CN101592288B - 一种管道泄漏辨识方法 - Google Patents

Abstract

本发明公开了一种管道泄漏辨识方法，针对两个邻近传感器的观测信号，将其分别作为自适应滤波器的输入信号和参考信号，提取滤波器收敛时的权向量，该权向量是两观测信号相关函数的最优估计；滤波器收敛时的权向量存在峰值则判断管道可能泄漏，否则判断管道无泄漏；判断结果为管道可能泄漏时，计算该权向量包络峰值一个邻域以外部分的权向量复杂度值，将权向量复杂度值输入决策算法，最终确定管道是否为真实泄漏。本发明的有益技术效果是：既提高了信号的信噪比，又突出了两个信号中共有的关于泄漏信号自身的关联特性，采用决策算法对自适应滤波权向量的复杂度定量分析，排除噪声干扰，识别出信号源是否为真正发生泄漏的信号源。

Description

一种管道泄漏辨识方法

技术领域

本发明涉及一种管道泄漏检测技术，尤其涉及一种管道泄漏辩识方法。

背景技术

及时、正确地检测出管道泄漏是否存在，是进行泄漏定位的前提，是工程漏损控制的第一步。

早期的工程检漏人员通过听测泄漏产生的声音来判断供水管道是否发生泄漏，这种依赖于工程人员的经验知识识别泄漏的方法，主观因素决定性大、效率低、容易漏检。随着技术的发展，目前采用的检测方法主要有：不间断流量检测法、最小夜流量和管道压力信号小波分析等，但这些非泄漏声信号处理的方法在实际供水管道泄漏检测工程中，由于存在检测耗时、检测管道类型有限、检测区域受地面环境影响大等缺点，使其在实际管道泄漏检测应用中受到一定的限制。

近年来，Wan等提出首先对泄漏声信号进行自适应滤波消噪处理，然后通过谱分析判断管道是否发生泄漏；李光海等从泄漏声发射特征出发，在信号频率范围上选取一无标度区间(某个频段)，利用功率谱密度与频率间存在的幂指数关系来判断泄漏发生；中国专利(CN1184931A)提出泄漏是流体紊乱射流和管道相互作用引起的，采用神经网络方法辨识泄漏，区别管道正常和发生泄漏两类状态；中国专利(CN101196872A)以声信号经带通和中值滤波处理后的信号均值、最小值、标准差，信号功率谱最大值对应的频率等构建特征向量，结合支持向量机(SVM)辨识泄漏。这四种方法以信号频率特性或信号幅度、平均值等作为特征量，但由于泄漏信号频谱特征等随泄漏形式、管道条件的不同而存在差异，且管内或管外存在各类非泄漏干扰声源，这些方法泄漏检测具有局限性。针对管内管外固定非泄漏声源对泄漏检测的影响，Ai等结合泄漏声信号线性预测编码倒谱系数(LPCC)和隐马尔可夫模型(HMM)，Toshitaka and Akira提出以泄漏信号功率谱密度、基于AR模型的破坏因子等作为泄漏声信号特征，结合支持向量机(SVM)来区别传感信号中的相关成分来自于泄漏还是各种非泄漏声源，但与管内非泄漏声源噪声相辨识时，这两类方法易将管内噪声误判为泄漏信号；杨进等人结合相关分析和近似熵来辨识泄漏信号，泄漏辨识准确率较高，但在辨识中仅采用了一个传感器获取信号的信息来做自相关分析处理，在信号信噪比较低时泄漏辨识性能下降。

前述种种理论或方法，虽然为泄漏检测技术的发展开辟了一些新的思路，但各自又存在不足和缺陷。

发明内容

针对现有技术的不足，本发明提出了一种管道泄漏辨识方法，该方法针对两个邻近传感器的观测信号，将其分别作为自适应滤波器的输入信号和参考信号，提取滤波器收敛时的权向量，该权向量是两观测信号相关函数的最优估计；滤波器收敛时的权向量存在峰值则判断管道可能泄漏，否则判断管道无泄漏；判断结果为管道可能泄漏时，计算该权向量包络峰值一个邻域以外部分的权向量复杂度值，将权向量复杂度值输入决策算法，最终确定管道是否为真实泄漏。

其中，自适应滤波器采用最小均方自适应滤波器；采用关联维数方法计算权向量复杂度值；决策算法采用BP神经网络，且BP神经网络中预先输入有已经确认了的真实泄漏信号和管内外非泄漏固定声源信号的权向量复杂度值的训练样本。

