[发明专利]一种基于深度学习的供水管网漏损识别方法

说明书

本发明属于供水管网漏损检测技术领域，为解决噪音计常规处理方法存在的泄漏特征难提取、参数敏感等问题，本发明提供一种基于深度学习的供水管网漏损识别方法，首先将音频信号转换为频谱热力图，充分保留原信号的时频域信息；其次，利用既有的大量实际样本，通过CNN模型自学习能力自行抽取特征进行识别，突破人为经验限制，较常规信号处理方法具有更精准的检漏能力和更强的泛化特性。

技术领域

本发明涉及供水管网漏损检测技术领域，尤其涉及一种基于深度学习的供水管网漏损识别方法。

背景技术

供水管道声学检漏方法，是根据管道泄漏产生的声发射信号或管道振动信号来判断漏损发生和漏点位置，在业界早已得到应用。例如水司检漏人员使用的听漏棒、电子听音设备等。近年来，在供水管网大量部署噪音计，利用物联网技术采集、上传现场信号，实现对管网漏损的监测。

无论是人工听漏，还是噪音计监测，由于声信号极易受到环境噪音干扰，一般采用夜间最小噪音法判断。夜间最小噪音法，是为了将外界干扰降到最低，选取夜间某一时段作为最佳采样时段，将此时采样的信号作为最可信数据进行处理的一种方法，该方法能够克服一些环境噪音干扰。但是，监测点夜间还是会受到小区/单位水箱进水干扰。面对干扰，一般通过小波降噪、模态分解、提取时频域特征、识别等常规信号处理方法^[1-3]，提高检漏准确性。此类方法在实际应用中存在阈值难选取、泄漏特征难提取、参数敏感等问题，而影响检漏。

文献[4]是一种供水管网漏损噪声数据库的构建及应用方法，利用模拟实验获得各种管径、材质、漏损孔径等泄漏时泄漏声，虽然便捷但不能完全符合实际情况；同时，该方法仍然以人为抽取特征为主，频域特性数据(平均频率、谱宽系数以及半功率带)、统计分布特性数据(噪声分布的偏度和峭度)、传播特性数据(噪声的声速以及不同频带内噪声强度的衰减系数)，这些特征数据在不同泄漏情况下表现并非一致，而且有些参数不可能获得(譬如，衰减系数)。由此，该发明方法在解决样本少、识别难问题上仍存在不足。

文献[5]尽管采用了一维卷积神经网络，但对原始声音振动信号的处理，仍然沿用了“通过滤波器对原始信号进行预处理，将时域信号转换为频域信号”的传统方法，因此，漏失原始信号中的时频联合特性，将直接影响其渗漏事故诊断准确性。

参考文献：

[1]张鑫.城市供水管网声波检漏及定位技术研究[D].太原理工大学,2015.

[2]谭建勇.供水管道泄漏检测与定位系统的设计与实现[D].南京邮电大学,2018.

[3]宿建波.小波变换在管道泄漏检测中的应用研究[D].山东:中国石油大学(华东),2007.DOI:10.7666/d.y1214582.

[4]宁波水表(集团)股份有限公司.一种供水管网漏损噪声数据库的构建及应用方法:CN202110833664.6[P].2021-10-29.

[5]大连理工大学.基于一维卷积神经网络的给水管网渗漏事故诊断方法:CN202111185247.1[P].2022-01-11.

发明内容

针对上述常规信号处理方法存在的问题，本发明通过处理噪音计音频文件得到热力图基础上，采用深度学习方法，利用大量实际样本训练建立AI检漏模型，提高噪音计检漏准确性。

本发明提供了一种基于深度学习的供水管网漏损识别方法，包括以下步骤：

步骤1建立噪音计音频信号检漏样本库

步骤1-1收集供水管网各噪音计监测点的音频信号；

步骤1-2对收集的音频信号按漏损与正常两种标签进行标识，建立噪音计音频信号检漏样本库。

步骤2音频信号转换成频谱热力图