管道堵塞(一种排水管道堵塞故障的检测方法与流程)

everybody

本发明涉及一种排水管道堵塞故障的检测方法，属于管道故障检测领域。
背景技术：
：我国城市化水平正不断提高，随着城市经济发展，排水管道长度每年呈现加速增长的趋势，但是由于最初的设计存在缺陷或者使用时间长的原因，排水管道的故障率也十分的高。其中，管道的堵塞属于威胁城市安全排水的隐患，如果不能及时发现和排除管道故障，将影响城市供排水的正常运转。因此高效准确的排水管道堵塞检测方法对于管道故障检测是十分必要的。技术实现要素：为了解决排水管道堵塞故障检测的问题，本发明提供了一种排水管道堵塞故障的检测方法。本发明的技术方案是：一种排水管道堵塞故障的检测方法，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、发射端、扬声器通过水听器接收管道堵塞，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、发射端、扬声器通过水听器接收，计算机从接收端获得堵塞管道的信号Y2(t)；S4、获取排水管道两种工况下的声响应信号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堵塞管道的响应信号S5、分别对正常管道、堵塞管道两种工况下的声响应信号进行SVD分解，分解后得到正常管道、堵塞管道两种工况下的信号分量；S6、对两个状态下信号分量提取能量熵指标和近似熵指标，将得到的能量熵指标作为特征向量集合A，将得到的近似熵指标作为特征向量集合B，将两种指标的提取结果合并作为初始特征向量集合C1；S7、将步骤S6得到的能量熵特征向量集合A使用距离可分性判据方法得到类内离散矩阵SW1和类间离散矩阵SB1；S8、将步骤S6得到的近似熵特征向量集合B使用距离可分性判据方法得到类内离散矩阵SW2和类间离散矩阵SB2；S9、将步骤S6得到的初始特征向量集合C1使用距离可分性判据方法得到类内离散矩阵SW3和类间离散矩阵SB3；S10、计算能量熵指标的权重近似熵指标的权重为将各个特征向量集合加权得到新的特征向量集合C2，C2＝A×w1+B×w2；tr()表示取矩阵的迹；S11、采用特征向量集合C2训练随机森林分类器，得到故障识别模型；S12、针对管道的其他段采用步骤S4～步骤S10的方法获取特征向量集合，采用Step11中训练好的随机森林分类器对管道的其他段进行故障的识别。
通过构建Hankel矩阵进行SVD分解。所述排水管道堵塞故障的检测装置包括两根伸缩杆、声卡、放大器、扬声器、筛网、水听器、滤波器和计算机；所述两根伸缩杆从两个不同的下水井盖伸入至井底，水下扬声器固定在伸缩杆Ⅰ的下端，伸缩杆Ⅰ的地面端通过放大器、声卡连接计算机；伸缩杆Ⅱ底端放置筛网方便声信号聚集，水听器固定在伸缩杆Ⅱ的下端且位于筛网上方，伸缩杆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，放大后的信号经由伸缩杆Ⅰ的内置导线传递至水下扬声器进行声音的发射；水听器接收管道内的声音信号内置导线的伸缩杆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。所述扬声器、水听器距离井底位置为一上一下放置。本发明的有益效果是：检测方法提取了信号两种特征，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。本方法经过特征加权融合和分类器识别训练，可以高效准确的检测管道堵塞故障，因此具有工程实用价值。综上所述，本发明基于排水管道故障检测的实际情况，引入声导波检测方法，配合检测装置，提取排水管道的检测声信号进行故障识别，优化了检测流程。
本发明提出的检测方法，进行了故障多特征提取，并且进行了特征的加权融合，提高了检测结果的准确性与可靠性。附图说明图1为一种排水管道堵塞故障的检测装置；图2为本发明方法流程图；图3为0.1s的正常管道时域波形；图4为0.1s的堵塞管道时域波形；图5为正常管道SVD分解结果；图6为堵塞管道SVD分解结果。具体实施方式实施例1：一种排水管道堵塞故障的检测方法，使用英国布拉德福德大学管道实验室数据进行实例验证。管道长度为15.4米，管道材质为黏土管道，直径为150mm。选取0.1s的实验数据进行例证(由于信号在0.1s内已经可以往返管道多个来回，携带丰富的管道内信息，已满足检测要求)。计算机信号处理的具体过程如下：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、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。从而获得堵塞管道的训练信号，如图4所示。正常管道训练信号为52组，堵塞信号62组。进行信号预处理：将两种工况下的信号输入到MATLAB中进行分析，对两种信号使用6阶Hankel矩阵进行SVD分解。
一组正常管道的SVD分解结果如图5所示，一组堵塞管道的SVD分解如图6所示。特征提取：然后进行信号的特征提取过程，对两种工况下的分量信号进行特征提取，提取其能量熵、近似熵两个指标，得到的能量熵指标作为特征向量集合A，将得到的近似熵指标作为特征向量集合B，将提取结果联合作为特征向量集合C1，部分结果如表1所示(其中一组信号的全部提取结果)。表1一组正常管道和堵塞管道的特征提取结果特征加权融合过程：进而进行信号的特征加权融合，计算每个特征指标的识别权重。将A、B、C1特征向量集合分别使用距离可分性判据，得到三组类内散布矩阵和类间散布矩阵。然后计算能量熵指标和近似熵近似熵在总的特征向量集合中的识别权重，经过计算能量熵的权重计算结果为0.41，近似熵指标权重计算为0.59。为了得到加权融合的特征向量集合；将两个特征向量集合加权组合得到新的特征向量集合C2，组合方法为C2＝A×0.41+B×0.59。训练随机森林分类器进行识别：将特征向量集合C2的50％作为训练样本，50％作为测试样本训练随机森林分类器，得到故障识别模型；(即将降维后的特征向量集合输入，将特征向量集合C2的57组样本作为训练样本，57组样本作为测试样本训练随机森林分类器，得到故障识别模型。

以上内容就是管道堵塞(        一种排水管道堵塞故障的检测方法与流程)的相关内容介绍，喜欢侠外游戏论坛的朋友可以关注我们。
              12下一页

everybody

)运用实施例的特征向量集合所得的辨识率如表2所示(将实施例中已知的管道得到的特征向量集合，作为测试组部分，采用故障识别模型进行识别，将得到的类别与模型标好的已知类别对比，一样的为正确。)。表2将特征向量集合输入随机森林后的识别率表正确错误识别正确率正常管道26292.31％大堵塞管道31196.77％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，并且重复上述检测过程(本发明对于未知段的检测就相当于测试组的部分，对未知管道段，采集信号，并且重复故障检测过程得到特征向量集合，输入到分类器中，分类器会识别出一个类别，这个类别就是检测结果。)。实验装置如附图1所示，排水管道堵塞故障的检测装置可以为：所述排水管道堵塞故障的检测装置包括两根伸缩杆、声卡、放大器、扬声器、筛网、水听器、滤波器和计算机；所述两根伸缩杆从两个不同的下水井盖伸入至井底，水下扬声器固定在伸缩杆Ⅰ的下端，伸缩杆Ⅰ的地面端通过放大器、声卡连接计算机；伸缩杆Ⅱ底端放置筛网方便声信号聚集，水听器固定在伸缩杆Ⅱ的下端且位于筛网上方，伸缩杆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，放大后的信号经由伸缩杆Ⅰ的内置导线传递至水下扬声器进行声音的发射；水听器接收管道内的声音信号内置导线的伸缩杆Ⅱ传至滤波器进行滤波管道堵塞，将滤波后的信号输入到计算机中进行数据处理。
所述扬声器、水听器距离井底位置可以为一上一下放置，也可以距离一样。具体实施时，需要打开地面的两个下水道井盖，将两个伸缩杆伸入井内。两根伸缩杆同时深入管道并触底。伸缩杆Ⅱ的底端放置筛网，方便声信号聚集(筛网能保证声音产生一定的回弹，进而方便水听器收集信号)。所述水下扬声器型号可以选用威沙通公司(德国)的K50WP型号；水听器可以为由传感器技术有限公司(加拿大)生产的SQ31型号水听器；伸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20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，通过发射端经由伸缩杆Ⅰ的内置导线传递至水下扬声器进行声音的发射。选用的放大器为巴哈曼-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。水听器经由伸缩杆Ⅰ的接收端连接滤波器，选用KemoVBF10M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。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。当前第1页1&nbsp2&nbsp3&nbsp

以上内容就是管道堵塞(        一种排水管道堵塞故障的检测方法与流程)的相关内容介绍，喜欢侠外游戏论坛的朋友可以关注我们。
              上一页12