CN105909979B - 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 - Google Patents
基于小波变换融合盲源分离算法的泄漏声波特征提取方法 Download PDFInfo
- Publication number
- CN105909979B CN105909979B CN201610246762.9A CN201610246762A CN105909979B CN 105909979 B CN105909979 B CN 105909979B CN 201610246762 A CN201610246762 A CN 201610246762A CN 105909979 B CN105909979 B CN 105909979B
- Authority
- CN
- China
- Prior art keywords
- signal
- leakage
- blind source
- source separation
- separation algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于小波变换融合盲源分离的泄漏声波特征提取方法,包括以下步骤:利用声波传感器采集泄漏声波信号,获取泄漏声波采集信号;利用小波变换对泄漏声波采集信号进行多层小波分解,每一层小波分解依次获得对应的近似信号,将所述泄漏声波采集信号和近似信号作为观测信号,并对观测信号采用盲源分离算法进行处理,获取目标信号;对步骤二中的目标信号进行评价,并对观测信号组成进行优选。本发明的有益效果是:本发明通过泄漏时刻采样点偏差和幅值损失两个评价参数对目标信号进行评价,该方法能够对泄漏时刻进行准确定位,同时对微弱信号的泄漏幅值的补偿作用明显。
Description
技术领域
本发明涉及油气管道声波法泄漏监测领域,尤其是一种基于小波变换融合盲源分离算法的泄漏声波特征提取方法。
背景技术
目前可以应用于油气管道的泄漏监测方法有许多种,其中,声波法与传统的质量平衡法、负压波法、瞬态模型法等相比具有诸多优点:灵敏度高、定位精度高、误报率低、检测时间短、适应性强;测量的是管线流体中的微弱动态压力变化量,与管线运行压力的绝对值无关;响应频率更宽,检测范围更宽等。
输气管道发生泄漏时产生声波信号,随着传播距离的增加泄漏信号产生衰减,波形特征被噪声覆盖,为提取有效的泄漏特征,国内外学者进行了大量的研究,根据调研结果,现阶段国内外涉及输气管道泄漏声波特征提取方法的专利主要有:
美国专利US6389881公开了一种利用音波技术进行管道泄漏检测的技术,该技术利用传感器采集管内动态压力,采用模式匹配滤波技术对信号进行滤波处理,排除噪声,降低干扰,提高了定位精度;
中国专利200710177617.0公开了一种基于压力和声波信息融合的泄漏检测方法,该方法分别采集管道上下游压力和声波信号(0.2-20Hz内),经过数据滤波、特征级融合和决策级融合三个层次的处理获得最终检测结果,并利用基于相关分析、小波分析等融合的定位方法进行泄漏定位,提高了泄漏检测的准确性和定位精度。
中国专利201510020155.6公开了一种基于声波幅值的油气管道泄漏定位方法,该方法采用经过小波分析处理后得到低频段声波幅值来进行泄漏检测和定位,提出了一种不考虑声速及时间差的泄漏定位方法。
中国专利CN104614069A公开了一种基于联合近似对角化盲源分离算法的电力设备故障音检测方法,步骤包括:采用麦克风阵列;采用基于联合近似对角化盲源分离算法针对采用麦克风阵列采集的声音信号分离各个独立声源信号;提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数,通过模式匹配算法识别声音信号,将待测试声音模板与所有的参考样本模板进行匹配后,匹配距离最小的参考样本模板就是电力设备工作音识别的结果。
现有的专利只是小波变换或者盲源分离算法单一处理方法的应用,对两种方法的融合技术没有描述,具体表现为:
(1)小波变换能够提取低频段的信号特征,是应用最为普遍的信号处理方法,但同时小波变换在信号提取时也存在较为明显的缺陷,在实际应用中,低频段信号特征的获取需要对原始信号进行深层分解,在泄漏时刻的定位以及泄漏幅值的获得上容易出现较大偏差,容易造成时间差的计算误差,使得定位误差较大;泄漏幅值损失容易造成泄漏波形的失真,容易造成泄漏的漏判和误判。
(2)为解决这一问题,采用盲源分离算法对信号进行处理,经研究发现盲源分离能够准确定位泄漏时刻,且在泄漏幅值方面不但没有损失,反而有所补偿,尤其是在信号较为微弱时补偿更为明显,但在应用时,盲源分离同样存在较为明显的缺陷:一是处理得到的波形特征相似性变差,幅值变化没有规律;二是盲源分离得到的目标信号顺序、种类不能确定。
发明内容
本发明的目的是为克服上述现有技术的不足,提供一种基于小波变换融合盲源分离算法的泄漏声波特征提取方法。
为实现上述目的,本发明采用下述技术方案:
