基于小波變換融合盲源分離算法的泄漏聲波特征提取方法
【專利摘要】本發(fā)明公開了一種基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，包括以下步驟：在被測管道上設置傳感器，通過傳感器對泄漏點進行信號采集，獲取泄漏聲波采集信號；利用小波變換對泄漏聲波采集信號進行預處理，獲取觀測信號，并對觀測信號采用盲源分離算法進行處理，獲取目標信號；對步驟二中的目標信號進行評價，并對觀測信號組成進行優(yōu)選。本發(fā)明的有益效果是：本發(fā)明提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法通過泄漏時刻采樣點偏差和幅值損失兩個評價參數對目標處理信號進行評價，該方法能夠對泄漏時刻進行準確定位，同時對微弱信號的泄漏幅值的補償作用明顯。
【專利說明】
基于小波變換融合盲源分離算法的泄漏聲波特征提取方法
技術領域
[0001]本發(fā)明涉及管道檢測技術領域，尤其是一種基于小波變換融合盲源分離算法的泄漏聲波特征提取方法。
【背景技術】
[0002]目前可以應用于油氣管道的泄漏監(jiān)測方法有許多種，其中，聲波法與傳統(tǒng)的質量平衡法、負壓波法、瞬態(tài)模型法等相比具有諸多優(yōu)點:靈敏度高、定位精度高、誤報率低、檢測時間短、適應性強;測量的是管線流體中的微弱動態(tài)壓力變化量，與管線運行壓力的絕對值無關;響應頻率更寬，檢測范圍更寬等。
[0003]輸氣管道發(fā)生泄漏時產生聲波信號，隨著傳播距離的增加泄漏信號產生衰減，波形特征被噪聲覆蓋，為提取有效的泄漏特征，國內外學者進行了大量的研究，根據調研結果，現(xiàn)階段國內外涉及輸氣管道泄漏聲波特征提取方法的專利主要有:
[0004]美國專利US6389881公開了一種利用音波技術進行管道泄漏檢測的技術，該技術利用傳感器采集管內動態(tài)壓力，采用模式匹配濾波技術對信號進行濾波處理，排除噪聲，降低干擾，提高了定位精度；
[0005]中國專利200710177617.0公開了一種基于壓力和聲波信息融合的泄漏檢測方法，該方法分別采集管道上下游壓力和聲波信號(0.2-20HZ內)，經過數據濾波、特征級融合和決策級融合三個層次的處理獲得最終檢測結果，并利用基于相關分析、小波分析等融合的定位方法進行泄漏定位，提高了泄漏檢測的準確性和定位精度。
[0006]中國專利201510020155.6公開了一種基于聲波幅值的油氣管道泄漏定位方法，該方法采用經過小波分析處理后得到低頻段聲波幅值來進行泄漏檢測和定位，提出了一種不考慮聲速及時間差的泄漏定位方法。
[0007]中國專利CN104614069A公開了一種基于聯(lián)合近似對角化盲源分離算法的電力設備故障音檢測方法，步驟包括:采用麥克風陣列;采用基于聯(lián)合近似對角化盲源分離算法針對采用麥克風陣列采集的聲音信號分離各個獨立聲源信號；提取獨立聲源信號的Mel頻率倒譜系數MFCC作為聲音特征參數，通過模式匹配算法識別聲音信號，將待測試聲音模板與所有的參考樣本模板進行匹配后，匹配距離最小的參考樣本模板就是電力設備工作音識別的結果。
[0008]現(xiàn)有的專利只是小波變換或者盲源分離算法單一處理方法的應用，對兩種方法的融合技術沒有描述，具體表現(xiàn)為:
[0009](I)小波變換能夠提取低頻段的信號特征，是應用最為普遍的信號處理方法，但同時小波變換在信號提取時也存在較為明顯的缺陷，在實際應用中，低頻段信號特征的獲取需要對原始信號進行深層分解，在泄漏時刻的定位以及泄漏幅值的獲得上容易出現(xiàn)較大偏差，容易造成時間差的計算誤差，使得定位誤差較大;泄漏幅值損失容易造成泄漏波形的失真，容易造成泄漏的漏判和誤判。
[0010](2)為解決這一問題，采用盲源分離算法對信號進行處理，經研究發(fā)現(xiàn)盲源分離能夠準確定位泄漏時刻，且在泄漏幅值方面不但沒有損失，反而有所補償，尤其是在信號較為微弱時補償更為明顯，但在應用時，盲源分離同樣存在較為明顯的缺陷:盲源分離得到的目標信號順序、種類不能確定。

【發(fā)明內容】

[0011]本發(fā)明的目的是為克服上述現(xiàn)有技術的不足，提供一種基于小波變換融合盲源分離算法的泄漏聲波特征提取方法。
[0012]為實現(xiàn)上述目的，本發(fā)明采用下述技術方案:
[0013]基于小波特征近似信號融合盲源分離算法的泄漏聲波特征提取方法，包括以下步驟:
[0014]步驟一:在被測管道上設置傳感器，通過傳感器對泄漏點進行信號采集，獲取泄漏聲波采集信號；
[0015]步驟二:利用小波變換對泄漏聲波采集信號進行預處理，獲取多個細節(jié)信號，將泄漏聲波采集信號和多個細節(jié)信號作為觀測信號，并對觀測信號采用盲源分離算法進行處理，獲取目標信號；
[0016]步驟三，對步驟二中的目標信號進行評價，并對觀測信號組成進行優(yōu)選。
[0017]優(yōu)選的，所述步驟一中，聲波傳感器采用動態(tài)壓力傳感器。
[0018]優(yōu)選的，所述步驟二中，小波變換采用的小波基為sym8，分解層數根據傳感器采集的泄漏聲波采集信號中含有的信號種類決定，所述信號種類包括泄漏聲波信號，背景噪聲以及流動噪聲。
[0019]優(yōu)選的，所述背景噪聲包括動力設備的運轉，管道外部環(huán)境的噪聲以及硬件設備、電路產生的噪聲;所述流動噪聲包括流體流動產生的瑞流噪聲。
[0020]優(yōu)選的，所述步驟二中，觀測信號獲取方法具體步驟如下:
[0021]步驟S201:將泄漏聲波采集信號作為原始信號，確定小波分解層數N，N大于等于2，將原始信號作為待分解信號，進行小波分解，分解首次分別獲取第一層細節(jié)信號和第一層近似信號；
[0022]步驟S202:將第一層近似信號作為待分解信號，對待分解信號進行小波分解，分別獲取待分解信號對應的第二層細節(jié)信號和第二層近似信號；
[0023]步驟S203:將第N-1層近似信號作為待分解信號，重復執(zhí)行步驟S202，直至達到分解層數N，第N-1層近似信號小波分解對應第N層細節(jié)信號和第N層近似信號；
[0024]步驟S204:選取第一層至第N層對應的各層細節(jié)信號以及第N層近似信號作為觀測信號。
[0025]進一步優(yōu)選的，所述根據信號種類確認分解層數的方法為:分解層數等于傳感器采集的泄漏聲波信號中含有的信號種類減I。
[0026]優(yōu)選的，所述步驟二中，采用盲源分離算法進行處理獲取目標信號的數目的方式有兩種:一是目標信號的總數等于觀測信號的總數，即當觀測信號有m個，則目標信號也有m個;二是直接定義目標信號數目為一個，即當觀測信號有m個，目標信號有且只有一個。
[0027]優(yōu)選的，所述步驟三中，利用泄漏時刻采樣點偏差和幅值損失作為評價參數。
[0028]所述泄漏時刻采樣點偏差指目標信號的泄漏時刻采樣點與原始信號的泄漏時刻采樣點之差。所述泄漏時刻采樣點偏差越小代表泄漏時刻定位更準確。
[0029]所述幅值損失指目標信號的泄漏幅值與原始信號的泄漏幅值的差值與原始信號泄漏幅值的絕對值之比。幅值損失為負值，且該值絕對值越大，代表幅值補償越顯著。
[0030]本發(fā)明的有益效果是:
[0031]1.本發(fā)明提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法通過泄漏時刻采樣點偏差和幅值損失兩個評價參數對目標處理信號進行評價，該方法能夠對泄漏時刻進行準確定位，同時對微弱信號的泄漏幅值的補償作用明顯；
[0032]2.本發(fā)明解決了現(xiàn)階段小波變換在泄漏時刻定位以及泄漏幅值偏差誤差較大，盲源分離目標信號順序、種類不能確定的問題，提高了聲波法泄漏檢測與定位技術的適用性；
[0033]3.本發(fā)明方法簡單，操作方便，對提取油氣管道聲波法泄漏檢測與定位方法中的泄漏聲波特征適用性強。
【附圖說明】
[0034]圖1是本發(fā)明實施例提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法的原理圖；
[0035]圖2是本發(fā)明實施例提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法實施流程示意圖；
[0036]圖3是本發(fā)明實施例提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法處理前的原始信號示意圖；
[0037]圖4a是本發(fā)明實施例提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法處理后得到的第一個目標信號示意圖；
[0038]圖4b是本發(fā)明實施例提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法處理后得到的第二個目標信號示意圖；
[0039]圖4c是本發(fā)明實施例提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法處理后得到的第三個目標信號示意圖；
[0040]圖5是本發(fā)明實施例提供的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法處理后得到的一個目標信號示意圖。
【具體實施方式】
[0041 ]下面結合附圖和實施例對本發(fā)明進一步說明。
[0042]如圖1所示，基于小波變換融合盲源分離算法的泄漏聲波特征提取方法的流程圖參考圖1，本發(fā)明根據
【發(fā)明內容】
給出的技術方案采用下述實驗參數對本發(fā)明進行實驗驗證:
[0043]實驗參數如下:原始信號為2MPa下0.6mm泄漏孔徑時距離泄漏點109m的傳感器采集的信號，參考圖3，分解層數N為2，采樣頻率f為3000Hz，小波變換分解函數為sym8或者db40
[0044]實施例1:該實施例中，采用的盲源分離算法進行處理獲取目標信號的數目的方式為目標信號的總數等于觀測信號。原始信號為A0，小波變換分解后得到的第一層觀測信號為D1，第二層觀測信號為D2和A2，即用于步驟二中盲源分離算法的觀測信號為A2，D2，D1，再分別對A2，D2，D1進行盲源分離，得到目標信號。
[0045]如圖3、圖4a、圖4b、圖4c所不，圖4表不米用本發(fā)明提供的方法獲取的二個目標f目號。
[0046]實施例2:該實施例中，采用盲源分離算法進行處理獲取目標信號的數目的方式為定義目標信號有且只有一個。圖5表示采用本發(fā)明提供的方法獲取的一個目標信號。
[0047]參考圖4a、圖4b和圖4c，根據實施例1的實驗附圖可以看出，原始信號幅值為-5.06159kPa，原始信號泄漏時刻對應采樣點為46441;由圖4a可以看出，泄漏聲波信號幅值為-9.53160kPa，泄漏聲波信號泄漏時刻對應采樣點為46441。經過發(fā)明得到的3個信號中與原始信號接近的目標信號為泄漏聲波信號，其余2個分別為背景噪聲和流動噪聲，且泄漏聲波信號、背景噪聲和流動噪聲的排序依次為1、2、3，所以，本發(fā)明將泄漏聲波信號中含有的信號種類進行分類，并且對目標信號的順序進行了確認。該目標信號數目的確定方式為優(yōu)選方式，因為本發(fā)明考慮到實驗過程中不僅要從泄漏聲波采集信號中獲取泄漏聲波信號，還要對從泄漏聲波采集信號中獲取的背景噪聲和流動噪聲進行進一步的研究，為此，優(yōu)選上述目標信號數目確認方式。
[0048]參考圖5，根據實施例1的實驗附圖可以看出，泄漏聲波信號幅值為-9.53160kPa，泄漏聲波信號泄漏時刻對應的采樣點為46441。根據上述數據可以看出，本發(fā)明提供的方法得到的目標信號的泄漏時刻采樣點與原始信號的幅值偏差為0，且本發(fā)明得到的目標信號的泄漏聲波幅值大于原始信號的幅值，因此本發(fā)明提供的方法對泄漏時刻定位較為準確，且幅值損失為-88.31%，即泄漏幅值補償作用明顯。若本發(fā)明僅僅從泄漏聲波采集信號中獲取泄漏聲波信號，可采用實施例2采用的目標信號數目確定方式，目標信號定義為有且只有一個，所以不用考慮目標信號的排序、種類區(qū)分的問題。
[0049]綜上所述，本發(fā)明提供的方法通過泄漏時刻采樣點偏差和幅值損失兩個評價參數對目標信號進行評價，該方法能夠對泄漏聲波的泄漏時刻進行準確定位，同時對微弱信號的泄漏幅值的補償作用明顯，因此，有效降低了現(xiàn)階段小波變化在泄漏時刻誤差較大的問題。
[0050]因此，本發(fā)明盲源分離后可以將目標信號進行有效的分類，進而提高了聲波法泄漏檢測與定位的實用性。
[0051]上述雖然結合附圖對本發(fā)明的【具體實施方式】進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領域技術人員應該明白，在本發(fā)明的技術方案的基礎上，本領域技術人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內。
【主權項】
1.基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，其特征是，包括以下步驟: 步驟一:在被測管道上設置傳感器，通過傳感器對泄漏點進行信號采集，獲取泄漏聲波米集?目號； 步驟二:利用小波變換對泄漏聲波采集信號進行預處理，獲取多個細節(jié)信號，將泄漏聲波采集信號和多個細節(jié)信號作為觀測信號，并對觀測信號采用盲源分離算法進行處理，獲取目標信號； 步驟三，對步驟二中的目標信號進行評價，并對觀測信號組成進行優(yōu)選。2.如權利要求1所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，其特征是，所述步驟一中，聲波傳感器采用動態(tài)壓力傳感器。3.如權利要求1所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，其特征是，所述步驟二中，小波變換采用的小波基為sym8，分解層數由傳感器采集的泄漏聲波采集信號中含有的信號種類決定，所述信號種類包括泄漏聲波信號，背景噪聲以及流動噪聲。4.如權利要求3所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，所述背景噪聲包括動力設備的運轉，管道外部環(huán)境的噪聲以及硬件設備、電路產生的噪聲;所述流動噪聲包括流體流動產生的瑞流噪聲。5.如權利要求3所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，所述步驟二中，觀測信號獲取方法具體步驟如下: 步驟S201:將泄漏聲波采集信號作為原始信號，確定小波分解層數N，N大于等于2，將原始信號作為待分解信號，進行小波分解，分解首次分別獲取第一層細節(jié)信號和第一層近似信號； 步驟S202:將第一層近似信號作為待分解信號，對待分解信號進行小波分解，分別獲取待分解信號對應的第二層細節(jié)信號和第二層近似信號； 步驟S203:將第N-1層近似信號作為待分解信號，重復執(zhí)行步驟S202，直至達到分解層數N，第N-1層近似信號小波分解對應第N層細節(jié)信號和第N層近似信號； 步驟S204:選取第一層至第N層對應的各層細節(jié)信號以及第N層近似信號作為觀測信號。6.如權利要求5所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，所述根據信號種類確認分解層數的方法為:分解層數等于泄漏聲波信號種類減I。7.如權利要求5所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，所述目標信號數量定義方式為目標信號的總數等于觀測信號的總數。8.如權利要求5所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，所述目標信號數量定義方式為目標信號數目為一個。9.如權利要求1所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，所述步驟三中，利用泄漏時刻采樣點偏差和幅值損失作為評價參數。10.如權利要求8所述的基于小波變換融合盲源分離算法的泄漏聲波特征提取方法，所述泄漏時刻采樣點偏差指目標信號的泄漏時刻采樣點與原始信號的泄漏時刻采樣點之差；所述幅值損失指目標信號的泄漏幅值與原始信號的泄漏幅值的差值與原始信號泄漏幅值 的絕對值之比。
【文檔編號】G06F17/14GK105927861SQ201610246962
【公開日】2016年9月7日
【申請日】2016年4月20日
【發(fā)明人】劉翠偉, 石海信, 梁金祿, 方麗萍, 李玉星, 張玉乾, 韓金珂, 梁杰
【申請人】中國石油大學(華東), 欽州學院