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

一种天然气管道泄漏智能监测方法及系统 Download PDF

Info

Publication number
CN113375063A
CN113375063A CN202110629820.7A CN202110629820A CN113375063A CN 113375063 A CN113375063 A CN 113375063A CN 202110629820 A CN202110629820 A CN 202110629820A CN 113375063 A CN113375063 A CN 113375063A
Authority
CN
China
Prior art keywords
natural gas
audio
leakage
gas pipeline
array
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
CN202110629820.7A
Other languages
English (en)
Other versions
CN113375063B (zh
Inventor
李洪烈
曹永乐
刘军峰
李想
李成
彭太翀
王磊
袁晓骏
李明耀
管文涌
朱明�
刘双凌
王东剑
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.)
West To East Gas Transmission Branch Of National Petroleum Pipeline Network Group Co ltd
Original Assignee
West To East Gas Transmission Branch Of National Petroleum Pipeline Network Group Co ltd
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 West To East Gas Transmission Branch Of National Petroleum Pipeline Network Group Co ltd filed Critical West To East Gas Transmission Branch Of National Petroleum Pipeline Network Group Co ltd
Priority to CN202110629820.7A priority Critical patent/CN113375063B/zh
Publication of CN113375063A publication Critical patent/CN113375063A/zh
Application granted granted Critical
Publication of CN113375063B publication Critical patent/CN113375063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17DPIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00Protection or supervision of installations
    • F17D5/02Preventing, monitoring, or locating loss
    • F17D5/06Preventing, monitoring, or locating loss using electric or acoustic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Examining Or Testing Airtightness (AREA)

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):
Figure BDA0003103247420000031
其中,si(t)=xi(t+Δi)、sj(t)=xj(t+Δj)为时延后的信号,sign(si(t))为si(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):
Figure BDA0003103247420000032
其中,y(t)代表阵列信号输出,
Figure BDA0003103247420000033
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):
Figure BDA0003103247420000034
所述符号相干因子SCF的表达式如下:
Figure BDA0003103247420000041
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,bi(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:
Figure BDA0003103247420000042
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):
Figure BDA0003103247420000043
其中,w*为重构后的权重向量,Es=[v1,...,vNum],vi为标准正交的特征向量,λi为对应的降序排列的特征值,
Figure BDA0003103247420000044
为Es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δλMax,δ为调整量,λmax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):
Figure BDA0003103247420000045
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
Figure BDA0003103247420000046
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:
Figure BDA0003103247420000051
其中,C为定义的约束矩阵,gH为约束矢量,wopt代表最优权重向量,wH代表权重向量的共轭转置,Rx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:
Figure BDA0003103247420000052
其中,CH代表约束矩阵的共轭转置,
Figure BDA0003103247420000053
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Rx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):
Figure BDA0003103247420000071
其中,
Figure BDA0003103247420000072
代表时延后的矩阵,si(t)=xi(t+Δi)、sj(t)=xj(t+Δj)为时延后的信号,sign(si(t))为si(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):
Figure BDA0003103247420000081
其中,y(t)代表阵列信号输出,
Figure BDA0003103247420000082
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):
Figure BDA0003103247420000083
所述符号相干因子SCF的表达式如下:
Figure BDA0003103247420000084
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,bi(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:
Figure BDA0003103247420000085
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:
Figure BDA0003103247420000091
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):
Figure BDA0003103247420000092
其中,Es=[v1,...,vNum],vi为标准正交的特征向量,λi对应的降序排列的特征值,
Figure BDA0003103247420000093
为Es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δλMax,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):
Figure BDA0003103247420000094
其中,Wi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)yH(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:
Figure BDA0003103247420000095
其中,C为定义的约束矩阵,gH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Rx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:
Figure BDA0003103247420000101
令其一阶导数
Figure BDA0003103247420000102
和二阶导数
Figure BDA0003103247420000103
的值为0。
定义一个矩阵,如下:
Tij=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Rx和T的Hadamard乘积,如下:
Figure BDA0003103247420000104
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:
Figure BDA0003103247420000105
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:
Figure BDA0003103247420000106
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):
Figure RE-FDA0003208818520000011
其中,si(t)=xi(t+Δi)、sj(t)=xj(t+Δj)为时延后的信号,sign(si(t))为si(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):
Figure RE-FDA0003208818520000021
Figure RE-FDA0003208818520000022
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):
Figure RE-FDA0003208818520000023
所述符号相干因子SCF的表达式如下:
Figure RE-FDA0003208818520000024
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,bi(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:
Figure RE-FDA0003208818520000025
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):
Figure RE-FDA0003208818520000031
其中,w*为重构后的权重向量,Es=[v1,...,vNum],vi为标准正交的特征向量,λi为对应的降序排列的特征值,
Figure RE-FDA0003208818520000032
为Es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δλMax,δ为调整量,λmax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):
Figure RE-FDA0003208818520000033
其中,wi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:
Figure RE-FDA0003208818520000034
其中,C为定义的约束矩阵,gH为约束矢量,wopt代表最优权重向量,wH代表权重向量的共轭转置,Rx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:
Figure RE-FDA0003208818520000035
其中,CH代表约束矩阵的共轭转置,
Figure RE-FDA0003208818520000036
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Rx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。
CN202110629820.7A 2021-06-07 2021-06-07 一种天然气管道泄漏智能监测方法及系统 Active CN113375063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110629820.7A CN113375063B (zh) 2021-06-07 2021-06-07 一种天然气管道泄漏智能监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110629820.7A CN113375063B (zh) 2021-06-07 2021-06-07 一种天然气管道泄漏智能监测方法及系统

Publications (2)

Publication Number Publication Date
CN113375063A true CN113375063A (zh) 2021-09-10
CN113375063B CN113375063B (zh) 2022-06-28

Family

ID=77576256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110629820.7A Active CN113375063B (zh) 2021-06-07 2021-06-07 一种天然气管道泄漏智能监测方法及系统

Country Status (1)

Country Link
CN (1) CN113375063B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114459708A (zh) * 2022-02-10 2022-05-10 合肥永信科翔智能技术有限公司 一种基于气体智能感知的泄漏气体监测系统
CN114877264A (zh) * 2022-06-06 2022-08-09 国家石油天然气管网集团有限公司 一种基于声纹识别的天然气管体泄露识别方法和系统
CN115950590A (zh) * 2023-03-15 2023-04-11 凯晟动力技术(嘉兴)有限公司 气体发动机泄露预警系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19527004A1 (de) * 1995-07-24 1997-01-30 Rammner Rudolf Dipl Geophys Verfahren und Vorrichtungen zur Detektierung und Interpretation von Leckagen mithilfe eines Meß-Energie-beladenen Flüssigkeits-strahles
CN103536316A (zh) * 2013-09-22 2014-01-29 华中科技大学 一种空时平滑相干因子类自适应超声成像方法
CN104535276A (zh) * 2014-12-27 2015-04-22 东北电力大学 一种基于线阵的电站锅炉四管泄漏监测方法及系统
CN105590631A (zh) * 2014-11-14 2016-05-18 中兴通讯股份有限公司 信号处理的方法及装置
CN109595474A (zh) * 2019-01-25 2019-04-09 安徽理工大学 一种基于波束形成的埋地输气管道泄漏交叉定位方法
CN109813501A (zh) * 2019-01-30 2019-05-28 郑州大学 测量气体管道泄漏位置的方法、装置及系统
CN109870276A (zh) * 2018-11-28 2019-06-11 中国人民解放军国防科技大学 航天器在轨泄漏定位方法和系统
CN110400572A (zh) * 2019-08-12 2019-11-01 苏州思必驰信息科技有限公司 音频增强方法及系统
CN210197015U (zh) * 2019-01-02 2020-03-27 昆明理工大学 一种水下管道的检测装置
CN111025233A (zh) * 2019-11-13 2020-04-17 阿里巴巴集团控股有限公司 一种声源方向定位方法和装置、语音设备和系统
CN111044973A (zh) * 2019-12-31 2020-04-21 山东大学 一种用于麦克风方阵的mvdr目标声源定向拾音方法
CN111350948A (zh) * 2020-04-13 2020-06-30 安徽理工大学 一种基于波束形成的管道泄漏位置计算方法
CN112557510A (zh) * 2020-12-11 2021-03-26 广西交科集团有限公司 混凝土路面脱空智能检测装置及其检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19527004A1 (de) * 1995-07-24 1997-01-30 Rammner Rudolf Dipl Geophys Verfahren und Vorrichtungen zur Detektierung und Interpretation von Leckagen mithilfe eines Meß-Energie-beladenen Flüssigkeits-strahles
CN103536316A (zh) * 2013-09-22 2014-01-29 华中科技大学 一种空时平滑相干因子类自适应超声成像方法
CN105590631A (zh) * 2014-11-14 2016-05-18 中兴通讯股份有限公司 信号处理的方法及装置
CN104535276A (zh) * 2014-12-27 2015-04-22 东北电力大学 一种基于线阵的电站锅炉四管泄漏监测方法及系统
CN109870276A (zh) * 2018-11-28 2019-06-11 中国人民解放军国防科技大学 航天器在轨泄漏定位方法和系统
CN210197015U (zh) * 2019-01-02 2020-03-27 昆明理工大学 一种水下管道的检测装置
CN109595474A (zh) * 2019-01-25 2019-04-09 安徽理工大学 一种基于波束形成的埋地输气管道泄漏交叉定位方法
CN109813501A (zh) * 2019-01-30 2019-05-28 郑州大学 测量气体管道泄漏位置的方法、装置及系统
CN110400572A (zh) * 2019-08-12 2019-11-01 苏州思必驰信息科技有限公司 音频增强方法及系统
CN111025233A (zh) * 2019-11-13 2020-04-17 阿里巴巴集团控股有限公司 一种声源方向定位方法和装置、语音设备和系统
CN111044973A (zh) * 2019-12-31 2020-04-21 山东大学 一种用于麦克风方阵的mvdr目标声源定向拾音方法
CN111350948A (zh) * 2020-04-13 2020-06-30 安徽理工大学 一种基于波束形成的管道泄漏位置计算方法
CN112557510A (zh) * 2020-12-11 2021-03-26 广西交科集团有限公司 混凝土路面脱空智能检测装置及其检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114459708A (zh) * 2022-02-10 2022-05-10 合肥永信科翔智能技术有限公司 一种基于气体智能感知的泄漏气体监测系统
CN114877264A (zh) * 2022-06-06 2022-08-09 国家石油天然气管网集团有限公司 一种基于声纹识别的天然气管体泄露识别方法和系统
CN115950590A (zh) * 2023-03-15 2023-04-11 凯晟动力技术(嘉兴)有限公司 气体发动机泄露预警系统
CN115950590B (zh) * 2023-03-15 2023-05-30 凯晟动力技术(嘉兴)有限公司 气体发动机泄露预警系统

Also Published As

Publication number Publication date
CN113375063B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN113375063B (zh) 一种天然气管道泄漏智能监测方法及系统
CN110764053B (zh) 一种基于水下传感器网络的多目标被动定位方法
CN112526451B (zh) 基于麦克风阵列成像的压缩波束形成及系统
US9477895B2 (en) Method and system for detecting events in an acoustic signal subject to cyclo-stationary noise
CN112200244A (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN106054153A (zh) 一种基于分数阶变换的海杂波区目标检测与自适应杂波抑制方法
Xu et al. Acoustic source imaging using densely connected convolutional networks
CN111308424A (zh) 一种基于相加求和与music联合算法的变电站设备可听声源定位方法
Sun et al. Improving the resolution of underwater acoustic image measurement by deconvolution
CN107479050B (zh) 基于对称谱特性和次对称特性的目标检测方法和装置
CN106970348A (zh) 电磁矢量传感器阵列解相干二维music参数估计方法
Pan et al. Multipole orthogonal beamforming combined with an inverse method for coexisting multipoles with various radiation patterns
CN103048641A (zh) 具有联合约束优化形式的矢量阵稳健聚焦处理方法
CN116818321A (zh) 基于超声相控阵的轴承故障检测方法、装置及存储介质
CN109375197B (zh) 一种小尺寸矢量阵低频散射校正方法
CN102183755A (zh) 一种基于柯西-高斯模型的新型高分辨方位估计方法
CN113093098B (zh) 基于lp范数补偿的轴向不一致矢量水听器阵列测向方法
Yin et al. Super-resolution compressive spherical beamforming based on off-grid sparse Bayesian inference
Xu et al. Deep neural network models for acoustic source localization
Bi Robust adaptive beamforming based on interference-plus-noise covariance matrix reconstruction method
Liang et al. A DOA Estimation algorithm for the vertical line array of vector hydrophone based on data fusion method
Santori et al. Sensor self-localization for antenna arrays subject to bending and vibrations
CN113156278A (zh) 一种基于cnn网络的gis局部放电定位方法
Li et al. Acoustic signal analysis for gear fault diagnosis using a uniform circular microphone array
CN110824484A (zh) 一种基于恒模算法的阵元位置估计方法

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