CN104316277A - 基于声检测与盲信号分离的气密性监测方法与装置 - Google Patents

Abstract

本发明公开了一种基于声检测与盲信号分离的容器气密性检测装置与方法，本发明针对压缩机、储气罐等设备的气密性监测与检测应用中气压大、不便引线问题，无法定位漏气位置，存在多点漏气时无法识别问题，利用泄露气过程中产生的湍流发声作用，在被测容器的不同位置粘贴多个高灵敏声传感器，并对声信号进行调理放大，用微处理器采集后进行盲信号分离处理，通过波形对比与信号强度比对，进行多点漏气的识别与漏气位置定位，并采用灯光闪烁、鸣叫进行警示，在液晶屏幕上显示信号波形，漏气位置与漏气点数。本发明可用于管道、容器等设备的长时间的漏气在线监测、也可用于产品气密性质量检测，且准确性高，操作便捷，价格低廉。

Description

基于声检测与盲信号分离的气密性监测方法与装置

【技术领域】

本发明涉及容器、压缩机、管道、轮胎等与外部环境存在压力差的设备的气密性、漏气检测与在线监测领域，特别涉及一种基于声检测与盲信号分离的气密性监测方法与装置。

【背景技术】

气密性是容器、压缩机等设备的一个非常重要的参数，常规气密性检测方法包括压力法、流量法和气泡法。压力法在容器中放入声传感器，并加压充气，然后将容器密封。一段时间后，如果容器内气压降低，则表明存在漏气，下降速度越快，表明漏气越严重。流量测量法即在被测容器和一个密闭容器之间装一个流量计，在被测容器存在泄漏时，密闭容器内的气体流向被测容器，于是可通过流量值来判断存在漏气的严重程度。气泡法是将充气的被测容器置于水缸中，通过观察是否有气泡冒出来判断是否发生漏气。如果气泡大而多，说明漏气严重，若无气泡产生，则说明没有漏气。此外，还有一种方法叫抹涂法，也就是在被测容器外面抹涂肥皂水等，看是否有气泡产生。

气泡法可确定漏气位置，漏气点数，但无法定量监测漏气量，肉眼观察时间长了，容易产生疲劳。为了克服这一问题，近年来，相关技术人员开发了机器视觉法，即采用图像识别的方法来观察气泡的大小与数量，从而确定漏气量。机器视觉法要求采用高速摄像机，而且要三个面进行摄像，因此成本较高；压力测量法适用于容器较小，压力较大的情况，但在容器较大，漏气速度较小时，由于压力变化速度太慢，分辨率很低。而且，这种方法需要将压力声传感器放置在容器内，将信号线引出来，这本身会影响到气密性的测量。首先，引线端子所能承受的压力有限，这会影响到容器的压力测试上限，其次接线端子本身存在气密性问题；流量测量法还需要一个恒压装置，操作比较繁琐；此外，这两种方法均不能确定漏气位置，也不能确定是否存在多点漏气。抹涂法同样可确定漏气位置，漏气点数，但操作麻烦，且无法实时监测，在高压容器的气密性检测中由于存在***的可能性，还带有较高的危险性。

近年来，出现了一些新的漏气测试方法。包括超声波法、氦质谱法。超声波采用湍流的宽声频特性，采用超声传感器测试设备是否漏气。这种方法便捷、便宜、直观、可长时间在线监测、且准确性好；氦质谱法精度高，但成本过高。这两种方法虽然准确，但依然无法确定漏气位置，也不能确定是否存在多点漏气。

【发明内容】

本发明的目的在于，针对现有气密性检测技术的不足，提供了一种准确的、使用便捷的、可实现漏气点定位以及多点漏气识别的，基于声检测与盲信号分离的气密性监测方法与装置。

为了实现上述目的，本发明采用的技术方案是：

基于声检测与盲信号分离的容器气密性检测装置，包括布置在被测容器外侧的多个声传感器，每个声传感器的输出端分别通过对应的信号调理放大电路与多路同步采样器的输入端相连，多路同步采样器的输出端与微处理器的输入端相连，微处理器的输出端分别与声光报警器和显示屏相连。

