CN108644618A - 基于vmd分量相对熵分析的管道泄漏定位方法 - Google Patents
基于vmd分量相对熵分析的管道泄漏定位方法 Download PDFInfo
- Publication number
- CN108644618A CN108644618A CN201810436414.7A CN201810436414A CN108644618A CN 108644618 A CN108644618 A CN 108644618A CN 201810436414 A CN201810436414 A CN 201810436414A CN 108644618 A CN108644618 A CN 108644618A
- Authority
- CN
- China
- Prior art keywords
- signal
- leakage
- acoustic emission
- frequency
- emission signal
- 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.)
- Granted
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
- G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出一种基于VMD分量相对熵分析的管道泄漏定位方法。运用VMD处理泄漏声发射信号,得到IMF分量,将该分量分别与泄漏声发射信号和无泄漏声发射信号相结合分别计算相对熵值,对相对熵值进行自适应选择分析,提取与含有泄漏特征信号对应的IMF分量进行信号重构,得到最佳观测信号;再利用互时频分析得到观测信号延时与频率,将得到的频率结合模态频散曲线确定信号声速,最后通过时差定位原理得到管道泄漏位置。本发明通过无泄漏信号与泄漏信号IMF分量相对熵值的对比分析,去除干扰信号与虚拟分量,实现有效泄漏信号的提取,并联合互时频分析与模态频散曲线,有效解决泄漏信号难以提取以及频散性而导致泄漏定位误差大的问题。
Description
技术领域
本发明涉及管道泄漏检测技术领域,特别是涉及一种基于VMD分量相对熵分析的管道泄漏定位方法,该方法可用于管道在泄漏声发射信号受到干扰以及频散严重而声速难以确定的情况下,能够对泄漏点进行准确定位。
背景技术
管道由于使用年限长、受到环境腐蚀、第三方破坏等原因,使得管道泄漏事故时有发生。管道泄漏不仅造成宝贵资源的浪费,而且使管内物质通过泄漏点外流,造成环境污染,给人们的生活带来安全隐患。因此对管道故障的有效检测和及时处理显得尤为重要。近些年,国内外在管道泄漏检测技术、泄漏信号特征提取以及管道泄漏定位等方面都做了大量的研究工作。其中基于声发射技术的管道泄漏检测方法研究尤为突出,由于其安装简单、信号获取方便、维护容易、精确度高,适用广泛等优点,得到该领域的工程人员的广泛使用。但由于压电式动态压力传感器的灵敏度较高,对干扰信号较敏感,在不同工作压力条件下,不同位置的泄漏信号传播到管道传感器的信号波形、幅值甚至频率主成分差异性很大,给管道泄漏信号时频域特征提取带来很大难度,以及管道泄漏声发射信号具有宽频带、频散及多模态等特性,使得泄漏信号声速难以确定。
目前应用在管道泄漏特征提取的方法主要有小波变换、奇异值分解(SVD)、经验模态分解(EMD)等。变分模态分解(VMD)是由Dragomiretskiy等在2014年,提出的一种自适应信号处理新方法,其能够将信号分解转化非递归、变分模态分解模式,表现出更好的噪声鲁棒性,相较于经验模态分解、局部均值分解方法等,它能够消除模态混叠的状态。因此该方法一经提出,便在不同的领域得到了应用,有许多文献指出该方法更够准确提取特征信息。其中峭度法与相关系数法是目前应用于变分模态分量有效信息提取的较为广泛的传统方法,但峭度法与相关系数法选取特征固有模态函数分量需要根据信号特性人为设定阈值,自适应性较差。而相对熵不仅能够描述两信号间的相关度,且不需要人为设定阈值,具有较强的自适应性。因此提出基于相对熵的自适应选择方法以获取特征固有模态函数分量,剔除干扰成分与虚假分量,提取出包含绝大多数泄漏特征的固有模态函数(IMF)分量。
以往的VMD分量提取时,只将采集泄漏信号经VMD分解得到的IMF分量与原泄漏信号进行对比分析,而忽略了与未发生泄漏时的信号进行对比分析,缺少参考对比分析,而忽略掉有用的IMF分量。
发明内容
本发明所要解决的技术问题是:为解决管道泄漏声发射信号受环境等因素影响,提取出有效的泄漏信号,实现管道泄漏的精确定位,本发明提供一种基于VMD分量相对熵分析的管道泄漏定位方法,基于相对熵,利用采集的泄漏信号的IMF与其原信号对比的同时,再将IMF分量与无泄漏信号进行对比分析,以此提取出若干个IMF分量组成最佳观测信号;再利用互时频分析方法,提取信号延时与频率,通过得到的频率结合模态声发射的频散曲线图确定泄漏信号声速,以此对泄漏位置进行准确定位。
本发明解决其技术问题所要采用的技术方案是:一种基于VMD分量相对熵分析的管道泄漏定位方法,包括以下步骤:
S1:利用声发射管道泄漏采集系统分别采集管道泄漏状态下和无泄漏状态下的声发射信号,得到泄漏声发射信号与无泄漏声发射信号;利用声发射仪与声发射传感器构成的声发射管道泄漏采集系统,分别管道在泄漏状态与无泄漏状态下采集声发射信号。
S2:对采集到的泄漏声发射信号进行变分模态分解(VMD),得到若干个固有模态函数分量(IMF),然后用所有(IMF)分量分别与泄漏声发射信号和无泄漏声发射信号相结合,分别求出以上两种信号的相对熵值;在对这两种信号的相对熵进行自适应分析,提取与含有泄漏特征信号对应的IMF分量进行信号重构分析,选取两种信号的最佳观测信号;
