CN105674065A - 一种基于变模式分解的声发射管道漏点定位方法 - Google Patents

Abstract

本发明提供了一种基于变模式分解的声发射管道漏点定位方法，步骤包括：利用安装于管道两端的声音传感器获取管道泄漏时所发射的声信号；分别对获取的两路声信号作变模式分解，并在分解过程中对各模式进行高斯平滑以实现消噪；对消噪处理后的两路声信号作互相关分析，从而获取两路声信号的时延估计；根据所获得的时延估计对漏点位置进行定位计算。本发明的管道漏点定位方法利用变模式分解方法对信号进行处理，可以在保留其本质特征的前提下，消除噪声对信号的干扰，并通过对滤波后的信号进行互相关分析，有效提高漏点定位精度。

Description

一种基于变模式分解的声发射管道漏点定位方法

技术领域

本发明涉及一种管道漏点的定位方法，尤其是一种基于变模式分解的声发射管道漏点定位方法。

背景技术

作为提高石油、水等资源的利用效率、减少社会经济损失、实现其可持续发展的重要手段，针对管道漏点的定位问题一直是人们研究的热点。常见的漏点定位方法可分为两大类：一类是传统的人工诊断方法，即由工作人员利用听音棒等工具对管道泄漏与否以及漏点位置进行判断。但该方法对工作人员的经验要求较高，同时具有易受环境干扰、测量误差大等特点。另一类是基于信号处理和数据分析的检测方法，通过对管道泄漏时所产生的压力波、管道出入口的流量变化、示踪气体、声音等信号进行检测、处理、传输等技术实现故障检测及定位。其中，基于泄漏声信号的漏点定位方法由于适用范围广，检测定位速度快，精度高，能够实现管道运行状态的在线实时检测，已成为当前主要的检测手段。其实质为利用传感器采集管道泄漏时所发射的声波，在对其产生机理进行分析的基础上，对信号的统计特性进行提取和分析，而后利用相关模型判断管道的漏点位置。

然而，在传感器进行声信号采集的过程中，不可避免的会存在各种噪声，噪声的存在将导致泄漏误判或定位错误。噪声的抑制及消除方法种类较多，传统的傅里叶分析和小波变换等时频分析方法本质上是以线性和平稳假设为基础的；而对于非线性、非平稳信号，则需要在不知道输入信号任何先验信息的前提下，依据其自身特点，自适应地进行噪声的抑制和消除。美国国家宇航局Huang等人提出了经验模式分解(EmpiricalModeDecomposition,EMD)，根据信号本身的局部特征时间尺度，自适应地将其分解为若干个有限的从瞬态尺度(高频)到粗糙尺度(低频)的本征模态函数之和，而后通过适当地舍弃其中的高频模态达到消噪的目的。然而，EMD模式分解的结果对极值点的寻找方法、估计载波包络的极值点插值方法，以及循环终止标准的设定等因素均有较大的依赖；此外，由于本征模态函数代表了信号的内在波动信息，但如何对其作合理的取舍，以达到在保留有效信号的前提下提高消噪效果，尚存在一定的困难。

发明内容

本发明要解决的技术问题是现有的漏点声信号采集过程中消噪效果差，导致管道漏点定位精度差。

为了解决上述技术问题，本发明提供了一种基于变模式分解的声发射管道漏点定位方法，包括如下步骤：

步骤1，利用安装于管道两端的声音传感器获取管道泄漏时所发射的声信号；

步骤2，分别对获取的两路声信号作变模式分解，根据预设分解模式数量K，将原始声信号分解为K个中心频率为ω_k的固有模态函数u_k，同时在分解过程中对各模式进行高斯平滑作消噪处理；

步骤3，对消噪处理后的两路声信号作互相关分析，从而获取两路声信号的时延估计；

步骤4，根据所获得的时延估计对漏点位置进行定位计算。

利用变模式分解方法对两路声信号进行处理，可以在保留泄漏点的声信号本质特征的前提下，消除噪声对声信号的干扰；与EMD信号处理方法对比，本发明的方法具有更高的鲁棒性，通过对滤波后的信号进行互相关分析，可以有效提高漏点定位精度；采用变模式分解方法可以根据实际信号的频段分布人为设定模态个数，进行模态估计，有效避免EMD方法中的信号过渡分解。

