閥門在石油工業中使用頻繁且出現泄漏現象不易檢測。論文闡述了通過軟件方式根據聲音信號識別閥門泄漏的方法。系統利用聲音傳感器采集有效時間段的聲音信號,提取其MFCC 特征參數作為觀測序列,并利用隱馬爾可夫模型對其進行建模訓練,使其能夠識別故障信號,及時發現閥門泄漏,并進行報警處理,從而保證輸油泵正常工作。實驗證明,系統能夠有效地識別閥門泄漏故障。

0、引言

　　在石油工業中,閥門是一種使用數量多、操作使用頻繁的設備。據統計,購買閥門的費用相當于一個新建工廠投資的8 %。在閥門的使用過程中,因閥門的磨損等原因會出現內外滲漏或泄漏等情況,從而引起跑油、混油等嚴重事故,影響石油質量,造成極大的經濟損失和資源浪費。因此,閥門泄漏的檢測有著重大的現實意義。當閥門關閉時,若有泄漏,其主要特征是在泄漏處形成多相湍射流,該射流不但使流體發生紊亂,而且與泄漏孔壁相互作用,在孔壁上產生高頻應力波,并在閥體中傳播,稱之為被動聲發射。用聲發射傳感器接觸閥體外壁,接收泄漏產生的在閥體中傳播的彈性波,轉換成電信號,經信號放大處理后顯示和監聽,從而達到檢測閥門泄漏的目的。聲學檢測具有動態、快速和經濟的特點,既可以保證閥門的安全使用,又可以為維修、決策提供依據,降低更換費用。當前的理論和實踐表明,利用聲學檢測閥門泄漏是一種行之有效的無損檢測的方法。

1、系統介紹

　　基于聲音識別的多閥門泄漏檢測系統是德國新型輸油泵-軟管隔膜活塞泵國產化的一個子系統。軟管隔膜活塞泵系統共有七路輸油通道,一路原油輸送工作原理如圖1 所示。圖中No1所示位置是原油出口閥,No2 是原油出口閥聲音檢測傳感器位置;對應右下部是原油入口閥及聲音檢測傳感器位置;No3 是漿料與軟管和閥門內側相接觸;No4 是直線形的流通通道;No5 是平隔膜的夾緊區域;No6 是組合式超壓安全閥;No7是油泵在油內工作。

圖1 　輸油泵工作示意圖

　　圖1 的右邊電機帶動曲柄使活塞左右移動,同時帶動一個凸輪機構(圖中未畫出) 控制原油出進口閥門的開關。隨著進口閥打開,出口閥的關閉,活塞從左向右移動,隔膜軟管中的壓力變低,原油進入軟管;當活塞到達右端時,原油進口閥關閉;活塞向左端前進,到達一定路徑時,凸輪機構啟動原油出口閥打開,活塞繼續向左前進,擠壓軟管隔膜將原油壓出出口閥。在工作過程中,如果進出口閥出現泄漏,就會出現管道內壓力不足,石油輸出質量降低等一系列的問題,影響泵的工作效率,造成資料浪費和經濟損失。因此,需要對泵的進出口閥進行實時監控。

2、系統設計

2.1、系統總體設計

　　系統主要由特征參數提取、HMM 模型訓練、模式識別和結果處理等四部分構成,如圖2 所示。

圖2 　基于聲音識別的多閥門泄漏檢測系統

2.2、特征參數提取

　　特征參數提取是指從閥門音頻信號中提取出隨時間變化的語音特征序列,提取有用的統計數據,是建立HMM 模型庫的關鍵。

　　Mel 頻率倒譜系數( Mel Frequency Cep strum Coefficient ,MFCC) 主要著眼于人耳的聽覺特性,利用聽覺前端濾波器組模型,能很好地體現音頻信號的主要信息,在語音識別、音頻分類和檢索領域應用十分廣泛。本系統選用MFCC特征參數。MFCC 是在Mel 標度頻率域提取出來的倒譜參數。它與頻率的關系可用式(1)近似表示Mel(f) = 2595*log(1+f/700) (1)式中: f 為頻率, 單位Hz。

MFCC 參數的提取過程:

　　(1) 對音頻信號進行分幀和加窗處理,對采集過程或分幀等因素所造成的數據損失予以補償,本文中窗長30 ms ,幀長N 為256 ,幀移為128點,采樣頻率為11025 Hz ,采樣精度為16 bit 。用Hamming 窗進行加窗處理,減少Jibbs 效應。

　　(2) 將預處理后的信號進行快速傅立葉變換(FFT) ,將時域信號轉換為頻域信號,再計算其模的平方得到能量譜P[i] ,1 ≤k ≤ N-1 。

　　(3) 設計一個具有M 個帶通濾波器的濾波器組,采用三角濾波器,中心頻率在0 ～ F/2按Mel頻率分布;再根據Mel(f) 頻率與實際線性頻率f的關系計算出三角帶通濾波器組Hm(k) 。

　　其中

　　則每個濾波器組輸出的對數能量為

　　(4) 對S[m] 進行離散余弦變換(DCT) 即得到MFCC 系數。

　　(5) 取C[1], C[2] , ⋯, C[V]作為MFCC參數,其中V 是MFCC 參數的維數,本文中取V = 12。

2.3、隱馬爾可夫模型

　　隱馬爾可夫模型( Hidden Markov Model ,HMM) 是一種時間序列統計建模工具,它能夠對非平穩信號變化的規律進行統計并建立參數化模型,另外利用該模型可以方便地進行概率推理,因此它常常作為動態模式分類的工具。隱馬爾可夫模型的強大之處在于觀察到的事件與內在的狀態間建立了一種概率模型。

　　HMM 建模方法具有良好的抗噪性能,在交通檢測系統、圖像識別、語音識別以及基于震動信號的故障診斷等中都得到了較好的應用,也是目前為止最有效的語音信號識別方法。

　　HMM 可以分為兩部分,一個是Markov 鏈,由π、A 來描述,產生的輸出為狀態序列;另一個隨機過程,由B 來描述,產生的輸出為觀測值序列。一個DHMM 可以由下列參數進行定義: