一种噪音计智能检测方法

本发明属于供水管道泄漏检测领域，具体涉及一种噪音计智能检测方法。

背景技术：

1、声学检漏通过在管壁的噪音计(noise logger)或管内的水听器(hydrophone)监测管道噪声，对比正常水流噪声来判断管道泄漏，是较为有效的供水管网探漏方法，其中的噪音计是非侵入式设备，装拆、移动便捷，可以固定或者流动式部署在消防栓、地下水管阀门或外露管道上，在城市供水管网检漏中应用广泛[1]。

2、为了减少环境噪声的干扰，并降低自身功耗，市售噪音计通常采取传统夜间监测方式，例如从凌晨2点开始，每隔30秒采集一组，采集n组计算平均强度，通过绝对监测指标mi(或相对监测指标mie)阈值进行检测识别[2]。尽管众多学者对噪音计音频信号进行了深入研究，抽取的信号特征包括时域的峰值、平均值、均方根、标准差、峰值因子和能量，频域的频域峰值、平均幅值、幅值标准差、频率质心，通过多种机器学习甚至深度学习算法，提高了识别准确率[3][4]。但是噪音计受算力和功耗限制，复杂计算或上传大量数据并不可行。因此，上述技术方法在实际应用中遇到前端硬件条件限制。

3、目前噪音计的夜间监测方式与物联网背景下的7x24实时监测需求不尽吻合，亟需提高噪音计前端检测能力。

4、刘小帅,廖振良.城镇供水管网泄漏检测及定位技术研究进展[j].能源环境保护,2021,35(5):16-22.

5、[2]zhang x,lin t,jiang f,et al.application of acoustic intelligentleak detection in an urban water supply pipe network[j].aqua,2020,69(5).

6、[3]fan h,tariq s,zayed t.acoustic leak detection approaches for waterpipelines[j].automation in construction,2022,138:104226.

7、[4]chan t k,chin c s,zhong x.review of current technologies andproposed intelligent methodologies for water distributed network leakagedetection[j].ieee access,2018,6:78846-78867.

技术实现思路

1、本发明的目的是为解决传统噪音计不能实时检测及检测能力低下问题，而提出了一种噪音计智能检测方法。

2、本发明为解决上述技术问题所采取的技术方案是：噪音计通过抽取音频信号计算得到的多个特征，再通过模型进行泄漏判别，从而前端硬件实现低功耗的智能检测。具体方案如下：

3、步骤1开启噪音计，进行全天检测，收集样本；

4、在供水管网片区间隔布置足量噪音计，保留噪音计夜间采集模式，其它时间段每隔一小时定时采集1～6组音频信号；

5、计算每组信号的时域标准差、峰值因子和过零率，上传云端scada数据库；

6、步骤2对所收集样本进行标识；

7、利用噪音计夜间监测模式检出的泄漏事件及修复记录，给漏点修复前后的音频信号样本打上泄漏与否标签；

8、步骤3训练泄漏检测模型

9、针对scada数据库收集到正常和泄漏样本，随机划分训练集和测试集；

10、选择适合前端噪音计运算的机器学习模型，进行模型训练和测试，直到机器学习模型符合准确率accuracy和f1分数要求，形成泄漏检测模型；

11、步骤4泄漏检测模型下传至噪音计，前端实行智能监测；

12、将泄漏检测模型下传至噪音计；

13、噪音计在全天检取信号的同时，开启智能监测：对于定期采集的音频信号，计算其时域标准差、峰值因子和过零率，输入泄漏检测模型，得到检测结果，上报云端。

14、本发明的有益效果：

15、相比于目前大多数机器学习模型及深度学习模型的检漏算法，本发明方法的检漏算法简单实用，更符合前端噪音计的算力和功耗要求。

16、相比于复杂的特征计算，本发明选择三个时域特征参数，在保证较高识别准确率、f1分数的前提下，大大简化了计算。

17、相比于上传大量数据的传统模式，智能检测模式增强了边缘计算能力，减少数据通讯量并降低功耗，提高了实时性。

18、由此，本发明方法克服了传统夜间监测模式的缺点，真正实现了全天候监测。

技术特征：

1.一种噪音计智能检测方法，其特征在于该方法包括以下步骤：

2.根据权利要求1所述的一种噪音计智能检测方法，其特征在于：步骤1中，在供水管网高危区域布置噪音计，便于在短期内收集到足量泄漏样本。

3.根据权利要求1所述的一种噪音计智能检测方法，其特征在于：步骤1中，音频信号时长为2s～3s，采样频率不低于3khz。

4.根据权利要求1所述的一种噪音计智能检测方法，其特征在于：步骤3中，机器学习模型经训练后，在测试集上进行预测，计算其准确率accuracy和f1分数；若机器学习模型识别准确率、f1分数均大于0.9，则机器学习模型验证通过，进入步骤4；否则，返回步骤1，继续累积样本。

5.根据权利要求4所述的一种噪音计智能检测方法，其特征在于：所述的机器学习模型选择线性分类模型lcm或决策树dt，以适合前端噪音计运算。

6.根据权利要求4或5所述的一种噪音计智能检测方法，其特征在于：

7.根据权利要求6所述的一种噪音计智能检测方法，其特征在于：

8.根据权利要求1所述的一种噪音计智能检测方法，其特征在于：还包括根据前端噪音计智能检测结果，再决定上传原始音频文件，供云端高级算法进一步检测判别。

技术总结
本发明公开了一种噪音计智能检测方法。本发明中的噪音计通过抽取音频信号计算得到的多个特征，包括时域标准差、峰值因子和过零率；之后建立泄漏检测模型，并依据Accuracy和F1分数要求对模型进行训练及验证；最后通过泄漏检测模型进行泄漏判别，从而前端硬件实现低功耗的智能检测。相比于目前大多数机器学习模型及深度学习模型的检漏算法，本发明的检漏算法简单实用，更符合前端噪音计的算力和功耗要求。

技术研发人员：彭浩,严佳杰,赵叶华,王海涛,陈晖,徐哲
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/1/13