基于支持向量機的燃氣管道泄漏識別方法研究*

毛興翔 吳世德 王文明 孫海波 梁海官 張繼鋒

(1.中國石油大學(北京)機械與儲運工程學院 2.浙江清華長三角研究院)

0 引 言

管道運輸是連接燃氣資源與市場的高效率、低成本和安全可靠的關鍵環節，在油氣領域起著越來越重要的作用[1-3]。燃氣管道很容易受到電腐蝕及自然腐蝕的影響，形成點蝕砂眼或裂縫，造成燃氣泄漏，從而危害環境甚至引發安全事故，因此燃氣管道的定期維護檢測至關重要。目前國內外對于燃氣管道泄漏的檢測方法可以分為管內檢測和管外檢測。管外檢測主要包括實時瞬態模擬法[4]、負壓波法[5]、聲波法[6]、壓力點分析法、氣體檢測法、土壤法、光纖檢測法、聲發射法、探地雷達法、超聲導波法和紅外線照相法等。這些方法操作靈活，但受限于管線的環境和檢測設備的復雜性，對于微小泄漏的檢測難度相對較大。管內檢測方法主要包括聲信號法、壓力檢測法、電渦流法和超聲內檢測技術等。相對于管外檢測而言，管內檢測可以使搭載傳感器的檢測器更加靠近泄漏點，使得泄漏檢測的效率和精確度更高。

國內外學者開展了管內檢測器的研究，取得了一定成果。德國Gottsberg Leak Detection公司的GLD管道泄漏檢測裝置[7]通過搭載到傳統PIG式檢測器上來檢測泄漏噪聲。O.HUNAIDI等[8]研究了不同泄漏類型、管道壓力、流速和季節等對PVC管道泄漏噪聲信號的影響及其衰減特性；A.S.PAPASTEFANOU等[9]通過試驗驗證了泄漏湍流是造成泄漏噪聲的主要因素。楊進等[10]給出了一種基于相關分析和近似熵的泄漏信號特征提取識別方法。美國ASI(Acoustic System INC)公司開發了Wave Alert型聲波泄漏檢測系統[11]。加拿大Pure Technologies公司研制的smartball檢漏系統利用球形載體，內部搭載麥克風聲學傳感器來檢測管道泄漏[12]。山東省光纖傳感技術重點實驗室的趙林等[13]設計了光纖負壓波管道泄漏監測系統。中山大學王海蓉等[14]對燃氣管道小泄漏工況下的壓力波數據進行了有效的識別分析。天津大學與中石化華南銷售公司聯合研制了用于管道泄漏檢測的球形內檢測器[15]。近年來發展的智能檢測方法，例如支持向量機(Support Vector Machine，SVM)和人工智能方法已逐漸應用于管道泄漏的檢測。但是對于網絡的正確性和準確性以及應用到泄漏檢測效果如何，缺少相應的驗證，因此本文開展了基于支持向量機的泄漏檢測機器人的開發和研究。

燃氣管道泄漏可視為噴流過程，并伴隨噴流噪聲的產生[16]。本文研究中檢測機器人搭載聲學傳感器，采集并識別燃氣管道內的聲學信號，通過支持向量機算法實現對燃氣管道泄漏的判斷，提出了一種小管徑燃氣管道泄漏檢測機器人方案。

1 系統設計

1.1 檢測器結構

燃氣管道泄漏檢測機器人由檢測部分、柔性結構部分和驅動部分組成。檢測機器人樣機如圖1a所示，它能夠在直徑為100 mm的城市燃氣管網中主動驅動，實現前進和后退。驅動部分具有主動驅動、主動伸張和里程輪功能，如圖1b所示。驅動部分和柔性結構部分的支撐保證了檢測器在管道內的運行保持在中心軸線上，如圖1c所示。里程輪與驅動輪安裝在同一軸線上，基于霍耳傳感器記錄檢測機器人行駛過的里程信息。

