CN105844051A

CN105844051A - 一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法

Info

Publication number: CN105844051A
Application number: CN201610223846.0A
Authority: CN
Inventors: 吴波; 毛嘉; 马娜; 鲁方林; 何风行; 崔文; 于剑锋
Original assignee: Shanghai Advanced Research Institute of CAS
Current assignee: Shanghai Advanced Research Institute of CAS
Priority date: 2016-04-12
Filing date: 2016-04-12
Publication date: 2016-08-10
Anticipated expiration: 2036-04-12
Also published as: CN105844051B

Abstract

本发明提供一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，所述检测方法包括：提供待测管道的负压波信号样本数据，采用反演方法学习训练时空变异算子拟合数学模型；比较该模型的参数与负压波信号样本数据；采用参数化协作的方法进行稀疏编码，实现过完备字典的训练学习；对稀疏编码的编码误差进行判断；确立负压波信号样本数据的稀疏表示方法，并根据稀疏表示的特征抽取方法进行待测管道运行状态的识别，根据稀疏表示的波形分解方法进行待测管道的泄漏点定位。通过本发明所述的检测方法，解决了现有技术中的利用负压波法检测管道缓慢泄漏时效果不佳以及利用小波变换等进行信号处理时无法灵活表示实际信号复杂性的问题。

Description

一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法

技术领域

本发明涉及流体输送管道的故障诊断技术领域，特别是涉及一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法。

背景技术

防止管道生产事故的发生是管道安全管理中的一项很重要的工作，随着世界各国管道建设的快速发展，管道事故也频繁发生，管道泄漏事故一旦发生，不仅造成大量财产损失，泄漏的有毒化学物质还会带来环境污染和资源的浪费，更为严重的是能带来人身伤亡事故。

为了能有效的预防管道事故，管道泄漏检测技术迅速发展起来，近年来，随着计算机技术的发展，管道泄漏检测技术正向软硬件结合的方向发展。目前，根据管道压力数据进行管道泄漏检测的方法大体分为两类：一类是基于负压波的检测方法，另一类是对压力信号进行特征提取的方法。

基于负压波的检测方法是管道泄漏检测的常用方法，当管道因机械、人为、材料失效等原因发生泄漏时，管内的流体物质在内外压差作用下迅速流失，局部流体密度减小导致瞬时压力下降，称之为负压波(减压波)；由于管壁的波导作用，负压波传播过程衰减较小，可以传播相当远的距离；利用负压波通过上、下游测量点的时间差及传播速度，可以确定泄漏点位置。在实际管道运行过程中，泵、阀的正常作业也会引起负压波，根据泄漏引起的负压波与正常工况操作引起的负压波波形特征的区别，可进行泄漏检测和运行状态识别。由于负压波法只需检测管线两端的压力信号，不需检测管道其他参数，在快速泄漏时具有较高的灵敏度和精度，所以负压波法在工程实际中取得广泛应用。

基于负压波的检测方法实际应用中面临的主要问题是缓慢泄漏检测效果不佳，由于泄漏位置、管道结构特征、管材摩阻、周围环境等因素影响，以及各种工况调节引起的压力脉动干扰，缓慢泄漏时微弱的负压波信号经常被复杂噪声和干扰所淹没；所以，基于负压波的缓慢泄漏检测就转化为复杂背景噪声下的微弱信号检测问题。

信号表示是信号处理的基础性问题，在一定程度上对信号处理和模式识别算法的性能起决定性作用。传统的信号表示方法，如傅立叶变换，离散余弦变换(DCT)，小波变换等，采用正交基进行空间变换，正交基对自然界中物理过程的描述具有抽象性、紧凑性、唯一性，但是对于实际信号来说，很少信号在常见正交基上表现出稀疏性，固定的正交基不能灵活的表示实际信号的复杂性。

鉴于此，有必要设计一种新的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法来解决上述问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，解决了现有技术中采用负压波检测方法对管道缓慢泄漏检测效果不佳以及采用小波变换等信号表示方法无法灵活的表现实际信号复杂性的问题。

为实现上述目的及其他相关目的，本发明提供一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，所述检测方法包括：

1)：提供待测管道的负压波信号样本数据；

2)：根据负压波信号样本数据，采用反演方法学习训练时空变异算子拟合数学模型；

3)：比较时空变异算子拟合数学模型的参数与负压波信号样本数据：如果该参数与负压波信号样本数据不满足误差范围要求，则跳转至2)；如果该参数与负压波信号样本数据满足误差范围要求，则跳转至4)；

4)：采用参数化协作的方法进行稀疏编码，实现过完备字典的训练学习；

5)：对稀疏编码的编码误差进行判断：如果误差不可容忍，则跳转至4)；如果误差可容忍，则生成多分辨率过完备字典，并跳转至6)；

6)：确立负压波信号样本数据的稀疏表示方法，并根据稀疏表示的特征抽取方法进行待测管道运行状态的识别，如果待测管道未发生泄漏，则跳转至1)；如果待测管道发生泄漏，根据稀疏表示的波形分解方法进行待测管道的泄漏点定位。

优选地，所述2)中反演方法为根据负压波信号样本数据生成时空变异算子拟合数学模型，再根据该模型得出模型参数。

优选地，所述4)中参数化协作稀疏编码的方法进行过完备字典的参数训练学习包括：

4.1)：针对每个样本信号Y_t进行多分辨率分解，得到每个子频带信号(Y_t)_i；

4.2)：根据下式对每个子频带信号(Y_t)_i进行稀疏编码：

{(X_{t})}_{i} = \arg \underset{X}{m i n} \frac{1}{2} | | {(Y_{t})}_{i} - {(D_{t - 1})}_{i} X_{i} | |_{2}^{2} + λ | | X_{i} | |_{1}

其中，(X_t)_i为对子频带信号(Y_t)_i进行稀疏编码，(D_t-1)_i为前面t-1个信号经过学习得到的字典，X_i为子频带信号(Y_t)_i在子字典上的稀疏分解系数向量，λ为超参；

4.3)：根据下式进行字典学习：

{(D_{t})}_{i} = \arg \underset{D}{m i n} \frac{1}{t} Σ_{= 1}^{t} (\frac{1}{2} | | {(Y_{j})}_{i} - D {(X_{j})}_{i} | |_{2}^{2} + λ | | {(X_{j})}_{i} | |_{1})

其中，(D_t)_i为针对第t个样本信号，子频带i经学习得到的多分辨率过完备字典，(Y_j)_i为对样本信号Y_j进行多分辨率分解，得到的子频带信号，(X_j)_i为子频带信号(Y_j)_i在子字典上的稀疏分解系数向量，D(X_j)_i为前面j个样本信号经过学习得到的字典，t为样本信号数量。

优选地，所述6)特征抽取方法包括：

6.1)：将时域内的负压波信号转换到稀疏域；

6.2)：通过特征计算提取稀疏特征向量；

6.3)：通过分类器对所述稀疏特征向量进行分类。

优选地，所述6)波形分解方法包括：

6.1)：将负压波信号分离为固定时延信号、非固定时延信号以及随机非平稳信号三种成分；

6.2)：分别针对三种信号成分在反映其各自信号特征的多分辨率过完备字典上进行稀疏分解，并进行负压波信号在各自子空间内的投影；

6.3)：对所述负压波信号的波形进行形态分析与鉴别判断，并采用时延估计方法计算相对时间延迟；

6.4)：根据定位公式l₁,l₂＝(l±v*T′)/2，计算泄漏点的位置，其中，l为待测管道的路径长度，v为传播速度，T′为相对时间延迟，l₁、l₂分别为泄漏点到达待测管道两端传感器的长波路径长度。

优选地，所述5)多分辨率过完备字典通过进行固定长度的字典训练学习生成。

优选地，所述固定时延信号为干扰信息的载体，所述非固定时延信号为泄漏信息的载体，所述随机非平稳信号为背景噪声的载体。

优选地，所述2)时空变异算子拟合数学模型包括衰减模型、变异模型、几何变换模型、和多项式逼近模型。

优选地，所述衰减模型包括指数模型、双曲线模型、类双曲线模型和幂指函数模型。

优选地，所述变异模型包括球形变异模型和高斯变异模型。

如上所述，本发明的一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，具有以下有益效果：1、采用时空变异基本算子的简单组合，通过对大量样本数据的学习，反演时空变异算子拟合的参数，模拟出管道泄漏过程这一具有时空特征的复杂自然现象；2、采用参数化协作稀疏编码的方法进行过完备字典的参数训练学习，所述多分辨率过完备字典只需进行固定长度的字典训练学习，减少了字典学习的计算量；3、通过负压波信号的稀疏表示，使得信号在稀疏域中能量高度聚集，便于微弱信号的抽取与检测，实现好的缓慢泄漏检测与定位效果。

