基于盲源分離技術的泄漏音波信號濾波方法分析

劉光曉，孟令雅，劉翠偉，錢昊鋮，李玉星

（1.中國石油大學（華東）儲建學院，青島 266555；2.中國石油大學（華東）信息控制學院，青島 266555）

基于盲源分離技術的泄漏音波信號濾波方法分析

劉光曉1，孟令雅2，劉翠偉1，錢昊鋮1，李玉星1

（1.中國石油大學（華東）儲建學院，青島 266555；2.中國石油大學（華東）信息控制學院，青島 266555）

音波法泄漏檢測技術用于輸氣管道泄漏檢測具有靈敏度高、實時性強、定位精度高等優點，但是現階段受困于信號濾波技術，難以在實際工程中推廣應用。總結了現階段主要的時頻域濾波方法，重點介紹具有代表性的小波濾波和維納濾波的濾波原理，利用實驗室采集的泄漏音波信號驗證了兩種濾波方法的實際濾波效果。并且討論了基于時域和頻域濾波方法的不足，分析了針對某些工況，濾波方法不能取得良好濾波方法的原因。在此基礎上，引入了近年來發展迅速的盲源分離技術，闡述盲源分離的原理，通過分離構造信號說明了盲源分離技術具有更好的適用性和更好的濾波效果，最后利用實驗室采集的泄漏音波信號進行了實際分離，表明盲源分離技術具有實際的應用價值。

音波法泄漏檢測技術；小波濾波；維納濾波；盲源分離

近年來，我國天然氣需求量與日俱增，天然氣輸送管道得到迅猛發展。由于腐蝕以及人為破壞等因素，天然氣泄漏時有發生，不僅造成了經濟損失，而且帶來巨大的安全隱患。天然氣管道的泄漏檢測可以有效保證天然氣管線的正常安全運行，及時辨識泄漏工況并且進行泄漏點定位。

在各種管道泄漏檢測方法中，音波泄漏檢測法具有靈敏度高、實時性強、定位精度高、適應性強等優點［1］。音波法是利用管內流體的壓力脈動進行管道的泄漏檢測：當管線發生泄漏時，管內氣體高速噴出，在泄漏孔附近產生強烈的渦旋脈動，同時由于泄漏孔處氣體體積的減小，壓力下降，管內氣體依次向泄漏點處補充，表現為壓力降以泄漏點為中心，以聲速沿管線向兩側傳播，安裝于管線不同位置處的傳感器采集接收泄漏音波信號，根據泄漏特征量進行泄漏判斷，根據不同傳感器接收到泄漏信號的時間差進行泄漏定位［2－3］。音波法與負壓波法最大的不同在于，負壓波法測量量是管內壓力的絕對值［4］，音波法測量量為管內壓力的波動值。但是現階段，音波法泄漏檢測技術并沒有在實際工程中得到大規模的應用，其中一個重要瓶頸便是對采集信號的濾波環節。泄漏音波信號在管道內傳播過程中會受到各種噪聲干擾，導致傳感器接收到的泄漏音波信號的信噪比較低，造成系統誤報率和漏報率較高。

現階段的論文文獻較少的涉及泄漏音波信號的濾波環節，更多是針對某一種濾波方法的應用，沒有各種濾波方法的對比，缺乏對濾波方法的適用性分析。本文以信號濾波為出發點，總結適合于泄漏音波信號的濾波方法，分析各種濾波方法的優缺點，并且提出了基于盲源分離技術的濾波方法，重點分析了該技術用于輸氣管道泄漏音波信號降噪的可行性。

1 試驗裝置

為真實模擬天然氣管線發生泄漏，采集泄漏音波信號，我們在實驗室搭建了音波法泄漏檢測試驗裝置。試驗環道全長251 m，管徑為φ14×2mm，設計最高壓力8 MPa，由壓縮機進行供氣，設計流量60 m3/h。實驗環道沿線共設置三個泄漏點，分別據測試起點40.34 m、88.33 m和149.02 m，管線泄漏通過球閥與帶泄漏孔板的法蘭控制完成。開啟球閥，模擬泄漏發生，通過更換不同開孔孔徑的泄漏孔板，實現對泄漏孔徑的控制。在管線起終點以及三個泄漏點處分別安裝音波傳感器，采集泄漏音波信號。試驗裝置流程圖如圖1所示。

