CN111503527B - 基于自适应多元变分模态分解的流体管道泄漏定位方法 - Google Patents

基于自适应多元变分模态分解的流体管道泄漏定位方法 Download PDF

Info

Publication number
CN111503527B
CN111503527B CN202010323569.7A CN202010323569A CN111503527B CN 111503527 B CN111503527 B CN 111503527B CN 202010323569 A CN202010323569 A CN 202010323569A CN 111503527 B CN111503527 B CN 111503527B
Authority
CN
China
Prior art keywords
leakage
modal
signal
pipe wall
frequency
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.)
Active
Application number
CN202010323569.7A
Other languages
English (en)
Other versions
CN111503527A (zh
Inventor
李帅永
毛维培
夏传强
程振华
姜定杰
黄庆卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Fushihengrui Internet Of Things Technology Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010323569.7A priority Critical patent/CN111503527B/zh
Publication of CN111503527A publication Critical patent/CN111503527A/zh
Application granted granted Critical
Publication of CN111503527B publication Critical patent/CN111503527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明涉及一种基于自适应多元变分模态分解的流体管道泄漏定位方法，属于管道泄漏检测领域。该方法包括：S1：采用AMVMD算法，根据两路泄漏信号的频率曲线相加后提取频率曲线的驼峰数，自适应确定多元变分模态的模态分解个数；S2：根据两路泄漏信号的模态分量的信号清晰度，利用最大微分法自适应提取模态分量；根据测量管道的长度和泄漏传播信号的速度确定泄漏信号的延时范围，选择提取两路泄漏信号模态分量的时间延迟在延时范围的模态分量作为有效模态分量，重构有效泄漏信号；S3：确定时间延迟，结合泄漏信号传播速度和两传感器的距离确定泄漏点位置。本发明能提高信噪比，有效减少泄漏定位误差。

