基于聲音識別的多閥門(mén)泄漏檢測系統
閥門(mén)在石油工業(yè)中使用頻繁且出現泄漏現象不易檢測。論文闡述了通過(guò)軟件方式根據聲音信號識別閥門(mén)泄漏的方法。系統利用聲音傳感器采集有效時(shí)間段的聲音信號,提取其MFCC 特征參數作為觀(guān)測序列,并利用隱馬爾可夫模型對其進(jìn)行建模訓練,使其能夠識別故障信號,及時(shí)發(fā)現閥門(mén)泄漏,并進(jìn)行報警處理,從而保證輸油泵正常工作。實(shí)驗證明,系統能夠有效地識別閥門(mén)泄漏故障。
0、引言
在石油工業(yè)中,閥門(mén)是一種使用數量多、操作使用頻繁的設備。據統計,購買(mǎi)閥門(mén)的費用相當于一個(gè)新建工廠(chǎng)投資的8 %。在閥門(mén)的使用過(guò)程中,因閥門(mén)的磨損等原因會(huì )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(zhì)量,造成極大的經(jīng)濟損失和資源浪費。因此,閥門(mén)泄漏的檢測有著(zhù)重大的現實(shí)意義。當閥門(mén)關(guān)閉時(shí),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(fā)生紊亂,而且與泄漏孔壁相互作用,在孔壁上產(chǎn)生高頻應力波,并在閥體中傳播,稱(chēng)之為被動(dòng)聲發(fā)射。用聲發(fā)射傳感器接觸閥體外壁,接收泄漏產(chǎn)生的在閥體中傳播的彈性波,轉換成電信號,經(jīng)信號放大處理后顯示和監聽(tīng),從而達到檢測閥門(mén)泄漏的目的。聲學(xué)檢測具有動(dòng)態(tài)、快速和經(jīng)濟的特點(diǎn),既可以保證閥門(mén)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(shí)踐表明,利用聲學(xué)檢測閥門(mén)泄漏是一種行之有效的無(wú)損檢測的方法。
1、系統介紹
基于聲音識別的多閥門(mén)泄漏檢測系統是德國新型輸油泵-軟管隔膜活塞泵國產(chǎn)化的一個(gè)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(mén)內側相接觸;No4 是直線(xiàn)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(dòng)曲柄使活塞左右移動(dòng),同時(shí)帶動(dòng)一個(gè)凸輪機構(圖中未畫(huà)出) 控制原油出進(jìn)口閥門(mén)的開(kāi)關(guān)。隨著(zhù)進(jìn)口閥打開(kāi),出口閥的關(guān)閉,活塞從左向右移動(dòng),隔膜軟管中的壓力變低,原油進(jìn)入軟管;當活塞到達右端時(shí),原油進(jìn)口閥關(guān)閉;活塞向左端前進(jìn),到達一定路徑時(shí),凸輪機構啟動(dòng)原油出口閥打開(kāi),活塞繼續向左前進(jìn),擠壓軟管隔膜將原油壓出出口閥。在工作過(guò)程中,如果進(jìn)出口閥出現泄漏,就會(huì )出現管道內壓力不足,石油輸出質(zhì)量降低等一系列的問(wèn)題,影響泵的工作效率,造成資料浪費和經(jīng)濟損失。因此,需要對泵的進(jìn)出口閥進(jìn)行實(shí)時(shí)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(mén)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(mén)音頻信號中提取出隨時(shí)間變化的語(yǔ)音特征序列,提取有用的統計數據,是建立HMM 模型庫的關(guān)鍵。
Mel 頻率倒譜系數( Mel Frequency Cep strum Coefficient ,MFCC) 主要著(zhù)眼于人耳的聽(tīng)覺(jué)特性,利用聽(tīng)覺(jué)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(yǔ)音識別、音頻分類(lèi)和檢索領(lǐng)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(lái)的倒譜參數。它與頻率的關(guān)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(guò)程:
(1) 對音頻信號進(jìn)行分幀和加窗處理,對采集過(guò)程或分幀等因素所造成的數據損失予以補償,本文中窗長(cháng)30 ms ,幀長(cháng)N 為256 ,幀移為128點(diǎn),采樣頻率為11025 Hz ,采樣精度為16 bit 。用Hamming 窗進(jìn)行加窗處理,減少Jibbs 效應。
(2) 將預處理后的信號進(jìn)行快速傅立葉變換(FFT) ,將時(shí)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(gè)具有M 個(gè)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(shí)際線(xiàn)性頻率f的關(guān)系計算出三角帶通濾波器組Hm(k) 。
其中
則每個(gè)濾波器組輸出的對數能量為
(4) 對S[m] 進(jìn)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(shí)間序列統計建模工具,它能夠對非平穩信號變化的規律進(jìn)行統計并建立參數化模型,另外利用該模型可以方便地進(jìn)行概率推理,因此它常常作為動(dòng)態(tài)模式分類(lèi)的工具。隱馬爾可夫模型的強大之處在于觀(guān)察到的事件與內在的狀態(tài)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(yǔ)音識別以及基于震動(dòng)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(yǔ)音信號識別方法。
HMM 可以分為兩部分,一個(gè)是Markov 鏈,由π、A 來(lái)描述,產(chǎn)生的輸出為狀態(tài)序列;另一個(gè)隨機過(guò)程,由B 來(lái)描述,產(chǎn)生的輸出為觀(guān)測值序列。一個(gè)DHMM 可以由下列參數進(jìn)行定義:
