基于VMD-SVM的管道漏磁检测信号特征辨识

2022-12-01

石油矿场机械 2022年6期

(中国石油大学(北京) 机械与储运工程学院，北京 102249)

在役管道表面缺陷易引发管道泄漏等安全问题，对管道定期检测具有重要意义。目前，大多数管道材料为导磁性材料，对漏磁场具有敏感性[1-2]，采用漏磁检测技术非常适合[3-4]，原理简单、精度高、且成本低。检测过程中，电磁干扰、环境干扰会引起检测信号的幅值产生较大波动，信号波动具有非周期、非平稳等特征，增加信号处理难度[5]。

常见的管道检测信号处理方法有小波分解法(Wavelet Transform，WT)[6-7]、经验模态分解法(Empirical Mode Decomposition，EMD)[8]及多种方法联合分解法[9-11]等。其中Afzal M等[6]设计了以噪声最小均方值为目标的自适应滤波器，并基于小波函数降噪方法，滤除了无缝管道噪声，验证小波函数分解信号的有效性。宋志强等[7]以连续小波对采集信号去噪，识别输油管道不同漏磁缺陷特征，但精度不高。因此，在改进小波研究中，学者引入了EMD算法对信号进行分解。马钢等[8]研究EMD对管道内检测缺陷识别的影响，与WT方法相比，EMD具有良好去噪效果，提高了信噪比。多种方法联合分解是将信号进行WT、EMD等方法联合处理完信号，联合采用机器学习算法、神经网络算法识别管道缺陷。王宏安等[9]通过K均值聚类实现了不同管径水驱动管道的缺陷标识，提高识别算法的适应性。王增国等[10]采用三样条插值方法预处理漏磁检测信号，增强曲线图形的辨识度，提升了识别率。杨志军[11]采用BP(Back Propagation)神经网络对平板缺陷进行漏磁信号识别，实现缺陷的定位和反演，但BP网络易发散，训练失败，识别精度低。信号处理后，存在欠包络、过包络、模态混淆和端点效应等问题。因此，为了避免上述问题，Dragomiretskiy K等[11]提出了Variational Mode Decomposition(VMD)信号分解算法。目前，算法主要应用于旋转设备的故障诊断领域，且去噪效果优于EMD算法[13]。Li H等[14]将自适应VMD与极限学习机相结合，用于风力发电机齿轮箱的故障诊断。Zhang Y Q等[15]提出基于VMD的分形维数估计方法，表征了振动信号的分形特征并诊断滚动轴承故障。旋转设备振动信号主要由旋转设备转速及其谐波构成，且频谱主要聚集在旋转设备转速及其谐波附近。与旋转设备振动信号不同，管道漏磁检测信号主要以冲击信号的形式出现，其特点是频带宽，采用EMD易出现过包络问题，影响漏磁检测信号分解效果；且VMD算法未在漏磁检测信号中应用。因此，需要探索VMD在漏磁检测领域中的应用，正如Liu 等[16]采用VMD算法对轴承振动信号的处理。本文采用VMD算法对某段管道的缺陷信号进行模态处理，获取多个不同频率尺度的子序列，分析去噪效果。根据峭度最大原则，选择IMF2、IMF3两个子序列为最佳模态分量，并提取信号的特征量，完成信号类型的辨识。在辨识过程中，提取IMF2、IMF3分量的波形峰谷差、谷距、能量以及面积等特征量建立样本集。由于样本数较少，采用了RBF核函数的SVM算法对信号特征量进行识别分类，精度达93%。因此，VMD-SVM方法为管道信号识别提供了一种抗干扰、高精度的辨识模型。

1 管道漏磁检测原理及检测信号特征

1.1 管道漏磁检测原理

管道漏磁检测装置俗称“管道猪”，用于管道缺陷检测。主要由检测装置、探头、记录器、关节以及里程轮等部件组成(如图1)。在检测过程中，装置中的永磁铁形成磁场，缺陷处的空气、气泡等杂质的磁导率低、磁阻大，使得漏磁场强度增强。根据突变的磁场信号对管道缺陷进行研究[17]。