本发明进一步的改进在于，多个声传感器粘贴在被测容器外侧容易发生漏气的位置；如果无法确定漏气概率高的位置，则将多个声传感器均匀分布在被测容器外侧。

本发明进一步的改进在于，各路声传感器的信号调理放大电路的放大比调整成一致，即所有声传感器与同一个漏气发生源距离相同时，调理电路输出信号的幅值也相同。

本发明进一步的改进在于，微处理器同步对多路声传感器进行采样，并且采样频率不低于50kHz。

基于声检测与盲信号分离的容器气密性检测装置的检测方法，包括如下的步骤：

1)判断各路声传感器信号强弱，并进行频谱分析，如果各路声传感器信号均弱，即信号幅度在噪声范围内，频谱分布宽，趋向于白噪声，则表明没有漏气发生，不做任何报警处理，否则进入步骤2)；

2)对各路声传感器信号两两进行相关分析，判断各路声传感器信号波形的一致性，如果各路声传感器信号波形基本一致，说明只有一个漏气点，且该漏气点位置靠近于波形幅值相对较大的声传感器处，此时，以三个信号幅值相对较大的声传感器位置为基准点，以幅值为权值，进行位置加权，求取发生漏气点的位置(x,y,z)，其中，

x＝(x₁ρ₁+x₂ρ₂+x₃ρ₃)/(ρ₁+ρ₂+ρ₃)  (1a)

y＝(y₁ρ₁+y₂ρ₂+y₃ρ₃)/(ρ₁+ρ₂+ρ₃)  (1b)

z＝(z₁ρ₁+z₂ρ₂+z₃ρ₃)/(ρ₁+ρ₂+ρ₃)  (1c)

式中：(x₁,y₁,z₁)为信号幅值最大的声传感器位置，ρ₁为该声传感器信号幅值；(x₂,y₂,z₂)为信号幅值第2大的声传感器位置，ρ₂为该声传感器信号幅值；(x₃,y₃,z₃)为信号幅值第3大的声传感器位置，ρ₃为该声传感器信号幅值；

若波形不一致，说明存在2个或2个以上漏气点，进入步骤3)；

3)对各路声传感器信号进行盲信号分离处理，将分离后的各路声传感器信号按照步骤2)处理，分别进行相关分析，确定有多少个漏气点，并对漏气点进行定位；

4)若发现存在漏气，则启动声光报警器报警，并在显示屏上显示漏气点数和漏气位置，同时显示漏气点的声传感器信号波形，以表示漏气程度。

本发明进一步的改进在于，步骤3)中，盲信号分离方法按如下方式实现：

31)估计声传感器输出信号的分布，区分其是超高斯分布，还是次高斯分布，区分的方法如下：

(1)取一段不少于50个周期的被测容器漏气声音信号，统计被测容器漏气声音信号数值的分布，横轴为信号数值，纵轴为信号数值的取值数量；

(2)用高斯函数exp(-(v-m)/d²)对步骤(1)被测容器漏气声音信号数值的分布进行函数逼近，求取其均值m和均方根d，其中，v为声传感器输出的声信号值，exp(·)为以e为底的自然指数；

(3)若信号的实际分布峰高比高斯逼近函数曲线的峰高还高，则为超高斯分布，若低，则为次高斯分布；

32)令声传感器***的混合模型为：

x＝Ws  (2)

式中：x是声传感器阵列的输出信号序列，x＝[x₁,…,x_n]^T，x_i表示第i个声传感器的输出，i＝1,2,…,n，表示共有n个声传感器；s为声传感器阵列的输入信号，也即被测信号，s＝[s₁,…,s_m]^T，s_j表示第j个被测信号，该被测信号是某个漏气点引起的声音，或者是外部噪声，j＝1,2,…,m，表示共有m个被测信号，且m≤n；W表示(n×m)维混合矩阵，且

对于上述***的盲信号分离，确定如下的关系式，使得y＝cs；

y＝Hx  (4)

式中：y表示m维的输出向量，y＝[y₁,…,y_m]^T，y_i表示第i个盲分离得到的信号，该盲分离得到的信号是某个漏气点引起的声音信号的近似值，或者是某个外部噪声信号的近似值；H为(m×n)维矩阵；c是标量常数；其自然梯度法解卷积的递推算法为：

H(k+1)＝H(k)+μ(k)[H(k)-f(y(k))u^*T(k)]  (5a)

u(k)＝H(k)y(k)  (5b)

式中：*为复值共轭算子；μ(k)表示学习步长向量；f(y)＝[f₁(y₁),…,f_m(y_m)]^T， $f_i\left(y_i\right)=-\frac{d}{{\mathrm{dy}}_i}\log p_i\left(y_i\right),$ f_i(y_i)按如下规则选择：

式中：tanh(·)为正切函数。

本发明进一步的改进在于，步骤2)中，各路声传感器波形的一致性按如下方法实现：

(1)首先对两个声传感器信号x₁和x₂进行自相关运算，求取其自相关系数r_x1x1和r_x2x2：

$r_{x1x1}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_1\left(i\right)x_1\left(i\right)---\left(7\right)$

$r_{x2x2}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_2\left(i\right)x_2\left(i\right)---\left(8\right)$

式中：x₁(i)和x₂(i)分别表示声传感器信号x₁和x₂的第i个采集数据，N表示采集了的数据点数量，它所对应的采集的信号周期数不少于10；

(2)然后对两个声传感器信号进行互相关运算，求取其互相关系数r_x1x2：

$r_{x1x2}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_1\left(i\right)x_2\left(i\right)---\left(9\right)$

如果其中δ_x为声传感器输出信号中的噪声功率，则认为两个信号的波形是一致的，否则，不一致。

本发明进一步的改进在于，步骤2)中，若存在2个以上的漏气点，其位置定位采用相关法确定，即求取分离后的第k个信号y_k与第j个声传感器输出信号x_j之间的相关系数：

$r_{\mathrm{xjyk}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_j\left(i\right)y_k\left(i\right)---\left(10\right)$

式中：相关系数r_xjyk则表征了第k个漏气源信号与第j个声传感器的距离，然后对分离后的第k个信号所有的r_xjyk进行排序，取三个最大的，并用相应的r_xjyk取代公式(1)中的ρ₁、ρ₂和ρ₃，并按公式(1)求取该漏气点的位置。

与现有技术相比，本发明具有如下的有益效果：

本发明基于声检测与盲信号分离的容器气密性检测装置包括布置在被测容器外侧的多个声传感器，每个声传感器的输出端分别通过对应的信号调理放大电路与多路同步采样器的输入端相连，多路同步采样器的输出端与微处理器的输入端相连，微处理器的输出端分别与声光报警器和液晶显示屏相连；本发明基于声检测与盲信号分离的容器气密性检测方法，该方法利用泄露气过程中产生的湍流发声作用，在被测容器的不同位置粘贴多个高灵敏声传感器，并对声信号进行调理放大，用微处理器对多路声传感信号同步采集，然后进行相关分析进行波形对比与信号强度比对与盲信号分离处理，再进行多点漏气的识别与漏气位置定位，若存在漏气，则启动声光报警器灯光闪烁、鸣叫进行警示，并在液晶屏幕上显示信号波形，漏气点数与漏气位置。

【附图说明】

图1为基于声检测与盲信号分离的气密性检测原理图；

图2为三个不同的漏气声信号分别测试时的输出波形图；

图3为漏气声信号的分布、高斯分布、次高斯分布与超高斯分布曲线图；

图4为三个不同位置声传感器在三个不同的漏气声信号激励下的输出信号图；

图5为分离信号后的信号波形图。

【具体实施方式】

下面结合附图和具体实施例对本发明做进一步详细说明。

图1为基于声检测与盲信号分离的气密性检测原理图。由于气罐是圆柱形，气罐的拐角处为焊接处，通常在该焊接处容易由于虚焊，或者局部焊接不够结实，导致高压情况下出现裂缝，从而出现漏气。因此，为了减少声传感器数量，在气罐的各侧面外侧和底面粘贴声传感器。明显地，若气罐左下角出现漏气，则6号和7号调理电路输出信号最大，因为声信号随着传播距离的增大会衰减，因此与之距离最近的声传感器所感知的信号强度最强。

为了使得所有声传感器在相同的距离对相同的声信号具有相同的输出信号，将各路声传感器的调理电路放大比调整成一致，即所有声传感器与同一个漏气发生源距离相同时，调理电路输出信号的幅值也相同。三个不同的漏气声信号分别测试时的输出波形如附图2所示。

取一段100个周期的被测容器漏气声音信号，统计信号数值的分布，横轴为信号数值，纵轴为信号该数值的取值数量；用高斯函数exp(-(v-m)/d²)对该分布进行函数逼近，求取其均值m和均方根d，这里v为声传感器输出的声信号值，exp(·)为以e为底的自然指数；若信号的实际分布峰高比高斯逼近函数曲线的峰高还高，则为超高斯分布，若低，则为次高斯分布，次高斯和超高斯分布曲线与高斯分布曲线如图3所示。实质上，声音信号大多为超高斯分布；

最后，微处理器同步对多路声传感器进行采样，采样频率为100kHz，采样周期超过50个周期。七个声传感器中的三个感知到的信号如图4所示。从图4可看出，其中三路声传感器信号幅度比较强，大大超出信号幅度的噪声水平，频谱分布较窄，表明存在漏气情况发生，于是可按如下步骤进行分析处理：

