CN113375063A - 一种天然气管道泄漏智能监测方法及系统 - Google Patents

Abstract

本发明提供了一种天然气管道泄漏智能监测方法，包括如下步骤：用声阵列采集天然气管道运行时的音频信号；使用基于符号相干性和特征空间分解的波束形成算法对音频信号进行成像定位；通过线性约束最小方差算法获取波达角方向的音频频谱；将波束形成的频谱作为特征进行标准化处理，输入到预训练好的天然气泄漏诊断模型中，得到管道状况。本发明所提出的天然气管道泄漏智能监测方法，使用基于符号相干性和特征空间分解的波束形成算法，更好地抑制旁瓣和提高声学成像分辨率，可以在现场图像上对泄漏源进行高对比度和高分辨率的声学成像和准确定位，有效提高天然气泄漏诊断的准确率，同时大大降低值班人员的工作量和排查难度。

Description

一种天然气管道泄漏智能监测方法及系统

技术领域

本发明属于天然气泄漏监测技术领域，更具体地，涉及一种天然气管道泄漏智能监测方法及系统。

背景技术

全球天然气运输和分配网络非常复杂且仍在不断扩展。研究表明，管道作为一种气体运输工具是最安全的，但这并不意味着利用管道运输气体是没有风险的。因此，确保天然气管道基础设施的可靠性已成为一项关键需求，而泄漏的产生是威胁管道网络可靠性的主要因素。由于可能会产生巨大的影响，所以无论泄漏大小，管道泄漏是一个重要问题。这些影响超出了停机时间和维修费用所涉及的成本，可能包括大量的资源损失，还可能包括人身伤害和环境灾难。由于外部干扰、腐蚀、施工缺陷、材料故障和地面移动等因素的影响，发生泄漏的风险越来越大，甚至会引发重大燃气管道事故。

泄漏检测技术作为保证设备安全运行的方式，正逐渐受到人们的重视。在过去的几十年里，为了抵消气体泄漏的灾难性影响，人们在研究气体泄漏检测技术方面投入了相当多的努力。然而，仅仅揭示气体泄漏的存在不足以确定有效的应对措施。在确定解决措施之前，必须知晓泄漏的位置、大小等信息，这些工作也是管道可靠性保证领域的研究重点。因此，及时发现并准确定位管道的泄漏源，具有十分重要的现实意义。

现有的泄漏检测方法主要有光学法、压力差法、振动法、声学法等。光学法利用辐射源或气体产生的辐射来进行泄漏检测，但这种方法成本很高且不够稳定；压力差法使用安装在管段两端的压力传感器来捕获泄漏导致的压降，但这种方法难以实现且准确率较低；振动法通过加速度计在管道处采集的振动信号来判断是否发生泄漏，但这种方法稳定性较差且受环境影响较大；传统的声学法使用布置在各管道附近的声传感器网络来检测泄漏产生的声信号，但这种方法实施起来比较复杂，且无法准确确定泄漏的位置。与此同时，目前天然气管道的泄漏检测仍主要依赖于人工巡检，这种方式需要值班人员去现场一一检查，很大程度上取决于个人的经验和细心程度，大大加剧值班人员的工作量和企业的维保成本，不够安全高效可靠。

综上所述，提供一种安全高效可靠的天然气管道泄漏智能监测方法及系统是亟待解决的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种天然气管道泄漏智能监测方法及系统，其目的在于至少解决现有方法施工复杂、稳定性差、准确率低以及成本较高的问题之一。

为达上述目的，第一方面，本发明提供了一种天然气管道泄漏智能监测方法，包括如下步骤：

S₁：用声阵列采集天然气管道运行时的音频信号；

S₂：使用基于符号相干性和特征空间分解的波束形成算法对音频信号进行成像定位；

S₃：通过线性约束最小方差算法获取波达角方向的音频频谱；

S₄：将波束形成的频谱作为特征进行标准化处理，输入到预训练好的天然气泄漏诊断模型中，得到管道状况。

进一步的，在步骤S₁中，所述声阵列包括声传感器、摄像头和数据采集卡，

所述声传感器以多臂螺旋形状分布于声阵列平面上，以用于收集管道音频信号；

所述摄像头与所述声阵列的接收方向一致，以用于采集现场图像；

所述数据采集卡与所述声传感器通过信号线相连，以用于同步采集各所述声传感器接收的音频信号。

进一步的，在步骤S₂中，所述使用基于符号相干性和特征空间分解的波束形成算法对音频信号进行成像定位具体包括如下处理过程：

S₂₁：对声阵列的各通道信号分别进行延时和取平方根，两者互相关相乘，得到如下表达式(1)：

其中，s_i(t)＝x_i(t+Δ_i)、s_j(t)＝x_j(t+Δ_j)为时延后的信号，sign(s_i(t))为s_i(t)的符号位；

S₂₂：对表达式(1)中的各个互相关乘积项求和，得到表达式(2)：

其中，y(t)代表阵列信号输出，

M为阵元数量，y(t)代表阵列信号输出；

S₂₃：用符号相干因子SCF作为权重因子，分别对各通道的乘积和进行加权得到表达式(3)：

所述符号相干因子SCF的表达式如下：

其中，y^*(t)代表阵列信号加权后的输出，p是调整符号相干因子SCF敏感度的因子，p≥0，b_i(t)为代表通道信号相位的符号位。

S₂₄：通过基于特征子空间的最小方差无畸变响应(MVDR)算法，计算最佳权重向量，并对各通道项按权重求和；

所述最小方差无畸变响应(MVDR)算法计算的最佳权重向量w如表达式(4)所示：

其中，R为接收信号的协方差矩阵，a为阵列的流形向量；

将最佳权重向量w投影到构造的信号子空间上，得到如下表达式(5)：

其中，w^*为重构后的权重向量，E_s＝[v₁,...,v_Num]，v_i为标准正交的特征向量，λ_i为对应的降序排列的特征值，

为E_s的共轭转置，Num为能够显著表征信号子空间的特征向量的数量，特征向量对应的特征值大于δλ_Max，δ为调整量，λ_max为标准正交的最大特征值；

使用w^*对各通道项进行加权，得到如下表达式(6)：

S₂₄：计算波束形成的信号功率谱，对音频信号进行成像，并获取波达角。

需要说明的是，由波束形成算法得到的信号功率谱是与空间角θ和

相关的函数，通过将功率谱投影到阵列平面上，获取音频在现场图像上的叠加成像结果；通过寻找功率谱的波峰，获取波峰处的空间角即波达角。

进一步的，在步骤S₃中，所述线性约束最小方差(LCMV)算法的约束条件可以表示为：

其中，C为定义的约束矩阵，g^H为约束矢量，w_opt代表最优权重向量，w^H代表权重向量的共轭转置，R_x代表协方差矩阵。

进一步的，在步骤S₃中，采用拉格朗日乘子法，计算在线性约束最小方差算法下最佳权重向量的共轭转置最优解为：

其中，C^H代表约束矩阵的共轭转置，

代表在线性约束最小方差算法下最佳权重向量的共轭转置。

进一步的，对波束方向图B(ψ)添加导数约束条件和对协方差矩阵R_x进行增广，以使LCMV波束形成器在干扰上的零点加宽。

进一步的，所述天然气泄漏诊断模型为支持向量机、决策树和神经网络中的任意一种。

进一步的，所述管道状况包括正常输气状态和异常漏气状态，所述异常漏气状态包括不同程度的外漏和内漏。

为达上述目的，第二方面，本发明还提供了一种天然气管道泄漏智能监测系统，包括音频采集模块、音频成像定位模块、音频波束形成模块和天然气泄漏诊断模块，

所述音频成像定位模块的输入端与所述音频采集模块的输出端相连，所述音频成像定位模块的输出端与所述音频波束形成模块的输入端相连，所述音频波束形成模块的输出端与所述天然气泄漏诊断模块的输入端相连；

所述音频采集模块用于采集天然气管道运行时产生的音频信号，并保存现场图像；

所述音频成像定位模块用于将阵列采集的音频在现场图像上进行声学成像，并获取音频的波达角；

所述音频波束形成模块用于获取波达角方向的音频频谱，并抑制其他方位的音频和背景噪声；

所述天然气泄漏诊断模块用于训练天然气泄漏诊断模型，并对波束形成的频谱进行标准化处理，将其输入到预训练好的天然气泄漏诊断模型中，判断是否发生泄漏，若发生泄漏，判断泄漏的类型和程度。

相对于现有技术，通过本发明所构思的以上技术方案，能够取得如下有益效果：

1、本发明提出的天然气管道泄漏智能监测方法，可代替人工巡检，能够安全高效可靠地进行泄漏检测，实现监测的智能化。

2、本发明所提出的天然气管道泄漏智能监测方法，相比光学法、压力差法、振动法、传统的声学法等，实现简单且具有更好的适应性，能够在复杂背景噪声和干扰的环境中较好地进行成像监测，可以让值班人员快速知晓泄漏源的准确位置，并及时进行处理，避免一些重大事故的发生。

3、本发明所提出的天然气管道泄漏智能监测方法，使用基于符号相干性和特征空间分解的波束形成算法，来更好地抑制旁瓣和提高声学成像分辨率，可以在现场图像上对泄漏源进行高对比度和高分辨率的声学成像和准确的定位。

4、本发明所提出的天然气管道泄漏智能监测方法，将波束形成的频谱作为特征来诊断管道状况，可以有效地提高天然气泄漏诊断的准确率，同时大大降低值班人员的工作量和排查难度。

附图说明

图1为本发明实施例中天然气管道泄漏智能监测方法的流程图；

图2为本发明实施例中多臂螺旋阵列的阵元分布示意图；

图3为本发明实施例中使用基于符号相干性和特征空间分解的波束形成算法对音频进行成像定位的流程图。

具体实施方式

下面将参照附图详细描述本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标记表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。

参见图1-3，本发明实施例提供一种天然气管道泄漏智能监测方法，包括如下步骤：

S₁：用声阵列采集天然气管道运行时的音频信号；

具体的，如图2所示，在本发明的实施例当中，采用孔径约为0.6m的30通道多臂螺旋声阵列，将其固定于距天然气管道4-6m的位置，每次采集2s的音频数据，并保存现场图像。

S₂：使用基于符号相干性和特征空间分解的波束形成算法对音频信号进行成像定位；

具体的，如图3所示，所述使用基于符号相干性和特征空间分解的波束形成算法对音频信号进行成像定位，具体包括以下步骤：

S₂₁：对声阵列的各通道信号分别进行延时和取平方根，两者互相关相乘，以降低信号自噪声的干扰，得到如下表达式(1)：

其中，

代表时延后的矩阵，s_i(t)＝x_i(t+Δ_i)、s_j(t)＝x_j(t+Δ_j)为时延后的信号，sign(s_i(t))为s_i(t)的符号位。

S₂₂：对表达式(1)中的各个互相关乘积项求和，得到表达式(2)：

其中，y(t)代表阵列信号输出，

M为阵元数量，本实施例中M取30。

S₂₃：为了更好地抑制旁瓣和减少主瓣宽度，用符号相干因子SCF作为权重因子，分别对各通道的乘积和进行加权得到表达式(3)：

所述符号相干因子SCF的表达式如下：

其中，y^*(t)代表阵列信号加权后的输出，p是调整符号相干因子SCF敏感度的因子，p≥0，b_i(t)为代表通道信号相位的符号位，本实施例中p取1。

进一步的，以SCF作为权重因子进行加权，可得：

S₂₄：通过基于特征子空间的最小方差无畸变响应算法，计算最佳权重向量，对各通道项按权重求和；

用MVDR算法计算的最佳权重向量w如下：

其中，R为接收信号的协方差矩阵，a为阵列的流形向量。

进一步的，将最佳权重向量w投影到构造的信号子空间上，得到如下表达式(5)：

其中，E_s＝[v₁,...,v_Num]，v_i为标准正交的特征向量，λ_i对应的降序排列的特征值，

为E_s的共轭转置，Num为能够显著表征信号子空间的特征向量的数量，特征向量对应的特征值大于δλ_Max，本实施例中δ取0.5。

进一步的，使用w^*对各通道项进行加权，得到表达式(6)：

其中，W_i代表阵元权重向量。

计算波束形成的信号功率谱，对音频进行成像，并获取波达角。

由波束形成算法得到的信号功率谱为：

P(θ)＝E[y(t)y^H(t)]

进一步的，通过将功率谱投影到阵列平面上，获取音频在现场图像上的叠加成像结果；通过寻找功率谱的波峰，获取波峰处的空间角即波达角。

S₃：通过线性约束最小方差算法，获取波达角方向的音频频谱；

具体的，线性约束最小方差LCMV算法的最佳权重向量为：

其中，C为定义的约束矩阵，g^H为约束矢量。

进一步的，为了处理干扰失配的问题，对波束方向图B(ψ)添加导数约束条件和对协方差矩阵R_x进行增广，以使LCMV波束形成器在干扰上的零点加宽。

在θ空间波束方向图可表示为：

令其一阶导数

和二阶导数

的值为0。

定义一个矩阵，如下：

T_ij＝sinc(|i-j|γ)

其中，γ是一个设计参数，和干扰位置的不确定性相匹配，作为本实施例的最佳优选方式，γ取0.2。

增广的协方差矩阵为R_x和T的Hadamard乘积，如下：

进一步的，对各通道信号进行波达角方向的相移，并用LCMV的最佳权重加权叠加，获取目标区域的音频频谱，如下：

其中，Y(ω)、X(ω)代表音频频谱。由此，可以更好地抑制其他方位的音频，极大地降低背景噪声的干扰，准确地获取目标区域的音频频谱。

在步骤S₄中，将波束形成的频谱作为特征进行标准化处理，输入到预训练好的天然气泄漏诊断模型中，从而得到管道状况。

具体的，步骤S₄还可以具体包括如下处理过程：

步骤S₄₁：对特征X做标准化处理，如下：

其中，X^*为标准化的特征，μ为样本集中特征的均值，σ为样本集中特征的标准差，使处理后的样本数据符合标准正态分布，以消除不同维度的特征在量纲和幅值上的差异。

步骤S₄₂：通过步骤S₁-S₃获取不同管道状况的音频频谱作为特征进行标准化处理，与其相应的状态一一对应后得到训练数据集，以预训练天然气泄漏诊断模型。

进一步的，通过步骤S₁-S₃获取不同管道状况的波束形成的音频频谱，其中，管道状况分为正常输气和异常漏气；其中，异常漏气包括不同程度的外漏和内漏。

进一步的，将不同管道状况的频谱作为特征进行标准化处理，与其相应的状态一一对应后得到训练数据集，以预训练天然气泄漏诊断模型。

具体的，天然气泄漏诊断模型采用支持向量机，将已标准化处理的特征输入到预训练好的SVM模型中诊断管道状况，若管道发生泄漏，值班人员可由现场图像上的叠加成像结果快速确定泄漏源位置，并根据泄漏类型和程度及时采取对应的处理措施。

具体的，天然气泄漏诊断模型采用支持向量机，将已标准化处理的特征输入到预训练好的SVM模型中诊断管道状况，若管道发生泄漏，值班人员可由现场图像上的叠加成像结果快速确定泄漏源位置，并根据泄漏类型和程度及时采取对应的处理措施。

本发明的实施例还提供了一种天然气管道泄漏智能监测系统，以完成上述方法所述的步骤。

天然气管道泄漏智能监测系统包括音频采集模块、音频成像定位模块、音频波束形成模块和天然气泄漏诊断模块，其中音频采集模块的输出端与音频成像定位模块的输入端相连，音频成像定位模块的输出端与音频波束形成模块的输入端相连，音频波束形成模块的输出端与天然气泄漏诊断模块的输入端相连。

音频采集模块用于采集天然气管道运行时产生的音频信号，并保存现场图像；

音频成像定位模块用于将阵列采集的音频在现场图像上进行声学成像，并获取音频的波达角；

音频波束形成模块用于获取波达角方向的音频频谱，并抑制其他方位的音频和背景噪声；

天然气泄漏诊断模块用于训练天然气泄漏诊断模型，并对波束形成的频谱进行标准化处理，将其输入到预训练好的天然气泄漏诊断模型中，判断是否发生泄漏，若发生泄漏，判断泄漏的类型和程度。

上述天然气管道泄漏智能监测系统可以参见上述天然气管道泄漏智能监测方法的描述，具有与之相似的有益效果，在此不再赘述。

尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种天然气管道泄漏智能监测方法，其特征在于，包括如下步骤：

S₁：用声阵列采集天然气管道运行时的音频信号；

S₂：使用基于符号相干性和特征空间分解的波束形成算法对音频信号进行成像定位；

S₃：通过线性约束最小方差算法获取波达角方向的音频频谱；

S₄：将波束形成的频谱作为特征进行标准化处理，输入到预训练好的天然气泄漏诊断模型中，得到管道状况。

2.如权利要求1所述的天然气管道泄漏智能监测方法，其特征在于，在步骤S₁中，所述声阵列包括声传感器、摄像头和数据采集卡，

所述声传感器以多臂螺旋形状分布于声阵列平面上，以用于收集管道音频信号；

所述摄像头与所述声阵列的接收方向一致，以用于采集现场图像；

所述数据采集卡与所述声传感器通过信号线相连，以用于同步采集各所述声传感器接收的音频信号。

3.如权利要求2所述的天然气管道泄漏智能监测方法，其特征在于，在步骤S₂中，所述使用基于符号相干性和特征空间分解的波束形成算法对音频信号进行成像定位具体包括如下处理过程：

S₂₁：对声阵列的各通道信号分别进行延时和取平方根，两者互相关相乘，得到如下表达式(1)：

其中，s_i(t)＝x_i(t+Δ_i)、s_j(t)＝x_j(t+Δ_j)为时延后的信号，sign(s_i(t))为s_i(t)的符号位；

S₂₂：对表达式(1)中的各个互相关乘积项求和，得到表达式(2)：

M为阵元数量，y(t)代表阵列信号输出；

S₂₃：用符号相干因子SCF作为权重因子，分别对各通道的乘积和进行加权得到表达式(3)：

所述符号相干因子SCF的表达式如下：

其中，y^*(t)代表阵列信号加权后的输出，p是调整符号相干因子SCF敏感度的因子，p≥0，b_i(t)为代表通道信号相位的符号位；

S₂₄：通过基于特征子空间的最小方差无畸变响应(MVDR)算法，计算最佳权重向量，并对各通道项按权重求和；

所述最小方差无畸变响应(MVDR)算法计算的最佳权重向量w如表达式(4)所示：

其中，R为接收信号的协方差矩阵，a为阵列的流形向量；

将最佳权重向量w投影到构造的信号子空间上，得到如下表达式(5)：

其中，w^*为重构后的权重向量，E_s＝[v₁,...,v_Num]，v_i为标准正交的特征向量，λ_i为对应的降序排列的特征值，

为E_s的共轭转置，Num为能够显著表征信号子空间的特征向量的数量，特征向量对应的特征值大于δλ_Max，δ为调整量，λ_max为标准正交的最大特征值；

使用w^*对各通道项进行加权，得到如下表达式(6)：

其中，w_i代表阵元权重向量；

S₂₄：计算波束形成的信号功率谱，对音频信号进行成像，并获取波达角。

4.如权利要求1所述的天然气管道泄漏智能监测方法，其特征在于，在步骤S₃中，所述线性约束最小方差(LCMV)算法的约束条件可以表示为：

其中，C为定义的约束矩阵，g^H为约束矢量，w_opt代表最优权重向量，w^H代表权重向量的共轭转置，R_x代表协方差矩阵。

5.如权利要求4所述的天然气管道泄漏智能监测方法，其特征在于，在步骤S₃中，采用拉格朗日乘子法，计算在线性约束最小方差算法下最佳权重向量的共轭转置最优解为：

其中，C^H代表约束矩阵的共轭转置，

代表在线性约束最小方差算法下最佳权重向量的共轭转置。

6.如权利要求4所述的天然气管道泄漏智能监测方法，其特征在于，对波束方向图B(ψ)添加导数约束条件和对协方差矩阵R_x进行增广，以使LCMV波束形成器在干扰上的零点加宽。

7.如权利要求1所述的天然气管道泄漏智能监测方法，其特征在于，所述天然气泄漏诊断模型为支持向量机、决策树和神经网络中的任意一种。

8.如权利要求1所述的天然气管道泄漏智能监测方法，其特征在于，所述管道状况包括正常输气状态和异常漏气状态，所述异常漏气状态包括不同程度的外漏和内漏。

9.一种天然气管道泄漏智能监测系统，其特征在于，包括音频采集模块、音频成像定位模块、音频波束形成模块和天然气泄漏诊断模块，

所述音频成像定位模块的输入端与所述音频采集模块的输出端相连，所述音频成像定位模块的输出端与所述音频波束形成模块的输入端相连，所述音频波束形成模块的输出端与所述天然气泄漏诊断模块的输入端相连；

所述音频采集模块用于采集天然气管道运行时产生的音频信号，并保存现场图像；

所述音频成像定位模块用于将阵列采集的音频在现场图像上进行声学成像，并获取音频的波达角；

所述音频波束形成模块用于获取波达角方向的音频频谱，并抑制其他方位的音频和背景噪声；

所述天然气泄漏诊断模块用于训练天然气泄漏诊断模型，并对波束形成的频谱进行标准化处理，将其输入到预训练好的天然气泄漏诊断模型中，判断是否发生泄漏，若发生泄漏，判断泄漏的类型和程度。

Images