1—柔性外殼；2—電子倉；3—傳動帶；4—滾動軸承；5—驅動輪；6—里程輪；7—絲杠電機；8—驅動電機；9—蝸輪蝸桿。

1.2 硬件設計

檢測機器人控制系統包括主控制器、電機驅動板及檢測傳感器等。主控制器選用了小體積、安裝Linux系統的單板計算機(Raspberry Pi ZeroW)，如圖2所示。它具有體積小、運算快的優點。選用了微型麥克風、IMU GY-85、XY-160D電機驅動板、BF-M4霍耳傳感器、SHT31溫濕度傳感器及GY-BMP280大氣壓強傳感器。利用Raspberry Pi完成對驅動電機和絲杠電機的控制及對管道內泄漏聲信號、霍耳傳感器數據和IMU數據的采集和存儲。檢測結束后，使用存儲的數據進行上位機處理，判斷燃氣管道是否發生了泄漏并進行定位。

圖2 檢測系統硬件組成

2 模擬試驗

2.1 試驗臺設計

為了模擬燃氣管道的真實泄漏，制備了相應的試驗平臺，其示意圖如圖3所示。

圖3 試驗平臺示意圖

設置的管線總長為17 m，管道內徑為100 mm，管道兩端為進氣口和出氣口，并分別安裝有壓力表以檢測管道內的實時壓力，通過氣壓泵對管道內的壓力環境進行控制。在試驗管道上設有一個圓孔，并且圓孔處安裝有可開關的通氣閥，設泄漏孔直徑為1 mm,以此來模擬當燃氣輸送管道發生小孔徑泄漏時的檢測。

2.2 試驗方案

將檢測機器人放置于模擬燃氣管道內運行并采集其中的泄漏聲信號。為研究燃氣管道泄漏時管道內聲信號的變化特征，設計了如表2所示的幾組試驗工況，并進行了多次試驗來獲取同一工況下的大量數據。

第1組和第2組試驗用于對比有泄漏發生和無泄漏發生狀態下的數據差別。第2組至第5組用于對比在與泄漏點不同距離點處時所檢測到的數據差別。通過對比可以得到，當燃氣管道發生泄漏時，檢測機器人從距離管道較遠處向較近處的位置變化過程中泄漏聲信號的變化規律；通過對比第6組和第7組可以得到有泄漏時的電機噪聲；通過對比第8組和第9組可以得到無泄漏情況時的電機噪聲。最終確定的電機噪聲信號將用于后期數據處理的濾波中。

表1 試驗組工況設計

2.3 試驗步驟

(1)將管道泄漏檢測機器人放置在管道內，開啟閥門1和閥門2，使用氣泵將管道內注入空氣，觀察壓力變送器數值，使管內壓力保持在0.6 MPa，通過泄漏孔上閥門的開閉來模擬管道的泄漏。

(2)在管道上對距離泄漏點0、1、2、3及4 m位置處進行標記。

(3)檢測機器人在管內距離泄漏點0、1、2、3及4 m位置處依次固定放置，分別進行管內聲信號數據的采集。

(4)控制檢測機器人在管道內平穩行進，可以由細繩牽引或電機驅動使檢測機器人前進。檢測機器人從距離泄漏點4 m位置行駛至泄漏點處，再由泄漏點處駛離至距離泄漏點4 m處，檢測機器人采集此行程中的管內聲信號。

(5)根據設計的工況進行大量試驗，采集足夠多的數據用于后期的數據分析。

3 試驗結果分析

3.1 基于時域的數據處理

為研究燃氣管道內泄漏聲信號的特征，判斷燃氣管道是否發生泄漏，首先對采集數據進行了時域分析判斷，得到的時域分析圖像如圖4所示。從圖4a～4e中對比可以得到，當發生泄漏時，所采集到的聲信號強度會有明顯的增大，并且隨著檢測機器人距泄漏點的距離越來越近，采集到的聲信號強度會越來越大。圖4f為檢測機器人從距離泄漏點4 m處駛向泄漏點處，接著又駛離泄漏點的過程中所采集到的聲信號的時域特征變化，可以看到幅值具有先增大后減小的變化規律。通過對管道內聲信號的時域判斷，證明了采集和識別管道內的聲信號可以判斷燃氣管道是否發生了泄漏。當檢測機器人在管道內連續行進檢測的過程中，因為檢測環境的復雜性，所采集到的聲信號會受到明顯的干擾，使得檢測機器人僅僅是通過時域信息來判斷泄漏的準確度大大降低，所以還需要更深入的算法對檢測數據進行判斷。

圖4 泄漏數據時域分析圖像

3.2 基于頻域的數據處理

相對于時域分析，頻域分析可以將不同頻率的信號特征放大，同時易于對噪聲信號進行過濾。對采集到的信號進行頻域分析，得到的結果如圖5所示。

從圖5可以得到，當燃氣管道發生泄漏時，采集的聲信號在1 800 Hz和3 000 Hz附近的幅值相對于無泄漏狀態時會有明顯的增大。通過試驗數據整理，確定了泄漏聲信號頻域特征的變化范圍主要集中在1 500～3 500 Hz，在這個范圍內頻域幅值會有明顯的增大，因此設計了一個帶通濾波器，用以對干擾信號進行濾波處理?？紤]到驅動電機對聲信號的影響，通過對比設定了帶通濾波器后，比較在電機開啟和關閉狀態下檢測機器人所采集到數據的頻域特征，電機噪聲對泄漏識別判斷的影響較小，即有泄漏和無泄漏時，在1 500～3 500 Hz的頻率范圍內差距仍然比較明顯。通過驗證，設計的濾波器對噪聲數據的處理起到了較好的作用。

圖5 泄漏數據頻域分析圖像

4 基于SVM的燃氣管道泄漏檢測

4.1 SVM理論

驗證分析表明，利用燃氣管道內的聲信號對燃氣管道的微小泄漏孔進行檢測是可行的，管道內聲信號的變化特征在時域和頻域均較為明顯。利用時域和頻域分析可以判斷管道是否發生了泄漏，但是由于存在干擾，燃氣檢測器對管道是否泄漏的判斷會受到一定的影響。為了提高檢測器的檢測效率，實現檢測器對于燃氣管道泄漏的自主判斷，提出了基于支持向量機的機器學習算法來分析燃氣管道泄漏數據，提高對燃氣管道泄漏的檢測精度。

支持向量機是在1995年由C.CORTES等[17]發明的一種模式識別方法。在分類和回歸問題中，支持向量機的算法占據著重要優勢，其最主要優勢在于可以解決小樣本、非線性和高緯模式識別問題[18-19]。當樣本的輸入線性不可分時，需要采用線性不可分SVM模型進行特征空間上的訓練學習[20]。支持向量機模型訓練的最終目的是在特征空間上得到一個最優超平面，基于SVM利用間隔最大化能夠求得一個最優分離超平面，所得到的超平面的解也唯一[21]。

4.2 C-SVC算法參數確定

燃氣管道泄漏檢測所采集到的聲信號的識別屬于線性不可分問題。對于線性不可分問題需要選擇合適的SVM模型來構建一個最合適的超平面，從而將泄漏和無泄漏的兩類數據分類，選用SVM方法中的支持向量二分類算法，也叫作C-SVC(C-SVM for Classification)模型[22-23]。C-SVC模型的優勢在于其不僅解決了線性分類器到非線性的問題[24]，而且對于數據的訓練計算過程也相對較為簡便。應用中要找到C-SVC分類模型的最佳分離超平面。

通過非線性映射φ(·)將樣本數據從原空間映射到高維空間。在高維空間中構建最優超平面C-SVC模型的模型優化函數，如式(1)所示。對于那些分布在分類超平面和支持向量所在的超平面中間的數據點，需要給予一個松弛變量，同時對于這種錯分進行一定的懲罰。最優超平面還應該滿足式(2)中的約束條件。最終得到的決策函數如式(3)所示。

(1)

yi(ωTφ(xi)+b)≥1-ξi

(2)

(3)

式中：xi為輸入樣本；yi為期望輸出矢量；ω為權值矢量；C為懲罰參數，C∈(0，+∞)；l為樣本數；ξi為吸引度的松馳變量，ξi≥0(i=1，2，……，l)；b為偏置常數；K(xi,x)為核函數；αi為Lagrange乘子；其中ω和b確定了最優超平面的位置。

4.3 支持向量機模型參數確定

支持向量機對于一些非線性不可分問題存在著錯分現象，所以對于一個支持向量機模型選用不同數值大小的懲罰參數C和核函數參數g，對支持向量機的分類精度具有重要的影響。當懲罰參數C的數值過小時，訓練得到的支持向量機的擬合精度降低，而且很容易出現對數據的錯分，也稱為“欠學習”[25]。當C的數值選擇過高時，也會出現“過學習”現象，模型的泛化能力會削弱。核函數參數g影響著支持向量機模型對于輸入數據變化的反應程度，其數值的過大、過小都會影響預測模型的置信范圍大小，并最終影響到支持向量機模型的學習能力。因此，對C-SVC中的懲罰參數C值和核函數參數g值需要進行最優化確定。

對于SVM模型的C值和g值的選擇方法有多種，本文選用的是網格參數尋優法(Grid Search，GS)來確定C值和g值的大小。首先設定C值和g值的取值范圍為：C∈[-8 ,8],g∈[-8 ,8]，設置一定的C值和g值的變化步長。再利用交叉驗證(K-Cross Vilidation，K-CV)的思想，設置交叉驗證折數V值為5，對訓練集進行訓練，對分類效果進行評估并記錄，通過對比不同參數的C值和g值得到分類模型的準確度，最終得到最優的C值和g值。

對檢測器采集到的數據進行頻域轉換，將其在0～5 000 Hz上所有對應的幅值記為一組數據，對于管道在泄漏情況下采集到的數據組標記為1，對管道在無泄漏情況下的數據組標記為0。通過載入120組訓練集樣本和40組測試集合樣本，對數據樣本進行歸一化處理后，利用grid search方法進行參數尋優。繪制SVC參數選擇結果3D視圖，當C=0.25和g=0.003 906 3時，可以得到最優超平面，如圖6所示。此時對于燃氣管道泄漏數據的分類判斷準確度可以達到98.019 8%。

圖6 SVC參數選擇結果3D視圖

將燃氣管道在發生泄漏情況下支持向量機預測值定義為1，燃氣管道在未發生泄漏情況下支持向量機預測值定義為0。通過對得到的SVM模型進行驗證，輸入40組已知試驗結果的測試集到訓練得到的支持向量機模型中，得到的預測結果與樣本試驗結果對比如圖7所示。從圖7可知，共有39組數據預測結果準確，1組預測結果產生了誤差。

圖7 測試集的實際分類和預測分類圖

驗證結果證明，能夠利用支持向量機算法來判斷燃氣管道是否發生了泄漏，并且能夠達到98%的檢測精度，實際驗證也取得了很好的檢測效果。

5 結 論

(1)通過檢測機器人對燃氣管道內的聲信號進行采集，并對采集的聲信號進行時域和頻域分析，分析結果發現，當燃氣管道發生泄漏時，所采集的聲信號在時域和頻域上具有明顯的識別特征。

(2)當燃氣管道發生泄漏時，聲信號在時域上的幅值會有明顯的增加，且距離泄漏點越近其幅值越大；聲信號在頻域上的幅值位于1 800和3 000 Hz附近時明顯增大。

(3)基于支持向量機機器學習算法，對燃氣管道泄漏的聲信號進行訓練和測試，能夠精確地對燃氣管道泄漏進行識別，彌補了基于時域和頻域判斷泄漏的不足，提高了管道泄漏檢測器的檢測精度和自主識別分析能力。