图1 管道漏磁检测装置结构示意

采用图1 的装置对大连某石油化工厂的直径为406 mm管道进行检测。装置关节的圆周方向分布72个探头，每个探头是单一的信号通道。当前，油气管道的缺陷类型有机械缺陷、凹坑、腐蚀以及焊缝缺陷等。为了完整地探测管道缺陷，常采用三坐标检测法[18]。因为漏磁信号的周向分量所占比例很小，因此未采集周向分量，主要分析径向分量和轴向分量信号[19-20]。现场采集信号如图2，x轴为探头通道号；y轴为采集的里程长度，每2 mm采集1个点，共2 000 个点，扫掠里程为4 000 mm；z轴为漏磁信号强度。图2 a为漏磁径向信号分量，图2 b为漏磁轴向信号分量。可以看出，每个通道输出的信号杂乱无章，且存在噪声干扰，对信号进行去噪处理是信号识别的第1步。采用VMD算法对原始信号进行去噪处理，处理后的信号会在管道缺陷位置存在明显突变。

图2 管道缺陷漏磁检测不同分量的信号图

1.2 管道漏磁检测信号特征

以现场采样信号为研究对象，管道原始信号进行归一化处理并显示为二维图形(如图3)。由图3可知：每个通道完成管道缺陷扫掠后，采集信号存在4种类型，分别为：螺旋焊缝1、环焊缝、螺旋焊缝1存在1个缺陷点、螺旋焊缝2。

图3 管道漏磁检测不同分量信号归一化处理图

2 基于VMD-SVM的管道漏磁信号预处理

管道漏磁信号特征辨识主要包括信号预处理、特征提取与识别。首先对非周期、非稳定的缺陷信号进行预处理，通过WT、EMD和VMD算法完成信号分解，并分析预处理算法的优缺点。其次，根据时域分量的波形特征，提取特征参数，并建立特征量数据库。最后，利用SVM方法对特征完成识别。本文研究技术路线如图4。

图4 缺陷信号处理流程

图4 技术路线包括信号预处理和SVM辨识2 部分。信号预处理采用WT、EMD和VMD算法实现，提取预处理信号时域分量的特征量，为漏磁信号辨识做准备。SVM辨识对时域分量的特征量进行识别分类，通过不同的预处理方法、不同SVM的核

函数训练SVM模型，提高精确度。

2.1 信号分解

对图2的信号采用VMD分解算法，获取适应性强且光滑的信号。VMD算法公式为：

(1)

式中：B为漏磁信号，mT；m为分解的模态个数(正整数)，文中对信号进行4阶模态变分，m最大取4；um为对应分解后第m阶模态，mT；ωm为分解后第m阶中心频率，Hz；δ(t)为狄拉克分布；*为卷

积符号；t为时间，s。

对式(1)进行增广拉格朗日算法求解，可表示为：

(2)

式中：λ为拉格朗日乘子；α为二次惩罚因子。参数({um}, {ωm},λ)交替更新后，公式为：

(3)

(4)

(5)

图5 VMD分解后漏磁检测曲线图

由图5 可知：原始数据是第1组数据，并对原始数据完成了4阶模态分解，分解后的信号更加平滑。每阶模态分量可表示为IMF(n)分量，其中n= 1, 2, 3, 4。为了验证VMD算法分解效果，对同组信号进行MT、EMD算法分解，获得有效的管道漏磁信号。对于MT算法。以离散小波为参考，前一尺度小波变换的低频信号提取出来进行后一尺度小波变换。因此，对原始信号进行4层小波分解，结果如图6。由图6 可知：MT算法表征了信号的局部特性。但在第四尺度小波分量中低频信号存在异变，时域信号特征异样，MT分解效果不佳。

图6 原始信号MT分解后检测曲线

最后，利用EMD算法对原始信号进行分解，分解成多个内涵模态分量(IMF)，包含了局部特征分量和残差分量。原始信号的5层EMD分解结果如图7。由图7 可知：EMD算法虽可实现信号去噪，但去噪后信号出现过包络现象，大量信号发散，信号表征识别困难。

图7 EMD分解后缺陷信号曲线

由上述3种方法对比可知：VMD算法消噪效果较好，克服了EMD算法的端点效应和模态混叠现象，克服了MT算法低频信号异变问题，得到平滑稳定信号。因此，VMD算法可适用于处理管道检测信号。

2.2 确定VMD模态分量

以峭度为指标参数，选择合适的VMD模态分量，为管道漏磁信号辨识奠定基础。指标计算公式为：

(6)

由式(6)计算可知：Ku1=2.50，Ku2=12.03，Ku3=23.56，Ku4=16.98。

由图5可知：IMF4分量的信号特征不明显，故以峭度最大原则选取IMF2和IMF3分量进行特征量提取。

3 VMD-SVM预处理数据特征提取

采用VMD算法对管道信号进行预处理，根据峭度指标参数确定最佳的模态分量。提取最佳的模态分量的特征量。

3.1 特征量计算

常见的漏磁信号特征系数[21-22]有：峰谷幅值差Bh、峰谷间距L、横轴面积S与能量E等参数。因此，选取以上参数表征信号特征，计算公式如下：

1) 峰谷幅值差Bh。

Bh=Bmax-Bmin

(7)

式中：Bmax为VMD分解径向或轴向分量的时域信号的波峰值，mT；Bmin为波谷值，mT。包括径向分量的峰谷幅值差Bhy和轴向分量的峰谷幅值差Bhx。

2) 峰谷间距L。

峰谷间距表示波峰和波谷的差值，反映缺陷在径向的尺寸信息，定义为Ly，mm。反映缺陷在轴向的尺寸信息，定义为Lx，mm。

3) 信号的面积S。

径向分量的面积表示径向分量的时域波形与横坐标轴之间的面积Sy，mm2。轴向分量的面积表示轴向分量的时域信号波形与横坐标轴之间的面积Sx，mm2。

4) 信号的能量E。

对于轴向分量漏磁检测信号，信号的部分能量作为其特征量，公式为：

(8)

式中：E为能量，mT2；B为漏磁信号，mT，包括径向漏磁信号Ey和轴向漏磁信号Ex的信号能量。

3.2 特征量提取

由图3可知：每个通道扫掠完成后，信号包含4种特征信息。基于信号特点，将每个通道的2 000个数据点分成10段数据，每段200个点表征一类缺陷，进行提取信号的特征量。根据3.1节所述，统计VMD的IMF2和IMF3分量的特征量如表1。

表1 管道漏磁检测第1通道特征量提取信号参数

由表1 可知：每类信号包含了16个特征量。以16个特征量建立SVM识别样本库，以缺陷类别建立SVM识别标签。最后，完成管道数据特征的辨识。

4 管道数据特征辨识及仿真实验

采用SVM算法对信号特征进行辨识。由图4 流程可知：首先对信号进行预处理，然后提取信号的特征量，最后建立720×16的特征量样本集和720×1的标签样本集。其中，选取620×16的特征量样本和620×1的标签样本为训练样本，选取100×16的特征量样本和100×1的标签样本为测试样本。在训练样本和测试样本中，随机打乱各个数据的顺序，输入到SVM，通过SVM进行分类。

4.1 预处理方法验证

进一步验证VMD算法在管道漏磁检测信号预处理的可靠性。采用MT、EMD和VMD不同预处理算法对信号进行处理，提取信号的特征量，建立SVM的训练样本，完成数据特征辨识。3种预处理方法的训练性能对比如表2。

表2 3种处理方法训练性能对比

由表2 对比可知：信号预处理方法对管道缺陷辨识效果具有明显的影响。在VMD、EMD 和MT预处理信号过程中，VMD最佳，EMD次之，MT最差，其训练精度分别为93%、74%和60%。因此，VMD-SVM方法对信号处理效果最佳，验证了VMD处理漏磁信号的优势，有效地提高管道信号识别精度。

4.2 SVM核函数优选

SVM核函数会影响辨识精度，其目的在于将不可分的输入样本映射到高维的特征空间可分，因此核函数在SVM模型起到至关重要的作用。常见SVM核函数分为Linear核函数、Polynomial核函数、RBF核函数及Sigmoid核函数等。由于Linear核函数为线性核函数，对复杂非线性分类问题效果不佳，文中主要采用Polynomial核函数、RBF核函数以及Sigmoid核函数训练SVM模型。不同核函数训练结果如图8。

图8 不同核函数的SVM训练识别结果图

由图8a 可知：训练精度最高的核函数为RBF核函数，训练精度可达93%。分别比Polynomial核函数和Sigmoid核函数的精度高了16%和14%。RBF核函数训练时间为0.016 s。由图8b可知：RBF核函数的迭代次数最少，为168次，而Polynomial核函数的迭代次数最多，为541次。无论哪种核函数，它的训练识别类别数目一致，且都存在4种识别类型，分别为：螺旋焊缝1、环焊缝、螺旋焊缝1存在1个缺陷点、螺旋焊缝2。因此采用RBF核函数的VMD-SVM算法辨识不同识别信号精度高，验证了SVM的辨识能力。