一种供水管道泄漏检测定位方法与流程
本发明属于漏水检测定位技术领域，具体涉及一种供水管道泄漏检测定位方法。
背景技术：
自来水管道泄漏检测与定位是管道维护修理的重要前提。据官方统计，国内600多个城市供水管网的平均漏损率超过20％，最高达60％以上。我国大部分地区只有在自来水大面积泄漏，甚至管道爆裂的情况下才能判断出泄漏发生。因此，及时检测并定位出泄漏发生点对于水资源的节约具有重要意义。
实际中的管道漏水信号是由泄漏信号和各种背景噪声混合而成。泄漏信号可以认为是平稳信号，环境噪声包括自来水流动引起的管道振动噪声、机动车行驶造成的地面震动、施工引起的噪音等，由于外界干扰噪声不一定满足平稳条件，会对泄漏检测带来极大困难。
因此，首先为了提升在低信噪比时的泄漏检测效果，本发明以泄漏信号和噪声的频谱特征的差别为出发点，提出了基于谱减法和频谱方差的泄漏检测算法。谱减法是一种有效的语音增强算法，其算法复杂度低，实时性强，本发明将其应用在对泄漏信号的检测上。首先，应用该算法对噪声的频谱进行估计，再通过“谱相减”使漏水信号得到增强。频谱方差是利用泄漏信号的频谱特性差异较大，而背景噪声的频谱特性差异较小，从而识别出泄漏信号。接下来，为了减小时延估计误差进而提高算法的定位精度，提出了一种基于bp神经网络的漏水定位法，利用误差反向传播机制，根据输出值与期望值计算误差，再由误差来逐层修改权值，使得误差最小，从而完成网络训练，构建出基于bp神经网络的滤波系统，进而利用广义相关得到较为准确的时延估计，实现漏水点的精确定位。
在分析算法原理的基础上，在不同信噪比条件下进行仿真实验。实验结果表明，该方法在低信噪比和复杂多变的环境条件下也能取得较好的检测定位效果。
技术实现要素：
为了解决上述问题，本发明提供一种供水管道泄漏检测定位方法，所述方法对传感器采集的信号进行增强，然后计算增强后信号的频谱方差，采用双门限法进行判断，若频谱方差处在门限范围内则说明存在泄漏，再进行漏水点定位，利用bp神经网络构成滤波器，将漏水信号从噪声中分离，对漏水信号进行广义相关，根据信噪比选择性能好的权函数进行时延估计，得到三个传感器的时延后，利用漏水定位模型进行计算，得到漏水点位置信息；
进一步地，所述方法包括：
s1：将漏水信号进行谱减增强；
s2：计算s1中增强后信号的频谱方差；
s3：采用单参数的双门限检测识别泄漏信号，并确定门限阈值；
s4：进行泄漏检测，并输出检测结果；
s5：对s4中输出的检测结果，通过带通滤波去除带外噪声；
s6：进行神经网络滤波，去除带内噪声；
s7：进行广义相关；
s8：对s7中广义相关的结果进行时延估计，并通过漏水定位模型进行计算，得到漏水点位置信息，完成漏水定位；
进一步地，所述s7具体为：在权函数选择的过程中，根据信噪比选择性能好的权函数进行时延估计，得到三个传感器的时延后，利用所述漏水定位模型进行计算，得到漏水点位置信息；
进一步地，所述漏水定位模型为三传感器定位模型，所述模型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，它们之间的距离为l，传感器1,2距离漏点的位置分别设为d1和d2，通过相关法测得传感器1和2，2和3之间的时延分别为d12和d23,漏水信号所在管道上的传播速度ν:ν＝l/d23,漏点距传感器1和2的距离及分别为
进一步地，所述s1中谱减法的计算具体如下：
s11：对输入漏水信号s(n)进行预处理，所述预处理包括预加重和加窗分帧；
s12：对带噪的泄漏信号进行短时傅里叶分析，计算得到每一帧信号的短时能量谱|ym(ω)|2；
s13：在应用谱减法对漏水信号进行增强之前，进行噪声谱估计，得到噪声谱估计值
s14：对s13中结果开平方根后得到泄漏信号的频谱幅度值
进一步地，所述s2中信号频谱方差的计算具体如下：
s21：假设输入信号为s(n)，每帧的长度为n，通过dft将信号从时域变换到频域计算频谱值:
用一个矩阵来记录各频率分量|s(ω)|的值；
s22：计算各个分量的均值：
s23：计算上一步骤中增强后的泄漏信号的频谱方差值:
进一步地，所述s3具体为：
s31：设置两个门限阈值t1和t2，求出噪声模型频谱方差的平均值
s32：阈值t1设置为
进一步地，所述s4具体为：
s41：当参数d高于阈值t2时，是泄漏信号；
s42：通过d高于或低于t1位置，来判断泄漏信号的起止点；
s43：统计高于阈值的信号帧数，如果帧数大于输入信号总帧数的四分之一，则判定为泄漏，并输出信号，否则为无泄漏；
进一步地，所述s6中利用神经网络进行时延估计的过程中，其过程分为两个阶段：第一个阶段是学习过程，第二个阶段是工作过程；
进一步地，所述学习过程为：
1)选择泄漏环境下的样本数据作为训练样本；
2)对样本数据进行预处理，在进行神经网络预测之前，对原始数据进行归一化处理，使其数据规范在[-1,1]之间；
3)构造训练样本，在实验条件下经噪声抑制后的信号采样序列作为目标向量，在实际情况下测得含有不同噪声的漏水信号，得到的采样序列作为输入信号；
进一步地，所述工作过程为：
a)选取三层结构的bp神经网络建立预测模型；输入层、隐含层、输出层对应的节点数目分别为1、40和1，隐含层输出层函数分别为tansig和purelin函数；
b)训练网络；训练网络之前，还需要设置训练参数，其中最大训练步长net.trainparam.epochs为10000，最小均方误差net.trainparam.goal为0.05，以及学习速率设为0.01等；
c)在神经网络建立完成以后，对采集得到的漏水信号进行带内、带外噪声抑制；
本发明的有益效果如下：
1)采用双门限法进行判断，若频谱方差处在门限范围内则说明存在泄漏，精确度更高；
2)采用“无泄漏估计法”估计噪声谱对信噪比的提升更加明显；
3)使用谱减法对带噪的泄漏信号进行降噪处理，有效地提高漏水信号的信噪比会有助于泄漏检测有效性的提升；
4)利用噪声与泄漏信号频谱特性的差异，噪声的频谱均匀的分布在各个频率分段，且各频率分量较小，对其频谱计算方差的值也较小，而泄漏信号的频谱波动较大，对其计算频谱方差的值也大。因此，采用阈值判别法可以有效提高泄漏检测的准确率；
5)在复杂多变的地下供水环境中，高精度的时延估计不易实现。提出一种基于bp神经网络的漏水定位方法。它借助神经网络的学习性对不同环境下的漏水信号进行预处理，然后利用广义相关法进行准确的时延估计，提高漏水点的定位精度。
附图说明
图1为本发明所述漏水定位模型；
图2为本发明所述泄漏检测的算法流程图；
图3为本发明所述基于神经网络定位法模型图；
图4为本发明所述方法的总体框架图；
图5为本发明所述方法验证时的原始及加噪漏水信号波形图；
图6为本发明所述方法验证时在不同信噪比下短时频谱方差图；
图7为本发明所述方法得到交通高峰期的原始及滤波后的波形和频谱图；
图8为本发明所述神经网络训练误差曲线；
图9为本发明所述白噪声条件下的网络训练与时延估计情况；
图10为本发明所述有色噪声条件下的网络训练与时延估计情况；
图11为本发明所述不同信噪比下神经网络训练精度；
图12为本发明所述snr为5db时的各广义相关函数图像；
图13为本发明所述snr为-5db时的各广义相关函数图像。
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13所示，本发明提供一种供水管道泄漏检测定位方法，所述方法对传感器采集的信号进行增强，然后计算增强后信号的频谱方差，采用双门限法进行判断，若频谱方差处在门限范围内则说明存在泄漏，再进行漏水点定位，利用bp神经网络构成滤波器，将漏水信号从噪声中分离，对漏水信号进行广义相关，根据信噪比选择性能好的权函数进行时延估计，得到三个传感器的时延后，利用漏水定位模型进行计算，得到漏水点位置信息，所述方法包括：
s1：将漏水信号进行谱减增强；
s2：计算s1中增强后信号的频谱方差；
s3：采用单参数的双门限检测识别泄漏信号，并确定门限阈值；
s4：进行泄漏检测，并输出检测结果；
s5：对s4中输出的检测结果，通过带通滤波去除带外噪声；
s6：进行神经网络滤波，去除带内噪声；
s7：进行广义相关时延估计；
s8：利用s7中的时延估计结果，通过漏水定位模型，得到漏水点位置信息，完成漏水定位。
所述8具体为：在权函数选择的过程中，根据信噪比选择性能好的权函数进行时延估计，得到三个传感器的时延后，利用所述漏水定位模型进行计算，得到漏水点位置信息。
所述漏水定位模型为三传感器定位模型，所述模型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，它们之间的距离为l，传感器1,2距离漏点的位置分别设为d1和d2，通过相关法测得传感器1和2，2和3之间的时延分别为d12和d23,漏水信号所在管道上的传播速度ν:ν＝l/d23，漏点距传感器1和2的距离及分别为
所述s1中谱减法的计算具体为：
s11：对输入漏水信号s(n)进行预处理，所述预处理包括预加重和加窗分帧；
s12：对带噪的泄漏信号进行短时傅里叶分析，计算得到每一帧信号的短时能量谱|ym(ω)|2；
s13：在应用谱减法对漏水信号进行增强之前，进行噪声谱估计，得到噪声谱估计值
s14：对s13中结果开平方根后得到泄漏信号的频谱幅度值
所述s2中信号频谱方差的计算具体如下：
s21：假设输入信号为s(n)，每帧的长度为n，通过dft将信号从时域变换到频域计算频谱值:
用一个矩阵来记录各频率分量|s(ω)|的值；
s22：计算各个分量的均值：
s23：计算上一步骤中增强后的泄漏信号的频谱方差值:
所述s3具体为：
s31：设置两个门限阈值t1和t2，求出噪声模型频谱方差的平均值
s32：阈值t1设置为
所述s4具体为：
s41：当参数d高于阈值t2时，是泄漏信号；
s42：通过d高于或低于t1位置，来判断泄漏信号的起止点；
s43：统计高于阈值的信号帧数，如果帧数大于输入信号总帧数的四分之一，则判定为泄漏，并输出信号，否则为无泄漏。
所述s6中利用神经网络进行滤波的过程中，其过程分为两个阶
段：第一个阶段是学习过程，第二个阶段是工作过程。
所述学习过程为：
1)选择泄漏环境下的样本数据作为训练样本；
2)对样本数据进行预处理，在进行神经网络预测之前，对原始数据进行归一化处理，使其数据规范在[-1,1]之间；
3)构造训练样本，在实验条件下经噪声抑制后的信号采样序列作为目标向量，在实际情况下测得含有不同噪声的漏水信号，得到的采样序列作为输入信号。
所述工作过程为：
a)选取三层结构的bp神经网络建立预测模型；输入层、隐含层、输出层对应的节点数目分别为1、40和1，隐含层、输出层函数分别为tansig和purelin函数；
b)训练网络；训练网络之前，还需要设置训练参数，其中最大训练步长net.trainparam.epochs为10000，最小均方误差net.trainparam.goal为0.05，以及学习速率设为0.01等；
c)在神经网络建立完成以后，对采集得到的漏水信号进行带内、带外噪声抑制。
本发明提供一种供水管道泄漏检测定位方法定位，所述方法基于系统模型，该系统模型如图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，它们之间的距离为l，传感器1,2距离漏点的位置分别设为d1和d2，通过相关法可以测得传感器1和2，2和3之间的时延分别为d12和d23，由此可以先求得漏水信号所在管道上的传播速度ν为：
ν＝l/d23(1)
然后根据位置关系可以得到如下关系式：
将式(1)代入式(2)可以得到漏点距传感器1和2的距离分别为：
因此，通过三传感器定位模型，既能求出管道漏水信号的传播速度，又能得到漏点距离两端传感器的位置，从而实现漏点定位。
基于谱减法和频谱方差的泄漏信号检测方法原理如图2所示，谱减法是一种对信号增强去噪的有效算法。谱减法是在假设背景噪声信号是短时平稳的加性噪声，原始信号和噪声不相关的情况下提出的。谱减法具有计算量小、算法简单，易于实现和去噪效果良好的特点，应用十分广泛。其效果相当于在变换域对带噪信号进行了某种滤波处理，从而得到较为纯净的信号频谱。
带噪声的信号ym(n)可以表示为：
ym(n)＝sm(n)+dm(n)，m＝1，2，…；n＝0，1，…，n-1(4)
其中dm(n)为噪声信号，sm(n)为纯净的泄漏信号。m表示信号分析帧序号,n表示信号分析帧长。对上式两端同时做傅里叶变换得：
ym(ω)＝sm(ω)+dm(ω)(5)
其中,ym(ω)、sm(ω)和dm(ω)分别对应ym(n),sm(n)和dm(n)进行傅里叶变换后的频谱密度。对其取平方，可以得到ym(ω)的短时能量谱：
|ym(ω)|2＝|sm(ω)|2+|dm(ω)|2+sm(ω)·dm(ω)*+sm(ω)*·dm(ω)(6)
由上式得：
因为假设sm(n)和dm(n)独立，所以sm(ω)和dm(ω)也独立，而且假设dm(ω)为零均值的高斯分布，所以：
可得：
|ym(ω)|2＝|sm(ω)|2+|dm(ω)|2(9)
由于平稳噪声的频谱在泄漏前后可以认为基本没有变化，这样可以通过泄漏前的所谓“寂静段”来估计噪声的能量谱|dm(ω)|2。基于短时谱幅度估计的信号增强技术的目的就是设法得到|sm(ω)|的估计
这样就可以得到增强后的泄漏信号：
定义第m个频率分量的增益函数为：
可得：
sm(ω)＝gm(ω)·ym(ω)(13)
也就是说，对带噪信号的每个频谱分量乘以一个系数gm(w)，得到去噪后泄漏信号的频谱。利用原带噪泄漏信号的相位谱来代替估计之后的信号的相位谱。再对它进行傅里叶逆变换就可以得到去噪声的泄漏信号。
实际信号和混杂在其中的噪声信号的频谱特性相差很大。泄漏信号的有效部分集中在500～3000hz这一频段，并且各个频段的幅度值波动剧烈，而信号在短时间内是平稳的，反映在频域就是集中在极窄的频段，而在其他频段的谱值近似为零。因此对泄漏信号计算频谱方差，将会得到一个较大的值。白噪声是在实际应用中最广泛存在的噪声，它的功率谱则较为平坦，分布的频带宽，且谱值较小，对其频谱计算方差，得到的值较小，并且明显小于泄漏信号的频谱方差值。因此，可以根据频谱方差来区别泄漏信号和噪声信号。
信号频谱方差的计算具体过程如下：
(1)假设输入信号为s(n)，每帧的长度为n。通过dft将信号从时域变换到频域计算频谱值:
用一个矩阵来记录各频率分量|s(ω)|的值。
(2)计算各个分量的均值：
(3)计算频谱方差值：
从式(16)中可以看出，频谱方差反映的是信号频域各分量的起伏程度，频谱随频率的变化越剧烈，则d的值越大。而对于白噪声信号，其频谱起伏较平缓且分布的频段宽。因此频谱方差较小。由此，就可以根据频谱方差来检测目标信号。
bp神经网络是一种以误差反向传播(errorbackpropagation,bp)为基础的前向网络，图3为其拓扑结构，它由输入层、隐含层、输出层三部分组成，其中每层都可以包含多个神经元节点作为单独的输入，层与层之间实现全连接，同一层之间的神经元无连接。
如图3所示的神经网络结构图，则可推算得出网络的实际输出以及期望输出分别为：
d(n)＝[d1,d2,…,dj](18)
则第n次迭代的误差为：
ej(n)＝dj(n)-yj(n)(19)
所以得到误差能量定义为：
在误差反向传播过程中，根据最速下降法，计算出误差对权值的梯度，再沿着梯度的反方向进行权值调整，
根据微分的链式规则，得到梯度的计算方法：
引入局部梯度的概念：
对于输出层来说，传递函数一般为线性函数，因此其导数记为常数k，学习率为η，代入上式得出神经元权值的修正量：
漏水定位的关键技术就是传感器之间接收信号的时延估计，通常，两路信号时间延迟可通过对两路信号的互相关函数进行峰值检测进行估计。如图1中，假设漏水点发出的信号为s(n)，则
其中，传感器1与2所接收到的信号分别为s1(n)和s2(n)，n1(n)和n2(n)为噪声信号，α为衰减因子，ts为采样周期。s1(n)和s2(n)的互相关函数定义为：
根据平稳随机过程自相关函数的性质，有
则得到，即传感器1与2间的时延为：
本发明涉及到基于谱减法和频谱方差的泄漏信号检测算法，算法原理如图2所示。把谱减增强算法与频谱方差结合起来。首先使用谱减法对带噪的泄漏信号进行降噪处理，有效地提高漏水信号的信噪比会有助于泄漏检测有效性的提升。之后利用噪声与泄漏信号频谱特性的差异，噪声的频谱均匀的分布在各个频率分段，且各频率分量较小，对其频谱计算方差的值也较小。噪声信号的频谱方差相对于泄漏信号的频谱方差值有明显差异。最后通过设置合适的阈值准确地识别出泄漏信号，判断出泄漏发生。
具体算法的实现步骤为：
1)对输入漏水信号s(n)进行预处理，包括预加重、加窗分帧。
2)对带噪的泄漏信号进行短时傅里叶分析。计算得到每一帧信号的短时能量谱|ym(ω)|2。
3)在应用谱减法对漏水信号进行增强之前，首先进行噪声谱估计，得到噪声谱估计值
4)开平方根后得到泄漏信号的频谱幅度值
5)使用频谱方差进行泄漏检测，计算上一步骤中增强后的各帧信号
6)本发明采用单参数的双门限检测法，在检测泄漏信号过程中只有一个参数“频谱方差d”，然后用双门限来识别泄漏信号。设置两个门限阈值t1和t2，当参数d高于阈值t2时判断为泄漏信号，再从d在什么时候高于或低于t1来判断泄漏信号的起止点。其中，阈值t1设置为
7)在泄漏检测算法运行过程中，统计高于阈值的信号帧数，如果帧数大于输入信号总帧数的四分之一，则判定为泄漏，并输出信号。否则为无泄漏。
泄漏定位算法原理如图3所示。所述方法的总体思路是：广义相关法进行时延估计结果较为准确，然而需要大量先验知识和统计特性来决定权函数的使用，这对于地下漏水检测系统而言不易实现，因此以bp神经网络为基础结合广义相关法构成神经网络定位法。而常见的广义相关加权函数包括：roth处理器、scot(平滑相干变换)、phat(相位变换)、eckart、ml(最大似然)这5种，再加上传统相关法共可得到6种预滤波器模型进行优化，在归纳出常用的6种权函数之后，首先在实验室条件下采集无噪声或高信噪比时的供水管道漏水信号，然后采集不同噪声情况下的漏水信号。对不同情况下的漏水信号进行离散采样，构成一维行向量矩阵以便神经网络使用。为了克服广义相关法需要大量先验条件这一弊端，需要利用神经网络的学习功能和自适应性。在进行多次实验后，决定搭建三层结构的bp神经网络。
其中输入层的节点数为1，输入内容为漏水信号采样点所构成的一维行向量矩阵。隐含层选用tansig函数作为激励函数，隐含层的节点数为40，输出层的神经元个数为1。选用purline作为输出函数，网络的建立语句为：
bpnet＝newff(minmax(p),[41],{'tansig','purelin'},'traingdx','learngdm')(29)
输出内容为经过神经网络滤波后的离散信号，算法采用最速下降法来进行误差反向传播,经过神经网络的多次迭代可以得到针对混合噪声的具有滤波功能的bp神经网络。接下来使用广义相关法，选取合适的权函数并进行峰值检测，这样得到的时延估计更加精准。最后通过公式3，即可确定漏水点的位置，图3所示为神经网络定位法的结构模型。在对5000hz由气泡爆破、水流冲击介质等产生高频带外噪声以及传感器电信号带入的500hz低频带外噪声处理之后，还需要防止与漏水信号同频段的噪声干扰。此时就可利用经带通滤波处理后的数据作为神经网络的输入并建立bp神经网络以进行漏点定位。本系统采用三层结构的bp神经网络，其中输入层的神经元节点数为1个，目标向量为经过前面数据处理后信号的采样序列，是在实验条件下得到；其输入向量为实际情况中含有各种未知噪声情况下的信号采样序列。网络的隐含层常用的激励函数包括tansig和logisg，经过网络训练，对于达到同样的期望误差，tansig的训练步长要小于logsig，因此这里选用tansig函数作为激励函数，经过神经网络的多次训练测试得到隐含层节点数为40，输出层的神经元个数为1，采用最速下降法进行误差反向传播，经过多次迭代得到训练好的神经网络，通过实际情况来验证方法的可行性。
在利用神经网络进行时延估计的过程中，其过程分为两个阶段：第一个阶段是学习过程，第二个阶段是工作过程，具体步骤如下：
1)选取样本数据构造训练样本。由于供水管道深埋于地下，其所处环境复杂多变，是一个不稳定的非线性系统，因此必须选择正常环境下的样本数据，否则抽取到的奇异样本会降低网络的预测能力。对样本数据进行预处理。在进行神经网络预测之前，要对原始数据进行归一化处理，使其数据规范在[-1,1]之间。
2)构造训练样本。在实验条件下经噪声抑制后的信号采样序列作为目标向量，然后在实际情况下测得了含有不同噪声的漏水信号，得到的采样序列作为输入信号。
3)选取三层结构的bp神经网络建立预测模型。输入层、隐含层、输出层对应的节点数目分别为1、40和1，隐含层输出层函数分别为tansig和purelin函数。
4)训练网络。在训练网络之前，还需要设置训练参数，其中最大训练步长net.trainparam.epochs为10000，最小均方误差net.trainparam.goal为0.05，以及学习速率设为0.01等。
在神经网络建立完成以后，对测得的漏水信号进行带内、带外噪声抑制。本发明提出的供水管道泄漏检测定位模型总体分为两个部分：首先进行泄漏检测，当检测到泄漏发生后，接下来进行漏水点的定位。其总体框架如图4所示，实验结果表明：无论采用何种噪声估计方式，谱减法均可提升漏水信号的信噪比；而采用“无泄漏估计法”估计噪声谱对信噪比的提升最为明显。接下来在对频谱方差算法仿真验证时，首先计算噪声模型的频谱方差，确定好双门限阈值t1和t2，再计算谱减增强后各信号帧的频谱方差。如图5所示，在0.3秒之前和3.6秒之后是没有泄漏发生的寂静段。如图5所示三幅图像分别是未叠加噪声、信噪比为5db和信噪比为-5db，三种背景噪声条件下计算得到的短时频谱方差图像。图中平行于横轴的虚线为阈值t1的图像，实线是阈值t2的图像。平行于纵轴的实线标记为泄漏信号的开始端，虚线标记为泄漏信号结束端。由图像可见，基于谱减法和频谱方差的信号检测方法不仅在高信噪比情况下有很好的区分能力，在低信噪比情况下依然有强大的性能。即使在信噪比为-5db时，仅在2.7秒处出现一次误判，但不影响总体算法的有效性，泄漏信号段和背景噪声段的波形依然差异明显。
图6所示为归一化后的信号幅值。计算图6所示信号的频谱方差，结果表明，在输入信号信噪比从-5db到5db变化的10个梯度间，噪声模型的频谱方差值最大不超过30，而增强后漏水信号的频谱方差值均在680以上。二者差异明显,通过设置合适的阈值可以有效检测出泄漏信号。
综上所述，无论是从仿真图像还是计算数据均反映出基于谱减法和频谱方差的泄漏信号检测方法检测效果明显，有效性强。在完成泄漏检测以后，需要对漏水进行准确定位。如图7所示分别为交通高峰期测得的漏水信号的波形和频谱以及经过带通滤波后的情况。在得到交通高峰期的漏水信号，经过带通滤波可以减小带外噪声，经过这样处理后，对所得到的信号进行采样，采样点构成的矩阵作为输入向量，在夜间噪声较小时对测得的信号进行采样，构成的矩阵作为目标向量，对神经网络进行训练，训练情况如图8所示。显然，经过9991次训练达到了0.64％的误差精度，接下来将交通高峰期的另一段漏水信号作为测试输入，输出得到经过bp神经网络滤波的信号。按相同的步骤处理传感器1,2在交通高峰期的漏水信号，接下来采用广义相关法来求得时间延迟。
在进行预滤波的过程中首先要选择权函数，常见的权函数包括：基本相关，roth处理，scot平滑相干变换，phat相位变换，eckart，ml最大似然权函数这6种。在选择权函数时，应确保在互相关函数中有一个尖峰而不是一个宽峰，且在高分辨率和稳定性之间有一个兼顾。在漏水定位方面，对bp神经网络和广义相关进行了可行性分析之后，接下来分别就不同的噪声类型、信噪比、广义相关法的加权函数以及神经网络参数这四种变量对算法精度的影响进行分析，进而得出完整实验结论。不同噪声类型对算法的影响。在保证其他变量相同的情况下，依次混入的信号噪声为高斯白噪声、有色噪声这两种进行算法结果的比较。首先混入白噪声，其训练误差如图9(a)所示，再将经神经网络滤波后的传感器1和2的信号进行广义相关，得到的互相关函数图像如图9(b)所示。接下来混入频率在500-2000hz的有色噪声后相当于增加带内噪声，其神经网络训练结果与两传感器的广义互相关函数分别如图10中(a)和10(b)所示。
在混入白噪声的情况下，神经网络训练精度经1599步达到期望误差0.001，而混入有色噪声的训练精度经10000步仅达到0.0024，说明含白噪声的网络训练精度优于含有色噪声的情况。
不同信噪比对算法精度的影响，以混入高斯白噪声为例，在10db到-12db的范围内改变信噪比，让信号通过bp神经网络，其中10db和-12db下得到的误差曲线如图11所示，将多个信噪比下的误差结果整理到下表中，可以发现信噪比越高，神经网络的训练结果越理想，利用广义相关的定位越准确。
下表为不同信噪比下的网络训练结果
算法本身参数设置也会对定位精度造成影响。bp算法参数的设置主要包括隐含层节点数、传输函数、训练方法这些方面。研究对象定为含高斯白噪声信噪比为10db的漏水信号，首先在含有不同隐含层节点数的网络中进行训练，设最大步长为10000步，改变隐含层的节点数并进行多次训练得到训练精度的均值，训练样本为5000时，训练结果如下表所示，可以得到隐含层的最优节点数为17，此时训练误差精度最小且为0.00234，结果表明隐含层节点数对误差精度有影响但影响较小，节点数的增加对于运算时间和运算量影响更大。
下表为隐含层节点与神经网络的训练精度对照表
而对于传输函数来说，隐含层常用的传输函数为logsig和tansig，对于同一个信号，在相同的最大步长内，tansig的训练精度要高于logsig，所以选择tansig作为隐含层的传输函数。广义相关法的权函数也对算法精度有影响，常见的权函数有5种，再加上传统相关法(cc)，一共6种处理方法。分别采用不同的方法对同一漏水信号进行广义相关处理，当传感器1的信噪比snr1为10db，传感器2的信噪比snr2为5db时，其不同的广义相关函数图像如图12所示。
当传感器1的信噪比snr1为10db，传感器2的信噪比snr2为-5db时，其不同的广义相关函数图像如图13所示，可以看到当snr1＝10db且snr2＝-5db，随着信噪比的下降，之前相关函数峰值较为尖锐的scot和roth已淹没在噪声中，而cc、phat的峰值也随之变得平缓并易受到次峰的影响。反观ml和eckart的峰值尖锐度并没有随信噪比的下降而有显著变化。综上所述，在选择广义相关函数进行漏水定位时，当传感器接收到信号的信噪比较高时，选择phat和scot权函数的定位效果较好；当其信噪比较低时，选择ml和eckart权函数的定位效果较好。
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。
- 还没有人留言评论。精彩留言会获得点赞！