CN115062670A - 基于mpa-vmd去噪的管道泄漏检测方法及系统 - Google Patents

基于mpa-vmd去噪的管道泄漏检测方法及系统 Download PDF

Info

Publication number
CN115062670A
CN115062670A CN202210822919.3A CN202210822919A CN115062670A CN 115062670 A CN115062670 A CN 115062670A CN 202210822919 A CN202210822919 A CN 202210822919A CN 115062670 A CN115062670 A CN 115062670A
Authority
CN
China
Prior art keywords
pipeline
noise
predator
signal
vmd
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
Application number
CN202210822919.3A
Other languages
English (en)
Inventor
侯轶轩
彭朝霞
杨东奇
路敬祎
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.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum 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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202210822919.3A priority Critical patent/CN115062670A/zh
Publication of CN115062670A publication Critical patent/CN115062670A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

基于MPA‑VMD去噪的管道泄漏检测方法及系统，涉及管道泄漏检测技术领域，用以解决现有技术对于包含噪声的管道信号降噪效果不佳从而导致管道泄漏检测准确度不高的问题。本发明的技术要点包括：通过海洋捕食者算法对变分模态分解的预设参数进行寻优，从而找到最优参数组合；将含噪信号通过变分模态分解后分解为多个本征模态分量；采用豪斯多夫距离的方法，通过计算原始信号和各个分量之间概率密度函数的距离，并评估相邻两个分量的豪斯多夫距离，将豪斯多夫距离突变最大及其之后的模态分量都视为噪声分量，其余视为有效分量并将其重构得到降噪信号，得到更加平滑、准确的去噪信号，从而通过去噪的管道信号使得对管道工况的区分更为准确和快速。

Description

基于MPA-VMD去噪的管道泄漏检测方法及系统
技术领域
本发明涉及管道泄漏检测技术领域，具体涉及基于MPA-VMD去噪的管道泄漏检测方法及系统。
背景技术
输油管道在现代社会中的应用越来越广泛，管道运输已成为继铁路、公路、水路、航空运输以后的第五大运输工具，用以输送原油天然气和其它液气产品。随着管道的广泛应用、运行时间的延长，由于人为因素和自然因素导致的管道泄漏也逐渐增多，不仅造成资源的浪费和环境污染，而且有火灾爆炸的危险，对周围居民的生产生活带来较大的威胁。建立管道泄漏检测系统，及时准确地报告事故的范围和程度，可以最大限度地减少经济损失和环境污染。随着信息技术的高速发展，物联网、大数据这些革命性的技术不断刷新着人们的认知。科技的进步不仅体现在生活水平和经济上，也体现在对国家可持续发展的贡献和对社会资源的合理利用方面。虽然我国在管道输油输气工业起步较晚，但随着各大油田的陆续建设，油气运输管道逐渐遍布我国疆域。但随着油气管网集输系统规模日益扩大，加上服役期增长，运行磨损，设备老化以及人为因素和自然因素的影响，会导致管道泄漏的发生，甚至引发爆炸、污染等重大泄漏事故。所以输油管道泄漏检测显得十分重要。而随着输油管道运输的广泛应用，对输油管道泄漏检测系统的要求也日益提高。及时发现泄漏，并估计出泄漏点和泄漏量，从而及时采取有效措施避免和减少泄漏事故的发生，是非常必要且意义重大的课题。因此，建立管道泄漏检测系统，及时准确的报告事故的范围和程度，可以最大限度的减小经济损失和环境污染。
管道泄漏不仅给生产、运营单位造成巨大的经济损失,而且会对环境造成破坏,严重影响沿线居民的身体健康和生命安全,因此必须加强泄漏检测技术与定位技术的研究，提高针对泄漏检测的精准度。
发明内容
鉴于以上问题，本发明提出一种基于MPA-VMD去噪的管道泄漏检测方法及系统，用以解决现有技术对于包含噪声的管道信号降噪效果不佳从而导致管道泄漏检测准确度不高的问题。
根据本发明的一方面，提供基于MPA-VMD去噪的管道泄漏检测方法，该方法包括以下步骤：
获取包含噪声的管道信号；所述管道信号包括声波信号或负压波信号；
对所述管道信号进行降噪，获取降噪后的管道信号；
将降噪后的管道信号输入到预训练的分类器中进行工况识别，识别出管道的不同工况。
进一步地，对所述管道信号进行降噪的具体过程包括：
利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子；
将最佳的分解层数和惩罚因子作为变分模态分解的输入，将包含噪声的管道信号通过变分模态分解后分解获得多个本征模态分量；
计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数；
计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数之间的豪斯多夫距离，表示为相似程度序列SD；
在序列SD中寻找相对前一个SD值变化最大的SD值，将该变化最大的SD值所对应的本征模态分量作为转折点，在转折点之前的本征模态分量定义为有效分量，在转折点之后的本征模态分量定义为噪声分量；
将有效分量进行重构，获得降噪后的管道信号。
进一步地，利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子的具体过程包括：
设置变分模态分解算法的待优化参数范围；所述待优化参数包括分解层数和惩罚参数；
初始化海洋捕食者算法的各个参数，包括种群大小、迭代次数、FADs参数；
计算出每个捕食者的位置，并将每个捕食者的位置用作一次变分模态分解算法运行的参数，并获得每个捕食者的位置上所有模态分量的适应度值；比较迭代中适应度值大小，检测是否是最优适应度值即最小适应度值，并更新最优适应度值对应的捕食者的位置；其中，使用样本熵作为适应度函数以获得适应度值；
迭代循环上述步骤，直至达到最大迭代次数后得到全局最优适应度值和对应的最终捕食者的位置，则最终捕食者的位置即为变分模态分解算法的分解层数最佳的分解层数和惩罚参数。
进一步地，序列SD中第i个本征模态分量与包含噪声的管道信号之间的SD值的计算公式如下：
SD(i)＝HD[pdf(s(t)),pdf(IMFi(t))]
式中，pdf(s(t))表示包含噪声的管道信号的概率密度；pdf(IMFi(t))表示第i个本征模态分量的概率密度；HD表示豪斯多夫距离。
进一步地，所述工况包括正常、敲击、泄漏三种工况类型。
根据本发明的另一方面，提供基于MPA-VMD去噪的管道泄漏检测系统，该系统包括：
信号获取模块，其配置成获取包含噪声的管道信号；所述管道信号包括声波信号或负压波信号；
降噪模块，其配置成对所述管道信号进行降噪，获取降噪后的管道信号；
工况识别模块，其配置成将降噪后的管道信号输入到预训练的分类器中进行工况识别，识别出管道的不同工况；所述工况包括正常、敲击、泄漏三种工况类型。
进一步地，所述降噪模块包括：
VMD优化子模块，其配置成利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子；
VMD分解子模块，其配置成将最佳的分解层数和惩罚因子作为变分模态分解的输入，将包含噪声的管道信号通过变分模态分解后分解获得多个本征模态分量；
概率密度计算子模块，其配置成计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数；
豪斯多夫距离计算子模块，其配置成计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数之间的豪斯多夫距离，表示为相似程度序列SD；
有效分量筛选子模块，其配置成在序列SD中寻找相对前一个SD值变化最大的SD值，将该变化最大的SD值所对应的本征模态分量作为转折点，在转折点之前的本征模态分量定义为有效分量，在转折点之后的本征模态分量定义为噪声分量；
