Nothing Special   »   [go: up one dir, main page]

CN118391606B - 基于声波数据的管道非开挖检测管线检测方法 - Google Patents

基于声波数据的管道非开挖检测管线检测方法 Download PDF

Info

Publication number
CN118391606B
CN118391606B CN202410515632.5A CN202410515632A CN118391606B CN 118391606 B CN118391606 B CN 118391606B CN 202410515632 A CN202410515632 A CN 202410515632A CN 118391606 B CN118391606 B CN 118391606B
Authority
CN
China
Prior art keywords
pipeline
detection
acoustic
value
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410515632.5A
Other languages
English (en)
Other versions
CN118391606A (zh
Inventor
周佐舜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Shengjie Municipal Engineering Co ltd
Original Assignee
Jiangxi Shengjie Municipal Engineering Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi Shengjie Municipal Engineering Co ltd filed Critical Jiangxi Shengjie Municipal Engineering Co ltd
Priority to CN202410515632.5A priority Critical patent/CN118391606B/zh
Publication of CN118391606A publication Critical patent/CN118391606A/zh
Application granted granted Critical
Publication of CN118391606B publication Critical patent/CN118391606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
    • G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及智能传感系统技术领域，具体涉及基于声波数据的管道非开挖检测管线检测方法，该方法包括：采集管道非挖检测过程中的声波数据，根据声波数据获取声敏传感器的各管道局部特征频谱图；构建管道检测峰值变化宽度及管道检测信号变化样本集，获取管道检测信号变化样本集各聚类簇中各样本的分布角度值，进而确定管道检测信号变化样本集各聚类簇的管道检测宽峭度特征系数；确定各声敏传感器的管道检测统计特征矩阵，计算各声波数据采集点的管道声波检测统计特征系数，基于管道声波检测统计特征系数确定各声波数据采集点的卡尔曼增益，获取管道非开挖检测管线检测结果。本发明提高了利用声波数据对管道进行非开挖检测的准确性。

Description

基于声波数据的管道非开挖检测管线检测方法
技术领域
本申请涉及智能传感系统技术领域，具体涉及基于声波数据的管道非开挖检测管线检测方法。
背景技术
伴随着城镇化的发展，排水管道建设每年增加，排水管网的规模不断扩大。通过对排水管道的运行监测信息反馈的结果分析，大多数管道出现破损，一些新建的管道也由于多种原因出现结构性和功能性损坏现象，同时新建工程对周边已建的排水管道造成影响，经常发生局部出现损坏的现象，影响了城市排水的安全运行。
