CN111911818A - 一种基于偏度、峰度信号特征的音波泄漏监测方法 - Google Patents
一种基于偏度、峰度信号特征的音波泄漏监测方法 Download PDFInfo
- Publication number
- CN111911818A CN111911818A CN202010667066.1A CN202010667066A CN111911818A CN 111911818 A CN111911818 A CN 111911818A CN 202010667066 A CN202010667066 A CN 202010667066A CN 111911818 A CN111911818 A CN 111911818A
- Authority
- CN
- China
- Prior art keywords
- sound wave
- leakage
- skewness
- kurtosis
- signals
- 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
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
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种基于偏度、峰度信号特征的音波泄漏监测方法,主要由采集待识别音波信号、小波去噪预处理、偏度、峰度特征提取、SVM分类建模、音波识别结果组成。在管道的各个站点安装现场数据采集处理器,直接监控、采集模拟音波信号。管道内输送介质发生泄漏所产生的瞬间音波震荡,通过算法、泄漏信号的时间差,判断泄漏位置。
Description
技术领域
本发明涉及音波、泄漏监测、特征提取等相关领域,尤其涉及一种气体 管道泄漏监测识别系统。
背景技术
基于音波分析管道泄漏监测是一种常规、有效的方法,但是传统方法中 一般利用阈值来判断是否产生泄漏状况,该过程无法应对复杂工况,容易引起误 报警。因此,我们开发了基于峰度、斜度信号特征的音波泄漏监测方法。通过采 集一定数量的分析样本构成训练样本,通过统计模式算法获取内在空间结构信息, 利用“物以类聚”原则对泄漏和非泄漏状况进行有效区分,提高音波在线监测效 果。
发明内容
本发明涉及一种基于偏度、峰度信号特征的音波泄漏监测方法,在管道 的各个站点安装现场数据采集处理器,直接监控、采集模拟音波信号。管道内输 送介质发生泄漏所产生的瞬间音波震荡,通过算法、泄漏信号的时间差,判断泄 漏位置。
该方法的主要创新点如下:1、传统泄漏监测方法需要利用大量泄漏信号 建立数据库模型,实际应用中获取泄漏信号需要付出极大的代价。本发明专利中 充分利用信号的偏度、峰度信息建立数据库模型,克服了泄漏信号样本不足的问 题,有效提高了模型的丰富度。2、发明专利利用支持向量机(SVM)算法建立是 否泄漏的判别模型。该算法是在统计学习理论基础上专门针对小样本学习的有效 模型,该模型在泄漏样本和非泄漏样本之间寻求最大的分类间隔,可以极大的提 高泄漏事件的识别结果。
附图说明
下面结合附图和具体实施方式对本发明进行详细说明。
图1管道泄漏监测识别系统总图
图2音波泄漏识别过程图
图3平稳工况音波信号样本图
图4泄漏音波信号样本图
图5提取的偏度、峰度特征图
具体实施方式
音波监测系统主要由服务器、工作站、现场音波数据采集处理器、GPS天 线、音波传感器等组成。现场数据采集处理器负责将实时采集的音波信号转化 为数字信号便于处理,GPS接收器用以校准各设备的时钟,保持各站点设备时钟 同步。
泄漏信号在传播的过程中会受到各种噪声干扰,需要进行数据平滑。由 于小波变换具有多分辨率特性,因此Dolphin智能音波泄漏监测系统采用小波去 噪的方法对泄漏信号进行预处理。
小波函数ψ(t),它局部地存在于时域(空域)轴上,其波形可在特定的 位置上发生变化:当对低频信号分析时,小波函数可以放大a倍;当对高频信号 分析时,小波函数可以缩小a倍,可表示为:
设x(t)∈L2(R)是平方可积,ψ(t)是小波基,则
式中,x(t)内积表达式是WTx(a,τ)=<x(t),ψaτ(t)>。
该方法首先对信号进行小波分解(公式(2)),并重构经过阈值处理的小 波系数。其原理为:变换后信号能量集中在小波系数值大的域集中。经分解后, 信号的小波系数幅值大于噪声系数,因此,采用阈值法可以去除大部分噪声干扰。 保留信号系数。
音波信号有量纲特征值常因工况变化而变化,给泄漏监测带来一定困难, 因而时常使用多种无量纲指标,包括峰度、斜度等。
偏度是在程度和偏斜方向的统计分布,其定义为:
其中μ、σ分别为序列向量X的均值和方差。当偏度=0,正态分布;当 偏度>0右偏分布;当偏度<0,左偏分布。
峰度为概率密度分布在平均值处峰值高低的特征,其定义为:
当峰度值=3时,正态分布;当峰度值>3时,厚尾;当峰度值<3时,瘦尾。
对于数据采集处理器实时测量的音波信号,在未产生泄漏状况下,该信 号为平稳随机信号,满足近似正态分布;当有泄漏发生,随机信号变化较大,不 满足近似正太分布。实际处理过程中可以利用信号偏度、峰度进行特征提取来判 断是否满足近似正态分布。
对预处理后的音波信号进行特征提取和模型训练。其原理如下:
假设训练样本集(x1,y1),...(xn,yn),其中xi∈X为第i个样本,yi是xi的标 记,泄漏问题为yi∈{-1,+1}。如果训练样本线性可分或近似线性可分,则存在一 个最优超平面使两类样本间隔最大。该平面为:
超平面将两类样本正确分开意味着:
yi[w*xi+b]≥1-ξi,i=1,2...,n,ξi≥0 (5)
其中ξi是引入的松弛变量,有:ξi≥0,i=1,2,...,l
最优分类面为:
其中,α*是二次规划问题的最优解,b*为偏置。
支持向量机将输入空间中线性不可分的数据映射到高维特征空间,构造 线性判别函数来实现原空间中的非线性分类,其目标函数变为:
相应地,最优分类面变为
实验中采集大量平稳工况样本和泄漏样本,对待识别两类样本进行数据 预处理、特征(偏度、峰度)提取、SVM分类建模等实现泄漏样本的智能、自动 分析。基于特征学习的泄漏识别过程如图2所示:
利用音波泄漏监测系统采集的平稳工况音波信号样本和泄漏音波信号样 本如图3、图4所示:从图中可以看出平稳工况下音波信号近似随机分布,而泄 漏状况下信号跳变明显。
根据公式(3)、(4)定义计算音波信号偏度、峰度特征如图5所示:
从图5中显示平稳工况音波信号偏度在0附近,峰度在3附近波动;当有 泄漏工况发生时,实时采集的音波信号偏度、峰度特征波动较大,利用非线性 SVM(公式(8))获得泄漏音波的分类超平面如图5中圈所示。对实时采集的音波 信号,采取同样的小波去噪,偏度、峰度特征提取等操作,根据其落入对应的训 练样本区域来判断其是否发生泄漏。
Claims (1)
1.一种基于偏度、峰度信号特征的音波泄漏监测方法,其特征在于通过安装的音波在线泄漏监测系统实时采集音波信号,利用小波变换去噪对数据进行预处理,通过提取音波的偏度、峰度特征,利用支持向量机(SVM)对上述采集数据进行聚类分析,实现了泄漏信号的快速、准确识别,使得与平稳工况下音波信号的近似随机分布相区别,泄漏状况下信号跳变明显,可以根据其落入对应的训练样本区域来判断其是否发生泄漏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667066.1A CN111911818A (zh) | 2020-07-10 | 2020-07-10 | 一种基于偏度、峰度信号特征的音波泄漏监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667066.1A CN111911818A (zh) | 2020-07-10 | 2020-07-10 | 一种基于偏度、峰度信号特征的音波泄漏监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111911818A true CN111911818A (zh) | 2020-11-10 |
Family
ID=73227817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010667066.1A Pending CN111911818A (zh) | 2020-07-10 | 2020-07-10 | 一种基于偏度、峰度信号特征的音波泄漏监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111911818A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240455A (zh) * | 2014-08-07 | 2014-12-24 | 北京航天控制仪器研究所 | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 |
CN106015949A (zh) * | 2016-05-30 | 2016-10-12 | 北京中计新业科技发展有限公司 | 一种音波管道泄漏监测系统 |
-
2020
- 2020-07-10 CN CN202010667066.1A patent/CN111911818A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240455A (zh) * | 2014-08-07 | 2014-12-24 | 北京航天控制仪器研究所 | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 |
CN106015949A (zh) * | 2016-05-30 | 2016-10-12 | 北京中计新业科技发展有限公司 | 一种音波管道泄漏监测系统 |
Non-Patent Citations (3)
Title |
---|
付俊涛等: "输气管道泄漏音波与干扰信号特征提取", 《石油化工高等学校学报》 * |
孙玉萍: "基于音波数据驱动的输气管道泄漏检测", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
韩丛丛等: "基于SWT和NMF的管道泄漏声发射信号特征提取与判别", 《煤炭技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Wavelet analysis of sensor signals for tool condition monitoring: A review and some new results | |
Siddagangaiah et al. | On the dynamics of ocean ambient noise: Two decades later | |
Harmouche et al. | Long-term monitoring for leaks in water distribution networks using association rules mining | |
CN109143195B (zh) | 一种基于全kl散度的雷达目标检测方法 | |
Ramirez Jr et al. | Machine learning for seismic signal processing: Phase classification on a manifold | |
Zhang et al. | Bearing condition recognition and degradation assessment under varying running conditions using NPE and SOM | |
CN112068120A (zh) | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN115169733A (zh) | 基于深度学习的内孤立波对深海沉积物再悬浮量预测方法 | |
CN116842410B (zh) | 一种基于动态感知的智能头盔防盗管理方法以及系统 | |
CN111911818A (zh) | 一种基于偏度、峰度信号特征的音波泄漏监测方法 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN112634945A (zh) | 一种基于云平台的智能漏水声识别方法 | |
CN101644768A (zh) | 一种基于倒谱分析的水雷目标识别方法 | |
CN113822565B (zh) | 一种风机监测数据时频特征分级细化分析的方法 | |
Chen et al. | Pipeline leak AE signal denoising based on improved SSA-K-α index-VMD-MD | |
Kats et al. | Features extraction from non-destructive testing data in cyber-physical monitoring system of construction facilities | |
Changjun et al. | The research of vehicle classification using SVM and KNN in a ramp | |
Dong et al. | Research on sea clutter suppression using sparse dictionary learning | |
CN112528754A (zh) | 一种共享果汁平台的流道监测方法、系统及可读存储介质 | |
Li et al. | Incipient loose detection of hoops for pipeline based on ensemble empirical mode decomposition and multi-scale entropy and extreme learning machine | |
Zhu et al. | Blocking detection of underground drainage pipe based on CEEMD and GG clustering | |
Janeliukstis | Review on time-frequency-based machine learning for structural damage assessment and condition monitoring | |
CN111735528B (zh) | 一种基于knn投票精准定位扰动点的方法 | |
Sun et al. | Intelligent mechanical fault diagnosis based on multiwavelet adaptive threshold denoising and MPSO |
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 |