基于小波变换融合盲源分离算法的泄漏声波特征提取方法,包括以下步骤:
步骤一:在被测管道上设置传感器,通过传感器对泄漏点进行信号采集,获取泄漏声波采集信号;
步骤二:利用小波变换对泄漏声波采集信号进行多层小波分解,每一层小波分解依次获得对应的近似信号,将所述泄漏声波采集信号和近似信号作为观测信号,并对观测信号采用盲源分离算法进行处理,获取目标信号;
步骤三,对步骤二中的目标信号进行评价,并对观测信号组成进行优选。
优选的,所述步骤一中,声波传感器采用动态压力传感器。
优选的,所述步骤二中,小波变换采用的小波基为sym8,分解层数根据传感器采集的泄漏声波采集信号中含有的信号种类决定,所述信号种类包括泄漏声波信号,背景噪声以及流动噪声。
优选的,所述背景噪声包括动力设备的运转,管道外部环境的噪声以及硬件设备、电路产生的噪声;所述流动噪声包括流体流动产生的湍流噪声。
优选的,所述步骤二中,观测信号获取方法具体步骤如下:
步骤S201:将泄漏声波信号作为原始信号,确定小波分解层数N,N大于等于2,将原始信号作为待分解信号,进行小波分解,分解首次分别获取第一层细节信号和第一层近似信号;
步骤S202:将第一层近似信号作为待分解信号,对待分解信号进行小波分解,分别获取待分解信号对应的第二层细节信号和第二层近似信号;
步骤S203:将第N-1层近似信号作为待分解信号,重复执行步骤S203,直至达到分解层数N,第N-1层近似信号小波分解对应第N层细节信号和第N层近似信号;
步骤S204:选取第一层至第N层对应的各层近似信号以及原始信号作为观测信号。
进一步优选的,所述根据信号种类确认分解层数的方法为:分解层数等于传感器采集获取的泄漏声波采集信号含有的信号种类数值减1。
优选的,所述步骤二中,采用盲源分离算法进行处理获取目标信号的数目的方式有两种:一是目标信号的总数等于观测信号的总数,即当观测信号有m个,则目标信号也有m个;二是直接定义目标信号数目为一个,即当观测信号有m个,目标信号有且只有一个。
优选的,所述步骤三中,利用泄漏时刻采样点偏差和幅值损失作为评价参数。
所述泄漏时刻采样点偏差指目标信号的泄漏时刻采样点与原始信号的泄漏时刻采样点之差。所述泄漏时刻采样点偏差越小代表泄漏时刻定位更准确。
所述幅值损失指目标信号的泄漏幅值与原始信号的泄漏幅值的差值与原始信号泄漏幅值的绝对值之比。幅值损失为负值,且该值绝对值越大,代表幅值补偿越显著。
本发明的有益效果是:
1.本发明提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法通过泄漏时刻采样点偏差和幅值损失两个评价参数对目标信号进行评价,该方法能够对泄漏时刻进行准确定位,同时对微弱信号的泄漏幅值的补偿作用明显;
2.本发明解决了现阶段小波变换在泄漏时刻定位以及泄漏幅值偏差误差较大,盲源分离目标信号顺序、种类不能确定的问题,提高了声波法泄漏检测与定位技术的适用性;
3.本发明方法简单,操作方便,对提取油气管道声波法泄漏检测与定位方法中的泄漏声波特征适用性强。
附图说明
图1是本发明实施例提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法的原理图;
图2是本发明实施例提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法步骤二的流程示意图;
图3是本发明实施例提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法处理前的原始信号示意图;
图4a是本发明实施例提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法处理后得到的第一个目标信号示意图;
图4b是本发明实施例提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法处理后得到的第二个目标信号示意图;
图4c是本发明实施例提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法处理后得到的第三个目标信号示意图;
图5是本发明实施例提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法处理后得到的一个目标信号示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
基于小波变换融合盲源分离算法的泄漏声波特征提取方法的流程图参考图1,本发明根据发明内容给出的技术方案采用下述实验参数对本发明进行实验验证:
下面通过两个实施例对本发明的有益效果进行说明:
实验参数如下:原始信号为2MPa下0.6mm泄漏孔径时距离泄漏点109m的传感器采集的信号,参考图3,分解层数N为2,采样频率f为3000Hz,小波变换分解函数为sym8或者db4。
实施例1:该实施例中,采用的盲源分离算法进行处理获取目标信号的数目的方式为目标信号的总数等于观测信号。分解后的各层信号表示为A2,A1,D2,D1,用于盲源分离的观测信号为A2,A1和原始信号。
如图3、图4a、图4b、图4c所示,图4表示采用本发明提供的方法获取的三个目标信号。
实施例2:该实施例中,采用盲源分离算法进行处理获取目标信号的数目的方式为定义目标信号有且只有一个。图5表示采用本发明提供的方法获取的一个目标信号。
参考图4a、图4b和图4c,根据实施例1的实验附图可以看出,原始信号幅值为-5.06159kPa,原始信号泄漏时刻对应采样点为46441;由图4a可以看出,泄漏声波信号幅值为-9.53160kPa,泄漏声波信号泄漏时刻对应采样点为46441。经过发明得到的3个信号中与原始信号接近的目标信号为泄漏声波信号,其余2个分别为背景噪声和流动噪声,且泄漏声波信号、背景噪声和流动噪声的排序依次为1、2、3,所以,本发明将泄漏声波信号中含有的信号种类进行分类,并且对目标信号的顺序进行了确认。该目标信号数目的确定方式为优选方式,因为本发明考虑到实验过程中不仅要从泄漏声波采集信号中获取泄漏声波信号,还要对从泄漏声波采集信号中获取的背景噪声和流动噪声进行进一步的研究,为此,优选上述目标信号数目确认方式。
参考图5,根据实施例1的实验附图可以看出,泄漏声波信号幅值为-9.53160kPa,泄漏声波信号泄漏时刻对应的采样点为46441。根据上述数据可以看出,本发明提供的方法得到的目标信号的泄漏时刻采样点与原始信号的幅值偏差为0,且本发明得到的目标信号的泄漏声波幅值大于原始信号的幅值,因此本发明提供的方法对泄漏时刻定位较为准确,且幅值损失为-88.31%,即泄漏幅值补偿作用明显。若本发明仅仅从泄漏声波采集信号中获取泄漏声波信号,可采用实施例2采用的目标信号数目确定方式,目标信号定义为有且只有一个,所以不用考虑目标信号的排序、种类区分的问题。
综上所述,本发明提供的方法通过泄漏时刻采样点偏差和幅值损失两个评价参数对目标信号进行评价,该方法能够对泄漏声波的泄漏时刻进行准确定位,同时对微弱信号的泄漏幅值的补偿作用明显;同时由于本发明提供的方法得到的目标信号与原始信号的幅值一致,因此,有效降低了现阶段小波变化在泄漏时刻误差较大的问题。
因此,本发明盲源分离后可以将目标信号进行有效的分类,进而提高了声波法泄漏检测与定位的实用性。
本发明的有益效果是:
1.本发明提供的基于小波变换融合盲源分离算法的泄漏声波特征提取方法通过泄漏时刻采样点偏差和幅值损失两个评价参数对目标信号进行评价,该方法能够对泄漏时刻进行准确定位,同时对微弱信号的泄漏幅值的补偿作用明显;
2.本发明解决了现阶段小波变换在泄漏时刻定位以及泄漏幅值偏差误差较大,盲源分离目标信号顺序、种类不能确定的问题,提高了声波法泄漏检测与定位技术的适用性;
3.本发明方法简单,操作方便,对提取油气管道声波法泄漏检测与定位方法中的泄漏声波特征适用性强。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,包括以下步骤:
步骤一:在被测管道上设置传感器,通过传感器对泄漏点进行信号采集,获取泄漏声波采集信号;
步骤二:利用小波变换对泄漏声波采集信号进行多层小波分解,每一层小波分解依次获得对应的近似信号,将所述泄漏声波采集信号和近似信号作为观测信号,并对观测信号采用盲源分离算法进行处理,获取目标信号;
所述步骤二中,观测信号获取方法具体步骤如下:
步骤S201:将泄漏声波信号作为原始信号,确定小波分解层数N,N大于等于2,将原始信号作为待分解信号,进行小波分解,分解首次分别获取第一层细节信号和第一层近似信号;
步骤S202:将第一层近似信号作为待分解信号,对待分解信号进行小波分解,分别获取待分解信号对应的第二层细节信号和第二层近似信号;
步骤S203:将第N-1层近似信号作为待分解信号,重复执行步骤S203,直至达到分解层数N,第N-1层近似信号小波分解对应第N层细节信号和第N层近似信号;
步骤S204:选取第一层至第N层对应的各层近似信号以及原始信号作为观测信号;
步骤三,对步骤二中的目标信号进行评价,并对观测信号组成进行优选。
2.如权利要求1所述的基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,所述步骤一中,声波传感器采用动态压力传感器。
3.如权利要求1所述的基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,所述步骤二中,小波变换采用的小波基为sym8,分解层数根据传感器采集的泄漏声波采集信号中含有的信号种类决定,所述信号种类包括泄漏声波信号,背景噪声以及流动噪声。
4.如权利要求3所述的基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,所述背景噪声包括动力设备的运转,管道外部环境的噪声以及硬件设备、电路产生的噪声;所述流动噪声包括流体流动产生的湍流噪声。
5.如权利要求3所述的基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,所述根据信号种类确认分解层数的方法为:分解层数等于传感器采集获取的泄漏声波采集信号含有的信号种类数值减1。
6.如权利要求1所述的基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,所述步骤二中,采用盲源分离算法进行处理获取目标信号的数目的方式为目标信号的总数等于观测信号的总数。
7.如权利要求1所述的基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,所述步骤二中,采用盲源分离算法进行处理获取目标信号的数目的方式为定义目标信号数目为一个。
8.如权利要求1所述的基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,利用泄漏时刻采样点偏差和幅值损失作为评价参数。
9.如权利要求8所述的基于小波变换融合盲源分离算法的泄漏声波特征提取方法,其特征是,所述泄漏时刻采样点偏差指目标信号的泄漏时刻采样点与原始信号的泄漏时刻采样点之差;所述幅值损失指目标信号的泄漏幅值与原始信号的泄漏幅值的差值与原始信号泄漏幅值绝对值之比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610246762.9A CN105909979B (zh) | 2016-04-20 | 2016-04-20 | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610246762.9A CN105909979B (zh) | 2016-04-20 | 2016-04-20 | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105909979A CN105909979A (zh) | 2016-08-31 |
CN105909979B true CN105909979B (zh) | 2018-07-03 |
Family
ID=56746607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610246762.9A Active CN105909979B (zh) | 2016-04-20 | 2016-04-20 | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105909979B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107314251B (zh) * | 2017-06-09 | 2019-05-14 | 昆明理工大学 | 一种下水管道泄漏故障的检测装置及检测方法 |
CN107355687B (zh) * | 2017-06-09 | 2019-04-12 | 昆明理工大学 | 一种下水管道故障检测方法 |
CN107907279B (zh) * | 2017-11-20 | 2020-09-22 | 中国石油大学(华东) | 基于小波系数幅值的多相流管道泄漏声波信号分析方法 |
CN110440144B (zh) * | 2019-09-09 | 2020-11-24 | 山东拙诚智能科技有限公司 | 一种基于压力信号幅值衰减的定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103697330A (zh) * | 2013-12-06 | 2014-04-02 | 中南大学 | 一种列车超长管路泄露监测方法 |
CN104595730A (zh) * | 2015-01-15 | 2015-05-06 | 中国石油大学(华东) | 一种基于声波幅值衰减模型的油气管道泄漏定位方法 |
CN105135217A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种改进的基于小波分析的石油管道泄漏检测方法 |
-
2016
- 2016-04-20 CN CN201610246762.9A patent/CN105909979B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103697330A (zh) * | 2013-12-06 | 2014-04-02 | 中南大学 | 一种列车超长管路泄露监测方法 |
CN104595730A (zh) * | 2015-01-15 | 2015-05-06 | 中国石油大学(华东) | 一种基于声波幅值衰减模型的油气管道泄漏定位方法 |
CN105135217A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种改进的基于小波分析的石油管道泄漏检测方法 |
Non-Patent Citations (1)
Title |
---|
基于小波变换的盲分离技术在管道内检测器地面标记;吴晓,刘瑞林,董素荣,周广猛,许翔,刘刚;《国际会议论文全文数据库》;20110710;第172-175页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105909979A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021012986A1 (zh) | 一种基于改进vmd的管道多点泄漏定位方法 | |
CN105909979B (zh) | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 | |
CN104595729B (zh) | 一种基于声波幅值的油气管道泄漏定位方法 | |
Song et al. | Gas leak detection in galvanised steel pipe with internal flow noise using convolutional neural network | |
Ye et al. | Standard deviation based acoustic emission signal analysis for detecting valve internal leakage | |
CN107328528A (zh) | 一种基于多传感器的超声波气密性检测系统及方法 | |
CN105840987A (zh) | 一种基于压力波和声波的管道泄漏加权定位方法及装置 | |
CN110762398A (zh) | 基于激励响应的油气管道泄漏检测方法及系统 | |
CN103742794A (zh) | 一种管道泄漏声发射信号的模拟装置及方法 | |
CN109668058B (zh) | 基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法 | |
CN203743867U (zh) | 一种管道泄漏声发射信号的模拟装置 | |
CN101592288A (zh) | 一种管道泄漏辨识方法 | |
CN110645483A (zh) | 一种基于频谱分析的城市埋地管道早期泄漏诊断方法 | |
CN105928666B (zh) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 | |
Lang et al. | Localization method of multiple leaks based on time-frequency analysis and improved differential evolution | |
CN109063762A (zh) | 一种基于dt-cwt和s4vm的管道堵塞故障识别方法 | |
Han et al. | Plastic pipeline leak localization based on wavelet packet decomposition and higher order cumulants | |
CN105927861B (zh) | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 | |
CN116304638A (zh) | 一种基于改进lcd的管道泄漏孔径识别方法 | |
Liu et al. | Negative pressure wave denoising based on VMD and its application in pipeline leak location | |
Han et al. | Localization of CO2 gas leakages through acoustic emission multi-sensor fusion based on wavelet-RBFN modeling | |
Bakhti et al. | Experimental validation of hybrid EMD-correlation acoustic digital leaks detector in water distribution network system | |
CN211478951U (zh) | 故障诊断装置和故障诊断系统 | |
Wu et al. | Novel signal denoising approach for acoustic leak detection | |
Chi et al. | Novel leakage detection method by improved adaptive filtering and pattern recognition based on acoustic waves |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |