管道缺陷多特征融合提取方法研究

都騰飛， 李仲樹， 謝雪松， 李澤軍， 劉新

（江蘇長江智能制造研究院有限責(zé)任公司, 江蘇 常州213164）

0 引言

管道輸送作為重要的運輸工具[1]，由于其輸送量大、占地面積少、工程建設(shè)短等特點被廣泛運用于石油石化[2]、供熱給水、化學(xué)工藝[3]等各個領(lǐng)域。1990年以后，隨著油氣資源在全球被大力開發(fā)，管道運輸憑借其獨特的優(yōu)勢在世界范圍內(nèi)廣泛使用，對于能源輸送和能源安全問題起到了至關(guān)重要的作用[4]。由于石化工業(yè)環(huán)境過程中，現(xiàn)場測試情況的繁雜性[5]，機(jī)械設(shè)備的故障信息其外在表現(xiàn)通常都是非平穩(wěn)和非線性的[6]，經(jīng)典的線性理論信號處理方法并不能有效地提取出故障的特征，而時頻結(jié)合的方法可以處理非線性和非平穩(wěn)的問題。ICEEMDAN方法是由Colominas等[7]提出的基于時頻分析的信號處理方法，該算法極大地抑制了傳統(tǒng)的時頻分解過程中帶來的虛假分量和模態(tài)混疊問題，具有更好的分解效果。本文主要是針對管道的阻塞、孔洞、凹坑、裂紋缺陷特征，采集不同缺陷特征的信號，通過信號處理手段進(jìn)行特征提取分析，并將特征向量進(jìn)行融合識別，從而提高了管道故障的識別準(zhǔn)確率。

1 管道缺陷多特征提取方法

針對工程實際中常見的管道凹坑、孔洞和裂紋典型缺陷特征，首先構(gòu)建實驗測試平臺，預(yù)制了3種缺陷特征的管道并在管道上布置加速度傳感器采集信號。針對信號非線性非平穩(wěn)的處理問題，提出了一種基于ICEEMDAN-ICA的管道缺陷多特征融合信號處理方法。特征融合的方法，增加了分析特征間的空間互補(bǔ)性，提高分類識別的性能。基于信息熵理論，計算樣本熵、近似熵和奇異譜熵，對管道的孔洞、凹坑和裂紋缺陷進(jìn)行多特征提取，通過ELM分類器來比較單一特征和特征融合的識別準(zhǔn)確率高低，進(jìn)一步說明特征融合識別方法的有效性。

1.1 樣本熵

數(shù)據(jù)點數(shù)為N的響應(yīng)信號數(shù)據(jù)｛X（n）｝=x（1），x（2），x（3），…，x（N），樣本熵計算步驟如下：

1）對于給定的維數(shù)m，原始信號｛X（n）｝按序組成m維向量可以表示為Xm（i），i=1,2，…，N-m+1。

Xm（i）=｛x（i），x（i+1），x（i+1），…，x（i+m-1）｝。其表征的含義是從i點開始的m個x的值。

2）定義兩向量Xm（i）和Xm（j）的距離di，j[Xm（i），Xm（j）]為兩者對應(yīng)元素差值最大的值，又因為距離為正，故取絕對值，即：

式中，k表示步長，k∈[1，m-1]。

3）設(shè)定閾值r，對于給定的Xm（i），計算與Xm（j）之間的距離di，j[Xm（i），Xm（j）]，（1≤j≤N-m，j≠i）小于等于閾值r的個數(shù)，記為Ai。在維數(shù)為m時，Ai的定義為：

計算維數(shù)m時所有點的均值A(chǔ)m（r）計算公式為

4）維數(shù)增加為m+1，對于給定的Xm+1（i），計算與Xm+1（j）之間的距離di，j[Xm+1（i），Xm+1（j）]小于等于閾值r的個數(shù)，記為Bi。在維數(shù)為m時，Bi的定義為：

計算維數(shù)m時所有點的均值Bm（r）計算公式為

樣本熵的定義為

對于數(shù)據(jù)集為N的有限樣本，樣本熵的估計值為

1.2 奇異譜熵

奇異譜熵的計算步驟如下：

對信號進(jìn)行模態(tài)分解，得到i階的IMF分量和一個殘差rn。將包含了不同頻率特征的IMF分量進(jìn)行奇異值分解，得每個IMF分量的奇異值μ1、μ2、μ3…μi。構(gòu)造向量R=[μ1，μ2，μ3…μi]，則R是原始信號的奇異譜。信號的奇異譜熵表示為

1.3 近似熵

近似熵計算步驟如下：

組成向量Xm（i），Xm（i）=｛x（i），x（i+1），x（i+2），…，x（i+m-1）｝，i=1,2…，N-m+1。其表征的含義是從i點開始的m個x的值。

根據(jù)信息熵理論，對Cim（r）取對數(shù)和并求均值可得

按照上式，計算m+1維下的值φm+1（r），則近似熵值可以表示為

ApEn（m，r）=φm（r）-φm+1（r）。

2 實驗內(nèi)容

由于動力管道設(shè)備在運行過程中會產(chǎn)生振動，管道振動信號中包含著故障類型的特征信息。本實驗的目的就是模擬管道在運行過程中的振動信號特征，采集振動信號，對信號進(jìn)行相關(guān)的特征提取，從而來判別管道在運行中是否存在缺陷問題。

2.1 測試儀器

實驗測試系統(tǒng)包含激振系統(tǒng)和采集系統(tǒng)兩部分。激振系統(tǒng)用來模擬管線在運行工況下的振動狀態(tài)，測試系統(tǒng)則是提取管線的振動信息進(jìn)行進(jìn)一步的分析診斷。激振系統(tǒng)用于模擬管線運行時的振動特征。包括信號發(fā)生器（型號DH1301）、激振器（型號DH40020），如圖1所示。測試系統(tǒng)包含DH187E加速度傳感器，DHVTC動態(tài)數(shù)采分析儀和采集軟件等，如圖2所示。

連接各個測試儀器，整個測試系統(tǒng)如圖3所示。實驗采集各類故障管道的振動信號，采用多特征的方法提取管道故障特征。

2.2 測點分布

傳感器測點分布如圖4所示，管子長1 m，直徑60 mm，壁厚6 mm，缺陷位于靠近測點2處。預(yù)制的缺陷如圖5所示。

圖1 接觸式激振器與掃頻發(fā)生器

圖2 加速度傳感器與數(shù)采分析儀

圖3 測試系統(tǒng)

圖4 測點分布示意圖

圖5 缺陷實物圖

2.3 數(shù)據(jù)分析

圖6展示了測點2處（靠近缺陷處）凹坑、孔洞、裂紋及正常狀態(tài)的管道振動信號。

從圖6可以看出管線的振動信號中包含一定的特征信息，但夾雜著大量的噪聲信號，因此沒有明顯的差異，需要采取合適的方法去除噪聲并從差異較小的信號中提取特征向量識別。

圖6 測試信號時域圖

2.3.1 基于ICEEMDAN-ICA的振動信號去噪優(yōu)化

管道故障振動信號由于其能量小、頻帶寬，易受其他振源干擾，若測點離缺陷位置較遠(yuǎn)，測試的振動特征比較微弱。單獨使用ICEEMDAN算法可能導(dǎo)致信號的特征信息不能完全提取出來。ICA基于盲源分離技術(shù)，在信號去噪方面具有較好的效果。具體的信號去噪方法如圖7、圖8所示。

1）采集的含噪原始信號首先經(jīng)過ICEEMDAN分解得到不同特征尺度的IMF分量。

2）計算各個IMF分量的峭度值，通過峭度反映振動信號的沖擊特性強(qiáng)弱，其表示為

式中：μ表示信號的均值；σ表示信號的標(biāo)準(zhǔn)差。

正常信號的峭度值約等于3，缺陷管道由于表面損傷具有更強(qiáng)的沖擊特征，所以峭度值較大。可以通過峭度準(zhǔn)則來判別哪些IMF分量具有較多的故障信息并予以保留。

3）對降維過的IMF信號進(jìn)行重構(gòu)并進(jìn)行ICA解混，最終完成信號的去噪過程。

圖7 信號去噪流程圖

圖8 ICEEMDAN-ICA信號分解

以凹坑管道缺陷測點2為例，ICEEMDAN-ICA對去噪的結(jié)果有明顯提升，前3個IMF分量有很明顯的沖擊特征，后幾個IMF分量也有畸變值，去噪后的信號更有利于故障特征的提取。ICEEMDAN-ICA信號處理后一共分解出12階IMF分量，根據(jù)峭度準(zhǔn)則計算峭度值，如表1所示。

正常平穩(wěn)運行的信號，其峭度值小于3。將ICEEMDAN-ICA分解的信號根據(jù)峭度準(zhǔn)則計算后發(fā)現(xiàn)前7階IMF分量的峭度值呈現(xiàn)單調(diào)的規(guī)律性且數(shù)值都小于3，因此選取前7階IMF分量作為去噪后的信號進(jìn)一步用作特征提取。

2.3.2 特征值的提取

本文通過實驗采集了不同狀態(tài)類別的管道缺陷振動信號。其中一共包括3種故障類型和1種正常類型，共計4種標(biāo)簽類型，分別按照缺陷的嚴(yán)重程度可以分為孔洞、凹坑、裂紋和正常管道。通過ICEEMDAN-ICA分解對振動信號作去噪處理。管道缺陷信息的多特征提取，其特征包括樣本熵、近似熵和奇異譜熵。數(shù)據(jù)樣本共計4類標(biāo)簽，每個樣本采樣時間為60 s。每類標(biāo)簽選取1000個樣本，共計4000組數(shù)據(jù)。每個數(shù)據(jù)樣本截取2048個采樣點。熵是對整個系統(tǒng)中微觀粒子的無序程度測量，而信息熵作為數(shù)據(jù)信息無序度的測量，其大小反映了整個系統(tǒng)內(nèi)各個信號間的有序程度。通過多維度計算信息熵論中的近似熵、樣本熵和奇異譜熵，其值大小用以表征4類管道缺陷狀態(tài)特征并增加魯棒性。以其中的一組數(shù)據(jù)作為代表，分別展示了測點2的近似熵、樣本熵和奇異譜熵數(shù)值大小。

表1 IMF分量的峭度值

從圖9可以看出，近似熵作為特征值對故障的分類類別較為敏感。4類缺陷特征正常狀態(tài)下IMF分量的近似熵最小，管道上存在缺陷時，孔洞特征的近似熵最大，凹坑次之，裂紋的熵值最小。

樣本熵與近似熵對于4類管道缺陷故障分類具有相同的趨勢，樣本熵的4類熵值中，正常的熵值最大，第一個IMF分量的樣本熵有1.401。孔洞的樣本熵最小，第一個IMF的熵值為1.024。各個缺陷類型間的樣本熵值的大小差距不大，其分類距離沒有近似熵明顯。

圖9 各階IMF分量近似熵

圖10 各階IMF分量樣本熵

表2 4類工況奇異譜熵

奇異譜熵的計算方法與近似熵和樣本熵不同，每組IMF分量只有一個計算值。其正常情況下具有最大的熵值為1.5，凹坑和裂紋相比熵值較大。

圖11 奇異譜熵分布

從近似熵、樣本熵和奇異譜熵的計算結(jié)果可以看出4類管道類別的熵值分布具有一定的規(guī)律性。無論是哪類熵值的計算，4種標(biāo)簽類別中，正常＞裂紋＞凹坑＞孔洞。分析其原因這4類熵值都屬于信息熵。信息熵描述信息特征的無序性和復(fù)雜性。正常運行的管線由于其沖擊特征較少，因此運行平穩(wěn)信號特征的無序性高，熵值較大。當(dāng)管子中出現(xiàn)不連續(xù)缺陷如孔洞、凹坑、裂紋時，沖擊特征變強(qiáng)，信號的無序性變低。這3類缺陷的嚴(yán)重程度為：孔洞＞凹坑＞裂紋。因此其熵值計算中孔洞的缺陷具有最小的熵值，而凹坑和裂紋由于其故障類型近似，不連續(xù)性不明顯，計算熵值時兩者間的分類效果沒有孔洞缺陷明顯。

2.3.3 模式識別

將采集的信號分成1000組，每組2048個采樣點，分別通過上述介紹的信號處理手段后計算近似熵、樣本熵和奇異譜熵，根據(jù)工況不同一共得到4000組數(shù)據(jù)。訓(xùn)練時將4000組數(shù)據(jù)隨機(jī)打亂分批次訓(xùn)練，每次訓(xùn)練數(shù)據(jù)400組。將數(shù)據(jù)中的70%即2800組用于訓(xùn)練，30%即1200組用于測試，共訓(xùn)練10次，取分類準(zhǔn)確率的均值比較單特征和多特征融合方法在識別準(zhǔn)確率方面的差異大小。圖12展示了隨機(jī)取樣10次4種方法基于ELM的識別準(zhǔn)確率大小，從圖中可以看出，特征融合后分類的識別準(zhǔn)確率明顯提升了，具有很好的效果。

圖12 ELM模式識別準(zhǔn)確率（測試集）

3 結(jié)論

針對管道（正常、孔洞、凹坑、裂紋）多模式問題，基于特征提取的手段展開研究，提出了ICEEMDAN-ICA多特征融合提取方法，研究成果為：1）針對管道特征信號非線性和非平穩(wěn)的特點，提出一種基于ICCEMDAN-ICA的去噪優(yōu)化信號處理方法，優(yōu)化了信號去噪過程，降低了信噪比；2）提出了一種基于信息熵理論多維度的提取信號特征并融合特征向量的方法，并通過ELM進(jìn)行模式識別。實驗結(jié)果表明該方法的識別準(zhǔn)確率達(dá)到了95%，大大增加了訓(xùn)練模型的魯棒性和泛化能力。