CN109506135A - 管道泄漏点定位方法及装置 - Google Patents
管道泄漏点定位方法及装置 Download PDFInfo
- Publication number
- CN109506135A CN109506135A CN201811311671.4A CN201811311671A CN109506135A CN 109506135 A CN109506135 A CN 109506135A CN 201811311671 A CN201811311671 A CN 201811311671A CN 109506135 A CN109506135 A CN 109506135A
- Authority
- CN
- China
- Prior art keywords
- leakage signal
- principal component
- signal
- point
- leakage
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明实施例提供一种管道泄漏点定位方法及装置,所述方法包括:对获取到的第一路泄漏信号进行经验模态分解,获取第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取第二路泄漏信号的主分量,作为第二主分量;基于第一主分量和第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置。本发明实施例提供的管道泄漏点定位方法及装置,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
Description
技术领域
本发明实施例涉及信号处理技术领域,尤其涉及一种管道泄漏点定位方法及装置。
背景技术
在管道泄露检测定位工程中,为了对泄漏点进行定位,需要准确的获取有用的泄露信号,该泄漏信号是指泄漏点产生的振动信号。然而,泄漏信号沿管道传输后,能检测到的泄漏信号比较微弱,加上各种干扰噪声和检测器本身产生的随机噪声的混入,导致很难准确有效地提取出有用泄露信号,不仅会造成检测定位结果的不可靠,甚至根本无法定位。
现有技术中,采用小波包分解技术提取泄露信号的分量,但是小波包分解中小波基的选择会直接影响定位精度,且目前还没有有效的方法针对特定的信号选择特定的小波基,没有信号的先验信息也导致合理的划分频段非常困难,通常根据操作文员的经验选择小波基。
现有技术中的方法,由于无法准确地选择小波包分解中小波基,导致无法准确的获取泄漏信号的分量,无法更大程度的消除噪声,从而使检测出的管道泄漏点的位置不精确。
发明内容
本发明实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的管道泄漏点定位方法及装置。
为了解决上述技术问题,一方面,本发明实施例提供一种管道泄漏点定位方法,包括:
对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;
基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
另一方面,本发明实施例提供一种管道泄漏点定位装置,包括:
分解模块,用于对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;
定位模块,用于基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
再一方面,本发明实施例提供一种电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
又一方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明实施例提供的管道泄漏点定位方法及装置,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
附图说明
图1为本发明实施例提供的管道泄漏点定位方法示意图;
图2为本发明实施例提供的管道泄漏点定位原理示意图;
图3为本发明实施例提供的自适应噪声抵消系统的结构示意图;
图4为本发明实施例提供的基于噪声白化准则的线性预测器的结构示意图;
图5为本发明实施例提供的噪声抵消器的结构示意图;
图6为本发明实施例提供的泄露信号的时域波形示意图;
图7为本发明实施例提供的泄露信号的频谱示意图;
图8为本发明实施例提供的第一泄露信号的IMF分量的功率谱示意图;
图9为本发明实施例提供的第二泄露信号的IMF分量的功率谱示意图;
图10为本发明实施例提供的各个IMF分量的归一化功率的示意图;
图11为本发明实施例提供的第一主分量和第二主分量的互相关函数示意图;
图12为本发明实施例提供的第一无噪主分量和第二无噪主分量的互相关函数示意图;
图13为本发明实施例提供的管道泄漏点定位装置示意图;
图14为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的管道泄漏点定位方法示意图,如图1所示,本发明实施例提供一种管道泄漏点定位方法,其执行主体为管道泄漏点定位装置,该方法包括:
步骤S101、对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;
步骤S102、基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
具体来说,图2为本发明实施例提供的管道泄漏点定位原理示意图,如图2所示,A点为泄漏点,B点第一采集点,C点第二采集点,B点和C点之间的距离为L,L可以通过尺子等测量工具测量获得其精确值,也可以通过计算获得其精确值。只需要获得A点和B点之间的距离L1,以及A点和C点之间的距离L2,或者L1和L2之间的差值,然后,通过几何关系就能准确地定位泄漏点A的位置。
首先,在B点采集第一路泄漏信号,在C点采集第二路泄漏信号,泄漏信号是由于管道泄漏在泄漏点产生的振动信号,可以通过专用传感器或者检测器直接检测得到。
经验模态分解(Empirical Mode Decomposition,EMD)能够对目标信号进行分频,然后通过选择目标信号的主分量,即可除去目标信号中的噪声,获得的目标信号的主分量与目标信号中的有用信号最接近。
然后,对获取到的第一路泄漏信号进行经验模态分解,获取第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取第二路泄漏信号的主分量,作为第二主分量。
然后,通过计算第一主分量和第二主分量的互相关函数,并获取该互相关函数的最大值。基于第一主分量和第二主分量的互相关函数的最大值,即可获取第一传播时间和第二传播时间之间的时间差。其中,第一传播时间指的是第一路泄漏信号从A点传播至B点所需的时间,第二传播时间指的是第二路泄漏信号从A点传播至C点所需的时间。
最后,基于第一传播时间和第二传播时间之间的时间差,以及B点和C点之间的距离L,通过几何关系就能准确地定位泄漏点A的位置。
本发明实施例提供的管道泄漏点定位方法,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
在上述实施例的基础上,进一步地,所述基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,具体包括:
对所述第一主分量进行自适应噪声抵消处理,将经过自适应噪声抵消后的第一主分量作为第一无噪主分量;对所述第二主分量进行自适应噪声抵消处理,将经过自适应噪声抵消后的第二主分量作为第二无噪主分量;
基于所述第一无噪主分量和所述第二无噪主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差。
具体来说,虽然,经过经验模态分解后得到的第一路泄漏信号的主分量和第二路泄漏信号的主分量中除去了绝大部分的噪声,当时仍然会有少量的带内干扰噪声,带内干扰噪声同样会影响定位到的泄漏点A的位置的精准性。
因此,为了更加精准的获取泄漏点A的位置,需要对第一主分量进行自适应噪声抵消处理,经过自适应噪声抵消处理后,消除了第一主分量中的带内干扰噪声,将经过自适应噪声抵消后的第一主分量作为第一无噪主分量。
同样地,第二主分量进行自适应噪声抵消处理,经过自适应噪声抵消处理后,消除了第二主分量中的带内干扰噪声,将经过自适应噪声抵消后的第二主分量作为第二无噪主分量。
然后,再基于第一无噪主分量和第二无噪主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差。
最后,基于第一传播时间和第二传播时间之间的时间差,以及B点和C点之间的距离L,通过几何关系就能准确地定位泄漏点A的位置。
本发明实施例提供的管道泄漏点定位方法,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,然后,对提取泄露信号的主分量进行自适应噪声抵消处理,并基于自适应噪声抵消处理后的两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而更加精确地确定泄漏点的位置。
在以上各实施例的基础上,进一步地,所述对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,具体包括:
对所述第一路泄漏信号进行经验模态分解,获取第一组本征模函数分量;
计算所述第一组本征模函数分量中每一本征模函数分量的能量,以能量最大的本征模函数分量作为所述第一路泄漏信号的主分量。
所述对获取到的第二路泄漏信号进行经验模态分解,获取所述第二路泄漏信号的主分量,具体包括:
对所述第二路泄漏信号进行经验模态分解,获取第二组本征模函数分量;
计算所述第二组本征模函数分量中每一本征模函数分量的能量,以能量最大的本征模函数分量作为所述第二路泄漏信号的主分量。
具体来说,对获取到的第一路泄漏信号进行经验模态分解,得到一组本征模函数(Intrinsic Mode Function,IMF)分量,作为第一组IMF分量,然后利用EMD主分量自动选择算法对IMF分量进行筛选。
由于不同IMF分量所占的比重不一样,本实施例中,计算第一组IMF分量中每一IMF分量的能量(功率),以能量最大的IMF分量作为第一路泄漏信号的主分量。
同理,对第二路泄漏信号进行经验模态分解,获取第二组IMF分量;
计算第二组本征模函数分量中每一IMF分量的能量,以能量最大的IMF分量作为第二路泄漏信号的主分量。
本发明实施例提供的管道泄漏点定位方法,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
在以上各实施例的基础上,进一步地,所述对所述第一主分量进行自适应噪声抵消处理,具体包括:
利用预设的基于噪声白化准则的线性预测器,获取与所述第一主分量中的带内干扰噪声相关的信号,作为第一相关信号;
基于所述第一相关信号,利用预设的自适应预测滤波器,获取所述第一主分量中的带内干扰噪声的估计值,作为第一带内干扰噪声估计值;
从所述第一主分量中减去所述第一带内干扰噪声估计值。
所述对所述第二主分量进行自适应噪声抵消处理,具体包括:
利用预设的基于噪声白化准则的线性预测器,获取与所述第二主分量中的带内干扰噪声相关的信号,作为第二相关信号;
基于所述第二相关信号,利用预设的自适应预测滤波器,获取所述第二主分量中的带内干扰噪声的估计值,作为第二带内干扰噪声估计值;
从所述第二主分量中减去所述第二带内干扰噪声估计值。
具体来说,对第一主分量进行自适应噪声抵消处理的具体步骤如下:
首先,利用预设的基于噪声白化准则的线性预测器,获取与第一主分量中的带内干扰噪声相关的信号,作为第一相关信号,第一相关信号不含有用信号,而是仅与环境噪声相关的信号。
然后,基于第一相关信号,利用预设的自适应预测滤波器,获取第一主分量中的带内干扰噪声的估计值,作为第一带内干扰噪声估计值。
最后,从第一主分量中减去第一带内干扰噪声估计值,就得到第一主分量中有用信号的估计值。
对第二主分量进行自适应噪声抵消处理的具体步骤与上述步骤相同,此处不再赘述。
图3为本发明实施例提供的自适应噪声抵消系统的结构示意图,如图3所示,泄露信号的主分量x(k)作为系统的输入,即,第一主分量或者第二主分量作为系统的输入,经过基于噪声白化准则的线性预测器进行预测后,获得不含有用信号,而是仅与环境噪声相关的相关信号y(k),然后,将泄露信号的主分量x(k)和相关信号y(k)同时输入至噪声抵消器,噪声抵消器先基于相关信号y(k),利用预设的自适应预测滤波器,获取泄露信号的主分量中的带内干扰噪声的估计值然后,从泄露信号的主分量中减去带内干扰噪声估计值,就得到泄露信号的主分量中有用信号的估计值。
图4为本发明实施例提供的基于噪声白化准则的线性预测器的结构示意图,如图4所示,泄露信号的主分量x(k)作为基于噪声白化准则的线性预测器的输入,经过处理后,输出不含有用信号,而是仅与环境噪声相关的相关信号y(k)。
图5为本发明实施例提供的噪声抵消器的结构示意图,如图5所示,将泄露信号的主分量x(k)和相关信号y(k)同时输入至噪声抵消器,噪声抵消器先基于相关信号y(k),利用预设的自适应预测滤波器,获取泄露信号的主分量中的带内干扰噪声的估计值然后,从泄露信号的主分量中减去带内干扰噪声估计值,就得到泄露信号的主分量中有用信号的估计值ε(k)。
本发明实施例提供的管道泄漏点定位方法,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
在以上各实施例的基础上,进一步地,所述基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,具体为:
其中,τ为第一传播时间和第二传播时间之间的时间差,Mm为第一主分量和第二主分量的互相关函数的最大值,Fs为采集第一路泄漏信号和第一路泄漏信号时的采样频率。
具体来说,基于第一主分量和第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差的计算公式如下:
其中,τ为第一传播时间和第二传播时间之间的时间差,Mm为第一主分量和第二主分量的互相关函数的最大值,Fs为采集第一路泄漏信号和第一路泄漏信号时的采样频率。
本发明实施例提供的管道泄漏点定位方法,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
在以上各实施例的基础上,进一步地,所述根据所述时间差确定泄漏点的位置,具体包括:
根据所述时间差,以及所述第一路泄漏信号和所述第二路泄漏信号在目标管道中的传播速率,确定第一距离和第二距离之间的距离差;其中,所述第一距离为所述泄露点与所述第一采集点之间的距离,所述第二距离为所述泄露点与所述第二采集点之间的距离;
根据所述距离差,确定所述泄漏点的位置。
具体来说,图2为本发明实施例提供的管道泄漏点定位原理示意图,如图2所示,A点为泄漏点,B点第一采集点,C点第二采集点,B点和C点之间的距离为L,L可以通过尺子等测量工具测量获得其精确值,也可以通过计算获得其精确值。只需要获得A点和B点之间的距离L1,以及A点和C点之间的距离L2,或者L1和L2之间的差值,然后,通过几何关系就能准确地定位泄漏点A的位置。
首先,在基于第一主分量和第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差之后,再基于第一路泄漏信号和第二路泄漏信号在目标管道中的传播速率,确定第一距离和第二距离之间的距离差,其中,第一距离为A点与B点之间的距离L1,第二距离为A点与C点之间的距离L2。
然后,根据距离差,通过几何关系就能准确地定位泄漏点A的位置。
本发明实施例提供的管道泄漏点定位方法,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
在以上各实施例的基础上,进一步地,所述以能量最大的本征模函数分量作为所述第一路泄漏信号的主分量,具体为:
以归一化后的能量最大的本征模函数分量作为所述第一路泄漏信号的主分量。
所述以能量最大的本征模函数分量作为所述第二路泄漏信号的主分量,具体为:
以归一化后的能量最大的本征模函数分量作为所述第二路泄漏信号的主分量。
具体来说,对获取到的泄漏信号进行经验模态分解后,得到一组IMF分量,然后利用EMD主分量自动选择算法对IMF分量进行筛选。
由于不同IMF分量所占的比重不一样,本实施例中,为了形象直观地、并且更加准确地筛选出主分量,首先对每一组IMF分量中每一IMF分量进行归一化处理,然后计算每一组IMF分量中每一IMF分量的能量(功率),以能量最大的IMF分量作为路泄漏信号的主分量。
本发明实施例提供的管道泄漏点定位方法,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
下面以对水管泄露点定位作为一个具体的例子,详细说明本发明实施例提供的方法:
图2为本发明实施例提供的管道泄漏点定位原理示意图,如图2所示,A点为泄漏点,B点第一采集点,C点第二采集点,B点和C点之间的距离为L,L可以通过尺子等测量工具测量获得其精确值,也可以通过计算获得其精确值。
步骤1、采集两路声发射管道泄露信号。
实际采集到的信号为泄漏信号与随机噪声的加性结合,那么在A点的震动信号模型可以用公式(1)表示。
gA(t)=fA(t,r)+nA(t) (1)
式中,gA(t)为传感器在A点采集到的信号观测值,fA(t,r)为有用信号,t为时间,r表示传感器到泄漏点的距离,nA(t)为A点处干扰噪声。两路信号可以分别表示为g1(t)和g2(t)。
图6为本发明实施例提供的泄露信号的时域波形示意图,其中,(a)表示第一泄露信号g1(t)的时域波形示意图,(b)表示第二泄露信号g2(t)的时域波形示意图,图7为本发明实施例提供的泄露信号的频谱示意图,其中,(a)表示第一泄露信号g1(t)的频谱示意图,(b)表示第二泄露信号g2(t)的频谱示意图,结合图6和图7,从功率谱各个谱峰的形状上来看,两路泄漏信号存在一定的相似性,均比较陡峭,很难直观的辨别出干扰噪声和有用信号。直接用于自相关计算估计泄漏点位置会存在较大误差。
步骤2、对采集到的信号分别进行经验模态分解。
2.1以g1(t)和g2(t)分别作为分析信号gA(t),确定分析信号gA(t)中的所有极值点,用三次样条函数依次连接分析信号的极大值点和极小值点,得到其上下包络,取这两个包络线的平均值,得到m1(t),从信号gA(t)中分离出m1(t),得到h1(t),h1(t)的表达式如下:
h1(t)=gA(t)-m1(t) (2)
如果h1(t)不满足IMF的基本条件,将h1(t)作为原始数据,重复上述过程直到h1k(t)满足IMF的条件,记c1(t)=h1(t),将c1(t)作为第一个分量。
2.2把c1(t)从数据gA(t)中分离出来,得到r1(t),r1(t)的表达式如下:
r1(t)=gA(t)-c1(t) (3)
把r1(t)作为新的原始数据,重复以上过程,即可得到第二个分量c2(t),依次重复下去直到满足所设定的终止条件或rn(t)不能再分解为止。
2.3原始被分析的信号gA(t)可表示为:
式中,i表示IMF的阶数;分量c1(t),c2(t),…,cn(t)分别包含了信号从高到低不同频率段的成分;rn(t)为残余分量,能够反映信号的整体变化趋势。
图8为本发明实施例提供的第一泄露信号的IMF分量的功率谱示意图,其中,(a)表示第一IMF分量的功率谱示意图,(b)表示第二IMF分量的功率谱示意图,(c)表示第三IMF分量的功率谱示意图,(d)表示第四IMF分量的功率谱示意图,图9为本发明实施例提供的第二泄露信号的IMF分量的功率谱示意图,其中,(a)表示第一IMF分量的功率谱示意图,(b)表示第二IMF分量的功率谱示意图,(c)表示第三IMF分量的功率谱示意图,(d)表示第四IMF分量的功率谱示意图。结合图8和图9,可以看出,EMD对两路泄露信号都起到了非常好的分频效果。
步骤3、利用EMD主分量自动选择算法对IMF分量进行筛选。
为了对泄露信号进行EMD后得到的IMF分量进行准确有效的筛选,此处提出了一个主分量自动选择算法。主要操作如下:
考虑到不同分量所占的比重不一样,此处首先计算出各个IMF分量的能量Ei,Ei的表达式如下:
式中,ci(t)为第i个IMF分量,Cj为离散点的幅度值,j=1,2…m为采样点数。
然后,构造能量特征向量E,E的表达式如下:
E=[E1,E2,…,En] (6)
为了形象直观的找出EMD主分量(全文中的“EMD主分量”指的是“泄露信号的主分量”),对能量特征向量E进行归一化处理,信号总能量为Etotal,Etotal的表达式如下:
归一化后能量特征向量为E',E'的表达式如下:
E'=[E1/Etotal,E2/Etotal,…,En/Etotal] (8)
选取归一化能量绝对占优的IMF分量作为EMD主分量,即,以能量(功率)最大的IMF分量作为泄露信号的主分量。
图10为本发明实施例提供的各个IMF分量的归一化功率的示意图,如图10所示,横坐标为IMF分量的编号,纵坐标为IMF分量的归一化功率,第一路泄露信号的各个IMF分量中功率最大的为第二IMF分量,第二路泄露信号的各个IMF分量中功率最大的也为第二IMF分量。
步骤4、对筛选过后的EMD主分量进行自适应噪声对消。
图3为本发明实施例提供的自适应噪声抵消系统的结构示意图,如图3所示,泄露信号的主分量x(k)作为系统的输入,即,第一主分量或者第二主分量作为系统的输入,经过基于噪声白化准则的线性预测器进行预测后,获得不含有用信号,而是仅与环境噪声相关的相关信号y(k),然后,将泄露信号的主分量x(k)和相关信号y(k)同时输入至噪声抵消器,噪声抵消器先基于相关信号y(k),利用预设的自适应预测滤波器,获取泄露信号的主分量中的带内干扰噪声的估计值然后,从泄露信号的主分量中减去带内干扰噪声估计值,就得到泄露信号的主分量中有用信号的估计值。
4.1基于噪声白化准则的线性预测系统
图4为本发明实施例提供的基于噪声白化准则的线性预测器的结构示意图,如图4所示,泄露信号的主分量x(k)作为基于噪声白化准则的线性预测器的输入,经过处理后,输出不含有用信号,而是仅与环境噪声相关的相关信号y(k)。
将EMD主分量重写为如下表达式:
x(k)=s(k)+n(k) (9)
其中,s(k)为EMD主分量中有用信号,n(k)为带内干扰噪声。令干扰噪声的相关长度为cln,而有效信号的自相关长度为cls。
EMD主分量中有用信号s(k)是系统输入,延时l为自适应滤波器H的输入。预测误差e(k)按照噪声白化准则来自适应调整H的参数,而且y(k)是整个抵消器的输出。
q1(k)=x(k)=s(k)+n(k)=s(k)+n1(k) (10)
q2(k)=x(k-l)=s(k-l)+n(k-l)=d(k)+n2(k) (11)
q2为主输入,q1为期望输入。d(k)可由s(k)得到,n1(k)和n2(k)均为带内干扰噪声,当l小于信号的相关长度cls而大于噪声的相关长度cln时,有
rsd(0)=E[s(k)s(k-l)]=rs(l)≠0 (12)
式(12)表示q1和q2的互相关,式(13)表示n1(k)和n2(k)的互相关。(12)表明d(k)=s(k-l)与s(k)必定有关联,因此利用k-l时刻及该时刻前的p-1个观察值能够对现行时刻k的值进行预测。则得到s(k)的表达式如下:
式中,ST(k-l)是p阶信号矢量,ST(k-l)=[s(k-l)s(k-l-1)…s(k-l-p+1)(k-l-p+1)],HT=[hT(1)hT(2)…hT(p)]T,表示p阶预测滤波器的权系数矢量。
对于带内干扰噪声n(k)在k时刻的值与在k-l时刻及该时刻前的值都不相关连,不能对现行时刻的值进行估计,这就为从观察信号中减去有用信号提供了可能。
通过自适应滤波来估计预测滤波器的权系数矢量HT,H表示自适应滤波器的权系数矢量。
两个输入信号差分量分别为:
M为步长,得噪声白化准则的代价函数为:
其中,e(k)和分别为输出误差和差分输出误差,和分别为q2(k)和的输入矢量。
选取M使得M-p>cln,L-M-p>cln,L+M+p<cls,有噪声差分输入自相关阵可表示为:
Rq2表示q2(k)自相关矩阵,Rd,M为q2(k)自相关移位矩阵,有噪输入差分矢量与期望差分信号的互相关矢量可表示为:
Pq2q1表示q1(k)和q2(k)互相关矩阵,Pds,M为q1(k)和q2(k)互相关矩阵的移位矩阵。
取β=-1/2,得代价函数最小时得最优预测滤波器权系数为:
考虑到Rd,MHT=Pds,M,与上式比较得H*=HT,即
s(k)=ST(k-l)H* (21)
输出信号为y(k),y(k)的表达式如下:
其中,是1+p阶的噪声矢量,F=[10…0(-H*)]T为1+p阶的权系数矢量。可以看出,基于噪声白化准则和线性预测的自适应噪声抵消系统的输出y(k)是不含有用信号而与环境噪声相关的信号。
4.2自适应噪声抵消
图5为本发明实施例提供的噪声抵消器的结构示意图,如图5所示,将泄露信号的主分量x(k)和相关信号y(k)同时输入至噪声抵消器,噪声抵消器先基于相关信号y(k),利用预设的自适应预测滤波器,获取泄露信号的主分量中的带内干扰噪声的估计值然后,从泄露信号的主分量中减去带内干扰噪声估计值,就得到泄露信号的主分量中有用信号的估计值ε(k)。
基于噪声白化准则和线性预测的自适应噪声抵消器输出仅含与环境噪声相关的信号,该输出即可作为传统的自适应噪声抵消器的参考输入。传统的自适应噪声抵消就是要从观察信号x(k)中减去干扰噪声,得到有用信号。
主输入是原始的观察信号x(k),即有用信号s(n)与干扰噪声n(k)之和,参考输入是基于噪声白化准则和线性预测的自适应噪声抵消器的输出y(k),它是与n(k)相关的信号。自适应滤波器将调整自己的权系数W,以使其输出成为n(k)的最佳估计,误差ε(k)即为对有用信号的最佳估计。
为带内干扰噪声n(k)的估计,均方误差为
信号功率E[s2(k)]与自适应滤波器调节无关,因此,自适应滤波器调节使E[s2(k)]最小,就是使最小。得
当最小时,E[(ε(k)-s(k))2]也最小,即噪声抵消器的输出ε(k)是对有用信号s(k)的最小方差估计。
步骤5、对消噪后的泄漏信号主分量进行互相关运算,得到时延,计算泄漏点的位置。
对于水管检测中的声泄漏信号而言,两端探测器检测到的泄漏信号具有因果性。我们可以通过互相关来计算泄漏信号的传播时间差,具体如下:
式中,是互相关函数,m是互相关函数的自变量,x1(n)和x2(n)是两路泄漏探信号的EMD主分量,N是这两路泄漏信号的采样点数。
找出(26)中互相关结果的最大值Mm,可以计算出两路泄露信号EMD主分量的传播时间差τ,
Fs为泄漏信号的采样频率。
最后,根据传播时间差,确定两个采集点到泄漏点的距离差,并结合几何关系可以计算出水管泄漏点的精确位置。
图11为本发明实施例提供的第一主分量和第二主分量的互相关函数示意图,如图11所示,根据图中的波峰即可确定互相关函数的最大值。
图12为本发明实施例提供的第一无噪主分量和第二无噪主分量的互相关函数示意图,如图12所示,经过对第一主分量和第二主分量分别进行自适应消噪后,互相关函数的波峰更加明显,且与周围点的差距都很明显,能够直观的看出最大互相关时所对应的最大值Mm,进而计算出两路信号的时延,对泄漏点进行较为准确的定位。
表1为5组实测数据的定位结果。L1,L2分别表示从第一采集点B和第二采集点C到泄漏点A的距离。从表中的数据可以看出,基于EMD分解和自适应噪声对消的定位误差比消噪前的误差要小得多,消噪后从检测信号中得出的定位结果更加准确。
表1为5组实测数据的定位结果
图13为本发明实施例提供的管道泄漏点定位装置示意图,如图13所示,本发明实施例提供一种管道泄漏点定位装置,用于执行上述任一实施例中所述的方法,具体包括分解模块1301和定位模块1302,其中:
分解模块1301用于对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;定位模块1302用于基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
具体来说,图2为本发明实施例提供的管道泄漏点定位原理示意图,如图2所示,A点为泄漏点,B点第一采集点,C点第二采集点,B点和C点之间的距离为L,L可以通过尺子等测量工具测量获得其精确值,也可以通过计算获得其精确值。只需要获得A点和B点之间的距离L1,以及A点和C点之间的距离L2,或者L1和L2之间的差值,然后,通过几何关系就能准确地定位泄漏点A的位置。
首先,在B点采集第一路泄漏信号,在C点采集第二路泄漏信号,泄漏信号是由于管道泄漏在泄漏点产生的振动信号,可以通过专用传感器或者检测器直接检测得到。
经验模态分解(Empirical Mode Decomposition,EMD)能够对目标信号进行分频,然后选择目标信号的主分量,即可除去目标信号中的噪声,获得的目标信号的主分量与目标信号中的有用信号最接近。
然后,通过分解模块1301对获取到的第一路泄漏信号进行经验模态分解,获取第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取第二路泄漏信号的主分量,作为第二主分量。
然后,通过定位模块1302计算第一主分量和第二主分量的互相关函数,并获取该互相关函数的最大值。基于第一主分量和第二主分量的互相关函数的最大值,即可获取第一传播时间和第二传播时间之间的时间差。其中,第一传播时间指的是第一路泄漏信号从A点传播至B点所需的时间,第二传播时间指的是第二路泄漏信号从A点传播至C点所需的时间。
最后,基于第一传播时间和第二传播时间之间的时间差,以及B点和C点之间的距离L,通过几何关系就能准确地定位泄漏点A的位置。
本发明实施例提供一种管道泄漏点定位装置,用于执行上述任一实施例中所述的方法,通过本实施例提供的装置执行上述某一实施例中所述的方法的具体步骤与上述相应实施例相同,此处不再赘述。
本发明实施例提供的管道泄漏点定位装置,通过对泄露信号进行经验模态分解,能够准确地提取泄露信号的主分量,并基于两路泄露信号的主分量计算出两路泄露信号的传播时间差,进而精确地确定泄漏点的位置。
图14为本发明实施例提供的电子设备的结构示意图,如图14所示,所述设备包括:处理器1401、存储器1402和总线1403;
其中,处理器1401和存储器1402通过所述总线1403完成相互间的通信;
处理器1401用于调用存储器1402中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;
基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
本发明实施例提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;
基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;
基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种管道泄漏点定位方法,其特征在于,包括:
对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;
基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,具体包括:
对所述第一主分量进行自适应噪声抵消处理,将经过自适应噪声抵消后的第一主分量作为第一无噪主分量;对所述第二主分量进行自适应噪声抵消处理,将经过自适应噪声抵消后的第二主分量作为第二无噪主分量;
基于所述第一无噪主分量和所述第二无噪主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差。
3.根据权利要求1所述的方法,其特征在于,所述对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,具体包括:
对所述第一路泄漏信号进行经验模态分解,获取第一组本征模函数分量;
计算所述第一组本征模函数分量中每一本征模函数分量的能量,以能量最大的本征模函数分量作为所述第一路泄漏信号的主分量。
4.根据权利要求2所述的方法,其特征在于,所述对所述第一主分量进行自适应噪声抵消处理,具体包括:
利用预设的基于噪声白化准则的线性预测器,获取与所述第一主分量中的带内干扰噪声相关的信号,作为第一相关信号;
基于所述第一相关信号,利用预设的自适应预测滤波器,获取所述第一主分量中的带内干扰噪声的估计值,作为第一带内干扰噪声估计值;
从所述第一主分量中减去所述第一带内干扰噪声估计值。
5.根据权利要求1所述的方法,其特征在于,所述基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,具体为:
其中,τ为第一传播时间和第二传播时间之间的时间差,Mm为第一主分量和第二主分量的互相关函数的最大值,Fs为采集第一路泄漏信号和第一路泄漏信号时的采样频率。
6.根据权利要求1所述的方法,其特征在于,所述根据所述时间差确定泄漏点的位置,具体包括:
根据所述时间差,以及所述第一路泄漏信号和所述第二路泄漏信号在目标管道中的传播速率,确定第一距离和第二距离之间的距离差;其中,所述第一距离为所述泄露点与所述第一采集点之间的距离,所述第二距离为所述泄露点与所述第二采集点之间的距离;
根据所述距离差,确定所述泄漏点的位置。
7.根据权利要求3所述的方法,其特征在于,所述以能量最大的本征模函数分量作为所述第一路泄漏信号的主分量,具体为:
以归一化后的能量最大的本征模函数分量作为所述第一路泄漏信号的主分量。
8.一种管道泄漏点定位装置,其特征在于,包括:
分解模块,用于对获取到的第一路泄漏信号进行经验模态分解,获取所述第一路泄漏信号的主分量,作为第一主分量;对获取到的第二路泄露信号进行经验模态分解,获取所述第二路泄漏信号的主分量,作为第二主分量;其中,所述第一路泄漏信号为在第一采集点采集到的泄露信号,所述第二路泄漏信号为在第二采集点采集到的泄露信号;
定位模块,用于基于所述第一主分量和所述第二主分量的互相关函数的最大值,获取第一传播时间和第二传播时间之间的时间差,并根据所述时间差确定泄漏点的位置;其中,所述第一传播时间为所述第一路泄漏信号从所述泄露点传播至所述第一采集点所需的时间,所述第二传播时间为所述第二路泄漏信号从所述泄露点传播至所述第二采集点所需的时间。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811311671.4A CN109506135A (zh) | 2018-11-06 | 2018-11-06 | 管道泄漏点定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811311671.4A CN109506135A (zh) | 2018-11-06 | 2018-11-06 | 管道泄漏点定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109506135A true CN109506135A (zh) | 2019-03-22 |
Family
ID=65747656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811311671.4A Pending CN109506135A (zh) | 2018-11-06 | 2018-11-06 | 管道泄漏点定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109506135A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110469782A (zh) * | 2019-07-31 | 2019-11-19 | 中国科学院声学研究所 | 一种基于自适应滤波器的管道泄漏定位装置 |
CN111963909A (zh) * | 2020-08-13 | 2020-11-20 | 江苏科技大学 | 地下管道泄漏点定位方法和系统 |
CN114738679A (zh) * | 2022-04-11 | 2022-07-12 | 长江大学 | 一种管道漏检装置和管道漏检方法 |
CN115326314A (zh) * | 2022-10-10 | 2022-11-11 | 西南医科大学附属医院 | 一种麻醉机的机控泄漏测试控制系统 |
CN117870993A (zh) * | 2024-03-12 | 2024-04-12 | 中建安装集团有限公司 | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1698030A (zh) * | 2003-05-07 | 2005-11-16 | 索尼株式会社 | 信息处理设备和方法、记录介质以及程序 |
CN104373821A (zh) * | 2014-11-21 | 2015-02-25 | 天津科技大学 | 基于声学主动激励的天然气管道安全监测装置 |
CN107228282A (zh) * | 2017-07-06 | 2017-10-03 | 东北石油大学 | 一种天然气管道泄漏定位方法和装置 |
CN108488638A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 基于声波负压波混合监测的管道泄漏监测系统及方法 |
-
2018
- 2018-11-06 CN CN201811311671.4A patent/CN109506135A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1698030A (zh) * | 2003-05-07 | 2005-11-16 | 索尼株式会社 | 信息处理设备和方法、记录介质以及程序 |
CN104373821A (zh) * | 2014-11-21 | 2015-02-25 | 天津科技大学 | 基于声学主动激励的天然气管道安全监测装置 |
CN107228282A (zh) * | 2017-07-06 | 2017-10-03 | 东北石油大学 | 一种天然气管道泄漏定位方法和装置 |
CN108488638A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 基于声波负压波混合监测的管道泄漏监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
李玉星等: "《基于声波的输气管道泄漏监测技术研究进展》", 《科学通报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110469782A (zh) * | 2019-07-31 | 2019-11-19 | 中国科学院声学研究所 | 一种基于自适应滤波器的管道泄漏定位装置 |
CN110469782B (zh) * | 2019-07-31 | 2020-07-17 | 中国科学院声学研究所 | 一种基于自适应滤波器的管道泄漏定位装置 |
CN111963909A (zh) * | 2020-08-13 | 2020-11-20 | 江苏科技大学 | 地下管道泄漏点定位方法和系统 |
CN111963909B (zh) * | 2020-08-13 | 2021-02-26 | 江苏科技大学 | 地下管道泄漏点定位方法和系统 |
CN114738679A (zh) * | 2022-04-11 | 2022-07-12 | 长江大学 | 一种管道漏检装置和管道漏检方法 |
CN114738679B (zh) * | 2022-04-11 | 2023-09-22 | 长江大学 | 一种管道漏检装置和管道漏检方法 |
CN115326314A (zh) * | 2022-10-10 | 2022-11-11 | 西南医科大学附属医院 | 一种麻醉机的机控泄漏测试控制系统 |
CN117870993A (zh) * | 2024-03-12 | 2024-04-12 | 中建安装集团有限公司 | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 |
CN117870993B (zh) * | 2024-03-12 | 2024-05-24 | 中建安装集团有限公司 | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109506135A (zh) | 管道泄漏点定位方法及装置 | |
AU2014260145B2 (en) | Deghosting with adaptive operators | |
US9910174B2 (en) | Seismic imaging apparatus and method for performing iterative application of direct waveform inversion | |
CN105223576B (zh) | 一种基于单矢量潜标的线谱信号目标自动检测方法 | |
US20120051176A1 (en) | Reverse time migration back-scattering noise removal using decomposed wavefield directivity | |
EP2784552A2 (en) | Method and device for attenuating random noise in seismic data | |
CN109633753B (zh) | 地表噪声压制方法及装置 | |
NO345787B1 (no) | Fjerning av støy fra en seismisk måling | |
CA2718777A1 (en) | System and method for migrating seismic data | |
CN108490494A (zh) | 基于谱减法及小波分析的海洋磁测噪声抑制方法 | |
Goudarzi et al. | Seismic coherent and random noise attenuation using the undecimated discrete wavelet transform method with WDGA technique | |
JP4422662B2 (ja) | 音源位置・受音位置推定方法、その装置、そのプログラム、およびその記録媒体 | |
US10330809B2 (en) | Device and method for optimization of 4D and 3D seismic data | |
Yue et al. | Suppression of periodic interference during tunnel seismic predictions via the Hankel-SVD-ICA method | |
US9170345B2 (en) | Near-offset extrapolation for free-surface multiple elimination in shallow marine environment | |
WO2012134974A2 (en) | Selecting a survey setting for characterizing a target structure | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
AU2018224306A1 (en) | Surface-scattered noise reduction | |
AU2012227284B2 (en) | Methods and systems for attenuating noise generated at fixed locations | |
US9354341B2 (en) | Deghosting measured survey data | |
Tang et al. | Using Green's theorem to satisfy data requirements of multiple removal methods: The impact of acquisition design | |
CN104048680A (zh) | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 | |
CN108876853A (zh) | 图像定位方法、装置、系统和存储介质 | |
KR101355107B1 (ko) | 잡음 제거를 통한 지하 매질구조 추정방법 및 그 장치 | |
Angelopoulos et al. | Nonparametric spectral estimation-an overview |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190322 |