埋地燃氣管道第三方施工檢測系統設計

沈忠一，胡學友，陳 琛，張 勝

（合肥學院 先進制造工程學院，安徽 合肥 230601）

隨著我國經濟發展，天然氣在能源結構中的比重逐漸增長[1]。我國現有天然氣管道干線總長約8.34×104km，保障天然氣管道安全對國民生產與人民的生活具有重要意義[2]。埋地燃氣管道傳統檢測方式是通過人工對沿線進行巡檢，但巡檢效率低、工作強度大，易受到環境等因素影響[3]。而紅外檢漏法、負壓波法和光纖傳感檢測法等存在施工難度大、檢測點受限以及成本高的問題[4]。

基于管道振動信號檢測的埋地燃氣管道安全檢測系統，通過分布在管道上的檢測終端采集管道振動信號，并將信號傳輸至遠程信息平臺，通過提取時/頻特征信息，使用基于遺傳算法改進的支持向量機（GA-SVM）算法實現三種典型施工信號識別，為埋地燃氣管道第三方施工預警提供依據。

1 檢測系統

埋地燃氣管道檢測系統由檢測終端和遠程信息平臺構成，檢測終端通過振動傳感器、窄帶物聯網（NB-IOT）和全球定位系統（GPS）實現。系統通過檢測管道的振動信號，并通過NB-IOT 基站發送到遠程信息平臺。遠程信息平臺對接收的數據進一步分析，從而實現不同施工信息的識別。系統框架結構如圖1所示。

圖1 系統框架結構圖

2 檢測與信號分析

2.1 檢測終端設計

檢測終端主要由振動檢測模塊、GPS 定位模塊、NB-IoT傳輸模塊和STM32主控模塊組成，如圖2 所示。振動檢測模塊由振動傳感器和模數轉換電路組成，GPS 定位模塊用于確定檢測終端位置。檢測終端控制系統采用STM32作為主控芯片，接收振動信息，并判斷測得振動是否為異常振動信號，最終通過NB-IoT傳輸模塊將異常振動信號和檢測終端位置信息傳輸至遠程信息平臺。

圖2 檢測終端硬件框圖

振動檢測模塊選擇壓電式振動加速度傳感器，放置于管道外表面。為降低系統能耗，傳感器初始設置為低采樣頻率模式。當傳感器檢測到振動信號后，提高采樣頻率以減小因為采樣頻率較低導致漏采有效信號的幾率。當振動信號強度、頻率等特征小于閾值一定時間后，恢復至低采樣頻率模式。當檢測終端檢測到異常振動信號時，將檢測終端的位置信息以及采集到的振動信號發送到遠程信息平臺。

由于振動傳感器只能檢測一定距離內的振動信號，所以系統需要多個檢測終端組網才能完成對管道整體的檢測，與Wi-Fi、Zigbee 和GPRS 技術相比，NB-IoT 具有覆蓋廣、成本低和功耗低的特點，更能滿足設計的需求[5-7]。檢測終端NB-IoT模塊設置為eDRX 模式，無異常時處于低功耗狀態，接收到遠程信息平臺命令后上傳數據；當檢測到異常振動信號后，激活無線傳輸模塊，上傳數據至遠程信息平臺[8]。

2.2 振動檢測模塊硬件設計

壓電式加速度傳感器將管道表面的振動信號轉換為電荷量，但傳感器輸出電荷量小，阻抗高，所以需要電荷放大器電路、電壓放大電路等將其電荷轉換為電壓信號并放大，才能輸入到信號處理系統中。選用壓電式加速度傳感器可測最大5g 加速度，電荷靈敏度為100pC/g。

2.2.1 電荷放大器電路 電荷放大器電路將壓電式加速度傳感器的輸入電荷信號放大，并將高阻抗信號轉換為電壓信號。

綜合傳感器電荷放大需要和終端工作環境，電荷放大器電路采用MCP6491 運算放大器，電荷放大器電路如圖3 所示。管道表面加速度轉換為輸出電壓Vout的值為：

圖3 電荷放大器電路

其中Vref是輸入基準電壓，Sq是傳感器電荷靈敏度，a0是管道表面檢測點加速度，Cs是壓電傳感器等效極間電容。

電荷放大器電路通過R1、R2、C2和C1確定截止高頻截止頻率fh為10.7kHz 和低頻截止頻率fl為3Hz，可以滿足信號檢測采樣頻率4kHz 的要求，其計算公式如下：

2.2.2 電壓放大電路 因電荷放大器輸出電壓較低，且輸入電荷信號與輸出電壓信號反向，所以在檢測電路中設計反相比例電壓放大電路。

電壓放大電路如圖4所示，使用LM351運算放大器，增益設置為20dB。設計電壓放大倍數為50倍，電壓放大電路輸出Vout為：

圖4 電壓放大電路

2.2.3 濾波電路 由于壓電式傳感器受壓電陶瓷諧振頻率影響，幅頻特性曲線在高頻段幅值較大。且埋地燃氣管道周圍工作環境復雜，振動傳感器易受雜波信號干擾。而埋地管道振動信號的主頻在2kHz 范圍內，無需很高的采樣率即可實現信號的采樣，所以需要低通濾波電路。濾波電路如圖5所示：

圖5 濾波電路

濾波電路使用OP07A 運算放大器，截止頻率為2.1kHz，通帶增益為0db。

2.2.4 模數轉換電路 濾波電路輸出信號頻率約為2kHz。采用ISL26102 低噪聲24 位模數轉換芯片，通過SPI 串口與STM32 相連，模數轉換電路如圖6所示。

圖6 模數轉換電路

2.3 信號預處理

由于振動檢測過程中環境因素的干擾，檢測終端最終輸出的信號中存在一定程度的噪聲。在提取信號特征之前，需要使用小波分析對檢測終端輸出信號進行降噪處理，對降噪后的信號進行切分以提高特征提取效率[9]。

2.3.1 信號降噪 檢測終端采集到的振動信號頻域中噪聲分布比較廣泛。時域上，噪聲信號與振動信號存在同時出現的情況，因此采用具有多分辨率特點的小波閾值降噪法。相較于傳統的降噪方法，小波閾值降噪法能夠根據信號與噪聲在不同變換尺度的傳播特性不同，通過閾值處理調整信號與噪聲的小波域系數[10]。

小波閾值降噪法中，使用的小波種類和閾值函數較為重要。降噪算法采用sym4 小波基（近似對稱的緊支集正交小波），閾值函數如式（5）所示。式中x為小波系數；θ為閾值:，其中δ是噪聲信號中的標準差，N是信號長度；sgn（x）是取x的幅值正負；a，b∈（0，∞），通過調節a，b決定閾值函數偏向于硬閾值或軟閾值的趨勢；m決定小波閾值的逼近程度，通過調節m抑制信號振蕩。

2.3.2 信號切分 實際施工作業中產生的振動信號多半是斷續的，為了降低數據處理量，需通過信號切分將有效信號提取出來。信號切分采用自適應閾值算法，基本思路為：設置閾值上限Vth1，將滿足閾值的點索引成集合；針對不同信號取不同間隔，集合中滿足間隔條件的點即為每個片段起始點；在每個起點后搜索幅值小于閾值Vth2下限的點為該片段終點[11]。

閾值上限Vth1設置取值如式（6），閾值下限Vth2設置取值如式（7），式中DPU為待切分信號段：

以挖掘機產生埋地燃氣管道振動信號為例，其信號切分結果如圖7所示。

圖7 信號切分結果

2.4 特征提取與數據分析

遠程信息平臺對檢測終端傳輸的數據進行實時分析，為有效實現振動信號的識別，需要從實驗數據中提取出不同信號的特征。

實驗中，將檢測終端安裝在壁厚4mm 的DN150埋地燃氣管道上側，埋地深度為1米。施工點位于檢測終端10 米處，系統采樣頻率為4kHz。分別對挖掘機作業、沖擊鉆作業和人工挖掘三種施工方式產生的振動信號進行檢測識別，采集現場如圖8所示。

圖8 信號采集現場

2.4.1 時域特征分析 通過對信號切分片段間隔和切分片段長度等的研究可以提取部分有效特征[12]。將信號切分片段視為一個單元，提取三種施工方式產生振動信號的切分間隔特征，如圖9 所示，其中0—50 樣本是挖掘機作業產生的振動信號切片組，51—100 樣本是沖擊鉆作業產生的振動信號切片組，101—150 樣本是人工挖掘產生的振動信號切片組。

圖9 信號切分片段間隔

由圖9 可以看出，挖掘機、沖擊鉆的切分片段間隔相對穩定，因為人工挖掘不是連續穩定的，所以存在較大差異的切片片段間隔。從各組切片片段間隔數值來看，因為挖掘機和沖擊鉆較為活躍，因此切片片段的間隔較小，特別是沖擊鉆，基本上信號是連續出現。

切片時長如圖10 所示，人工挖掘產生的管道振動信號切片時長最長，挖掘機作業產生的振動信號切片片段最短，因此可知不同信號源產生的振動信號切片時長存在差異。

2.4.2 頻域特征分析 不同振源對土壤及管道產生的影響不同，因此不同振動信號的頻域特征有一定區別。將時域信號進行小波包分解，計算各頻段能量，可以獲取不同振動信號的頻域特征[13]。與小波分解不同，小波包分解不僅對每層的低頻信號進一步分解，還對高頻部分進一步分解，從而能在全頻段分解信號。使用db4 小波，Shannon 熵對振動信號進行3 層小波包分解，得到信號小波包系數，計算振動頻段能量如式（8）：

其中sk是每頻段對應第k個時域幅值，n是該頻段對應時域信號長度。

得到各頻段能量后，通過式（9）計算信號頻段特征Ti。

圖11 是沖擊鉆切分片段小波包分解結果，最上層是原始信號，左列是小波包節點系數，右列是對應系數的幅頻特性。從圖11可知，C[3，0]、C[3，1]、C[3，2]、C[3，3]、C[3，4]節點重構系數幅值與原始信號相同，則原始信號主要頻率成分為0～1250 Hz。

圖12是不同振源小波包分解后頻段能量分布圖，其中1～8 頻段分別為：0～250Hz，250～500 Hz，500～750 Hz，750～1000 Hz，1000～1250 Hz，1250～1500 Hz，1500～1750 Hz，1750～2000 Hz。

圖12 三種典型第三方施工信號小波包分解后頻段能量分布圖

從圖12可以看出，三種典型第三方施工信號能量基本分布在低頻區域。其中，挖掘機的能量主要分布在0～500Hz；人工挖掘信號與挖掘機信號能量分布相似，但人工挖掘信號能量更集中在0～250Hz；沖擊鉆信號能量在0～1250Hz分布都比較均勻。

2.5 信號分類

通過2.4 中采集的2 個時域特征和8 個頻域特征，采用支持向量機（SVM）實現三種典型第三方施工信號的識別和分類，為了提高分類效率和分類精度，采用遺傳算法（GA）對支持向量機參數進行優化。

2.5.1 GA-SVM SVM 主要思想是建立一個分類超平面作為決策面，最大化正樣本和負樣本之間的分離邊距離。在SVM設計中，徑向基函數（RBF）一般僅需確定影響較大的懲罰因子C和核參數γ，參數設置較為簡單。這兩個參數通常通過網絡搜索算法確定，但非常耗時。所以引入優化速度更快的遺傳算法，隨機生成初始染色體以搜索最優值。GA-SVM模型優化流程如圖13所示：

圖13 GA-SVM模型優化流程

2.5.2 分類結果 將本次實驗采集的信號采用2.3節方法，進行預處理，從中選出三種作業方式下各150 個信號；采用2.4 節方法，對信號進行特征提取，獲得有10個特征的450個向量。各作業方式取100組信號進行訓練，其余50組用于測試。

采用RBF 的SVM 對數據進行訓練和驗證，默認情況下C 和γ都設置為1。分類準確率為90%。在該模型中，C 和γ直接定義，缺乏優化，可能導致嚴重偏差。

采用GA對C和γ進行優化，算法中選擇種群數為30，進化代數為50，交叉概率為0.47，變異概率為0.04。在優化過程中，進行輪盤賭以獲得具有良好適應性的個體。不斷更新總體，直到迭代次數達到最大值。迭代曲線如圖14 所示，并已找到最佳參數。最終適應度達到92.67%，兩個優化參數C=5.9314，γ=0.82111用于構建訓練模型。

圖14 GA-SVM迭代過程

在測試過程中，10個信號樣本被錯誤識別，準確率達93.33%（140/150）。與未使用GA 優化的SVM 相比，GA-SVM 有助于提高識別準確率，表1中是SVM與GA-SVM對三種典型第三方施工信號的識別準確率對比。

表1 SVM與GA-SVM分類準確率對比

3 結語

系統對三種典型第三方施工信號分析和識別的結果表明，基于STM32芯片的檢測終端能夠有效采集埋地燃氣管道振動信號；基于信號切分和小波包分解能夠提取三種信號的時域和頻域特征；基于GA-SVM分類算法能夠有效識別不同施工信號，為埋地燃氣管道第三方施工預警提供了依據。