CN113864665B - 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 - Google Patents
基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 Download PDFInfo
- Publication number
- CN113864665B CN113864665B CN202111174673.5A CN202111174673A CN113864665B CN 113864665 B CN113864665 B CN 113864665B CN 202111174673 A CN202111174673 A CN 202111174673A CN 113864665 B CN113864665 B CN 113864665B
- Authority
- CN
- China
- Prior art keywords
- leakage
- signal
- matrix
- imf
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000012530 fluid Substances 0.000 title claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 title claims description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000000926 separation method Methods 0.000 claims abstract description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012880 independent component analysis Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种基于自适应ICA和改进的RLS滤波器的流体管道泄漏定位方法,属于管道泄漏检测领域。该方法包括:采用自适应CEEMDAN算法将采集到的泄漏振动信号分解为有限个IMF分量,通过计算各分量与其对应泄漏振动信号的欧氏距离滤除不相关的IMF分量,并利用筛选得到的IMF分量构造ICA中的观测信号矩阵,通过自适应ICA的最大似然估计将实时泄漏振动信号与管道的脉冲响应卷积进行强去相关和分离,得到源泄漏振动信号;利用TOPSIS算法自适应确定RLS滤波器的滤波阶数和遗忘因子;最后利用优化后的RLS滤波器对源泄漏振动信号的时延进行迭代计算,从而实现管道泄漏的定位。
Description
技术领域
本发明属于管道泄漏检测领域,涉及一种基于自适应ICA和改进的RLS滤波器的流体管道泄漏定位方法。
背景技术
随着石油、天然气管道服役时间的增长,管道会因腐蚀或外力作用造成损伤,使得管道的健康状况逐渐恶化,传输安全不能得到保障,造成经济上的重大损失甚至危及人类的生命安全。在实际流体管道中,通过传感器采集的振动信号包含大量噪声,使得其信号自身信噪比降低,导致互相关时延估计误差大,从而影响了管道泄漏定位精度。所以需要对采集的管道泄漏振动信号进行去噪处理,提高信噪比并降低时延估计的误差,从而提高管道泄漏定位精度。孙立瑛等提出了一种基于经验模态分解(Empirical mode decomposition,EMD)的信号分析方法(孙立瑛,李一博,曲志刚,靳世久,周琰.EMD信号分析方法的声发射管道泄漏检测研究[J].振动与冲击,2007(10):161-164+195.)。该方法采用EMD将管道泄漏产生的声发射信号分解为多个平稳的固有模态函数(Intrinsic mode functions,IMF),选择包含声发射特征的IMF分量进行重构,可以得到声发射信号的本质特征,去除噪声的干扰,再将重构的信号进行互相关分析,从而提高了管道泄漏的定位精度。但是,由于实际采集到的振动信号具有复杂性,EMD无法将具有不同特征时间尺度的成分完全分离开来,导致产生模态混叠现象,也就无法对管道泄漏进行准确定位。公开号为CN110939874A的专利申请(CN110939874A)公开了一种基于四阶累积量的管道泄漏振动信号自适应时延估计方法,首先将泄漏振动信号进行自、互四阶累积量运算得到一维切片,然后将这两个一维切片作为两个新的时域信号,采用递归最小二乘滤波器滤除相关噪声,从而提高了信噪比,减少时延估计误差,可以有效减少泄漏定位误差。但是这种方法不能消除泄漏点和传感器之间的脉冲响应对管道泄漏定位的影响,并且该方法中的递归最小二乘滤波器是根据人为经验来设置参数滤波阶数和遗忘因子,而这两个参数会影响递归最小二乘滤波器的收敛速度和跟踪性能,从而影响自适应时延估计的性能,故参数的设置不当会导致管道泄漏定位出现误差。
发明内容
