基于分布式光纤相位敏感信号分类的油气管道振动检测研究

徐彩军 王芳 张世杰 于漫漫

摘要：针对穿跨越油气管道人工巡检困难的问题，文中采用分布式光纤实时监测管道状态，对振动信号进行分类，识别管道振动源。提出改进的秃鹰搜索算法和光纤振动信号特征提取方法，并基于神经网络对分布式光纤相位敏感信号进行分类和识别。实验结果显示，文中提出的Ct-GBES-BPNN分类模型具有良好的分类识别效果，可为保障穿跨越油气管道安全提供支撑。

关键词：分布式光纤；相位敏感信号；油气管道；特征提取；振动识别

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，油氣输送最主要的方式是管道运输[1]。油气是具有易燃易爆特性和毒性的危化品，一旦发生泄漏，不仅容易造成巨大的经济损失和环境危害，更将对管道沿线居民生命健康安全产生巨大威胁。油气管道不可避免要经过一些山川河流等地貌，这些管道的穿跨越段往往巡检困难，因此难以及时发现潜在的安全隐患，且往往不具备维抢修条件。另一方面，穿跨越管段容易因为意外载荷破坏管道本体，导致管道泄漏[2-5]。因此开发油气管道安全检测技术，及时发现威胁管道安全的异常事件，对于保障管道安全运行有重要作用[6]。

传统的人工巡检方法效率低、易受环境干扰[7]。分布式光纤监测是实时检测管道运行状态的有效手段，具有感测与传输一体、测量距离长、测量精度高、抗电磁干扰、本质安全等优点，是油气管道健康状态检测的有效手段[8-9]。冯诚[10]研发白光干涉分布式光纤系统，提取了光纤传感信号的时频域特征。彭云辉[11]提出基于模极大值的光纤信号去噪算法，该算法精度较高，但运算时间比较长。张景川[12]采用小波降噪方法处理光纤检测信号，但该方法再低频段去噪效果不佳。对此，文中开展了分布式光纤相位敏感信号分类的油气管道振动检测研究，提出了Ct-GBES-BPNN分类模型用于检测人工挖掘、机械挖掘、行车噪声等造成的光纤振动信号，为保障穿跨越油气管道安全运行提供了技术支撑。

1 改进秃鹰搜索算法

1.1 标准秃鹰搜索算法

秃鹰搜索算法（Bald Eagle Search optimization algorithm， BES）是一种仿生元启发式演算法，完整的BES搜索过程由搜索空间阶段、搜索猎物阶段和俯冲捕食阶段三个阶段，具体的数学模型如下：

1）搜索空间阶段，通过判断猎物数量更新最佳搜寻位置，以找到最优空间，该行为的数学表达式为：

式中：是控制秃鹰位置改变的因子；为0到1的随机数；、、和分别对应为秃鹰的最新位置、最佳位置、平均位置和种群中第只个体的位置；

2）盘旋搜索阶段，秃鹰在最优空间盘旋寻找猎物最佳俯冲捕获位置，螺旋飞行可以通过极坐标描述，该阶段的位置更新可以表示为：

式中：表示螺旋方程的极角；为螺旋方程的极径；为螺旋的轨迹因子；确定了搜索的周期数；、个体在极坐标下的位置；

3）俯冲捕食阶段，该阶段的位置更新式为：

式中：、为秃鹰向中心位置的强度，取值为（1，2）。

在此阶段，秃鹰将围绕最优个体进行搜索。由式（6）可知，个体所围绕的中心会渐渐向猎物中心靠近。当与猎物的距离为0即最优位置时，算法将获得最优寻优效果。

1.2 秃鹰搜索算法的改进

1.2.1 Tent混沌映射算法

Tent混沌映射是二维的混沌映射[13]，广泛应用于混沌加密系统。在搜索空间阶段引入Tent混沌映射增加秃鹰初始化个体的均匀度，并利用Tent混沌映射对秃鹰搜索的位置进行更改，通过减少随机数r影响全局搜索能力的影响，随迭代增加，秃鹰搜索算法从全局收缩转向局部搜索，数学模型为：

1.2.2 自适应t-分布和动态选择策略

文中引入自适应t-分布，分布形态变化影响着变异算子对秃鹰最佳俯冲确定的捕获位置进行变异的能力。在算法迭代前期，通过对捕获位置的变异获得更优的全局搜索性能，变异项的作用随迭代次数的T的增大而不断减小，算法逐渐聚焦于局部区域的搜索，加快算法收敛过程。融合自适应t-分布和动态选择策略的位置更新式为：

式中：为变异后种群中第只个体的位置；为变异算子，，随迭代次数T的增大而减小；为t-分布函数。

1.2.3 黄金正弦算法

将Golden-SA作为局部算子融合到秃鹰俯冲捕获猎物阶段，式（12）为第三阶段的位置更新式，通过设定A以平衡全局搜索和局部开发能力，平衡全局搜索和局部搜索。随着迭代次数增加，算法更倾向于搜索以提高算法对局部区域进行充分搜索的能力。降低变异率，从而提升秃鹰搜索算法的寻优速度和寻优精度。改进后的位置更新式为：

式中：为内随机数；为内随机数。

2 Ct-GBES-BPNN分类模型的构建

BP神经网络的分类性能依赖于学习速率L、学习动量r以及初始权重的选取，文中采用 Ct-GBES算法优化BP神经网络的学习速率参数L和学习动量r以及神经网络的初始权重等参数的选择，建立最优BP神经网络参数组合，达到提升模型分类准确率的效果。Ct-GBES-BPNN分布式光纤相位敏感信号分类模型的具体构建流程如图1所示。

步骤1：采用小波能谱特征算法、小波信息熵算法提取相位敏感信号特征，并构建特征数据集，归一化处理后按8∶2的比例划分特征数据集。

步骤2：确定BPNN的学习速率L、学习动量r和初始权重的寻优范围，确定寻优维度，构建目标函数，设置秃鹰种群的规模和最大迭代次数，采用Tent混沌映射算法初始化种群。

步骤3：更新参数学习速率、学习动量以及权重初始值，根据目标函数计算秃鹰个体的适应度值确定目前最优适应度以及最优适应度值对应的秃鹰个体位置，即最高验证准确率和对应的BP神经网络参数组合。

步骤4：更新Tent混沌映射优化随机数r，更新秃鹰位置。

步骤5：判断随机数r是否小于警戒值；若，通过变异算子对秃鹰螺旋飞行确定的俯冲捕获位置进行变异，提高全局搜索能力。

步骤6：判断随机数是否大于设定A；若，引入黄金正弦算法对秃鹰俯冲捕食位置进行变异。

步骤7：重复执行步骤3到步骤6直到达到最大迭代次数

步骤8：应用最优Ct-GBES-BPNN模型对不同噪声下的相位敏感信號进行分类。

3 数据采集

搭建了长输管道实验装置，主要由长输管道系统和传感系统两部分构成。其中长输管道系统主要包括环道系统、泵站、控制柜和空压系统。环道系统由600m长的不锈钢管道和容量为2m3的水箱构成，管道共8层（见图2）。实验时，水从水箱底部流入管道，经泵站加压后从第8层返回水箱。泵站系统包含4个模拟泵站，每个泵站配有2台小型离心式水泵，可单启，也可两台串联或并联运行。控制柜可控制泵的启停和转速、阀门的启闭和开度、离心泵的串并联状态等，并显示流量、压力等信息；空压系统主要组成部分是空气压缩机，既用于试验结束后管线吹扫、又能为气动阀提供动力。在长输管道系统上模拟人工挖掘、机械挖掘、行车噪声等三类不同工况，并通过直接探测型φ-OTDR采集对应的相位敏感信号。

具体实验步骤如下：

1）将振动传感器固定在管道上，检查管道系统是否正确启闭；将网线和电源线与数据采集板相连，插入TF卡并通电；

2）确认流程正确后开启空气压缩机，为气动阀提供起源并排出管道系统内积液；开启对应泵站的操作平台，打开需要运行的水泵，稳定运行一段时间；

3）打开数据采集板上的开关，开始采集振动信号；

4）观察数字采集客户端界面的实时波形有无异常，根据实验目的对管道系统施加影响，通过电锤敲击地面模拟机械挖掘信号，通过木棒敲击地面模拟人工挖掘信号，通过推车模拟行车噪声。

3.1 小波能谱特征提取

不同噪声源下的相位敏感信号包含的信息成分不同，构成信号在不同频段的能量分布差异，对分布式光纤管道相位敏感信号进行小波分解，得到不同尺度上的小波分量，通过单子带重构使得不同尺度下的子带与原信号具有相同的时间长度，计算每个子带的能量，将这些归一化的能量值按频带大小排列形成向量作为相位敏感信号的特征，具体特征提取步骤如下：

1）对分布式光纤相位敏感信号采用db5小波基函数进行6层小波分解得到小波系数：。

2）通过单子带重构算法得到相同时间长度的各子带信号：。

3）用表示，累加各频带重构的信号能量得到总能量     （13）

4）以各频带信号能量构造特征向量。

5）对特征向量进行归一化处理，得到各频带能量的占比，即归一化特征向量。

6）根据绘出相位敏感信号的能谱图。

4 Ct-GBES-BPNN分类性能验证

4.1 小波能谱特征分析

不同噪声下的相位敏感信号的典型时域波形如图3所示，相比人工挖掘、机械挖掘车辆噪声，行车噪声信号在时域上的分布更加均匀为连续型波形，单从时域波形并不能有效识别噪声源。

对时域波形进行快速傅里叶变化得到对应的频谱如图4所示，不同噪声源的频域信号振幅大小相近。信号在各频带上的能量分布情况不同，行车噪声信号在频域上的分布比较均匀，能量主要集中在700～1500Hz附近；人工挖掘信号和机械挖掘信号的能量分布比较集中，有效信息主要集中在700～1000Hz附近。相比人工挖掘信号，机械挖掘信号的能量在频段上的分布更加集中。信号的各频率成分能量占比差异构成了作为相位敏感信号分类的前提，各频段的能量占比以向量形式作为区分不同噪声源的特征。

根据小波能谱特征提取算法得到信号能谱图如图5所示，行车噪声信号的能量主要集中于、和，而挖掘信号的能量主要集中于、和，相比人工挖掘信号，机械挖掘信号能量更加集中，主要分布在、；距离挖掘动作较近的相位敏感信号落在高频区，高频信号随着传播距离衰减，相对动作距离较远的信号低频区的能量占比有所提高。

不同噪声源的相位敏感信号在各频率段能量分布不同，这些差异构成噪声源的识别的基础，为进一步验证小波能谱特征的有效性，分别提取10组不同噪声源的能谱特征经过归一化处理得到特征向量）的平均值］作为相应相位敏感信号的有效特征，从而降低异常值的影响，使特征统计值具有相对的稳定性。图6所示为小波能谱折线图，行车噪声信号和挖掘信号的能量分布差异较大，人工挖掘和机械挖掘信号的能量分布差异主要体现在低频段。

4.2 分类结果讨论

为了验证Ct-GBES-BPNN在相位敏感信号分类问题上的性能，本研究采集了行车噪声、人工挖掘和机械挖掘三种噪声下的相位敏感信号各750组，按8：2的比例，得到训练集和测试集。通过特征提取算法构建了特征数据集，并建立3种平行参照模型分别为BPNN、FA-BPNN、CS-BPNN。不同模型的分类结果和运行时间如图7所示，相比传统的BP神经网络，采用优化算法进行参数寻优能够有效地降低模型的运行时间，同时提高模型的综合准确率，Ct-GBES-BPNN的综合准确率最高同时运行时间最短。

改进前后的模型测试集混淆矩阵如图8、图9所示，改进前BPNN对行车噪声的分类准确率为76.7%，对人工挖掘的准确率为74.1%，对机械挖掘的准确率为84.0%，综合准确率为78.22%。改进后的Ct-GBES-BPNN对行车噪声的分类准确率为95.9%，对人工挖掘的准确率为95.4%，对机械挖掘的准确率为94.7%，综合准确率为95.3%。混淆矩阵结果表明：改进后的Ct-GBES-BPNN模型具有更高的识别准确率。

5 结论

文中提出了一种基于Ct-GBES-BPNN的分布式光纤相位敏感信号分类模型，将提取的小波能谱特征和小波熵特征作为输入变量，相位敏感信号源类别作为模型的输出，并对模型进行了训练和测试，完成了模型有效性验证，可得结论如下：

1）基于tent混沌映射、自适应 t-分布和黄金正弦算法的融合秃鹰搜索算法，相比传统的秃鹰搜索算法能有效提高算法收敛性能和局部搜索能力，利用优化算法对BPNN的参数L，r以及初始权重进行参数寻优能够提高分类的准确率，Ct-GBES-BPNN相比BPNN、FA-BPNN、CS-BPNN具有更高的准确率和更短的运行时间。

2）通过提取分布式光纤相位敏感信号的小波能谱特征和小波信息熵特征，有效地描述了不同背景噪声下相位敏感信号的区别。

3）针对相位敏感信号分类问题，Ct-GBES-BPNN，综合准确率95.3%，相比传统的BPNN分类模型78.2%，准确率提高了17.1%。

参考文献

[1]李秋扬，赵明华，张斌，温文，王乐乐，张雪琴，

陈林.2020年全球油气管道建设现状及发展趋势[J].

油气储运，2021，40（12）：1330-1337+1348.

[2]左广宇. 城市燃气管道第三方破坏研究及应对措施[D].

华南理工大学，2014.

[3]郎宪明，李平，曹江涛，任泓.长输油气管道泄漏检测

与定位技术研究进展[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，馮伟.西气东输管道第三方破坏风险与防控措

施[J].油气储运，2010，29（05）：390-392+395+317.

[6]徐海红.我国长输油气管道完整性管理中安全检测与

评估及风险评价技术集成的应用研究[D].北京化工

大学，2005.

[7]邱秀分，张峰，孙志伟，贾庆升，李明，宋聪，

何昌邦.基于分布式光纤传感技术的管道破坏联合

检测方法[J].油气储运，2021，40（8）：888-894.

[8]张禄滨. 基于分布式光纤传感技术的管道监测与评

估[D].哈尔滨工业大学，2020.

[9]张笑华，肖兴勇，方圣恩.面向桥梁结构健康监测的

压缩感知动力响应信号重构[J].振动工程学报，

2022，35（03）：699-706.

[10]冯诚.面向安全监测的分布式光纤振动传感模式识

别研究[D].华中科技大学，2019.

[11]彭云辉， 刘云峰， 杨小冈， 等.小波域模极大值

的激光信号滤波方法研究[J]. 系统工程与电子技术，

2008（02）： 229-232.

[12]张景川.分布式光纤油气管道安全检测信号处理技

术研究[D].天津大学，2010.

[13] 莫仕勋，杨皓，蒋坤坪，等. 基于改进秃鹰搜索

算法的变压器 J-A 模型参数辨识[J].电工电能

新技术，2022，41（4）：67-74.