对三路信号两两进行相关分析，发现均不一致。这一点直接观测波形也可以看出，三个不行两两之间具有明显的差异。因此，可能存在两处漏气。

声波按超高斯处理，对信号进行忙信号分离，得到如图5所示的信号。对图5中的信号再次做相关分析，发现依然不一致。实际上，从图5可以看出，三个波形均不一样，但和图2基本一一对应。这是因为图4的信号就是这三个信号合成的。这也说明，忙信号分离方法有效地分离了三个合成信号，获得了分布独立的分量。

对三路信号做傅里叶变换进行频谱分析，发现图5中的第2路信号频谱较宽，在采样频率的一半范围内，频谱衰减很小，因此，第2路信号实际上主要是噪声，这一点直接观测图5中的第2路信号也可看出，该信号基本没有多大规律，和白噪声信号波形一致。因此，由此可确定存在两处漏气；

以图5中y₁为例计算第1个分离后的信号与三个声传感器输出信号的相关系数：

$r_{x1y1}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_1\left(i\right)y_1\left(i\right)$

$r_{x2y1}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_2\left(i\right)y_1\left(i\right)$

$r_{x3y1}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_2\left(i\right)y_1\left(i\right)$

以相关系数r_xjyk为权值，进行位置加权，求取其大***置：

式中：(x₁,y₁,z₁)为信号幅值最大的声传感器位置；(x₂,y₂,z₂)为信号幅值第2大的声传感器位置；(x₃,y₃,z₃)为信号幅值第3大的声传感器位置，ρ₃为该声传感器信号幅值；(x,y,z)为波形为y₁漏气信号发生位置(注意，信号为斜体，位置坐标为正体)。

启动声光报警，并在显示屏上显示漏气点数和漏气位置，并显示波形，以表示漏气程度。

Claims (8)

1.基于声检测与盲信号分离的容器气密性检测装置，其特征在于：包括布置在被测容器外侧的多个声传感器，每个声传感器的输出端分别通过对应的信号调理放大电路与多路同步采样器的输入端相连，多路同步采样器的输出端与微处理器的输入端相连，微处理器的输出端分别与声光报警器和显示屏相连。

2.根据权利要求1所述的基于声检测与盲信号分离的容器气密性检测装置，其特征在于：多个声传感器粘贴在被测容器外侧容易发生漏气的位置；如果无法确定漏气概率高的位置，则将多个声传感器均匀分布在被测容器外侧。

3.根据权利要求1所述的基于声检测与盲信号分离的容器气密性检测装置，其特征在于：各路声传感器的信号调理放大电路的放大比调整成一致，即所有声传感器与同一个漏气发生源距离相同时，调理电路输出信号的幅值也相同。

4.根据权利要求1所述的基于声检测与盲信号分离的容器气密性检测装置，其特征在于：微处理器同步对多路声传感器进行采样，并且采样频率不低于50kHz。

5.权利要求1至4中任一项所述的基于声检测与盲信号分离的容器气密性检测装置的检测方法，其特征在于，包括如下的步骤：

1)判断各路声传感器信号强弱，并进行频谱分析，如果各路声传感器信号均弱，即信号幅度在噪声范围内，频谱分布宽，趋向于白噪声，则表明没有漏气发生，不做任何报警处理，否则进入步骤2)；

2)对各路声传感器信号两两进行相关分析，判断各路声传感器信号波形的一致性，如果各路声传感器信号波形基本一致，说明只有一个漏气点，且该漏气点位置靠近于波形幅值相对较大的声传感器处，此时，以三个信号幅值相对较大的声传感器位置为基准点，以幅值为权值，进行位置加权，求取发生漏气点的位置(x,y,z)，其中，

x＝(x₁ρ₁+x₂ρ₂+x₃ρ₃)/(ρ₁+ρ₂+ρ₃)  (1a)

y＝(y₁ρ₁+y₂ρ₂+y₃ρ₃)/(ρ₁+ρ₂+ρ₃)  (1b)

z＝(z₁ρ₁+z₂ρ₂+z₃ρ₃)/(ρ₁+ρ₂+ρ₃)  (1c)

式中：(x₁,y₁,z₁)为信号幅值最大的声传感器位置，ρ₁为该声传感器信号幅值；(x₂,y₂,z₂)为信号幅值第2大的声传感器位置，ρ₂为该声传感器信号幅值；(x₃,y₃,z₃)为信号幅值第3大的声传感器位置，ρ₃为该声传感器信号幅值；

若波形不一致，说明存在2个或2个以上漏气点，进入步骤3)；

3)对各路声传感器信号进行盲信号分离处理，将分离后的各路声传感器信号按照步骤2)处理，分别进行相关分析，确定有多少个漏气点，并对漏气点进行定位；

4)若发现存在漏气，则启动声光报警器报警，并在显示屏上显示漏气点数和漏气位置，同时显示漏气点的声传感器信号波形，以表示漏气程度。

6.根据权利要求5所述的基于声检测与盲信号分离的容器气密性检测方法，其特征在于，步骤3)中，盲信号分离方法按如下方式实现：

31)估计声传感器输出信号的分布，区分其是超高斯分布，还是次高斯分布，区分的方法如下：

(1)取一段不少于50个周期的被测容器漏气声音信号，统计被测容器漏气声音信号数值的分布，横轴为信号数值，纵轴为信号数值的取值数量；

(2)用高斯函数exp(-(v-m)/d²)对步骤(1)被测容器漏气声音信号数值的分布进行函数逼近，求取其均值m和均方根d，其中，v为声传感器输出的声信号值，exp(·)为以e为底的自然指数；

(3)若信号的实际分布峰高比高斯逼近函数曲线的峰高还高，则为超高斯分布，若低，则为次高斯分布；

32)令声传感器***的混合模型为：

x＝Ws  (2)

式中：x是声传感器阵列的输出信号序列，x＝[x₁,…,x_n]^T，x_i表示第i个声传感器的输出，i＝1,2,…,n，表示共有n个声传感器；s为声传感器阵列的输入信号，也即被测信号，s＝[s₁,…,s_m]^T，s_j表示第j个被测信号，该被测信号是某个漏气点引起的声音，或者是外部噪声，j＝1,2,…,m，表示共有m个被测信号，且m≤n；W表示(n×m)维混合矩阵，且

对于上述***的盲信号分离，确定如下的关系式，使得y＝cs；

y＝Hx  (4)

式中：y表示m维的输出向量，y＝[y₁,…,y_m]^T，y_i表示第i个盲分离得到的信号，该盲分离得到的信号是某个漏气点引起的声音信号的近似值，或者是某个外部噪声信号的近似值；H为(m×n)维矩阵；c是标量常数；其自然梯度法解卷积的递推算法为：

H(k+1)＝H(k)+μ(k)[H(k)-f(y(k))u^*T(k)]  (5a)

u(k)＝H(k)y(k)  (5b)

式中：*为复值共轭算子；μ(k)表示学习步长向量；f(y)＝[f₁(y₁),…,f_m(y_m)]^T， $f_i\left(y_i\right)=-\frac{d}{{\mathrm{dy}}_i}\log p_i\left(y_i\right),$ f_i(y_i)按如下规则选择：

式中：tanh(·)为正切函数。

7.根据权利要求5所述的基于声检测与盲信号分离的容器气密性检测方法，其特征在于，步骤2)中，各路声传感器波形的一致性按如下方法实现：

(1)首先对两个声传感器信号x₁和x₂进行自相关运算，求取其自相关系数r_x1x1和r_x2x2：

$r_{x1x1}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_1\left(i\right)x_1\left(i\right)---\left(7\right)$

$r_{x2x2}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_2\left(i\right)x_2\left(i\right)---\left(8\right)$

式中：x₁(i)和x₂(i)分别表示声传感器信号x₁和x₂的第i个采集数据，N表示采集了的数据点数量，它所对应的采集的信号周期数不少于10；

(2)然后对两个声传感器信号进行互相关运算，求取其互相关系数r_x1x2：

$r_{x1x2}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_1\left(i\right)x_2\left(i\right)---\left(9\right)$

如果其中δ_x为声传感器输出信号中的噪声功率，则认为两个信号的波形是一致的，否则，不一致。

8.根据权利要求5所述的基于声检测与盲信号分离的容器气密性检测方法，其特征在于，步骤2)中，若存在2个以上的漏气点，其位置定位采用相关法确定，即求取分离后的第k个信号y_k与第j个声传感器输出信号x_j之间的相关系数：

$r_{\mathrm{xjyk}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_j\left(i\right)y_k\left(i\right)---\left(10\right)$

式中：相关系数r_xjyk则表征了第k个漏气源信号与第j个声传感器的距离，然后对分离后的第k个信号所有的r_xjyk进行排序，取三个最大的，并用相应的r_xjyk取代公式(1)中的ρ₁、ρ₂和ρ₃，并按公式(1)求取该漏气点的位置。