作为本发明的进一步限定方案，步骤2中，变模式分解的具体步骤为：

步骤2.1，当n＝0时，对{u_k}、{ω_k}以及λ进行初始化，其中，u_k和ω_k分别表示各个固有模态函数及其中心频率，λ为拉格朗日乘数；

步骤2.2，当n＝1时，令k＝1:K，分别对u_k、ω_k以及λ进行更新，具体更新步骤为：

步骤2.2.1，对于ω≥0，迭代更新u_k的值，具体迭代算法为：

${\hat{u}}_k^{n+1}\left(\mathrm{\&omega;}\right)=\frac{\hat{f}\left(\mathrm{\&omega;}\right)-{\mathrm{\&Sigma;}}_{i<k}{\hat{u}}_i^{n+1}\left(\mathrm{\&omega;}\right)-{\mathrm{\&Sigma;}}_{i>k}{\hat{u}}_i^n\left(\mathrm{\&omega;}\right)+\frac{{\widehat{\mathrm{\&lambda;}}}^n\left(\mathrm{\&omega;}\right)}{2}}{1+2\mathrm{\&alpha;}{(\mathrm{\&omega;}-{\mathrm{\&omega;}}_k^n)}^2}$

式中，K为分解模式数量，为声信号f的频谱，为固有模态函数u_k的频谱，为λ的频谱，α为收敛因子，用于数据保真约束；

步骤2.2.2，迭代更新ω_k的值，具体迭代算法为：

${\mathrm{\&omega;}}_k^{n+1}=\frac{{\&Integral;}_0^{\mathrm{\&infin;}}\mathrm{\&omega;}{\left|{\hat{u}}_k^{n+1}\left(\mathrm{\&omega;}\right)\right|}^{2}d\mathrm{\&omega;}}{{\&Integral;}_0^{\mathrm{\&infin;}}{\left|{\hat{u}}_k^{n+1}\left(\mathrm{\&omega;}\right)\right|}^{2}d\mathrm{\&omega;}};$

步骤2.2.3，迭代更新λ的值，具体迭代算法为：

${\widehat{\mathrm{\&lambda;}}}^{n+1}\left(\mathrm{\&omega;}\right)={\widehat{\mathrm{\&lambda;}}}^n\left(\mathrm{\&omega;}\right)+\mathrm{\&beta;}\left(\hat{f}\right(\mathrm{\&omega;})-\underset{k}{\&Sigma;}{\hat{u}}_k^{n+1}(\mathrm{\&omega;}\left)\right)$

式中，β为拉格朗日乘数的更新系数；

步骤2.3，当n＝n+1时，重复执行步骤2.2，直到满足以下迭代停止条件：

$\underset{k}{\&Sigma;}\left|\right|u_k^{n+1}-u_k^n|{|}_2^2/|\left|u_k^n\right|{|}_2^2<\mathrm{\&epsiv;}$

其中，ε为收敛门限。

采用对u_k、ω_k以及λ进行更新迭代的方式进行各模态函数及其中心频率的更新，有效避免了模态混叠，具有更高的鲁棒性，能够有效增强消噪效果，进一步提高了漏点定位精度。

作为本发明的进一步限定方案，步骤2.1中，u_k的初始化为ω_k的初始化为λ的初始化为λ¹＝0。u_k、ω_k以及λ的初始值可以随机设置，但是为了避免迭代遗漏，将全部初始值设置为0为优选方案。

作为本发明的进一步限定方案，步骤2.2.1中，分解模式数量K与待处理信号频谱中所包含的峰值数量一致，收敛因子α设置为2000。对分解模式数量和收敛因子进行设置，能够有效控制算法的复杂度，提高漏点定位的效率。

作为本发明的进一步限定方案，步骤2.3中，收敛门限ε设置为10^-7。对收敛门限进行限定，能够有效控制算法的复杂度，提高漏点定位的效率。

作为本发明的进一步限定方案，步骤3中，获取两路声信号的时延估计的具体步骤为：

步骤3.1，设定两端的声音传感器所采集的声信号分别为f_A和f_B，则其互相关函数可以表示为：

$R_{f_A{f}_B}\left(m\right)=E\&lsqb;f_A\left(n\right)f_B(n+m)\&rsqb;$

步骤3.2，利用相关函数的最大值求取两路信号的时延估计为：

$\widehat{\mathrm{\&tau;}}=\underset{\mathrm{\&tau;}}{\arg max}\left\{R_{f_A{f}_B}\left(m\right)\right\}.$

通常应用于管道漏点定位的时延估计方法主要包括：互相关、相位谱时延估计、自适应时延估计等方法。其中，直接互相关法属于最传统的时延估计方法，其应用也较为普遍。其实质就是直接计算两检测信号的互相关函数，而相关函数取最大值时所对应的τ，就是两路信号的时延估计。

作为本发明的进一步限定方案，步骤4中，利用时延估计进行定位计算的具体步骤为：

步骤4.1，设定两路声信号f_A和f_B分别表示为：

f_A(t)＝f(t)+w₁(t)

式中，w₁和w₂为加性高斯噪声，f_A、f_B、w₁以及w₂两两不相关，是声信号经不同路径传播后的信号衰减之比；

步骤4.2，设定漏点与两端声音传感器之间的距离分别为D₁和D₂，声信号在管道内介质中的传播速度为v，则满足下列关系式：

$\frac{D_2-D_1}{v}=\mathrm{\&tau;}$

D₁+D₂＝D

式中，D为两端声音传感器的管道距离；

步骤4.3，利用两路声信号的时延估计计算出漏点距其中一个声音传感器的距离为：

${\hat{D}}_1=\frac{D-v\&times;\widehat{\mathrm{\&tau;}}}{2}.$

本发明的有益效果在于：(1)利用变模式分解方法对两路声信号进行处理，可以在保留泄漏点的声信号本质特征的前提下，消除噪声对声信号的干扰；(2)与EMD信号处理方法对比，本发明的方法具有更高的鲁棒性，通过对滤波后的信号进行互相关分析，可以有效提高漏点定位精度；(3)采用变模式分解方法可以根据实际信号的频段分布人为设定模态个数，进行模态估计，有效避免EMD方法中的信号过渡分解。

附图说明

图1为本发明的定位方法流程图；

图2a和2b分别为本发明的两端声音传感器A和B采集的声音信号图；

图3为本发明的基于时延估计的管道漏点定位原理图；

图4a和4b分别为两路泄漏声信号经变模式分解后的模式示意图；

图5a和5b分别为两路信号经变模式分解前和分解后所得互相关函数。

具体实施方式

如图1所示，本发明基于变模式分解的声发射管道漏点定位方法，包括如下步骤：

步骤1，利用安装于管道两端的声音传感器获取管道泄漏时所发射的声信号，两端的声音传感器所采集的两路声信号波形如图2a和2b所示，横坐标n为采集信号的样本点数，纵坐标A为信号幅值；

步骤2，分别对获取的两路声信号作变模式分解，根据预设分解模式数量K，将原始声信号分解为K个中心频率为ω_k的固有模态函数u_k，同时在分解过程中对各模式进行高斯平滑作消噪处理；

步骤3，对消噪处理后的两路声信号作互相关分析，从而获取两路声信号的时延估计；

步骤4，根据所获得的时延估计对漏点位置进行定位计算。

为了进一步表明本发明采用的变模式分解，首先定义变模式分解中的固有模态函数为：

式中，相位函数为非单调递减函数，且需满足包络A_k(t)为非负数，同时，包络A_k(t)与瞬时频率的变化速度需远小于相位变化速度，则步骤2中，变模式分解的具体步骤为：

步骤2.1，当n＝0时，对{u_k}、{ω_k}以及λ进行初始化，其中，u_k和ω_k分别表示各个固有模态函数及其中心频率，λ为拉格朗日乘数，u_k、ω_k以及λ的初始值可以随机设置，但是为了避免迭代遗漏，将u_k的初始化为ω_k的初始化为λ的初始化为λ¹＝0；

步骤2.2，当n＝1时，令k＝1:K，分别对u_k、ω_k以及λ进行更新，具体更新步骤为：

步骤2.2.1，对于ω≥0，迭代更新u_k的值，具体迭代算法为：

${\hat{u}}_k^{n+1}\left(\mathrm{\&omega;}\right)=\frac{\hat{f}\left(\mathrm{\&omega;}\right)-{\mathrm{\&Sigma;}}_{i<k}{\hat{u}}_i^{n+1}\left(\mathrm{\&omega;}\right)-{\mathrm{\&Sigma;}}_{i>k}{\hat{u}}_i^n\left(\mathrm{\&omega;}\right)+\frac{{\widehat{\mathrm{\&lambda;}}}^n\left(\mathrm{\&omega;}\right)}{2}}{1+2\mathrm{\&alpha;}{(\mathrm{\&omega;}-{\mathrm{\&omega;}}_k^n)}^2}$

式中，K为分解模式数量，为声信号f的频谱，为固有模态函数u_k的频谱，为λ的频谱，α为收敛因子，用于数据保真约束；

步骤2.2.2，迭代更新ω_k的值，具体迭代算法为：

${\mathrm{\&omega;}}_k^{n+1}=\frac{{\&Integral;}_0^{\mathrm{\&infin;}}\mathrm{\&omega;}{\left|{\hat{u}}_k^{n+1}\left(\mathrm{\&omega;}\right)\right|}^{2}d\mathrm{\&omega;}}{{\&Integral;}_0^{\mathrm{\&infin;}}{\left|{\hat{u}}_k^{n+1}\left(\mathrm{\&omega;}\right)\right|}^{2}d\mathrm{\&omega;}};$

步骤2.2.3，迭代更新λ的值，具体迭代算法为：

${\widehat{\mathrm{\&lambda;}}}^{n+1}\left(\mathrm{\&omega;}\right)={\widehat{\mathrm{\&lambda;}}}^n\left(\mathrm{\&omega;}\right)+\mathrm{\&beta;}\left(\hat{f}\right(\mathrm{\&omega;})-\underset{k}{\&Sigma;}{\hat{u}}_k^{n+1}(\mathrm{\&omega;}\left)\right)$

式中，β为拉格朗日乘数的更新系数；

步骤2.3，当n＝n+1时，重复执行步骤2.2，直到满足以下迭代停止条件：

$\underset{k}{\&Sigma;}\left|\right|u_k^{n+1}-u_k^n|{|}_2^2/|\left|u_k^n\right|{|}_2^2<\mathrm{\&epsiv;}$

其中，ε为收敛门限。

长期以来，时延估计在目标定位问题中具有较大的应用价值。通常应用于管道漏点定位的时延估计方法主要包括：互相关、相位谱时延估计、自适应时延估计等方法。其中，直接互相关法属于最传统的时延估计方法，其应用也较为普遍。其实质就是直接计算两检测信号的互相关函数，而相关函数取最大值时所对应的τ，就是两路信号的时延估计，则步骤3中，获取两路声信号的时延估计的具体步骤为：

步骤3.1，设定两端的声音传感器所采集的声信号分别为f_A和f_B，则其互相关函数可以表示为：

$R_{f_A{f}_B}\left(m\right)=E\&lsqb;f_A\left(n\right)f_B(n+m)\&rsqb;$

步骤3.2，利用相关函数的最大值求取两路信号的时延估计为：

$\widehat{\mathrm{\&tau;}}=\underset{\mathrm{\&tau;}}{\arg max}\left\{R_{f_A{f}_B}\left(m\right)\right\}.$

本发明所用的基于时延估计的漏点定位原理如图3所示，f为管道泄漏时所产生的声信号，该信号将以一定的波速v沿着管道传播，则步骤4中，利用时延估计进行定位计算的具体步骤为：

