2.3 定量估计模型影响因素分析
  为分析定量估计模型的影响因素，对式( 1) 取对数后求微分得:

在实际应用中，由于dµ ＜ ＜ µ，dρ ＜ ＜ ρ，dp1 ＜ ＜ p1，dD ＜ ＜ D，这些参数对阀门定量检测的影响可忽略，式( 2) 可简化为:

式( 3) 表明阀门内漏定量模型的主要影响因素为信号均方值PA和压差Δp。dPA 与声发射信号中的噪声有关，dΔp 与仪表精度有关。假设声发射信号x( n) 包含真正信号s( n) 和噪声u( n) 。Ps表示s( n) 的均方值，Pu表示u( n) 的均方值，则阀门内漏声发射检测信号的均方值可表示为:
定量模型的相对误差为:

式中: γQ为阀门内漏率的相对误差，Δpmax为压差的最大量程，dΔp /Δpmax为压力表的精度。信号信噪比( SNＲ) 定义为: SNＲ = 10lg( Ps /Pu) ( 6)

将信噪比SNＲ 代入式( 5) ，整理得:

式中: KΔp是与压力表有关的常数。
  内漏率定量检测相对误差γQ与影响因素SNＲ，Δp 的关系如图1 所示。由图可知γQ随SNＲ 和Δp 的增大而减小。由于对于特定检测实验，Δp 是一定的，对相对误差的影响也是一定的，因此要提高定量模型的估计准确性只有通过提高声发射信号的信噪比，即实现声发射信号的去噪。

    图1 相对误差rQ Q与SNＲ Ｒ和Δp p的关系
    Fig．1 1The erelationship pbetween nrelative eerror r，SNＲandΔp

   2.4 阀门声发射检测主要噪声源
  阀门内漏声发射检测干扰噪声主要有: :环境噪声、机械噪声、电磁噪声等，这些噪声随机地分布在整个采样时间范围内［10］。为了剔除这些噪声，在信号采集时，通过幅值、频率设定和带通滤波器的过滤，滤除了大量低幅值噪声和阀门内漏声发射信号频率范围以外的噪声信号。然而，仍有部分噪声被保存下来，影响了阀门内漏的检测，本节对声发射信号存留的主要噪声进行分析，并提出相应的去噪方法。

1)  机械噪声的影响分析
  在对阀门进行内漏检测时阀门是关闭的，但阀门上游仍然充满液体，由于液体流动加之输油泵的运行会导致输送管道出现机械振动。同时，外界环境的干扰特别是来自阀门上游方向的干扰，都会被引入声发射检测信号，最终造成结果出现偏差。
  阀门关闭时，采集声发射信号如图2 2所示，其信号均方值PA= =38.352 2mµ2 ，当阀门上游出现一轻微扰动时，采集到的信号如图3 所示，其信号均方值PA = 566．584mµ2。2帧信号均方值相差16倍，不仅会造成内漏率估计出现较大偏差，而且可能造成阀门内漏的误报。

    图2阀门关闭时检测传感器采集的信号
    Fig 2The acquired signal of test-sensor when the valve is closed

    图3出现扰动时检测传感器采集的信号

    Fig.3 The acquired signal of test-sensor when the disturbance appears

由图2、图3可知，仅由单一传感器无法准确判断检测到的声发射信号是由机械噪声引起还是阀门内漏造成，更无法实现这类噪声的去除，本文采取在阀门上游侧安装前置传感器的方法滤除该类噪声。图4 4为与图3信号采集同时安装的前置传感器采集到的信号。

    图4出现扰动时前置传感器采集的信号
    Fig.4The acquired signal of front-sensor when the disturbance appears 

图3和图4中可直观的看出，红色方框内的信号波形类似，应属于同一声发射事件，同时图4中信号的幅值明显大于图3的信号，而且对采集到的声发射数据分析得图3、图4中的2帧信号采集时间差Δt=－1．6749ms，即前置传感器先于检测传感器检测到该信号，信号来自阀门上游。
  互相关分析方法能够精确确定2信号的相似程度，利用互相关方法可以在检测传感器接收到的信号中准确定位来自上游的机械噪声干扰，从而实现对该类噪声的去除。

2) 电磁噪声的影响分析
  在阀门内漏声发射检测时，放大器和滤波器等设备的静电感应、电磁感应会引入电磁噪声，图5为图2中数据傅里叶变化得到的频谱图，从图5可以看出，虽然信号是在静止条件下采集的，但信号量仍较大，频率成分复杂，主要集中于70kHz左右。

    图5阀门关闭信号的频谱图
    Fig．5Thespectrumofthesignalwhenthevalveisclosed

图6 为模拟阀门内漏较大，入口压力较小时采集的一帧声发射信号，图7 为信号对应的傅里叶变化后的频率分布情况。从图7中可以看出，阀门内漏率较大时信号频率成分相对集中，主要位于35kHz左右的低频部分，而圆圈部分频率和幅值与阀门关闭时的声发射信号相同，因此这部分信号应为传感器、放大器等引入的电磁噪声。

     图6 阀门内漏声发射信号
    Fig． 6 The acoustic emission signal of internal valve leakage

    图7阀门内漏声发射信号频谱图
    Fig． 7 The spectrum of acoustic emissionsignal of internal valve leakage

这类噪声的频率无法提前确定，一般的频率鉴别去噪方法效果不理想。小波去噪的原理是把带有噪声的声发射信号进行小波分解，声发射信号与噪声在小波变换下的行为各不相同，从而将二者分离开来，实现噪声的去除。

3 互相关分析
  相关性分析是时域中描述信号特性的一种重要方法，通常被用来分析信号的统计特性。对于2 2个采集时间间隔很短的声发射信号波形，通过进行相关性分析，可以辨识出它们之间的相似程度，判断它们是否来自同一次声发射事件，结合信号到达传感器的时间就可以判断信号是否由阀门上游传来。
  设2个传感器接收的声发射信号分别为x(t)、y(t)，则2信号的互相关函数Ｒx，y(τ)表达式为:

当τ=τ0，使得取得最大值时，Ｒx，y(τ)表示其中一个信号在延时τ0 后2路信号相关程度最高。将该处的互相关函数进行归一化计算得到互相关系数:

由许瓦兹(Schwartz)不等式得互相关系数在0～1，越接近1表示2个信号近似程度越高，表示这2个信号来自于同一个声发射源的可能性越大。
  由于信号到达不同传感器的路径存在很大的差异 ，因此，即便是来自于同一个声发射事件，每一个传感器记录下来的信号波形也不会完全相同。图8 为图3、图4中2帧信号的互相关分析的结果，图中信号互相关系数ρ=0.64，相似度较高，可以确定为一个声发射事件。

 图8帧信号的互相关分析
   Fig．8 Cross-correlation analysis of two frame signals

采用互相关分析方法不仅通过计算信号之间的互相关系数，得知2个传感器接收到的信号的近似程度，而且可以比较精确地确定同一声发射信号到达2个传感器的时间差，从而便于实现噪声信号的去除［11］。