LMD特征融合與SVM的供水管道堵塞識別*

閆 菁， 馮 早， 吳建德， 馬 軍

(1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500；2.云南省礦物管道輸送工程技術研究中心，云南 昆明 650500； 3.昆明理工大學 機電工程學院，云南 昆明 650500)

?

LMD特征融合與SVM的供水管道堵塞識別*

閆 菁1,2， 馮 早1,2， 吳建德1,2， 馬 軍3

(1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500；2.云南省礦物管道輸送工程技術研究中心，云南 昆明 650500； 3.昆明理工大學 機電工程學院，云南 昆明 650500)

針對城市供水管道早期堵塞難以檢測的問題，提出了一種基于局部均值分解(LMD)的分量信號特征提取，結合支持向量機(SVM)的堵塞故障識別方法。先對聲響應信號進行LMD，得到若干乘積函數(PF)分量，進而采用相關分析法選取有效PF分量，對有效PF分量分別提取能量熵、近似熵和平均聲壓三個指標的特征，構建分類特征集。最后利用交叉驗證(CV)方法優化參數的SVM分類器識別堵塞故障信號。實驗結果表明：采取基于LMD特征融合和通過CV優化的SVM相結合的方法可以有效識別供水管道的初期堵塞。與基于LMD特征融合和BP神經網絡的方法進行了對比，結果表明：本文方法具有更好的堵塞故障識別效果。

供水管道； 堵塞物識別； 局域均值分解； 特征融合； 支持向量機

0 引 言

供水管網在城市基礎設施中有著非常重要的作用。然而,由于國內部分管道最初的設計存在缺陷，并且使用時間長，造成管道故障率較高。管道堵塞故障早期表現為不同程度的部分堵塞，容易被檢測人員忽略，最終導致堵塞面積擴大，不僅會造成管道無法正常運行，還有可能帶來安全隱患。因此，對早期的管道堵塞故障進行研究，及時發現并且排除故障非常必要。

根據檢測原理，目前常用的管道的故障研究方法有：紅外線照相法[1]、質量平衡法[2]、負壓波法[3]、示蹤氣體探蹤法[4]等。在眾多檢測方法中，聲學檢測方法有其獨特的優勢，表現在聲音在固、液、氣介質中均可傳播且可以攜帶豐富的故障信息。聲學檢測方法分為主動檢測和被動檢測。在被動檢測中，運用較多的是聲發射方法。然而，聲發射只能檢測故障本身發出的聲信號，如果故障沒有發出聲信號或者僅發出微弱的聲信號，則難以用聲發射方法進行故障檢測。供水管道堵塞故障，屬于這種情況。針對聲學被動檢測方法難以有效檢測供水管道堵塞故障的問題，本文采取主動檢測的方法。主動檢測由檢測人員在管道的一端發射聲激勵信號，聲音在管道中傳播遇到管壁或者堵塞物發生反射，由此得到聲學響應信號。通過對響應信號進行分析，可以判斷供水管道故障類型。

聲響應信號為非線性非平穩信號，傳統的平穩信號分析方法無法取得理想的處理效果。將非線性非平穩信號有效分解為單一模態函數是解決非線性非平穩信號處理問題的主要途徑之一，典型代表如局部均值分解(local mean decomposition,LMD)方法。LMD方法可將非平穩信號分解為一系列純調幅—調頻信號，且具有較好的時頻分析效果，已被廣泛應用于腦電信號處理、機械故障診斷等領域[5]。因此，本文采用LMD處理聲響應信號。

根據聲學檢測原理，聲信號在管道中傳播，只有部分的聲信號會遇到堵塞物，且管道環境中還包含各種噪聲，這種情況造成故障信號的部分特征與正常信號或者環境噪聲有重疊，因此,單一的特征提取方式會造成特征提取不足的情況。文玉梅等人[6]提取了譜寬和近似熵特征進行故障識別，取得了比單一特征更好的識別效果。

本文針對管道堵塞故障信號的聲學特性，分別從能量、時間序列復雜度、聲壓變化三個角度出發，提取LMD分解后有效分量信號的能量熵、近似熵和平均聲壓三個指標，構建特征集合。最后,利用支持向量機(support vector machine,SVM)進行故障識別。為了驗證方法的有效性，將該方法與方向傳播(back propogation,BP)神經網絡進行了對比。實驗結果表明，本文提出的方法具有更好的故障識別效果。

1 堵塞故障特征提取原理

傳統的聲發射檢測方法可以有效地檢測管道泄漏[6]，但是在檢測堵塞方面并不理想。針對這種情況，現有管道堵塞檢測多采用主動檢測方法，對管道發射激勵聲信號，采用過程響應信號進行故障檢測。

檢測過程為：將一根長桿通過地面的井蓋伸入到供水管道當中，長桿的尾端連接著聲音傳感器，采集到的數據通過數據采集和傳輸裝置發送和儲存到指定設備中。檢測時，聲音傳感器發射端發射激勵聲信號X(t)，信號在管道中傳播，當遇到堵塞物時，部分聲音能量發生反射，此時傳感器接收端可以接收到反射的聲信號Y(t)。數據采集系統采集傳感器接收端的信號，此時， 即可得到整個系統的響應信號G(t)為

(1)

通過對響應信號進行分析，判別管道故障。

1.1 LMD

LMD方法能夠自主地確定信號在不同尺度的分辨率，從原信號分離出純調頻信號si(t)和包絡信號ai(t)，將二者相乘可以得到有物理意義的乘積函數(PF)分量，即

PFi=ai(t)si(t)

(2)

將PF1從原始信號x(t)中分離出來，得到一個新的信號u1(t)，將u1(t)作為新的信號繼續分解，直到最后的uk(t)為單調信號。通過循環迭代分解，將原始響應信號分解為k個PF分量與一個殘余分量之和，即

(3)

1.2 LMD分量能量熵

當管道某部分出現堵塞時，聲響應信號中頻率分布和能量分布也會發生相應改變[7]。因此，在LMD分解的基礎上，通過計算各PF分量的能量分布，進一步求取信號能量熵[7]特征，來構成故障特征向量。

對原信號LMD分解后的所有分量都提取特征會造成特征向量冗余，故需要選取有效分量提取特征。本文采用相關分析法和能量分布法選取有效PF分量。選取與原信號相關度大于15 %且所占能量較多的分量計算能量熵。能量熵計算步驟如下：

1)計算k個PF分量的能量 ，將所有計算的分量能量相加，計算總能量，即

(4)

2)計算k個特征PF分量在總能量中占取的比重

(5)

即得到k個能量占比。

3)計算k個特征PF分量的能量熵

(6)

通過此提取方法，即可提取特征PF分量的能量熵，構建分類樣本。

1.3 LMD分量近似熵

當管道僅為部分堵塞時，僅用能量熵進行特征提取，正常和堵塞管道的能量熵值會出現部分重疊。本文從信號的隨機性特征出發，提取特征來彌補能量熵提取方式的不足。

近似熵表征了分析信號在維數發生變化的情況下，產生新模式的可能性的大小，即可以表征信號的時間序列復雜性[8]。近似熵的數值越大，表明信號的隨機性和不規則性的程度越大。給定一個時間序列{x(i),i=1,2,…,N}，預先設置模式維數m和相似容限r的值，則近似熵的值為

(7)

式中

(8)

本文對有效PF分量計算近似熵與能量熵，二者為平行的特征，共同構成特征向量。

1.4 LMD分量平均聲壓

信號的均方根值的量綱為幅值，是表征信號強度的重要指標。信號的均方根值在聲學中也被稱為平均聲壓[9]，具體公式如下

(9)

在壓力相同的情況下，堵塞聲信號的平均聲壓高于正常管道聲信號的平均聲壓。但是由于信號本身平均聲壓幅值較小，所以文中僅作為輔助特征。

2 堵塞故障分類原理

文中故障分類模型采用基于交叉驗證(crossvalidation,CV)的SVM。SVM是一種適用于二分類的分類算法，SVM在樣本數量較少的情況下，亦能獲得很好的統計規律[10]。

SVM本質是尋找一個分類面函數。給定一個訓練集合G={xi,yi,i=1,2,…,l},每個樣本xi∈Rd屬于一個分類，y為分類標簽。分類的曲線表示為w×x+b=0，式子中w為權重向量，b為閾值。分類函數構造如下

f(x)=sgn(wx+b)

(10)

求SVM的最優分類平面，可以表示為優化問題

(11)

Subject toyi[(wxi)+b]-1≥0,i=1,…,l化為對偶問題

Minimize

(12)

(13)

如果線性不可分，則轉換為高維問題，令變換函數為Φ(x)，核函數用K(x,y)表示，則

K(x,y)=Φ(x)Φ(y)

(14)

用核函數代替內積運算，最終的分類函數為

(15)

SVM的核函數有多種類型，而徑向基(RBF)核具有較好的學習能力和較寬的收斂域等優點，是理想的分類依據函數[11]。本文選取RBF核函數。

關于SVM的參數選取方式，目前并沒有公認的統一的方式，普遍辦法是將參數限定在一定的范圍內進行重復試驗，最終選取分類準確率比較高的參數作為最終的分類參數[12]。但是這種方法效率不高。