Description

基于自适应多元变分模态分解的流体管道泄漏定位方法
技术领域
本发明属于管道泄漏检测领域，涉及一种基于自适应多元变分模态分解的流体管道泄漏声学定位方法，主要应用于天然气、石油、供水、热力管道等的泄漏检测定位。
背景技术
随着我国的天然气、水、石油等管道网络不断完善，其中管道网络规模不断上升，因管道材料的缺陷、老化、腐蚀，地质沉降损害以及不及时的维修等问题导致泄漏率递增，引起大量的资源浪费和大面积的环境污染，甚至导致爆炸、中毒等恶性事故，对人们的生命和财产安全造成巨大的威胁。因此，为了有效减小或避免管道泄漏造成的危害，针对流体管道泄漏进行准确检测定位和及时的维修是十分必要的。
基于管道泄漏声振动信号的流体管道泄漏检测定位方法因其检测便捷方便、精度高而得到广泛应用，但泄漏声振动信号易受周围环境噪声的干扰导致信噪比较低，从而引起泄漏定位误差较大。流体管道泄漏声振动信号是一个多模态、非平稳的信号，针对非平稳的信号的分解和模态信号的提取一直是研究的热点方向，比如经验模态分解(Empiricalmodal decomposition,EMD)、小波变换(Wavelet transform,WT)、奇异值分解(Singularvalue decomposition,SVD)、局域均值分解(Local mean decomposition,LMD)等，变分模态分解(Variational Mode Decomposition,VMD)是Dragomiretskiy等人在2014年提取出一种新型的信号分解处理方法(K.Dragomiretskiy and D.Zosso,“Variational ModeDecomposition”,IEEE Transactions on Signal Processing,vol.62,no.3,pp.531-544,2014)，相比以上分解算法，VMD可消除模态混叠，具有良好的鲁棒性。公开号为CN108644618A的专利公布了一种基于VMD分量相对熵分析的管道泄漏定位方法，此方法将泄漏振动信号经过VMD分解得到模态分量，分别与原信号和无泄漏振动信号进行相对熵值比较，从而通过一定的阀值提取模态分量，能够去除干扰信号与虚拟分量，提升一定信噪比，但是VMD分解的模态层数确定不能适应不同状态泄漏的振动信号，其次不能实现自适应模态分量提取，同时由于环境噪声的复杂性，无泄漏振动信号与泄漏振动信号所处的时间不一样导致相对熵比较的效果较差。公开号为CN110454687A的专利公布了一种基于改进VMD的管道多点泄漏定位方法，该方法利用总体局域均值分解将泄漏振动信号分解为瞬时频率具有物理意义的乘积函数(Product function，PF)，根据相关系数提取出有效PF分量，对提取的PF分量进行信号重构，然后进行变分模态分解，其VMD的模态分解数是提取PF分量的个数，最后计算各模态分量的多尺度熵值并分解,筛选泄漏模态分量进行信号重构后进行互相关定位。该方法利用总体局域均值分解和PF分量的相关系数来确定VMD分解的模态分解数，实现了VMD的自适应分解，其次通过两次信号的分解与重构，能够消除了原始泄漏信号中的低相关成分和噪声的影响，但是在PF分量和模态分量的提取时不能实现信号的适应性提取。Rehman等人在2019年提出改进的多元变分模态分解(MultivariateVariational Mode Decomposition，MVMD)算法(N.u.Rehman and H.Aftab,"MultivariateVariational Mode Decomposition,"in IEEE Transactions on Signal Processing,vol.67,no.23,pp.6039-6052,1Dec.1,2019.)，该算法针对于多元信号之间存在有联合或共同的频率分量，同时继承VMD消除模态混叠和端点效应的优点，具有较好的鲁棒性和稳定性，但在进行管道泄漏振动信号分解时无法自适应确定模态分解层数。
发明内容
有鉴于此，本发明的目的在于提供一种基于自适应多元变分模态分解的流体管道泄漏定位方法，根据泄漏信号自身特性自适应实现自适应消除噪声和自适应模态分量提取，从而提高信噪比，有效减少泄漏定位误差。
为达到上述目的，本发明提供如下技术方案：
一种基于自适应多元变分模态分解的流体管道泄漏定位方法，具体包括以下步骤：
S1：泄漏信号自适应分解：采用自适应多元变分模态分解(AdaptiveMultivariate Variational Mode Decomposition,AMVMD)算法，根据两路泄漏信号的频率曲线相加后提取频率曲线的驼峰数，自适应确定多元变分模态的模态分解个数；
S2：模态分量自适应提取：根据两路泄漏信号的模态分量的信号清晰度，利用最大微分法自适应提取模态分量，从而提高泄漏信号信噪比；根据测量管道的长度和泄漏传播信号的速度确定泄漏信号的延时范围，选择提取两路泄漏信号模态分量的时间延迟在延时范围的模态分量作为有效模态分量，从而重构有效的泄漏信号；
S3：泄漏定位：利用两路有效泄漏信号的互相关延时估计确定时间延迟，结合泄漏信号传播速度和两传感器的距离确定泄漏点位置。
进一步，步骤S1中，所述AMVMD算法具体包括：X(t)是包含C个维度的数据，X(t)＝[x1(t),x2(t),…,xc(t),…,xC(t)]，c∈1,2,…,C；
1)对X(t)的C个维度的数据相加得到X′(t)：
Figure GDA0003212890830000021
将X′(t)进行傅里叶变换得到频谱曲线序列p，提取p的驼峰数K，驼峰数指的是频谱曲线纵坡在一定距离内较为急剧变化的凸峰个数，驼峰数确定X(t)的每个维度有共同的K个模态分量；则X(t)表示为：
Figure GDA0003212890830000031
其中，
Figure GDA0003212890830000032
uk,c(t)为C维度数据的第k个模态分量函数；
2)为了得到每个维度的模态分量函数uk,c(t)的单边频谱，对uk,c(t)进行Hilbert变换得到对应相关的解析信号，取其复数的实部；
Figure GDA0003212890830000033
3)混合各模态解析信号与预估中心频率
Figure GDA0003212890830000034
调制每个维度的模态分量函数的单边频谱到所有维度数据共同的中心频带；
Figure GDA0003212890830000035
其中，{ωk}：＝{ω1,…,ωk}表示各个模态分量的中心频率，*为卷积；
4)通过公式(4)的范数L2平方来估计出每个维度的模态分量的模态信号带宽，对应的约束变分问题模型为：
Figure GDA0003212890830000036
其中，
Figure GDA0003212890830000037
表示对函数求时间t的导数；
5)引入二次惩罚因子α和拉格朗日乘法算子λc(t)求出式(5)的最优解，将约束性变分问题变为非约束性变分问题，即：
Figure GDA0003212890830000038
6)求公式(6)约束变分模型的最优解，将X(t)的每个维度的数据都分解K个模态分量函数IMF。
进一步，步骤S1中，采用AMVMD算法对泄漏信号进行模态分解的具体步骤为：
S11：对泄漏信号x1(t)的C个维度的数据相加得到X′(t)，将X′(t)进行傅里叶变换的频谱曲线序列p，提取p的驼峰数K；
S12：初始化
Figure GDA0003212890830000039
n＝0；
S13：令n＝n+1，对于所有ω≥0使得，根据公式(7)～(9)更新
Figure GDA00032128908300000310
Figure GDA0003212890830000041
Figure GDA0003212890830000042
Figure GDA0003212890830000043
其中，
Figure GDA0003212890830000044
为xc(t)的频率函数，
Figure GDA0003212890830000045
为模态分量频率函数，
Figure GDA0003212890830000046
为拉格朗日乘法算子频率函数，n为更新迭代模态分量的次数；
S14：对于所有ω≥0，使得
Figure GDA0003212890830000047
S15：重复步骤S13、S14直到满足约束条件式(11)，精度要求满足ε>0条件时结束循环；
Figure GDA0003212890830000048
S16：最终分解得到{uk}即为泄漏信号x1(t)的模态分量
Figure GDA0003212890830000049
S17：同理采用AMVMD算法分解泄漏信号x2(t)得到模态分量
Figure GDA00032128908300000410
进一步，所述步骤S2具体包括以下步骤：
S21：对管道泄漏振动信号x1(t)的模态分量
Figure GDA00032128908300000411
和管道泄漏振动信号x2(t)的模态分量为
Figure GDA00032128908300000412
进行对应互相关运算得：
Figure GDA00032128908300000413
则两泄漏信号的模态分量的时间延迟Dk为：
Figure GDA00032128908300000414
为表示分解后的各个模态信号包含的泄漏信息量，定义参数pk为：
Figure GDA00032128908300000415
其中，T为模态信号的时域的长度，γ为指数因子；
对公式(14)中pk进行归一化，得到信号清晰度
Figure GDA00032128908300000416
Figure GDA00032128908300000417
S22：利用最大微分法提取x1(t)和x2(t)的模态分量
Figure GDA00032128908300000418
和
Figure GDA00032128908300000419
S23：结合模态分量互相时延估计Dk，根据两传感器之间的距离和泄漏信号传播的速度计算泄漏信号的时延的范围，选取
Figure GDA00032128908300000420
对应时间延迟Dk在时延的范围内，作为有效泄漏信号的模态分量，将其有效泄漏信号的模态分量相加得到重构有效泄漏信号x′1(t)和x′2(t)。
更进一步，所述步骤S22中，最大微分法的提取步骤包括：
1)对信号清晰度
Figure GDA0003212890830000051
进行降序排列得到Mk；
2)计算Mk相邻的差值erri＝Mi+1-Mi,1≤i≤K-1；
3)寻找err的最大值errmax，提取errmax前面对应x1(t)和x2(t)的模态分量得到
Figure GDA0003212890830000052
和
Figure GDA0003212890830000053
进一步，所述步骤S3具体包括以下步骤：
S31：对重构有效泄漏信号x′1(t)和x′2(t)进行互相关时延估计如下：
Figure GDA0003212890830000054
则两泄漏信号的时间延迟D为：
Figure GDA0003212890830000055
泄漏信号模态信号声速模型分别为：
流体主导模态声速为：
Figure GDA0003212890830000056
管壁主导模态声速为：
Figure GDA0003212890830000057
其中，vf为声波在流体介质中的传播速度，vL为声波在管壁材料中的传播速度，B为流体介质的体积弹性模量，a为管壁半径，h为管壁厚度，δ＝ω2ρha2，ω为角频率，ρ为管壁材料的密度，ζ为管壁材料的泊松比，E为管壁材料的弹性模量；
S32：将重构后的有效泄漏信号相干函数的峰值频率作为中心频率，代入速度公式(18)(19)，确定管壁主导波和流体主导波的传播速度；
流体管道泄漏流体主导波和管壁主导波在管壁径向引起的位移为W1和W2，其中二者之间的比例关系为：
Figure GDA0003212890830000058
其中，Bf表示管内流体体积弹性模型，β＝(2Bfa/Eh)(1-V2)，将确定的流体主导波和管壁主导波传播速度和材料参数代入公式(18)确定二者引起的管壁径向位移的比例，从而判断泄漏主导模态类型，从而将主导模态的传播速度作为管道泄漏信号的传播速度V；
S33：将管道泄漏信号的传播速度V和两传感器之间的距离L代入泄漏定位公式(21)，确定泄漏点位置；
Figure GDA0003212890830000061
其中，d为传感器距离泄漏点的长度，L为两传感器之间的距离，该距离可通过现场测量直接获得。
本发明的有益效果在于：本发明利用流体管道泄漏振动信号的频率曲线特性提取频率曲线驼峰数，进而自适应确定多元变分模态分解算法的模态分解层数，实现泄漏振动信号自适应分解；其次，根据模态分量的信号清晰度和对应两路的模态分量互相关时间延迟范围，利用最大微分法和时延范围选取泄漏振动信号的有效模态分量，本发明技术能够根据泄漏信号自身特性自适应实现自适应消除噪声和自适应模态分量提取，从而提高信噪比，有效减少泄漏定位误差。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明基于自适应多元变分模态分解的流体管道泄漏检测定位方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1，为一种基于自适应多元变分模态分解的流体管道泄漏声学定位方法，当流体管道发生泄漏时，泄漏源会释放压力形成振动信号沿着流体管道传播，此信号可被分解成多种不同类型的模态信号，因而具有多模态性。流体管道可以看作由管内流体、管壁及管道外部介质三层不同属性的介质构成的圆柱形壳体复合结构，低频泄漏振动信号在这种圆柱形壳体复合结构中传输时只激励两种基本的模态类型：管壁主导模态和流体主导模态，其中管壁主导模态波主要在管壁中传输，而流体主导模态波则为流体中传输的纵波。由于受泄漏源的自身的特性、管道材质、传输路径、管道周围环境噪声等多种复杂因素的影响，此信号是一个复杂的非平稳信号，同时包含大量环境噪声。当流体管道泄漏时产生振动信号沿着管道向两端传输，被两端加速度传感器拾取后形成两路管道泄漏信号分别为泄漏信号1为x1(t)和泄漏信号2为x2(t)，然后泄漏信号进行模态分解、提取，重构、以及对管道泄漏定位，具体步骤如下：
1、泄漏信号自适应分解
本发明改进多元变分模态分解算法，在此基础上提出了AMVMD算法，利用AMVMD算法对管道泄漏信号x1(t)和x2(t)进行模态分解，惩罚参数α设为默认值2000，则x1(t)和x2(t)分解的结果如下；管道泄漏振动信号x1(t)的模态分量为
Figure GDA0003212890830000071
管道泄漏振动信号x2(t)的模态分量为
Figure GDA0003212890830000072
AMVMD算法的分解原理如下：
X(t)是包含C个维度的数据，X(t)＝[x1(t),x2(t),…,xc(t),…,xC(t)]，c∈1,2,…,C。
1)对X(t)的C个维度的数据相加得到X′(t)，
Figure GDA0003212890830000073
将X′(t)进行傅里叶变换得到频谱曲线序列p，提取p的驼峰数K，驼峰数指的是频谱曲线纵坡在一定距离内较为急剧变化的凸峰个数，驼峰数确定X(t)的每个维度有共同的K个模态分量。则X(t)可以表示为
Figure GDA0003212890830000074
其中，
Figure GDA0003212890830000075
uk,c(t)为C维度数据的第k个模态分量函数。
2)为了得到每个维度的模态分量函数uk,c(t)的单边频谱，对其进行Hilbert变换得到对应相关的解析信号(取其复数的实部)：
Figure GDA0003212890830000076
3)混合各模态解析信号与预估中心频率
Figure GDA0003212890830000077
调制每个维度的模态分量函数的单边频谱到所有维度数据共同的中心频带。{ωk}：＝{ω1,…,ωk}代表各个模态分量的中心频率，*为卷积。
Figure GDA0003212890830000078
4)通过公式(4)的范数L2平方来估计出每个维度的模态分量的模态信号带宽，对应的约束变分问题模型如下：
Figure GDA0003212890830000081
其中，
Figure GDA0003212890830000082
表示对函数求时间t的导数，δt是单位脉冲函数。
5)引入二次惩罚因子α和拉格朗日乘法算子λc(t)求出式(5)的最优解，将约束性变分问题变为非约束性变分问题，即：
Figure GDA0003212890830000083
6)求公式(6)约束变分模型的最优解，将X(t)的每个维度的数据都分解K个模态分量函数IMF。则利用AMVMD算法对泄漏信号进行模态分解的具体实施过程如下：
(1)对泄漏信号x1(t)的C个维度的数据相加得到X′(t)，将X′(t)进行傅里叶变换的频谱曲线序列p，提取p的驼峰数K。
(2)初始化
Figure GDA0003212890830000084
n＝0；
(3)令n＝n+1，对于所有ω≥0使得，根据公式(7)、(8)、(9)更新
Figure GDA0003212890830000085
Figure GDA0003212890830000086
Figure GDA0003212890830000087
Figure GDA0003212890830000088
其中，
Figure GDA0003212890830000089
为xc(t)的频率函数，
Figure GDA00032128908300000810
为模态分量频率函数，
Figure GDA00032128908300000811
为拉格朗日乘法算子频率函数，n为更新迭代模态分量的次数；
(4)对于所有ω≥0，使得
Figure GDA00032128908300000812
(5)重复步骤(3)，(4)直到满足约束条件式(11)，精度要求满足ε>0条件时结束循环。
Figure GDA00032128908300000813
(6)最终分解得到{uk}即为泄漏信号x1(t)的模态分量
Figure GDA00032128908300000814
(7)同理采用AMVMD算法分解泄漏信号x2(t)得到模态分量
Figure GDA00032128908300000815
2、模态分量自适应提取
对管道泄漏振动信号x1(t)的模态分量
Figure GDA0003212890830000091
和管道泄漏振动信号x2(t)的模态分量为
Figure GDA0003212890830000092
进行对应互相关运算得：
Figure GDA0003212890830000093
则两泄漏信号的模态分量的时间延迟Dk为
Figure GDA0003212890830000094
为表示分解后的各个模态信号包含的泄漏信息量，定义参数pk为
Figure GDA0003212890830000095
其中，T为模态信号的时域的长度，γ为指数因子；
对公式(14)中pk进行归一化可得信号清晰度
Figure GDA0003212890830000096
Figure GDA0003212890830000097
然后利用最大微分法提取x1(t)和x2(t)的模态分量，最大微分法的提取步骤如下：
(1)对信号清晰度
Figure GDA0003212890830000098
进行降序排列得到Mk；
(2)计算Mk相邻的差值erri＝Mi+1-Mi 1≤i≤K-1；
(3)寻找err的最大值errmax，提取errmax前面对应x1(t)和x2(t)的模态分量得到
Figure GDA0003212890830000099
最后，结合模态分量互相时延估计Dk，根据两传感器之间的距离和泄漏信号传播的速度计算泄漏信号的时延的范围，选取
Figure GDA00032128908300000910
对应时间延迟Dk在时延的范围内，作为有效泄漏信号的模态分量，将其有效泄漏信号的模态分量相加得到重构有效泄漏信号x′1(t)和x′2(t)。
3、泄漏定位
对重构有效泄漏信号x′1(t)和x′2(t)进行互相关时延估计如下：
Figure GDA00032128908300000911
则两泄漏信号的时间延迟D为
Figure GDA00032128908300000912
泄漏信号模态信号声速模型分别为：
流体主导模态声速为
Figure GDA00032128908300000913
管壁主导模态声速为
Figure GDA0003212890830000101
