CN109827081A - 一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法 - Google Patents

Abstract

本发明公开了一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，属于管道故障诊断领域。本发明用检测装置选择相应管道进行检测，计算机从接收端获得四种工况下的信号；对获得声学信号进行小波包分解；提取各频段分量的能量分布特征、样本熵和波形特征，将多种特征级联构成特征向量来表征不同工况的信号；用先收集好的训练样本的特征向量构建超完备字典；采用稀疏表征方法在超完备字典基础上求得检测信号在不同类别中的重构信号，通过计算测试样本及其重构信号的残差值实现管道堵塞程度与三通件的识别。本发明可以识别管道中不同程度的堵塞以及管道三通件并提高了识别结果的准确性，对外界环境变化具有一定的鲁棒性。

Description

一种基于声学主动检测的埋地排水管道堵塞故障及管道三通 件诊断方法

技术领域

本发明涉及一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，属于管道故障诊断领域。

背景技术

随着城市化进程，服务于我们城镇和城市的地下公用排水管道网络成为了基础设施最重要的组成部分之一，但它在地面上是看不见的，因此，除非它发生堵塞、泄漏等故障，否则这种网络不会被人注意。排水管道使用时间长，极容易造成管道内发生堵塞故障。堵塞故障在早期表现为不同程度的部分堵塞，因此容易被忽略。最后堵塞面积不断扩大，不仅会影响排水功能，还有可能带来安全隐患。因此对排水管道的监测和检测，以避免设备发生致命事故以及尽量减少溢出流体造成的环境污染，变得至关重要。目前埋地排水管道堵塞故障的检测在实际应用中主要还是事后检测，方法上存在开挖损伤，依赖人工操作，劳民伤财等主要问题；在研究领域管道堵塞常用的检测方法有振动分析、脉冲回波分析、声反射、阻抗方法等。声学检测方法在管道故障检测当中有有独特的优势，不需要开挖管道，声音在管道中传播时不受管道运行状况的影响且携带丰富的关于管道内部状态的信息，检测方法简单且成本低廉。本设计引入基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，旨在解决管道堵塞检测过程中管道堵塞程度以及管道三通件信号难以区分的问题，成为了行之有效的解决方案。

发明内容

为了解决埋地排水管道堵塞检测过程中管道堵塞程度以及管道三通件信号难以区分的问题，本发明提供了一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法。

本发明的技术方案是：一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，所述方法具体步骤如下：

S1利用检测装置收集相埋地排水管道的声波信号作为训练样本，声波信号包括正常管道、含三通件的正常管道、轻微堵塞管道和重度堵塞管道四种工况下的声波信号；

其中检测装置包括两根伸缩支架、声卡、信号放大器、扬声器、声波接收器、滤波器和装有WinLMS计算机；将两根伸缩支架从同一下水井盖伸入至井底，固定在其中一根伸缩支架下端的扬声器在埋地排水管道中发射声波信号，其声波信号为计算机控制声卡产生的信号，经信号放大器放大后的信号经由伸缩支架的内置导线传递至扬声器；另一根伸缩支架的底端放置声波接收器，接收反射回来的声波，声波再通过此伸缩支架的内置导线传至滤波器进行滤波，将滤波后的信号输入到计算机中进行数据处理。在使用检测装置时将管道尾部堵住用于反射声波的收集。

其中重度堵塞管道是指堵塞物所占高度超过了管道直径的1/3，轻微堵塞管道是指堵塞物所占高度未超过管道直径的1/3。

S2对训练样本中的四种声波信号进行小波包分解得到四种工况下的各频段分量，各频段分量选取包含频率100-6000Hz的频段分量，舍弃其他频段分量；再将各个频段分量分别提取能量分布特征、样本熵和波形特征，将多个特征级联作为特征向量集合来表征四种不同的声波信号；能量分布特征包含能量、能量占比和能量熵，波形特征包含偏斜度指标、峭度指标、峰-峰值、峰值指标、脉冲指标、裕度指标以及方根幅值。

S3利用训练样本的特征向量构建超完备字典；

将各个频段分量的特征连接组成一列特征向量集合，V表示全部训练样本的特征向量矩阵，k为管道声波信号的总类别数即4类，n_i表示第i类声波信号的样本个数，i＝1,2,…,k。

S4采用稀疏表征方法在超完备字典基础上求得检测信号即测试样本在不同类别中的重构信号，通过计算测试样本及其重构信号的残差值实现管道堵塞程度与三通件的识别。

设某一测试样本y属于第i类声波信号，其特征向量V_y由第i类声波信号对应的训练样本特征通过线性来近似地表示和重构即：

其中α_i,j为稀疏系数，j＝1,2,…,n_i，V_i,j表示第i类声波信号第j个样本的特征向量，在全部训练样本下，V_y可改写成：

由上式可知，同类信号的原子对该类测试样本重构贡献率最大，其余类别原子的重构贡献率几乎为零；即测试样本y只与属于同类的第i类训练样本强相关，即第i类的训练样本对应的表征系数即解向量α较大，其它训练样本对应的表征系数较小或等于零。

从解向量α中挑选最为稀疏的一组系数，以便用更少的训练样本稀疏表征测试样本，则上述问题转化为利用l₀范数求最稀疏解：

最小l₀范数求解是一个NP-hard问题，难以直接求解。如果α足够稀疏，l₀范数求解可等效为l₁范数求解，将上式写为：

由于实际情况中往往会引入噪声，z是噪声，所以我们求解中我们实际上是求解这个式子：

V_y＝Vα+z (6)

那么在求解这个优化问题的约束项就变成：

其中，ε表示允许误差，通过上式计算出测试样本的最稀疏解利用为样本重构系数和字典算出测试样本y在不同类的重构测试样本：

最后计算测试样本y与每类重构样本的残差值，根据残差值r_i的大小判断管道信号的类别，求r_i的最小值，则表示该测试样本属于第i类信号，即：

本发明的有益效果是：

1克服了传统检测在排水管道故障检测的劣势，可以在工程人员不下管道的情况下，进行故障检测。

2主动检测方法用于排水管道故障检测，可以更及时的排除故障，减少财产损失与环境污染

3检测方法提取了信号多种特征，弥补了单个特征故障提取不足的情况，可以更全面的反映管道的特性，同时可以区别开管道三通件信号与堵塞信号。

4提高了识别结果的准确性，对外界环境变化具有一定的鲁棒性。

附图说明

图1为一种基于声学主动检测埋地排水管道堵塞故障及三通件的检测装置简图；

图2为一种埋地排水管道堵塞故障及管道三通件的诊断方法流程图；

图3为0.1s的四种不同工况管道时域声压波形图；

图4为正常管道声学信号小波包分解后稀疏系数分布图；

图5为含三通件正常管道声学信号小波包分解后稀疏系数分布图；

图6为轻微堵塞管道声学信号小波包分解后稀疏系数分布图；

图7为重度堵塞管道声学信号小波包分解后稀疏系数分布图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

实施例1：基于声学埋地排水管道堵塞故障及三通件的检测装置。实验装置如附图1所示。具体实施时，两根伸缩支架通过井盖探入到管道底部，两根杆并排距离，固定在其中一根伸缩支架的下端扬声器在埋地排水管道中发射声波信号，扬声器型号选用美国EVUW30水下扬声器，其声波信号由装有WinLMS软件的计算机控制声卡产生一个10秒的正弦扫频声信号，声卡型号为华硕Xonar D-Kara，信号的频率范围为100-6000赫兹，放大后的信号经由伸缩杆Ⅰ的内置导线传递至扬声器，选用LM3886型号的功率放大器；另一根伸缩支架底端放置声波接收器，接收反射回来的声波，两个声波接收器为上下放置，声波再通过伸缩支架的内置导线传至滤波器进行滤波，选用型号AB1500-100F6HA滤波器进行滤波，将滤波后的信号输入到计算机中进行数据处理。

实施例2：本实施例中使用英国布拉德福德大学管道实验室数据进行实例验证，具体的方法如前述发明内容部分所述。

提取信号：实验流程如附图2所示。检测之前，为了获得正常管道、含三通件正常管道、轻微堵塞管道、重度堵塞管道四种工况下的训练数据，实验室如图1进行实验平台搭建，计算机获得四种工况的训练信号，如图3所示。每类信号选择20组数据用于训练，8组数据用于测试。

选择特征分量信号：将四种工况下的信号输入到MATLAB中进行分析，对训练使用的正常管道信号、含三通件正常管道信号和不同程度堵塞管道信号进行小波包分解，选择符合条件的各个频段分量信号进行特征提取。

特征提取：进而进行信号的特征提取过程，对各个频段分量进行特征提取，提取其能量分布特征、样本熵、波形特征，将提取的多个联合作为特征集合来表征不同类别的管道信号。

测试分类器：在此基础上用先收集的信号(训练样本)的特征向量构建超完备字典，各个频段分量的特征连接组成一列特征向量集合。

采用稀疏表征方法在超完备字典基础上求得检测信号(测试样本)在不同类别中的稀疏表征系数(如图4-7所示)，从图4-7可知，测试样本求解的稀疏表征系数与同类型信号强相关即训练样本字典中同类型信号的稀疏表征系数较大，其它类型信号的稀疏表征系数为零或者较小。测试样本被训练样本字典中同类型的信号稀疏表征，能较好地逼近测试样本。稀疏表征系数和字典算出测试样本在不同类的重构测试样本，计算每个类别重构样本与测试样本的重构残差(如表1所示)，返回最小的残差值所述信号类别为测试信号类别。

表1基于小波包特征提取SRC分类的测试样本分类结果

表1中第16个测试样本(含三通件正常管道声学信号)错误归类为第四类中重度堵塞管道声学信号。但总体结果表明，基于稀疏表征的分类器能够准确地识别各类信号。

为了证明本文算法的有效性，在实验仿真中分别构建了SRC算法，支持向量机SVM算法，极限学习机(extreme learning machine,ELM)算法及小波包+SRC算法的分类模型，在相同的数据集上进行多次实验并对实验识别率的平均值进行了比较(如表2所示)。

表2方法识别率对比

对比表2中的各种分类器的分类结果可知，小波包增强稀疏表征分类效果优于极限学习机、支持向量机和基于整体特征SRC。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (7)

1.一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，其特征在于：所述方法具体步骤如下：

S1 利用检测装置收集相埋地排水管道的声波信号作为训练样本，声波信号包括正常管道、含三通件的正常管道、轻微堵塞管道和重度堵塞管道四种工况下的声波信号；

S2 对训练样本中的四种声波信号进行小波包分解得到四种工况下的各频段分量，再将各个频段分量分别提取能量分布特征、样本熵和波形特征，将多个特征级联作为特征向量集合来表征四种不同的声波信号；

S3 利用训练样本的特征向量构建超完备字典；

S4 采用稀疏表征方法在超完备字典基础上求得检测信号即测试样本在不同类别中的重构信号，通过计算测试样本及其重构信号的残差值实现管道堵塞程度与三通件的识别。

2.根据权利要求1所述的基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，其特征在于：所述步骤S1中的检测装置包括两根伸缩支架、声卡、信号放大器、扬声器、声波接收器、滤波器和装有WinLMS计算机；

所述两根伸缩支架从同一下水井盖伸入至井底，固定在其中一根伸缩支架下端的扬声器在埋地排水管道中发射声波信号，其声波信号为计算机控制声卡产生的信号，经信号放大器放大后的信号经由伸缩支架的内置导线传递至扬声器；另一根伸缩支架的底端放置声波接收器，接收反射回来的声波，声波再通过此伸缩支架的内置导线传至滤波器进行滤波，将滤波后的信号输入到计算机中进行数据处理。

3.根据权利要求2所述的基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，其特征在于：所述步骤S1中使用检测装置时将管道尾部堵住用于反射声波的收集。

4.根据权利要求1所述的基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，其特征在于：所述步骤S1中的重度堵塞管道是指堵塞物所占高度超过了管道直径的1/3，轻微堵塞管道是指堵塞物所占高度未超过管道直径的1/3。

5.根据权利要求1所述的基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，其特征在于：所述步骤S2中的各频段分量选取包含频率100-6000Hz的频段分量，舍弃其他频段分量；所述能量分布特征包含能量、能量占比和能量熵，波形特征包含偏斜度指标、峭度指标、峰-峰值、峰值指标、脉冲指标、裕度指标以及方根幅值。

6.根据权利要求1所述的基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，其特征在于：所述步骤S3的具体过程为：将各个频段分量的特征连接组成一列特征向量集合，V表示全部训练样本的特征向量矩阵，k为管道声波信号的总类别数即4类，n_i表示第i类声波信号的样本个数，i＝1,2,…,k。

7.根据权利要求1所述的基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法，其特征在于：所述步骤S4的具体过程为：设某一测试样本y属于第i类声波信号，其特征向量V_y由第i类声波信号对应的训练样本特征通过线性来近似地表示和重构即：

其中α_i,j为稀疏系数，j＝1,2,…,n_i，V_i,j表示第i类声波信号第j个样本的特征向量，在全部训练样本下，V_y可改写成：

由上式可知，同类信号的原子对该类测试样本重构贡献率最大，其余类别原子的重构贡献率几乎为零；

从解向量α中挑选最为稀疏的一组系数，以便用更少的训练样本稀疏表征测试样本，则上述问题转化为利用l₀范数求最稀疏解：

如果α足够稀疏，l₀范数求解可等效为l₁范数求解，将上式写为：

实际求解引入噪声z，即：

V_y＝Vα+z

其约束项变为：

其中，ε表示允许误差，通过上式计算出测试样本的最稀疏解利用为样本重构系数和字典算出测试样本y在不同类的重构测试样本：

最后计算测试样本y与每类重构样本的残差值，根据残差值r_i的大小判断管道信号的类别，求r_i的最小值，则表示该测试样本属于第i类信号，即：