圖1 音波法泄漏檢測裝置流程圖Fig.1 The flow diagram of acoustic leak detection device

泄漏音波信號是非平穩的微弱信號，幅值能量在低頻范圍內占優，尤其集中在次聲波頻段。傳感器采集到信號必然包含整個頻域范圍內的噪聲，對泄漏信號產生干擾。實驗室數據采集系統的設計充分考慮了這一因素：傳感器選用動態壓力傳感器，型號為PCB公司的M106B，傳感器性能參數優良，具有測量次聲波的能力，內部耦合有電荷放大器，將測量信號進行放大后輸出，輸出數據經屏蔽線進行傳輸，排除外界環境干擾。傳感器輸出信號進行A/D轉換之前，首先經過信號硬件濾波，濾除高頻噪聲的干擾。模數轉換單元選用美國NI公司的PCI－4474型動態數據采集卡，四通道同步采樣，采樣頻率102.4 kS/s，分辨率為24 bits，最后利用計算機進行數據存儲與后期處理。

利用試驗裝置進行試驗，在2 MPa運行壓力、0.45 mm泄漏孔徑條件下，泄漏點1發生泄漏時的泄漏音波信號如圖2所示。

圖2 2 MPa壓力0.45 mm泄漏孔徑泄漏音波信號Fig 2 Leaky acoustic wave of2 MPa and 0.45 mm leakage aperture

圖2（a）為傳感器1采集得到的泄漏音波信號，傳感器1在泄漏點1下游10 cm處，泄漏信號一經產生，便被傳感器接收，圖2（b）為布設在終點處的傳感器5采集得到的泄漏音波信號，此時泄漏音波信號在管內經過了長距離的傳播。

從圖2可以看出，當管線發生泄漏時，動態壓力信號出現一個明顯的下降沿，信號幅值遠遠大于穩定運行時的信號幅值，泄漏下降沿包含了管線泄漏發生工況以及發生時刻，是泄漏判斷的重要特征。但是泄漏音波信號在傳播過程中存在衰減，下降沿幅值減小，同時管線運行過程中存在閥門、變徑管等結構不連續部件，流體流經時產生流動噪聲，加之外部環境噪聲干擾，使得泄漏特征被掩蓋，如圖2（b），此時泄漏下降沿幅值有了很大程度的縮小，并且穩定時的音波信號幅值波動增大，泄漏幅值與穩定幅值比值減小，容易造成誤報和漏報。因此，在實際應用中，需要對音波信號進行濾波處理，濾波效果直接關系到泄漏判斷的準確性。

2 濾波方法

現階段比較通用的濾波方法按照原理分類，可以分為時域濾波方法和頻率濾波方法兩大類。

2.1 時頻域濾波方法

工程中經常使用的頻域濾波方法有小波濾波、傅里葉變換濾波、FIR濾波器濾波以及IIR濾波器濾波等。各頻域濾波方法的原理基本相同，均是在頻域空間內完成濾波過程，假設噪聲信號與理想信號占據不同的頻段，保留理想信號頻段內的信息，將噪聲信號頻段內信號幅值歸零或者通過選擇閾值進行閾值處理，隨后進行信號重構，恢復時域波形。

在眾多的頻域濾波方法中，小波濾波同時具有尺度和偏移兩個可調變量，它的突出優點為在高頻范圍內具有較高的時間分辨率，在低頻范圍內具有較高的頻率分辨率。這一優點使得小波濾波相比其它濾波方法往往具有更好的濾波效果［5－6］。一般認為，噪聲信號集中在高頻子帶，期望信號集中在低頻子帶，選擇適當的分解層數和去噪閾值，即可達到去除噪聲的目的。因此，本文以小波濾波為例，研究小波方法的實際濾波效果。

對圖2（b）中的泄漏音波信號進行小波濾波處理，濾波后的信號如圖3（a）所示，從圖中可以看出，濾波后的信號噪聲有顯著降低，表現為管線穩定運行時，音波信號幅值波動減小，管線發生泄漏時，泄漏下降沿受干擾減小，泄漏發生時刻得到突顯。

時域濾波方法是在時域空間內對信號進行噪聲濾除，不涉及信號的頻域空間。最常使用的時域濾波方法有維納濾波和中值濾波等。維納濾波屬于一種自適應濾波器，以誤差均方根最小為濾波原則，最優維納濾波器滿足維納－霍夫（Wiener-Hopf）方程式［5］，求解方程便可得到最優濾波器系數。

將圖2（a）所示信號作為期望輸出，對圖2（b）所示的信號進行濾波處理，濾波結果如圖3（b）所示。濾波后信號與原始信號相比，噪聲信號變的稀疏，雖然噪聲信號在幅值上沒有太明顯的減小，但是泄漏下降沿得到顯著的突出，泄漏下降幅值增大，泄漏發生時刻變得清晰易辨識。

2.2 時頻域濾波方法的不足

對比圖2（a），濾波后的信號（圖（3））并不能完全消除噪聲干擾，恢復信號原始波形。在干擾較大的情況下，時頻域濾波方法往往不能取得理想的濾波效果，以下對兩組構造信號進行實際濾波，以實際效果說明濾波方法的局限性。

采樣頻率設為3 000 Hz，采集2 MPa運行壓力、0.8 mm泄漏孔徑條件下管線發生泄漏的泄漏音波信號，為排除噪聲信號干擾，明確濾波目標，采用多項式擬合，擬合結果如圖4所示。

圖3 小波濾波與維納濾波圖Fig.3 Chart of wavelet filtering and Winner filtering

圖4 擬合泄漏音波信號時域和頻域特征曲線Fig.4 Characteristic curve of fitting leaky acoustic wave

圖5 兩種噪聲信號時域波形Fig.5Waveform of two noise signals

對擬合泄漏音波信號與真實泄漏音波信號進行FFT變換，得到信號的頻域幅值分布，從圖4（b）中可以看出，兩者幅頻曲線變化規律一致，能量主要集中在低頻范圍內，尤其是0～20Hz頻域范圍內信號能量占優，由于噪聲干擾的影響，真實泄漏音波信號頻域內幅值存在波動。

擬合信號的時域波形和頻域信號能量分布均與真實泄漏音波信號波形相似，具有可比擬性。

在擬合泄漏音波信號基礎上分別添加如圖5所示的具有相同均值和方差的（a）和（b）兩種噪聲信號：

對比噪聲信號a和b的時域波形，兩者均有較大的突刺，并且集中分布在零值附近，時域波形比較均勻，除去波形突刺幅值上稍有不同外，兩者的時域波形沒有顯著的區別。將a和b兩種噪聲信號進行頻率轉化，頻域分布如圖6所示。

從兩者的頻域曲線可以看出，噪聲信號a主要是由0～100 Hz頻率范圍內的正弦波形疊加而成，噪聲信號b主要是由100～200 Hz頻率范圍內的正弦信號疊加而成。噪聲信號a幅值頻率段分布與擬合泄漏音波信號能量集中頻段重疊，而噪聲信號b的幅值頻率段錯開了擬合泄漏音波信號幅值能量集中的頻段。

在擬合泄漏音波信號基礎上添加噪聲信號a與b，噪聲添加完成后，信號波形如圖7所示。添加噪聲后的泄漏信號波形下降沿受到極大干擾，泄漏發生時刻不能夠清晰辨認，泄漏定位存在較大誤差，同時下降沿的幅值與穩定時的音波信號幅值比值減小，泄漏特征不夠突出，造成泄漏判斷困難，易導致泄漏誤報率和漏報率增大。

使用維納濾波器進行濾波處理時，需要預先得知濾波器期望輸出，所需的先驗知識較多。在沒有過多先驗知識的情況下，以維納濾波為代表的時域濾波方法失去效用，并且時域濾波方法只是簡單地對波形進行處理，缺乏理論上的去噪依據，具有一定的盲目性。

利用小波濾波方法分別對加噪信號a和信號b進行濾波處理，濾波后的波形如圖8所示。

加噪信號a濾波前后時域波形沒有顯著的變化，真實信號依然被噪聲信號覆蓋，信號b的濾波效果較好，可以分辨出真實波形，但是依然存在較多的突刺干擾。從小波濾波的原理可以看出，小波法對信號的識別是在子帶與子帶之間，對同一個子帶內信號無法進行差別處理。當噪聲信號與真實信號占據相同頻段時，無論分解層數為多少，兩者總是占據相同的子帶，此時，小波方法失去作用。并且即使噪聲信號與真實信號占據不同的子帶，也無法使選擇的閾值完全將高頻噪聲信號剔除，閾值適當減小，高頻噪聲去除效果增強，但是過小的閾值往往造成重構信號波形連續性變差，因此，噪聲信號總會或多或少地影響到低頻的真實信號。

