基于VMD-MD的油气管道泄漏信号去噪方法_路敬祎.pdf

第 卷第 期压 力 容 器 年 月：设 计 计 算基于 的油气管道泄漏信号去噪方法路敬祎，李佳丽，侯轶轩，王冬梅，侯 男，（东北石油大学 三亚海洋油气研究院，海南三亚；东北石油大学 人工智能能源研究院，黑龙江大庆；东北石油大学 电气信息工程学院，黑龙江大庆；黑龙江省网络化与智能控制重点实验室，黑龙江大庆）摘 要：针对油气管道泄漏检测时，采集的泄漏信号会受到噪声信号干扰而影响监测精度的问题，提出变分模态分解（）和马氏距离（）相结合的去噪方法。该方法首先利用 分解信号，得到多个模态分量，再依次计算出各模态分量概率密度与原采集信号间概率密度的马氏距离来区分有效模态分量和含噪模态分量，最后选择有效模态分量进行重构，从而达到信号去噪目的。与其他去噪方法在仿真模拟信号试验和实际管道泄漏信号试验中进行对比，该方法的输出信噪比是最高的，为 ，而均方误差是最低的，为 ，表明该方法在去噪效果方面具有一定的优越性，为后续油气管道的泄漏识别奠定了良好的基础。关键词：油气管道泄漏；信号去噪；变分模态分解；马氏距离中图分类号：；文献标志码：，（，；，；，；，）：（）（），：；（）；（）收稿日期：修稿日期：基金项目：国家自然科学基金项目（，）；海南省科技专项资助项目（）；海南省自然科学基金项目（）；春晖计划项目（）路敬祎，等：基于 的油气管道泄漏信号去噪方法 引言近年来，随着我国经济的增长，石油、天然气等的储运量也不断增加，管线运输行业得到了迅速的发展。然而，长期使用后，因腐蚀、焊接、第三方损坏等因素，必然会引起管道运行异常，这样不仅会造成能源、经济、环境等方面的损失，还会威胁到工作人员的生命安全。因此，如何定位油气管道泄漏点 已成为国内外有关领域的迫切研究内容。我国自 世纪 年代开始，管道泄漏检测技术得到快速发展。目前，管道泄漏检测技术可以划分为三大类：人工巡检法、硬件检测法和软件检测法。不仅如此，随着信息传输技术和电子计算机技术的不断发展，管道泄漏检测技术也逐步开始信息化和自动化的改革，将传统的泄漏检测方法与人工智能、物联网等新兴技术融合起来是一大标志。然而，在油气管道泄漏检测过程中，采集的泄漏信号会受到噪声信号的影响，这样不但会引发其误报警、漏报警，而且还会造成监测系统定位不准确的问题。因此，对所采集到的信号进行去噪处理，从而在复杂的环境与条件下，对管道泄漏点进行精确的辨识与定位，始终是该领域的重难点。等提出了一种新型的、根据信号自身的尺度特征来进行分解的去噪方式，称为经验模态分解（，），其优点是基函数可以一开始就确定。但是该方法一直存在的问题是端点效应及模态混叠。为了完善上述问题，年，等提出了一种可以自适应地分解信号的方法，即变分模态分解（，）。它可以自适应地确定模数，在信号去噪领域具有突出表现，但是其仍然存在不足之处，例如，怎样才能在 分解信号后所得到的大量模态分量中区分是否具有纯粹性，并将其重构成一个新信号从而达到去噪目的，仍然是个急需解决的问题。年，等提出了一种 与改进的巴氏距离（，）相结合的去噪方法，该方法利用改进的 来衡量两个模态对应的方差之间的相似性，以区分有效分量和非有效分量，并将该方法与 进行对比，其具有更好的滤波效果。年，王冬梅等提出了一种 与板仓 斋藤距离结合的算法，主要是通过板仓 斋藤距离的变化来评估 分解得到的大量模态中的有效模态，之后利用小波变换去除筛选后噪声分量的高频噪声，最后将有效分量与滤波后的噪声分量进行重构。年，侯轶轩等提出利用海洋捕食者算法（，）对 算法中的关键参数进行自适应选取，之后计算 分解后的各模态分量与原信号的概率密度之间的豪斯多夫距离（，）选取有效分量，最后将有效分量进行重构得到去噪信号。可以看出，使用描述各数据间相似性的距离指标来筛选 的有效模态是一大热点。因此，本文提出一种基于 与马氏距离（，）相结合的去噪方法（），该方法首先通过 算法对信号进行分解，从而获得大量模态分量（），再依次计算出各分量与原信号间的马氏距离即相似性，从而区分出有效模态分量和无效模态分量，最后对有效模态分量进行重构形成更纯粹的信号。