基于分布式光纖相位敏感信號分類的油氣管道振動檢測研究

徐彩軍 王芳 張世杰 于漫漫

摘要：針對穿跨越油氣管道人工巡檢困難的問題，文中采用分布式光纖實時監測管道狀態，對振動信號進行分類，識別管道振動源。提出改進的禿鷹搜索算法和光纖振動信號特征提取方法，并基于神經網絡對分布式光纖相位敏感信號進行分類和識別。實驗結果顯示，文中提出的Ct-GBES-BPNN分類模型具有良好的分類識別效果，可為保障穿跨越油氣管道安全提供支撐。

關鍵詞：分布式光纖；相位敏感信號；油氣管道；特征提??；振動識別

Research on Oil and Gas Pipeline Vibration Detection Based on Distributed Fiber Optic Phase-Sensitive Signal Classification

XU Caijun1， WANG Fang1，? ZHANG Shijie2， YU Manman1

（ 1 Fujian Boiler and Pressure Vessel Inspection Institute， Fuzhou 350008， Fujian， China ）

（ 2 Fuzhou Huarun Gas Co.， Ltd. Fuzhou 350001， Fujian， China ）

Abstract： Addressing the challenge of manual inspection difficulties for trans-crossing oil and gas pipelines， this paper employs distributed fiber optics for real-time monitoring of pipeline conditions， classifying vibration signals to identify the sources of pipeline vibrations. An improved Bald Eagle Search algorithm and a method for extracting features from fiber optic vibration signals are proposed. Furthermore， distributed fiber optic phase-sensitive signals are classified and recognized based on neural networks. Experimental results demonstrate that the proposed Ct-GBES-BPNN classification model achieves excellent performance in classification and recognition， providing support for ensuring the safety of trans-crossing oil and gas pipelines.

Key Words： Distributed fiber optics; Phase-sensitive signals; Oil and gas pipelines; Feature extraction; Vibration recognition

0引言

目前，油氣輸送最主要的方式是管道運輸[1]。油氣是具有易燃易爆特性和毒性的?；?，一旦發生泄漏，不僅容易造成巨大的經濟損失和環境危害，更將對管道沿線居民生命健康安全產生巨大威脅。油氣管道不可避免要經過一些山川河流等地貌，這些管道的穿跨越段往往巡檢困難，因此難以及時發現潛在的安全隱患，且往往不具備維搶修條件。另一方面，穿跨越管段容易因為意外載荷破壞管道本體，導致管道泄漏[2-5]。因此開發油氣管道安全檢測技術，及時發現威脅管道安全的異常事件，對于保障管道安全運行有重要作用[6]。

傳統的人工巡檢方法效率低、易受環境干擾[7]。分布式光纖監測是實時檢測管道運行狀態的有效手段，具有感測與傳輸一體、測量距離長、測量精度高、抗電磁干擾、本質安全等優點，是油氣管道健康狀態檢測的有效手段[8-9]。馮誠[10]研發白光干涉分布式光纖系統，提取了光纖傳感信號的時頻域特征。彭云輝[11]提出基于模極大值的光纖信號去噪算法，該算法精度較高，但運算時間比較長。張景川[12]采用小波降噪方法處理光纖檢測信號，但該方法再低頻段去噪效果不佳。對此，文中開展了分布式光纖相位敏感信號分類的油氣管道振動檢測研究，提出了Ct-GBES-BPNN分類模型用于檢測人工挖掘、機械挖掘、行車噪聲等造成的光纖振動信號，為保障穿跨越油氣管道安全運行提供了技術支撐。

1 改進禿鷹搜索算法

1.1 標準禿鷹搜索算法

禿鷹搜索算法（Bald Eagle Search optimization algorithm， BES）是一種仿生元啟發式演算法，完整的BES搜索過程由搜索空間階段、搜索獵物階段和俯沖捕食階段三個階段，具體的數學模型如下：

