摘要：为对管道大泄露高频信号进行降噪，提取信号的故障频率，实现对管道泄漏的源定位。引入了 VMD 方法对收集到的信号进行不同频率之间的分离，突出信号的局部细节。为消除 VMD 分解中 k 值与惩罚因子这两个人为因素对分解效果的影响，采用模态分量与原信号的相关系数法，得出最优分解层数 k 值。使用优化的 k 值来对信号进行 VMD 分解之后，用最大峭度值来选择最优的惩罚因子。将通过最优参数得到的 VMD 分解模态分量再次与原信号进行相关系数比较，选出包含故障信息最多的模态分量进行 Hilbert 包络分析，得到信号的故障信息，对故障进行诊断及定位。研究发现，该方法能有效分离故障信号成分，从而实现对故障频率的提取。
关键词：管道泄漏;声发射;变分模态分解;Hilbert 包络谱
1 引言
随着时代的进步，城市化进程的不断推进，生活、生产中对资源的需求量日益增大。管道运输应运而生，以其快捷，方便的优势得到迅速发展[1]。但是错综复杂的管道线路也埋下了安全隐患。由于年久失修、管件老化、自然腐蚀、人为破坏等原因，导致管道裂缝，引起管道泄漏。管道泄露事故的发生，将会严重危害财产安全，甚至是重大人员伤亡[2，3]。所以，对管道泄漏的检测就显得尤为重要 ，但由于大部分管道深埋地下，加上管道线路长且复杂，增大了对管道泄漏位置的检测难度。对管道泄漏所产生的声发射信号进行采集和分析可以实现对泄漏源的精确定位 。声发射(AE)是指在材料内部应力平衡被打破，应变能以弹性波的形式沿管道传播的方式。通过采集并分析声发射携带的管道泄漏信号判断管道泄漏位置，但由于信号在传播过程中会受到噪音信号的干扰，所以有效的滤除噪音信号，凸显冲击信号是处理泄露信号的关键。
各学者对声发射信号的处理方法不尽相同。如文献[4]提出的特征参数分析法，通过分析特征参数振铃数、上升时间、脉冲数、幅度、到达时间等任意两个参数做关联分析，寻找声发射信号的变化规律，但由于试验环境、试验介质、试验对象等的不同，其对声发射信号处理上会有一定的偏差。使用不同的小波基[5,6]对泄漏信号进行小波变换可以达到降噪的目的，但是小波基的选取十分困难，只能选取相对比较接近的小波基，有的甚至还需要自己做小波基。文献[7]采用 MED 方法对滚动轴承的强烈背景噪声进行降低。但传统 MED 方法只对单脉冲信号敏感。文献[8]采用在 MED 基础上该进来的 MCKD 方法对管道泄露信号进行处理，减少传输路径对声发射信号的干扰，突出冲击成分，但该方法存在输入参数较多且不易确定，重采样过程改变采样点数等缺点。此外还有时间反转法应用于声发射源定位的方法。文献[9]时间反转聚焦成像的方法来增强信号，并通过重建信号波动图的方法实现对声发射信号的源定位。文献[10]采用基于经验模态(EMD)对采集到的信号进行分解，将信号分解成若干个固有模态函数，突出信号的局部特征。但该方法容易造成模态混淆及端点效应。文献[11] 在 EMD 的基础上那个运用集合平均经验模态分解算法(EEMD)改进了模态混叠现象。文献[12]将自相关函数算法和 EMD 算法应用到 EEMD 中，得到 IEEMD，将原始信号直接去噪分解为真实信号和冗杂信号的方法，并滤除冗杂信号，从而精确定位泄露位置。
变分模态分解(VMD)是文献[13]为了解决 EMD 分解方法易受噪声干扰和端点效应上的不足，得到的一种对非平稳、非线性信号进行频域上的自适应分解，改善 EMD 的递归分解的方法，使信号的各个模态分量更清晰。VMD 分解方法实质是多个自适应维纳(Wiener)滤波器组对信号进行分析，具有更强的噪声鲁棒性以及更弱的端点效应。VMD 方法被应用在许多领域，文献[14]将此方法应用到光伏发电上。文献[15]用 VMD 方法对滚动轴承原始信号进行分解，从而进一步对轴承故障特征进行分析。文献[16]将 VMD 方法应用到管道泄漏定位上。但是 VMD 方法也有缺点，就是在对 VMD 中的 k 参数和惩罚因子进行选择时，没有一个准则，需要经验知识来进行调整。文献[17]通过能量差值法优化 VMD 中的 k 值来增强轴承故障诊断效果。文献[18]用香农熵的方法来选取最优的 k 值的方法对故障特征进行提取。文献[19]用瞬时频率均值的方法来实现 k 值的选择，并对轴承故障进行诊断。
这里采用相关性与峭度值来进行对VMD方法中的 k 值和惩罚因子的选择。将原信号经过 VMD 分解之后的模态分量与原信号进行相关性分析，选出相关性系数最大的模态分量进行 hilbert 包络谱分析，来对信号进行进一步降噪，凸显管道泄露处的故障信息。
2 变分模态分解
2.1 变分模态分解原理
VMD(Variational mode decomposition)是一种抗干扰能力强、自适应分解的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现固有模态分量(IMF)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分问题的最优解。它克服了 EMD 方法存在端点效应和模态分量混叠的问题，并且具有更坚实的数学理论基础，可以降低复杂度高和非线性强的时间序列非平稳性，分解获得包含多个不同频率尺度且相对平稳的子序列，适用于非平稳性的序列，VMD 的核心思想是构建和求解变分问题。
4 实验验证
4.1 实验数据的采集
为了减少外在噪音或震动带来的影响，在玻璃支架上搭建一个长 5000mm，管道直径为 160mm，壁厚为 8mm 的不锈钢管道，在管道 1600mm 处，设置一个可以调节的泄漏口。为了更契合管道在实际输送过程中所遇到的环境影响，在背景噪音和管道固有频率、外部敲击噪音与管道小泄露同时存在的情况下进行信号采集，如图 1 所示。
观察图 2 可以看出，故障信号受噪音干扰影响严重，故障信息被噪音淹没，无法对故障信号进行分析和对管道泄漏进行诊断。 为了消除噪声的影响，首先采用 VMD 方法对信号进行模态分解。按照上文提出的方法对 k 值进行选择，当 k 值为 9 时，VMD 变分模态分解，如图 3 所示。
设定一个相关性系数为 0.3 的阈值，当相关性系数大于 0.3 时为有效模态分量，从表 1 中可以看出 k 7 时为无效模态分量。所以，选择 k 6 作为变分模态分解层数，以保证模式识别的精确性。
峭度值是对信号冲击成分的体现，峭度值越大则说明信号所含冲击成分越明显。所以文章用峭度值来选取最优的惩罚因子数值。对以 k 6 进行 VMD 模态分解之后不同值下模态分量最大峭度的比较，可以看出当最大的模态分量峭度对应的惩罚因子的值为 400，如图 5 所示。
通过表 2 可以看出最优参数下 VMD 分解的模态分量中第三层模态分量与原信号之间的相关系数最大，说明第三层模态分量最能反映管道故障中的冲击成分信息。
4.2 Hilbert 包络分析
为了达到对信号进行降噪的目的，需要选取合适的滤波方法对信号进行噪音信号的滤除。管道泄漏声发射信号属于高频信号，要实现对其信号的降噪，需要对信号进行高通滤波，以消除其中包含的低频噪音干扰，如图 7 所示：
通过图 7 可以看出高通滤波对信号降噪有一定的效果，但其效果不明显。滤波后的信号依然很难实现对信号的分析，观察与定位。
Hilbert变换可以对VMD分解之后的窄带模态分量进行分析，可以有效提取包络和调制信号频率，对 VMD 分解之后的第三层模态分量进行 Hilbert 分析，如图 8 所示。
通过图 7、图 8 的对比发现，Hilbert 变换相比高通滤波能更好的实现对调制信号的解调，实现对故障频率的凸显。更适合对 VMD 分解之后的窄带信号进行滤波。
5 结论
通过实验发现 VMD 和 Hilbert 变换结合的方法，可以有效的实现对管道泄漏的噪声信号的滤除，对故障冲击信号的凸显，从而实现对泄漏源定位更准确。主要结论如下：
1) 收集到的管道泄漏信号不仅包含冲击成分，还受到传输过程中外界环境或管道固有频率等其他频率噪声影响。 VMD 分解方法可以将信号分解为不同频率的子信号，实现信号的准确分离，能很好的突出原信号的局部细节，利用其自身具有的维纳滤波特性，达到对管道故障信号噪声滤除效果。
2) 采用相关系数法选择 k 值，有效解决了人为选择分解层数的缺陷，分解层数更精确。峭度准则选取惩罚因子的大小解决了解调信号的边界效应的影响，使 VMD 的分解效果更优。
3) 选择与原信号相关系数最大的模态分量进行 Hilbert 变换，可以包含更多的故障冲击信息，对故障频率分析更准确。
4) Hilbert 包络变换相比其他对高频信号的分析方法，更适用于 VMD 解析之后的窄带信号。二者结合能更好的得到故障信号的本征模态，并提取出便于观察分析的故障频率进行管道泄漏的源定位。——论文作者：李志星 1,2，王春鹏 2，鲍慧茹 3
参考文献：
[1] 袁方.成品油管道输送的优势及发展[J].石油库与加油站，2006(04)： 37-39+47.(Yuan Fang.Status and trend of refined oil pipeline technologies [J].Oil Depot and Gas Station，2006(04)：37-39+47.)
[2] 潘涵.成品油管道遭遇泄漏的危害分析[J].化工管理，2015(14)：241.(Pan Han.Hazard analysis of leakage in product oil pipeline[J].Chemical Enterprise Management，2015(14)：241.)
[3] 宋兆勇，赵云峰，苏奇，陈晓虎.管道输送天然气泄漏危害的定量分析[J].石油工业技术监督，2014，30(01)：47-49+54.(Song Zhao-yong，Zhao Yun-feng，Su qi，Chen Guan-hu. Quantitative analysis of natural-gas leaking hazards in pipeline transportation[J].Technology Supervision in Petroleum Industry，2014， 30(01)：47-49+54.)
[4] Yixin Zhao，Yaodong Jiang.Acoustic emission and thermal infrared precursors associated with bump-prone coal failure.2010，83(1)：11- 20.
[5] 季军，钟成，郝永梅，陆贵荣.基于谐波小波分析的城市燃气管道泄漏检测[J].中国科技信息，2019(Z1)：105-107.(Ji Jun，Zhong Cheng，Hao Yong-mei，Lu Gui-rong.Detection of urban gas pipeline leakage based on harmonic wavelet analysis[J].China science and technology information，2019(Z1)：105-107.)
[6] 王建国，王道瑞，王少锋.管道泄漏声发射信号降噪中最优小波基的选取[J].中国科技论文，2018，13(23)：2667-2671.(Wang Jian-guo，Wang Dao-rui，Wang Shao-feng.Selection of optimal wavelet basis in noise reduction of acoustic emission signal in pipeline leakage[J].China Sciencepaper，2018，13(23)：2667-2671.)
[7] Shang Kun Liu，Bin Pang，Gui Ji Tang.Research on Fault Diagnosis for Roller Bearings Based on MED and Slice Bi-Spectrum[J].Advanced Materials Research，2014，3043.
[8] 王建国，刘朋真，刘艳明，祝祥亚.基于 MCKD 和 EMD 分解的压力管道泄漏源定位研究[J].工业安全与环保，2018，44(12)：14-17. (Wang Jian-guo，Liu Peng-zhen，Liu Yan-ming，Zhu Xiang-ya. Study on Pressure Pipeline Leakage Source Location Based on MCKD and EMD Decomposition[J].Industrial Safety and Environmental Protection， 2018，44(12)：14-17.)
[9] Yaozhang Sai，Mingshun Jiang，Qingmei Sui，Shizeng Lu，Lei Jia.Multisource acoustic emission localization technology research based on FBG sensing network and time reversal focusing imaging[J] . OptikInternational Journal for Light and Electron Optics，2016，127(1).
[10] Chuan Jiang Li，Jia Pan Zhang，Zi Qiang Zhang，Ju Li Hu，Yi Li.The Research on Leak Detection Technology of Natural Gas Pipeline Based on EMD[J].Applied Mechanics and Materials，2014，2963.
