CN108488638A - 基于声波负压波混合监测的管道泄漏监测***及方法 - Google Patents
基于声波负压波混合监测的管道泄漏监测***及方法 Download PDFInfo
- Publication number
- CN108488638A CN108488638A CN201810260988.3A CN201810260988A CN108488638A CN 108488638 A CN108488638 A CN 108488638A CN 201810260988 A CN201810260988 A CN 201810260988A CN 108488638 A CN108488638 A CN 108488638A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- leakage
- pressure
- sound wave
- 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.)
- Granted
Links
Classifications
-
- 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
- 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
-
- 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
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
- G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
- G01M3/2815—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes using pressure measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供一种基于声波负压波混合监测的管道泄漏监测***及方法,涉及管道风险预测技术领域。该***包括位于管道首端和末端的压力传感器、声波传感器、下位机、交换机和上位机,下位机控制压力传感器和声波传感器采集压力及声波数据,进行预处理后通过交换机发送给上位机,上位机执行其中的泄露监测程序,分别通过压力与声波数据整合存储模块接收并解析下位机传送来的压力及声波数据,通过数据处理模块对获取数据进行二次滤波、无量纲化处理和半监督费舍尔判别处理,通过管道泄漏监测模块判断管道是否发生泄漏并进行压力信号和声波信号混合定位。本发明能更好屏蔽噪声干扰,确保在信号源改变时,滤波后还原信号的准确性,对泄漏点定位更准确。
Description
技术领域
本发明涉及管道风险预测技术领域,尤其涉及一种基于声波负压波混合监测的管道泄漏监测***及方法。
背景技术
管道运输在经济发展中的所扮演的角色越来与重要,如城市自来水管道、陆地原油管道、海底油气管道等,石油的运输大部分以成品油的形式在管道中运输。随着管网的逐年扩建,管道运输己经成为陆上油气运输的主要方式。但是管道的老化、锈蚀、突发性自然灾害及人为破坏等都会造成成品油管道的泄漏乃至破裂,如不及时发现并加以制止,不仅造成能源浪费、经济损失、环境污染,而且会危及人身安全,甚至造成灾难性事故。因此,对油气管道进行实时在线监测,对泄漏事故进行准确及时的报警,并准确估计出泄漏点的位置具有重要的意义。
现今的管道泄漏检测方法有很多种,如光纤测漏法、声波检测法、压力梯度法、负压波法等等。其中,负压波法是近年来国际上应用最广的管道泄漏检测方法,该方法具有反应时间短、可检测泄漏量范围广等特点,但是对于缓慢且流量较小的泄漏,由于其单位时间内压力变化缓慢,负压波法对其敏感度较低,容易产生漏报,而且由于管道输送***的复杂工况调整,一些常见的操作如主输泵的启停、阀门的开关、调节阀开度的变化等都会引起负压波,且与泄漏引发的负压波具有很高的相似度,降低了负压波法的检测精度。
声波检测法泄漏检测对于缓慢且流量较小的泄漏有较好的监测精度,但是其对易将泄漏和人为或环境因素造成的声波异常相混淆,并且这种方法不能探测同时发生的多点泄漏。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于声波负压波混合监测的管道泄漏监测***及方法,能更好地屏蔽噪声干扰,并能确保在信号源改变时,滤波后还原信号的准确性,最大限度的减少误报,对小流量的泄漏有更准确的判断,对泄漏点的定位更加准确。
为解决上述技术问题,本发明所采取的技术方案是:
一方面,本发明提供一种基于声波负压波混合监测的管道泄漏监测***,包括压力传感器、声波传感器、下位机、交换机和上位机;
所述压力传感器在管道的首端和末端各安置一个,并与输送介质接触,用于实时采集反映管道压力的高精度数据;所述声波传感器在管道的首端和末端各安置两个,并置于首端和末端的压力传感器两侧,用于实时采集反映管道声波的高速数据;首端或末端的两个声波传感器的距离不小于20Tv,T为声波的周期,v为声波在管道中的传播速度;
所述下位机、交换机和上位机在管道的首端和末端各设有一组,所述压力传感器、所述声波传感器均与相应一端的所述下位机连接,所述下位机通过网线、交换机与相应一端的所述上位机连接;
所述下位机被编程以便执行如下步骤:控制相应一端的压力传感器和声波传感器采集压力及声波数据,并对采集数据进行预处理,包括滤波、根据GPS采集时间进行加以时间戳;将预处理后的数据打包后通过交换机发送给上位机,同时存入下位机的SD卡中进行备份;
所述上位机中包括有计算机可执行的泄露监测程序,具体包括:压力与声波数据整合存储模块、数据处理模块、管道泄漏监测模块;
压力与声波数据整合存储模块,用于接收并解析下位机传送来的压力及声波数据,并按照数据检测时间进行存储,并将每个管线一端的一组压力数据及两组声波数据组合为一个三阶矩阵;
数据处理模块,用于从压力与声波数据整合存储模块中获取数据进行处理与计算,包括数据的二次滤波、无量纲化处理、半监督费舍尔判别处理,得到数据处理与计算结果;其中,在数据的二次滤波处理中,采用改进的完备总体经验模态分解ICEEMD对声波及负压波信号进行分解,根据计算其分解后的各分量的近似熵,滤除声波及负压波信号中的噪声,并去除声波干扰信号,得到最终滤波后的信号;对二次滤波后的数据进行无量纲化处理中,通过采集的历史压力及声波数据,训练半监督费舍尔判别,分别得到属于正常工况信号、大泄漏信号、小泄露信号和工况调整信号这四种工况情况的数据库;
管道泄漏监测模块,用于利用压力及声波的实时数据,根据压力与声波数据整合模块和数据处理模块的数据处理与计算结果判断管道是否发生泄漏,当判定为大泄漏或小泄漏信号时,通过压力信号和声波信号混合计算泄漏距离,对管道泄漏点进行定位。
另一方面,本发明还提供一种基于声波负压波混合监测的管道泄漏监测方法,采用上述的监测***实现,该方法包括以下步骤:
步骤1:管道的首端和末端下位机控制相应的压力传感器和声波传感器采集管道压力及声波数据,包括压力数据和声波数据并对采集数据进行滤波得到滤波后的压力信号X1、X2及声波信号Y11、Y12、Y21、Y22;下位机每秒通过GPS采集的时间数据对滤波后的压力及声波信号加以时间戳;
步骤2:下位机将滤波并加时间戳的压力及声波实时信号打包发送给上位机,同时存入下位机的SD卡中进行备份;
步骤3:上位机接收下位机发送来的数据,通过识别数据包的包头与包尾来确定所需要的数据包,之后解析数据包中的数据类型和数据值,最后储存到上位机的数据库中;
步骤4:上位机对接收到的数据进行二次滤波处理,包括以下步骤:
步骤4.1:采用改进的完备总体经验模态分解,即ICEEMD,对声波及负压波信号进行分解,得到分解后的各本征模态函数分量;
步骤4.2:计算各本征模态函数分量的近似熵,根据各分量的近似熵判别压力信号X1、X2及声波信号Y11、Y12、Y21、Y22中的噪声信号并滤除;
步骤4.3:去除声波信号中来自上游站及下游站站内的声波干扰,得到二次滤波后的信号;
