基于盲源分离技术的泄漏音波信号滤波方法分析

刘光晓，孟令雅，刘翠伟，钱昊铖，李玉星

（1.中国石油大学（华东）储建学院，青岛 266555；2.中国石油大学（华东）信息控制学院，青岛 266555）

基于盲源分离技术的泄漏音波信号滤波方法分析

刘光晓1，孟令雅2，刘翠伟1，钱昊铖1，李玉星1

（1.中国石油大学（华东）储建学院，青岛 266555；2.中国石油大学（华东）信息控制学院，青岛 266555）

音波法泄漏检测技术用于输气管道泄漏检测具有灵敏度高、实时性强、定位精度高等优点，但是现阶段受困于信号滤波技术，难以在实际工程中推广应用。总结了现阶段主要的时频域滤波方法，重点介绍具有代表性的小波滤波和维纳滤波的滤波原理，利用实验室采集的泄漏音波信号验证了两种滤波方法的实际滤波效果。并且讨论了基于时域和频域滤波方法的不足，分析了针对某些工况，滤波方法不能取得良好滤波方法的原因。在此基础上，引入了近年来发展迅速的盲源分离技术，阐述盲源分离的原理，通过分离构造信号说明了盲源分离技术具有更好的适用性和更好的滤波效果，最后利用实验室采集的泄漏音波信号进行了实际分离，表明盲源分离技术具有实际的应用价值。

音波法泄漏检测技术；小波滤波；维纳滤波；盲源分离

近年来，我国天然气需求量与日俱增，天然气输送管道得到迅猛发展。由于腐蚀以及人为破坏等因素，天然气泄漏时有发生，不仅造成了经济损失，而且带来巨大的安全隐患。天然气管道的泄漏检测可以有效保证天然气管线的正常安全运行，及时辨识泄漏工况并且进行泄漏点定位。

在各种管道泄漏检测方法中，音波泄漏检测法具有灵敏度高、实时性强、定位精度高、适应性强等优点［1］。音波法是利用管内流体的压力脉动进行管道的泄漏检测：当管线发生泄漏时，管内气体高速喷出，在泄漏孔附近产生强烈的涡旋脉动，同时由于泄漏孔处气体体积的减小，压力下降，管内气体依次向泄漏点处补充，表现为压力降以泄漏点为中心，以声速沿管线向两侧传播，安装于管线不同位置处的传感器采集接收泄漏音波信号，根据泄漏特征量进行泄漏判断，根据不同传感器接收到泄漏信号的时间差进行泄漏定位［2－3］。音波法与负压波法最大的不同在于，负压波法测量量是管内压力的绝对值［4］，音波法测量量为管内压力的波动值。但是现阶段，音波法泄漏检测技术并没有在实际工程中得到大规模的应用，其中一个重要瓶颈便是对采集信号的滤波环节。泄漏音波信号在管道内传播过程中会受到各种噪声干扰，导致传感器接收到的泄漏音波信号的信噪比较低，造成系统误报率和漏报率较高。

现阶段的论文文献较少的涉及泄漏音波信号的滤波环节，更多是针对某一种滤波方法的应用，没有各种滤波方法的对比，缺乏对滤波方法的适用性分析。本文以信号滤波为出发点，总结适合于泄漏音波信号的滤波方法，分析各种滤波方法的优缺点，并且提出了基于盲源分离技术的滤波方法，重点分析了该技术用于输气管道泄漏音波信号降噪的可行性。

1 试验装置

为真实模拟天然气管线发生泄漏，采集泄漏音波信号，我们在实验室搭建了音波法泄漏检测试验装置。试验环道全长251 m，管径为φ14×2mm，设计最高压力8 MPa，由压缩机进行供气，设计流量60 m3/h。实验环道沿线共设置三个泄漏点，分别据测试起点40.34 m、88.33 m和149.02 m，管线泄漏通过球阀与带泄漏孔板的法兰控制完成。开启球阀，模拟泄漏发生，通过更换不同开孔孔径的泄漏孔板，实现对泄漏孔径的控制。在管线起终点以及三个泄漏点处分别安装音波传感器，采集泄漏音波信号。试验装置流程图如图1所示。

