CN107368799A - 基于多特征和自适应时延估计的泄漏检测与定位方法 - Google Patents
基于多特征和自适应时延估计的泄漏检测与定位方法 Download PDFInfo
- Publication number
- CN107368799A CN107368799A CN201710565309.9A CN201710565309A CN107368799A CN 107368799 A CN107368799 A CN 107368799A CN 201710565309 A CN201710565309 A CN 201710565309A CN 107368799 A CN107368799 A CN 107368799A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- leakage
- signal
- time delay
- 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.)
- Granted
Links
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供基于多特征和自适应时延估计的泄漏检测与定位方法，所述方法利用小波去噪对漏水信号增强，然后将漏水信号的短时能量特征、短时过零率特征和频谱方差作为神经网络的输入，神经网络训练好后就可检测出泄漏是否发生，随后通过LMS自适应算法估计两个传感器接收泄漏信号的时延值，通过时延值对管道漏点进行高精度的漏水定位，本发明所述方法利用LMS(最小均方误差)自适滤波器进行时延估计，由于自适应滤波器能够自适应动态调节，不需要预先得到信号和噪声的统计特性，适用于供水管道泄漏检测环境。
Description
技术领域
本发明属于漏水检测定位技术领域，具体涉及基于多特征和自适应时延估计的泄漏检测与定位方法。
背景技术
中国水资源短缺十分严重，为调水解困国家耗费大量的财力物力。然而，我国水资源利用率特别低、跑水漏水等现象普遍存在。如果能及时检测出泄漏发生，采取必要措施，可以节约大量水资源。因此，深入研究供水管道泄漏检测与定位方法，不仅具有重要的理论意义，而且也具有巨大的实际应用价值。我国供水管网情况复杂，泄漏信号在传播的程中受到管材、管径、接口及管内压力等的影响，使得检测与定位难度增大。为此，本文提出了基于多特征和自适应时延估计的漏水泄漏检测与定位方法。
本设计包括两个部分：基于小波变换和多特征的泄漏检测方法、基于自适应时延估计的漏水点定位方法。首先，利用小波去噪对漏水信号增强，然后提出一种新型基于信号多特征和神经网络的泄漏信号检测方法。该方法将漏水信号的短时能量特征、短时过零率特征和频谱方差作为神经网络的输入，神经网络训练好后就可检测出泄漏是否发生。实验结果表明该方法表现出很强的抗噪性和鲁棒性，有效提高了泄漏检测正确率。在此基础上，进一步提出一种基于自适应时延估计的漏水定位方法。该方通过LMS自适应算法估计两个传感器接收泄漏信号的时延值，通过时延值对管道漏点进行定位。该方法能够克服广义相关法需要大量先验知识的弊端，完成高精度的漏水定位。
发明内容
为了解决上述问题，本发明提供基于多特征和自适应时延估计的泄漏检测与定位方法，所述方法利用小波去噪对漏水信号增强，然后将漏水信号的短时能量特征、短时过零率特征和频谱方差作为神经网络的输入，神经网络训练好后就可检测出泄漏是否发生，随后通过LMS自适应算法估计两个传感器接收泄漏信号的时延值，通过时延值对管道漏点进行高精度的漏水定位；
进一步地，所述方法包括：
S1:将漏水信号进行小波去噪；
S2：对S1中经过小波去噪增强后的每帧漏水信号分别提取能量特征、过零率特征和频域方差特征；
S3：把S2中提取的3个特征向量作为RBF神经网络的输入，标定的对应帧的信号段端点结果作为神经网络的理想输出，对神经网络进行训练；
S4：将训练好的神经网络用于泄漏检测，输出检测结果；
S5：设置漏水定位模型；
S6：利用LMS自适滤波器进行时延估计；
S7：计算漏水点距离传感器的距离，完成漏水定位；
进一步地，所述S1包括：
S11：选用db4小波基对漏水信号作四层小波分解，得到一组小波系数:
S12：对含噪声信号小波系数进行阈值化处理，设置一个合适的数作为阈值，当小波系数小于这个临界值时，小波系数由噪声引起的，予以舍弃；当分解系数大于这个临界阈值时，系数由信号引起，采用软阈值方法按照某一个固定量向零收缩，得到处理后的小波系数；
S13：对阈值处理后的小波系数进行小波逆变换，得到小波阈值去噪处理后的信号；
进一步地，所述S2中经过小波去噪增强后的每帧漏水信号分别提取能量特征、过零率特征和频域方差特征如下：
短时能量：
短时平均过零率：
