基于VMD-MD的油氣管道泄漏信號去噪方法

路敬祎,李佳麗,侯軼軒,王冬梅,侯 男

(1.東北石油大學 三亞海洋油氣研究院,海南三亞 572024;2.東北石油大學 人工智能能源研究院,黑龍江大慶 163318;3.東北石油大學 電氣信息工程學院,黑龍江大慶 163318;4.黑龍江省網絡化與智能控制重點實驗室,黑龍江大慶 163318)

0 引言

近年來,隨著我國經濟的增長,石油、天然氣等的儲運量也不斷增加,管線運輸行業得到了迅速的發展。然而,長期使用后,因腐蝕、焊接、第三方損壞等因素,必然會引起管道運行異常,這樣不僅會造成能源、經濟、環境等方面的損失,還會威脅到工作人員的生命安全。因此,如何定位油氣管道泄漏點[1-4]已成為國內外有關領域的迫切研究內容。我國自20世紀80年代開始,管道泄漏檢測技術得到快速發展。目前,管道泄漏檢測技術可以劃分為三大類:人工巡檢法、硬件檢測法和軟件檢測法[5-6]。不僅如此,隨著信息傳輸技術和電子計算機技術的不斷發展,管道泄漏檢測技術也逐步開始信息化和自動化的改革,將傳統的泄漏檢測方法與人工智能、物聯網等新興技術融合起來是一大標志。然而,在油氣管道泄漏檢測過程中,采集的泄漏信號會受到噪聲信號的影響,這樣不但會引發其誤報警、漏報警,而且還會造成監測系統定位不準確的問題。因此,對所采集到的信號進行去噪處理,從而在復雜的環境與條件下,對管道泄漏點進行精確的辨識與定位,始終是該領域的重難點。

HUANG等[7]提出了一種新型的、根據信號自身的尺度特征來進行分解的去噪方式,稱為經驗模態分解(Empirical Mode Decomposition,EMD),其優點是基函數可以一開始就確定。但是該方法一直存在的問題是端點效應及模態混疊。為了完善上述問題,2014年,DRAGOMIRETSKIY等[8]提出了一種可以自適應地分解信號的方法,即變分模態分解(Variational Mode Decomposition,VMD)。它可以自適應地確定模數,在信號去噪領域具有突出表現,但是其仍然存在不足之處,例如,怎樣才能在VMD分解信號后所得到的大量模態分量中區分是否具有純粹性,并將其重構成一個新信號從而達到去噪目的,仍然是個急需解決的問題。2020年,LU等[9]提出了一種VMD與改進的巴氏距離(Bhattacharyya Distance,BD)相結合的去噪方法,該方法利用改進的BD來衡量兩個模態對應的方差之間的相似性,以區分有效分量和非有效分量,并將該方法與EMD進行對比,其具有更好的濾波效果。2021年,王冬梅等[10]提出了一種VMD與板倉-齋藤距離結合的算法,主要是通過板倉-齋藤距離的變化來評估VMD分解得到的大量模態中的有效模態,之后利用小波變換去除篩選后噪聲分量的高頻噪聲,最后將有效分量與濾波后的噪聲分量進行重構。2022年,侯軼軒等[11]提出利用海洋捕食者算法(Marine Predators Algorithm,MPA)對VMD算法中的關鍵參數進行自適應選取,之后計算VMD分解后的各模態分量與原信號的概率密度之間的豪斯多夫距離(Hausdorff Distance,HD)選取有效分量,最后將有效分量進行重構得到去噪信號?？梢钥闯?使用描述各數據間相似性的距離指標來篩選VMD的有效模態是一大熱點。

因此,本文提出一種基于VMD與馬氏距離(Mahalanobis Distance,MD)相結合的去噪方法(VMD-MD),該方法首先通過VMD算法對信號進行分解,從而獲得大量模態分量(IMFs),再依次計算出各分量與原信號間的馬氏距離即相似性,從而區分出有效模態分量和無效模態分量,最后對有效模態分量進行重構形成更純粹的信號。為體現本文所提方法的可行性,將VMD-MD去噪方法應用到仿真信號和實際管道泄漏信號上,并且與其他不同的去噪方法(EMD-HD,VMD-HD,VMD-BD)進行對比。從試驗結果上來看,該方法在保證較高的去噪波形還原度的同時,還具有較好的去噪性能。

1 變分模態分解

VMD是一種自適應處理信號的分解方法,可以將原信號分解為擬正交的限制帶寬的固有模態函數(Bandwidth-Limited Intrinsic Mode Functions,BLIMFs)[8]。不同于EMD中定義的IMF,這里的BLIMF被視為一個調幅調頻(AM-FM)的信號,可以表示為:

BLIMFk(t)=Ak(t)×cos(φk(t))

(1)

式中,k為第k個BLIMF;Ak(t),φk(t)為瞬時振幅、相位。

為了獲得目標BLIMF,將VMD中的分解過程轉移到一個約束變分模型[8]中,如式(2)所示。具體來說,VMD的分解過程就是利用非迭代篩選結構搜索其最優解。

(2)

式中,uk為各模態函數,uk={u1,u2,...,uk};wk為各中心頻率,wk={w1,w2,...,wk}。

為求VMD約束變分模型式(2)的最優解,引入懲罰因子α,并構造出拉格朗日函數:

L({ui},{wi},λ)

(3)

式中,λ,α為拉格朗日乘子、懲罰因子。

再進行時域轉換處理,最后可得到模態分量ui,wi:

(4)

使用交替方向乘子算法求取式(2)的最優解,即原信號被分解為K個模態分量,單個分量的運行步驟如下。

(3)由式(5)更新λn+1。

(5)

(4)當條件滿足式(6)時,停止迭代并輸出K個模態分量,否則返回步驟(2)。

(6)

2 馬氏距離

印度數學家Mahalanobis首先提出馬氏距離的概念[12],用來代表不同數據間的協方差距離(其中,協方差是指統計高維度數據或變量間相關性的一個指標)。與歐氏距離(Euclidean Distance,ED)、漢明距離等一樣,其是一種可以評估、計算兩個未知樣本間相似度的性能指標及方法,特點是可以解決高維數據中不同維度之間不獨立分布的問題,計算公式[12]如下。

對于一個均值為μ=(μ1,μ2,...,μp)T、均方差矩陣為S的變量X1～Xm,其馬氏距離計算公式為:

(7)

計算向量Xi和Xj之間的馬氏距離公式為:

(8)

本文中,由于事先未知采集到的信號及VMD分解得到的各模式成分的概率分布,所以必須先計算每個成分的概率密度之后,再計算其馬氏距離。

3 馬氏距離優選VMD模態

首先,利用VMD對原信號(即輸入信號)進行分解,能夠得到大量的IMFs;其次,分別求取每個模態與原信號的距離,得到馬氏距離分布圖后進行比對分析;最后,重構較純粹信號,得到去噪后信號,即達到去噪效果[5]。

(1)初始化VMD參數,如分解層數、原信號表達式,且經過中心頻率法計算確定模數K=7,Sin=S;

(2)根據式(4)對輸入信號Sin進行VMD分解,得到模態分量u1,u2...ui;

(3)通過式(6)計算各分量與原信號之間的馬氏距離MD1,MD2,...,MDi,用于評估各分量與原信號相似性;

(4)分析數值差異及斜率對比,區分出有效IMF分量與非有效IMF分量;

(5)最后重構有效IMF分量,得到去噪后信號。

4 試驗分析

4.1 VMD-MD算法的仿真信號試驗

為驗證本文所提方法的去噪性能,仿真試驗選取含3個頻段為2,24,288 Hz的余弦信號,以及高斯白噪聲強度為0.05 dB的噪聲信號η,作為復合信號,采樣點數T=1 000,表達式為:

f(t)=cos(4πt)+0.25cos(48πt)/4

+0.0625cos(576πt)/16+η

(9)

原信號和復合信號的時域波形如圖1所示。設置VMD參數,采用中心頻率法[13]判斷VMD的模數K。該方法主要步驟是計算VMD分解過程中不同K值下得到IMFs的最大中心頻率,根據VMD的特征可知,不同的IMFs對應不同中心頻率,若有相鄰兩個IMFs的中心頻率相似,即出現模態混疊現象,說明此時K值選取不當。試驗結果如表1所示?？梢钥闯?隨著K值不斷增加,各模態對應的中心頻率的間隔逐步細分,直到K=5時,后4個中心頻率十分相似,且IMF1和IMF2之間的頻率間隔較大,說明此時屬于“過分解”狀態。

(a)不含高斯白噪聲的原信號

(b)復合信號時域波形圖1 原信號及復合信號時域波形Fig.1 Time domain waveform of raw signal and composite signal

表1 不同K值下的中心頻率Tab.1 Center frequency under different K values

因此,初始化VMD參數為懲罰因子α=2 000、模數K=4,以及默認噪音容忍tau=0、總信號擬合誤差允許程度tol=10-7,對原信號進行分解,得到4個IMFs波形及相應頻譜曲線如圖2所示。分別計算各個IMFs的馬氏距離,其結果如表2所示。為了更直觀地進行觀察,繪制馬氏距離分布圖,如圖3所示?？梢钥闯?IMF1和IMF4的馬氏距離與其他分量相比具有突變性,因此重構信號由原信號中去掉IMF1和IMF4組成。重構信號波形及去噪前后還原效果對比圖如圖4所示?？梢钥闯?重構信號幾乎復現了原信號,只在波形峰值處存在少量偏差,整體波形趨勢一致,有一定的還原性。

圖2 VMD所得IMFs波形及其頻譜Fig.2 Waveform and spectrum of IMFs obtained from VMD

表2 馬氏距離Tab.2 Mahalanobis distance

圖3 馬氏距離分布Fig.3 Distribution of Mahalanobis distance

(a)VMD-MD重構信號波形

(b)還原效果對比圖4 VMD-MD重構信號及還原效果對比Fig.4 VMD-MD reconstruction signal and comparison of restoration effects

為了對比該算法的去噪性能,將其與EMD-HD,VMD-HD,VMD-BD進行對比。圖5示出了仿真信號應用不同去噪方法所得重構信號波形圖。

(a)仿真信號波形

(b)EMD-HD

(c)VMD-HD

(d)VMD-BD圖5 仿真信號不同去噪方法所得重構信號波形Fig.5 Reconstructed signal waveform obtained from different denoising methods for simulated signals

從圖5可以看出,EMD-HD方法得到的濾波信號的波形整體振幅較小,邊界較為圓滑,存在幅度失真現象;VMD-HD方法的還原效果好于EMD-HD,不過在波形下降區域同樣具有幅度過小的問題,導致局部失真;VMD-BD方法的還原效果最差,波形出現了較大程度的失真,整體幅值較小。因此,本文所提VMD-MD去噪方法在對于原信號整體波形幅值的還原程度最高。

4.2 VMD-MD算法的實際信號試驗

應用本文結論,在某天然氣管線泄漏監測仿真試驗平臺上,采用HD-Ⅱ管道泄漏探測系統進行了仿真,得到試驗數據。實驗室管道系統如圖6所示,實驗室管道整體布局如圖7所示。

圖6 實驗室管道系統Fig.6 Laboratory pipeline system

圖7 實驗室管道整體布局Fig.7 Overall layout of laboratory pipelines

管道每隔10 m安裝一個泄漏點,同時用4分球閥連接各個泄漏點,目的是模擬實際天然氣管道泄漏現象,共計15個泄漏點;管道流體是由空氣壓縮機提供動力的空氣,具體試驗管道參數如表3所示。同時,使用NI-9215型號的采集板卡進行試驗數據采集,優點是可執行差分模擬輸入,實現了安全性、抗擾性的特點[14]。圖7中,A,B處表示壓電式聲波傳感器,用于采集管道實際信號。其中,將球閥一開一關用來模擬實際管道泄漏現象;敲擊管道外壁用來模擬現場干擾狀況。信號的采樣頻率為1 kHz,點數為10 000。

表3 管道實際參數Tab.3 Actual parameters of pipelines

圖8示出原始泄漏信號時域波形,圖9示出利用中心頻率法確定VMD的參數K后,對原信號進行分解所得IMFs波形及頻譜圖。

圖8 原始泄漏信號時域波形Fig.8 Time domain waveform of the original leakage signal

圖9 VMD分解所得IMFs波形及其頻譜Fig.9 Waveform and spectrum of IMFs obtained from VMD decomposition

圖10(a)示出馬氏距離分布圖,可以直觀地看出,IMF5,IMF6之間的斜率最大,因此確定重構信號是由原信號去掉IMF5,IMF6所構成。圖10(b)示出該去噪方法對信號的還原效果對比圖?？梢钥闯?VMD-MD方法能夠有效地將有效模態與無效模態分離開,并且能夠高度還原原信號的波形,只在2 100～2 500 Hz區間的波形幅值有少量差異,可以忽略不計。

(a)馬氏距離分布

(b)還原效果對比圖10 馬氏距離分布及還原效果對比Fig.10 Distribution of Mahalanobis distance and comparison of reduction effects

為了證明本文所提去噪方法的有效性,圖11示出實際信號的頻域波形圖。圖12示出4種去噪方法所得重構信號的時域、頻域波形圖。在時域方面,EMD-HD所生成的重構信號整體幅值較小,波形整體失真嚴重;VMD-HD方法的還原效果較好,只在信號低頻部分的幅值較小;VMD-BD 方法對于原信號的還原效果最差,整體波形都產生失真;而VMD-MD方法的還原效果優異,無論在低頻部分還是高頻部分,其波形趨勢均與原信號保持一致。在頻域方面,主要對比的有偏差的區域為頻譜圖中500 Hz處,實際信號在此有明顯的能量峰值及能量下降趨勢,而經過EMD-HD方法去噪后該能量下降趨勢同樣被去除,只保留少量能量幅值,即未保留原信號的特征;同樣地,VMD-BD去噪后不僅去除了原始能量趨勢,而且將此處能量幅值也同樣去除,這也會導致波形出現大量失真。而VMD-HD與VMD-MD方法所得到的重構信號的頻譜圖表現優異,幾乎還原了原信號的頻域狀態。

圖11 實際信號的頻譜Fig.11 Frequency domain waves of actual signals

(a)EMD-HD

(b)VMD-HD

(c)VMD-BD

(d)VMD-MD圖12 4種去噪方法所得重構信號時域、頻域Fig.12 Time and frequency domain maps of reconstructed signals obtained from four denoising methods

然而,由于實際信號成分未知,只能通過頻譜分析的方法來分析測量信號中的信號頻率組成成分,又通過試驗和前人分析可知,實際工程的信號為非平穩和非線性的信號,且信號中有效信號為低頻信號,而噪聲信號為高頻信號[15],這樣的分析導致試驗結果會出現一定的局限性和不確定性。

此外,為了進一步對比VMD-MD方法的去噪效果,本文采用在信號處理中通常使用的均方誤差(MSE)和信噪比(SNR)進行衡量[16]。MSE為預測結果與實際數據差的平方,其數值愈低,則預測的能力愈強;而SNR則為有用信號的功率與原信號的比值,其比率愈高,則表示該信號的去噪效果愈佳。定義式如下:

(10)

針對本試驗的去噪性能指標MSE和SNR的數據如表4所示。

表4 去噪性能指標對比Tab.4 Comparison of the denoising performance indicators

從表4可以看出,EMD-HD和VMD-BD方法對信號去噪后的SNR為17.587 5,16.571 4 dB,MSE對應的為4.259 9×10-4,5.308 0×10-4,顯然這兩種方法的去噪效果并不理想,進一步驗證了圖12中所示的對原信號的還原效果較差。同時,雖然圖12顯示VMD-HD的還原效果較好,不過相較于VMD-MD所對應的46.774 0 dB和5.197 2×10-7來說,其對應的SNR為35.620 0 dB,MSE為6.751 3×10-6,效果較差。

綜上所述,本文所提出的針對油氣管道泄漏信號的VMD-MD去噪方法經過還原性對比試驗及去噪性能指標衡量,效果均好于其余3種熱門去噪方法,表明該方法的優越性。

5 結語

為了解決管道泄漏信號中包含噪聲信號干擾的問題,本文提出了變分模態分解和馬氏距離相結合的去噪方法(VMD-MD)。將該去噪方法應用到仿真信號和實際管道泄漏信號上,并采用SNR和MSE兩個評價指標進行去噪效果評價,試驗結果表明,通過與EMD-HD,VMD-HD,VMD-BD 相比,VMD-MD方法可以更加準確地分離出有效分量和噪聲分量;同時,該方法具有較高的SNR和較低的MSE,從而更有效地實現信號降噪的目的,而且在濾波效果和對原始波形的還原度方面均凸現該方法的優越性。其主要結論概括如下。

(1)該方法利用馬氏距離度量各個模態分量與原信號的相似性,可以減少失真程度。

(2)在兩類試驗中,該方法的還原效果明顯好于其余三種對比方法。

(3)在實際管道試驗中,增加去噪性能指標進行評判,該方法提高了信噪比,降低了均方誤差,進一步驗證其優越的去噪能力。

因此,本文所提去噪方法具備一定的研究價值,并且能夠為下一步的信號分類、識別提供幫助。