本发明专利技术公开了一种管道泄漏裂纹形貌在线定位识别方法、装置及设备，对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；根据所述声发射信号频谱特征的最大频率设计设定数量的Mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到FBank特征；计算所述FBank特征的GI指数，并选择所述GI指数中前n维特征，其中n＝30～60；将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。本发明专利技术能够利用泄漏过程中材料内部的声发射现象，进行缺陷检测，既减小了运算的工作量，最大程度保留了原始信号的信息。的信息。的信息。
【技术实现步骤摘要】
一种管道泄漏裂纹形貌在线定位识别方法、装置及设备
[0001]本专利技术属于管道泄漏检测领域，具体涉及一种管道泄漏裂纹形貌在线定位识别方法、装置及设备。
技术介绍
[0002]在管道泄漏的监测中，尤其是核电输水管道等特殊领域，管道泄漏的预警十分重要，目前对于泄漏故障的诊断主要方法是泄漏阈值，而不同的工况(不同的裂纹)到达阈值的时间不同，因此该方法具有很大的局限性，这会使得设备服役时面临的失水风险显著增大；另外泄漏数据在工程上非常少，偶发的异常数据不足以支撑运维分析，同时，阈值预警的稳定性较差，无法精确找到管道的异常泄漏状态，也不能预测到达阈值的时间。
[0003]目前，尚未发现针对管道泄漏裂纹形貌识别的研究，通常只是利用声发射技术对管道进行泄漏检测，例如：董星亮等人提出了一种基于卷积神经网络的水下管道泄漏声发射检测方法，该方法分别将泄漏波形信号和背景噪声泄漏波形信号转换成二维图像样本，通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型，其存在的问题是：提取的二维图像样本信息量大，冗余度高，计算速度慢，难以实现在线分析。郝永梅等人提出了一种结合模态声发射技术和小波变换对采集信号进行处理的方法，该方法引入独立分量分析技术，运用快速独立分量分析FastICA工具箱实现泄漏源信号分离针对提高声发射信号中的泄漏信息，其存在的问题是：采用模态分析直接分离泄漏信号并对其进行分析必然会损失一些泄漏信息，不仅对后续的特征提取影响较大，也难以准确对泄漏位置作定位。
技术实现思路
[0004]针对现有技术中存在的问题，本专利技术提供了一种管道泄漏裂纹形貌在线定位识别方法、装置及设备，能够利用泄漏过程中材料内部的声发射现象，进行缺陷检测，既减小了运算的工作量，最大程度保留了原始信号的信息。
[0005]为了解决上述技术问题，本专利技术通过以下技术方案予以实现：
[0006]一种管道泄漏裂纹形貌在线定位识别方法，包括：
[0007]获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置；
[0008]对所述声发射信号进行降采样处理，得到降采样后的声发射信号；
[0009]对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；
[0010]根据所述声发射信号频谱特征的最大频率设计设定数量的Mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到FBank特征；
[0011]计算所述FBank特征的GI指数，并选择所述GI指数中前n维特征，其中n＝30～60；
[0012]将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。
[0013]进一步地，所述对所述降采样后的声发射信号进行预加重处理，计算公式为：
[0014]x(t)＝y(t)
‑
αy(t
‑
1)
[0015]式中，t为时间，x(t)为预加重处理后的声发射信号，y(t)为t时刻降采样后的声发射信号，y(t
‑
1)为t
‑
1时刻降采样后的声发射信号，α为预加重系数。
[0016]进一步地，所述对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征，计算公式为：
[0017][0018]式中，h(τ
‑
t)为窗函数，τ为窗函数的中心，j为虚数，STFT(τ,f)为声发射信号频谱特征。
[0019]进一步地，所述根据所述声发射信号频谱特征的最大频率设计设定数量的Mel滤波器组，计算公式为：
[0020][0021]式中，H
m
(k)为第m个滤波器，k是对应第m个滤波器的中心频率，f(m)为第m个滤波器的梅尔刻度转化为频率后的值，f(m+1)为第m+1个滤波器的梅尔刻度转化为频率后的值，f(m
‑
1)为第m
‑
1个滤波器的梅尔刻度转化为频率后的值。
[0022]进一步地，所述对滤波后的声发射信号频谱进行对数运算，得到FBank特征，计算公式为：
[0023][0024]式中，l为频谱特征长度，S(m)是经过第m个滤波器滤波输出的对数能量，即FBank特征。
[0025]进一步地，所述计算所述FBank特征的GI指数，计算公式为：
[0026][0027]式中，||S
m
||1为第m个对数能量的L1范数，s
m
