CN110532635A - 一种基于时域的管道泄漏检测算法 - Google Patents
一种基于时域的管道泄漏检测算法 Download PDFInfo
- Publication number
- CN110532635A CN110532635A CN201910715183.8A CN201910715183A CN110532635A CN 110532635 A CN110532635 A CN 110532635A CN 201910715183 A CN201910715183 A CN 201910715183A CN 110532635 A CN110532635 A CN 110532635A
- Authority
- CN
- China
- Prior art keywords
- signal
- formula
- pipeline
- domain
- component
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于时域的管道泄漏检测算法。本发明在频域下以空间平均的方式预处理每一秒的监测信号,并结合信号增强与分解算法,最终获得重构的时域信号并据此给出合适的阈值,从而判断管道状态。本发明显著提高了监测信号的特征,根据重构信号的特点,设定合适的报警阈值即可精确判断管道是否发生泄漏,检测精度高,误报率低,实用性强且具有较好的信噪比。
Description
技术领域
本发明涉及管道泄漏监测技术领域,具体地说是一种基于时域的管道泄漏检测算法。
背景技术
目前对管道监测信号的处理方法主要有功率谱分析法、基于频域的时均方法、时域分析等。通过管道内泄漏时会引起实测管道应力波信号功率谱的变化,可以通过分析这种信号的变化来检测泄漏,由于影响管道应力波传播的因素很多,很难用解析的方法描述管道振动。通过对管道泄漏时振动信号做基于频域的时均处理判断泄漏的发生,在实际工程的应用中限制较大,而简单的时域分析普遍存在泄漏特征不明显,检测精度低、误报率高的问题。
发明内容
针对目前检测管道泄漏信号处理方法中存在的问题,本发明提出了一种基于时域的管道泄漏检测算法;其在频域下以空间平均的方式预处理每一秒的监测信号,并结合信号增强与分解算法,最终获得重构的时域信号并据此给出合适的阈值,从而判断管道状态。本发明显著提高了监测信号的特征,根据重构信号的特点,设定合适的报警阈值即可精确判断管道是否发生泄漏,检测精度高,误报率低,实用性强且具有较好的信噪比。
为了达到上述目的,本发明提供一种基于时域的管道泄漏检测算法,该方法包含以下步骤:
步骤1:预处理
根据管道泄漏时的信号特点,对每一秒的N点信号进行预处理:
其中,x[n]为监测信号,e为自然对数的底数,i为虚数单位,N为信号长度,0≤n<N;从而可得
其中,T=NΔt,fs为采样率,Sx(k)为功率谱密度;
对某段n米管道长度,且频率在20-5000hz的Sx(k)做累加:
其中,x(t1)为时域信号,s为管道始末点所在位置;
步骤2:进一步处理时域信号
x(t1)=c0,k,根据式(4)和式(5)进行分解:
cj,k=∑ncj-1,nhn-2k k=(0,1,2,…,N-1) (4)
dj,k=∑ncj-1,ngn-2k k=(0,1,2,…,N-1) (5)
其中,cj,k为系数,dj,k为系数,h(ejw)=g(ej(w-π)),j为分解层数;
由式(6)确定软阈值:
其中,N为信号长度;
根据式(7)处理dj,k,得到系数wj,k,即
根据式(8)得到重构信号x(t2):
cj-1,n=∑ncj,nhn-2k+∑nwj,ngn-2k (8)
步骤3:将x(t2)进行分解处理
①初始化:r0=x(t2),i=1;
②得到第i个分量(I):
(a)初始化:h0=ri-1(t2),j=1;
(b)找出hj-1(t2)的局部极值点;
(c)对hj-1(t2)的极大和极小值点分别进行三次样条函数差值,形成上下包络线;
(d)计算上下包络线的平均值mj-1(t2);
(e)hj(t2)=hj-1(t2)-mj-1(t2);
(f)若hj(t2)是分量,则Ii(t2)=hj(t2);否则,j=j+1,转到(b);
③ri(t2)=ri-1(t2)-Ii(t2);
④如果ri(t2)极值点数仍多于2个,则i=i+1,转到②;否则,分解结束,ri(t2)是残余分量;步骤4:将分量与x(t2)做相关性分析,根据相关性准则将相关系数大于0.3的分量进行叠加重构得到重构信号x(t3),即为最终的重构信号;根据重构信号x(t3)的特点,设定合适的报警阈值即可判断管道是否发生泄漏。
和现有技术相比,本发明的有益效果在于,本发明通过上述步骤1和步骤2中的信号增强与分解算法显著提高了监测信号的特征,检测方法简单,检测精度高,误报率低,实用性强。
附图说明
图1是实施例1中管道泄漏的原始信号示例图。
图2是实施例1中处理后的信号示例图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不应以此限制本发明的保护范围。
实施例1
首先将检测管道泄漏的传感信号做预处理,在频域下以空间平均的方式预处理每一秒的监测信号,采样率为20khz,得到x(k),从而得Sx(k),对其中5米管道长度上且频率为20-5000Hz的Sx(k)进行累加平均,得到时域信号x(t1),其对应于图1,管道在第5秒发生泄漏。
接着按步骤2进一步处理时域信号x(t1),采样点数为4096,分解层数为10,从而确定阈值,处理后得到系数wj,k,重构后得到信号x(t2),然后将x(t2)按步骤3进行分解处理,得到若干分量。
最后将每个分量与x(t2)做相关性分析,将相关系数大于0.3的分量进行叠加重构得到重构信号x(t3),即为最终的重构信号,其对应于图2,管道在第5秒发生泄漏。根据重构信号x(t3)的特点,将报警阈值设置为10000,即可判断管道是否发生泄漏,且检测精度高,误报率低,实用性强。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (1)
1.一种基于时域的管道泄漏检测算法,其特征在于,该方法包含以下步骤:
步骤1:预处理
根据管道泄漏时的信号特点,对每一秒的N点信号进行预处理:
其中,x[n]为监测信号,e为自然对数的底数,i为虚数单位,N为信号长度,0≤n<N;从而可得
其中,T=NΔt,fs为采样率,Sx(k)为功率谱密度;
对某段n米管道长度,且频率在20-5000hz的Sx(k)做累加:
其中,x(t1)为时域信号,s为管道始末点所在位置;
步骤2:进一步处理时域信号
x(t1)=c0,k,根据式(4)和式(5)进行分解:
cj,k=∑ncj-1,nhn-2k k=(0,1,2,…,N-1) (4)
dj,k=∑ncj-1,ngn-2k k=(0,1,2,…,N-1) (5)
其中,cj,k为系数,dj,k为系数,h(wjw)=g(ej(w-π)),j为分解层数;
由式(6)确定软阈值:
根据式(7)处理dj,k,得到系数wj,k,即
根据式(8)得到重构信号x(t2):
cj-1,n=∑ncj,nhn-2k+∑nwj,ngn-2k (8)
步骤3:将x(t2)进行分解处理
①初始化:r0=x(t2),i=1;
②得到第i个分量(I):
(a)初始化:h0=ri-1(t2),j=1;
(b)找出hj-1(t2)的局部极值点;
(c)对hj-1(t2)的极大和极小值点分别进行三次样条函数差值,形成上下包络线;
(d)计算上下包络线的平均值mj-1(t2);
(e)hj(t2)=hj-1(t2)-mj-1(t2);
(f)若hj(t2)是分量,则Ii(t2)=hj(t2);否则,j=j+1,转到(b);
③ri(t2)=ri-1(t2)-Ii(t2);
④如果ri(t2)极值点数仍多于2个,则i=i+1,转到②;否则,分解结束,ri(t2)是残余分量;
步骤4:将分量与x(t2)做相关性分析,根据相关性准则将相关系数大于0.3的分量进行叠加重构得到重构信号x(t3),即为最终的重构信号;根据重构信号x(t3)的特点,设定合适的报警阈值即可判断管道是否发生泄漏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715183.8A CN110532635B (zh) | 2019-08-05 | 2019-08-05 | 一种基于时域的管道泄漏检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715183.8A CN110532635B (zh) | 2019-08-05 | 2019-08-05 | 一种基于时域的管道泄漏检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532635A true CN110532635A (zh) | 2019-12-03 |
CN110532635B CN110532635B (zh) | 2023-03-28 |
Family
ID=68662078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910715183.8A Active CN110532635B (zh) | 2019-08-05 | 2019-08-05 | 一种基于时域的管道泄漏检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532635B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113048404A (zh) * | 2021-03-12 | 2021-06-29 | 常州大学 | 一种城市气体管道微小泄漏诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132250A (zh) * | 2014-07-14 | 2014-11-05 | 上海师范大学 | 一种基于改进小波包的管道泄漏特征向量提取方法 |
CN108870091A (zh) * | 2018-07-19 | 2018-11-23 | 东北大学 | 基于高低频混合检测的管道泄漏监测系统及方法 |
CN108954020A (zh) * | 2018-08-10 | 2018-12-07 | 常州大学 | 一种管道定位方法 |
CN109630908A (zh) * | 2019-01-23 | 2019-04-16 | 常州大学 | 一种多次降噪的管道泄漏定位方法 |
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 |
-
2019
- 2019-08-05 CN CN201910715183.8A patent/CN110532635B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132250A (zh) * | 2014-07-14 | 2014-11-05 | 上海师范大学 | 一种基于改进小波包的管道泄漏特征向量提取方法 |
CN108870091A (zh) * | 2018-07-19 | 2018-11-23 | 东北大学 | 基于高低频混合检测的管道泄漏监测系统及方法 |
CN108954020A (zh) * | 2018-08-10 | 2018-12-07 | 常州大学 | 一种管道定位方法 |
CN109630908A (zh) * | 2019-01-23 | 2019-04-16 | 常州大学 | 一种多次降噪的管道泄漏定位方法 |
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 |
Non-Patent Citations (2)
Title |
---|
丁冬等: "基于遗传算法优化的神经网络在长输管道泄漏检测系统中的应用", 《长春理工大学学报(自然科学版)》 * |
任晓鹏等: "在Matlab中分析基于小波变换的管道泄漏定位方法", 《河北师范大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113048404A (zh) * | 2021-03-12 | 2021-06-29 | 常州大学 | 一种城市气体管道微小泄漏诊断方法 |
CN113048404B (zh) * | 2021-03-12 | 2022-08-16 | 常州大学 | 一种城市气体管道微小泄漏诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110532635B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110454687A (zh) | 一种基于改进vmd的管道多点泄漏定位方法 | |
CN107329932B (zh) | 基于非线性调频分量分解的时频域模态参数辨识方法 | |
CN109827082B (zh) | 一种管道多点泄漏精确定位方法 | |
CN100495021C (zh) | 一种利用超声波检测轧辊内部缺陷的方法 | |
US20070034012A1 (en) | Systems and methods for non-destructive testing of tubular systems | |
CN104132250A (zh) | 一种基于改进小波包的管道泄漏特征向量提取方法 | |
Qin et al. | Adaptively detecting the transient feature of faulty wind turbine planetary gearboxes by the improved kurtosis and iterative thresholding algorithm | |
CN110987434A (zh) | 一种基于去噪技术的滚动轴承早期故障诊断方法 | |
CN109063762B (zh) | 一种基于dt-cwt和s4vm的管道堵塞故障识别方法 | |
CN109340586B (zh) | 一种供水管道泄露的检测方法及系统 | |
CN104764564B (zh) | 基于声波传感器的阀门内漏检测方法 | |
CN111238816A (zh) | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 | |
Han et al. | A novel rolling bearing fault diagnosis method based on generalized nonlinear spectral sparsity | |
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 | |
CN110532635A (zh) | 一种基于时域的管道泄漏检测算法 | |
Jiang et al. | Bearing failure impulse enhancement method using multiple resonance band centre positioning and envelope integration | |
CN113624834A (zh) | 一种基于边际谱质心检测的缺陷深度识别方法、系统 | |
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 | |
CN112539887A (zh) | 一种基于wt-lcd-wd的管道泄漏信号去噪方法 | |
Wang | Pulsation signals analysis of turbocharger turbine blades based on optimal EEMD and TEO | |
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 | |
Jiang et al. | Hydrocarbon detection based on empirical mode decomposition, teager-kaiser energy, and the cepstrum | |
Kampelopoulos et al. | Applying one class classification for leak detection in noisy industrial pipelines | |
Yang et al. | Matching-pursuit-based adaptive wavelet-packet atomic decomposition applied in ultrasonic inspection | |
Wang et al. | An improved cross-correlation algorithm based on wavelet transform and energy feature extraction for pipeline leak detection |
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 |