S3:对管道两端采集到的两泄漏声发射信号进行S2步骤处理,得到两最佳观测信号,对步骤S2中获得的两最佳观测信号进行广义S变换,获得其互相关函数,利用互时频分析方法对两最佳观测信号的互相关函数进行时频分析,得到与之相应的延时τ与频率ω;
S4:依据步骤S3得到的声发射泄漏信号的频率值,结合模态声发射频散曲线选取主要模态,得到相应的声发射信号声速v;
S5:根据时差定位原理,利用步骤S3得到的声发射信号延时τ与步骤S4得到的声速v计算出管道泄漏位置。
具体的,所述步骤S2中,利用声发射管道泄漏采集系统分别采集泄漏状态与无泄漏状态下的声发射信号,得到泄漏声发射信号X(t),无泄漏声发射信号为W(t),对泄漏声发射信号X(t)进行VMD分解,得到IMF分量,并进行最佳观测信号的选取。具体步骤如下:
S2.1:由于VMD能够解决信号分解的模态混叠问题,采用了交替方向乘子法,将各模态解调到相应的基频带,最终各个模态及相应的中心频率被一同提取出来,从而可以选取信号的IMF分量组成新的特征信息,表现出更好的噪声鲁棒性,并且采样效应也较小。因此将利用VMD对管道泄漏声发射信号进行分解。
对泄漏声发射信号X(t),利用VMD分解成k个固有模态函数分量,如下式所示:
其中:uk(t)为第k个固有模态函数分量,k=1,2,...n。
所述变分模态分解通过求解收约束的变分问题,再将信号重构分解为一系列的固有函数模态分量,该约束变分问题如下:
其中,{uk}:={u1,...,uk},ωk为固有函数模态分量的中心频率,且{ωk}:={ω1,...,ωk},δ(t)是狄利克来函数,j是虚数符号,s.t.为约束条件的英文缩写。
该公式出自Wang Y等人发表在《Mechanical Systems&Signal Processing》期刊的《Research on variational mode decomposition and its application indetecting rub-impact fault of the rotor system》一文,2015年第60-61期,第243-251页。
为求解上式,引入二次惩罚因子γ和拉格朗日乘法算子λ(t),将约束变分问题转为非约束性变分问题,其中二次惩罚因子γ可在高斯噪声存在的情况下保证信号的重构精度,拉格朗日算子λ(t)使得约束条件保持严格性,扩展的拉格朗日表达如下:
通过交替更新和λn+1寻求扩展拉格朗日表达式的“鞍点”。其中具体迭代算法为:
其中,为固有模态函数uk的频率,为λ的频谱。
其中迭代更新ωk的值,具体迭代算法为:
迭代更新λ的值,具体迭代算法为:
其中,ε为拉格朗日乘数的更新系数;
直到满足以下迭代停止条件:
其中,θ为收敛门限。
S2.2:为选取若干个IMF分量组成的最佳观测信号,设计基于相对熵分析对IMF分量进行自适应性选择方法,其中相对熵值越小,说明两信号之间的关联性越大。
分别求解IMF分量和泄漏声发射信号、无泄漏声发射信号的相对熵值αk,βk。其中αk表示泄漏声发射信号与第k个IMF分量的相对熵值,βk表示无泄漏声发射信号与第k个IMF分量的相对熵值。
泄漏声发射信号X(t)与IMF分量uk的相对熵定义为:
α(X(t),uk)=α(X(t)||uk)+α(X(t)||uk),k=1,2,...n (8)
无泄漏声发射信号W(t)与IMF分量uk的相对熵定义为:
β(W(t),uk)=β(W(t)||uk)+β(W(t)||uk),k=1,2,...n (9)
在{α1,α2,...,αk}中选取最小的三个熵值对应的IMF分量,进行重构,得到信号x1,则该信号包涵了与泄漏信号相关程度最高的有效信息;在{β1,β2,...,βk}中选取最大的三个相对熵值对应的IMF分量,进行重构,得到信号x2,则该信号实质为去除管道检测背景噪声后的泄漏声发射信号;后再将得到的重构信号x1,x2进行再次重构,此时得到的信号含有的泄漏信息最大,以此信号作为最佳观测信号X′1(t),X′2(t)。
利用该方法选择出的观测信号,不仅去除了管道环境噪声、管内流体流动噪声等非泄漏信号的干扰,还能够去除VMD分解产生的虚假分量,提取出泄漏主要特征分量,实现有效泄漏信号的提取。
所述步骤S3中,由步骤S2分别处理管道两端采集到的两泄漏声发射信号,得到观测信号X′1(t),X′2(t)。先求解观测信号X′1(t)与X′2(t)的互相关函数:
其中,τ为两最佳观测信号的延时。
由于管道泄漏声发射信号在管中传播时速度随着信号频率的变化而变化,即为声发射信号的频散性,致使泄漏信号在管道中传播时产生的延时会随着信号频率的变化而改变,因此为了揭示时变的互相关函数的时间延迟与频率之间的关系,采用时频分析对时变的互相关函数进行时频分析。由时频分析理论研究表明,采用广义S时频分析能够得到较高的时频分辨率,并且能够较好的保存信号的完整性,信号损失较小。于是,在本方法中采用广义S时频分析来分析时变互相关函数的时间延迟与频率之间的关系。
利用广义S变换分析时变互相关函数的延时τ与频率ω的关系,即为:
其中表示两最佳观测信号的互相关函数的时频分布,其中,ω表示频率,则广义S变换为:
其中,参数p可以根据经验最优时频分辨率方法来确定,σ为调节因子。
通过两最佳观测信号的互相关函数时频分布的峰值对应的时间即为两最佳观测信号的延时τ,峰值对应的频率ω为延时τ的两最佳观测信号相关性最强的频率,即为
其中,ω1和T分别为时频分布的相应峰值的频率和两观测信号的延时。
具体的,步骤S4中由于声发射信号传播的频散性,信号传播的声速会随着频率的变化而变化,模态声发射频散曲线描述了声发射信号声速随频率变化的趋势,因此利用得到的泄漏声发射信号频率值通过模态声发射频散曲线可以得到相应的声发射信号声速v。
进一步,所述步骤S5中,通过步骤S3与步骤S4中中得到的延时τ与速度v,通过时差定位法即可确定管道泄漏点的位置,即为:
