基于压力和声波信息融合的泄漏检测定位方法技术

基于压力和声波信息融合的泄漏检测定位方法，属于输油（气）管道故障诊断技术领域，其特征在于：均基于信息融合的泄漏检测和泄漏定位。前者包括：分别采集管道上、下游端压力和声波传感器的测量数据，送入计算机，经过数据滤波、特征级融合和决策级融合三个层次的处理获得最终的检测结果。如果检测结果显示有泄漏，则启动基于信息融合的泄漏定位过程。该过程首先分别利用两类不同传感器的信号和多种不同的泄漏定位算法进行泄漏定位，经过基于同类传感器和不同定位方法的定位结果的融合，以及基于两类不同传感器的定位结果的融合两个层次的处理，最终得到定位结果。该方法能够有效的降低误报率和漏报率，提高定位精度。

【技术实现步骤摘要】

属于输油(气)管道故障诊断

技术介绍
管道输送是现代工业流体运输的重要方式，和其他输送方式相比，它具有经济、方便、高效、安全和便于管理等多项优点，因此在石油、天然气输送等有着广泛的应用。由于种种原因管道在运行过程中会发生泄漏，不仅造成巨大的资源损耗、经济损失，还可能造成严重的环境污染问题，给国家带来巨大的经济损失，因此及时发现管道泄漏并进行泄漏定位，保障管道安全运行是十分必要的。 现有的泄漏检测与定位方法大致可以分为以下3类 一类是通过检测管壁完整性实现泄漏检测和定位的管内检测法，主要依靠磁通、涡流、摄像等技术，该类方法投资巨大，实时性差，而且只适用于较大口径的水平管道，极易发生管道堵塞等事故。 第二类是通过直接检测泄漏物质存在实现泄漏检测和定位的管外检测法，主要包括分布式光纤、特殊线缆，雷达，红外、激光成像等，该类方法存在投资大或实时性不强的特点。 第三类通过监测管道泄漏之后管内流动状态的变化实现泄漏检测和定位，应用比较多的是质量/体积平衡法、压力梯度法、负压波法以及声波法。 在上述三类方法中，第一类和第二类方法成本高并且除了基于分布光纤的方法外，其余方法都不具备实时监测的能力。第三类方法由于可实现在线实时检测，并且成本较低，是目前研究和应用最多的一类方法。而第三类方法中应用最为广泛的是基于负压波的方法，基于负压波的方法成本低、可以实时监测管道的泄漏，在实际中取得了良好的效果。但是，负压波法也存在一些明显的缺点，包括对小泄漏和缓慢泄漏的灵敏度和定位精度差、克服操作站扰动的能力差、误报率高、难以有效检测连续发生的泄漏等。基于声波信号分析的方法也属于第三类方法，它具有灵敏度高的特点，能够显著的提高对小泄漏、缓慢泄漏以及长距离管道泄漏的检测能力，并且由于可以区分扰动和泄漏的声波特征而具有更好的克服扰动的能力，但由于声波信号没有包含直流分量，信号和实际工况缺乏直观的对应关系，一旦发生误报，很难通过人工核查对报警结果进行进一步的判断。 通过前面的分析可以看到，采用单一的传感器，由于传感器本身的局限性，造成泄漏检测系统在工程应用中存在诸多问题。针对上述问题，本专利技术采用信息融合的思想，提出基于压力和声波信息融合的泄漏检测与定位方法，有效地降低了系统的误报率和漏报率，提高了定位精度。
技术实现思路
本专利技术的目的在于，提出一种基于压力和声波信息融合的管道泄漏检测定位方法，其硬件连接图如附图1所示，通过数据采集卡采集压力和声波传感器的数据，将采集的数据通过网络送入计算机，在计算机中实现基于压力和信息融合的管道泄漏检测定位，采用该方法能够有效降低误报率和漏报率，提高定位精度。 本方法特征在于依次含有以下步骤 步骤(1)向计算机输入 Matlab中的统计学习软件包biolearing，用于进行支持向量机SVM运算； Matlab中的信号处理软件包signal，用于进行中值滤波运算； 包括压力均值检验、小波分析方法和混沌时间序列关联维分析在内的基于压力传感器信号的泄漏检测结果R1，R2和R3； 包括小波分析方法和混沌时间序列预测方法在内的基于声波传感器信号的泄漏检测结果R4和R5； 包括相关分析法、广义相关分析法、小波分析方法、仿射变换法、下降沿起点法、拐点法、混沌时间序列预测在内的7种基于压力传感器的输出信息进行泄漏定位的定位数据di(1)，i＝1，....，7，其中，i表示基于第i种定位方法得到的定位结果，上标(1)表示定位结果由压力信号分析得到； 包括相关分析法、广义相关分析法、小波分析方法、混沌时间序列预测等在内的4种基于声波传感器的输出信息进行泄漏定位的定位数据dj(2)，j＝1，...，4，其中，j表示基于第j种定位方法得到的定位结果，上标(2)表示定位结果由压声波信号分析得到； 步骤(2)按以下步骤进行基于信息融合的泄漏检测 步骤(2.1)在待泄漏检测定位的管道上游u和下游d分别用压力传感器测定在选定时间段内的压力的原始数据的时间序列，用P0，u和P0，d表示，其中下标0表示是原始数据，得到一个长度为L的数据序列，并分别将P0，u和P0，d输入信号处理软件包，得到中值滤波后的结果Pu和Pd； 步骤(2.2)在待泄漏检测定位的管道上游u和下游d分别用声波传感器获得在给定时间段的声波信号原始数据，分别用A0，u和A0，d，并按以下步骤进行带通滤波，得到声波信号重构信号Au和Ad 步骤(2.2.1)设定声波信号原始数据长度为L，泄漏后声波信号的频带范围为[f1，f2]； 步骤(2.2.2)对所述声波信号原始数据A0，u和A0，d进行快速傅立叶变换，得到其傅立叶变换系数FA0，u和FA0，d FA0，u＝FFT(Ao，u) FA0，d＝FFT(Ao，d) 其中，FFT(·)表示对·进行快速傅立叶变换； 步骤(2.2.3)保留频率在[f1，f2]内的傅立叶变换系数，其他频率范围内的系数置零，得到新的傅立叶变换系数FAo，u′和FA0，d′； 步骤(2.2.4)对FAo，u和FA0，d进行傅立叶逆变换，得到重构信号Au和Ad Au＝IFFT(FAo，u′) Ad＝IFFT(FA0，d′) 其中，IFFT(·)表示对·进行快速傅立叶逆变换； 步骤(2.3)选择特征向量 步骤(2.3.1)设定 步骤(2.1)得到的上下游压力信号序列分别为Pu和Pd； 步骤(2.2.4)得到上下游声波信号序列分别为Au和Ad 步骤(2.3.2)对Pu，Pd，Au，Ad求出以下各值，构成特征向量X 信号的平均值Pau，Pad，Aau和Aad，其中下标a表示平均值； 信号的最小值Pmu，Pmd，Amu和Amd，其中下标m表示最小值； 信号的标准差Pσu，Pσd，Aσu和Aσd，其中下标σ表示标准差； 声波信号功率谱最大值对应的频率Afu和Afd，其中下标f表示频率，得到 x＝[Pau Pmu Pσu Aau Amu Aσu Afu Pad Pmd Pσd Aad Amd Aσd Afd] 步骤(2.4)按以下步骤使用所述biolearning软件包进行泄漏检测 步骤(2.4.1)支持向量机的训练，支持向量机的训练通过如下优化问题实现 其中，N表示样本数，α[k]，αi[k]，αj[k]表示权值，yi，yj∈{-1，1}表示分类号，C为松弛因子系数，Q为优化目标函数标识，K(Xi[k]，Xj[k]为核函数，Xi[k]，Xj[k]为样本的特征向量，[k]＝[1]，[2]，[3]为核函数编号，i，j均为序号； 通过训练获得权值αi[k]，与非零αi[k]下标相同的的特征向量即为支持向量，不同类别的一对支持向量的中值即为分类阈值b[k]； 上述训练过程通过biolearning实现，向所述biolearning软件包输入以下数据 训练数据按照步骤(2.3.2)选取的泄漏数据的特征向量X1和按照步骤(2.3.2)选取的非泄漏数据的特征向量X-1其中下标1表示泄漏，其中下标-1表示非泄漏； 分类信息1和分类信息-1； 核函数名称及参数多项式核函数名称“polyn本文档来自技高网...

