CN105956577A - 基于随机共振的输气管道微泄漏音波信号特征提取方法 - Google Patents

基于随机共振的输气管道微泄漏音波信号特征提取方法 Download PDF

Info

Publication number
CN105956577A
CN105956577A CN201610338669.0A CN201610338669A CN105956577A CN 105956577 A CN105956577 A CN 105956577A CN 201610338669 A CN201610338669 A CN 201610338669A CN 105956577 A CN105956577 A CN 105956577A
Authority
CN
China
Prior art keywords
sound wave
wave signals
feature extraction
gas pipeline
formula
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.)
Pending
Application number
CN201610338669.0A
Other languages
English (en)
Inventor
利节
陈国荣
张志勇
熊茜
冯骊骁
高铮
李莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201610338669.0A priority Critical patent/CN105956577A/zh
Publication of CN105956577A publication Critical patent/CN105956577A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提供了一种基于随机共振的输气管道微泄漏音波信号特征提取方法，包括如下步骤：建立离散的非线性滤波器随机共振系统模型，对随机共振系统模型的输出信号进行转换，对转化后的音波信号进行加窗处理，转化到Melfilter域上，进行离散余弦变换提取特征参数，采用倒谱均值归一化算法进行去噪。该方法将随机共振系统模型引入到Mel频率倒谱系数算法的音波信号特征提取中，与MFCC特征提取算法相比，具有更高的信噪比，且进一步加快了识别的运行时间，更有助于动态特征提取。

Description

基于随机共振的输气管道微泄漏音波信号特征提取方法
技术领域
本发明涉及输气管道安全检测领域，具体涉及一种基于随机共振的输气管道微泄漏音波信号特征提取方法。
背景技术
随着我国经济的快速发展,对天然气的需求越来越大,而管道是陆上输送天然气的主要方式,为此国家建设了大量天然气管道。然而,由于管道腐蚀、自然破坏、管道自身缺陷或者第三方破坏等原因,管道泄漏时有发生。管道发生泄漏不仅带来经济损失和环境破坏,严重时还会导致群死群伤的重大事故,因此泄漏检测及定位方法作为保障管道安全的重要手段,具有重要的研究意义。目前检测输气管道状态多采用人工检测，效率较低，部分危险输气管道采用安装压力和流量传感器来检测泄漏，但在实际情况下，主要的管道系统都较为庞大，由于传感器结构的物理限制，当泄漏量很小时传感器并不能识别，直到泄漏量达到一定阀值。
微泄漏的准确快速检测能够降低危险，为抢险提供宝贵的时间，通过大量的研究发现，音波信号是检测输气管道微泄漏最有效的方法之一。当输气管道发生破裂时,管道中的压力平衡受到破坏,输送介质从泄漏点流出,与管壁摩擦产生瞬间音波震荡,从而产生泄漏音波信号。泄漏音波信号在管内介质中传播过程中,不可避免的受到仪器、仪表、采集系统产生的随机噪声以及各种外界干扰引起的噪声的影响,这些操作都有可能产生音波噪声信号,而将泄漏产生的音波信号所淹没,导致无法准确的识别泄漏音波信号,而出现误报和漏报现象。
自从1981年BenZ等研究古气象冰川问题提出随机共振(Stochasticresonance，SR)概念以来，SR现象受到了广泛的关注，随机共振现象是一种非线性现象，它在一定条件下，将部分噪声能量转移到信号上，在降低噪声的同时能够使淹没于噪声中的弱信号得到共振加强，极大地提高输出的信噪比，从而实现从噪声干扰中检测微弱信号的目的。
发明内容
本申请通过提供一种基于随机共振的输气管道微泄漏音波信号特征提取方法，将随机共振原理引入到Mel频率倒谱系数算法的音波信号特征提取中，以解决现有技术中因随机噪声及各种外界干扰引起的噪声等影响，导致无法准确识别泄露音波信号，从而出现误报或者漏报的技术问题。
为解决上述技术问题，本申请采用以下技术方案予以实现：
一种基于随机共振的输气管道微泄漏音波信号特征提取方法，包括如下步骤：
S1：建立离散的非线性滤波器随机共振系统模型：
输入信号为式中，A0为幅度，ω为频率，为初相位，ε(t)为噪音波信号，输出信号为x(t)，根据随机共振理论，周期信号与噪声共同作用的随机共振系统模型为：dx/dt＝ax(t)-bx3(t)+s(t)，式中，a、b是系统的结构参数；
S2：对随机共振系统模型的输出信号进行转换：即通过一阶欧拉方程求解得：x(n+1)＝A(a,b,h)x(n)+B(a,b,h)x3(n)+X(a,b,h)s(n)，式中，x(n)为输出信号x(t)的第n个采样值，s(n)为输入信号s(t)的第n个采样值，A(a,b,h)、B(a,b,h)、X(a,b,h)是与a、b和h相关的权值矩阵，h为采样步长；
S3：对转化后的音波信号进行加窗处理，转化到Melfilter域上；
S4：进行离散余弦变换提取特征参数式中，mk为滤波系数，q为滤波器阶数，k＝1,2,…q；
S5：采用倒谱均值归一化算法进行去噪，即：E(t)＝c(t)-m(t)，式中，E(t)为微泄漏音波信号提取的特征素，倒谱均值μ为每次计算的更新步长，N为窗宽，且满足
A(a,b,h)、B(a,b,h)、X(a,b,h)是随机共振系统的权值矩阵，这三个参数之间没有任何线性关系，为了得到较佳的信噪比，作为一种优选的技术方案，权值矩阵A(a,b,h)为0.35，B(a,b,h)为0.18，X(a,b,h)为0.8。
与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：与MFCC特征提取算法相比，具有更高的信噪比，且进一步加快了识别的运行时间，更有助于动态特征提取。
附图说明
图1为本发明的方法流程图；
图2为本发明的微泄漏检测方法的流程图；
图3为本发明的环形输气管道的输气系统功能流程图。
具体实施方式
本申请实施例通过提供一种基于随机共振的输气管道微泄漏音波信号特征提取方法，将随机共振原理引入到Mel频率倒谱系数算法的音波信号特征提取中，以解决现有技术中因随机噪声及各种外界干扰引起的噪声等影响，导致无法准确识别泄露音波信号，从而出现误报或者漏报的技术问题。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。
实施例
一种基于随机共振的输气管道微泄漏音波信号特征提取方法，如图1所示，包括如下步骤：
S1：建立离散的非线性滤波器随机共振系统模型：
输入信号为式中，A0为幅度，ω为频率，为初相位，ε(t)为噪音波信号，输出信号为x(t)，根据随机共振理论，周期信号与噪声共同作用的随机共振系统模型为：dx/dt＝ax(t)-bx3(t)+s(t)，式中，a、b是系统的结构参数；
S2：对随机共振系统模型的输出信号进行转换：即通过一阶欧拉方程求解得：x(n+1)＝A(a,b,h)x(n)+B(a,b,h)x3(n)+X(a,b,h)s(n)，式中，x(n)为输出信号x(t)的第n个采样值，s(n)为输入信号s(t)的第n个采样值，A(a,b,h)、B(a,b,h)、X(a,b,h)是与a、b和h相关的权值矩阵，h为采样步长；
S3：对转化后的音波信号进行加窗处理，转化到Melfilter域上；
S4：进行离散余弦变换提取特征参数式中，mk为滤波系数，q为滤波器阶数，k＝1,2,…q；
S5：采用倒谱均值归一化算法进行去噪，即：E(t)＝c(t)-m(t)，式中，E(t)为微泄漏音波信号提取的特征素，倒谱均值μ为每次计算的更新步长，N为窗宽，且满足
为了验证本发明特征提取的可靠性，将输气管道微泄漏音波信号提取的特征素通过三层BP网络进行识别。微泄漏检测方法的流程图如图2所示，当识别结果为0时，表示微泄漏事故已发生，当识别结果为1时，则表示微泄漏事故未发生。
图3为环形输气管道的输气系统功能流程图，压缩机提供指定空气压力的气体流动，压力和流量传感器的值通过ADAM设备发送到电脑端，电脑端发送控制信给气动控制阀、气体涡轮流量计和金属管转子流量计，以确保输气管道内压力稳定。
在数据采集过程中，尽管泄漏已发生，但管道气体的压力保持0.2MPa，满足微泄漏的定义。利用手机麦克风收集音波信号，共采集100组微泄漏信号和15组背景信号。输气管道微泄漏音波信号处理仿真实验使用软件是matlabr2010b，内存为RAM 8.0G。背景信号主要由操作压缩机、钢管内的气体输送等组成。
在收集的音波信号数据集中随机选取20组微泄漏信号作为测试集，剩余的作为训练集，如此训练和测试了20次，得到了信噪比平均值和信噪比平均对数值。从表1可见，本发明获得的信噪比SNR值明显高于MFCC特征提取算法的SNR值，更有助于动态特征提取。
表1SNR对比
Proposed method MFCC algorithm
Average SNR 4.0671 3.9777
Average Log SNR 6.0929 5.9964
在表2中，比较本发明方法和MFCC特征提取算法之间的性能，利用BP神经网络模型区分动态特性。三个指标为：运行时间，训练集的小批量均方误差和全数据集的训练误差。首先，本发明花费更少的时间完成识别。其次，由于采集到的音波信号的数量有限，在训练误差上，该方法能起到了较好的训练。
表2BP神经网络训练结果
A(a,b,h)、B(a,b,h)、X(a,b,h)是随机共振系统的权值矩阵，经过多次实验，得出表3，这三个参数之间没有任何线性关系，为了得到较佳的信噪比，权值矩阵A(a,b,h)为0.35，B(a,b,h)为0.18，X(a,b,h)为0.8。
表3权值矩阵参数值对比
No. A(a,b,h) B(a,b,h) X(a,b,h) SNR
1 0.4 0.16 0.6 3.1946
2 0.35 0.18 0.8 6.4027
3 0.3 0.15 0.8 4.0671
为了进一步检验本发明的优越性，加入了不同信噪比的高斯白噪声(WGNS)混合成微泄漏信号，如表4所示，本发明具有更好的信噪比值。当WGN的信噪比值达到3时，本发明的方法比MFCC特征提取算法快4倍，随着噪声的增加，当WGN的信噪比值达到1时，本发明的方法比MFCC特征提取算法快10倍。
表4增加WGN后的运行时间表
从表5中可以看出，本发明加入WGN后，训练集中分批处理均方误差不高。
表5增加WGN后训练集中分批处理均方误差表
本申请的上述实施例中，通过提供一种基于随机共振的输气管道微泄漏音波信号特征提取方法，包括如下步骤：建立离散的非线性滤波器随机共振系统模型，对随机共振系统模型的输出信号进行转换，对转化后的音波信号进行加窗处理，转化到Melfilter域上，进行离散余弦变换提取特征参数，采用倒谱均值归一化算法进行去噪。该方法将随机共振系统模型引入到Mel频率倒谱系数算法的音波信号特征提取中，与MFCC特征提取算法相比，具有更高的信噪比，且进一步加快了识别的运行时间，更有助于动态特征提取。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (2)

1.一种基于随机共振的输气管道微泄漏音波信号特征提取方法，其特征在于，包括如下步骤：
S1：建立离散的非线性滤波器随机共振系统模型：
输入信号为式中，A0为幅度，ω为频率，为初相位，ε(t)为噪音波信号，输出信号为x(t)，根据随机共振理论，周期信号与噪声共同作用的随机共振系统模型为：dx/dt＝ax(t)-bx3(t)+s(t)，式中，a、b是系统的结构参数；
S2：对随机共振系统模型的输出信号进行转换：即通过一阶欧拉方程求解得：x(n+1)＝A(a,b,h)x(n)+B(a,b,h)x3(n)+X(a,b,h)s(n)，式中，x(n)为输出信号x(t)的第n个采样值，s(n)为输入信号s(t)的第n个采样值，A(a,b,h)、B(a,b,h)、X(a,b,h)是与a、b和h相关的权值矩阵，h为采样步长；
S3：对转化后的音波信号进行加窗处理，转化到Melfilter域上；
S4：进行离散余弦变换提取特征参数式中，mk为滤波系数，q为滤波器阶数，k＝1,2,…q；
S5：采用倒谱均值归一化算法进行去噪，即：E(t)＝c(t)-m(t)，式中，E(t)为微泄漏音波信号提取的特征素，倒谱均值μ为每次计算的更新步长，N为窗宽，且满足
2.根据权利要求1所述的基于随机共振的输气管道微泄漏音波信号特征提取方法，其特征在于，权值矩阵A(a,b,h)为0.35，B(a,b,h)为0.18，X(a,b,h)为0.8。
CN201610338669.0A 2016-05-20 2016-05-20 基于随机共振的输气管道微泄漏音波信号特征提取方法 Pending CN105956577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610338669.0A CN105956577A (zh) 2016-05-20 2016-05-20 基于随机共振的输气管道微泄漏音波信号特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610338669.0A CN105956577A (zh) 2016-05-20 2016-05-20 基于随机共振的输气管道微泄漏音波信号特征提取方法

Publications (1)

Publication Number Publication Date
CN105956577A true CN105956577A (zh) 2016-09-21

Family

ID=56909255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610338669.0A Pending CN105956577A (zh) 2016-05-20 2016-05-20 基于随机共振的输气管道微泄漏音波信号特征提取方法

Country Status (1)

Country Link
CN (1) CN105956577A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106764451A (zh) * 2016-12-08 2017-05-31 重庆科技学院 基于音波信号检测输气管道微泄漏的建模方法
CN107329141A (zh) * 2017-08-03 2017-11-07 厦门大学 一种海洋环境下的航体微弱辐射噪声信号检测方法
CN110319357A (zh) * 2018-03-30 2019-10-11 中国科学院声学研究所 一种采用声注入的气体管道泄漏检测定位系统及方法
CN112083502A (zh) * 2020-09-09 2020-12-15 中国人民解放军国防科技大学 基于并联单稳随机共振的磁异信号检测方法
CN112464061A (zh) * 2020-12-22 2021-03-09 广州市设计院 暖通管路信息提取方法、装置、计算机设备和存储介质
CN112633390A (zh) * 2020-12-29 2021-04-09 重庆科技学院 一种基于贝叶斯概率优化的青蒿素提净度分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4705414B2 (ja) * 2005-06-13 2011-06-22 日本電信電話株式会社 音声認識装置、音声認識方法、音声認識プログラムおよび記録媒体
CN105546352A (zh) * 2015-12-21 2016-05-04 重庆科技学院 基于声音信号的天然气管道微泄漏检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4705414B2 (ja) * 2005-06-13 2011-06-22 日本電信電話株式会社 音声認識装置、音声認識方法、音声認識プログラムおよび記録媒体
CN105546352A (zh) * 2015-12-21 2016-05-04 重庆科技学院 基于声音信号的天然气管道微泄漏检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张景林等: ""基于System Vue的MFCC特征参数提取研究"", 《齐齐哈尔大学学报》 *
苗玉杰等: ""基于CMN和PMC算法的语音增强失真补偿方法研究"", 《微电子学与计算机》 *
陆思良: ""基于随机共振的微弱信号检测模型及应用研究"", 《中国博士学位论文全文数据库基础科学辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106764451A (zh) * 2016-12-08 2017-05-31 重庆科技学院 基于音波信号检测输气管道微泄漏的建模方法
CN106764451B (zh) * 2016-12-08 2018-10-12 重庆科技学院 基于音波信号检测输气管道微泄漏的建模方法
CN107329141A (zh) * 2017-08-03 2017-11-07 厦门大学 一种海洋环境下的航体微弱辐射噪声信号检测方法
CN110319357A (zh) * 2018-03-30 2019-10-11 中国科学院声学研究所 一种采用声注入的气体管道泄漏检测定位系统及方法
CN112083502A (zh) * 2020-09-09 2020-12-15 中国人民解放军国防科技大学 基于并联单稳随机共振的磁异信号检测方法
CN112083502B (zh) * 2020-09-09 2023-09-12 中国人民解放军国防科技大学 基于并联单稳随机共振的磁异信号检测方法
CN112464061A (zh) * 2020-12-22 2021-03-09 广州市设计院 暖通管路信息提取方法、装置、计算机设备和存储介质
CN112464061B (zh) * 2020-12-22 2023-12-29 广州市设计院集团有限公司 暖通管路信息提取方法、装置、计算机设备和存储介质
CN112633390A (zh) * 2020-12-29 2021-04-09 重庆科技学院 一种基于贝叶斯概率优化的青蒿素提净度分析方法

Similar Documents

Publication Publication Date Title
CN105956577A (zh) 基于随机共振的输气管道微泄漏音波信号特征提取方法
CN110135492B (zh) 基于多高斯模型的设备故障诊断与异常检测方法及系统
CN108166963B (zh) 一种海上油气井压裂效果评价方法
CN101592288B (zh) 一种管道泄漏辨识方法
CN103488941A (zh) 硬件木马检测方法及系统
CN104132250A (zh) 一种基于改进小波包的管道泄漏特征向量提取方法
CN105953987A (zh) 一种阀门内漏检测模拟装置及其气体阀门内漏率声发射诊断方法
CN112963740B (zh) 一种换流站消防管道泄漏监测定位方法
CN106815552A (zh) 基于时频分析的数字信号后处理方法
CN108181059A (zh) 基于小波信号的多相流管道泄漏声波信号识别方法
CN105674065A (zh) 一种基于变模式分解的声发射管道漏点定位方法
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
Yao et al. Multiband weights-induced periodic sparse representation for bearing incipient fault diagnosis
CN104281775B (zh) 一种基于参数补偿多稳随机共振系统的微弱信号检测方法
CN113094641A (zh) 基于大数据可视化分析的k-近邻岩爆预测方法和装置
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
CN116975763A (zh) 一种基于双谱和卷积神经网络的供水管网异常诊断方法
CN103149047A (zh) 一种基于非线性混合模型的冷却塔声学诊断方法
CN115854269A (zh) 泄漏孔喷流噪声识别方法、装置、电子设备及存储介质
Gao et al. Acoustic Emission‐Based Small Leak Detection of Propulsion System Pipeline of Sounding Rocket
CN110160790A (zh) 一种基于改进k-svd的滚动轴承故障冲击信号提取方法及系统
Gao et al. Leakage detection of pipeline based on weighted-permutation entropy
CN111506870B (zh) 一种基于小波变换的时变结构损伤识别方法
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
CN113670531B (zh) 基于相位和幅值衰减的多探头阵列检测供水管道漏损的方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160921