閥門在石油工業(yè)中使用頻繁且出現(xiàn)泄漏現(xiàn)象不易檢測。論文闡述了通過軟件方式根據(jù)聲音信號識別閥門泄漏的方法。系統(tǒng)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(shù)作為觀測序列,并利用隱馬爾可夫模型對其進(jìn)行建模訓(xùn)練,使其能夠識別故障信號,及時發(fā)現(xiàn)閥門泄漏,并進(jìn)行報警處理,從而保證輸油泵正常工作。實驗證明,系統(tǒng)能夠有效地識別閥門泄漏故障。0、引言

　　在石油工業(yè)中,閥門是一種使用數(shù)量多、操作使用頻繁的設(shè)備。據(jù)統(tǒng)計,購買閥門的費用相當(dāng)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(xiàn)內(nèi)外滲漏或泄漏等情況,從而引起跑油、基于聲音識別的多閥門泄漏檢測系統(tǒng)混油等嚴(yán)重事故,影響石油質(zhì)量,造成極大的經(jīng)濟(jì)損失和資源浪費。因此,閥門泄漏的檢測有著重大的現(xiàn)實意義。當(dāng)閥門關(guān)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(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(yīng)力波,并在閥體中傳播,稱之為被動聲發(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(zhuǎn)換成電信號,經(jīng)信號放大處理后顯示和監(jiān)聽,從而達(dá)到檢測閥門泄漏的目的。聲學(xué)檢測具有動態(tài)、快速和經(jīng)濟(jì)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(jù),降低更換費用。當(dāng)前的理論和實踐表明,利用聲學(xué)檢測閥門泄漏是一種行之有效的無損檢測的方法。1、系統(tǒng)介紹

　　基于聲音識別的多閥門泄漏檢測系統(tǒng)是德國新型輸油泵-軟管隔膜活塞泵國產(chǎn)化的一個子系統(tǒng)。軟管隔膜活塞泵系統(tǒng)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(yīng)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(nèi)側(cè)相接觸;No4是直線形的流通通道;No5是平隔膜的夾緊區(qū)域;No6是組合式超壓安全閥;No7是油泵在油內(nèi)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(gòu)（圖中未畫出）控制原油出進(jìn)口閥門的開關(guān)。隨著進(jìn)口閥打開,出口閥的關(guān)閉,活塞從左向右移動,隔膜軟管中的壓力變低,原油進(jìn)入軟管;當(dāng)活塞到達(dá)右端時,原油進(jìn)口閥關(guān)閉;活塞向左端前進(jìn),到達(dá)一定路徑時,凸輪機構(gòu)啟動原油出口閥打開,活塞繼續(xù)向左前進(jìn),擠壓軟管隔膜將原油壓出出口閥。在工作過程中,如果進(jìn)出口閥出現(xiàn)泄漏,就會出現(xiàn)管道內(nèi)壓力不足,石油輸出質(zhì)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(jīng)濟(jì)損失。因此,需要對泵的進(jìn)出口閥進(jìn)行實時監(jiān)控。2、系統(tǒng)設(shè)計

2.1、系統(tǒng)總體設(shè)計

　　系統(tǒng)主要由特征參數(shù)提取、HMM模型訓(xùn)練、模式識別和結(jié)果處理等四部分構(gòu)成,如圖2所示。

圖2　

2.2、特征參數(shù)提取

　　特征參數(shù)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(tǒng)計數(shù)據(jù),是建立HMM模型庫的關(guān)鍵。

　　Mel頻率倒譜系數(shù)（MelFrequencyCepstrumCoefficient,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(xiàn)音頻信號的主要信息,在語音識別、音頻分類和檢索領(lǐng)域應(yīng)用十分廣泛。本系統(tǒng)選用MFCC特征參數(shù)。MFCC是在Mel標(biāo)度頻率域提取出來的倒譜參數(shù)。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(shù)的提取過程:

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

　　（2）將預(yù)處理后的信號進(jìn)行快速傅立葉變換（FFT）,將時域信號轉(zhuǎn)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。

　?。?）設(shè)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(jù)Mel（f）頻率與實際線性頻率f的關(guān)系計算出三角帶通濾波器組Hm（k）。

　　其中

　　則每個濾波器組輸出的對數(shù)能量為

　?。?）對S[m]進(jìn)行離散余弦變換（DCT）即得到MFCC系數(shù)。

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

2.3、隱馬爾可夫模型

　　隱馬爾可夫模型（HiddenMarkovModel,HMM）是一種時間序列統(tǒng)計建模工具,它能夠?qū)Ψ瞧椒€(wěn)信號變化的規(guī)律進(jìn)行統(tǒng)計并建立參數(shù)化模型,另外利用該模型可以方便地進(jìn)行概率推理,因此它常常作為動態(tài)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(nèi)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(tǒng)、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(yīng)用,也是目前為止zui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(chǎn)生的輸出為狀態(tài)序列;另一個隨機過程,由B來描述,產(chǎn)生的輸出為觀測值序列。一個DHMM可以由下列參數(shù)進(jìn)行定義: