应用分布式光纤进行酸性气体管道健康监测

孙启昌，易亚男

（1.中石化石油工程设计有限公司，山东东营 257026；2.朴牛（上海）科技有限公司，上海 200241）

管道的腐蚀、焊口缺陷、外力作用等很多种情况都会导致管道泄漏。相较于长输管道和燃气管道，高含硫气田酸气集输管道具有H2S 含量高、管道并行交叉多、内检测受限、第三方破坏风险高等特点[1-2]。酸性气体的泄漏极易造成周边人员伤亡，因此对酸性气体管道的实时健康监控势在必行。

现代管道监测系统集成了电子技术、传感技术、精密技术、光学技术、计算机及其软件技术、信息处理技术、通信技术等[3]。光纤传感技术起源于上世纪六七十年代，当光纤受到外界因素变化的影响，会引起光强度、光相位等的变化，因此光纤传感技术被广泛应用于各种管道的运行状态监控[4-5]。

针对上述酸性气体管道健康监控问题，采用小波包分解提取能量特征，并用神经网络作为分类器的方法，能够很好地区分不同的信号，并用大量的测试数据验证了模型的可靠性。

1 试验信号采集

DAS 系统基于相干瑞利散射原理，利用光纤对声音（振动）敏感的特性，当外界振动作用于传感光纤时，光纤的折射率、长度将产生微小变化，导致光纤内传输信号的相位变化，通过检测振动前后信号的相位变化，即可实现振动事件的探测，并具备多振动事件同时精确定位的功能[6-8]，该技术被广泛应用在健康监测领域[9-10]。试验中当气体管道发生损坏时，管道内外的压力差使管道破损处的气体发生振动，导致光纤发生相应的相变，从而达到监测定位的需求。

所用酸性气体管道为H2S 气体管道，考虑到H2S泄漏会对实验人员以及环境造成损害，氮气和H2S气体的密度接近，在发生泄漏时的声学特征相似，且氮气较为环保，因此在设计试验时，将H2S 气体换成了气体密度接近的氮气。

分别采集酸性气体管道在三种状态下的信号，分别是无扰动的正常状态下的正常信号、管道泄漏状态下的泄漏信号、基于挖掘机挖掘的第三方入侵状态下的第三方入侵信号，三种信号的标签分别为1、2、3。试验采用朴牛（上海）科技有限公司研发的HiFi-DAS 分布式光纤传感器，采样率为4 000 Hz，0.5 m一个通道，共120个通道。图1所示为HiFi-DAS系统原理框图。图2-4为三种信号的差分信号波形图。

图1 HiFi-DAS系统原理框图

图4 第三方入侵信号差分波形图

从三种差分信号波形图可知，当管道发生扰动时，其差分信号的幅值明显增大，但泄漏信号和第三方入侵信号的差分信号波形图无明显的区别。

2 小波包能量特征提取

酸性气体管道一般为埋地管道，在内外压差的作用下，其产生的声音信号为非线性、非平稳信号。为了确保能够提取到在复杂背景环境下的有效信息，采用小波包分解方法对采集到的三种差分信号进行分析。

2.1 特征提取

小波包分解在分析非平稳信号方面具备优势，其自适应能力可以将信号分解到合适的频段，达到时频分辨效果[11-12]。采用小波包三层分解，分解树图如图5 所示。

图5 小波包分解树图

信号经过小波包分解之后，各个子频携带了原始信号的能量。提取小波包分解的第三层各个子频的能量作为特征。提取的三种不同工况的典型样本的特征如表1 所示。

表1 小波包分解第三层能量

将表1 的数据以折线图形式展现，如图6 所示。

图6 小波包分解第三层能量折线图

观察图6 可发现，正常信号在整个频率范围内能量都比较稳定，波动较小。泄漏信号和第三方入侵信号在低频段能量较小，高频段能量较大。但泄漏信号在E3-6频段达到能量最大值，在E3-7频段能量下降。将第三层小波包分解的能量组成特征向量T=[E3-0,E3-1,E3-2,E3-3,E3-4,E3-5,E3-6,E3-7]。三种信号在不同的频段有不同表现，可据此特征向量进行模式识别。

2.2 特征选择

观察图6 可发现，特征向量中的特征并不是每个都对分类有作用的。特征向量中存在相关特征，也存在无关特征，因此需要对特征向量中的特征进行选择，减少特征既可加快训练速度，也减少了模型的复杂度，避免过拟合，提高模型的泛化能力[13-14]。

用卡方检验的方法对特征进行选择。卡方检验的思想是通过观察值和理论值之间的偏差来判断理论值的正确率。以观察值与期望的差距构建统计量：

其中，Ai表示观察频数（即观察值），Ni表示期望频数，x为卡方值，k为特征总数。

据此方法对上述特征向量T=[特征0，特征1，特征2，特征3，特征4，特征5，特征6，特征7]中的八个特征进行筛选，得出八个特征的得分和P-values，如图7 所示。得分越高，该特征越重要，P-values 值越小，该特征越重要。

图7 卡方检验的特征选择结果

图7（a）中特征0 的得分最高，对应特征向量中的E3-0；特征1 得分最低，特征1 到特征7 得分依次递增。图7（b）中特征1 的P-values 值远大于其余七个特征，剩余七个特征的P-values 值较接近于1。综上所述，八个特征中，特征1 是无关特征，其余七个特征为相关特征。删除特征1 后，重新组成新的特征向量T=[E3-0,E3-2,E3-3,E3-4,E3-5,E3-6,E3-7]，使用新的特征向量进行模式识别。

3 BP神经网络模式识别

BP 神经网络是一种多层的前馈网络。这种网络通过信号的正向传播以及误差的反向传播两个过程来对数据进行训练[15-16]。诸多学者证明，只需一个包含足够多神经元的隐层，多层前馈网络就能以任意精度逼近任意复杂度的连续函数。文中选择三个隐藏层的神经网络结构。

BP 神经网络将数据分为训练集和测试集，三种信号分别选取9 000 个样本并提取其特征向量作为训练集，1 000 个样本提取特征作为测试集。由于是分类任务，使用准确率和损失函数来展示训练过程，损失函数使用的是交叉熵损失函数。BP 神经网络训练过程可视化如图8 所示。

图8 BP神经网络结果评价

从图8 可以看出，BP 神经网络模型训练集分类的准确率达到了99.5%，训练损失为0.559，且测试集准确率较稳定，损失函数的值也较低。

为验证该模型的泛化能力，三种信号分别重新采集1 000 个样本进行分类测试。图9 为验证样本的混淆矩阵。

图9 验证集混淆矩阵

观察图9 可发现，3 000 个样本分类准确率为97%，异常状况检出率为99.4%。正常信号分类错误25 个；泄漏信号分类错误30 个；第三方入侵信号分类错误34 个。在验证样本上，三种信号分类准确率较高，误报率较低，可认为该分类模型可用于酸性气体管道的健康监控。

4 结束语

针对非线性、非平稳的声音信号，提出基于小波包分解的能量特征提取，并用卡方检验的方法挑选相关特征，具有较高的区分度，为快速准确地检测出管道是否正常运行奠定了基础。所用的三个隐藏层结构的BP 神经网络也能够较好地适用于酸性气体管道声音信号的模式识别，在测试集上三种信号的分类准确率也达到99.5%。该方法在验证样本中三种信号分类准确率达到97%以上，误报率均在4%以下，表现略差于测试集，考虑是训练样本较少的原因，后续可增加训练样本数量。

文中采用的光纤与管道之间的距离是固定的。后续可增加不同铺设距离、不同铺设角度对采集信号的影响，进而确定出较适合酸性气体管道健康监控的光纤传感器铺设方法。