CN111947040A - 基于均值分解和信号清晰度的管道泄漏信号时延估计方法 - Google Patents

基于均值分解和信号清晰度的管道泄漏信号时延估计方法 Download PDF

Info

Publication number
CN111947040A
CN111947040A CN202010858843.0A CN202010858843A CN111947040A CN 111947040 A CN111947040 A CN 111947040A CN 202010858843 A CN202010858843 A CN 202010858843A CN 111947040 A CN111947040 A CN 111947040A
Authority
CN
China
Prior art keywords
signal
leakage
component
components
pipeline
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
Application number
CN202010858843.0A
Other languages
English (en)
Inventor
李帅永
文井辉
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 University of Post and Telecommunications
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 CN202010858843.0A priority Critical patent/CN111947040A/zh
Publication of CN111947040A publication Critical patent/CN111947040A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mechanical Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于均值分解和信号清晰度的管道泄漏信号时延估计方法，属于流体管道技术领域。该方法包括以下步骤：S1：采集两路管道泄漏信号X1(t)、X2(t)；S2：对两路管道泄漏信号分别进行LMD分解，得到若干具有物理意义的PF分量；S3：通过信号清晰度算法筛选PF分量并重构管道泄漏信号X′1(t)、X′2(t)；S4：将重构信号X′1(t)、X′2(t)进行互相关运算来获取时延估计。通过LMD算法对泄漏信号进行分解，得到若干具有物理意义的PF分量。通过信号清晰度算法选取主要PF分量，重构泄漏振动信号；将重构形成新的泄漏振动信号进行互相关时延估计，得到时间延迟估计。

Description

基于均值分解和信号清晰度的管道泄漏信号时延估计方法
技术领域
本发明属于流体管道技术领域，涉及基于均值分解和信号清晰度的管道泄漏信号时延估计方法。
背景技术
管道广泛用于天然气、石油和其他流体的输运，是一种高效便捷的流体输送方法。管道老化、自然灾害等原因经常导致管道泄漏，给人们的生命和财产造成巨大损失。因此，为了有效规避管道泄漏造成的危害，流体管道泄漏检测定位技术是十分重要的。中国专利(CN108332063A)公开了一种基于互相关算法的管道泄漏定位方法，传感器采集到的两路时域管道泄漏信号直接进行傅里叶变换，在频域上对互谱密度函数加权后作傅里叶逆变换求取互相关结果。为减小管道中低频背景和声波反射的噪声干扰，该方法通过对算法中的互谱密度函数加权提高了信噪比。但是，由于流体管道泄漏振动信号具有低频特性，而传感器采集到的是频率成分复杂、信噪比低的泄漏振动信号，其在互相关算法中相关程度较低，以至于基于互相关时延估计的流体管道泄漏振动定位误差较大。因此需要筛选出管道泄漏振动信号中的主要信息，自适应的去除噪声干扰，从而降低时间延迟估计误差。对于此，王银提出了一种采用局域均值分解(Local mean decomposition，LMD)和互相关方法的管道泄漏检测信号噪声抑制方法(王银，文静.采用LMD和互相关的管道泄漏检测信号噪声抑制[EB/OL].北京：中国科技论文在线[2016-03-09].http://www.paper.edu.cn/releasepaper/content/201603-101.)。管道泄漏信号经过LMD算法分解成多个分量，采用分量与源信号互相关运算的方法筛选出具有明显峰值的分量进行管道泄漏信号重构，从而抑制管道泄漏信号的噪声，但是若管道泄漏信号的信噪比过低，互相关方法可能滤掉主要泄漏分量而选择包含噪声信号的分量进行重构导致时延估计误差大。
发明内容
有鉴于此，本发明的目的在于提供一种基于均值分解和信号清晰度的管道泄漏信号时延估计方法。通过LMD算法对泄漏信号进行分解，得到若干具有物理意义的PF分量。通过信号清晰度算法选取主要PF分量，重构泄漏振动信号；将重构形成新的泄漏振动信号进行互相关时延估计，得到时间延迟估计。
为达到上述目的，本发明提供如下技术方案：
基于均值分解和信号清晰度的管道泄漏信号时延估计方法，该方法包括以下步骤：
S1：采集两路管道泄漏信号X1(t)、X2(t)；
S2：对两路管道泄漏信号分别进行LMD分解，得到若干具有物理意义的PF分量；
S3：通过信号清晰度算法筛选PF分量并重构管道泄漏信号X’1(t)、X’2(t)；
S4：将重构信号X’1(t)、X’2(t)进行互相关运算来获取时延估计。
可选的，所述S1具体为：
流体管道泄漏产生振动信号，置于管道两端的加速度传感器采集得到两路信号X1(t)、X2(t)，由于泄漏振动信号的多模态和频散特性导致相关噪声的存在，对于含有相关噪声的两路泄漏振动信号表示为：
X1(t)＝S(t)+N1(t) (1)
X2(t)＝αS(t-D)+N2(t) (2)
其中S(t)为泄漏源信号，N1(t)和N2(t)为相关的零均值高斯白噪声，D为时间延迟，α为衰减因子。
可选的，所述S2具体为：
(1)确定非平稳信号X(t)所有的局部极值点，包括极大值点和极小值点，计算相邻两个极值点的平均值以及包络估计函数
Figure BDA0002647323070000021
Figure BDA0002647323070000022
ni为X(t)的局部极值点；mi为相邻极值点的均值；ai为包络估计函数；对所有平均值mi以及包络估计值ai，分别用直线将相邻两点连接起来，然后采用滑动平均方法进行平滑处理，得到局域均值函数m11(t)和包络估计函数a11(t)；
(2)将局域均值函数m11(t)从信号X(t)中分离出来，得到
h11(t)＝X(t)-m11(t) (5)
用h11(t)除以包络估计函数a11(t)以对h11(t)进行解调，得
Figure BDA0002647323070000023
(3)将s11(t)作为原始数据重复以上迭代过程，直到s1n(t)为一个纯调频信号，选择迭代停止条件为a1n(t)≈1；有
Figure BDA0002647323070000031
式中，
Figure BDA0002647323070000032
当s1n(t)满足纯调频信号时，将迭代过程中产生的所有包络估计函数相乘得到PF1(t)的包络信号，即第一个PF分量的瞬时幅值函数；
Figure BDA0002647323070000033
其中q表示迭代循环次数；
单分量调幅调频信号
PF1(t)＝a1(t)s1n(t) (10)
(4)将PF1(t)从信号X(t)中分离出来得到一个新的信号u1(t)，将u1(t)作为原始数据重复以上步骤，循环k次，直到uk(t)为一个单调函数为止，将X(t)分解为k个PF分量与uk(t)之和；
Figure BDA0002647323070000034
可选的，所述S3具体为：
1)两个传感器采集到的泄漏振动信号通过LMD分解：
Figure BDA0002647323070000035
2)将两个泄漏振动信号和泄漏振动信号的PF分量分别表示为序列，并进行极性一致化处理和均值化处理；
Yi 0(k)＝{Yi 0(1),Yi 0(2),…,Yi 0(n)} (13)
式中：Yi 0(k)表示两个泄漏振动信号和泄漏振动信号的PF分量，当Yi 0(k)表示泄漏振动信号时，i＝2；当Yi 0(k)表示泄漏振动信号时，i表示第i个PF分量，i＝1,2,…；k表示序列元素的个数，k＝1,2,…,n；
极性一致化处理：Yi 1(k)＝Yi 0(k)+|min(Yi 0(k))| (14)
均值化处理：
Figure BDA0002647323070000041
3)计算处理后的PF分量和处理后的原泄漏振动信号之间的灰色关联度：
Figure BDA0002647323070000042
式中：ρ表示分辨系数，取值范围为0＜ρ＜1，通常取ρ＝0.5；w表示权重系数，通常取
Figure BDA0002647323070000043
Figure BDA0002647323070000044
表示pi(k)与X1(k)的灰色关联度，
Figure BDA0002647323070000045
表示qj(k)与X2(k)的灰色关联度；
4)基于泄漏信号的两个特征，定义了两个参数，反映pi(t)和qi(t)中包含多少泄漏信号，这两个参数定义如下：
Figure BDA0002647323070000046
式中，T/2是时域信号的长度，β是指数因子，取值范围为10≤β≤20；取β＝10；
5)将信号清晰度定义为公式的标准化形式
Figure BDA0002647323070000047
其中n是1或2，
Figure BDA0002647323070000048
表示pi(t)的信号清晰度，而
Figure BDA0002647323070000049
表示qi(t)的信号清晰度；
6)采用最大差分法提取泄漏信号模式；最大差分算法如下：
A.按信号清晰度的降序重新排列所有模式分量
Figure BDA0002647323070000051
获得新的信号清晰度序列
Figure BDA0002647323070000052
对应的PF分量是
Figure BDA0002647323070000053
B.计算差值Ds＝Bs-Bs+1,1≤s≤K-1；
C.Mr＝{M1,M2,…,Msmax}被视为泄漏信号分量；其余的被认为是噪声分量，被忽略；
7)对提取的PF分量进行重构，得到重构信号X’1(t)，X’2(t)。
可选的，所述S4具体为：
将重构后的两路泄漏振动信号X’1(t)和X’2(t)进行互相关求时延估计如下：
Figure BDA0002647323070000054
两泄漏信号的时间延迟D为
Figure BDA0002647323070000055
本发明的有益效果在于：该方法通过LMD分解算法对两路管道泄漏信号进行分解，得到若干具有物理意义的PF分量。通过计算信号清晰度并采用最大差分法分别提取包含主要泄漏信息PF分量重构两路泄漏信号；将重构形成新的泄漏信号进行互相关时延估计，从而减少时延估计误差，对泄漏特征的提取具有重要的理论价值和应用价值。
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为算法流程图。
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。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
基于LMD分解和信号清晰度的管道泄漏定位方法，该方法包括以下步骤：
S1：采集两路管道泄漏信号X1(t)、X2(t)；
S2：对两路管道泄漏信号分别进行LMD分解，得到若干具有物理意义的PF分量；
S3：通过信号清晰度算法筛选PF分量并重构管道泄漏信号X’1(t)、X’2(t)；
S4：将重构信号X’1(t)、X’2(t)进行互相关运算来获取时延估计。
加速度传感器置于管道泄漏点两端，采集得到两路管道泄漏振动信号X1(t)、X2(t)。对两路管道泄漏信号进行如图1所示的处理过程获得时间延迟估计。
1.流体管道泄漏振动信号
流体管道泄漏产生振动信号，置于管道两端的加速度传感器采集得到两路信号X1(t)、X2(t)，由于泄漏振动信号的多模态和频散特性导致相关噪声的存在，对于含有相关噪声的两路泄漏振动信号表示为：
X1(t)＝S(t)+N1(t) (1)
X2(t)＝αS(t-D)+N2(t) (2)
其中S(t)为泄漏源信号，N1(t)和N2(t)为相关的零均值高斯白噪声，D为时间延迟，α为衰减因子。
2.局域均值分解(LMD)
(1)确定非平稳信号X(t)所有的局部极值点(包括极大值点和极小值点)，计算相邻两个极值点的平均值以及包络估计函数
Figure BDA0002647323070000061
Figure BDA0002647323070000071
ni为X(t)的局部极值点；mi为相邻极值点的均值；ai为包络估计函数。对所有平均值mi以及包络估计值ai，分别用直线将相邻两点连接起来，然后采用滑动平均方法进行平滑处理，得到局域均值函数m11(t)和包络估计函数a11(t)。
(2)将局域均值函数m11(t)从信号X(t)中分离出来，得到
h11(t)＝X(t)-m11(t) (5)
用h11(t)除以包络估计函数a11(t)以对h11(t)进行解调，可得
Figure BDA0002647323070000072
(3)将s11(t)作为原始数据重复以上迭代过程，直到s1n(t)为一个纯调频信号，选择迭代停止条件为a1n(t)≈1。所以，有
Figure BDA0002647323070000073
式中，
Figure BDA0002647323070000074
当s1n(t)满足纯调频信号时，将迭代过程中产生的所有包络估计函数相乘得到PF1(t)(第一个PF分量)的包络信号(瞬时幅值函数)
Figure BDA0002647323070000075
其中q表示迭代循环次数。
单分量调幅调频信号
PF1(t)＝a1(t)s1n(t) (10)
(4)将PF1(t)从信号X(t)中分离出来得到一个新的信号u1(t)，将u1(t)作为原始数据重复以上步骤，循环k次，直到uk(t)为一个单调函数为止，将X(t)分解为k个PF分量与uk(t)之和。
Figure BDA0002647323070000081
3.信号清晰度筛选分量
1)两个传感器采集到的泄漏振动信号通过LMD分解：
Figure BDA0002647323070000082
2)将两个泄漏振动信号和泄漏振动信号的PF分量分别表示为序列，并进行极性一致化处理和均值化处理。
Yi 0(k)＝{Yi 0(1),Yi 0(2),…,Yi 0(n)} (13)
式中：Yi 0(k)表示两个泄漏振动信号和泄漏振动信号的PF分量，当Yi 0(k)表示泄漏振动信号时，i＝2；当Yi 0(k)表示泄漏振动信号时，i表示第i个PF分量，i＝1,2,…；k表示序列元素的个数，k＝1,2,…,n。
极性一致化处理：Yi 1(k)＝Yi 0(k)+|min(Yi 0(k))| (14)
均值化处理：
Figure BDA0002647323070000083
3)计算处理后的PF分量和处理后的原泄漏振动信号之间的灰色关联度：
Figure BDA0002647323070000084
式中：ρ表示分辨系数，取值范围为0＜ρ＜1，通常取ρ＝0.5；w表示权重系数，通常取
Figure BDA0002647323070000085
Figure BDA0002647323070000086
表示pi(k)与X1(k)的灰色关联度，
Figure BDA0002647323070000087
表示qj(k)与X2(k)的灰色关联度。
4)基于泄漏信号的两个特征，定义了两个参数。这两个参数可以反映pi(t)和qi(t)中包含多少泄漏信号，这两个参数定义如下：
Figure BDA0002647323070000091
式中，T/2是时域信号的长度，β是指数因子，取值范围为10≤β≤20。本文取β＝10。
5)将信号清晰度定义为公式的标准化形式
Figure BDA0002647323070000092
其中n可以是1或2，
Figure BDA0002647323070000093
表示pi(t)的信号清晰度，而
Figure BDA0002647323070000094
表示qi(t)的信号清晰度。
6)采用最大差分法提取泄漏信号模式。最大差分算法如下：
A.按信号清晰度的降序重新排列所有模式分量
Figure BDA0002647323070000095
获得新的信号清晰度序列
Figure BDA0002647323070000096
对应的PF分量是
Figure BDA0002647323070000097
B.计算差值Ds＝Bs-Bs+1,1≤s≤K-1。
C.Mr＝{M1,M2,…,Msmax}被视为泄漏信号分量。其余的被认为是噪声分量，被忽略；
7)对提取的PF分量进行重构，得到重构信号X’1(t)，X’2(t)。
4.时延估计结果
将重构后的两路泄漏振动信号X’1(t)和X’2(t)进行互相关求时延估计如下：
Figure BDA0002647323070000098
两泄漏信号的时间延迟D为
Figure BDA0002647323070000099
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 (5)

1.基于均值分解和信号清晰度的管道泄漏信号时延估计方法，其特征在于：该方法包括以下步骤：
S1：采集两路管道泄漏信号X1(t)、X2(t)；
S2：对两路管道泄漏信号分别进行LMD分解，得到若干具有物理意义的PF分量；
S3：通过信号清晰度算法筛选PF分量并重构管道泄漏信号X'1(t)、X'2(t)；
S4：将重构信号X'1(t)、X'2(t)进行互相关运算来获取时延估计。
2.根据权利要求1所述的基于均值分解和信号清晰度的管道泄漏信号时延估计方法，其特征在于：所述S1具体为：
流体管道泄漏产生振动信号，置于管道两端的加速度传感器采集得到两路信号X1(t)、X2(t)，由于泄漏振动信号的多模态和频散特性导致相关噪声的存在，对于含有相关噪声的两路泄漏振动信号表示为：
X1(t)＝S(t)+N1(t) (1)
X2(t)＝αS(t-D)+N2(t) (2)
其中S(t)为泄漏源信号，N1(t)和N2(t)为相关的零均值高斯白噪声，D为时间延迟，α为衰减因子。
3.根据权利要求1所述的基于均值分解和信号清晰度的管道泄漏信号时延估计方法，其特征在于：所述S2具体为：
(1)确定非平稳信号X(t)所有的局部极值点，包括极大值点和极小值点，计算相邻两个极值点的平均值以及包络估计函数
Figure FDA0002647323060000011
Figure FDA0002647323060000012
ni为X(t)的局部极值点；mi为相邻极值点的均值；ai为包络估计函数；对所有平均值mi以及包络估计值ai，分别用直线将相邻两点连接起来，然后采用滑动平均方法进行平滑处理，得到局域均值函数m11(t)和包络估计函数a11(t)；
(2)将局域均值函数m11(t)从信号X(t)中分离出来，得到
h11(t)＝X(t)-m11(t) (5)
用h11(t)除以包络估计函数a11(t)以对h11(t)进行解调，得
Figure FDA0002647323060000021
(3)将s11(t)作为原始数据重复以上迭代过程，直到s1n(t)为一个纯调频信号，选择迭代停止条件为a1n(t)≈1；有
Figure FDA0002647323060000022
式中，
Figure FDA0002647323060000023
当s1n(t)满足纯调频信号时，将迭代过程中产生的所有包络估计函数相乘得到PF1(t)的包络信号，即第一个PF分量的瞬时幅值函数；
Figure FDA0002647323060000024
其中q表示迭代循环次数；
单分量调幅调频信号
PF1(t)＝a1(t)s1n(t) (10)
(4)将PF1(t)从信号X(t)中分离出来得到一个新的信号u1(t)，将u1(t)作为原始数据重复以上步骤，循环k次，直到uk(t)为一个单调函数为止，将X(t)分解为k个PF分量与uk(t)之和；
Figure FDA0002647323060000025
4.根据权利要求1所述的基于均值分解和信号清晰度的管道泄漏信号时延估计方法，其特征在于：所述S3具体为：
1)两个传感器采集到的泄漏振动信号通过LMD分解：
Figure FDA0002647323060000031
2)将两个泄漏振动信号和泄漏振动信号的PF分量分别表示为序列，并进行极性一致化处理和均值化处理；
Yi 0(k)＝{Yi 0(1),Yi 0(2),…,Yi 0(n)} (13)
式中：Yi 0(k)表示两个泄漏振动信号和泄漏振动信号的PF分量，当Yi 0(k)表示泄漏振动信号时，i＝2；当Yi 0(k)表示泄漏振动信号时，i表示第i个PF分量，i＝1,2,…；k表示序列元素的个数，k＝1,2,…,n；
极性一致化处理：Yi 1(k)＝Yi 0(k)+|min(Yi 0(k))| (14)
均值化处理：
Figure FDA0002647323060000032
3)计算处理后的PF分量和处理后的原泄漏振动信号之间的灰色关联度：
Figure FDA0002647323060000033
式中：ρ表示分辨系数，取值范围为0＜ρ＜1，通常取ρ＝0.5；w表示权重系数，通常取
Figure FDA0002647323060000034
Figure FDA0002647323060000035
表示pi(k)与X1(k)的灰色关联度，
Figure FDA0002647323060000036
表示qj(k)与X2(k)的灰色关联度；
4)基于泄漏信号的两个特征，定义了两个参数，反映pi(t)和qi(t)中包含多少泄漏信号，这两个参数定义如下：
Figure FDA0002647323060000037
式中，T/2是时域信号的长度，β是指数因子，取值范围为10≤β≤20；取β＝10；
5)将信号清晰度定义为公式的标准化形式
Figure FDA0002647323060000041
其中n是1或2，
Figure FDA0002647323060000042
表示pi(t)的信号清晰度，而
Figure FDA0002647323060000043
表示qi(t)的信号清晰度；
6)采用最大差分法提取泄漏信号模式；最大差分算法如下：
A.按信号清晰度的降序重新排列所有模式分量
Figure FDA0002647323060000044
获得新的信号清晰度序列
Figure FDA0002647323060000045
对应的PF分量是
Figure FDA0002647323060000046
B.计算差值Ds＝Bs-Bs+1,1≤s≤K-1；
C.Mr＝{M1,M2,…,Msmax}被视为泄漏信号分量；其余的被认为是噪声分量，被忽略；
7)对提取的PF分量进行重构，得到重构信号X'1(t)，X'2(t)。
5.根据权利要求1所述的基于均值分解和信号清晰度的管道泄漏信号时延估计方法，其特征在于：所述S4具体为：
将重构后的两路泄漏振动信号X'1(t)和X'2(t)进行互相关求时延估计如下：
Figure FDA0002647323060000047
两泄漏信号的时间延迟D为
Figure FDA0002647323060000048
CN202010858843.0A 2020-08-24 2020-08-24 基于均值分解和信号清晰度的管道泄漏信号时延估计方法 Pending CN111947040A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010858843.0A CN111947040A (zh) 2020-08-24 2020-08-24 基于均值分解和信号清晰度的管道泄漏信号时延估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010858843.0A CN111947040A (zh) 2020-08-24 2020-08-24 基于均值分解和信号清晰度的管道泄漏信号时延估计方法

Publications (1)

Publication Number Publication Date
CN111947040A true CN111947040A (zh) 2020-11-17

Family

ID=73359435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010858843.0A Pending CN111947040A (zh) 2020-08-24 2020-08-24 基于均值分解和信号清晰度的管道泄漏信号时延估计方法

Country Status (1)

Country Link
CN (1) CN111947040A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997242A (zh) * 2022-06-30 2022-09-02 吉林大学 一种极值定位波形延拓lmd信号分解方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984866A (zh) * 2014-05-20 2014-08-13 浙江师范大学 一种基于局域均值分解的信号去噪方法
CN108167655A (zh) * 2017-12-26 2018-06-15 天津市裕民燃气表具有限公司 一种天然气输送管线全方位监测分析、应急处理系统及其运行方法
CN108731886A (zh) * 2018-05-30 2018-11-02 北京工业大学 一种基于迭代递推的供水管道多泄漏点声定位方法
CN110388570A (zh) * 2019-07-26 2019-10-29 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
CN110671613A (zh) * 2019-10-15 2020-01-10 重庆邮电大学 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
WO2020155002A1 (zh) * 2019-01-29 2020-08-06 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984866A (zh) * 2014-05-20 2014-08-13 浙江师范大学 一种基于局域均值分解的信号去噪方法
CN108167655A (zh) * 2017-12-26 2018-06-15 天津市裕民燃气表具有限公司 一种天然气输送管线全方位监测分析、应急处理系统及其运行方法
CN108731886A (zh) * 2018-05-30 2018-11-02 北京工业大学 一种基于迭代递推的供水管道多泄漏点声定位方法
WO2020155002A1 (zh) * 2019-01-29 2020-08-06 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
CN110388570A (zh) * 2019-07-26 2019-10-29 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
CN110671613A (zh) * 2019-10-15 2020-01-10 重庆邮电大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史长青等: "基于改进LMD及LSTSVM的管道泄漏检测与定位", 《辽宁石油化工大学学报》 *
廖瑛等: "《系统建模与仿真的校核、验证与确认(VV&A)技术》", 30 September 2006, 国防科技大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997242A (zh) * 2022-06-30 2022-09-02 吉林大学 一种极值定位波形延拓lmd信号分解方法
CN114997242B (zh) * 2022-06-30 2023-08-29 吉林大学 一种极值定位波形延拓lmd信号分解方法

Similar Documents

Publication Publication Date Title
CN110688964B (zh) 一种基于稀疏分解的小波阈值与emd联合降噪方法
CN107274908B (zh) 基于新阈值函数的小波语音去噪方法
Khare et al. Multilevel adaptive thresholding and shrinkage technique for denoising using Daubechies complex wavelet transform
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
Khaldi et al. Speech enhancement using empirical mode decomposition and the Teager–Kaiser energy operator
Wang et al. Application of the dual-tree complex wavelet transform in biomedical signal denoising
TW438981B (en) Method for separating a desired signal from an interfering signal
CN115840879A (zh) 一种增材制造构件超声检测回波信号处理方法及系统
CN114886378A (zh) 一种基于改进的互补集合模态分解联合去噪方法及系统
CN111947040A (zh) 基于均值分解和信号清晰度的管道泄漏信号时延估计方法
CN112084845A (zh) 基于多尺度小波系数自相关的低频1/f噪声消除方法
Ullah et al. Wavelet based de-noising using logarithmic shrinkage function
Nakamura et al. Time-domain audio source separation with neural networks based on multiresolution analysis
CN111650654A (zh) 联合emd与wt算法的地面磁共振信号尖峰噪声剔除方法
Klann et al. Two-step regularization methods for linear inverse problems.
CN109724693A (zh) 一种基于平稳小波的融合光谱去噪方法
US6678656B2 (en) Noise reduced speech recognition parameters
Serbes et al. Modified dual tree complex wavelet transform for processing quadrature signals
Vijay et al. Image denoising based on adaptive spatial and Wavelet Thresholding methods
Ou et al. Frame-based time-scale filters for underwater acoustic noise reduction
CN111582205A (zh) 一种基于多分辨率奇异值分解模型的降噪方法
Kumari et al. A wavelet based denoising of speech signal
Garg et al. Segmentation‐based MAP despeckling of medical ultrasound images in shearlet domain based on normal inverse Gaussian distribution
Nguyen et al. Peak detection in mass spectrometry by Gabor filters and envelope analysis
US6385543B1 (en) Method of feature extraction using combination of wavelet and fourier transformation

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201117