一种用于气体泄漏声信号检测的降噪方法技术

本发明专利技术公开了一种用于气体泄漏声信号检测的降噪方法，属于数字信号处理技术领域。本发明专利技术包括：首先，采用基于经验小波变换(EmpiricalWaveletTransform,EWT)的气体泄漏声信号提取算法，将气体管道监测声音信号分解为可以表征气体泄漏声信号的模态以及其他模态；然后，计算各分解模态的组合熵特征，设置自适应组合熵阈值，将阈值区间内的各模态重构为气体泄漏声信号，从而将气体泄漏声信号从复杂背景噪声中提取出来。背景噪声中提取出来。背景噪声中提取出来。

【技术实现步骤摘要】
一种用于气体泄漏声信号检测的降噪方法


[0001]本专利技术涉及一种用于气体泄漏声信号检测的降噪方法，属于数字信号.处理


技术介绍

[0002]目前，压缩气体广泛应用于石油化工、食品加工以及航空航天等各个领域，尤其是在化工领域，往往为有毒且易燃易爆的气体，一旦发生泄漏，若不能及时发现，将造成严重的后果。因此，对气体泄漏信号进行及时有效的检测具有极其重要的现实意义。压力容器或者管道发生泄漏时，泄漏源会在内外压差的作用下产生湍流气体，发出泄漏声音，因此从声音的角度来判断气体泄漏具有较高的可行性。但管道状态监测中的声音信号易受多种噪声干扰导致其特征频率难以提取。经验模态分解(Empirical Mode Decomposition，EMD)被用于解决这一问题，然而随着对EMD方法研究的深入，其模态混叠和端点效应的问题逐渐显露出来，大大降低了去噪效果，导致故障检测的准确性下降，很难在工程上得到广泛应用。因此，提出一种可以解决上述问题的用于气体泄漏声信号检测的降噪方法是十分有必要的。

技术实现思路

[0003]本专利技术旨在提供一种用于气体泄漏声信号检测的降噪方法，能够将气体泄漏声信号从背景噪声中提取出来。实现本专利技术目的的技术方案为：一种用于气体泄漏声信号检测的降噪方法，具体步骤为：
[0004]步骤1：模态分解，将监测声音信号分解成不同的模态；
[0005]步骤2：模态提取，从分解出的众多模态中提取出气体泄漏声信号；
[0006]本专利技术与现有技术相比，其显著优点为：本专利技术是经验小波变换(Empirical Wavelet Transform,EWT)和组合熵特征的融合框架，相较于传统的EMD方法，不仅抗模态混叠能力强、端点效应轻微，还实现了清晰的数学理论和离散小波变换的高速度计算，同时考虑组合熵特征能有效降低求解复杂度，比现有方法更高效。
附图说明
[0007]图1为本专利技术技术流程图；
[0008]图2为本专利技术中EWT分解结果图；
[0009]图3为本专利技术降噪效果图。
具体实施方式
[0010]本专利提出的用于气体泄漏声信号检测的降噪方法，是经验小波变换(Empirical WaveletTransform,EWT)和组合熵特征的融合框架，因此本技术主要包含两个步骤：第一步是模态分解；第二步是模态提取。为克服EMD实时性差、物理意义缺失以及具有“边界效应”等缺点，本专利提出的方法将气体管道监测声音信号分解为能够表征气体泄漏声信号的部
分和表征噪声等无关分量的模态。完成模态提取后，计算各分解模态的样本熵、散布熵和能量熵，构成组合熵特征，设置自适应组合熵阈值，将阈值区间内的各模态重构为气体泄漏声信号，滤除气体管道监测声音信号中的无关分量，即可将气体泄漏声信号从背景噪声中提取出来。该方法不仅抗模态混叠能力强、端点效应轻微，还实现了清晰的数学理论和离散小波变换的高速度计算。
[0011]第一步是模态分解，将监测声音信号分解成不同的模态。EWT算法作为一种有效的模态分解算法，在信号处理中得到了广泛的应用，并且有证据表明其在某些场合相比EMD具有一定优势。具体实施步骤分为:
[0012]步骤1：通过傅里叶变换获得气体管道监测声音信号的傅里叶频谱。
[0013]步骤2：检测气体管道监测声音信号的傅里叶频谱边界，将其分割为包含确定模式谱的N个连续段。圆频率的分段范围为ω∈(0,π)。
[0014]ω
n
表示每个段之间的边界(其中ω0＝0和ω
N
＝π)。滤波器的频率范围在ω
n
和ω
n+1
之间。以每一个ω
n
为中心，用2τ
n
表示的过渡段宽度由下列等式(1)和(2)给出。
[0015]τ
n
＝γ
×
ω
n (1)
[0016][0017]步骤3：根据经验确定的ω
n
和γ构建小波滤波器组。Meyer小波用于构造带通滤波器。
[0018]经验尺度函数和经验小波函数分别如下：
[0019][0020][0021]步骤4：利用构造的带通小波滤波器组对气体管道监测声音信号进行滤波，通过傅里叶逆变换得到小波系数。这一步骤中的数学理论对于EWT至关重要，如式(5)和(6)所示。Meyer小波在时域中的作为对称函数，因此，f(τ)和Φ1(τ
‑
t)或ψ
n
(τ
‑
t)的信号之间的内积等价于和或者之间内积的傅立叶逆变换，t是滑动时间。假设傅里叶变换和逆变换分别记为F[
·
]和F
‑1[
·
],则细节系数由经验小波函数与信号内积产生:
[0022][0023]近似系数通过尺度函数与信号内积产生:
[0024][0025]式中，ψ
n
(t)和ψ1(t)分别表示经验小波函数和尺度函数，和分别表示ψ
n
(t)和ψ1(t)的傅里叶变换，和分别代表ψ
n
(t)和Φ1(t)的复共轭。
[0026]步骤5：基于获得的小波系数，通过逆离散小波变换检索单分量模式，从而完成将气体管道监测声音信号分解为若干子模态分量，这些子模态分量中有一部分能够表征气体泄漏声信号，另外一部分则是无关分量，如噪声等。经验模态f
k
(t)公式如(7)所示，其中符号*表示卷积。
[0027][0028]第二步是模态提取，从分解出的众多模态中提取出气体泄漏声信号。通过挑选子模态分量EWF进行信号重构，滤除气体管道监测声音信号中无关分量，获取气体泄漏声信号。本专利通过计算并分析各模态样本熵、散布熵和能量熵的值，构成组合熵特征，实现对气体泄漏声信号的提取。样本熵可以体现出信号的复杂度，越复杂的信号，其样本熵越高；相反，自我相似性越高越简单的信号，其样本熵便会越低。散布熵是一种衡量时间序列复杂度的无量纲指标，值越大，信号序列越不规则。能量熵可以反应各分解模态能量占原始信号总能量的比例，能量占比越高，能量熵越小。气体泄漏声信号是周期性的自我相似性较高的信号，相比其他干扰噪声而言更加平稳简单，同时，含气体泄漏声信号的模态能量远高于由噪声等无关分量组成的模态。因此，由各分解模态样本熵、散布熵和能量熵的值构成的组合熵特征可用于提取气体泄漏声信号。具体实施步骤分为：
[0029]步骤1：计算分解前气体管道监测声音信号的样本熵和散布熵，并计算各个分解模态的样本熵、散布熵和能量熵的值。
[0030]步骤2：将各个分解模态的样本熵和散布熵与分解前信号的样本熵和散布熵分别求比值，得到各个分解模态归一化的样本熵和散布熵。将各个分解模态的能量熵除以其中的最大值，得到各个分解模态归一化的能量熵。
[0031]步骤3：可以表征气体泄漏声信号的模态是周期性的自我相似性较高的信号，相比其他由噪声组成的模态而言，更加平稳简单同时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于气体泄漏声信号检测的降噪方法，其中，提出的基于经验小波变换(Empirical WaveletTransform,EWT)的气体泄漏声信号提取算法，将气体管道监测声音信号分解为可以表征气体泄漏声信号的模态以及其他模态；其特征在于，其包括以下步骤：步骤1：通过傅里叶变换获得气体管道监测声音信号的傅里叶频谱。步骤2：检测气体管道监测声音信号的傅里叶频谱边界，将其分割为包含确定模式谱的N个连续段。圆频率的分段范围为ω∈(0,π)。ω
n
表示每个段之间的边界(其中ω0＝0和ω
N
＝π)。滤波器的频率范围在ω
n
和ω
n+1
之间。以每一个ω
n
为中心，用2τ
n
表示的过渡段宽度由下列等式(1)和(2)给出。τ
n
＝γ
×
ω
n (1)步骤3：根据经验确定的ω
n
和γ构建小波滤波器组。Meyer小波用于构造带通滤波器。经验尺度函数和经验小波函数分别如下：分别如下：步骤4：利用构造的带通小波滤波器组对气体管道监测声音信号进行滤波，通过傅里叶逆变换得到小波系数。这一步骤中的数学理论对于EWT至关重要，如式(5)和(6)所示。Meyer小波在时域中的作为对称函数，因此，f(τ)和Φ1(τ
‑
t)或ψ
n
(τ
‑
t)的信号之间的内积等价于和或者之间内积的傅立叶逆变换，t是滑动时间。假设傅里叶变换和逆变换分别记为F[
·
]...

【专利技术属性】
技术研发人员：王智超，洪弘，薛彪，赵恒，伏长虹，丁传威，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：