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与流程

本发明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领域。

背景技术：

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。

技术实现要素：

本发明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。

本发明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。

本发明最为突出的特点和显著的有益效果是：

本发明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；并且本发明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为本发明中漏损信号采集结构示意图；

图2为本发明流程图；

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为实施例中采用本发明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。对于系统是否存在动力学混沌，可以从最大lyapunov指数是否大于零非常直观的判断出来：一个正的lyapunov指数，意味着在系统相空间中，无论初始两条轨线的间距多么小，其差别都会随着时间的演化而呈指数率的增加以致达到无法预测，这就是混沌现象。管道漏损信号存在着一定的混沌现象，不同的漏口条件及管道条件会对泄漏造成较大差别，漏损信号与噪声信号的lyapunov指数存在着差别，漏损信号的lyapunov指数在通常在1.55～2.20之间，而空白信号的lyapunov指数通常在0.85～1.65之间。

其他步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式二不同的是，步骤a3中维数m＞2c+1。

其他步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一不同的是，所述短时过零率的具体计算过程包括：

首先对信号进行分帧处理，保证分帧后的数组大小一致；然后利用matlab中的sign函数(符号函数)计算每帧信号短时过零率。

在离散时间语音信号情况下，如果相邻的采样具有不同的代数符号就称为发生了过零。单位时间内过零的次数就称为过零率。在语音信号识别中用以识别清浊音，通短时过零率反应了信号的连续性、及短时间内的频率特性。漏损信号与空白信号及噪声信号的短时过零率存在差别，漏损信号的短时过零率在2200～3300之间，而空白信号的短时过零率在0～4000之间。

其他步骤及参数与具体实施方式一、二或三相同。

具体实施方式五：本实施方式与具体实施方式一至四不同的是，所述线性预测倒谱系数的具体计算过程包括：

b1、将信号s进行分帧处理，形成汉明窗为256*256的矩阵p1；

b2、将分帧后的矩阵p1进行行加窗；

b3、进行快速傅里叶变换(fft变换)，用自相关法计算每帧的12阶线性预测参数lpc；

b4、求lpc的倒谱，得到线性预测倒谱系数(lpcc)。

线性预测倒谱系数是基于声道模型的重要特征参数。lpcc是丢弃了信号生成过程中的激励信息，之后用十多个倒谱系数可以代表共振峰的特性，所以可以在语音识别中取得很好的性能。漏损信号能够在管道裸露处，被人耳所识别，其线性预测倒谱系数与空白信号及噪声信号在特征值上存在着差异性。

其他步骤及参数与具体实施方式一至四相同。

实施例

采用以下实施例验证本发明的有益效果：

(1)如图1所示，将加速度传感器连接到管道暴露处的阀栓上，加速度传感器与电荷放大器连接，放大倍数调制100pc/unit；再通过动态采集分析仪连接到上位机(笔记本电脑)；动态采集分析仪采用江苏tat5912，采样频率10khz，分析频率3.91khz；分别采集了背景噪声信号50组，管道正常时的声音信号50组，管道漏损时的声音信号100组。

(2)在笔记本电脑上利用matlab对信号处理：对采集到的200组信号计算lyapunov系数、lpcc线性预测倒谱系数、短时过零率特征；

(3)将漏损时的声音信号、正常时的声音信号、背景噪声信号整理，形成神经网络输入数据组；

(4)将漏损时的声音信号、正常时的声音信号、背景噪声信号添加标签，漏损信号标签为1，噪声信号标签为0，正常运行信号标签为2；

(5)对神经网络输入参数设置：输入矩阵为200行、14列的向量矩阵，隐层节点设置为10个，截止误差(神经网络训练停止的误差)设计为0.0001，最大迭代次数设置为300次；

(6)建立神经网络：

其中，神经网络训练集(r＝0.99996)回归曲线图如图3所示；神经网络验证集(r＝0.99726)回归曲线图如图4所示；神经网络测试集(r＝0.99989)回归曲线图如图5所示；神经网络总体(r＝0.99956)回归曲线图如图6所示；

如图7所示，当迭代次数m＝9次，最小均方误差为0.00056562，能够满足辨识要求，同时r值(相关度)达到0.95以上，说明信号相关性良好。

(7)将50组实际漏水信号、25组噪声信号、及25组管道正常通水信号，共计100组待测信号(样本)输入神经网络进行漏损识别：

对神经网络输出结果进行归类，当输出值在(0，0.5)之间时，使输出值＝0；

当输出值在[0.5，1.5]之间时，使输出值＝1；当输出值在(1.5，2.5)之间时，使输出值＝2；当输出值小于等于0或大于等于2.5时，输出值为0；

测试结果如图8所示，可以看出，本发明方法在漏损辨识准确率达到99％。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。