为体现本文所提方法的可行性，将 去噪方法应用到仿真信号和实际管道泄漏信号上，并且与其他不同的去噪方法（，）进行对比。从试验结果上来看，该方法在保证较高的去噪波形还原度的同时，还具有较好的去噪性能。变分模态分解 是一种自适应处理信号的分解方法，可以将原信号分解为拟正交的限制带宽的固有模态函数（，）。不同于 中定义的，这里的 被视为一个调幅调频（）的信号，可以表示为：（）（）（）（）式中，为第 个；（），（）为瞬时振幅、相位。为了获得目标，将 中的分解过程转移到一个约束变分模型中，如式（）所示。具体来说，的分解过程就是利用非迭代筛选结构搜索其最优解。，（）（）|（）.，.，式中，为各模态函数，；为各中心频率，。为求 约束变分模型式（）的最优解，引入惩罚因子，并构造出拉格朗日函数：（，）（）（）（）（）（），（）（）（）式中，为拉格朗日乘子、惩罚因子。再进行时域转换处理，最后可得到模态分量，：（）（）（）（）（）（）|（）使用交替方向乘子算法求取式（）的最优解，即原信号被分解为 个模态分量，单个分量的运行步骤如下。（）对，进行初始化，其中 。（）根据式（）对，的值进行更新，即，。（）由式（）更新 。（）（）（）（）（）（）当条件满足式（）时，停止迭代并输出 个模态分量，否则返回步骤（）。（）马氏距离印度数学家 首先提出马氏距离的概念，用来代表不同数据间的协方差距离（其中，协方差是指统计高维度数据或变量间相关性 的 一 个 指 标）。与 欧 氏 距 离（，）、汉明距离等一样，其是一种可以评估、计算两个未知样本间相似度的性能指标及方法，特点是可以解决高维数据中不同维度之间不独立分布的问题，计算公式如下。对于一个均值为 （，）、均方差矩阵为 的变量 ，其马氏距离计算公式为：（）（）（）（）计算向量 和 之间的马氏距离公式为：（）（）（）（）本文中，由于事先未知采集到的信号及 分解得到的各模式成分的概率分布，所以必须先计算每个成分的概率密度之后，再计算其马氏距离。马氏距离优选 模态首先，利用 对原信号（即输入信号）进行分解，能够得到大量的；其次，分别求取每个模态与原信号的距离，得到马氏距离分布图后进行比对分析；最后，重构较纯粹信号，得到去噪后信号，即达到去噪效果。（）初始化 参数，如分解层数、原信号表达式，且经过中心频率法计算确定模数，；（）根据式（）对输入信号 进行 分解，得到模态分量，；（）通过式（）计算各分量与原信号之间的马氏距离，用于评估各分量与原信号相似性；（）分析数值差异及斜率对比，区分出有效 分量与非有效 分量；（）最后重构有效 分量，得到去噪后信号。试验分析 算法的仿真信号试验为验证本文所提方法的去噪性能，仿真试验选取含 个频段为，的余弦信号，以及高斯白噪声强度为 的噪声信号，作为复合信号，采样点数 ，表达式为：（）（）（）（）（）原信号和复合信号的时域波形如图 所示。设置 参数，采用中心频率法判断 的模数。该方法主要步骤是计算 分解过程中不同 值下得到 的最大中心频率，根据路敬祎，等：基于 的油气管道泄漏信号去噪方法 的特征可知，不同的 对应不同中心频率，若有相邻两个 的中心频率相似，即出现模态混叠现象，说明此时 值选取不当。试验结果如表 所示。可以看出，随着 值不断增加，各模态对应的中心频率的间隔逐步细分，直到 时，后 个中心频率十分相似，且 和 之间的频率间隔较大，说明此时属于“过分解”状态。（）不含高斯白噪声的原信号（）复合信号时域波形图 原信号及复合信号时域波形 表 不同 值下的中心频率 值各 的中心频率 因此，初始化 参数为惩罚因子 、模数 ，以及默认噪音容忍 、总信号拟合误差允许程度 ，对原信号进行分解，得到 个 波形及相应频谱曲线如图 所示。分别计算各个 的马氏距离，其结果如表 所示。为了更直观地进行观察，绘制马氏距离分布图，如图 所示。可以看出，和 的马氏距离与其他分量相比具有突变性，因此重构信号由原信号中去掉 和 组成。重构信号波形及去噪前后还原效果对比图如图 所示。可以看出，重构信号几乎复现了原信号，只在波形峰值处存在少量偏差，整体波形趋势一致，有一定的还原性。图 所得 波形及其频谱 表 马氏距离 模态分量马氏距离 图 马氏距离分布 为了对比该算法的去噪性能，将其与 ，进行对比。图 示出了仿真信号应用不同去噪方法所得重构信号波形图。.，.，（）重构信号波形 （）还原效果对比图 重构信号及还原效果对比 （）仿真信号波形（）（）（）图 仿真信号不同去噪方法所得重构信号波形 路敬祎，等：基于 的油气管道泄漏信号去噪方法 从图 可以看出，方法得到的滤波信号的波形整体振幅较小，边界较为圆滑，存在幅度失真现象；方法的还原效果好于 ，不过在波形下降区域同样具有幅度过小的问题，导致局部失真；方法的还原效果最差，波形出现了较大程度的失真，整体幅值较小。因此，本文所提 去噪方法在对于原信号整体波形幅值的还原程度最高。算法的实际信号试验应用本文结论，在某天然气管线泄漏监测仿真试验平台上，采用 管道泄漏探测系统进行了仿真，得到试验数据。实验室管道系统如图 所示，实验室管道整体布局如图 所示。图 实验室管道系统 图 实验室管道整体布局 管道每隔 安装一个泄漏点，同时用 分球阀连接各个泄漏点，目的是模拟实际天然气管道泄漏现象，共计 个泄漏点；管道流体是由空气压缩机提供动力的空气，具体试验管道参数如表 所示。同时，使用 型号的采集板卡进行试验数据采集，优点是可执行差分模拟输入，实现了安全性、抗扰性的特点。图 中，处表示压电式声波传感器，用于采集管道实际信号。其中，将球阀一开一关用来模拟实际管道泄漏现象；敲击管道外壁用来模拟现场干扰状况。信号的采样频率为 ，点数为 。表 管道实际参数 参数数值管道总长 管径 工作气体压力 工作气体流量（）图 示出原始泄漏信号时域波形，图 示出利用中心频率法确定 的参数 后，对原信号进行分解所得 波形及频谱图。图 原始泄漏信号时域波形 图 分解所得 波形及其频谱 .，.，图（）示出马氏距离分布图，可以直观地看出，之间的斜率最大，因此确定重构信号 是 由 原 信 号 去 掉，所 构 成。图（）示出该去噪方法对信号的还原效果对比图。可以看出，方法能够有效地将有效模态与无效模态分离开，并且能够高度还原原信号的波形，只在 区间的波形幅值有少量差异，可以忽略不计。（）马氏距离分布（）还原效果对比图 马氏距离分布及还原效果对比 为了证明本文所提去噪方法的有效性，图 示出实际信号的频域波形图。图 示出 种去噪方法所得重构信号的时域、频域波形图。在时域方面，所生成的重构信号整体幅值较小，波形整体失真严重；方法的还原效果 较 好，只 在 信 号 低 频 部 分 的 幅 值 较 小；方法对于原信号的还原效果最差，整体波形都产生失真；而 方法的还原效果优异，无论在低频部分还是高频部分，其波形趋势均与原信号保持一致。在频域方面，主要对比的有偏差的区域为频谱图中 处，实际信号在此有明显的能量峰值及能量下降趋势，而经过 方法去噪后该能量下降趋势同样被去除，只保留少量能量幅值，即未保留原信号的特征；同样地，去噪后不仅去除了原始能量趋势，而且将此处能量幅值也同样去除，这也会导致波形出现大量失真。而 与 方法所得到的重构信号的频谱图表现优异，几乎还原了原信号的频域状态。图 实际信号的频谱 （）（）（）（）图 种去噪方法所得重构信号时域、频域 路敬祎，等：基于 的油气管道泄漏信号去噪方法然而，由于实际信号成分未知，只能通过频谱分析的方法来分析测量信号中的信号频率组成成分，又通过试验和前人分析可知，实际工程的信号为非平稳和非线性的信号，且信号中有效信号为低频信号，而噪声信号为高频信号，这样的分析导致试验结果会出现一定的局限性和不确定性。此外，为了进一步对比 方法的去噪效果，本文采用在信号处理中通常使用的均方误差（）和信噪比（）进行衡量。为预测结果与实际数据差的平方，其数值愈低，则预测的能力愈强