專利名稱：：一種管道泄漏辨識(shí)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種管道泄漏檢測(cè)技術(shù)，尤其涉及一種管道泄漏辯識(shí)方法。
背景技術(shù)：
：及時(shí)、正確地檢測(cè)出管道泄漏是否存在，是進(jìn)行泄漏定位的前提，是工程漏損控制的第一步。早期的工程檢漏人員通過(guò)聽測(cè)泄漏產(chǎn)生的聲音來(lái)判斷供水管道是否發(fā)生泄漏，這種依賴于工程人員的經(jīng)驗(yàn)知識(shí)識(shí)別泄漏的方法，主觀因素決定性大、效率低、容易漏檢。隨著技術(shù)的發(fā)展，目前采用的檢測(cè)方法主要有不間斷流量檢測(cè)法、最小夜流量和管道壓力信號(hào)小波分析等，但這些非泄漏聲信號(hào)處理的方法在實(shí)際供水管道泄漏檢測(cè)工程中，由于存在檢測(cè)耗時(shí)、檢測(cè)管道類型有限、檢測(cè)區(qū)域受地面環(huán)境影響大等缺點(diǎn)，使其在實(shí)際管道泄漏檢測(cè)應(yīng)用中受到一定的限制。近年來(lái)，Wan等提出首先對(duì)泄漏聲信號(hào)進(jìn)行自適應(yīng)濾波消噪處理，然后通過(guò)譜分析判斷管道是否發(fā)生泄漏；李光海等從泄漏聲發(fā)射特征出發(fā)，在信號(hào)頻率范圍上選取一無(wú)標(biāo)度區(qū)間(某個(gè)頻段)，利用功率譜密度與頻率間存在的冪指數(shù)關(guān)系來(lái)判斷泄漏發(fā)生；中國(guó)專利(CN1184931A)提出泄漏是流體紊亂射流和管道相互作用引起的，采用神經(jīng)網(wǎng)絡(luò)方法辨識(shí)泄漏，區(qū)別管道正常和發(fā)生泄漏兩類狀態(tài)；中國(guó)專利(CN101196872A)以聲信號(hào)經(jīng)帶通和中值濾波處理后的信號(hào)均值、最小值、標(biāo)準(zhǔn)差，信號(hào)功率譜最大值對(duì)應(yīng)的頻率等構(gòu)建特征向量，結(jié)合支持向量機(jī)(SVM)辨識(shí)泄漏。這四種方法以信號(hào)頻率特性或信號(hào)幅度、平均值等作為特征量，但由于泄漏信號(hào)頻譜特征等隨泄漏形式、管道條件的不同而存在差異，且管內(nèi)或管外存在各類非泄漏干擾聲源，這些方法泄漏檢測(cè)具有局限性。針對(duì)管內(nèi)管外固定非泄漏聲源對(duì)泄漏檢測(cè)的影響，Ai等結(jié)合泄漏聲信號(hào)線性預(yù)測(cè)編碼倒譜系數(shù)(LPCC)和隱馬爾可夫模型(HMM)，ToshitakaandAkira提出以泄漏信號(hào)功率譜密度、基于AR模型的破壞因子等作為泄漏聲信號(hào)特征，結(jié)合支持向量機(jī)(SVM)來(lái)區(qū)別傳感信號(hào)中的相關(guān)成分來(lái)自于泄漏還是各種非泄漏聲源，但與管內(nèi)非泄漏聲源噪聲相辨識(shí)時(shí)，這兩類方法易將管內(nèi)噪聲誤判為泄漏信號(hào)；楊進(jìn)等人結(jié)合相關(guān)分析和近似熵來(lái)辨識(shí)泄漏信號(hào)，泄漏辨識(shí)準(zhǔn)確率較高，但在辨識(shí)中僅采用了一個(gè)傳感器獲取信號(hào)的信息來(lái)做自相關(guān)分析處理，在信號(hào)信噪比較低時(shí)泄漏辨識(shí)性能下降。前述種種理論或方法，雖然為泄漏檢測(cè)技術(shù)的發(fā)展開辟了一些新的思路，但各自又存在不足和缺陷。
發(fā)明內(nèi)容針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種管道泄漏辨識(shí)方法，該方法針對(duì)兩個(gè)鄰近傳感器的觀測(cè)信號(hào)，將其分別作為自適應(yīng)濾波器的輸入信號(hào)和參考信號(hào)，提取濾波器收斂時(shí)的權(quán)向量，該權(quán)向量是兩觀測(cè)信號(hào)相關(guān)函數(shù)的最優(yōu)估計(jì)；濾波器收斂時(shí)的權(quán)向量存在峰值則判斷管道可能泄漏，否則判斷管道無(wú)泄漏；判斷結(jié)果為管道可能泄漏時(shí)，計(jì)算該權(quán)向量包絡(luò)峰值一個(gè)鄰域以外部分的權(quán)向量復(fù)雜度值，將權(quán)向量復(fù)雜度值輸入決策算法，最終確定管道是否為真實(shí)泄漏。其中，自適應(yīng)濾波器采用最小均方自適應(yīng)濾波器；采用關(guān)聯(lián)維數(shù)方法計(jì)算權(quán)向量復(fù)雜度值；決策算法采用BP祌經(jīng)網(wǎng)絡(luò)，且BP神經(jīng)網(wǎng)絡(luò)中預(yù)先輸入有已經(jīng)確認(rèn)了的真實(shí)泄漏信號(hào)和管內(nèi)外非泄漏固定聲源信號(hào)的權(quán)向量復(fù)雜度值的訓(xùn)練樣本。本發(fā)明方法可明晰為如下步驟對(duì)兩鄰近傳感器獲取的信號(hào)，1)將其中一個(gè)信號(hào)作為自適應(yīng)濾波器的輸入信號(hào)，另一個(gè)信號(hào)作為自適應(yīng)濾波器的參考信號(hào)，進(jìn)行最小均方自適應(yīng)濾波處理，得到權(quán)向量；2)對(duì)權(quán)向量進(jìn)行峰值檢測(cè)，如無(wú)明顯峰值，則判斷管道無(wú)泄漏；如存在明顯峰值，轉(zhuǎn)步驟3);3)對(duì)權(quán)向量進(jìn)行峰值包絡(luò)檢測(cè)，取出權(quán)向量包絡(luò)峰值一個(gè)鄰域以外的部分，采用關(guān)聯(lián)維數(shù)方法計(jì)算出取出部分的權(quán)向量復(fù)雜度值；4)根據(jù)取出部分的權(quán)向量復(fù)雜度值，由BP神經(jīng)網(wǎng)絡(luò)判斷管道是否發(fā)生泄漏。本發(fā)明的有益技術(shù)效果是既提高了信號(hào)的信噪比，又突出了兩個(gè)信號(hào)中共有的關(guān)于泄漏信號(hào)自身的關(guān)聯(lián)特性，采用決策算法對(duì)自適應(yīng)濾波權(quán)向量的復(fù)雜度定量分析，排除噪聲千擾，識(shí)別出信號(hào)源是否為真正發(fā)生泄漏的信號(hào)源。圖1、管道泄漏辨識(shí)流程圖2、無(wú)泄漏和非泄漏固定聲源噪聲存在時(shí)觀測(cè)信號(hào)^(W)和A(")的自適應(yīng)濾波權(quán)向量W(");圖3、泄漏存在時(shí)觀測(cè)信號(hào)x,(")和x2(n)的自適應(yīng)收斂時(shí)濾波權(quán)向量W(w);圖4、與圖3相對(duì)應(yīng)的抽頭數(shù)從6000-7000的權(quán)向量值；圖5、工地鉆地噪聲存在時(shí)觀測(cè)信號(hào)x,(w)和x2()的自適應(yīng)收斂時(shí)濾波權(quán)向量W(");圖6、與圖5相對(duì)應(yīng)的抽頭數(shù)從6000-7000的權(quán)向量值；具體實(shí)施例方式要檢測(cè)管道泄漏首先要設(shè)置傳感器，將獲取管道振動(dòng)信號(hào)的傳感器設(shè)置在管道暴露處(如閥門、接口和消防栓等位置)，然后采用本發(fā)明方法對(duì)其中兩個(gè)位置鄰近的傳感器的采集信號(hào)進(jìn)行處理；其中，"兩個(gè)位置鄰近的傳感器"是指沿管道延伸方向，位置順次相鄰的傳感器，也即是說(shuō)兩鄰近傳感器間距離可能很短，也可能長(zhǎng)達(dá)上百米，具體距離視管道暴露處位置而定，也可能某根管道兩端接口相隔很遠(yuǎn)，但這根管道兩端的傳感器也屬于"鄰近"關(guān)系。本發(fā)明的鮮明特征是1)我們將兩個(gè)觀測(cè)信號(hào)分別作為自適應(yīng)濾波的輸入和參考信號(hào)，以濾波器收斂時(shí)的權(quán)向量(也叫權(quán)系數(shù))作為特征提取對(duì)象，該權(quán)向量是兩觀測(cè)信號(hào)相關(guān)函數(shù)的最優(yōu)估計(jì)，而不是以兩觀測(cè)信號(hào)本身或其自相關(guān)函數(shù)作為特征提取對(duì)象，這樣做的好處在于既有利于提高信號(hào)的信噪比，又能突出兩個(gè)信號(hào)中共有的關(guān)于泄漏信號(hào)自身的關(guān)聯(lián)特性。2)通常，通過(guò)計(jì)算泄漏信號(hào)和鉆地噪聲信號(hào)的自適應(yīng)濾波權(quán)向量的復(fù)雜度，并設(shè)定一個(gè)閾值便可將泄漏信號(hào)和鉆地噪聲區(qū)別開，如針對(duì)圖3至6中的權(quán)向量，可以設(shè)定1.0作為區(qū)別泄漏信號(hào)和鉆地噪聲復(fù)雜度的閾值，當(dāng)大于1.0便是泄漏信號(hào)，小于1.0便是鉆地噪聲；但由于泄漏形式多樣，如小孔、裂紋、接口等多種形式，且各類管內(nèi)外非泄漏噪聲形式多樣，泄漏信號(hào)和非泄漏噪聲信號(hào)自適應(yīng)濾波權(quán)向量復(fù)雜度值范圍廣，單一的通過(guò)設(shè)定閾值來(lái)區(qū)別泄漏信號(hào)和各類非泄漏噪聲信號(hào)自適應(yīng)濾波權(quán)向量復(fù)雜度易出錯(cuò)，因此，在計(jì)算出待辨識(shí)信號(hào)的權(quán)向量復(fù)雜度值后引入決策算法，分別以已經(jīng)確認(rèn)了的真實(shí)泄漏信號(hào)和管內(nèi)外非泄漏固定聲源信號(hào)的權(quán)向量復(fù)雜度值作為訓(xùn)練樣本來(lái)辨識(shí)泄漏。下面對(duì)自適應(yīng)濾波器的處理過(guò)程進(jìn)行展開，以闡明本發(fā)明方法的原理設(shè)兩個(gè)鄰近傳感器獲取的信號(hào)分別為X,(")和X2()，其模型如下-x2(w)=-Z))+w2(w)其中，X,(n)、X2(")分別為對(duì)未知泄漏源信號(hào)^(")的兩路獨(dú)立觀察信號(hào)；",(")、"2(")為觀察中的加性噪聲，且互不相關(guān)；D為兩路觀察信號(hào)的時(shí)間延遲；；j("-Z))為延遲i)后的未知泄漏源信號(hào)；3為衰減因子；一般可將a(")和a(")中任一信號(hào)作為輸入信號(hào)，另一信號(hào)作為參考信號(hào)；此處不妨設(shè)X,(")為輸入信號(hào)，Xj")為參考信號(hào)，則有，離散信號(hào)組成的向量X(W):X(W)-[^(W—+-，、("+戶)f，長(zhǎng)度為2尸+l，尸為常數(shù)；其中，尸),a("-尸+l)，Xi("+尸)分別為X,(")信號(hào)第"-戶個(gè)取值，第w+l個(gè)取值，第W+P個(gè)取值；參考信號(hào)"(")d(W)=X2(W);濾波器權(quán)向量W(W):W(")豐—f,沖…,『j其中，『—p,『n，^分別為權(quán)向量W(")的第-尸，P個(gè)取值；則濾波器輸出Y(7)為Y(")=W(")X(m)誤差輸出e(M)為-wr(")x(")其中，W、")表示第n次迭代的權(quán)向量；當(dāng)濾波器收斂后，得到當(dāng)自適應(yīng)算法趨于收斂時(shí)，權(quán)向量W07)收斂為『/WW濾波器:W(")=R,'P其中，R,是X(n)向量的相關(guān)矩陣，P是A(n)和A(")的相關(guān)向量，即U0)U1)K1)U0)U2尸+l)L(2戶)■Xj，義U0)P=[及W2(-戶)，Aw(—戶+1)，...，及W2(Of可見，由于兩觀測(cè)信號(hào)中觀測(cè)噪聲互不相關(guān)，從維納濾波器的權(quán)向量來(lái)看，濾波器權(quán)向量是觀測(cè)信號(hào)A(w)和A(w)中相似成分的函數(shù)，因此，為了提取泄漏信號(hào)自身的關(guān)聯(lián)性特征，我們將觀測(cè)信號(hào)A(")和A(")分別作為自適應(yīng)濾波的輸入和參考信號(hào)，以濾波器收斂時(shí)的權(quán)向量作為特征提取對(duì)象，而不是以觀測(cè)信號(hào):c,07)和X2O)本身或觀測(cè)信號(hào)jc,Oz)和A(n)的自相關(guān)函數(shù)作為特征提取對(duì)象。為了從自適應(yīng)濾波收斂時(shí)的權(quán)向量W(")中提取出反映泄漏信號(hào)"自身關(guān)聯(lián)性"特征，我們需要對(duì)"自身關(guān)聯(lián)性"進(jìn)行量化。由于產(chǎn)生機(jī)理間的差異，管道泄漏聲信號(hào)具有強(qiáng)隨機(jī)性，"自身關(guān)聯(lián)性"弱；而各種管內(nèi)外固定非泄漏噪聲，如汽車發(fā)動(dòng)機(jī)、工地鉆地和工廠機(jī)車、管內(nèi)閥門等引起的噪聲，自身具有一定規(guī)律性和重復(fù)性，"自身關(guān)聯(lián)性"強(qiáng)，因此，當(dāng)在管道上采集的觀測(cè)信號(hào)A(")和x2(w)中的<")是泄漏信號(hào)時(shí)，自適應(yīng)濾波收斂時(shí)的權(quán)向量W(")復(fù)雜、不規(guī)則，而當(dāng)A(")和A(")中的s(")是由管內(nèi)外固定非泄漏噪聲引起時(shí)，權(quán)向量W(w)具有一定的規(guī)律性。通過(guò)判斷權(quán)向量W(")的規(guī)律性、復(fù)雜度就可判斷出觀測(cè)信號(hào)x,(")和A(")中的s(")是泄漏信號(hào)還是管內(nèi)外固定非泄漏噪聲，從而實(shí)現(xiàn)管道泄漏辨識(shí)。完成自適應(yīng)濾波后，我們就可對(duì)管道是否發(fā)生泄漏作出初步判斷了，S卩如果自適應(yīng)濾波器收斂時(shí)的權(quán)向量不存在明顯的峰值，表明不存在有泄漏的可能性；如果自適應(yīng)濾波器收斂時(shí)的權(quán)向量存在明顯的峰值，表明可能存在泄漏，也可能存在其他的非泄漏聲源。如果發(fā)生自適應(yīng)濾波器收斂時(shí)的權(quán)向量存在明顯峰值的情況，為了繼續(xù)識(shí)別權(quán)向量峰值是由非泄漏聲源引起的還是由泄漏本身引起的，就必須對(duì)自適應(yīng)濾波權(quán)向量的復(fù)雜度進(jìn)行定量分析將信號(hào)收斂時(shí)的權(quán)向量W(W)中包絡(luò)峰值一個(gè)鄰域以外的部分作為特征提取對(duì)象，對(duì)該對(duì)象進(jìn)行不規(guī)則和復(fù)雜度分析。分形學(xué)是以局部和整體具有自相似的復(fù)雜事物為研究對(duì)象探索其復(fù)雜性的科學(xué)，很自然的可以用它來(lái)描述權(quán)向量W(")的不規(guī)則性和復(fù)雜性；近似熵是用一個(gè)非負(fù)數(shù)來(lái)表示某時(shí)間序列的復(fù)雜性，越復(fù)雜的時(shí)間序列對(duì)應(yīng)的近似熵越大，同樣可以采用近似熵來(lái)度量權(quán)向量W(")的不規(guī)則性和復(fù)雜性；本發(fā)明采用分形學(xué)中的關(guān)聯(lián)維數(shù)方法來(lái)計(jì)算自適應(yīng)濾波權(quán)向量的復(fù)雜度。如前所述，由于泄漏形式多樣，如小孔、裂紋、接口等多種形式，且各類管內(nèi)外非泄漏噪聲形式多樣，泄漏信號(hào)和非泄漏噪聲信號(hào)自適應(yīng)濾波權(quán)向量復(fù)雜度值范圍廣，單一的通過(guò)設(shè)定閾值來(lái)區(qū)別泄漏信號(hào)和各類非泄漏噪聲信號(hào)自適應(yīng)濾波權(quán)向量復(fù)雜度易出現(xiàn)誤判或漏判，因此，在獲得待辨識(shí)信號(hào)的權(quán)向量復(fù)雜度值后引入決策算法，本發(fā)明選用BP神經(jīng)網(wǎng)絡(luò)作為決策算法，分別以已經(jīng)確認(rèn)了的真實(shí)泄漏信號(hào)和管內(nèi)外非泄漏固定聲源信號(hào)的復(fù)雜度值作為訓(xùn)練樣本來(lái)辨識(shí)泄漏，即可避免因非泄漏固定聲源信號(hào)引起的誤判和漏判。包絡(luò)峰值檢測(cè)實(shí)施例將沒(méi)有泄漏、沒(méi)有非泄漏固定聲源噪聲存在時(shí)的觀測(cè)信號(hào)X,(W)和X,(")作為圖1中的自適應(yīng)濾波器的輸入，其中自適應(yīng)濾波器可選擇最小均方自適應(yīng)濾波器，得到濾波器權(quán)向量W(W)，如圖2所示；將該權(quán)向量W(")作為圖1中權(quán)向量峰值包絡(luò)檢測(cè)的輸入，其中，權(quán)向量峰值包絡(luò)檢測(cè)可采用如下步驟i)對(duì)權(quán)向量w(")進(jìn)行希爾伯特變換^()=『()*丄=丄|;，；"為權(quán)向量第"朋7TSw—A:個(gè)計(jì)數(shù)，A為求和過(guò)程權(quán)向量第^個(gè)計(jì)數(shù)，『("為求和過(guò)程中第&個(gè)權(quán)向量值，W為權(quán)向量長(zhǎng)度個(gè)數(shù)的一半；2)得到權(quán)向量WO)的解析信號(hào):=+7#(");.為虛數(shù)符號(hào)；3)權(quán)向量W(")的包絡(luò)^(W)為雄)"『2(")+]^2(");4)得到包絡(luò)^n)中的最大值(x和包絡(luò)^0的均值4。"，若4^hx《^，貝IJ認(rèn)為權(quán)向量W(")峰值明顯，反之峰值不明顯，其中fl為閾值，是大于l的常數(shù)。從圖2中可以看出，由于觀測(cè)信號(hào)、(")和A(n)沒(méi)有相關(guān)成分，權(quán)向量沒(méi)有明顯峰值，權(quán)向量峰值包絡(luò)檢測(cè)直接給出檢測(cè)結(jié)果無(wú)泄漏。本發(fā)明應(yīng)用實(shí)例以一小孔泄漏信號(hào)為例，信號(hào)分別通過(guò)兩個(gè)不同位置安放的加速度傳感器在管道管壁上采集，信號(hào)的采樣頻率為4861Hz。將兩信號(hào)x,(")和X2(")分別作為輸入信號(hào)和參考信號(hào)輸入自適應(yīng)濾波器，其中自適應(yīng)濾波器可選擇最小均方自適應(yīng)濾波器，自適應(yīng)濾波器收斂時(shí)得到權(quán)向量W(")，如圖3所示；將該權(quán)向量W(")作為圖1中權(quán)向量峰值包絡(luò)檢測(cè)的輸入，判斷結(jié)果是權(quán)向量W(")峰值明顯；于是，將權(quán)向量W(W)的包絡(luò)^()作為圖1中提取包絡(luò)的一個(gè)鄰域以外權(quán)向量值的輸入，這里的信號(hào)處理步驟可為1)得到包絡(luò)」(w)最大值」max衰減3dB后的包絡(luò)峰值所對(duì)應(yīng)的權(quán)向量W(")的抽頭數(shù)wl和"2，其中，/1<"2;2)從w2開始，取出所有大于"2的抽頭數(shù)所對(duì)應(yīng)的權(quán)向量W'(")。如圖4所示，取得的權(quán)向量W'(n)值在零值附近振蕩，振蕩過(guò)程不規(guī)則，振蕩過(guò)程體現(xiàn)出一定的隨機(jī)性，這表明管道泄漏聲信號(hào)具有強(qiáng)隨機(jī)性，"自身關(guān)聯(lián)性"弱。將圖4中的權(quán)向量W'(力值作為權(quán)向量復(fù)雜度分析的輸入，其中，權(quán)向量W'(n)復(fù)雜度分析可采用關(guān)聯(lián)維數(shù)分析方法，預(yù)先給定模式維數(shù)m和相似容限r(nóng)的值，具體計(jì)算過(guò)程如下1)將得到的權(quán)向量W'(")按序號(hào)連續(xù)組成/w維向量，艮P=[『'(")W("+t)…『'("+(w-l)r)]其中，n=l,2,.",iV-W+l，7"為設(shè)定的延遲，通常為l;2)計(jì)算向量X(O和X(力間的距離，艮PU=oJ對(duì)每一個(gè)計(jì)算Z(O與其余矢量ZC/)(i,_/=1，2,'..，iV-m+1,"力間的距離；3)計(jì)算C'=1-，其中，//(.)函數(shù)為海威賽(Heavi-side)函(iV—w+l)x(iV—w)數(shù)，Cf為關(guān)聯(lián)積分函數(shù)，r為相似容限，d為向量Z(Z)和ZCO間的距離；4)則權(quán)向量W'(w)的關(guān)聯(lián)維數(shù)為Z)(m)=。ho、lnrJ將圖3中的權(quán)向量W'Or)作為權(quán)向量復(fù)雜度分析的輸入，計(jì)算出的權(quán)向量的復(fù)雜度為1.37。同樣，以一鉆地噪聲信號(hào)為例，其中，工地地鉆點(diǎn)與管道間距離為10m，信號(hào)通過(guò)兩個(gè)不同位置安放的加速度傳感器在管道管壁上采集，信號(hào)的采樣頻率為4861Hz。將兩加速度傳感器采集的鉆地噪聲信號(hào)A(w)和;^(/7)輸入自適應(yīng)濾波器，經(jīng)過(guò)相同處理后得到的權(quán)向量的復(fù)雜度為0.62。在計(jì)算出待辨識(shí)信號(hào)的權(quán)向量復(fù)雜度值后引入決策算法，選定BP神經(jīng)網(wǎng)絡(luò)為決策算法，分別以己經(jīng)確認(rèn)了的真實(shí)泄漏信號(hào)和管內(nèi)外非泄漏固定聲源信號(hào)的復(fù)雜度值作為訓(xùn)練樣本，將圖4和圖6中權(quán)向量W'(")所計(jì)算得到的復(fù)雜度值作為BP神經(jīng)網(wǎng)絡(luò)輸入辨識(shí)泄漏，從而判斷管道泄漏是否發(fā)生。綜上所述，本發(fā)明方法可總結(jié)為如下步驟參見圖1，對(duì)兩鄰近傳感器獲取的信號(hào)，1)將其中一個(gè)信號(hào)作為自適應(yīng)濾波器的輸入信號(hào)，另一個(gè)信號(hào)作為自適應(yīng)濾波器的參考信號(hào)，進(jìn)行最小均方自適應(yīng)濾波處理，得到權(quán)向量；2)對(duì)權(quán)向量進(jìn)行峰值檢測(cè)，如無(wú)明顯峰值，則判斷管道無(wú)泄漏；如存在明顯峰值，轉(zhuǎn)步驟3);3)對(duì)權(quán)向量進(jìn)行峰值包絡(luò)檢測(cè)，取出權(quán)向量包絡(luò)峰值一個(gè)鄰域以外的部分，采用關(guān)聯(lián)維數(shù)方法計(jì)算出取出部分的權(quán)向量復(fù)雜度值；4)根據(jù)取出部分的權(quán)向量復(fù)雜度值，由BP神經(jīng)網(wǎng)絡(luò)判斷管道是否發(fā)生泄漏。本發(fā)明方法與其它方法的一些對(duì)比表1(見后文)統(tǒng)計(jì)了管外固定聲源噪聲和泄漏信號(hào)辨識(shí)結(jié)果，從表l可以看出，當(dāng)管外非泄漏固定聲源噪聲和泄漏信號(hào)不同時(shí)存在管道上時(shí)，LPCC+HMM、AR+SVM和相關(guān)分析結(jié)合近似熵方法的泄漏漏檢率分別為25.0%、20.0%和5%，高于本發(fā)明方法的漏檢率0%，LPCC+HMM、AR+SVM和相關(guān)分析結(jié)合近似熵方法的泄漏誤檢率分別為20.0%、15.0%和10%，高于本發(fā)明方法的誤檢率5.0%;表2(見后文)統(tǒng)計(jì)了管內(nèi)非泄漏固定聲源噪聲和泄漏信號(hào)辨識(shí)結(jié)果，當(dāng)管內(nèi)非泄漏固定聲源噪聲和泄漏信號(hào)不同時(shí)存在管道上時(shí)，LPCC+HMM、AR+SVM和相關(guān)分析結(jié)合近似熵方法的泄漏漏檢率分別為50.0%、45.0°/。和50.0%，高于本發(fā)明方法的漏檢率10.0%，LPCC+HMM、AR+SVM和相關(guān)分析結(jié)合近似熵方法的泄漏誤檢率分別為60.0%、50.0%和60.0%，高于本發(fā)明方法的誤檢率10.0%。表1管外固定聲源噪聲和泄漏信號(hào)辨識(shí)結(jié)果LPCC+H畫AR+SVM相關(guān)分析+近似熵本發(fā)明方法管外噪聲泄漏管外噪聲泄漏管外噪聲泄漏管外泄漏噪聲測(cè)試2020202020202020正確1615171618191920漏檢率25.0%20.0%5.0%0誤檢率20.0%15.0%10.0%5.0%正確率77.5%82.5%92.5%97.5%表2管內(nèi)固定聲源噪聲和泄漏信號(hào)辨識(shí)結(jié)果<table>tableseeoriginaldocumentpage10</column></row><table>權(quán)利要求1、一種管道泄漏辨識(shí)方法，其特征在于針對(duì)兩個(gè)鄰近傳感器的觀測(cè)信號(hào)，將其分別作為自適應(yīng)濾波器的輸入信號(hào)和參考信號(hào)，提取濾波器收斂時(shí)的權(quán)向量，該權(quán)向量是兩觀測(cè)信號(hào)相關(guān)函數(shù)的最優(yōu)估計(jì)；濾波器收斂時(shí)的權(quán)向量存在峰值則判斷管道可能泄漏，否則判斷管道無(wú)泄漏；判斷結(jié)果為管道可能泄漏時(shí)，計(jì)算該權(quán)向量包絡(luò)峰值一個(gè)鄰域以外部分的權(quán)向量復(fù)雜度值，將權(quán)向量復(fù)雜度值輸入決策算法，最終確定管道是否為真實(shí)泄漏。2、根據(jù)權(quán)利要求1所述的一種管道泄漏辨識(shí)方法，其特征在于自適應(yīng)濾波器采用最小均方自適應(yīng)濾波器。3、根據(jù)權(quán)利要求1所述的一種管道泄漏辨識(shí)方法，其特征在于采用關(guān)聯(lián)維數(shù)方法計(jì)算權(quán)向量復(fù)雜度值。4、根據(jù)權(quán)利要求1所述的一種管道泄漏辨識(shí)方法，其特征在于決策算法釆用BP神經(jīng)網(wǎng)絡(luò)，且BP神經(jīng)網(wǎng)絡(luò)中預(yù)先輸入有已經(jīng)確認(rèn)了的真實(shí)泄漏信號(hào)和管內(nèi)外非泄漏固定聲源信號(hào)的權(quán)向量復(fù)雜度值的訓(xùn)練樣本。5、根據(jù)權(quán)利要求1所述的一種管道泄漏辨識(shí)方法，其特征在于該方法歩驟為對(duì)兩鄰近傳感器獲取的信號(hào)，l)將其中一個(gè)信號(hào)作為自適應(yīng)濾波器的輸入信號(hào)，另一個(gè)信號(hào)作為自適應(yīng)濾波器的參考信號(hào)，進(jìn)行最小均方自適應(yīng)濾波處理，得到權(quán)向量；2)對(duì)權(quán)向量進(jìn)行峰值檢測(cè)，如無(wú)明顯峰值，則判斷管道無(wú)泄漏；如存在明顯峰值，轉(zhuǎn)步驟3);3)對(duì)權(quán)向量進(jìn)行峰值包絡(luò)檢測(cè)，取出權(quán)向量包絡(luò)峰值一個(gè)鄰域以外的部分，采用關(guān)聯(lián)維數(shù)方法計(jì)算出取出部分的權(quán)向量復(fù)雜度值；4)根據(jù)取出部分的權(quán)向量復(fù)雜度值，由BP神經(jīng)網(wǎng)絡(luò)判斷管道是否發(fā)生泄漏。全文摘要本發(fā)明公開了一種管道泄漏辨識(shí)方法，針對(duì)兩個(gè)鄰近傳感器的觀測(cè)信號(hào)，將其分別作為自適應(yīng)濾波器的輸入信號(hào)和參考信號(hào)，提取濾波器收斂時(shí)的權(quán)向量，該權(quán)向量是兩觀測(cè)信號(hào)相關(guān)函數(shù)的最優(yōu)估計(jì)；濾波器收斂時(shí)的權(quán)向量存在峰值則判斷管道可能泄漏，否則判斷管道無(wú)泄漏；判斷結(jié)果為管道可能泄漏時(shí)，計(jì)算該權(quán)向量包絡(luò)峰值一個(gè)鄰域以外部分的權(quán)向量復(fù)雜度值，將權(quán)向量復(fù)雜度值輸入決策算法，最終確定管道是否為真實(shí)泄漏。本發(fā)明的有益技術(shù)效果是既提高了信號(hào)的信噪比，又突出了兩個(gè)信號(hào)中共有的關(guān)于泄漏信號(hào)自身的關(guān)聯(lián)特性，采用決策算法對(duì)自適應(yīng)濾波權(quán)向量的復(fù)雜度定量分析，排除噪聲干擾，識(shí)別出信號(hào)源是否為真正發(fā)生泄漏的信號(hào)源。文檔編號(hào)G06N3/02GK101592288SQ200910103919公開日2009年12月2日申請(qǐng)日期2009年5月22日優(yōu)先權(quán)日2009年5月22日發(fā)明者文玉梅,平李,進(jìn)楊申請(qǐng)人:重慶大學(xué)