一种管道定位方法

摘要

本发明公开了一种管道定位方法，首先对原始信号进行CEEMD分解，然后对分解后的含噪信号进行去噪，再对其进行互相关计算，根据互相关程度剔除无效的冗余分量，最后将分解去噪后的信号重构，并通过FastICA分离出单个泄漏源信号，再利用时差定位公式对泄漏点进行定位。实验结果表明，本发明的方法适用于金属管道多点泄漏的检测和定位，并且能较大程度地提高管道泄漏定位的精确度，为实际工程应用提供了有力的理论依据和实践经验。

权利要求

1.一种管道定位方法，其特征在于，包括以下步骤：

S1：原始数据采集；

S2：利用CEEMD对原始信号进行分解处理，将原始信号分解为各阶IMF；

S3：采用小波软阈值去噪法将各阶IMF中的随机噪声去除，提取各阶IMF中有用信号；

S4：对S3消噪后的信号进行互相关计算，依据互相关程度高低剔除无效的冗余分量，得到观测信号；

互相关计算剔除无效冗余分量的步骤如下：

对所有分解的得到的IMF，分别求其本身和原始信号x(t)的互相关程度，将互相关程度低的判定为无效冗余IMF分量并予以剔除，从而得到有效IMF分量；原始信号x(t)与分解得到的IMF分量之间的互相关系数求法为： ，其中， 为一个原始信号x(t)和一个延迟时间为τ的分量信号 在时间T内的互相关函数，τ为IMF分量信号相对于原始信号x(t)的延时，t为原始信号x(t)传播的时间， 为延迟了τ时刻后的IMF分量；

S5：再对S4得到的观测信号重构、升维，进行Fast ICA盲源分离，得到两点泄漏分离后的有效泄漏信号；

S6：最后对S5得到的有效泄漏信号进行定位计算，得到泄漏信号的时差，进而得到泄漏点距不同传感器的位置，实现精确定位。

2.如权利要求1所述的一种管道定位方法，其特征在于，所述步骤S1具体包括：S1.1：在被测管道上设置泄漏声发射传感器；

S1.2：利用传感器采集管道泄漏信号，作为管道泄漏原始信号x(t)。

3.如权利要求1所述的一种管道定位方法，其特征在于，所述步骤S2具体包括：定义运算符号 为EMD分解的第j个固有模态函数， 是单位方差为零均值的高斯白噪声， 是每个阶段设定的信噪比系数，CEEMD算法的具体步骤如下：（1）首先对原始信号x(t)加入高斯白噪声 ，对目标信号 进行n次EMD分解，获得第一个固有模态函数 ， ；

（2）然后计算得到一阶残差 ， ；

（3）对于一阶残差 中添加白噪声信号，构造信号 并再次进行分解，获得第二个固有模态函数IMF2， ；

（4）以此类推计算第k个残差 ， ，k=2,3...K；

（5）再继续分解 ，将它的第一个固有模态函数分量作为CEEMD的， ；

（6）继续分解直到满足结束条件，即残差极值最多不超过两个，否则返回到步骤（4）-（6）中进行计算，最终获得剩余残差，即冗余分量 ，其中k是IMF的总数；

通过CEEMD分解，可以将信号分解为含噪信号、有效泄漏信号和冗余分量；其中， 和  分别为含噪信号和有效泄漏信号；N表示噪声和信号的分界，即：  。

4.如权利要求1或3所述的一种管道定位方法，其特征在于，所述S3中小波软阈值去噪原理的步骤如下：（1）小波分解：对含噪信号进行小波分解，分别获取第一层细节信号和第一层近似信号；对第一层近似信号再进行小波分解，获取对应的第二层细节信号和第二层近似信号；重复以上操作，直至获取到对应的第三层细节信号和第三层近似信号；

（2）阈值量化：由含噪信号的信噪比决定各层小波分解降噪所需的阈值；

（3）小波重构：通过小波逆变换，将小波分解得到的最低层低频系数和各层高频系数进行重构，即可得到去噪后的信号图像。

5.如权利要求1所述的一种管道定位方法，其特征在于，所述步骤S5具体为如下：假设用Z个传感器进行管道泄漏试验，得到了Z个关于泄漏的未知信源S，对Z个未知信源S经混合矩阵A线性混合为信号H，即 ，式中A为混合模型， 为各泄漏点产生的泄漏信号，Z为两采集点之间泄漏点个数；

通过FastICA计算可以找到解混矩阵W，每次可以从观测信号中分离出一个分量，经过多次分离可将所需有效泄漏信号从混合信号中分离出来，即 ，式中W为解混矩阵，H为混合信号，A为混合模型，S为各泄漏点产生的泄漏信号，Y为分离后的有效泄漏信号。

6.如权利要求1所述的一种管道定位方法，其特征在于，所述S6中针对金属管道两点泄漏的定位采用时差定位公式进行计算： ，式中x为被检测管道泄漏源位置，即泄漏点到上游声发射传感器的距离；L为两声发射传感器之间的距离， 为泄漏信号到达两个传感器的时间差，v为泄漏信号在管道中的传播速度；由计算得到的泄漏信号传播到上、下游声发射传感器时间差 和泄漏信号在管道中的传播速度v，结合时差定位公式最终计算得到的泄漏定位结果。

说明书

一种管道定位方法

技术领域

[0001] 本发明涉及压力管道泄漏监测技术领域，更为具体来说，本发明提出一种管道定位方法，具体为一种基于CEEMD的城市管道泄漏检测及精确定位方法。

背景技术

[0002] 在运输大量石油、天然气、化学品和水时，管道运输是最经济的运输方案。它具有运输总量大，不间断传送，不受气候等其他因素影响的优势。因此，管道运输成为继公路运输、铁路运输、水上运输、航空运输后的第五种主要运输方式。

[0003] 城市管道在长期使用过程中，因受内外腐蚀等多种因素影响而容易引发泄漏。尤其是早期发生的微小泄漏，由于其泄漏孔径小、泄漏流量小等特点，导致微小泄漏难于通过视觉、听觉和管道检测系统捕捉。实际工况中，管道的泄漏通常是多个泄漏点相互作用形成的，而多点泄漏往往具有信号干扰大，信号包含内容多等特点，导致多点泄漏信号难以提取，定位误差大，给实际检测带来诸多问题。

[0004] 经验模态分解（EMD）是近些年发展起来的一种针对非线性、非平稳信号的分析方法，这种算法将信号分解为一系列振荡函数,其强大的自适应特征使得 EMD广泛应用于信号分析领域。然而，EMD本身存在模态混叠，其导致分解出的具有不同振幅特征的固有模态函数（IMF）相互叠加；为此，在其基础上产生了集合经验模态分解（EEMD），它将白噪声加入待分析信号再进行EMD分解，且在一定程度上缓解了模态混叠效应，但是EEMD本身也存在一些问题，如信号分解过程中白噪声没有完全被消除等。针对上述问题，2011年Torres等提出了互补集合经验模态分解（CEEMD），其有效提高了计算精度和效率，缓解了EEMD本身的缺陷，应用EEMD实现时频分解。事实上，CEEMD也并非完美无瑕,其主要存在两个问题，其一是信号分解后的模态中保留有残余噪声；其二是存在冗余模态。2017年6月，杨凯在《基于ICEEMD的地震信号去噪》一文中，采用改进的CEEMD方法对含噪信号进行去噪处理，但在其算法过程中并未对无效冗余分量进行进一步处理。

[0005] 针对上述问题，本发明提出一种基于CEEMD的城市管道泄漏检测及精确定位方法，可将CEEMD分解产生的随机噪声和无效冗余分量逐步消除。

发明内容

[0006] 为克服现有技术的不足，本发明提供了基于CEEMD的城市管道泄漏检测及精确定位方法，不仅能够对一般的埋地管道泄漏点准确定位，而且能够对小流量城市管道泄漏点进行准确定位；该定位方法包括如下步骤如下：

[0007] 一种管道定位方法，包括以下步骤：

[0008] S1：原始数据采集；

[0009] S2：利用CEEMD对原始信号进行分解处理，将原始信号分解为各阶IMF；

[0010] S3：采用小波软阈值去噪法将各阶IMF中的随机噪声去除，提取各阶IMF中有用信号；

[0011] S4：对S3消噪后的信号进行互相关计算，依据互相关程度高低剔除无效的冗余分量，得到观测信号；

[0012] S5：再对S4得到的观测信号重构、升维，进行Fast ICA盲源分离，得到两点泄漏分离后的有效泄漏信号；

[0013] S6：最后对S5得到的有效泄漏信号进行定位计算，得到泄漏信号的时差，进而得到泄漏点距不同传感器的位置，实现精确定位。

[0014] 进一步，所述步骤S1具体包括：

[0015] S1.1：在被测管道上设置泄漏声发射传感器；

[0016] S1.2：利用传感器采集管道泄漏信号，作为管道泄漏原始信号x(t)。

[0017] 进一步，所述步骤S2具体包括：

[0018] 定义运算符号 为EMD分解的第j个固有模态函数， 是单位方差为零均值的高斯白噪声， 是每个阶段设定的信噪比系数，CEEMD算法的具体步骤如下：

[0019] （1）首先对原始信号x(t)加入高斯白噪声 ，对目标信号 进行n次EMD分解，获得第一个固有模态函数 ， ；

[0020] （2）然后计算得到一阶残差 ，  ；

[0021] （3）对于一阶残差 中添加白噪声信号，构造信号 并再次进行分解，获得第二个固有模态函数IMF2， ；

[0022] （4）以此类推计算第k个残差 ， ，k =2,3...K；

[0023] （5）再继续分解 ，将它的第一个固有模态函数分量作为CEEMD的， ；

[0024] （6）继续分解直到满足结束条件，即残差极值最多不超过两个，否则返回到步骤（4）-（6）中进行计算，最终获得剩余残差，即冗余分量 ，其中k是IMF的总数；

[0025]

[0026] 通过CEEMD分解，可以将信号分解为含噪信号、有效泄漏信号和冗余分量；其中，和 分别为含噪信号和有效泄漏信号；N表示噪声和信号的分界，即： 。进一步，所述S3中小波软阈值去噪原
理的步骤如下：

[0027] （1）小波分解：对含噪信号进行小波分解，分别获取第一层细节信号和第一层近似信号；对第一层近似信号再进行小波分解，获取对应的第二层细节信号和第二层近似信号；重复以上操作，直至获取到对应的第三层细节信号和第三层近似信号；

[0028] （2）阈值量化：由含噪信号的信噪比决定各层小波分解降噪所需的阈值；

[0029] （3）小波重构：通过小波逆变换，将小波分解得到的最低层低频系数和各层高频系数进行重构，即可得到去噪后的信号图像。

[0030] 进一步，所述S4中互相关计算剔除无效冗余分量的步骤如下：

[0031] 对所有分解的得到的IMF，分别求其本身和原始信号x(t)的互相关程度，将互相关程度低的判定为无效冗余IMF分量并予以剔除，从而得到有效IMF分量；原始信号x(t)与分解得到的IMF分量之间的互相关系数求法为： ，其中，为一个原始信号x(t)和一个延迟时间为τ的分量信号 在时间T内的互相关
函数，τ为IMF分量信号相对于原始信号x(t)的延时，t为原始信号x(t)传播的时间，为延迟了τ时刻后的IMF分量。

[0032] 进一步，所述步骤S5具体为如下：

[0033] 假设用Z个传感器进行管道泄漏试验，得到了Z个关于泄漏的未知信源S，对Z个未知信源S经混合矩阵A线性混合为信号H，即 ，式中A为混合模型， 为各泄漏点产生的泄漏信号，Z为两采集点之间泄漏点个数；

[0034] 通过FastICA计算可以找到解混矩阵W，每次可以从观测信号中分离出一个分量，经过多次分离可将所需有效泄漏信号从混合信号中分离出来，即 ，式中W为解混矩阵，H为混合信号，A为混合模型，S为各泄漏点产生的泄漏信号，Y为分离后的有效泄漏信号。

[0035] 进一步，所述S6中针对金属管道两点泄漏的定位采用时差定位公式进行计算：，式中x为被检测管道泄漏源位置，即泄漏点到上游声发射传感器的距离；L为两声发射传感器之间的距离， 为泄漏信号到达两个传感器的时间差，v为泄漏信号在管道中的传播速度；由计算得到的泄漏信号传播到上、下游声发射传感器时间差 和泄漏信号在管道中的传播速度v，结合时差定位公式最终计算得到的泄漏定位结果。

[0036] 本发明可以达到以下有益效果：

[0037] 1、利用CEEMD分解，可以减少先前方法中残余噪声的影响，也可以提高计算效率。

[0038] 2、利用小波软阈值去噪，可以对分解后的高频分量进行处理，去除大部分噪声。

[0039] 3、利用IMF互相关计算，可以进一步将无效冗余分量进行剔除。

[0040] 4、利用Fast ICA盲源分离技术对信号固有模态进一步处理，可以正确地获得非平稳振动信号的时频变化特征，实现真实信号的特征提取。

[0041] 5、利用时差线定位算法，根据真实信号特征进行管道泄漏精确定位。

附图说明

[0042] 图1为本发明的算法流程图；

[0043] 图2为两点泄漏检测示意图；

[0044] 图3为上游CEEMD处理结果图；

[0045] 图4为下游CEEMD处理结果图；

[0046] 图5为上游信号小波软阈值去噪结果图，图5（a）为去噪前信号图，图5（b）为去噪后信号图；

[0047] 图6为下游信号小波软阈值去噪结果图，图6（a）为去噪前信号图，图6（b）为去噪后信号图；

[0048] 图7为第5阶IMF互相关计算结果图；

[0049] 图8为上游FastICA计算结果图；

[0050] 图9为下游FastICA计算结果图；

[0051] 图10为上游FastICA计算结果图；

[0052] 图11为下游FastICA计算结果图。

具体实施方式

[0053] 下面将结合附图及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

[0054] 如图1所示，一种基于CEEMD的城市管道泄漏检测及精确定位方法，具体包括以下步骤：

[0055] S1：原始数据采集：在被测管道上设置声发射传感器，通过传感器对泄漏信号采集，获取管道泄漏原始信号x(t)；

[0056] 实验管道如图2，管道长度为50m，管道材质为钢材，管道规格为DN150，介质为压缩空气，管道内介质处于流动状态；上游声发射传感器1放置于零点位置，距离上游声发射传感器16m和30m处分别为两个泄漏孔径为2.0mm的泄漏孔；距离上游声发射传感器40m的地方安装固定下游声发射传感器2，即两传感器间距40m。利用声发射传感器对泄漏信号进行采集，管道压力0.3MPa，实验随机提取30个泄漏信号数据作为后续处理的原始信号x(t)，如表1所示。

[0057] 表1 0.3MPa压力下金属管道两点泄漏原始数据

[0058]

[0059] 从表中可以看出，泄漏管道声发射粗定位存在较大的误差，需要进一步分析处理；本实施例随机取第1个数据进行具体计算。

[0060] S2：应用CEEMD对原始信号x(t)进行分解处理

[0061] 定义运算符号 为EMD分解的第j个固有模态函数， 是单位方差为零均值的高斯白噪声， 是每个阶段设定的信噪比系数，CEEMD算法的具体步骤如下：

[0062] （1）首先，对原始信号x(t)加入高斯白噪声 ，对目标信号 进行n次EMD分解，获得第一个固有模态函数 ；

[0063]        （1）

[0064] （2）然后，计算得到一阶残差

[0065]   （2）

[0066] （3）对于一阶残差 中加入白噪声，构造信号 并再次进行分解，获得第二个固有模态函数IMF2；

[0067]    （3）

[0068] （4）以此类推计算第k个残差 ，k =2,3...K

[0069]   （4）

[0070] （5）再继续分解 ，i=1,2...n，将它的第一个固有模态函数分量作为CEEMD的IMF(k+1)；

[0071] （5）

[0072] （6）继续分解直到满足结束条件（残差极值最多不超过两个），否则返回到步骤(4)-(6)中进行计算，最终获得剩余残差，即冗余分量 ，其中k是IMF的总数。

[0073] （6）

[0074] 通过CEEMD分解，可以将信号分解为含噪信号、有效泄漏信号和冗余分量；其中，和 分别为含噪信号和有效泄漏信号,N表示噪声和信号的分界，即：

[0075]    （7）

[0076] 借助Matlab软件，编制相应软件，对原始信号x(t)进行CEEMD处理，将原始信号 x(t)分解为各阶IMF（固有模态函数）的形式，其计算结果如图3和图4所示，其中有效信号一般集中在低频分量，噪声一般集中在高频分量，上、下游原始信号被分解为11阶IMF分量。

[0077] S3：小波消噪去除CEEMD分解信号中的含噪信号，利用小波软阈值去噪法对含噪信号进行降噪处理，提取各阶IMF中有用信号

[0078] CEEMD分解信号中含有噪声的信号被包含在前几阶IMF分量之中，而后几阶IMF分量中主要包含低频的有效信号；一般来说，后几阶分量以有效信息为主，而前几阶成分中含大量的随机噪声；因此，对前三阶IMF分量进行小波软阈值去噪处理，即可去除大部分随机噪声，小波软阈值去噪步骤为：

[0079] （1）小波分解：对含噪信号进行小波分解，分别获取第一层细节信号和第一层近似信号；对第一层近似信号再进行小波分解，获取对应的第二层细节信号和第二层近似信号；重复以上操作，直至获取到对应的第三层细节信号和第三层近似信号；

[0080] （2）阈值量化：由含噪信号的信噪比决定各层小波分解降噪所需的阈值，使用Matlab小波工具箱中的自适应阈值函数，直接通过计算得到所需阈值；

[0081] （3）小波重构：通过小波逆变换，将小波分解得到的最低层低频系数和各层高频系数进行重构，即可得到去噪后的信号。

[0082] 通过CEEMD处理，原始信号x(t)被分解为多个IMF分量的形式，针对声发射信号的特性，采用可以实现离散小波变换的小波基函数，即sym8，分解尺度由传感器采集的泄漏信号中含有的信号种类数所决定，即取3；去噪后的结果如图5（b）和图6（b）所示，分别为上、下游第一阶IMF的去噪图，图5（a）和图6（a）分别为去噪前的信号图。

[0083] S4：对S3小波消噪后的信号进行互相关计算，剔除无效的冗余分量

[0084] 互相关函数是描述随机信号 、 在任意两个不同时刻 、 的取值之间的相关程度，互相关函数给出了在频域内两个信号是否相关的一个判断指标，把两测点之间信号的互谱与各自的自谱联系了起来，它能用来确定输出信号有多大程度来自输入信号，对修正测量中接入噪声源而产生的误差非常有效。

[0085] 经小波软阈值去噪后的信号中还存在冗余IMF分量，其中无效的冗余分量会干扰信号提取的完备性，必须将其进行剔除；所用方法主要是对所有分解的得到的IMF分量，求其本身与原始信号x(t)的互相关程度，将互相关程度低的判定为无效冗余IMF分量，并予以剔除，并得到有效IMF分量；原始信号x(t)与分解得到IMF分量之间的互相关系数求法为：

[0086]        （8）

[0087] 其中， 为一个原始信号x(t)和一个延迟时间为τ的分量信号 在时间T内的互相关函数，τ为IMF分量信号相对于原始信号x(t)的延时，t为原始信号x(t)传播的时间， 为延迟了τ时刻后的IMF分量。

[0088] 对于相关系数的大小所表示的意义目前在统计学界尚不一致，但通常是这样确定：

[0089]相关系数 相关程度
±0.00 ±0.30 微相关
~
±0.30 ±0.50 实相关
~
±0.50 ±0.80 显著相关
~
±0.80 ±1.00 高度相关
~

[0090] 通过对各阶IMF互相关计算，剔除与原始信号 x(t)相关系数小于0.3的信号分量，即无效的冗余分量，具体结果如图7所示。

[0091] 分别将上下游去噪后的IMF分量进行互相关计算，结果如表2和表3所示。

[0092] 表2 上游各阶IMF互相关计算结果

[0093]  相关系数 相关程度
IMF1 0.9989 显著相关
IMF2 0.9654 显著相关
IMF3 0.9320 显著相关
IMF4 0.7836 显著相关
IMF5 0.7448 显著相关
IMF6 0.3324 实相关
IMF7 0.0265 微相关
IMF8 0.0092 微相关
IMF9 0.0145 微相关
IMF10 0.0158 微相关
IMF11 0.0404 微相关

[0094] 表3 下游各阶IMF互相关计算结果

[0095]   相关系数 相关程度IMF1 0.9822 显著相关
IMF2 0.9400 显著相关
IMF3 0.9530 显著相关
IMF4 0.8234 显著相关
IMF5 0.4240 实相关
IMF6 0.0170 微相关
IMF7 0.0178 微相关
IMF8 0.0167 微相关
IMF9 0.0122 微相关
IMF10 0.0155 微相关
IMF11 0.0407 微相关

[0096] 根据以上结果，将相关程度为微相关的IMF认定为无效冗余分量并将其剔除，得到观测信号。

[0097] S5：对S4得到的观测信号重构、升维，进行FastICA（快速独立分量分析）信号盲源分离，得到两点泄漏分离后的有效泄漏信号；

[0098] 其原理描述如下：假设用Z个传感器进行管道泄漏试验，得到了Z个关于泄漏的原始信号，对Z个未知信源S经混合矩阵A线性混合为信号H，即

[0099]    （9）

[0100] 式中，A为混合模型， 为各泄漏点产生的泄漏信号，Z为两采集点之间泄漏点个数，已知两点泄漏，则Z=2，则上式转化为：

[0101]   （10）

[0102] 通过FastICA计算可以找到解混矩阵W，每次可以从观测信号中分离出一个分量，经过多次分离可将所需有效泄漏信号从混合信号中分离出来，即

[0103]                        （11）

[0104] 式中，W为解混矩阵，H为混合信号，A为混合模型，S为各泄漏点产生的泄漏信号，Y为分离后的有效泄漏信号。

[0105] Fast ICA算法是基于最大化投影的非高斯性最大化组件的统计独立性，采用峰负熵的鲁棒近似，以其最大化快速进行定点迭代，每次从观测信号中分离出一个独立成分量，经过多次分离，可以将所需有效泄漏信号分离出来；能够实现快速收敛，没有多余要考虑的参数，主观性较低，易于使用。其算法的迭代公式为：

[0106]          （12）

[0107] 式中： 为输出矩阵；E为均值迭代运算函数； 与 分别为 的一阶导数和二阶导数； 为迭代次数；

[0108] Fast ICA算法过程如下：

[0109] （1）对观测信号 进行中心化、白化处理。

[0110] （2）选择需要估计的分量个数 ，随机选择一个初始权矢量 ，设迭代次数；

[0111] （3）根据式（12），得到新的权矢量 ；

[0112] （4）归一化 ： ；

[0113] （5）若 不收敛，返回第（3）步，直到收敛分离结束。

[0114] 利用Matlab软件中的FastICA工具箱对分离后的泄漏信号进行时域分析，得到分离后有效泄漏信号的时域分析图，从而获得分离后泄漏信号的采样点数，如图8和图9所示。

[0115] S6：定位计算

[0116] 管道泄漏定位计算公式如下：

[0117]             （13）

[0118] 式中：x为被检测管道泄漏源位置，即泄漏点到上游声发射传感器的距离，单位是m；L为两声发射传感器之间的距离，单位是m； 为泄漏信号到达两个传感器的时间差，单位是s；v为泄漏信号在管道中的传播速度，单位是m/s。

[0119] 根据S5得到下游声发射传感器2和上游声发射传感器1分离后的信号采样点数的差值 ，从而计算出两点混合泄漏信号定位时差 ，结合公式（13）最终计算得到的泄漏定位结果。

[0120] 根据公式（13），计算得到表1中第1个数据中的其中一个泄漏信号定位时差 ，即。

[0121] 管道泄漏声速v不仅受管道材料的影响，还受到不同介质、工况的影响，且使用不同方法检测到的波速都有所差别。目前，国内外尚未形成统一的泄漏声波速度计算方法，各研究人员检测计算得到的波速值也不一致。根据沈功田《声发射检测技术及应用》（科学出版社，2015年版）：压缩空气介质所产生的声发射波在钢制管道中的传播波速为850 1050m/~s，并通过大量实验对典型管道泄漏声波速度进行了测量，其中，对65m长的 钢制管道的测量恰好与本实施例工况一致，最终确定其声速平均值为950m/s。

[0122] 将 代入时差定位公式（公式（13）），即可计算得到的泄漏定位结果，即。

[0123] S7：未剔除冗余分量的定位计算对比

[0124] 2017年6月杨凯在《基于ICEEMD的地震信号去噪》一文中，采用改进的CEEMD方法对含噪信号进行去噪处理，但在其算法过程中并未对无效冗余分量进行进一步处理。

[0125] 同样的原始数据，按照本实施例的算法，在对原始信号进行CEEMD分解后仅采用小波去噪，而不采用互相关计算去除冗余分量，然后进行FastICA计算可得时域分析图如图10和图11所示。

[0126] 因此根据上下游泄漏信号的采样点数差值，可以计算出两点混合泄漏定位信号的时差 ，即 。

[0127] 再将泄漏信号在管道中的传播速度 代入时差定位公式，即可计算得到的泄漏定位结果，即 。

[0128] 对本发明信号处理定位计算结果与杨凯等提出的未剔除无效冗余分量的计算结果对比，得到表4。

[0129] 表4 CEEMD信号剔除无效冗余分量前后对比

[0130]

[0131] 由以上计算过程可知，粗定位的相对误差为23.25%，经过本发明处理方法处理后，泄漏定位的相对误差降低至4.44%，而未经冗余分量处理的定位相对误差为9.63%。可见，本发明方法可使得泄漏源定位的精确度得到有效提高。

[0132] 以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。