其中,l为估计漏定位值,即泄漏点到上游压力传感器的距离;L为两压力传感器之间的距离;v(ω1)为频率为ω1时的泄漏声发射信号在管道中的传播速度,可结合模态声发射频散曲线选取主要模态,得到相应的泄漏声发射信号传播速度。
本发明的有益效果是:本发明提供的一种基于VMD分量相对熵分析的管道泄漏定位方法,利用声发射仪分别在管道泄漏状态下与无泄漏状态下提取声发射信号,得到泄漏声发射信号与无泄漏声发射信号,利用变分模态分解提取有效泄漏信息,通过互时频分析得到有效的时间与频率信息,并结合模态声发射频散曲线确定声速以解决因泄漏信号的频散特性导致声速难以准确确定的问题;同时,基于相对熵提出了变分模态分解分量的有效提取方法,加入无泄漏信号作为参考,与泄漏信号IMF分量相对熵值的对比分析,以此去除干扰信号与虚拟分量,实现有效的泄漏信号的提取,以有效解决管道泄漏定位误差大的问题。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明最佳实施例的流程示意图。
图2是管道泄漏定位原理图。
图3是泄漏声发射信号在管道中传输的群速度频散曲线。
图4是上游管道泄漏声发射信号图。
图5是上游管道无泄漏声发射信号图。
图6是VMD分解上游管道泄漏声发射信号得到各个分量。
图7是泄漏声发射信号的基于广义S变换的互相关函数时频谱。
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,本发明的一种基于VMD分量相对熵分析的管道泄漏定位方法,包括包括以下步骤:
S1:利用声发射管道泄漏采集系统分别采集管道泄漏状态下和无泄漏状态下的声发射信号,得到泄漏声发射信号与无泄漏声发射信号;利用声发射仪与声发射传感器构成的声发射管道泄漏采集系统,分别管道在泄漏状态与无泄漏状态下采集声发射信号。
S2:对采集到的泄漏声发射信号进行变分模态分解(VMD),得到若干个固有模态函数分量(IMF),然后用所有(IMF)分量分别与泄漏声发射信号和无泄漏声发射信号相结合,分别求出以上两种信号的相对熵值;在对这两种信号的相对熵进行自适应分析,提取与含有泄漏特征信号对应的IMF分量进行信号重构分析,选取两种信号的最佳观测信号;
利用声发射仪分别采集泄漏状态与无泄漏状态下的声发射信号,得到泄漏声发射信号X(t),无泄漏声发射信号为W(t),对泄漏声发射信号X(t)进行VMD分解,得到IMF分量,并进行最佳观测信号的选取。具体步骤如下:
S2.1:由于VMD能够解决信号分解的模态混叠问题,采用了交替方向乘子法,将各模态解调到相应的基频带,最终各个模态及相应的中心频率被一同提取出来,从而可以选取信号的IMF分量组成新的特征信息,表现出更好的噪声鲁棒性,并且采样效应也较小。因此将利用VMD对管道泄漏声发射信号进行分解。
对泄漏声发射信号X(t),利用VMD分解成k个固有模态函数分量,如下式所示:
其中:uk(t)为第k个固有模态函数分量,k=1,2,...n。
所述变分模态分解通过求解收约束的变分问题,再将信号重构分解为一系列的固有函数模态分量,该约束变分问题如下:
其中,{uk}:={u1,...,uk},ωk为固有函数模态分量的中心频率,且{ωk}:={ω1,...,ωk},δ(t)是狄利克来函数,j是虚数符号,s.t.为约束条件的英文缩写。
该公式出自Wang Y等人发表在《Mechanical Systems&Signal Processing》期刊的《Research on variational mode decomposition and its application indetecting rub-impact fault of the rotor system》一文,2015年第60-61期,第243-251页。
为求解上式,引入二次惩罚因子γ和拉格朗日乘法算子λ(t),将约束变分问题转为非约束性变分问题,其中二次惩罚因子γ可在高斯噪声存在的情况下保证信号的重构精度,拉格朗日算子λ(t)使得约束条件保持严格性,扩展的拉格朗日表达如下:
通过交替更新和λn+1寻求扩展拉格朗日表达式的“鞍点”。其中具体迭代算法为:
其中,为固有模态函数uk的频率,为λ的频谱。
其中迭代更新ωk的值,具体迭代算法为:
迭代更新λ的值,具体迭代算法为:
其中,ε为拉格朗日乘数的更新系数;
直到满足以下迭代停止条件:
其中,θ为收敛门限。
S2.2:为选取若干个IMF分量组成的最佳观测信号,设计基于相对熵分析对IMF分量进行自适应性选择方法,其中相对熵值越小,说明两信号之间的关联性越大。
分别求解IMF分量和泄漏声发射信号、无泄漏声发射信号的相对熵值αk,βk。其中αk表示泄漏声发射信号与第k个IMF分量的相对熵值,βk表示无泄漏声发射信号与第k个IMF分量的相对熵值。
泄漏声发射信号X(t)与IMF分量uk的相对熵定义为:
α(X(t),uk)=α(X(t)||uk)+α(X(t)||uk),k=1,2,...n (8)
无泄漏声发射信号W(t)与IMF分量uk的相对熵定义为:
β(W(t),uk)=β(W(t)||uk)+β(W(t)||uk),k=1,2,...n (9)
在{α1,α2,...,αk}中选取最小的三个熵值对应的IMF分量,进行重构,得到信号x1,则该信号包涵了与泄漏信号相关程度最高的有效信息;在{β1,β2,...,βk}中选取最大的三个相对熵值对应的IMF分量,进行重构,得到信号x2,则该信号实质为去除管道检测背景噪声后的泄漏声发射信号;后再将得到的重构信号x1,x2进行再次重构,此时得到的信号含有的泄漏信息最大,以此信号作为最佳观测信号X′1(t),X′2(t)。其中,最小的三个指{α1,α2,...,αk}进行从小到大排序后,排在前三位的熵值;最大的三个指{β1,β2,...,βk}进行从大到小排序后,排在前三位的熵值;
S3:对管道两端采集到的两泄漏声发射信号进行S2步骤处理,得到两最佳观测信号,对步骤S2中获得的两最佳观测信号进行广义S变换,获得其互相关函数,利用互时频分析方法对两最佳观测信号的互相关函数进行时频分析,得到与之相应的延时与频率;
所述步骤S3中,由步骤S2分别处理管道两端采集到的两泄漏声发射信号,得到观测信号X′1(t),X′2(t)。先求解观测信号X′1(t)与X′2(t)的互相关函数:
其中τ为两最佳观测信号的延时。
由于管道泄漏声发射信号在管中传播时速度随着信号频率的变化而变化,即为声发射信号的频散性,致使泄漏信号在管道中传播时产生的延时会随着信号频率的变化而改变,因此为了揭示时变的互相关函数的时间延迟与频率之间的关系,采用时频分析对时变的互相关函数进行时频分析。由时频分析理论研究表明,采用广义S时频分析能够得到较高的时频分辨率,并且能够较好的保存信号的完整性,信号损失较小。于是,在本方法中采用广义S时频分析来分析时变互相关函数的时间延迟与频率之间的关系。
利用广义S变换分析时变互相关函数的延时τ与频率ω的关系,即为:
其中表示两最佳观测信号的互相关函数的时频分布,其中,ω表示频率,则广义S变换为:
其中,参数p可以根据经验最优时频分辨率方法来确定,σ为调节因子。
通过两最佳观测信号的互相关函数时频分布的峰值对应的时间即为两最佳观测信号的延时τ,峰值对应的频率ω为延时τ的两最佳观测信号相关性最强的频率,即为
其中,ω1和T分别为时频分布的相应峰值的频率和两观测信号的延时。
S4:依据步骤S3得到的声发射泄漏信号的频率值,结合模态声发射频散曲线选取主要模态,得到相应的声发射信号声速v;
由于声发射信号传播的频散性,信号传播的声速会随着频率的变化而变化,模态声发射频散曲线描述了声发射信号声速随频率变化的趋势,因此利用得到的泄漏声发射信号频率值通过模态声发射频散曲线可以得到相应的声发射信号声速v。
S5:根据时差定位原理,利用步骤S3得到的声发射信号延时τ与步骤S4得到的声速v计算出管道泄漏位置。
通过时差定位法即可确定管道泄漏点的位置,即为:
其中,l为估计漏定位值,即泄漏点到上游压力传感器的距离;L为两压力传感器之间的距离;v(ω1)为频率为ω1时的泄漏声发射信号在管道中的传播速度,可结合模态声发射频散曲线选取主要模态,得到相应的泄漏声发射信号传播速度。
图2为管道泄漏声发射检测定位原理示意图。由于管道泄漏的声发射信号易受到管道环境噪声、介质流体运动产生的噪声等一些非泄漏信号的影响,使得管道泄漏定位不准确,并且管道泄漏产生的声发射信号为连续信号,连续的泄漏声发射信号不能直接从波形中反映其在管道中传输的延时。
将本发明提出一种基于VMD分量相对熵分析的管道泄漏定位方法应用到气体管道泄漏检测实验平台中,其中管道为架空钢管,管道长为45m,管道两传感器间的距离L为42m,管道压力为0.12MPa,管道的几何和材料参数如表1所示:
表1实验管道基本参数
利用管道的基本参数,可以求取管道频散方程的数值解,其群速度频散曲线如图3,可以利用频率通过群速度频散曲线图确定声速v。
利用声发射仪与声发射传感器构成的管道泄漏采集系统,分别管道在泄漏状态与无泄漏状态下采集声发射信号,即为泄漏声发射信号X(t)与无泄漏声发射信号W(t),如图4为上游传感器在管道泄漏状态下采集到的泄漏声发射信号X1(t),图5为上游传感器管道在无泄漏状态下采集到的声发射信号W1(t)。
为确定VMD分解的IMF的个数,采用观察中心频率的方法确定k。利用采集到的某一泄漏声发射信号进行不同k值的分解,根据不同K值对应的各个模态中心频率,由表2可知在k=8时,出现了中心频率相近的模态分量,出现了过分解,因此,选取模态数k=7。
表2不同k值各个模态分量的中心频率
利用VMD分解泄漏声发射信号X1(t),得到7个IMF分量,如图6所示。
根据步骤S2求取最佳观测信号。分别求解IMF分量和泄漏声发射信号、无泄漏声发射信号的相对熵值αk,βk。其中αk表示泄漏声发射信号与第k个IMF分量的相对熵值,βk表示无泄漏声发射信号与第k个IMF分量的相对熵值。如表3所示:
表3相对熵值
相对熵值αk | 相对熵值βk | ||
α1 | 0.1615 | β1 | 0.1635 |
α2 | 0.1204 | β2 | 0.1534 |
α3 | 0.1627 | β3 | 0.1627 |
α4 | 0.0991 | β4 | 0.1011 |
α5 | 0.1800 | β5 | 0.2130 |
α6 | 0.2041 | β6 | 0.1421 |
α7 | 0.1983 | β7 | 0.1404 |
由于相对熵值越小,说明两信号之间的关联性越大,αk是泄漏声发射信号与第k个IMF分量的相对熵值,因此取αk中三个较小的相对熵值为α1、α2、α4,对应的三个IMF分量重构信号,构成信号x1,信号x1所包涵的泄漏信息较大;相对熵值大,表面明该信号与无泄漏相关性较小,βk是无泄漏声发射信号与第k个IMF分量的相对熵值,因此选取βk中三个较大的相对熵值为β1、β3、β5,对应的三个IMF分量重构信号,构成信号x2,该信号实质就是去除了管道背景噪声后的泄漏信号,将重构信号x1、x2进行重构,得到上游泄漏声发射最佳观测信号X′1(t)。以此方法得到下游泄漏声发射最佳观测信号X′2(t),利用最佳观测信号X′1(t)、X′2(t)进行互相关分析得到互相关函数,并将互相关函数进行广义S变换时频分析,如图7所示,得到互相关函数的时频谱峰值对应的频率为45.412kHz,峰值对应的延时为0.0047s;利用峰值频率45.412kHz,在如图2所示的群速度频散曲线中对应的声速为2243.91m/s。将延时与声速带入时差定位公式可以确定上游传感器到泄漏位置的距离15.73m,而实际距离为16m,因此,绝对定位误差为0.27m,相对定位误差为1.69%。
运用基于VMD分量相对熵分析的管道泄漏定位方法可以有效地对泄漏信号进行分解,去除噪声等非泄漏信号的干扰,去除虚假分量,有效地把握声发射信号的信息,够克服分解后对IMF分量提取问题,并利用特征峰值可以准确的获得泄漏信号的时延和相关频率信息,提高了时延估计精度,进而定位精度也得到了提高。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关的工作人员完全可以在不偏离本发明的范围内,进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种基于VMD分量相对熵分析的管道泄漏定位方法,其特征在于:包括以下步骤:
S1:利用声发射管道泄漏采集系统分别采集管道泄漏状态下和无泄漏状态下的声发射信号,得到泄漏声发射信号与无泄漏声发射信号;
S2:对采集到的泄漏声发射信号进行变分模态分解(VMD),得到若干个固有模态函数(IMF)分量,然后用所有(IMF)分量分别与泄漏声发射信号和无泄漏声发射信号相结合,分别求出以上两种信号的相对熵值;在对这两种信号的相对熵进行自适应分析,提取与含有泄漏特征信号对应的IMF分量进行信号重构分析,选取两种信号的最佳观测信号;
S3:对步骤S2中获得的两最佳观测信号进行广义S变换,获得互相关函数,利用互时频分析方法对两最佳观测信号的互相关函数进行时频分析,得到与之相应的延时τ与频率ω;
S4:依据步骤S3得到的声发射泄漏信号的频率值,结合模态声发射频散曲线选取主要模态,得到相应的声发射信号声速v;
S5:根据时差定位原理,利用步骤S3得到的声发射信号延时τ与步骤S4得到的声速v计算出管道泄漏位置。
2.根据权利要求1所述的基于VMD分量相对熵分析的管道泄漏定位方法,其特征在于:所述步骤S2中,泄漏声发射信号用X(t)表示,无泄漏声发射信号用W(t)表示,对泄漏声发射信号X(t)进行VMD分解,得到IMF分量,并进行最佳观测信号的选取,具体步骤如下:
S2.1:对泄漏声发射信号X(t),利用VMD分解成k个固有模态函数(IMF)分量,用公式(1)表示为:
其中:uk(t)为第k个固有模态函数分量,k=1,2,...n;
S2.2:为选取若干个IMF分量组成的最佳观测信号,设计基于相对熵分析对IMF分量进行自适应性选择方法,其中相对熵值越小,说明两信号之间的关联性越大;
分别求解IMF分量和泄漏声发射信号、无泄漏声发射信号的相对熵值αk和βk,αk表示泄漏声发射信号与第k个IMF分量的相对熵值,βk表示无泄漏声发射信号与第k个IMF分量的相对熵值,
泄漏声发射信号X(t)与IMF分量uk的相对熵定义为:
α(X(t),uk)=α(X(t)||uk)+α(X(t)||uk),k=1,2,...n (8)
无泄漏声发射信号W(t)与IMF分量uk的相对熵定义为:
β(W(t),uk)=β(W(t)||uk)+β(W(t)||uk),k=1,2,...n (9)
在{α1,α2,...,αk}中选取最小的三个熵值对应的IMF分量,进行重构,得到信号x1,则该信号包涵了与泄漏信号相关程度最高的有效信息;在{β1,β2,...,βk}中选取最大的三个相对熵值对应的IMF分量,进行重构,得到信号x2,则该信号实质为去除管道检测背景噪声后的泄漏声发射信号;后再将得到的重构信号x1,x2进行再次重构,此时得到的信号含有的泄漏信息最大,以此信号作为最佳观测信号X′1(t),X′2(t)。
3.根据权利要求2所述的基于VMD分量相对熵分析的管道泄漏定位方法,其特征在于:所述步骤S3中,由步骤S2得到最佳观测信号X′1(t),X′2(t)求解其互相关函数R(τ):
其中,τ为两最佳观测信号的延时。
利用广义S变换分析时变互相关函数的延时τ与频率ω的关系,即为:
其中,表示两最佳观测信号的互相关函数的时频分布,其中,ω表示频率,则广义S变换为:
其中,参数p可以根据经验最优时频分辨率方法来确定,λ为调节因子;
最佳观测信号的互相关函数时频分布的峰值对应的时间即为两观最佳测信号的延时τ,峰值对应的频率ω为延时τ的两最佳观测信号相关性最强的频率,即为
其中,ω1和T分别为时频分布的相应峰值的频率和两最佳观测信号的延时。
4.根据权利要求3所述的基于VMD分量相对熵分析的管道泄漏定位方法,其特征在于:所述步骤S5中,通过得到的泄漏信号延时τ与传播速度v,依据时差定位法即可确定管道泄漏点的位置,即为:
其中,l为估计漏定位值,即泄漏点到上游压力传感器的距离;L为两压力传感器之间的距离;v(ω1)为频率为ω1时的泄漏声发射信号在管道中的传播速度,可结合模态声发射频散曲线选取主要模态,得到相应的泄漏声发射信号传播速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810436414.7A CN108644618B (zh) | 2018-05-09 | 2018-05-09 | 基于vmd分量相对熵分析的管道泄漏定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810436414.7A CN108644618B (zh) | 2018-05-09 | 2018-05-09 | 基于vmd分量相对熵分析的管道泄漏定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108644618A true CN108644618A (zh) | 2018-10-12 |
CN108644618B CN108644618B (zh) | 2019-07-09 |
Family
ID=63753867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810436414.7A Active CN108644618B (zh) | 2018-05-09 | 2018-05-09 | 基于vmd分量相对熵分析的管道泄漏定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108644618B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109469837A (zh) * | 2018-11-19 | 2019-03-15 | 江苏省特种设备安全监督检验研究院 | 基于vmd-pse的压力管道多点泄漏定位方法 |
CN109613399A (zh) * | 2018-12-13 | 2019-04-12 | 西安理工大学 | 一种基于vmd能量相对熵的线路故障选线方法 |
CN109654384A (zh) * | 2019-01-29 | 2019-04-19 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
CN109827082A (zh) * | 2019-03-13 | 2019-05-31 | 常州大学 | 一种管道多点泄漏精确定位方法 |
CN110161125A (zh) * | 2019-06-17 | 2019-08-23 | 哈尔滨工业大学 | 基于加速度与声发射感知技术相结合的航空发动机智能监测方法 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
CN110673199A (zh) * | 2019-08-30 | 2020-01-10 | 昆明理工大学 | 一种基于低频声压信号分析的u型管堵塞状态评估方法 |
CN111503527A (zh) * | 2020-04-22 | 2020-08-07 | 重庆邮电大学 | 基于自适应多元变分模态分解的流体管道泄漏定位方法 |
CN111947045A (zh) * | 2020-08-24 | 2020-11-17 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
CN112303504A (zh) * | 2020-11-09 | 2021-02-02 | 吉林大学 | 一种基于改进的变分模式分解算法的供水管道泄漏位置检测方法 |
CN113204850A (zh) * | 2021-05-28 | 2021-08-03 | 重庆交通大学 | 一种桥梁挠度监测中的温度效应分离方法 |
CN113255541A (zh) * | 2021-06-01 | 2021-08-13 | 东北大学 | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 |
CN113932158A (zh) * | 2021-10-25 | 2022-01-14 | 东北石油大学 | 一种长输管道泄漏信号的采集传输装置 |
CN115420247A (zh) * | 2022-11-03 | 2022-12-02 | 核工业北京地质研究院 | 确定真空泄漏漏孔形状和面积的方法及实验系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103939750A (zh) * | 2014-05-05 | 2014-07-23 | 重庆大学 | 一种消防水管网渗漏的检测识别与定位方法 |
US8819190B2 (en) * | 2011-03-24 | 2014-08-26 | International Business Machines Corporation | Management of file images in a virtual environment |
CN105627107A (zh) * | 2016-01-13 | 2016-06-01 | 重庆邮电大学 | 流体管道单一传感器模态声发射时频定位方法 |
CN105674065A (zh) * | 2016-01-18 | 2016-06-15 | 南京信息职业技术学院 | 一种基于变模式分解的声发射管道漏点定位方法 |
CN106523928A (zh) * | 2016-11-24 | 2017-03-22 | 东北大学 | 基于声波实时数据二级筛选的管道泄漏检测装置及方法 |
-
2018
- 2018-05-09 CN CN201810436414.7A patent/CN108644618B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8819190B2 (en) * | 2011-03-24 | 2014-08-26 | International Business Machines Corporation | Management of file images in a virtual environment |
CN103939750A (zh) * | 2014-05-05 | 2014-07-23 | 重庆大学 | 一种消防水管网渗漏的检测识别与定位方法 |
CN105627107A (zh) * | 2016-01-13 | 2016-06-01 | 重庆邮电大学 | 流体管道单一传感器模态声发射时频定位方法 |
CN105674065A (zh) * | 2016-01-18 | 2016-06-15 | 南京信息职业技术学院 | 一种基于变模式分解的声发射管道漏点定位方法 |
CN106523928A (zh) * | 2016-11-24 | 2017-03-22 | 东北大学 | 基于声波实时数据二级筛选的管道泄漏检测装置及方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109469837A (zh) * | 2018-11-19 | 2019-03-15 | 江苏省特种设备安全监督检验研究院 | 基于vmd-pse的压力管道多点泄漏定位方法 |
CN109613399A (zh) * | 2018-12-13 | 2019-04-12 | 西安理工大学 | 一种基于vmd能量相对熵的线路故障选线方法 |
WO2020155002A1 (zh) * | 2019-01-29 | 2020-08-06 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
CN109654384A (zh) * | 2019-01-29 | 2019-04-19 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
CN109654384B (zh) * | 2019-01-29 | 2024-04-02 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
US20210010893A1 (en) * | 2019-01-29 | 2021-01-14 | Nanjing Tech University | Device and method for pipeline leak detection using particle swarm optimization-variational mode decomposition algorithm |
CN109827082B (zh) * | 2019-03-13 | 2020-10-09 | 常州大学 | 一种管道多点泄漏精确定位方法 |
CN109827082A (zh) * | 2019-03-13 | 2019-05-31 | 常州大学 | 一种管道多点泄漏精确定位方法 |
CN110161125A (zh) * | 2019-06-17 | 2019-08-23 | 哈尔滨工业大学 | 基于加速度与声发射感知技术相结合的航空发动机智能监测方法 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
CN110673199A (zh) * | 2019-08-30 | 2020-01-10 | 昆明理工大学 | 一种基于低频声压信号分析的u型管堵塞状态评估方法 |
CN110673199B (zh) * | 2019-08-30 | 2022-05-13 | 昆明理工大学 | 一种基于低频声压信号分析的u型管堵塞状态评估方法 |
CN111503527A (zh) * | 2020-04-22 | 2020-08-07 | 重庆邮电大学 | 基于自适应多元变分模态分解的流体管道泄漏定位方法 |
CN111947045A (zh) * | 2020-08-24 | 2020-11-17 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
CN111947045B (zh) * | 2020-08-24 | 2022-01-28 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
CN112303504B (zh) * | 2020-11-09 | 2021-07-02 | 吉林大学 | 一种基于改进的变分模式分解算法的供水管道泄漏位置检测方法 |
CN112303504A (zh) * | 2020-11-09 | 2021-02-02 | 吉林大学 | 一种基于改进的变分模式分解算法的供水管道泄漏位置检测方法 |
CN113204850A (zh) * | 2021-05-28 | 2021-08-03 | 重庆交通大学 | 一种桥梁挠度监测中的温度效应分离方法 |
CN113255541A (zh) * | 2021-06-01 | 2021-08-13 | 东北大学 | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 |
CN113255541B (zh) * | 2021-06-01 | 2023-08-29 | 东北大学 | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 |
CN113932158A (zh) * | 2021-10-25 | 2022-01-14 | 东北石油大学 | 一种长输管道泄漏信号的采集传输装置 |
CN115420247A (zh) * | 2022-11-03 | 2022-12-02 | 核工业北京地质研究院 | 确定真空泄漏漏孔形状和面积的方法及实验系统 |
CN115420247B (zh) * | 2022-11-03 | 2023-01-06 | 核工业北京地质研究院 | 确定真空泄漏漏孔形状和面积的方法及实验系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108644618B (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108644618B (zh) | 基于vmd分量相对熵分析的管道泄漏定位方法 | |
Sun et al. | Natural gas pipeline leak aperture identification and location based on local mean decomposition analysis | |
Xiao et al. | Natural-gas pipeline leak location using variational mode decomposition analysis and cross-time–frequency spectrum | |
Sun et al. | Natural gas pipeline small leakage feature extraction and recognition based on LMD envelope spectrum entropy and SVM | |
Ghazali et al. | Comparative study of instantaneous frequency based methods for leak detection in pipeline networks | |
Adnan et al. | Leak detection in gas pipeline by acoustic and signal processing-A review | |
Liu et al. | Leakage monitoring research and design for natural gas pipelines based on dynamic pressure waves | |
CN109827082B (zh) | 一种管道多点泄漏精确定位方法 | |
Sun et al. | Natural gas leak location with K–L divergence-based adaptive selection of Ensemble Local Mean Decomposition components and high-order ambiguity function | |
CN108954020A (zh) | 一种管道定位方法 | |
CN110388570A (zh) | 一种基于vmd的自适应降噪方法及其在供水管道泄漏定位中的应用 | |
Li et al. | Enhancement of oil debris sensor capability by reliable debris signature extraction via wavelet domain target and interference signal tracking | |
Lang et al. | Localization method of multiple leaks based on time-frequency analysis and improved differential evolution | |
Bentoumi et al. | Wavelet DT method for water leak‐detection using a vibration sensor: an experimental analysis | |
Wang et al. | An improved empirical mode decomposition method using second generation wavelets interpolation | |
Lu et al. | Chirplet signal and empirical mode decompositions of ultrasonic signals for echo detection and estimation | |
CN109556797A (zh) | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 | |
Ji et al. | Application of EMD Technology in Leakage Acoustic Characteristic Extraction of Gas‐Liquid, Two‐Phase Flow Pipelines | |
Liu et al. | Negative pressure wave denoising based on VMD and its application in pipeline leak location | |
CN105674065A (zh) | 一种基于变模式分解的声发射管道漏点定位方法 | |
Wang et al. | Continuous leak detection and location through the optimal mother wavelet transform to AE signal | |
Han et al. | Localization of CO2 gas leakages through acoustic emission multi-sensor fusion based on wavelet-RBFN modeling | |
Hao et al. | Urban hazardous chemicals pipeline leakage positioning method based on CELMD-MCKD | |
Yang et al. | A contribution to the applicability of complex wavelet analysis of ultrasonic signals | |
Hao et al. | Research on gas pipeline multi-point leak signal processing and source locating using VMD, BSS and relative entropy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |