肖 楠,李 健,肖啟陽(yáng)

(天津大學(xué) 精密測(cè)試技術(shù)與儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室,天津300072)

采用SVD-NMF的管道泄漏信號(hào)去噪算法

肖 楠,李 健*,肖啟陽(yáng)

(天津大學(xué) 精密測(cè)試技術(shù)與儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室,天津300072)

在管道泄漏檢測(cè)中,壓力信號(hào)中的噪聲干擾會(huì)降低傳統(tǒng)互相關(guān)法的定位精度。傳統(tǒng)的去噪算法對(duì)環(huán)境的適應(yīng)性差,去噪效果不理想。為此,提出了一種奇異值分解SVD(Singular Value Decomposition)與非負(fù)矩陣分解NMF(Nonnegative Matrix Factorization)相結(jié)合的管道泄漏信號(hào)去噪算法。該方法首先通過(guò)奇異值分解確定非負(fù)矩陣分解的階數(shù)并對(duì)其初始化;然后,采用改進(jìn)的非負(fù)矩陣分解算法對(duì)原信號(hào)進(jìn)行迭代分解,獲得去噪信號(hào);最后,對(duì)去噪信號(hào)進(jìn)行處理后通過(guò)互相關(guān)計(jì)算時(shí)延,并結(jié)合泄漏信號(hào)的傳播速度實(shí)現(xiàn)泄漏定位。大量實(shí)驗(yàn)結(jié)果表明,SVD-NMF算法能夠顯著降低迭代次數(shù),提高去噪速度;同時(shí)在泄漏檢測(cè)中,能夠達(dá)到去除噪聲干擾,提高定位精度的目的。

管道泄漏定位;非負(fù)矩陣分解(NMF);奇異值分解(SVD);互相關(guān);負(fù)壓波

管道運(yùn)輸已成為現(xiàn)代工業(yè)和國(guó)民經(jīng)濟(jì)的命脈,在運(yùn)輸氣體、液體等方面具有重要作用。隨著管網(wǎng)的迅速發(fā)展,由于管道老化、腐蝕、第三方破壞等原因?qū)е碌男孤┦鹿暑l繁發(fā)生,造成資源浪費(fèi)和環(huán)境污染的同時(shí),也存在著安全隱患。因此,對(duì)管道泄漏進(jìn)行精確定位具有重要意義[1-2]。

基于負(fù)壓波的泄漏檢測(cè)法由于其施工量小、成本低、維護(hù)方便、檢測(cè)距離遠(yuǎn)等優(yōu)點(diǎn),在國(guó)內(nèi)外長(zhǎng)輸管道泄漏檢測(cè)領(lǐng)域獲得廣泛應(yīng)用[3-4]。然而傳感器采集的實(shí)際信號(hào)中包含噪聲,導(dǎo)致時(shí)延計(jì)算不準(zhǔn)確,降低泄漏定位精度。因此,增強(qiáng)泄漏信號(hào),抑制壓力信號(hào)中的噪聲,提高信噪比,成為精確判斷和定位泄漏的關(guān)鍵。目前,負(fù)壓波信號(hào)處理技術(shù)存在兩大難題:負(fù)壓波信號(hào)的微弱性和干擾噪聲的多樣性[5],因此需采用合適的算法去除噪聲干擾。

近年來(lái),針對(duì)管道壓力信號(hào)去噪,國(guó)內(nèi)外學(xué)者進(jìn)行了許多研究:2007年,路煒[6]等利用信號(hào)的互譜相位譜和相關(guān)系數(shù)估計(jì)泄漏信號(hào)的頻率范圍,對(duì)信號(hào)進(jìn)行濾波,提高信噪比;2012年,文玉梅[7]等根據(jù)不同帶寬信號(hào)與噪聲自相關(guān)長(zhǎng)度的差異,對(duì)檢測(cè)信號(hào)中的窄帶噪聲和寬帶噪聲進(jìn)行自適應(yīng)抑制;2013年,趙利強(qiáng)[8]等采用改進(jìn)的EMD算法對(duì)泄漏信號(hào)的特征進(jìn)行提取,實(shí)現(xiàn)管道泄漏檢測(cè);同年,文玉梅[9]等利用泄漏信號(hào)源和固定干擾源之間的獨(dú)立性,采用盲卷源分離算法將干擾源進(jìn)行分離,保留了泄漏信號(hào)中的時(shí)延信息;2014年,孫潔娣[10]等采用局域均值分解對(duì)信號(hào)進(jìn)行處理,結(jié)合峭度特征重構(gòu)信號(hào)在進(jìn)行互相關(guān)定位;同年,Ostapkowicz[11]等采用中值濾波和短時(shí)互相關(guān)算法,通過(guò)閾值檢測(cè)進(jìn)行定位;2015年,Mostafapour[12]等通過(guò)小波分析和模型定位理論,對(duì)泄漏信號(hào)的低頻和高頻部分分別進(jìn)行小波分解來(lái)去除噪聲;同年,梁偉[13]等采用雙樹(shù)復(fù)小波變換和奇異值分解進(jìn)行信號(hào)去噪對(duì)泄漏進(jìn)行精確定位。

基于非負(fù)矩陣分解的去噪算法是近年來(lái)興起的去噪方法,其得到的去噪信號(hào)不存在相移,非常適合用于泄漏定位前的預(yù)處理算法。然而非負(fù)矩陣分解的階數(shù)及矩陣的初始化的不確定性會(huì)造成算法的去噪效果差,收斂時(shí)間長(zhǎng)。因此,本文將奇異值分解與非負(fù)矩陣分解結(jié)合,以奇異值差分譜的峰值位置作為非負(fù)矩陣分解的階數(shù)并初始化,對(duì)管道壓力信號(hào)進(jìn)行處理,最后通過(guò)加權(quán)殘差和互相關(guān)分析對(duì)泄漏進(jìn)行檢測(cè)定位。實(shí)驗(yàn)結(jié)果表明,采用結(jié)合奇異值分解的非負(fù)矩陣分解算法,收斂速度更快,去噪效果更好,定位精度也更高。

1 非負(fù)矩陣分解降噪算法

非負(fù)矩陣分解NMF(Non-Negative Matrix Factorization)是由Lee和Seung等人于1999年提出,并發(fā)表在Nature雜志上的一種新的矩陣分解方法[14],廣泛應(yīng)用于圖像分析、數(shù)據(jù)挖掘、語(yǔ)音處理等領(lǐng)域。近年來(lái),學(xué)者在原NMF算法的基礎(chǔ)上進(jìn)行修改,取得了不少成果[15-19]。NMF算法的優(yōu)點(diǎn)在于:由于其要求矩陣元素為非負(fù),因此其分解形式和結(jié)果有很強(qiáng)的解釋性;其次,矩陣分解后的結(jié)果一般具有自然的稀疏性,不但易于表示,占用空間也相應(yīng)縮小。由于管道壓力信號(hào)的值為正值,采用非負(fù)矩陣分解對(duì)壓力數(shù)據(jù)進(jìn)行處理滿足算法的要求。

1.1 非負(fù)矩陣分解

非負(fù)矩陣分解算法可以這樣定義:給定一個(gè)非負(fù)矩陣X∈Rm×n,將矩陣X分解成為W∈Rm×d和H∈Rd×n兩個(gè)非負(fù)矩陣的乘積,即:

X+≈W+H+

(1)

式中:下標(biāo)“+”代表非負(fù)約束,參數(shù)d為近似描述原始數(shù)據(jù)的低維空間維度,應(yīng)滿足(m+n)d

對(duì)于式(1)的求解要求矩陣W和H的乘積與原矩陣X逐步逼近,通常采用歐氏距離來(lái)表征兩者間的誤差,誤差函數(shù)為:

(2)

式中:矩陣X,W,H的元素為非負(fù)。當(dāng)上式取得最小值時(shí),矩陣X與矩陣W和H的積誤差最小。Lee和Seung給出了對(duì)應(yīng)上式的迭代規(guī)則:

(3)

(4)

根據(jù)以上兩式進(jìn)行迭代,當(dāng)W和H收斂時(shí),迭代結(jié)束,非負(fù)矩陣分解完成。

1.2 奇異值分解

奇異值分解是線性代數(shù)中的一種重要的矩陣分解,其數(shù)學(xué)表達(dá)式為:給定一個(gè)矩陣X∈Rm×n,存在一個(gè)分解使得:

X=USVT

(5)

式中:U∈Rm×m,V∈Rn×n為正交矩陣,S為對(duì)角矩陣,對(duì)角線元素s1,s2,…,sq為矩陣X的奇異值,并滿足s1≥s2≥…≥sq>0。在信號(hào)處理應(yīng)用中,通常會(huì)出現(xiàn):

s1≥s2≥…≥sk?sk+1≥…≥sq

(6)

的情況,即前k個(gè)奇異值遠(yuǎn)遠(yuǎn)大于后q-k個(gè)奇異值,可以認(rèn)為前k個(gè)奇異值代表著有用信號(hào),而后q-k個(gè)奇異值對(duì)應(yīng)噪聲信號(hào)。因此,我們可以選取前k個(gè)奇異值作為有效奇異值,并將其他奇異值置零,而后將其作為新的矩陣S與矩陣U和V相乘,得到處理后的新矩陣[20-21]。

在使用奇異值分解進(jìn)行信號(hào)處理中,需要將一維信號(hào)構(gòu)造為二維Hankel矩陣。設(shè)一維離散信號(hào)k={k(i)},i=1,2,…,N,采用滑動(dòng)窗口截取的方式來(lái)獲取多個(gè)行向量,得到矩陣X:

(7)

之后對(duì)矩陣X進(jìn)行奇異值分解,選取前k個(gè)奇異值保留后進(jìn)行重構(gòu),反復(fù)迭代幾次就可以對(duì)原信號(hào)進(jìn)行去噪。

對(duì)于有效奇異值數(shù)的選取,通常采用奇異值差分譜的方法進(jìn)行,差分譜的定義為:

Δsk=sk-sk+1

(8)

可以看出,當(dāng)相鄰兩奇異值相差較大,則會(huì)在差分譜序列中產(chǎn)生一個(gè)峰值,相當(dāng)于式(6)中的突變位置k。通過(guò)差分譜的計(jì)算就可以實(shí)現(xiàn)有效奇異值個(gè)數(shù)的自適應(yīng)選取[22]。

1.3 SVD-NMF降噪算法

在1.1節(jié)中介紹的非負(fù)矩陣分解基礎(chǔ)算法中,由于只存在矩陣非負(fù)這一個(gè)約束條件,造成其在對(duì)圖像、信號(hào)等較為復(fù)雜的數(shù)據(jù)進(jìn)行處理時(shí),迭代往往無(wú)法收斂,造成算法失效。為了解決這一問(wèn)題,許多學(xué)者也在原算法基礎(chǔ)上添加其他的約束以提高分解矩陣的可解釋性。比較典型的就是Hoyer提出的NMFSC算法[23],該算法以非線性投影的方式實(shí)現(xiàn)精確控制結(jié)果的稀疏性。

大部分對(duì)NMF算法進(jìn)行的改進(jìn)都是在原有的算法上添加其他條件來(lái)改變算法迭代公式,從而提高算法的稀疏度等要求,而少有針對(duì)NMF算法本身來(lái)提高算法效果的方法。在1.1節(jié)介紹的基礎(chǔ)算法中,參數(shù)d以及矩陣W和H的初始化均是不定的,而d的取值也會(huì)影響矩陣W和H的大小?？梢韵胂?對(duì)參數(shù)d以及矩陣W和H的不同取值會(huì)嚴(yán)重影響算法的迭代結(jié)果,甚至無(wú)法收斂,造成算法失效。因此,需要對(duì)參數(shù)d以及矩陣W和H的初始化進(jìn)行確定,以保證算法的可靠性。

由于參數(shù)d表示近似描述原始數(shù)據(jù)的低維空間維度,即原信號(hào)中占絕大部分比重的有效信號(hào),而這與奇異值分解中有效奇異值的個(gè)數(shù)所代表的有用信號(hào)相一致。因此,我們可以采用奇異值分解得到的有用信號(hào)數(shù)目來(lái)確定參數(shù)d,以完整保存有用的信號(hào)。同時(shí),選取奇異值分解中矩陣U和V的前k行(列)作為W和H的初始化矩陣,以達(dá)到快速收斂的目的。

圖1 原信號(hào)

為驗(yàn)證算法的可行性,我們選取一段實(shí)際管道泄漏信號(hào)進(jìn)行去噪,其波形如圖1(a)所示。將直流部分濾除掉,對(duì)應(yīng)的頻譜如圖1(b)所示。從圖1(b)中可以看出,噪聲多分布于低頻部分,與有用信號(hào)頻率重疊,通過(guò)傳統(tǒng)頻域?yàn)V波的方式進(jìn)行降噪無(wú)法得到滿意的效果。

將信號(hào)進(jìn)行直接NMF降噪,分別選擇參數(shù)d為1、2、3,以展示不同參數(shù)d的取值對(duì)NMF算法降噪的影響,同時(shí)設(shè)置迭代超過(guò)100次停止,矩陣W和H為隨機(jī)初始化,降噪結(jié)果如圖2所示。

圖2 NMF處理后的信號(hào)

從圖2可以看出,當(dāng)參數(shù)d取1時(shí),處理后的信號(hào)較為平滑,可以認(rèn)為滿足降噪要求;當(dāng)參數(shù)d取2時(shí),處理后的信號(hào)中仍存在較大的毛刺;而參數(shù)d取3時(shí),處理后的信號(hào)中的毛刺更大,影響壓力下降位置的判斷。在這3次實(shí)驗(yàn)中,迭代次數(shù)均達(dá)到了100次,證明矩陣W和H初始化隨機(jī),造成算法收斂過(guò)慢,運(yùn)算時(shí)間過(guò)長(zhǎng)。

采用SVD-NMF算法進(jìn)行降噪的結(jié)果如圖3所示。結(jié)果表明,處理后的信號(hào)基本上去除了噪聲,波形較為平坦,同時(shí)迭代次數(shù)為3,證明SVD-NMF算法能夠快速收斂,縮短計(jì)算時(shí)間。

圖3 SVD-NMF處理后的信號(hào)

2 基于SVD-NMF和互相關(guān)法的泄漏定位

2.1 管道泄漏定位原理

管道泄漏定位原理圖如圖4所示,在管段兩端分別設(shè)置有兩個(gè)傳感器,當(dāng)管段中間產(chǎn)生泄漏時(shí),泄漏信號(hào)到達(dá)首尾兩端傳感器的時(shí)間差為Δt,設(shè)泄漏信號(hào)的傳播速度為v,兩傳感器間的距離為D,則首端傳感器與泄漏點(diǎn)之間的距離d表示為:

(9)

式中:信號(hào)的傳播速度v可以通過(guò)實(shí)際測(cè)量得到,而傳感器間距D也容易得出,因此上時(shí)間差Δt就成為影響定位精度的關(guān)鍵因素。

確定時(shí)間差Δt的方法是計(jì)算互相關(guān)函數(shù)。對(duì)于兩個(gè)離散信號(hào)x(N)和y(N),兩者的互相關(guān)函數(shù)表達(dá)式為:

(10)

式中:m從 0到N-1變化。

圖4 泄漏原理示意圖

2.2 改進(jìn)的互相關(guān)定位法

對(duì)壓力信號(hào)直接進(jìn)行互相關(guān)算法,其峰值往往會(huì)在時(shí)間延遲為零處。造成這一現(xiàn)象的原因在于信號(hào)的稀疏性差。對(duì)信號(hào)采用加權(quán)殘差算法能夠有效地提高稀疏性,同時(shí)在不改變時(shí)間特征的前提下保留住信號(hào)的壓降特征。加權(quán)殘差算法的數(shù)學(xué)表達(dá)式為:

(11)

(12)式中:α為加權(quán)參數(shù)。從式(14)和(15)可以看出,如果原信號(hào)相對(duì)平穩(wěn),其加權(quán)殘差信號(hào)將一直保持在零附近,當(dāng)原信號(hào)有下降或上升時(shí),其加權(quán)殘差信號(hào)也會(huì)偏離零值下降或上升。因此,加權(quán)殘差算法可以提高信號(hào)的稀疏性,對(duì)后續(xù)進(jìn)行互相關(guān)算法提供幫助。

2.3 SVD-NMF定位方法步驟

通過(guò)對(duì)管道泄漏信號(hào)進(jìn)行奇異值分解的結(jié)果,確定有效奇異值的個(gè)數(shù)初始化NMF的矩陣W和H,實(shí)現(xiàn)管道泄漏的檢測(cè)與定位,其定位方法流程如圖5所示,主要步驟如下:

①分別對(duì)首尾站點(diǎn)的兩泄漏信號(hào)x(k),y(k)進(jìn)行滑動(dòng)窗口截取,得到二維Hankel矩陣X∈Rm×n,Y∈Rm×n;②進(jìn)行奇異值分解,計(jì)算奇異值差分譜,確定有效奇異值個(gè)數(shù)k;③截取奇異值分解矩陣U前k行對(duì)矩陣W進(jìn)行初始化,矩陣V前k列對(duì)矩陣H進(jìn)行初始化,并根據(jù)式(3)、式(4)的迭代規(guī)則進(jìn)行迭代,當(dāng)矩陣W和H的變化小于閾值時(shí),停止迭代,并相乘計(jì)算新矩陣X,重構(gòu)去噪后的新信號(hào)x′(k),y(k);④將NMF算法去噪后的信號(hào)進(jìn)行加權(quán)殘差計(jì)算,得到Δx(k),Δy(k),并判斷最小值的絕對(duì)值是否超過(guò)閾值,如超過(guò)則判定泄漏發(fā)生;⑤對(duì)兩殘差信號(hào)進(jìn)行互相關(guān)計(jì)算,得到時(shí)延數(shù),最后根據(jù)式(9)進(jìn)行定位,檢測(cè)軟件發(fā)出報(bào)警并顯示泄漏點(diǎn)位置。

3 SVD-NMF算法實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證SVD-NMF算法計(jì)算兩信號(hào)時(shí)延的準(zhǔn)確性,對(duì)實(shí)驗(yàn)室搭建的管道泄漏實(shí)驗(yàn)平臺(tái)進(jìn)行檢測(cè)。管道總長(zhǎng)為113 m,兩傳感器間距為93 m,在3個(gè)不同位置安裝閥門來(lái)模擬泄漏,以進(jìn)水端壓力變送器的位置為原點(diǎn),泄漏點(diǎn)1、2、3的位置分別為5.4 m、21.4 m和69.4 m,通過(guò)計(jì)算得到波速為1 120 m/s。整個(gè)實(shí)驗(yàn)系統(tǒng)示意圖如圖6所示。

圖6 泄漏檢測(cè)系統(tǒng)示意圖

當(dāng)1號(hào)泄漏點(diǎn)發(fā)生泄漏時(shí),采集兩端壓力變送器的電信號(hào)其波形如圖7所示,其中采樣率為500 Hz。對(duì)兩信號(hào)直接進(jìn)行加權(quán)殘差和互相關(guān)計(jì)算得到的互相關(guān)譜如圖8所示,可以看出由于信噪比較低,互相關(guān)譜的峰值位置在零點(diǎn)處,無(wú)法得到準(zhǔn)確的時(shí)延數(shù)。

對(duì)兩原始信號(hào)進(jìn)行SVD-NMF降噪處理,得到降噪后的信號(hào)如圖9所示。后對(duì)兩信號(hào)進(jìn)行加權(quán)殘差計(jì)算和互相關(guān)計(jì)算,得到的互相關(guān)譜如圖10所示。對(duì)比圖8和圖10的互相關(guān)譜,SVD-NMF降噪有效地提高了信噪比,得到的時(shí)延數(shù)也更加精確。提取互相關(guān)譜峰值,得到時(shí)延為74 ms,結(jié)合波速、和管道長(zhǎng)度信息得出泄漏位置為5.06 m,與泄漏點(diǎn)1位置5.4 m非常接近。

圖8 含噪互相關(guān)譜

圖9 SVD-NMF算法處理后信號(hào)

圖10 SVD-NMF算法處理后互相關(guān)譜

在1號(hào)～3號(hào)泄漏點(diǎn)分別進(jìn)行五次泄漏實(shí)驗(yàn),定位結(jié)果如表1所示。所示結(jié)果表明,采用SVD-NMF算法對(duì)原信號(hào)進(jìn)行降噪處理,對(duì)于不同位置的泄漏點(diǎn)都能進(jìn)行較為準(zhǔn)確的定位,平均定位誤差為0.80 m。

表1 信號(hào)去噪前后互相關(guān)得到的時(shí)延數(shù) 單位:m

同時(shí),為了對(duì)比SVD-NMF算法與其他算法的降噪效果,采用8級(jí)db02小波對(duì)相同信號(hào)降噪后進(jìn)行定位,并與SVD-NMF定位結(jié)果進(jìn)行對(duì)比,其結(jié)果在表2列出。通過(guò)結(jié)果對(duì)比,可以看出,在信噪比較低的情況下,采用小波降噪互相關(guān)峰值位置在零附近,因此無(wú)法進(jìn)行準(zhǔn)確的定位。而SVD-NMF算法能夠?qū)毫π盘?hào)進(jìn)行降噪并得到更高的定位精度。

表2 SVD-NMF與小波降噪算法的時(shí)延數(shù)對(duì)比 單位:m

4 實(shí)際數(shù)據(jù)采集與處理

對(duì)新疆某管線的壓力數(shù)據(jù)進(jìn)行處理,查詢工作日志,在距出站0.66 km處發(fā)生泄漏。管線長(zhǎng)23.62 km,壓力波傳播速度為1170 m/s,采樣率為20 Hz。對(duì)泄漏時(shí)刻管道兩端站點(diǎn)的壓力信號(hào)提取并處理,其波形如圖11所示。觀察波形可以發(fā)現(xiàn)存在明顯的壓力下降。對(duì)兩信號(hào)直接進(jìn)行加權(quán)殘差計(jì)算和互相關(guān)計(jì)算的結(jié)果如圖12所示。

圖11 含噪原始信號(hào)

圖12 含噪互相關(guān)譜

對(duì)兩信號(hào)進(jìn)行SVD-NMF降噪處理,得到降噪后的信號(hào)如圖13所示。再進(jìn)行加權(quán)殘差計(jì)算和互相關(guān)計(jì)算,得到的互相關(guān)譜如圖14所示?？梢钥闯?由于原信號(hào)的信噪比較高,兩互相關(guān)譜波形差別并不大。但取互相關(guān)峰值位置分別為356和367,根據(jù)式(9)計(jì)算出采用NMF算法前后泄漏定位分別為1.40 km和1.08 km。對(duì)比工作日志的泄漏位置,在采用SVD-NMF算法后,泄漏定位的精度有所提升。

圖13 NMF算法處理后信號(hào)

圖14 NMF算法處理后互相關(guān)譜

對(duì)多條管線的工作日志顯示的發(fā)生泄漏時(shí)的信號(hào)進(jìn)行SVD-NMF算法進(jìn)行定位,其定位誤差與未去噪定位誤差的對(duì)比結(jié)果如表3所示。由表3可以看出,采用SVD-NMF算法后,管道泄漏的定位誤差有所下降。

表3 去噪前后定位誤差比較 單位:km

5 結(jié)語(yǔ)

在管道泄漏檢測(cè)中,由于周邊環(huán)境復(fù)雜,采集的壓力信號(hào)易受到多種噪聲干擾,導(dǎo)致定位精度降低。針對(duì)這一問(wèn)題,本文提出基于SVD-NMF的泄漏信號(hào)增強(qiáng)算法,該算法通過(guò)將奇異值分解與非負(fù)矩陣分解相結(jié)合,提高了算法的穩(wěn)定性和運(yùn)算速度。通過(guò)對(duì)壓力信號(hào)進(jìn)行SVD-NMF處理,去除了噪聲干擾,提高定位精度。實(shí)驗(yàn)證明,該方法能夠有效地對(duì)壓力信號(hào)進(jìn)行去噪,計(jì)算得到的泄漏定位精度更高。

[1] Wang L,Wang J,Gao X,et al. Summary of Detection and Location for Oil and Gas Pipeline Leak[C]//Control and Decision Conference(CCDC),2013 25th Chinese. IEEE,2013:821-826.

[2] 韓玲娟,王強(qiáng),楊其華,等. 基于分布式光纖傳感的水下輸氣管道泄漏檢測(cè)與定位分析[J]. 傳感技術(shù)學(xué)報(bào),2015,28(7):1097-1102.

[3] Zhang Y,Chen S,Li J,et al. Leak Detection Monitoring System of Long Distance Oil Pipeline Based on Dynamic Pressure Transmitter[J]. Measurement,2014,49(1):382-389.

[4] Ge C,Wang G,Ye H. Analysis of the Smallest Detectable Leakage Flow Rate of Negative Pressure Wave-Based Leak Detection Systems for Liquid Pipelines[J]. Computers and Chemical Engineering,2008,32(8):1669-1680.

[5] 郭晨城,文玉梅,李平,等. 采用EMD的管道泄漏聲信號(hào)增強(qiáng)[J]. 儀器儀表學(xué)報(bào),2015,36(6):1397-1405.

[6] 路煒,文玉梅. 供水管道泄漏定位中基于互譜的時(shí)延估計(jì)[J]. 儀器儀表學(xué)報(bào),2007,28(3):504-509.

[7] 文玉梅,謝仁峰,楊進(jìn),等. 管道泄漏檢測(cè)中的噪聲自適應(yīng)抑制[J]. 儀器儀表學(xué)報(bào),2012,33(10):2228-2233.

[8] 趙利強(qiáng),王建林,于濤. 基于改進(jìn)EMD的輸油管道泄漏信號(hào)特征提取方法研究[J]. 儀器儀表學(xué)報(bào),2013,34(12):2696-2702.

[9] 文玉梅,由原,楊進(jìn),等. 固定干擾源存在下的管道泄漏檢測(cè)和準(zhǔn)確定位[J]. 聲學(xué)學(xué)報(bào),2013,38(1):80-84.

[10] Sun J,Xiao Q,Wen J,et al. Natural Gas Pipeline Small Leakage Feature Extraction and Recognition Based on LMD Envelope Spectrum Entropy and SVM[J]. Measurement,2014,55(9):434-443.

[11] Ostapkowicz P. Leakage Detection from Liquid Transmission Pipelines Using Improved Pressure Wave Technique[J]. Eksploatacja I Niezawodno,2014,16(1):9-16.

[12] Mostafapour A,Davoodi S. Continuous Leakage Location in Noisy Environment Using Modal and Wavelet Analysis with One AE Sensor[J]. Ultrasonics,2015,62:305-311.

[13] Yu X,Liang W,Zhang L,et al. Dual-Tree Complex Wavelet Transform and SVD Based Acoustic Noise Reduction and Its Application in Leak Detection for Natural Gas Pipeline[J]. Mechanical Systems and Signal Processing,2015,72/73:266-285.

[14] Lee D D,Seung H S. Learning the Parts of Objects by Non-Negative Matrix Factorization[J]. Nature,1999,401(6755):788-791.

[15] Shon S,Mun S,Han D,et al. Non-Negative Matrix Factorization-Based Subband Decomposition for Acoustic Source Localization[J]. Electronics Letters,2015,51(22):1723-1724.

[16] Ozerov A,Févotte C. Multichannel Nonnegative Matrix Factorization in Convolutive Mixtures for Audio Source Separation[J]. IEEE Transactions on Audio Speech and Language Processing,2010,18(3):550-563.

[17] 劉中健,趙知?jiǎng)?尚俊娜. 快速NMF盲源分離算法[J]. 信號(hào)處理,2014,30(6):699-705.

[18] 胡永剛,張雄偉,鄒霞,等. 改進(jìn)的非負(fù)矩陣分解語(yǔ)音增強(qiáng)算法[J]. 信號(hào)處理,2015,31(9):1117-1123.

[19] 王帆,楊雅偉,譚帥,等. 基于稀疏性非負(fù)矩陣分解的故障監(jiān)測(cè)方法[J]. 化工學(xué)報(bào),2015,66(5):1798-1805.

[20] 任建新,邊琦,張鵬,等. 一種基于SVD和改進(jìn)自適應(yīng)算法的科氏流量計(jì)氣體信號(hào)頻率解算方法[J]. 傳感技術(shù)學(xué)報(bào),2013,26(10):1405-1408.

[21] 查翔,倪世宏,張鵬. 一類非線性信號(hào)去噪的奇異值分解有效迭代方法[J]. 電子與信息學(xué)報(bào),2015,37(6):1330-1335.

[22] Zhao X,Ye B. Selection of Effective Singular Values Using Difference Spectrum and Its Application to Fault Diagnosis of Headstock[J]. Mechanical Systems and Signal Processing,2011,25(5):1617-1631.

[23] Hoyer P O. Non-Negative Matrix Factorization with Sparseness Constraints[J]. Journal of Machine Learning Research,2004,5(Nov):1457-1469.

SVD-NMF Based Denoising Algorithm for Pipeline Leak Signal

XIAONan,LIJian*,XIAOQiyang

(State Key Laboratory of Precision Measuring Technology and Instruments,Tianjin University,Tianjin 300072,China)

In the pipeline leak detection,noise in pressure signals decrease the location accuracy of traditional cross-correlation method. The traditional denoising algorithm cannot adapt to environment,and the effect is not good. Therefore,a denoising algorithm for pipeline leakage signal based on nonnegative matrix factorization(NMF)combined with singular value decomposition(SVD)is proposed. The leak signals are decomposed by singular value decomposition to determine the NMF’s order and initialize the matrix. The improved NMF algorithm is adopted to factorize the original signals and denoised signals are obtained. The time delay is calculated by cross-correlation method,and the leak location is accomplished with the combination of the stress wave velocity. Experimental results show that the SVD-NMF algorithm can reduce the number of iterations and enhance the speed of denoising significantly. In the application of leak detection,the algorithm can remove noise and improve the location accuracy.

pipeline leak location;NMF;SVD;cross-correlation;negative pressure wave

肖 楠(1992-),男,天津大學(xué)精密儀器與光電子工程學(xué)院碩士研究生,研究領(lǐng)域:振動(dòng)信號(hào)檢測(cè)和處理方法,xi-aonan430@tju.edu.cn;李 健(1973-),男,天津大學(xué)精密儀器與光電子工程學(xué)院教授,研究領(lǐng)域:管道安全檢測(cè)、無(wú)損檢測(cè),tjupipe@tju.edu.cn; 肖啟陽(yáng)(1989-),男,天津大學(xué)精密儀器與光電子工程學(xué)院博士研究生,研究領(lǐng)域:振動(dòng)信號(hào)處理,機(jī)械故障診斷與識(shí)別,yisuoyanyu058@126.com。

2016-06-23 修改日期:2016-09-07

TN911.72

A

1004-1699(2017)01-0101-08

C:7220

10.3969/j.issn.1004-1699.2017.01.019