本发明方法可明晰为如下步骤：

对两邻近传感器获取的信号，1)将其中一个信号作为自适应滤波器的输入信号，另一个信号作为自适应滤波器的参考信号，进行最小均方自适应滤波处理，得到权向量；

2)对权向量进行峰值检测，如无明显峰值，则判断管道无泄漏；如存在明显峰值，转步骤3)；

3)对权向量进行峰值包络检测，取出权向量包络峰值一个邻域以外的部分，采用关联维数方法计算出取出部分的权向量复杂度值；

4)根据取出部分的权向量复杂度值，由BP神经网络判断管道是否发生泄漏。

本发明的有益技术效果是：既提高了信号的信噪比，又突出了两个信号中共有的关于泄漏信号自身的关联特性，采用决策算法对自适应滤波权向量的复杂度定量分析，排除噪声干扰，识别出信号源是否为真正发生泄漏的信号源。

附图说明

图1、管道泄漏辨识流程图；

图2、无泄漏和非泄漏固定声源噪声存在时观测信号x₁(n)和x₂(n)的自适应滤波权向量W(n)；

图3、泄漏存在时观测信号x₁(n)和x₂(n)的自适应收敛时滤波权向量W(n)；

图4、与图3相对应的抽头数从6000-7000的权向量值；

图5、工地钻地噪声存在时观测信号x₁(n)和x₂(n)的自适应收敛时滤波权向量W(n)；

图6、与图5相对应的抽头数从6000-7000的权向量值；

具体实施方式

要检测管道泄漏首先要设置传感器，将获取管道振动信号的传感器设置在管道暴露处(如阀门、接口和消防栓等位置)，然后采用本发明方法对其中两个位置邻近的传感器的采集信号进行处理；其中，“两个位置邻近的传感器”是指沿管道延伸方向，位置顺次相邻的传感器，也即是说两邻近传感器间距离可能很短，也可能长达上百米，具体距离视管道暴露处位置而定，也可能某根管道两端接口相隔很远，但这根管道两端的传感器也属于“邻近”关系。

本发明的鲜明特征是：1)我们将两个观测信号分别作为自适应滤波的输入和参考信号，以滤波器收敛时的权向量(也叫权系数)作为特征提取对象，该权向量是两观测信号相关函数的最优估计，而不是以两观测信号本身或其自相关函数作为特征提取对象，这样做的好处在于：既有利于提高信号的信噪比，又能突出两个信号中共有的关于泄漏信号自身的关联特性。2)通常，通过计算泄漏信号和钻地噪声信号的自适应滤波权向量的复杂度，并设定一个阈值便可将泄漏信号和钻地噪声区别开，如针对图3至6中的权向量，可以设定1.0作为区别泄漏信号和钻地噪声复杂度的阈值，当大于1.0便是泄漏信号，小于1.0便是钻地噪声；但由于泄漏形式多样，如小孔、裂纹、接口等多种形式，且各类管内外非泄漏噪声形式多样，泄漏信号和非泄漏噪声信号自适应滤波权向量复杂度值范围广，单一的通过设定阈值来区别泄漏信号和各类非泄漏噪声信号自适应滤波权向量复杂度易出错，因此，在计算出待辨识信号的权向量复杂度值后引入决策算法，分别以已经确认了的真实泄漏信号和管内外非泄漏固定声源信号的权向量复杂度值作为训练样本来辨识泄漏。

下面对自适应滤波器的处理过程进行展开，以阐明本发明方法的原理：

设两个邻近传感器获取的信号分别为x₁(n)和x₂(n)，其模型如下：

$\left\{\begin{array}{c}{x}_1\left(n\right)=s\left(n\right)+n_1\left(n\right)\\ x_2\left(n\right)=\∂s(n-D)+n_2\left(n\right)\end{array}\right.$

其中，x₁(n)、x₂(n)分别为对未知泄漏源信号s(n)的两路独立观察信号；

n₁(n)、n₂(n)为观察中的加性噪声，且互不相关；

D为两路观察信号的时间延迟；s(n-D)为延迟D后的未知泄漏源信号；

为衰减因子；

一般可将x₁(n)和x₂(n)中任一信号作为输入信号，另一信号作为参考信号；此处不妨设x₁(n)为输入信号，x₂(n)为参考信号，则有，

离散信号x₁(n)组成的向量X(n)：

X(n)＝[x₁(n-P)，x₁(n-P+1)，…，x₁(n+P)]^T，长度为2P+1，P为常数；

其中，x₁(n-P)，x₁(n-P+1)，x₁(n+P)分别为x₁(n)信号第n-P个取值，第n-P+1个取值，第n+P个取值；

参考信号d(n)：d(n)＝x₂(n)；

滤波器权向量W(n)：

W(n)＝[W_-P，W_-P+1，…，W_P]^T

其中，W_-P，W_-P+1，W_P分别为权向量W(n)的第-P，-P+1，P个取值；

则滤波器输出Y(n)为：

Y(n)＝W(n)X(n)

误差输出e(n)为：

e(n)＝d(n)-W^T(n)X(n)

其中，W^T(n)表示第n次迭代的权向量；

当滤波器收敛后，得到当自适应算法趋于收敛时，权向量W(n)收敛为Wiener滤波器：

W(n)＝R_x ^-1P

其中，R_x是X(n)向量的相关矩阵，P是x₁(n)和x₂(n)的相关向量，即

$R_x=\left[\begin{array}{cccc}{R}_{x_1,x_1}\left(0\right)& R_{x_1,x_1}\left(1\right)& \·\·\·& R_{x_1,x_1}(2P+1)\\ R_{x_1,x_1}\left(1\right)& R_{x_1,x_1}\left(0\right)& \·\·\·& R_{x_1,x_1}\left(2P\right)\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ R_{x_1,x_1}(2P+1)& R_{x_1,x_1}\left(2P\right)& \·\·\·& R_{x_1,x_1}\left(0\right)\end{array}\right]$

$P=[R_{x_1,x_2}(-P),R_{x_1,x_2}(-P+1),\·\·\·,R_{x_1,x_2}\left(P\right){]}^T$

可见，由于两观测信号中观测噪声互不相关，从维纳滤波器的权向量来看，滤波器权向量是观测信号x₁(n)和x₂(n)中相似成分的函数，因此，为了提取泄漏信号自身的关联性特征，我们将观测信号x₁(n)和x₂(n)分别作为自适应滤波的输入和参考信号，以滤波器收敛时的权向量作为特征提取对象，而不是以观测信号x₁(n)和x₂(n)本身或观测信号x₁(n)和x₂(n)的自相关函数作为特征提取对象。

为了从自适应滤波收敛时的权向量W(n)中提取出反映泄漏信号“自身关联性”特征，我们需要对“自身关联性”进行量化。由于产生机理间的差异，管道泄漏声信号具有强随机性，“自身关联性”弱；而各种管内外固定非泄漏噪声，如汽车发动机、工地钻地和工厂机车、管内阀门等引起的噪声，自身具有一定规律性和重复性，“自身关联性”强，因此，当在管道上采集的观测信号x₁(n)和x₂(n)中的s(n)是泄漏信号时，自适应滤波收敛时的权向量W(n)复杂、不规则，而当x₁(n)和x₂(n)中的s(n)是由管内外固定非泄漏噪声引起时，权向量W(n)具有一定的规律性。通过判断权向量W(n)的规律性、复杂度就可判断出观测信号x₁(n)和x₂(n)中的s(n)是泄漏信号还是管内外固定非泄漏噪声，从而实现管道泄漏辨识。

完成自适应滤波后，我们就可对管道是否发生泄漏作出初步判断了，即：如果自适应滤波器收敛时的权向量不存在明显的峰值，表明不存在有泄漏的可能性；如果自适应滤波器收敛时的权向量存在明显的峰值，表明可能存在泄漏，也可能存在其他的非泄漏声源。

如果发生自适应滤波器收敛时的权向量存在明显峰值的情况，为了继续识别权向量峰值是由非泄漏声源引起的还是由泄漏本身引起的，就必须对自适应滤波权向量的复杂度进行定量分析：将信号收敛时的权向量W(n)中包络峰值一个邻域以外的部分作为特征提取对象，对该对象进行不规则和复杂度分析。分形学是以局部和整体具有自相似的复杂事物为研究对象探索其复杂性的科学，很自然的可以用它来描述权向量W(n)的不规则性和复杂性；近似熵是用一个非负数来表示某时间序列的复杂性，越复杂的时间序列对应的近似熵越大，同样可以采用近似熵来度量权向量W(n)的不规则性和复杂性；本发明采用分形学中的关联维数方法来计算自适应滤波权向量的复杂度。

如前所述，由于泄漏形式多样，如小孔、裂纹、接口等多种形式，且各类管内外非泄漏噪声形式多样，泄漏信号和非泄漏噪声信号自适应滤波权向量复杂度值范围广，单一的通过设定阈值来区别泄漏信号和各类非泄漏噪声信号自适应滤波权向量复杂度易出现误判或漏判，因此，在获得待辨识信号的权向量复杂度值后引入决策算法，本发明选用BP神经网络作为决策算法，分别以已经确认了的真实泄漏信号和管内外非泄漏固定声源信号的复杂度值作为训练样本来辨识泄漏，即可避免因非泄漏固定声源信号引起的误判和漏判。

包络峰值检测实施例：

将没有泄漏、没有非泄漏固定声源噪声存在时的观测信号x₁(n)和x₂(n)作为图1中的自适应滤波器的输入，其中自适应滤波器可选择最小均方自适应滤波器，得到滤波器权向量W(n)，如图2所示；将该权向量W(n)作为图1中权向量峰值包络检测的输入，其中，权向量峰值包络检测可采用如下步骤：

1)对权向量W(n)进行希尔伯特变换： $\hat{W}\left(n\right)=W\left(n\right)*\frac{1}{\mathrm{\πn}}=\frac{1}{\mathrm{\π}}\underset{-N}{\overset{N}{\mathrm{\Σ}}}\frac{W\left(k\right)}{n-k};$ n为权向量第n个计数，k为求和过程权向量第k个计数，W(k)为求和过程中第k个权向量值，N为权向量长度个数的一半；

2)得到权向量W(n)的解析信号Z(n)： $Z\left(n\right)=W\left(n\right)+j\hat{W}\left(n\right);$ j为虚数符号；

3)权向量W(n)的包络A(n)为： $A\left(n\right)=\sqrt{W^2\left(n\right)+{\hat{W}}^2\left(n\right)};$

4)得到包络A(n)中的最大值A_max和包络A(n)的均值A_mean，若A_max≥a×A_mean，则认为权向量W(n)峰值明显，反之峰值不明显，其中a为阈值，是大于1的常数。

从图2中可以看出，由于观测信号x₁(n)和x₂(n)没有相关成分，权向量没有明显峰值，权向量峰值包络检测直接给出检测结果：无泄漏。

本发明应用实例：

以一小孔泄漏信号为例，信号分别通过两个不同位置安放的加速度传感器在管道管壁上采集，信号的采样频率为4861Hz。将两信号x₁(n)和x₂(n)分别作为输入信号和参考信号输入自适应滤波器，其中自适应滤波器可选择最小均方自适应滤波器，自适应滤波器收敛时得到权向量W(n)，如图3所示；将该权向量W(n)作为图1中权向量峰值包络检测的输入，判断结果是：权向量W(n)峰值明显；于是，将权向量W(n)的包络A(n)作为图1中提取包络的一个邻域以外权向量值的输入，这里的信号处理步骤可为：

1)得到包络A(n)最大值A_max衰减3dB后的包络A(n)峰值所对应的权向量W(n)的抽头数n1和n2，其中，n1＜n2；

2)从n2开始，取出所有大于n2的抽头数所对应的权向量W′(n)。

如图4所示，取得的权向量W′(n)值在零值附近振荡，振荡过程不规则，振荡过程体现出一定的随机性，这表明管道泄漏声信号具有强随机性，“自身关联性”弱。将图4中的权向量W′(n)值作为权向量复杂度分析的输入，其中，权向量W′(n)复杂度分析可采用关联维数分析方法，预先给定模式维数m和相似容限r的值，具体计算过程如下

1)将得到的权向量W′(n)按序号连续组成m维向量，即

X(n)＝[W′(n)W′(n+τ)…W′(n+(m-1)τ)]

其中，n＝1，2，…，N-m+1，τ为设定的延迟，通常为1；

2)计算向量X(i)和X(j)间的距离，即

$d[X\left(i\right),X\left(j\right)]={\left\{\underset{k=0}{\overset{m-1}{\mathrm{\Σ}}}{(W^{\′}(i+\mathrm{k\τ})-W^{\′}(j+\mathrm{k\τ}))}^2\right\}}^{\frac{1}{2}}$

对每一个i计算X(i)与其余矢量X(j)(i，j＝1，2，…，N-m+1，i≠j)间的距离；

3)计算 $C_r=\frac{2\underset{i=1}{\overset{N-m+1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N-m+1}{\mathrm{\Σ}}}H(r-d[X\left(i\right),X\left(j\right)\left]\right)}{(N-m+1)\×(N-m)},$ 其中，H(·)函数为海威赛(Heavi-side)函数，C_r为关联积分函数，r为相似容限，d为向量X(i)和X(j)间的距离；

