基于随机共振的输气管道微泄漏音波信号特征提取方法
【专利摘要】本发明提供了一种基于随机共振的输气管道微泄漏音波信号特征提取方法，包括如下步骤：建立离散的非线性滤波器随机共振系统模型，对随机共振系统模型的输出信号进行转换，对转化后的音波信号进行加窗处理，转化到Melfilter域上，进行离散余弦变换提取特征参数，采用倒谱均值归一化算法进行去噪。该方法将随机共振系统模型引入到Mel频率倒谱系数算法的音波信号特征提取中，与MFCC特征提取算法相比，具有更高的信噪比，且进一步加快了识别的运行时间，更有助于动态特征提取。
【专利说明】
基于随机共振的输气管道微泄漏音波信号特征提取方法
技术领域
[0001] 本发明设及输气管道安全检测领域，具体设及一种基于随机共振的输气管道微泄 漏音波信号特征提取方法。
【背景技术】
[0002] 随着我国经济的快速发展，对天然气的需求越来越大，而管道是陆上输送天然气 的主要方式，为此国家建设了大量天然气管道。然而，由于管道腐蚀、自然破坏、管道自身缺 陷或者第=方破坏等原因，管道泄漏时有发生。管道发生泄漏不仅带来经济损失和环境破 坏，严重时还会导致群死群伤的重大事故，因此泄漏检测及定位方法作为保障管道安全的 重要手段，具有重要的研究意义。目前检测输气管道状态多采用人工检测，效率较低，部分 危险输气管道采用安装压力和流量传感器来检测泄漏，但在实际情况下，主要的管道系统 都较为庞大，由于传感器结构的物理限制，当泄漏量很小时传感器并不能识别，直到泄漏量 达到一定阀值。
[0003] 微泄漏的准确快速检测能够降低危险，为抢险提供宝贵的时间，通过大量的研究 发现，音波信号是检测输气管道微泄漏最有效的方法之一。当输气管道发生破裂时，管道中 的压力平衡受到破坏，输送介质从泄漏点流出，与管壁摩擦产生瞬间音波震荡，从而产生泄 漏音波信号。泄漏音波信号在管内介质中传播过程中，不可避免的受到仪器、仪表、采集系 统产生的随机噪声W及各种外界干扰引起的噪声的影响，运些操作都有可能产生音波噪声 信号，而将泄漏产生的音波信号所淹没，导致无法准确的识别泄漏音波信号，而出现误报和 漏报现象。
[0004] 自从1981年BenZ等研究古气象冰川问题提出随机共振（Stochastic resonance， SR)概念W来，SR现象受到了广泛的关注，随机共振现象是一种非线性现象，它在一定条件 下，将部分噪声能量转移到信号上，在降低噪声的同时能够使淹没于噪声中的弱信号得到 共振加强，极大地提高输出的信噪比，从而实现从噪声干扰中检测微弱信号的目的。
【发明内容】
[0005] 本申请通过提供一种基于随机共振的输气管道微泄漏音波信号特征提取方法，将 随机共振原理引入到Mel频率倒谱系数算法的音波信号特征提取中，W解决现有技术中因 随机噪声及各种外界干扰引起的噪声等影响，导致无法准确识别泄露音波信号，从而出现 误报或者漏报的技术问题。
[0006] 为解决上述技术问题，本申请采用W下技术方案予W实现：
[0007] -种基于随机共振的输气管道微泄漏音波信号特征提取方法，包括如下步骤：
[000引Sl:建立离散的非线性滤波器随机共振系统模型：
[0009]输入信号关
，式中，Ao为幅度，CO为频率，巧为初相位， e(t)为噪音波信号，输出信号为x(t)，根据随机共振理论，周期信号与噪声共同作用的随机 共振系统模型为:扯/化=日义(1：)-13义3(1：)+3(1：)，式中，日、13是系统的结构参数；
[0010] S2:对随机共振系统模型的输出信号进行转换：即通过一阶欧拉方程求解得:x(n+ l)=A(a，b，h)x(n)+B(a，b，h)x3(n)巧(a，b，h)s(n)，式中，x(n)为输出信号x(t)的第n个采 样值，s(n)为输入信号s(t)的第n个采样值，4(曰，6，11)、8(曰，13，11)心(曰，13，11)是与曰、6和11相关 的权值矩阵，h为采样步长；
[0011] S3:对转化后的音波信号进行加窗处理，转化到Melfilter域上；
[0012] S4:进行离散余弦变换提取特征参I
，式中，Hik 为滤波系数，q为滤波器阶数，k= 1，2，…q;
[0013] S5:采用倒谱均值归一化算法进行去噪，即：E(t) = c(t)-m(t)，式中，E(t)为微泄 漏音波信号提取的特征素，倒谱均值
），y为每次计算的更 新步长，N为窗宽，且满，
[0014] 4(3,6，11)、8(3，13，11)心(3，13，11)是随机共振系统的权值矩阵，运^个参数之间没有 任何线性关系，为了得到较佳的信噪比，作为一种优选的技术方案，权值矩阵A(a，b，h)为 0.35,8(曰，6，11)为0.18，乂(曰，13，11)为0.8。
[0015] 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:与MFCC特征 提取算法相比，具有更高的信噪比，且进一步加快了识别的运行时间，更有助于动态特征提 取。
【附图说明】
[0016] 图1为本发明的方法流程图；
[0017] 图2为本发明的微泄漏检测方法的流程图；
[0018] 图3为本发明的环形输气管道的输气系统功能流程图。
【具体实施方式】
[0019] 本申请实施例通过提供一种基于随机共振的输气管道微泄漏音波信号特征提取 方法，将随机共振原理引入到Mel频率倒谱系数算法的音波信号特征提取中，W解决现有技 术中因随机噪声及各种外界干扰引起的噪声等影响，导致无法准确识别泄露音波信号，从 而出现误报或者漏报的技术问题。
[0020] 为了更好的理解上述技术方案，下面将结合说明书附图W及具体的实施方式，对 上述技术方案进行详细的说明。
[0021 ] 实施例
[0022] -种基于随机共振的输气管道微泄漏音波信号特征提取方法，如图1所示，包括如 下步骤：
[0023] Sl:建立离前的韭純化池淋柴随扣化庶态紐模型：
[0024] 输入信号^ :中，Ao为幅度，O为频率，庐为初相位， e(t)为噪音波信号，输出信号为x(t)，根据随机共振理论，周期信号与噪声共同作用的随机 共振系统模型为:扯/化=日义(1：)-13义3(1：)+3(1：)，式中，日、13是系统的结构参数；
[0025] S2:对随机共振系统模型的输出信号进行转换：即通过一阶欧拉方程求解得:x(n+ l)=A(a，b，h)x(n)+B(a，b，h)x3(n)巧(a，b，h)s(n)，式中，x(n)为输出信号x(t)的第n个采 样值，s(n)为输入信号s(t)的第n个采样值，4(曰，6，11)、8(曰，13，11)心(曰，13，11)是与曰、6和11相关 的权值矩阵，h为采样步长；
[0026] S3:对转化后的音波信号进行加窗处理，转化到Melfilter域上；
[0027] S4:进行离散余弦变换提取特征参鑽
式中，Hik 为滤波系数，q为滤波器阶数，k= 1，2，…q;
[00%] S5:采用倒谱均值归一化算法进行去噪，即：E(t) = c(t)-m(t)，式中，E(t)为微泄 漏音波信号提取的特征素，倒谱均隹
，4为每次计算的更 新步长，N为窗宽，且满
[0029] 为了验证本发明特征提取的可靠性，将输气管道微泄漏音波信号提取的特征素通 过S层BP网络进行识别。微泄漏检测方法的流程图如图2所示，当识别结果为0时，表示微泄 漏事故已发生，当识别结果为1时，则表示微泄漏事故未发生。
[0030] 图3为环形输气管道的输气系统功能流程图，压缩机提供指定空气压力的气体流 动，压力和流量传感器的值通过ADAM设备发送到电脑端，电脑端发送控制信给气动控制阀、 气体满轮流量计和金属管转子流量计，W确保输气管道内压力稳定。
[0031] 在数据采集过程中，尽管泄漏已发生，但管道气体的压力保持0.2MPa，满足微泄漏 的定义。利用手机麦克风收集音波信号，共采集100组微泄漏信号和15组背景信号。输气管 道微泄漏音波信号处理仿真实验使用软件是matlab r2010b，内存为RAM 8.0G。背景信号主 要由操作压缩机、钢管内的气体输送等组成。
[0032] 在收集的音波信号数据集中随机选取20组微泄漏信号作为测试集，剩余的作为训 练集，如此训练和测试了 20次，得到了信噪比平均值和信噪比平均对数值。从表1可见，本发 明获得的信噪比SNR值明显高于MFCC特征提取算法的SNR值，更有助于动态特征提取。
[0033] 表1SNR 对比
[0034]
[0035] 在表2中，比较本发明方法和MFCC特征提取算法之间的性能，利用BP神经网络模型 区分动态特性。=个指标为:运行时间，训练集的小批量均方误差和全数据集的训练误差。 首先，本发明花费更少的时间完成识别。其次，由于采集到的音波信号的数量有限，在训练 误差上，该方法能起到了较好的训练。
[0036] 表2B巧巾经网络训练结果
[0037]
[0038] A(a，b，h)、B(a，b，h)、X(a，b，h)是随机共振系统的权值矩阵，经过多次实验，得出 表3,运=个参数之间没有任何线性关系，为了得到较佳的信噪比，权值矩阵A(a，b，h)为 0.35,8(曰，6，11)为0.18，乂(曰，13，11)为0.8。
[0039] 表3权值矩阵参数值对比 「rwwil
L0041J 为了进一步检验本发明的优越性，加入了不同信噪比的高斯白噪声(WGNS)混合成 微泄漏信号，如表4所示，本发明具有更好的信噪比值。当WGN的信噪比值达到3时，本发明的 方法比MFCC特征提取算法快4倍，随着噪声的增加，当WGN的信噪比值达到1时，本发明的方 法比MFCC特征提取算法快10倍。
[0042] 表4增加 WGN后的运行时间表
[0043]
[0044] 从表5中可W看出，本发明加入WGN后，训练集中分批处理均方误差不高。
[0045] 表5增加 WGN后训练集中分批处理均方误差表
[0046]
[0047] 本申请的上述实施例中，通过提供一种基于随机共振的输气管道微泄漏音波信号 特征提取方法，包括如下步骤:建立离散的非线性滤波器随机共振系统模型，对随机共振系 统模型的输出信号进行转换，对转化后的音波信号进行加窗处理，转化到Melfilter域上， 进行离散余弦变换提取特征参数，采用倒谱均值归一化算法进行去噪。该方法将随机共振 系统模型引入到Mel频率倒谱系数算法的音波信号特征提取中，与MFCC特征提取算法相比， 具有更高的信噪比，且进一步加快了识别的运行时间，更有助于动态特征提取。
[004引应当指出的是，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。
【主权项】
1. 一种基于随机共振的输气管道微泄漏音波信号特征提取方法，其特征在于，包括如 下步骤： S1:建立离散的非线性滤波器随机共振系统模型： 输入信号为中）=/i() COS(iy? +妒)+ ?'(?)，式中，A〇为幅度，ω为频率，妒为初相位，ε (t) 为噪音波信号，输出信号为x(t)，根据随机共振理论，周期信号与噪声共同作用的随机共振 系统模型为:(^/扣=31(1：)^^3(1：)+8(1：)，式中，3、13是系统的结构参数； S2:对随机共振系统模型的输出信号进行转换：即通过一阶欧拉方程求解得:x(n+l) = A(a，b，h)x(n)+B(a，b，h)x3(n)+X(a，b，h)s(n)，式中，x(n)为输出信号x(t)的第η个采样值， s(n)为输入信号s(t)的第η个采样值，A(a，b，h)、B(a，b，h)、X(a，b，h)是与a、b和h相关的权 值矩阵，h为采样步长； S3:对转化后的音波信号进行加窗处理，转化到Melfi Iter域上； S4:进行离散余弦变换提取特征参?中，mk为滤 波系数，q为滤波器阶数，k= 1，2，…q; S5:采用倒谱均值归一化算法进行去噪，即：E(t) = c(t)-m(t)，式中，E(t)为微泄漏音 波信号提取的特征素，倒谱均彳1.为每次计算的更新 步长，N为窗宽，且满浞2. 根据权利要求1所还的 t随机开振的输气管道微泄漏音波信号特征提取方法，其 特征在于，权值矩阵 A(a，b，h)为 0.35，B(a，b，h)S〇.18，X(a，b，h)S〇.8。
【文档编号】G06K9/00GK105956577SQ201610338669
【公开日】2016年9月21日
【申请日】2016年5月20日
【发明人】利节, 陈国荣, 张志勇, 熊茜, 冯骊骁, 高铮, 李莉
【申请人】重庆科技学院