步骤5:对二次滤波后的信号进行标准差法无量纲化处理,通过采集的历史压力及声波数据,训练半监督费舍尔判别,分别得到属于正常工况信号、大泄漏信号、小泄露信号和工况调整信号这四种工况情况的数据库;
步骤6:实时采集管道压力及声波数据,通过预处理及步骤4所述的二次滤波方法进行二次滤波后,以秒为单位,送入步骤5训练得到的半监督费舍尔判别模型,根据得到的特征向量与建立的四种工况情况的数据库进行比对,计算两者之间的相似程度;
步骤7:根据相似程度确定实时数据的故障类型,若判定为大泄漏信号或小泄漏信号时,则通过压力信号和声波信号混合计算泄漏点位置,对管道泄漏进行定位,否则返回步骤6,继续实时监测。
所述步骤4.1中采用改进的完备总体经验模态分解对声波及负压波信号进行分解的具体过程为:
步骤4.1.1:对信号X(t)加入I组高斯白噪声生成I个新的信号,第i个新的信号为Xi(t)=X(t)+βkwi;其中,X(t)为原声波或负压波信号;wi为第i组高斯白噪声变量,i=1、2、…、I;βk=εkstd(rk),rk为第k个余项,εk=0.2;
步骤4.1.2:初始化循环参数,令i=1;
步骤4.1.3:确定信号Xi(t)上的所有极值点,包括局部极大值点与局部极小值点;拟合极值点得到上包络线和下包络线使Xi(t)满足:
步骤4.1.4:计算Xi(t)上下两条包络线的平均值,记为m(t),
步骤4.1.5:用原始Xi(t)信号数据减去平均值m(t)得到函数hi(t),即hi(t)=Xi(t)-m(t);
步骤4.1.6:令Xi(t)=hi(t),判断hi(t)是否满足本征模态函数IMF的两个条件:
条件1:在任何时间点上,IMF的局部最大值和局部最小值定义的包络的均值必须为零,即对任意的t,有
条件2:在整个数据序列中,极值点的数量和过零点的数量相等或最多相差不多于一个;
若满足,则执行步骤4.1.7,否则,返回步骤步骤4.1.3;
步骤4.1.7:将hi(t)从X(t)信号中分离出来,即为IMFi分量,得到一个去除高频分量的差值的函数ri(t),即余项ri(t)=X(t)-IMFi;
步骤4.1.8:判断残余信号ri(t)是否为单调函数的信号,若是,则X(t)不能再分解出IMF分量,完成分解过程,得到各IMF分量,记为IMF1~IMFn,n=i,并得到最后的残余信号为rn(t)=rnn-1(t)-hn(t),信号X(t)为n个本征模态函数分量和一个残余项的和,即否则,令X(t)=ri为新的信号,再令i=i+1,返回步骤4.1.3,进行下一次分解。
所述步骤4.2中计算各本征模态函数分量的近似熵的具体过程为:
步骤4.2.1:将第j个本征模态函数中的数据看作有y个点的时间序列,记为{Zj}={Zj1、Zj2、…、Zjy};对于给定阈值a和模式维数g,计算n*n的二值距离矩阵B:
其中,
步骤4.2.2:利用矩阵B的元素brj分别计算小于a的元素数量与距离总数n-g+1和n-g+2的比值,分别记为和如下两式所示:
步骤4.2.3:根据和计算得到和如下两式所示,
则第j个本征模态函数的近似熵Aj表示为:
步骤4.2.4:将得到的近似熵值由大到小排列,对应的近似熵值大于1的IMF分量视为噪声信号进行滤除,对声波信号近似熵为0.486~0.490之间的IMF分量为声波与压力信号的耦合信号,作为干扰信号进行滤除。
所述步骤4.3中去除声波信号中来自上游站及下游站站内的声波干扰的具体过程为:
步骤4.3.1:通过步骤4.2得到的二次滤波后的声波信号,判断其各IMF分量到各声波传感器的时间;
步骤4.3.2:管道首端的外侧声波传感器接受到的时间早于内侧声波传感器接受到的时间的本征模态函数和管道末端的外侧声波传感器接受到的时间早于内侧声波传感器的接受到的时间的本征模态函数为来自上游站及下游站站内的声波干扰,去除这些本征模态函数;
步骤4.3.3:将声波信号对应的剩余的本征模态函数相加得到滤除来自站内噪声的声源信号,即为上游站和下游站的声波传感器的声波信号Y1、Y2。
所述步骤5的具体过程为:
步骤5.1:将步骤4二次滤波后的数据进行标准差法无量纲化处理,组合为测量矩阵XL;在每个压力信号之间***m个数值等于上一个时间点的压力数据值的点, 四舍五入的整数即为m,其中:f1为声波信号的频率,f2为压力信号的频率;
步骤5.2:测量矩阵XL=[x1,x2,x3,…xN],其中包括正常输油信号、小泄漏信号、大泄漏信号和工况干扰信号,第k种类别中包含nk个样本,k=1,2,3,4;n1+n2+n3+n4=N;
定义Sb为类间散度矩阵,Sw为类内散度矩阵,分别如下两式所示:
其中,权值矩阵W(b)与W(w)分别定义为:
其中,Ck表示类别数k的集合,Ck={1,2,3,4};
定义St为全局散度矩阵,其中,
步骤5.3:令其中I为单位对角矩阵,则半监督费舍尔优化判别向量通过下式得出:
其中,J为最大评分参量,p为不等于0的任意常数,P为负载矩阵;
上式等价为Srbq=λSrwq,其中λ是广义特征值,q是对应的广义特征向量;
将所求得的广义特征值降序排列为λ1≥λ2≥…≥λN,相应广义特征向量为q1,q2,…,qN,向量q1,q2,…,qN即为半监督费舍尔优化判别向量,其分类能力也依次减弱;
假设样本属于每一类的先验概率相等,为K为类别总数,则标签样本的条件概率密度函数如下式所示:
其中,Qr=[q1,q2,…,qr]为前r个费舍尔判别特征向量,Qr所张成的空间为r维的半监督费舍尔判别子空间,是Ck类样本的均值向量;
根据贝叶斯准则,属于第i类型的后验概率计算公式为:
半督费舍尔判别函数的定义为
表示测试数据集中任意样本属于训练集中第k个分类的判别函数值;
依据下式所示的泄漏分类准则,预测测试集中的每一个测试样本为正常输油信号、大泄漏信号、小泄漏信号或工况干扰信号:
步骤5.4:利用历史数据中的正常工况信号、大泄漏信号、小泄露信号和工况干扰信号分别训练步骤5.3得到的数学模型,得到正常工况信号、大泄漏信号、小泄露信号和工况干扰信号对应的建立管道泄漏检测的数据库。
所述步骤6中相似程度的计算公式如下所示:
式中,Sk为相似度,C(x)new为新采集的数据,为第k种类型的测试样本,为k类样本的一个集合,为所有测试样本的一个集合;
若Si≥0.85,则当前数据为第k类数据;否则,结合现场状况的实际分析及人为诊断确定故障的类型,并将其收入管道泄漏检测的数据库中。
所述步骤7中对管道泄露进行定位的具体过程为:
步骤7.1:根据上游站和下游站压力传感器的时间差值计算泄漏点,如下式所示,
式中,Z1为泄漏点到上游站压力传感器的距离;l1为管线上下游站压力传感器之间的距离;τ1为负压波传到上下游压力传感器的时差;v1为负压波在管线内的传播速度;
步骤7.2:在泄漏点的上游站及下游站各选取泄漏发生点前30秒的压力数据均值和泄漏点后15秒的压力数据均值,计算上下游站压力变化比,分别如下两式所示,
其中:δ1、δ2分别为上游站和下游站的压力变化比;X1+、X2+分别为泄漏发生点前30秒上游站和下游站的压力数据均值;X1-、X2-分别为泄漏发生点后15秒上游站和下游站的压力数据均值;
则管道泄漏时总压力变化比δp为:其中,μ为由现场管道长度和正常输送管道压力大小确定的参数;
步骤7.3:对声波的特征值在上游站及下游站的时间差值,计算泄漏点。如下式所示,
式中,Z2为泄漏点到上游站声波传感器的距离;l2为管线上下游站声波传感器之间的距离;τ2为声波传到上下游声波传感器的时差;v2为声波在管线内的传播速度;
步骤7.4:在泄漏点的上游站及下游站各选取泄漏发生点前5秒的声波数据均值和泄漏点后3秒的声波数据均值,计算上下游站声波变化比,分别如下两式所示,
其中,δ3、δ4分别为上游站和下游站的声波变化比;Y1+、Y2+分别为泄漏发生点前5秒上游站和下游站的声波数据均值;Y1-、Y2-分别为泄漏发生点后3秒上游站和下游站的声波数据均值;
则管道泄漏时总声波变化比δs为:
步骤7.5:根据泄漏点到上游站压力传感器的最终距离为
其中,T为声波的周期。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于声波负压波混合监测的管道泄漏监测方法,与现有***相比较有以下优势:
(1)本发明使用的下位机成本更低;
(2)采用多重滤波包括对声波和压力信号的单独硬件及软件滤波,更好的屏蔽了噪声的干扰;
(3)在数据预处理阶段,通过ICEEMD对信号进行分解,并通过近似熵选择其源信号对应的本征模态函数,确保了在信号源改变时,滤波后还原信号的准确性;
(4)通过设置双声波传感器可屏蔽来自站内的声波干扰;
(5)采用费舍尔判别分析的方法综合分析了压力和声波信号,确保了泄漏的特征值的准确性,最大限度的减少了误报,对小流量的泄漏有了更准确的判断;
(6)综合利用声波和压力信号判断泄漏点,针对负压波法对小泄漏量和声波法对大泄漏量的定位不精确的问题,设立阀值对泄漏点的定位更加准确。
附图说明
图1为本发明实施例提供的基于声波负压波混合监测的管道泄漏监测***结构示意图;
图2为本发明实施例提供的基于声波负压波混合监测的管道泄漏监测方法的总体算法流程图;
图3为本发明实施例提供的基于声波负压波混合监测的管道泄漏监测方法的实施流程图;
图4为本发明实施例提供的二次滤波方法流程图;
图5为本发明实施例提供的正常工况负压波的ICEEMD分解结果图;
图6为本发明实施例提供的泄漏时负压波的ICEEMD分解结果图;
图7为本发明实施例提供的压力信号滤波后的还原信号示意图;
图8为本发明实施例提供的正常工况时声波信号的ICEEMD分解结果图;
图9为本发明实施例提供的泄漏时声波信号的ICEEMD分解结果图;
图10为本发明实施例提供的声波信号滤波后的还原信号示意图。
图中:1、管道首端压力传感器;2、管道末端压力传感器;3、管道首端的外侧声波传感器;4、管道首端的内侧声波传感器;5、管道末端的内侧声波传感器;6、管道末端的外侧声波传感器;7、下位机;8、交换机;9、上位机;10、进站阀;11、泵。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种基于声波负压波混合监测的管道泄漏监测***,如图1所示,包括压力传感器、声波传感器、下位机7、交换机8和上位机9。
压力传感器在管道的首端和末端各安置一个,并与输送介质接触,用于实时采集反映管道压力的高精度数据。管道首端和末端的压力传感器分别如图1中的1和2。
本实施例中,罗斯蒙特3051s压力变送器,其主要参数如下:
(1)压力变送器的测量压力范围为0~8MPa;
(2)信号分辨率0.015%,准确度±0.075%,更新速率50Hz;
(3)输出信号为4~20mADC(二线制),带负载能力不小于700Ω,供电电源为24VDC;
(4)具有承受最大量程的1.5倍的过载能力;
(5)环境温度每变化50°F(28℃)的影响优于:±(0.025%量程上限+0.125%量程);
(6)静压每变化1000psi(6.9MPa)的影响优于:±0.1%量程上限。
声波传感器在管道的首端和末端各安置两个,并置于首端和末端的压力传感器两侧,用于实时采集反映管道声波的高速数据。管道首端的两个声波传感器分别如图1中的3和4,道末端的两个声波传感器分别如图1中的5和6,其中,3和6为外侧,4和5为内侧。首端或末端的两个声波传感器的距离不小于20Tv,T为声波的周期,v为声波在管道中的传播速度。
本实施例中,声波传感器采用CT1000系列,具有以下的技术指标:
(1)电压灵敏度:947.47mv/g;
(2)测量频率范围:0.2~1200Hz;
(3)量程:5g;
(4)线性度:≤1%;
(5)工作温度:-20~120℃;
(6)抗冲击:10g;
(7)输出方式:顶端M5;
(8)激励电流:2~10mA,激励电压:10-24VDC。
下位机7、交换机8和上位机9在管道的首端和末端各设有一组,压力传感器、声波传感器均与相应一端的下位机7连接,下位机7通过网线、交换机8与相应一端的上位机9连接。
下位机7被编程以便执行如下步骤:控制相应一端的压力传感器和声波传感器采集压力及声波数据,并对采集数据进行预处理,包括滤波、根据GPS采集时间进行加以时间戳;将预处理后的数据打包后通过交换机8发送给上位机9,同时存入下位机7的SD卡中进行备份。
本实施例中的技术指标要求如下:
(1)采样频率范围:0-1.2KHz;
(2)驱动信号:3.3V及5V;
(3)采样信号的通道数:至少4路;
(4)采样精度:之0.001;
(5)通信方式:以太网通信;
(6)供电方式:24V直流供电。
本实施例中,对压力信号采样频率选取为50Hz,对声波信号的采样频率甚至为1200Hz。
上位机9中包括有计算机可执行的泄露监测程序,具体包括:压力与声波数据整合存储模块,数据处理模块、管道泄漏监测模块。
压力与声波数据整合存储模块,用于接收并解析下位机7传送来的压力及声波数据,并按照数据检测时间进行存储,并将每个管线一端的一组压力数据及两组声波数据组合为一个三阶矩阵;
数据处理模块,用于从压力与声波数据整合存储模块中获取数据进行处理与计算,包括数据的二次滤波、无量纲化处理、费舍尔判别处理,得到数据处理与计算结果;其中,在数据的二次滤波处理中,采用改进的完备总体经验模态分解ICEEMD对声波及负压波信号进行分解,根据计算其分解后的各分量的近似熵,滤除声波及负压波信号中的噪声,并去除声波干扰信号,得到最终滤波后的信号;对二次滤波后的数据进行无量纲化处理中,通过采集的历史压力及声波数据,训练半监督费舍尔判别,分别得到属于正常工况信号、大泄漏信号、小泄露信号和工况调整信号这四种工况情况的数据库;
管道泄漏监测模块,用于利用压力及声波的实时数据,根据压力与声波数据整合模块和数据处理模块的数据处理与计算结果判断管道是否发生泄漏,当判定为大泄漏或小泄漏信号时,通过压力信号和声波信号混合计算泄漏距离,对管道泄漏点进行定位。
采用上述的监测***实现基于声波负压波混合监测的管道泄漏监测方法,其总体算法如图2所示,具体实施流程图如图3所示,具体方法如下所述。
步骤1:管道的首端和末端下位机控制相应的压力传感器和声波传感器采集管道压力及声波数据,包括压力数据和声波数据并对采集数据进行滤波得到滤波后的压力信号X1、X2及声波信号Y11、Y12、Y21、Y22。
由于管道传输距离远,管道泄漏产生的高频噪声在管道中衰减速度快,故下位机采集到声波信号的高频部分可视为噪声信号,故采用低通滤波滤除频率大于200Hz的声波信号。滤除下位机压力信号中的粗大误差、高频噪声等干扰。
下位机每秒通过GPS采集的时间数据对滤波后的压力及声波信号加以时间戳。
步骤2:下位机将滤波并加时间戳的压力及声波实时信号打包发送给上位机,同时存入下位机的SD卡中进行备份。
SD卡中存储最近60分钟以内的数据。当上位机因网络延时等原因未接受到某一时间段的数据包时,向下位机发送请求,下一秒时下位机会将当前时间的数据包连同上位机缺失的数据一同发送给上位机。
步骤3:上位机接收下位机发送来的数据,通过识别数据包的包头与包尾来确定所需要的数据包,之后解析数据包中的数据类型和数据值,最后储存到上位机的数据库中。
根据对声波与负压波的管道泄漏信号的产生及传播机理分析可知,在泄露时声波信号和负压波信号在频率域上会有小幅波动,传统的应用在管道泄漏检测中的算法并未对其进行优化,会对后续的泄漏定位产生干扰,影响其定位精准度。本实施例采用ICEEMD对声波及负压波信号进行分解,根据计算其分解后的各分量的近似熵,选取最终滤波后的信号,具体步骤如下。
步骤4:上位机对接收到的数据进行二次滤波处理,如图4所示,包括以下步骤:
步骤4.1:采用改进的完备总体经验模态分解,即ICEEMD,对声波及负压波信号进行分解,得到分解后的各本征模态函数分量;具体过程为:
步骤4.1.1:对信号X(t)加入I组高斯白噪声生成I个新的信号,第i个新的信号为Xi(t)=X(t)+βkwi;其中,X(t)为原声波或负压波信号;wi为第i组高斯白噪声变量,i=1、2、…、I;βk=εkstd(rk),rk为第k个余项,εk=0.2;
本实施例中,根据对ICEEMD及IMF近似熵的分析,对实验采集的声波及压力信号进行数据处理,加入200组信噪比为5的高斯噪声,EMD的最大迭代次数选则为500次。
步骤4.1.2:初始化循环参数,令i=1;
步骤4.1.3:确定信号Xi(t)上的所有极值点,包括局部极大值点与局部极小值点;拟合极值点得到上包络线和下包络线使Xi(t)满足:
步骤4.1.4:计算Xi(t)上下两条包络线的平均值,记为m(t),
步骤4.1.5:用原始Xi(t)信号数据减去平均值m(t)得到函数hi(t),即hi(t)=Xi(t)-m(t);
步骤4.1.6:令Xi(t)=hi(t),判断hi(t)是否满足本征模态函数IMF的两个条件:
条件1:在任何时间点上,IMF的局部最大值和局部最小值定义的包络的均值必须为零,即对任意的t,有
条件2:在整个数据序列中,极值点的数量和过零点的数量相等或最多相差不多于一个;
若满足,则执行步骤4.1.7,否则,返回步骤步骤4.1.3;
第一个限制条件是保证波形局部对称,第二个限制条件是近似传统的平稳高斯过程的关于窄带的定义;
步骤4.1.7:将hi(t)从X(t)信号中分离出来,即为IMFi分量,得到一个去除高频分量的差值的函数ri(t),即余项ri(t)=X(t)-IMFi;
第一个从Xi(t)中获得的IMF分量即h1(t),记为IMFi1,i=1、2、…、I,对所有的IMFi1取均值得到IMF1,此时余项为r1=X(t)-IMF1;
步骤4.1.8:判断残余信号ri(t)是否为单调函数的信号,若是,则X(t)不能再分解出IMF分量,完成分解过程,得到各IMF分量,记为IMF1~IMFn,n=i,并得到最后的残余信号为rn(t)=rn-1(t)-hn(t),信号X(t)为n个本征模态函数分量和一个残余项的和,即否则,令X(t)=ri为新的信号,再令i=i+1,返回步骤4.1.3,进行下一次分解。
步骤4.2:计算各本征模态函数分量IMF1~IMFn的近似熵,根据各分量的近似熵判别压力信号X1、X2及声波信号Y11、Y12、Y21、Y22中的噪声信号并滤除,具体过程为:
步骤4.2.1:将第j个本征模态函数中的数据看作有y个点的时间序列,记为{Zj}={Zj1、Zj2、…、Zjy};对于给定阈值a和模式维数g,计算n*n的二值距离矩阵B:
其中,
本实施例中,a取0.1~0.2,g取2。
步骤4.2.2:利用矩阵B的元素brj分别计算小于a的元素数量与距离总数n-g+1和n-g+2的比值,分别记为和如下两式所示:
步骤4.2.3:根据和计算得到和(对Cr取自然对数,再求所有r的平均值),如下两式所示,
则第j个本征模态函数的近似熵Aj表示为:
步骤4.2.4:将步骤4.2.3得到的近似熵值由大到小排列,对应的近似熵值大于1的IMF分量视为噪声信号进行滤除,对声波信号近似熵为0.486~0.490之间的IMF分量为声波与压力信号的耦合信号,作为干扰信号进行滤除。
步骤4.3:去除声波信号中来自上游站及下游站站内的声波干扰,得到二次滤波后的信号,具体过程为:
步骤4.3.1:通过步骤4.2得到的二次滤波后的声波信号,判断其各IMF分量到各声波传感器的时间;
步骤4.3.2:管道首端的外侧声波传感器接受到的时间早于内侧声波传感器接受到的时间的本征模态函数和管道末端的外侧声波传感器接受到的时间早于内侧声波传感器的接受到的时间的本征模态函数为来自上游站及下游站站内的声波干扰,去除这些本征模态函数;
步骤4.3.3:将声波信号对应的剩余的本征模态函数相加得到滤除来自站内噪声的声源信号,即为上游站和下游站的声波传感器的声波信号Y1、Y2。
本实施例中,正常工况负压波的ICEEMD分解如图5所示,其各IMF分量对应的近似熵如表1所示。由图5和表1可知,在正常工况下,压力信号的IMF1的近似熵为1.2854,而r对信号影响很小且波动幅度很小,因此压力信号可由IMF2-IMF10信号还原,可去除高频噪声及对信号特征提取无用的极低频信号。
表1正常工况负压波的IMF函数的近似熵
分量号 | 近似熵 | 分量号 | 近似熵 | 分量号 | 近似熵 |
IMF1 | 1.2854 | IMF5 | 0.2562 | IMF9 | 0.0052 |
IMF2 | 0.8544 | IMF6 | 0.1275 | IMF10 | 0.0037 |
IMF3 | 0.6254 | IMF7 | 0.0426 | r | 6.3882*e-4 |
IMF4 | 0.5747 | IMF8 | 0.0214 | - | - |
泄漏时负压波的ICEEMD分解如图6所示,其各IMF分量对应的近似熵如表2所示。由图6和表2可知,在泄漏工况下压力信号的IMF1的近似熵为1.7260,IMF2的近似熵为1.1563,这两个分量可以视为高频噪声信号。而IMF11、IMF12和r这三个分量对信号的影响很小,因此压力信号可由IMF3-IMF10信号还原,可去除高频噪声及对信号特征提取无用的极低频信号。压力信号滤波还原后的信号如图7所示,其中,图a为正常工况时压力信号的还原信号,图b为泄漏时压力信号的还原信号。
表2泄漏时负压波的IMF函数的近似熵
分量号 | 近似熵 | 分量号 | 近似熵 | 分量号 | 近似熵 |
IMF1 | 1.7260 | IMF6 | 0.0706 | IMF11 | 0.0004 |
IMF2 | 1.1563 | IMF7 | 0.0420 | IMF12 | 7.6097*e-4 |
IMF3 | 0.5579 | IMF8 | 0.0209 | r | 2.3579*e-4 |
IMF4 | 0.2889 | IMF9 | 0.0018 | - | - |
IMF5 | 0.0622 | IMF10 | 0.0010 | - | - |
正常工况时声波信号的ICEEMD分解如图8所示,其各IMF分量对应的近似熵如表3所示。由图8和表3可知,正常工况时声波信号的所有IMF分量的近似熵的值均小于1,且不存在近似熵值极小的分量,因此在正常工况下声波信号可由全部IMF分量信号还原。
表3正常工况时声波信号的IMF函数的近似熵
分量号 | 近似熵 | 分量号 | 近似熵 | 分量号 | 近似熵 |
IMF1 | 0.9229 | IMF6 | 0.2007 | IMF11 | 0.0057 |
IMF2 | 0.4960 | IMF7 | 0.0973 | IMF12 | 0.0014 |
IMF3 | 0.3220 | IMF8 | 0.0444 | r | 0.0036 |
IMF4 | 0.1938 | IMF9 | 0.0261 | - | - |
IMF5 | 0.2133 | IMF10 | 0.0203 | - | - |
泄漏时声波信号的ICEEMD分解如图9所示,其各IMF分量对应的近似熵如表4所示。由图9和表4可知,在泄漏时噪声大量存在,IMF1的近似熵为1.2255,IMF2的近似熵为1.0348,可知IMF1与IMF2为噪声信号,而余量r的近似熵为7.8322*e-4,其对信号的影响很小,因此信号还原时须将IMF1、IMF2和余量r滤除,因此声波信号可由IMF3-IMF11分量信号进行还原。声波信号滤波还原后的信号如图10所示,其中,图a为正常工况时声波信号的还原信号,图b为泄漏时声波信号的还原信号。
表4泄漏时声波信号的IMF函数的近似熵
分量号 | 近似熵 | 分量号 | 近似熵 | 分量号 | 近似熵 |
IMF1 | 1.2255 | IMF5 | 0.4863 | IMF9 | 0.0214 |
IMF2 | 1.0348 | IMF6 | 0.2553 | IMF10 | 0.0068 |
IMF3 | 0.6796 | IMF7 | 0.1212 | IMF11 | 0.0060 |
IMF4 | 0.5723 | IMF8 | 0.0480 | r | 7.8322*e-4 |
步骤5:对二次滤波后的信号进行标准差法无量纲化处理,通过采集的历史压力及声波数据,训练半监督费舍尔判别,分别得到属于正常工况信号、大泄漏信号、小泄露信号和工况调整信号这四种工况情况的数据库;
基于核费舍尔判别分析并依据半监督学习方法的理念,通过学习与分析历史的泄露发生时的数据库来判断今后上位机监测到波形异常时,是否是真的发生泄漏。具体过程如下:
步骤5.1:将步骤4二次滤波后的数据进行标准差法无量纲化处理,组合为测量矩阵XL;为保证声波信号和压力信号的时间一致性,需要对压力信号进行扩充,在每个压力信号之间***m个数值等于上一个时间点的压力数据值的点, 四舍五入的整数即为m,其中:f1为声波信号的频率,f2为压力信号的频率;
步骤5.2:测量矩阵XL=[x1,x2,x3,…xN],其中包括正常输油信号、小泄漏信号、大泄漏信号和工况干扰信号,第k种类别中包含nk个样本,k=1,2,3,4;n1+n2+n3+n4=N;
定义Sb为类间散度矩阵,Sw为类内散度矩阵,分别如下两式所示:
其中,权值矩阵W(b)与W(w)分别定义为:
其中,Ck表示类别数k的集合,Ck={1,2,3,4};
定义St为全局散度矩阵,其中,
步骤5.3:令其中I为单位对角矩阵,则半监督费舍尔优化判别向量通过下式得出:
其中,J为最大评分参量,p为不等于0的任意常数,P为负载矩阵;
上式等价为Srbq=λSrwq,其中λ是广义特征值,q是对应的广义特征向量;
将所求得的广义特征值降序排列为λ1≥λ2≥…≥λN,相应广义特征向量为q1,q2,…,qN,向量q1,q2,…,qN即为半监督费舍尔优化判别向量,其分类能力也依次减弱;本实施例中考虑到计算速度问题,只取用前四项,即N=4;
通常情况下,正常工况下的数据可假设是满足多变量高斯分布,泄漏数据也可以认为是满足高斯分布的。假设样本属于每一类的先验概率相等,为K为类别总数,则标签样本的条件概率密度函数如下式所示:
其中,Qr=[q1,q2,…,qr]为前r个费舍尔判别特征向量,Qr所张成的空间为r维的半监督费舍尔判别子空间,是Ck类样本的均值向量;
根据贝叶斯准则,属于第i类型的后验概率计算公式为:
半督费舍尔判别函数的定义为
表示测试数据集中任意样本属于训练集中第k个分类的判别函数值;那么,测试集中的每一个样本点属于第k个类别的判别值,可由上式计算得到;
依据下式所示的泄漏分类准则,预测测试集中的每一个测试样本为正常输油信号、大泄漏信号、小泄漏信号或工况干扰信号:
步骤5.4:利用历史数据中的正常工况信号、大泄漏信号、小泄露信号和工况干扰信号分别训练步骤5.3得到的数学模型,得到正常工况信号、大泄漏信号、小泄露信号和工况干扰信号对应的建立管道泄漏检测的数据库。
步骤6:实时采集管道压力及声波数据,通过预处理及步骤4所述的二次滤波方法进行二次滤波后,以秒为单位,送入步骤5训练得到的半监督费舍尔判别模型,根据得到的特征向量与建立的管道泄漏检测的数据库进行比对,计算两者之间的相似程度,如下所示:
式中,Sk为相似度,C(x)new为新采集的数据,为第k种类型的测试样本,为k类样本的一个集合,为所有测试样本的一个集合;
若Si≥0.85,则当前数据为第k类数据;否则,当前数据与数据库中的任一特征向量的相似度都小于该阈值0.85,则很可能是一个新的未被辨识的故障,结合现场状况的实际分析及人为诊断确定故障的类型,并将其收入管道泄漏检测的数据库中。
步骤7:根据相似程度确定实时数据的故障类型,若判定为大泄漏信号或小泄漏信号时,则通过压力信号和声波信号混合计算泄漏点位置,对管道泄漏进行定位,否则返回步骤6,继续实时监测。
对管道泄露进行定位的具体过程为:
步骤7.1:根据上游站和下游站压力传感器的时间差值计算泄漏点,如下式所示,
式中,Z1为泄漏点到上游站压力传感器的距离;l1为管线上下游站压力传感器之间的距离;τ1为负压波传到上下游压力传感器的时差;v1为负压波在管线内的传播速度;
步骤7.2:在泄漏点的上游站及下游站各选取泄漏发生点前30秒的压力数据均值和泄漏点后15秒的压力数据均值,计算上下游站压力变化比,分别如下两式所示,
其中:δ1、δ2分别为上游站和下游站的压力变化比;X1+、X2+分别为泄漏发生点前30秒上游站和下游站的压力数据均值;X1-、X2-分别为泄漏发生点后15秒上游站和下游站的压力数据均值;
则管道泄漏时总压力变化比δp为:其中,μ为由现场管道长度和正常输送管道压力大小确定的参数;
步骤7.3:对声波的特征值在上游站及下游站的时间差值,计算泄漏点。如下式所示,
式中,Z2为泄漏点到上游站声波传感器的距离;l2为管线上下游站声波传感器之间的距离;τ2为声波传到上下游声波传感器的时差;v2为声波在管线内的传播速度;
步骤7.4:在泄漏点的上游站及下游站各选取泄漏发生点前5秒的声波数据均值和泄漏点后3秒的声波数据均值,计算上下游站声波变化比,分别如下两式所示,
其中,δ3、δ4分别为上游站和下游站的声波变化比;Y1+、Y2+分别为泄漏发生点前5秒上游站和下游站的声波数据均值;Y1-、Y2-分别为泄漏发生点后3秒上游站和下游站的声波数据均值;
则管道泄漏时总声波变化比δs为:
步骤7.5:为屏蔽大泄漏时声波定位精度差,小泄漏时负压波定位精度差的问题,根据泄漏点到上游站压力传感器的最终距离为
其中,T为声波的周期。
一个用压力波判断与计算泄漏点,一个用声波判断与计算泄漏点,两种波混合判断得出的结果更准确。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种基于声波负压波混合监测的管道泄漏监测***,其特征在于:该***包括压力传感器、声波传感器、下位机、交换机和上位机;
所述压力传感器在管道的首端和末端各安置一个,并与输送介质接触,用于实时采集反映管道压力的高精度数据;所述声波传感器在管道的首端和末端各安置两个,并置于首端和末端的压力传感器两侧,用于实时采集反映管道声波的高速数据;首端或末端的两个声波传感器的距离不小于20Tv,T为声波的周期,v为声波在管道中的传播速度;
所述下位机、交换机和上位机在管道的首端和末端各设有一组,所述压力传感器、所述声波传感器均与相应一端的所述下位机连接,所述下位机通过网线、交换机与相应一端的所述上位机连接;
所述下位机被编程以便执行如下步骤:控制相应一端的压力传感器和声波传感器采集压力及声波数据,并对采集数据进行预处理,包括滤波、根据GPS采集时间进行加以时间戳;将预处理后的数据打包后通过交换机发送给上位机,同时存入下位机的SD卡中进行备份;
所述上位机中包括有计算机可执行的泄露监测程序,具体包括:压力与声波数据整合存储模块、数据处理模块、管道泄漏监测模块;
压力与声波数据整合存储模块,用于接收并解析下位机传送来的压力及声波数据,并按照数据检测时间进行存储,并将每个管线一端的一组压力数据及两组声波数据组合为一个三阶矩阵;
数据处理模块,用于从压力与声波数据整合存储模块中获取数据进行处理与计算,包括数据的二次滤波、无量纲化处理、半监督费舍尔判别处理,得到数据处理与计算结果;其中,在数据的二次滤波处理中,采用改进的完备总体经验模态分解ICEEMD对声波及负压波信号进行分解,根据计算其分解后的各分量的近似熵,滤除声波及负压波信号中的噪声,并去除声波干扰信号,得到最终滤波后的信号;对二次滤波后的数据进行无量纲化处理中,通过采集的历史压力及声波数据,训练半监督费舍尔判别,分别得到属于正常工况信号、大泄漏信号、小泄露信号和工况调整信号这四种工况情况的数据库;
管道泄漏监测模块,用于利用压力及声波的实时数据,根据压力与声波数据整合模块和数据处理模块的数据处理与计算结果判断管道是否发生泄漏,当判定为大泄漏或小泄漏信号时,通过压力信号和声波信号混合计算泄漏距离,对管道泄漏点进行定位。
2.一种基于声波负压波混合监测的管道泄漏监测方法,采用权利要求1所述的基于声波负压波混合监测的管道泄漏监测***实现,其特征在于:该方法包括以下步骤:
步骤1:管道的首端和末端下位机控制相应的压力传感器和声波传感器采集管道压力及声波数据,包括压力数据和声波数据并对采集数据进行滤波得到滤波后的压力信号X1、X2及声波信号Y11、Y12、Y21、Y22;下位机每秒通过GPS采集的时间数据对滤波后的压力及声波信号加以时间戳;
步骤2:下位机将滤波并加时间戳的压力及声波实时信号打包发送给上位机,同时存入下位机的SD卡中进行备份;
步骤3:上位机接收下位机发送来的数据,通过识别数据包的包头与包尾来确定所需要的数据包,之后解析数据包中的数据类型和数据值,最后储存到上位机的数据库中;
步骤4:上位机对接收到的数据进行二次滤波处理,包括以下步骤:
步骤4.1:采用改进的完备总体经验模态分解,即ICEEMD,对声波及负压波信号进行分解,得到分解后的各本征模态函数分量;
步骤4.2:计算各本征模态函数分量的近似熵,根据各分量的近似熵判别压力信号X1、X2及声波信号Y11、Y12、Y21、Y22中的噪声信号并滤除;
步骤4.3:去除声波信号中来自上游站及下游站站内的声波干扰,得到二次滤波后的信号;
步骤5:对二次滤波后的信号进行标准差法无量纲化处理,通过采集的历史压力及声波数据,训练半监督费舍尔判别,分别得到属于正常工况信号、大泄漏信号、小泄露信号和工况调整信号这四种工况情况的数据库;
步骤6:实时采集管道压力及声波数据,通过预处理及步骤4所述的二次滤波方法进行二次滤波后,以秒为单位,送入步骤5训练得到的半监督费舍尔判别模型,根据得到的特征向量与建立的四种工况情况的数据库进行比对,计算两者之间的相似程度;
步骤7:根据相似程度确定实时数据的故障类型,若判定为大泄漏信号或小泄漏信号时,则通过压力信号和声波信号混合计算泄漏点位置,对管道泄漏进行定位,否则返回步骤6,继续实时监测。
3.根据权利要求2所述的基于声波负压波混合监测的管道泄漏监测方法,其特征在于:所述步骤4.1中采用改进的完备总体经验模态分解对声波及负压波信号进行分解的具体过程为:
步骤4.1.1:对信号X(t)加入I组高斯白噪声生成I个新的信号,第i个新的信号为Xi(t)=X(t)+βkwi;其中,X(t)为原声波或负压波信号;wi为第i组高斯白噪声变量,i=1、2、…、I;βk=εkstd(rk),rk为第k个余项,εk=0.2;
步骤4.1.2:初始化循环参数,令i=1;
步骤4.1.3:确定信号Xi(t)上的所有极值点,包括局部极大值点与局部极小值点;拟合极值点得到上包络线和下包络线使Xi(t)满足:
步骤4.1.4:计算Xi(t)上下两条包络线的平均值,记为m(t),
步骤4.1.5:用原始Xi(t)信号数据减去平均值m(t)得到函数hi(t),即hi(t)=Xi(t)-m(t);
步骤4.1.6:令Xi(t)=hi(t),判断hi(t)是否满足本征模态函数IMF的两个条件:
条件1:在任何时间点上,IMF的局部最大值和局部最小值定义的包络的均值必须为零,即对任意的t,有
条件2:在整个数据序列中,极值点的数量和过零点的数量相等或最多相差不多于一个;
若满足,则执行步骤4.1.7,否则,返回步骤步骤4.1.3;
步骤4.1.7:将hi(t)从X(t)信号中分离出来,即为IMFi分量,得到一个去除高频分量的差值的函数ri(t),即余项ri(t)=X(t)-IMFi;
步骤4.1.8:判断残余信号ri(t)是否为单调函数的信号,若是,则X(t)不能再分解出IMF分量,完成分解过程,得到各IMF分量,记为IMF1~IMFn,n=i,并得到最后的残余信号为rn(t)=rn-1(t)-hn(t),信号X(t)为n个本征模态函数分量和一个残余项的和,即否则,令X(t)=ri为新的信号,再令i=i+1,返回步骤4.1.3,进行下一次分解。
4.根据权利要求2所述的基于声波负压波混合监测的管道泄漏监测方法,其特征在于:所述步骤4.2中计算各本征模态函数分量的近似熵的具体过程为:
步骤4.2.1:将第j个本征模态函数中的数据看作有y个点的时间序列,记为{Zj}={Zj1、Zj2、…、Zjy};对于给定阈值a和模式维数g,计算n*n的二值距离矩阵B:
其中,
步骤4.2.2:利用矩阵B的元素brj分别计算小于a的元素数量与距离总数n-g+1和n-g+2的比值,分别记为和如下两式所示:
步骤4.2.3:根据和计算得到和如下两式所示,
则第j个本征模态函数的近似熵Aj表示为:
步骤4.2.4:将得到的近似熵值由大到小排列,对应的近似熵值大于1的IMF分量视为噪声信号进行滤除,对声波信号近似熵为0.486~0.490之间的IMF分量为声波与压力信号的耦合信号,作为干扰信号进行滤除。
5.根据权利要求2所述的基于声波负压波混合监测的管道泄漏监测方法,其特征在于:所述步骤4.3中去除声波信号中来自上游站及下游站站内的声波干扰的具体过程为:
步骤4.3.1:通过步骤4.2得到的二次滤波后的声波信号,判断其各IMF分量到各声波传感器的时间;
步骤4.3.2:管道首端的外侧声波传感器接受到的时间早于内侧声波传感器接受到的时间的本征模态函数和管道末端的外侧声波传感器接受到的时间早于内侧声波传感器的接受到的时间的本征模态函数为来自上游站及下游站站内的声波干扰,去除这些本征模态函数;
步骤4.3.3:将声波信号对应的剩余的本征模态函数相加得到滤除来自站内噪声的声源信号,即为上游站和下游站的声波传感器的声波信号Y1、Y2。
6.根据权利要求2所述的基于声波负压波混合监测的管道泄漏监测方法,其特征在于:所述步骤5的具体过程为:
步骤5.1:将步骤4二次滤波后的数据进行标准差法无量纲化处理,组合为测量矩阵XL;在每个压力信号之间***m个数值等于上一个时间点的压力数据值的点, 四舍五入的整数即为m,其中:f1为声波信号的频率,f2为压力信号的频率;
步骤5.2:测量矩阵XL=[x1,x2,x3,…xN],其中包括正常输油信号、小泄漏信号、大泄漏信号和工况干扰信号,第k种类别中包含nk个样本,k=1,2,3,4;n1+n2+n3+n4=N;
定义Sb为类间散度矩阵,Sw为类内散度矩阵,分别如下两式所示:
其中,权值矩阵W(b)与W(w)分别定义为:
其中,Ck表示类别数k的集合,Ck={1,2,3,4};
定义St为全局散度矩阵,其中,
步骤5.3:令其中I为单位对角矩阵,则半监督费舍尔优化判别向量通过下式得出:
其中,J为最大评分参量,p为不等于0的任意常数,P为负载矩阵;
上式等价为Srbq=λSrwq,其中λ是广义特征值,q是对应的广义特征向量;
将所求得的广义特征值降序排列为λ1≥λ2≥…≥λN,相应广义特征向量为q1,q2,…,qN,向量q1,q2,…,qN即为半监督费舍尔优化判别向量,其分类能力也依次减弱;
假设样本属于每一类的先验概率相等,为K为类别总数,则标签样本的条件概率密度函数如下式所示:
其中,Qr=[q1,q2,…,qr]为前r个费舍尔判别特征向量,Qr所张成的空间为r维的半监督费舍尔判别子空间,是Ck类样本的均值向量;
根据贝叶斯准则,属于第i类型的后验概率计算公式为:
半督费舍尔判别函数的定义为
表示测试数据集中任意样本属于训练集中第k个分类的判别函数值;
依据下式所示的泄漏分类准则,预测测试集中的每一个测试样本为正常输油信号、大泄漏信号、小泄漏信号或工况干扰信号:
步骤5.4:利用历史数据中的正常工况信号、大泄漏信号、小泄露信号和工况干扰信号分别训练步骤5.3得到的数学模型,得到正常工况信号、大泄漏信号、小泄露信号和工况干扰信号对应的建立管道泄漏检测的数据库。
7.根据权利要求6所述的基于声波负压波混合监测的管道泄漏监测方法,其特征在于:所述步骤6中相似程度的计算公式如下所示:
式中,Sk为相似度,C(x)new为新采集的数据,为第k种类型的测试样本,为k类样本的一个集合,为所有测试样本的一个集合;
若Si之0.85,则当前数据为第k类数据;否则,结合现场状况的实际分析及人为诊断确定故障的类型,并将其收入管道泄漏检测的数据库中。
8.根据权利要求2所述的基于声波负压波混合监测的管道泄漏监测方法,其特征在于:所述步骤7中对管道泄露进行定位的具体过程为:
步骤7.1:根据上游站和下游站压力传感器的时间差值计算泄漏点,如下式所示,
式中,Z1为泄漏点到上游站压力传感器的距离;l1为管线上下游站压力传感器之间的距离;τ1为负压波传到上下游压力传感器的时差;v1为负压波在管线内的传播速度;
步骤7.2:在泄漏点的上游站及下游站各选取泄漏发生点前30秒的压力数据均值和泄漏点后15秒的压力数据均值,计算上下游站压力变化比,分别如下两式所示,
其中:δ1、δ2分别为上游站和下游站的压力变化比;X1+、X2+分别为泄漏发生点前30秒上游站和下游站的压力数据均值;X1-、X2-分别为泄漏发生点后15秒上游站和下游站的压力数据均值;
则管道泄漏时总压力变化比δp为:其中,μ为由现场管道长度和正常输送管道压力大小确定的参数;
步骤7.3:对声波的特征值在上游站及下游站的时间差值,计算泄漏点,如下式所示,
式中,Z2为泄漏点到上游站声波传感器的距离;l2为管线上下游站声波传感器之间的距离;τ2为声波传到上下游声波传感器的时差;v2为声波在管线内的传播速度;
步骤7.4:在泄漏点的上游站及下游站各选取泄漏发生点前5秒的声波数据均值和泄漏点后3秒的声波数据均值,计算上下游站声波变化比,分别如下两式所示,
其中,δ3、δ4分别为上游站和下游站的声波变化比;Y1+、Y2+分别为泄漏发生点前5秒上游站和下游站的声波数据均值;Y1-、Y2-分别为泄漏发生点后3秒上游站和下游站的声波数据均值;
则管道泄漏时总声波变化比δs为:
步骤7.5:根据泄漏点到上游站压力传感器的最终距离为
其中,T为声波的周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810260988.3A CN108488638B (zh) | 2018-03-28 | 2018-03-28 | 基于声波负压波混合监测的管道泄漏监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810260988.3A CN108488638B (zh) | 2018-03-28 | 2018-03-28 | 基于声波负压波混合监测的管道泄漏监测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108488638A true CN108488638A (zh) | 2018-09-04 |
CN108488638B CN108488638B (zh) | 2019-08-20 |
Family
ID=63316736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810260988.3A Active CN108488638B (zh) | 2018-03-28 | 2018-03-28 | 基于声波负压波混合监测的管道泄漏监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108488638B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109058771A (zh) * | 2018-10-09 | 2018-12-21 | 东北大学 | 基于样本生成和间隔Markov特征的管道异常检测方法 |
CN109115884A (zh) * | 2018-09-27 | 2019-01-01 | 广州市建筑科学研究院有限公司 | 一种基于声波透射法的基桩完整性检测*** |
CN109506135A (zh) * | 2018-11-06 | 2019-03-22 | 三川智慧科技股份有限公司 | 管道泄漏点定位方法及装置 |
CN109555977A (zh) * | 2018-11-23 | 2019-04-02 | 水联网技术服务中心(北京)有限公司 | 漏水噪声检测的设备和识别方法 |
CN109556797A (zh) * | 2018-11-19 | 2019-04-02 | 浙江工业大学 | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 |
CN110529746A (zh) * | 2019-09-05 | 2019-12-03 | 北京化工大学 | 管道泄漏的检测方法、装置和设备 |
CN111062127A (zh) * | 2019-12-16 | 2020-04-24 | 辽宁石油化工大学 | 管道漏点的检测方法及装置、存储介质、终端 |
CN112161755A (zh) * | 2020-08-12 | 2021-01-01 | 苏州聆听智能科技有限公司 | 地埋管道检测方法、装置、异构传感器阵列及存储介质 |
CN112483910A (zh) * | 2020-12-04 | 2021-03-12 | 常州大学 | 一种基于声-压耦合的气液两相流管道泄漏模拟装置 |
CN113188055A (zh) * | 2021-05-31 | 2021-07-30 | 东北大学 | 基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法 |
CN113719764A (zh) * | 2021-08-04 | 2021-11-30 | 中国人民解放军陆军勤务学院 | 一种管道泄漏检测方法 |
CN114877262A (zh) * | 2022-04-20 | 2022-08-09 | 成都千嘉科技股份有限公司 | 基于ai芯片燃气管道泄漏的声发射检测方法 |
CN115935241A (zh) * | 2023-01-09 | 2023-04-07 | 国机传感科技有限公司 | 一种多参数相互融合的清管器实时定位方法及装置 |
CN117053129A (zh) * | 2023-10-12 | 2023-11-14 | 山西瑞赛科环保科技有限公司 | 一种液氯的安全风险预警平台、方法、电子设备以及介质 |
CN117628417A (zh) * | 2024-01-25 | 2024-03-01 | 深圳市晶湖科技有限公司 | 一种燃气场用智能安全控制*** |
CN118133053A (zh) * | 2024-05-08 | 2024-06-04 | 山东瑞福锂业有限公司 | 一种工业数据汇集与处理***及方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11668621B2 (en) * | 2020-11-02 | 2023-06-06 | Tata Consultancy Services Limited | Method and system for inspecting and detecting fluid in a pipeline |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968162A (zh) * | 2010-09-30 | 2011-02-09 | 东北大学 | 基于负压波和声波协同检测的管道泄漏定位***及方法 |
CN203147291U (zh) * | 2013-03-27 | 2013-08-21 | 黄鹏 | 利用次声波、流量平衡和负压波进行管道泄漏监测的*** |
CN103438359A (zh) * | 2013-08-06 | 2013-12-11 | 毛振刚 | 输油管道泄漏检测与定位*** |
CN203477909U (zh) * | 2013-11-07 | 2014-03-12 | 李文杰 | 一种基于低频声波和负压波的管道泄漏自动监测定位装置 |
CN105156905A (zh) * | 2015-07-09 | 2015-12-16 | 南京声宏毅霆网络科技有限公司 | 管道的泄漏监测***及监测方法、监测设备和服务器 |
CN105840987A (zh) * | 2016-04-25 | 2016-08-10 | 北京宏信环科科技发展有限公司 | 一种基于压力波和声波的管道泄漏加权定位方法及装置 |
CN106523928A (zh) * | 2016-11-24 | 2017-03-22 | 东北大学 | 基于声波实时数据二级筛选的管道泄漏检测装置及方法 |
CN107218518A (zh) * | 2017-04-17 | 2017-09-29 | 昆明理工大学 | 一种用于排水管道堵塞故障的检测装置的检测方法 |
-
2018
- 2018-03-28 CN CN201810260988.3A patent/CN108488638B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968162A (zh) * | 2010-09-30 | 2011-02-09 | 东北大学 | 基于负压波和声波协同检测的管道泄漏定位***及方法 |
CN203147291U (zh) * | 2013-03-27 | 2013-08-21 | 黄鹏 | 利用次声波、流量平衡和负压波进行管道泄漏监测的*** |
CN103438359A (zh) * | 2013-08-06 | 2013-12-11 | 毛振刚 | 输油管道泄漏检测与定位*** |
CN203477909U (zh) * | 2013-11-07 | 2014-03-12 | 李文杰 | 一种基于低频声波和负压波的管道泄漏自动监测定位装置 |
CN105156905A (zh) * | 2015-07-09 | 2015-12-16 | 南京声宏毅霆网络科技有限公司 | 管道的泄漏监测***及监测方法、监测设备和服务器 |
CN105840987A (zh) * | 2016-04-25 | 2016-08-10 | 北京宏信环科科技发展有限公司 | 一种基于压力波和声波的管道泄漏加权定位方法及装置 |
CN106523928A (zh) * | 2016-11-24 | 2017-03-22 | 东北大学 | 基于声波实时数据二级筛选的管道泄漏检测装置及方法 |
CN107218518A (zh) * | 2017-04-17 | 2017-09-29 | 昆明理工大学 | 一种用于排水管道堵塞故障的检测装置的检测方法 |
Non-Patent Citations (3)
Title |
---|
任娇等: "基于负压波和音波的成品油管道泄漏定位综合分析", 《当代化工》 * |
李文杰: "基于低频声波和负压波的管道泄漏监测***", 《油气田地面工程》 * |
马大中等: "一种基于多传感器信息融合的故障诊断方法", 《智能***学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109115884A (zh) * | 2018-09-27 | 2019-01-01 | 广州市建筑科学研究院有限公司 | 一种基于声波透射法的基桩完整性检测*** |
CN109058771A (zh) * | 2018-10-09 | 2018-12-21 | 东北大学 | 基于样本生成和间隔Markov特征的管道异常检测方法 |
CN109506135A (zh) * | 2018-11-06 | 2019-03-22 | 三川智慧科技股份有限公司 | 管道泄漏点定位方法及装置 |
CN109556797A (zh) * | 2018-11-19 | 2019-04-02 | 浙江工业大学 | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 |
CN109555977A (zh) * | 2018-11-23 | 2019-04-02 | 水联网技术服务中心(北京)有限公司 | 漏水噪声检测的设备和识别方法 |
CN110529746A (zh) * | 2019-09-05 | 2019-12-03 | 北京化工大学 | 管道泄漏的检测方法、装置和设备 |
CN111062127B (zh) * | 2019-12-16 | 2023-08-04 | 辽宁石油化工大学 | 管道漏点的检测方法及装置、存储介质、终端 |
CN111062127A (zh) * | 2019-12-16 | 2020-04-24 | 辽宁石油化工大学 | 管道漏点的检测方法及装置、存储介质、终端 |
CN112161755A (zh) * | 2020-08-12 | 2021-01-01 | 苏州聆听智能科技有限公司 | 地埋管道检测方法、装置、异构传感器阵列及存储介质 |
CN112483910A (zh) * | 2020-12-04 | 2021-03-12 | 常州大学 | 一种基于声-压耦合的气液两相流管道泄漏模拟装置 |
CN113188055A (zh) * | 2021-05-31 | 2021-07-30 | 东北大学 | 基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法 |
CN113188055B (zh) * | 2021-05-31 | 2022-11-25 | 东北大学 | 基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法 |
CN113719764A (zh) * | 2021-08-04 | 2021-11-30 | 中国人民解放军陆军勤务学院 | 一种管道泄漏检测方法 |
CN114877262A (zh) * | 2022-04-20 | 2022-08-09 | 成都千嘉科技股份有限公司 | 基于ai芯片燃气管道泄漏的声发射检测方法 |
CN115935241A (zh) * | 2023-01-09 | 2023-04-07 | 国机传感科技有限公司 | 一种多参数相互融合的清管器实时定位方法及装置 |
CN115935241B (zh) * | 2023-01-09 | 2023-05-12 | 国机传感科技有限公司 | 一种多参数相互融合的清管器实时定位方法及装置 |
CN117053129A (zh) * | 2023-10-12 | 2023-11-14 | 山西瑞赛科环保科技有限公司 | 一种液氯的安全风险预警平台、方法、电子设备以及介质 |
CN117053129B (zh) * | 2023-10-12 | 2023-12-15 | 山西瑞赛科环保科技有限公司 | 一种液氯的安全风险预警平台、方法、电子设备以及介质 |
CN117628417A (zh) * | 2024-01-25 | 2024-03-01 | 深圳市晶湖科技有限公司 | 一种燃气场用智能安全控制*** |
CN117628417B (zh) * | 2024-01-25 | 2024-03-26 | 深圳市晶湖科技有限公司 | 一种燃气场用智能安全控制*** |
CN118133053A (zh) * | 2024-05-08 | 2024-06-04 | 山东瑞福锂业有限公司 | 一种工业数据汇集与处理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108488638B (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108488638B (zh) | 基于声波负压波混合监测的管道泄漏监测***及方法 | |
CN105042339B (zh) | 一种基于无量纲的成品油管道泄漏量估计***及方法 | |
CN108870091B (zh) | 基于高低频混合检测的管道泄漏监测***及方法 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN100456010C (zh) | 基于压力信号拐点检测油气管道泄漏的方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN108360608B (zh) | 一种供水***输水管的爆管识别与定位方法 | |
CN108027594A (zh) | 用于检测配水***中的异常的方法 | |
CN109854953B (zh) | 一种特殊工况下的原油输送管线泄漏检测***及方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及*** | |
CN103968256B (zh) | 油库管道泄漏检测方法 | |
CN103939749A (zh) | 基于大数据的输油管网泄漏智能自适应监控***及方法 | |
CN101761780A (zh) | 输气管道泄漏检测定位装置及其检测定位方法 | |
CN106247173A (zh) | 管道泄漏检测的方法及装置 | |
CN111695465B (zh) | 基于压力波模式识别的管网故障诊断与定位方法及*** | |
CN112016251A (zh) | 一种核动力装置故障的诊断方法及*** | |
CN110457979A (zh) | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 | |
CN104142680B (zh) | 一种基于鲁棒输入训练神经网络的多传感器故障诊断***及方法 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN109976311A (zh) | 一阶定值控制***传感器故障诊断方法及诊断*** | |
CN111174990A (zh) | 一种管道泄漏检测与泄漏位置定位装置、方法及模拟试验装置、方法 | |
CN109613109A (zh) | 一种管道漏磁检测数据自动分析*** | |
CN109657720A (zh) | 一种电力变压器匝间短路故障的在线诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |