Page 78 - 无损检测2024年第六期

顾建平，等：

基于 VMD-HT 和深度学习的流噪环境腐蚀损伤声发射识别模型

管道腐蚀在线监测方法，获取管道本体的腐蚀动态 建多维时序特征矩阵，作为后续循环神经网络的输
演化数据，对于管道的风险评估和事故预测、预防具 入样本。为了挖掘原始信号与特征矩阵间的深层次
有非常重要的意义。 映射关系，以GRU神经元为基础，搭建了具有双向
声发射（AE）检测方法具有可动态监测、对活 传播路径的4层网络结构，最终实现腐蚀信号、流动
[2]
性缺陷敏感等优势 ，可以在设备运行的同时长期 噪声以及混合信号的分类识别。
监测缺陷活动状态。利用声发射技术进行腐蚀状态
原始声发射信号
[3]
监测成为近年来研究的重点，范舟等 综述了声发
射在线监测腐蚀的原理，并基于从声发射波形信号 变分模态分解
中提取到的与酸性环境下油气管材腐蚀相关的各项 … IMF n
IMF 1 IMF 2
参数，对腐蚀过程、腐蚀类型识别以及腐蚀源定位进 希尔伯特变换 特征
行了综合分析。苗嘉旭等 针对腐蚀声发射源信号 提取
[4]
在传播过程中发生衰减和畸变的问题，采用小波分 多维时序特征矩阵（瞬时频率与谱熵）
解与重构以及盲目反卷积算法对X90钢管线腐蚀声
发射信号进行了复原。张延兵等 为解决危化品罐 BiGRU深度学习网络 网络
[5]
训练
区穿越管道在线检测难以实施的技术问题，在开挖
状态和正常使用状态下，对某原油输送埋地管道分 腐蚀信号 流动噪声 混合信号 输出
别进行断铅、人工激励和在线监测试验，验证了声发 图 1 VMD-HT-BiGRU 模型结构示意
射技术在管道检测中的可靠性。
1.2 基于VMD-HT的特征提取方法
虽然已有学者将声发射技术应用在管道腐蚀监
[6]
针对信号的时频域特征提取，HUANG等 提
测中，但对于在役管道腐蚀声发射监测中的流动噪
出了一种名为HHT的信号处理方法，其由经验模
声干扰问题却鲜有研究。在役管道的声发射监测过
态分解（EMD）和希尔伯特变换（HT）两部分内容
程中，内部介质流动引起的流动噪声往往不可避免
构成。HHT能够根据信号自身的特点通过EMD把
地被声发射传感器接收到，而流动噪声能量更强且
信号分解为有限个单分量信号之和，并对这些信号
频带更宽，使得从监测数据中识别出微弱的腐蚀信
进行希尔伯特变换得到时频谱，反映信号频率随时
号较为困难。如何有效地在噪声环境下识别腐蚀信
间的变化规律，突出信号的局部信息。但EMD存
号，是解决在役管道腐蚀监测问题的关键。因此，提 在模态混叠问题 ，当信号中存在间歇干扰、脉冲影
[7]
出了一种基于变分模态分解的希尔伯特变换（VMD-
响以及噪声混入等异常分量干扰时，信号的高频分
HT）和深度双向门限循环单元（GRU）神经网络
量与低频分量会混杂在一起，降低信号提取的质量。
（BiGRU）的流噪环境腐蚀损伤声发射识别模型，针
DRAGOMIRETSKIY等 提出了变分模态分解，该
[8]
对流动噪声环境下的声发射信号特征提取、深度神
方法对预分解信号按频率的高低进行自适应分解，
经网络搭建以及不同类型声源的分类训练等问题开
能确保分解后各IMF分量之间的中心频率不同，避
展了一系列研究，结果表明，所提出的模型具有较高 免了IMF分量之间的模态重叠。因此笔者提出了一
的识别精度。 种基于VMD-HT的信号时频特征提取方法，在此基
1 流噪环境腐蚀损伤声发射识别模型 础上计算时频谱，进而提取信号的瞬时频率与谱熵，
作为后续损伤识别模型的训练样本。提出的VMD-
1.1 模型框架 HT算法具体实现步骤如下。
提出的腐蚀损伤声发射识别模型由特征提取、 （1）初始化{ } ，{ } ，λ ，n ，将其初始化
u
ω
1
1
1
神经网络训练和结果输出 3 部分组成，VMD-HT- k k
值设为 0 ， 即原始信号进行 1 次迭代的值 。用
BiGRU模型结构如图1所示，图中IMF为本征模态
u = u ,,u } 表示原信号x(t)经过VMD分解后

函数。首先针对流动噪声与腐蚀信号的特征混叠问 { } { 1k K
ω
题，提出了一种基于VMD-HT的特征提取方法，将 的K个IMF；用 { } {ω = 1 ,, ω  K } 表示上述K个
k
原始信号自适应地分解为多个不同中心频段的模态 IMF对应的中心频率； λ为拉格朗日算子； n为迭代
分量，提取各模态分量的瞬时频率与时频谱熵并构 次数。
44
2024 年 第 46 卷 第 6 期
无损检测