重构子模块，其配置成将有效分量进行重构，获得降噪后的管道信号。
进一步地，所述VMD优化子模块中利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子的具体过程包括：
设置变分模态分解算法的待优化参数范围；所述待优化参数包括分解层数和惩罚参数；
初始化海洋捕食者算法的各个参数，包括种群大小、迭代次数、FADs参数；
计算出每个捕食者的位置，并将每个捕食者的位置用作一次变分模态分解算法运行的参数，并获得每个捕食者的位置上所有模态分量的适应度值；比较迭代中适应度值大小，检测是否是最优适应度值即最小适应度值，并更新最优适应度值对应的捕食者的位置；其中，使用样本熵作为适应度函数以获得适应度值；
迭代循环上述步骤，直至达到最大迭代次数后得到全局最优适应度值和对应的最终捕食者的位置，则最终捕食者的位置即为变分模态分解算法的分解层数最佳的分解层数和惩罚参数。
进一步地，所述豪斯多夫距离计算子模块中序列SD中第i个本征模态分量与包含噪声的管道信号之间的SD值的计算公式如下：
SD(i)＝HD[pdf(s(t)),pdf(IMFi(t))]
式中，pdf(s(t))表示包含噪声的管道信号的概率密度；pdf(IMFi(t))表示第i个本征模态分量的概率密度；HD表示豪斯多夫距离。
本发明的有益技术效果是：
本发明通过MPA算法来优化VMD算法的预设参数，避免了因预设参数选取不当而产生模态混叠以及欠分解等情况；通过HD来进一步选取有效分量，得到更加平滑、准确的去噪信号，实验证明了基于MPA-VMD的去噪方法具有更好的去噪效果；从而通过去噪的管道信号可以使得对管道工况的区分更为准确和快速。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1是本发明实施例基于MPA-VMD去噪的管道泄漏检测方法的流程图；
图2是本发明实施例中原始信号时域波形图及其频谱图；
图3是本发明方法与基于WOA-VMD去噪的寻优迭代对比图；
图4是本发明方法与基于WOA-VMD去噪的HD折线对比图；其中，(a)对应本发明方法；(b)对应基于WOA-VMD去噪；
图5是本发明方法与基于WOA-VMD去噪的重构信号时域波形图及其频谱图；其中，(a)对应本发明方法；(b)对应基于WOA-VMD去噪；
图6是本发明实施例基于MPA-VMD去噪的管道泄漏检测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式或实施例，都应当属于本发明保护的范围。
本发明实施例提供一种基于MPA-VMD去噪的管道泄漏检测方法，如图1所示，该方法包括以下步骤：
获取包含噪声的管道信号；所述管道信号包括声波信号或负压波信号；
对所述管道信号进行降噪，获取降噪后的管道信号；
将降噪后的管道信号输入到预训练的分类器中进行工况识别，识别出管道的不同工况。
本实施例中，优选地，对所述管道信号进行降噪的具体过程包括：
利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子；
将最佳的分解层数和惩罚因子作为变分模态分解的输入，将包含噪声的管道信号通过变分模态分解后分解获得多个本征模态分量；
计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数；
计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数之间的豪斯多夫距离，表示为相似程度序列SD；
在序列SD中寻找相对前一个SD值变化最大的SD值，将该变化最大的SD值所对应的本征模态分量作为转折点，在转折点之前的本征模态分量定义为有效分量，在转折点之后的本征模态分量定义为噪声分量；
将有效分量进行重构，获得降噪后的管道信号。
本实施例中，优选地，利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子的具体过程包括：
设置变分模态分解算法的待优化参数范围；所述待优化参数包括分解层数和惩罚参数；
初始化海洋捕食者算法的各个参数，包括种群大小、迭代次数、FADs参数；
计算出每个捕食者的位置，并将每个捕食者的位置用作一次变分模态分解算法运行的参数，并获得每个捕食者的位置上所有模态分量的适应度值；比较迭代中适应度值大小，检测是否是最优适应度值即最小适应度值，并更新最优适应度值对应的捕食者的位置；其中，使用样本熵作为适应度函数以获得适应度值；
迭代循环上述步骤，直至达到最大迭代次数后得到全局最优适应度值和对应的最终捕食者的位置，则最终捕食者的位置即为变分模态分解算法的分解层数最佳的分解层数和惩罚参数。
本实施例中，优选地，序列SD中第i个本征模态分量与包含噪声的管道信号之间的SD值的计算公式如下：
SD(i)＝HD[pdf(s(t)),pdf(IMFi(t))]
式中，pdf(s(t))表示包含噪声的管道信号的概率密度；pdf(IMFi(t))表示第i个本征模态分量的概率密度；HD表示豪斯多夫距离。
本实施例中，优选地，所述工况包括正常、敲击、泄漏三种工况类型。
本发明另一实施例提供一种基于MPA-VMD去噪的管道泄漏检测方法，首先通过海洋捕食者算法(MPA-Marine Predators Algorithm)对变分模态分解(VMD-VariationalMode Decomposition)的预设参数进行寻优，从而找到最优参数组合；之后将含噪信号通过变分模态分解后分解为多个本征模态分量(IMF)；为了寻找到有效分量，采用豪斯多夫距离(Hausdorff distance)的方法，通过计算原始信号和各个分量之间概率密度函数的距离，并评估相邻两个分量的豪斯多夫距离，将豪斯多夫距离增量最大的两个相邻分量作为有效分量选取的转折点，即将豪斯多夫距离突变最大及其之后的模态分量都视为噪声分量，其余视为有效分量并将其重构得到降噪信号，从而实现对采集到的管道泄漏信号的高精度去噪。
MPA优化的VMD参数使用样本熵作为适应度函数，通过对最小样本熵的选取进行了全局优化，用以获得分解层数最佳的分解层数K和惩罚参数α。MPA优化VMD的具体步骤如下：
步骤一、输入原始信号S，设置VMD需要优化的参数范围，初始化海洋捕食者算法的各个参数，包括种群大小N、迭代次数iter、FADs参数；
步骤二、计算出每个捕食者的位置，并将每个捕食者的位置[K，α]用作一次VMD运行的参数，并获得该位置上所有模态分量的适应度值；
步骤三、比较迭代中适应度值的大小，检测是否是最优适应度值，并更新捕食者的位置；
步骤四、重复步骤二到三，迭代循环，直到达到最大迭代次数后得到全局最优适应度值和相应捕食者的位置[K，α]；
步骤五、将MPA优化VMD之后得到的最优参数组合[K，α]作为VMD参数进行输入，噪声信号通过VMD进行分解，由此产生的IMFs从低频到高频对齐。
噪声分量主要集中在高频部分。然而，有效的IMFs也存在于高频部分。为了区分有效IMF和非有效IMF，利用豪斯多夫距离来选择有效IMF分量。
步骤六、计算经过VMD分解之后的原始含噪信号x(t)的概率密度函数和各个IMF的概率密度函数；
步骤七、通过公式(26)计算它们之间的豪斯多夫距离，将其表示为与原始信号的相似程度SD，SD定义式如下所示：
SD(i)＝HD[pdf(s(t)),pdf(IMFi(t))]
式中，pdf(s(t))表示包含噪声的管道信号的概率密度；pdf(IMFi(t))表示第i个本征模态分量的概率密度；HD表示豪斯多夫距离。
步骤八、评估两个相邻IMF分量与原始信号的SD的增量，并以SD增量最大的两个相邻模态分量作为有效分量选取的转折点，即意味着将SD突变最大及其之后的模态分量都视为噪声信号；
步骤九、将有效分量进行重构得到降噪信号。
下面对用到的相关算法进行简要说明。
1.VMD算法
VMD算法是一种自适应、完全非递归的模态变分和信号处理的方法，对非平稳、非线性信号具有良好处理效果。VMD算法具有可以确定模态分解个数的优点，可以根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现固有模态分量(IMF)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分问题的最优解。不过，由于VMD算法要求预先定义分解层数K和惩罚因子α，所以，当K和α设置不当时，会对VMD分解造成一定影响，从而影响降噪效果。
设f为原始多分量信号，VMD通过构建和求解变分模型，可将f自适应分解成一系列具有稀疏特性的本征模态函数，也可称为模态分量，定义如下：
uk(t)＝Ak(t)cos(φk(t)) (1)
其中，Ak(t)为幅值，t为时间变量，φk(t)为相位函数，非单调递减，瞬时频率
Figure BDA0003745151950000071
相对φk(t)变化缓慢，即uk(t)可看作为一种谐波信号。
信号f经过VMD分解之后分成若干个独立模态uk，并构造变分模型：
(1)对每个模态函数uk通过Hilbert变换求得解析信号，目的是求其单边频谱；
Figure BDA0003745151950000072
(2)利用指数
Figure BDA0003745151950000081
修正，使每个模态函数的频谱调制到相应的基频带；
Figure BDA0003745151950000082
(3)通过高斯平滑(即
Figure BDA0003745151950000083
范数梯度的平方根)对信号解调，得到各模态函数带宽。
Figure BDA0003745151950000084
得到的VMD约束变分模型如下：
Figure BDA0003745151950000085
其中，uk＝{u1,u2,...,uk}为各模态函数，ωk＝{ω1,ω2,...,ωk}为各中心频率，δ(t)为单位冲激函数，
Figure BDA0003745151950000086
表示函数对时间t的偏导数。
为解决上述的约束最优化问题，利用二次惩罚项和拉格朗日乘子法的优势，引入了增广Lagrangian函数，如下式所示：
Figure BDA0003745151950000087
其中，α为惩罚参数，λ为Lagrange乘子。
利用交替方向乘子算法进行一系列的迭代寻找最优解，从而将原始信号f分解为K个BLIMF分量，实现步骤如下：
Step 1：初始化
Figure BDA0003745151950000088
n←0；
Step 2：n＝n+1，执行整个循环；
Step 3：k＝k+1，直至k＝K
对所有ω≥0，更新泛函
Figure BDA0003745151950000089
Figure BDA00037451519500000810
更新泛函ωk：
Figure BDA0003745151950000091
Step 4：对所有ω≥0，进行双重提升：
Figure BDA0003745151950000092
其中，γ表示噪声容限，当信号含有强噪声时，可设定γ＝0达到更好的去噪效果。
Step 5：重复Step 2-4，直至满足如下的迭代约束条件：
Figure BDA0003745151950000093
由VMD算法求解变分模型的过程可知，惩罚因子α和分解层数K是影响VMD信号分解效果的两个主要参数，当二者取值不恰当时，会直接造成VMD分解结果不准确或者分解时间过长，影响分解效果。
2.样本熵的构建
样本熵是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性就越大。与近似熵相比，样本熵具有两个优势：样本熵的计算不依赖数据长度；样本熵具有更好的一致性，即参数m和r的变化对样本熵的影响程度是相同的。样本熵的值越低，序列自我相似性就越高；样本熵的值越大，样本序列就越复杂。