有鉴于此,本发明的目的在于提供一种基于自适应独立成分分析(Independentcomponent analysis,ICA)和由优劣解距离法(Technique for order preferencebysimilarity to ideal solution,TOPSIS)改进的递归最小二乘法(Recursive leastsquare,RLS)滤波器的流体管道泄漏定位方法,用于解决实时泄漏振动信号与管道的脉冲响应发生卷积以及传统递归最小二乘滤波器中人为经验确定滤波阶数和遗忘因子所导致的泄漏定位精度不高的情况。
为达到上述目的,本发明提供如下技术方案:
一种基于自适应ICA和改进的RLS滤波器的流体管道泄漏定位方法,包括以下步骤:
S1:获取流体管道的泄漏振动信号;
S2:采用自适应噪声完备经验模态分解(Complete ensemble empirical modedecomposition with adaptive noise,CEEMDAN)算法将采集到的泄漏振动信号分解为有限个IMF分量,通过计算各分量与其对应泄漏振动信号的欧氏距离滤除不相关的IMF分量,并利用筛选得到的IMF分量构造ICA中的观测信号矩阵,通过基于自适应ICA的最大似然估计方法将实时泄漏振动信号与管道的脉冲响应卷积进行强去相关和分离,提取得到源泄漏振动信号;
S3:利用TOPSIS算法自适应确定RLS滤波器的滤波阶数和遗忘因子,从而优化RLS滤波器的收敛速度和跟踪性能;
S4:利用优化后的RLS滤波器对源泄漏振动信号的时延进行迭代计算,从而实现管道泄漏的定位。
该方法有效消除了泄漏点和传感器之间的脉冲响应对管道泄漏定位的影响,提高了信噪比,并优化了RLS滤波器的收敛速度和跟踪性能,降低了泄漏振动信号的时延估计误差,从而提高了泄漏定位精度。
进一步,步骤S1中,获取流体管道的泄漏振动信号,具体包括:流体管道泄漏产生的泄漏振动信号,沿管道向两端传输,被管道两端的加速度传感器拾取经采样后得到两路泄漏振动信号x1(t)和x2(t),表示如下:
x1(t)=ω1(t)*v(t)+n1(t) (1)
x2(t)=αω2(t)*v(t-τ)+n2(t) (2)
其中,t为离散时间变量,x1(t)和x2(t)是分别与n1(t)和n2(t)不相关的平稳随机信号,且n1(t)和n2(t)是不相关的,v(t)是源泄漏振动信号,ω1(t)和ω2(t)是泄漏点和第一传感器及第二传感器之间的脉冲响应,τ为时间延迟,α为衰减因子。
进一步,步骤S2中,对泄漏振动信号x1(t)和x2(t)进行CEEMDAN算法分解,并通过欧氏距离对两信号各自分解得到的模态分量进行筛选,最后利用两信号各自筛选得到的m个IMF分量构造ICA中的观测信号矩阵,具体包括以下步骤:
S201:求解第一阶模态分量,将服从标准正态分布的成对的正负高斯白噪声添加到待分解信号中,即有:
x(t)+(-1)kεni(t)(3)
其中,k∈{1,2},i=1,2,3,...,N,k为系数,ε为噪声的标准差,ni(t)为第i次添加白噪声;
S202:对添加噪声后的信号进行EMD分解,得到多个IMF分量;再对多个IMF分量求平均值,得到的均值和第一阶剩余分量r1(t),/>即为第一阶最终模态分量IMF1(t),具体表达式如下:
再求第二阶模态分量,将成对高斯白噪声加入到第一阶剩余分量r1(t)中,并对其进行EMD分解,同上述方法求得第二阶最终模态分量IMF2(t)和第二阶剩余分量r2(t),具体表达式如下:
重复上述步骤直到剩余信号不可分,最终得到n个模态分量,即为:
IMF1(t),IMF2(t),IMF3(t),...,IMFn(t)(10)
故管道泄漏振动信号x1(t)和x2(t)的分解结果如下式(11)和(12):
其中,
S203:通过计算各IMF分量与其对应泄漏振动信号的欧氏距离来滤除不相关的模态分量,从而消除泄漏信号中的外部噪声,如下式(13):
将两泄漏信号各自通过欧氏距离筛选得到的m个IMF分量构造为ICA中的观测信号矩阵,则有X1(t)和X2(t):
进一步,步骤S2中,采用的基于自适应ICA的最大似然估计方法,具体包括以下步骤:
S211:假设源信号有概率密度函数ps,则观测信号的联合分布函数表示为:
其中,W=A-1,W是W的行列式,W是由观测矩阵X估计出的分离矩阵,A为混合矩阵,S为源信号矩阵,pi是独立成分分量的密度;
由于没有先验知识,只知道源信号之间相互独立,所以无法确定的ps分布函数,故需要选取一个概率密度函数来近似估计ps。由于概率密度函数是由累积分布函数求导得到,在满足所求累积分布函数是单调递增且值域在[0,1]范围性质的前提下,选取sigmoid函数作为累积分布函数g(s)=1/(1+e-s),对其求导则确定ps=g′(s);
S212:对于各模态分量构造的观测信号,有对数似然函数:
其中,T'为独立同分布观测数据的样本数;
然后,对似然函数L(W)做最大化处理,即可获得关于W的最佳估计;其中,最大化处理采用的是梯度下降法,将式(16)对W求导,结果如下所示:
当迭代出分离矩阵W时,即可得到S=WX,从而可以还原出无管道脉冲响应的独立源信号,再对其进行ICA逆变换并累加,最后得到无管道脉冲响应的源泄漏振动信号z1(t)和z2(t)。
进一步,步骤S3中,利用TOPSIS算法自适应确定RLS滤波器的滤波阶数和遗忘因子,具体包括以下步骤:
S31:构建决策矩阵:将收敛速度、均方偏差和失调量对参数滤波阶数(遗忘因子)的贡献值定义为决策矩阵;
S32:构造规范矩阵:对决策矩阵进行归一化处理,得到规范矩阵Z;
S33:构造加权矩阵:进一步确定各个量化评估指标的权重系数,并对步骤S32中的规范矩阵Z进行加权,得到加权矩阵Z*;
S34:寻找最优、最劣方案:最优方案由Z*中每列元素的最大值构成,最劣方案由Z*中每列元素的最小值构成;
S35:确定最优解集:利用欧氏距离计算评估指标对最优、最劣方案的距离,并进一步得到不同参数值设置的相对接近程度作为参数的综合评估值,以确定参数的最优值。
进一步,步骤S4中,优化后的RLS滤波器的自适应时延估计,具体包括以下步骤:
S41:根据步骤S3中确定的滤波阶数和遗忘因子的最优值来设置RLS滤波器的参数,并进行初始化处理,如下式所示:
w(0)=0,P(0)=δ-1I (18)
其中,w表示权向量,P表示逆相关矩阵,δ表示正则化参数,当信噪比较高时,取小正数,当信噪比较低时,取大正数。
S42:将步骤S212中得到的源泄漏振动信号z1(t)作为改进RLS滤波器的输入向量u(n),并将z2(t)作为期望响应d(n),输入向量u(n)通过横向滤波器处理得到滤波后向量y(n),如下式:
y(n)=wH(n-1)u(n) (19)
则有误差:
e(n)=d(n)-y(n) (20)
经过如式(21)表示的中间变量矩阵k(n),有权向量w(n)如式(22)所示:
w(n)=w(n-1)+k(n)e(n) (22)
通过式(19)~(22)的多次迭代运算获得滤波器权系数曲线,然后根据式(23)和(24)得到峰值偏移得到时延估计τ;
D=arg{max[w(n)]} (23)
τ=D/fs (24)
其中fs为采样频率。
进一步,步骤S4中,实现管道泄漏的定位,具体包括:在输水管道上进行了多次泄漏声波波速标定,将标定得到的声波波速c和第一传感器与第二传感器之间的距离L代入式(25)确定泄漏点位置;
其中,其中l1为泄漏点与第一传感器的距离。
本发明的有益效果在于:本发明通过自适应ICA的最大似然估计法将实时泄漏信号与管道的的脉冲响应卷积进行强去相关和分离,并提取到源泄漏振动信号,提高了信噪比,然后利用TOPSIS算法自适应确定RLS滤波器的滤波阶数和遗忘因子,将RLS滤波器的收敛速度、均方偏差和失调量作为量化评估指标,利用TOPSIS算法对参数滤波阶数和遗忘因子进行评估,以确定二者的最优值,从而解决传统RLS滤波器因参数设置不合适所导致的收敛速度慢和跟踪性能差的问题,利用优化后的RLS滤波器对源振动信号的时延进行迭代计算,可以降低时延估计误差。由此,通过该方法可以消除泄漏点和传感器之间的脉冲响应对管道泄漏定位的影响,提升RLS滤波器的收敛速度和跟踪性能,提高管道泄漏定位精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明基于自适应ICA和改进的RLS滤波器的流体管道泄漏定位方法流程图。
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,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。
流体管道泄漏产生的振动信号在沿着管道传输时,会与泄漏点和传感器之间的脉冲响应发生卷积,在此过程中还会产生外部噪声干扰,最终被管道两端加速度传感器拾取,对其进行采样后,两路泄漏振动信号分别表示为x1(t)和x2(t),对两信号进行如图1所示处理过程求取时间延迟估计,从而确定管道泄漏位置。具体步骤如下:
步骤1:获取供水管道泄漏振动信号;
流体管道泄漏产生的泄漏振动信号,沿管道向两端传输,被管道两端的加速度传感器拾取经采样后得到两路泄漏振动信号x1(t)和x2(t),表示如下:
x1(t)=ω1(t)*v(t)+n1(t) (1)
x2(t)=αω2(t)*v(t-τ)+n2(t) (2)
其中,t为离散时间变量,x1(t)和x2(t)是分别与n1(t)和n2(t)不相关的平稳随机信号,且n1(t)和n2(t)是不相关的,v(t)是源泄漏振动信号,ω1(t)和ω2(t)是泄漏点和第一传感器及第二传感器之间的脉冲响应,τ为时间延迟,α为衰减因子。
步骤2:利用CEEMDAN算法构造观测信号;
对步骤1中获取泄漏振动信号x1(t)和x2(t)进行CEEMDAN分解,并通过欧氏距离对两信号各自分解得到的模态分量进行筛选,最后利用两信号各自筛选得到的m个IMF分量构造ICA中的观测信号矩阵,具体步骤如下:
首先求解第一阶模态分量,将服从标准正态分布的成对的正负高斯白噪声添加到待分解信号中,即有:
x(t)+(-1)kεni(t) (3)
其中,k∈{1,2},i=1,2,3,...,N,k为系数,ε为噪声的标准差,ni(t)为第i次添加白噪声。
然后对添加噪声后的信号进行EMD分解,得到多个IMF分量;再对多个IMF分量求平均值,得到的均值和第一阶剩余分量r1(t),/>即为第一阶最终模态分量IMF1(t),具体表达式如下:
再求第二阶模态分量,将成对高斯白噪声加入到第一阶剩余分量r1(t)中,并对其进行EMD分解,同上步方法求得第二阶最终模态分量IMF2(t)和第二阶剩余分量r2(t),具体表达式如下:
重复上述步骤直到剩余信号不可分,最终得到n个模态分量,即为:
IMF1(t),IMF2(t),IMF3(t),...,IMFn(t)(10)
故管道泄漏振动信号x1(t)和x2(t)的分解结果如下式(11)和(12):
其中,
然后通过计算各IMF分量与其对应泄漏振动信号的欧氏距离来滤除不相关的模态分量,从而消除泄漏信号中的外部噪声,如式(13)所示:
将两泄漏信号各自通过欧氏距离筛选得到的m个IMF分量构造为ICA中的观测信号矩阵,则有X1(t)和X2(t):
步骤3:自适应ICA算法的最大似然估计;
ICA是一个不断迭代优化的过程,可以实现从观测信号中分离出各独立成分,并使其最大程度接近各源信号。假设S(t)=[s1(t),s2(t),...,sn(t)]T为一组相互独立的非高斯源信号,X(t)=[x1(t),x2(t),...,xm(t)]T为一组观测信号,各观测信号是由源信号各线性组合而成,其矩阵表示为
X=AS (15)
式中,X是观测矩阵,A为混合矩阵,S为源信号矩阵。
ICA实现的是在源信号矩阵S和混合矩阵A都未知时,由观测矩阵X估计出分离矩阵W,用输出矩阵Y估计出源信号S,即
Y=WX=WAS (16)
为了提取到源振动信号,需要估计出管道的脉冲响应,本发明采用基于最大似然估计的ICA算法。
首先,ICA的观测矩阵已经由步骤2筛选得到的各模态分量所构造确定,即X1(t)和X2(t),然后,假设源信号有概率密度函数ps,则观测信号的联合分布函数表示为:
其中,W=A-1,|W|是W的行列式,pi是独立成分分量的密度。
由于没有先验知识,只知道源信号之间相互独立,所以无法确定的ps分布函数,故需要选取一个概率密度函数来近似估计ps。由于概率密度函数是由累积分布函数求导得到,在满足所求累积分布函数是单调递增且值域在[0,1]范围性质的前提下,选取sigmoid函数作为累积分布函数g(s)=1/(1+e-s),对其求导则确定ps=g′(s)。
对于各模态分量构造的观测信号,有对数似然函数:
其中,T'为独立同分布观测数据的样本数。
然后,只需对此似然函数做最大化处理,即可获得关于W的最佳估计。其中,最大化处理采用的是梯度下降法,将式(18)对W求导,结果如下所示:
当迭代出分离矩阵W时,即可得到S=WX,从而可以还原出无管道脉冲响应的独立源信号,再对其进行ICA逆变换并累加,最后得到无管道脉冲响应的振动信号z1(t)和z2(t)。
步骤4:利用TOPSIS算法确定RLS的滤波阶数和遗忘因子;
由于RLS算法中的滤波阶数和遗忘因子是依靠人为经验确定的,这将导致基于RLS算法的自适应时延估计方法产生误差。本发明利用TOPSIS算法确定参数滤波阶数和遗忘因子的最优设置,以降低时延估计误差。
将RLS算法的收敛速度、均方偏差和失调量作为量化评估指标,用于对参数滤波阶数和遗忘因子的评估。将参数滤波阶数(遗忘因子)的值作为一个方案,各量化评估指标作为方案的属性,从而将参数优化问题转变成多目标决策问题,其具体流程如下:
(1)构建决策矩阵:将收敛速度、均方偏差和失调量对参数滤波阶数(遗忘因子)的贡献值定义为决策矩阵X=(xij)m×n,其中xij是第j个指标对第i个仿真参数所确定算法的影响度。m是参数滤波阶数(遗忘因子)设置的值的个数,n是评估指标个数,本发明中n=3。
(2)构造规范矩阵:对决策矩阵进行归一化处理,得到矩阵Z。
(3)构造加权矩阵:进一步确定各个量化评估指标的权重系数,并对(2)中的规范矩阵进行加权,得到加权矩阵Z*。
(4)寻找最优、最劣方案:最优方案由Z*中每列元素的最大值构成,最劣方案由Z*中每列元素的最小值构成。
(5)确定最优解集:利用欧氏距离计算评估指标对最优、最劣方案的距离,并进一步得到不同参数值设置的相对接近程度作为参数的综合评估值,以确定参数的最优值。
根据以上算法流程确定RLS算法中的滤波阶数和遗忘因子的最优值,从而实现对RLS滤波器收敛速度和跟踪性能的优化。
步骤5:利用改进的RLS滤波器自适应时延估计;
首先,根据步骤4中确定的滤波阶数和遗忘因子的最优值来设置RLS滤波器的参数,并进行初始化处理,如下式所示:
w(0)=0,P(0)=δ-1I (20)
其中,w表示权向量,P表示逆相关矩阵,δ表示正则化参数,当信噪比较高时,取小正数,当信噪比较低时,取大正数。
然后,将步骤3中得到的源泄漏振动信号z1(t)作为改进RLS滤波器的输入向量u(n),并将z2(t)作为期望响应d(n),输入向量u(n)通过横向滤波器处理得到滤波后向量y(n),如下式:
y(n)=wH(n-1)u(n) (21)
则有误差:
e(n)=d(n)-y(n) (22)
经过如式(23)所表示的中间变量矩阵k(n),有权向量w(n)如式(24)所示:
w(n)=w(n-1)+k(n)e(n) (24)
通过式(21)~(24)的多次迭代运算获得滤波器权系数曲线,然后根据式(25)和(26),其中fs为采样频率,即可由权系数曲线的峰值偏移得到时延估计τ。
