基于CPO-VMD与多特征提取的气体管道泄漏声学检测装置及方法
| 专利类型 | 发明公开 | 法律事件 | 公开; |
| 专利有效性 | 公开 | 当前状态 | 公开 |
| 申请号 | CN202510196722.7 | 申请日 | 2025-02-21 |
| 公开(公告)号 | CN119915446A | 公开(公告)日 | 2025-05-02 |
| 申请人 | 河北工业大学; | 申请人类型 | 学校 |
| 发明人 | 史宝军; 李政鑫; 赖光金; 李红东; 程澄; 申明亮; | 第一发明人 | 史宝军 |
| 权利人 | 河北工业大学 | 权利人类型 | 学校 |
| 当前权利人 | 河北工业大学 | 当前权利人类型 | 学校 |
| 省份 | 当前专利权人所在省份：天津市 | 城市 | 当前专利权人所在城市：天津市北辰区 |
| 具体地址 | 当前专利权人所在详细地址：天津市北辰区双口镇西平道5340号 | 邮编 | 当前专利权人邮编：300401 |
| 主IPC国际分类 | G01M3/24 | 所有IPC国际分类 | G01M3/24 ; G06F17/10 ; G06F17/18 ; G06F18/24 ; F17D5/06 |
| 专利引用数量 | 0 | 专利被引用数量 | 0 |
| 专利权利要求数量 | 6 | 专利文献类型 | A |
| 专利代理机构 | 北京领果世纪知识产权代理有限公司 | 专利代理人 | 王杰; |
| 摘要 | 本 发明 公开了基于CPO‑VMD与多特征提取的气体管道 泄漏 声学检测装置及方法，涉及气体管道泄漏检测技术领域，其中装置包括压缩空气储罐、压 力 控制 阀 、气压表、管道、无缝 钢 管、宽频麦克 风 、 数据采集 卡和数据存储设备，使用该装置的方法包括步骤：采集气体管道泄漏的 声波 信号 ；结合CPO 算法 和变分模态分解，对原始信号进行自适应分解；通过相关系数对关键模态分量进行重构降噪；提取重构信号的多维特征，对信号特征进行筛选和择优选择，通过分类检测器进行气体管道泄漏的检测和分类。因此，采用上述方法，能够有效提升泄漏声波信号的分解效果和分类 精度 ，增强方法 框架 在不同场景中的强适应性。 | ||
| 权利要求 | 1.基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置，其特征在于，包括： |
||
| 说明书全文 | 基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法 技术领域[0001] 本发明涉及气体管道泄漏检测技术领域，尤其是涉及基于CPO‑VMD与多特征提取的气体管道泄漏声学检测方法。 背景技术[0002] 气体管道是天然气、氢气等危险化学品原料的重要运输载体之一，但由于管道老化或外部冲击，阀门密封可能失效导致泄漏，或者发生管道气蚀造成泄漏。近年来，因气体管道泄漏引发的爆炸事故频发，对人员生命和财产安全造成了严重威胁。为进一步确保管道系统的安全稳定运行，迫切需要一种精准且可靠的气体管道泄漏检测方法。 [0003] 根据不同的检测原理，气体管道泄漏检测方法可以分为分布式光纤法、负压波法、声发射法以及声波法等。光纤法可以检测泄漏点的位置，但精度不高，通常只能确定泄漏区域，难以准确定位具体的泄漏点。负压波法对小规模泄漏不够敏感，难以检测较小的泄漏情况，因此对泄漏量较小的管道不够有效。声波法通过麦克风接收气体管道泄漏产生的声波信号，并基于声信号处理来识别泄漏事件。与其他方法相比，声波法具有高灵敏度、快速响应以及非接触式检测等优势，适合在工业场景中进行大范围应用。 [0004] 由于泄漏产生的声波信号存在高度非线性、非平稳的特性，且易受环境噪声干扰，因此对泄漏声波信号降噪处理十分必要。常用降噪方法有基于波信号处理的傅里叶变换和小波变换，但傅里叶变换降噪效果受限于窗口函数设置，而小波变换降噪效果受限于母波选择。而后，逐步发展了基于信号分解的降噪方法，如经验模态分解(EMD)和集合经验模态分解(EEMD)。EMD及其演化方法可实现声波信号的自适应分解，但缺少严格的数学理论支撑，且分解结果存在模态混叠和末端效应等缺陷。变分模态分解(VMD)通过构建一组维纳滤波器，可实现信号在窄频域内的分解，且分解层数可控。VMD算法有效性已在工业设备故障诊断、经济发展预测、气候环境预测等多个领域得到充分验证，分解层数K和惩罚因子α是VMD算法的两个核心参数，对信号分解效果存在重大影响。然而，人工设定参数对研究者经验要求高，且耗时长、过程繁杂，而不合理的参数值设定将极大削弱其分解效果与降噪性能。同时，目前VMD优化分解算法普遍存在收敛性与鲁棒性不足等问题，导致分解算法结果可重复性较低，分解效果仍需进一步提升。 [0005] 因此，有必要提供一种自适应分解信号的气体管道泄漏声学检测方法，使得检测结果精准、可靠，确保气体管道系统的安全稳定运行。 发明内容[0007] 为实现上述目的，本发明提供基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置，包括： [0008] 压缩空气储罐，用于提供空气流，产生的气压为后续的气体管道泄漏实验提供气源条件； [0009] 管道，与压缩空气储罐连接，用于气流通过的通道； [0012] 宽频麦克风，用于接收管道泄漏产生的声波信号，正对带孔无缝钢管的管道泄漏孔，并保证检测距离固定； [0014] 数据存储设备，与数据采集卡连接，用于将数据采集卡采集到的数字信号进行存储，并通过相应的软件进行数据处理、分析与可视化。基于CPO‑VMD与多特征提取的气体管道泄漏声学检测方法，采用基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置，包括以下步骤： [0015] S1、打开压缩空气储罐，通过宽频麦克风实时检测管道泄漏处发出的泄漏声波信号，并将检测到的声波信号经数据采集卡处理后发送到数据存储设备中； [0016] S2、通过CPO算法对变分模态分解的参数进行优化，引入排列熵构建适应度函数作为优化目标，得到K个优化后的本征模态函数分量； [0017] S3、获取各本征模态函数分量与原始信号的相关系数，并基于相关系数大小排序，对关键模态分量进行重构降噪； [0018] S4、获取泄漏声波重构信号的波形、频域和时域特征，对信号特征进行筛选和择优选择，通过分类检测器进行气体管道泄漏检测和分类。 [0019] 优选的，步骤S2，包括CPO算法通过四类防御措施用于位置更新策略，对分解层数和惩罚因子双参数进行优化；同时，引入循环种群减少策略，通过种群数量动态调整模型，每次迭代过程只激活受威胁的粒子。 [0020] 优选的，适应度函数的表达式，如下： [0021] Fitness＝m(hPE(IMFk))/v(hPE(IMFk))； [0022] 式中，Fitness为适应度函数，m(hPE(IMFk))代表各IMF排列熵的均值，v(hPE(IMFk))为各IMF排列熵的方差。 [0023] 优选的，步骤S3，包括对各本征模态函数分量与原始信号的相关系数按从大到小进行排序：当总本征模态函数分量个数大于2时，将相关系数排名的前两位本征模态函数分量作为关键模态分量进行重构，其余本征模态函数分量作为噪声去除；当总本征模态函数分量个数等于2时，将相关系数最大的本征模态函数分量作为重构信号。 [0024] 优选的，分类检测器包括利用提取重构信号的多维特征，通过支持向量机对气体管道泄漏类别进行判断。 [0025] 因此，本发明采用上述基于CPO‑VMD与多特征提取的气体管道泄漏声学检测方法，具有以下技术效果： [0026] 本发明通过CPO‑VMD算法，能够有效分解声波信号，具有鲁棒性强、运行效率高、收敛性强、分解效果强等显著优势；同时，通过时域、频域、波形特征的多特征提取方案，实现对特征的再筛选与择优选择，提升泄漏声波信号分类准确率和分类效果，并具备广泛的适用性。 附图说明[0028] 图1是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置示意图； [0029] 图2是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测方法流程图； [0030] 图3是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法的实施例中不同算法100轮迭代运行时长对比图； [0031] 图4是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法的实施例中PSO‑VMD算法的适应度函数值； [0032] 图5是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法的实施例中SABO‑VMD算法的适应度函数值； [0033] 图6是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法的实施例中CPO‑VMD算法的适应度函数值； [0034] 图7是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法的实施例中PSO‑VMD算法的仿真信号分解图； [0035] 图8是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法的实施例中SABO‑VMD算法的仿真信号分解图； [0036] 图9是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法的实施例中CPO‑VMD算法的仿真信号分解图； [0037] 图10是基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法的实施例中实测条件下的组合特征消融实验分类精度图。 具体实施方式[0038] 通过下面的实施例可以更详细的解释本发明，公开本发明的目的旨在保护本发明范围内的一切变化和改进，本发明并不局限于下面的实施例。 [0039] 实施例一 [0040] 如图1所示，本发明提供基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置，包括压缩空气储罐、压力控制阀、气压表、管道、无缝钢管、宽频麦克风、数据采集卡和数据存储设备。 [0041] 其中，压缩空气储罐，用于提供空气流，产生的气压为后续的气体管道泄漏实验提供气源条件。 [0042] 管道，与压缩空气储罐连接，用于气流通过的通道。 [0043] 压力控制阀和气压表，与管道中间位置连接，压力控制阀用于调节压缩空气的压力，将管道内气压保持在0.3Mpa。气压表用于实时监测和显示空气的压力，以保证实验过程中气压的稳定与准确。 [0044] 三根圆孔无缝钢管，与管道的尾部位置连接并置于三角架上，三根钢管上设置了不同直径的泄漏孔，泄漏孔直径分别为0.4mm、0.8mm、1.0mm，用于建立不同泄漏孔径下的气体泄漏实测数据集。 [0045] 宽频麦克风，用于接收管道泄漏产生的声波信号，在实验室背景噪声下，使用采集频率为20‑20k Hz的宽频麦克风收集气体泄漏声波信号数据，同时正对带孔无缝钢管的管道泄漏孔并使它们之间的检测距离为3m。 [0046] 数据采集卡，与宽频麦克风、电源连接，用于将宽频麦克风接收到的模拟声波信号转化为数字信号，转换为后续数据存储设备可以处理的数字形式。设置采样率为40k Hz，共采集171条泄露数据，每种类型包含57条数据，每条数据包含1460个采样点。 [0047] 数据存储设备，与数据采集卡连接，用于将数据采集卡采集到的数字信号进行存储，并通过相应的软件进行数据处理、分析与可视化。 [0048] 为了能够模拟实际工业气体管道泄漏场景，该气体管道泄漏声学检测装置能够在气压保持在0.3Mpa的情况下，模拟泄露孔径分别为0.4、0.8、1.0mm的三种情况，建立不同泄漏孔径气体泄漏实测数据集，来进行信号分解、重构降噪及多特征提取以此分析泄漏检测与分类的准确率与有效性。本实施例中，采样率设置为40k Hz，共采集171条泄漏数据，每种类型包含57条数据，每条数据包含1460个采样点。 [0049] 实施例二 [0050] 如图2所示，本发明还提供了基于CPO‑VMD与多特征提取的气体管道泄漏声学检测方法，采用基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置，包括以下步骤： [0051] S1、首先将宽频麦克风正对无缝钢管的管道泄漏孔上，宽频麦克风与数据采集卡相连，数据采集卡与电源、数据存储设备相连；然后，打开压缩空气储罐，由宽频麦克风实时检测由管道泄漏处发出的泄漏声波信号，并将检测到的声波信号经过数据采集卡的处理后发送到数据存储设备中。 [0052] S2、利用CPO‑VMD算法对原始信号数据进行信号分解、重构降噪，具体如下： [0053] 利用寻优后的最佳的分解层数K和惩罚因子α的参数组合对声波信号进行变分模态分解(VMD)，得到K个优化后的本征模态函数uk(t)(IMF)分量。 [0054] 其中，VMD算法处理是一种对原始信号进行非线性、非平稳信号分解方法，对解析信号进行希尔伯特变换以获得其单边频谱，同时通过最小化模态梯度的二范数平方，从而建立变分问题，表达式为： [0055] [0056] 式中，U＝{u1,u2,...,uk}，Ω＝{ω1,ω2,...,ωk}，uk为第k个分量的本征模态函数，ωk是第k个分量的估计中心频率；*表示卷积算子， 表示对时间t求偏导，δ(t)为狄拉克函数，K为分解层数，t为时间。 [0057] 为了将有约束问题转化为无约束问题，引入惩罚因子α和拉格朗日乘数λ，得增广拉格朗日方程，如下： [0058] [0059] 为了进一步优化增广拉格朗日方程，初始化参数 和λ1为0，并利用交替方向乘子法ADMM求解该问题的鞍点，更新参数 和 如下： [0060] [0061] 式中，τ是噪声容限，通过控制拉格朗日乘数的更新速率，在信号重构的精确度与对噪声抑制之间取得平衡。 [0062] 当满足 时，停止迭代。其中，ε为收敛容限。 [0063] 对最终的 进行傅里叶逆变换，得到多个窄带本征模态函数(IMF)。 [0064] 由于传统的VMD分解无法自适应调整参数，为此引入冠豪猪优化(CPO)算法对(K,α)进行双参数优化，以自适应得到合理有效的VMD分解结果。 [0065] 其中，CPO算法是一种新型元启发式算法，该算法可对冠豪猪的四层不同保护机制建模，使其在执行参数优化任务时，有能力跳出局部最优解，并提高全局最优求解精度。在VMD参数优化过程中，CPO算法可通过四类防御措施用于位置更新策略，提高对双参数优化精度，进而提高信号分解效果鲁棒性，并通过多策略综合实现双参数最优化。 [0066] 除此以外，CPO算法还引入了循环种群减少策略，每次迭代过程只激活受威胁的粒子，促进了优化结果的趋同性和种群多样性，通过减少不必要的迭代计算以降低优化过程中的CPU耗时，进而提升VMD双参数优化效率。群数量动态调整模型如下： [0067] [0068] 式中，N为更新后种群数量，Nmin为新生成种群中的最小个体数，N'为候选解的个数，m为当前函数值，％为求余运算，Tmax为函数求值的最大次数，T为确定循环次数的变量。 [0069] 适应度作为对算法优化的核心目标，由于不合理的适应度函数的设定，导致难以实现合理有效的信号分解的问题，引入排列熵的概念来描述信号时间序列的混乱程度，以方便对时间序列的非线性分析，越具规律性的信号排列熵越小，越复杂的信号排列熵越大，对于各个IMF的排列熵计算，如下： [0070] [0071] 式中，hPE(IMFk)为第k个模态分量的排列熵，Pi指第k个IMF信号序列的第i个排列的概率，N为信号序列的长度。 [0072] 在VMD双参数优化过程中，不同的[K,α]取值组合将导致各模态分量的排列熵产生变化，通过比较其排列熵变化幅度，分析有效信号和噪声信号的分离情况。另外，各模态信号的差异是由方差和均值变化而引起的，通过构造适应度函数Fitness，量化气体泄漏信号排列熵的均值与方差之比，并将最小化适应度函数作为目标函数进行优化，公式如下： [0073] Fitness＝m(hPE(IMFk))/v(hPE(IMFk))； [0074] 式中，m(hPE(IMFk))代表各IMF排列熵的均值，v(hPE(IMFk))为各IMF排列熵的方差。 [0075] 通过CPO算法的位置更新策略，对构造出的适应度函数进行适应度更新调整，同时利用CPO算法的自适应循环种群减少机制，提高迭代效率，得到最佳适应度和参数组合(K,α)，从而得到K个优化后的IMF分量。 [0076] S3、通过相关系数实现信号重构降噪，相关系数体现两组信号间的相关程度，具体如下： [0077] 对各IMF与原始信号相关系数进行大小排序，总IMF个数大于2，将相关系数排名前2个的IMF作为关键模态分量进行重构，其余IMF作为噪声信号去除；若总IMF个数仅为2，则将相关系数最大的IMF作为重构信号。 [0078] 其中，相关系数计算公式如下： [0079] [0080] 式中， 为各IMF与原始信号的相关系数， 为各分量本征模态函数的均值，x(t)为原始信号， 为原始信号各时刻的均值。 [0081] S4、由于背景噪声的影响，当产生气体管道泄漏时，其声信号幅值也会受到强烈影响。为充分反映气体管道泄漏特征，进行多特征提取对信号特征进行再次地筛选和择优选择，分别提取泄漏声波信号的波形(WF)、频域(FD)和时域(TD)。 [0082] 波形特征中包含有偏度因子，用于反映信号数据分布的偏斜程度，具体表达式如下： [0083] [0084] 式中，γ为偏度因子，n为样本数量，xi为信号数据集的某一点在某时刻数值， 为信号数据集的均值，Xstd为信号数据集的标准差。 [0085] 频域特征中包含有中心频率fc，反映信号频率的集中程度；谱能量E，反映信号在频域中的分布；谱尖特性Pjf，反映信号频谱中能量分布的锐度；谱峰值fpeak，反映信号中频率成分的最大幅值。频域特征的具体表达式，如下： [0086] [0087] Pjf＝max(px)/E； [0088] fpeak＝fmax_index； [0090] 时域特征中包含有均值 表示信号强度的中心趋势；方差Xvar，衡量信号波动的程度；标准差Xstd，描述信号的离散程度；平均幅值Xma，衡量信号的幅度大小；能量Xe，反映信号的整体强度。各时域特征的具体表达式，如下： [0091] [0092] 式中，fik第k个IMF分量中的第i个元素。 [0093] 然后，利用提取的多特征进行管道泄漏精确检测。具体地，将体现出泄漏信号和常规信号的差异的多类信号特征，组成一维特征矩阵，将一维特征矩阵输入到用作分类检测器的支持向量机(SVM)中进行精确有效的气体管道泄漏检测，以可视化的形式展示泄漏分类结果。 [0094] 实施例三 [0095] 为了进一步验证CPO‑VMD算法对于气体管道泄漏声学检测的有效性，本实施例通过建立仿真信号分解实验，分别采用SABO、GAO等元启发式算法进行对比分析。 [0096] 其中，仿真信号的表达式，如下： [0097] x(t)＝cos(2πf1t)+1.3sin(2πf2t)+1.5cos(2πf3t)+1.7sin(2πf4t)+μ； [0099] 为了充分进行全局搜索，种群数量设置为20，迭代次数设置为100。同时，为避免偶然误差，对VMD的参数(K,α)进行了10次独立重复的自适应优化。CPO算法、SABO算法和CPO算法的详细参数设置，如表1所示。 [0100] 表1不同元启发式算法的参数设置 [0101] [0102] VMD算法的详细参数设置，如表2所示。 [0103] 表2不同元启发式算法的参数设置 [0104]优化关键参数 参数值 惩罚因子上界 αmax＝2250 惩罚因子下界 αmin＝100 分解层数上界 Kmax＝10 分解层数下界 Kmin＝2 种群数量 Agents_no＝20 最大迭代次数 Max_iteration＝100 ‑7 收敛容限 Tol＝10 [0105] 如图2所示，不同算法在进行10次独立重复实验、每次迭代优化100次情况下，CPO‑VMD算法数据波动相对较小，具有较好的稳定性，并具备更稳定的运行效率。另外，运行时长的均值能够反映整体计算效率水平，尽管CPO‑VMD算法的运行时长均值略高于PSO‑VMD算法(相差14.54秒)，但是PSO算法的寻优策略较为单一，而CPO算法的策略较为全面，显著减少了冗余计算。综合来看，CPO‑VMD算法在运行时长方面表现出了较为稳定的效率，相较于SABO‑VMD算法具有显著优势，且与PSO‑VMD算法的差距较小，表明CPO‑VMD算法在优化效率和计算稳定性方面均具有突出表现。 [0106] 本实施例还对适应度函数进行了评估，请参见图4、图5和图6。可以看出，PSO‑VMD与SABO‑VMD两类算法在不同运行次数中，适应度函数趋于不同的数值，表明他们在100次迭代内并未实现稳定的收敛，无法保证在一定迭代次数内达到全局最优解；而CPO‑VMD算法均成功收敛至最小适应度值22.6545，且所有最优解均在前60次迭代内得到，这说明该方法在收敛性方面优势显著，并且具有较高的寻优效率。 [0107] 请参见图7、图8和图9，PSO‑VMD算法与SABO‑VMD算法在分解层数K＝6时，均出现了对同一关键中心频率的过度分解现象；而CPO‑VMD算法则有效保留四个频域尖峰值，避免了过度分解的情况，具有明显的优势。 [0108] 另外，本实施例还利用CPO‑VMD算法，对实测数据中三种类型的泄漏信号进行了分析，均在前70次迭代中得到了最小适应度值。并且，将重构后的信号与原始信号进行了对比，发现当背景噪声相对较强时，重构信号的信噪比提升更为明显，充分验证了本发明的方法在噪声强度较大时，具有优越的降噪效果。 [0109] 为了对分类准确率进行分析，从实测数据集的重构信号提取多维特征，得到171×3的特征矩阵，作为SVM的输入。其中，准确率的公式如下： [0110] [0111] 式中，Acc为准确率，TP为真正例，TN为真反例，FP为假正例，FN为假反例。 [0112] 在测试集的69条数据中，有4条被错误分类，准确率达到94.20％。本实施例还对比了将单一特征、双特征组合以及三特征组合的分类效果，如图10所示。可以看出，在组合特征消融实验中，双组合特征和三组合特征精度达到一致，总体而言，多特征提取策略有助于提升泄漏声波检测精度。 [0113] 因此，本发明采用上述基于CPO‑VMD与多特征提取的气体管道泄漏声学检测装置及方法，能够检测不同漏孔直径下气体泄漏的声波数据，适用于不同的场景，可应用到实际工程中。 [0114] 最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。 |
||
QQ群二维码
意见反馈
意见反馈