目前，城市排水管线存在较大的安全隐患，常发生污水管线断裂渗漏导致道路塌陷的现象，同时可能存在汛期大量雨水无法及时排除造成路面积水，影响交通；污水收集系统尚不完善，仍有污水直接排入河中；污水厂升级改造后，大量优质再生水补充河道，提升城市水环境质量，因污水不能全部收集造成河道水体二次污染，因此需尽快检测和改造存在隐患的排水管线。
非开挖修复管道技术是指不进行地面开挖而对地下管道进行修复的工艺和技术。该项技术既保证了排水管网的正常运行，又不对路面进行开挖，对交通、环境产生的影响最小目前市场上已经出现了多种声波检测设备，如超声波检测仪、声纳检测仪等，能够对不同类型的管道进行声波检测。随着计算机技术的发展，声波数据的采集和处理能力不断提高，能够更加准确地提取和分析管道信息。但是基于声波数据对管道进行非开挖检测存在环境干扰、数据解释和分析复杂、管道材料和结构的影响较大等问题，例如采用卡尔曼滤波进行滤波过程中，由于场景复杂多变，对声波数据的滤波效果较差，导致通过声波数据对管道进行非开挖检测准确性低的问题，影响对管道修复的效率。
发明内容
为了解决上述技术问题，本发明提供基于声波数据的管道非开挖检测管线检测方法，以解决现有的问题。
本发明的基于声波数据的管道非开挖检测管线检测方法采用如下技术方案：
本发明一个实施例提供了基于声波数据的管道非开挖检测管线检测方法，该方法包括以下步骤：
在管道铺设的路径上均匀设置声波数据采集点，每个所述声波数据采集点处部署一个声敏传感器采集声波数据；
对于每个声敏传感器的声波数据，根据声敏传感器的声波数据获取声敏传感器的各管道局部特征频谱图；根据管道局部特征频谱图构建管道检测峰值变化宽度；根据各峰值的管道检测峰值变化宽度及峭度值构建管道检测信号变化样本集，获取管道检测信号变化样本集各聚类簇中各样本的分布角度值；根据各聚类簇中各样本的分布角度值及管道检测峰值变化宽度得到管道检测信号变化样本集各聚类簇的管道检测宽峭度特征系数；基于管道检测宽峭度特征系数构建各声敏传感器的管道检测统计特征矩阵；根据各声敏传感器的管道检测统计特征矩阵之间的关系得到各声波数据采集点的管道声波检测统计特征系数；根据各声波数据采集点的管道声波检测统计特征系数确定各声波数据采集点的卡尔曼增益；结合各声波数据采集点的卡尔曼增益及对应声波数据获取管道非开挖检测管线检测结果。
优选的，所述根据声敏传感器的声波数据获取声敏传感器的各管道局部特征频谱图，包括：
采用经验模态分解算法获取声敏传感器所采集声波数据的各模态分量，通过傅里叶变换得到各模态分量的频谱图，作为声敏传感器的各管道局部特征频谱图。
优选的，所述根据管道局部特征频谱图构建管道检测峰值变化宽度，包括：
获取管道局部特征频谱图中所有的极值点，将所有的极值点按照频率由小到大的顺序组成管道检测极值特征序列，计算管道检测极值特征序列中相邻极小值点对应频率之间的差值的绝对值，作为相邻极小值点之间的极大值点的管道检测峰值变化宽度。
优选的，所述根据各峰值的管道检测峰值变化宽度及峭度值构建管道检测信号变化样本集，包括：
对于每个管道局部特征频谱图，计算管道局部特征频谱图中每个峰值的峭度值；
将管道局部特征频谱图中所有峰值对应的管道检测峰值变化宽度作为纵坐标，将管道局部特征频谱图中所有峰值的峭度值作为横坐标，将峰值映射到所述横坐标和所述纵坐标构成的二维直角坐标系中，映射得到的各坐标点组成管道局部特征频谱图的管道检测信号变化样本集。
优选的，所述获取管道检测信号变化样本集各聚类簇中各样本的分布角度值包括：
采用凝聚层次聚类算法对管道检测信号变化样本集聚类得到各聚类簇，将各聚类簇中每个样本与所述二维直角坐标系的原点连线，所述连线与横坐标正方向的夹角作为每个样本的分布角度值。
优选的，所述根据各聚类簇中各样本的分布角度值及管道检测峰值变化宽度得到管道检测信号变化样本集各聚类簇的管道检测宽峭度特征系数，表达式为：
式中，δx表示管道检测信号变化样本集的第x个聚类簇的管道检测宽峭度特征系数；ax表示第x个聚类簇中样本的数量，A表示管道检测信号变化样本集中样本的数量；dx表示第x个聚类簇中所有样本的分布角度值中最大值与最小值的差值，cos()表示余弦函数；ki和qi分别表示第x个聚类簇中第i个样本的管道检测峰值变化宽度和峭度值，Fi表示第x个聚类簇中第i个样本的数值。
优选的，所述基于管道检测宽峭度特征系数构建各声敏传感器的管道检测统计特征矩阵包括：
将管道检测信号变化样本集所有的聚类簇的管道检测宽峭度特征系数按照由小到大排序组成的向量，作为管道检测信号变化样本集对应管道局部特征频谱图的管道检测统计特征向量，将所述管道检测统计特征向量作为矩阵的一行元素，将各声敏传感器所有管道局部特征频谱图的管道检测统计特征向量构成的矩阵作为各声敏传感器的管道检测统计特征矩阵。
优选的，所述根据各声敏传感器的管道检测统计特征矩阵之间的关系得到各声波数据采集点的管道声波检测统计特征系数，包括：
采用奇异值分解算法获取各声敏传感器的管道检测统计特征矩阵的左、右奇异向量以及对角矩阵，第z个声敏传感器的声波数据采集点的管道声波检测统计特征系数Tz表达式为：
式中，Lc和Lz分别表示第c个和第z个声敏传感器的管道检测统计特征矩阵的左奇异向量，Y()表示余弦相似度；Rc和Rz分别表示第c个和第z个声敏传感器的管道检测统计特征矩阵的右奇异向量；Qc和Qz分别表示第c个和第z个声敏传感器的对角矩阵，sad()表示计算SAD值。
优选的，所述根据各声波数据采集点的管道声波检测统计特征系数确定各声波数据采集点的卡尔曼增益，包括：
式中，K表示第h个声波数据采集点的卡尔曼增益，Th和Tv分别表示第h个和第v个声敏传感器的声波数据采集点的管道声波检测统计特征系数，max()表示取最大值，V表示声波数据采集点的数量。
优选的，所述结合各声波数据采集点的卡尔曼增益及对应声波数据获取管道非开挖检测管线检测结果，包括：
采用卡尔曼滤波算法结合各声波数据采集点的卡尔曼增益，对管道非开挖检测过程中的声波数据进行滤波，将滤波后的声波数据输入磁-声非开挖检测系统中，得到管道非开挖检测结果。
本发明至少具有如下有益效果：
本发明通过分析利用声波数据对管道进行非开挖检测管线检测的过程中，管道出现泄漏时漏水声音信号的频带宽度和信号强度稳定不回落的特征构建管道检测宽峭度特征系数，通过管道检测宽峭度特征系数反映不同声波数据采集点的管道漏水声音信号显著特征；进一步的，通过每个声波数据采集点的不同声波数据反映的管道检测宽峭度特征系数差异获取管道声波检测统计特征系数，基于管道声波检测统计特征系数反映每个声波数据采集点的管道泄露的统计特征差异，即利用声波数据进行管道非开挖检测管线检测的过程中声波数据检测受背景干扰影响的程度，进而根据管道泄露的统计特征差异确定卡尔曼增益，其有益效果在于考虑管道非开挖检测过程中管道泄露的声音信号特征和环境干扰差异，准确对管道检测过程中背景干扰的声波数据进行卡尔曼滤波处理，提高利用声波数据对管道进行非开挖检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的基于声波数据的管道非开挖检测管线检测方法的步骤流程图；
图2为磁-声非开挖检测系统通过数据处理获取管道漏水噪声频谱分析示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于声波数据的管道非开挖检测管线检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于声波数据的管道非开挖检测管线检测方法的具体方案。
本发明一个实施例提供的基于声波数据的管道非开挖检测管线检测方法，具体的，提供了如下的基于声波数据的管道非开挖检测管线检测方法，请参阅图1，该方法包括以下步骤：
步骤S001，获取管道非开挖检测过程中的声波数据。
声音传感器(也可以称为声敏传感器)是将在气态液体或固体中传播的机械振动转换成电信号的装置。声敏传感器按照测量原理可以分为压电、电致伸缩效应、电磁感应、静电效应和磁致伸缩等，本申请中采用的声敏传感器为压电式加速度传感器，其工作原理是基于压电材料的压电效应。其中声敏传感器主要采用无线传输的方式，无需接线，利用声敏传感器采集声波数据，对每个声波数据采集点进行测量，在管道铺设的路径上均匀设置声波数据采集点，每个声波数据采集点处部署一个声敏传感器采集声波数据，具体的，在管道铺设的路径上根据管道检测的长度均匀设置声波数据采集点，例如需检测的罐道长度为500米，则可以设置10个声波数据采集点，使用声敏传感器在每个声波数据采集点处采集声波数据。
至此，获取了管道非开挖检测过程中的声波数据。
步骤S002，根据管道非开挖检测过程中声波数据的漏水信号的随机特性构建管道检测宽峭度特征系数，基于管道检测宽峭度特征系数和管道非开挖检测过程中的统计特征计算管道声波检测统计特征系数。
