CN114722856A - 管道损伤监测方法及装置 - Google Patents
管道损伤监测方法及装置 Download PDFInfo
- Publication number
- CN114722856A CN114722856A CN202210199499.8A CN202210199499A CN114722856A CN 114722856 A CN114722856 A CN 114722856A CN 202210199499 A CN202210199499 A CN 202210199499A CN 114722856 A CN114722856 A CN 114722856A
- Authority
- CN
- China
- Prior art keywords
- signal
- healthy
- echo
- characteristic
- damaged
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请实施例提供一种管道损伤监测方法及装置,所述方法包括:获取待测管道在役时的监测信号和预先确定的基准马氏空间;对所述监测信号进行特征提取,得到所述监测信号的监测特征向量;根据所述监测特征向量和基于所述监测特征向量所构建的监测特征矩阵,确定所述监测信号的监测马氏距离;对所述监测马氏距离与所述基准马氏空间进行比较,得到所述监测马氏距离与所述基准马氏空间之间的偏离程度;根据所述偏离程度确定所述待测管道的损伤状态。
Description
技术领域
本申请涉及无损检测领域,涉及但不限于一种管道损伤监测方法及装置。
背景技术
近年来,随着经济快速发展,对石油燃气等能源的需求日益旺盛,一方面,压力管道因为占地小、运输量大和运输成本低廉稳定等优点成为能源运输的主要方式;但另一方面,由于管网覆盖面积进一步扩大,部分在役管道建设年限较高,管道容易出现损耗缺陷,使得输送设备的运行风险不断上升,一旦发生事故,将严重影响到公众生命财产安全,造成不可估量的损失以及恶劣影响。
管道腐蚀是引起管道事故的一大重要原因,管道腐蚀分为外腐蚀和内腐蚀,其中,外腐蚀主要是冲刷腐蚀、土壤腐蚀等;内腐蚀主要由运输介质中的腐蚀成分造成,管道腐蚀容易导致管道损伤,出现穿孔以及爆管的情况,引发介质泄漏等一系列安全事故。
超声导波技术是当前针对压力管道检测的无损检测方法。但是,由于管道具有复杂性和隐蔽性,且管道系统的规模日益扩大,运行环境复杂,传统的超声无损检测手法,例如超声检测、电磁探伤或渗透探伤等单点式检测方法,都无法满足结构健康检测中对时效性、可靠性、大范围性、经济性和安全性的要求。因此,需要对在役管道的安全性提出了更高的要求,提出可靠、有效的管道健康运行状态的在线监测技术和方法是急需解决的问题。
发明内容
有鉴于此,本申请实施例提供一种管道损伤监测方法及装置。
第一方面,本申请实施例提供一种管道损伤监测方法,方法包括:
获取待测管道在役时的监测信号和预先确定的基准马氏空间;
对所述监测信号进行特征提取,得到所述监测信号的监测特征向量;
根据所述监测特征向量和基于所述监测特征向量所构建的监测特征矩阵,确定所述监测信号的监测马氏距离;
对所述监测马氏距离与所述基准马氏空间进行比较,得到所述监测马氏距离与所述基准马氏空间之间的偏离程度;
根据所述偏离程度确定所述待测管道的损伤状态。
在一些实施例中,确定所述基准马氏空间的步骤包括:
获取所述待测管道的健康回波信号和受损回波信号;
对所述健康回波信号和所述受损回波信号进行自适应噪声完备集合经验模态CEEMD分解,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数;
根据所述健康特征参数,构建所述健康回波信号对应的健康特征矩阵;
计算在所述健康特征矩阵下所述健康回波信号的马氏距离,并整合所述健康回波信号的马氏距离得到马氏空间;
基于所述受损特征参数,通过田口优化方法计算所述健康回波信号的基准马氏距离,并整合所述基准马氏距离得到所述基准马氏空间。
在一些实施例中,在获取所述待测管道的健康回波信号和受损回波信号之前,所述方法还包括:
在所述待测管道上设置监测点,其中,所述监测点对应一导波换能器,所述导波换能器用于接收回波信号;
获取所述待测管道的健康回波信号和受损回波信号的步骤,包括:
通过导波信号采集系统,在所述监测点激励并接收第一组回波信号,将所述第一组回波信号确定为原始健康回波信号;
通过置于所述待测管道上的目标损伤对象,模拟管道受损情况;
在所述待测管道受损情况下,在所述监测点激励并接收第二组回波信号,将所述第二组回波信号确定为原始受损回波信号;
根据所述原始健康回波信号和所述原始受损回波信号,建立信号基准库;
对所述原始健康回波信号和所述原始受损回波信号进行信号预处理,并采用小波去噪法对预处理后的原始健康回波信号和预处理后的原始受损回波信号进行滤波;
将滤波后的原始健康回波信号确定为所述待测管道的健康回波信号,将滤波后的原始受损回波信号,确定为所述待测管道的受损回波信号。
在一些实施例中,所述信号基准库中信号的数量为2N,其中,所述原始健康回波信号的数量与所述原始受损回波信号的数量均为N,N为大于或等于1的整数。
在一些实施例中,回波信号包括健康回波信号和受损回波信号;
对所述健康回波信号和所述受损回波信号进行CEEMD分解,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数,包括:
对所述回波信号进行CEEMD分解,得到多个固有模态分量IMF,其中,固有模态分量IMF的计算通式为:
在所述回波信号x(n)中加入高斯白噪声,得到处理后的回波信号x(i):
x(i)=xn+αkw(i);
其中,wi=(i=1,2,…,n)是第i次进行CEEMD分解时加入的高斯白噪声;每阶经验模态分解需要进行L次,αk系数表示在每阶模态分解时选择的噪声系数;
获取对所述回波信号进行L次CEEMD分解所得到当阶的L个固有模态分量IMF;
对剩余信号rk进行CEEMD分解,直到剩余信号rk无法进行分解为止,以使得原始信号xi分解为多个固有模态分量IMF和残留信号r;其中,原始信号xi表示为:
其中,残留信号r为经过CEEMD分解后所残留的信号;K为CEEMD分解的次数;
确定第k个固有模态分量IMF与回波信号之间的相关系数,得到固有模态分量IMF与回波信号的相关系数序列;
根据所述相关系数对所述回波信号进行信号特征提取,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数。
