CN114441111B - 一种管道泄漏次声波信号分析方法及系统 - Google Patents

一种管道泄漏次声波信号分析方法及系统 Download PDF

Info

Publication number
CN114441111B
CN114441111B CN202210110378.1A CN202210110378A CN114441111B CN 114441111 B CN114441111 B CN 114441111B CN 202210110378 A CN202210110378 A CN 202210110378A CN 114441111 B CN114441111 B CN 114441111B
Authority
CN
China
Prior art keywords
signal
modal
frequency
original signal
component
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
Application number
CN202210110378.1A
Other languages
English (en)
Other versions
CN114441111A (zh
Inventor
姚强
郝永梅
蒋军成
刑志祥
许宁
盛璘
杨健
吴凡
郑凯
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.)
Changzhou University
Original Assignee
Changzhou University
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 Changzhou University filed Critical Changzhou University
Priority to CN202210110378.1A priority Critical patent/CN114441111B/zh
Publication of CN114441111A publication Critical patent/CN114441111A/zh
Application granted granted Critical
Publication of CN114441111B publication Critical patent/CN114441111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01M3/243—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 for pipes
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种管道泄漏次声波信号分析方法及系统，所述方法包括：采集管道泄漏次声波原始信号；对原始信号进行变分模态分解，将原始信号分解得到若干个模态分量，确定单边频谱、基频带；引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子；反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解，将最优模态分量叠加重构得到降噪后的信号；使用均方差误差和信噪比评价降噪后信号。本发明能够有效提取泄漏信号，提高泄漏定位的准确性。

Description

一种管道泄漏次声波信号分析方法及系统
技术领域
本发明涉及一种管道泄漏次声波信号分析方法及系统，属于计次声波信号处理技术领域。
背景技术
随着构建现代产业体系，城市管网的安全可靠运行受到越来越多的关注。由于城市管网规模的不断扩大，设备的自然老化、极端天气和地质灾害以及人为破坏等影响，城市管网的事件越发频繁。城市管网大多呈网状分布，涉及范围广，管网节点众多，对于城市埋地管道微小泄漏信号，采集得到的信号掺杂有大量环境噪声、介质噪声等诸多非相关信号，因此如何有效检测定位管道初期的微小泄漏，准确找到泄漏点位置，具有良好的经济价值和社会意义。
近年来，随着计算机技术的发展，全球正逐步走入数字化社会，管道泄漏检测定位技术也正向软硬件结合的方向发展。变分模态分解(Variational Mode Decomposition，VMD)是Dragomiretskiy等人于2014年提出的一种新型自适应故障诊断方法。VMD作为一种分解算法，与EMD、LMD方法相似，可以将故障信号根据高低频分解为若干本征模态函数(Intrinsic Mode Functions，IMF)。
次声波泄漏信号在进行VMD分解后，由于VMD通过迭代寻找变分模型最优解过程中，非约束性变分步骤二次惩罚因子的大小选择不适合，容易过度惩罚域边界导致边界效应和内部的跳跃，产生突发的虚假信号。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种管道泄漏次声波信号分析方法及系统，能够有效提取泄漏信号，提高泄漏定位的准确性。为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种管道泄漏次声波信号分析方法，包括：
采集管道泄漏次声波原始信号；
对原始信号进行变分模态分解，将原始信号分解得到若干个模态分量，确定单边频谱、基频带；
基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子；
基于最优的二次惩罚因子，反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解，将最优模态分量叠加重构得到降噪后的信号；
使用均方差误差和信噪比评价降噪后的信号，当均方根误差越小且信噪比越大时，降噪效果越好。
结合第一方面，进一步地，所述确定单边频谱、基频带，包括：
利用变分模态分解将泄漏次声波原始信号分解成k个固有模态分量；
反复迭代确定每个固有模态分量的中心频率和带宽，得到每个模态分量的解析信号；
通过Hilbert变换计算每个模态分量的解析信号，得到每个模态分量的单边频谱；
将每个固有模态分量的解析信号与预估的中心频率进行混合，将每个模态的频谱调制到相应的基频带。
结合第一方面，进一步地，所述基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，包括：
基于单边频谱和基频带，约束变分模态分解模型如下：
式(1)中，uk(t)表示第k个固有模态分量，k＝1,2,…,n；wk表示中心频率；Πt表示Π乘以t；j表示虚数符号；f(t)表示输入原始信号；s,t为约束条件的英文缩写；
引入二次惩罚因子α和Lagrange表达式，将约束变分模态分解模型变为非约束变分模态分解模型，Lagrange表达式如下：
式(2)中，λ表示Lagrange因子，用以保证约束条件的严格性；{uk}为模态分量；{wk}为中心频率。
结合第一方面，进一步地，所述得到最优的二次惩罚因子，包括：
采用短时傅里叶变换对原始信号做时频分析，得到原始信号的时频分布；
基于原始信号的时频分布和频率分量的幅值谱，得到单个频率分量的频带熵；
根据频率分量的特征情况自适应的匹配权重值，减少突发信号对频带熵选取的影响；
基于单个频率分量的频带熵和对应的权重值，计算全频带的各个频率分量的频带熵；
比较全频带的各个频率分量的频带熵，找到频带熵最小的频率分量；
基于频带熵最小的频率分量，利用STET的窗长度确定原始信号分解最佳带宽；
根据二次惩罚因子与原始信号分解带宽的函数关系，利用原始信号分解最佳带宽得到最优的二次惩罚因子。
结合第一方面，进一步地，所述确定各模态分量的最优解，包括：
基于最优的二次惩罚因子，用交替方向乘子算法反复迭代寻求扩展Lagrange表达式的鞍点最小值，得到Lagrange表达式中模态分量{uk}的最优解和中心频率{wk}的最优解，通过下式表示：
式(3)(4)(5)中，表示第n+1次迭代时模态分量；/>表示第n+1次迭代时中心频率；/>表示第n+1次迭代时增广Lagrange函数的鞍点；
f(w)表示输入信号；表示第n次迭代时模态分量；/>表示增广Lagrange函数的鞍点；α表示最优的二次惩罚因子；w表示频率值；wk表示中心频率；/>表示第n次迭代时增广Lagrange函数的鞍点；τ表示噪声容忍度，满足信号分解的保真度要求；
运用乘子交替方向法对增广拉格朗日表达式的极值进行求解，把原始信号分解为k个模态分量，求解得到确定各模态分量的最优解；
将得到的各模态分量的最优解按k的次序进行重构，得到降噪后信号。
结合第一方面，进一步地，所述计算原始信号与降噪后信号的均方差误差和信噪比，通过下式进行计算：
式(6)(7)中，MSE表示均方误差，SNR表示信噪比，X(i)表示原始信号，S’(i)表示降噪后的信号，当S’(i)-X(i)越小时，均方根误差越小，信噪比越大，降噪效果越好。
第二方面，本发明提供了一种管道泄漏次声波信号分析系统，包括：
采集模块：用于采集管道泄漏次声波原始信号；
分解模块：用于对原始信号进行变分模态分解，将原始信号分解得到若干个模态分量，确定单边频谱、基频带；
参数优化模块：用于基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子；
降噪模块：用于基于最优的二次惩罚因子，反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解，将最优模态分量叠加重构得到降噪后的信号；
评估模块：用于使用均方差误差和信噪比评价降噪后的信号，当均方根误差越小且信噪比越大时，降噪效果越好。
第三方面，本发明提供了一种计算设备，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
第四方面，本发明提供了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第一方面所述方法的步骤。
与现有技术相比，本发明实施例所提供的一种管道泄漏次声波信号分析方法及系统所达到的有益效果包括：
本发明采集管道泄漏次声波原始信号；对原始信号进行初始变分模态分解，确定单边频谱、基频带，将原始信号分解得到若干个最优模态分量，将最优模态分量叠加重构得到降噪后的信号；其中，将原始信号分解得到若干个最优模态分量，包括：基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子；基于最优的二次惩罚因子，反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解；本发明减少二次惩罚因子选择的随意性，能够增加二次惩罚因子的寻优能力，去除边界效应和内部跳跃导致的虚假噪声信号；
本发明计算原始信号与降噪后信号的均方差误差和信噪比，当均方根误差越小且信噪比越大时，降噪效果越好；本发明能够有效地提取泄漏信号，提高泄漏定位的准确性。
附图说明
图1是本发明实施例一提供的一种管道泄漏次声波信号分析方法的流程图；
图2是本发明实施例二提供的实验装置示意图；
图3是本发明实施例二提供的原始信号图；
图4是本发明实施例二提供的原始信号经过变分模态分解后的分解图；
图5是本发明实施例二提供的利用曲线拟合的方法得到的二次惩罚因子与原始信号分解带宽的函数关系；
图6是本发明实施例二提供的函数与数据之间的曲线拟合可信度结果分析；
图7是本发明实施例二提供的数据与函数偏差分布情况；
图8是本发明实施例二得到的各模态分量的最优解。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
本发明实施例提供了一种管道泄漏次声波信号分析方法，包括：
采集管道泄漏次声波原始信号；
对原始信号进行变分模态分解，将原始信号分解得到若干个模态分量，确定单边频谱、基频带；
基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子；
基于最优的二次惩罚因子，反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解，将最优模态分量叠加重构得到降噪后的信号；
使用均方差误差和信噪比评价降噪后的信号，当均方根误差越小且信噪比越大时，降噪效果越好。
具体步骤如下：
步骤1：采集管道泄漏次声波原始信号。
步骤2：对原始信号进行变分模态分解，将原始信号分解得到若干个模态分量，确定单边频谱、基频带。
步骤2.1：利用变分模态分解将泄漏次声波原始信号分解成k个固有模态分量，用下式表示：
式(1)中，X(i)表示原始信号，uk(t)表示第k个固有模态分量，k＝1,2,…,n。
步骤2.2：反复迭代确定每个固有模态分量的中心频率和带宽，实现信号频域剖分及各个IMF的有效分离，得到每个模态分量的解析信号，每个模态分量都是一个单分量的解析信号，其表达式为；
式(2)中，Ak(t)为uk(t)的瞬时幅值；为uk(t)的瞬时相角。
步骤2.3：通过Hilbert变换计算每个模态分量的解析信号，得到每个模态分量的单边频谱，通过下式表示：
式(3)中，表示单边频谱；δ(t)表示单位脉冲函数；j表示虚数符号；Πt表示Π乘以t。
步骤2.4：将每个固有模态分量的解析信号与预估的中心频率进行混合，将每个模态的频谱调制到相应的基频带，通过下式表示：
式(4)中，表示每个模态的频谱调制到相应的基频带，wk表示模态的中心频率。
步骤3：基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子。
步骤3.1：基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，包括：
步骤3.1.1：基于单边频谱和基频带，约束变分模态分解模型如下：
式(5)中，uk(t)表示第k个固有模态分量，k＝1,2,…,n；wk表示中心频率；Πt表示Π乘以t；j表示虚数符号；f(t)表示输入原始信号；s,t为约束条件的英文缩写。
步骤3.1.2：引入二次惩罚因子α和Lagrange表达式，将约束变分模态分解模型变为非约束变分模态分解模型，Lagrange表达式如下：
式(6)中，λ表示Lagrange因子，用以保证约束条件的严格性；{uk}为模态分量；{wk}为中心频率。
二次惩罚因子α为较大的正数，保证在信号中含有虚假噪声的情况下有较好的重构精度，现有技术中二次惩罚因子的参数值主要是通过人为赋值，二次惩罚因子的选择区间一般为[1000,5000]之间，一般在进行变分模态分解中默认α＝2000，具有较大的随意性，且二次惩罚因子的选择很大程度上决定了非约束性变分过程中的域边界情况，对整个分解过程的影响较大，可见，现有技术中二次惩罚因子的取值是有缺陷的。
步骤3.2：得到最优的二次惩罚因子。
步骤3.2.1：采用短时傅里叶变换对原始信号做时频分析，得到原始信号的时频分布，时频分布为：
式(7)中，TER表示原始信号的时频分布情况；M表示频率点数；C表示窗口数，L表示窗函数沿时间轴移动的步长。
步骤3.2.2：基于原始信号的时频分布和频率分量的幅值谱，得到单个频率分量的频带熵，通过下式表示：
式(8)中，Hi表示单个频率分量的频带熵；pm,i表示频率分量的幅值谱；Fm表示频率分量Xi沿时间轴的谱分布，其变化揭示了频率分量沿时间轴的变化情况。
步骤3.2.3：根据频率分量的特征情况自适应的匹配权重值，减少突发信号对频带熵选取的影响。
权重值通过下式进行匹配计算：
式(9)中，wi表示权重值大小；ng表示当前迭代次数；表示频率分量的上界；/>表示频率分量的下界；Hmax表示频带熵值最大的位置；Hmin表示频带熵值最小的位置；d1和d2为两个常数，其取值根据频率分量特点分配。
步骤3.2.4：基于单个频率分量的频带熵和对应的权重值，计算全频带的各个频率分量的频带熵，通过下式进行计算：
Hsi＝(w1H1,w2H2,…,wMHM) (10)
式(10)中，Hsi表示全频带的第i个频率分量的频带熵。
若频率分量Xi随时间平缓变化或规律变化，则该频率分量的频带熵较小；若在某段时间内有复杂波动，则频带熵较大。
步骤3.2.5：比较全频带的各个频率分量的频带熵，找到频带熵最小的频率分量，该频率分量为Xmin，其频带熵为Hs(min)。
步骤3.2.6：基于频带熵最小的频率分量Xmin，利用STET的窗长度Nω确定原始信号分解最佳带宽，通过下式进行计算：
式(11)中，Δf表示信号分解最佳带宽；Nω表示STET的窗长度，且Nω＝2k，k＝1,2,…M。
步骤3.2.7：根据二次惩罚因子与原始信号分解带宽的函数关系，利用原始信号分解最佳带宽得到最优的二次惩罚因子。
根据二次惩罚因子α与信号分解带宽Δf之间的关系，利用曲线拟合的方法得到函数关系。然后通过最佳带宽Δf的数值反推得到最优的二次惩罚因子α。二次惩罚因子α决定着模态分量的带宽，α值越小，信号带宽越大，过大的带宽会使得某些分量包含其他分量信号；α值越大，信号带宽越小，过小的带宽是使得被分解的信号中某些信号丢失。
步骤4：基于最优的二次惩罚因子，反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解，将最优模态分量叠加重构得到降噪后的信号。
步骤4.1：基于最优的二次惩罚因子，用交替方向乘子算法反复迭代寻求扩展Lagrange表达式的鞍点最小值，得到Lagrange表达式中模态分量{uk}的最优解和中心频率{wk}的最优解，通过下式表示：
式(12)(13)(14)中，表示第n+1次迭代时模态分量；/>表示第n+1次迭代时中心频率；/>表示第n+1次迭代时增广Lagrange函数的鞍点；
f(w)表示输入信号；表示第n次迭代时模态分量；/>表示增广Lagrange函数的鞍点；α表示最优的二次惩罚因子；w表示频率值；wk表示中心频率；/>表示第n次迭代时增广Lagrange函数的鞍点；τ表示噪声容忍度，满足信号分解的保真度要求。
步骤4.2：运用乘子交替方向法对增广拉格朗日表达式的极值进行求解，把原始信号分解为k个模态分量，求解得到确定各模态分量的最优解。
步骤4.2.1：初始化n。
步骤4.2.2：n＝n+1，进行迭代循环。
步骤4.2.3：对uk、wk进行交替更新，重复执行k次。
步骤4.2.4：更新
步骤4.2.5：对步骤4.2.1-步骤4.2.4进行重复迭代直至满足终止条件，其中，终止条件为：ε表示精度收敛判据，一般根据实际频率分布取值且必须大于0。
步骤4.3：将得到的各模态分量的最优解按k的次序进行重构，得到降噪后信号。
步骤5：使用均方差误差和信噪比评价降噪后信号。计算公式如下：
式(15)(16)中，MSE表示均方误差，SNR表示信噪比，X(i)表示原始信号，S’(i)表示降噪后的信号，当S’(i)-X(i)越小时，均方根误差越小，信噪比越大，降噪效果越好。
实施例二：
本实施例采用如图2所示的实验装置验证将实施例一提供的一种管道泄漏次声波信号分析方法的准确性。
如图2所示为实验装置，包括非金属埋地管网、次声波采集装置和压力监测系统。本实施例采用空压机输气模拟城市气体管道的运行过程，具体管道参数及输送介质参数见表1。
表1管道系统参数
参数名称 符号 值 单位
管道总长度 L 15.9 m
泄漏孔位置 x 8.12 m
管道内径 D 63 mm
管内温度 t 24 ℃
步骤S1：将空压机的工作压力调至0.3MPa，利用次声波采集装置获取管道次声波信号。首先在开启泄漏阀模拟管道泄漏，分别在1mm、2mm、3mm、5mm、8mm泄漏情况下每隔1min采集1组数据，持续采集300秒共获得5组数据；由此，共获得25组对应工况下的管道次声波信号。
步骤S2：随机选择对第21组采集到的原始信号，原始信号图如图3所示，进行变分模态分解，得到若干个固有模态分量uk(t)，得到如图4所示的分解图。
步骤S3：采用短时傅里叶变换对信号做时频分析，得到原始信号时频图；根据二次惩罚因子α与信号分解带宽Δf之间的关系，利用曲线拟合的方法得到函数关系：
Δf＝1764-235.9*cos(0.9562α)-325*sin(0.9262α)+107.7*cos(1.9124α)-9.975*sin(1.9124α) (17)
曲线拟合如图5所示。通过比较函数关系和数据的契合程度，均值方差为20.7，证明函数关系与数据是十分贴切的，如图6和图7所示；再通过最佳匹配的带宽1956bps，利用函数进行倒推，得到最佳的二次惩罚因子α为2240；代入到变分模态分解中，得到各模态分量的最优解，如图7所示。
步骤S4：通过均方差误差(MSE)和信噪比(SNR)来评价重构后的降噪效果；将步骤S3得到的各模态分量的最优解的每组的数据和原始信号数据带入公式，得到改进后仿真信号的均方误差和信噪比(式19)；同时运用现有技术中变分模态分解默认α＝2000时得到的各模态分量的数据和原始信号数据带入公式，得到未优化仿真信号的均方误差和信噪比(式18)。
未优化仿真信号的均方误差和信噪比：
改进后仿真信号的均方误差和信噪比：
表2均方误差和信噪比对比
未优化VMD 基于自适应加权频带熵优化VMD算法
均方误差MSE 0.0192 0.0176
信噪比SNR/dB 16.2399 20.4254
如表2所示，对于仿真信号，现有技术中未优化的变分模态分解方法分解后得到的重构信号与原信号的均方误差和信噪比分别为0.0192，16.2399，而经过实施例一提供的一种管道泄漏次声波信号分析方法得到的重构信号与原信号的均方误差和信噪比分别为0.0176，20.4254。两者相比较，均方误差明显减小，信噪比明显提升，信噪比越高噪声滤除效果就越好，所以本申请的去噪效果更好，能够有效提取泄漏信号，提高泄漏定位的准确性。
结果表明，本发明提出的一种管道泄漏次声波信号分析方法能够有效进行消噪，降低虚假噪声影响。
实施例三：
本发明实施例提供了一种管道泄漏次声波信号分析系统，包括：
采集模块：用于采集管道泄漏次声波原始信号；
分解模块：用于对原始信号进行变分模态分解，将原始信号分解得到若干个模态分量，确定单边频谱、基频带；
参数优化模块：用于基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子；
降噪模块：用于基于最优的二次惩罚因子，反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解，将最优模态分量叠加重构得到降噪后的信号；
评估模块：用于使用均方差误差和信噪比评价降噪后的信号，当均方根误差越小且信噪比越大时，降噪效果越好。
实施例四：
本发明实施例提供一种计算设备，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
实施例五：
本发明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实施例一所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种管道泄漏次声波信号分析方法，其特征在于，包括：
采集管道泄漏次声波原始信号；
对原始信号进行变分模态分解，将原始信号分解得到若干个模态分量，确定单边频谱、基频带；
基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子；
基于最优的二次惩罚因子，反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解，将最优模态分量叠加重构得到降噪后的信号；
使用均方差误差和信噪比评价降噪后的信号，当均方根误差越小且信噪比越大时，降噪效果越好。
2.根据权利要求1所述的管道泄漏次声波信号分析方法，其特征在于，所述确定单边频谱、基频带，包括：
利用变分模态分解将泄漏次声波原始信号分解成k个固有模态分量；
反复迭代确定每个固有函数分量的中心频率和带宽，得到每个模态分量的解析信号；
通过Hilbert变换计算每个模态分量的解析信号，得到每个模态分量的单边频谱；
将每个固有模态分量的解析信号与预估的中心频率进行混合，将每个模态的频谱调制到相应的基频带。
3.根据权利要求2所述的管道泄漏次声波信号分析方法，其特征在于，所述基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，包括：
基于单边频谱和基频带，约束变分模态分解模型如下：
式(1)中，uk(t)表示第k个固有模态分量，k＝1,2,…,n；wk表示中心频率；Πt表示Π乘以t；j表示虚数符号；f(t)表示输入原始信号；s,t为约束条件的英文缩写；
引入二次惩罚因子α和Lagrange表达式，将约束变分模态分解模型变为非约束变分模态分解模型，Lagrange表达式如下：
式(2)中，λ表示Lagrange因子，用以保证约束条件的严格性；{uk}为模态分量；{wk}为中心频率。
4.根据权利要求1所述的管道泄漏次声波信号分析方法，其特征在于，所述得到最优的二次惩罚因子，包括：
采用短时傅里叶变换对原始信号做时频分析，得到原始信号的时频分布；
基于原始信号的时频分布和频率分量的幅值谱，得到单个频率分量的频带熵；
根据频率分量的特征情况自适应的匹配权重值，减少突发信号对频带熵选取的影响；
基于单个频率分量的频带熵和对应的权重值，计算全频带的各个频率分量的频带熵；
比较全频带的各个频率分量的频带熵，找到频带熵最小的频率分量；
基于频带熵最小的频率分量，利用STET的窗长度确定原始信号分解最佳带宽；
根据二次惩罚因子与原始信号分解带宽的函数关系，利用原始信号分解最佳带宽得到最优的二次惩罚因子。
5.根据权利要求1所述的管道泄漏次声波信号分析方法，其特征在于，所述确定各模态分量的最优解，包括：
基于最优的二次惩罚因子，用交替方向乘子算法反复迭代寻求扩展Lagrange表达式的鞍点最小值，得到Lagrange表达式中模态分量{uk}的最优解和中心频率{wk}的最优解，通过下式表示：
式(3)(4)(5)中，表示第n+1次迭代时模态分量；/>表示第n+1次迭代时中心频率；/>表示第n+1次迭代时增广Lagrange函数的鞍点；
f(w)表示输入信号；表示第n次迭代时模态分量；/>表示增广Lagrange函数的鞍点；α表示最优的二次惩罚因子；w表示频率值；wk表示中心频率；/>表示第n次迭代时增广Lagrange函数的鞍点；τ表示噪声容忍度，满足信号分解的保真度要求；
运用乘子交替方向法对增广拉格朗日表达式的极值进行求解，把原始信号分解为k个模态分量，求解得到确定各模态分量的最优解；
将得到的各模态分量的最优解按k的次序进行重构，得到降噪后信号。
6.根据权利要求1所述的管道泄漏次声波信号分析方法，其特征在于，计算原始信号与降噪后信号的均方差误差和信噪比，通过下式进行计算：
式(6)(7)中，MSE表示均方误差，SNR表示信噪比，X(i)表示原始信号，S’(i)表示降噪后的信号，当S’(i)-X(i)越小时，均方根误差越小，信噪比越大，降噪效果越好。
7.一种管道泄漏次声波信号分析系统，其特征在于，包括：
采集模块：用于采集管道泄漏次声波原始信号；
分解模块：用于对原始信号进行变分模态分解，将原始信号分解得到若干个模态分量，确定单边频谱、基频带；
参数优化模块：用于基于单边频谱和基频带，引入二次惩罚因子和Lagrange表达式，利用自适应加权频带熵作为适应度函数，利用曲线拟合的方法得到二次惩罚因子与原始信号分解带宽的函数关系，得到最优的二次惩罚因子；
降噪模块：用于基于最优的二次惩罚因子，反复迭代寻求扩展Lagrange表达式的鞍点最小值，确定各模态分量的最优解，将最优模态分量叠加重构得到降噪后的信号；
评估模块：用于使用均方差误差和信噪比评价降噪后的信号，当均方根误差越小且信噪比越大时，降噪效果越好。
8.一种计算设备，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行权利要求1～6任一项所述方法的步骤。
9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～6任一项所述方法的步骤。
CN202210110378.1A 2022-01-29 2022-01-29 一种管道泄漏次声波信号分析方法及系统 Active CN114441111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210110378.1A CN114441111B (zh) 2022-01-29 2022-01-29 一种管道泄漏次声波信号分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210110378.1A CN114441111B (zh) 2022-01-29 2022-01-29 一种管道泄漏次声波信号分析方法及系统

Publications (2)

Publication Number Publication Date
CN114441111A CN114441111A (zh) 2022-05-06
CN114441111B true CN114441111B (zh) 2023-09-29

Family

ID=81371675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210110378.1A Active CN114441111B (zh) 2022-01-29 2022-01-29 一种管道泄漏次声波信号分析方法及系统

Country Status (1)

Country Link
CN (1) CN114441111B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114754857B (zh) * 2022-06-14 2022-08-23 之江实验室 一种两段式光纤传感水声信号补偿方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108801634A (zh) * 2018-03-21 2018-11-13 昆明理工大学 基于奇异值分解和优化的频带熵提取轴承故障特征频率的方法及其应用
CN108805845A (zh) * 2018-08-10 2018-11-13 南京信息工程大学 小波包与偏微分方程相结合的图像去噪方法
CN109446928A (zh) * 2018-10-10 2019-03-08 南京航空航天大学 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
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
WO2021056727A1 (zh) * 2019-09-27 2021-04-01 山东科技大学 一种基于变分模态分解和排列熵的联合降噪方法
CN113049684A (zh) * 2021-03-23 2021-06-29 大连海洋大学 基于变分模态分解的超声兰姆波缺陷信号识别方法
CN113125852A (zh) * 2021-04-22 2021-07-16 云南电网有限责任公司电力科学研究院 一种谐波分析方法
CN113591652A (zh) * 2021-07-22 2021-11-02 中南大学 一种基于优化变分模态分解的电磁信号处理方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108801634A (zh) * 2018-03-21 2018-11-13 昆明理工大学 基于奇异值分解和优化的频带熵提取轴承故障特征频率的方法及其应用
CN108805845A (zh) * 2018-08-10 2018-11-13 南京信息工程大学 小波包与偏微分方程相结合的图像去噪方法
CN109446928A (zh) * 2018-10-10 2019-03-08 南京航空航天大学 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法
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
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
WO2021056727A1 (zh) * 2019-09-27 2021-04-01 山东科技大学 一种基于变分模态分解和排列熵的联合降噪方法
CN113049684A (zh) * 2021-03-23 2021-06-29 大连海洋大学 基于变分模态分解的超声兰姆波缺陷信号识别方法
CN113125852A (zh) * 2021-04-22 2021-07-16 云南电网有限责任公司电力科学研究院 一种谐波分析方法
CN113591652A (zh) * 2021-07-22 2021-11-02 中南大学 一种基于优化变分模态分解的电磁信号处理方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多尺度模糊熵和稀疏表征分类的管道多重堵塞状态识别;伍林峰;冯早;朱雪峰;;化工自动化及仪表(01);全文 *
基于频带熵的滚动轴承故障诊断研究;刘韬;陈进;董广明;振动与冲击(001);全文 *

Also Published As

Publication number Publication date
CN114441111A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
RU2750516C1 (ru) Способ многопозиционного определения положения утечек в трубопроводе на основе улучшенной вмд
CN110671613B (zh) 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
CN110850482B (zh) 一种基于变分模态分解原理的瞬变电磁信噪分离方法
CN102116868B (zh) 一种地震波分解方法
CN108334987B (zh) 一种基于小波分解-神经网络的海浪波高预测方法
CN101630982A (zh) 基于并行压缩感知的宽带认知无线电频谱检测方法
CN109270345A (zh) 一种电网谐波信号的检测方法
CN114441111B (zh) 一种管道泄漏次声波信号分析方法及系统
CN102519725A (zh) 通过非线性冗余提升小波包处理轴承设备振动信号的方法
CN112303504B (zh) 一种基于改进的变分模式分解算法的供水管道泄漏位置检测方法
CN105785324A (zh) 基于mgcstft的线性调频信号参数估计方法
CN112132027A (zh) 基于改进稠密神经网络的水声信号调制方式类间识别方法
CN112539887A (zh) 一种基于wt-lcd-wd的管道泄漏信号去噪方法
CN115718860A (zh) 一种基于模态分解与稀疏时域法的低频振荡模态辨识方法
CN109630908B (zh) 一种多次降噪的管道泄漏定位方法
Kadhim et al. Digital filters windowing for data transmission enhancement in communication channel
Liu et al. Using novel complex-efficient FastICA blind deconvolution method for urban water pipe leak localization in the presence of branch noise
Zhang et al. An adaptive demodulation approach for bearing fault detection based on adaptive wavelet filtering and spectral subtraction
CN116559579A (zh) 基于改进的VMD和Teager能量算子故障定位方法
Gu et al. Weak fault feature extraction of rolling element bearings based on ensemble tunable Q-factor wavelet transform and non-dominated negentropy
CN102664658A (zh) 一种基于扩频系统的跳频gsm干扰抑制方法及其系统
CN112836583B (zh) 一种风力机故障诊断方法
CN104156509A (zh) 一种噪声合成方法
Atanackovic et al. Statistical shipping noise characterization and mitigation for underwater acoustic communications
Han et al. A time-frequency sparse strategy based on optimal flux atom and scale lp approximation operator

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