一种无线声波采集仪及数据采集方法与流程

1.本发明涉及采集仪设备领域，特别涉及一种无线声波采集仪及数据采集方法。


背景技术：

2.阀门在流体系统中是用来控制流体方向、压力及流量的装置，阀门使管道或设备内的介质流动、停止并控制其流量。阀门的密封性能是指阀门各密封部位阻止介质泄漏的能力，是阀门最重要的技术性能指标之一。阀门泄漏分为两种，即外部泄漏和内部泄漏。在大多数情况下，外部泄漏所造成的后果，往往比内部泄漏更加严重。在工业生产中，阀门的外漏不但造成原材料及能源的浪费，还会直接污染环境，甚至引起火灾、爆炸、中毒等危害生命安全的重大事故，给国民经济造成严重损失。阀门外漏常见于阀体、阀杆、填料函与阀体的连接部位。阀门关闭不严形成的泄漏为内漏，常发生在阀座密封面。
3.在现有技术中，对阀门泄漏检测的技术方法主要有以下几种方式：
4.1)对于气体介质阀门，可以人工在阀门密封处喷检漏液，观察是否有气泡冒出，判断阀门外漏状况；对于液体介质阀门，通过人工视觉观察判断阀门外漏状况。
5.2)对于气体介质或易气化液体的阀门，可使用便携式的专用气体探测器，检测介质泄漏到空气中的含量，以判断阀门外漏状况。
6.3)对于带压气体介质的阀门，使用超声波探测仪检测气体在泄漏到环境过程中产生的超声波信号，以判断阀门外漏状况。
7.现有技术方法中主要存在以下几个问题：
8.1)采用检漏液和气体探测器检测方式，通常只在设备安装初期进行检测，不会定期主动的进行阀门外漏复查，通常是外漏已经能被人明显发现或引起不利后果后，才会被检测和修复。
9.2)阀门早期的泄漏很难被发现，现有检测手段在实时性和检出率上都比较低，对较大的泄漏检测更加适用。
10.3)对阀门内漏的检测缺少相应的技术手段。
11.4)对阀门内漏的流量(或严重程度)缺少定量检测手段。


技术实现要素：

12.本发明的目的在于克服现有技术的不足，提供一种无线声波采集仪及数据采集方法。本专利对阀门外漏或内漏在阀门或管道表面产生的应力表面波的检测，通过对微弱信号的检测和模式识别，以实现对阀门泄漏类型确定和内漏的流量估算。
13.本发明的目的是通过以下技术方案来实现的：
14.一种无线声波采集仪，包括检测装置和设置在所述检测装置上的采集控制系统；
15.所述检测装置包括波导底座组件、外壳体、电源、分隔板、电路板、检测传感器和天线，所述外壳体固定设置在所述波导底座组件上，所述外壳体上设置有第一腔室和第二腔室，所述第一腔室上设置有与所述第一腔室密封配合的第一腔盖，所述第二腔室上设置有
与所述第二腔室密封配合的第二腔盖，所述电路板设置在所述第二腔室中，所述采集控制系统设置在所述电路板上且与所述天线电连接，所述分隔板可拆卸设置在所述第一腔室的内壁上且将所述第一腔室分割成传感仓和电池仓，所述检测传感器的一端与所述传感仓的底部接触，所述检测传感器的另一端通过第一弹性件与所述分隔板接触，所述电源设置在所述电池仓中且一端与所述第一腔盖接触，所述电源的另一端通过第二弹性件与所述分隔板接触，所述电源和所述检测传感器均与所述采集控制系统电连接。
16.进一步地，所述第二腔室设置在所述外壳体的侧壁上且与所述传感仓连通，所述天线和所述电路板均设置在所述第二腔盖上。
17.进一步地，所述传感仓的底部设置有用于与所述检测传感器充分接触的安装槽。
18.进一步地，所述波导底座组件包括波导杆和安装座，所述波导杆的一端垂直固定连接在所述安装座的中部，所述波导杆的另一端与所述外壳体固定相连，且所述检测传感器设置在所述波导杆的长度方向上，所述安装座上设置有与被检测对象配合的通槽。
19.进一步地，所述采集控制系统包括温度传感器、加速度计、电源管理模块、主控单元、电路模块和无线通信模块，所述温度传感器和所述加速度计均与所述主控单元的输入端电连接，所述检测传感器通过所述电路模块与所述主控单元的输入端电连接，所述主控单元的的供电端通过所述电源管理模块与所述电源电连接，所述主控单元通过所述无线通信模块与所述天线电连接。
