CN104132250A - 一种基于改进小波包的管道泄漏特征向量提取方法 - Google Patents

Abstract

本发明一种基于改进小波包的管道泄漏特征向量提取方法，涉及信号特征提取技术领域。本发明的第一步至第三步为信号的获取与去噪处理，第四步为采用改进小波包算法重构单子带信号，后面两步为特征向量的提取；为克服传统小波包算法的缺点，本发明提出了改进小波包算法，结合信号的延拓方式和卷积后的信号处理方式这两点进行改进；改进后的算法采用抛物线延拓方式，在卷积后的信号处理方式上采用了FFT和IFFT；实验结果表明改进后的算法能够克服传统算法在重构单子带信号时产生多余频率成分的现象，准确重构出泄漏特征信号和提取特征向量，大大提高检测的准确率，降低误报率，也为后续定位精度的提高打下基础。

Description

一种基于改进小波包的管道泄漏特征向量提取方法

技术领域

本发明涉及信号特征提取技术领域，具体指一种基于改进小波包的管道泄漏特征向量提取方法。

背景技术

在石油、化工、天然气等行业中，燃气管道泄漏严重影响了生产的正常进行，对环境造成了污染，甚至会带来安全事故。

声发射也称为应力波发射是指材料局部因能量的快速释放而发出瞬态弹性波的一种常见的物理现象,大多数材料变形和断裂时有声发射现象产生。声发射检测是一种重要的管道泄漏无损检测方法，它检测速度快、灵敏度高、工作强度低。管道泄漏声发射检测需要从声发射信号里提取出一些时频域的特征参数，将这些参数组成特征向量并输入到判决函数，通过判决函数的输出来判断管道是否泄漏。

特征向量的提取通常采用小波包算法进行。小波包变换不仅具有在时频两域表征信号局部特性的能力，而且适用于弱信号的提取以及非平稳信号的分析。

现有文献一般采用传统小波包算法来分解采集的声发射信号和重构单子带信号，并基于重构的单子带信号提取构成特征向量的特征参数。但由于小波滤波器的非理想特性以及上采样和下采样所带来的频谱拓展和压缩，重构后的单子带信号会混有多余的频率分量，从单子带信号里提取出的特征向量并不准确，将这样的特征向量输入到判决函数后会引起误报警，大大降低了泄漏检测的准确率，并且也会造成后续的泄漏点定位精度不高。

发明内容

本发明的目的在于克服现有技术存在的缺失和不足，提出一种基于改进小波包的管道泄漏特征向量提取方法。

通过对比分析选择3到8个时频域参数组成特征向量，然后采用本发明提出的改进小波包算法对实验采集到的声发射信号进行分解与重构，从重构出的单子带信号中提取出特征向量，最后对实验结果进行比较分析。

1.一种基于改进小波包的管道泄漏特征向量提取方法，通过计算机，包括以下步骤：

第一步，获取信号；

所述的获取，是指将传感器安装在管道上，通过传感器来采集数据，然后将传感器采集的数据进行放大处理；

第二步，对获取的信号进行分段处理，从每段信号里提取出一些基本的时域参数(如均值、方差、信号累积值和峰值等)，通过相邻段信号的上述参数值的差值来判断是否有疑似泄漏的情况发生，若有则继续往下去执行，否者，跳到第一步去执行，这为第一层决策判断；

信号累积值定义：假设某一段的信号为x(m),m＝0,1,…,N-1。N为数据长度，则该段信号的累积值为

第三步，用本发明提出的改进小波包算法对信号进行去噪；

第四步，利用改进小波包算法对采集的信号进行小波包分解与重构，得到单子带重构信号；

第五步，从重构的信号里提取一些常见的表示信号特征的参数，例如时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数等；

参数定义：假设某一段的信号为x(m),m＝0,1,…,N-1；N为数据长度，则均值： $\stackrel{\‾}{X}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i,$ 均方根值： $\mathrm{\σ}={\left[\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2\right]}^{\frac{1}{2}},$ 偏斜系数： $K_3=\sqrt{\frac{1}{6N}}\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{x(t_i-\stackrel{\‾}{X})}{{\mathrm{\σ}}_x}\right]}^3,$ 峰态系数： $K_4=\sqrt{\frac{1}{24N}}[\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{x\left(t_i\right)-\stackrel{\‾}{X}}{{\mathrm{\σ}}_x}\right)}^4-3],$ 时域能量： $\mathrm{ET}={\∫\left|x\left(t\right)\right|}^2\mathrm{dt}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|x_i\right|}^2,$ 频域能量： $\mathrm{EF}={\∫\left|F\left(f\right)\right|}^2\mathrm{df}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|F_i\right|}^2,$ F_i为x(m)傅里叶变换的频谱值；

第六步，利用主成分分析方法，结合实验分析，从上述参数中选择3-8个能明显表示声发射信号特征的参数来组成特征向量；

将这些特征向量输入到支持向量机里进行决策判断，称为第二层决策判断，根据支持向量机的输出判断是否有泄漏发生。

2.改进小波包算法。

小波包分解与重构是通过信号与小波滤波器进行卷积实现的。一维离散信号与小波滤波器进行卷积运算，当边界有效数据的长度不及小波滤波器长度而造成无法进行有效的运算时，工程中会对原始数据进行延拓操作来满足卷积运算的要求。

传统小波包分解采用对称延拓方式，信号延拓部分的数据与信号延拓端数据对称。假设x(m),m＝0,1,…,N-1为给定一维离散信号，N为信号长度，滤波器长度为L。x(m)经延拓后成为：对称延拓方式得到的低频系数前端和后端会产生较大的跃变，与原始信号不能保持相对一致，得到的数据误差较大，而且其高频系数的极值分布与原始信号的极值分布不一致。通过实验分析发现抛物线延拓方式得到的小波包分解系数能够与原信号保持相对一致。

传统的小波包算法中，由于小波滤波器的非理想特性、上采样和下采样所带来的频谱拓展和压缩，使得获得的单子带重构信号中均含有多余的频率分量。通过实验分析发现在进行信号的分解与重构时，对小波包高低频系数均采用了FFT变换和IFFT变换，这样可以消除重构单子带信号中多余的频率成分。基于以上分析，本发明提出一种改进小波包算法来重构含有泄漏特征的单子带信号，算法步骤如下：

(1)信号延拓,对小波包分解的各层信号进行抛物线延拓；

设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：

$\left\{\begin{array}{c}x(a-1)=3x\left(a\right)-3x(a+1)+x(a+2)\\ x(a+3)=3x(a+2)-3x(a+1)+x\left(a\right)\end{array}\right.---\left(1\right)$

(2)消去单子带多余频率成分；

将延拓后的信号与分解低通滤波器h₀卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g₀卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子如式(2)所示，LF-cut-IF算子如式(3)所示；

在(2)、(3)式中，x(n)为在2^j尺度上小波包的系数，N_j表示在2^j尺度上数据的长度，k＝0,1,…,N_j-1；n＝0,1,…,N_j-1；

(3)单子带信号重构；

将得到的高、低频系数进行上采样，然后分别与高通重建滤波器g₁和低通重建滤波器h₁卷积，将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理，得到单子带重构信号。

本发明改进小波包算法能够克服传统小波包算法在重构单子带信号时产生多余频率成分的现象，准确获取单子带重构信号，提取特征向量，提高管道泄漏检测决策判断的准确率，有效的减少误报警的次数，提高泄漏点定位的精度，为管道泄漏检测和定位提供了一种更为有效的方法。

另外采用两层决策的方法可以节约系统检测的时间，提高系统的检测效率。

附图说明

图1为本发明的一个实施例的管路检测系统原理结构示意图；

图2为本发明的声发射检测系统结构示意图；

图3为本发明的改进小波包算法流程框图；

图4为本发明一种基于改进小波包的管道泄漏特征向量提取方法流程框图；

图5为本发明的传感器采集的泄漏和无泄漏情况下的信号频谱图；

图6为本发明的改进小波包算法和传统小波包算法的实验结果对比图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述

本发明结合管网系统和声发射信号采集系统，然后借助上位机软件进行分析，最后需要依据本发明所述的原理等等编写程序，计算机运行这些程序来提取特征向量。

以下对与本发明相关的实验设备、本发明以及实验结果进行介绍、解释和进一步的说明。

为了提高数据的采集传输效能，声发射系统中的计算机的操作系统应为32位或64位，尽可能采用高主频多核心的CPU，内存1GB以上、硬盘300G以上。

管路检测系统原理结构(如附图1所示)。在附图1中，空气压缩机为整个管路系统提供气源，球阀V1控制整个管路系统的开断，V1打开后，空压机里出来的高压气流经过减压阀U1后变成低压气流，流向整个后续的管路系统，压力表P1显示U1后管路的压力值，通过观察这个值，可以知道U1后的压力是否稳定在设定的值，通过改变可调电动阀W1的开度来改变管道内的流量，I1为流量计,通过调节W1和I1，我们可以达到改变管道内流量的目的。压力表P2用来显示减压阀U2前的压力值，通过它的值来判断U2前的压力是否稳定，通过上述器件的作用，使管路AB段内的气流处于一个稳态的流通状态。通过针形阀来模拟管道泄漏，调节针形阀的开度可以控制泄漏孔的大小，传感器安装在泄漏孔的两端。

声发射检测系统结构(如附图2所示)，实验平台所采用的声发射系统为北京声华兴业科技有限公司的SAEU2S声发射系统，声发射系统是由多个平行的检测通道构成的系统，每一通道测量部件包括声发射传感器、前置放大器及采集卡。

改进小波包算法流程(如附图3所示)。附图中E为延拓算子，其表达式如式(1)所示。h₀、g₀是分解低、高通滤波器，h₁、g₁是重构低、高通滤波器，↓2、↑2分别表示为下采样和上采样。设有时间序列信号f(n)，信号长度为N，S_j ⁱ(n)表示第j层上的第i个节点的小波包系数，其中f(n)＝S₀ ⁰(n)，称为源信号，经过分解滤波器所得到的和为单子带信号，对单子带信号进行重构，就得到单子带重构信号，如图3中重构后的和

一种基于改进小波包的管道泄漏特征向量提取方法流程(如附图4所示)，它包括数据采集、第一层决策判断、改进小波包去噪、改进小波包重构单子带信号、提取特征参数和主成分筛选特征参数和生成特征向量等，其中最为关键的是改进小波包重构单子带信号，它为特征向量的准确提取以及后续的分析创造了良好的条件。

传感器采集的泄漏和无泄漏情况下的信号频谱图(如附图5所示)，经过比较可以发现，有、无泄漏时信号的频谱差别主要集中在64khz附近，这一频段的信号对泄漏检测和定位的作用都非常大，是进行特征向量提取的重要频段。

传统小波包算法提取的特征参数与采用改进小波包算法提取的特征参数的对比(如附图6所示)。选用db10小波对采集的信号进行3层分解，然后进行重构，这样能够得到8个节点(节点0-7)的单子带重构信号，它们的频率间隔为12.5khz，泄漏前后的信号差异主要集中在62.5-75khz这个频段，它属于节点7的单子带重构信号，从它里面提取出来的特征参数在泄漏前后应有较大的区别；另外节点3的单子带重构信号的频率范围是25-37.5kHz，节点6的单子带重构信号的频率范围是50-62.5kHz,这两个节点的重构单子带信号在泄漏前后是没有区别，所以从这两个单子带重构信号里提取的特征参数在泄漏前后应该没有区别。附图6中的(a)、(b)、(c)、(d)和(e)分别表示节点3、6和7的单子带重构信号在泄漏前后的时域能量、频域能量、峰态系数、频域峰值和方差。其中实线表示采用传统算法在无泄漏情况下提取的参数，虚线表示采用传统算法在有泄漏情况下提取的参数，带加号的曲线表示采用改进算法在无泄漏情况下提取的参数，带三角形的曲线表示采用改进算法在有泄漏情况下提取的参数。根据前面的分析可知节点3、6单子带重构信号的特征参数在泄漏前后应基本上不发生变化，但从图6中可以发现，传统算法提取的这两个单子带信号的参数在泄漏前后有较大的差异，这是由于传统算法重构信号时存在混频造成的；相反，改进算法提取的泄漏前后信号参数基本上没有差异；另外，传统算法提取的特征参数与改进算法提取的参数在幅值上有一些差别，这也是由于传统算法重构信号时的混频造成的，由此可见，改进后的算法很好地消除了信号重构时产生的混频现象，提高了泄漏检测的准确率。节点7的单子带信号在泄漏前后有较大的差异，因此提取的泄漏前后特征参数也应该有较大的差异，从图6中可以看到，采用新算法提取的泄漏特征参数在泄露前后有非常大的差异，这表明新算法能够准确提取出特征向量，为管道泄漏检测提供可靠依据。

本发明的一个实施例实其施步骤如下：

第一步,将4个声发射传感器安装在泄漏孔两边的管道上，一边两个，然后将传感器依次连接前置放大器和声发射采集卡，最后将声发射采集卡通过USB线与电脑相连，配置好数据采集的软件环境。

声发射采集系统的硬件与软件为北京声华兴业科技有限公司的SAEU2S声发射系统采集，计算机采用的是ThinkPad E430计算机。

第二步,打开空气压缩机为管网提供气源，通过调节减压阀使管道内的气压处在设定的值。

空压机是上海宝欧机电有限公司的OTS-1100×2-60L无油活塞式空压机。空气压缩机的出口压力为0.8MPa，通过调节图1中的U1减压阀使管道输入端的压力为0.4MPa，通过调节图1中的减压阀U2使管道输出端的大气压为0.3MPa，运行一段时间后，管道AB段内的气压处于稳定的状态。

第三步,待管路AB段的气压平稳后，设置SAEU2S声发射系统采集软件开始采集信号。

设置SAEU2S声发射系统采集软件主要包括设置采样频率、采样通道数，将采集卡的采集频率设定在200kHz，12000个点为一段信号。传感器首先采集的是没有泄漏时的信号，待采集2分钟后，迅速打开图1中的针形阀，模拟泄漏发生，数据采集卡继续采集数据，此时采集的为泄漏时的信号。

第四步,当在有泄漏的情况下采集达到2分钟后，停止声发射采集系统软件，停止采集数据，然后关掉空气压缩机，打开图1中的球阀V3，将管路中的空气排放掉。

到这一步就完成了整个信号的采集，下面就需要分析信号，提取特征向量。

第五步,通过SAEU2S声发射系统采集软件将采集到的数据导出来并保存为txt格式。

此处导出的数据仍是按分段进行的，即每段数据仍是12000个点。

第六步,结合MATLAB,对第五步导出的无泄漏情况下的信号进行分析，提取各段信号的均值(A)、方差(V)、信号的累积值(S)和峰值(P)这4个参数，然后通过对比相邻段信号4个参数的值，得到一系列相邻段信号4种参数的差值，分别选取每种参数最大的差值作为阈值，将它们分别记为thr_A、thr_V、thr_S和thr_P。

第七步,利用MATLAB对第五步导出的所有数据进行分析，提取各段信号的均值、方差、各段信号的累积值和峰值，通过对比相邻段信号的这些参数的差值是否超过第六步得到的阈值来判断是否有疑似泄漏的情况发生，若有则跳到第八步去执行，否者，提取下一段数据的均值、方差、信号的累积值和峰值进行分析。

第八步,利用改进小波包算法对信号进行去噪。若发现某一相邻段的参数差值都超过了阈值，就用改进小波包对这两段信号进行去噪，此处选用的是db10小波包，采用的是软阈值去噪方式。

第九步,利用改进小波包算法来对去噪后的信号进行小波包分解与重构，然后从单子带重构信号里提取特征参数。

此处选用的是db10小波包，对信号进行三层分解与重构，得到8个单子带重构信号，然后从得到的单子带重构信号里提取时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数。

第十步,结合所得的参数，利用主成分分析的方法从上述8个参数中选择5个参数组成特征向量。

第十一步,将特征向量输入到支持向量机进行决策判断，结束。

综上所述，本发明的第一步至第三步为信号的获取与去噪处理，第四步为采用改进小波包算法重构单子带信号，后面两步为特征向量的提取。改进小波包算法能够克服传统小波包算法在重构单子带信号时产生多余频率成分的现象，准确获取单子带重构信号，提取特征向量，提高管道泄漏检测决策判断的准确率，有效的减少误报警的次数，提高泄漏点定位的精度，为管道泄漏检测和定位提供了一种更为有效的方法。此外采用两层决策的方法可以节约系统检测的时间，提高系统的检测效率。

Claims (3)

1.一种基于改进小波包的管道泄漏特征向量提取方法，其特征在于，包括步骤：

A.获取信号；

B.信号进行分段处理；

C.小波包去噪；

D.小波包分解与重构；

E.提取信号特征参数；

F.组成特征向量。

2.如权利要求1所述的一种基于改进小波包的管道泄漏特征向量提取方法，其特征在于，所述步骤A，获取信号，是指通过安装在管道上传感器采集数据并对信号进行放大处理；

所述步骤B，对获取的信号进行分段处理，即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数，通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断：若有则往下执行步骤C，否者，跳到执行步骤A；

所述步骤C，小波包去噪，即利用改进小波包算法对采集的信号进行去噪；

所述步骤D，小波包分解与重构，即利用改进小波包算法对采集的信号进行小波包分解与重构，得到单子带重构信号；

所述步骤E，提取信号特征参数，即从重构的单子带信号里提取：时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数；

所述步骤F，组成特征向量，即利用主成分分析方法，结合实验分析，从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量，并将这些特征向量输入到支持向量机进行决策判断，即第二层决策判断，根据支持向量机的输出判断是否有泄漏发生。

3.如权利要求1、2所述的一种基于改进小波包的管道泄漏特征向量提取算法，其特征是，所述步骤C、D改进小波包算法，包括：

C1.信号延拓，对小波包分解的各层信号进行抛物线延拓；

设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：

$\left\{\begin{array}{c}x(a-1)=3x\left(a\right)-3x(a+1)+x(a+2)\\ x(a+3)=3x(a+2)-3x(a+1)+x\left(a\right)\end{array}\right.---\left(1\right)$

C2.消去单子带多余频率成分；

将延拓后的信号与分解低通滤波器h₀卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g₀卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子如式(2)所示，LF-cut-IF算子如式(3)所示；

在(2)、(3)式中，x(n)为在2^j尺度上小波包的系数，N_j表示在2^j尺度上数据的长度，k＝0，1，…，N_j-1；n＝0，1，…，N_j-1；

C3.单子带信号重构：

将得到的高、低频系数进行上采样，然后分别与高通重建滤波器g₁和低通重建滤波器h₁卷积，将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理，得到单子带重构信号。