在一些实施例中,确定第k个固有模态分量IMF与回波信号之间的相关系数,得到固有模态分量IMF与回波信号的相关系数序列,包括:
固有模态分量IMF与处理后的回波信号x(i)的相关系数re为:
其中,rek为第k个固有模态分量IMF与处理后的回波信号x(i)的相关系数;为加入高斯白噪声的回波信号均值;IMFk为第k次模态分解的固有模态分量;为第k次进行多次分解的固有模态分量平均值;为加入高斯白噪声的回波信号标准差;σIMF为第k个固有模态分量标准差;E[]为统计平均值;
根据每一固有模态分量IMF与回波信号之间的相关系数,对相关系数rek进行筛选排序,得到相关系数序列:
re1'>>re2'>>re3'>>…>>rek'。
在一些实施例中,根据所述相关系数对所述回波信号进行信号特征提取,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数,包括:
将相关系数rek大于预设阈值的l个固有模态分量IMF,确定为处理后的回波信号x(i)的特征分量;
根据所述特征分量对所述处理后的回波信号x(i)进行信号特征提取,得到每个IMF对应的固有模态分量能量,其中,固有模态分量能量Ei表示为:
对所述回波信号进行参数提取,得到回波信号的时域特征参数和频域特征参数;其中,回波信号的时域特征参数包括:健康回波信号的健康时域特征参数和受损回波信号的受损时域特征参数;回波信号的频域特征参数包括:健康回波信号的健康频域特征参数和受损回波信号的受损频域特征参数;
将所述健康信号能量特征参数、所述健康时域特征参数和所述健康频域特征参数,确定为所述健康回波信号的健康特征参数;
将所述受损信号能量特征参数、所述受损时域特征参数和所述受损频域特征参数,确定为所述受损回波信号的受损特征参数。
在一些实施例中,根据所述健康特征参数,构建所述健康回波信号对应的健康特征矩阵,包括:
根据所述信号基准库中健康回波信号的健康特征参数,进行特征向量构建,得到健康回波信号的特征向量Xbase,n:
将获得的健康回波信号的特征向量进行组合,构建健康信号特征矩阵:
其中,n表示健康回波信号的数量;p表示特征向量中第p个特征参数;Xnp表示第n个健康回波信号的第p个特征参数值,i=1,2,…n;j=1,2,…p。
在一些实施例中,计算在所述健康特征矩阵下所述健康回波信号的马氏距离,并整合所述健康回波信号的马氏距离得到马氏空间,包括:
根据所述健康信号特征矩阵,对预先获取的基准空间进行标准化处理,得到标准化后的基准空间:
根据标准化后的基准空间,建立标准化基准空间:
根据所述标准化基准空间,计算健康回波信号在所述标准化基准空间下的马氏距离dM,normal:
其中,S表示标准化后的健康信号特征矩阵的相关系数矩阵;
使用受损回波信号的特征向量,在健康回波信号构建的健康信号特征矩阵下,计算受损回波信号的马氏距离;
统计每一健康回波信号对应的马氏距离,得到统计结果;
根据所述统计结果,将所述健康回波信号对应的马氏距离的数值范围确定为所述健康回波信号的马氏空间。
在一些实施例中,确定基准马氏空间的步骤,包括:
使用田口优化方法,建立二水平正交表Ln(2p);
通过健康回波信号的特征向量中特征变量的信噪比增益和二水平正交表Ln(2p),对特征向量中的健康特征参数进行敏感特征参数筛选,得到筛选后的健康特征参数;其中,信噪比增益△表示为:
△=SNRsel-SNRunsel;
其中,SNRsel表示使用了特征变量的信噪比;SNRunsel表示未使用特征变量的信噪比;当Δ大于0时,选用所述特征变量;当Δ小于或等于0时,去除所述特征变量;
根据筛选后的健康特征参数,构建健康回波信号的最终特征向量Xfinal:
Xfinal=[x1,x2,x3,…xq];
根据最终特征向量Xfinal,计算健康回波信号的健康马氏距离;
统计每一健康回波信号的健康马氏距离,得到统计结果;
根据所述统计结果,将健康马氏距离的数值范围确定为所述基准马氏空间。
在一些实施例中,当所述待测管道的监测信号的监测马氏距离大于所述基准马氏空间中的马氏距离,且所述监测马氏距离与所述基准马氏空间中的马氏距离之间的所述偏离程度大于偏离阈值时,确定出所述待测管道为受损状态。
第二方面,本申请实施例提供一种管道损伤监测装置,所述装置包括:
获取模块,用于获取待测管道在役时的监测信号和预先确定的基准马氏空间;
特征提取模块,用于对所述监测信号进行特征提取,得到所述监测信号的监测特征向量;
第一确定模块,用于根据所述监测特征向量和基于所述监测特征向量所构建的监测特征矩阵,确定所述监测信号的监测马氏距离;
比较模块,用于对所述监测马氏距离与所述基准马氏空间进行比较,得到所述监测马氏距离与所述基准马氏空间之间的偏离程度;
第二确定模块,用于根据所述偏离程度确定所述待测管道的损伤状态。
本申请实施例提供的管道损伤监测方法及装置,通过确定待测管道在役时监测信号的马氏距离,并将马氏距离与预先确定的基准马氏空间进行比较,来确定监测马氏距离与基准马氏空间之间的偏离程度,以进一步确定待测管道的损伤状态。如此,本申请实施例使用特征矩阵计算马氏距离,马氏距离考虑了各变量之间的关联,不会受到特征向量维数的影响,且本申请实施例进行多特征信息参数融合判断待测管道健康状态,对待测管道长期采集的数据进行信息挖掘,提高了导波监测精度和可靠性,具有实际意义。
附图说明
在附图(其不一定是按比例绘制的)中,相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1是本申请实施例提供的管道损伤监测方法的流程示意图;
图2是本申请实施例提供的管道损伤监测方法的流程示意图;
图3是本申请实施例提供的管道损伤监测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请,而不应被这里阐述的具体实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
在下文的描述中,给出了大量具体的细节以便提供对本申请更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本申请可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本申请发生混淆,对于本领域公知的一些技术特征未进行描述;即,这里不描述实际实施例的全部特征,不详细描述公知的功能和结构。
基于相关技术中存在的问题和缺陷,本申请实施例提供一种管道损伤监测方法,通过确定待测管道在役时监测信号的马氏距离,并将马氏距离与预先确定的基准马氏空间进行比较,来确定监测马氏距离与基准马氏空间之间的偏离程度,以确定待测管道的损伤状态,不仅丰富了对管道结构损伤的监测方法,还能实现对管道运行健康状态的在线自动监测。
图1是本申请实施例提供的管道损伤监测方法的流程示意图,如图1所示,本申请实施例通过以下步骤实现管道损伤监测:
步骤S101、获取待测管道在役时的监测信号和预先确定的基准马氏空间。
在一些实施例中,获取待测管道在役时的监测信号可以是在需要进行监测的待测管道上设置监测点,并在该监测点安装一导波换能器,导波换能器用于接收回波信号,通过导波信号采集系统在该监测点激励并接收待测管道在役时的监测信号。
在一些实施例中,待测管道在役时的监测信号可以是使用导波换能器定期对在役待测管道进行检测获得的超声监测信号,待测管道在役是指待测管道是正在使用的管道,例如,一些正在使用的天然气管道。
在一些实施例中,导波是一种受波导几何形状约束影响传播的弹性波。导波能够沿着波导管道传播相对较长的距离,单检测点即可实现被检测结构全覆盖和大范围的在线监测和检测,能满足管道损伤评估快速、高效、监控和检测的需求。导波技术也因其检测距离长、检测范围大和全覆盖检测等特点应用在各个行业和领域的无损检测和在线监测中。
在一些实施例中,得到预先确定的基准马氏空间通过以下步骤完成:
通过导波信号采集系统在待测管道的监测点激励并接收第一组回波信号s1'(n);在待测管道上放置粘结铁块(即目标损伤对象),模拟管道受损的情况,在监测点激励并接收第二组回波信号s2'(n)。回波信号根据管道状况进行划分,第一组回波信号s1'(n)为原始健康回波信号x'1(n),第二组回波信号s2'(n)为原始受损回波信号x'2(n),原始健康回波信号x'1(n)和原始受损回波信号x'2(n)共同建立起信号基准库。
超声导波监测设备换能器(即导波换能器)接收回波信号s(n)(包括第一组回波信号s1'(n)和第二组回波信号s2'(n))。其中,n表示信号采集的序数,回波信号s(n)根据管道状况分为管道在健康无损伤状态下的第一组回波信号s2'(n)(即原始健康回波信号x'1(n))、和在模拟管道受损状态下的第二组回波信号s2'(n)(即原始受损回波信号x'2(n))。
在一些实施例中,信号基准库中的信号数量为2N,原始健康回波信号x'1(n)和原始受损回波信号x'2(n)的数量分别为N。
导波信号采集系统采集到的回波信号受到多因素影响,例如,现场环境的其他噪声源和管道边界条件等因素,这些因素都会对监测信号的识别产生干扰,因此,在进行信号特征提取之前,需要对采集的信号进行预先处理。
在一些实施例中,对原始健康回波信号x'1(n)和原始受损回波信号x'2(n)(即回波信号x'(n))进行信号预处理,以消除信号的直流分量和对幅值进行归一化,信号预处理后的回波信号x(n)如公式(1)所示:
其中,M表示回波信号x'(n)的信号长度;x'(n)max表示回波信号x'(n)中信号幅值的最大值;n表示回波信号x'(n)的时间序列点。
本申请实施例对回波信号x'(n)进行预处理可以降低硬件和外部环境对采集信号的干扰,提高管道损伤监测方法的判别精度。
在一些实施例中,对回波信号进行预处理之后,可以采用小波去噪法去除预处理后的回波信号x(n)中的杂波,分别获得滤波后的健康回波信号x1(n)和滤波后的受损回波信号x2(n)。
在一些实施例中,在获得滤波后的健康回波信号x1(n)和滤波后的受损回波信号x2(n)之后,逐条提取滤波后的健康回波信号x1(n)中的时域频域特征参数,对滤波后的健康回波信号x1(n)进行CEEMD分解,从分解中得到的健康回波信号固有模态分量(IntrinsicMode Components,IMF)中,进一步提取健康回波信号的信号特征参数;逐条提取滤波后的受损回波信号x2(n)中的时域频域特征参数,并对滤波后的受损回波信号x2(n)进行CEEMD分解,从分解中得到的受损回波信号固有模态分量IMF中,进一步提取受损回波信号的信号特征参数。
在一些实施例中,CEEMD分解是指自适应噪声完备集合经验模态分解(CompleteEnsemble Empirical Mode Decomposition,CEEMD),CEEMD分解算法可以降低计算量并进一步消除回波信号中的模态混叠和虚假分量。
对回波信号进行CEEMD分解可以通过以下步骤实现:
在一些实施例中,固有模态分量IMF的计算通式(2)如下所示:
在一些实施例中,在健康回波信号和受损回波信号中加入高斯白噪声,得到处理后的回波信号x(i),x(i)=xn+α0w(i),其中,wi=(i=1,2,…,n)是第i次进行CEEMD分解时加入的高斯白噪声。
在本申请实施例中,每阶经验模态分解需要进行L次,αk系数表示在每阶模态分解时选择的噪声系数。
本申请实施例设定理想的噪声系数αk,能提高经验模态分解明显度。
对剩余信号rk进行CEEMD分解,直到剩余信号rk无法进行分解,以使得处理后的回波信号分解为多个固有模态分量IMF和残留信号r,其中,残留信号r为经过CEEMD分解后的残留信号,原始信号xi表示如公式(4)所示:
在一些实施例中,每一IMF分量携带的特征信息相关性强弱不同,可以通过相关系数re对固有模态分量IMF排序,其中,固有模态分量IMF与处理后的回波信号x(i)之间的相关系数re为公式(5)所示:
其中,rek为第k个固有模态分量IMF与处理后的回波信号x(i)的相关系数;为加入高斯白噪声的回波信号均值;IMFk为第k次模态分解的固有模态分量;为第k次进行多次分解的固有模态分量平均值;为加入高斯白噪声的回波信号标准差;σIMF为第k固有模态分量标准差;E[]为统计平均值。
将相关系数rek大于预设阈值的l个固有模态分量IMF,确定为处理后的回波信号x(i)的特征分量,根据所述特征分量对所述处理后的回波信号x(i)进行信号特征提取,得到每个IMF对应的固有模态分量能量,其中,固有模态分量能量Ei如公式(6)所示:
在本申请实施例中,将IMF分量的能量熵确定为回波信号的信号能量特征参数。回波信号包括健康回波信号和受损回波信号。重复上述步骤,对信号基准库中的受损回波信号进行CEEMD分解、固有模态IMF分量选择和频域特征提取,得到受损回波信号的信号能量特征参数。信号能量特征参数为前l个高相关性固有模态分量IMF提取的能量熵参数。
对信号基准库中滤波后的健康回波信号x1(n)进行时域特征参数和频域特征特征参数的提取。其中,时域特征参数包括均方差标准差能量分率峭度偏度峰度因子波形因子和脉冲因子频域特征参数包括重心频率峰值频率均方根频率频率歪度频率标准差频率峭度和频率均方根对滤波后的受损回波信号x2(n)进行时域特征参数和频域特征特征参数的提取,信号能量特征参数同样为前l个高相关性固有模态分量IMF提取的能量熵参数。
在一些实施例中,可以对回波信号中有量纲的信号特征参数进行去量纲化,如公式(8)所示:
xn=log10(xn) (8)
其中,xn为有量纲的信号特征参数。
在一些实施例中,可以将健康回波信号的特征参数组成健康特征信号特征向量Xbase,构建特征矩阵,计算该特征矩阵下每个信号特征向量的马氏距离,整合马氏距离得到马氏空间。
在本申请实施例中,得到马氏空间的步骤包括:
对信号基准库中的健康回波信号进行信号参数提取和信号向量构建,得到第n个健康回波信号的特征向量Xbase,n,如公式(9)所示:
将获得的n条健康回波信号的特征向量进行组合,构建健康信号特征矩阵X,如公式(10)所示:
其中,n表示健康回波信号的数量,p表示特征向量中第p个特征参数,Xnp表示第n个健康回波信号的第p个特征参数值,i=1,2,…n;j=1,2,…p。
根据健康信号特征矩阵X,对预先获取的的基准空间进行标准化处理,得到标准化后的基准空间,如公式(11)所示:
其中,S表示标准化后的健康信号特征矩阵的相关系数矩阵,即协方差矩阵。
统计每一健康回波信号对应的马氏距离,将所述马氏距离涉及的数值范围确定为健康回波信号的马氏空间。
使用受损回波信号x'2(n)提取得到的信号特征向量,在健康回波信号构建的特征矩阵下,计算受损回波信号的马氏距离。
在本申请实施例中,受损回波信号x'2(n)的马氏距离将会明显大于计算健康回波信号获得的马氏距离。
在一些实施例中,可以使用田口优化方法,建立正交表,通过特征向量中特征变量的信噪比增益,对特征向量进行敏感特征参数筛选,筛选掉健康特征参数中部分对管道损伤钝感的特征参数,每条健康回波信号选取筛选出来的敏感信号特征参数重新组成信号特征向量,并重新构建基准特征矩阵X,计算得到基准马氏距离dM和基准马氏空间。
在本申请实施例中,得到基准马氏空间可以通过以下步骤形成:
在一些实施例中,健康回波信号的特征向量为p维向量。通过选用二水平正交表Ln(2p)来最小化特征参数的特征变量,进行敏感特征向量识别;其中,在二水平正交表Ln(2p)中,“1”表示选用特征向量,“2”表示不选用特征向量。
在一些实施例中,在计算时分别组成使用特征变量和不使用特征变量的信号特征向量,并构建使用特征变量和不使用特征变量下的特征矩阵,计算使用特征变量和不使用特征变量下受损回波信号的马氏距离,用信噪比差值反应使用选择特征变量对损伤识别的敏感度,如公式(13)所示:
其中,m为受损回波信号的个数,dM,k为第k个受损回波信号的马氏距离。
通过信噪比增益△来判断选择特征变量的信号的识别效果,其中,信噪比增益△表示为公式(14):
△=SNRsel-SNRunsel (14)
其中,SNRsel表示使用了所述选择变量的信噪比;SNRunsel表示未使用所述选择变量的信噪比;当Δ大于0时,选用所述特征变量;当Δ小于或等于0时,去除所述特征变量。
通过健康回波信号的特征向量中特征变量的信噪比增益,对特征向量中的健康特征参数进行敏感特征参数筛选,得到筛选后的健康特征参数。通过筛选后的健康特征参数重新构建特征向量Xfinal=[x1,x2,x3,…xq],重新计算健康回波信号的健康马氏距离,统计所述健康马氏距离,得到统计结果;根据所述统计结果,将健康马氏距离的数值范围确定为所述基准马氏空间。
步骤S102、对所述监测信号进行特征提取,得到所述监测信号的监测特征向量。
在本申请实施例中,采用步骤S101提取监测信号的特征参数,组成信号特征向量Xcollect,1。
步骤S103、根据所述监测特征向量和基于所述监测特征向量所构建的监测特征矩阵,确定所述监测信号的监测马氏距离。
步骤S104、对所述监测马氏距离与所述基准马氏空间进行比较,得到所述监测马氏距离与所述基准马氏空间之间的偏离程度。
步骤S105、根据所述偏离程度确定所述待测管道的损伤状态。
根据信号特征向量Xcollect,1,计算监测信号(即监测信号)的马氏距离dmonitoring,比较监测信号马氏距离dmonitoring与基准马氏空间之间的偏离程度,通过监测监测信号马氏距离偏离基准马氏空间的程度来判断待测管道的运行健康状态。
在一些实施例中,可以持续在待测管道设置的监测点进行监测信号采集,提取第m次的监测信号特征参数,计算监测信号的马氏距离dmonitoring,来判断待测管道的运行健康状态。
在一些实施例中,当所述待测管道的监测信号的监测马氏距离大于所述基准马氏空间中的马氏距离,且所述监测马氏距离与所述基准马氏空间中的马氏距离之间的所述偏离程度大于偏离阈值时,确定出所述待测管道为受损状态。
在本申请实施例中,健康回波信号的马氏距离大小趋近于1。当待测管道受损出现缺陷时,待测管道的监测信号的马氏距离大于基准马氏空间中的马氏距离;其中,所述待测管道受损程度越严重,监测信号的马氏距离越大。
在一些实施例中,管道导波监测信号多为非线性和非平稳信号,时域特征参数和频域特征参数较难全面表征管道损伤信息,本申请实施例在提取时域特征参数和频域特征参数外,也对信号频率能量进行分析,并补充信号能量特征参数,综合判断管道健康状态,提高了信号辨识精度。
本申请实施例相比于传统的EMD经验模态分解,本发明使用自适应白噪声的完备经验模态分解(CEEMD)对信号进行分解重构,在信号分解过程中加了白噪声,能实现原始信号的准确重建,能够保证分解精度,并克服了EMD模态混叠的问题,适用于管道监测信号分析。
本申请实施例使用协方差矩阵计算马氏距离,构建马氏空间,马氏距离考虑了各变量之间的关联,不会受到特征向量维数影响,并使用田口方法对敏感特征参数进行选择和优化,极大程度降低特征变量数量,既达到了降维的目的,也减少了计算量。并且在进行特征参数优化时,不需要额外设置新参数,只需要通过数据连续测量即得到特征变量的信噪比增益来进行特征优化。
本申请实施例结合导波技术的优势特点,采用马氏田口方法进行多特征信息参数融合判断管道健康状态,对管道长期检测采集的数据进行信息挖掘,提高了导波监测精度和可靠性,具有实际意义。
本申请实施例再提供一种管道损伤监测方法,如图2所示,图2是本申请实施例提供的管道损伤监测方法的流程示意图,本申请实施例提供的管道损伤监测方法通过以下步骤实现:
步骤S201、对回波信号进行滤波,得到滤波信号。
在一些实施例中,在待测管道上设置监测点,该监测点对应一导波换能器,导波换能器用于接收回波信号。通过导波信号采集系统,在监测点激励并接收第一组回波信号,将第一组回波信号确定为原始健康回波信号;通过置于待测管道上的粘结铁块(即目标损伤对象),模拟管道受损情况,在待测管道受损情况下,在监测点激励并接收第二组回波信号,将第二组回波信号确定为原始受损回波信号,将原始健康回波信号和原始受损回波信号确定为回波信号。
对回波信号进行滤波是指对回波信号进行信号预处理,并采用小波去噪法对预处理后的回波信号进行滤波,得到滤波信号。
步骤S202、提取滤波信号的时域特征参数和频域特征参数。
步骤S203、对滤波信号进行CEEMD分解,得到IMF固有模态分量。
步骤S204、根据IMF固有模态分量,提取滤波信号的信号能量特征参数。
在一些实施例中,对该滤波信号进行CEEMD分解,从分解得到的固有模态分量IMF中,使用相关系数对固有模态分量IMF进行筛选,得到相关系数大于0.1的前l个固有模态分量IMF,根据前l个固有模态分量IMF,进一步提取该回波信号的信号能量特征参数能量熵,将固有模态分量IMF的能量熵确定为滤波信号的信号能量特征参数。
步骤S205、根据信号能量特征参数、时域特征参数和频域特征参数,得到回波信号的特征向量。
步骤S206、根据特征向量,构建马氏空间。
根据信号能量特征参数、时域特征参数和频域特征参数,分别构建健康回波信号和受损回波信号的特征向量,使用健康回波信号建立特征矩阵。
对基准空间进行标准化处理,得到标准化后的基准空间,如公式(15)所示:
对健康回波信号的马氏距离进行整合,构建马氏空间。
步骤S207、建立特征向量中特征变量的正交表。
步骤S208、计算特征变量信噪比。
步骤S209、根据特征变量信噪比,构建基准马氏空间。
采用田口方法,通过特征变量的信噪比增益进行敏感特征变量筛选,筛选出健康特征参数中部分对管道损伤钝感的特征参数,将每条健康回波信号选取筛选出来的敏感信号特征参数重新组成信号特征向量,并重新构建基准特征矩阵,计算得到基准马氏距离dM和基准马氏空间。
每次计算时使用被选择的特征参数构建特征矩阵,每次计算时分别组成使用该特征变量和不使用该特征变量的信号特征向量,并构建各自情况下的特征矩阵,计算使用该特征变量和不使用该特征变量下受损回波信号的马氏距离,用信噪比增益反应使用选择变量对损伤识别的敏感度,如公式(17)所示:
通过信噪比的增益△来判断选择特征变量的信号的识别效果。
通过健康回波信号的特征向量中特征变量的信噪比增益,对特征向量中的健康特征参数进行敏感特征参数筛选,得到筛选后的健康特征参数。通过筛选后的健康特征参数重新构建特征向量Xfinal=[x1,x2,x3,…xq],重新计算健康回波信号的健康马氏距离,统计整合所述健康马氏距离,建立基准马氏空间。
步骤S210、监测待测管道监测信号。
在一些实施例中,监测待测管道监测信号可以是通过导波信号采集系统在该监测点激励并接收待测管道在役时的监测信号。
步骤S211、计算监测信号的马氏距离。
在本申请实施例中,通过前述计算马氏距离的步骤计算监测信号的马氏距离。
步骤S212、根据监测信号的马氏距离和基准马氏空间,判断管道运行情况。
在一些实施例中,当所述待测管道的监测信号的监测马氏距离大于所述基准马氏空间中的马氏距离,且所述监测马氏距离与所述基准马氏空间中的马氏距离之间的所述偏离程度大于偏离阈值时,确定出所述待测管道为受损状态。
在本申请实施例中,健康回波信号的马氏距离大小趋近于1。当待测管道受损出现缺陷时,待测管道的监测信号的马氏距离大于基准马氏空间中的马氏距离;其中,所述待测管道受损程度越严重,监测信号的马氏距离越大。
本申请实施例提供一种管道损伤监测装置,该装置可以执行上述任意实施例所提供的管道损伤监测方法。
图3是本申请实施例提供的管道损伤监测装置的结构示意图,如图3所示,管道损伤监测装置可以包括获取模块301、特征提取模块302、第一确定模块303、比较模块304和第二确定模块305,其中:
获取模块301,用于获取待测管道在役时的监测信号和预先确定的基准马氏空间;
特征提取模块302,用于对所述监测信号进行特征提取,得到所述监测信号的监测特征向量;
第一确定模块303,用于根据所述监测特征向量和基于所述监测特征向量所构建的监测特征矩阵,确定所述监测信号的监测马氏距离;
比较模块304,用于对所述监测马氏距离与所述基准马氏空间进行比较,得到所述监测马氏距离与所述基准马氏空间之间的偏离程度;
第二确定模块305,用于根据所述偏离程度确定所述待测管道的损伤状态。
在一些实施例中,管道损伤监测装置还包括:第一获取模块,用于获取所述待测管道的健康回波信号和受损回波信号;分解模块,用于对所述健康回波信号和所述受损回波信号进行自适应噪声完备集合经验模态CEEMD分解,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数;构建模块,用于根据所述健康特征参数,构建所述健康回波信号对应的健康特征矩阵;计算模块,用于计算在所述健康特征矩阵下所述健康回波信号的马氏距离,并整合所述健康回波信号的马氏距离得到马氏空间;整合模块,用于基于所述受损特征参数,通过田口优化方法计算所述健康回波信号的基准马氏距离,并整合所述基准马氏距离得到所述基准马氏空间。
在一些实施例中,管道损伤监测装置还包括:设置模块,用于在所述待测管道上设置监测点,其中,所述监测点对应一导波换能器,所述导波换能器用于接收回波信号;
第一获取模块,还用于通过导波信号采集系统,在所述监测点激励并接收第一组回波信号,将所述第一组回波信号确定为原始健康回波信号;通过置于所述待测管道上的目标损伤对象,模拟管道受损情况;在所述待测管道受损情况下,在所述监测点激励并接收第二组回波信号,将所述第二组回波信号确定为原始受损回波信号;根据所述原始健康回波信号和所述原始受损回波信号,建立信号基准库;对所述原始健康回波信号和所述原始受损回波信号进行信号预处理,并采用小波去噪法对预处理后的原始健康回波信号和预处理后的原始受损回波信号进行滤波;将滤波后的原始健康回波信号确定为所述待测管道的健康回波信号,将滤波后的原始受损回波信号,确定为所述待测管道的受损回波信号。
在一些实施例中,回波信号包括健康回波信号和受损回波信号;分解模块还用于对所述健康回波信号和所述受损回波信号进行CEEMD分解,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数,包括:
对所述回波信号进行CEEMD分解,得到多个固有模态分量IMF,其中,固有模态分量IMF的计算通式为:
在所述回波信号x(n)中加入高斯白噪声,得到处理后的回波信号x(i):
x(i)=xn+αkw(i);
其中,wi=(i=1,2,…,n)是第i次进行CEEMD分解时加入的高斯白噪声;每阶经验模态分解需要进行L次,αk系数表示在每阶模态分解时选择的噪声系数;
获取对所述回波信号进行L次CEEMD分解所得到当阶的L个固有模态分量IMF;
对剩余信号rk进行CEEMD分解,直到剩余信号rk无法进行分解为止,以使得原始信号xi分解为多个固有模态分量IMF和残留信号r;其中,原始信号xi表示为:
其中,残留信号r为经过CEEMD分解后所残留的信号;K为CEEMD分解的次数;
确定第k个固有模态分量IMF与回波信号之间的相关系数,得到固有模态分量IMF与回波信号的相关系数序列;
根据所述相关系数对所述回波信号进行信号特征提取,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数。
在一些实施例中,分解模块还用于固有模态分量IMF与处理后的回波信号x(i)的相关系数re为:
其中,rek为第k个固有模态分量IMF与处理后的回波信号x(i)的相关系数;为加入高斯白噪声的回波信号均值;IMFk为第k次模态分解的固有模态分量;为第k次进行多次分解的固有模态分量平均值;为加入高斯白噪声的回波信号标准差;σIMF为第k个固有模态分量标准差;E[]为统计平均值;
根据每一固有模态分量IMF与回波信号之间的相关系数,对相关系数rek进行筛选排序,得到相关系数序列:
re1'>>re2'>>re3'>>…>>rek'。
在一些实施例中,分解模块还用于将相关系数rek大于预设阈值的l个固有模态分量IMF,确定为处理后的回波信号x(i)的特征分量;
根据所述特征分量对所述处理后的回波信号x(i)进行信号特征提取,得到每个IMF对应的固有模态分量能量,其中,固有模态分量能量Ei表示为:
对所述回波信号进行参数提取,得到回波信号的时域特征参数和频域特征参数;其中,回波信号的时域特征参数包括:健康回波信号的健康时域特征参数和受损回波信号的受损时域特征参数;回波信号的频域特征参数包括:健康回波信号的健康频域特征参数和受损回波信号的受损频域特征参数;
将所述健康信号能量特征参数、所述健康时域特征参数和所述健康频域特征参数,确定为所述健康回波信号的健康特征参数;
将所述受损信号能量特征参数、所述受损时域特征参数和所述受损频域特征参数,确定为所述受损回波信号的受损特征参数。
在一些实施例中,构建模块还用于根据所述信号基准库中健康回波信号的健康特征参数,进行特征向量构建,得到健康回波信号的特征向量Xbase,n:
将获得的健康回波信号的特征向量进行组合,构建健康信号特征矩阵:
其中,n表示健康回波信号的数量;p表示特征向量中第p个特征参数;Xnp表示第n个健康回波信号的第p个特征参数值,i=1,2,…n;j=1,2,…p。
在一些实施例中,计算模块还用于根据所述健康信号特征矩阵,对预先获取的基准空间进行标准化处理,得到标准化后的基准空间:
根据标准化后的基准空间,建立标准化基准空间:
根据所述标准化基准空间,计算健康回波信号在所述标准化基准空间下的马氏距离dM,normal:
其中,S表示标准化后的健康信号特征矩阵的相关系数矩阵;
使用受损回波信号的特征向量,在健康回波信号构建的健康信号特征矩阵下,计算受损回波信号的马氏距离;
统计每一健康回波信号对应的马氏距离,得到统计结果;
根据所述统计结果,将所述健康回波信号对应的马氏距离的数值范围确定为所述健康回波信号的马氏空间。
在一些实施例中,整合模块还用于使用田口优化方法,建立二水平正交表Ln(2p);
通过健康回波信号的特征向量中特征变量的信噪比增益和二水平正交表Ln(2p),对特征向量中的健康特征参数进行敏感特征参数筛选,得到筛选后的健康特征参数;其中,信噪比增益△表示为:
△=SNRsel-SNRunsel;
其中,SNRsel表示使用了特征变量的信噪比;SNRunsel表示未使用特征变量的信噪比;当Δ大于0时,选用所述特征变量;当Δ小于或等于0时,去除所述特征变量;
根据筛选后的健康特征参数,构建健康回波信号的最终特征向量Xfinal:
Xfinal=[x1,x2,x3,…xq];
根据最终特征向量Xfinal,计算健康回波信号的健康马氏距离;
统计每一健康回波信号的健康马氏距离,得到统计结果;
根据所述统计结果,将健康马氏距离的数值范围确定为所述基准马氏空间。
本申请实施例使用协方差矩阵计算马氏距离构建马氏空间,马氏距离考虑了各变量之间的关联,不会受到特征向量维数影响,并使用田口方法对敏感特征参数进行选择和优化,极大程度降低特征变量数量,既达到了降维的目的,也减少了计算量。并且在进行特征参数优化时,不需要额外设置新参数,只需要通过数据连续测量即得到特征变量的信噪比增益来进行特征优化。本申请实施例结合导波技术的优势特点,采用马氏田口方法进行多特征信息参数融合判断管道健康状态,对管道长期检测采集的数据进行信息挖掘,提高了导波监测精度和可靠性,具有实际意义。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过非目标的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请实施例的一些实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。因此,本申请实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种管道损伤监测方法,其特征在于,所述方法包括:
获取待测管道在役时的监测信号和预先确定的基准马氏空间;
对所述监测信号进行特征提取,得到所述监测信号的监测特征向量;
根据所述监测特征向量和基于所述监测特征向量所构建的监测特征矩阵,确定所述监测信号的监测马氏距离;
对所述监测马氏距离与所述基准马氏空间进行比较,得到所述监测马氏距离与所述基准马氏空间之间的偏离程度;
根据所述偏离程度确定所述待测管道的损伤状态。
2.根据权利要求1所述的方法,其特征在于,确定所述基准马氏空间的步骤包括:
获取所述待测管道的健康回波信号和受损回波信号;
对所述健康回波信号和所述受损回波信号进行自适应噪声完备集合经验模态CEEMD分解,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数;
根据所述健康特征参数,构建所述健康回波信号对应的健康特征矩阵;
计算在所述健康特征矩阵下所述健康回波信号的马氏距离,并整合所述健康回波信号的马氏距离得到马氏空间;
基于所述受损特征参数,通过田口优化方法计算所述健康回波信号的基准马氏距离,并整合所述基准马氏距离得到所述基准马氏空间。
3.根据权利要求2所述的方法,其特征在于,在获取所述待测管道的健康回波信号和受损回波信号之前,所述方法还包括:
在所述待测管道上设置监测点,其中,所述监测点对应一导波换能器,所述导波换能器用于接收回波信号;
获取所述待测管道的健康回波信号和受损回波信号的步骤,包括:
通过导波信号采集系统,在所述监测点激励并接收第一组回波信号,将所述第一组回波信号确定为原始健康回波信号;
通过置于所述待测管道上的目标损伤对象,模拟管道受损情况;
在所述待测管道受损情况下,在所述监测点激励并接收第二组回波信号,将所述第二组回波信号确定为原始受损回波信号;
根据所述原始健康回波信号和所述原始受损回波信号,建立信号基准库;
对所述原始健康回波信号和所述原始受损回波信号进行信号预处理,并采用小波去噪法对预处理后的原始健康回波信号和预处理后的原始受损回波信号进行滤波;
将滤波后的原始健康回波信号确定为所述待测管道的健康回波信号,将滤波后的原始受损回波信号,确定为所述待测管道的受损回波信号。
4.根据权利要求3所述的方法,其特征在于,回波信号包括健康回波信号和受损回波信号;
对所述健康回波信号和所述受损回波信号进行CEEMD分解,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数,包括:
对所述回波信号进行CEEMD分解,得到多个固有模态分量IMF,其中,固有模态分量IMF的计算通式为:
在所述回波信号x(n)中加入高斯白噪声,得到处理后的回波信号x(i):
x(i)=xn+αkw(i);
其中,wi=(i=1,2,…,n)是第i次进行CEEMD分解时加入的高斯白噪声;每阶经验模态分解需要进行L次,αk系数表示在每阶模态分解时选择的噪声系数;
获取对所述回波信号进行L次CEEMD分解所得到当阶的L个固有模态分量IMF;
对剩余信号rk进行CEEMD分解,直到剩余信号rk无法进行分解为止,以使得原始信号xi分解为多个固有模态分量IMF和残留信号r;其中,原始信号xi表示为:
其中,残留信号r为经过CEEMD分解后所残留的信号;K为CEEMD分解的次数;
确定第k个固有模态分量IMF与回波信号之间的相关系数,得到固有模态分量IMF与回波信号的相关系数序列;
根据所述相关系数对所述回波信号进行信号特征提取,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数。
5.根据权利要求4所述的方法,其特征在于,确定第k个固有模态分量IMF与回波信号之间的相关系数,得到固有模态分量IMF与回波信号的相关系数序列,包括:
固有模态分量IMF与处理后的回波信号x(i)的相关系数re为:
其中,rek为第k个固有模态分量IMF与处理后的回波信号x(i)的相关系数;为加入高斯白噪声的回波信号均值;IMFk为第k次模态分解的固有模态分量;为第k次进行多次分解的固有模态分量平均值;为加入高斯白噪声的回波信号标准差;σIMF为第k个固有模态分量标准差;E[]为统计平均值;
根据每一固有模态分量IMF与回波信号之间的相关系数,对相关系数rek进行筛选排序,得到相关系数序列:
re1'>>re2'>>re3'>>…>>rek'。
6.根据权利要求5所述的方法,其特征在于,根据所述相关系数对所述回波信号进行信号特征提取,得到所述健康回波信号的健康特征参数和所述受损回波信号的受损特征参数,包括:
将相关系数rek大于预设阈值的l个固有模态分量IMF,确定为处理后的回波信号x(i)的特征分量;
根据所述特征分量对所述处理后的回波信号x(i)进行信号特征提取,得到每个IMF对应的固有模态分量能量,其中,固有模态分量能量Ei表示为:
对所述回波信号进行参数提取,得到回波信号的时域特征参数和频域特征参数;其中,回波信号的时域特征参数包括:健康回波信号的健康时域特征参数和受损回波信号的受损时域特征参数;回波信号的频域特征参数包括:健康回波信号的健康频域特征参数和受损回波信号的受损频域特征参数;
将所述健康信号能量特征参数、所述健康时域特征参数和所述健康频域特征参数,确定为所述健康回波信号的健康特征参数;
将所述受损信号能量特征参数、所述受损时域特征参数和所述受损频域特征参数,确定为所述受损回波信号的受损特征参数。
8.根据权利要求7所述的方法,其特征在于,计算在所述健康特征矩阵下所述健康回波信号的马氏距离,并整合所述健康回波信号的马氏距离得到马氏空间,包括:
根据所述健康信号特征矩阵,对预先获取的基准空间进行标准化处理,得到标准化后的基准空间:
根据标准化后的基准空间,建立标准化基准空间:
根据所述标准化基准空间,计算健康回波信号在所述标准化基准空间下的马氏距离dM,normal:
其中,S表示标准化后的健康信号特征矩阵的相关系数矩阵;
使用受损回波信号的特征向量,在健康回波信号构建的健康信号特征矩阵下,计算受损回波信号的马氏距离;
统计每一健康回波信号对应的马氏距离,得到统计结果;
根据所述统计结果,将所述健康回波信号对应的马氏距离的数值范围确定为所述健康回波信号的马氏空间。
9.根据权利要求8所述的方法,其特征在于,确定基准马氏空间的步骤,包括:
使用田口优化方法,建立二水平正交表Ln(2p);
通过健康回波信号的特征向量中特征变量的信噪比增益和二水平正交表Ln(2p),对特征向量中的健康特征参数进行敏感特征参数筛选,得到筛选后的健康特征参数;其中,信噪比增益△表示为:
△=SNRsel-SNRunsel;
其中,SNRsel表示使用了特征变量的信噪比;SNRunsel表示未使用特征变量的信噪比;当Δ大于0时,选用所述特征变量;当Δ小于或等于0时,去除所述特征变量;
根据筛选后的健康特征参数,构建健康回波信号的最终特征向量Xfinal:
Xfinal=[x1,x2,x3,…xq];
根据最终特征向量Xfinal,计算健康回波信号的健康马氏距离;
统计每一健康回波信号的健康马氏距离,得到统计结果;
根据所述统计结果,将健康马氏距离的数值范围确定为所述基准马氏空间。
10.一种管道损伤监测装置,其特征在于,所述装置包括:
获取模块,用于获取待测管道在役时的监测信号和预先确定的基准马氏空间;
特征提取模块,用于对所述监测信号进行特征提取,得到所述监测信号的监测特征向量;
第一确定模块,用于根据所述监测特征向量和基于所述监测特征向量所构建的监测特征矩阵,确定所述监测信号的监测马氏距离;
比较模块,用于对所述监测马氏距离与所述基准马氏空间进行比较,得到所述监测马氏距离与所述基准马氏空间之间的偏离程度;
第二确定模块,用于根据所述偏离程度确定所述待测管道的损伤状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210199499.8A CN114722856A (zh) | 2022-03-02 | 2022-03-02 | 管道损伤监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210199499.8A CN114722856A (zh) | 2022-03-02 | 2022-03-02 | 管道损伤监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722856A true CN114722856A (zh) | 2022-07-08 |
Family
ID=82235142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210199499.8A Pending CN114722856A (zh) | 2022-03-02 | 2022-03-02 | 管道损伤监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722856A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482219A (zh) * | 2023-03-14 | 2023-07-25 | 防灾科技学院 | 层状管道损伤位置分析方法 |
CN116738152A (zh) * | 2023-08-14 | 2023-09-12 | 南京邮电大学 | 地下流体管道泄漏损伤分布式振动监测评估系统及方法 |
-
2022
- 2022-03-02 CN CN202210199499.8A patent/CN114722856A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482219A (zh) * | 2023-03-14 | 2023-07-25 | 防灾科技学院 | 层状管道损伤位置分析方法 |
CN116482219B (zh) * | 2023-03-14 | 2024-01-02 | 防灾科技学院 | 层状管道损伤位置分析方法 |
CN116738152A (zh) * | 2023-08-14 | 2023-09-12 | 南京邮电大学 | 地下流体管道泄漏损伤分布式振动监测评估系统及方法 |
CN116738152B (zh) * | 2023-08-14 | 2023-10-27 | 南京邮电大学 | 地下流体管道泄漏损伤分布式振动监测评估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment | |
CN114722856A (zh) | 管道损伤监测方法及装置 | |
CN109084186B (zh) | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 | |
Wang et al. | Blind source extraction of acoustic emission signals for rail cracks based on ensemble empirical mode decomposition and constrained independent component analysis | |
CN109649432B (zh) | 基于导波技术的云端平台钢轨完整性监测系统及方法 | |
Bilen et al. | Wavelet-based detection of outliers in time series | |
CN105334269A (zh) | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 | |
CN111664365A (zh) | 基于改进vmd和1dcnn的油气管道泄漏检测方法 | |
CN107478729B (zh) | 流体机械叶片多裂纹的声发射检测方法 | |
Simas Filho et al. | Decision support system for ultrasound inspection of fiber metal laminates using statistical signal processing and neural networks | |
CN104237713A (zh) | 基于离散小波变换的变压器绕组形变诊断方法 | |
Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
CN114638166A (zh) | 工艺管线疲劳损伤识别及预测方法、系统、设备和介质 | |
Tra et al. | Pressure vessel diagnosis by eliminating undesired signal sources and incorporating GA-based fault feature evaluation | |
CN112539887A (zh) | 一种基于wt-lcd-wd的管道泄漏信号去噪方法 | |
CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
CN116522080A (zh) | 局部放电信号降噪方法 | |
CN109884483A (zh) | 绝缘管型母线局部放电声学在线监测方法及装置 | |
CN113361579B (zh) | 一种水下目标探测辨识方法、系统、设备及可读存储介质 | |
CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
CN115436470A (zh) | 一种管道裂纹精准定位方法、系统、终端及其存储介质 | |
CN108919068A (zh) | 电力设备间歇性缺陷信号识别方法 | |
Zhang et al. | Flaw classification in ultrasonic guided waves signal using Wavelet Transform and PNN classifier | |
CN110487911B (zh) | 基于盲源分离的压力容器声发射信号检测的方法 |
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 |