信息缺失条件下管道泄漏信号识别研究

在管道泄漏诊断过程中，负压波信息缺失会导致误判或漏判，采用改进奇异值降噪技术对负压波信号进行预处理，以提高定性评判泄漏的准确性。介绍了奇异值降噪技术的基本原理及其改进方法，并利用信号互相关技术对泄漏点位置进行了定量计算，实现了对液体输送管线的泄漏故障诊断。对室内液体管道在泄漏诊断过程中负压波特征明显和模糊情况下的奇异值降噪结果进行了对比。结果表明，相关分析方法对信息缺失条件下负压波信号拐点识别的准确率较高。该方法能突出强噪声背景下的负压波信号，并且使泄漏点的定位精度提高到1．52％。该研究结果也可用于液体管线小泄漏的诊断分析。     

基于鲸鱼优化算法的变分模态分解和改进的自适应加权融合算法的管道泄漏检测与定位方法

针对管道泄漏检测与定位方法存在负压波传播衰减、噪声干扰大、数据融合率低等3种问题,提出了基于鲸鱼参数优化(Whale Optimization Algorithm, WOA)的变分模态分解(Variational modal decomposition, VMD)和改进的自适应加权融合算法(Improved Adaptive Weighted Fusion, IAWF)的管道泄漏检测与定位方法。该方法提出了三传感器泄漏检测与定位模型,并利用抗干扰能力强的WOA-VMD算法对原始信号进行消噪处理；然后采用小波分析求消噪信号的奇异点,进一步求出压力变送器检测到负压波信号的时间差；在此基础上,利用改进的自适应加权融合算法对多传感器数据进行融合,最终求得泄漏点的实际位置。实验结果表明:该方法可以有效地滤除噪声分量,能获得更精确的融合结果,定位精度高,相对定位误差可以控制在1%以内,为管道泄漏检测与定位提供了一种新方法。     

基于谐波小波分析的管道小泄漏诊断方法

在长输管道泄漏诊断过程中,复杂噪声背景下的管道小泄漏信号往往难以检测,更无法准确提取小泄漏负压波信号拐点进行泄漏点定位,为此提出基于谐波小波分析技术的小泄漏信号识别与负压波拐点准确提取方法.介绍r谐波小波分析的基本原理及其快速算法,利用谐波小波时频图、时频等高线图以及时频剖面图挖掘管道泄漏敏感特征,准确提取负压波拐点,实现了对长输管线小泄漏的故障诊断.现场采集复杂噪声背景下的输油管道小泄漏信号,分别采用Daubechies小波与谐波小波进行分析对比.试验结果表明,谐波小波泄漏检测法在噪声干扰下对小泄漏信号识别的准确率较高,为长输管道安全输送提供了可靠的保障.     

小波去噪和奇异性分析方法在输油管道泄漏检测中的应用

输油管道中存在的噪声影响了管道泄漏事故的判决,利用瞬态压力波定位泄漏点的关键是准确地确定瞬态压力波传播到管道始末两端的时间差,通过小波阈值去噪和信号奇异点分析方法,可以有效降低管道工况噪声对泄漏信号的干扰,提高瞬态压力波定位的精度.     

基于小波奇异值分析的管道泄漏特征提取研究

分布式光纤泄漏检测技术在油气管道泄漏监测领域有广泛的应用前景。本文通过分布式光纤测温系统获取输油管道实时的温度信号,利用小波奇异值分析对信号进行特征提取,判断管道的泄漏程度及位置。实验结果表明:小波奇异值分析不仅对严重泄漏时的温度信号可突出特征,而且对于轻微泄漏情况下或干扰作用下特征信息微弱的温度信号,具有很好的降噪、特征提取的作用。     

输油管道泄漏信号去噪的研究

由石油管道泄漏引发的负压波传播到泄露点上游和下游的监测点时,会使该点的压力信号产生一个幅度较大的震荡,伴随震荡曲线将会产生一些噪声干扰。针对这一现象,将管道监测点采集到的压力信号,采用小波变换和中值滤波相结合的方法,在MATLAB软件环境下进行去噪仿真实验,最后得出该方法可以很好的去除负压波信号中的干扰。     

基于STA/LTA的输油管道泄漏检测方法

研究了将微震检测中的STA/LTA方法与负压波检测法相结合,并应用于输油管道泄漏检测的技术方法.根据管道泄漏时产生的负压波波形与微震信号初至的相似性,可利用STA/LTA方法对该特征波形进行准确的提取和捕捉,并通过对比管道首末站检测到该特征波形的时间差,对泄漏点位置进行定位.研究表明该方法可有效识别突变的负压波信号,并减少传统泄漏检测方法中小波变换等信号处理方法带来的计算复杂性.室内实验结果表明,将STA/LTA应用于输油管道泄漏检测具备可行性且能够有效识别负压波信号.      

集输管线泄漏检测系统结构设计

采用负压波法检测管线泄漏信号．负压波信号由设置在管线两端的传感器拾取，根据压力波的梯度特征和压力变化率的时间差，利用相关信号处理方法判断泄漏程度和泄漏位置．同时根据大庆油田管线实际要求，采用GPS时间校对和无限扩频网，实现远程数据传输和泄漏自动检测．该项研究有利于保护国家资源，保护自然环境．     

SG-VMD-SVD的信号去噪方法研究

油气管道信号泄漏检测易受噪声影响,因此去噪成了关键问题.为了提高对油气管道信号的去噪效果,提出了一种基于Savitzky-Golay平滑滤波、变分模态分解(VMD: Variational Mode Decomposition)和频域奇异值分解(SVD:Singular Value Decomposition)去噪相结合的油气管道信号的联合去噪方法.首先,针对泄漏信号在时域利用SG平滑滤波降噪,去除尖脉冲、高频成分等噪声,提高输入信号的信噪比;将滤波后的信号利用VMD分解,通过计算各个本征模态分量(IMF: Intrinsic Mode Function)与信号之间的曼哈顿距离,从而区分信号分量与噪声分量,对噪声分量进行频域奇异值(SVD)去噪,最后将滤波后的分量与信号分量进行重构,得到最终降噪后的信号.通过仿真和实际实验表明,该方法与单一VMD法、VMD-小波变换、SG-VMD-时域SVD去噪方法相比,去噪后所得信号信噪比相对较高,并验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性.     

天然气管道泄漏点的定位检测方法研究

将负压波法应用到天然气输气管道的泄漏检测与定位中,分析了影响负压波传播速度的因素,修正了定位公式,利用小波技术对负压波信号进行了消噪处理并捕捉了压力突降点,提高了检测灵敏度与定位的精度,仿真实验证明了此方法的有效性.     

运用虚拟仪器实现输油管道泄漏监测和定位

为了有效地检测输油管道泄漏并准确定位,运用负压波和质量平衡原理,采用模糊算法和逻辑判断法,利用压力、流量和输差三重机制实现了对原油管道的泄漏监测及定位、原油渗漏监测和报警.系统集成了传感器技术、无线通信技术和虚拟仪器技术.系统在对小压力、小流量和温度波动较大的高凝稠输油管道的泄漏监测方面有所突破.利用数据库结构,再现泄漏记录,回放历史数据并具有对历史数据进行统计、查询和打印等功能.采用无线通讯网络传递现场工作站的数据,并实现局域网内对管道的监测.     

在Matlab中分析基于小波变换的管道泄漏定位方法

采用分布式控制系统、负压波检测法,根据泄漏产生的瞬态压力信息传播到上、下游的时间差,以及管内压力波的传播速度,即可计算出泄漏点的位置;但由于工业现场的电磁干扰、输油泵振动等因素,使采集到的压力波形序列夹杂着大量噪声.要实现负压波准确定位,关键在于捕捉压力波形的奇异点,为此采用小波变换技术.阐述了基于小波变换的测漏原理及定位方法,并在Matlab中利用db小波分析验证.经过处理,图形可以在开始时产生较大的差值,以便准确判断泄漏时刻.     

声发射技术在管道泄漏检测中的应用

传统的管道泄漏检测法如负压波诊断法要求有很强的实时性,常因不能及时捕捉到泄漏信号而造成诊断失败,而声发射检测技术作为一种成熟的无损检测方法,可根据泄漏时流体与泄漏孔隙产生的声发射信号判断泄漏,实现对泄漏信号的连续捕捉,在检测原理上有很大的优势。利用声发射技术对管道泄漏检测进行了试验研究,通过对声发射信号进行时频域分析,实现了对泄漏信号的有效识别。试验结果表明,泄漏发生时的声发射能量主要集中在140-160 kHz,随着泄漏距离的增加,在200 kHz处的声发射能量将产生较大的衰减,从而验证了应用声发射技术进行管道泄漏检测的可行性。     

输气管道泄漏瞬态仿真分析

针对气体管道可能发生的泄漏工况,基于气体管道瞬变流动模型,结合泄漏边界条件,采用数值解法仿真得到泄漏后管道任一位置压力流量随时间的变化,并通过模型法对泄漏位置实时计算。结果表明：未泄漏稳态计算时,公式法和模型法的计算结果基本相同。管道泄漏后会产生负压波,导致全线压力降低,泄漏点上游流量增大,下游流量减小。压力波先后传播到管道首末端,在传播到管道首末端时会发生反射,随着压力波反射次数的增加,管内压力和流量会逐渐达到稳定状态。气体管道发生泄漏后,压力波向上下游传播,在各点产生的压力波幅呈指数规律衰减。利用管道泄漏后稳定状态时的起终点压力和流量结果计算得到的定位结果与真实值更接近。     

海底双层输油管道泄漏扩散数值分析

建立了海底双层输油管道发生泄漏时的物理模型和数学模型.利用Fluent模拟软件,对海底双层输油管道泄漏过程进行二维数值模拟.结果表明:(1)垂直泄漏孔方向,压力逐渐升高,夹层压力传递过程中发生击波现象,击波范围逐渐减小.(2)对应泄漏孔壁面速度几乎为零,沿外壁面上速度最大.随着泄漏时间增加,速度逐渐减小.(3)泄漏最初夹层空间温度较高,泄漏孔压力越大,温度变化越快.     

输油管道泄漏检测技术综述

为进一步改善输油管道泄漏的检测方法, 概述了目前一些常用的输油管道泄漏检测方法, 如直接检测 法、 负压波检测法和基于神经网络的检测方法等。 分析了这些检测方法在应用时的优缺点。 然而, 随着对输油 管道泄漏检测要求的提高, 这些检测方法不能满足人们的要求, 仍需要进一步改善。 同时, 将深度学习引入了 输油管道的泄漏检测中。 深度学习是在神经网络基础上的进一步发展, 它在许多方面上的应用弥补了该应用 基于神经网络方法存在的不足。 其中, 深度学习已经在图像和语音识别应用中取得了成功。 这些情况为以后 将深度学习应用于输油管道的泄漏检测提供了部分理论支持。