其中，vf为声波在流体介质中的传播速度，vL为声波在管壁材料中的传播速度，二者均可根据材料特性查表获得。B为流体介质的体积弹性模量，a为管壁半径，h为管壁厚度，δ＝ω2ρha2，ω为角频率，为管壁材料的密度，ζ为管壁材料的泊松比，E为管壁材料的弹性模量，以上材料参数均可通过查阅材料数据手册获得。
然后，将重构后的有效泄漏信号相干函数的峰值频率作为中心频率，代入速度公式(18)(19)即可确定管壁主导波和流体主导波的传播速度。
流体管道泄漏流体主导波和管壁主导波在管壁径向引起的位移为W1和W2，其中二者之间的比例关系为
Figure GDA0003212890830000102
其中，vfd、vwd、Bf分别表示流体主导模态声速、管壁主导模态声速、管内流体体积弹性模型，β＝(2Bfa/Eh)(1-V2)，将确定的流体主导波和管壁主导波传播速度和材料参数代入公式(18)可确定二者引起的管壁径向位移的比例，从而判断泄漏主导模态类型，从而将主导模态的传播速度作为管道泄漏信号的传播速度V。
最后，将管道泄漏信号的传播速度V和两传感器之间的距离L代入泄漏定位公式(21)即可确定泄漏点位置，
Figure GDA0003212890830000103
其中d为传感器距离泄漏点的长度，L为两传感器之间的距离，该距离可通过现场测量直接获得。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于自适应多元变分模态分解的流体管道泄漏定位方法，其特征在于，该方法具体包括以下步骤：
S1：泄漏信号自适应分解：采用自适应多元变分模态分解(Adaptive MultivariateVariational Mode Decomposition,AMVMD)算法，根据两路泄漏信号的频率曲线相加后提取频率曲线的驼峰数，自适应确定多元变分模态的模态分解个数；
S2：模态分量自适应提取：根据两路泄漏信号的模态分量的信号清晰度，利用最大微分法自适应提取模态分量，从而提高泄漏信号信噪比；根据测量管道的长度和泄漏传播信号的速度确定泄漏信号的延时范围，选择提取两路泄漏信号模态分量的时间延迟在延时范围的模态分量作为有效模态分量，从而重构有效的泄漏信号；
S3：泄漏定位：利用两路有效泄漏信号的互相关延时估计确定时间延迟，结合泄漏信号传播速度和两传感器的距离确定泄漏点位置；
步骤S1中，所述AMVMD算法具体包括：X(t)是包含C个维度的数据，X(t)＝[x1(t),x2(t),…,xc(t),…,xC(t)]，c∈1,2,…,C；
1)对X(t)的C个维度的数据相加得到X′(t)：
Figure FDA0003212890820000011
将X′(t)进行傅里叶变换得到频谱曲线序列p，提取p的驼峰数K，驼峰数指的是频谱曲线纵坡在一定距离内较为急剧变化的凸峰个数，驼峰数确定X(t)的每个维度有共同的K个模态分量；则X(t)表示为：
Figure FDA0003212890820000012
其中，
Figure FDA0003212890820000013
uk,c(t)为C维度数据的第k个模态分量函数；
2)对uk,c(t)进行Hilbert变换得到对应相关的解析信号，取其复数的实部；
Figure FDA0003212890820000014
3)混合各模态解析信号与预估中心频率
Figure FDA0003212890820000015
调制每个维度的模态分量函数的单边频谱到所有维度数据共同的中心频带；
Figure FDA0003212890820000016
其中，{ωk}：＝{ω1,…,ωk}表示各个模态分量的中心频率，*为卷积；
4)通过公式(4)的范数L2平方来估计出每个维度的模态分量的模态信号带宽，对应的约束变分问题模型为：
Figure FDA0003212890820000021
其中，
Figure FDA00032128908200000215
表示对函数求时间t的导数；
5)引入二次惩罚因子α和拉格朗日乘法算子λc(t)求出式(5)的最优解，将约束性变分问题变为非约束性变分问题，即：
Figure FDA0003212890820000022
6)求公式(6)约束变分模型的最优解，将X(t)的每个维度的数据都分解K个模态分量函数IMF；
步骤S1中，采用AMVMD算法对泄漏信号进行模态分解的具体步骤为：
S11：对泄漏信号x1(t)的C个维度的数据相加得到X′(t)，将X′(t)进行傅里叶变换的频谱曲线序列p，提取p的驼峰数K；
S12：初始化
Figure FDA0003212890820000023
n＝0；
S13：令n＝n+1，对于所有ω≥0使得，根据公式(7)～(9)更新
Figure FDA0003212890820000024
Figure FDA0003212890820000025
Figure FDA0003212890820000026
Figure FDA0003212890820000027
其中，
Figure FDA0003212890820000028
为xc(t)的频率函数，
Figure FDA0003212890820000029
为模态分量频率函数，
Figure FDA00032128908200000210
为拉格朗日乘法算子频率函数，n为更新迭代模态分量的次数；
S14：对于所有ω≥0，使得
Figure FDA00032128908200000211
S15：重复步骤S13、S14直到满足约束条件式(11)，精度要求满足ε>0条件时结束循环；
Figure FDA00032128908200000212
S16：最终分解得到{uk}即为泄漏信号x1(t)的模态分量
Figure FDA00032128908200000213
S17：同理采用AMVMD算法分解泄漏信号x2(t)得到模态分量
Figure FDA00032128908200000214
所述步骤S2具体包括以下步骤：
S21：对管道泄漏振动信号x1(t)的模态分量
Figure FDA0003212890820000031
和管道泄漏振动信号x2(t)的模态分量为
Figure FDA0003212890820000032
进行对应互相关运算得：
Figure FDA0003212890820000033
则两泄漏信号的模态分量的时间延迟Dk为：
Figure FDA0003212890820000034
为表示分解后的各个模态信号包含的泄漏信息量，定义参数pk为：
Figure FDA0003212890820000035
其中，T为模态信号的时域的长度，γ为指数因子；
公式(14)中pk进行归一化，得到信号清晰度
Figure FDA0003212890820000036
Figure FDA0003212890820000037
S22：利用最大微分法提取x1(t)和x2(t)的模态分量
Figure FDA0003212890820000038
和
Figure FDA0003212890820000039
S23：结合模态分量互相时延估计Dk，根据两传感器之间的距离和泄漏信号传播的速度计算泄漏信号的时延的范围，选取
Figure FDA00032128908200000310
对应时间延迟Dk在时延的范围内，作为有效泄漏信号的模态分量，将其有效泄漏信号的模态分量相加得到重构有效泄漏信号x′1(t)和x′2(t)；
所述步骤S22中，最大微分法的提取步骤包括：
1)对信号清晰度
Figure FDA00032128908200000311
进行降序排列得到Mk；
2)计算Mk相邻的差值erri＝Mi+1-Mi,1≤i≤K-1；
3)寻找err的最大值errmax，提取errmax前面对应x1(t)和x2(t)的模态分量得到
Figure FDA00032128908200000312
和
Figure FDA00032128908200000313
所述步骤S3具体包括以下步骤：
S31：对重构有效泄漏信号x′1(t)和x′2(t)进行互相关时延估计如下：
Figure FDA00032128908200000314
则两泄漏信号的时间延迟D为：
Figure FDA00032128908200000315
泄漏信号模态信号声速模型分别为：
流体主导模态声速为：
Figure FDA0003212890820000041
管壁主导模态声速为：
Figure FDA0003212890820000042
其中，vf为声波在流体介质中的传播速度，vL为声波在管壁材料中的传播速度，B为流体介质的体积弹性模量，a为管壁半径，h为管壁厚度，δ＝ω2ρha2，ω为角频率，ρ为管壁材料的密度，ζ为管壁材料的泊松比，E为管壁材料的弹性模量；
S32：将重构后的有效泄漏信号相干函数的峰值频率作为中心频率，代入速度公式(18)(19)，确定管壁主导波和流体主导波的传播速度；
流体管道泄漏流体主导波和管壁主导波在管壁径向引起的位移为W1和W2，其中二者之间的比例关系为：
Figure FDA0003212890820000043
其中，β＝(2Bfa/Eh)(1-V2)，Bf表示管内流体体积弹性模型，将确定的流体主导波和管壁主导波传播速度和材料参数代入公式(18)确定二者引起的管壁径向位移的比例，从而判断泄漏主导模态类型，从而将主导模态的传播速度作为管道泄漏信号的传播速度V；
S33：将管道泄漏信号的传播速度V和两传感器之间的距离L代入泄漏定位公式(21)，确定泄漏点位置；
Figure FDA0003212890820000044
其中，d为传感器距离泄漏点的长度，L为两传感器之间的距离。
CN202010323569.7A 2020-04-22 2020-04-22 基于自适应多元变分模态分解的流体管道泄漏定位方法 Active CN111503527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010323569.7A CN111503527B (zh) 2020-04-22 2020-04-22 基于自适应多元变分模态分解的流体管道泄漏定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010323569.7A CN111503527B (zh) 2020-04-22 2020-04-22 基于自适应多元变分模态分解的流体管道泄漏定位方法

Publications (2)

Publication Number Publication Date
CN111503527A CN111503527A (zh) 2020-08-07
CN111503527B true CN111503527B (zh) 2021-09-24

Family

ID=71877921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010323569.7A Active CN111503527B (zh) 2020-04-22 2020-04-22 基于自适应多元变分模态分解的流体管道泄漏定位方法

Country Status (1)

Country Link
CN (1) CN111503527B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112013285B (zh) * 2020-08-26 2022-04-19 辽宁石油化工大学 管道泄漏点的检测方法及装置、存储介质、终端
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
CN113686964B (zh) * 2021-09-07 2023-12-12 哈尔滨工程大学 一种基于泄漏模态声波导特性的海冰厚度观测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104747912B (zh) * 2015-04-23 2017-04-12 重庆邮电大学 流体输送管道泄漏声发射时频定位方法
CN105391083B (zh) * 2015-11-05 2018-05-25 河海大学 基于变分模态分解和相关向量机的风功率区间短期预测方法
CN108506742B (zh) * 2018-03-10 2020-07-03 西安电子科技大学 一种自适应有效信号判定流体管道泄漏定位方法
CN108644618B (zh) * 2018-05-09 2019-07-09 常州大学 基于vmd分量相对熵分析的管道泄漏定位方法
CN109188210A (zh) * 2018-10-23 2019-01-11 国网江苏省电力有限公司徐州供电分公司 一种基于VMD-Hilbert变换的城市电力电缆双端故障测距方法
CN109469837B (zh) * 2018-11-19 2020-07-21 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
CN109681789B (zh) * 2019-03-01 2020-07-03 重庆邮电大学 基于变分模态分解的流体管道泄漏声振动相干检测定位方法
CN110388570B (zh) * 2019-07-26 2020-06-19 吉林大学 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

Also Published As

Publication number Publication date
CN111503527A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111503527B (zh) 基于自适应多元变分模态分解的流体管道泄漏定位方法
CN110671613B (zh) 基于改进经验小波变换的流体管道泄漏信号时延估计方法
CN108644618B (zh) 基于vmd分量相对熵分析的管道泄漏定位方法
CN110645483B (zh) 一种基于频谱分析的城市埋地管道早期泄漏诊断方法
Li et al. Research on VMD based adaptive denoising method applied to water supply pipeline leakage location
Mahmutoglu et al. A passive acoustic based system to locate leak hole in underwater natural gas pipelines
CN111947045B (zh) 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法
CN101246467B (zh) 自适应阈值检漏结合多尺度快速时延搜索的泄漏定位方法
CN110388570B (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
CN105627107B (zh) 一种流体管道泄漏单一传感器模态声发射时频定位方法
CN100456010C (zh) 基于压力信号拐点检测油气管道泄漏的方法
CN104535275B (zh) 基于气泡声学的水下气体泄漏量的检测方法和检测装置
CN109556797B (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
CN112303504B (zh) 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
CN106289121A (zh) 一种变径管等效管长的计算方法
CN105674065A (zh) 一种基于变模式分解的声发射管道漏点定位方法
CN115031906A (zh) 基于次声波的管道泄漏在线监测方法
Kothandaraman et al. Water pipeline leak measurement using wavelet packet-based adaptive ICA
Liu et al. Application of VMD in pipeline leak detection based on negative pressure wave
Hou et al. Multi-leakage source localization of safety valve based on improved KDE algorithm
CN115452670B (zh) 一种流动水体中泥沙含量的测定方法及装置
CN106597546A (zh) 一种探测河底表层泥沙物性的方法
CN113191307B (zh) 一种基于贝叶斯估计的浅海波导简正波阶数判定方法
CN109340587B (zh) 基于经验模态分解的流体管道泄漏声发射相干定位方法
Kousiopoulos et al. Dealing with stochastic signals and physical phenomena impacting pipeline leak localization accuracy

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230423

Address after: No. 102, 1st Floor, Building 1, No. 51 Zhenhua Road, Zengjia Town, Shapingba District, Chongqing, 400000

Patentee after: Chongqing Fushihengrui Internet of Things Technology Co.,Ltd.

Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS