基于音波信号检测输气管道微泄漏的建模方法与流程

本发明涉及天然气管道安全检测
技术领域：
，具体涉及一种基于音波信号检测输气管道微泄漏的建模方法。
背景技术：
：正压输气管道是制造工厂最常见的组成部分，但经过一段时间的工作，管道易被腐蚀、氧化以及人为误操作等原因造成泄漏。早期阶段，管道会出现微小裂缝或者孔洞，随着时间推移，微小裂缝和孔洞演变成大裂缝，存在较大的安全隐患。目前，常用方法是在管道上安装压力和流量传感器，并加以定期巡逻。每种传感器都有特定的测量范围,导致微小泄漏不易被准确测量。已有研究给出了微泄漏的定义：漏流波动量F是低于1.2％Fnormal(Fnormal是标准的交通流)。音波信号已成功应用于多种领域的检测与识别，比如岩石结构裂缝，水下材料识别和环境分析，环境感知，智能汽车，以及鲸鱼的种类识别。同时，音波信号也被应用于管道状态检测。例如，埋充气管道，石油和天然气管道,水管等等。任何应用场景中音波信号的数据采集都是关键问题，需要特殊环境、特殊的管道系统等，有研究依赖于实际项目和工程系统收集音波信号，或者基于软件生成理论的音波信号，但都难以获得大数据量的音波信号。因此,用于理论研究的音波数据是有限的。技术实现要素：本申请通过提供一种基于音波信号检测输气管道微泄漏的建模方法，以解决有限的音波数据条件下输气管道微泄漏的识别的技术问题。为解决上述技术问题，本申请采用以下技术方案予以实现：一种基于音波信号检测输气管道微泄漏的建模方法，包括如下步骤：S1：构建正压输气管道系统，采集微泄漏音波信号，其中，该正压输气管道系统由压缩机提供定压气体，将定压气体压入圆形管道，最后将定压气体压入另一个压缩机内，将第一麦克风放置于泄漏点，将第二麦克风放置于距泄漏点l米的管道处，所述第一麦克风和第二麦克风用于采集音波信号，该音波信号包括微泄漏音波信号和无泄漏音波信号；S2：对采集到的音波信号进行预处理：式中，Sni为第一麦克风采集的第i个微泄漏音波信号，bi为第i个无泄漏音波信号，Sli为第二麦克风采集的第i个微泄漏音波信号，N1是第一麦克风采集的微泄漏音波信号的个数，N2是第一麦克风采集到的无泄漏音波信号的个数，N3是第二麦克风采集的微泄漏音波信号的个数，N4是第二麦克风采集到的无泄漏音波信号的个数，0＜N1＜N2＜N3＜N4＜N，N为训练集的大小；S3：建立微泄漏音波信号的高斯分布模型，包括：第一麦克风采集到的微泄漏音波信号建立的第一高斯分布模型：第二麦克风采集到的微泄漏音波信号建立的第二高斯分布模型：式中，E(ΔSn)为ΔSn的均值，δ(ΔSn)为ΔSn的方差，E(ΔSl)为ΔSl的均值，δ(ΔSl)为ΔSl的方差，0＜M1＜M2＜M，M为训练集大小；S4：根据测试音波信号St的欧式距离与步骤S3建立的高斯分布距离判断是否发生微泄漏，即：S41：判断测试音波信号St是否属于第一高斯分布模型G(ΔSn)，如果是，则进入步骤S43，否则，进入步骤S44；S42：判断测试音波信号St是否属于第二高斯分布模型G(ΔSl)，如果是，则进入步骤S43，否则，进入步骤S44；S43：发生微泄漏事故，且泄漏点位于麦克风附近；S44：没有微泄漏事故。在步骤S1中，所述第一麦克风和第二麦克风采集音波信号的方法为：所述第一麦克风和第二麦克风同时启动t1秒后停止，停止t2秒后再次启动t1秒，并以此方式循环采集。进一步地，该正压输气管道系统中还包括空气控制阀用于控制输出气体的特征，保持稳定的气体压力。进一步地，正压输气管道系统中圆形管道的材料为钢和塑料的结合。