Page 90 - 无损检测2023年第三期
P. 90

曹智敏, 等:

   输气管道泄漏声波识别和定位方法研究现状

   高的识别精度。为了验证 CNN 模型与其他神经网                          噪声源进行了分析, 未对其他类型噪声进行分析。

   络模型对于泄漏声波信号特征提取的能力, 部分学                               CNN 虽然对于泄漏声波特征提取有着良好的
   者考虑了管道运行条件等因素, WANG 等                  [ 35 ] 提出  性能, 但是其所需数据量较大, 数据冗余, 占用存储
   一种基于内核主成分分析( KPCA ) - 卷积神经网络                      空间, 在实际工业生产应用时适用性较差。为了解
   的泄漏识别模型, 考虑出入口压力数据, 提取了泄漏                         决这个问题, 孙洁娣等         [ 37 ] 提出一种基于多卷积稠密
   信号的时频特征和能量特征, 将识别结果与 ANN ,                        块的轻量级神经网络, 引入注意力机制改善管道泄
   KNN , SVM 等机器学习模型的结果进行比较, 其中                      漏特征的区分能力, 结果表明, 提出的方法识别准确

   KPCA-CNN 模型的各项识别指标均达到 100% 。                      率达到了96.69% , 参数量仅为781kB , 实时响应能
   输气管道早期泄漏时, 泄漏流量低于输送流量标准                           力快, 减小了泄漏检测系统的资源要求, 为神经网络
   的1.2%称为小泄漏, CNN 模型在小泄漏信号识别                        泄漏识别的实际应用提供了一种思路。神经网络模
   上有明显优势。针对小泄漏信号易被噪声淹没的问                            型可以自动选择和提取泄漏声波信号的某些特征,
   题, 孟庆旭等     [ 36 ] 提出将残差收缩模块添加到 CNN               但是需要训练的数据量较大, 由于泄漏声波信号处
   模型中, 能减小甚至消除输入样本噪声对训练造成                           于高噪声环境下, 识别困难, 在实际应用中, 提高识

   的误差, 可有效降低不同噪声对识别结果的影响。                           别和定位准确率的同时, 也要求提高实时响应能力。
   但是孟庆旭等仅对高斯白噪声和排风机为主的模拟                            上述管道泄漏识别方法的优缺点对比如表1所示。
                                 表1 输气管道泄漏识别方法优缺点对比

      检测方法                       优点                                        缺点
                  可以观察到泄漏信号的局部特征, 区分信号和噪声
    小波( 包) 分析法                                          去噪效果与选取的小波( 包) 基函数和小波( 包) 分解层数有关
                 具有明显优势
                  具有很强的自适应性, 处理非线性、 非平稳泄漏信
    经验模态分解法                                             具有端点效应和和模态混叠问题
                 号具有优势
                  解决了 EMD 方法中的端点效应和模态混叠问题,
    变分模态分解法                                             选择k 参数和惩罚因子 α 没有相应的准则, 需要经验知识
                 模态分量更加清晰
     盲源分离法        所需要的先验条件少, 适应能力强                      选取的目标函数和优化算法对于系统矩阵的求解影响很大
     支持向量机法       可以解决小样本、 非线性和高纬模式识别问题                 惩罚参数 c 和核函数参数 g 对于SVM 的分类精度有重要影响
                  可以利用泄漏信号隐藏的深层特征, 实现泄漏信号
     神经网络法                                              泄漏量较小时, 识别能力降低; 高噪声环境下无法检出信号特征
                 的特征的提取

  3 输气管道泄漏声波定位方法                                     是准确获取时间差和传播速度v 。 KOUSIOPOULOS
                                                     等 [ 39 ] 提出了基于互相关技术的 3 种不同的时间延
   3.1 基于时延估计的泄漏定位方法                                 迟估计 方 法 ( 互 相 关, 广 义 互 相 关, 广 义 互 相 关 -
     当管道发生泄漏时, 管道的上游传感器和下游传                          Roth ), 验证在高噪声下识别泄漏位置的准确性。
   感器分别检测到包含泄漏信息的声波, 可以根据时延                          上述方法在时域上对泄漏信号进行互相关定位, 还

   定位公式计算出泄漏点的位置, 原理如图4所示。                           有学者在频域上对泄漏信号进行互相关分析, 李帅
                                                     永等   [ 40 ] 提取泄漏信号互相关函数的时频谱信息, 能
                                                     有效抑制泄漏信号的频散, 与传统的互相关泄漏定
                                                     位相比, 定位误差大大降低。无论在时域上还是在
                                                     频域上分析声波信号, 用时延估计方法定位时, 获取
            图4 基于时延估计的泄漏定位原理                         的时间差和管道内的声波传播速度是影响定位精度
                                          为 [ 38 ]   的主要参数。泄漏声波在管道内传播时, 不仅会引
       发生泄漏的位置与传感器 A 的距离 l 1
                                                     起压力和温度的变化, 还会在管道内发生折射和散射
                        l+ vΔt
                    l 1=                      ( 4 )                       [ 41 ]
                           2                         造成传播速度的不稳定             , 除此之外, 为了保证管道
   式中: l 为上下游传感器之间的距离; v 为泄漏声波                       两端泄漏信号检测的同时性, 需要使用 GPS ( 全球定
   传播速度; Δ t 为泄漏信号之间的时间差。                            位系统) 时钟来确保测量泄漏信号的一致性, 但该措
       在实际管道工况中, 管道长度 l 已知, 关键问题就                    施增加了成本, 因此准确得到时间延迟并提高定位精
     2
    5
          2023年 第45卷 第3期
          无损检测
   85   86   87   88   89   90   91   92   93   94   95