基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法技术

技术编号:20941848 阅读:72 留言:0更新日期:2019-04-24 01:20
本发明专利技术提供基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法,属于供水管网泄漏检测与定位技术领域。本发明专利技术首先采集管道未通水时的环境背景噪声信号,而后在同一环境背景下分别采集管道正常时的声音信号、管道在漏损时的声音信号;对采集的信号分别计算其lyapunov指数、短时过零率、线性预测倒谱系数LPCC,并建立B‑P神经网络;在待测管道上采集声音信号,分别计算其lyapunov指数、短时过零率、线性预测倒谱系数特征值并输入所建立的B‑P神经网络,进行漏损辨识。本发明专利技术解决了现有供水管道检漏技术依靠人的经验辨识、漏损辨识精度不高的问题。本发明专利技术可用于供水管道漏损精确辨识。

Leakage Identification Method of Water Supply Pipeline Based on Linear Predictive Cepstrum Coefficient and Lapunov Index

The invention provides a water supply pipeline leakage identification method based on linear prediction cepstrum coefficient and Lyapunov index, which belongs to the technical field of water supply pipeline leakage detection and location. The invention firstly collects environmental background noise signals when pipelines are not open to water, and then collects sound signals when pipelines are normal and pipelines are leaking under the same environmental background; calculates Lyapunov index, short-time zero-crossing rate and linear prediction cepstrum coefficient LPCC respectively for the collected signals, and establishes B_P neural network; collects sound signals on pipelines to be measured; The Lapunov exponent, short-time zero-crossing rate and the eigenvalues of linear prediction cepstrum coefficients are calculated and input into the established B_P neural network for leakage identification. The invention solves the problem that the existing leak detection technology of water supply pipeline relies on human experience identification and the accuracy of leak identification is not high. The invention can be used for accurate identification of water supply pipeline leakage.

【技术实现步骤摘要】
基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法
本专利技术涉及供水管道漏损辨识方法,属于供水管网泄漏检测与定位

技术介绍
水是生命之源、发展之本,水资源是关系国计民生的一项重要资源;我国城市的供水管网漏失率较高,据统计,我国600多个城市供水管网的平均漏损率(管网漏损率是管网漏水量与供水总量之比)超过15%,最高达70%以上,全国城市供水年漏损量近100亿立方米;而乡镇供水管道的漏失情况更为严重。目前主流的主动漏失监测方法有基于流量监测的方法和基于声波振动信号监测的方法两种。基于流量监测的漏失监测方法:将检漏目标区域与外界连接的其中一个阀门上安装流量计,并关闭除此之外的其它所有阀门,则在深夜用水量最小时,就可以通过流量计来判断该区域内有无漏失。如果有,则通过关闭阀门进一步缩小区域范围,直到缩小至管段范围。如果现场条件不允许只开启一个阀门,则可以留一个进水口和一个出水口,并在这两处安装流量计。通过两个流量计及小区内用户水表的读数来判断该区域内有无漏失。基于流量监测的方法的缺点则在于,通过逐步缩小检测区域的方法,可以最终找到漏失点的位置及漏失量的大小,但是这种方法,工作强度非常大,经常需要在深夜进行,而且在一个区域内频繁地开闭一些阀门,会导致管道内水流频繁发生变化,使管垢脱落,带来水质恶化风险。基于声波振动信号监测的方法:利用声波振动信号进行供水管网泄漏检测与定位是目前自来水公司采用的主要手段。管网漏失存在时,由于水流与管壁的摩擦,会产生声波振动信号,基于声波振动信号监测的方法即是通过对这些声学信号的监测进而发现管网漏失。这种方法又称为听音检漏法,是主动检漏法的一种,是指通过工人或仪器对管道进行“听诊”的方式而发现漏失的方法。这种方法最初是工人通过将听音棒连到管道构筑物(闸阀、消防栓等)或管道上方地面上来听取管道中水流声音的。有经验的工人可以根据听到的声音来判断有无漏失,以及漏失的大概位置。显然这种方法对工人的能力和经验提出了很高的要求,并且效率较低。目前供水管道漏水检测的常用方式是先通过压力流量监测或用户反应确定漏损大致区域,而后通过关闭通水的阀门,确定漏损的大致区域,而后通过听漏杆和阀栓接触,有经验的工人用人耳判断该管段是否发生漏损,最后通过电子放大听漏仪确定漏点的准确位置。听漏杆目前在检漏队伍中几乎人手一根,用以确定管段是否漏水,缺点是工作人员需要不断的比较来搜索漏损管段,为了找到一个漏点需要花费较多的人力和时间,同时定位精度不高可能导致大片开挖管道,且使用效果较大程度依赖于工人的经验;物业小区等若发生漏损,非专业人员使用听漏杆等设备,无法对漏损进行判断。
技术实现思路
本专利技术为解决现有供水管道检漏技术依靠人的经验辨识、漏损辨识精度不高的问题,提供了基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法。本专利技术所述基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法,通过以下技术方案实现:步骤一、采集管道未通水时的环境背景噪声信号,而后在同一环境背景下分别采集管道正常时的声音信号、管道在漏损时的声音信号;步骤二、对采集的信号分别计算其lyapunov指数、短时过零率、线性预测倒谱系数LPCC;lyapunov指数就是李雅谱诺夫指数;步骤三、以步骤二中计算得到的lyapunov指数、短时过零率、线性预测倒谱系数特征,建立B-P神经网络;步骤四、在待测管道上采集声音信号,分别计算其lyapunov指数、短时过零率、线性预测倒谱系数特征值;步骤五、将步骤四中得到的待测管道上的特征值输入所建立的B-P神经网络,进行漏损辨识。本专利技术最为突出的特点和显著的有益效果是:本专利技术所涉及的基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法,通过采集信号的lyapunov系数、线性预测倒谱系数IPCC、短时过零率特征,建立B-P神经网络;能够智能化、快速、准确的对管道是否发生漏损进行判断,避免了现有检漏工作中对工人经验的依赖性过高的状况,使得非专业认识也能进行管道漏损辨识;并且本专利技术方法大大提高了辨识准确率,仿真实验对100组声音信号进行辨识,漏损辨识精度高达99%,节约了无效开挖的成本。附图说明图1为本专利技术中漏损信号采集结构示意图;图2为本专利技术流程图;图3为实施例中的神经网络训练集(R=0.99996)回归曲线图;其中,Date表示数据,Fit为拟合,Y指的实际输出;T为实际目标;图4为实施例中的神经网络验证集(R=0.99726)回归曲线图;图5为实施例中的神经网络测试集(R=0.99989)回归曲线图;图6为实施例中的神经网络总体(R=0.99956)回归曲线图;图7为实施例中的神经网络性能曲线图;图8为实施例中采用本专利技术方法辨识漏损的预测结果与实际漏损情况对比图;其中,1.管道,2.阀栓(阀门或者消火栓),3.加速度传感器,4.电荷放大器,5.动态采集分析仪,6.上位机。具体实施方式具体实施方式一:结合图1、图2对本实施方式进行说明,本实施方式给出的基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法,具体包括以下步骤:步骤一、采集管道未通水时的环境背景噪声信号,而后在同一环境背景下分别采集管道正常时的声音信号、管道在漏损时的声音信号。采集过程如图1所示,将加速度传感器3与水管1上的阀栓2连接,加速度传感器3将收集到的声音信号转化为电信号,然后将电信号传递至电荷放大器4进行放大,而后通过动态采集分析仪5连接到上位机6进行后续分析;步骤二、对采集的信号分别计算其lyapunov指数、短时过零率、线性预测倒谱系数LPCC;lyapunov指数就是李雅谱诺夫指数;步骤三、以步骤二中计算得到的lyapunov指数、短时过零率、线性预测倒谱系数特征,建立B-P神经网络;步骤四、在待测管道上采集声音信号,分别计算其lyapunov指数、短时过零率、线性预测倒谱系数特征值;步骤五、将步骤四中得到的待测管道上的特征值输入所建立的B-P神经网络,进行漏损辨识。具体实施方式二:本实施方式与具体实施方式一不同的是,所述lyapunov指数的计算过程具体包括:A1、通过自相关函数法计算信号S的时间延迟τ;A2、通过对信号S的傅里叶变换求其平均周期T′;A3、对信号S进行关联维数c计算,进而确定嵌入维数m;A4、利用时间延迟τ、平均周期T′、嵌入维数m对待测信号S进行相空间重构,得到重构后信号相空间Y(ti);i=0,…,n;其中,t0表示时间序列的起始点,tn为时间序列终点;A5、计算重构后信号相空间的起始点Y(t0)和与其最邻近点Y0(t0)的距离L0;A6、追踪A5中两点的时间演化,直至某时刻ti,Y(ti)和与其最邻近点Y0(ti)的距离Li超过阈值ε,计算此次迭代的LMD值:A7、在Y(ti)附近另找一个点Y1(ti),计算Y(ti)与Y1(ti)之间的距离Li′,使得Li′≤ε,并且Li与Li′线段的夹角最小;A8、重复A6、A7,直至到达时间序列终点,迭代总次数为M;A9、计算M次LMD值的平均值,得到Lyapunov指数为:Lyapunov指数是衡量系统动力学特性的一个重要定量指标,它表征了系统在相空间中相邻轨道间收敛或发散的平均指数率。对于本文档来自技高网
...

【技术保护点】
1.基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法,其特征在于,所述方法具体包括以下步骤:步骤一、采集管道未通水时的环境背景噪声信号,而后在同一环境背景下分别采集管道正常时的声音信号、管道在漏损时的声音信号;步骤二、对采集的信号分别计算其lyapunov指数、短时过零率、线性预测倒谱系数LPCC;lyapunov指数就是李雅谱诺夫指数;步骤三、以步骤二中计算得到的lyapunov指数、短时过零率、线性预测倒谱系数特征,建立B‑P神经网络;步骤四、在待测管道上采集声音信号,分别计算其lyapunov指数、短时过零率、线性预测倒谱系数特征值;步骤五、将步骤四中得到的待测管道上的特征值输入所建立的B‑P神经网络,进行漏损辨识。

【技术特征摘要】
1.基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法,其特征在于,所述方法具体包括以下步骤:步骤一、采集管道未通水时的环境背景噪声信号,而后在同一环境背景下分别采集管道正常时的声音信号、管道在漏损时的声音信号;步骤二、对采集的信号分别计算其lyapunov指数、短时过零率、线性预测倒谱系数LPCC;lyapunov指数就是李雅谱诺夫指数;步骤三、以步骤二中计算得到的lyapunov指数、短时过零率、线性预测倒谱系数特征,建立B-P神经网络;步骤四、在待测管道上采集声音信号,分别计算其lyapunov指数、短时过零率、线性预测倒谱系数特征值;步骤五、将步骤四中得到的待测管道上的特征值输入所建立的B-P神经网络,进行漏损辨识。2.根据权利要求1所述基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法,其特征在于,所述lyapunov指数的计算过程具体包括:A1、通过自相关函数法计算信号S的时间延迟τ;A2、通过对信号S的傅里叶变换求其平均周期T′;A3、对信号S进行关联维数c计算,进而确定嵌入维数m;A4、利用时间延迟τ、平均周期T′、嵌入维数m对待测信号S进行相空间重构,得到重构后信号相空间Y(ti);i=0,…,n;其中,t0表示时间序列的起始点,tn为时间序列终点;A5、计算重构后信号相空间的起始点Y(t0)和...

【专利技术属性】
技术研发人员:张鹏赫俊国杨宝明吴晨光袁一星
申请(专利权)人:哈尔滨工业大学
类型:发明
国别省市:黑龙江,23

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1