频谱方差：
最后将信号的三个特征组成特征向量，作为RBF神经网络的输入向量；
进一步地，所述S3包括：
S31：设置RBF神经网络的输入节点为3个，将Sigmoid函数作为激活函数；输出为非线性函数，输出节点为1个，隐层节点经过大量实验，最后确定为20个；
S32：标示出每帧漏水信号是泄漏信号帧还是非泄漏信号帧，泄漏帧用1表示，非泄漏用0表示，把这一段漏水信号的实际泄漏段的端点结果记录并保存，供后续步骤使用；
S33：把提取的3个特征向量作为RBF神经网络的输入，标定的对应帧的信号段端点结果作为神经网络的理想输出；
S34：对各特征进行归一化处理如式(4)所示：
其中，xi,j表示第i种特征值的第j个值；max(xi)表示第i种特征最大值；
S35：采用遗传算法选择初始权值，对神经网络进行反复的训练，使神经网络的误差能量达到要求，或是完成规定的训练次数，此时认为RBF神经网络己经训练完毕；
进一步地，所述S4包括：
S41：将漏水信号输入已经训练好的RBF神经网络，对漏水信号进行泄漏段检测。
S42：输出结果就是对该信号的检测结果；
进一步地，所述S5包括：
S51：将传感器等距离分布在供水管网周围，其中距离漏点最近的三个传感器节点编号分别为1,2,3，传感器1,2,3之间的距离为L，传感器1,2距离漏点的位置分别设为d1和d2，传感器1和2、2和3之间的时延分别为τ21和τ23；
S52：求得漏水声信号所在管道上的传播速度ν为：
v＝L/τ23 (5)；
S53：根据位置关系可以得到如下关系式：
将式(5)代入式(6)可以得到漏点距传感器1和2的距离d1和d2分别为：
式(7)中的唯一变量就是信号到达不同传感器之间的时延差，因此利用时延估计值可以计算得到漏点具不同传感器的位置，从而实现定位；
进一步地，所所述S6包括：
S61：设传感器1接收到的漏水信号x(n)作为输入信号，传感器2接收到的漏水信号d(n)为目标信号，延时m个采样周期后输入滤波器的期望输入端，滤波器的输出y(n)，二者差值为误差信号e(n)，wj(n)为第j阶滤波器的加权量，μ为收敛步长，则有：
e(n)＝d(n-m)-y(n) (8)；
wj(n+1)＝wj(n)+μe(n)x(n-j) (10)；
其中，j＝-m,-m+1,K,m-1,m，根据LMS准则，当自适应滤波器收敛后，x(n-τ)与其估计d(n)的相似性最大，由wopt最大值对应的坐标得到时延估计值
S62：利用同样的原理:求出传感器2和3之间的时延估计值
S63：利用式(7)计算漏水点距离传感器1和2的距离，从而完成漏水定位；
本发明的有益效果如下：
1)该方法将漏水信号的短时能量特征、短时过零率特征和频谱方差作为神经网络的输入，神经网络训练好后就可检测出泄漏是否发生，实验结果表明该方法表现出很强的抗噪性和鲁棒性，有效提高了泄漏检测正确率；
2)该方通过LMS自适应算法估计两个传感器接收泄漏信号的时延值，通过时延值对管道漏点进行定位；该方法能够克服广义相关法需要大量先验知识的弊端，完成高精度的漏水定位；
3)小波去噪对噪声的抑制效果，对低信噪比的漏水信号提升明显；信号经过去噪增强后，可以提高泄漏检测的有效性；
4)针对复杂多变的供水环境，为了提高时延估计的准确性，进而实现高效准确的漏水定位，提出基于自适应时延估计的漏水定位方法，该方法利用LMS(最小均方误差)自适滤波器进行时延估计，由于自适应滤波器能够自适应动态调节，不需要预先得到信号和噪声的统计特性，适用于供水管道泄漏检测环境。
附图说明
图1为本发明所述管道泄漏定位模型；
图2为本发明所述漏水检测与定位方法原理图；
图3为本发明所述RBF神经网络训练曲线；
图4为本发明所述信号多特征和RBF神经网络检测结果(1dB)；
图5为本发明所述信号多特征和RBF神经网络检测结果(-5dB)；
图6为本发明所述传感器1采集的漏水信号图；
图7为本发明所述传感器2采集的漏水信号图；
图8为本发明所述自适应滤波器的时域波形图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
下面结合附图和具体实施例对本发明作进一步说明，但不作为对本发明的限定。下面为本发明的举出最佳实施例：
如图1-图8所示，本发明提供一种基于多特征和自适应时延估计的泄漏检测与定位方法，泄漏检测定位模型如图1所示,将传感器等距离分布在供水管道上，其中距离漏点最近的三个传感器节点编号分别为1,2,3。
泄漏检测与定位方法的原理如图2所示，主要由三部分组成：小波去噪、多特征泄漏检测、自适应时延估计与定位，算法步骤如下：
步骤1：选用db4小波基对漏水信号作四层小波分解，得到一组小波系数。