管道非开挖检测过程中，管道的漏水声会受到周围环境噪声的影响，周围环境噪声也被称为背景噪声，例如管道内湍流和管道周围交通车辆引起的混音，这些背景噪声会引起对测试结果的误差和漏水位置的误判，其中管道漏水声音的随机性和复杂性是利用声波数据进行管道非开挖结果检测的疑难问题，因此通过分析管道泄漏时出现的声音信号的特征对管道非开挖过程中声波数据的进行处理。
进一步的，管道泄露的声音信号没有数学循环，是随机发生的，但是罐道漏水的信号具有共同的统计特性，具体的，将管道泄露的声音信号的出现视为静止随机过程，表示此类型的随机过程的统计特性不随时间而变化，在分析信号时，管道出现漏水状况时，实际的漏水信号在时域中并不明显，但在频谱曲线中具有明显的特征，但背景噪声的存在对频谱曲线中管道漏水的声音信号的分析具有较大的影响，造成对管道非开挖检测结果的误差较大的问题。
进一步的，将采集的声波数据转换到频域中，由于管道出现漏水状况时的声音信号的频率范围较大，且管道漏水处的声音信号强度较大，信号强度稳定没有回落；而管道检测过程中出现背景噪声信号强度大但是不稳定，会出现回落，因此若声波数据采集点反映的管道漏水声音信号特征显著，且同一个声波数据采集点的不同声敏传感器采集的声波数据反映的管道漏水声音信号特征差异较大，则反映该声波数据采集点的背景干扰影响较大。
具体的，将每个声敏传感器采集的声波数据作为经验模态分解算法的输入，采用经验模态分解算法获取每个声敏传感器采集的声波数据的β个模态分量，本实施例β取值为5，将各模态分量作为输入，采用傅里叶变换获取所述模态分量的频谱图，其中经验模态分解和傅里叶变换的具体计算过程为公知技术，不再进行赘述。将声波数据采集点中每个声敏传感器采集的声波数据的每个模态分量的频谱图作为每个声敏传感器的一个管道局部特征频谱图。
对于每个管道局部特征频谱图，获取管道局部特征频谱图中所有的极值点，将所有的极值点按照对应的频率由小到大的顺序组成的序列作为管道检测极值特征序列，由于管道检测极值特征序列中极小值点和极大值点是相间分布的，将管道检测极值特征序列中相邻极小值点的对应频率之差的绝对值，作为相邻的极小值点之间的极大值点(也即峰值点)的管道检测峰值变化宽度，获取各峰值的管道检测峰值变化宽度，需要说明的是，若管道检测极值特征序列中第一个数据和最后一个数据为极大值点，也即为峰值，则采用均值填充算法解决计算管道检测峰值变化宽度的端点效应，均值填充算法的具体计算过程为公知技术，不再进行赘述。
进一步的，对于每个管道局部特征频谱图，获取管道局部特征频谱图中每个峰值的峭度值，所述峭度值的具体计算过程为公知技术，不再进行赘述；将管道局部特征频谱图中所有峰值对应的管道检测峰值变化宽度作为纵坐标，将管道局部特征频谱图中所有峰值的峭度值作为横坐标，将管道局部特征频谱图中所有峰值映射到横坐标和纵坐标构成的二维直角坐标系中，将映射的结果作为管道局部特征频谱图的管道检测信号变化样本集，将所述管道检测信号变化样本集作为凝聚层次聚类算法的输入，采用凝聚层次聚类算法获取管道检测信号变化样本集的聚类簇，凝聚层次聚类算法的具体计算过程为公知技术，不再进行赘述。
进一步的，根据管道检测信号变化样本集的聚类簇的分布特征和数值变化特征计算管道检测宽峭度特征系数，对于管道检测信号变化样本集的第x个聚类簇，获取第x个聚类簇中每个样本与上述二维直角坐标系的原点连线，将该连线与横坐标正方向的夹角作为每个样本的分布角度值，需要说明的是，管道检测信号变化样本集中每个样本的纵坐标取值范围为[0,+∞]，横坐标取值范围为[-∞,+∞]，因此管道检测信号变化样本集中样本在二维直角坐标系中的分布在第一和第二象限，每个样本的分布角度值的取值范围为0度到180度之间；通过分布角度值反映管道检测信号变化的分布特征，管道检测宽峭度特征系数具体计算公式如下：
式中，δx表示管道检测信号变化样本集的第x个聚类簇的管道检测宽峭度特征系数；ax表示第x个聚类簇中样本的数量，A表示管道检测信号变化样本集中样本的数量；dx表示第x个聚类簇中所有样本的分布角度值中最大值与最小值的差值，cos()表示余弦函数；ki和qi分别表示第x个聚类簇中第i个样本的管道检测峰值变化宽度和峭度值，Fi表示第x个聚类簇中第i个样本的数值。
若管道检测信号变化样本集的第x个聚类簇中样本的峭度值较小，且具有较大的峰值变化宽度和明显的信号变化幅值，则计算得到的的值越大；同时管道检测信号变化样本集的第x个聚类簇样本数量较大，且相对于二维直角坐标系原点具有较小的角度分布范围，则计算得到的和cos(dx)的值越大，即计算得到的管道检测信号变化样本集的第x个聚类簇的管道检测宽峭度特征系数δx的值越大，表示第x个聚类簇中样本反映的管道泄露声音信号特征明显。
进一步的，由于同一个采集点出现管道泄漏的情况时，声敏传感器采集的声波数据中均会反映出较为显著的管道泄露的声音信号特征，即声音信号中出现能量较高、持续时间较长和频率范围较大的信号特征，因此通过对比同一声波数据采集点中不同声敏传感器的管道检测宽峭度特征系数差异反映每个声波数据采集点的管道泄露声音信号受背景噪声干扰影响的统计特征。
具体的，将管道检测信号变化样本集所有的聚类簇的管道检测宽峭度特征系数按照由小到大的顺序组成的向量作为管道检测信号变化样本集对应的管道局部特征频谱图的管道检测统计特征向量，将所述管道检测统计特征向量作为矩阵的一行元素，将每个声敏传感器的所有的管道局部特征频谱图的管道检测统计特征向量构成的矩阵作为每个声敏传感器的管道检测统计特征矩阵，输入为每个声敏传感器的管道检测统计特征矩阵，采用奇异值分解算法获取每个声敏传感器的管道检测统计特征矩阵的左奇异向量L、右奇异向量R和对角矩阵Q，奇异值分解算法的具体计算过程为公知技术，不再进行赘述。
进一步的，根据每个声波数据采集点的声敏传感器的管道检测统计特征矩阵计算管道声波检测统计特征系数，具体的计算公式如下：
式中，Tz表示第z个声敏传感器的声波数据采集点的管道声波检测统计特征系数；Lc和Lz分别表示第c个和第z个声敏传感器的管道检测统计特征矩阵的左奇异向量，Y()表示余弦相似度；Rc和Rz分别表示第c个和第z个声敏传感器的管道检测统计特征矩阵的右奇异向量；Qc和Qz分别表示第c个和第z个声敏传感器的对角矩阵，sad()表示计算SAD(Sum ofAbsolute Differences)值，SAD值的具体计算过程为公知技术，不再进行赘述；α表示每个声波数据采集点的声敏传感器的数量。
通过不同声敏传感器的管道检测统计特征矩阵计算的第z个声波数据采集点的管道声波检测统计特征系数Tz的值越大，反映每个声波数据采集点的管道泄露的统计特征差异较大，即利用声波数据进行管道非开挖检测管线检测的过程中声波数据检测受背景干扰影响越大。
至此，获取了每个声敏传感器对应声波数据采集点的管道声波检测统计特征系数。
步骤S003，根据管道声波检测统计特征系数确定卡尔曼增益，根据卡尔曼增益对管道非开挖检测过程中的声波数据进行滤波，根据滤波后的声波数据获取管道非开挖检测管线检测结果。
利用声波数据进行管道非开挖检测的过程中，由于每个声波数据采集点利用声敏传感器进行声波数据采集的过程中，声敏传感器的覆盖较广，因此通过每个声波数据采集点采集的声波数据进行分析的过程中，相邻的采集点的之间的数据反映的特征可能出现重叠的特征，因此，通过计算管道声波检测统计特征系数的差异确定卡尔曼增益，具体的计算公式如下：
式中，Kh表示第h个声波数据采集点的卡尔曼增益；Th和Tv分别表示第h个和第v个声敏传感器的声波数据采集点的管道声波检测统计特征系数，max(Th,Tv)表示Th和Tv之间的最大值；V表示声波数据采集点的数量，也即声敏传感器的数量。
若第h个声波数据采集点相对于其它声波数据采集点的管道声波检测统计特征系数差异较大，则计算得到的的值越大，表示第h个声波数据采集点分析管道泄露声音特征差异受背景噪声干扰的影响越大，即第h个声波数据采集点的卡尔曼增益Kh的值越大，表示利用卡尔曼滤波进行降噪处理时需要较大的卡尔曼增益降低测量误差。
进一步的，输入为每个声敏传感器的声波数据和每个声敏传感器所在声波数据采集点的卡尔曼增益，采用卡尔曼滤波获取每个声敏传感器的滤波后的声波数据，将所述滤波后的声波数据输入到磁-声非开挖检测系统中，通过磁-声非开挖检测系统获取准确的管道非开挖检测结果。需要说明的是，磁-声非开挖检测系统对管道非开挖检测过程为公知技术，在此不在赘述。具体的，磁-声非开挖检测系统通过数据处理获取管道漏水噪声频谱分析示意图如图2所示，则表示在3和4号声波数据采集点出现管道漏水情况可能性越大，对3和4号声波数据采集点所在位置发出异常检测预警，进一步确定管道泄露位置进行管道修复。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.基于声波数据的管道非开挖检测管线检测方法，其特征在于，该方法包括以下步骤：
在管道铺设的路径上均匀设置声波数据采集点，每个所述声波数据采集点处部署一个声敏传感器采集声波数据；
对于每个声敏传感器的声波数据，根据声敏传感器的声波数据获取声敏传感器的各管道局部特征频谱图；根据管道局部特征频谱图构建管道检测峰值变化宽度；根据各峰值的管道检测峰值变化宽度及峭度值构建管道检测信号变化样本集，获取管道检测信号变化样本集各聚类簇中各样本的分布角度值；根据各聚类簇中各样本的分布角度值及管道检测峰值变化宽度得到管道检测信号变化样本集各聚类簇的管道检测宽峭度特征系数；基于管道检测宽峭度特征系数构建各声敏传感器的管道检测统计特征矩阵；根据各声敏传感器的管道检测统计特征矩阵之间的关系得到各声波数据采集点的管道声波检测统计特征系数；根据各声波数据采集点的管道声波检测统计特征系数确定各声波数据采集点的卡尔曼增益；结合各声波数据采集点的卡尔曼增益及对应声波数据获取管道非开挖检测管线检测结果；
所述根据声敏传感器的声波数据获取声敏传感器的各管道局部特征频谱图，包括：
采用经验模态分解算法获取声敏传感器所采集声波数据的各模态分量，通过傅里叶变换得到各模态分量的频谱图，作为声敏传感器的各管道局部特征频谱图；
所述根据管道局部特征频谱图构建管道检测峰值变化宽度，包括：
获取管道局部特征频谱图中所有的极值点，将所有的极值点按照频率由小到大的顺序组成管道检测极值特征序列，计算管道检测极值特征序列中相邻极小值点对应频率之间的差值的绝对值，作为相邻极小值点之间的极大值点的管道检测峰值变化宽度；
所述根据各峰值的管道检测峰值变化宽度及峭度值构建管道检测信号变化样本集，包括：
对于每个管道局部特征频谱图，计算管道局部特征频谱图中每个峰值的峭度值；
将管道局部特征频谱图中所有峰值对应的管道检测峰值变化宽度作为纵坐标，将管道局部特征频谱图中所有峰值的峭度值作为横坐标，将峰值映射到所述横坐标和所述纵坐标构成的二维直角坐标系中，映射得到的各坐标点组成管道局部特征频谱图的管道检测信号变化样本集；
所述根据各聚类簇中各样本的分布角度值及管道检测峰值变化宽度得到管道检测信号变化样本集各聚类簇的管道检测宽峭度特征系数，表达式为：
式中，表示管道检测信号变化样本集的第个聚类簇的管道检测宽峭度特征系数；表示第个聚类簇中样本的数量，表示管道检测信号变化样本集中样本的数量；表示第个聚类簇中所有样本的分布角度值中最大值与最小值的差值，表示余弦函数；和分别表示第个聚类簇中第个样本的管道检测峰值变化宽度和峭度值，表示第个聚类簇中第个样本的数值。
2.如权利要求1所述的基于声波数据的管道非开挖检测管线检测方法，其特征在于，所述获取管道检测信号变化样本集各聚类簇中各样本的分布角度值包括：
采用凝聚层次聚类算法对管道检测信号变化样本集聚类得到各聚类簇，将各聚类簇中每个样本与所述二维直角坐标系的原点连线，所述连线与横坐标正方向的夹角作为每个样本的分布角度值。
3.如权利要求1所述的基于声波数据的管道非开挖检测管线检测方法，其特征在于，所述基于管道检测宽峭度特征系数构建各声敏传感器的管道检测统计特征矩阵包括：
将管道检测信号变化样本集所有的聚类簇的管道检测宽峭度特征系数按照由小到大排序组成的向量，作为管道检测信号变化样本集对应管道局部特征频谱图的管道检测统计特征向量，将所述管道检测统计特征向量作为矩阵的一行元素，将各声敏传感器所有管道局部特征频谱图的管道检测统计特征向量构成的矩阵作为各声敏传感器的管道检测统计特征矩阵。
4.如权利要求1所述的基于声波数据的管道非开挖检测管线检测方法，其特征在于，所述根据各声敏传感器的管道检测统计特征矩阵之间的关系得到各声波数据采集点的管道声波检测统计特征系数，包括：
采用奇异值分解算法获取各声敏传感器的管道检测统计特征矩阵的左、右奇异向量以及对角矩阵，第个声敏传感器的声波数据采集点的管道声波检测统计特征系数表达式为：
式中，和分别表示第个和第个声敏传感器的管道检测统计特征矩阵的左奇异向量，表示余弦相似度；和分别表示第个和第个声敏传感器的管道检测统计特征矩阵的右奇异向量；和分别表示第个和第个声敏传感器的对角矩阵，表示计算SAD值，表示每个声波数据采集点的声敏传感器的数量。
5.如权利要求1所述的基于声波数据的管道非开挖检测管线检测方法，其特征在于，所述根据各声波数据采集点的管道声波检测统计特征系数确定各声波数据采集点的卡尔曼增益，包括：
式中，表示第个声波数据采集点的卡尔曼增益，和分别表示第个和第个声敏传感器的声波数据采集点的管道声波检测统计特征系数，表示取最大值，表示声波数据采集点的数量。
6.如权利要求1所述的基于声波数据的管道非开挖检测管线检测方法，其特征在于，所述结合各声波数据采集点的卡尔曼增益及对应声波数据获取管道非开挖检测管线检测结果，包括：
采用卡尔曼滤波算法结合各声波数据采集点的卡尔曼增益，对管道非开挖检测过程中的声波数据进行滤波，将滤波后的声波数据输入磁-声非开挖检测系统中，得到管道非开挖检测结果。
CN202410515632.5A 2024-04-26 2024-04-26 基于声波数据的管道非开挖检测管线检测方法 Active CN118391606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410515632.5A CN118391606B (zh) 2024-04-26 2024-04-26 基于声波数据的管道非开挖检测管线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410515632.5A CN118391606B (zh) 2024-04-26 2024-04-26 基于声波数据的管道非开挖检测管线检测方法

Publications (2)

Publication Number Publication Date
CN118391606A CN118391606A (zh) 2024-07-26
CN118391606B true CN118391606B (zh) 2024-10-29

Family

ID=92005377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410515632.5A Active CN118391606B (zh) 2024-04-26 2024-04-26 基于声波数据的管道非开挖检测管线检测方法

Country Status (1)

Country Link
CN (1) CN118391606B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102997044A (zh) * 2011-09-14 2013-03-27 中国石油天然气集团公司 一种天然气管道泄漏检测传感器组的抗偏振衰落方法和系统
CN105020591A (zh) * 2015-06-17 2015-11-04 常州大学 一种城市燃气管道不开挖泄漏检测定位方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3643241B2 (ja) * 1998-08-07 2005-04-27 バブコック日立株式会社 漏洩位置検出装置
KR101749519B1 (ko) * 2015-07-07 2017-06-21 (주)본테크놀러지 누수 탐지 장치
CN106090630B (zh) * 2016-06-16 2018-07-31 厦门数析信息科技有限公司 基于集成分类器的液体管道检漏方法及其系统
CN106352243B (zh) * 2016-10-20 2018-06-26 山东科技大学 一种基于声波法的输气管道泄露检测系统
CN108488638B (zh) * 2018-03-28 2019-08-20 东北大学 基于声波负压波混合监测的管道泄漏监测系统及方法
CN113759358A (zh) * 2021-09-08 2021-12-07 苏州捷杰传感技术有限公司 一种埋地管道的探测方法以及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102997044A (zh) * 2011-09-14 2013-03-27 中国石油天然气集团公司 一种天然气管道泄漏检测传感器组的抗偏振衰落方法和系统
CN105020591A (zh) * 2015-06-17 2015-11-04 常州大学 一种城市燃气管道不开挖泄漏检测定位方法

Also Published As

Publication number Publication date
CN118391606A (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
Chen et al. Multi-fault condition monitoring of slurry pump with principle component analysis and sequential hypothesis test
Song et al. Gas leak detection in galvanised steel pipe with internal flow noise using convolutional neural network
CN101592288B (zh) 一种管道泄漏辨识方法
CN114036974A (zh) 一种基于健康监测数据的桥梁冲刷动力识别方法
Cody et al. A field implementation of linear prediction for leak-monitoring in water distribution networks
CN111222743B (zh) 一种光纤感知事件的垂直偏移距离及威胁级别判断方法
CN103234121A (zh) 基于音波信号的输气管道泄漏检测装置及检测方法
CN109190272B (zh) 基于弹性波和机器学习的混凝土结构缺陷检测方法
CN110410685B (zh) 一种基于时域反射技术的地下管网渗漏定位系统及方法
CN109344784A (zh) 一种融合水听器和小波去噪的渗漏定位方法
CN100456010C (zh) 基于压力信号拐点检测油气管道泄漏的方法
Zhan et al. A Novel Structural Damage Detection Method via Multisensor Spatial–Temporal Graph-Based Features and Deep Graph Convolutional Network
Chen et al. An AI-based monitoring system for external disturbance detection and classification near a buried pipeline
Singh et al. Damage identification using vibration monitoring techniques
CN101865361B (zh) 双基阵数据融合电站锅炉四管泄漏被动声测定位方法
CN118391606B (zh) 基于声波数据的管道非开挖检测管线检测方法
CN110529746B (zh) 管道泄漏的检测方法、装置和设备
CN115480305A (zh) 边坡地震动力响应及灾变过程多元多域感知监测方法
Hao et al. Leakage signal analysis of urban gas pipeline based on improved variational mode decomposition
CN110987318B (zh) 一种高压管道气体泄露自动检测装置和检测方法
Sun et al. A review on damage identification and structural health monitoring for offshore platform
CN113468804A (zh) 一种基于矩阵束和深度神经网络的地下管道识别方法
CN108981857B (zh) 基于迭代加权融合的声共振液位测量方法
CN116975763A (zh) 一种基于双谱和卷积神经网络的供水管网异常诊断方法
Liu et al. Data-Driven Approaches for Vibroacoustic Localization of Leaks in Water Distribution Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant