CN109630908B - 一种多次降噪的管道泄漏定位方法 - Google Patents

Abstract

本发明公开了一种多次降噪的管道泄漏定位方法，以提高管道泄漏定位精度。首先对采集的管道泄漏信号进行CELMD分解，得到一系列PF分量和残余分量；然后通过相关系数准则计算各PF分量的相关系数降噪处理，初步筛选有效的PF分量；再利用最大相关峭度解卷积(MCKD)原理对初步筛选的PF分量进行二次降噪，精选PF分量；最后对二次筛选后的PF分量进行信号重构，通过互相关计算泄漏信号的时延完成管道泄漏定位。本发明有效解决了现有方法处理管道泄漏信号受噪声干扰难以提取、定位不准确的问题，为管道泄漏检测提供了新的方法思路。

Description

一种多次降噪的管道泄漏定位方法

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补充总体局域均值分解(CELMD)多次降噪的管道泄漏定位方法。

背景技术

城市管道已成为现代城市发展不可或缺的工具，随着其规模的不断扩大，由于设备自然老化、气候环境以及人为破坏等影响，管道故障事件呈上升趋势，尤其是燃气管道一旦泄漏，很容易引起火灾、爆炸、中毒、环境污染等恶性事故。因此找到有效的管道泄漏检测方法，准确识别出泄漏隐患，具有良好的经济价值和社会意义。

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，各种新的管道泄漏检测方法仍是各国的前沿研究方向，而非平稳信号的分析和研究一直是研究的热点，如小波分解、经验模态分解(EMD)、局域均值分解(LMD)等，但它们也都有各自的不足。比如，小波分解不能进行自适应选择，经验模态分解是自适应的时频分析方法，但却存在端点效应。模态混叠、过包络和欠包络等问题。局部均值分解是经验模态分解的端点效应的改进，并且没有过包络和欠包络的问题，但没能改善模态混叠的问题，而其改进算法总体局域均值分解(ELMD)将白噪声分析引入了局部均值分解，缓解了模态混叠现象，但是引入的白噪声不能完全被中和，存在完备性的问题。

本发明正是在这种背景下产生，方法借鉴总体局域均值分解(ELMD)的思路，通过成对地添加正负两组白噪声，保证在与ELMD有相当的分解效果时，减少了白噪声引起的重构误差，提高了分解效率，能够自适应的对管道泄漏信号进行提取和识别，然后对经过补充总体局域均值分解(CELMD)后的信号进行相关系数、MCKD降噪处理，最后对筛选后的PF分量进行重构并计算时延，完成泄漏定位。

发明内容

本发明所要解决的技术问题是：为了克服现有技术存在的不足，本发明提供一种基于CELMD的多次降噪的管道泄漏定位方法，真实有效地提取泄漏信号，提高泄漏定位的准确性，增强算法的实用性和可靠性。

本发明解决其技术问题所要采用的技术方案是：一种多次降噪的管道泄漏定位方法，该方法的步骤如下，

步骤1：利用声发射泄漏检测系统采集管道的泄漏信号；

步骤2：对泄漏信号进行补充总体局域均值分解(CELMD)，得到泄漏信号的一系列乘积函数，即PF分量；

步骤3：根据相关系数准则计算各PF分量的相关系数，并进行信号降噪处理，初次筛选符合的PF分量；

步骤4：对步骤3中初次筛选后的每一个PF分量进行最大相关峭度解卷积 (MCKD)处理，由计算得到的最大峭度值再次精选出稳定而又包含大量泄漏信息的PF分量；

步骤5：对经过两次筛选出的PF分量进行信号重构，然后进行分析，并应用互相关计算上下游泄漏信号的时延，进行管道泄漏定位。并与直接互相关、 ELMD结合相关系数降噪方法进行对比，不仅对比了一次降噪和基于 CELMD-MCKD二次降噪的特点，而且突出了CELMD-MCKD方法的降噪优势。

进一步地，步骤2中对泄漏信号进行补充总体局域均值分解(CLEMD)的具体过程：

(1)向原始泄漏信号x(t)中加入一组给定标准差的正态分布白噪声n(t)，得到混合信号x′(t)；

(2)对混合信号x′(t)进行LMD分解，得到第一组PF分量，记为PF_1i，和一个残余分量u₁；

(3)把与n(t)等长度、标准差一致且符号相反的白噪声-n(t)加入到原始泄漏信号x(t)中，得到混合信号x″(t)；

(4)对加入相反噪声的混合信号x″(t)再次进行LMD分解，得到第二组PF 分量，记为PF_-1i，和残余分量u_-1；

(5)重复执行步骤(1)-(4)，每次都加入标准差一致的白噪声，并设定LMD 分解的次数，以混合信号为基础进行LMD分解；

(6)对得到的各个PF分量和残余分量u_i作总体平均，得到分解结果，按公式(1)和(2)最终求得PF分量和残余分量u_i。

式中，PF_nj、PF_-nj表示原信号分别加入n(t)、-n(t)白噪声后分解得到的第 j个分量；同理，u_j、u_j表示原信号分别加入n(t)、-n(t)白噪声后分解得到为第 j个残余分量，其中，n为分解次数，且n,j为正整数。

进一步地，步骤3中根据相关系数准则初步筛选有效的PF分量的具体过程：

相关系数是反映变量之间的相关关系密切程度，常用的是皮尔逊积矩相关系数计算各个PF分量同原始信号x(t)的相关系数r。设样本a和样本b，则两组的相关系数为：

式中：r为相关系数；Cov(a,b)为样本a和样本b的协方差；

分别为样本a、b的方差。

相关系数r的取值范围为[-1,1]，相关系数的绝对值越大，则两个样本的线性相关程度越高。

根据公式(3)计算各个PF分量同原始泄漏信号x(t)的相关系数r，则公式 (3)可以写作：

其中，PF_i为第i个PF分量，x(t)为原信号。

通过求各个PF分量同原始泄漏声发射信号x(t)之间的相关系数，来降低采集管道泄漏信号时非相关量的干扰，初次筛选出符合的PF分量。

进一步，步骤4中对初次筛选后的每一个PF分量进行MCKD处理的具体过程：

MCKD中是以峭度作为评定恢复信号性能的指标，相比相关系数初次筛选PF分量来说，MCKD的优点是可以使周期已知的信号通过滤波后相关峭度达到最大，当峭度达到最大时，则认为是MCKD处理的最理想结果，更容易滤出信号中的冲击成分，因此采用MCKD进行精选PF分量。选取一个有限冲击响应滤波器f，计算相关峭度：

其中，M是位移数，T为冲击信号的周期。位移数决定降噪后尖脉冲的个数，过小会导致冲击成分在时域范围内分配不均，过大会出现迭代方法超出浮点指数范围导致计算精度的降低。

MCKD算法的目标函数为：

式中：f＝[f₁ f₂ … f_L]^T是长度为L的滤波器系数。为了使CK_M(T)取得最大值的最优滤波器求解方程，

MCKD的算法主要是确定滤波器的长度L，位移数M和冲击信号的周期T，通过矩阵变换计算得到更新后的滤波器系数f。最大相关峭度解卷积算法通过寻找一个最佳的FIR滤波器，突出管道泄漏信号中被噪声淹没的泄漏成分，从而使原始泄漏信号中的相关峭度值达到最大，有效地抑制了噪声的干扰。计算每一个PF分量的最大相关峭度值来精选PF分量，选取稳定而又包含大量真实有效的泄漏信息的PF分量。

通过对步骤3中初次筛选后的PF分量MCKD处理来再次筛选。具体过程初始化PF分量PF_i的解卷积周期T、位移数M、及滤波器长度L。周期T根据经验设定为0.008s，位移数M∈[1,7]，参数设置不同时，信号的峭度是不断变化的，峭度值越大则泄漏特征越明显，因此利用Matlab数学分析软件建立多个参数组合进行分析，选取最优的参数解。然后第一次筛选的各PF分量PF_i带入公式中，计算得到滤波器系数f和相关峭度值，根据相关峭度值再次筛选PF分量。根据滤波器系数进行重构，得到MCKD降噪后的信号时频图并与原信号进行对比，进一步证明了MCKD二次降噪的优势。

