一种城市自来水管道泄漏检测定位方法与流程

本发明涉及管道泄漏检测领域，具体涉及一种用于对城市自来水管道进行泄漏检测定位的方法。

背景技术：

水是生命之源，是人类赖以生存的基础。随着人口增加和经济发展，无论工业用水还是生活用水都呈快速增长趋势，同时我国水资源污染严重，输水过程中的“跑、冒、滴、漏”问题非常普遍，我国自来水管网密集、一些地方管道老旧问题严重，管道由于腐蚀或人为损坏等原因导致的管道泄漏事故频发。据统计，我国大中城市自来水流失率不低于20％，而发达国家的自来水流失率一般不超过10％，存在着很大差距，可以说我国是水资源大国，同时又是严重缺水的国家，因此自来水管道泄漏的检测研究是一项重要课题。

近年来，随着计算机技术的广泛普及和应用，国内外检测技术都得到了迅猛发展，管道检测技术逐渐形成管道内、外检测技术两个分枝，检测内容包括检测涂层及阴极保护有效性、管壁腐蚀、管壁泄漏等缺陷。目前，主要的泄漏检测/监测方法如下：

(1)漏磁内检测

漏磁方法是通过在管壁上放置磁极，漏磁检测设备能使磁极之间的管壁上形成轴向的磁力线，无缺陷的管壁中，磁力线没有受到干扰而均匀分布。管壁腐蚀会导致磁力线的变化，在磁饱和的管壁中，磁力线会从管壁中泄漏，因此通过漏磁检测可判断泄漏情况。该方法只能检测金属管道，检测管壁厚度有限，且检测结果会受到管壁内应力的影响。

(2)超声内检测

内检测设备在管道内行进时，超声检测设备可直接测量管壁的厚度，通过超声换能器向管壁发射超声波，根据回波的时间延迟计算管壁厚度。该方法结果准确可靠，灵敏度较高，对壁厚没有限制，但只能进行单点检测，检测效率低，主要检测管壁腐蚀情况。

(3)负压波检测法

管道发生泄漏时介质从泄漏处流出引起压力突降，附近液体由于压差而向泄漏处补充，产生相邻区域的压力降，通过在管道两端设置压力传感器检测到负压波，就可以判断泄漏并对泄漏进行定位。负压波检测法可以迅速检测出较大的、突发的泄漏，但是对于比较小的泄漏或已经发生的泄漏效果不佳，容易受到站内输送工艺的影响而出现误报，适合长输管线的监测，对市政管网适应性不佳。

(4)次声波法

管道发生泄漏瞬间，输送介质在压力下喷出形成一个脉冲波，沿管道介质向两端传播，经过长距离传播衰减后，可在几十公里外接收到次声波信号，适用于长距离大跨度干线的在线泄漏监测。由于脉冲信号仅在泄漏时激发一次，形成连续泄漏时便无法检测，该方法不适用于人类活动频繁、管网结构复杂的市政管道监测。

(5)声发射法

管道形成持续性泄漏时，液体在压力下冲出管道，形成压力脉动，通过流固耦合这种脉动会沿管壁传播，称为广义的声发射方法。该方法适用于对自来水管道泄漏点的定位，但灵敏度不高，作用距离有限，金属材质一般不超过200米，其他材质管道距离更短。

(6)导波法

这种波会对整个管壁施加应力，并沿着管线方向进行传播，当导波遇到管道的几何形状发生局部改变时会被部分反射。导波法容易检测出局部腐蚀、机械损伤以及环向裂纹等缺陷，对均匀腐蚀、个别点蚀、轴向裂纹、焊接中的小缺陷则不敏感。这种技术的主要缺陷在于超声波衰减较大，检测距离有限，对于埋地敷设防腐层的管道的有效检测距离在10米以内，且价格昂贵。

上述方法各有优点，但是都不能满足对市政自来水管道的小泄漏、长距离的检测需求。因此，有必要提供一种具有更高的灵敏度和检测距离的检测方法，建立一套适用于自来水管道泄漏检测定位的方法。

技术实现要素：

有鉴于此，本发明的主要目的在于提供一种城市自来水管道泄漏检测定位的方法，基于水声信号处理技术，利用水听器阵列形成的指向性，实现泄漏点的准确定位，利用信号增强技术，对背景噪声下的泄漏声信号进行降噪处理，建立液体管道泄漏声信号模型，利用模式识别技术实现对泄漏信号的自动有效识别，最终实现自来水管道泄漏点的精确检测及定位，本方法相较于现有技术，适用于金属、塑料、钢筋水泥等材质的管道，不受信号传播中的衰减影响，具有更高的灵敏度和检测距离。

为实现上述目的，本发明采用的技术方案为，一种城市自来水管道泄漏检测定位的方法，包括以下步骤：

a、在内检测载具平台上沿轴向间隔一定距离安装至少两个水听器，形成双阵元的水听器阵列；

b、使所述内检测载具平台在自来水管道中沿水流方向行进，并通过水听器拾取管道内的信号；

c、利用滑动时间窗算法，将水听器拾取的信号截取为独立的信号数据帧；

d、通过维纳滤波算法对所述信号数据帧进行增强处理，通过功率谱减法对噪声进行抑制，得到信号数据；

e、利用信号处理技术，提取所述信号数据的特征参数组成特征向量；

f、建立基于支持向量机的分类器，利用所述特征向量对样本进行分类，以识别其中的管道泄漏事件；

g、通过所述内检测载具平台上的导航仪或收放电缆长度，对泄漏点进行定位，结合泄漏事件确定管道泄漏位置。

由上，通过将两个水听器放置于检测载具平台的两端，组成具有滤波功能的水听器阵列，该载具平台在管道中沿水流前进的过程中，水听器对管道中的信号进行拾取，进行增强处理组成信号数据，通过对信号数据进行分类识别，可有效检测管道泄漏，并利用定位技术对泄漏点进行定位，从而实现自来水管道泄漏点的精确检测及定位，并且该方法不受管道材质和信号传播过程中的衰减影响，具有更高的灵敏度和检测距离。

其中，步骤c所述通过维纳滤波算法对所述信号数据帧进行增强处理包括：

对各水听器拾取的信号进行时间延迟补偿，并作快速傅氏变换；

计算傅氏变换后的信号的自功率谱和互功率谱，并通过该自功率谱和互功率谱得出维纳滤波算法频响函数；

将延迟补偿后的信号相加波束形成器的结果结合维纳滤波增强后的信号，得到所需要的泄漏信号高频部分的估计值。

由上，由于泄漏点与两水听器的距离不同，因此两水听器在拾取泄漏信号时会出现一定时间差，为保证数据一致性，需要对水听器拾取的信号进行时间延迟补偿，将两个水听器拾取的信号经过延迟及傅氏变换后进行相加，并采用维纳滤波算法对水听器拾取的信号进行增强处理，可得到泄漏信号的估计值。

步骤c所述通过功率谱减法对背景噪声进行抑制包括：

估计出管道内正常的背景噪声幅度谱；

从水听器拾取的带噪信号幅度谱中减去正常的背景噪声幅度谱，将其作为信号数据的幅度谱估计值；

将信号数据的幅度谱估计值加入带噪信号的相位谱，结合维纳滤波增强处理后的结果，进行快速傅氏反变换得到最终信号数据。

由上，维纳滤波算法可以较好的去除噪声中的高频部分，而低频部分则很难消除，采用功率谱减法可有效去除噪声中的低频部分，将维纳滤波的波束形成器与功率谱减法共同使用，从而达到消除背景噪声、实现泄漏信号增强的目的。

其中，所述步骤d中两相邻信号数据帧的时间窗之间保持部分重叠。

由上，通过将两相邻信号数据帧的时间窗保持一部分重叠，可避免重要数据的遗漏和丢失，有利于对管道进行更精确详细的检测，确保泄漏点不被遗漏。

其中，步骤e所述特征参数包括：嵌套谱重心、均值变化方差和峭度。

由上，嵌套谱重心是根据水声信号频谱分布提出的特征参数，是对传统的功率谱质心的扩展，提取出功率谱能量分布的更多信息，均值变化方差是一种优化后的方差参数，是度量一个变量离散程度的物理量，峭度反映了随机变量分布特性的数值统计量，可用于度量信号幅值的分布偏离正态分布的程度，可用于区分压力管道泄漏所激励的水声信号与远端传来的背景噪声，通过提取上述特征参数组成特征向量，可实现对泄漏样本的精确分析和识别。

本发明相对于现有的管道检测方法，具有如下优点：

由于水听器随载具平台在管道内移动，因此可以近距离接收泄漏声信号，有助于及时发现小泄漏，采取补救措施，避免事故扩大；

通过对泄漏所激励的声信号进行分析判断，因此对管壁的材质、厚度等没有限制，可适用于金属、塑料、钢筋水泥等管道的泄漏检测；

由于水听器的移动特性，不受信号传播中的衰减影响，因此可实现长距离的管道泄漏检测。

附图说明

图1为本发明城市自来水管道泄漏检测定位的方法的流程图；

图2为本发明结合维纳滤波算法和功率谱减法的波束形成器的实现框图；

图3为本发明水听器阵列信号的维纳滤波增强算法的实现框图；

图4为本发明水听器阵列信号的功率谱减法的实现框图。

具体实施方式

本发明的主要目的在于提供一种城市自来水管道泄漏检测定位的方法，基于水声信号处理技术，利用水听器阵列形成的指向性，实现泄漏点的准确定位，利用信号增强技术，对背景噪声下的泄漏声信号进行降噪处理，建立液体管道泄漏声信号模型，利用模式识别技术实现对泄漏信号的自动有效识别，最终实现自来水管道泄漏点的精确检测及定位，本方法相较于现有技术，适用于金属、塑料、钢筋水泥等材质的管道，不受信号传播中的衰减影响，具有更高的灵敏度和检测距离。

下面参照附图所示，对本发明的工作原理进行详细解释。

如图1所示，本发明提供的一种城市自来水管道泄漏检测定位的方法，包括以下步骤：

s01：在内检测载具平台上沿轴向间隔一定距离安装至少两个水听器，形成双阵元的水听器阵列；

将两个及以上的水听器沿轴向间隔一定距离安装于内检测载具平台的前后两端，形成双阵元的水听器阵列，该水听器阵列在空间上形成“8字形”或“心形”的空间指向性，一方面可将载具平台前方和后方产生的噪声进行抑制，实现空间滤波的作用，另一方面，该水听器阵列位于泄漏点正下方时，拾取的信号强度最大，距离泄漏点一定距离时，拾取的信号强度会被抵消一部分，通过拾取信号的强弱对比，可更精确的对泄漏点进行定位；

s02：使所述内检测载具平台在自来水管道中沿水流方向行进，并通过水听器拾取管道内的信号；

该步骤通过水听器对管道内的信号进行拾取，形成连续的信号数据流；

s03：利用滑动时间窗算法，将水听器拾取的信号截取为独立的信号数据帧；

该步骤通过滑动时间窗算法，将水听器拾取的连续信号数据流截取为相同的信号数据帧，即每隔一段时间，将水听器拾取的连续数据流进行截取，且为了保证重要数据不被遗漏，可使两相邻信号数据帧的时间窗之间保持一定量的重叠，例如保持50％的重叠；

s04：通过维纳滤波算法对所述信号数据帧进行增强处理，通过功率谱减法对噪声进行抑制，得到信号数据；

由于管道内存在泄漏信号以及管道两端产生的背景噪声，因此，水听器拾取的信号由管道内部的泄漏信号和来自管道两端的背景噪声组成，即xi(k)＝s(k)+ni(k)，其中，xi(k)为水听器最终拾取的信号，s(k)为纯净的泄漏信号，ni(k)为背景噪声信号，下标i为水听器标号，该算法做了如下设定：

(1)泄漏信号和背景噪声是不相关的；

(2)各水听器录到的噪声之间也是不相关的；

(3)各水听器录到的噪声功率谱是相同的。

熟悉本领域的技术人员可知，空间中两点噪声的相关性具有如下特点：低频部分相关性一般较明显，而高频部分相关性大大减弱，因此，该步骤通过维纳滤波算法可以较好地去除噪声中的高频分量，而低频分量则很难消除，需要通过功率谱减法去除；

如图2所示，将两水听器τ0和τ1拾取的信号进行时间延迟补偿，使其保持一致，将补偿后的信号x0(k)和x1(k)进行快速傅氏变换(fft)后得到x0(f)和x1(f)，其求和平均之后的信号，经过谱密度计算，分为高频部分和低频部分，其中信号的高频部分由维纳滤波算法处理，而低频部分由功率谱减法处理，经维纳滤波和谱减法处理后的信号，重叠相加，经过快速傅氏反变换(ifft)后，即可得到最终用于泄漏识别的信号数据y(k)；

如图3所示，通过维纳滤波算法对所述信号数据帧进行增强处理，包括如下步骤：

该维纳滤波算法首先对各水听器拾取的信号进行时间延迟补偿，并作快速傅氏变换(fft)；

其次，计算傅氏变换后的信号的自功率谱和互功率谱，并通过该自功率谱和互功率谱得出维纳滤波算法频响函数；

最后，将延迟补偿后的信号相加波束形成器的结果结合维纳滤波增强后的信号，得到所需要的泄漏信号高频部分的估计值；

在实际应用中，维纳滤波算法多是在频域实现的，根据前面给出的设定条件，可得出

其中，为水听器拾取信号的自功率谱，为泄漏信号的自功率谱，为背景噪声的自功率谱；

为水听器拾取信号的互功率谱，为泄漏信号的互功率谱，由于各水听器录到的背景噪声之间是不相关的，因此，噪声的互功率谱为0，水听器拾取信号的互功率谱即为泄漏信号的互功率谱

单个水听器的维纳滤波算法频响函数是

利用多水听器信息很容易得到维纳滤波算法估计中的φss(f)，把公式(1)、(2)代入公式(3)就得到维纳滤波算法频响函数；

将两水听器τ0和τ1拾取的信号进行时间延迟补偿，使其保持一致，将补偿后的信号x0(k)和x1(k)进行快速傅氏变换(fft)后得到x0(f)和x1(f)，其求和平均之后的信号，经过谱密度计算，利用上述维纳滤波算法频响函数即可进行对信号的高频部分进行维纳滤波增强的处理，得到信号数据高频部分的估计值

上述所有功率谱都通过迭带公式进行更新：

式中x表示泄漏信号或背景噪声；表示第k+1帧功率谱估计，是第k帧功率谱估计。x(f)是信号x(k)的傅利叶变换，α是0到1之间的数，反映了功率谱更新快慢。

如图4所示，通过功率谱减法对噪声进行抑制，包括以下步骤：

估计出管道内正常的背景噪声幅度谱；

从水听器拾取的带噪信号幅度谱中减去正常的背景噪声幅度谱，将其作为信号数据的幅度谱估计值；

将信号数据的幅度谱估计值加入带噪信号的相位谱，结合维纳滤波增强处理后的结果，进行快速傅氏反变换得到最终信号数据。

根据上述原理得到的幅度谱相减估计算法为：

式中为谱减法处理后的信号数据的低频部分，|x(f)|为带噪信号谱，为背景噪声谱估计，θx(f)为带噪信号x(k)的相位谱。

s05：利用信号处理技术，提取所述信号数据帧的特征参数组成特征向量；

该步骤利用信号处理技术，提取所述信号数据帧中的嵌套谱重心(npsc)、均值变化方差和峭度等特征参数，组成特征向量，具体内容如下：

(1)嵌套谱重心(npsc)

嵌套谱重心是根据水声信号频谱分布提出的特征参数，是对传统的功率谱质心的扩展，提取出功率谱能量分布的更多信息，定义如下：

首先，计算功率谱的谱重心f0，

其中，k为频率，p(·)为功率谱，n为功率谱长度；

然后，计算第1阶npsc，f1⁰和f1¹，

接着，计算第2阶npsc，

如果情况需要，可以按上述方法继续求更高阶参数，在本发明中，提取了f0,f1⁰,f1¹三个值作为特征参数。

(2)均值变化方差(mvv)

方差是度量一个变量离散程度的物理量。在此基础上，本发明提出了一个优化的方差参数——均值变化方差(mvv)，计算方法如下：

其中，μ(k)是功率谱p(k)的均值滤波结果，在本发明中，m取值为7。

(3)峭度

峭度反映了随机变量分布特性的数值统计量，可用于度量信号幅值的分布偏离正态分布的程度，可用于区分压力管道泄漏所激励的水声信号与远端传来的背景噪声；

s06：建立基于支持向量机的分类器，利用所述特征向量对样本进行分类，以识别其中的管道泄漏事件；

基于以上提取参数建立的特征向量，建立支持向量机(svm)对数据样本进行分类。统计学习理论建立了一套较好的有限样本下机器学习的理论框架和通用方法，既有严格的理论基础，又能较好地解决小样本、非线性、高维数和局部极小点等实际问题，适用于自来水管道的泄漏事件识别检测，为了保证其具有极低的虚警率，分类器参数优化设计时，要遵循使得超球体包含训练样本中所有非泄漏噪声样本的原则，并在此基础上尽量排除泄漏声音样本。

s07：通过所述内检测载具平台上的导航仪或收放电缆长度，对泄漏点进行定位，结合泄漏事件确定管道泄漏位置；

若载具平台上安装有导航仪时，当检测到泄露事件发生时，利用导航仪的定位数据，即可对泄漏位置进行定位，若载具平台上未安装导航仪，利用载具平台后方的电缆收放长度，也可实现对泄漏位置的定位。

综合上述实施例，本发明相对于现有的管道检测方法，具有如下优点：

由于水听器随载具平台在管道内移动，因此可以近距离接收泄漏声信号，有助于及时发现小泄漏，采取补救措施，避免事故扩大；

通过对泄漏所激励的声信号进行分析判断，因此对管壁的材质、厚度等没有限制，可适用于金属、塑料、钢筋水泥等管道的泄漏检测；

由于水听器的移动特性，不受信号传播中的衰减影响，因此可实现长距离的管道泄漏检测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。