一種用於排水管道堵塞故障的檢測裝置的檢測方法與流程
2024-02-25 11:17:15 1
本發明涉及一種用於排水管道堵塞故障的檢測裝置的檢測方法，屬於管道故障檢測領域。
背景技術：
排水管道堵塞是一種影響管道正常運行的故障。許多堵塞在初期只是小堵或者半堵，容易被檢察人員忽略，最後造成堵塞面積擴大，不僅會造成管道無法正常供水，還有可能帶來安全問題。由於城市排水管道大都深埋地下且線路複雜，導致堵塞故障檢測困難。因此根據實際情況，急需一種可以適應複雜管道工況並且可以有效檢測地下管道堵塞故障的方法。
管道的故障檢測有多種方法。目前常用的管道的故障研究方法，有紅外線照相法、質量平衡法、負壓波法、示蹤氣體探蹤法等。但是由於一些故障檢測方法只能在特定的情況下使用，並且檢測方式比較複雜，所以並不適用於排水管道的檢測。
技術實現要素：
為了解決排水管道堵塞故障檢測的問題，本發明提供了一種用於排水管道堵塞故障的檢測裝置的檢測方法。
本發明的技術方案是：一種用於排水管道堵塞故障的檢測裝置的檢測方法，所述方法具體步驟如下：
s1、安裝排水管道堵塞故障的檢測裝置；
s2、選擇已知的管道無故障段進行檢測，計算機控制音效卡產生的信號x(t)經功率放大器、揚聲器通過水聽器接收，計算機從接收端獲得正常管道的信號y1(t)；
s3、在上述已知的管道無故障段人為的放置堵塞物，計算機控制音效卡產生的信號x(t)經功率放大器、揚聲器通過水聽器接收，計算機從接收端獲得堵塞管道的數據y2(t)；
s4、獲取排水管道兩種工況中的聲響應信號g(t)，計算方法為其中水聽器採集到的管道聲信號為y(t)，音效卡發射的正弦信號為x(t)；根據響應信號計算方法，分別得到正常管道的響應信號和堵塞管道響應信號
s5、分別對正常管道、堵塞管道下的聲響應信號g1(t)和g2(t)進行lmd分解，分解後將分別得到n個pf分量和一個殘餘分量un(t)；分解結果為
s6、採用皮爾遜相關係數方法分別計算正常管道、堵塞管道各個pf分量與原信號的相關係數，對於相關係數超過15％的分量視為有效pf分量信號；
s7、分別計算正常管道、堵塞管道有效pf分量的能量熵指標、近似熵指標、平均聲壓指標，將三種指標的提取結果作為特徵集合；
s8、將步驟s7中得到的特徵集合利用k-foldcrossvalidation方法尋求最優參數；
s9、重複步驟s4～步驟s7，採用step8中已經訓練好參數的svm分類器對管道的其他段進行故障識別。
所述排水管道堵塞故障的檢測裝置包括音效卡、功率放大器、揚聲器、水聽器組、濾波器、兩根收縮杆以及一臺安裝有winmls軟體的計算機；
所述收縮杆ⅰ從下水井蓋伸入至井底，水下揚聲器固定在收縮杆ⅰ的底端，收縮杆ⅰ的地面端連接功率放大器，收縮杆ⅱ從下水井蓋伸入至井底，水聽器組安放在收縮杆ⅱ底端，收縮杆ⅱ的地面端通過濾波器連接計算機；計算機控制音效卡產生的信號經功率放大器放大，放大後的信號經過內置導線的收縮杆ⅰ，經由揚聲器發送到排水管道中；水聽器組接收管道內的聲信號經由內置導線的收縮杆ⅱ傳至濾波器進行濾波，將濾波後的信號輸入到計算機中進行數據處理。
本發明的有益效果是：
1.克服了傳統檢測在排水管道故障檢測的劣勢，可以在工程人員不下管道的情況下，進行故障檢測。本實驗檢測裝置簡單，打開一個井蓋即可進行管道堵塞故障的排查。
2.主動檢測方法用於排水管道故障檢測，可以比傳統被動檢測方法更好的凸顯管道的故障情況。
3.檢測方法提取了信號三種特徵，彌補了單個特徵故障提取不足的情況，可以更全面的反映管道的特性，達到比傳統單一故障提取方式更加可靠地提取結果。本方法經過交叉尋優確定分類器參數，比起傳統按照經驗確定參數更加的科學可靠。