图1 音波法泄漏检测装置流程图Fig.1 The flow diagram of acoustic leak detection device

泄漏音波信号是非平稳的微弱信号，幅值能量在低频范围内占优，尤其集中在次声波频段。传感器采集到信号必然包含整个频域范围内的噪声，对泄漏信号产生干扰。实验室数据采集系统的设计充分考虑了这一因素：传感器选用动态压力传感器，型号为PCB公司的M106B，传感器性能参数优良，具有测量次声波的能力，内部耦合有电荷放大器，将测量信号进行放大后输出，输出数据经屏蔽线进行传输，排除外界环境干扰。传感器输出信号进行A/D转换之前，首先经过信号硬件滤波，滤除高频噪声的干扰。模数转换单元选用美国NI公司的PCI－4474型动态数据采集卡，四通道同步采样，采样频率102.4 kS/s，分辨率为24 bits，最后利用计算机进行数据存储与后期处理。

利用试验装置进行试验，在2 MPa运行压力、0.45 mm泄漏孔径条件下，泄漏点1发生泄漏时的泄漏音波信号如图2所示。

图2 2 MPa压力0.45 mm泄漏孔径泄漏音波信号Fig 2 Leaky acoustic wave of2 MPa and 0.45 mm leakage aperture

图2（a）为传感器1采集得到的泄漏音波信号，传感器1在泄漏点1下游10 cm处，泄漏信号一经产生，便被传感器接收，图2（b）为布设在终点处的传感器5采集得到的泄漏音波信号，此时泄漏音波信号在管内经过了长距离的传播。

从图2可以看出，当管线发生泄漏时，动态压力信号出现一个明显的下降沿，信号幅值远远大于稳定运行时的信号幅值，泄漏下降沿包含了管线泄漏发生工况以及发生时刻，是泄漏判断的重要特征。但是泄漏音波信号在传播过程中存在衰减，下降沿幅值减小，同时管线运行过程中存在阀门、变径管等结构不连续部件，流体流经时产生流动噪声，加之外部环境噪声干扰，使得泄漏特征被掩盖，如图2（b），此时泄漏下降沿幅值有了很大程度的缩小，并且稳定时的音波信号幅值波动增大，泄漏幅值与稳定幅值比值减小，容易造成误报和漏报。因此，在实际应用中，需要对音波信号进行滤波处理，滤波效果直接关系到泄漏判断的准确性。

2 滤波方法

现阶段比较通用的滤波方法按照原理分类，可以分为时域滤波方法和频率滤波方法两大类。

2.1 时频域滤波方法

工程中经常使用的频域滤波方法有小波滤波、傅里叶变换滤波、FIR滤波器滤波以及IIR滤波器滤波等。各频域滤波方法的原理基本相同，均是在频域空间内完成滤波过程，假设噪声信号与理想信号占据不同的频段，保留理想信号频段内的信息，将噪声信号频段内信号幅值归零或者通过选择阈值进行阈值处理，随后进行信号重构，恢复时域波形。

在众多的频域滤波方法中，小波滤波同时具有尺度和偏移两个可调变量，它的突出优点为在高频范围内具有较高的时间分辨率，在低频范围内具有较高的频率分辨率。这一优点使得小波滤波相比其它滤波方法往往具有更好的滤波效果［5－6］。一般认为，噪声信号集中在高频子带，期望信号集中在低频子带，选择适当的分解层数和去噪阈值，即可达到去除噪声的目的。因此，本文以小波滤波为例，研究小波方法的实际滤波效果。

对图2（b）中的泄漏音波信号进行小波滤波处理，滤波后的信号如图3（a）所示，从图中可以看出，滤波后的信号噪声有显著降低，表现为管线稳定运行时，音波信号幅值波动减小，管线发生泄漏时，泄漏下降沿受干扰减小，泄漏发生时刻得到突显。

时域滤波方法是在时域空间内对信号进行噪声滤除，不涉及信号的频域空间。最常使用的时域滤波方法有维纳滤波和中值滤波等。维纳滤波属于一种自适应滤波器，以误差均方根最小为滤波原则，最优维纳滤波器满足维纳－霍夫（Wiener-Hopf）方程式［5］，求解方程便可得到最优滤波器系数。

将图2（a）所示信号作为期望输出，对图2（b）所示的信号进行滤波处理，滤波结果如图3（b）所示。滤波后信号与原始信号相比，噪声信号变的稀疏，虽然噪声信号在幅值上没有太明显的减小，但是泄漏下降沿得到显著的突出，泄漏下降幅值增大，泄漏发生时刻变得清晰易辨识。

2.2 时频域滤波方法的不足

对比图2（a），滤波后的信号（图（3））并不能完全消除噪声干扰，恢复信号原始波形。在干扰较大的情况下，时频域滤波方法往往不能取得理想的滤波效果，以下对两组构造信号进行实际滤波，以实际效果说明滤波方法的局限性。

采样频率设为3 000 Hz，采集2 MPa运行压力、0.8 mm泄漏孔径条件下管线发生泄漏的泄漏音波信号，为排除噪声信号干扰，明确滤波目标，采用多项式拟合，拟合结果如图4所示。

图3 小波滤波与维纳滤波图Fig.3 Chart of wavelet filtering and Winner filtering

图4 拟合泄漏音波信号时域和频域特征曲线Fig.4 Characteristic curve of fitting leaky acoustic wave

图5 两种噪声信号时域波形Fig.5Waveform of two noise signals

对拟合泄漏音波信号与真实泄漏音波信号进行FFT变换，得到信号的频域幅值分布，从图4（b）中可以看出，两者幅频曲线变化规律一致，能量主要集中在低频范围内，尤其是0～20Hz频域范围内信号能量占优，由于噪声干扰的影响，真实泄漏音波信号频域内幅值存在波动。

拟合信号的时域波形和频域信号能量分布均与真实泄漏音波信号波形相似，具有可比拟性。

在拟合泄漏音波信号基础上分别添加如图5所示的具有相同均值和方差的（a）和（b）两种噪声信号：

对比噪声信号a和b的时域波形，两者均有较大的突刺，并且集中分布在零值附近，时域波形比较均匀，除去波形突刺幅值上稍有不同外，两者的时域波形没有显著的区别。将a和b两种噪声信号进行频率转化，频域分布如图6所示。

从两者的频域曲线可以看出，噪声信号a主要是由0～100 Hz频率范围内的正弦波形叠加而成，噪声信号b主要是由100～200 Hz频率范围内的正弦信号叠加而成。噪声信号a幅值频率段分布与拟合泄漏音波信号能量集中频段重叠，而噪声信号b的幅值频率段错开了拟合泄漏音波信号幅值能量集中的频段。

在拟合泄漏音波信号基础上添加噪声信号a与b，噪声添加完成后，信号波形如图7所示。添加噪声后的泄漏信号波形下降沿受到极大干扰，泄漏发生时刻不能够清晰辨认，泄漏定位存在较大误差，同时下降沿的幅值与稳定时的音波信号幅值比值减小，泄漏特征不够突出，造成泄漏判断困难，易导致泄漏误报率和漏报率增大。

使用维纳滤波器进行滤波处理时，需要预先得知滤波器期望输出，所需的先验知识较多。在没有过多先验知识的情况下，以维纳滤波为代表的时域滤波方法失去效用，并且时域滤波方法只是简单地对波形进行处理，缺乏理论上的去噪依据，具有一定的盲目性。

利用小波滤波方法分别对加噪信号a和信号b进行滤波处理，滤波后的波形如图8所示。

加噪信号a滤波前后时域波形没有显著的变化，真实信号依然被噪声信号覆盖，信号b的滤波效果较好，可以分辨出真实波形，但是依然存在较多的突刺干扰。从小波滤波的原理可以看出，小波法对信号的识别是在子带与子带之间，对同一个子带内信号无法进行差别处理。当噪声信号与真实信号占据相同频段时，无论分解层数为多少，两者总是占据相同的子带，此时，小波方法失去作用。并且即使噪声信号与真实信号占据不同的子带，也无法使选择的阈值完全将高频噪声信号剔除，阈值适当减小，高频噪声去除效果增强，但是过小的阈值往往造成重构信号波形连续性变差，因此，噪声信号总会或多或少地影响到低频的真实信号。

图6 两种噪声信号幅频曲线Fig.6 Amplitude-frequency curve of two noise signal

图7 添加噪声后的拟合泄漏音波信号Fig.7 Fitting leaky acoustic wave added with noise

图8 小波滤波后信号波形Fig.8 Waveforms after wavelet filtering

实际天然气长输管线沿途地形环境多样，管道结构复杂，阀门、弯管和变径管较多，环境噪声和气体流动噪声比实验室环境大得多。同时，又存在压缩机启停、输气量调节、管线分输等操作，对泄漏音波信号干扰较大。干扰信号的频域分布较宽，并且低频段信号衰减较小，可以传播较远的距离，容易被音波传感器接收，产生干扰，这些都对滤波方法提出了更高的要求。虽然时频域滤波方法均具有一定的滤波效果，但是出于自身滤波原理的限制，各种方法所能提高的信噪比有限，在实际应用中不能够满足要求。需要寻找新的方法来弥补这一缺陷。

3 盲源分离技术

盲源分离是指从多个观测信号中提取出无法直接观测的未知原始信号。盲源分离技术是基于源信号的统计独立性，分离原理与时频域滤波方法不同，可以为泄漏音波信号的滤波提供一个新的途径。盲源分离技术中的“盲”体现在源信号未知和源信号混合过程未知，该技术所需先验知识少，适应性强［7］。图9为盲源分离技术的原理图［8］。

图9 盲源分离技术原理图Fig.9 Flow chart of blind source separation technology

图中，S1（k）至Sn（k）为n个源信号，A为混合矩阵，x（k）为混合信号，x（k）＝A S（k）＋v（k），v（k）为噪声信号，其中信号源Si（k）未知，混合矩阵A未知，仅有传感器采集到的混合后的信号x（k）。在噪声强度较小的情况下，v（k）可忽略不计，更为一般的情况，噪声信号也可以当作S（k）中的一个信号源进行处理。Q为白化矩阵，W为解混矩阵，yi（k）为分离出的信号，y（k）＝WQ x（k）＝WQAS（k），是对源信号Si（k）的估计。信号白化即将信号x（k）的各分量（对应各传感器采集到的信号）转换为具有单位方差并且互不相关的矩阵，对应的变换矩阵即为白化矩阵，信号经过白化后会显著降低分离过程中的计算量，信号白化方法简单多样，最常用的有PCA与奇异值分解。盲源分离的关键是求解解混矩阵W，解混矩阵求解得准确，才能保证分离出的各成分yi（k）接近于源信号Si（k）。

求解W，即盲源分离的算法有很多，现阶段，独立成分分析（Independent Component Analysis，ICA）方法使用最为广泛，已经在多个领域得到应用并取得良好的信号分离效果，ICA方法是近年来兴起的一种算法，是在之前PCA、因子分析法以及冗余消除法等其他盲源分离算法基础上提出的新算法。独立成分分析是从多元数据中寻找其内在具有统计独立和非高斯成分的一种盲源分离算法。ICA算法建立在源信号统计独立基础上，将一组随机变量表示为几个统计独立变量的线性组合。

ICA分离中假设的约束条件为：

（1）源信号Si（k）均是零均值的随机变量，变量之间始终保持相互独立；

（2）源信号的数目不大于观测信号数目；

（3）源信号中只允许一个信号满足高斯分布。

此外，由于混合矩阵A的不确定性，导致分离出的各独立分量yi（k）无法恢复源信号Si（k）的真实幅值，一般情况下约定各源信号具有单位方差。

在数学上，两个变量x与y独立时，概率密度函数满足：

利用ICA方法进行盲源分离的过程实质是一种对矩阵W的寻优过程，需要建立一个包含W的目标函数，将求解W转化为求解函数的极值。概率密度函数（1）提供了最直接的目标函数，但是一般情况下概率密度函数未知，估计起来比较困难，通常利用信息论和统计论的知识，以独立性为基础将概率密度函数映射为高阶统计量函数。现阶段主要使用的目标函数判据有以下五种：最大非高斯性、非线性相关性、高阶统计量、负熵和互信息，各类目标函数均包含信号的高阶统计量，建立目标函数后，采用随机梯度法或者自然梯度法进行迭代求解［9－12］。

在盲源分离技术的实际应用中，芬兰阿尔托大学的学者提出了快速独立成分分析（FastICA）算法，此算法基于非高斯性最大化原理，采用牛顿迭代法对观测变量的大量采样点进行批处理，以最大化负熵作为目标函数，每次从观测信号中分离出一个独立成分。FastICA较普通的ICA算法，有以下优点：

（1）收敛速度快，普通ICA算法是线性收敛，FastICA收敛速度是三次收敛；

（2）FastICA不需要选择步长参数，更易使用；

（3）FastICA算法可以通过一个合适的非线性函数g分离出任何非高斯分布的独立分量，常使用的非线性函数为：其中：1≤a1≤2，一般情况下取值1，G1适合于亚高斯信号和超高斯信号并存的情况，G2适合分离超高斯信号，G3适合分离亚高斯混合信号；

（4）独立成分是被逐个分出，可以根据实际情况，人为控制分离独立变量的个数；

FastICA算法推动了盲源分离技术的实际应用，简化了计算过程，减小了计算量。本文将利用FastICA算法对泄漏音波信号进行分离［13－15］。

结合ICA技术与音波法泄漏检测技术的原理，分析盲源分离技术在理论上对泄漏音波信号进行分离滤波的适用性。

当天然气管道发生泄漏时，管内气体瞬间释放，在泄漏孔附近的管内流体中形成强烈的涡旋，涡旋构成了泄漏声源；环境噪声由环境中的车辆等其它发声体组成；流动噪声由弯管、变径管和阀门等结构不连续部件处产生，各自形成流动噪声声源。由此可见，被传感器接收到的各类声源信号在空间上是分散的，彼此之间没有联系，各信号声源之间是相互独立的，并且自然声源产生的信号不可能完全满足高斯分布，虽然各源信号均不满足零均值，但是只需进行简单的去均值处理即可，去均值处理不会对泄漏判断产生影响。满足（1）和（3）两个约束条件。

利用盲源分离技术进行信号分离时，一个最为重要的问题是泄漏声源的数目不确定。在管内流场中，存在涡旋处即可认为是一个声源，长输管线结构发杂，声源数目众多。但是，实际真正能够对泄漏音波信号产生干扰的强烈声源数目并不多，并且泄漏音波信号会被长输管线上的多个传感器接收，可以满足第（2）条约束条件。

利用图7中源信号数目和组成明确的加噪信号a进行盲源分离，观测分离后的信号实际效果，如图10所示。

从图可以看出，对于固定声源组成的信号，利用FastICA算法分离出的泄漏音波信号完全恢复了源信号的波形，只是在波形幅值上有所不同，这是由于信号源分离时零均值和单位方差的约束条件所致。盲源分离技术解决了小波滤波不能解决的问题，取得了良好的分离效果。

对加噪信号b进行分离，并计算分离后信号的信噪比和均方根误差，比较两者的滤波效果。加噪信号b进行盲源分离后的结果如图11所示。

由于泄漏信号源相同，对加噪信号a和b分离出来的泄漏音波信号基本相同，计算得出，小波滤波后的信号信噪比为18.219，均方根误差为0.032 1，利用FastICA分离得到的泄漏音波信号的信噪比为73.5，均方根误差为5.52×e－5，盲源分离取得滤波效果要远远优于小波滤波。

图10 加噪信号（a）分离得到的源信号Fig.10 Source signals of separating signal（a）

图11 加噪信号b盲源分离得到的源信号Fig 11 Source signals of separating signal（b）

由此可以看出，盲源分离技术不但适用于泄漏音波信号的分离，而且会取得比较理想的分离滤波效果。利用FastICA算法对实验室实际采集得到的泄漏音波信号进行滤波分离处理，从之前的分析可知，分离的源信号数目越多，越接近实际工况，分离效果越好，但是受限于实验室传感器的数目，分离得到源信号的数目最多为四个。在此基础上，观察实际分离效果。

图12（a）为在2 MPa运行压力、0.45 mm泄漏孔径条件下，泄漏点1发生泄漏时四个传感器接收到的泄漏音波信号。传感器1、2、3、4在泄漏点下游沿管线依次布设，泄漏音波信号经过不同的传播距离后被各传感器接收。随着传播距离的增大，泄漏下降沿幅值减小，信号毛刺增多，泄漏特征逐渐淡化。其中，传感器1所接收的泄漏音波信号没有经过传播，一经产生便被迅速接收，传感器1接收到的信号可以认为是单纯的泄漏声源产生的信号。当盲源分离后的泄漏音波信号与传感器1接收的信号波形相近，并且较传感器2、3、4的波形有明显提升时，便可判定取得良好的分离滤波效果。

图12（b）为分离出的四个相互独立的信号，信号1为泄漏音波信号，信号2为环境噪声信号，为近似的高斯白噪声，信号3和信号4为流动噪声，为泄漏音波信号在泄漏点附近结构不连续处发生折射和反射。

对比信号1与传感器1接收到的泄漏音波信号，两者在波形上基本保持一致，分离信号1中保留有一小部分噪声信号，表现为在零线处信号有小幅值的波动。在泄漏下降沿幅值上较传感器2和3接收到的信号均有较大幅度的提升。分离出的音波信号1对泄漏特征有着非常明显的突出作用。分离结果表明盲源分离得到的源信号可以反映泄漏音波信号源的特征，利用源信号1进行泄漏判断，可有效降低误报率。

由此可以看出，盲源分离技术在泄漏音波信号滤波领域可以取得较好的分离效果，在四个独立声源的前提下，分离出的泄漏音波信号可以很好地突显泄漏音波特征。

图12 实验室泄漏音波信号分离得到的源信号Fig.12 Source signals of separating experimental leaky acoustic wave

4 结 论

本文主要分析了时频域中具有代表性的小波滤波、维纳滤波以及盲源分离技术对泄漏音波信号的降噪效果，研究得出以下结论：

（1）小波滤波和维纳滤波对泄漏音波泄漏均具有一定的滤波效果；

（2）以维纳滤波为代表的时域滤波方法所需先验知识较多，滤波原理不够清晰，使用限制较多；以小波滤波为代表的频域滤波方法较时域滤波方法具有更好的滤波效果，滤波原理更加清晰，但当噪声信号与泄漏音波信号频带重叠时，频率滤波效果失去作用；

（3）盲源分离技术适用于泄漏音波信号的滤波降噪，可以分离小波滤波无法滤除的干扰噪声，并且达到较高的信噪比。盲源分离技术的关键是合理选择分离独立信号源的个数，在四个分离信号源条件下，对实验室泄漏音波信号取得了较好的分离效果。长输天然气管道布置的传感器数目远远多于实验室环道，只要传感器间距选取合适，便可使足够数目的传感器接收到泄漏音波信号，满足盲源分离技术使用条件。

［1］刘翠伟，李玉星，王武昌，等.输气管道声波法泄漏检测技术的理论与实验研究［J］.声学学报，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］杨理践，景晓斐.输气管道音波泄漏检测技术的研究［J］.沈阳工业大学学报，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］刘翠伟，李玉星，王武昌，等.输气管道泄漏音波产生机理研究［J］.振动与冲击，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］刘恩斌，李长俊.应用负压波法检测输油管道的泄漏事故［J］.哈尔滨工业大学学报，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］杨建国.小波分析及其工程应用［M］.北京：机械工业出版社，2005.

［6］王海生，叶昊.基于小波分析的输油管道泄漏检测［J］.信息与控制，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］陈乃金，周明争.一种新的维纳滤波图像去高斯噪声算法［J］.计算机系统应用，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］张发启.盲信号处理及应用［M］.西安：西安电子科技大学出版社，2006

［9］胥永刚，张发启，何正嘉.独立分量分析及其在故障诊断中的应用［J］.振动与冲击，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］吴军彪，陈进，伍星.基于盲源分离技术的故障特征信号分离方法［J］.机械强度，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，龙源，钟明寿，等.FastICA算法在低信噪比爆破振动信号信噪分离中的应用研究［J］.振动与冲击，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］刘婷婷，任兴民，康召辉.FastICA算法在机械振动信号分离中的应用［J］.西安工业大学学报，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］钟静，傅彦.基于快速ICA的混合语音信号分离［J］.计算机应用，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

国家自然科学基金（51074175，51104175）

2013－08－26 修改稿收到日期：2013－12－19

刘光晓男，硕士生，1988年生

孟令雅男，博士，副教授，1973年生