CN112902029B - 一种基于vmd和pncc的u型管运行状态声纹识别方法 - Google Patents
一种基于vmd和pncc的u型管运行状态声纹识别方法 Download PDFInfo
- Publication number
- CN112902029B CN112902029B CN202110066273.6A CN202110066273A CN112902029B CN 112902029 B CN112902029 B CN 112902029B CN 202110066273 A CN202110066273 A CN 202110066273A CN 112902029 B CN112902029 B CN 112902029B
- Authority
- CN
- China
- Prior art keywords
- shaped pipe
- pncc
- vmd
- center frequency
- sample set
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Examining Or Testing Airtightness (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于VMD和PNCC的埋地U型管道运行状态声纹识别方法,属于管道故障检测技术领域;本发明首先通过数据采集装置对运行管道内采集低频声压信号,然后对低频声压信号进行VMD分解,根据最大中心频率准则确定分解参数K并选取有效地模态分量,提取有效模态分量的PNCC系数构建能表征U型管运行状态的特征向量集,最后将特征向量集输入到极限学习机中,建立U型管声纹识别模型;本发明提出的方法能有效识别U型管不同的运行状态(堵塞、泄漏和正常)。
Description
技术领域
一种基于VMD和PNCC的U型管运行状态声纹识别方法,属于管道故障检测技术领域。
背景技术
供水系统和排水系统是城市地下核心网络,扮演着举足轻重的作用。而U型管又是供排水系统中不可或缺的一部分,当地面上存在建筑物、生产设备等重要设施时,为避免由长期共振带来的机械性损伤,相应的地下管道部分将使用下沉式或平铺式U型管道。由于周围环境和介质的改变、管道自然老化和人为破坏,U型管道易发生堵塞和破损变形等故障,若对于故障没有进行及时的处理,不仅会对人民的生活造成严重的影响,而且会带来不可估量的经济损失。因此,对U型管运行状态的识别是必要的。
目前研究管道堵塞和泄露的方法主要有压电超声传感器技术、涡流探头、闭路电视、下水道扫描仪评估技术、和探地雷达等。这些方法不但花费高昂,而且还对土地进行不同程度开挖,耗时耗力但效果不一定理想。声学主动检测技术是一种无损检测方法,其优点是实施简单、成本低、效率高、不依赖于实验人员的主观判断。因此,利用声学主动检测技术来获取管道声压信号进行信号处理与模式识别,得出管道的运行状态既经济又实用,成为了研究的热点。
发明内容
为了判别U型管不同运行状态的问题,本发明提出了一种基于VMD和PNCC的U型管运行状态声纹识别方法。
本发明的技术方案是:一种基于VMD和PNCC的U型管运行状态声纹识别方法,所述的方法具体步骤如下:
Step1、通过数据采集装置对不同运行状态下的U型管进行数据采集,获得不同运行状态下的低频声压信号数据;
其中,数据采集装置包括计算机、声卡、功率放大器、扬声器、水听器、滤波器、两根带有固定装置的伸缩杆。数据采集的具体过程为:操作人员先将分别固定在伸缩杆上的扬声器和水听器通过伸缩杆从U型管两侧伸入到底部弯管处,然后通过操作计算机控制声卡发出检测信号,检测信号通过功率放大器经由扬声器发射到U型管中,然后另一侧的水听器采集到检测信号通过滤波器后长传至计算机中,存储信噪比较低的管道声压信号数据。
Step2、对不同运行状态下的声压信号进行变分模态分解,获得不同频段下的模态分量;
Step3、利用最大中心频率准则确定最大模态分量数K,同时选取有效的模态分量;
其中,确定最大模态分量数K和有效模态分量的具体过程为:按照最大中心频率准则选取最大分解数,其中最大中心频率准则定义是当分解数目为K时,第K-1个模态分量的中心频率和第K个模态分量的中心频率保持相对稳定则最佳分解数K,若中心频率不稳定则最佳分解数目不为K,然后根据检测信号的频率范围确定有效模态分量的数目,具体为模态分量的中心频率不能超过检测信号的最大频率。
Step4、对有效地模态分量提取PNCC系数,构建能表征U型管不同运行状态的特征向量集;
其中,提取PNCC系数的具体过程为:对有效模态分量先进行分帧、加窗;对其求取快速傅里叶变换;取幅值平方;Gammatone滤波器频率整合;时频归一化;中间能量偏差移除;计算非线性函数幂;离散余弦变换;最后得到能量归一化倒谱系数(PNCC),构建能表征U型管不同运行状态的特征向量样本集。
Step5、将特征向量样本集分为测试样本集和训练样本集,其中比例为3:7。然后将训练样本集用于模型的训练,测试样本集用于模型的测试;
本发明的有益效果是:
1检测方法是一种无损检测,它既不依赖于检测人员的主观判断,也没有对管道有任何创伤,易操作性强。
2利用声学检测方法,可以让实验人员不下管道的同时也能获得大量的关于管道运行状态声学信息。
3提取PNCC系数构建特征向量能较好地表征管道不同的运行状态,从而达到对管道运行状态的识别。
4PNCC-ELM声纹识别模型识别准确率较高,可靠性较强。
附图说明
图1是本发明的数据采集装置简图;
图2是本发明的方法流程图;
图3为模态分量幅值谱图;
图4为提取PNCC系数流程图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:基于VMD和PNCC的U型管运行状态声纹识别方法,其声压信号数据采集装置如附图1所示。实施过程为:操作人员首先将固定在伸缩杆上的水下扬声器和水听器从U型管两侧伸入到底部弯管处,然后通过操作计算机控制声卡产生时间长度为10s,频率范围为100-6000Hz的正弦扫频信号,其中声卡品牌与型号为华硕Xonar Essence STX II 7.1,正弦扫频信号经功率放大器进行功率放大,通过固定在伸缩杆上的水下扬声器发射到U型管中,其中选用的功率放大器和水下扬声器型号分别为DRV603PWR和EVUM30。固定在另一根伸缩杆上的水听器接收声压信号,经滤波器进行滤波后,上传至计算机中存储信噪比较低的声压信号,其中滤波器的型号为Kemo VBF 40。
按照方法流程图(如图2)来对本实施例进行说明。
信号的获取:为了模拟管道中不同的运行状态,我们在U型管底部的直管处放置了一个高度约为管道直径三分之一的石质挡板模拟堵塞物,同时在底部直管上表面开凿一个长度为120mm,宽度为70mm的孔来模拟泄漏,然后搭建了一个如附图1所示的实验平台来进行数据采集。其中堵塞运行状态下的样本数量为100组,泄漏运行状态下的样本数量为100组,正常运行状态下的样本数量为100组。
信号去噪和分量选取:首先对采集得到的声压信号进行变分模态分解,根据模态分量的幅值谱图如附图3(a)、3(b)、3(c)所示,图3(a)和图3(b)的最大中心频率发生改变,说明模态欠分解。图3(b)和图3(c)的最大中心频率相对稳定,所以最大分解数为3。因为信号的发射频率范围为100-6000Hz,根据模态分量的中心频率不超过信号的发射频率的准则,选取模态分量1作为有效模态分量。
特征提取:将有效模态分量提取PNCC系数,构建特征向量样本集。其中特征提取的流程如附图4所示。
模型训练与测试:将特征向量样本集分成测试样本集和训练样本集,其中测试样本集和训练样本集的比例为3:7,测试样本集用于ELM声纹模型的训练,测试样本集用于ELM声纹模型的测试。
实施例2:为了验证本发明的鲁棒性,我们在U型管底部直管中放置了两个高度不同的石质挡板用于模拟堵塞物,其中高度分别为管道直径的三分之一和管道直径的5分之一,同时在底部直管的上表面开凿一个长度约为200mm的裂缝来模拟泄漏,通过数据采集装置进行数据采集得到声压信号,其中数据采集流程和实施例1一样,得到堵塞运行状态的样本量为100组,泄漏运行状态的样本量为100组,正常运行状态下的样本数量为100组。然后经过变分模态分解对信号进行去噪,通过模态分量的幅值谱图来确定最大分解数和有效模态分量。最后构建特征向量样本集用于模型的训练与测试,其中测试样本集和训练样本集的比例为2:8,声纹模型输出准确率越高,则该模型可靠性和鲁棒性越好。
实施例3:为了验证本发明提出方法的有效性和可靠性,我们在U型管直管和弯管结合处留有缝隙并放置堵塞物用来模拟堵塞与泄漏,其中缝隙长度为5mm,堵塞物的高度为管道直径的三分之一。通过数据采集装置进行数据采集得到声压信号,其中数据采集流程和实施例1一样,得到堵塞运行状态的样本量为200组,泄漏运行状态的样本量为200组,正常运行状态下的样本数量为200组。然后经过变分模态分解对信号进行去噪,通过模态分量的幅值谱图来确定最大分解数和有效模态分量。最后构建特征向量样本集用于模型的训练与测试,其中测试样本集和训练样本集的比例为3:7,若声纹模型识别和准确高,说明本发明提出的方法能够检测不同位置堵塞物,也能检测不同位置下发生的泄漏,证明本发明提出方法的有效性和可靠性。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于VMD和PNCC的U型管运行状态声纹识别方法,其特征在于:所述方法的具体步骤如下:
Step1、通过数据采集装置对不同运行状态下的U型管进行数据采集,获得不同运行状态下的低频声压信号数据;
Step2、对不同运行状态下的声压信号进行变分模态分解,获得不同频段下的模态分量;
Step3、利用最大中心频率准则确定最大模态分量数K,同时选取有效的模态分量;
Step4、对有效地模态分量提取PNCC系数,构建能表征U型管不同运行状态的特征向量集;
Step5、将特征向量集分为测试样本集和训练样本集,其中比例为3:7;然后将训练样本集用于模型的训练,测试样本集用于模型的测试。
2.根据权利要求1所述的一种基于VMD和PNCC的U型管运行状态声纹识别方法,其特征在于:所述Step1中的数据采集装置包括计算机、声卡、功率放大器、扬声器、水听器、滤波器、两根带有固定装置的伸缩杆;数据采集的具体过程为:操作人员先分别将固定在伸缩杆上的扬声器和水听器通过伸缩杆从U型管两侧伸入到底部弯管处,然后通过操作计算机控制声卡发出检测信号,检测信号通过功率放大器经由扬声器发射到U型管中,然后另一侧的水听器采集到检测信号通过滤波器后长传至计算机中,存储信噪比较低的管道声压信号数据。
3.根据权利要求1所述的一种基于VMD和PNCC的U型管运行状态声纹识别方法,其特征在于:所述Step3中具体的实验过程为:按照最大中心频率准则选取最大分解数,其中最大中心频率准则定义是当分解数目为K时,第K-1个模态分量的中心频率和第K个模态分量的中心频率保持相对稳定则最佳分解数为K,若中心频率不稳定则最佳分解数目不为K,然后根据检测信号的频率范围确定有效模态分量的数目,具体为模态分量的中心频率不能超过检测信号的最大频率。
4.根据权利要求1所述的一种基于VMD和PNCC的U型管运行状态声纹识别方法,其特征在于:所述Step4中具体的实验过程为:对有效模态分量先进行分帧、加窗;对其求取快速傅里叶变换;取幅值平方;Gammatone滤波器频率整合;时频归一化;中间能量偏差移除;计算非线性函数幂;离散余弦变换;最后得到能量归一化倒谱系数(PNCC),构建能表征U型管不同运行状态的特征向量样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110066273.6A CN112902029B (zh) | 2021-01-19 | 2021-01-19 | 一种基于vmd和pncc的u型管运行状态声纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110066273.6A CN112902029B (zh) | 2021-01-19 | 2021-01-19 | 一种基于vmd和pncc的u型管运行状态声纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112902029A CN112902029A (zh) | 2021-06-04 |
CN112902029B true CN112902029B (zh) | 2022-03-18 |
Family
ID=76115073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110066273.6A Active CN112902029B (zh) | 2021-01-19 | 2021-01-19 | 一种基于vmd和pncc的u型管运行状态声纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112902029B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107355686A (zh) * | 2017-06-09 | 2017-11-17 | 昆明理工大学 | 一种排水管道堵塞故障的检测方法 |
CN109469837A (zh) * | 2018-11-19 | 2019-03-15 | 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 |
CN110285332A (zh) * | 2019-06-20 | 2019-09-27 | 天津科技大学 | 一种基于声学脉冲压缩的天然气管道安全监测关键技术 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125891A1 (en) * | 2014-10-31 | 2016-05-05 | Intel Corporation | Environment-based complexity reduction for audio processing |
-
2021
- 2021-01-19 CN CN202110066273.6A patent/CN112902029B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107355686A (zh) * | 2017-06-09 | 2017-11-17 | 昆明理工大学 | 一种排水管道堵塞故障的检测方法 |
CN109469837A (zh) * | 2018-11-19 | 2019-03-15 | 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 |
CN110285332A (zh) * | 2019-06-20 | 2019-09-27 | 天津科技大学 | 一种基于声学脉冲压缩的天然气管道安全监测关键技术 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112902029A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110230780B (zh) | 基于探地雷达三维图像属性分析的供水管道漏损检测方法 | |
CN109827081B (zh) | 一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法 | |
CN110108551B (zh) | 基于声发射探测技术的岩石力学性质测试装置及方法 | |
CN103234121A (zh) | 基于音波信号的输气管道泄漏检测装置及检测方法 | |
CN106815552B (zh) | 基于时频分析的数字信号后处理方法 | |
CN101592288A (zh) | 一种管道泄漏辨识方法 | |
CN112525437B (zh) | 一种大型输水建筑物泄漏噪声的水下识别方法 | |
CN202420427U (zh) | 电磁测厚仪信号检测系统 | |
CN114137079A (zh) | 一种基于深度学习和Duffing系统结合的超声导波无损检测方法 | |
CN103543210A (zh) | 基于声发射技术的加压气力输送流型检测装置和方法 | |
CN112902029B (zh) | 一种基于vmd和pncc的u型管运行状态声纹识别方法 | |
WO2011124924A1 (en) | A method, system and apparatus for detecting defects and/or blockages in conduits | |
CN111735593B (zh) | 一种水轮机模型机振动频率跟踪测试分析方法 | |
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 | |
CN117419915A (zh) | 一种多源信息融合的电机故障诊断方法 | |
CN112198232A (zh) | 一种排水管道工况检测和识别方法 | |
CN106596025A (zh) | 基于冲激响应的公路隧道悬挂风机基础稳定性检测方法及系统 | |
CN102518422A (zh) | 检测并识别油田井下套管现态受力的方法 | |
CN115144259A (zh) | 一种钢材抗形变性能检测方法及系统 | |
CN115655606A (zh) | 储油区多通道并行采集井间三维电阻率监测系统及方法 | |
Chen et al. | Construction and Experimental Research on Leakage Sound Dataset of Urban Water Supply Pipeline | |
CN114358071A (zh) | 衬砌结构体内病害检测方法、装置及存储介质 | |
CN212963672U (zh) | 一种测量核电厂汽动辅助给水泵管线气柱固有频率的装置 | |
CN110673199B (zh) | 一种基于低频声压信号分析的u型管堵塞状态评估方法 | |
CN104504380A (zh) | 基于pccp管道声信号的现场试验系统及数据分析方法 |
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 |