本文采用CV的方法尋求最優參數。CV方法目前常用的有Hold-Out Method，K-fold CV(K-CV)，leave-one-out CV(LOO-CV)等方法[13]。本文選取的是K-CV方法，將信號均分為K組，每一組分別做一次測試組，其余的作為訓練組，由此得到K個模型。用這K個模型最終的分類準確性所對應的值作為SVM的分類指標。本文K取10，此時取得到結果最可靠穩定[13]。

本文也將用BP神經網絡與交叉驗證SVM分類進行對比。本文所提出的堵塞檢測方法原理如圖1所示。

圖1 管道堵塞故障辨識原理

3 實驗與結果分析

本文采用的辨識信號樣本來源于英國布拉德福德大學管道實驗室采集到的管道數據[14]。采用的供水管道為一段15.4m長的黏土管道。在管道的首端放置聲音傳感器，管道尾端采用半封閉形式以模擬真實供水管道的運行，信號接收端采集到從管道內部反射回來的聲信號。實驗中，檢測人員在管道內部放置堵塞物，模擬實際部分堵塞工況堵塞物的高度為55mm。

實驗共有36組正常樣本，40組故障樣本。數據分析的采樣頻率為44 100Hz，每組選取4 410個點，即對0.1s的數據進行信號分析。供水管道正常信號和堵塞信號的時域波形和LMD分解結果如圖2所示。

圖2 信號LMD分解結果

信號忽略殘余分量，可以分解出來6個PF分量。如果對于每個分量信號都提取特征，會導致特征向量冗余。基于此，本文用相關分析法選取特征分量，提取與原信號相關系數大于15 %的分量進行分析。此外，也提取分量的能量分布特征作為參考。以正常管道的信號為例，分析PF分量信號的相關系數和能量分布。結果如圖3所示。

圖3 能量分布結果

由PF分量信號的相關性分布表和能量分布圖綜合說明，前三個PF分量包含了原信號的大部分特征，所以選取前三個PF分量，作為特征提取的分量信號。

首先提取信號的能量熵特征，能量熵特征可以區分兩類信號，表現在正常管道有效PF分量能量熵值比堵塞管道大。但是有少量故障信號的能量熵與正常信號的能量熵十分的相近。為了直觀顯示特征提取效果，各選取20組正常和堵塞管道信號的PF1分量能量熵的值，由圖4(a)可看出，能量熵特征值有所重疊。

基于此，進而提取信號的近似熵特征。兩種工況類型各選取20組信號的PF1的近似熵值，由圖5(b)可看出近似熵特征提取效果比能量熵稍好，但是仍有重疊。近似熵特征區分度特點，表現在正常管道的有效分量近似熵值比堵塞管道的值高。分析認為，當供水管道發生堵塞時，聲響應信號的頻率分布將更加集中在故障部分。但是管道正常情況則不然，其聲信號頻率分布更為的分散，故信號更加無序。此外，本文還提取有效分量的平均聲壓指標。同樣方式如圖4(c)。管道發生堵塞故障時，信號的平均聲壓會比正常情況下的平均聲壓大。由于平均聲壓計算出來的數值較小，所以僅將其作為輔助特征。

圖4 PF1分量特征提取效果

最后，構建總體的分類特征集，本文采用的是PF1,PF2,PF3所計算的能量熵、近似熵、分量平均聲壓3個指標，最終構成9維的特征集合。特征PF分量集合如表1所示。

表1 特征PF分量特征集合

本實驗選取正常和堵塞管道各15組數據作為訓練樣本。正常管道的21組，堵塞管道的25組作為測試樣本。使用CV方法對SVM的參數進行尋優。將所有特征輸入，得到的尋優結果如圖5所示。

圖5 參數尋優結果

經過網絡不斷地進行交叉尋優，得到參數值c=6.964 4，g=2.297 4，分類準確率為97.826 1 %。

為了驗證本文特征融合的有效性，也對單個特征進行分類，并且使用BP神經網絡與交叉驗證的SVM分類器做對比實驗。BP神經網絡使用的測試集和樣本集與SVM相同。BP神經網絡采用的數據隱含層為20，隱含層使用的傳遞函數為tan-sigmoid，訓練目標誤差小于0.000 1，訓練次數為500次。最終的分類結果如表2所示。

表2 辨識準確率 %

由表2可知：三個特征融合的特征集分類效果最好，有效彌補了單個特征的不足，以達到最好的故障分類效果。并且在樣本特征一致的情況下，基于CV方法的SVM比BP神經網絡的分類效果好。

4 結 論

供水管道堵塞故障是一種難以直接用聲發射方式檢測判別的故障。因此，采用主動檢測方法，用聲學響應信號進行分析。本文對原始信號采用LMD分解后，根據相關系數及能量分布準則選取有效分解PF分量，進而提取有效PF分量的能量熵、近似熵和平均聲壓三個指標作為故障分類模型的輸入特征向量。根據實驗結果，三個特征融合進行分類，可以有效彌補單個特征分類的不足。當對SVM進行參數尋優之后，可以進一步提高辨識的準確性。未來可進一步研究信號在不同頻段的特征，以尋找更加明顯的指標進行故障識別。

[1] 趙 潔.城市供水管網泄漏報警系統研究[D].天津：天津大學,2006.

