CN113916463A - 一种危化品运输存储罐泄漏检测方法 - Google Patents
一种危化品运输存储罐泄漏检测方法 Download PDFInfo
- Publication number
- CN113916463A CN113916463A CN202111021889.8A CN202111021889A CN113916463A CN 113916463 A CN113916463 A CN 113916463A CN 202111021889 A CN202111021889 A CN 202111021889A CN 113916463 A CN113916463 A CN 113916463A
- Authority
- CN
- China
- Prior art keywords
- signal
- leakage
- acoustic emission
- value
- storage tank
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种危化品运输存储罐泄漏检测方法,包括步骤一、采集危化品运输过程中存储罐的振动信号和声发射信号;二、采用小波分解与梅尔倒谱系数相结合的方法对振动信号和声发射信号分别进行降噪;三、对降噪后的振动信号和声发射信号分别进行特征提取;四、采用动态相关系数法选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征;五、采用BP神经网络对振动信号和声发射信号中的信号特征进行初步识别;六、采用改进的DS证据理论方法对振动信号和声发射信号的识别结果进行融合,确认泄漏结果。本发明能够有效提高危化品运输过程中泄漏状态识别的准确度,避免了因发现泄漏事故处理不及时而带来的危害,效果显著,便于推广。
Description
技术领域
本发明属于危化品运输技术领域,具体涉及一种危化品运输存储罐泄漏检测方法。
背景技术
随着危化品需求量的增加,危化品的生产、运输、存储和使用等各个环节发生的灾害事故也不断增加,危化品泄漏事故的发生通常会对自然环境和人体造成巨大伤害,一些液体或气体危化品在运输过程中发生轻微泄漏时往往不容易发现从而导致一系列事故的发生,因此,对危化品运输过程中的状态监测非常重要。危化品运输车阀门松动和槽罐车车身发生破裂都会导致发生泄漏,声发射检测技术是一种动态无损检测方法,所接收的信号能量来自被测构件自身的应力、应变能,不需要额外提供能量,可在不损伤阀门的条件下实现在线检测过程,及时发现阀门内漏故障,因此声发射检测技术在泄漏检测方面得到了广泛的应用。危化品在泄漏的过程中也会产生振动信号,现有技术中,还缺乏行之有效的综合振动信号与声发射信号两种不同类型的检测信号同时对危化品的泄漏状态进行检测的方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种危化品运输存储罐泄漏检测方法,其步骤简单,设计合理,实现方便,能够有效提高危化品运输过程中泄漏状态识别的准确度,避免了因发现泄漏事故处理不及时而带来的危害,效果显著,便于推广。
为解决上述技术问题,本发明采用的技术方案是:一种危化品运输存储罐泄漏检测方法,包括以下步骤:
步骤一、采集危化品运输过程中存储罐的振动信号和声发射信号;
步骤二、采用小波分解与梅尔倒谱系数相结合的方法对振动信号和声发射信号分别进行降噪;
步骤三、对降噪后的振动信号和声发射信号分别进行特征提取;
步骤四、采用动态相关系数法选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征;
步骤五、采用BP神经网络对振动信号和声发射信号中的信号特征进行初步识别;
步骤六、采用改进的DS证据理论方法对振动信号和声发射信号的识别结果进行融合,确认泄漏结果。
上述的一种危化品运输存储罐泄漏检测方法,步骤一中所述采集危化品运输过程中存储罐表面的振动信号和声发射信号,以及存储罐阀门上的振动信号和声发射信号的具体过程包括:在危化品运输存储罐的表面安装振动传感器与声发射传感器,在危化品运输存储罐的阀门上安装振动传感器与声发射传感器,振动传感器采集的信号放大处理后传输到振动信号采集卡,进而传输到上位机的处理器中;声发射传感器采集的信号放大处理后传输到声发射信号采集卡,进而传输到上位机的处理器中。
上述的一种危化品运输存储罐泄漏检测方法,步骤二中所述小波分解与梅尔倒谱系数相结合的方法的具体步骤包括:
步骤201、选择合适的小波基进行信号分解,分解为高频分量信号s(n)和低频分量信号;
步骤202、采用一阶有限激励响应高通滤波器对高频分量信号s(n)进行预加重处理,得到s′(n),s′(n)=s(n)-0.9(n-1);
步骤203、对s′(n)进行短时傅里叶变换,得到信号的短时频谱S(f),S(f)=STFT{s′(n)};
步骤205、对滤波后的功率谱Y(m)进行对数变换和离散余弦变换,得到梅尔倒谱系数c(m),c(m)=DCT{loge(Y(m))};
步骤206、将去除噪声后的梅尔倒谱系数进行离散余弦逆变换和指数运算得到功率谱;
步骤207、将功率谱进行Moore-Penrose广义逆矩阵变换得到信号的幅度谱|Z|;
步骤208、对幅度谱采用幅度谱逼近算法,将白噪声信号z0经过傅立叶变换得到Z0,并计算幅度谱|Z0|;
步骤209、计算幅度谱误差σ=(|Z|-|Z0|)2;
步骤2010、当幅度谱误差σ大于等于设定值σs时,将原始输入的幅度谱|Z|作为幅度谱、|Z0|的相位作为相位谱,使用Wigner-Ville方法得到复数傅立叶频谱,再经过傅里叶反变换得到重建的时域信号z';
步骤2011、将重建的时域信号z'经过傅立叶变换得到Zi,其中i为迭代次数,计算幅度谱误差σ=∑(|Z|-|Zi|)2;
步骤2012、当幅度谱误差σ小于设定值σs时,将原始输入的幅度谱|Z|作为幅度谱、|Zi|的相位作为相位谱,使用Wigner-Ville方法得到复数傅立叶频谱,再经过傅里叶反变换得到最终重建的高频细节信号;
步骤2013、将重建的高频细节信号和低频分量信号进行小波重构,得到去噪信号。
上述的一种危化品运输存储罐泄漏检测方法,步骤201中所述选择合适的小波基进行信号分解的具体过程包括:采用“db5”小波基函数对振动信号进行分解,分解层数为3层;采用“sym8”小波基函数对声发射信号进行分解,分解层数为4层。
上述的一种危化品运输存储罐泄漏检测方法,步骤三中所述对降噪后的振动信号和声发射信号分别进行特征提取的具体过程包括:对降噪后的振动信号和声发射信号分别进行时域特征、频域特征和小波包能量特征的提取,所述时域特征包括均值、峰值、均方根值、方差、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标;所述频域特征包括重心频率、均方频率、均方根频率、频率方差和频率标准差,所述小波包能量特征包括经过小波包分解后得到的各个频段的能量值。
上述的一种危化品运输存储罐泄漏检测方法,步骤四中所述采用动态相关系数法选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征的具体过程包括:
步骤403、当|rxy|的值越接近1,表明特征向量与泄漏程度之间的相关性越高,|rxy|的值越接近0,表明特征向量与泄漏程度之间的相关性越低,根据|rxy|的值选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征。
上述的一种危化品运输存储罐泄漏检测方法,步骤五中所述采用BP神经网络对振动信号和声发射信号中的信号特征进行初步识别的具体过程包括:
步骤501、初始化网络连接权值ωij、ωjk及阈值σj、σk,计算输入层到隐含层,隐含层到输出层之间的输出值,
其中,yk为输出层输出,xi为输入的特征向量,zj为隐含层的输出值;
步骤502、计算输出值与期望值之间的误差以及反向传播的误差,并设定误差期望值,根据实际误差值与期望误差值之间的差距对网络连接权值进行调整;
步骤503、重复步骤501~步骤502,直到误差小于设定的期望误差值时,得到泄漏检测的分类结果。
上述的一种危化品运输存储罐泄漏检测方法,步骤六中所述采用改进的DS证据理论方法对振动信号和声发射信号的识别结果进行融合,确认泄漏结果的具体过程包括:
步骤601、确定危化品泄漏识别框架;
危化品泄漏诊断的识别框架为U={A1,A2,A3,A4,},A1表示正常,A2表示微小泄漏,A3表示中度泄漏,A4表示严重泄漏,在识别框架U下,2U为U中所有命题构成的集合,称m:2U→[0,1]为基本概率赋值BPA,满足条件m(A)是命题A的BPA;
步骤602、不同证据的融合;
步骤603、使用BP神经网络对网络进行训练,得到泄漏诊断的初始分类结果;
步骤604、根据BP神经网络的输出值构造初始基本可信度分配函数值;
步骤605、使用改进的基于自定义相似度的基本可信度函数值进行修正得到新的证据体;
步骤606、利用证据理论融合规则对新的证据体进行融合,根据融合诊断决策规则输出最终的分类决策结果。
上述的一种危化品运输存储罐泄漏检测方法,步骤605中所述使用改进的基于自定义相似度的基本可信度函数值进行修正得到新的证据体的具体过程包括:
本发明与现有技术相比具有以下优点:本发明步骤简单,设计合理,实现方便,利用小波分解和梅尔倒谱系数相结合的方法对振动信号和声发射信号降噪;对振动信号和声发射信号进行特征提取并利用动态相关系数法进行特征选择,根据BP神经网络网络的初步诊断结果构造基本可信度分配函数,根据自定义相似度的方法得到新的证据体,使用DS证据理论的合成规则将两种传感器的诊断结果进行融合,提高泄漏诊断的识别率。本方法与使用单一的传感器对危化品的运输状态进行检测相比较,能够有效提高危化品运输过程中泄漏状态识别的准确度,避免了因发现泄漏事故处理不及时而带来的危害,效果显著,便于推广。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图;
图2为本发明采集到正常状态和泄漏状态下的振动信号图;
图3为本发明采集到正常状态和泄漏状态下的声发射信号图。
具体实施方式
如图1所示,本发明的危化品运输存储罐泄漏检测方法,包括以下步骤:
步骤一、采集危化品运输过程中存储罐的振动信号和声发射信号;
本实施例中,在危化品运输存储罐的表面安装振动传感器与声发射传感器,在危化品运输存储罐的阀门上安装振动传感器与声发射传感器,振动传感器采集的信号放大处理后传输到振动信号采集卡,进而传输到上位机的处理器中;声发射传感器采集的信号放大处理后传输到声发射信号采集卡,进而传输到上位机的处理器中。
步骤二、采用小波分解与梅尔倒谱系数相结合的方法对振动信号和声发射信号分别进行降噪;
本实施例中,具体步骤包括:
步骤201、选择合适的小波基进行信号分解,分解为高频分量信号s(n)和低频分量信号;
采用“db5”小波基函数对振动信号进行分解,分解层数为3层;采用“sym8”小波基函数对声发射信号进行分解,分解层数为4层。
步骤202、采用一阶有限激励响应高通滤波器对高频分量信号s(n)进行预加重处理,得到s′(n),s′(n)=s(n)-0.9(n-1);
步骤203、对s′(n)进行短时傅里叶变换,得到信号的短时频谱S(f),S(f)=STFT{s′(n)};
步骤205、对滤波后的功率谱Y(m)进行对数变换和离散余弦变换,得到梅尔倒谱系数c(m),c(m)=DCT{loge(Y(m))};
步骤206、将去除噪声后的梅尔倒谱系数进行离散余弦逆变换和指数运算得到功率谱;
步骤207、将功率谱进行Moore-Penrose广义逆矩阵变换得到信号的幅度谱|Z|;
步骤208、对幅度谱采用幅度谱逼近算法,将白噪声信号z0经过傅立叶变换得到Z0,并计算幅度谱|Z0|;
步骤209、计算幅度谱误差σ=(|Z|-|Z0|)2;
步骤2010、当幅度谱误差σ大于等于设定值σs时,将原始输入的幅度谱|Z|作为幅度谱、|Z0|的相位作为相位谱,使用Wigner-Ville方法得到复数傅立叶频谱,再经过傅里叶反变换得到重建的时域信号z';
具体实施时,σs的值为0.01。
步骤2011、将重建的时域信号z'经过傅立叶变换得到Zi,其中i为迭代次数,计算幅度谱误差σ=∑(|Z|-|Z|i)2;
步骤2012、当幅度谱误差σ小于设定值σs时,将原始输入的幅度谱|Z|作为幅度谱、|Zi|的相位作为相位谱,使用Wigner-Ville方法得到复数傅立叶频谱,再经过傅里叶反变换得到最终重建的高频细节信号;
步骤2013、将重建的高频细节信号和低频分量信号进行小波重构,得到去噪信号。
步骤三、对降噪后的振动信号和声发射信号分别进行特征提取;
本实施例中,对降噪后的振动信号和声发射信号分别进行时域特征、频域特征和小波包能量特征的提取,所述时域特征包括均值、峰值、均方根值、方差、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标;所述频域特征包括重心频率、均方频率、均方根频率、频率方差和频率标准差,所述小波包能量特征包括经过小波包分解后得到的各个频段的能量值。
步骤四、采用动态相关系数法选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征;
本实施例中,具体过程包括:
步骤403、当|rxy|的值越接近1,表明特征向量与泄漏程度之间的相关性越高,|rxy|的值越接近0,表明特征向量与泄漏程度之间的相关性越低,根据|rxy|的值选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征。
步骤五、采用BP神经网络对振动信号和声发射信号中的信号特征进行初步识别;
本实施例中,具体过程包括:
步骤501、初始化网络连接权值ωij、ωjk及阈值σj、σk,计算输入层到隐含层,隐含层到输出层之间的输出值,
其中,yk为输出层输出,xi为输入的特征向量,zj为隐含层的输出值;
步骤502、计算输出值与期望值之间的误差以及反向传播的误差,并设定误差期望值,根据实际误差值与期望误差值之间的差距对网络连接权值进行调整;
步骤503、重复步骤501~步骤502,直到误差小于设定的期望误差值时,得到泄漏检测的分类结果。
步骤六、采用改进的DS证据理论方法对振动信号和声发射信号的识别结果进行融合,确认泄漏结果。
本实施例中,具体过程包括:
步骤601、确定危化品泄漏识别框架;
危化品泄漏诊断的识别框架为U={A1,A2,A3,A4,},A1表示正常,A2表示微小泄漏,A3表示中度泄漏,A4表示严重泄漏,在识别框架U下,2U为U中所有命题构成的集合,称m:2U→[0,1]为基本概率赋值BPA,满足条件m(A)是命题A的BPA;
步骤602、不同证据的融合;
步骤603、使用BP神经网络对网络进行训练,得到泄漏诊断的初始分类结果;
步骤604、根据BP神经网络的输出值构造初始基本可信度分配函数值;
步骤605、使用改进的基于自定义相似度的基本可信度函数值进行修正得到新的证据体;
具体实施时,从距离到基本可信度分配的映射是非线性过程,当各证据之间的距离较小时,分配给该命题的基本可信度分配越靠近1,反之,分配给该命题的基本可信度分配越靠近0;指数函数可以满足此性质,因此,选择ex为映射函数。
步骤606、利用证据理论融合规则对新的证据体进行融合,根据融合诊断决策规则输出最终的分类决策结果。
为了验证本发明方法的效果,进行了试验验证。
将传感器、信号放大器、数据采集器与上位机正确连接进行信号的采集,采集到正常状态和泄漏状态下的振动信号如图2所示;采集到正常状态和泄漏状态下的声发射信号如图3所示。
提取的振动信号时域特征参数如表1所示,振动信号频域特征参数如表2所示,振动信号小波包能量谱归一化后各频带能量值如表3所示,声发射信号时域特征参数如表4所示,声发射信号频域特征参数如表5所示,声发射信号小波包能量谱归一化后各频带能量值如表6所示。其中,序号1表示采集到正常情况下信号的特征参数,序号2表示采集到发生微小泄漏时信号的特征参数,序号3表示采集到发生中度泄漏时信号的特征参数,序号4表示采集到发生严重泄漏时信号的特征参数。
将提取的特征参数利用动态相关系数法进行特征选择,选择最能表征泄漏的信号特征参数作为BP神经网络的输入。其中,对振动信号进行特征选择的结果为时域特征中的峭度指标、脉冲指标、裕度指标,频域特征中的均方频率,振动信号经3层小波包分解后的第2、4、7、8频段能量值。对声发射信号进行特征选择的结果为时域特征中的均方值、峭度指标、裕度指标,频域特征中的频率方差,声发射信号经4层小波包分解后的第3、5、6、9频段能量值。
表1振动信号时域特征参数
表2振动信号频域特征参数
表3振动信号小波包能量谱归一化后各频带能量
表4声发射信号时域特征参数
表5声发射信号频域特征参数
表6声发射信号小波包能量谱归一化后各频带能量
使用BP神经网络分别对振动信号与声发射信号进行初步诊断,BP1表示使用BP神经网络对振动信号进行识别,BP2表示使用BP神经网络对声发射信号进行识别,A1表示正常状态,A2表示微小泄漏状态,A3表示中度泄漏状态,A4表示严重泄漏状态,识别结果如表7所示。
表7 BP网络的识别结果
根据BP网络的诊断结果计算得到基本可信度分配值,BP神经网络分类结果的基本可信度分配如表8所示,对原始基本可信度分配值使用自定义相似度的改进步骤进行加权重构得到新的基本可信度分配值如表9所示,分别将两种不同的基本可信度分配值使用DS证据理论进行融合,识别结果如表10所示,识别结果对比如表11所示。
表8 BP网络的识别结果构造基本可信度分配值
表9加权重构基本可信度分配值
表10 DS证据理论融合识别结果
表11识别结果对比
根据BP神经网络的输出结果构造基本可信度分配值,使用传统的DS证据理论和改进的DS证据理论分别对基本可信度分配值进行加权合成,将合成结果进行对比。从表11可以看出,使用BP神经网络对振动信号和声发射信号识别的准确率较低,分别为81.43%和83.22%,将振动信号的识别结果和声发射信号的识别结果使用DS证据理论进行融合诊断之后识别准确率提升至86.77%,使用改进的DS证据理论进行融合后识别准确率相比于传统的DS证据理论提升至93.83%,从而证明了本发明方法的有效性。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (9)
1.一种危化品运输存储罐泄漏检测方法,其特征在于,包括以下步骤:
步骤一、采集危化品运输过程中存储罐的振动信号和声发射信号;
步骤二、采用小波分解与梅尔倒谱系数相结合的方法对振动信号和声发射信号分别进行降噪;
步骤三、对降噪后的振动信号和声发射信号分别进行特征提取;
步骤四、采用动态相关系数法选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征;
步骤五、采用BP神经网络对振动信号和声发射信号中的信号特征进行初步识别;
步骤六、采用改进的DS证据理论方法对振动信号和声发射信号的识别结果进行融合,确认泄漏结果。
2.按照权利要求1所述的一种危化品运输存储罐泄漏检测方法,其特征在于,步骤一中所述采集危化品运输过程中存储罐表面的振动信号和声发射信号,以及存储罐阀门上的振动信号和声发射信号的具体过程包括:在危化品运输存储罐的表面安装振动传感器与声发射传感器,在危化品运输存储罐的阀门上安装振动传感器与声发射传感器,振动传感器采集的信号放大处理后传输到振动信号采集卡,进而传输到上位机的处理器中;声发射传感器采集的信号放大处理后传输到声发射信号采集卡,进而传输到上位机的处理器中。
3.按照权利要求1所述的一种危化品运输存储罐泄漏检测方法,其特征在于,步骤二中所述小波分解与梅尔倒谱系数相结合的方法的具体步骤包括:
步骤201、选择合适的小波基进行信号分解,分解为高频分量信号s(n)和低频分量信号;
步骤202、采用一阶有限激励响应高通滤波器对高频分量信号s(n)进行预加重处理,得到s′(n),s′(n)=s(n)-0.9(n-1);
步骤203、对s′(n)进行短时傅里叶变换,得到信号的短时频谱S(f),S(f)=STFT{s′(n)};
步骤205、对滤波后的功率谱Y(m)进行对数变换和离散余弦变换,得到梅尔倒谱系数c(m),c(m)=DCT{loge(Y(m))};
步骤206、将去除噪声后的梅尔倒谱系数进行离散余弦逆变换和指数运算得到功率谱;
步骤207、将功率谱进行Moore-Penrose广义逆矩阵变换得到信号的幅度谱|Z|;
步骤208、对幅度谱采用幅度谱逼近算法,将白噪声信号z0经过傅立叶变换得到Z0,并计算幅度谱|Z0|;
步骤209、计算幅度谱误差σ=(|Z|-|Z0|)2;
步骤2010、当幅度谱误差σ大于等于设定值σs时,将原始输入的幅度谱|Z|作为幅度谱、|Z0|的相位作为相位谱,使用Wigner-Ville方法得到复数傅立叶频谱,再经过傅里叶反变换得到重建的时域信号z';
步骤2011、将重建的时域信号z'经过傅立叶变换得到Zi,其中i为迭代次数,计算幅度谱误差σ=∑(|Z|-|Zi|)2;
步骤2012、当幅度谱误差σ小于设定值σs时,将原始输入的幅度谱|Z|作为幅度谱、|Zi|的相位作为相位谱,使用Wigner-Ville方法得到复数傅立叶频谱,再经过傅里叶反变换得到最终重建的高频细节信号;
步骤2013、将重建的高频细节信号和低频分量信号进行小波重构,得到去噪信号。
4.按照权利要求3所述的一种危化品运输存储罐泄漏检测方法,其特征在于,步骤201中所述选择合适的小波基进行信号分解的具体过程包括:采用“db5”小波基函数对振动信号进行分解,分解层数为3层;采用“sym8”小波基函数对声发射信号进行分解,分解层数为4层。
5.按照权利要求1所述的一种危化品运输存储罐泄漏检测方法,其特征在于,步骤三中所述对降噪后的振动信号和声发射信号分别进行特征提取的具体过程包括:对降噪后的振动信号和声发射信号分别进行时域特征、频域特征和小波包能量特征的提取,所述时域特征包括均值、峰值、均方根值、方差、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标;所述频域特征包括重心频率、均方频率、均方根频率、频率方差和频率标准差,所述小波包能量特征包括经过小波包分解后得到的各个频段的能量值。
6.按照权利要求1所述的一种危化品运输存储罐泄漏检测方法,其特征在于,步骤四中所述采用动态相关系数法选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征的具体过程包括:
步骤403、当|rxy|的值越接近1,表明特征向量与泄漏程度之间的相关性越高,|rxy|的值越接近0,表明特征向量与泄漏程度之间的相关性越低,根据|rxy|的值选择最能表征存储罐泄漏的振动信号和声发射信号中的信号特征。
8.按照权利要求1所述的一种危化品运输存储罐泄漏检测方法,其特征在于,步骤六中所述采用改进的DS证据理论方法对振动信号和声发射信号的识别结果进行融合,确认泄漏结果的具体过程包括:
步骤601、确定危化品泄漏识别框架;
危化品泄漏诊断的识别框架为U={A1,A2,A3,A4,},A1表示正常,A2表示微小泄漏,A3表示中度泄漏,A4表示严重泄漏,在识别框架U下,2U为U中所有命题构成的集合,称m:2U→[0,1]为基本概率赋值BPA,满足条件m(A)是命题A的BPA;
步骤602、不同证据的融合;
步骤603、使用BP神经网络对网络进行训练,得到泄漏诊断的初始分类结果;
步骤604、根据BP神经网络的输出值构造初始基本可信度分配函数值;
步骤605、使用改进的基于自定义相似度的基本可信度函数值进行修正得到新的证据体;
步骤606、利用证据理论融合规则对新的证据体进行融合,根据融合诊断决策规则输出最终的分类决策结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021889.8A CN113916463B (zh) | 2021-09-01 | 2021-09-01 | 一种危化品运输存储罐泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021889.8A CN113916463B (zh) | 2021-09-01 | 2021-09-01 | 一种危化品运输存储罐泄漏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113916463A true CN113916463A (zh) | 2022-01-11 |
CN113916463B CN113916463B (zh) | 2023-09-19 |
Family
ID=79233721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111021889.8A Active CN113916463B (zh) | 2021-09-01 | 2021-09-01 | 一种危化品运输存储罐泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113916463B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045387A1 (zh) * | 2022-08-31 | 2024-03-07 | 南方电网调峰调频发电有限公司储能科研院 | 一种"听振"结合的电厂密封设备漏气监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080314122A1 (en) * | 2007-06-21 | 2008-12-25 | National Research Council Of Canada | Monitoring of leakage in wastewater force mains and other pipes carrying fluid under pressure |
CN101539241A (zh) * | 2009-05-07 | 2009-09-23 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
US20120007744A1 (en) * | 2009-08-19 | 2012-01-12 | Maninder Pal | Leak detector |
US20170234758A1 (en) * | 2016-02-03 | 2017-08-17 | State Grid Jiangsu Electric Power Company Nanjing Power Supply Company | GIS leak monitoring method based on vibration signal |
CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
CN110671613A (zh) * | 2019-10-15 | 2020-01-10 | 重庆邮电大学 | 基于改进经验小波变换的流体管道泄漏信号时延估计方法 |
WO2021012986A1 (zh) * | 2019-07-22 | 2021-01-28 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
CN112684012A (zh) * | 2020-12-02 | 2021-04-20 | 青岛科技大学 | 一种基于多参量信息融合的装备关键承力结构件故障诊断方法 |
-
2021
- 2021-09-01 CN CN202111021889.8A patent/CN113916463B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080314122A1 (en) * | 2007-06-21 | 2008-12-25 | National Research Council Of Canada | Monitoring of leakage in wastewater force mains and other pipes carrying fluid under pressure |
CN101539241A (zh) * | 2009-05-07 | 2009-09-23 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
US20120007744A1 (en) * | 2009-08-19 | 2012-01-12 | Maninder Pal | Leak detector |
US20170234758A1 (en) * | 2016-02-03 | 2017-08-17 | State Grid Jiangsu Electric Power Company Nanjing Power Supply Company | GIS leak monitoring method based on vibration signal |
CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
WO2021012986A1 (zh) * | 2019-07-22 | 2021-01-28 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
CN110671613A (zh) * | 2019-10-15 | 2020-01-10 | 重庆邮电大学 | 基于改进经验小波变换的流体管道泄漏信号时延估计方法 |
CN112684012A (zh) * | 2020-12-02 | 2021-04-20 | 青岛科技大学 | 一种基于多参量信息融合的装备关键承力结构件故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
杨娜等: "快速迭代滤波分解方法在轴承故障诊断中的应用", 电子测量与仪器学报, vol. 35, no. 5, pages 47 - 54 * |
陈斌;万江文;吴银锋;秦楠;: "神经网络和证据理论融合的管道泄漏诊断方法", 北京邮电大学学报, no. 01, pages 9 - 13 * |
陈轶;杨奕;包辉慧;陆艳娟;张烨;: "基于多传感器信号分析的故障诊断", 组合机床与自动化加工技术, no. 09, pages 103 - 106 * |
韩丛丛: "基于多传感器融合的煤矿流体管网泄漏监测算法与软件设计", CNKI硕士电子期刊 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045387A1 (zh) * | 2022-08-31 | 2024-03-07 | 南方电网调峰调频发电有限公司储能科研院 | 一种"听振"结合的电厂密封设备漏气监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113916463B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110867181A (zh) | 基于scnn和tcnn联合估计的多目标语音增强方法 | |
CN111261189B (zh) | 一种车辆声音信号特征提取方法 | |
CN111239554B (zh) | 一种基于大数据的超声波局放检测分析模型 | |
CN107886078A (zh) | 一种基于分层自适应阈值函数的小波阈值降噪方法 | |
CN113916463A (zh) | 一种危化品运输存储罐泄漏检测方法 | |
CN111508504B (zh) | 基于听觉中枢感知机理的说话人识别方法 | |
Li | Speech denoising based on improved discrete wavelet packet decomposition | |
CN103578466A (zh) | 基于分数阶傅里叶变换的语音非语音检测方法 | |
CN117111155B (zh) | 一种基于集成框架的微地震数据去噪方法 | |
Fu et al. | Improved Wavelet Thresholding Function and Adaptive Thresholding for Noise Reduction | |
CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
Yu et al. | Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition | |
CN112735468A (zh) | 一种基于mfcc的汽车座椅电机异常噪声检测方法 | |
CN115859054B (zh) | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 | |
CN115905827A (zh) | 一种基于神经网络的汽轮机故障诊断方法及装置 | |
CN116148935A (zh) | 一种基于自适应自编码器的磁共振随机噪声抑制方法 | |
CN114664311B (zh) | 一种记忆网络增强的变分推断无声攻击检测方法 | |
CN113571074B (zh) | 基于多波段结构时域音频分离网络的语音增强方法及装置 | |
CN115345195A (zh) | 一种基于ceemdan和小波阈值的变电站环境噪声去除方法和系统 | |
CN108573698B (zh) | 一种基于性别融合信息的语音降噪方法 | |
CN109614937A (zh) | 一种基于组稀疏性的小波域信号增强方法 | |
CN112926504A (zh) | 一种基于降噪自编码器的声发射信号去噪方法 | |
CN115659150B (zh) | 一种信号处理方法、装置及设备 | |
Yao et al. | Railway axle box bearing fault identification using LCD-MPE and ELM-AdaBoost | |
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 |
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 |