D=arg{max[w(n)]} (25)
τ=D/fs (26)
在实际泄漏检测中,通常采用实验的方式对充水管道中泄漏声波的传播速度进行标定,在输水管道上进行了多次泄漏声波波速标定,测得泄漏声波波速的均值,并以此作为泄漏声波的传播速度c。将标定得到的声波波速c和两传感器之间的距离L代入式(27)即可确定泄漏点位置。
其中,l1为泄漏点与第一传感器的距离,L为第一传感器和第二传感器之间的距离,该距离可通过现场测量直接获得。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于自适应ICA和改进的RLS滤波器的流体管道泄漏定位方法,其特征在于,该方法包括以下步骤:
S1:获取流体管道的泄漏振动信号;
S2:采用自适应噪声完备经验模态分解(Complete ensemble empirical modedecomposition with adaptive noise,CEEMDAN)算法将采集到的泄漏振动信号分解为有限个IMF分量,通过计算各分量与其对应泄漏振动信号的欧氏距离滤除不相关的IMF分量,并利用筛选得到的IMF分量构造独立成分分析(Independent component analysis,ICA)中的观测信号矩阵,通过基于自适应ICA的最大似然估计方法将实时泄漏振动信号与管道的脉冲响应卷积进行强去相关和分离,提取得到源泄漏振动信号;
步骤S2中,采用的基于自适应ICA的最大似然估计方法,具体包括以下步骤:
S211:假设源信号有概率密度函数ps,则观测信号的联合分布函数表示为:
其中,W=A-1,|W|是W的行列式,W是由观测矩阵X估计出的分离矩阵,A为混合矩阵,S为源信号矩阵,pi是独立成分分量的密度;
由于概率密度函数是由累积分布函数求导得到,在满足所求累积分布函数是单调递增且值域在[0,1]范围性质的前提下,选取sigmoid函数作为累积分布函数g(s)=1/(1+e-s),对其求导则确定ps=g′(s);
S212:对于各模态分量构造的观测信号X(t),有对数似然函数:
其中,T'为独立同分布观测数据的样本数;
然后,对似然函数L(W)做最大化处理,获得关于W的最佳估计;其中,最大化处理采用的是梯度下降法,将式(16)对W求导,结果如下所示:
当迭代出分离矩阵W时,得到S=WX,从而还原出无管道脉冲响应的独立源信号,再对其进行ICA逆变换并累加,最后得到无管道脉冲响应的源泄漏振动信号z1(t)和z2(t);
S3:利用TOPSIS算法自适应确定RLS滤波器的滤波阶数和遗忘因子,从而优化RLS滤波器的收敛速度和跟踪性能;具体包括以下步骤:
S31:构建决策矩阵:将收敛速度、均方偏差和失调量对参数滤波阶数的贡献值定义为决策矩阵;
S32:构造规范矩阵:对决策矩阵进行归一化处理,得到规范矩阵Z;
S33:构造加权矩阵:进一步确定各个量化评估指标的权重系数,并对步骤S32中的规范矩阵Z进行加权,得到加权矩阵Z*;
S34:寻找最优、最劣方案:最优方案由Z*中每列元素的最大值构成,最劣方案/>由Z*中每列元素的最小值构成;
S35:确定最优解集:利用欧氏距离计算评估指标对最优、最劣方案的距离,并进一步得到不同参数值设置的相对接近程度作为参数的综合评估值,以确定参数的最优值;
S4:利用优化后的RLS滤波器对源泄漏振动信号的时延进行迭代计算,从而实现管道泄漏的定位。
2.根据权利要求1所述的流体管道泄漏定位方法,其特征在于,步骤S1中,获取流体管道的泄漏振动信号,具体包括:流体管道泄漏产生的泄漏振动信号,沿管道向两端传输,被管道两端的加速度传感器拾取经采样后得到两路泄漏振动信号x1(t)和x2(t),表示如下:
x1(t)=ω1(t)*v(t)+n1(t) (4)
x2(t)=αω2(t)*v(t-τ)+n2(t) (5)
其中,t为离散时间变量,x1(t)和x2(t)是分别与n1(t)和n2(t)不相关的平稳随机信号,且n1(t)和n2(t)是不相关的,v(t)是源泄漏振动信号,ω1(t)和ω2(t)是泄漏点和第一传感器及第二传感器之间的脉冲响应,τ为时间延迟,α为衰减因子。
3.根据权利要求2所述的流体管道泄漏定位方法,其特征在于,步骤S2中,对泄漏振动信号x1(t)和x2(t)进行CEEMDAN算法分解,并通过欧氏距离对两信号各自分解得到的模态分量进行筛选,最后利用两信号各自筛选得到的m个IMF分量构造ICA中的观测信号矩阵,具体包括以下步骤:
S201:求解第一阶模态分量,将服从标准正态分布的成对的正负高斯白噪声添加到待分解信号中,即有:
x(t)+(-1)kεni(t) (6)
其中,k∈{1,2},i=1,2,3,...,N,k为系数,ε为噪声的标准差,ni(t)为第i次添加白噪声;
S202:对添加噪声后的信号进行EMD分解,得到多个IMF分量;再对多个IMF分量求平均值,得到的均值和第一阶剩余分量r1(t),/>即为第一阶最终模态分量IMF1(t),具体表达式如下:
x(t)+(-1)kεni(t)=IMF1 i(t)+r1(t) (7)
