基于声发射信号时频特征的核电阀门内泄漏率预测

摘要：声发射技术是阀门内泄漏检测的一种有效手段，如果能同时给出泄漏率的具体数值，会为核电现场维护员制定维修计划提供更具体的参考。本文首先搭建了一个阀门内泄漏声发射检测模拟实验平台，通过调节阀门开度模拟泄漏率大小，采集了大量不同压力、及不同泄漏率时的声发射信号，建立了声发射信号和泄漏率对应的数据集。然后对声发射信号在时域、频域和时频域提取特征参数，分析这些特征参数和泄漏率大小之间的相关性。之后将这些特征参数作为输入，分别采用支持向量回归和神经网络技术，利用声发射信号数据集，训练出发射信号特征参数和泄漏率之间的多变量回归预测模型，通过实验验证了回归模型对泄漏率预测的准确性。

关键词：泄漏检测；声发射；时频特征；支持向量机；神经网络

Abstract： Acoustic emission technology is an effective means of detecting internal leakage in valves. If specific values of leakage rate can be provided simultaneously， it will provide more specific reference for on-site maintenance personnel to develop repair plans. This article first built a simulation experimental platform for acoustic emission detection of valve internal leakage. By adjusting the valve opening to simulate the size of the leakage rate， a large number of acoustic emission signals under different pressures and leakage rates were collected， and a dataset corresponding to the acoustic emission signal and leakage rate was established. Then， feature parameters are extracted from the acoustic emission signal in the time domain， frequency domain， and time-frequency domain， and the correlation between these feature parameters and the leakage rate is analyzed. Afterwards， these feature parameters were used as inputs， and support vector regression and neural network techniques were used to train a multivariate regression prediction model between the emission signal feature parameters and leakage rate using the acoustic emission signal dataset. The accuracy of the regression model in predicting leakage rate was verified through experiments.

Keywords： leakage detection; acoustic emission; time-frequency characteristics; neural network; support vector machine

0、引言

阀门内部发生泄漏时，内部流体在压力作用下，对泄漏处出现湍流，产生弹性波，弹性波沿着阀体传递到阀门表面，声发射传感器会收集到这一信号，根据信号的特性就可以判断出阀门的泄漏情况。因此声发射法是一种高效、快捷的检测方式，广泛应用于阀门泄漏检测当中。实际核电现场不仅需要检测阀门是否泄漏，更需要准确了解泄漏的大小，为现场维护人员制定维修计划提供更具体的参考。

近几年，基于声发射信号特征对泄露定量进行预测的方法，开展了大量的研究，如：对阀门内泄漏产生的声发射信号进行降低特征维数，用支持向量机识别泄漏级别[1]；对声发射信号进行因子分析减少特征数目，使用三种聚类算法对泄漏率进行分类[2]；针对小泄漏率的识别困难，研究了声发射信号的标准差与泄漏率之间的关系理论[3]；采用高斯过程回归建立了阀门内泄漏声发射信号特征与压力、泄漏量之间的数学模型，实验得到均方根的拟合度最大[4]；通过小波变换对信号进行时频分析，然后通过k近邻和支持向量机进行分类[5]；采用因子分析降维技术将样本特征分解为四个子集，最后通过小波误差反向传播神经网络进行定量训练[6]；采用相关系数法获得与球阀内泄漏率相关性较高的特征参数，利用麻雀搜索算法优化反向传播神经网络进行泄漏率的预测[7]。

但这些方法对泄漏率的预测精度较低，同时存在着实用性的问题，因此有必要对预测方法进行深入的研究，提高其预测精度。

1 阀门内泄漏声发射检测试验

1.1 实验系统

为了模拟阀门内泄漏，搭建了实验系统，其结构框图如图1所示。

其中，压力容器的容积0.6立方、最大压力0.8MPa；系统末端的流量计作用是监测气体的泄露量；试验阀门为FlowTop 4”。声发射检测系统是由声发射传感器、放大器、数据采集卡和PC机组成。实验系统的实物图如图2所示。

1.2声发射检测实验

在不同压力下，调节电动执行器控制阀门的开度，来模拟阀门的泄露及大小，流量计实时读出阀门实时泄漏率，作为实验数据的标签，具体实验内容如下：

1）在同一压力下，调节阀门开度，其泄漏率的范围在0-20L/min，每间隔约1L/min调节一次，共21个不同的泄漏率；每个泄漏率采集1000次声发射信号，共21000条声发射信号数据；每条声发射信号数据采样时长为0.25s，采样频率为1MHz、转换精度为12位。

2）调节压力在0.1-0.5Mpa，间隔0.1Mpa重复步骤1），5个压力下一共5×21000=105000条数据。

3）将上述测量数据按照4：1分为训练集和验证集。

2 阀门内漏声发射信号的时、频特征提取

多篇文献指出[1-4]，单纯从声发射信号在时域上的幅值大小、频谱上的频率或幅值，都无法准确建立声发射信号和泄漏率之间的对应关系，因此需要提取信号的多种时频特征来对阀门内泄漏情况做出判断。用于阀门内泄漏检测的时频特征有很多，结合之前文献中提到的多种时频特征以及实验的验证，本文采用了10种时、频特征。

2.1时域特征提取

由图3各图可知，每个时域特征都和泄漏率具有一定的线性对应关系，但都不能准确的表达泄漏率。

2.2频域特征提取

频域特征选择5种：重心频率、频谱峰度、均方根频率、频率标准差、频谱面积，计算公式如式（3）-（7）所示，这些特征一般都是在功率谱P（f）基础上计算求得的。

压力为0.4Mpa时，分别绘制了某段声发射信号的重心频率、频谱峰度、均方根频率、频率标准差、频谱面积和泄漏率对应关系的分布图及拟合直线，如图4所示。

由图4各图可知，类似时域特征的对应关系，每个频域域特征，都和泄漏率具有一定的线性对应关系，但都不能准确的表达泄漏率。

2.3时频特征提取

时频特征选择2种：三阶累积量和小波包信息熵。

对比实验结果可知，径向基核函数的误差最小，因此选取径向基核函数。

为了考察提取的特征对泄漏率预测的影响，进行了消融实验结果如表2所示，这里没有对压力值特征进行消融实验。

在支持向量回归方法中三阶累积量和小波包熵对阀门内泄漏率的预测误差减少有明显的作用，时域特征对于阀门内泄漏率预测具有关键性作用；频谱面积、均方根频率和频谱峰度等频率特征对于泄漏率预测也有一定的提升作用；保留所有特征时的漏率预测误差最小为7.96%。

3.2 神经网络预测实验结果

分析表3数据可知，时域特征中的标准差和频域特征中的频谱峰度对泄漏率预测起到的作用大，各种不同的特征都对泄漏率的预测起到了作用，所有特征一起的平均相对误差为7.20%。

4.适应性实验

为验证上述两个预测模型的适应性，更换传感器位置，将阀门的执行器改为气动执行器，采集0.1-0.5Mpa，21个不同泄漏率，每个泄漏率50条数据，共5250条数据，用上述两个模型分别进行预测，误差结果如表4所示。

从表4可知，更换部分实验条件，两个预测模型对泄漏率的预测准确率变化不大，表明了模型具有很好的鲁棒性。

在每个泄漏率下，随机取一条数据，画出预测值与真实值得对比图，如图7所示。

从图中可以看出两种方法对于泄漏率的预测都比较好，神经网络相对支持向量回归取得了相对更好的结果，尤其是在泄漏率较小的情况下，绝对误差较小，同时也可以看出泄漏率较大时，绝对预测误差变大。

文献[4]中对介质为液体，小泄漏率下阀门内泄漏率进行预测，采用的方法是基于泄漏信号的标准差和最小二乘法，得到结果误差为67.33mL/min；文献[6]中提到的基于因子分析的阀门内泄漏率预测方法得到结果的误差小于10%；但是由于本论文和文献中的实验系统不同，该对比只作为参考。

5.结论

本文通过建立声发射信号特征与泄漏率之间的多变量模型，来预测阀门泄漏率，取得的结论如下：

（1）搭建了模拟核电阀门内泄漏系统及其声发射信号检测系统，在不同压力下调节阀门的开度模拟阀门的泄露及大小，通过实验建立了声发射信号和泄漏率对应的数据集。

（2）在时域、频域和时频域共提取信号的10种特征，分析了每个特征和泄漏率的线性关系。

（3）基于信号的特征，分别采用支持向量回归和神经网络建立了预测模，都取得了较好预测效果，用消融实验分析了每个特征对预测准确性的影响，最后的适应性试验表明了预测模型具有很好的鲁棒性。

探讨：（1）本文实验最初选取了15个时频特征，通过对应度分析和消融实验，最终保留了其中的10个特征，在不同的实验系统条件下，特征的选取应该会有所不同；（2）笔者根据此次的经验，正在搭建一新的实验系统，选用的是我核电厂最具检测经济价值的一处阀门，实验的温度和压力和实际完全一致，模拟泄漏点也改为在阀门垫圈上加工，即最大程度的模拟实际工况；通过本文方法，建立实际工况下该类型阀门的泄漏量和声发射信号的对应模型，最终实现此处阀门泄露量的准确检测。

参考文献

[1]Li Z， Zhang H， Tan D， et al. A novel acoustic emission detection module for leakage recognition in a gas pipeline valve[J]. Process Safety and Environmental Protection， 2017， 105： 32-40.

[2]Zhu S B， Li Z L， Zhang S M， et al. Natural gas pipeline valve leakage rate estimation via factor and cluster analysis of acoustic emissions[J]. Measurement， 2018， 125： 48-55.

[3]Ye G Y， Xu K J， Wu W K. Standard deviation based acoustic emission signal analysis for detecting valve internal leakage[J]. Sensors and Actuators A： Physical， 2018， 283： 340-347.

[4]Ye G Y， Xu K J， Wu W K. Multivariable modeling of valve inner leakage acoustic emission signal based on Gaussian process[J]. Mechanical Systems and Signal Processing， 2020， 140： 106675.

[5]Sim H Y， Ramli R， Saifizul A， et al. Detection and estimation of valve leakage losses in reciprocating compressor using acoustic emission technique[J]. Measurement， 2020， 152： 107315.

[6]Zhao H， Li Z， Zhu S， et al. Valve internal leakage rate quantification based on factor analysis and wavelet-BP neural network using acoustic emission[J]. Applied Sciences， 2020， 10（16）： 5544.

[7]Shi M J， Liang Y， Qin L， et al. Prediction method of ball valve internal leakage rate based on acoustic emission technology[J]. Flow Measurement and Instrumentation， 2021， 81： 102036.