[发明专利]基于改进的ELMD多尺度熵的管道泄漏信号识别方法

说明书

本发明提供一种基于改进的ELMD多尺度熵的管道泄漏信号识别方法，首先对获取实验数据进行噪声预处理，消除信号中低相关成分；然后对预处理信号进行ELMD处理，得到各个PF分量；通过峰值波形匹配法削弱ELMD分解存留的端点效应问题；分别计算PF分量的多尺度熵，排列比较泄漏信号的多尺度熵值来消除背景噪声；根据多尺度熵值选择主PF分量构造特征向量；将特征向量作为BP神经网络的输入向量，对网络进行训练；将待测样本输入训练好的BP神经网络中获得管道泄漏识别结果。本发明提供的方法能够适应管道的各种状况，具有较好的检测精度。

技术领域

本发明涉及管道泄漏检测技术领域，特别是涉及一种基于改进的ELMD多尺度熵的管道泄漏信号识别方法。

背景技术

城市管道已成为现代城市发展不可或缺的工具，随着其规模的不断扩大，由于设备自然老化、气候环境以及人为破坏等影响，管道故障事件呈上升趋势，尤其是燃气管道一旦泄漏，很容易引起火灾、爆炸、中毒、环境污染等恶性事故。因此找到有效的管道泄漏检测方法，准确识别出泄漏隐患，具有良好的经济价值和社会意义。

近年来，随着计算机技术的发展，管道泄漏检测技术正向软硬件结合的方向发展，目前，各种新的管道泄漏检测方法仍是各国的前沿研究方向。局域均值分解(local meandecomposition，LMD)方法是一种新的自适应时频分析方法，它能将一个多分量信号自适应地分解成多个调幅调频分量信号，具有较好的时频特征提取能力，但LMD分解结果同样存在模态混叠现象。其改进算法：总体局域均值分解(ensenmble local mean decomposition，ELMD)则克服了模态混叠现象，更适合分析复杂的泄漏信号，并且测准确率有很大提高。

由于获取整个管道全部管段压力数据比较困难，特别是在管道无法靠近的管段几乎无法获取到压力数据，在缺少全管段压力数据的情况下，现有的根据压力数据进行管道泄漏检测的方法都是根据极少的压力采样点进行推算，这就导致检测效果不是十分理想。近年来，随着检测技术的发展，出现了些获取到整个管道压力数据的方法，但基于全管段压力数据进行泄漏检测的方法却未见提出，而BP神经网络则是能够根据全管段的压力数据进行泄漏检测的方法，BP神经网络具有并行分布处理、自组织、自适应、自学习和容错性好等独特的优良性能。

发明内容

本发明所要解决的技术问题是：针对现有的管道泄漏检测技术中的问题，本发明提供一种基于改进的ELMD多尺度熵的管道泄漏信号识别方法。该方法以具体管道中全管段的压力数据为基础，先根据自相关函数消除信号中的低相关成分；然后采用ELMD方法对信号进行分解，能够有效的克服模态混叠现象，获取准确的PF分量；采用极值点延拓法解决了分解产生的端点效应问题；通过计算各PF分量的多尺度熵值来处理背景噪声；最后通过BP神经网络可以准确快速的判断管道是否发生泄漏，保障城市管道的安全运行，从而确保人民群众的财产和生命安全。

本发明解决其技术问题所要采用的技术方案是：由于对采集的信号采用LMD分解后会产生模态混叠现象，采用常规数学模型进行描述存在相当困难，本发明从人工智能及信号处理的角度出发，提供一种基于改进的ELMD多尺度熵的管道泄漏信号识别方法，对整个管道的压力数据进行分析，在信号处理、特征提取，故障分析方面都有较好的优越性，包括以下步骤：

S1：获取实验数据，材料中因裂缝扩展、塑性变形或相变等引起应变能快速释放而产生的现象称为声发射。即通过接收和分析材料的声发射信号来评定材料性能或结构完整性的无损检测方法。利用声发射泄漏系统分别采集信号数据，获得原始泄漏信号x(b)；

S2：对原始泄漏信号x(b)进行自相关预处理，计算自相关函数r_x，并进行时域分析，消除信号中低相关成分，得到预处理后的泄漏信号x(t)；通过声发射采集的信号中必不可少的含有背景噪声以及一些低相关的成分，而信号中的低相关成分虽然占的比例不大，但会对信号处理以及重构产生重要影响。随机信号的自相关函数反映了信号与其自身在不同时间点的相关程度。其具体方法为：