基于PSO-VMD算法的管道泄漏检测装置及检测方法与流程

本发明涉及一种实验装置，尤其是一种基于pso-vmd算法的管道泄漏检测装置及检测方法，用来实现对于工业管道中泄漏事故的检测。
背景技术：
：管道作为一种经济、高效、便于管理的运输方式之一，已成为当代五大运输方式之一（公路、铁路、水路、航空、管道），截止2017年，我国管道输油（气）总里程已达到12万公里，管道在国民经济中扮演着重要角色。但是，随着管道里程的增加，给管道的安全运营带来了困难，如管道设备的老化、管道的腐蚀泄漏、人为打孔盗油事故、地质条件的变化（地震、水灾等）等导致的泄漏及其次生、衍生事故频发，不仅给国民经济造成损失，严重的甚至威胁人民生命财产安全。由于管道内输送的介质常具有易燃易爆性（如石油、天然气），发生泄漏事故后如果发现不及时或处置不当，极有可能造成火灾、爆炸等事故，近年来管道安全事故频发，造成了严重的后果及社会影响。为了避免或降低管道泄漏事故的发生，管道泄漏检测技术应运而生，目前，已经发展出多种管道泄漏检测技术，总体来说可以分为基于硬件的检测技术（如声发射技术、光纤传感器技术和漏磁检测技术等）和基于软件的检测技术（如质量/流量平衡方法、负压波方法和瞬变流方法等），但是，并不是每种方法都能适用所有的泄漏情景，每种方法都有一定的局限性及适用范围。声发射技术作为一种新兴的技术，以其操作简便、对管道无破坏、精度高等优点逐渐成为管道泄漏检测的主要工具之一。但声发射信号易受环境背景噪声的影响，如机械性噪声和电气干扰噪声，以往常用的管道泄漏声发射信号处理方法有小波变换（wt）、经验模态分解（emd）和局部均值模态分解（lmd）等，但是小波分解的效果受限于母小波的选择，经验模态分解和局部均值模态分解方法会有端点效应和模态混叠现象。变分模态分解（vmd）是由dragomiretskiy等在2014年提出的一种自适应信号处理新方法，通过迭代计算得到不同中心频率和带宽限制，从而分解出预设尺度k个中心频率各不相同的固有模态函数（imf）分量。但是其分解效果取决于预设尺度k和惩罚因子α，人为设定的预设尺度k过大或过小往往会带来过分解和欠分解的问题。技术实现要素：本发明的目的在于针对上述不足之处，提供一种基于pso-vmd算法的管道泄漏检测装置及检测方法，通过基于粒子群算法优化的变模态分解（pso-vmd）算法处理采集的管道泄漏和无泄漏时的声发射信号，将分解后的信号去除噪声等干扰信息后进行信号重构，并提取重构信号的特征参数，然后通过支持向量机（svm）算法进行泄漏的检测。本发明是采取以下技术方案实现的：基于pso-vmd算法的管道泄漏检测装置，包括水箱、潜水泵、管道和声发射设备；潜水泵安装在水箱中，潜水泵与管道上游端相连，管道下游端连入水箱，实现循环流动。声发射设备包括依次相连的声发射传感器、前置放大器和声发射主机，声发射传感器布置在管道泄漏孔的上下游端，将采集到的声发射信号传输至前置放大器，通过前置放大器将信号放大后传输至声发射主机。所述声发射传感器采用市售的r15a谐振传感器，峰值频率为150khz。所述声发射主机采用市售的8通道pci-2声发射主机。所述管道采用铸铁管道。铸铁管道的直径为102mm，壁厚3mm。所述潜水泵采用市售的新界三项充油式潜水电泵，潜水泵的额定扬程为18m。为了模拟实际泄漏场景，该管道泄漏检测装置提供一种泄漏模拟方法，即在管道中间设置一个能调节开度的控制阀，控制阀的阀门出口设置不同口径的螺栓来模拟不同尺寸的泄漏情况。基于pso-vmd算法的管道泄漏检测装置的检测方法，包括如下步骤：s1、将声发射传感器布置在管道泄漏孔两侧，声发射传感器与前置放大器相连，前置放大器与声发射主机相连；s2、打开潜水泵，使管道内充满水；s3、声发射传感器实时检测所述管道的声发射信号，将检测到的声发射信号发送到声发射主机；s4、声发射主机采用粒子群算法优化的变分模态分解（pso-vmd）算法对管道采集的声发射信号进行处理，利用粒子群算法（pso）优化变分模态分解（vmd）的预设尺度k和惩罚系数α的选取，选择信号的信息熵作为粒子群算法的优化函数；s5、利用优化后的预设尺度k和惩罚系数α的参数组合对声发射信号进行变分模态分解，得到中心频率不同的k个固有模态函数（imf）分量，计算每个分量的能量值，选取能量占比较高的几个分量即包含泄漏信息最多的分量进行信号的重构；s6、对重构信号进行分析，提取重构信号的时域特征参数，即方根幅值和有效值，然后通过支持向量机（svm）算法进行泄漏的检测。在步骤s3之前通过关闭控制阀，模拟管道无泄漏时的测试，声发射传感器实时检测管道的声发射信号，并将无泄漏时的声发射信号实时发送至声发射主机。在步骤s3之前通过开启控制阀，模拟管道泄漏时的测试，声发射传感器实时检测管道的声发射信号，并将泄漏时的声发射信号实时发送至声发射主机。所述步骤s4中，采用pso-vmd算法对采集的泄漏与无泄漏时的声发射信号进行处理，vmd算法处理的过程可以看作是求解约束变分问题，模型如下式：(1)(2)式中，t为时间，j2=-1，固有模态函数分量{uk}={u1,u2,…,uk}，k为第k个固有模态函数分量，固有模态函数分量的中心频率{ωk}={ω1,ω2,…,ωk}，δ(t)为狄里克莱函数，f为原始信号。为了求式（1）、式（2）约束函数的最优解，可以引入一个拉格朗日乘子λ和二次惩罚系数α来构造约束函数的增广拉格朗日函数，如式（3）所示：(3)采用交替方向乘子算法（alternatedirectionmethodofmultipliers，admm）对式（3）进行求解，可以将原始信号分解为k个固有模态函数分量，具体求解过程是交替更新、和来得到增广拉格朗日函数的鞍点，迭代过程如式（4）~式（6）：(4)(5)(6)式中，τ为拉格朗日更新系数，n为大于等于1的自然数。当满足式（7）的条件时，迭代停止，(7)式中，ε为迭代收敛值。所述步骤s4中，利用粒子群算法优化预设尺度k和惩罚系数α的选取，粒子群算法是由eberhart博士和kennedy博士在1995年提出，模仿鸟类觅食活动，通过随机解不断迭代寻优，找到种群中个体的最优解及种群最优解，实现需要优化的问题从无序到有序的过程，从而得到问题的最优解，粒子群算法描述如下：粒子i在d维搜索空间中里的位置表示为一个矢量，每个粒子的飞行速度也表示为一个矢量，假设粒子i的位置和速度分别为xi=(xi,1,xi,2,…xi,2)，和vi=(vi,1,vi,2,…vi,2)，粒子在每一次迭代过程中会跟踪这两个最优解来更新位置和速度，即个体极值pi和全局最优解pg，pi=(pi,1,pi,2,…pi,2)，pg=(pg,1,pg,2,…pg,2)，粒子将根据式（8）、式（9）来更新自己的速度和新的位置。(8)(9)式中，ω为惯性权重，c1，c2为正的学习因子，通常c1=c2=2，rand()为介于(0~1)之间的随机数。由于泄漏信号特征表现明显，其信息熵比含噪声时小，因此，选择信息熵作为粒子群优化的目标函数，信息熵公式如下所示：(10)(11)pso-vmd算法的操作步骤，包括：4-1）设置粒子群算法的初始参数值和优化函数，确定参数［k,α］的取值范围；4-2）初始化粒子的速度和位置，参数［k,α］设置为粒子的位置；4-3）将初始参数［k,α］带入vmd算法中进行对于信号进行分解，得到k个固有模态函数分量，并计算每个分量的信息熵，比较所有粒子的信息熵值，并更新个体的局部极小值和种群的全局极小值；4-4）根据上述公式（8）、（9）来更新自己的速度和新的位置；4-5）重复步骤（4-3）~（4-5）直至达到最大迭代次数，输出种群的全局最小值和对应粒子的位置，种群全局最小值即为最小的熵值，粒子的位置为该熵值对应的参数组合［k,α］。所述步骤s5中，计算每个固有模态函数分量的能量值，采用如下公式：(12)式中，e为声发射信号的能量，f(t)为声发射信号的时域幅值。选择{u1,u2,…,uk}中能量最高的几个分量进行重构，从而去除了管道周围环境噪声和机械系噪声等噪声干扰，此时得到的信号包含的泄漏信息最大。本发明的有益效果为：本发明提供一种基于pso-vmd算法的管道泄漏检测方法，采用声发射设备采集无泄漏和泄漏时的声发射信号，利用该算法对两种信号分别进行分解，并采用基于能量值的方法进行信号重构，选择重构信号的时域域特征作为模式识别的特征向量，最后采用支持向量机的算法实现泄漏与非泄漏信号的区分，实现了管道泄漏发生后能够及时发现，解决了管道误报警率高的问题。附图说明下面结合附图和具体实验例对本发明进一步说明：图1是本发明的基于pso-vmd算法的管道泄漏检测方法的检测流程图；图2是本发明的声发射泄漏检测装置使用方式结构示意图；图3是原始信号时域图；图4是固有模态函数分量及其对应的频谱；图5是支持向量机分类结果。图2中：1、声发射传感器，2、前置放大器，3、声发射主机，4、泄漏口控制阀，5、管道。具体实施方式下面结合附图和实施例对本发明的具体实施方式做进一步详细的说明。以下实施例用于说明本发明，但不用来限于本发明的范围。采用pso-vmd算法对采集的泄漏与无泄漏时的声发射信号进行处理，vmd算法处理的过程可以看作是求解约束变分问题，模型如下式：(1)(2)式中，t为时间，j2=-1，固有模态函数分量{uk}={u1,u2,…,uk}，k为第k个固有模态函数分量，固有模态函数分量的中心频率{ωk}={ω1,ω2,…,ωk}，δ(t)为狄里克莱函数，f为原始信号。为了求式（1）、式（2）约束函数的最优解，可以引入一个拉格朗日乘子λ和二次惩罚系数α来构造约束函数的增广拉格朗日函数，如式（3）所示：(3)采用交替方向乘子算法（alternatedirectionmethodofmultipliers，admm）对式（3）进行求解，可以将原始信号分解为k个固有模态函数分量，具体求解过程是交替更新、和来得到增广拉格朗日函数的鞍点，迭代过程如式（4）~式（6）：(4)(5)(6)式中，τ为拉格朗日更新系数，n为大于等于1的自然数。当满足式（7）的条件时，迭代停止，(7)式中，ε为迭代收敛值。所述步骤s4中，利用粒子群算法优化预设尺度k和惩罚系数α的选取，粒子群算法是由eberhart博士和kennedy博士在1995年提出，模仿鸟类觅食活动，通过随机解不断迭代寻优，找到种群中个体的最优解及种群最优解，实现需要优化的问题从无序到有序的过程，从而得到问题的最优解，粒子群算法描述如下：粒子i在d维搜索空间中里的位置表示为一个矢量，每个粒子的飞行速度也表示为一个矢量，假设粒子i的位置和速度分别为xi=(xi,1,xi,2,…xi,2)，和vi=(vi,1,vi,2,…vi,2)，粒子在每一次迭代过程中会跟踪这两个最优解来更新位置和速度，即个体极值pi和全局最优解pg，pi=(pi,1,pi,2,…pi,2)，pg=(pg,1,pg,2,…pg,2)，粒子将根据式（8）、式（9）来更新自己的速度和新的位置。(8)(9)式中，ω为惯性权重，c1，c2为正的学习因子，通常c1=c2=2，rand()为介于(0~1)之间的随机数。由于泄漏信号特征表现明显，其信息熵比含噪声时小，因此，选择信息熵作为粒子群优化的目标函数，信息熵公式如下所示：(10)(11)附图1展示了本发明基于pso-vmd算法的管道泄漏检测方法的检测流程，包括如下步骤：声发射主机接收到声发射传感器发来的声发射信号；1）设置vmd参数的范围，设置粒子群算法的初始参数值和优化函数，确定参数［k,α］的取值范围；2）产生初始pso种群参数，初始化粒子的速度和位置，参数［k,α］设置为粒子的位置；3）使用vmd进行信号分解，具体是将初始参数［k,α］带入vmd算法中进行对于信号进行分解，得到k个固有模态函数imf分量；4）计算每个分量的信息熵，比较所有粒子的信息熵值，并更新个体的局部极小值和种群的全局极小值；5）根据上述公式（8）、（9）来更新自己的速度和新的位置；6）重复步骤（3）~（5）直至达到最大迭代次数，输出种群的全局最小值和对应粒子的位置，种群全局最小值即为最小的熵值，粒子的位置为该熵值对应的参数组合［k,α］；7）根据公式（12）计算每个分量的能量值，选取能量占比较高的几个分量即包含泄漏信息最多的分量进行信号的重构；计算每个固有模态函数分量的能量值，采用如下公式：(12)式中，e为声发射信号的能量，f(t)为声发射信号的时域幅值；选择{u1,u2,…,uk}中能量最高的几个分量进行重构，从而去除了管道周围环境噪声和机械系噪声等噪声干扰，此时得到的信号包含的泄漏信息最大。8）对重构信号进行分析，提取重构信号的时域特征参数，即方根幅值和有效值，然后通过svm算法进行泄漏的检测。参照附图2，本发明检测装置在使用时，将声发射传感器1布置在管道5泄漏孔的上下游端，声发射传感器1与前置放大器2相连，前置放大器2与声发射主机3相连；打开潜水泵，使管道内充满水；声发射传感器将采集到的声发射信号传输至前置放大器，通过前置放大器将信号放大后传输至声发射主机。在实际场景中，测得的声发射信号易受机械性噪声和电气干扰噪声等影响，本发明提出一种基于pso-vmd算法的管道泄漏检测装置，系统参数如表1所示：表1基于pso-vmd算法的管道泄漏检测装置参数长度/m内径/mm壁厚/mm压力/mpa声发射传感器声发射主机6710230.15r15apci-2采用该系统进行分别采集管道无泄漏和泄漏时的声发射信号，并采用所述的pso-vmd算法进行信号的分解，选择其中的一组泄漏数据进行分析，原始信号如图3所示，通过pso-vmd算法的计算，得到k=5，α=8333，选择该参数进行vmd分解得到固有模态函数分量并对其进行傅里叶变换得到其对应的频谱，分解结果如图4所示，给出了原始信号时域图和频域图以及固有模态函数分量的时域图和频域图，可以看出，原始信号的主要频率分布45~55khz的频带范围内，从固有模态函数分量的频谱图可以看出分量u(3)和u(4)的频域分布与原始信号接近，且幅值也与源信号接近。下面采用基于能量法来进行信号的重构，固有模态函数分量的能量如表2所示：表2各分量的能量值分量u(1)u(2)u(3)u(4)u(5)能量0.0000980.0001050.0031030.0041250.000345从表2可以看出，u(3)和u(4)的能量明显比其他分量高，占到总能量的93.0%，这与图4所反映的性质一致，证明基于能量法进行信号的重构能够有效地去除干扰信号。因此选择u(3)和u(4)两个固有模态函数分量对信号进行重构，然后提取重构信号的特征参数，在本发明中，特征参数选择方根幅值和有效值，选择svm训练集个数为80个，测试集个数为40个，svm测试集预测结果如图5所示，图5表明在该特征参数选择条件下能够将泄漏信号与无泄漏信号分开，因此可以看出基于pso-vmd算法的管道泄漏检测方法能够较好的识别出泄漏信号，从而在管道发生泄漏后及时发现泄漏，保证管道的安全运行。当前第1页12