一般地，对于由N个数据组成的序列{s(n)}＝s(1),s(2),…,s(N)，样本熵的计算方式如下：
(1)按序号组成一组维数为m的向量序列：Sm(1),…,Sm(N-m+1)，其中Sm(i)＝{s(i),s(i+1),…,s(i+m-1)},1≤i≤N-m+1。这些向量代表从第i点开始的m个连续的s的值。
(2)定义向量Sm(i)与Sm(j)之间的距离d[Sm(i),Sm(j)]为两者对应元素中最大差值的绝对值。即：
d[Sm(i),Sm(j)]＝maxk＝0,…,m-1(|s(i+k)-s(j+k)|) (11)
(3)对于给定的Sm(i)，统计Sm(i)与Sm(j)之间距离小于等于r的j(1≤j≤N-m，j≠i)的数目，并记作Bi。对于1≤i≤N-m，定义：
Figure BDA0003745151950000101
定义B(m)(r)为：
Figure BDA0003745151950000102
增加维数到m+1，计算Sm+1(i)与Sm+1(j)(1≤j≤N-m，j≠i)距离小于等于r的个数，记为Ai。
Figure BDA0003745151950000103
定义为：
Figure BDA0003745151950000104
定义Am(r)为：
Figure BDA0003745151950000105
这样，Bm(r)是两个序列在相似容限r下匹配m个点的概率，而Am(r)是两个序列匹配m+1个点的概率。样本熵定义为：
Figure BDA0003745151950000106
当N为有限值时，可以用下式估计：
Figure BDA0003745151950000107
3.豪斯多夫距离的选取
信号经过VMD分解之后，因不确定哪些分解出的分量是有用分量，所以通过豪斯多夫距离的方法来选择有效分量。豪斯多夫距离的原理如下：
若给定两个序列P＝{p1,p2,…}，Q＝{q1,q2,…}，则豪斯多夫(Hausdorff)距离可以用来衡量这两个序列间的距离。计算方法如下所示：
HD(P,Q)＝max(hd(P,Q),hd(Q,P)) (18)
其中，
Figure BDA0003745151950000108
HD(P,Q)称为双向Hausdorff距离，hd(P,Q)称为从点集P到点集Q的单向Hausdorff距离。相应地hd(Q,P)称为从点集Q到点集P的单向Hausdorff距离。
4.海洋捕食者算法
海洋捕食者算法是Afshin Faramarzi等人于2020年提出的一种新型元启发式优化算法,与大多数元启发式类似，MPA是一种基于种群的方法，其中初始解在第一次测试时均匀分布在搜索空间上：
X0＝Xmin+rand*(Xmax-Xmin) (19)
其中，Xmax和Xmin是变量的上限和下限，rand是0到1范围内的均匀随机向量。
根据适者生存的理论，也就是说自然界的顶级捕食者在觅食方面更有天赋。因此，最适配的解决方案被命名为顶级捕食者即构造一个精英矩阵。这个矩阵的阵列会根据关于猎物位置的信息来监督搜索和寻找猎物。
Figure BDA0003745151950000111
其中
Figure BDA0003745151950000112
表示顶级捕食者向量，它被复制n次以构造精英矩阵。n是搜索代理的数量，而d是维数。值得注意的是，捕食者和猎物都被认为是搜索代理。因为当捕食者在寻找猎物时，猎物就在寻找自己的食物。在每次迭代结束时，如果顶级捕食者被更好的捕食者所取代，那么精英也将会被更新。
另一个与精英相同的矩阵被称为猎物，捕食者会根据它更新他们的位置。简而言之，初始化会创建最初的猎物，其中最合适的(捕食者)会构造精英。猎物显示如下：
Figure BDA0003745151950000113
式中，Xi,j表示第i个猎物的第j个维度。应该注意的是，优化的整个过程主要且直接地与这两个矩阵相关。
考虑到不同的速率比，同时模仿捕食者和猎物的整个生命，MPA优化过程分为三个主要的优化阶段，对于每个已定义的阶段，都将指定并分配一个特定的迭代周期。这些步骤是根据捕食者和猎物运动的性质所管理的规则来定义的，同时模仿捕食者和猎物在自然界中的运动。这三个优化阶段包括：
在高速率比下或当猎物比捕食者移动速度快时。该规则的数学模型应用为：
Figure BDA0003745151950000121
其中RB是一个包含基于布朗运动的正态分布的随机向量。符号
Figure BDA0003745151950000122
表示条目乘法。猎物的RB乘法模拟了猎物的运动。P＝0.5是一个常数，R是[0,1]中均匀随机数的向量。Max_iter是最大的迭代次数。
单位速率比或当捕食者和猎物都以几乎相同的速度移动时。当
Figure BDA0003745151950000123
时，对于前半部分的种群：
Figure BDA0003745151950000124
对于后半部分的种群：
Figure BDA0003745151950000125
其中，
Figure BDA0003745151950000126
是一个自适应参数来控制捕食者移动的步长。
Figure BDA0003745151950000127
和精英的乘法用布朗的方式模拟捕食者的运动，同时猎物则根据捕食者在布朗运动中的运动来更新其位置。
低速率比下捕食者移动比猎物快。当
Figure BDA0003745151950000128
时：
Figure BDA0003745151950000129
Figure BDA00037451519500001210
和精英的乘法模拟莱维方法中捕食者的运动。同时向精英位置增加步长可以模拟捕食者的运动，以帮助更新猎物的位置。
涡流的形成和鱼类聚集(FADs)效应也会导致海洋捕食者行为的变化。在搜索空间中，FADs被认为是局部最优。在模拟过程中考虑这个因素，避免了局部最优的停滞。因此，FADs效应在数学上表示为：
Figure BDA0003745151950000131
其中，FADs影响优化过程的概率，取FADs＝0.2。
Figure BDA0003745151950000132
是一个包含0和1数组的二进制向量。其构造方法如下。在[0,1]范围内生成一个随机向量。如果数组小于0.2，则将其数组更改为0。如果数组大于0.2，则将其数组更改为1。r是[0,1]范围内的均匀随机数。r1、r2分别为猎物矩阵的随机索引。
进一步通过实验验证本发明的技术效果。
实验选择频率分别为5Hz，50Hz以及200Hz的三种谐波信号和一个信噪比为15dB的高斯白噪声来组成一个噪声信号用来分析MPA-VMD方法的性能，如下式所示：
S＝sin(2π*5t)+1.2cos(2π*50t)+1.4sin(2π*200t)+η (27)
信号S的波形图及其频谱图如图2所示，从图2中可以看出，由于合成信号S受到噪声的干扰，故三个谐波信号的频率皆受到影响。
通过将MPA算法与鲸鱼优化算法(WOA)分别优化VMD，且在优化过程中均采用样本熵作为适应度函数，将分解层数K的搜索范围全部设为[2,10]，惩罚因子α的搜索范围全部设为[200,4000]，得到的寻优结果如下表1所示，寻优过程如图3所示。
表1
Figure BDA0003745151950000133
将寻优结果作为VMD预设参数进行运算，得到的HD距离折线图分别如图4所示。
从图4中可以看出，在IMF3和IMF4之间的HD增量最大，故将前三个IMF分量作为有效分量进行重构。同样，从图4显示的结果中可以看到，前三个IMF分量仍然是有效分量。将MPA-VMD和WOA-VMD方法的寻优结果分别输入VMD对原始信号进行分解，从分解之后的模态中选取有效分量进行重构，重构结果如图5所示。
将重构结果和原始信号通过SNR、MSE和MAE这三个评价指标进行对比，从表2可以看出，采用MPA-VMD的去噪方法不仅能够更快，更精准的寻找到分解尺度K和惩罚因子α的最优参数组合，还能使SNR得到了提高，MSE和MAE均有所下降，具有更好的去噪效果。
表2不同去噪方法的性能比较
Figure BDA0003745151950000134
本发明通过智能优化算法来优化VMD的预设参数，避免了因预设参数选取不当而产生模态混叠以及欠分解等情况；通过HD来进一步选取有效分量，从而得到更加平滑、准确的去噪信号，并从SNR、MSE和MAE三个方面进行比较，证明了基于MPA-VMD的去噪方法具有更好的去噪效果。
本发明另一实施例提供一种基于MPA-VMD去噪的管道泄漏检测系统，如图6所示，该系统包括：
信号获取模块10，其配置成获取包含噪声的管道信号；所述管道信号包括声波信号或负压波信号；
降噪模块20，其配置成对所述管道信号进行降噪，获取降噪后的管道信号；
工况识别模块30，其配置成将降噪后的管道信号输入到预训练的分类器中进行工况识别，识别出管道的不同工况；所述工况包括正常、敲击、泄漏三种工况类型。
本实施例中，优选地，所述降噪模块20包括：
VMD优化子模块210，其配置成利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子；
VMD分解子模块220，其配置成将最佳的分解层数和惩罚因子作为变分模态分解的输入，将包含噪声的管道信号通过变分模态分解后分解获得多个本征模态分量；
概率密度计算子模块230，其配置成计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数；
豪斯多夫距离计算子模块240，其配置成计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数之间的豪斯多夫距离，表示为相似程度序列SD；
有效分量筛选子模块250，其配置成在序列SD中寻找相对前一个SD值变化最大的SD值，将该变化最大的SD值所对应的本征模态分量作为转折点，在转折点之前的本征模态分量定义为有效分量，在转折点之后的本征模态分量定义为噪声分量；
重构子模块260，其配置成将有效分量进行重构，获得降噪后的管道信号。
本实施例中，优选地，所述VMD优化子模块210中利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子的具体过程包括：
设置变分模态分解算法的待优化参数范围；所述待优化参数包括分解层数和惩罚参数；
初始化海洋捕食者算法的各个参数，包括种群大小、迭代次数、FADs参数；
计算出每个捕食者的位置，并将每个捕食者的位置用作一次变分模态分解算法运行的参数，并获得每个捕食者的位置上所有模态分量的适应度值；比较迭代中适应度值大小，检测是否是最优适应度值即最小适应度值，并更新最优适应度值对应的捕食者的位置；其中，使用样本熵作为适应度函数以获得适应度值；
迭代循环上述步骤，直至达到最大迭代次数后得到全局最优适应度值和对应的最终捕食者的位置，则最终捕食者的位置即为变分模态分解算法的分解层数最佳的分解层数和惩罚参数。
本实施例中，优选地，所述豪斯多夫距离计算子模块240中序列SD中第i个本征模态分量与包含噪声的管道信号之间的SD值的计算公式如下：
SD(i)＝HD[pdf(s(t)),pdf(IMFi(t))]
式中，pdf(s(t))表示包含噪声的管道信号的概率密度；pdf(IMFi(t))表示第i个本征模态分量的概率密度；HD表示豪斯多夫距离。
本实施例所述一种基于MPA-VMD去噪的管道泄漏检测系统的功能可以由前述一种基于MPA-VMD去噪的管道泄漏检测方法说明，因此本实施例未详述部分，可参见以上方法实施例，在此不再赘述。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (9)

1.基于MPA-VMD去噪的管道泄漏检测方法，其特征在于，包括以下步骤：
获取包含噪声的管道信号；所述管道信号包括声波信号或负压波信号；
对所述管道信号进行降噪，获取降噪后的管道信号；
将降噪后的管道信号输入到预训练的分类器中进行工况识别，识别出管道的不同工况。
2.根据权利要求1所述的基于MPA-VMD去噪的管道泄漏检测方法，其特征在于，对所述管道信号进行降噪的具体过程包括：
利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子；
将最佳的分解层数和惩罚因子作为变分模态分解的输入，将包含噪声的管道信号通过变分模态分解后分解获得多个本征模态分量；
计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数；
计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数之间的豪斯多夫距离，表示为相似程度序列SD；
在序列SD中寻找相对前一个SD值变化最大的SD值，将该变化最大的SD值所对应的本征模态分量作为转折点，在转折点之前的本征模态分量定义为有效分量，在转折点之后的本征模态分量定义为噪声分量；
将有效分量进行重构，获得降噪后的管道信号。
3.根据权利要求2所述的基于MPA-VMD去噪的管道泄漏检测方法，其特征在于，利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子的具体过程包括：
设置变分模态分解算法的待优化参数范围；所述待优化参数包括分解层数和惩罚参数；
初始化海洋捕食者算法的各个参数，包括种群大小、迭代次数、FADs参数；
计算出每个捕食者的位置，并将每个捕食者的位置用作一次变分模态分解算法运行的参数，并获得每个捕食者的位置上所有模态分量的适应度值；比较迭代中适应度值大小，检测是否是最优适应度值即最小适应度值，并更新最优适应度值对应的捕食者的位置；其中，使用样本熵作为适应度函数以获得适应度值；
迭代循环上述步骤，直至达到最大迭代次数后得到全局最优适应度值和对应的最终捕食者的位置，则最终捕食者的位置即为变分模态分解算法的分解层数最佳的分解层数和惩罚参数。
4.根据权利要求3所述的基于MPA-VMD去噪的管道泄漏检测方法，其特征在于，序列SD中第i个本征模态分量与包含噪声的管道信号之间的SD值的计算公式如下：
SD(i)＝HD[pdf(s(t)),pdf(IMFi(t))]
式中，pdf(s(t))表示包含噪声的管道信号的概率密度；pdf(IMFi(t))表示第i个本征模态分量的概率密度；HD表示豪斯多夫距离。
5.根据权利要求1-4中任一项所述的基于MPA-VMD去噪的管道泄漏检测方法，其特征在于，所述工况包括正常、敲击、泄漏三种工况类型。
6.基于MPA-VMD去噪的管道泄漏检测系统，其特征在于，包括：
信号获取模块，其配置成获取包含噪声的管道信号；所述管道信号包括声波信号或负压波信号；
降噪模块，其配置成对所述管道信号进行降噪，获取降噪后的管道信号；
工况识别模块，其配置成将降噪后的管道信号输入到预训练的分类器中进行工况识别，识别出管道的不同工况；所述工况包括正常、敲击、泄漏三种工况类型。
7.根据权利要求6所述的基于MPA-VMD去噪的管道泄漏检测系统，其特征在于，所述降噪模块包括：
VMD优化子模块，其配置成利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子；
VMD分解子模块，其配置成将最佳的分解层数和惩罚因子作为变分模态分解的输入，将包含噪声的管道信号通过变分模态分解后分解获得多个本征模态分量；
概率密度计算子模块，其配置成计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数；
豪斯多夫距离计算子模块，其配置成计算包含噪声的管道信号的概率密度函数和多个本征模态分量的概率密度函数之间的豪斯多夫距离，表示为相似程度序列SD；
有效分量筛选子模块，其配置成在序列SD中寻找相对前一个SD值变化最大的SD值，将该变化最大的SD值所对应的本征模态分量作为转折点，在转折点之前的本征模态分量定义为有效分量，在转折点之后的本征模态分量定义为噪声分量；
重构子模块，其配置成将有效分量进行重构，获得降噪后的管道信号。
8.根据权利要求7所述的基于MPA-VMD去噪的管道泄漏检测系统，其特征在于，所述VMD优化子模块中利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据管道信号的特点自适应的选择最佳的分解层数和惩罚因子的具体过程包括：
设置变分模态分解算法的待优化参数范围；所述待优化参数包括分解层数和惩罚参数；
初始化海洋捕食者算法的各个参数，包括种群大小、迭代次数、FADs参数；
计算出每个捕食者的位置，并将每个捕食者的位置用作一次变分模态分解算法运行的参数，并获得每个捕食者的位置上所有模态分量的适应度值；比较迭代中适应度值大小，检测是否是最优适应度值即最小适应度值，并更新最优适应度值对应的捕食者的位置；其中，使用样本熵作为适应度函数以获得适应度值；
迭代循环上述步骤，直至达到最大迭代次数后得到全局最优适应度值和对应的最终捕食者的位置，则最终捕食者的位置即为变分模态分解算法的分解层数最佳的分解层数和惩罚参数。
9.根据权利要求8所述的基于MPA-VMD去噪的管道泄漏检测系统，其特征在于，所述豪斯多夫距离计算子模块中序列SD中第i个本征模态分量与包含噪声的管道信号之间的SD值的计算公式如下：
SD(i)＝HD[pdf(s(t)),pdf(IMFi(t))]
式中，pdf(s(t))表示包含噪声的管道信号的概率密度；pdf(IMFi(t))表示第i个本征模态分量的概率密度；HD表示豪斯多夫距离。
CN202210822919.3A 2022-07-14 2022-07-14 基于mpa-vmd去噪的管道泄漏检测方法及系统 Pending CN115062670A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210822919.3A CN115062670A (zh) 2022-07-14 2022-07-14 基于mpa-vmd去噪的管道泄漏检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210822919.3A CN115062670A (zh) 2022-07-14 2022-07-14 基于mpa-vmd去噪的管道泄漏检测方法及系统

Publications (1)

Publication Number Publication Date
CN115062670A true CN115062670A (zh) 2022-09-16

Family

ID=83206420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210822919.3A Pending CN115062670A (zh) 2022-07-14 2022-07-14 基于mpa-vmd去噪的管道泄漏检测方法及系统

Country Status (1)

Country Link
CN (1) CN115062670A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415119A (zh) * 2023-04-26 2023-07-11 山东大学 基于熵混叠和特征增强的燃气异常信号检测方法及系统
CN117093899A (zh) * 2023-08-22 2023-11-21 山东大学 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统
CN117454095A (zh) * 2023-12-22 2024-01-26 北京建筑大学 一种桥梁动挠度数据降噪方法
CN118016082A (zh) * 2024-04-10 2024-05-10 东北石油大学三亚海洋油气研究院 一种基于自动变分模态分解的管道泄漏滤波方法及系统
CN118068687A (zh) * 2024-04-22 2024-05-24 山东欧菲特能源科技有限公司 一种基于改进pid的制冷机变频器控制优化方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415119A (zh) * 2023-04-26 2023-07-11 山东大学 基于熵混叠和特征增强的燃气异常信号检测方法及系统
CN117093899A (zh) * 2023-08-22 2023-11-21 山东大学 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统
CN117454095A (zh) * 2023-12-22 2024-01-26 北京建筑大学 一种桥梁动挠度数据降噪方法
CN117454095B (zh) * 2023-12-22 2024-03-15 北京建筑大学 一种桥梁动挠度数据降噪方法
CN118016082A (zh) * 2024-04-10 2024-05-10 东北石油大学三亚海洋油气研究院 一种基于自动变分模态分解的管道泄漏滤波方法及系统
CN118016082B (zh) * 2024-04-10 2024-06-11 东北石油大学三亚海洋油气研究院 一种基于自动变分模态分解的管道泄漏滤波方法及系统
CN118068687A (zh) * 2024-04-22 2024-05-24 山东欧菲特能源科技有限公司 一种基于改进pid的制冷机变频器控制优化方法

Similar Documents

Publication Publication Date Title
CN115062670A (zh) 基于mpa-vmd去噪的管道泄漏检测方法及系统
Yin et al. A real-time ship roll motion prediction using wavelet transform and variable RBF network
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
GB2547816B (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
Jeong et al. Efficient global optimization (EGO) for multi-objective problem and data mining
Wang et al. A new image denoising method based on Gaussian filter
CN113392961B (zh) 中尺度涡轨迹平稳序列提取与循环神经网络预测方法
CN113361777B (zh) 基于vmd分解和ihho优化lstm的径流预测方法及系统
Huang et al. A provably convergent scheme for compressive sensing under random generative priors
CN109740106A (zh) 基于图卷积神经网络的大规模网络介数逼近方法、存储装置及存储介质
Tarwidi et al. An optimized XGBoost-based machine learning method for predicting wave run-up on a sloping beach
CN111982489B (zh) 选择集成的改进局部特征分解的微弱故障特征提取方法
CN117349798B (zh) 一种基于非均衡回归的机械钻速预测方法及系统
Peterka et al. Foundations of multivariate functional approximation for scientific data
CN113609700A (zh) 一种山区桥梁完全非平稳风场的模拟方法
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
Yang et al. Underwater acoustic signal prediction based on correlation variational mode decomposition and error compensation
CN112257021A (zh) 一种可选的克里金空间插值降雨量估算方法
Jaramillo et al. Sample selection via angular distance in the space of the arguments of an artificial neural network
Ding et al. Mine microseismic time series data integrated classification based on improved wavelet decomposition and ELM
Zare et al. A new analysis of flow noise outside the time-frequency representation using graph-based feature extraction
Hao et al. Sparse approximate solution of fitting surface to scattered points by MLASSO model
CN113869350B (zh) 基于空间特征差异的海流预测方法以及系统
Li et al. Hierarchical refined composite multiscale fluctuation-based dispersion entropy: application to feature extraction of underwater target signal
CN113743018A (zh) 基于eemd-foa-grnn的时间序列预测方法

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