CN113792585B - 一种管道振动信号监测方法、系统、电子设备及介质 - Google Patents
一种管道振动信号监测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN113792585B CN113792585B CN202110888910.8A CN202110888910A CN113792585B CN 113792585 B CN113792585 B CN 113792585B CN 202110888910 A CN202110888910 A CN 202110888910A CN 113792585 B CN113792585 B CN 113792585B
- Authority
- CN
- China
- Prior art keywords
- signal
- network
- acquiring
- time
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明适用于管道监测技术领域,提供了一种管道振动信号监测方法、系统、电子设备及介质,其中,所述方法包括:获取包含管道背景噪声的含噪信号,根据含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络;获取包含管道振动信息的光信号,将其输入至深度置信网络,获取样本信号;对样本信号进行标注,形成样本数据集,根据样本数据集建立用于故障诊断的卷积神经网络;采集包含待测管道振动信息的光信号,将其输入至所述深度置信网络,得到目标输出结果;获取目标输出结果对应的时域波形信号,将其输入至所述卷积神经网络,获取目标监测结果,完成管道振动信号监测;解决了振动信号中故障特征提取困难和噪声干扰多且强的问题。
Description
在技术领域
本发明涉及管道监测技术领域,尤其涉及一种管道振动信号监测方法、系统、电子设备及介质。
背景技术
油气资源的管道运输是我国资源调配体系中的重要一环,相比于传统的运输方式,管道运输具有经济适用和铺设简单的优点。但是管道受流体冲蚀、疲劳等因素影响,容易出现损伤;由于油气资源的易燃易挥发性,管道存在损伤时可能会导致安全事故;因此对油气管道进行监控,提前预警尤为重要。
目前,多采用光纤传感系统对油气管道进行振动信号监控;振动监测具有无损、易实施、敏感性强等优点,作为一种全局性监测,振动获取的是设备响应的总和。然而,振动信号故障特征提取困难、噪声干扰多且强等缺点,并且噪声与振动间相互耦合、调制和卷积,会淹没原有的故障信息,从而降低了样本的可识别性。
发明内容
本发明提供一种管道振动信号监测方法、系统、电子设备及介质,以解决现有技术油气管道的振动信号中故障特征提取困难和噪声干扰多且强的问题。
本发明提供的管道振动信号监测方法,包括:
获取包含管道背景噪声的含噪信号,根据所述含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络;
获取包含管道振动信息的光信号,将其输入至所述深度置信网络,获取样本信号;
对所述样本信号进行标注,形成样本数据集,根据所述样本数据集建立用于故障诊断的卷积神经网络;
采集包含待测管道振动信息的光信号,将其输入至所述深度置信网络,得到目标输出结果;
获取所述目标输出结果对应的时域波形信号,将其输入至所述卷积神经网络,获取目标监测结果,完成管道振动信号监测。
可选的,所述根据所述含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络,具体包括:
获取所述含噪信号的信号参数,将其输入至所述深度置信网络,输出对应的时频掩蔽,对所述深度置信网络进行有监督的训练,训练结束后,固定所述深度置信网络的网络参数。
可选的,所述方法还包括:
将所述含噪信号的信号参数输入至深度置信网络,获取预测时频掩蔽;
获取所述含噪信号的含噪幅度谱;
根据所述预测时频掩蔽和所述含噪幅度谱得到预测幅度谱;
获取所述含噪信号对应的纯净信号的纯净幅度谱;
根据所述预测幅度谱和所述纯净幅度谱的差值调整所述深度置信网络的网络参数。
可选的,所述对所述样本信号进行标注,形成样本数据集,根据所述样本数据集建立用于故障诊断的卷积神经网络,具体包括:
对所述样本信号进行时频转换,形成频域数据集;
对所述频域数据集进行标注,形成样本数据集,所述样本数据集包括训练集和测试集;
将所述训练集输入至所述卷积神经网络,并对所述卷积神经网络进行训练;
将所述测试集输入至所述卷积神经网络,得到测试结果;
若所述测试结果不符合预设条件,则调整所述卷积神经网络的网络参数。
可选的,所述方法还包括:
将所述训练集输入至所述卷积神经网络,采用前向传播训练所述卷积神经网络,所述卷积神经网络为一维卷积神经网络;
将所述测试集输入至所述一维卷积神经网络,得到测试结果;
若所述测试结果不符合预设条件,则采用反向传播更新所述一维卷积神经网络的网络参数。
可选的,所述获取包含管道振动信息的光信号,将其输入至所述深度置信网络,获取样本信号,具体包括:
将所述包含管道振动信息的光信号转换为时频振动信号;
获取所述时频振动信号的信号参数,将其输入至所述深度置信网络,得到所述时频振动信号的时频掩蔽;