附图说明

图1显示为本发明所述检测方法的流程图。

图2显示为本发明反演方法的示意图。

图3显示为本发明特征抽取方法的示意图。

图4显示为本发明波形分解方法的示意图。

元件标号说明

S1～S6 步骤1)至步骤6)

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1至图4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，所述检测方法包括：

1)：提供待测管道的负压波信号样本数据；

具体的，如图2所示，所述步骤2)中反演方法为根据负压波信号样本数据生成时空变异算子拟合数学模型，再根据该模型得出模型参数。

需要说明的是，长输管道上的负压波信号具有典型的时空均相关的特性，如何揭示时空相关性是稀疏表示的关键。现有技术中常采用正演方法建立管道模型，即通过对模型参数进行分析研究，建立模型，然后观测样本数据，但由于影响长输管道负压波信号的因素繁多，除了管道长度、管道内流体流速、负压波传播速度、负压波衰减因子、(泄漏、站内操作等)信号源的物理特性等主要因素，还有管道内壁面粗糙度、管道周围环境温度等次要因素也对信号产生影响，所以通过正演方法建立管道模型非常困难。本申请通过采用时空变异基本算子的简单组合，通过对大量样本数据的学习，反演时空变异算子拟合的参数，模拟出管道泄漏过程这一具有时空特征的复杂自然现象。

负压波信号的时空变异算子拟合数学模型的训练方法为：某个测量点获得的观测信号可以通过其相邻测量点观测信号经一系列不同的时空变异原子线性组合生成。以一组时空变异算子简单模型的组合来拟合负压波的时空相关性，以寻找近似解为目的，从模型中找出能够拟合观测数据的近似模型即可。

需要说明的是，如果要求精确解，可能会导致过度拟合。由于噪声数据没有实际意义，本发明不求问题的精确解，求解出近似解后，求解的模型参数产生的理论数据与观测数据的误差满足一定范围即可，这一近似求解思路是时空变异算子拟合数学模型训练方法的关键。

基于上述准则，建立负压波信号的多形态生成模型。时空变异基本变异算子表达式如下表：

具体的，步骤3)中比较模型参数与负压波信号样本数据时，如果模型参数与负压波信号样本数据不满足误差范围要求，则跳转至步骤2)进行模型结构修正，直至模型参数与负压波信号样本数据满足误差范围要求，进行步骤4)。

需要说明的是，误差范围根据具体的时空变异算子拟合数学模型的不同而不同。

现代字典构建方法主要有两类：一类是分析字典方法，基于解析式生成字典原子，优点是字典生成速度快，字典原子状态空间的性质很明确，不足是对信号的稀疏表达能力可能不强；另一类是基于学习的方法，根据对输入信号的训练学习，自适应生成字典原子，优点是信号的稀疏表达能力强，缺点是计算量大，训练时间长，字典性能没有严格的理论依据。为减少复杂性，加速训练过程，本发明把分析字典的优点推广到基于学习的方法中，形成新的参数训练方法----采用多分辨率分解的字典学习方法。

信号的稀疏表示的理论假设是信号是有内在结构的，可以由字典中的少量原子的线性组合表示(或逼近)。信号的稀疏编码的过程可描述为：

\underset{X}{m i n} | | X | |_{0}^{0}

s.t.||Y-DX||≤ε (1)

式中，信号Y∈R^m×n，字典D∈R^m×k，稀疏表示系数向量x∈R^k×n，表示向量的L0范数，即非零元素的个数，ε为容忍偏差。

基于多分辨率分解的字典学习模型可表示为

\underset{D, X}{argmin} | | Y - W_{S} D X | |_{2}

s.t.||X||₀≤T (2)

式中，多分辨率分解字典W_S∈R^m×m，T为稀疏表示系数向量X的稀疏度阈值，即稀疏表示系数向量X中非零值的个数。

上式表明满足||Y-W_SDX||₂的最小D、X值，且稀疏表示系数向量X中非零元素的个数不超过T。

如果W_S是酉矩阵，式(2)可以等价为：

\underset{D, X}{argmin} | | W_{A} Y - D X | |_{F}^{2}

s.t.||X||₀≤T (3)

式中，W_A表示多分辨率分析算子。

上式表明对多分辨率分解的信号进行字典学习是可行的。字典学习的方法是在每一子频带i上分别训练子字典：

\underset{D_{i}, X_{i}}{argmin} | | {(W_{A} Y)}_{i} - D_{i} X_{i} | |_{F}^{2}

s.t.||X_i||₀≤T (4)

式中，(W_AY)_i为子频带信号，D_i为子字典，X_i为子频带信号在子字典上的稀疏分解系数向量。

在线字典学习算法的方法为，针对每个样本信号Y_t(t表示样本信号数量)，执行下列步骤：

1)针对每个样本信号Yt进行多分辨率分解，得到每个子频带信号(Y_t)_i；

2)根据下式对每个子频带信号(Y_t)_i进行稀疏编码：

{(X_{t})}_{i} = \arg \underset{X}{m i n} \frac{1}{2} | | {(Y_{t})}_{i} - {(D_{t - 1})}_{i} X_{i} | |_{2}^{2} + λ | | X_{i} | |_{1} - - - (5)

其中，(X_t)_i为对子频带信号(Y_t)_i进行稀疏编码，(D_t-1)_i为前面t-1个信号经过学习得到的字典，X_i为子频带信号(Y_t)_i在子字典上的稀疏分解系数向量，λ为超参

3)：根据下式进行字典学习：

{(D_{t})}_{i} = \arg \underset{D}{m i n} \frac{1}{t} Σ_{= 1}^{t} (\frac{1}{2} | | {(Y_{j})}_{i} - D {(X_{j})}_{i} | |_{2}^{2} + λ | | {(X_{j})}_{i} | |_{1}) - - - (6)

需要说明的是，基于多分辨率分析框架，只需进行固定长度的字典训练学习，就可以生成多分辨率过完备字典，减少了字典学习的计算量。所述多分辨率过完备字典是动态的、不断更新的；其训练学习过程就是其不断更新完善的过程。

具体的，步骤5)中对编码误差进行判断的方法为：将进行稀疏编码的负压波信号转换为时域内的负压波信号；比较转换过的负压波信号与原负压波信号，查看稀疏编码的负压波信号的失真程度(即编码误差是否在可容忍范围)，如果负压波信号的失真程度在可接受的范围，则生成多分辨率过完备字典，否则重新对负压波信号进行稀疏编码。

具体的，如图3所示，所述步骤6)特征抽取方法包括：

步骤6.1)：将时域内的负压波信号转换到稀疏域；

步骤6.2)：通过特征计算提取稀疏特征向量；

步骤6.3)：通过分类器对所述稀疏特征向量进行分类。

需要说明的是，所述多分辨率过完备字典通过训练学习，将待测管道不同状态进行了精确的稀疏表示。当提供所述待测信号的稀疏特征向量后，即可将此稀疏特征向量分类到相应的管道状态的稀疏域内，以此判断待测负压波信号代表的管道状态。

需要说明的是，本发明所述管道状态主要包括工况操作状态、背景噪声以及管道泄漏状态三种。

需要说明的是，基于稀疏特征的管道运行状态识别继承了经典模式识别问题中对特征提取方法的一般要求，所提取的特征对管道不同的运行状态类别要具有良好的可分性，以使后续分类器实现可观的分类精度。保障特征可分性的基础是字典的每一个原子都应该有效地表示某一管道运行状态的信号模式，因此，问题的关键还是过完备字典的性能，对管道运行状态的表达能力。在一定水平的噪声和干扰作用下，时域内原始信号可能会变得复杂，但借助于基函数良好的适应性，所求解信号的稀疏表示仍可保持一致，对应的基函数仍然被激活去逼近原信号。

具体的，如图4所示，所述步骤6)波形分解方法包括：

步骤6.1)：将负压波信号分离为固定时延信号、非固定时延信号以及随机非平稳信号三种成分；

步骤6.2)：分别针对三种信号成分在反映其各自信号特征的多分辨率过完备字典上进行稀疏分解，并进行负压波信号在各自子空间内的投影；

步骤6.3)：对所述负压波信号的波形进行形态分析与鉴别判断，并采用时延估计方法计算相对时间延迟；

步骤6.4)：根据定位公式l1,l2＝(l±v*T′)/2，计算泄漏点的位置，其中，l为待测管道的路径长度，v为传播速度，T′为相对时间延迟，l1、l2分别为泄漏点到达待测管道两端传感器的长波路径长度。

需要说明的是，将负压波信号分离为固定时延信号、非固定时延信号、随机非平稳信号三种成分；其中，所述固定时延信号为干扰信息的载体，所述非固定时延信号为泄漏信息的载体，所述随机非平稳信号为背景噪声的载体。再分别针对三种信号成分在反映其各自信号特征的过完备字典上进行稀疏分解，实现负压波信号在各自子空间内的投影。

进一步需要说明的是，基于稀疏表示的波形分解，其本质是盲源分离，主要是经过稀疏表示后，把信号分解为干扰子波形、泄漏信号子波形、背景噪声子波形，负压波形态分析与鉴别判据则是根据不同子波形所激活的字典中对应的原子，识别出泄漏信号。

需要说明的是，通过负压波波形的形态分析与鉴别判据，分离出泄漏信号的波形，并对所述波形进行时延估计，得到泄漏信号传播到两端传感器的相对时间延迟T′，再利用已知的管道路径长度l和管道内流体的传播速度v的信息，根据定位公式：l₁,l₂＝(l±v*T′)/2，计算泄漏点的位置。

综上所述，本发明的一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，具有以下有益效果：1、采用时空变异基本算子的简单组合，通过对大量样本数据的学习，反演时空变异算子拟合的参数，模拟出管道泄漏过程这一具有时空特征的复杂自然现象；2、采用参数化协作稀疏编码的方法进行过完备字典的参数训练学习，所述多分辨率过完备字典只需进行固定长度的字典训练学习，减少了字典学习的计算量；3、通过负压波信号的稀疏表示，使得信号在稀疏域中能量高度聚集，便于微弱信号的抽取与检测，实现好的缓慢泄漏检测与定位效果。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims

1.一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述检测方法包括：

1)：提供待测管道的负压波信号样本数据；

2.根据权利要求1所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述2)中反演方法为根据负压波信号样本数据生成时空变异算子拟合数学模型，再根据该模型得出模型参数。

3.根据权利要求1所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述4)中参数化协作稀疏编码的方法进行过完备字典的参数训练学习包括：

4.2)：根据下式对每个子频带信号(Y_t)_i进行稀疏编码：

{(X_{t})}_{i} = \arg \underset{X}{m i n} \frac{1}{2} | | {(Y_{t})}_{i} - {(D_{t - 1})}_{i} X_{i} | |_{2}^{2} + λ | | X_{i} | |_{1}

4.3)：根据下式进行字典学习：

{(D_{t})}_{i} = \arg \underset{D}{m i n} \frac{1}{t} Σ_{= 1}^{t} (\frac{1}{2} | | {(Y_{j})}_{i} - D {(X_{j})}_{i} | |_{2}^{2} + λ | | {(X_{j})}_{i} | |_{1})

4.根据权利要求1所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述6)特征抽取方法包括：

6.1)：将时域内的负压波信号转换到稀疏域；

6.2)：通过特征计算提取稀疏特征向量；

6.3)：通过分类器对所述稀疏特征向量进行分类。

5.根据权利要求1所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述6)波形分解方法包括：

6.根据权利要求1所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述5)多分辨率过完备字典通过进行固定长度的字典训练学习生成。

7.根据权利要求5所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述固定时延信号为干扰信息的载体，所述非固定时延信号为泄漏信息的载体，所述随机非平稳信号为背景噪声的载体。

8.根据权利要求1所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述2)时空变异算子拟合数学模型包括衰减模型、变异模型、几何变换模型和多项式逼近模型。

9.根据权利要求8所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述衰减模型包括指数模型、双曲线模型、类双曲线模型和幂指函数模型。

10.根据权利要求8所述的基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法，其特征在于，所述变异模型包括球形变异模型和高斯变异模型。