4)则权向量W′(n)的关联维数为： $D\left(m\right)=\underset{r\→0}{\lim }\left(\frac{\ln C_r}{\ln r}\right).$

将图3中的权向量W′(n)作为权向量复杂度分析的输入，计算出的权向量的复杂度为1.37。

同样，以一钻地噪声信号为例，其中，工地地钻点与管道间距离为10m，信号通过两个不同位置安放的加速度传感器在管道管壁上采集，信号的采样频率为4861Hz。将两加速度传感器采集的钻地噪声信号x₁(n)和x₂(n)输入自适应滤波器，经过相同处理后得到的权向量的复杂度为0.62。

在计算出待辨识信号的权向量复杂度值后引入决策算法，选定BP神经网络为决策算法，分别以已经确认了的真实泄漏信号和管内外非泄漏固定声源信号的复杂度值作为训练样本，将图4和图6中权向量W′(n)所计算得到的复杂度值作为BP神经网络输入辨识泄漏，从而判断管道泄漏是否发生。

综上所述，本发明方法可总结为如下步骤：

参见图1，对两邻近传感器获取的信号，1)将其中一个信号作为自适应滤波器的输入信号，另一个信号作为自适应滤波器的参考信号，进行最小均方自适应滤波处理，得到权向量；

2)对权向量进行峰值检测，如无明显峰值，则判断管道无泄漏；如存在明显峰值，转步骤3)；

3)对权向量进行峰值包络检测，取出权向量包络峰值一个邻域以外的部分，采用关联维数方法计算出取出部分的权向量复杂度值；

4)根据取出部分的权向量复杂度值，由BP神经网络判断管道是否发生泄漏。

本发明方法与其它方法的一些对比：表1(见后文)统计了管外固定声源噪声和泄漏信号辨识结果，从表1可以看出，当管外非泄漏固定声源噪声和泄漏信号不同时存在管道上时，LPCC+HMM、AR+SVM和相关分析结合近似熵方法的泄漏漏检率分别为25.0％、20.0％和5％，高于本发明方法的漏检率0％，LPCC+HMM、AR+SVM和相关分析结合近似熵方法的泄漏误检率分别为20.0％、15.0％和10％，高于本发明方法的误检率5.0％；表2(见后文)统计了管内非泄漏固定声源噪声和泄漏信号辨识结果，当管内非泄漏固定声源噪声和泄漏信号不同时存在管道上时，LPCC+HMM、AR+SVM和相关分析结合近似熵方法的泄漏漏检率分别为50.0％、45.0％和50.0％，高于本发明方法的漏检率10.0％，LPCC+HMM、AR+SVM和相关分析结合近似熵方法的泄漏误检率分别为60.0％、50.0％和60.0％，高于本发明方法的误检率10.0％。

表1管外固定声源噪声和泄漏信号辨识结果

表2管内固定声源噪声和泄漏信号辨识结果

Claims (2)

1.一种管道泄漏辨识方法，其特征在于：针对两个邻近传感器的观测信号，将其分别作为自适应滤波器的输入信号和参考信号，提取滤波器收敛时的权向量，该权向量是两观测信号相关函数的最优估计；滤波器收敛时的权向量存在峰值则判断管道可能泄漏，否则判断管道无泄漏；判断结果为管道可能泄漏时，计算该权向量包络峰值一个邻域以外部分的权向量复杂度值，将权向量复杂度值输入决策算法，最终确定管道是否为真实泄漏；

自适应滤波器采用最小均方自适应滤波器；

采用关联维数方法计算权向量复杂度值；

决策算法采用BP神经网络，且BP神经网络中预先输入有已经确认了的真实泄漏信号和管内外非泄漏固定声源信号的权向量复杂度值的训练样本。

2.根据权利要求1所述的一种管道泄漏辨识方法，其特征在于：该方法步骤为：

对两邻近传感器获取的信号，1)将其中一个信号作为自适应滤波器的输入信号，另一个信号作为自适应滤波器的参考信号，进行最小均方自适应滤波处理，得到权向量；

2)对权向量进行峰值检测，如无明显峰值，则判断管道无泄漏；如存在明显峰值，转步骤3)；

3)对权向量进行峰值包络检测，取出权向量包络峰值一个邻域以外的部分，采用关联维数方法计算出取出部分的权向量复杂度值；

4)根据取出部分的权向量复杂度值，由BP神经网络判断管道是否发生泄漏。

Images