一种用于排水管道堵塞故障的检测装置的检测方法

摘要

本发明公开了一种用于排水管道堵塞故障的检测装置的检测方法。方法为：安装排水管道堵塞故障的检测装置；计算机从接收端获得正常/堵塞管道的信号；获取排水管道两种工况中的声响应信号；分别对正常管道、堵塞管道下的声响应信号进行LMD分解；采用皮尔逊相关系数方法分别计算正常管道、堵塞管道各个PF分量与原信号的相关系数，对于相关系数超过15％的分量视为有效PF分量信号；分别计算正常管道、堵塞管道有效PF分量的能量熵指标、近似熵指标、平均声压指标作为特征集合；将得到的特征集合利用K‑CV方法寻求最优参数；重复步骤，采用已经训练好参数的SVM分类器对管道的其他段进行故障识别。本发明方便了检测流程；提高了检测结果的准确性与可靠性。

权利要求

1.一种用于排水管道堵塞故障的检测装置的检测方法，其特征在于：所述方法具体步骤如下：S1、安装排水管道堵塞故障的检测装置；

S2、选择已知的管道无故障段进行检测，计算机控制声卡产生的信号X(t)经功率放大器、扬声器通过水听器接收，计算机从接收端获得正常管道的信号Y1(t)；

S3、在上述已知的管道无故障段人为的放置堵塞物，计算机控制声卡产生的信号X(t)经功率放大器、扬声器通过水听器接收，计算机从接收端获得堵塞管道的数据Y2(t)；

S4、获取排水管道两种工况中的声响应信号G(t)，计算方法为 其中水听器采集到的管道声信号为Y(t)，声卡发射的正弦信号为X(t)；根据响应信号计算方法，分别得到正常管道的响应信号 和堵塞管道响应信号S5、分别对正常管道、堵塞管道下的声响应信号G1(t)和G2(t)进行LMD分解，分解后将分别得到n个PF分量和一个残余分量un(t)；分解结果为S6、采用皮尔逊相关系数方法分别计算正常管道、堵塞管道各个PF分量与原信号的相关系数，对于相关系数超过15％的分量视为有效PF分量信号；

S7、分别计算正常管道、堵塞管道有效PF分量的能量熵指标、近似熵指标、平均声压指标，将三种指标的提取结果作为特征集合；

S8、将步骤S7中得到的特征集合利用K-fold Cross Validation方法寻求最优参数；

S9、重复步骤S4～步骤S7，采用Step8中已经训练好参数的SVM分类器对管道的其他段进行故障识别。

2.根据权利要求1所述的用于排水管道堵塞故障的检测装置的检测方法，其特征在于：所述排水管道堵塞故障的检测装置包括声卡、功率放大器、扬声器、水听器组、滤波器、收缩杆Ⅰ、收缩杆Ⅱ以及一台安装有WinMLS软件的计算机；

收缩杆Ⅰ从下水井盖伸入至井底，扬声器固定在收缩杆Ⅰ的底端，收缩杆Ⅰ的地面端连接功率放大器，收缩杆Ⅱ从下水井盖伸入至井底，水听器组安放在收缩杆Ⅱ底端，收缩杆Ⅱ的地面端通过滤波器连接计算机；计算机控制声卡产生的信号经功率放大器放大，放大后的信号经过内置导线的收缩杆Ⅰ，经由扬声器发送到排水管道中；水听器组接收管道内的声信号经由内置导线的收缩杆Ⅱ传至滤波器进行滤波，将滤波后的信号输入到计算机中进行数据处理。

说明书

一种用于排水管道堵塞故障的检测装置的检测方法

技术领域

[0001] 本发明涉及一种用于排水管道堵塞故障的检测装置的检测方法，属于管道故障检测领域。

背景技术

[0002] 排水管道堵塞是一种影响管道正常运行的故障。许多堵塞在初期只是小堵或者半堵，容易被检察人员忽略，最后造成堵塞面积扩大，不仅会造成管道无法正常供水，还有可能带来安全问题。由于城市排水管道大都深埋地下且线路复杂，导致堵塞故障检测困难。因此根据实际情况，急需一种可以适应复杂管道工况并且可以有效检测地下管道堵塞故障的方法。

[0003] 管道的故障检测有多种方法。目前常用的管道的故障研究方法，有红外线照相法、质量平衡法、负压波法、示踪气体探踪法等。但是由于一些故障检测方法只能在特定的情况下使用，并且检测方式比较复杂，所以并不适用于排水管道的检测。

发明内容

[0004] 为了解决排水管道堵塞故障检测的问题，本发明提供了一种用于排水管道堵塞故障的检测装置的检测方法。

[0005] 本发明的技术方案是：一种用于排水管道堵塞故障的检测装置的检测方法，所述方法具体步骤如下：

[0006] S1、安装排水管道堵塞故障的检测装置；

[0007] S2、选择已知的管道无故障段进行检测，计算机控制声卡产生的信号X(t)经功率放大器、扬声器通过水听器接收，计算机从接收端获得正常管道的信号Y1(t)；

[0008] S3、在上述已知的管道无故障段人为的放置堵塞物，计算机控制声卡产生的信号X(t)经功率放大器、扬声器通过水听器接收，计算机从接收端获得堵塞管道的数据Y2(t)；

[0009] S4、获取排水管道两种工况中的声响应信号G(t)，计算方法为 其中水听器采集到的管道声信号为Y(t)，声卡发射的正弦信号为X(t)；根据响应信号计算方法，分别得到正常管道的响应信号 和堵塞管道响应信号

[0010] S5、分别对正常管道、堵塞管道下的声响应信号G1(t)和G2(t)进行LMD分解，分解后将分别得到n个PF分量和一个残余分量un(t)；分解结果为

[0011] S6、采用皮尔逊相关系数方法分别计算正常管道、堵塞管道各个PF分量与原信号的相关系数，对于相关系数超过15％的分量视为有效PF分量信号；

[0012] S7、分别计算正常管道、堵塞管道有效PF分量的能量熵指标、近似熵指标、平均声压指标，将三种指标的提取结果作为特征集合；

[0013] S8、将步骤S7中得到的特征集合利用K-fold Cross Validation方法寻求最优参数；

[0014] S9、重复步骤S4～步骤S7，采用Step8中已经训练好参数的SVM分类器对管道的其他段进行故障识别。

[0015] 所述排水管道堵塞故障的检测装置包括声卡、功率放大器、扬声器、水听器组、滤波器、两根收缩杆以及一台安装有WinMLS软件的计算机；

[0016] 所述收缩杆Ⅰ从下水井盖伸入至井底，水下扬声器固定在收缩杆Ⅰ的底端，收缩杆Ⅰ的地面端连接功率放大器，收缩杆Ⅱ从下水井盖伸入至井底，水听器组安放在收缩杆Ⅱ底端，收缩杆Ⅱ的地面端通过滤波器连接计算机；计算机控制声卡产生的信号经功率放大器放大，放大后的信号经过内置导线的收缩杆Ⅰ，经由扬声器发送到排水管道中；水听器组接收管道内的声信号经由内置导线的收缩杆Ⅱ传至滤波器进行滤波，将滤波后的信号输入到计算机中进行数据处理。

[0017] 本发明的有益效果是：

[0018] 1.克服了传统检测在排水管道故障检测的劣势，可以在工程人员不下管道的情况下，进行故障检测。本实验检测装置简单，打开一个井盖即可进行管道堵塞故障的排查。

[0019] 2.主动检测方法用于排水管道故障检测，可以比传统被动检测方法更好的凸显管道的故障情况。

[0020] 3.检测方法提取了信号三种特征，弥补了单个特征故障提取不足的情况，可以更全面的反映管道的特性，达到比传统单一故障提取方式更加可靠地提取结果。本方法经过交叉寻优确定分类器参数，比起传统按照经验确定参数更加的科学可靠。

[0021] 综上所述，本发明基于排水管道故障检测的实际情况，引入声学主动检测方法，整个检测装置可以在工程人员不下管道的情况下，提取排水管道的检测信号进行故障识别，方便了检测流程。本发明提出的检测方法，进行了故障多特征提取与分类器参数寻优，提高了检测结果的准确性与可靠性。

附图说明

[0022] 图1为一种排水管道堵塞故障的检测装置设计图；

[0023] 图2为一种排水管道堵塞故障的检测方法流程图；

[0024] 图3为0.1s的正常管道时域波形；

[0025] 图4为0.1s的堵塞管道时域波形；

[0026] 图5为正常管道LMD分解结果；

[0027] 图6为堵塞管道LMD分解结果；

[0028] 图7为正常管道和堵塞管道的相关性提取结果；

[0029] 图8为特征提取结果，其中类型1为正常管道，类型2为堵塞管道；

[0030] 图9为基于K-CV方法得到的SVM参数寻优结果。

具体实施方式

[0031] 实施例1：一种用于排水管道堵塞故障的检测装置的检测方法，使用英国布拉德福德大学管道实验室数据进行实例验证。

[0032] 实验装置如附图1所示。

[0033] 提取信号：实验流程如附图2所示。检测之前，为了获得正常管道和堵塞管道两种工况下的训练数据，选择一段管道无故障段进行检测，计算机获得正常管道的训练信号，如图3所示。然后在这段正常的管道当中人为放置障碍物，进行检测，获得堵塞管道的训练信号，如图4所示。

[0034] 选择特征分量信号：将两种工况下的信号输入到MATLAB中进行分析，一组声学响应信号如附图5、6所示。然后对训练使用的正常管道信号和堵塞管道信号进行LMD分解，并且选择信号相关系数超过15％的分量信号作为特征分量信号。如：一组信号的相关性提取结果如图7所示，由图7可见，仅有前三个分量相关性超过15％，即选取前三个分量进一步提取特征。

[0035] 特征提取：进而进行信号的特征提取过程，对特征分量进行特征提取，提取其能量熵、近似熵、平均声压三个指标，将提取结果联合作为特征集合，部分结果如图8所示。

[0036] 训练分类器：利用K-fold Cross Validation方法寻求最优参数，具体过程为，将特征集合平均分为k组，每组分别做一次分类测试组，剩下的k-1组作为分类训练组；经过如此k次交叉迭代，就会得到k个分类模型；用这k个模型中分类准确性最高的那个模型所对应的SVM的两个参数c和g作为最终的SVM的分类指标。至此完成整个管道故障识别过程中的训练样本准备和分类器训练准备。

[0037] 进行SVM的参数寻优，得到最优SVM的最优分类参数，寻优结果如图9所示。根据实例，将特征集合分为10组，每一组分别作为一次训练组，其余9组作为测试组，最终由特征集合训练出来10个SVM分类模型。10个分类模型中，分类准确率最高的为97.8261％，准确率最高的分类器所对应的分类参数为c＝6.9644与g＝2.2974，至此分类器训练完毕。确定本实施例的SVM分类器的分类参数为c＝6.9644与g＝2.2974。

[0038] 检测其余未知状况管道段：最后实验人员检测其余未知状况的管道段，并且重复检测过程，并且输入到分类参数为c＝6.9644与g＝2.2974的SVM分类器中进行故障识别，完成检测过程。

[0039] 如图1所示，具体实施时，仅需要打开地面的下手道井盖，将两个收缩杆伸入井内。两根收缩杆同时深入管道并触底，两根杆保持8-15cm的距离，且固定有水下扬声器的收缩杆Ⅰ要放置于固定有水听器的收缩杆Ⅱ前(扬声器放于水听器前，为了水听器主要接收的是管道的回声)。水下扬声器型号选用威沙通公司(德国)的K50WP型号。两个水听器为上下放置。选用的水下听音器型号为由传感器技术有限公司(加拿大)生产的SQ31型号水听器。收缩杆内核为金属导体，外壳为绝缘体，可传递信号。检测时，由装有WinMLS软件的计算机控制声卡产生一个10秒的正弦扫频声信号，信号的频率范围为100-6000赫兹。声卡产生的声信号需经过功率放大器进行放大。选用的功率放大器为巴哈曼-克莱默公司(德国)生产的
2708型号的功率放大器，功率放大器驱动水下扬声器发声。水下扬声器工作后，水听器即为接收状态。水听器连接滤波器，选用Kemo VBF 10M滤波器进行滤波，将信号频率范围控制为
100-4000赫兹后输入到计算机当中进行后续处理。

[0040] 上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。