文摘

船舶管路系统的泄漏将带来巨大风险引擎设备和严重威胁船舶生命力。摘要管道进行泄漏检测和定位的研究基于管道泄漏所产生的振动信号。首先,管道的有限元模型是构建获取振动信号的变化规律时,管道泄漏进行。其次,基于变分处理振动信号模式分解(VMD)和径向基函数(RBF)神经网络。小波包阈值降噪前进行信号分解,提高信噪比。然后,由VMD分解去噪信号。确定的有效成分是通过分析组件和去噪信号之间的相关系数。有效成分的中心频率和能量作为特征向量训练RBF神经网络识别和定位泄漏。最后,管道泄漏测试平台是建立在实验室条件下。处理后的数据收集的样本测试,RBF神经网络训练来识别和定位泄漏。 The test sample identification results show that the leak identification and localization method based on VMD-RBF has a high accuracy.

1。介绍

船舶的管路系统是用于运输各种媒体,如石油、水、和天然气。由于恶劣的工作环境和方便维护、船舶泄漏管道经常发生。目前,很少有泄漏措施军舰管道系统的识别和定位,主要是通过检查发现泄漏或推断从压力变化和机械故障。然而,在实际工程中,上述措施有以下缺点:(1)船舶管道都在角落和工作空间非常小。因此,一些不能检测到管道泄漏检测;(2)泄漏时小;管道压力的变化不明显。有许多因素导致压力变化,因此依靠压力变化的方法对泄漏判断错误检测的情况;和(3)推断管道泄漏的方法从机械故障需要有丰富的现场工作经验。因此,迫切需要研究智能船舶管道的泄漏检测和定位方法。

最初,泄漏产生的振动信号的处理是有限的信号处理方法和计算机技术。频域特征分析或时域特征分析方法。程等人不断监视锅炉管道泄漏信号,然后判断泄漏通过分析管信号的频谱1]。在实验中,Hunaidi和楚模拟塑料管道在不同条件下的泄漏。泄漏声信号的频率成分和管径和压力的影响进行了研究[2]。阿哈迪等人得到了管道泄漏信号的实验方法(3)和杰出的泄漏等其他信号的背景噪声和自然管道的振动。高等人结合声学和振动信号的传播模型在塑料管道的互相关函数来计算时间延迟(4),提高相关检测的有效性的塑料管道泄漏位置。•达等人收集了泄漏信号与小波变换分解,de-noised过滤,然后重构信号。重构信号的互相关估计的方法来定位泄漏点(5]。朗等人提出了一种改进的地方平均分解信号分析方法(6]。结果表明,该方法可以有效地在不同工作条件下确定泄漏点。针对管道的缺陷状态监测、胡et al。7)提出了一个tnGAN-based泄漏检测方法。这种方法可以实现不同的不完整的数据恢复的情况下获得管道泄漏检测的结果。最后,管道网络上的实验结果证明了该方法的有效性。杨et al。8)建立了一个新的支持向量机整体模型和一维卷积神经网络。与现有的模型相比,管道的开发了整体模型可以提取特征数据更快,更准确地说,管道处理期间,具有更好的鲁棒性。杨et al。9)提出了一种基于变分去噪算法模式分解(VMD),曼哈顿距离(MD)和一维卷积神经网络(1 dcnn)来解决这个问题的识别误差引起的噪声干扰信号在石油和天然气管道。

振动信号分析方法是一种最重要的泄漏检测和定位方法。它有很大的优势的实用性强、精度高,容易实现。为了防止管道泄漏造成的重大安全隐患和提高管道的泄漏检测系统,本文进行泄漏管道振动信号的特点,研究泄漏特征提取、智能识别、和泄漏的位置。

本文的组织如下。节2,建立了管道的有限元模型。节3,管道泄漏基于VMD-RBF神经网络识别和定位方法。节4,电磁积极和电磁负刚度的有限元模拟设备和管道进行泄漏测试平台进行制造和实验测试。最后,结论提出了部分5。

2。有限元模拟

2.1。泄漏的管道的典范

管道泄漏的模型是由使用ANSYS Workbench软件。仿真模型如图1。管道泄漏模型和不规则的弯管泄漏港口。内直径50毫米。壁厚5毫米。为了模拟实际的管道泄漏情况下,泄漏的端口是一个不规则的形状设计。泄漏的位置港口被认为是转折点的管道。流体介质是水,管道钢结构的材料。

2.2。数值仿真结果和分析

管道泄漏时,流场的压力分布和速度分布如图所示2。可以看出,管道泄漏时,管道中的流体沿着泄漏端口将被驱逐,和射流的流速高于液体的管道。同时,由于摩擦阻力流体泄漏港墙,管壁附近的流体流量低于中间的流体泄漏港口的一部分。这种摩擦阻力对管道和管道振动原因。

流场的进气压力设置为50 kPa,管道出口的压力和泄漏端口0 kPa。泄漏孔的半径设置为5毫米。管道的振动幅频曲线和功率谱在不同泄漏位置了,如图3。

可以看出,当泄漏位置不同,振动信号的幅值和功率谱将会改变。这种变化主要受到两个因素的影响。第一个是管道振动信号在传播过程的衰减,第二个是固定约束对振动信号的影响。由于管道模型的长度是1000毫米,振动的传播衰减很小,所以上述变化的主要原因是固定约束的影响。与此同时,泄漏位置的变化并没有改变振动信号的频率分布。

通过以上分析,可以看出,管道振动信号的变化可以反映管道泄漏的情况。仿真结果证明泄漏检测方案的有效性。仿真数据也可以用作泄漏故障样本对神经网络。

3所示。研究振动信号处理方法

3.1。VMD的基本原则

VMD算法的固有模式函数(IMF)的概念重新定义和带宽有限的固有模式函数(BIMF)提出了10),定义如下: 在哪里是带限固有模式函数,瞬时振幅和信封, , 阶段的函数吗 ,和的瞬时角频率是吗 ,即阶段nonmonotonically减少。信号的包络线和瞬时角频率比阶段变化速度慢得多 。

带宽可以估计BIMF卡尔森的原则如下: 在哪里BIMF带宽估计的,信封的最高频率,瞬时频率的偏移速度,瞬时频率的最大误差。

在分解信号之前,有必要预设数量的组件K,将原始信号分解成KBIMF组件最小化组件的带宽估计的总和。分解的具体步骤如下:(1)希尔伯特变换获得每个BIMF组件分析信号,所以单方面频谱可以获得 (2)中心频率估计的每个国际货币基金组织(IMF)的组件,乘以一个指数信号和移动的光谱到相应的基带 (3)每个组件的带宽预计通过计算平方的梯度方程的标准(4),从而构建约束变分问题的表达 在哪里代表了时间函数的偏导数,是一个单位脉冲函数。

为了找到最优解的表达式(5),拉格朗日乘数法和二次乘法因子介绍了。然后,要解决的约束变分问题将成为一个不受约束的变分问题。拉格朗日表达式扩展

交替方向乘法器算法(小组ADMM)用于交替更新 , ,和 ,和寻找方程的“鞍点”(6),从而完成约束变分问题的解。解决的具体过程如下:(1)初始化的值 , , 和为0(2)执行循环, (3) ,对所有 ,更新的功能和和与方程(7)和(8),直到 (4)对所有 ,更新用下面的公式: 在哪里是噪音公差参数。(5)重复步骤2到4,直到满足以下约束条件和迭代停止。

