基于复合型倒谱理论的石化管道微泄漏点特征识别及实验研究

郭岩宝，张敏，何仁洋，林楠，王德国*

1 中国石油大学(北京)机械与储运工程学院， 北京 102249

2 中国特种设备检测研究院，北京 100026

0 前言

石化管道是输运油气的关键部件。服役期间，由于不可控外界因素造成管道泄漏，严重时会造成人员伤亡和经济损失。因此，对管道定期安全检查是必要的。常见管道检测方法有声发射检测[1-4]、漏磁检测[5-6]与超声波检测[7-8]等。上述方法能够有效测得管道泄漏与无泄漏状态，辨识不同泄漏特征，依据压力容器安全评价准则评估管道安全等级[9-11]，完成管道安全建设。

目前识别较大泄漏口管道缺陷精度高，但对于微泄漏识别精度较低、研究技术相对薄弱。声检测技术刚好弥补了管道微泄漏检测这一空缺。声检测方法是利用声波的瞬间弹性现象揭示管道局部应力损伤的检测技术，分析处理声信号，获取管道缺陷特征[12]和定位[13]信息。常见分析方法有小波包降噪[12]、EMD降噪以及SWT变换等，实现对数据滤波降噪处理。张源等人[12]利用EMD和小波包实现信号滤波和特征提取，利用BP神经网络对小波包提取的特征样本进行识别。Davoodi等人[14]和Magidi等人[15]利用小波方法对声信号进行去噪和特征识别，完成泄漏点定位。徐源等人[13]利用小波与平均滤波相结合方法对信号分析，借助互相关算法计算各传感器之间的延迟时间完成缺陷定位。Mostafapour与Davoodi[16]研究了泄漏引起埋地管道声信号的非线性振动，采用小波变换去除信号中的噪声，与FFT相比，去噪效果显著。上述分析方法对管道泄漏研究颇多，但面对管道微小泄漏还存在识别不准的问题。

因此，本文提出一种复合型倒谱分析方法实现管道微泄漏检测与识别，该方法有效地区分频谱混叠的声信号，避免了频域分析中出现的电磁干扰和回声干扰问题。利用不同分贝值和频率值特征进行缺陷表征，实现管道有效标识。首先，建立管道微泄漏声检测平台，采集检测目标分别为Φ0 mm、Φ1 mm、Φ1.5 mm等泄漏口的声信号。分析声信号的时频特性，发现声信号在频域特征中出现了回声干扰和电磁干扰，无法读取有效信息。借助倒谱方法[17-18]对管道信号进行预处理，发现分析结果中存在信号频域混叠问题，无法提取信号的特征，表征声信号的频域特征难度较大。为此，引入对数频谱结构[19-20]对倒谱分析方法进行改进，直观地得到管道泄漏口的声信号频域特征，并利用不同分贝值和频率值实现了管道微泄漏表征。总之，改进后的复合型倒频谱方法能够实现石化管道微泄漏声检测信号降噪处理与识别，具有实用性和有效性。

1 管道微泄漏声检测系统

为了研究管道微泄漏声检测方法及信号分析处理算法，首先搭建了实验平台，包括：多根管道(Φ0 mm、Φ1 mm、Φ1.5 mm等泄漏口)、声检测传感装置、信号放大装置、信号采集装置及计算机如图1。管道内部通入0.2 MPa的空气，管道之间通过管道法兰连接，泄漏气体从泄漏口直接排出。声传感器采集管道内部声音信号，通过前置放大器、信号采集器，将采集的声信号传输到电脑中储存。接着数据完成分析处理。

图1 管道泄漏声检测系统Fig. 1 Acoustic detection system for pipeline leakage

2 声信号的复合型倒频谱分析理论

管道微泄漏声信号分析流程如图2。首先，信号进行归一化处理。接着，归一化后数据完成实倒谱分析与倒谱编辑，得到残余指数谱和复值残余谱，实现信号预白化过程。由于管道泄漏声信号是一组宽频带信号，引入幅值对数谱对其结构改进，能够有效地提取微泄漏声信号的特征。

图2 管道泄漏声信号处理流程图Fig. 2 Pipeline leakage acoustic signal processing flow chart

2.1 倒谱分析

管道泄漏声检测信号是一组时间序列的数据，由目标声源信号和随机噪声信号组成，表达公式如下：

式中：x(t) 表示管道采集声信号；x1(t) 是目标声源信号；x2(t) 是随机噪声信号。

对管道采集信号进行傅里叶变换，其结果为：

式中：FT(w)为傅里叶变换幅值。对傅里叶变换幅值的模进行功率谱计算，计算过程为：

式中：Sx(w) 为声信号的功率谱，能够平均统计单位频域带的信号能量值。接着对功率谱结果取对数，提高声信号的鲁棒性，其计算公式为：

2.2 对数谱分析

由于管道泄漏声信号是一组宽带信号，因此在利用倒谱分析管道微泄漏声信号时，结果存在频域混叠问题。因此。引入对数谱改进倒谱方法，有效避免了混叠问题。为此，对数谱改进倒谱方法，主要表现为声信号和随机噪声信号的频域幅值模的线性叠加，表达公式为：

式(9)中，S为声信号的复数，X1为目标声源信号的复数，X2为随机信号的复数。与式(3)信号功率谱相比，对数谱有效地滤掉低频段的杂波信息，有助于分解出信号微泄漏点声信号特征。

3 管道微泄漏特征识别实验

3.1 声信号数据采集

按照图1 构建石化管道微泄漏声检测平台，完成微泄漏管道检测实验，获取不同泄漏孔径管道泄漏数据，主要有Φ0 mm、Φ1 mm、Φ1.5 mm等泄漏孔的数据。实验时检测装置的声波探头距泄漏孔的距离为10 m，管道内压为0.2 MPa，外压为标准大气压。信号采样频率为30 kHz，采样时间60 s。采集的原始时域信号如图3。

图3 管道微泄漏的时域信号Fig. 3 Time domain signal of pipeline micro-leakage

根据图3 可知，管道微泄漏声信号在一维时间序列上杂乱无章，没有规律性的非周期性宽频带信号。为了能够有效剥离声信号之间的粘连，需要对时域信号进行傅里叶变换，获得信号的频域图，其结果如图4。

图4 管道微泄漏的频域信号Fig. 4 Frequency domain signal of pipeline micro-leakage

从图4 声信号的频谱可以看出，在低频段，Φ0 mm信号频域特征较为敏感，杂波比较多，主要是因为电磁干扰引起的幅值波动，无明显的声音波动，预示着无明显泄漏点信息；对于Φ1 mm和Φ1.5 mm信号频域特征而言，两段信号虽无电磁干扰，但在f=5000 Hz出存在明显突峰。这是由于管道空间产生的回波干扰。进而，需要进一步处理声信号频域特征，避免出现该问题。域特征不同之处在于：中高频段，Φ1 mm较为敏感，存在一组A > 500 mV的尖锐波峰和多组A ＜ 500 mV小波峰，且在f= [4500, 5100] Hz之间存在尖锐的回波波峰；在高频段，Φ1 mm存在低幅值的波峰，这是因为泄漏点孔隙太小，管道内部出现涡流引发的声信号中杂波干扰。在中频段，Φ1.5 mm较为敏感，存在两组A ＞ 1000 mV的尖锐回波波峰和多组A ＜ 500 mV小波峰，并且在f= [4500, 6000] Hz之间存在两组尖锐的波峰，在高频段，Φ1.5 mm存在低幅值的波峰。

3.2 基于倒谱声信号处理分析

采用倒谱方法对管道进行预白化处理，图5 为声信号的实倒谱结果。图5 中，Φ0 mm信号为无回声信号，实倒谱上表现为一个有规律的微幅波动周期信号；Φ1 mm信号的实倒谱上表现为一个喇叭状，在T= 40τ/s后趋于收敛；Φ1.5 mm信号的实倒谱同样表现为一个喇叭状，在T= 50τ/s后趋于收敛。

图5 微泄漏声信号数据的实倒谱图Fig. 5 Real Cepstrum of micro-leakage acoustic signal data

对图5 的实倒谱处理结果完成倒谱编辑，并结合声信号基频特性，对实倒谱的倒频域段置0 处理，划分数据信号的高低频段，最后逆变换得到泄漏白化后的频域信号，其结果如图6。图6(a0)、(b0)、(c0)是对低基频进行倒谱编辑结果，图6(a1)、(b1)、(c1)是对高基频进行倒谱编辑结果。结合两组可知，图6(a0)中Φ0 mm信号在低频段的幅值可明显观察到，信号杂乱无章，存在一定频率的电磁干扰；其相应频率分别为f1= 150 Hz，f2= 302 Hz，f3= 450 Hz，f4=603 Hz，进而证明电磁干扰的存在。进而，以最大频率f4=603 Hz表征此信号特征。而图6(b0) 中Φ1 mm信号和图6(c0)中Φ1.5 mm信号在中频段的幅值可明显观察到，但两组信号存在更多的粘连且包络不明确。因此对两组信号进行改进。

图6 倒谱高低基频域结果分析图Fig. 6 Analysis of cepstral high and low fundamental frequency domain results

在低基频段，Φ0 mm声信号分贝值在0.2 dB以内如图6(a0)；其次，Φ1 mm泄漏口声信号分贝值保持在0.8 dB以内见图6(b0)；最大的为Φ1.5 mm泄漏口声信号分贝值为1.5 dB以内如图6(c0)。在高基频段，Φ1.5 mm泄漏口声信号分贝值保持在150 dB以内如图6(a1)；其次，Φ1 mm泄漏口声信号分贝值为60 dB以内见图6(b1)；最小的为Φ0 mm声信号分贝值在20 dB以内如图6(c1)。最后在实倒谱编辑过程中，选择滤掉高基频，结果如图7。

图7 声信号实倒谱编辑预白化处理结果Fig. 7 Real cepstrum editing and prewhitening results of acoustic signal

根据图7 声信号实倒谱编辑预白化处理结果可知，管道声信号包络结果相对清晰，频域信号存在多个峰值，频域混叠造成无法从频域中获得数据有效信息。因此，改进倒谱方法完成声信号重新分解。

3.3 基于改进的倒谱声信号处理分析

引入幅值对数谱改进倒谱结构，以一种非线性处理手法将数据信息进行平滑，得到无偏估计值，幅值对数谱结果如图8。

图8 声信幅值对数谱结果Fig. 8 Results of acoustic signal amplitude logarithmic spectrum

由图8 可知，声信号的对数谱结果对Φ1 mm、Φ1.5 mm泄漏口声信号的光滑度影响较大，对Φ0 mm声检测信号几乎无影响。改进后的方法直接滤掉少量非线性杂波信号，利于后续数据倒谱分析。进而，3组声信号的低基频预白化分析结果如图9。

图9 改进后倒谱的声信号实倒谱编辑预白化处理结果能够直观地看出不同泄漏点具有不同分分贝值和频率值等特征。从图9(b)知，Φ1 mm泄漏口的频率点为f1= 1879 Hz；图9(c)可知，Φ1.5 mm泄漏口的频率点为f2= 4049 Hz。因此，结合图5 的Φ0 mm声信号的结果，进一步汇总不同泄漏口径的频率特征如图10。

图10 3 组声信号数据结合分析图Fig. 10 Combined analysis of three groups of acoustic signal data

图10 可知，图10(a)的Φ0 mm声信号主要表现为电磁干扰引起的频率波动，以最大频率表征该信号为f0= 603 Hz，声信号分贝值为0.17 dB；图10(b)的Φ1 mm声信号存在一个频率，频率特征为f1= 1879 Hz，声信号分贝值为0.052 dB；图10(c)的Φ1.5 mm声信号只存在单个频率点，频率值为f2= 4049 Hz，声信号分贝值为0.24 dB。因此，根据频率特征和分贝值能够区分3 组不同管道微泄漏声信号。

4 结论

本文提出了一种复合型倒谱声信号处理方法可以有效区分频谱混叠的声信号，避免了数据分析过程中出现的电磁干扰和回声干扰问题。建立声检测装置完成Φ0 mm、Φ1 mm、Φ1.5 mm等泄漏点声信号采集。分析3 组声信号可知，不同泄漏点具有不同分贝值和频率值等特征。依据分贝值和频率值特征能够区别微泄漏点。因此，该方法在管道微泄漏领域具有一定的理论意义与应用价值。

(1)借助声检测装置采集管道微泄漏声信号，并分析声信号。在信号时域及频域分析过程中，发现声信号是一个非线性的宽频带信号，信号中存在回波干扰和电磁干扰。

(2)引入对数幅值谱改进倒谱结构。频域上，避免了3 组信号出现频域混叠问题。同时，有效识别了3 种泄漏信号的特征，包含频率值和分贝值特征。Φ0 mm声信号频率特征为f0=603 Hz，声信号分贝值为0.17 dB；Φ1 mm声信号存在一个频率，频率特征为f1= 1879 Hz，声信号分贝值为0.052 dB；Φ1.5 mm声信号频率值为f2= 4049 Hz，声信号分贝值为0.24 dB。