CN110501122A - 一种基于聚类的压力容器自适应泄漏检测方法 - Google Patents

Abstract

本发明提出一种基于聚类的压力容器自适应泄漏检测方法。首先用声发射传感器接收压力容器的声发射波，然后对混合观测信号进行局部均值分解，结合小波阈值来对信号进行去噪，以获取声发射信号的原始信号；接着对信号进行特征提取来构建它的特征向量集，进而利用加权模糊C均值算法进行聚类分析并结合先验知识对泄露模式进行识别；最后，先用已有的各种泄露模式标签数据和初始聚类结果训练分类器，然后用实时采集的样本信息对诊断模型进行动态更新，构建在线的泄露模式自适应识别模型，不仅能对未知样本进行在线实时识别，还能实现自适应调节。

Description

一种基于聚类的压力容器自适应泄漏检测方法

技术领域

本发明属于压力容器泄漏检测领域，涉及一种基于聚类的压力容器自适应泄漏检测方法。

背景技术

压力容器在我国工业气体存储和输送中有着广泛的应用，由于长时间的运行磨损和自然老化等原因，泄漏故障时有发生。压力容器的器壁承受着巨大的压力，一旦发生泄漏等突发状况，器壁两侧的压力差将导致气体迅速向低压处流动，不但会带来能源的巨大浪费和损失，如果内部存储的是有毒有害气体，还会威胁人员生命安全。

对于压力容器的气体泄漏检测，现有的检测技术通常需要人工干预，检测时间长，且检测精度低，无法满足对压力容器的实时检测。声发射检测是一种实时的无损检测技术，具有环境适应性强、对结构形状不敏感等特点，易于实现在线实时检测，可以在不破坏压力容器的基础上完成对压力容器性能的检测。其原理是当气体或液体在一定压力作用下从容器漏孔泄漏时会在漏孔处激发出连续的机械波，利用声发射传感器可以接收这些来自泄漏部位的声发射波。由于这些声波信号携带了压力容器的结构特征以及泄露孔径、泄露位置、泄露流量大小等信息，通过对声波信号的处理和特征提取，并进行相应的分析就能得到压力容器的损伤程度和泄露状况。

发明内容

有鉴于此，本发明的目的就是在于提出一种基于聚类的压力容器自适应泄露检测方法。首先用传感器来实时接收压力容器各个部位的声发射波，然后对混合观测信号进行局部均值分解，结合小波阈值来对信号进行去噪，以获取声发射信号的原始信号，接着对信号进行特征提取来构建它的特征向量集，并利用加权模糊C均值算法进行聚类分析，结合先验知识对泄露模式进行识别。最后用已有的各种泄露模式标签数据和初始聚类结果训练分类器，并通过实时采集的样本信息对诊断模型进行动态更新，构建在线的泄露模式自适应识别模型。

为达到上述目的，本发明的技术方案提供一种基于聚类的压力容器自适应泄露检测方法，所述方法包括以下步骤：

1)通过多个声发射传感器实时采集压力容器不同状态下的数据，每个传感器都生成采样数据集X。

2)对每个传感器的数据样本用局部均值分解进行处理，得到k个PF分量和余量。然后用固定阈值法计算小波阈值λ，将得到的前三个PF高频分量利用小波阈值进行去噪，并与未处理的信号重构得到去噪后的信号。

3)对步骤2)得到的去噪信号进行特征提取，选择幅度、持续时间、RA值、能量计数、振铃计数、峰值频率这六个参数作为声发射信号的特征参数，进行归一化处理后来构建泄露声信号的特征向量集。

4)将步骤3)中构建的特征向量集作为加权模糊C均值算法的输入特征向量，使用隶属度大小作为分类的判定准则进行聚类分析，通过聚类有效性函数GD的大小来确定最佳的聚类结果，并结合先验知识对泄露情况进行识别。

5)先用已有的各种泄露模式标签数据和步骤4)得到的样本训练静态分类器模型，然后用实时采集的样本信息更新分类器模型，构建在线的泄露模式自适应识别模型。

6)对泄露声信号进行上述分析处理后，如果判断出压力容器存在泄露或者其他未知的故障模式，则由操作人员来进行后续处理。

本发明达到的有益效果是：本发明提出了一种基于聚类的压力容器自适应泄露检测方法。该方法克服了传统检测方法需要人工干预、检测时间长、检测精度低和无法满足对压力容器的实时检测等缺点。局部均值分解是一种自适应非平稳信号的处理方法，可以自适应的将一个复杂的非平稳多分量信号分解为若干个乘积函数之和，结合小波阈值进行去噪可以得到更好的去噪效果。模糊聚类分析是实现无监督模式识别的一种比较实用的方法，不需要事先定义应该如何分类，能自组织、自适应的进行在线学习，在无先验知识的情况下对数据进行分类并揭示数据内部结构。构建的泄露模式自适应识别模型能对未知样本进行在线实时识别，并能够实现自适应调节。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述压力容器自适应泄漏检测方法的流程框图。

图2为本发明所述压力容器自适应泄漏检测方法的基于LMD和小波阈值的去噪流程图。

图3为本发明所述压力容器自适应泄漏检测方法的加权模糊C均值算法流程图。

图4为本发明所述压力容器自适应泄漏检测方法的泄露模式自适应识别模型。

具体实施方式

为了更好的理解本发明，下面结合附图对本发明进行描述，参照附图1，具体实施的步骤如下：

1)通过多个声发射传感器实时采集压力容器不同状态下的数据，每个传感器都生成采样数据集X。

为了更好的对压力容器各个部位进行实时检测，同时布置多个传感器实时采集压力容器不同状态下的数据。每个传感器都有自己的信号采集及后期通道且都生成采样数据集 X＝{x₁,x₂,…,x_n}，以便于观察不同位置不同情况下的各种声发射信号。本发明中考虑的声发射源种类主要有正常(无故障)、故障信号(泄露、开裂、复合故障等)和干扰信号(摩擦、水滴、电磁噪声等)。

2)对每个传感器的数据样本用局部均值分解进行处理，得到k个PF分量和余量。然后用固定阈值法计算小波阈值λ，将得到的前三个PF高频分量利用小波阈值进行去噪，并与未处理的信号重构得到去噪后的信号。

为了对初始信号进行去噪处理，使用局部均值分解处理信号，将原始信号分解为k个PF 分量和单调函数u_k(t)之和，即：

如附图2所示，经局部均值分解得到k个PF分量和余量，而噪声主要存在于前面的高频分量中，后面的大部分都是信号主导部分。选择对前三个PF高频分量分别进行l层小波变化，得到分解后的小波系数W_l,s，然后用固定阈值法计算小波阈值：

其中σ＝MAD/0.6745为噪声信号标准差，MAD为首层小波分解系数绝对值的中间值， N为PF分量的信号长度。计算出小波阈值后利用式子(3)对每个PF分量的各层小波系数进行软阈值去噪。

其中W_l,s为PF分量第l次变换的第s个小波系数值，为经过软阈值处理后各层的分解系数值。利用新得到的小波系数对三个PF高频分量进行小波逆变换，然后将变换后的三个 PF分量和未经处理的分量和余量进行重构，就能得到去噪后的信号。

3)对步骤2)得到的去噪信号进行特征提取，选择幅度、持续时间、RA值、能量计数、振铃计数、峰值频率这六个参数作为声发射信号的特征参数，进行归一化处理后来构建泄露声信号的特征向量集。

得到了声发射信号的原始信号后，需要进行信号的特征提取。结合先验知识，将幅度、持续时间、RA值、能量计数、振铃计数、峰值频率这六个参数作为声发射信号的特征参数。

幅度定义为信号波形的最大振幅值；持续时间定义为信号第一次越过门槛至振幅达到最大值时经历的时间；RA值定义为上升时间与信号最大振幅的比值；能量计数定义为信号检波包络线下的面积；振铃计数定义为AE信号波形越过门槛阈值的振荡次数；峰值频率定义为信号频谱中快速傅里叶变换级数最大时的频率。

提取特征后，再用式子(4)对所有的特征进行归一化处理，构建声发生信号的特征向量数据集X＝{x_j|x_j∈R⁶,j＝1,2,…n}，其中n为样本个数，R⁶表示每个样本是六维的。

4)将步骤3)中构建的特征向量集作为加权模糊C均值算法的输入特征向量，使用隶属度大小作为分类的判定准则进行聚类分析，通过聚类有效性函数GD的大小来确定最佳的聚类结果，并结合先验知识对泄露情况进行识别。

通过加权模糊C均值算法把样本X分为c个子集，它的目标函数为：

其中C_i为模糊聚类组i的中心；u_ij为隶属度，介于0，1之间，表示第i个聚类中心与第j 个数据样本之间的隶属度；m∈[1,∞)为模糊加权指数；为第i个聚类中心与第j个数据样本之间的加权欧几里得距离，可由式子(6)得到。

其中w＝(w₁,…,w₆)是与输入特征相对应的一个权重矢量，w_x∈[0,1]表示第x维特征在聚类中的重要性。当权重分量全为1时，则为普通的欧氏距离。

利用拉格朗日乘数法极小化式子(5)，得到使目标函数达到最小的聚类中心和隶属度计算公式如下：

参照附图3，模糊聚类分析具体步骤如下：

步骤1用0，1之间的随机数初始化隶属矩阵U，一个数据对所有类的隶属度总和等于1，即

步骤2用式子(7)计算c个聚类中心C_i，其中i＝1,…c。

步骤3用式子(8)计算新的隶属矩阵U，同时用式子(5)计算目标函数的值，如果它小于确定的阈值，则保存聚类结果，继续往下执行，否则转向步骤2。

步骤4计算有效性函数：

其中a∈(0,1)为权重因子。

将GD值保存下来。

步骤5将类间两两之间距离最小的两类合并到一类，得到c-1个聚类中心，令c＝c-1，若c＜2，则转向步骤6，否则转向步骤2。

步骤6选择GD最小值对应的聚类结果作为最佳聚类结果，根据隶属度大小判断样本属于哪一类，算法结束。

结合先验知识，将聚类分析后得到c个聚类簇与多个故障模式一一对应，就可以判断出是否泄露以及有没有新的泄露模式。

5)先用已有的各种泄露模式标签数据和步骤4)得到的样本训练静态分类器模型，然后用实时采集的样本信息更新分类器模型，构建在线的泄露模式自适应识别模型。

由于声发射信号具有随机性的特点，获得的样本往往不能覆盖全部泄露模式的集合，为了使模型能够自适应的从未知类别的样本中学习知识，引进分类器模型(支持向量机、神经网络、朴素贝叶斯等机器学习模型)，实现自适应模型的构建。

如附图4所示，自适应模型由离线和在线循环两部分组成。首先对已有的各种泄露模式样本和初始聚类结果进行预处理，然后训练分类器，得到静态分类器模型，即离线部分。在线循环部分首先对实时采集的样本信息进行批量预处理，并对其进行模糊聚类分析，再基于静态模型对聚类的样本进行标记，然后将带标签的样本集对诊断模型进行动态更新，即当静态分类器模型判别属于已有故障类，则将样本合并进对应的故障样本集合中并对训练样本进行相应的调整，输出新的分类器模型。若分类器判别为未知样本，则在分类器模型库中添加一类新类别进行分析，然后训练新类别的分类器模型并输出。

6)对泄露声信号进行上述分析处理后，如果判断出压力容器存在泄露或者其他未知的故障模式，则由操作人员来进行后续处理。

Claims (6)

1.一种基于聚类的压力容器自适应泄漏检测方法，其特征在于，包括如下步骤：

1)通过多个声发射传感器实时采集压力容器不同状态下的数据，每个传感器都生成采样数据集X。

2)对每个传感器的数据样本用局部均值分解进行处理，得到k个PF分量和余量。然后用固定阈值法计算小波阈值λ，将得到的前三个PF高频分量利用小波阈值进行去噪，并与未处理的信号重构得到去噪后的信号。

3)对步骤2)得到的去噪信号进行特征提取，选择幅度、持续时间、RA值、能量计数、振铃计数、峰值频率这六个参数作为声发射信号的特征参数，进行归一化处理后来构建泄露声信号的特征向量集。

4)将步骤3)中构建的特征向量集作为加权模糊C均值算法的输入特征向量，使用隶属度大小作为分类的判定准则进行聚类分析，通过聚类有效性函数GD的大小来确定最佳的聚类结果，并结合先验知识对泄露情况进行识别。

5)先用已有的各种泄露模式标签数据和步骤4)得到的样本训练静态分类器模型，然后用实时采集的样本信息更新分类器模型，构建在线的泄露模式自适应识别模型。

6)对泄露声信号进行上述分析处理后，如果判断出压力容器存在泄露或者其他未知的故障模式，则由操作人员来进行后续处理。

2.根据权利要求1所述，一种基于聚类的压力容器自适应泄漏检测方法，其特征在于，所述步骤1)为了更好的对压力容器各个部位进行实时检测，同时布置多个传感器实时采集压力容器不同状态下的数据。每个传感器都有自己的信号采集及后期通道且都生成采样数据集X＝{x₁,x₂,…,x_n}。

3.根据权利要求1所述，一种基于聚类的压力容器自适应泄漏检测方法，其特征在于，所述步骤2)使用局部均值分解来对声发射信号进行处理，将信号分解为k个PF分量和单调函数u_k(t)之和。

选择对前三个PF高频分量分别进行l层小波变化，得到分解后的小波系数W_l,s，然后用固定阈值法计算小波阈值：

其中σ＝MAD/0.6745为噪声信号标准差，MAD为首层小波分解系数绝对值的中间值，N为PF分量的信号长度。然后用式子(3)对提取出来的前三个PF分量的各层小波系数进行软阈值去噪。

利用新得到的小波系数对三个PF高频分量进行小波逆变换，然后将变换后的三个PF分量和未经处理的分量和余量进行重构，就能得到去噪后的信号。

4.根据权利要求1所述，一种基于聚类的压力容器自适应泄漏检测方法，其特征在于，所述步骤3)对得到的去噪信号进行特征提取。提取幅度、持续时间、RA值、能量计数、振铃计数、峰值频率这六个参数作为声发射信号的特征参数，进行归一化处理后构建泄露声信号的特征向量集。

5.根据权利要求1所述，一种基于聚类的压力容器自适应泄漏检测方法，其特征在于，所述步骤4)将构建的特征向量集作为加权模糊C均值的输入特征向量，并用式子(4)所示的加权欧氏距离表示聚类中心与数据样本之间的距离。

在对参数进行初始化后进行聚类分析，判断目标函数值是否小于固定的阈值，如果它小于确定的阈值，则保存聚类结果，并用式子(5)计算当前聚类下的有效性函数值，跳出循环，否则就继续重复计算直到满足条件。

完成上述聚类分析后，将类间两两之间距离最小的两类合并到一类，得到c-1个聚类中心，令c＝c-1，继续循环前面的聚类分析直到c<2。最后选择GD最小值对应的聚类结果作为最佳聚类结果，然后根据隶属度大小判断样本属于哪一类，完成聚类分析。结合先验知识，将聚类分析后得到c个聚类簇与多个故障模式一一对应，完成泄露模式识别。

6.根据权利要求1所述，一种基于聚类的压力容器自适应泄漏检测方法，其特征在于，所述步骤5)先用已有的各种泄露模式标签数据和步骤4)得到的聚类样本训练静态分类器模型，然后用实时采集的样本信息更新分类器模型，构建在线的泄露模式自适应识别模型。首先对已有的各种泄露模式样本和初始聚类结果进行预处理来训练分类器，得到静态分类器模型。然后通过对实时采集的样本信息进行批量预处理，对其进行加权模糊聚类分析，再基于静态模型对聚类的样本进行标记，利用带标签的样本集对诊断模型进行动态更新，即当静态分类器模型判别属于已有故障类，则将样本合并进对应的故障样本集合中并对训练样本进行相应的调整，输出新的分类器模型。若分类器判别为未知样本，则在分类器模型库中添加一类新类别进行分析，然后训练新类别的分类器模型并输出。