[2] 徐 潔，丁金婷，江 皓.管道泄漏檢測方法綜述[J].管道技術與設備,2004(4):14-16.

[3] 王桂增，葉昊.流體輸送管道的泄漏檢測與定位[M].北京:清華大學出版社,2010.

[4] 王繼華，彭振斌，關鑲鋒.供水管網檢漏技術現狀及發展趨勢[J].桂林工學院學報,2004,24(4):456-460.

[5] Sun J,Xiao Q,Wen J,et a1.Natural gas pipeline small leakage feature extraction and recognition based on LMD envelope spectrum entropy and SVM[J].Measurement，2014，55(9)：434-443.

[6] 文玉梅，張雪園，文 靜，等.依據聲信號頻率分布和復雜度的供水管道泄漏辨識[J].儀器儀表學報,2014,35(6):1223-1229.

[7] 丁國君，王立德，申 萍，等.基于EEMD能量熵和LSSVM的傳感器故障診斷[J].傳感器與微系統,2013,32(7):22-25.

[8] 楊 進，文玉梅，李 平.基于相關分析和近似熵的管道泄漏聲信號特征提取及辨識方法[J].儀器儀表學報，2009，30(2)：273-279.

[9] 石志標，王文寧，蘇天一.液體管道堵塞聲波的分析[J].東北電力大學學報,2014,34(3):21-25.

[10] 孫潔娣，肖啟陽，溫江濤，等.基于 LMD 包絡譜熵及 SVM 的天然氣管道微小泄漏孔徑識別[J].機械工程學報,2014,50(20):19-25.

[11] 林升梁，劉 志.基于RBF核函數的支持向量機參數選擇[J].浙江工業大學學報,2007,35(2):163-167.

[12] 王 凱，侯著榮，王聰麗.基于交叉驗證SVM的網絡入侵檢測[J].測試技術學報,2010,24(5):419-423.

[13] Zao Feng.Condition classification in uuderground pipes based on acoustical characteristics[D].Bradford:University of Bradford,2013.

Identification of water supply pipeline blockage based on LMD features fusion and SVM*

YAN Jing1,2, FENG Zao1,2, WU Jian-de1,2, MA Jun3

(1.Faculty of Information Engineering & Automation, Kunming University of Science and Technology,Kunming 650500,China; 2.Engineering Research Center for Mineral Pipeline Transportation of Yunnan Province，Kunming 650500,China; 3.Faculty of Mechanical and Electrical Engineering,Kunming University of Science and Technology,Kunming 650500,China)

Aiming at the detection problem of blockage within the urban water supply pipeline in the early stage,a method combined component signal feature extraction with support vector machine(SVM)for blockage recognition based on local mean decomposition(LMD) is proposed.The first step of this method is to decompose the acoustic response signal by LMD,so that a number of PF components can be obtained.Then the correlation analysis method is used to select the effective PF components.The characteristics of energy entropy,approximate entropy and average sound pressure of the effective PF components are extracted respectively,so the classification feature sets can be constructed.Finally,the cross validation(CV)is used to optimize the parameters of the SVM classifier to identify the blockage fault signal.The results from the experiments have shown that the method can identify the blockage in the water supply pipeline effectively based on the combination usage of LMD component features and cross validation SVM.In addition,the method is compared with the method based on LMD feature fusion and BP neural network and the results suggest that the proposed method has a better performance on the partial blockage recognition.

water supply pipeline; blockage identification；local mean decomposition(LMD); feature fusion；support vector machine(SVM)

10.13873/J.1000—9787(2017)07—0057—05

2016—08—02

國家自然科學基金資助項目(61563024,51169007)； 昆明理工大學引進人才科研啟動基金項目(KKZ3201503015)

TH 165.3

A

1000—9787(2017)07—0057—05

閆 菁(1993-)，女，碩士研究生，主要研究方向為信號處理、模式識別、管道故障診斷。

馮 早(1979-)，女，通訊作者，博士，講師，主要從事聲學無傷檢測、信號處理、機器學習方向研究工作，E—mail:6483975@qq.com。