【技术保护点】
基于压力和声波信息融合的泄漏检测定位方法，其特征在于，依次含有以下步骤：步骤（１）向计算机输入Ｍａｔｌａｂ中的统计学习软件包ｂｉｏｌｅａｒｉｎｇ，用于进行支持向量机ＳＶＭ运算；Ｍａｔｌａｂ中的信号处理软件包ｓｉｇｎａ ｌ，用于进行中值滤波运算；包括压力均值检验、小波分析方法和混沌时间序列关联维分析在内的基于压力传感器信号的泄漏检测结果Ｒ↓［１］，Ｒ↓［２］和Ｒ↓［３］；包括小波分析方法和混沌时间序列预测方法在内的基于声波传感器信号的泄漏检 测结果Ｒ↓［４］和Ｒ↓［５］；包括相关分析法、广义相关分析法、小波分析方法、仿射变换法、下降沿起点法、拐点法、混沌时间序列预测在内的７种基于压力传感器的输出信息进行泄漏定位的定位数据ｄ↓［ｉ］↑［（１）］，ｉ＝１，……，７，其中，ｉ 表示基于第ｉ种定位方法得到的定位结果，上标（１）表示定位结果由压力信号分析得到；包括相关分析法、广义相关分析法、小波分析方法、混沌时间序列预测等在内的４种基于声波传感器的输出信息进行泄漏定位的定位数据ｄ↓［ｊ］↑［（２）］，ｊ＝１， …，４，其中，ｊ表示基于第ｊ种定位方法得到的定位结果，上标（２）表示定位结果由压声波信号分析得到；步骤（２）按以下步骤进行基于信息融合的泄漏检测：步骤（２．１）在待泄漏检测定位的管道上游ｕ和下游ｄ分别用压力传感器测定在选定时 间段内的压力的原始数据的时间序列，用Ｐ↓［０，ｕ］和Ｐ↓［０，ｄ］表示，其中下标０表示是原始数据，得到一个长度为Ｌ的数据序列，并分别将Ｐ↓［０，ｕ］和Ｐ↓［０，ｄ］输入信号处理软件包，得到中值滤波后的结果Ｐ↓［ｕ］和Ｐ↓［ｄ］；步骤 （２．２）在待泄漏检测定位的管道上游ｕ和下游ｄ分别用声波传感器获得在给定时间段的声波信号原始数据，分别用Ａ↓［０，ｕ］和Ａ↓［０，ｄ］，并按以下步骤进行带通滤波，得到声波信号重构信号Ａ↓［ｕ］和Ａ↓［ｄ］：步骤（２．２．１）设定声波 信号原始数据长度为Ｌ，泄漏后声波信号的频带范围为［ｆ↓［１］，ｆ↓［２］］；步骤（２．２．２）对所述声波信号原始数据Ａ↓［０，ｕ］和Ａ↓［０，ｄ］进行快速傅立叶变换，得到其傅立叶变换系数ＦＡ↓［０，ｕ］和ＦＡ↓［０，ｄ］：Ｆ Ａ↓［０，ｕ］＝ＦＦＴ（Ａ↓［ｏ，ｕ］）ＦＡ↓［０，ｄ］＝ＦＦＴ（Ａ↓［ｏ，ｄ］）其中，ＦＦＴ（.）表示对.进行快速傅立叶变换；...

【技术特征摘要】
1.基于压力和声波信息融合的泄漏检测定位方法，其特征在于，依次含有以下步骤步骤(1)向计算机输入Matlab中的统计学习软件包biolearing，用于进行支持向量机SVM运算；Matlab中的信号处理软件包signal，用于进行中值滤波运算；包括压力均值检验、小波分析方法和混沌时间序列关联维分析在内的基于压力传感器信号的泄漏检测结果R1，R2和R3；包括小波分析方法和混沌时间序列预测方法在内的基于声波传感器信号的泄漏检测结果R4和R5；包括相关分析法、广义相关分析法、小波分析方法、仿射变换法、下降沿起点法、拐点法、混沌时间序列预测在内的7种基于压力传感器的输出信息进行泄漏定位的定位数据di(1)，i＝1，....，7，其中，i表示基于第i种定位方法得到的定位结果，上标(1)表示定位结果由压力信号分析得到；包括相关分析法、广义相关分析法、小波分析方法、混沌时间序列预测等在内的4种基于声波传感器的输出信息进行泄漏定位的定位数据dj(2)，j＝1，...，4，其中，j表示基于第j种定位方法得到的定位结果，上标(2)表示定位结果由压声波信号分析得到；步骤(2)按以下步骤进行基于信息融合的泄漏检测步骤(2.1)在待泄漏检测定位的管道上游u和下游d分别用压力传感器测定在选定时间段内的压力的原始数据的时间序列，用P0，u和P0，d表示，其中下标0表示是原始数据，得到一个长度为L的数据序列，并分别将P0，u和P0，d输入信号处理软件包，得到中值滤波后的结果Pu和Pd；步骤(2.2)在待泄漏检测定位的管道上游u和下游d分别用声波传感器获得在给定时间段的声波信号原始数据，分别用A0，u和A0，d，并按以下步骤进行带通滤波，得到声波信号重构信号Au和Ad步骤(2.2.1)设定声波信号原始数据长度为L，泄漏后声波信号的频带范围为[f1，f2]；步骤(2.2.2)对所述声波信号原始数据A0，u和A0，d进行快速傅立叶变换，得到其傅立叶变换系数FA0，u和FA0，dFA0，u＝FFT(Ao，u)FA0，d＝FFT(Ao，d)其中，FFT(·)表示对·进行快速傅立叶变换；步骤(2.2.3)保留频率在[f1，f2]内的傅立叶变换系数，其他频率范围内的系数置零，得到新的傅立叶变换系数FAo，u′和FA0，d′；步骤(2.2.4)对FAo，u′和FA0，d′进行傅立叶逆变换，得到重构信号Au和AdAu＝IFFT(FAo，u′)Ad＝IFFT(FA0，d′)其中，IFFT(·)表示对·进行快速傅立叶逆变换；步骤(2.3)选择特征向量步骤(2.3.1)设定步骤(2.1)得到的上下游压力信号序列分别为Pu和Pd；步骤(2.2.4)得到上下游声波信号序列分别为Au和Ad步骤(2.3.2)对Pu，Pd，Au，Ad求出以下各值，构成特征向量X信号的平均值Pau，Pad，Aau和Aad，其中下标a表示平均值；信号的最小值Pmu，Pmd，Amu和Amd，其中下标m表示最小值；信号的标准差Pσu，Pσd，Aσu和Aσd，其中下标σ表示标准差；声波信号功率谱最大值对应的频率Afu和Afd，其中下标f表示频率，得到x＝[Pau Pmu Pσu Aau Amu Aσu Afu Pad Pmd Pσd Aad Amd Aσd Afd]步骤(2.4)按以下步骤使用所述biolearning软件包进行泄漏检测步骤(2.4.1)支持向量机的训练，支持向量机的训练通过如下优化问题实现其中，N表示样本数，α[k]，αi[k]，αj[k]表示权值，yi，yj∈{-1，1}表示分类号，C为松弛因子系数，Q为优化目标函数标识，K(Xi[k]，Xj[k]为核函数，Xi[k]，Xj[k]为样本的特征向量，[k]＝[1]，[2]，[3]为核函数编号，i，j均为序号；通过训练获得权值αi[k]，与非零αi[k]下标相同的的特征向量即为支持向量，不同类别的一对支持向量的中值即为分类阈值b[k]；上述训练过程通过biolearning实现，向所述biolearning软件包输入以下数据训练数据按照步骤(2.3.2)选取的泄漏数据的特征向量X1和按照步骤(2.3.2)选取的非泄漏数据的特征向量X-1其中下标1表示泄漏，其中下标-1表示非泄漏；分类信息1和分类信息-1；核函数名称及参数多项式核函数名称“polynomial”，对应的核函数形式为，其多项式阶数q选择软件包的默认值3；径向基函数名称名称“RBF”，对应的核函数形式为，其尺度因子σ选择软件包的默认值；S形函数名称“MLP”和参数υ＝0.0...

【专利技术属性】
技术研发人员：葛传虎，叶昊，王桂增，
申请(专利权)人：清华大学，
类型：发明
国别省市：11[中国|北京]