法蘭連接失效的配氣管道泄漏檢測研究

徐光

（包頭特種設備檢驗所，內蒙古 包頭 014010）

1 前言

長期以來，法蘭連接管道廣泛用于諸多配氣管道。眾所周知，與管道本身泄漏相反，該類管道系統的泄漏易于法蘭連接處發生。對于法蘭連接，通常由于法蘭墊圈破壞和螺紋松動而造成損壞。因此，在管道系統總裝工藝中，管路系統氣密測試是其中極為重要的一部分，雖然在保證管路氣密性的相關制造、裝配等工藝標準較多，但不能完全抑制泄漏的產生。所以，對管道系統進行氣密性檢測不容忽視。考慮到法蘭連接泄漏的聲學特性，提出了一種基于聲發射（AE）的實驗研究并使用支持向量機的模式識別技術。基于SVM的泄漏檢測的訓練和測試，本研究使用通用內核訓練SVM模型。通過比較總體準確性和有效性，根據所選特征確定最佳內核函數。最終，所提出的支持向量機技術以較高的準確性實現對法蘭連接管道的檢測。

2 實驗設置

2.1 泄漏率標定實驗

管道泄漏率標定實驗臺的主要功能是模擬螺紋松動的管接頭和法蘭的泄漏工況。實驗選用從運載火箭的推進系統管道中分離出的直徑為16mm，長度為1.15m的鋁合金管道。管道的一端與壓力為5bar的空氣壓縮機相連接，另一端通過法蘭端蓋完全密封。管道泄漏主要指連接件之間有縫隙，流體從縫隙處噴射流出。為完成標定實驗，選用與氣泡法同等精度的水浸法進行泄漏標定設計長寬高為1400mm×500mm×400mm的玻璃水槽。通過松開螺栓連接形成具有不同泄漏率的泄漏源。為了測量泄漏率，使用氣泡泄漏檢測方法。

2.2 泄漏信號采集實驗

水中完成泄漏率的標定后，將管道平放至信號采集平臺進行泄漏信號采集。聲發射信號通過以40dB放大倍數運行的前置放大器（PAC，MISTRAS，2/4/6）進行預放大，并由8通道AE數據采集卡（PAC，Micro-ⅡExpress，1MS/s）采集輔助數據處理軟件（PAC，AE Win）。

3 與泄漏率相關的特征指標

3.1 AE泄漏信號的波形和頻率信號

選用窄頻傳感器PAC R6α捕獲實驗中產生的泄漏信號。其諧振頻率為50.78kHz。為了研究不同泄漏率對誘發的聲發射信號的影響，設置泄漏率以形成泄漏源，包括0ml/s，0.11ml/s，0.26ml/s，0.62ml/s和0.90ml/s，由信號時域波形可以看出，不同泄漏率下的誘導的泄漏聲發射信號連續。隨著泄漏率的增加，信號的幅值也有增大的趨勢，但是，增大趨勢不顯著。通過目視檢查，僅僅能以波形圖區分無泄漏和泄漏，對于小泄漏與大泄漏之間難以通過波形區分。由信號頻域可以看出，隨著泄漏率增大，通過頻段可以明顯看出泄漏有無，同時，泄漏信號集中在三個主要頻段：41～51kHz、65～72kHz、110～120kHz。三個頻段均可以實現對泄漏有無和泄漏率大小的區分，然而，隨著泄漏率的相對增大，41～51kHz和110～120kHz兩個頻段不利于對泄漏率大小的區分，僅僅只有65～72kHz頻段對區分泄漏率大小表現良好。因此，65～72kHz頻帶的變化與相應的泄漏率有著明顯的相關性，同時，對于一個泄漏源頻域信號出現三個集中頻段分析，其主要原因可能是管道的固有頻率以及較弱或不可檢測的泄漏引起的。

3.2 泄漏信號頻域面積提取與擬合

為了確定65～72kHz頻帶的包絡面積是否是評估本研究中真實信號的泄漏率的重要特征指標，將三個頻帶的包絡面積與相應小泄漏率和大泄漏率進行線性擬合。首先，從法蘭泄漏每種等級中選取10000點進行頻域面積計算，然后，取3046組進行平均得到一組頻域面積，最后，取頻域面積的平均作為最終頻域結果。頻域結果用matlab中擬合函數與相應的泄漏率進行線性評估，線性擬合結果如圖1～3所示。

圖1 41-51khz 頻帶面積擬合結果

圖2 65-72khz 頻帶面積擬合結果

圖3 100-110khz 頻帶面積擬合結果

為對最終的擬合匹配結果進行評估，對三條曲線進行參數估計分別對應參數：和方差（SEE）、確定系數（R-square）、自由度調整R平方（Adjusted R-square）、均方根（RMSE）。通過上述圖發現，泄漏信號65～72kHz頻域內包絡面積呈現最優線性擬合，因此判定包絡65～72kHz面積這一特征是區分不同泄漏率模式分類的特征指標。

4 泄漏檢測算法

4.1 支持向量機

SVM是一種基于統計學習理論和結構風險最小化原理的機器學習算法。SVM的基本思想是尋求一個最佳的分離超平面作為決策面，它可以對兩類數據進行分類，同時，使分離邊界上的點與超平面之間的距離最大化。相應的學習過程主要有兩個階段，即訓練和測試。

線性SVM是用于對線性結構化數據進行分類和回歸的有效算法。對于線性可分離的情況，主要目標是找到一個超平面，該平面將帶有不同標簽的數據點分隔到不同的側面。對于線性不可分割的結構化數據，經常使用通過核函數K將數據映射到高維空間。原始空間中線性不可分的數據點可以轉換為高維空間中的線性可分問題。這等效于原始空間中的非線性分類。因此，對于非線性結構化數據，可以通過使用拉格朗日和卡魯什·庫恩·塔克（KKT）條件構造分類器的決策函數，如下所示：

5 實驗結果與討論

分別從背景噪聲和泄漏信號中隨機選擇200個樣本，總共1000個樣品。30%樣本為訓練集。其余70%被用作測試集，5倍交叉驗證方法用于構建不同類別的樣本數據的訓練集。提取65～72kHz頻帶包絡面積特征指標。在訓練和測試過程中，特征指標與KL、KP和KG的不同組合構建不同的一對多（OVA）SVM模型。為選擇合適的核函數，在測試中，比較使用特征指標構建的OVA SVM模型的分類精度確定最佳核函數。為確定最佳的OVA SVM模型，構建所選特征指標和核函數的最優OVA SVM模型，以基于模式識別檢測測試集的小泄漏聲發射信號，根據泄漏檢測結果，可以明確地發現，基于分類模型，所有估算的準確性都令人滿意，所有準確性水平均大于99%。但是，RBF內核函數的SVM與其他兩個內核函數相比，在整體上效率最高，最精確。實驗表明，聲發射理論與RBF核函數的支持向量機相結合的檢測算法具有較高準確性。

6 結語

為實現法蘭連接失效引起的配氣管道泄漏檢測，提出了基于聲發射（AE）的實驗研究且使用支持向量機（SVM）的集成技術。所提技術在支持向量機上的性能可以滿足工程需求，總體準確率99%以上。時間和頻率分析表明，時域波形不能對泄漏率進行區分。然而，頻域波形可以發現，隨著泄漏率的增大，65～72kHz表現與不同泄漏率關系最優性，提出提取65～72kHz包絡面積作為識別泄漏等級的特征指標。進一步開展基于SVM方法的泄漏檢測的訓練和測試研究，確定聲發射方法和具有RBF核函數的SVM相結合的檢測算法更準確、更有效，總體誤報率低于為0.4%。驗證了最佳分類決策邊界函數是特征指標“65～72kh包絡面積”和高斯RBF核函數的OVA SVM模型。