1）搜索空間階段，通過判斷獵物數量更新最佳搜尋位置，以找到最優空間，該行為的數學表達式為：

式中：是控制禿鷹位置改變的因子；為0到1的隨機數；、、和分別對應為禿鷹的最新位置、最佳位置、平均位置和種群中第只個體的位置；

2）盤旋搜索階段，禿鷹在最優空間盤旋尋找獵物最佳俯沖捕獲位置，螺旋飛行可以通過極坐標描述，該階段的位置更新可以表示為：

式中：表示螺旋方程的極角；為螺旋方程的極徑；為螺旋的軌跡因子；確定了搜索的周期數；、個體在極坐標下的位置；

3）俯沖捕食階段，該階段的位置更新式為：

式中：、為禿鷹向中心位置的強度，取值為（1，2）。

在此階段，禿鷹將圍繞最優個體進行搜索。由式（6）可知，個體所圍繞的中心會漸漸向獵物中心靠近。當與獵物的距離為0即最優位置時，算法將獲得最優尋優效果。

1.2 禿鷹搜索算法的改進

1.2.1 Tent混沌映射算法

Tent混沌映射是二維的混沌映射[13]，廣泛應用于混沌加密系統。在搜索空間階段引入Tent混沌映射增加禿鷹初始化個體的均勻度，并利用Tent混沌映射對禿鷹搜索的位置進行更改，通過減少隨機數r影響全局搜索能力的影響，隨迭代增加，禿鷹搜索算法從全局收縮轉向局部搜索，數學模型為：

1.2.2 自適應t-分布和動態選擇策略

文中引入自適應t-分布，分布形態變化影響著變異算子對禿鷹最佳俯沖確定的捕獲位置進行變異的能力。在算法迭代前期，通過對捕獲位置的變異獲得更優的全局搜索性能，變異項的作用隨迭代次數的T的增大而不斷減小，算法逐漸聚焦于局部區域的搜索，加快算法收斂過程。融合自適應t-分布和動態選擇策略的位置更新式為：

式中：為變異后種群中第只個體的位置；為變異算子，，隨迭代次數T的增大而減??；為t-分布函數。

1.2.3 黃金正弦算法

將Golden-SA作為局部算子融合到禿鷹俯沖捕獲獵物階段，式（12）為第三階段的位置更新式，通過設定A以平衡全局搜索和局部開發能力，平衡全局搜索和局部搜索。隨著迭代次數增加，算法更傾向于搜索以提高算法對局部區域進行充分搜索的能力。降低變異率，從而提升禿鷹搜索算法的尋優速度和尋優精度。改進后的位置更新式為：

式中：為內隨機數；為內隨機數。

2 Ct-GBES-BPNN分類模型的構建

BP神經網絡的分類性能依賴于學習速率L、學習動量r以及初始權重的選取，文中采用 Ct-GBES算法優化BP神經網絡的學習速率參數L和學習動量r以及神經網絡的初始權重等參數的選擇，建立最優BP神經網絡參數組合，達到提升模型分類準確率的效果。Ct-GBES-BPNN分布式光纖相位敏感信號分類模型的具體構建流程如圖1所示。

步驟1：采用小波能譜特征算法、小波信息熵算法提取相位敏感信號特征，并構建特征數據集，歸一化處理后按8∶2的比例劃分特征數據集。

步驟2：確定BPNN的學習速率L、學習動量r和初始權重的尋優范圍，確定尋優維度，構建目標函數，設置禿鷹種群的規模和最大迭代次數，采用Tent混沌映射算法初始化種群。

步驟3：更新參數學習速率、學習動量以及權重初始值，根據目標函數計算禿鷹個體的適應度值確定目前最優適應度以及最優適應度值對應的禿鷹個體位置，即最高驗證準確率和對應的BP神經網絡參數組合。

步驟4：更新Tent混沌映射優化隨機數r，更新禿鷹位置。

步驟5：判斷隨機數r是否小于警戒值；若，通過變異算子對禿鷹螺旋飛行確定的俯沖捕獲位置進行變異，提高全局搜索能力。

步驟6：判斷隨機數是否大于設定A；若，引入黃金正弦算法對禿鷹俯沖捕食位置進行變異。

步驟7：重復執行步驟3到步驟6直到達到最大迭代次數

步驟8：應用最優Ct-GBES-BPNN模型對不同噪聲下的相位敏感信號進行分類。

3 數據采集

搭建了長輸管道實驗裝置，主要由長輸管道系統和傳感系統兩部分構成。其中長輸管道系統主要包括環道系統、泵站、控制柜和空壓系統。環道系統由600m長的不銹鋼管道和容量為2m3的水箱構成，管道共8層（見圖2）。實驗時，水從水箱底部流入管道，經泵站加壓后從第8層返回水箱。泵站系統包含4個模擬泵站，每個泵站配有2臺小型離心式水泵，可單啟，也可兩臺串聯或并聯運行?？刂乒窨煽刂票玫膯⑼：娃D速、閥門的啟閉和開度、離心泵的串并聯狀態等，并顯示流量、壓力等信息；空壓系統主要組成部分是空氣壓縮機，既用于試驗結束后管線吹掃、又能為氣動閥提供動力。在長輸管道系統上模擬人工挖掘、機械挖掘、行車噪聲等三類不同工況，并通過直接探測型φ-OTDR采集對應的相位敏感信號。

具體實驗步驟如下：

1）將振動傳感器固定在管道上，檢查管道系統是否正確啟閉；將網線和電源線與數據采集板相連，插入TF卡并通電；

2）確認流程正確后開啟空氣壓縮機，為氣動閥提供起源并排出管道系統內積液；開啟對應泵站的操作平臺，打開需要運行的水泵，穩定運行一段時間；

3）打開數據采集板上的開關，開始采集振動信號；

4）觀察數字采集客戶端界面的實時波形有無異常，根據實驗目的對管道系統施加影響，通過電錘敲擊地面模擬機械挖掘信號，通過木棒敲擊地面模擬人工挖掘信號，通過推車模擬行車噪聲。

3.1 小波能譜特征提取

不同噪聲源下的相位敏感信號包含的信息成分不同，構成信號在不同頻段的能量分布差異，對分布式光纖管道相位敏感信號進行小波分解，得到不同尺度上的小波分量，通過單子帶重構使得不同尺度下的子帶與原信號具有相同的時間長度，計算每個子帶的能量，將這些歸一化的能量值按頻帶大小排列形成向量作為相位敏感信號的特征，具體特征提取步驟如下：

1）對分布式光纖相位敏感信號采用db5小波基函數進行6層小波分解得到小波系數：。

2）通過單子帶重構算法得到相同時間長度的各子帶信號：。

3）用表示，累加各頻帶重構的信號能量得到總能量? ? ?（13）

4）以各頻帶信號能量構造特征向量。

5）對特征向量進行歸一化處理，得到各頻帶能量的占比，即歸一化特征向量。

6）根據繪出相位敏感信號的能譜圖。

4 Ct-GBES-BPNN分類性能驗證

4.1 小波能譜特征分析

不同噪聲下的相位敏感信號的典型時域波形如圖3所示，相比人工挖掘、機械挖掘車輛噪聲，行車噪聲信號在時域上的分布更加均勻為連續型波形，單從時域波形并不能有效識別噪聲源。

對時域波形進行快速傅里葉變化得到對應的頻譜如圖4所示，不同噪聲源的頻域信號振幅大小相近。信號在各頻帶上的能量分布情況不同，行車噪聲信號在頻域上的分布比較均勻，能量主要集中在700～1500Hz附近；人工挖掘信號和機械挖掘信號的能量分布比較集中，有效信息主要集中在700～1000Hz附近。相比人工挖掘信號，機械挖掘信號的能量在頻段上的分布更加集中。信號的各頻率成分能量占比差異構成了作為相位敏感信號分類的前提，各頻段的能量占比以向量形式作為區分不同噪聲源的特征。

根據小波能譜特征提取算法得到信號能譜圖如圖5所示，行車噪聲信號的能量主要集中于、和，而挖掘信號的能量主要集中于、和，相比人工挖掘信號，機械挖掘信號能量更加集中，主要分布在、；距離挖掘動作較近的相位敏感信號落在高頻區，高頻信號隨著傳播距離衰減，相對動作距離較遠的信號低頻區的能量占比有所提高。

不同噪聲源的相位敏感信號在各頻率段能量分布不同，這些差異構成噪聲源的識別的基礎，為進一步驗證小波能譜特征的有效性，分別提取10組不同噪聲源的能譜特征經過歸一化處理得到特征向量）的平均值］作為相應相位敏感信號的有效特征，從而降低異常值的影響，使特征統計值具有相對的穩定性。圖6所示為小波能譜折線圖，行車噪聲信號和挖掘信號的能量分布差異較大，人工挖掘和機械挖掘信號的能量分布差異主要體現在低頻段。

4.2 分類結果討論

為了驗證Ct-GBES-BPNN在相位敏感信號分類問題上的性能，本研究采集了行車噪聲、人工挖掘和機械挖掘三種噪聲下的相位敏感信號各750組，按8：2的比例，得到訓練集和測試集。通過特征提取算法構建了特征數據集，并建立3種平行參照模型分別為BPNN、FA-BPNN、CS-BPNN。不同模型的分類結果和運行時間如圖7所示，相比傳統的BP神經網絡，采用優化算法進行參數尋優能夠有效地降低模型的運行時間，同時提高模型的綜合準確率，Ct-GBES-BPNN的綜合準確率最高同時運行時間最短。

改進前后的模型測試集混淆矩陣如圖8、圖9所示，改進前BPNN對行車噪聲的分類準確率為76.7%，對人工挖掘的準確率為74.1%，對機械挖掘的準確率為84.0%，綜合準確率為78.22%。改進后的Ct-GBES-BPNN對行車噪聲的分類準確率為95.9%，對人工挖掘的準確率為95.4%，對機械挖掘的準確率為94.7%，綜合準確率為95.3%?；煜仃嚱Y果表明：改進后的Ct-GBES-BPNN模型具有更高的識別準確率。

5 結論

文中提出了一種基于Ct-GBES-BPNN的分布式光纖相位敏感信號分類模型，將提取的小波能譜特征和小波熵特征作為輸入變量，相位敏感信號源類別作為模型的輸出，并對模型進行了訓練和測試，完成了模型有效性驗證，可得結論如下：

1）基于tent混沌映射、自適應 t-分布和黃金正弦算法的融合禿鷹搜索算法，相比傳統的禿鷹搜索算法能有效提高算法收斂性能和局部搜索能力，利用優化算法對BPNN的參數L，r以及初始權重進行參數尋優能夠提高分類的準確率，Ct-GBES-BPNN相比BPNN、FA-BPNN、CS-BPNN具有更高的準確率和更短的運行時間。

2）通過提取分布式光纖相位敏感信號的小波能譜特征和小波信息熵特征，有效地描述了不同背景噪聲下相位敏感信號的區別。

3）針對相位敏感信號分類問題，Ct-GBES-BPNN，綜合準確率95.3%，相比傳統的BPNN分類模型78.2%，準確率提高了17.1%。

參考文獻

[1]李秋揚，趙明華，張斌，溫文，王樂樂，張雪琴，

陳林.2020年全球油氣管道建設現狀及發展趨勢[J].

油氣儲運，2021，40（12）：1330-1337+1348.

[2]左廣宇. 城市燃氣管道第三方破壞研究及應對措施[D].

華南理工大學，2014.

[3]郎憲明，李平，曹江濤，任泓.長輸油氣管道泄漏檢測

與定位技術研究進展[J].控制工程，2018，25（4）：

621-629.

[4]Liu Qiang， Yu Haoyu， Zhu Guochuan， et al.

Investigation on leakage cause of oil pipeline

in the west oilfield of China[J]. Engineering

Failure Analysis， 2020， 113：104552.

[5]么惠全，馮偉.西氣東輸管道第三方破壞風險與防控措

施[J].油氣儲運，2010，29（05）：390-392+395+317.

[6]徐海紅.我國長輸油氣管道完整性管理中安全檢測與

評估及風險評價技術集成的應用研究[D].北京化工

大學，2005.

[7]邱秀分，張峰，孫志偉，賈慶升，李明，宋聰，

何昌邦.基于分布式光纖傳感技術的管道破壞聯合

檢測方法[J].油氣儲運，2021，40（8）：888-894.

[8]張祿濱. 基于分布式光纖傳感技術的管道監測與評

估[D].哈爾濱工業大學，2020.

[9]張笑華，肖興勇，方圣恩.面向橋梁結構健康監測的

壓縮感知動力響應信號重構[J].振動工程學報，

2022，35（03）：699-706.

[10]馮誠.面向安全監測的分布式光纖振動傳感模式識

別研究[D].華中科技大學，2019.

[11]彭云輝， 劉云峰， 楊小岡， 等.小波域模極大值

的激光信號濾波方法研究[J]. 系統工程與電子技術，

2008（02）： 229-232.

[12]張景川.分布式光纖油氣管道安全檢測信號處理技

術研究[D].天津大學，2010.

[13] 莫仕勛，楊皓，蔣坤坪，等. 基于改進禿鷹搜索

算法的變壓器 J-A 模型參數辨識[J].電工電能

新技術，2022，41（4）：67-74.