圖6 兩種噪聲信號幅頻曲線Fig.6 Amplitude-frequency curve of two noise signal

圖7 添加噪聲后的擬合泄漏音波信號Fig.7 Fitting leaky acoustic wave added with noise

圖8 小波濾波后信號波形Fig.8 Waveforms after wavelet filtering

實際天然氣長輸管線沿途地形環境多樣，管道結構復雜，閥門、彎管和變徑管較多，環境噪聲和氣體流動噪聲比實驗室環境大得多。同時，又存在壓縮機啟停、輸氣量調節、管線分輸等操作，對泄漏音波信號干擾較大。干擾信號的頻域分布較寬，并且低頻段信號衰減較小，可以傳播較遠的距離，容易被音波傳感器接收，產生干擾，這些都對濾波方法提出了更高的要求。雖然時頻域濾波方法均具有一定的濾波效果，但是出于自身濾波原理的限制，各種方法所能提高的信噪比有限，在實際應用中不能夠滿足要求。需要尋找新的方法來彌補這一缺陷。

3 盲源分離技術

盲源分離是指從多個觀測信號中提取出無法直接觀測的未知原始信號。盲源分離技術是基于源信號的統計獨立性，分離原理與時頻域濾波方法不同，可以為泄漏音波信號的濾波提供一個新的途徑。盲源分離技術中的“盲”體現在源信號未知和源信號混合過程未知，該技術所需先驗知識少，適應性強［7］。圖9為盲源分離技術的原理圖［8］。

圖9 盲源分離技術原理圖Fig.9 Flow chart of blind source separation technology

圖中，S1（k）至Sn（k）為n個源信號，A為混合矩陣，x（k）為混合信號，x（k）＝A S（k）＋v（k），v（k）為噪聲信號，其中信號源Si（k）未知，混合矩陣A未知，僅有傳感器采集到的混合后的信號x（k）。在噪聲強度較小的情況下，v（k）可忽略不計，更為一般的情況，噪聲信號也可以當作S（k）中的一個信號源進行處理。Q為白化矩陣，W為解混矩陣，yi（k）為分離出的信號，y（k）＝WQ x（k）＝WQAS（k），是對源信號Si（k）的估計。信號白化即將信號x（k）的各分量（對應各傳感器采集到的信號）轉換為具有單位方差并且互不相關的矩陣，對應的變換矩陣即為白化矩陣，信號經過白化后會顯著降低分離過程中的計算量，信號白化方法簡單多樣，最常用的有PCA與奇異值分解。盲源分離的關鍵是求解解混矩陣W，解混矩陣求解得準確，才能保證分離出的各成分yi（k）接近于源信號Si（k）。

求解W，即盲源分離的算法有很多，現階段，獨立成分分析（Independent Component Analysis，ICA）方法使用最為廣泛，已經在多個領域得到應用并取得良好的信號分離效果，ICA方法是近年來興起的一種算法，是在之前PCA、因子分析法以及冗余消除法等其他盲源分離算法基礎上提出的新算法。獨立成分分析是從多元數據中尋找其內在具有統計獨立和非高斯成分的一種盲源分離算法。ICA算法建立在源信號統計獨立基礎上，將一組隨機變量表示為幾個統計獨立變量的線性組合。

ICA分離中假設的約束條件為：

（1）源信號Si（k）均是零均值的隨機變量，變量之間始終保持相互獨立；

（2）源信號的數目不大于觀測信號數目；

（3）源信號中只允許一個信號滿足高斯分布。

此外，由于混合矩陣A的不確定性，導致分離出的各獨立分量yi（k）無法恢復源信號Si（k）的真實幅值，一般情況下約定各源信號具有單位方差。

在數學上，兩個變量x與y獨立時，概率密度函數滿足：

利用ICA方法進行盲源分離的過程實質是一種對矩陣W的尋優過程，需要建立一個包含W的目標函數，將求解W轉化為求解函數的極值。概率密度函數（1）提供了最直接的目標函數，但是一般情況下概率密度函數未知，估計起來比較困難，通常利用信息論和統計論的知識，以獨立性為基礎將概率密度函數映射為高階統計量函數。現階段主要使用的目標函數判據有以下五種：最大非高斯性、非線性相關性、高階統計量、負熵和互信息，各類目標函數均包含信號的高階統計量，建立目標函數后，采用隨機梯度法或者自然梯度法進行迭代求解［9－12］。

在盲源分離技術的實際應用中，芬蘭阿爾托大學的學者提出了快速獨立成分分析（FastICA）算法，此算法基于非高斯性最大化原理，采用牛頓迭代法對觀測變量的大量采樣點進行批處理，以最大化負熵作為目標函數，每次從觀測信號中分離出一個獨立成分。FastICA較普通的ICA算法，有以下優點：

（1）收斂速度快，普通ICA算法是線性收斂，FastICA收斂速度是三次收斂；

（2）FastICA不需要選擇步長參數，更易使用；

（3）FastICA算法可以通過一個合適的非線性函數g分離出任何非高斯分布的獨立分量，常使用的非線性函數為：其中：1≤a1≤2，一般情況下取值1，G1適合于亞高斯信號和超高斯信號并存的情況，G2適合分離超高斯信號，G3適合分離亞高斯混合信號；

（4）獨立成分是被逐個分出，可以根據實際情況，人為控制分離獨立變量的個數；

FastICA算法推動了盲源分離技術的實際應用，簡化了計算過程，減小了計算量。本文將利用FastICA算法對泄漏音波信號進行分離［13－15］。

結合ICA技術與音波法泄漏檢測技術的原理，分析盲源分離技術在理論上對泄漏音波信號進行分離濾波的適用性。

當天然氣管道發生泄漏時，管內氣體瞬間釋放，在泄漏孔附近的管內流體中形成強烈的渦旋，渦旋構成了泄漏聲源；環境噪聲由環境中的車輛等其它發聲體組成；流動噪聲由彎管、變徑管和閥門等結構不連續部件處產生，各自形成流動噪聲聲源。由此可見，被傳感器接收到的各類聲源信號在空間上是分散的，彼此之間沒有聯系，各信號聲源之間是相互獨立的，并且自然聲源產生的信號不可能完全滿足高斯分布，雖然各源信號均不滿足零均值，但是只需進行簡單的去均值處理即可，去均值處理不會對泄漏判斷產生影響。滿足（1）和（3）兩個約束條件。

利用盲源分離技術進行信號分離時，一個最為重要的問題是泄漏聲源的數目不確定。在管內流場中，存在渦旋處即可認為是一個聲源，長輸管線結構發雜，聲源數目眾多。但是，實際真正能夠對泄漏音波信號產生干擾的強烈聲源數目并不多，并且泄漏音波信號會被長輸管線上的多個傳感器接收，可以滿足第（2）條約束條件。

利用圖7中源信號數目和組成明確的加噪信號a進行盲源分離，觀測分離后的信號實際效果，如圖10所示。

從圖可以看出，對于固定聲源組成的信號，利用FastICA算法分離出的泄漏音波信號完全恢復了源信號的波形，只是在波形幅值上有所不同，這是由于信號源分離時零均值和單位方差的約束條件所致。盲源分離技術解決了小波濾波不能解決的問題，取得了良好的分離效果。

對加噪信號b進行分離，并計算分離后信號的信噪比和均方根誤差，比較兩者的濾波效果。加噪信號b進行盲源分離后的結果如圖11所示。

由于泄漏信號源相同，對加噪信號a和b分離出來的泄漏音波信號基本相同，計算得出，小波濾波后的信號信噪比為18.219，均方根誤差為0.032 1，利用FastICA分離得到的泄漏音波信號的信噪比為73.5，均方根誤差為5.52×e－5，盲源分離取得濾波效果要遠遠優于小波濾波。

圖10 加噪信號（a）分離得到的源信號Fig.10 Source signals of separating signal（a）

圖11 加噪信號b盲源分離得到的源信號Fig 11 Source signals of separating signal（b）

由此可以看出，盲源分離技術不但適用于泄漏音波信號的分離，而且會取得比較理想的分離濾波效果。利用FastICA算法對實驗室實際采集得到的泄漏音波信號進行濾波分離處理，從之前的分析可知，分離的源信號數目越多，越接近實際工況，分離效果越好，但是受限于實驗室傳感器的數目，分離得到源信號的數目最多為四個。在此基礎上，觀察實際分離效果。

圖12（a）為在2 MPa運行壓力、0.45 mm泄漏孔徑條件下，泄漏點1發生泄漏時四個傳感器接收到的泄漏音波信號。傳感器1、2、3、4在泄漏點下游沿管線依次布設，泄漏音波信號經過不同的傳播距離后被各傳感器接收。隨著傳播距離的增大，泄漏下降沿幅值減小，信號毛刺增多，泄漏特征逐漸淡化。其中，傳感器1所接收的泄漏音波信號沒有經過傳播，一經產生便被迅速接收，傳感器1接收到的信號可以認為是單純的泄漏聲源產生的信號。當盲源分離后的泄漏音波信號與傳感器1接收的信號波形相近，并且較傳感器2、3、4的波形有明顯提升時，便可判定取得良好的分離濾波效果。

圖12（b）為分離出的四個相互獨立的信號，信號1為泄漏音波信號，信號2為環境噪聲信號，為近似的高斯白噪聲，信號3和信號4為流動噪聲，為泄漏音波信號在泄漏點附近結構不連續處發生折射和反射。

對比信號1與傳感器1接收到的泄漏音波信號，兩者在波形上基本保持一致，分離信號1中保留有一小部分噪聲信號，表現為在零線處信號有小幅值的波動。在泄漏下降沿幅值上較傳感器2和3接收到的信號均有較大幅度的提升。分離出的音波信號1對泄漏特征有著非常明顯的突出作用。分離結果表明盲源分離得到的源信號可以反映泄漏音波信號源的特征，利用源信號1進行泄漏判斷，可有效降低誤報率。

由此可以看出，盲源分離技術在泄漏音波信號濾波領域可以取得較好的分離效果，在四個獨立聲源的前提下，分離出的泄漏音波信號可以很好地突顯泄漏音波特征。

圖12 實驗室泄漏音波信號分離得到的源信號Fig.12 Source signals of separating experimental leaky acoustic wave

4 結 論

本文主要分析了時頻域中具有代表性的小波濾波、維納濾波以及盲源分離技術對泄漏音波信號的降噪效果，研究得出以下結論：

（1）小波濾波和維納濾波對泄漏音波泄漏均具有一定的濾波效果；

（2）以維納濾波為代表的時域濾波方法所需先驗知識較多，濾波原理不夠清晰，使用限制較多；以小波濾波為代表的頻域濾波方法較時域濾波方法具有更好的濾波效果，濾波原理更加清晰，但當噪聲信號與泄漏音波信號頻帶重疊時，頻率濾波效果失去作用；

（3）盲源分離技術適用于泄漏音波信號的濾波降噪，可以分離小波濾波無法濾除的干擾噪聲，并且達到較高的信噪比。盲源分離技術的關鍵是合理選擇分離獨立信號源的個數，在四個分離信號源條件下，對實驗室泄漏音波信號取得了較好的分離效果。長輸天然氣管道布置的傳感器數目遠遠多于實驗室環道，只要傳感器間距選取合適，便可使足夠數目的傳感器接收到泄漏音波信號，滿足盲源分離技術使用條件。

［1］劉翠偉，李玉星，王武昌，等.輸氣管道聲波法泄漏檢測技術的理論與實驗研究［J］.聲學學報，2013，38（3）：372－381.LIU Cui-wei，LI Yu-xing，WANG Wu-chang，et al.Theoretical study and experimental study on leak detection for natural gas pipelines based on acoustic method［J］.ACTA Acoustic，2013，38（3）：372－381.

［2］楊理踐，景曉斐.輸氣管道音波泄漏檢測技術的研究［J］.沈陽工業大學學報，2007，29（1）：70－73.

YANG Li-jian，JING Xiao-fei.Research on acoustic leak detection technology in natural gas pipeline［J］.Journal of Shenyang University of Technology，2007，29（1）：70－73.

［3］劉翠偉，李玉星，王武昌，等.輸氣管道泄漏音波產生機理研究［J］.振動與沖擊，2013，32（7）：17－23.

LIU Cui-wei，LI Yu-xing，WANG Wu-chang，et al.Leakacoustics generationmechanism for natural gas pipelines［J］.Journal of Vibration and Shock，2013，32（7）：17－23.

［4］劉恩斌，李長俊.應用負壓波法檢測輸油管道的泄漏事故［J］.哈爾濱工業大學學報，2009，41（11）：285－287.

LIU En-bin，LIChang-jun.Leakage detection for oil pipeline based on negative pressure wave theory［J］.Journal of Harbin Institute of Technology，2009，41（11）：285－287.

［5］楊建國.小波分析及其工程應用［M］.北京：機械工業出版社，2005.

［6］王海生，葉昊.基于小波分析的輸油管道泄漏檢測［J］.信息與控制，2002，31（5）：456－460.

WANG Hai-sheng，YE Hao.Oil pipeline leakage detection based on wavelet algorithm［J］.Information and Control，2002，31（5）：456－460.

［7］陳乃金，周明爭.一種新的維納濾波圖像去高斯噪聲算法［J］.計算機系統應用，2010，19（3）：111－114.

CHEN Nai-jin，ZHOU Ming-zheng.A new image gaussian denoising algorithm based on wiener filtering［J］.Computer Systems Application，2010，19（3）：111－114.

［8］張發啟.盲信號處理及應用［M］.西安：西安電子科技大學出版社，2006

［9］胥永剛，張發啟，何正嘉.獨立分量分析及其在故障診斷中的應用［J］.振動與沖擊，2004，23（2）：104－107.

XU Yong-gang，ZHANG Fa-qi，HE Zheng-jia.Independent component analysis and its applications to fault diagnosis［J］.Journal of Vibration and Shock，2004，23（2）：104－107.

［10］吳軍彪，陳進，伍星.基于盲源分離技術的故障特征信號分離方法［J］.機械強度，2002，24（4）：485－488.

WU Jun-biao，CHEN Jin，WU Xing.Using blind source separation to recover themechanical fault feature［J］.Journal of Mechanical Strength，2002，24（4）：485－488.

［11］Jutten C，Herault J.Blind separation，PartⅠ：an adaptive algorithm based on neuromimetic［J］.Signal Processing，1991，25（1）：1－10.

［12］Babji S，Trangirala A K.Source separation in systems with correlated sources using NMF［J］.Pattern Analysis and Machine Intelligence，2010，28（3）：403－415.

［13］路亮，龍源，鐘明壽，等.FastICA算法在低信噪比爆破振動信號信噪分離中的應用研究［J］.振動與沖擊，2012，31（17）：33－37.

LU Liang，LONG Yuan，ZHONG Ming-shou，et al.Separating noise from a blasting vibration signal based on FastICA［J］.Journal of Vibration and Shock，2012，31（17）：33－37.

［14］劉婷婷，任興民，康召輝.FastICA算法在機械振動信號分離中的應用［J］.西安工業大學學報，2008，28（1）：27－31.

LIU Ting-ting，REN Xing-min，KANG Zhao-hui.FastICA atithmetic applied in seperation ofmachine vibration signals［J］.Journal of Xi'an Technology University，2008，28（1）：27－31.

［15］鐘靜，傅彥.基于快速ICA的混合語音信號分離［J］.計算機應用，2006，26（5）：1120－1124.

ZHONG Jing，FU Yan.Separation of mixed speeches based on FastICA algorithm［J］.Computer Application，2006，26（5）：1120－1124.

Filtering methods of leaky acoustic wave signals based on blind source separation technique

LIU Guang-xiao1，MENG Ling-ya2，LIU Cui-wei1，QIAN Hao-cheng1，LIYu-xing1
（1.College of Pipeline and Civil Engineering，China University of Petroleum（East China），Qingdao 266555，China；
2.College of Information and Control Engineering，China University of Petroleum（East China），Qingdao 266555，China）

In the natural gas pipeline leak detection field，acoustic leak detection technology has advantages of high sensitivity，strong real-time and high accuracy of leakage location.Such a technique is difficulty to be used widely due to no good signal filtering techniques.To solve the problem，themain filteringmethods in time and frequency domainswere summarized，the typical methods of wavelet and Wiener filtering were chosen，the principles of the two methods were listed，the actual filtering effects were studied.These filtering methods could not attain satisfying effects under some situations，the reasons were analyzed and the shortcomings of filtering methods were discussed.A rapidly developing method the blind source separation technique，was introduced，the principles of signal separation were presented.By separating structured signals，the blind source separation technique was proved to have better applicability and filtering effect.The separating results of leaky acoustic wave signals collected in Labs indicated that this technique is valuable for practical applications.

acoustic leak detection technology；wavelet filtering；Wiener filtering；blind source separation

TE83；TU112.3

A

10.13465/j.cnki.jvs.2014.24.032

國家自然科學基金（51074175，51104175）

2013－08－26 修改稿收到日期：2013－12－19

劉光曉男，碩士生，1988年生

孟令雅男，博士，副教授，1973年生