为S
m
由小到大重新排列的数据，k是s
m
的第k个特征，s
m
(k)是s
m
的第k个特征，GI(S
m
)为GI指数。
[0028]进一步地，所述管道泄漏裂纹形貌识别模型的训练方法如下：
[0029]获取不同泄漏裂纹形貌的管道泄漏时产生的声发射信号；
[0030]分别对不同泄漏裂纹形貌对应的声发射信号进行降采样处理，得到不同泄漏裂纹形貌对应的降采样后的声发射信号；
[0031]分别对不同泄漏裂纹形貌对应的降采样后的声发射信号进行预加重处理，并对预
加重处理后的声发射信号进行分帧短时傅里叶变换，得到不同泄漏裂纹形貌对应的声发射信号频谱特征；
[0032]分别根据不同泄漏裂纹形貌对应的声发射信号频谱特征的最大频率设计设定数量的Mel滤波器组对各自的声发射信号频谱进行滤波，对各自滤波后的声发射信号频谱进行对数运算，得到不同泄漏裂纹形貌对应的FBank特征；
[0033]分别计算不同泄漏裂纹形貌对应的FBank特征的GI指数，并选择各自GI指数中前n维特征，其中n＝30～60；
[0034]将各自GI指数中前n维特征以及对应的泄漏裂纹形貌作为训练样本，对基于DenseNet的一维卷积神经网络进行训练，得到，所述管道泄漏裂纹形貌识别模型。
[0035]进一步地，所述根据所述声发射信号定位出管道上的泄漏位置，包括：
[0036]采用时差法，根据所述声发射信号定位出管道上的泄漏位置，计算公式如下：
[0037][0038]式中，d为泄漏点到传感器的距离，D为传感器间距，Δt为声发射波与两个传感器的时间差，c为声发射波速，声发射波速的计算通过常用的断铅实验计算。
[0039]一种管道泄漏裂纹形貌在线定位识别装置，包括：
[0040]获取模块，用于获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置；
[0041]降采样模块，用于对所述声发射信号进行降采样处理，得到降采样后的声发射信号；
[0042]频谱特征模块，用于对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；
[0043]FBank特征模块，用于根据所述声发射信号频谱特征的最本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，包括：获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置；对所述声发射信号进行降采样处理，得到降采样后的声发射信号；对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；根据所述声发射信号频谱特征的最大频率设计设定数量的Mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到FBank特征；计算所述FBank特征的GI指数，并选择所述GI指数中前n维特征，其中n＝30～60；将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。2.根据权利要求1所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述对所述降采样后的声发射信号进行预加重处理，计算公式为：x(t)＝y(t)
‑
αy(t
‑
1)式中，t为时间，x(t)为预加重处理后的声发射信号，y(t)为t时刻降采样后的声发射信号，y(t
‑
1)为t
‑
1时刻降采样后的声发射信号，α为预加重系数。3.根据权利要求2所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征，计算公式为：式中，h(τ
‑
t)为窗函数，τ为窗函数的中心，j为虚数，STFT(τ,f)为声发射信号频谱特征。4.根据权利要求3所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述根据所述声发射信号频谱特征的最大频率设计设定数量的Mel滤波器组，计算公式为：式中，H
m
(k)为第m个滤波器，k是对应第m个滤波器的中心频率，f(m)为第m个滤波器的梅尔刻度转化为频率后的值，f(m+1)为第m+1个滤波器的梅尔刻度转化为频率后的值，f(m
‑
1)为第m
‑
1个滤波器的梅尔刻度转化为频率后的值。5.根据权利要求4所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述对滤波后的声发射信号频谱进行对数运算，得到FBank特征，计算公式为：式中，l为频谱特征长度，S(m)是经过第m个滤波器滤波输出的对数能量，即FBank特征。
6.根据权利要求5所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述计算所述FBank特征的GI指数，计算公式为：式中，||S
m
||1为第m个对数能量的L1范数，s
m
为S
m
由小到大重新排列的数据，k是s
【专利技术属性】
技术研发人员：张志芬，于俨龙，黄婧，温广瑞，李永杰，张帅，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。