CN112013285A - 管道泄漏点的检测方法及装置、存储介质、终端 - Google Patents

管道泄漏点的检测方法及装置、存储介质、终端 Download PDF

Info

Publication number
CN112013285A
CN112013285A CN202010870353.2A CN202010870353A CN112013285A CN 112013285 A CN112013285 A CN 112013285A CN 202010870353 A CN202010870353 A CN 202010870353A CN 112013285 A CN112013285 A CN 112013285A
Authority
CN
China
Prior art keywords
sound wave
leakage
function
error energy
modal
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
Application number
CN202010870353.2A
Other languages
English (en)
Other versions
CN112013285B (zh
Inventor
王佳政
郎宪明
曹江涛
郭颖
阚哲
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.)
Liaoning Shihua University
Original Assignee
Liaoning Shihua University
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 Liaoning Shihua University filed Critical Liaoning Shihua University
Priority to CN202010870353.2A priority Critical patent/CN112013285B/zh
Publication of CN112013285A publication Critical patent/CN112013285A/zh
Application granted granted Critical
Publication of CN112013285B publication Critical patent/CN112013285B/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

Abstract

本发明公开了一种管道泄漏点的检测方法及装置、存储介质、终端，涉及检测技术领域，主要目的在于解决现有管道泄漏的检测效率低的问题。包括：采集管道首、末两端的声波信号；基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果。主要用于管道泄漏点的检测。

Description

管道泄漏点的检测方法及装置、存储介质、终端
技术领域
本发明涉及一种检测技术领域，特别是涉及一种管道泄漏点的检测方法及装置、存储介质、终端。
背景技术
随着工业技术的快速发展，对于流体管道运输的安全性要求越来越高。尤其是，由于流体管道是通过地下、水下等位置进行布线运输，若管道出现泄漏，不仅仅会造成经济损失，同时对于不同流体的泄漏会造成不同程度的环境污染，因此，需要对运输的管道进行实时的泄漏点检测。
目前，现有的管道泄漏点检测一般是通过对单点泄漏进行检测，当管道同时发生多个泄漏时，产生的瞬态声信号较为复杂，泄漏信号之间的相互影响较大，无法准确的检测出是否存在泄漏点，降低了管道泄漏点的检测准确性及有效性。
发明内容
有鉴于此，本发明提供一种管道泄漏点的检测方法及装置、存储介质、终端，主要目的在于解决现有管道泄漏的检测效率低的问题。
依据本发明一个方面，提供了一种管道泄漏点的检测方法，包括：
采集管道首、末两端的声波信号；
基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；
根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果。
依据本发明另一个方面，提供了一种管道泄漏点的检测装置，包括：
采集模块，用于采集管道首、末两端的声波信号；
去噪处理模块，用于基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；
分类处理模块，用于根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述管道泄漏点的检测方法对应的操作。
根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述管道泄漏点的检测方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种管道泄漏点的检测方法及装置、存储介质、终端，与现有技术相比，本发明实施例通过采集管道首、末两端的声波信号；基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果，实现对管道多个泄漏点的准确检测，精确的确定出泄漏点个数，并且基于改进的去噪算法更为精确的将声波信号进行过滤，从而提高泄漏点的检测效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种管道泄漏点的检测方法流程图；
图2示出了本发明实施例提供的一种泄漏点的检测流程示意图；
图3示出了本发明实施例提供的单点泄漏声波信号示意图；
图4示出了本发明实施例提供的两点泄漏声波信号示意图；
图5示出了本发明实施例提供的三点泄漏声波信号；
图6示出了本发明实施例提供的单点泄漏声波信号经能量函数改进的变分模态分解去噪的信号对比波形曲线示意图；
图7示出了本发明实施例提供的两点泄漏声波信号经能量函数改进的变分模态分解去噪的信号对比波形曲线示意图；
图8示出了本发明实施例提供的三点泄漏声波信号经能量函数改进的变分模态分解去噪的信号对比波形曲线示意图；
图9示出了本发明实施例提供的一种管道泄漏点的检测装置组成框图；
图10示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种管道泄漏点的检测方法，如图1所示，该方法包括：
101、采集管道首、末两端的声波信号。
本发明实施例中，所述管道为可以运输石油、天然气、工业流体等业态物质的运输工具，包括直线管道、弯曲管道，作为当前端的服务端在待进程泄漏点管道的两端安装有声波传感器，并通过数据采集设备实时采集管道首、末两端的声波信号，如PCB 106B声波信号传感器，本发明实施例不做具体限定。
需要说明的是，由于不同运输液态物质处于管道中的压力、温度、密度等会影响对管道中声波信号的采集，因为，为了满足实际场景的检测需求，预先通过压力、温度等传感器获取到管道中的压力数据、温度数据等用于表征液体环境的数据，并使管道中的液态物质处于稳定的液体环境中，以便使采集的声波信号不受压力、温度等液体环境所影响。当然的，若采集的压力数据、温度数据等变化，则需要重新校正采集的声波信号，本发明实施例不做具体限定。
102、基于改进的变分模态分解对所述声波信号进行去噪处理。
本发明实施例中，为了满足检测是否存在多个泄漏点的需求，并对采集的声波信号进行进一步的检测处理，需要对采集的声波信号进行去噪处理，具体的，通过改进的变分模态分解进行去噪处理。其中，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的，基于VMD的多点泄漏检测方法，包括建立采集的声波信号的变分模型，然后利用求解约束变分方程最优解的过程来声波信号的分解，得到去噪后的声波信号。
需要说明是的，在变分模型的求解过程中，各模态的中心频率不断更新，最终分解出k个固有本征模态函数，并确定合适的模态分解个数n。因为n决定了频率分辨率，如果n太小，使得本征模态函数分解不足，对声波信号微小波动的信号不敏感，如果n太大，就会产生伪模态函数分量，增加计算量，为了更有效的、精度更高的计算模态函数的数目，本发明实施例中基于误差能量函数对模态函数进行筛选处理，从而得到最优效果去噪的声波信号。其中，误差能量函数为Eτ＝τ2，τ是采集的声波信号与经VMD重构后的声波信号之间的误差，通过计算出每个本征模态函数的误差能量与预设的泄漏点预设阈值进行比较，自适应的筛选出合适数量的模态函数，本发明实施例不做具体限定。
103、根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果。
本发明实施例，基于不同泄漏点个数对声波信号的影响，并根据去噪后的声波信号检测出泄漏点个数，利用已训练的分类模型对声波信号进行分类，从而得到包含泄漏点个数的分类结果。具体的，可以利用已分类标记的声波信号训练集对初始分类模型进行训练，本发明实施例中，结合实际管道的泄漏点个数所影响液态物质的运输影响参数，优选的，泄漏点个数为3个，即通过训练分类模型得到3个分类结构，包括1个泄漏点、2个泄漏点、3个泄漏点的分类结果，从而提高泄漏点的检测效率。
另外，需要说明的是，本发明实施例中的分类模型可以为神经网络、支持向量机等具有分类功能的机器学习模型，优选的，可以为双支持向量机，从而解决分类中的对偶问题。
本发明实施例中，为了提高对声波信号的去噪精度，使得泄漏点的检测更为精准，对变分模态分解进行改进，具体的，所述基于改进的变分模态分解对所述声波信号进行去噪处理之前，所述方法还包括：根据所述声波信号的个数筛选变分模态分解的模态分解个数，并获取对所述声波信号进行变分模态分解的本征模态函数；利用误差能量函数绘制与所述模态分解个数、所述本征模态函数匹配的误差能量图；通过泄漏点数量阈值从所述误差能量图中筛选作为所述改进的变分模态分解去噪的模态函数。
具体的，变分模态分解能够对多个泄漏点的声波信号进的低频有效、准确的提取，过滤掉外界高频噪声，因此，对应的，变分模态分解的具体步骤包括：
Figure BDA0002650897470000051
其中，x(t)是采集的泄漏点的声波信号，本发明实施例中优选为3个，因此t＝1，2，3，uk是变分模态函数，δ(t)是单位阶跃函数，ωk是变分模态函数对应的中心频率。进一步地，uk＝Ak(t)cos(2πωk(t))，Ak是瞬时振幅，为了得到上述约束变分问题的最优解，采用了增广拉格朗日函数，构造的增广拉格朗日函数如下：
Figure BDA0002650897470000061
其中，a是带宽参数，λ是拉格朗日乘子，通过交替方向乘子法计算增广拉格朗日函数，并将原始多点泄漏声波信号分解为k个固有本征模态函数。然后基于Plancherel定理，将L2范数问题等距变换为Fourier变换，得到如下公式：
Figure BDA0002650897470000062
其中的收敛条件为：
Figure BDA0002650897470000063
需要说明的是，在上述的求解过程中，为了提高变分模态分解的优化率，首先，确定合适的模态分解个数n，n用于表征频率分辨率，如果n太小，会使的本征模态函数分解不足，对作为泄漏点的声波信号的微小波动的信号不敏感，如果n太大，就会产生伪本征模态函数分量，增加计算量。因此，对声波信号x(t)进行变分模态分解为k个模态函数，计算为：
Figure BDA0002650897470000064
τ为采集的声波信号与经变分模态分解重构信号之间的误差。
本发明实施例中，优选的声波信号的个数为3个，因此，筛选变分模态分解的模态分解个数优选的，也为3个。另外，本发明实施例中是为了结合误差能量理论来改进变分模态分解，因此，获取变分模态分解的本征模态函数，并利用误差能量函数绘制误差能量图，即利用误差能量函数计算模态分解个数、本征模态函数的误差能量值，其中，本征模态函数即为基于模态分解个数确定变分模态分解的变分模态函数uk。所述泄漏点数量阈值为预先设定的用于自适应筛选模态函数的阈值θ，一般的，设定为所有误差能量函数值的平均值，当计算出的的误差能量值在误差能量图中绘制的曲线与阈值θ绘制的直线间距离大于特定倍数，称为有效本征模态模式。当大于特定倍数时，则固有本征模态函数已包含了多点泄漏的有效信息，因此，不进行选取，进而的，根据改进的变分模态分解结合绘制的能量误图自适应的选择合适数量的模态函数，完成对变分模态分解的改进。
本发明实施例中，为了进一步地说明及限定，所述利用误差能量函数绘制与所述模态分解个数、所述本征模态函数匹配的误差能量图包括：利用误差能量函数计算所述本征模态函数的误差能量值，并绘制与所述模态分解个数匹配的误差能量图。
具体的，经过变分模态分解后得到多个本征模态函数，每个本征模态函数通过误差能量函数计算得到对应的误差能量值，并绘制误差能量图。所述误差能量函数为Er＝τ2，其中，
Figure BDA0002650897470000071
x(t)为所述声波信号，所述uk为k个所述模态分解个数的本征模态函数，n为所述模态分解个数。并且，误差能量越小，说明采集的声波信号与重构信号越相似，如果误差能量为0，则采集的声波信号和重构信号相同。
本发明实施例中，为了进一步说明及限定，所述通过泄漏点数量阈值从所述误差能量图中筛选作为所述改进的变分模态分解去噪的模态函数包括：根据所述误差能量值的平均值确定为泄漏点数据阈值；当所述误差能量图中绘制所述本征模态函数的误差能量曲线与所述泄漏点阈值的直线间距离大于预设倍数时，将所述本征模态函数确定为所述改进的变分模态分解去噪的模态函数。
本发明实施例中，为了准确对经过去噪处理的声波信号确定是否为泄漏点，通过分类模型进行分类，所述根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果之前，所述方法还包括：构建包含特征参数的泄漏点训练集，所述特征参数包括所述声波信号的平均幅值、能量、有效值、峰值系数、脉冲系数和峰值；利用所述特征参数对预设双支持向量机进行分类训练，得到已训练的双支持向量机模型。
需要说明的是，由于受管道环境的影响，为了准确的从管道首、末端的声波信号中确定是否存在多个泄漏点，如1个、2个、3个泄漏点，声波信号中包含有大量的泄漏信息，例如，泄漏点的声波信号的平均幅值可以反映多次泄漏引起的声波大小，泄漏点的声波信号的能量可以用来计算声波振幅强度，泄漏点的声波信号的有效值可以用来表示声波信号的振动能量。另外，泄漏点的声波信号的峰值系数可以用来表示声波信号的幅度变化，泄漏点的声波信号的脉冲系数可以用来反映多次泄漏下声波的变化特征，以及泄漏点的声波信号的峰值来计算声波振幅的分布，因此，构建泄漏点训练集，包含有声波信号的平均幅值、能量、有效值、峰值系数、脉冲系数和峰值，作为特征参数，以便利用特征参数对分类模型进行训练。
本发明实施例中，为了进一步说明及限定，所述构建包含特征参数的泄漏点训练集包括：利用泄漏点数据集中已确定泄漏的声波信号的幅值、以及采样点幅值计算所述特征参数，生成泄漏点训练集。具体的，计算特征参数的步骤包括：平均幅值为：
Figure BDA0002650897470000081
能量为
Figure BDA0002650897470000082
有效值为
Figure BDA0002650897470000083
峰值系数为
Figure BDA0002650897470000084
脉冲系数为
Figure BDA0002650897470000085
峰值为
Figure BDA0002650897470000086
其中，zi是泄漏点的声波信号的幅值，h是采样的声波信号的幅值。
另外，本发明实施例中，基于双支持向量机对于二次规划问题的解决效率，分类模型选取双支持向量机TWSVM作为训练模型，具体算法包括：样本X1∈Rq×v，和另一类样本X2∈Rp×v，q和p分别是样本的个数，v是每个样本的属性个数。非平行超平面对的计算如下：X1 Tω1+b1＝0和X2 Tω2+b2＝0，ω1和ω2是非平行超平面的法向量，b1和b2是偏置。因此，双支持向量机的对偶问题表示为
Figure BDA0002650897470000087
其中c1＞0和c2＞0是参数，ξ和η是松弛向量，并且e1和e2是适当的维数向量。利用Karush-Kuhn-Tucker(KKT)条件，可以求解对偶问题的解。
本发明实施例中，为了提高分类结果的精度，提高泄漏点检测的准确性，所述根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果包括：确定决策函数C，所述C为
Figure BDA0002650897470000088
i为泄漏点个数；根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含单点泄漏、两点泄漏、三点泄漏的分类结果。
如图2所示的泄漏点的检测流程示意图，利用改进变分模态分解VMD算法对管道首、末端采集的多点泄漏声波信号进行去噪。去噪后的泄漏声波信号经选取的平均幅值、能量、有效值、峰值系数、脉冲系数、峰值共6个特征值组成特征向量，并将特征向量作为TWSVM的输入，进行多点泄漏识别，从而准确的实现管道多点泄漏的检测。
本发明实施例中提供一个应用场景，包括但不限定于：管道首、末端采用PCB 106B声波信号传感器采集多点泄漏的声波信号，其中，环形管道全长2800m，管道内径50mm，流量12m3/h，环境温度为25℃，水的密度为997kg/m3。管道首站压力为0.8MPa，末站压力为0.2MPa。声波信号采样频率为1000HZ，通过NI cDAQ9181数据采集卡将采集不同泄漏点个数的声波信号传送到上位机进行数据显示，如图3所示的第一种泄漏声波信号示意图；如图4所示的第二种泄漏声波信号示意图，如图5所示的第三种泄漏声波信号。针对三种泄漏点的声波信号进行泄漏点检测，首先进行基于改进的变分模态分解去噪，分别产生12个本征模态函数，由于泄漏声波信号主要体现在低频特性，对其包含高频分量的本征模态函数进行剔除，分别选择6至12个本征模态函数进行三种泄漏声波信号重构。其原始泄漏声波信号，经能量函数改进的变分模态分解去噪的信号对比波形曲线分别如图6、图7和图8所示。然后对去噪后的三个重构声波信号进行特征提取，将平均幅值、能量值、有效值、峰值因子、峰值系数和峰值共6个特征值组成特征向量，作为TWSVM的输入，将三种泄漏个数作为TWSVM的输出，TWSVM通过训练，获得离线多点泄漏识别模型，最终确定第一种泄漏点声波信号为单点泄漏，第二种声波信号为2点泄漏，第三种声波信号为3点泄漏，从而检测出泄漏点个数。
本发明提供了一种管道泄漏点的检测方法，与现有技术相比，本发明实施例通过采集管道首、末两端的声波信号；基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果，实现对管道多个泄漏点的准确检测，精确的确定出泄漏点个数，并且基于改进的去噪算法更为精确的将声波信号进行过滤，从而提高泄漏点的检测效率。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种管道泄漏点的检测装置，如图9所示，该装置包括：
采集模块21，用于采集管道首、末两端的声波信号；
去噪处理模块22，用于基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；
分类处理模块23，用于根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果。
本发明提供了一种管道泄漏点的检测装置、存储介质、终端，与现有技术相比，本发明实施例通过采集管道首、末两端的声波信号；基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果，实现对管道多个泄漏点的准确检测，精确的确定出泄漏点个数，并且基于改进的去噪算法更为精确的将声波信号进行过滤，从而提高泄漏点的检测效率。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的管道泄漏点的检测方法。
图10示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
如图10所示，该终端可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述管道泄漏点的检测方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作：
采集管道首、末两端的声波信号；
基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；
根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种管道泄漏点的检测方法，其特征在于，包括：
采集管道首、末两端的声波信号；
基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；
根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述基于改进的变分模态分解对所述声波信号进行去噪处理之前，所述方法还包括：
根据所述声波信号的个数筛选变分模态分解的模态分解个数，并获取对所述声波信号进行变分模态分解的本征模态函数；
利用误差能量函数绘制与所述模态分解个数、所述本征模态函数匹配的误差能量图；
通过泄漏点数量阈值从所述误差能量图中筛选作为所述改进的变分模态分解去噪的模态函数。
3.根据权利要求2所述的方法，其特征在于，所述利用误差能量函数绘制与所述模态分解个数、所述本征模态函数匹配的误差能量图包括：
利用误差能量函数计算所述本征模态函数的误差能量值，并绘制与所述模态分解个数匹配的误差能量图，所述误差能量函数为Er＝τ2，其中，
Figure FDA0002650897460000011
x(t)为所述声波信号，所述uk为k个所述模态分解个数的本征模态函数，n为所述模态分解个数。
4.根据权利要求3所述的方法，其特征在于，所述通过泄漏点数量阈值从所述误差能量图中筛选作为所述改进的变分模态分解去噪的模态函数包括：
根据所述误差能量值的平均值确定为泄漏点数据阈值；
当所述误差能量图中绘制所述本征模态函数的误差能量曲线与所述泄漏点阈值的直线间距离大于预设倍数时，将所述本征模态函数确定为所述改进的变分模态分解去噪的模态函数。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果之前，所述方法还包括：
构建包含特征参数的泄漏点训练集，所述特征参数包括所述声波信号的平均幅值、能量、有效值、峰值系数、脉冲系数和峰值；
利用所述特征参数对预设双支持向量机进行分类训练，得到已训练的双支持向量机模型。
6.根据权利要求5所述的方法，其特征在于，所述根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果包括：
确定决策函数C，所述C为
Figure FDA0002650897460000021
i＝1,2,3，i为泄漏点个数；
根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含单点泄漏、两点泄漏、三点泄漏的分类结果。
7.根据权利要求5所述的方法，其特征在于，所述构建包含特征参数的泄漏点训练集包括：
利用泄漏点数据集中已确定泄漏的声波信号的幅值、以及采样点幅值计算所述特征参数，生成泄漏点训练集。
8.一种管道泄漏点的检测装置，其特征在于，包括：
采集模块，用于采集管道首、末两端的声波信号；
去噪处理模块，用于基于改进的变分模态分解对所述声波信号进行去噪处理，所述改进的变分模态分解为基于误差能量函数对所述变分模态分解中的模态函数进行筛选处理得到的；
分类处理模块，用于根据已训练的分类模型对完成去噪处理的声波信号进行分类处理，得到包含有泄漏点个数的分类结果。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的管道泄漏点的检测方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的管道泄漏点的检测方法对应的操作。
CN202010870353.2A 2020-08-26 2020-08-26 管道泄漏点的检测方法及装置、存储介质、终端 Active CN112013285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010870353.2A CN112013285B (zh) 2020-08-26 2020-08-26 管道泄漏点的检测方法及装置、存储介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010870353.2A CN112013285B (zh) 2020-08-26 2020-08-26 管道泄漏点的检测方法及装置、存储介质、终端

Publications (2)

Publication Number Publication Date
CN112013285A true CN112013285A (zh) 2020-12-01
CN112013285B CN112013285B (zh) 2022-04-19

Family

ID=73503336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010870353.2A Active CN112013285B (zh) 2020-08-26 2020-08-26 管道泄漏点的检测方法及装置、存储介质、终端

Country Status (1)

Country Link
CN (1) CN112013285B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112963740A (zh) * 2021-03-02 2021-06-15 中国南方电网有限责任公司超高压输电公司天生桥局 一种换流站消防管道泄漏监测定位方法
CN113418143A (zh) * 2021-05-14 2021-09-21 北京水木联合科技有限公司 一种天然气泄漏报警点筛选方法及装置
CN114576568A (zh) * 2022-02-25 2022-06-03 辽宁石油化工大学 基于次声波的管道泄漏检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3744298A (en) * 1971-09-24 1973-07-10 Texaco Inc Pipeline leak detector and method
CN107061996A (zh) * 2017-03-10 2017-08-18 内蒙古大学 一种供水管道泄漏检测定位方法
CN109376413A (zh) * 2018-10-08 2019-02-22 四川大学 基于数据驱动的在线神经网络故障诊断方法
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
CN109681789A (zh) * 2019-03-01 2019-04-26 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
CN110454687A (zh) * 2019-07-22 2019-11-15 常州大学 一种基于改进vmd的管道多点泄漏定位方法
CN111508464A (zh) * 2020-04-14 2020-08-07 深圳市友杰智新科技有限公司 滤波参数自更新方法、滤波器、设备和存储介质
CN111503527A (zh) * 2020-04-22 2020-08-07 重庆邮电大学 基于自适应多元变分模态分解的流体管道泄漏定位方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3744298A (en) * 1971-09-24 1973-07-10 Texaco Inc Pipeline leak detector and method
GB1346523A (en) * 1971-09-24 1974-02-13 Texaco Development Corp Pipeline leak detector and method
CN107061996A (zh) * 2017-03-10 2017-08-18 内蒙古大学 一种供水管道泄漏检测定位方法
CN109376413A (zh) * 2018-10-08 2019-02-22 四川大学 基于数据驱动的在线神经网络故障诊断方法
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
CN109681789A (zh) * 2019-03-01 2019-04-26 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
CN110454687A (zh) * 2019-07-22 2019-11-15 常州大学 一种基于改进vmd的管道多点泄漏定位方法
CN111508464A (zh) * 2020-04-14 2020-08-07 深圳市友杰智新科技有限公司 滤波参数自更新方法、滤波器、设备和存储介质
CN111503527A (zh) * 2020-04-22 2020-08-07 重庆邮电大学 基于自适应多元变分模态分解的流体管道泄漏定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁洪卫等: "基于VMD改进算法的气体管道泄漏检测", 《吉林大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112963740A (zh) * 2021-03-02 2021-06-15 中国南方电网有限责任公司超高压输电公司天生桥局 一种换流站消防管道泄漏监测定位方法
CN112963740B (zh) * 2021-03-02 2022-09-23 中国南方电网有限责任公司超高压输电公司天生桥局 一种换流站消防管道泄漏监测定位方法
CN113418143A (zh) * 2021-05-14 2021-09-21 北京水木联合科技有限公司 一种天然气泄漏报警点筛选方法及装置
CN114576568A (zh) * 2022-02-25 2022-06-03 辽宁石油化工大学 基于次声波的管道泄漏检测方法及装置
CN114576568B (zh) * 2022-02-25 2023-08-29 辽宁石油化工大学 基于次声波的管道泄漏检测方法及装置

Also Published As

Publication number Publication date
CN112013285B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN112013285B (zh) 管道泄漏点的检测方法及装置、存储介质、终端
Surendran et al. Deep learning based intelligent industrial fault diagnosis model.
CN112013286B (zh) 管道泄漏点的定位方法及装置、存储介质、终端
CN107220606B (zh) 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN110345392B (zh) 输油管道漏点的定位方法及装置
CN109903259B (zh) 一种基于深度学习的磁共振波谱重建方法
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN110440148B (zh) 一种漏损声信号分类识别方法、装置及系统
CN111323228A (zh) 一种基于时间序列映射与卷积神经网络的故障诊断方法
CN113822201B (zh) 基于流场速度分量时程的水下物体外形识别的深度学习方法
CN111695465B (zh) 基于压力波模式识别的管网故障诊断与定位方法及系统
CN114429151A (zh) 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统
CN115901954A (zh) 超声导波管道缺陷无损检测方法
Bohorquez et al. Stochastic resonance enhancement for leak detection in pipelines using fluid transients and convolutional neural networks
CN113607817A (zh) 一种管道环焊缝检测方法、系统、电子设备及介质
CN114077854A (zh) 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置
CN116107847B (zh) 多元时间序列数据异常检测方法、装置、设备及存储介质
CN114576568B (zh) 基于次声波的管道泄漏检测方法及装置
Ganguli et al. Trend shift detection in jet engine gas path measurements using cascaded recursive median filter with gradient and laplacian edge detector
CN114922806B (zh) 柱塞泵的异常检测方法和装置
Ye et al. Multi-variable classification model for valve internal leakage based on acoustic emission time–frequency domain characteristics and random forest
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质
CN109242770B (zh) 图像导引的地震速度插值方法及计算机可读存储介质
CN109945075B (zh) 一种供水管道泄漏程度检测方法及装置
CN111967507A (zh) 基于离散余弦变换和U-Net的时序异常检测方法

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