进一步，步骤5的具体过程：经过两次筛选得到最后的PF分量，每个PF 分量表示多个尺度下含有不同程度的泄漏信息的模态分量，在压力、孔径和介质参数确定的情况下，通过得到的泄漏信号延时Δt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：

式中，x为估计泄漏定位值，l为上下游的传感器距离，v是泄漏声发射信号在管道中的传播速度；Δt是时间延迟。

通过提取每个PF分量的时域、频谱进行重构，对上下游的重构信号 x₁(t)、x₂(t)进行分析，得到时间延迟Δt，通过查阅相关文献确定气体声发射信号传播速度，由公式最终得到泄漏位置x。

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是管道泄漏定位布置图；

图3是原始泄漏信号的时频图；

图4是ELMD分解结果图；

图5是CELMD分解结果图；

图6是MCKD降噪后的时频图。

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，本发明的一种多次降噪的管道泄漏定位方法，综合应用了补充总体局域均值分解算法CELMD、相关系数法和最大相关峭度解卷积算法 MCKD，该方法具体步骤如下：

步骤1：利用声发射泄漏检测系统采集管道的泄漏信号，声发射仪采用美国 PAC公司生产的6006型4通道数字式检测仪，声发射传感器采用低频传感器，型号为DP3I，响应频率为20～100KHz，谐振频率为30KHz，内置放大器增益为 40dB。实验管道布置如图2所示，得到原始泄漏声发射信号x(t)，图3是原始泄漏信号的时域、频域分布。

步骤2：对泄漏信号x(t)进行补充总体局域均值分解(CELMD)，得到一系列乘积函数(PF分量)和一个残余分量u_i，其步骤如下：

(1)向原始泄漏信号x(t)中加入一组给定标准差的正态分布白噪声n(t)，得到混合信号x′(t)；

(2)对加入白噪声n(t)后的混合信号x′(t)进行LMD分解，得到第一组PF分量，记为PF_1i，和一个残余分量u₁；

(3)把与n(t)等长度、标准差一致且符号相反的白噪声-n(t)加入到原始泄漏信号x(t)中，得到混合信号x″(t)；

(4)对加入相反噪声的混合信号x″(t)再次进行LMD分解，得到第二组PF 分量，记为PF_-1i，和残余分量u_-1；

(5)重复执行步骤(1)-(4)，每次都加入标准差一致的白噪声，并设定LMD 分解的次数，以混合信号为基础进行LMD分解；

(6)根据经验取平均次数为100次，以减弱添加的噪声对真实PF的影响；而若添加白噪声的幅值过小起不到改变极值点分布的作用；如果幅值太大固然能减弱所添加噪声影响，但也会使分解过慢。因此设置添加的白噪声的幅值为原信号的标准差的0.15倍；对所有残留噪声的各阶PF分量分别做总体平均运算，最终求得CELMD分解结果如图4所示。加入互补的正负白噪声后的混合信号 x″(t)经过CELMD算法分解成6个PF分量和1个残余分量u_i。从图中可以看出CELMD分解得到的PF₁分量很好地提取出原始泄漏信号且幅值只有很小的改变，而PF₂—PF₆分量的间歇部分的幅值比较大。为了进行对比，对原始泄漏信号进行ELMD分解，结果如图5所示，从图中可以看出，原始信号经过ELMD分解得到了8个PF分量和1个残余分量u_i，其PF分量明显多于CELMD，并且可以看出其分量受到噪声干扰较大，不能很好地提取出原始泄漏信号的波形，而且 PF₇—PF₈分量幅值有较大的变化，因此CELMD分解结果相较于ELMD要好。

步骤3：根据相关系数准则计算各PF分量的相关系数进行信号降噪处理，初步筛选有效的PF分量。相关系数是反映变量之间的相关关系密切程度。采用皮尔逊积矩相关系数计算各个PF分量同原始信号x(t)的相关系数r。为了对比，分别计算ELMD和CELMD两种不同方法分解后各PF分量的相关系数，如表1 所示：

表1不同方法分解后各PF分量的相关系数

由于相关系数r的取值范围为[-1,1]，相关系数的绝对值越大，则两个样本的线性相关程度越高。根据表1得到的结果，CELMD分解后的PF分量的相关系数普遍高于ELMD方法，由此可见CELMD相较于ELMD方法分解效果更好。 CELMD分解后的各PF分量，PF₁相关系数最大，而PF₃、PF₄分量的相关系数值略大于PF₂分量，PF₆、PF₇分量相关系数值较小，即两个分量所包含的泄漏信息较少，因此，通过求各个PF分量同原始信号之间的相关系数，来降低采集管道泄漏信号时非相关量的干扰，初步筛选PF₁—PF₄分量。

步骤4：对初步筛选的每一个PF分量进行MCKD处理，根据得到的峭度值再次精选出稳定而又包含大量泄漏信息的PF分量，其步骤在于：

(1)MCKD中是以相关峭度作为评定恢复信号性能的指标，当相关峭度达到最大时，则认为是MCKD处理的最理想结果。计算相关峭度：

其中，M是位移数，T为冲击信号的周期。位移数决定降噪后尖脉冲的个数，过小会导致冲击成分在时域范围内分配不均，过大会出现迭代方法超出浮点指数范围导致计算精度的降低。

(2)由于MCKD算法主要是确定滤波器的长度L，位移数M和冲击信号的周期T，而冲击信号的重复周期T根据经验设定为0.008s，为了对其进行更准确的识别和设定，利用Matlab数学分析软件建立多个参数组合，对于每一组参数组合，建立最大峭度的筛分准则，分别计算每种组合的系数大小，并进行对比分析，具体结果见表2：

表2不同参数下MCKD中各PF分量的最大峭度值

由表2可知：当参数设置不同时，信号的峭度是不断变化的，峭度值越大则冲击特征越明显，当M＝1，L＝400时，可以看到峭度与原始的仿真信号最接近，因此，将该组参数看做MCKD参数的最优解，进行进一步计算和分析。

(3)最大相关峭度解卷积算法通过寻找一个最佳的FIR滤波器，突出管道泄漏信号中被噪声淹没的泄漏成分，从而使原始泄漏信号中的相关峭度值达到最大，有效地抑制了噪声的干扰。通过每一个PF分量的最大相关峭度值来精选 PF分量，选取PF₁、PF₂进行MCKD降噪，避免有效信息的损失，MCKD降噪处理后的时域如图6所示，从时域图中可以看出：信号的冲击特征被凸显出来，噪声已经得到了明显的抑制，对其进行短时傅里叶变换(FFT)后频域波形如图 6所示，同样可以看出频域图中出现了和原始信号x(t)相同状况的峰值和频带。

步骤5：应用互相关计算最后筛选出来的PF分量的时延参数，进行管道泄漏定位，其具体步骤为：

(1)根据最大相关峭度解卷积算法二次筛选PF分量，选择PF₁、PF₂分量作为特征PF分量并对其进行重构，得到重构信号x₁(t)

(2)根据PF分量进行信号重构后，依据时差定位法即可确定管道泄漏点的位置，即：

式中，x为估计泄漏定位值，l为上下游的传感器距离，v是泄漏声发射信号在管道中的传播速度；Δt是时间延迟。

实验管道为DN90架空钢管，介质为压缩空气，管长45m，压力为0.1Mpa，其中，上下游传感器间的距离l为42m，根据管道的基本参数，可以得到声发射信号在管道中的传播速度v，通过提取PF₁、PF₂分量的时域、频谱并进行重构得到上游1号传感器的泄漏声发射信号x₁(t)，同理，得到下游2号传感器的泄漏声发射信号x₂(t)，进行互相关时延估计得到时间延迟Δt，进而得到估计泄漏定位值x，并与直接互相关、ELMD结合相关系数降噪的管道泄漏定位方法进行比较，管道泄漏定位结果如表3所示：

表3定位结果比较

根据表3定位结果进行误差计算，直接互相关和ELMD结合相关系数降噪的相对误差分别是8.1％和5.6％，而用CELMD多次降噪的管道泄漏定位方法的相对误差约为3％，明显小于前两种方法。从相对误差的比较可以看出，由于信号与噪声之间不是完全相互独立的、泄漏信号具有非平稳特征等因素严重影响定位的精度，传统的直接互相关法定位容易产生多个峰值，获取信号的时频较为困难，因而误差较大；ELMD结合相关系数降噪的方法由于分解过后存在端点效应问题也会导致定位误差较大；而基于CELMD多次降噪的管道泄漏定位方法，可以有效地对泄漏信号进行分解，通过相关系数、最大相关峭度解卷积算法进行两次降噪，更精确的筛选出包含大量泄漏信息的PF分量，削弱了分解后的端点效应，去除了噪声等非泄漏信号的干扰，减少了定位误差，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，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 (5)

1.一种多次降噪的管道泄漏定位方法，其特征在于：该方法的步骤如下，

步骤1：利用声发射泄漏检测系统采集管道的泄漏信号x(t)；

步骤2：对泄漏信号进行补充总体局域均值分解，得到泄漏信号的一系列PF分量；

步骤3：根据相关系数准则计算各PF分量的相关系数，并进行信号降噪处理，初次筛选符合的PF分量；

步骤4：对步骤3中初次筛选后的每一个PF分量进行最大相关峭度解卷积处理，由计算得到的最大峭度值再次精选出稳定而又包含大量泄漏信息的PF分量；

步骤5：对经过两次筛选出的PF分量进行信号重构，并应用互相关计算上下游泄漏信号的时延，进行管道泄漏定位。

2.根据权利要求1所述的多次降噪的管道泄漏定位方法，其特征在于，步骤2的具体过程：

(1)向原始泄漏信号x(t)中加入一组给定标准差的正态分布白噪声n(t)，得到混合信号x′(t)；

(2)对混合信号x′(t)进行LMD分解，得到第一组PF分量，记为PF_1i，和一个残余分量u₁；

(3)把与n(t)等长度、标准差一致且符号相反的白噪声-n(t)加入到原始泄漏信号x(t)中，得到混合信号x″(t)；

(4)对加入相反噪声的混合信号x″(t)再次进行LMD分解，得到第二组PF分量，记为PF_-1i，和残余分量u_-1；

(5)重复执行步骤(1)-(4)，每次都加入标准差一致的白噪声，并设定LMD分解的次数，以混合信号为基础进行LMD分解；

(6)对得到的各个PF分量和残余分量u_i作总体平均，得出分解结果。

3.根据权利要求1所述的多次降噪的管道泄漏定位方法，其特征在于，步骤3的具体过程：采用皮尔逊积矩相关系数计算各个PF分量同原始泄漏信号x(t)的相关系数r，相关系数r的取值范围为[-1,1]，则相关系数计算公式为：

其中，PF_i为第i个PF分量，x(t)为原信号，Cov()为各个PF分量和原始泄漏信号x(t)的协方差；

为对应信号的方差。

4.根据权利要求1所述的多次降噪的管道泄漏定位方法，其特征在于，步骤4中对初次筛选后的每一个PF分量进行MCKD处理的具体过程：

选取一个有限冲击响应滤波器f，使周期已知信号通过滤波后相关峭度达到最大，计算相关峭度：

其中，M是位移数，T为冲击信号的周期，根据公式(5)计算每一个PF分量的最大相关峭度值来精选PF分量，选取稳定而又包含大量真实有效的泄漏信息的PF分量。

5.根据权利要求1所述的一种多次降噪的管道泄漏定位方法，其特征在于，步骤5的具体过程：

经过两次筛选得到最后的PF分量，每个PF分量表示多个尺度下含有不同程度的泄漏信息的模态分量，在压力、孔径和介质参数确定的情况下，通过得到的泄漏信号延时Δt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：

式中，x为估计泄漏定位值，l为上下游的传感器距离，v是泄漏声发射信号在管道中的传播速度；Δt是时间延迟，

通过提取每个PF分量的时域、频谱进行重构，对上下游的重构信号x₁(t)、x₂(t)进行分析，得到时间延迟Δt，确定气体声发射信号传播速度，由公式最终得到泄漏位置x。

Images