20.一种无线声波采集仪的数据采集方法，所述数据采集方法包括以下步骤：
21.s1：通过主控单元对检测传感器所采集的数据进行预处理；
22.s2：对信号进行emd分解，获得imf分量；
23.s3：对所述imf分量进行ar建模，提取参数，组成特征向量；
24.s4：进行svm分类建模；
25.s5：分类识别判定。
26.进一步地，所述s2步骤包括以下步骤：
27.s21：确定信号x(t)局部极值点；
28.s22：求出上下包络线的均值m1(t)；
29.s23：按照式1可求得新数据序列h1(t):
30.h1(t)＝x(t)-m1(t)
ꢀꢀꢀꢀꢀꢀ
(式1)
31.在emd分解过程中，判断h1(t)是否满足imf条件，若h1(t)不满足imf条件，将h1(t)作为新的x(t)，重复执行步骤s21至步骤s23的计算过程，直到h1(t)满足imf条件，记c1(t)＝h1(t)，c1(t)为原始信号中频率最高的imf分量，imf必须满足两个条件：一是整个数据序列中极值点数量与过零点的数量必须相等，或最多相差一个；二是所有局部极大值连接成的上包络线和所有局部极小值连接成的下包络线在任意时间点上均值都为零；
32.s24：按照式2计算x(t)与c1(t)之间的残差r(t)：
33.r(t)＝x(t)-c1(t)
ꢀꢀꢀꢀꢀ
(式2)
34.将r(t)作为新的x(t)，重复步骤s21至步骤s23的计算过程，依次得到c2(t)，c3(t)，
……
直到cn(t)或r(t)满足给定的终止条件时，筛选结束；
35.s25：经过emd分解之后的原始信号x(t)被分解为n个基本模式分量和一个残差的和：
[0036][0037]
原始信号x(t)进行emd分解运算后，分解为imf分量ci(t)和残差项r(t)之和，其中，imf分量c1(t)，c2(t)，
……cn
(t)是按照频率高低依次分解出来的，突出了原始信号的局部特征，而残余分量则是体现了原始信号的中心趋势。
[0038]
进一步地，所述s3步骤包括以下步骤：
[0039]
s31：对emd分解的imf分量分别进行ar建模，设ci(t)对应的信号数据是c(n)，信号数据建立ar模型如式4：
[0040][0041]
其中，ak(k＝1,2,
…
,m)和m分别是自回归模型的模型参数和模型阶次；u(n)为模型残差，是均值为0，方差为σ2的白噪声序列；
[0042]
s32：对建立ar模型的定阶和参数估计，采用aic准则确定模型的阶次，利用burg算法计算ar参数，aic准则函数如式5：
[0043]an
＝nln(σ2) 2m
ꢀꢀꢀ
(式5)
[0044]
式中，n为c(n)数据长度，当阶次m从1开始增加时，an将在某一个m处取得最小值，将此时的m的值定为最合适的阶次；
[0045]
s33：burg算法求解ar模型参数的具体步骤如下：
[0046]
s331：确定初始条件：
[0047]
前向预测误差：
[0048][0049]
后向预测误差：
[0050][0051]
自相关函数：
[0052][0053]
反射系数：
[0054][0055]
s332：求出前后向预测误差：
[0056][0057][0058]
s333：根据下式确定m阶ar参数及后向预测误差之和
[0059]am
(k)＝a
m-1
(k) k
mam-1
(m-k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式12)
[0060]am
(m)＝kmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式13)
[0061][0062]
当m初始为1时，ar模型参数为：
[0063]
[0064]
s334：求出每个imf分量的ar模型参数ak，按式3线性组合得到测试信号x(t)的特征向量η＝[a1,a2,
…
,am]。
[0065]
进一步地，所述s4步骤包括以下步骤：
[0066]
s41：将信号x(t)的特征向量η用作分类模型建立训练输入数据，设给定训练样本d＝{(x1,y1),(x2,y2),
…
,(xm,ym)},yi∈{-1, 1}，支持向量机svm描述形式可化为：
[0067][0068][0069]
αi≥0,i＝1,2,
…
,m
[0070]
解出拉格朗日乘子α后，求出ω与b即可得到模型：
[0071][0072]
s42：步骤s41的过程需满足kkt(karush-kuhn-tucker)条件，即要求：
[0073][0074]
s43：通过式16的先固定αi之外的所有参数，然后求αi上的极值，每次选择两个变量αi和αj，并固定其它参数，在参数初始化后，不断执行步骤s431和步骤s432直至收敛：
[0075]
s431：选取一对需更新的变量αi和αj；
[0076]
s432：固定αi和αj以外的参数，求解式16后获得更新后的αi和αj，对于任意支持向量(xs,ys)都有ysf(xs)＝1，即
[0077][0078]
其中，s＝{i|αi≥0,i＝1,2,
…
,m}为所有支持向量的下标集。
[0079]
进一步地，所述s5步骤中的判定为内漏，那么进行svr回归建模，svr回归建模包括以下步骤：
[0080]
s51：对测试信号x(t)的分析获得特征向量η＝[a1,a2,
…
,am]，另外定义对象特性参数向量t＝[t1,t2,
…
,tr]，向量t主要包括阀门结构参数和仪表参数；
[0081]
s52：将向量t和对应向量η组合成新的特征向量g＝[t,h]，特征向量g用作svr回归模型建立的训练输入数据，设新的训练样本归模型建立的训练输入数据，设新的训练样本yi为阀门内漏的流量值，svr描述形式可化为：
[0082][0083][0084][0085]
所述s51步骤和所述s52步骤中的过程需满足kkt条件，即要求：
[0086]
[0087]
s53：svr的解形如式22：
[0088][0089]
能使上式中的的样本即为svr的支持向量，它们必落在∈-间隔带之外，svr的支持向量仅是训练样本的一部分，即其解仍具有稀疏性；
[0090]
s54：对每个样本(xi,yi)都有(c-αiξi)＝0且αi(f(xi)-y
i-∈-ξi)＝0，在得到αi后，若0《αi《c，则必有ξi＝0，进而有：
[0091][0092]
因此，求解得到αi后，可任意选取满足0《αi《c的样本通过式23求得b。
[0093]
本发明的有益效果是：
[0094]
1)采集仪采用整体防爆设计，可满足工业爆炸性场所的应用。
[0095]
2)采集仪提供无线数据传输方式，即满足现场便携式临时数据采集任务，也满足采集仪作为在线监测设备，将分析数据上传至用户服务器的应用需求。
[0096]
3)采集仪通过少量的学习数据，就能实现较好的支持向量机分类建模工作，实现阀门泄漏形式智能识别。
[0097]
4)采集仪通过对不同类型的内漏学习数据的支持向量回归建模和优化，可较好的完成对阀门内漏流量估算，测试检验精度优于10％。
[0098]
5)采集仪支持远程模型训练功能，即服务器端可将模型训练结果在线下载至采集仪，以实现采集仪的模型泛化能力。
附图说明
[0099]
图1为采集仪立体结构图；
[0100]
图2为采集仪内部连接结构图；
[0101]
图3为采集控制系统的控制图；
[0102]
图4为数据采集流程图；
[0103]
图中，1-外壳体，2-电源，3-分隔板，4-电路板，5-检测传感器，6-天线，7-第二腔室，8-第一腔盖，9-第二腔盖，10-传感仓，11-电池仓，12-第一弹性件，13-第二弹性件，14-波导杆，15-安装座，16-通槽，17-安装槽。
具体实施方式
[0104]
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0105]
参阅图1-4，本发明提供一种技术方案：
[0106]
一种无线声波采集仪，包括检测装置和设置在检测装置上的采集控制系统；检测装置包括波导底座组件、外壳体1、电源2、分隔板3、电路板4、检测传感器5和天线6，外壳体1固定设置在波导底座组件上，外壳体1上设置有第一腔室和第二腔室7，第一腔室上设置有与第一腔室密封配合的第一腔盖8，第二腔室7上设置有与第二腔室7密封配合的第二腔盖
9，电路板4设置在第二腔室7中，采集控制系统设置在电路板4上且与天线6电连接，分隔板3可拆卸设置在第一腔室的内壁上且将第一腔室分割成传感仓10和电池仓11，检测传感器5的一端与传感仓10的底部接触，检测传感器5的另一端通过第一弹性件12与分隔板3接触，电源2设置在电池仓11中且一端与第一腔盖8接触，电源2的另一端通过第二弹性件13与分隔板3接触，电源2和检测传感器5均与采集控制系统电连接。第二腔室7设置在外壳体1的侧壁上且与传感仓10连通，天线6和电路板4均设置在第二腔盖9上。其中，检测传感器5为现有技术中的声发射传感器，本声发射传感器的型号是g40。外壳体1、第一腔盖8和第二腔盖9均为不锈钢外壳，材质为304或316不锈钢，密封连接可满足隔爆结构设计。声发射传感器用于检测声源在固体中传播的应力波信号；电路板4主要承载采集控制系统并实现传感器信号采集、处理、传输及其它功能；电源2为现有技术中的电池，用于为采集仪提供3.6vdc供电电源；分隔板3用于分开和隔离传感仓10和电池仓11；天线6为现有技术中的长距离数据通信天线，如lora、nb-iot等。第一弹性件12和第二弹性件13均为弹簧。分隔板3与第一腔室的内壁之间螺纹连接，分隔板3的中部设置有贯穿的线缆孔。第一腔盖8和第二腔盖9均与外壳体1之间螺纹连接，并在连接处设置密封圈。
[0107]
在一些实施例中，传感仓10的底部设置有用于与检测传感器5充分接触的安装槽17。设置安装槽17的好处是使得检测传感器5更好的接收声波。
[0108]
在一些实施例中，波导底座组件包括波导杆14和安装座15，波导杆14的一端垂直固定连接在安装座15的中部，波导杆14的另一端与外壳体1固定相连，且检测传感器5设置在波导杆14的长度方向上，安装座15上设置有与被检测对象配合的通槽16。其中，波导杆14和安装座15的材质为304或316不锈钢。被检测对象为管道，安装座15可用于金属绑扎带将采集仪和管道进行绑扎固定；波导杆14的设计结构是方便了采集仪的现场安装，如管道带保温层，另外，避免了阀门出口介质低温或高温对传感器性能的影响。
[0109]
在一些实施例中，采集控制系统包括温度传感器、加速度计、电源管理模块、主控单元、电路模块和无线通信模块，温度传感器和加速度计均与主控单元的输入端电连接，检测传感器5通过电路模块与主控单元的输入端电连接，主控单元的的供电端通过电源管理模块与电源2电连接，主控单元通过无线通信模块与天线6电连接。主控单元将处理后的数据通过无线通信模块传递给数据服务器，手持终端通过无线通信模块与主控单元交互数据。其中，采集控制系统主要实现两个方面的目标：一是对阀门泄漏类别进行识别分类；二是评估阀门内漏的严重程度，即内漏流量的估算。采集控制系统主要由以下几部分构成：
①
声发射传感器用来检测阀门外漏或内漏时在出口管道中传播的应力波信号，通过传感器将信号转换为微弱电压信号。
②
电路模块包括滤波、放大和a/d电路，用来对声发射传感器输出的微伏级电压信号进行低噪声的低通滤波、信号多级放大和24位模数转换电路。
③
主控单元为现有技术的主控单元mcu，负责对声发射传感器信号进行采集和算法处理，接收加速度计的唤醒中断指令，接收当前温度值对信号检测电路的漂移进行补偿，以及将处理数据通过无线通信模块上传至数据服务器。
④
加速度计，采用超低功耗三轴加速度计传感器，休眠模式下加速度计一直保持低频工作状态，当采集仪振动超过运动阈值时，加速度计发出中断指令唤醒采集控制系统进入正常工作模式。
⑤
温度传感器，采集控制系统内置温度传感器，用于监测采集控制系统环境温度变化和补偿采样电路的温度漂移。
⑥
无线通信模块，采用长距离无线通信模组，如lora,nb-iot,手持终端利用无线通信完成对采集控制系统的
基本参数配置和现场校准工作，以及将采集的数据和处理结果上传至数据服务器。
⑦
电池采用仪表专用的锂亚硫酰氯电池，电源管理模块主要是在休眠和正常工作模式下，对各用电单元采取相应的供电管理策略，以及电量监测，并提供低电量报警信息。
⑧
手持终端，主要指安装有专用应用软件的手机或平板设备，完成现场的参数配置、现场校准和数据分析工作。温度传感器的型号采用my18e20、加速度计的型号采用adxl362、电源管理模块的型号采用lp5907、主控单元的型号采用stm32f769、电路模块的型号采用dcb104，无线通信模块的型号采用e22-400t30s。
[0110]
一种无线声波采集仪的数据采集方法，数据采集方法包括以下步骤：
[0111]
s1：通过主控单元对检测传感器所采集的数据进行预处理。本步骤的的主要目的是对原始数据进行预处理，主要包括数字滤波(消除部分噪声，平滑数据)、异常数据剔除、数据抽取来降低数据样本规模。
[0112]
s2：对信号进行emd分解，获得imf分量。本步骤中emd分解其实只是一种自适应时频域的处理方法，作用就是将信号分离成不同频率信号之和，类似快速傅里叶变换、小波分析；采用emd分解方法的好处就是对信号不需要有太多了解，也能得到很好的分离效果，每个imf分量就代表对应的频率信号分量，另外，emd方法计算量相当较小，可以很好的在mcu上运行，其计算开销较小。
[0113]
s2步骤包括以下步骤：
[0114]
s21：确定信号x(t)局部极值点；
[0115]
s22：求出上下包络线的均值m1(t)；
[0116]
s23：按照式1可求得新数据序列h1(t):
[0117]
h1(t)＝x(t)-m1(t)
ꢀꢀ
(式1)
[0118]
在emd分解过程中，判断h1(t)是否满足imf条件，若h1(t)不满足imf条件，将h1(t)作为新的x(t)，重复执行步骤s21至步骤s23的计算过程，直到h1(t)满足imf条件，记c1(t)＝h1(t)，c1(t)为原始信号中频率最高的imf分量，imf必须满足两个条件：一是整个数据序列中极值点数量与过零点的数量必须相等，或最多相差一个；二是所有局部极大值连接成的上包络线和所有局部极小值连接成的下包络线在任意时间点上均值都为零；
[0119]
s24：按照式2计算x(t)与c1(t)之间的残差r(t)：
[0120]
r(t)＝x(t)-c1(t)
ꢀꢀ
(式2)
[0121]
将r(t)作为新的x(t)，重复步骤s21至步骤s23的计算过程，依次得到c2(t)，c3(t)，
……
直到cn(t)或r(t)满足给定的终止条件时，筛选结束；
[0122]
s25：经过emd分解之后的原始信号x(t)被分解为n个基本模式分量和一个残差的和：
[0123][0124]
原始信号x(t)进行emd分解运算后，分解为imf分量ci(t)和残差项r(t)之和，其中，imf分量c1(t)，c2(t)，
……cn
(t)是按照频率高低依次分解出来的，突出了原始信号的局部特征，而残余分量则是体现了原始信号的中心趋势。
[0125]
s3：对所述imf分量进行ar建模，提取参数，组成特征向量。本步骤ar建模是对数据进行拟合建模的过程，结果是将建模的结果以特征向量的方式进行表示，每组信号分量原则上对应了不同的特征向量，从而达到将原始数据以特征向量的方式进行表示，不同信号
数据会得到不同的特征向量，并且特征向量区别明显。
[0126]
s3步骤包括以下步骤：
[0127]
s31：对emd分解的imf分量分别进行ar建模，设ci(t)对应的信号数据是c(n)，信号数据建立ar模型如式4：
[0128][0129]
其中，ak(k＝1,2,
…
,m)和m分别是自回归模型的模型参数和模型阶次；u(n)为模型残差，是均值为0，方差为σ2的白噪声序列。并且模型参数在本方中可以简单理解成表示某种规律的函数，这里所说的模型参数其实除变量外的系数，阶次只是c(n)函数的递归阶次。采用白噪声序列作为残差只是为了更接近真实数据特点，如果没有白噪声残差的引入，阶次可能会变得很大，甚至可能无法计算收敛，出现过拟合情况。
[0130]
s32：对建立ar模型的定阶和参数估计，采用aic准则确定模型的阶次，利用burg算法计算ar参数，aic准则函数如式5：
[0131]an
＝nln(σ2) 2m
ꢀꢀꢀꢀ
(式5)
[0132]
式中，n为c(n)数据长度，当阶次m从1开始增加时，an将在某一个m处取得最小值，将此时的m的值定为最合适的阶次；
[0133]
s33：burg算法求解ar模型参数的具体步骤如下：
[0134]
s331：确定初始条件：
[0135]
前向预测误差：
[0136][0137]
后向预测误差：
[0138][0139]
自相关函数：
[0140][0141]
反射系数：
[0142][0143]
s332：求出前后向预测误差：
[0144][0145][0146]
s333：根据下式确定m阶ar参数及后向预测误差之和
[0147]am
(k)＝a
m-1
(k) k
mam-1
(m-k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式12)
[0148]am
(m)＝kmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式13)
[0149][0150]
当m初始为1时，ar模型参数为：
[0151]
[0152]
s334：求出每个imf分量的ar模型参数ak，按式3线性组合得到测试信号x(t)的特征向量η＝[a1,a2,
…
,am]。
[0153]
s4：进行svm分类建模。本步骤支持向量机svm是定义在特征空间上的间隔最大的线性分离器，是一种二分类模型，是一种适合小样本学习方法。由于svm模型函数只有少数的支持向量确定，所以计算复杂性取决于支持向量的数量，而不是样本空间的维数，这种方法非常适合本发明所采用的小型处理单元。采用svm的最终效果表现出较好的鲁棒性(增、删非支持向量样本对模型没有影响，支持向量样本集具有一定的鲁棒性)。
[0154]
s4步骤包括以下步骤：
[0155]
s41：将信号x(t)的特征向量η用作分类模型建立训练输入数据，设给定训练样本d＝{(x1,y1),(x2,y2),
…
,(xm,ym)},yi∈{-1, 1}，支持向量机svm描述形式可化为：
[0156][0157][0158]
αi≥0,i＝1,2,
…
,m
[0159]
解出拉格朗日乘子α后，求出ω与b即可得到模型：
[0160][0161]
s42：步骤s41的过程需满足kkt(karush-kuhn-tucker)条件，即要求：
[0162][0163]
对任意训练样本(xi,yi)，总有αi＝0或yif(xi)＝1，若αi＝0，则该样本将不会在式17的求和中出现，也就不会对f(x)有任何影响；若αi》0，则必有yif(xi)＝1，所对应的样本点位于最大间隔边界上，是一个支持向量，即最终模型仅与支持向量有关。
[0164]
s43：通过式16的先固定αi之外的所有参数，然后求αi上的极值，由于存在约束若固定αi之外的其它变量，则αi可由其它变量导出，每次选择两个变量αi和αj，并固定其它参数，在参数初始化后，不断执行步骤s431和步骤s432直至收敛：
[0165]
s431：选取一对需更新的变量αi和αj；
[0166]
s432：固定αi和αj以外的参数，求解式16后获得更新后的αi和αj，对于任意支持向量(xs,ys)都有ysf(xs)＝1，即
[0167][0168]
其中，s＝{i|αi≥0,i＝1,2,
…
,m}为所有支持向量的下标集。理论上，可选取任意支持向量并通过求式19获得b值。通过emd分解，ar建模和svm分类建模，对检测传感器采集到的信号进行分类处理，实现对阀门泄漏形式：外漏或者内漏的判定，有利于下一步采取针对性的检测和补救措施。
[0169]
s5：分类识别判定。本识别判定会出现两种结果，一种是内漏，另一种是外漏，其中外漏可以使用现有技术手段解决。
[0170]
s5步骤中的判定为内漏，那么进行svr回归建模，svr回归建模包括以下步骤：本步骤是在步骤s1至步骤s4的基础上进行svr建模，svr建模是实现阀门内漏流量估算，确认阀
门的泄漏类型为内漏，再根据训练的svr模型对泄漏流量进行估算。本步骤中的svr其实是svm方法在回归问题上的应用，所谓回归就是数据拟合，本方案就是通过数据拟合找到流量与信号(特征向量)之间的关系。svr同样继承了svr的计算优点，表现出较小的计算消耗，以及模型具有较好的鲁棒性和泛化能力。
[0171]
s51：对测试信号x(t)的分析获得特征向量η＝[a1,a2,
…
,am]，另外定义对象特性参数向量t＝[t1,t2,
…
,tr]，向量t主要包括阀门结构参数和仪表参数；
[0172]
s52：将向量t和对应向量η组合成新的特征向量g＝[t,h]，特征向量g用作svr回归模型建立的训练输入数据，设新的训练样本归模型建立的训练输入数据，设新的训练样本yi为阀门内漏的流量值，svr描述形式可化为：
[0173][0174][0175][0176]
所述s51步骤和所述s52步骤中的过程需满足kkt条件，即要求：
[0177][0178]
当且仅当f(xi)-y
i-∈-ξi＝0时，αi能取非零值，当且仅当时，能取非零值，仅当样本(xi,yi)不落入∈-间隔带中，相应的αi和才能取非零值。此外，约束f(xi)-y
i-∈-ξi＝0和不能同时成立，因此αi和中至少有一个为零。
[0179]
s53：svr的解形如式22：
[0180][0181]
能使上式中的的样本即为svr的支持向量，它们必落在∈-间隔带之外，svr的支持向量仅是训练样本的一部分，即其解仍具有稀疏性；
[0182]
s54：通过kkt条件可看出，对每个样本(xi,yi)都有(c-αiξi)＝0且αi(f(xi)-y
i-∈-ξi)＝0，在得到αi后，若0《αi《c，则必有ξi＝0，进而有：
[0183][0184]
因此，求解得到αi后，可任意选取满足0《αi《c的样本通过式23求得b。
[0185]
本发明的通过emd分解，ar建模，svm分类建模和svr回归建模，对检测传感器采集到的信号进行分类处理，实现对阀门内漏流量的估算。
[0186]
1)本发明中的检测传感器为声发射传感器，声发射简称ae，也称为应力波反射，是材料或结构在外界条件的作用下断裂或变形，并随着能量快速释放产生瞬态的弹性波现象。声发射检测技术的优势：
①
可获得缺陷的动态信息，反映构件内部的损伤情况；
②
声发射信号是由被测试构件自身发出的，具有实时和在线的优势；
③
对外形、材质及环境无限制，对形状复杂、绝大部分的材料和恶劣环境均能发挥作用；
④
可以对运行中的构件进行实时检测，可以记录缺陷的变化情况，适用于工业过程监控和早期缺陷预警。
[0187]
2)本发明采用声发射模式识别技术，利用样本数据通过机器学习算法进行模型训
练，再对实际声发射检测数据进行分析，以实现对阀门泄漏形式的分类判别和对内漏的流量估算。利用声发射技术可以分析声发射源性质、确定发生时间、有效评估事件的严重程度。通过对检测到的声发射信号进行分析处理，可以得到早期裂纹属于何种类型等信息，便于人们提前采取相关补救措施。
[0188]
3)采集控制系统设置有可固定的波导杆，可对现场阀门进行长时间连续的监测，也可用作便携式仪器，对阀体特定部位进行声发射数据采集。
[0189]
4)采集仪采用防爆结构设计，满足爆炸性场所使用的要求。
[0190]
5)采集仪采用电池供电和无线通信技术，可满足现场使用和安装的灵活性要求。
[0191]
6)采集仪在进行长时间连续监测阀门内漏的应用时，可启用振动唤醒和休眠模式，以实现电池供电的长时间运行。
[0192]
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。