步骤2：对含噪声信号小波系数进行阈值化处理，设置一个合适的数λ作为阈值，当小波系数小于这个临界值时，认为这时的小波系数主要是由噪声引起的，予以舍弃；当分解系数大于这个临界阈值时，认为这时的系数主要由信号引起，采用软阈值方法按照某一个固定量向零收缩，得到处理后的小波系数。
步骤3：对阈值处理后的小波系数进行小波逆变换，得到小波阈值去噪处理后的信号。
步骤4：特征向量提取与RBF神经网络训练。把提取的3个特征向量作为RBF神经网络的输入，用标定的对应帧的信号段端点结果作为神经网络的理想输出。对神经网络进行反复的训练，使神经网络的误差能量达到要求。
步骤5：利用RBF神经网络进行泄漏信号段检测工作。它会根据训练时得到的“经验”，对于漏水信号会依据信号时域、频域的三个特征加以判断，从而对泄漏信号段位置做出正确的判断。
步骤6：如果检测结果显示泄漏发生。采用自适应时延估计方法估计不同传感器之间接收信号的时延值，利用时延估计值计算漏点距离某一传感器的距离从而实现漏水点定位。
小波阈值去噪方法是实际工程应用中的有效方法。其基本思想是：一个包含噪声的一维信号模型可以表示为f(t)＝s(t)+n(t)，其中，s(t)为原始信号，n(t)是方差为σ2的高斯白噪声，服从N(0，σ2)。
在实际工程应用中，有用信号通常表现为低频信号或一些比较平稳的信号，而噪声信号则通常包含较多高频成分。所以，先对含噪信号进行小波分解(如进行三层分解)：
S＝cA1+cD1＝cA2+cD2+cD1＝cA3+cD3+cD2+cD1 (11)
其中:cAi为分解的近似部分，cDi为分解的细节部分，i＝1，2，3，则噪声部分通常包含在cD3，cD2，cD1中，用门限阈值对小波系数进行处理，重构信号即可达到去噪的目的。
通常情况下，经过小波分解后，信号的系数大于噪声的系数，于是可以找到一个合适的数λ作为阈值，当分解系数小于这个临界值时，认为这时的分解系数主要是由噪声引起的，予以舍弃；当分解系数大于这个临界阈值时，认为这时的系数主要由信号引起的，就把这一部分直接保留下来，这属于硬阈值方法。也可以令阈值按照某一个固定量向零收缩，这属于软阈值方法，然后用得到的小波系数进行小波重构，即为去噪后的信号。软阈值函数为：
其中：wj，k和分别为经去噪处理前后的小波系数，sign(.)为符号函数，阈值λ为自适应阈值，M是信号的长度。
小波去噪效果的好坏取决于以下几个环节：小波基的选择、小波分解的确定、阈值函数及阈值估计方法的选取。其中，最重要的环节是如何选取阈值函数和如何对阈值进行估计。基于样本估计的阈值选取，其原理为对信号做估计，确定一个统一的阈值，然后保留超过这个阈值的系数而截取小于阈值的系数。本发明中采用基于史坦(Stein)的无偏似然估计的自适应阈值选择(Rigrsure)，其原理为：
把信号x(n)中的每一个元素取绝对值，再由小到大排序。然后将各个元素取平方。从而得到新的信号序列。
sx2(k)＝(sort(|x|))2，k＝0，1，…，N-1 (13)
上式中，sort代表对|x|进行排序。
若取阈值为sx2(k)的第k个元素的平方根，即
则该阈值产生的风险为
其中，Rish()为风险函数。根据所得到的风险曲线Rish(k)，记其最小风险点所对应的值为kmin，那么Rigrsure阈值定义为
漏水信号经过小波去噪后，噪声抑制明显，增强了泄漏信号。从表1的数据可以直观的看出小波去噪对噪声的抑制效果，对低信噪比的漏水信号提升明显。信号经过去噪增强后，可以提高泄漏检测的有效性。
表1信噪比提升结果
经过小波去噪增强后的每帧漏水信号分别提取能量特征、过零率特征和频域方差特征。
(1)短时能量：
(2)短时平均过零率：
(3)频谱方差：
最后将信号的三个特征组成特征向量，作为RBF神经网络的输入向量。
RBF神经网络也称为径向基函数神经网络，它属于前向型神经网络。它可把非线性的问题映射到一个线性可分的问题，进而最终可用一个线性单元来解决问题，这就使原本复杂的非线性问题线性化以便于分析。
RBF神经网络学习算法需要求解的参数包括：基函数的中心、方差以及隐含层到输出层的权值。本发明采用基于自组织选取中心的神经网络学习法。此方法由两个阶段组成：一是自组织学习阶段，此阶段为无教师学习过程，求解隐含层基函数的中心与方差；二是教师学习阶段，此阶段求解隐含层到输出层之间的权值。
本发明中RBF神经网络的输入节点为3个，将Sigmoid函数作为激活函数。输出为非线性函数，输出节点为1个，隐层节点经过大量实验，最后确定为20个。
标示出每帧漏水信号是泄漏信号帧还是非泄漏信号帧，泄漏帧用1表示，非泄漏用0表示。把这一段漏水信号的实际泄漏段的端点结果记录并保存，供后续步骤使用。
把提取的3个特征向量作为RBF神经网络的输入，标定的对应帧的信号段端点结果作为神经网络的理想输出。首先对各特征进行归一化处理如式(20)所示。
其中，xi,j表示第i种特征值的第j个值；max(xi)表示第i种特征最大值。然后采用遗传算法选择初始权值。对神经网络进行反复的训练，使神经网络的误差能量达到要求，或是完成规定的训练次数，此时认为RBF神经网络己经训练完毕。经过以上的步骤，已经训练好的RBF神经网络就可以对漏水信号进行泄漏段检测了。其输出结果就是对该信号的检测结果。从而对泄漏信号段位置做出正确的判断。
从图3所示的神经网络训练曲线我们可以看出，RBF神经网络需要很多次的训练次数(图3为20000次)才能完成本身网络的训练，在19959次时达到最佳训练效果，此时均方误差降为0.0712。通过大量实验，我们取RBF神经网络隐层节点20个。
为了评估算法的准确性，在不同的噪声环境下实验对采集的泄漏信号进行了分析，在低信噪比条件下，用新方法在-5dB时达到的检测率为93.44％。而用基于信号单特征的方法在-5dB时的检测率极低甚至失效，多次将泄漏信号判断为噪声。如图4和5所示，基于信号多特征和RBF神经网络结合的泄漏检测算法在低信噪比下性能仍然较好，可以满足实际管道漏水检测应用的要求。
从表2检测准确率可以看出，基于信号多特征和RBF神经网络检测方法的准确率始终保持才93％以上。这是由于RBF神经网络是一种非线性辩识***，可以将非平稳噪声与泄漏信号区分而线性模型的辩识能力有限。对漏水信号采用多特征进行提取参数，可以更全面描述泄漏信号状态。同时，采用非线性逼近能力强的RBF神经网络对漏水信号进行信号段检测，表现出更强的抗噪性和鲁棒性，有效提高了泄漏检测正确率，具有很高的实用价值。
表2泄漏信号检测准确率
漏水定位模型如图1所示,将传感器等距离分布在供水管网周围，其中距离漏点最近的三个传感器节点编号分别为1,2,3。传感器1,2,3之间的距离为L，传感器1,2距离漏点的位置分别设为d1和d2，传感器1和2、2和3之间的时延分别为τ21和τ23,由此可以先求得漏水声信号所在管道上的传播速度ν为：
v＝L/τ23 (21)
然后根据位置关系可以得到如下关系式：
将式(21)代入式(22)可以得到漏点距传感器1和2的距离d1及d2分别为：
式(23)中的唯一变量就是信号到达不同传感器之间的时延差，因此利用时延估计值可以计算得到漏点具不同传感器的位置，从而实现定位。
针对复杂多变的供水环境，为了提高时延估计的准确性，进而实现高效准确的漏水定位，提出一种基于自适应时延估计的漏水定位方法。该方法利用LMS(最小均方误差)自适滤波器进行时延估计，由于自适应滤波器能够自适应动态调节，不需要预先得到信号和噪声的统计特性，适用于供水管道泄漏检测环境。
设传感器1接收到的漏水信号x(n)作为输入信号，传感器2接收到的漏水信号d(n)为目标信号，延时m个采样周期后输入滤波器的期望输入端，滤波器的输出y(n)，二者差值为误差信号e(n)，wj(n)为第j阶滤波器的加权量，μ为收敛步长，则有：
e(n)＝d(n-m)-y(n) (24)
wj(n+1)＝wj(n)+μe(n)x(n-j) (26)
其中，j＝-m,-m+1,K,m-1,m。根据LMS准则，当自适应滤波器收敛后，x(n-τ)与其估计d(n)的相似性最大，由wopt最大值对应的坐标就可以得到时延估计值利用同样的原理可以求出传感器2和3之间的时延估计值最后利用式(23)计算漏水点距离传感器1和2的距离，从而实现了漏水定位。
为了使定位结果更为直观，分别对传感器1和传感器2的漏水信号进行自适应时延估计，图6和图7分别表示两个传感器采集的信号波形。利用上面的LMS自适应时延估计方法，可以得到其滤波器的时域波形，其结果如图8所示。
经过上述分析可知，当迭代次数较大时，可以根据时延滤波器的形状，选取其峰值点对应的延迟点数即可。而这里的延迟点数为700，传感器采样率为25kbit/s，因此传感器1和2所接收到的信号时延值τ21为0.028s，同理可得其他传感器两两之间的时延值，利用式23即可进行漏水定位。
以上所述的实施例，只是本发明较优选的具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (8)
1.基于多特征和自适应时延估计的泄漏检测与定位方法，其特征在于，所述方法利用小波去噪对漏水信号增强，然后将漏水信号的短时能量特征、短时过零率特征和频谱方差作为神经网络的输入，神经网络训练好后就可检测出泄漏是否发生，随后通过LMS自适应算法估计两个传感器接收泄漏信号的时延值，通过时延值对管道漏点进行高精度的漏水定位。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
S1:将漏水信号进行小波去噪；
S2：对S1中经过小波去噪增强后的每帧漏水信号分别提取能量特征、过零率特征和频域方差特征；
S3：把S2中提取的3个特征向量作为RBF神经网络的输入，标定的对应帧的信号段端点结果作为神经网络的理想输出，对神经网络进行训练；
S4：将训练好的神经网络用于泄漏检测，输出检测结果；
S5：设置漏水定位模型；
S6：利用LMS自适滤波器进行时延估计；
S7：计算漏水点距离传感器的距离，完成漏水定位。
3.根据权利要求2所述的方法，其特征在于，所述S1包括：
S11：选用db4小波基对漏水信号作四层小波分解，得到一组小波系数:
S12：对含噪声信号小波系数进行阈值化处理，设置一个合适的数作为阈值，当小波系数小于这个临界值时，小波系数由噪声引起的，予以舍弃；当分解系数大于这个临界阈值时，系数由信号引起，采用软阈值方法按照某一个固定量向零收缩，得到处理后的小波系数；
S13：对阈值处理后的小波系数进行小波逆变换，得到小波阈值去噪处理后的信号。
4.根据权利要求3所述的方法，其特征在于，所述S2中经过小波去噪增强后的每帧漏水信号分别提取能量特征、过零率特征和频域方差特征如下：
短时能量：
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>f</mi>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
短时平均过零率：
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>|</mo>
<mi>sgn</mi>
<mo>&lsqb;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mi>sgn</mi>
<mo>&lsqb;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>|</mo>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>f</mi>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
频谱方差：
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>,</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
最后将信号的三个特征组成特征向量，作为RBF神经网络的输入向量。
5.根据权利要求4所述的方法，其特征在于，所述S3包括：
S31：设置RBF神经网络的输入节点为3个，将Sigmoid函数作为激活函数；输出为非线性函数，输出节点为1个，隐层节点经过大量实验，最后确定为20个；
S32：标示出每帧漏水信号是泄漏信号帧还是非泄漏信号帧，泄漏帧用1表示，非泄漏用0表示，把这一段漏水信号的实际泄漏段的端点结果记录并保存，供后续步骤使用；
S33：把提取的3个特征向量作为RBF神经网络的输入，标定的对应帧的信号段端点结果作为神经网络的理想输出；
S34：对各特征进行归一化处理如式(4)所示：
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，xi,j表示第i种特征值的第j个值；max(xi)表示第i种特征最大值；
S35：采用遗传算法选择初始权值，对神经网络进行反复的训练，使神经网络的误差能量达到要求，或是完成规定的训练次数，此时认为RBF神经网络己经训练完毕。
6.根据权利要求5所述的方法，其特征在于，所述S4包括：
S41：将漏水信号输入已经训练好的RBF神经网络，对漏水信号进行泄漏段检测。
S42：输出结果就是对该信号的检测结果。
7.根据权利要求6所述的方法，其特征在于，所述S5包括：
S51：将传感器等距离分布在供水管网周围，其中距离漏点最近的三个传感器节点编号分别为1,2,3，传感器1,2,3之间的距离为L，传感器1,2距离漏点的位置分别设为d1和d2，传感器1和2、2和3之间的时延分别为τ21和τ23；
S52：求得漏水声信号所在管道上的传播速度ν为：
v＝L/τ23 (5)；
S53：根据位置关系可以得到如下关系式：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mo>=</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&tau;</mi>
<mn>21</mn>
</msub>
<mo>&CenterDot;</mo>
<mi>v</mi>
<mo>=</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
将式(5)代入式(6)可以得到漏点距传感器1和2的距离d1和d2分别为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>23</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mn>21</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<msub>
<mi>&tau;</mi>
<mn>23</mn>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>23</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&tau;</mi>
<mn>21</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<msub>
<mi>&tau;</mi>
<mn>23</mn>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式(7)中的唯一变量就是信号到达不同传感器之间的时延差，因此利用时延估计值可以计算得到漏点具不同传感器的位置，从而实现定位。
8.根据权利要求7所述的方法，其特征在于，所述S6包括：
S61：设传感器1接收到的漏水信号x(n)作为输入信号，传感器2接收到的漏水信号d(n)为目标信号，延时m个采样周期后输入滤波器的期望输入端，滤波器的输出y(n)，二者差值为误差信号e(n)，wj(n)为第j阶滤波器的加权量，μ为收敛步长，则有：
e(n)＝d(n-m)-y(n) (8)；
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
<mo>;</mo>
</mrow>
wj(n+1)＝wj(n)+μe(n)x(n-j) (10)；
其中，j＝-m,-m+1,K,m-1,m，根据LMS准则，当自适应滤波器收敛后，x(n-τ)与其估计d(n)的相似性最大，由wopt最大值对应的坐标得到时延估计值
S62：利用同样的原理:求出传感器2和3之间的时延估计值
S63：利用式(7)计算漏水点距离传感器1和2的距离，从而完成漏水定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710565309.9A CN107368799B (zh) | 2017-07-12 | 2017-07-12 | 基于多特征和自适应时延估计的泄漏检测与定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710565309.9A CN107368799B (zh) | 2017-07-12 | 2017-07-12 | 基于多特征和自适应时延估计的泄漏检测与定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107368799A true CN107368799A (zh) | 2017-11-21 |
| CN107368799B CN107368799B (zh) | 2023-06-13 |
Family
ID=60308052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710565309.9A Active CN107368799B (zh) | 2017-07-12 | 2017-07-12 | 基于多特征和自适应时延估计的泄漏检测与定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107368799B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108694416A (zh) * | 2018-05-23 | 2018-10-23 | 重庆科技学院 | 基于多特征融合算法的振动光纤入侵事件检测方法 |
| CN109831822A (zh) * | 2019-01-21 | 2019-05-31 | 北京大瞭互通科技有限责任公司 | 一种用于vdes中应急定位的小波去噪预处理算法 |
| CN111207305A (zh) * | 2020-02-25 | 2020-05-29 | 上海电机学院 | 用于锅炉管道泄漏点定位的信号时延估值方法 |
| CN111695465A (zh) * | 2020-06-01 | 2020-09-22 | 杭州英集动力科技有限公司 | 基于压力波模式识别的管网故障诊断与定位方法及*** |
| CN113671323A (zh) * | 2021-07-22 | 2021-11-19 | 宁波骅厦智能科技有限公司 | 基于归一化最小均方误差双滤波器处理小波分解后的局部放电信号检测方法 |
| CN114449373A (zh) * | 2022-01-14 | 2022-05-06 | 河南卓正电子科技有限公司 | 一种基于物联网无线传输的智慧水务*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101539241A (zh) * | 2009-05-07 | 2009-09-23 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
| CN101183899B (zh) * | 2007-12-19 | 2010-09-01 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
| CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息***有限责任公司 | 光纤周界***的振动信号识别方法 |
| US20130066568A1 (en) * | 2010-04-15 | 2013-03-14 | Julio Roberto Alonso | Integrated system with acoustic technology, mass imbalance and neural network for detecting, locating and quantifying leaks in ducts |
-
2017
- 2017-07-12 CN CN201710565309.9A patent/CN107368799B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183899B (zh) * | 2007-12-19 | 2010-09-01 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
| CN101539241A (zh) * | 2009-05-07 | 2009-09-23 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
| US20130066568A1 (en) * | 2010-04-15 | 2013-03-14 | Julio Roberto Alonso | Integrated system with acoustic technology, mass imbalance and neural network for detecting, locating and quantifying leaks in ducts |
| CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息***有限责任公司 | 光纤周界***的振动信号识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| 徐光延: "《长寿卫星编队飞行理论基础》", 31 July 2015 * |
| 文静等: ""地下管道泄漏检测定位中的时延估计方法"", 《仪器仪表学报》 * |
| 王炳锡等: "《实用语音识别基础》", 31 January 2005 * |
| 谢正文: "《餐饮烟道油垢自燃发火理论与防护技术》", 31 May 2012 * |
| 赵力: "《语音信号处理》", 31 May 2009 * |
| 郑国伟等: "《机修手册 第2卷 修理技术基础》", 30 September 1993 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108694416A (zh) * | 2018-05-23 | 2018-10-23 | 重庆科技学院 | 基于多特征融合算法的振动光纤入侵事件检测方法 |
| CN109831822A (zh) * | 2019-01-21 | 2019-05-31 | 北京大瞭互通科技有限责任公司 | 一种用于vdes中应急定位的小波去噪预处理算法 |
| CN109831822B (zh) * | 2019-01-21 | 2021-02-23 | 北京大瞭互通科技有限责任公司 | 一种用于vdes中应急定位的小波去噪预处理方法 |
| CN111207305A (zh) * | 2020-02-25 | 2020-05-29 | 上海电机学院 | 用于锅炉管道泄漏点定位的信号时延估值方法 |
| CN111695465A (zh) * | 2020-06-01 | 2020-09-22 | 杭州英集动力科技有限公司 | 基于压力波模式识别的管网故障诊断与定位方法及*** |
| CN111695465B (zh) * | 2020-06-01 | 2024-03-05 | 浙江英集动力科技有限公司 | 基于压力波模式识别的管网故障诊断与定位方法及*** |
| CN113671323A (zh) * | 2021-07-22 | 2021-11-19 | 宁波骅厦智能科技有限公司 | 基于归一化最小均方误差双滤波器处理小波分解后的局部放电信号检测方法 |
| CN113671323B (zh) * | 2021-07-22 | 2024-05-10 | 宁波骅厦智能科技有限公司 | 基于归一化最小均方误差双滤波器处理小波分解后的局部放电信号检测方法 |
| CN114449373A (zh) * | 2022-01-14 | 2022-05-06 | 河南卓正电子科技有限公司 | 一种基于物联网无线传输的智慧水务*** |
| CN114449373B (zh) * | 2022-01-14 | 2023-06-20 | 河南卓正电子科技有限公司 | 一种基于物联网无线传输的智慧水务*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107368799B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107368799A (zh) | 基于多特征和自适应时延估计的泄漏检测与定位方法 | |
| CN107061996B (zh) | 一种供水管道泄漏检测定位方法 | |
| CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测***及方法 | |
| Kang et al. | Novel leakage detection by ensemble CNN-SVM and graph-based localization in water distribution systems | |
| CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
| CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
| CN105142177A (zh) | 复数神经网络信道预测方法 | |
| WO2023019601A1 (zh) | 基于结构优化算法的复值神经网络的信号调制识别方法 | |
| CN103675616A (zh) | 电缆在线局部放电检测信号识别方法 | |
| CN113904786B (zh) | 一种基于线路拓扑分析和潮流特性的虚假数据注入攻击辨识方法 | |
| CN101984360B (zh) | 基于frft的归一化泄露lms自适应动目标检测方法 | |
| CN103544526A (zh) | 一种改进粒子群算法及其应用 | |
| CN106682615A (zh) | 一种水下弱小目标检测方法 | |
| CN111539132A (zh) | 一种基于卷积神经网络的动载荷时域识别方法 | |
| CN105976827A (zh) | 一种基于集成学习的室内声源定位方法 | |
| KR20160073874A (ko) | 심화 신경망을 이용한 통계모델 기반의 음성 검출 방법 및 이를 수행하는 음성 검출 장치 | |
| CN112615804A (zh) | 一种基于深度学习的短突发水声通信信号调制识别方法 | |
| CN114963030A (zh) | 一种供水管道监测方法 | |
| CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
| CN104158512A (zh) | 一种基于独立活性因子的抗冲击干扰的自适应稀疏***辨识方法 | |
| CN115047290A (zh) | 基于深度学习的电缆故障放电声音的检测方法 | |
| CN105740989A (zh) | 一种基于varx模型的供水管网异常事件侦测方法 | |
| CN107818135A (zh) | 一种基于灰色关联法的维诺图电力大数据异常检测方法 | |
| Zhang et al. | Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection | |
| CN109212472B (zh) | 一种面向噪声环境下的室内无线定位方法及装置 |
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 | ||
| GR01 | Patent grant |