管道振动信号分解成K组件与一个特定的中心频率。管道泄漏时,每个信号的中心频率分量将会改变。所以每个组件的中心频率的振动信号可以作为特征向量来确定管道泄漏。在相同的工作条件下,当泄漏的位置是不同的,每个频带的能量分布将发生变化。所以每个组件的能量对应值可以作为特征向量,以及泄漏位置的变化反映振动信号能量的变化。特征提取的具体步骤如下:(1)利用小波包阈值降噪信号通过传感器进行初步降噪(2)上执行VMD分解去噪泄漏信号和使用观测中心频率的方法来确定参数K(3)计算之间的相关系数KBIMF组件和去噪信号,并选择N有效成分(4)安排的中心频率选择NBIMF组件从小型到大型构造特征向量 。由于较大的值,它是不方便处理的神经网络的特征向量所有的样品是标准化和规范化。该方法 在哪里的中心频率是BIMF组成部分样本,和的最大和最小值的中心频率组件,和归一化向量用于泄漏识别。(5)计算每个有效成分的能量 在哪里代表的离散点的振幅BIMF组件。(6)结构振动信号的特征向量与能量的值NBIMF组件

正常化的特征向量 在哪里是所有的能量的总和BIMF组件,和特征向量是用来反映泄漏点位置的变化。

3.2。RBF的原则

径向基函数(RBF)神经网络(11,12)是一个向前nonfeedback,喜怒无常,使提出的局部逼近神经网络矢量直接映射到潜在的空间。当确定RBF的中心点,也确定的映射关系。网络的输出层输出的线性加权的隐藏层。RBF神经网络的结构如图4,它由输入层、隐层和输出层。

中的节点数量的输入层、隐藏层和输出层 , ,和 ,分别。神经网络的输入层信号输入到网络。让模型的输入向量= ,隐层的神经元激活函数是由径向基函数,及其输出由非线性激活函数 表示为 在哪里的中心向量隐层的节点,代表两者之间的欧氏距离,是一个积极的标量,代表高斯基函数的宽度。为了提高网络的准确性和减少隐层节点的数量,激活函数还可改变多元正态密度函数。

表达式是 在哪里 协方差矩阵的逆输入。

网络的输出层的输出的线性加权隐藏层,和表达式 在哪里重量从隐层到输出层,(= 1,2,… )网络的输出。

3.3。泄漏VMD-RBF振动信号的识别和定位步骤

摘要管道振动信号提取,由中心频率构造特征向量用于训练神经网络识别泄漏。建立一个RBF神经网络的具体步骤如下:(1)获取样本数据:本文模拟船舶管道,建立管道泄漏测试平台在实验室里,和获得样本通过测量管道无泄漏和泄漏的振动信号在不同的位置(2)确定网络的输入和输出:在前一节中使用的特征提取方法,对样本数据进行特征提取,提取结果作为神经网络的输入向量,输出向量决定根据建立神经网络的目的(3)神经网络初始化:设置神经网络的各种参数,包括数量的输入层、隐层、输出层节点,训练精度目标,训练速度(4)训练神经网络:随机选择一些样本作为训练样本和输入到神经网络和RBF神经网络将不断调整神经元之间的权重,直到到达设定精度,误差和神经网络的训练完成(5)测试神经网络:使用经过训练的网络测试剩下的数据样本识别和定位泄漏。

4所示。实验研究

4.1。测试平台的设计

为了验证方法的有效性,管道泄漏测试平台是建立在实验室。该方法基于VMD-RBF神经网络用于识别和定位泄漏。这艘船的整体示意图管道泄漏识别测试平台如图5。

测试平台由两部分组成:一个管道系统和数据采集系统。管道,在不同位置设置不同大小的圆孔来模拟泄漏。管道的边界条件改变了通过调整打开进口阀和出口阀。管道的压力和流量信号测量的压力传感器和流量传感器。在振动信号采集的加速度传感器,传输到计算机通过数据采集模块通过网络电缆进行分析和处理。

的物理图测试管道系统图所示6。管道系统主要由四个部分组成:水箱、水泵、管道及配件。

以下4.4.1。水箱

水箱的水用于提供对整个管道系统和收集管道流出的水,从而形成一个循环,减少水资源的浪费。有一个水箱的底部出口阀排出水箱里的水,这是方便清洗水箱和更换水。

4.1.2。管道及配件

在该测试中使用的管材是不锈钢,这是常用的船舶管道。管子直径是32毫米,厚度3毫米,长度为13米。管道系统的每个部分的参数如表所示1。入口和出口的管道提供手动可调截止阀,和液体的压力和流量可以调节的截止阀。泄漏孔排列在AB和CD的章节中,每个泄漏孔配有插螺栓相应的尺寸。这种螺栓堵效果好,操作方便。

振动信号采集系统中使用这个测试是b和k系统,它主要包括三个部分:一个加速度传感器,数据采集模块,和一台电脑。传感器是一种4534 b通用的加速度计,测量频率范围宽的特点,低噪音,低对环境因素的敏感性。由于其重量轻、强、密封钛壳,它可以执行在复杂和恶劣的环境。技术参数如表所示2。

神经网络方法用于识别和定位泄漏的管道,但它需要大量的训练样本。为了获得样本,选择的AB部分管道为对象,和四个漏孔的直径4毫米被安排在不同的位置。进气阀的距离是0.25米,1.75米,3.25米和4.75米。

在相同的工作条件下,10组数据采集的振动信号管道时没有泄漏,泄漏时的振动信号发生在四个泄漏点,分别。相同的工作条件意味着管道的压力和流量都是相同的在每个测量。收集到的数据样本用于神经网络的训练和验证. .收集到的振动信号处理方法在前一章中提到的。(1)分析和尝试后,选择软阈值去噪的方法。使用的小波基是db4小波,分解层数是3。泄漏管道振动信号的时域波形降噪前后数据所示7和8。(2)选择适当的K通过观察值去噪信号的中心频率。当K= 2 - 7日,由VMD去噪信号分解,每个BIMF组件的中心频率的一组样本数据如表所示3。它可以发现,当K= 7,BIMF4和BIMF5组件的中心频率1264赫兹和1385赫兹,在1200−1400赫兹的频率范围。有一个overdecomposition现象,所以分解层的数量K= 6。所有的泄漏信号数据进行了分析,发现K是最适合6。(3)去噪信号是由6-layer VMD分解,结果如图9。每个BIMF组件的中心频率是安排从小型到大型。每个组件和去噪信号之间的相关系数是计算。表4展示了BIMF组件之间的相关系数l和去噪信号。

它可以从表中找到4之前,BIMF1-BIMF4和信号之间的相关系数分解大于设定阈值为0.1,和泄漏的相关程度是相对大。因此,这四个组件被选为有效信号中心频率和能源价值的组成部分。

4.2。研究管道泄漏识别基于RBF神经网络

当泄漏发生时,励磁源如湍流,摩擦,会产生空化在泄漏孔附近。因此,管道的振动信号的频率分布将会改变。表5显示有效的中心频率BIMF组件样品处理后获得的一些数据。相应的管道健康状态表示为0或1,其中0表示没有泄漏和1意味着泄漏。

为了方便观察,做成数据表10和11。图10振动信号的中心频率分布的管道泄漏,和图吗11的中心频率分布是杜绝了管道的振动信号。

它可以发现,当管道泄漏,BIMF1中心频率的数据样本,BIMF2, BIMF3, BIMF4主要分布在25−50 Hz, 500−750赫兹,850−1100赫兹和1200−1400赫兹频段。每个BIMF组件的中心频率的振动信号低于泄漏的管道。

RBF神经网络是用来确定管道泄漏状态。具体操作步骤如下:(1)中心频率的四个每组数据的有效成分 , , ,和 ,形成一个特征向量 ,和归一化向量作为神经网络的输入层。预期的输出管道的正常状态是0,和预期的输出泄漏状态是1。(2)为了提高神经网络的训练效果,32组泄漏信号和8组不漏失信号被选为数据样本。newrb函数使用了在MATLAB环境中建立神经网络的均方误差指数= 0.001的目标。训练误差收敛曲线如图12。(3)输入十组测试样本训练神经网络进行测试,和泄漏状态识别的结果如表所示6。

从表可以看出6神经网络的输出结果并不是一个简单的0或1,但实际输出值接近预期的输出,除了一个识别结果,无法判断。因此,RBF神经网络可以有效。泄漏状态进行识别,准确率为90%。

4.3。研究管道泄漏的位置

对泄漏点的位置,互相关法是目前最常用的方法。传感器放置收集管道振动信号同时执行两个信号的互相关计算。在本文中,该方法用于定位泄漏点2。两个传感器被放置在管道两端AB和泄漏信号同时收集。泄漏点2和之间的距离传感器1和2是1.75米和3.25米,分别如图13。

锤子敲打所产生的振动信号沿管道传播和接收传感器1。把信号由传感器接收到的信号放大,如图14。

从图可以看出14接收到的信号的峰值0.0035传感器的年代晚于水龙头信号的峰值。和利用位置和传感器之间的距离是5米,所以振动信号的传播速度在测试管道可以获得约1429 m / s。从传播速度和时间不同,它可以计算出泄漏点和两个传感器之间的距离是2.43米。因此管道泄漏点和部分之间的距离约为1.29米,0.46米的距离的实际。测试结果验证泄漏位置的互相关方法的可行性。然而,随着人工智能技术的不断发展,智能检测已成为泄漏检测的主流研究方向。摘要RBF神经网络应用于管道振动信号数据样本,并提出了一种新方法。提出智能定位泄漏的方法。收集的泄漏信号的数据样本前处理方法,以及能量分布的有效BIMF组件与泄漏管道振动信号获取不同位置如图15。

从图可以看出15,当管道泄漏位置是不同的,每个BIMF组件的振动信号的能量分布是不同的。因此,能量作为特征向量训练和测试神经网络定位泄漏点的位置。具体步骤如下:(1)40组泄漏信号提取和标准化的数据处理方法,和特征向量得到网络的输入层。泄漏泄漏点的预期输出1,泄漏点2,泄漏点3和泄漏点4(0,0)、(0,1),(1,0)和(1,1),分别。能量特征向量的一些数据样本如表所示7。(2)在10组数据泄露从每个泄漏点,8组作为训练样本随机选择。总共32组训练样本,其余8组数据作为测试样本来测试网络。RBF神经网络训练使用相同的方法。(3)8组测试样本输入到训练好的神经网络进行训练。结果如表所示8。

从表可以看出8神经网络的实际输出结果的接近预期的输出只有一个,有一个很大的偏离预期的输出。最后的测试结果的准确率为80%,验证了设计智能定位方法的有效性。

5。结论

本文研究了识别和定位方法基于变分的军舰管道泄漏模式分解(VMD)和径向基函数(RBF)神经网络。有效的中心频率BIMF组件是用于构造泄漏识别的特征向量。RBF神经网络是用来确定管道泄漏和定位泄漏点。为了验证的准确性t该方法,测试管道平台是建立在实验室。管道振动信号不同的压力,流量和泄漏孔大小进行收集和分析。管道的振动信号作为RBF神经网络的数据样本和数据处理的中心频率和能量提取有效BIMF组件构造特征向量。结果表明,该方法具有较高的精度。

基于当前研究基金会(13),未来的工作可以分为以下几个方面:(1)如何从强背景噪声中提取微弱信号特征是被保存下一个问题。(2)研究识别和多个泄漏和复杂的管道泄漏的位置需要进一步加强。

数据可用性

本研究的数据支持fndings可从第一作者,(苏潘),在合理的请求。

附加分

文章集锦。(1)应用有限元分析软件进行数值模拟管道的泄漏。(2)基于变分的管道泄漏识别和定位方法模式分解(VMD)和RBF神经网络,提出了有效成分的中心频率和能量价值得到VMD用于构造信号特征向量,输入到RBF神经网络实现泄漏识别和定位的目的。(3)管道泄漏的测试平台是建立模拟船舶的环境,以及泄漏管道在不同条件下的振动信号进行了分析,并验证了RBF神经网络的诊断准确性。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金(批准号51909267和51909267)和海军工程大学基金会(2022502040)。