步骤4.1，设定两路声信号f_A和f_B分别表示为：

f_A(t)＝f(t)+w₁(t)

式中，w₁和w₂为加性高斯噪声，f_A、f_B、w₁以及w₂两两不相关，是声信号经不同路径传播后的信号衰减之比；

步骤4.2，设定漏点与两端声音传感器之间的距离分别为D₁和D₂，声信号在管道内介质中的传播速度为v，则满足下列关系式：

$\frac{D_2-D_1}{v}=\mathrm{\&tau;}$

D₁+D₂＝D

式中，D为两端声音传感器的管道距离；

步骤4.3，利用两路声信号的时延估计计算出漏点距其中一个声音传感器的距离为：

${\hat{D}}_1=\frac{D-v\&times;\widehat{\mathrm{\&tau;}}}{2}.$

如图4a和4b所示，进行变模式分解时各参数设置如下：如前所述，由于初始值可以随机设置，故将u_k、ω_k以及λ的初始值均设为0；分解模式数量K与待处理信号频谱中所包含的峰值数量一致，本实施例根据所采集声信号频谱所包涵的峰值个数，将分解模式数K设置为3；收敛因子α＝2000；收敛门限ε＝10^-7；设拉格朗日乘数的更新系数β＝0。如图可见，原始信号被分解为中心频率分别为ω₁,ω₂,ω₃的3个固有模态函数，由其叠加组合成新的信号，可以达到消除噪声的效果。

如图5a和5b所示，两路传感器所采集的泄漏声信号经过变模式分解后将滤除噪声，可以有效提高延时估计的精度，从而进一步提高延时估计的精度。以供水管道为例对本发明中的方法进行了实验，具体条件如下：用来进行测试的供水管道为铸铁材料，管道内径100mm,壁厚7.5mm。经查表可得，声波在管道内的传播速度为1250m/s。两传感器之间的距离为66m，漏点位置距传感器A的距离为18m。根据仿真结果，对获取的原始数据作互相关，估计时延为τ＝32ms，从而计算得漏点距传感器A的距离为13m，相对估计误差σ＝27.8％；对原始信号作变模式分解后，估计时延为τ＝24.8ms，漏点距传感器A的距离为17.5m，相对估计误差σ＝2.78％，漏点的估计精度提高了90％。

Claims (7)

1.一种基于变模式分解的声发射管道漏点定位方法，其特征在于，包括如下步骤：

步骤1，利用安装于管道两端的声音传感器获取管道泄漏时所发射的声信号；

步骤2，分别对获取的两路声信号作变模式分解，根据预设分解模式数量K，将原始声信号分解为K个中心频率为ω_k的固有模态函数u_k，同时在分解过程中对各模式进行高斯平滑作消噪处理；

步骤3，对消噪处理后的两路声信号作互相关分析，从而获取两路声信号的时延估计；

步骤4，根据所获得的时延估计对漏点位置进行定位计算。

2.根据权利要求1所述的基于变模式分解的声发射管道漏点定位方法，其特征在于，步骤2中，变模式分解的具体步骤为：

步骤2.1，当n＝0时，对{u_k}、{ω_k}以及λ进行初始化，其中，u_k和ω_k分别表示各个固有模态函数及其中心频率，λ为拉格朗日乘数；

步骤2.2，当n＝1时，令k＝1:K，分别对u_k、ω_k以及λ进行更新，具体更新步骤为：

步骤2.2.1，对于ω≥0，迭代更新u_k的值，具体迭代算法为：

${\hat{u}}_k^{n+1}\left(\mathrm{\&omega;}\right)=\frac{\hat{f}\left(\mathrm{\&omega;}\right)-{\&Sigma;}_{i<k}{\hat{u}}_i^{n+1}\left(\mathrm{\&omega;}\right)-{\&Sigma;}_{i>k}{\hat{u}}_i^n\left(\mathrm{\&omega;}\right)+\frac{{\widehat{\mathrm{\&lambda;}}}^n\left(\mathrm{\&omega;}\right)}{2}}{1+2\mathrm{\&alpha;}{(\mathrm{\&omega;}-{\mathrm{\&omega;}}_k^n)}^2}$

式中，K为分解模式数量，为声信号f的频谱，为固有模态函数u_k的频谱，为λ的频谱，α为收敛因子，用于数据保真约束；

步骤2.2.2，迭代更新ω_k的值，具体迭代算法为：

${\mathrm{\&omega;}}_k^{n+1}=\frac{{\&Integral;}_0^{\mathrm{\&infin;}}\mathrm{\&omega;}|u_k^{n+1}\left(\mathrm{\&omega;}\right){|}^{2}d\mathrm{\&omega;}}{{\&Integral;}_0^{\mathrm{\&infin;}}|{\hat{u}}_k^{n+1}\left(\mathrm{\&omega;}\right){|}^{2}d\mathrm{\&omega;}};$

步骤2.2.3，迭代更新λ的值，具体迭代算法为：

${\widehat{\mathrm{\&lambda;}}}^{n+1}\left(\mathrm{\&omega;}\right)={\widehat{\mathrm{\&lambda;}}}^n\left(\mathrm{\&omega;}\right)+\mathrm{\&beta;}\left(\hat{f}\right(\mathrm{\&omega;})-\underset{k}{\&Sigma;}{\hat{u}}_k^{n+1}(\mathrm{\&omega;}\left)\right)$

式中，β为拉格朗日乘数的更新系数；

步骤2.3，当n＝n+1时，重复执行步骤2.2，直到满足以下迭代停止条件：

$\underset{k}{\&Sigma;}\left|\right|u_k^{n+1}-u_k^n|{|}_2^2/|\left|u_k^n\right|{|}_2^2<\mathrm{\&epsiv;}$

其中，ε为收敛门限。

3.根据权利要求2所述的基于变模式分解的声发射管道漏点定位方法，其特征在于，步骤2.1中，u_k的初始化为ω_k的初始化为λ的初始化为λ¹＝0。

4.根据权利要求2所述的基于变模式分解的声发射管道漏点定位方法，其特征在于，步骤2.2.1中，分解模式数量K与待处理信号频谱中所包含的峰值数量一致，收敛因子α设置为2000。

5.根据权利要求2所述的基于变模式分解的声发射管道漏点定位方法，其特征在于，步骤2.3中，收敛门限ε设置为10^-7。

6.根据权利要求1所述的基于变模式分解的声发射管道漏点定位方法，其特征在于，步骤3中，获取两路声信号的时延估计的具体步骤为：

步骤3.1，设定两端的声音传感器所采集的声信号分别为f_A和f_B，则其互相关函数可以表示为：

$R_{f_A{f}_B}\left(m\right)=-E\&lsqb;f_A\left(n\right)f_B(n+m)\&rsqb;$

步骤3.2，利用相关函数的最大值求取两路信号的时延估计为：

$\widehat{\mathrm{\&tau;}}=\underset{\mathrm{\&tau;}}{\mathrm{argmax}}\left\{R_{f_A{f}_B}\left(m\right)\right\}.$

7.根据权利要求6所述的基于变模式分解的声发射管道漏点定位方法，其特征在于，步骤4中，利用时延估计进行定位计算的具体步骤为：

步骤4.1，设定两路声信号f_A和f_B分别表示为：

f_A(t)＝f(t)+w₁(t)

式中，w₁和w₂为加性高斯噪声，f_A、f_B、w₁以及w₂两两不相关，是声信号经不同路径传播后的信号衰减之比；

步骤4.2，设定漏点与两端声音传感器之间的距离分别为D₁和D₂，声信号在管道内介质中的传播速度为v，则满足下列关系式：

$\frac{D_2-D_1}{v}=\mathrm{\&tau;}$

D₁+D₂＝D

式中，D为两端声音传感器的管道距离；

步骤4.3，利用两路声信号的时延估计计算出漏点距其中一个声音传感器的距离为：

${\hat{D}}_1=\frac{D-v\&times;\widehat{\mathrm{\&tau;}}}{2}.$