再求第二阶模态分量,将成对高斯白噪声加入到第一阶剩余分量r1(t)中,并对其进行EMD分解,同上述方法求得第二阶最终模态分量IMF2(t)和第二阶剩余分量r2(t),具体表达式如下:
重复上述步骤直到剩余信号不可分,最终得到n个模态分量,即为:
IMF1(t),IMF2(t),IMF3(t),...,IMFn(t) (13)
故管道泄漏振动信号x1(t)和x2(t)的分解结果如下式(14)和(15):
其中,
S203:通过计算各IMF分量与其对应泄漏振动信号的欧氏距离来滤除不相关的模态分量,从而消除泄漏信号中的外部噪声,如下式(16):
将两泄漏信号各自通过欧氏距离筛选得到的m个IMF分量构造为ICA中的观测信号矩阵,则有X1(t)和X2(t):
4.根据权利要求1所述的流体管道泄漏定位方法,其特征在于,步骤S4中,利用优化后的RLS滤波器自适应时延估计,具体包括以下步骤:
S41:根据步骤S3中确定的滤波阶数和遗忘因子的最优值来设置RLS滤波器的参数,并进行初始化处理,如下式所示:
w(0)=0,P(0)=δ-1I (18)
其中,w表示权向量,P表示逆相关矩阵,δ表示正则化参数,当信噪比较高时,取小正数,当信噪比较低时,取大正数;
S42:将步骤S212中得到的源泄漏振动信号z1(t)作为改进RLS滤波器的输入向量u(n),并将z2(t)作为期望响应d(n),输入向量u(n)通过横向滤波器处理得到滤波后向量y(n),如下式:
y(n)=wH(n-1)u(n) (19)
则有误差:
e(n)=d(n)-y(n) (20)
经过如式(21)表示的中间变量矩阵k(n),有权向量w(n)如式(22)所示:
w(n)=w(n-1)+k(n)e(n) (22)
通过式(19)~(22)的多次迭代运算获得滤波器权系数曲线,然后根据式(23)和(24)得到峰值偏移得到时延估计τ;
D=arg{max[w(n)]} (23)
τ=D/fs (24)
其中,fs为采样频率。
5.根据权利要求4所述的流体管道泄漏定位方法,其特征在于,步骤S4中,实现管道泄漏的定位,具体包括:在输水管道上进行了多次泄漏声波波速标定,将标定得到的声波波速c和第一传感器与第二传感器之间的距离L代入式(25)确定泄漏点位置;
其中,其中l1为泄漏点与第一传感器的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111174673.5A CN113864665B (zh) | 2021-10-09 | 2021-10-09 | 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111174673.5A CN113864665B (zh) | 2021-10-09 | 2021-10-09 | 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113864665A CN113864665A (zh) | 2021-12-31 |
CN113864665B true CN113864665B (zh) | 2024-02-13 |
Family
ID=79002044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111174673.5A Active CN113864665B (zh) | 2021-10-09 | 2021-10-09 | 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113864665B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595779A (zh) * | 2022-03-15 | 2022-06-07 | 中铁十四局集团大盾构工程有限公司 | 一种盾构机刀具故障分析与诊断方法 |
CN114967449B (zh) * | 2022-05-17 | 2024-05-10 | 浙江农林大学 | 一种用于地下甲烷输送管道的气体泄漏定位方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102684799A (zh) * | 2012-04-26 | 2012-09-19 | 西安电子科技大学 | 同车多机通信系统用频数据评估方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN108470018A (zh) * | 2018-02-22 | 2018-08-31 | 中国铁道科学研究院 | 基于经验模态分解分解的内蕴模式函数的光滑方法及装置 |
CN108804740A (zh) * | 2018-04-02 | 2018-11-13 | 西安建筑科技大学 | 基于集成改进ica-krr算法的长输管道压力监测方法 |
DE102018102236A1 (de) * | 2017-05-15 | 2018-11-15 | Hyundai Motor Company | Verfahren zum Messen von axialer Kraft einer Schraube |
CN108954020A (zh) * | 2018-08-10 | 2018-12-07 | 常州大学 | 一种管道定位方法 |
CA2972380A1 (en) * | 2017-06-30 | 2018-12-30 | Hifi Engineering Inc. | Method and system for detecting whether an acoustic event has occurred along a fluid conduit |
CN109410977A (zh) * | 2018-12-19 | 2019-03-01 | 东南大学 | 一种基于EMD-Wavelet的MFCC相似度的语音段检测方法 |
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 |
CN110939874A (zh) * | 2019-12-16 | 2020-03-31 | 重庆邮电大学 | 基于四阶累积量的管道泄漏振动信号自适应时延估计方法 |
CN111947045A (zh) * | 2020-08-24 | 2020-11-17 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
CN113191571A (zh) * | 2021-05-26 | 2021-07-30 | 上海海事大学 | 基于多目标适应性权重进化算法的航线优化方法 |
CN113357138A (zh) * | 2021-07-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9940546B2 (en) * | 2011-04-05 | 2018-04-10 | The Regents Of The University Of California | Apparatus and method for signal extraction and separation |
GB201201230D0 (en) * | 2012-01-25 | 2012-03-07 | Univ Delft Tech | Adaptive multi-dimensional data decomposition |
US11244085B2 (en) * | 2018-12-28 | 2022-02-08 | Nizar Markiz | Knowledge-based recommendation system for infrastructure project design |
-
2021
- 2021-10-09 CN CN202111174673.5A patent/CN113864665B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102684799A (zh) * | 2012-04-26 | 2012-09-19 | 西安电子科技大学 | 同车多机通信系统用频数据评估方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
DE102018102236A1 (de) * | 2017-05-15 | 2018-11-15 | Hyundai Motor Company | Verfahren zum Messen von axialer Kraft einer Schraube |
CA2972380A1 (en) * | 2017-06-30 | 2018-12-30 | Hifi Engineering Inc. | Method and system for detecting whether an acoustic event has occurred along a fluid conduit |
CN108470018A (zh) * | 2018-02-22 | 2018-08-31 | 中国铁道科学研究院 | 基于经验模态分解分解的内蕴模式函数的光滑方法及装置 |
CN108804740A (zh) * | 2018-04-02 | 2018-11-13 | 西安建筑科技大学 | 基于集成改进ica-krr算法的长输管道压力监测方法 |
CN108954020A (zh) * | 2018-08-10 | 2018-12-07 | 常州大学 | 一种管道定位方法 |
CN109410977A (zh) * | 2018-12-19 | 2019-03-01 | 东南大学 | 一种基于EMD-Wavelet的MFCC相似度的语音段检测方法 |
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 |
CN110939874A (zh) * | 2019-12-16 | 2020-03-31 | 重庆邮电大学 | 基于四阶累积量的管道泄漏振动信号自适应时延估计方法 |
CN111947045A (zh) * | 2020-08-24 | 2020-11-17 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
CN113191571A (zh) * | 2021-05-26 | 2021-07-30 | 上海海事大学 | 基于多目标适应性权重进化算法的航线优化方法 |
CN113357138A (zh) * | 2021-07-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
Non-Patent Citations (7)
Title |
---|
Noise Reduction Based on CEEMDAN-ICA and Cross-Spectral Analysis for Leak Location in Water-Supply Pipelines;Li Shuaiyong, Cai Mengqian, Han mingxiu, Dai Zzhengxu;IEEE SENSORS JOURNAL;第22卷(第13期);13030-13042 * |
基于EEMD和SOM神经网络的水电机组故障诊断;李辉;焦毛;杨晓萍;白亮;罗兴;;水力发电学报(第07期);全文 * |
基于改进经验小波变换及互谱相位差谱的供水管道泄漏声振动定位方法;李帅永;程振华;毛维培;夏传强;杨雪梅;;仪器仪表学报(第12期);全文 * |
基于遗忘加权的变步长自适应管网泄漏定位方法;陈建宇;;辽宁工程技术大学学报(自然科学版);20170515(05);全文 * |
气体管道泄漏模态声发射时频定位方法;李帅永;王鹏飞;严冬;王平;黄心成;;仪器仪表学报;20160915(09);全文 * |
高斯矩Fast ICA算法在风机振动信号去噪中的应用;周云龙;王锁斌;;动力工程学报(第03期);全文 * |
高速列车牵引系统故障诊断与预测技术综述;姜斌;吴云凯;陆宁云;冒泽慧;;控制与决策;20171219(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113864665A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113864665B (zh) | 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN111734961B (zh) | 一种天然气管道泄漏检测方法 | |
CN106500735B (zh) | 一种基于压缩感知的fbg信号自适应修复方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN111947045B (zh) | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 | |
CN112466320B (zh) | 一种基于生成对抗网络的水声信号降噪方法 | |
CN110221256B (zh) | 基于深度残差网络的sar干扰抑制方法 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
CN115442191B (zh) | 基于相对平均生成对抗网络的通信信号降噪方法及系统 | |
CN112598593B (zh) | 基于非均衡深度期望块对数似然网络的地震噪声压制方法 | |
CN106646406A (zh) | 基于改进小波阈值去噪的外弹道测速雷达功率谱检测方法 | |
CN112882115A (zh) | 基于gwo优化小波阈值的大地电磁信号去噪方法及系统 | |
CN117609702A (zh) | 一种管道泄漏声发射信号去噪方法、系统、设备及介质 | |
CN116186495A (zh) | 基于完备模态分解和随机森林响应面拟合的结构参数求解方法 | |
CN115659138A (zh) | 一种动水干扰环境电磁法水中测量信号降噪方法 | |
CN114757231A (zh) | 一种基于cwoa-vmd算法的管道泄漏信号去噪方法 | |
CN110248325B (zh) | 一种基于信号多重消噪的蓝牙室内定位系统 | |
CN115426055B (zh) | 一种基于解耦卷积神经网络的含噪水声信号盲源分离方法 | |
CN114172770B (zh) | 量子根树机制演化极限学习机的调制信号识别方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN118114031B (zh) | 基于机器学习的无线电波形预测方法及系统 | |
CN111898476A (zh) | 一种耦合随机共振的自适应线谱增强方法 | |
CN109977350B (zh) | 一种超声涡流信号自适应径向基函数神经网络对消方法 | |
CN113269309B (zh) | 适用于微弱信号提取的rbf神经网络改进ukf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 |