为了确保安全性，该定压气体的压力不超过0.4MPa。与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：通过对实际管道系统中采集的有限的微泄漏声信号在频域信号特性的分析，构建微泄漏音波信号的高斯分布模型，不仅有助于正压气体输气管道的微泄漏识别，而且在未来的研究中有助于解决管道微泄漏的泄漏点定位问题，避免大量的物理公式且更为实用。附图说明图1为本发明的方法流程图；图2为正压输气管道系统结构框图；图3(1)为第一麦克风采集的微泄漏音波信号的方差曲线图；图3(2)为第一麦克风采集的微泄漏音波信号线性变换后的方差曲线图；图4为人类声音信号的高斯分布模型仿真图；图5(1)为无泄漏音波信号的高斯分布模型仿真图一；图5(2)为无泄漏音波信号的高斯分布模型仿真图二；图5(3)为无泄漏音波信号的高斯分布模型仿真图三；图6(1)为第一种音波信号的高斯分布模型仿真图；图6(2)为第二种音波信号的高斯分布模型仿真图；图6(3)为第三种音波信号的高斯分布模型仿真图；图7(1)为NModel高斯分布模型对人类声音信号的识别结果图；图7(2)为NModel高斯分布模型对微泄漏音波信号的识别结果图；图7(3)为NModel高斯分布模型对线性变换后微泄漏音波信号的识别结果图；图7(4)为NModel高斯分布模型对无泄漏音波信号的识别结果图；图8(1)为PModel高斯分布模型对人类声音信号的识别结果图；图8(2)为PModel高斯分布模型对微泄漏音波信号的识别结果图；图8(3)为PModel高斯分布模型对线性变换后微泄漏音波信号的识别结果图；图8(4)为PModel高斯分布模型对无泄漏音波信号的识别结果图；图9(1)为0.2MPa气体压力下对无泄漏音波信号的识别结果图一；图9(2)为0.2MPa气体压力下对无泄漏音波信号的识别结果图二；图9(3)为0.2MPa气体压力下对无泄漏音波信号的识别结果图三；图10(1)为0.2MPa气体压力下对微泄漏音波信号的识别结果图一；图10(2)为0.2MPa气体压力下对微泄漏音波信号的识别结果图二；图10(3)为0.2MPa气体压力下对微泄漏音波信号的识别结果图三。具体实施方式本申请实施例通过提供一种基于音波信号检测输气管道微泄漏的建模方法，以解决有限的音波数据条件下输气管道微泄漏的识别的技术问题。为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。实施例一种基于音波信号检测输气管道微泄漏的建模方法，如图1所示，包括如下步骤：S1：构建正压输气管道系统，采集微泄漏音波信号，其中，该正压输气管道系统由压缩机提供定压气体，将定压气体压入圆形管道，最后将定压气体压入另一个压缩机内，将第一麦克风放置于泄漏点，将第二麦克风放置于距泄漏点l米的管道处，所述第一麦克风和第二麦克风用于采集音波信号，该音波信号包括微泄漏音波信号和无泄漏音波信号，该正压输气管道系统中还包括空气控制阀用于控制输出气体的特征，保持稳定的气体压力。正压输气管道系统中圆形管道的材料为钢和塑料的结合，在实验中，在塑料部分人为破坏形成泄漏点，该泄漏点足够小，以至于紧邻泄漏点的压力传感器值变化低于0.01％，为了确保安全性，该定压气体的压力不超过0.4MPa。图2所示为该正压输气管道系统的结构框图。在本实施例中，所述第一麦克风和第二麦克风同时启动5秒后停止，停止1秒后再次启动5秒，并以此方式循环采集音波信号，本次实验总共采集了136组无泄漏音波信号，188组第一麦克风采集的微泄漏音波信号和150组第二麦克风采集的微泄漏音波信号。其中，无泄漏音波信号的主要组成为压缩机运行产生的噪音、环境噪声以及人类行为噪声。S2：以0.4MPa压力气体为例，通过音波信号频谱分析发现，微泄漏特征主要集中在高频，因此，对采集到的音波信号进行预处理：ΔSn＝Sni-bi；ΔSl＝Sli-bi；无论是微泄漏音波信号还是无泄漏音波信号都有随机噪声和周期噪声，为了降低随机噪声带来的影响，对微泄漏音波信号进行平均加权处理：式中，Sni为第一麦克风采集的第i个微泄漏音波信号，bi为第i个无泄漏音波信号，Sli为第二麦克风采集的第i个微泄漏音波信号，N1是第一麦克风采集的微泄漏音波信号的个数，N2是第一麦克风采集到的无泄漏音波信号的个数，N3是第二麦克风采集的微泄漏音波信号的个数，N4是第二麦克风采集到的无泄漏音波信号的个数，0＜N1＜N2＜N3＜N4＜N，N为训练集的大小，N1、N2、N3、N4的值在每次仿真时不固定；微泄漏高斯分布的均值是：微泄漏高斯分布的方差值是：S3：建立微泄漏音波信号的高斯分布模型，包括：第一麦克风采集到的微泄漏音波信号建立的第一高斯分布模型：第二麦克风采集到的微泄漏音波信号建立的第二高斯分布模型：0＜M1＜M2＜M，M为训练集大小；S4：根据测试音波信号St的欧式距离与步骤S3建立的高斯分布距离判断是否发生微泄漏，即：S41：判断测试音波信号St是否属于第一高斯分布模型G(ΔSn)，如果是，则进入步骤S43，否则，进入步骤S44；S42：判断测试音波信号St是否属于第二高斯分布模型G(ΔSl)，如果是，则进入步骤S43，否则，进入步骤S44；S43：发生微泄漏事故，且泄漏点位于麦克风附近；S44：没有微泄漏事故。一定规模的微泄漏高斯分布模型将有利于确定微泄漏事故发生的位置。接下来通过仿真实验来验证构建的高斯分布模型的可行性。仿真程序运行在8GRAM的PC电脑，使用MatlabR2010b软件。参数设置为:0＜N1＜150，0＜N2＜136，0＜N3＜188，0＜N4＜136。为了减少来自数据收集过程中存在的周期扰动影响，随机选择50组无泄漏信号来计算平均功率谱。同时，随机选择收集的50组泄漏点的微泄漏音波信号建立微泄漏高斯分布模型。每一个音波信号在频谱上得到257个特性。深入分析这些音波信号会发现无泄漏音波信号并不是理想中稳定，无泄漏音波信号的功率谱受背景噪声干扰严重，初始时刻的异常低的值是由于麦克风启动起的。无泄漏音波信号平均加权后变得更为平滑，更利于建立微泄漏高斯分布模型。实验中，用三种音波信号测试建立的微泄漏识别模型的准确度。第一种音波信号是利用第一麦克风采集到的微泄漏音波信号，第二种音波信号是利用第二麦克风采集的微泄漏音波信号，第三种音波信号是模拟突然发生微泄漏事故的音波信号(前半段时间是无泄漏音波信号，后半段是微泄漏音波信号)。对微泄漏音波信号进行预处理，计算微泄漏分布的平均值和方差,图3(1)为第一麦克风采集的微泄漏音波信号的方差曲线图，图3(2)为线性变换后第一麦克风采集的微泄漏音波信号的方差曲线图。构建高斯分布模型的微泄漏音波信号是随机选择的，因此每一个微泄漏高斯分布模型都有差异。但微泄漏的主要特点是集中于同一个区域的。为了更好的看清楚仿真结果，当Pi＞Pset，Pset有一个默认值时，高斯密度函数值Pi将不显示在结果图上，只有节点Pi＜Pset才显示，因此点越多就代表该音波信号离微泄漏高斯分布模型越远。仿真结果中，人类的声音信号离微泄漏高斯分布模型最远，如图4所示。与无泄漏音波信号相比(如图5(1)、(2)、(3)所示)，较大泄漏的音波信号有更高的概率被视为微泄漏(如图6(1)、图6(2)、图6(3)所示)，但与微泄漏音波信号的识别相比点数仍较多，较大泄漏的音波信号也不视为微泄漏信号。为了进一步验证模型的可行性，对比分析距泄漏点距离不同的两个设备采集的微泄漏音波信号，并分别建立微泄漏高斯分布模型。采用上述四个测试音波信号作为测试数据，最终发现对于两个模型四个测试结果区别非常大。图7(1)、(2)、(3)、(4)展示的是第一麦克风在泄漏点处设备采集的音波信号建立的第一微泄漏高斯分布模型(称为NModel)的识别结果。图8(1)、(2)、(3)、(4)中是第二麦克风在距泄漏点较远处采集到的音波信号建立的第二微泄漏高斯分布模型(称为FModel)。相比之下，两个模型对人类声音的识别率都较好，在无泄漏和微泄漏音波信号的识别上，NModel比FModel的效果更好。因此可以说，当采集设备靠近泄漏位置，微泄漏音波信号携带更多的特征信息，更适合构造识别模型。从上面实验分析猜想微泄漏音波信号具有一定的机制，因此进一步地深入分析不同压力条件下，微泄漏产生音波信号的特征。NModel被选用于测试识别率。图9、图10为0.2MPa气体压力下采集的微泄漏音波信号的识别结果，图9(1)、(2)、(3)表示的是对非微泄漏音波信号的识别结果。图10(1)、(2)、(3)表示对微泄漏音波信号的识别度，没达到100％的原因是识别模型的数据来源于0.4MPa条件下。四种音波信号的测试结果见表格1：表1四种音波信号测试结果SmallleaksignalsNon-leaksignals0.4MPa100％(50signals)9.4％(50signals)0.2MPa79.7％(80signals)4.1％(12signals)表1中的百分比表示测试信号判定为微泄漏信号的概率，可以看出虽然NModel是利用0.4MPa条件下建立的，但对于不同压力的微泄漏音波信号仍具有较好的识别率。因此，压力对微泄漏音波识别的影响相对于距离要小。音波信号识别是检测正压输气管道微泄漏的重要工具。本发明采集的音波信号并非使用软件技术合成的，尽管数据量仍然较少，但提出了通过建立微泄漏高斯分布模型的方法来识别微泄漏信号。仿真结果表明该模型识别效果良好。同时，深入研究了微泄漏音波信号的频率机制，通过调节不同参数的分析影响，得到了以下两个结论：(1)有限的数据下，NModel模型可用于识别正压输气管道的微泄漏音波信号。此外，该模型对数据量要求不高，更易应用于实际项目中，成本较低。(2)在仿真时，调节压力和泄漏距离两个参数，分析微泄漏音波信号，结果表明，泄漏点到设备的距离与管道压力相比，是更影响音波信号的识别特征。本申请的上述实施例中，通过提供一种基于音波信号检测输气管道微泄漏的建模方法，包括以下步骤：构建正压输气管道系统，采集微泄漏音波信号，对采集到的音波信号进行预处理，建立微泄漏音波信号的高斯分布模型，根据测试音波信号St的欧式距离与步骤S3建立的高斯分布距离判断是否发生微泄漏。该发明在有限数据的条件下，通过构建微泄漏音波信号高斯分布模型来识别微泄漏信号，不仅有助于正压气体输气管道的微泄漏识别，而且在未来的研究中有助于解决管道微泄漏的泄漏点定位问题，避免大量的物理公式且更为实用。应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本
技术领域：
的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。当前第1页1 2 3