根据所述时频振动信号的时频掩蔽和所述时频振动信号的信号参数进行波形重构处理,得到样本信号,所述样本信号为所述时频振动信号去噪后的时域波形信号。
可选的,所述信号参数包括幅度参数、感知线性预测系数、梅尔倒谱系数、伽马通滤波倒谱系数中的至少一种。
本发明还提供了一种管道振动信号监测系统,包括:
深度置信网络建立模块,用于获取包含管道背景噪声的含噪信号,根据所述含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络;
样本信号获取模块,用于获取包含管道振动信息的光信号,将其输入至所述深度置信网络,获取样本信号;
卷积神经网络建立模块,用于对所述样本信号进行标注,形成样本数据集,根据所述样本数据集建立用于故障诊断的卷积神经网络;
目标输出结果获取模块,用于采集包含待测管道振动信息的光信号,将其输入至所述深度置信网络,得到目标输出结果;
目标监测结果获取模块,用于获取所述目标输出结果对应的时域波形信号,将其输入至所述卷积神经网络,获取目标监测结果,完成管道振动信号监测。
本发明还提供一种电子设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行所述管道振动信号监测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述管道振动信号监测方法。
本发明的有益效果:本发明中的管道振动信号监测方法,通过获取包含管道背景噪声的含噪信号,根据含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络,然后采用建立的深度置信网络对包含管道振动信息的光信号进行去噪处理,解决了振动信号中噪声干扰多且强的问题,从而提高了监测的准确度和实现了在噪声干扰下对管道振动信号的故障诊断。此外,本发明还通过对去噪后的包含待测管道振动信息的光信号进行标注,形成样本数据集,根据样本数据集建立用于故障诊断的卷积神经网络,采用建立的卷积神经网络对待测管道进行故障诊断,解决了振动信号故障特征提取困难的问题,从而实现了对油气管道损伤的监测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中管道振动信号监测方法的流程示意图;
图2是本发明实施例中样本信号的获取方法的流程示意图;
图3是本发明实施例中管道振动信号监测系统的流程示意图;
图4是本发明实施例中信号采集单元的流程示意图。
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。需说明的是,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。
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,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
第一实施例
图1是本发明在一实施例中提供的管道振动信号监测方法的流程示意图。
如图1所示,所述管道振动信号监测方法,包括步骤S110-S150:
S110,获取包含管道背景噪声的含噪信号,根据含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络;
S120,获取包含管道振动信息的光信号,将其输入至深度置信网络,获取样本信号;
S130,对样本信号进行标注,形成样本数据集,根据样本数据集建立用于故障诊断的卷积神经网络;
S140,采集包含待测管道振动信息的光信号,将其输入至深度置信网络,得到目标输出结果;
S150,获取目标输出结果对应的时域波形信号,将其输入至卷积神经网络,获取目标监测结果,完成管道振动信号监测。
在本实施例的步骤S110中,包含管道背景噪声的含噪信号可以先通过获取信号噪声程度较低的纯净振动信号,并采用将纯净振动信号和油气管道背景噪声相叠加的方式获取。具体地,可以根据油气管道所处环境可能存在的各种类别的噪声对纯净振动进行噪声叠加,从而得到含噪信号,例如可以叠加走动噪声、车辆行驶噪声、水流噪声等。通过叠加与油气管道所处环境相对应的噪声,以此生成含噪信号,并在此含噪信号的基础上建立反映信号参数与时频掩蔽的非线性映射关系的深度置信网络,并采用深度置信网络对包含管道振动信息的光信号进行去噪处理,解决了振动信号中噪声干扰多且强的问题,从而提高了监测的准确度和实现了在噪声干扰下对管道振动信号的故障诊断。
在一实施例中,深度置信网络模型由多个限制玻尔兹曼机堆叠而成。根据含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络,具体包括:获取含噪信号的信号参数,将其输入至所述深度置信网络,输出对应的时频掩蔽,对深度置信网络进行有监督的训练,训练结束后,固定深度置信网络的网络参数。具体地,将含噪信号的信号参数输入第1层限制玻尔兹曼机,经过训练后,得到所述第1层限制玻尔兹曼机的参数;将所述第1层限制玻尔兹曼机的输出数据输入第2层限制玻尔兹曼机,经过训练后,得到所述第2层限制玻尔兹曼机的参数,直到训练得到所有限制玻尔兹曼机的参数,固定深度置信网络的网络参数。
在一实施例中,对深度置信网络进行有监督的训练具体包括:将含噪信号的信号参数输入至深度置信网络,获取预测时频掩蔽;获取含噪信号的含噪幅度谱;根据预测时频掩蔽和含噪幅度谱得到预测幅度谱;获取含噪信号对应的纯净信号的纯净幅度谱;根据预测幅度谱和纯净幅度谱的差值调整深度置信网络的网络参数。
在一实施例中,信号参数包括幅度参数、感知线性预测系数、梅尔倒谱系数、伽马通滤波倒谱系数中的至少一种。时频掩蔽可采用Gammtone域的理想浮值掩蔽(Ideal RatioMask,IRM),时频掩蔽IRMgamm(t,f)的数学表达如下:
IBMgamm(t,f)表示时间帧t和频率f对应的时频单元的时频掩蔽;S2(t,f)和N2(t,f)则表示该时频单元的振动能量和噪声能量;β为调节因子;SNR(t,f)表示时间帧t和频率f对应的时频单元的信噪比。
在本实施例的步骤S120中,可以在油气管道同沟铺设单根单模光纤,从而构成相位敏感光时域反射计原理的分布式传感器,向光纤发送探测光脉冲,接收包含管道振动信息的光信号。具体地,探测光脉冲可以是可调衰减器调制的大功率窄线宽脉冲光;根据瑞利后向散射原理,由可调衰减器调制的大功率窄线宽脉冲光在光纤传播时发生瑞利后向散射。由于油气管道同沟铺设单根单模光纤,向光纤发送大功率窄线宽脉冲光,油气管道周边振动行为会造成光纤中传播的光信号的相位发生变化,这些相位变化后的光经过瑞利后向散射返回到光纤发射端被接收,瑞利后向散射光携带有振动信号,经光电转换模块分离出包含管道振动信息的光信号。
具体地,将时频振动信号输入深度置信网络,获取样本信号,样本信号的获取方法请参见图2,图2是本发明在一实施例中样本信号的获取方法的流程示意图。
如图2所示,样本信号的获取方法可以包括以下步骤S210-S230:
S210,将包含管道振动信息的光信号转换为时频振动信号;
S220,获取时频振动信号的信号参数,将其输入至深度置信网络,得到时频振动信号的时频掩蔽;
S230,根据时频振动信号的时频掩蔽和所述时频振动信号的信号参数进行波形重构处理,得到样本信号。
在本实施例的步骤S210中,将包含管道振动信息的光信号转换为时频振动信号具体包括:将包含管道振动信息的光信号转换为电信号,经过放大滤波,A/D转换得到原始振动信号;对原始振动信号进行分帧和加窗处理,得到若干个短时平稳信号;对短时平稳信号进行时频分解处理,得到时频振动信号。具体地,可以根据预设帧长和预设帧移对原始振动信号进行分帧和加窗处理,得到若干个短时平稳信号。其中,预设帧长和预设帧移可以结合实际情况进行设定,例如预设帧长设为30ms,预设帧移设为15ms。通过对原始振动信号进行分帧、加窗处理,可以避免频谱的泄露。可以采用短时傅里叶变换或者Gammatone滤波模型等方式对短时平稳信号进行时频分解处理。
在本实施例的步骤S240中,信号参数包括幅度参数、感知线性预测系数、梅尔倒谱系数、伽马通滤波倒谱系数中的至少一种。根据时频振动信号的时频掩蔽和时频振动信号的信号参数进行波形重构处理得到样本信号包括:根据时频振动信号的时频掩蔽和时频振动信号的信号参数获取时域波形信号的振动幅度谱;然后根据时域波形信号的振动幅度谱和时频振动信号的相位信息获取时域波形信号的振动频谱;最后将时域波形信号的振动频谱进行逆Gammatone滤波,得到时频振动信号去噪后的时域波形信号;样本信号为时频振动信号去噪后的时域波形信号。
具体地,时域波形信号的振动幅度谱的数学表达为:
S(t,f)=M(t,f)×IRM(t,f);
S(t,f)为时域波形信号的振动幅度谱,M(t,f)为时频振动信号的信号参数,IRM(t,f)为时频振动信号的时频掩蔽。
时域波形信号的振动频谱的数学表达为:
在本实施例的步骤S130中,对样本信号进行标注形成样本数据集包括:对样本信号进行时频转换,形成频域数据集;对频域数据集进行标注,形成样本数据集,将样本数据集划分为训练集和测试集。具体地,可以采用快速傅立叶变换方式对样本信号进行时频转换形成频域数据集。通过将样本信号进行时频转换,得到对管道损伤信息更加敏感的频域数据集,对频域数据集进行标注形成样本数据集,然后根据样本数据集建立用于故障诊断的卷积神经网络,从而提高了卷积神经网络对待测管道故障识别的准确性。采用此卷积神经网络对待测管道进行故障诊断,解决了振动信号故障特征提取困难的问题,从而实现了对油气管道损伤的监测。
在一实施例中,卷积神经网络为一维卷积神经网络;将训练集输入至一维卷积神经网络,采用前向传播训练一维卷积神经网络;将测试集输入至一维卷积神经网络,得到测试结果;若测试结果不符合预设条件,则采用反向传播更新一维卷积神经网络的网络参数。一维卷积神经网络包括卷积层、批标准化层、池化层、全连接层,将标注好的样本数据集训输入一维卷积神经网络中,通过前向传导和反向传播训练一维卷积神经网络,学习深层特征表示,从而实现对管道的监测。
在本实施例的步骤S140中,包含待测管道振动信息的光信号可以采用步骤S120中的方式采集,向光纤发送探测光脉冲,接收待测包含管道振动信息的光信号。将待测包含管道振动信息的光信号转换为电信号,经过放大滤波,A/D转换得到原始待测振动信号;对原始待测振动信号进行分帧和加窗处理、时频分解处理,得到待测时频振动信号。获取待测时频振动信号的信号参数,将待测时频振动信号的信号参数输入至步骤S110中建立的深度置信网络,得到目标输出结果,此目标输出结果为待测时频振动信号对应的时频掩蔽。
在本实施例的步骤S150中,目标输出结果对应的时域波形信号可以采用步骤S240中样本信号的获取方法进行获取。通过将待测时频振动信号的信号参数输入至步骤S110中建立的深度置信网络得到目标输出结果,然后获取目标输出结果对应的时域波形信号,从而实现了对待测管道振动信息的光信号的去噪处理。然后将时域波形信号输入至步骤S130中建立的卷积神经网络,获取目标监测结果,完成管道振动信号监测。具体地,目标监测结果包括正常和异常。
第二实施例
基于与第一实施例中方法相同的发明构思,相应的,本实施例还提供了一种管道振动信号监测系统。
图3为本发明提供的管道振动信号监测系统的流程示意图。
如图3所示,所示系统3包括:31深度置信网络建立模块、32样本信号获取模块、33卷积神经网络建立模块、34目标输出结果获取模块以及35目标监测结果获取模块。
其中,深度置信网络建立模块,用于获取包含管道背景噪声的含噪信号,根据含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络;
样本信号获取模块,用于获取包含管道振动信息的光信号,将其输入至深度置信网络,获取样本信号;
卷积神经网络建立模块,用于对样本信号进行标注,形成样本数据集,根据样本数据集建立用于故障诊断的卷积神经网络;
目标输出结果获取模块,用于采集包含待测管道振动信息的光信号,将其输入至深度置信网络,得到目标输出结果;
目标监测结果获取模块,用于获取目标输出结果对应的时域波形信号,将其输入至卷积神经网络,获取目标监测结果,完成管道振动信号监测。
在一些示例性实施例中,目标输出结果获取模块包括信号采集单元和目标输出结果获取单元,信号采集单元用于采集包含待测管道振动信息的光信号,目标输出结果获取单元用于将待测管道振动信息的光信号输入至深度置信网络,得到目标输出结果。
在一些示例性实施例中,信号采集单元的流程示意图请参见图4,信号采集单元包括分布式传感器、光电转换器、放大滤波模块和模数转换模块。具体地,信号采集单元包括与待测油气管道同沟铺设的单根单模光纤所构成相位敏感光时域反射计原理的分布式传感器,分布式传感器包括单根光纤、耦合器、光源模块和光纤传感光路模块。具体地,光源模块向光纤发送探测光脉冲,待测油气管道周边振动行为会造成光纤中传播的光信号的相位发生变化,这些相位变化后的光经过瑞利后向散射返回到光纤发射端被光纤传感光路模块接收,瑞利后向散射光携带有振动信号,经光电转换器分离出携带有振动信息的光信号,同时将光信号转换为电信号,经过放大滤波模块对其进行放大滤波,经模数转换模块进行A/D转换得到原始待测振动信号。
在一些示例性实施例中,深度置信网络建立模块包括:
深度置信网络建立单元,用于获取所述含噪信号的信号参数,将其输入至所述深度置信网络,输出对应的时频掩蔽,对所述深度置信网络进行有监督的训练,训练结束后,固定深度置信网络的网络参数;
深度置信网络参数调整单元,用于将含噪信号的信号参数输入至深度置信网络,获取预测时频掩蔽;获取含噪信号的含噪幅度谱;根据预测时频掩蔽和含噪幅度谱得到预测幅度谱;获取含噪信号对应的纯净信号的纯净幅度谱;根据预测幅度谱和纯净幅度谱的差值调整深度置信网络的网络参数。
在一些示例性实施例中,样本信号获取模块包括:
时频转换单元,用于将包含管道振动信息的光信号转换为时频振动信号;
时频掩蔽获取单元,用于获取时频振动信号的信号参数,将其输入至深度置信网络,得到时频振动信号的时频掩蔽;
样本信号获取单元,用于根据时频振动信号的时频掩蔽和时频振动信号的信号参数进行波形重构处理,得到样本信号。
在一些示例性实施例中,卷积神经网络建立模块包括:
频域数据集获取单元,用于对样本信号进行时频转换,形成频域数据集;
样本数据集获取单元,用于对频域数据集进行标注,形成样本数据集,样本数据集包括训练集和测试集;
训练单元,用于将训练集输入至卷积神经网络,并对卷积神经网络进行训练;
测试结果获取单元,用于将测试集输入至卷积神经网络,得到测试结果;
参数调整单元,用于若测试结果不符合预设条件,则调整卷积神经网络的网络参数。
在一些示例性实施例中,卷积神经网络建立模块还包括:
训练子单元,用于将训练集输入至卷积神经网络,采用前向传播训练卷积神经网络,卷积神经网络为一维卷积神经网络;
测试结果获取子单元,用于将测试集输入至所述一维卷积神经网络,得到测试结果;
参数调整子单元,用于若测试结果不符合预设条件,则采用反向传播更新一维卷积神经网络的网络参数。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子设备,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子设备执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),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。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,说明书对“本实施例”、“一实施例”、“另一实施例”、“在一些示例性实施例”或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中,尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如,其他存储结构(例如,动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种管道振动信号监测方法,其特征在于,所述方法包括:
获取包含管道背景噪声的含噪信号,根据所述含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络;
获取包含管道振动信息的光信号,将其输入至所述深度置信网络,获取样本信号;
对所述样本信号进行标注,形成样本数据集,根据所述样本数据集建立用于故障诊断的卷积神经网络;
采集包含待测管道振动信息的光信号,将其输入至所述深度置信网络,得到目标输出结果;
获取所述目标输出结果对应的时域波形信号,将其输入至所述卷积神经网络,获取目标监测结果,完成管道振动信号监测。
2.根据权利要求1所述的管道振动信号监测方法,其特征在于,所述根据所述含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络,具体包括:
获取所述含噪信号的信号参数,将其输入至所述深度置信网络,输出对应的时频掩蔽,对所述深度置信网络进行有监督的训练,训练结束后,固定所述深度置信网络的网络参数。
3.根据权利要求2所述的管道振动信号监测方法,其特征在于,所述方法还包括:
将所述含噪信号的信号参数输入至深度置信网络,获取预测时频掩蔽;
获取所述含噪信号的含噪幅度谱;
根据所述预测时频掩蔽和所述含噪幅度谱得到预测幅度谱;
获取所述含噪信号对应的纯净信号的纯净幅度谱;
根据所述预测幅度谱和所述纯净幅度谱的差值调整所述深度置信网络的网络参数。
4.根据权利要求1所述的管道振动信号监测方法,其特征在于,所述对所述样本信号进行标注,形成样本数据集,根据所述样本数据集建立用于故障诊断的卷积神经网络,具体包括:
对所述样本信号进行时频转换,形成频域数据集;
对所述频域数据集进行标注,形成样本数据集,所述样本数据集包括训练集和测试集;
将所述训练集输入至所述卷积神经网络,并对所述卷积神经网络进行训练;
将所述测试集输入至所述卷积神经网络,得到测试结果;
若所述测试结果不符合预设条件,则调整所述卷积神经网络的网络参数。
5.根据权利要求4所述的管道振动信号监测方法,其特征在于,所述方法还包括:
将所述训练集输入至所述卷积神经网络,采用前向传播训练所述卷积神经网络,所述卷积神经网络为一维卷积神经网络;
将所述测试集输入至所述一维卷积神经网络,得到测试结果;
若所述测试结果不符合预设条件,则采用反向传播更新所述一维卷积神经网络的网络参数。
6.根据权利要求1所述的管道振动信号监测方法,其特征在于,所述获取包含管道振动信息的光信号,将其输入至所述深度置信网络,获取样本信号,具体包括:
将所述包含管道振动信息的光信号转换为时频振动信号;
获取所述时频振动信号的信号参数,将其输入至所述深度置信网络,得到所述时频振动信号的时频掩蔽;
根据所述时频振动信号的时频掩蔽和所述时频振动信号的信号参数进行波形重构处理,得到样本信号,所述样本信号为所述时频振动信号去噪后的时域波形信号。
7.根据权利要求1所述的管道振动信号监测方法,其特征在于,所述信号参数包括幅度参数、感知线性预测系数、梅尔倒谱系数、伽马通滤波倒谱系数中的至少一种。
8.一种管道振动信号监测系统,其特征在于,所述系统包括:
深度置信网络建立模块,用于获取包含管道背景噪声的含噪信号,根据所述含噪信号建立用于反映信号参数与时频掩蔽的非线性映射关系的深度置信网络;
样本信号获取模块,用于获取包含管道振动信息的光信号,将其输入至所述深度置信网络,获取样本信号;
卷积神经网络建立模块,用于对所述样本信号进行标注,形成样本数据集,根据所述样本数据集建立用于故障诊断的卷积神经网络;
目标输出结果获取模块,用于采集包含待测管道振动信息的光信号,将其输入至所述深度置信网络,得到目标输出结果;
目标监测结果获取模块,用于获取所述目标输出结果对应的时域波形信号,将其输入至所述卷积神经网络,获取目标监测结果,完成管道振动信号监测。
9.一种电子设备,其特征在于,包括处理器、存储器和通信总线;
所述通信总线用于将所述处理器和存储器连接;
所述处理器用于执行所述存储器中存储的计算机程序,以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序用于使所述计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888910.8A CN113792585B (zh) | 2021-08-03 | 2021-08-03 | 一种管道振动信号监测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888910.8A CN113792585B (zh) | 2021-08-03 | 2021-08-03 | 一种管道振动信号监测方法、系统、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792585A CN113792585A (zh) | 2021-12-14 |
CN113792585B true CN113792585B (zh) | 2023-06-27 |
Family
ID=79181356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110888910.8A Active CN113792585B (zh) | 2021-08-03 | 2021-08-03 | 一种管道振动信号监测方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792585B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114544172A (zh) * | 2022-01-19 | 2022-05-27 | 武汉理工大学 | 基于深度置信网络的旋转机械故障诊断方法、系统及介质 |
CN115574929A (zh) * | 2022-10-09 | 2023-01-06 | 正泰集团研发中心(上海)有限公司 | 电器的振动检测方法、装置、电子设备及存储介质 |
CN116011183B (zh) * | 2022-12-08 | 2023-09-15 | 中国石油大学(北京) | 在役油气管道检测方法、装置、设备和存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6965320B1 (en) * | 2001-10-31 | 2005-11-15 | Star Trak Pigging Technologies, Inc. | Cathodic test lead and pig monitoring system |
WO2015192869A1 (de) * | 2014-06-16 | 2015-12-23 | Vonroll Infratec (Investment) Ag | Verfahren und messvorrichtung zur ortung eines lecks in einem leitungsnetz für gasförmige oder flüssige medien |
CN108227001A (zh) * | 2017-12-31 | 2018-06-29 | 吉林大学 | 基于snmf-2d时频谱分离的沙漠低频噪声消减方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109077714A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
CN109255646A (zh) * | 2018-07-27 | 2019-01-22 | 国政通科技有限公司 | 利用大数据进行深度学习以提供增值服务的方法、系统 |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110220708A (zh) * | 2019-04-24 | 2019-09-10 | 邯郸钢铁集团有限责任公司 | 一种基于改进小波算法的轴承信号降噪方法 |
CN110657760A (zh) * | 2019-06-11 | 2020-01-07 | 北京无限光场科技有限公司 | 基于人工智能的测量空间面积的方法、装置及存储介质 |
CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
CN110875912A (zh) * | 2018-09-03 | 2020-03-10 | 中移(杭州)信息技术有限公司 | 一种基于深度学习的网络入侵检测方法、装置和存储介质 |
CN110987434A (zh) * | 2019-12-18 | 2020-04-10 | 中国民航大学 | 一种基于去噪技术的滚动轴承早期故障诊断方法 |
CN111261148A (zh) * | 2020-03-13 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 语音模型的训练方法、语音增强处理方法及相关设备 |
CN112729688A (zh) * | 2021-01-12 | 2021-04-30 | 南京大学 | 基于振动和温度双参量的油气管道泄漏检测方法 |
-
2021
- 2021-08-03 CN CN202110888910.8A patent/CN113792585B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6965320B1 (en) * | 2001-10-31 | 2005-11-15 | Star Trak Pigging Technologies, Inc. | Cathodic test lead and pig monitoring system |
WO2015192869A1 (de) * | 2014-06-16 | 2015-12-23 | Vonroll Infratec (Investment) Ag | Verfahren und messvorrichtung zur ortung eines lecks in einem leitungsnetz für gasförmige oder flüssige medien |
CN108227001A (zh) * | 2017-12-31 | 2018-06-29 | 吉林大学 | 基于snmf-2d时频谱分离的沙漠低频噪声消减方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109077714A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
CN109255646A (zh) * | 2018-07-27 | 2019-01-22 | 国政通科技有限公司 | 利用大数据进行深度学习以提供增值服务的方法、系统 |
CN110875912A (zh) * | 2018-09-03 | 2020-03-10 | 中移(杭州)信息技术有限公司 | 一种基于深度学习的网络入侵检测方法、装置和存储介质 |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110220708A (zh) * | 2019-04-24 | 2019-09-10 | 邯郸钢铁集团有限责任公司 | 一种基于改进小波算法的轴承信号降噪方法 |
CN110657760A (zh) * | 2019-06-11 | 2020-01-07 | 北京无限光场科技有限公司 | 基于人工智能的测量空间面积的方法、装置及存储介质 |
CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
CN110987434A (zh) * | 2019-12-18 | 2020-04-10 | 中国民航大学 | 一种基于去噪技术的滚动轴承早期故障诊断方法 |
CN111261148A (zh) * | 2020-03-13 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 语音模型的训练方法、语音增强处理方法及相关设备 |
CN112729688A (zh) * | 2021-01-12 | 2021-04-30 | 南京大学 | 基于振动和温度双参量的油气管道泄漏检测方法 |
Non-Patent Citations (2)
Title |
---|
基于动态压力信号的管道泄漏特征提取方法研究;张宇;靳世久;何静菁;陈世利;李健;;石油学报(第02期);第170-174页 * |
基于谐波小波分析的管道小泄漏诊断方法;胡瑾秋;张来斌;梁伟;王朝晖;;中国石油大学学报(自然科学版)(第04期);第124-130页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113792585A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792585B (zh) | 一种管道振动信号监测方法、系统、电子设备及介质 | |
Yan et al. | Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis | |
Sun et al. | Natural gas pipeline small leakage feature extraction and recognition based on LMD envelope spectrum entropy and SVM | |
Zhao et al. | Dual-scale cascaded adaptive stochastic resonance for rotary machine health monitoring | |
Li et al. | Multi-scale autocorrelation via morphological wavelet slices for rolling element bearing fault diagnosis | |
CN111126603A (zh) | 基于神经网络模型的设备故障预测方法、装置及设备 | |
Wu et al. | Fault gear identification using vibration signal with discrete wavelet transform technique and fuzzy–logic inference | |
Dong et al. | Structural damage detection using empirical-mode decomposition and vector autoregressive moving average model | |
CN105973593A (zh) | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 | |
JP6677300B2 (ja) | 震央距離推定装置、震央距離推定方法、及びプログラム | |
Mikami et al. | Wavelet packet based damage detection in beam-like structures without baseline modal parameters | |
CN109029999A (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
CN111895278A (zh) | 城市供水管网漏点定位方法、装置、设备及存储介质 | |
Jiang et al. | Differential spectral amplitude modulation and its applications in rolling bearing fault diagnosis | |
Bajric et al. | Evaluation of damping estimates in the presence of closely spaced modes using operational modal analysis techniques | |
EP2994766B1 (fr) | Procédé de compensation des inhomogénéités de propagation pour un signal de reflectométrie temporelle | |
Mark et al. | Early detection of gear-tooth bending-fatigue damage by the Average-Log-Ratio ALR algorithm | |
WO2016188740A1 (fr) | Procede d'analyse d'un cable, impliquant un traitement d'amplification de la signature d'un defaut non franc | |
Boutkedjirt et al. | Reconstruction of ultrasonic fields by deconvolving the hydrophone aperture effects: I. Theory and simulation | |
KR20130064403A (ko) | 매설배관 누설 탐지용 상호상관함수기법의 정확도 향상을 위한 기계 잡음 제거 방법 | |
US11703189B2 (en) | Fluid leakage diagnosing device, fluid leakage diagnosing system, fluid leakage diagnosing method, and recording medium storing fluid leakage diagnosing program | |
Bisht | Methods for structural health monitoring and damage detection of civil and mechanical systems | |
Aliev et al. | Algorithms for determining the coefficient of correlation and cross-correlation function between a useful signal and noise of noisy technological parameters | |
Liu et al. | Research on online monitoring technology for transmission tower bolt looseness | |
Tang et al. | Sparse sensor networks for active structural health monitoring using highly integrated CMOS transceivers |
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 | ||
CB02 | Change of applicant information |
Address after: 400000 6-1, 6-2, 6-3, 6-4, building 7, No. 50, Shuangxing Avenue, Biquan street, Bishan District, Chongqing Applicant after: CHONGQING ZHAOGUANG TECHNOLOGY CO.,LTD. Address before: 400000 2-2-1, 109 Fengtian Avenue, tianxingqiao, Shapingba District, Chongqing Applicant before: CHONGQING ZHAOGUANG TECHNOLOGY CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |