③待流量计示数稳定后，记录气体流速、流量以及声发射特征信号参数值；④调整被测球阀开度及氮气瓶的输出压力，重复上述步骤，测量不同开度下球阀内漏产生的声发射信号特征。

由于被测球阀为一体式球阀，用球阀的开度模拟阀芯划痕、密封不严等造成缺陷内漏的情况并控制内漏率，开度越大则认为内漏情况越严重，并采用数字流量计对阀门的泄漏量进行测定。经过反复实验发现，当球阀还未完全关闭时，流量传感器无法测得流速，因此得到该球阀闭合的临界角度如图3 所示。

图3 球阀闭合临界角度

2.2 信号去噪

在进行气体实验前，需对室内的环境噪声进行测量，用德国Vallen公司的AMSY-6 声发射检测仪对实验场地进行环境噪声检测，将传感器安装于球阀阀体后端，当阀内无流体流动时，分别检测3 个时刻的噪声信号，采集到的环境噪声信号所对应的时域波形如图4（a）所示。通过快速傅里叶变化（FFT）对采集的时域信号进行变换，得到频域波形图如图4（b）所示。

图4 不同时刻环境噪声的时频域曲线

由图4 可以看出，不同时刻点的环境噪声大致相同，其幅值并无太大变化，主要分布在14 kHz频域，对于球阀内漏声发射的检测有一定影响。当管汇内有气体流动时，调节球阀开度为微小开度时，测得的含噪信号如图5 所示。

证明 (1) 由于A是完全确定性自动机，所以A不会影响监控器M中的概率计算.另外，如果H中某一状态不包含在M的组合状态中，则该状态与监控属性无关，也不会影响监控器M中的概率计算.所以，

图5 不同时刻含噪信号的时频域波形

由含噪信号的频域波形图图5（b）可知，球阀内漏声发射信号呈宽频特性，环境噪声在一定程度上对声发射信号造成了影响，特别是在低频区域，因此对信号进行去噪处理很有必要。

3 基于小波包的阈值函数去噪

常见的小波处理方法有小波阈值去噪、小波系数相关性去噪和模极大值去噪。其中，小波阈值去噪为应用最广泛的信号去噪方法，但其只对低频部分的信号进行分解。通过现场实验采集的球阀内漏时的声发射信号可知，其频带较宽，因此本文采用小波包阈值去噪。小波包分析不仅对低频段分解，也对高频段进行分析［19］。通过对采集到的声发射信号进行高低频分解，对其进行时频域分析发现，分解的层数在一定范围内时，频率的分辨率也越高，小波包分解更能保存球阀内漏信号的有用信息。

3.1 评判标准

对采集的声发射信号进行小波包阈值去噪后，将信号进行重构，重构信号的去噪效果常使用均方误差与信噪比来评判，均方误差MSE 越小、信噪比SNR 越大，说明去噪后的信号越接近真实信号，去噪效果越好［20］。均方误差MSE、信噪比SNR的定义如下：

式中：x（n）为原始信号；y（n）为去噪后的信号；N为采样点的个数。

3.2 小波包去噪

在Matlab的小波包工具箱中选取sym5 小波基函数，对信号进行小波包分解，得到各个频段的小波包系数，选用Rigrsure作为自适应阈值的选择规则，进而求得小波包系数的阈值，再将每个小波包系数进行硬阈值去噪，然后将去噪后的小波包系数进行重构。通过对比去噪前和去噪后信号的时频域波形，对1 ～3 层小波包阈值去噪进行对比分析研究，以MSE、SNR 作为去噪效果的评价指标。采集信号进行1 ～3 层的小波包阈值去噪结果如图6 ～8 所示。

图6 1层小波包阈值去噪结果

通过Matlab 计算得出1 层小波包阈值去噪的信噪比SNR 为10.437 8，均方误差MSE 为6.790 9 ×10-5；2 层去噪的信噪比SNR 为12.195 9，均方误差MSE 为4.530 2 ×10-5；3 层去噪的信噪比SNR 为17.897 4，均方误差MSE为1.218 9 ×10-5。由图6 ～8 可以看出，采用小波包阈值去噪方法能够对噪声在一定程度上进行去除；通过比较每层去噪的信噪比和均方误差可知，选择3 层小波包阈值去噪的信噪比SNR更高、均方误差MSE更小，其去噪效果更优，去噪后的信号更能反映球阀内漏声发射信号的特征信息。

4 球阀内漏速率反演分析

图7 2层小波包阈值去噪结果

图8 3层小波包阈值去噪结果

以氮气作为流体介质，在不同的球阀开度下进行实验。通过实验装置测得35 组球阀内漏声信号数据，对数据进行小波包阈值去噪后提取时频特征、形状特征等信号特征参数，求得各信号特征与内漏速率的相关系数。通常，相关系数介于±0.50 ～±0.80 是显著相关，介于±0.80 ～±1.00 是高度相关。本文选择相关系数大于0.5 的均方根、能量、有效值、峰值和峭度作为表征球阀内漏程度的特征参数。本文仅列出如表1 所示中20 组信号特征参数与内漏速率的关系。

表1 球阀内漏声信号特征集球阀内漏速率

由于球阀内漏声发射信号的特征和内漏速率的关系难以用数学表达式进行表示，因此本文选用BP 神经网络和CNN来对球阀内漏速率进行反演。

4.1 BP神经网络反演球阀内漏速率

以声信号的特征作为输入，球阀内漏速率作为输出来训练BP神经网络，使得BP神经网络能够表达声发射信号输入到内漏速率输出的系统，然后可以应用训练好的BP神经网络根据声发射特征参数反演球阀内漏速率。因此，选用表1 中的均方根、有效值等5 个声信号的特征作为输入，球阀内漏速率作为输出，选用sigmod作为激励函数，以特征集中前30 组数据作为训练集，后5 组数据作为测试集。测试集的反演结果如图9 所示，计算反演后的速率以及绝对误差的值如表2 所示。

图9 BP神经网络反演结果

表2 BP神经网络内漏速率反演结构

由图9 及表2 可以看出，通过BP神经网络反演球阀内漏速率的误差都不超过1.5%，其最大绝对误差为1.4%，总体误差相对较小；通过计算得出BP 神经网络反演结果的MAE=0.009 7，RMSE=0.01。

4.2 CNN反演球阀内漏速率

由于采集到的球阀内漏声发射信号是一维的时间序列信号，二维的卷积操作对此并不适用。因此选用一维卷积和一维池化，利用卷积操作自动学习数据的内部关系，从局部到全局提取信号的特征，利用全连接网络将特征进行综合，进而提取出采集到原始的声发射信号的有效特征。在进行CNN 反演球阀内漏速率的反演时，以前30 组数据作为训练集，后5 组数据作为测试集，采用相应的CNN模型对原始数量的训练集进行训练，其测试集的反演结果如图10 所示，计算反演后的速率以及绝对误差的值如表3 所示。

图10 CNN反演结果

表3 CNN内漏速率反演结果

由图10 及表3 可以看出，通过CNN 反演球阀内漏速率的误差都不超过1%，其最大绝对误差为0.66%，与BP神经网络反演的结果相比，CNN对球阀内漏速率的反演误差更小。通过计算发现，卷积神经网络CNN 反演结果的平均绝对误差MAE =0.003 9，均方根误差RMSE=0.004。其平均绝对误差、均方根误差相比于BP 神经网络的反演结果都要更低，其反演效果更好。

5 结 语

本文通过理论分析和实验研究发现，球阀内漏的声发射信号呈现宽频特性，噪声对低频区域的声发射信号影响较大。通过采用小波包阈值去噪，可以有效提高信号的信噪比，降低均方误差值，从而使去噪后的信号更能反映球阀内漏声发射信号的特征信息。采用皮尔逊相关系数法对声发射信号的相关特征参数进行筛选发现，均方根、能量、有效值、峰值、峭度因子是表征球阀内漏程度相关度高的信号特征参数。通过采用BP神经网络和CNN模型分别对采集到的声发射信号进行球阀内漏速率反演，结果发现CNN模型的平均绝对误差、均方根误差均小于BP 神经网络的反演结果，效果更优。通过以神经网络的方式实现了对球阀内漏速率的反演，研究结果为实现对阀门泄露程度的判定提供了指导，进而对管道的安全运行提供了的保障。