綜上所述，本發明基於排水管道故障檢測的實際情況，引入聲學主動檢測方法，整個檢測裝置可以在工程人員不下管道的情況下，提取排水管道的檢測信號進行故障識別，方便了檢測流程。本發明提出的檢測方法，進行了故障多特徵提取與分類器參數尋優，提高了檢測結果的準確性與可靠性。
附圖說明
圖1為一種排水管道堵塞故障的檢測裝置設計圖；
圖2為一種排水管道堵塞故障的檢測方法流程圖；
圖3為0.1s的正常管道時域波形；
圖4為0.1s的堵塞管道時域波形；
圖5為正常管道lmd分解結果；
圖6為堵塞管道lmd分解結果；
圖7為正常管道和堵塞管道的相關性提取結果；
圖8為特徵提取結果，其中類型1為正常管道，類型2為堵塞管道；
圖9為基於k-cv方法得到的svm參數尋優結果。
具體實施方式
實施例1：一種用於排水管道堵塞故障的檢測裝置的檢測方法，使用英國布拉德福德大學管道實驗室數據進行實例驗證。
實驗裝置如附圖1所示。
提取信號：實驗流程如附圖2所示。檢測之前，為了獲得正常管道和堵塞管道兩種工況下的訓練數據，選擇一段管道無故障段進行檢測，計算機獲得正常管道的訓練信號，如圖3所示。然後在這段正常的管道當中人為放置障礙物，進行檢測，獲得堵塞管道的訓練信號，如圖4所示。
選擇特徵分量信號：將兩種工況下的信號輸入到matlab中進行分析，一組聲學響應信號如附圖5、6所示。然後對訓練使用的正常管道信號和堵塞管道信號進行lmd分解，並且選擇信號相關係數超過15％的分量信號作為特徵分量信號。如：一組信號的相關性提取結果如圖7所示，由圖7可見，僅有前三個分量相關性超過15％，即選取前三個分量進一步提取特徵。
特徵提取：進而進行信號的特徵提取過程，對特徵分量進行特徵提取，提取其能量熵、近似熵、平均聲壓三個指標，將提取結果聯合作為特徵集合，部分結果如圖8所示。
訓練分類器：利用k-foldcrossvalidation方法尋求最優參數，具體過程為，將特徵集合平均分為k組，每組分別做一次分類測試組，剩下的k-1組作為分類訓練組；經過如此k次交叉迭代，就會得到k個分類模型；用這k個模型中分類準確性最高的那個模型所對應的svm的兩個參數c和g作為最終的svm的分類指標。至此完成整個管道故障識別過程中的訓練樣本準備和分類器訓練準備。
進行svm的參數尋優，得到最優svm的最優分類參數，尋優結果如圖9所示。根據實例，將特徵集合分為10組，每一組分別作為一次訓練組，其餘9組作為測試組，最終由特徵集合訓練出來10個svm分類模型。10個分類模型中，分類準確率最高的為97.8261％，準確率最高的分類器所對應的分類參數為c＝6.9644與g＝2.2974，至此分類器訓練完畢。確定本實施例的svm分類器的分類參數為c＝6.9644與g＝2.2974。
檢測其餘未知狀況管道段：最後實驗人員檢測其餘未知狀況的管道段，並且重複檢測過程，並且輸入到分類參數為c＝6.9644與g＝2.2974的svm分類器中進行故障識別，完成檢測過程。
如圖1所示，具體實施時，僅需要打開地面的下手道井蓋，將兩個收縮杆伸入井內。兩根收縮杆同時深入管道並觸底，兩根杆保持8-15cm的距離，且固定有水下揚聲器的收縮杆ⅰ要放置於固定有水聽器的收縮杆ⅱ前(揚聲器放於水聽器前，為了水聽器主要接收的是管道的回聲)。水下揚聲器型號選用威沙通公司(德國)的k50wp型號。兩個水聽器為上下放置。選用的水下聽音器型號為由傳感器技術有限公司(加拿大)生產的sq31型號水聽器。收縮杆內核為金屬導體，外殼為絕緣體，可傳遞信號。檢測時，由裝有winmls軟體的計算機控制音效卡產生一個10秒的正弦掃頻聲信號，信號的頻率範圍為100-6000赫茲。音效卡產生的聲信號需經過功率放大器進行放大。選用的功率放大器為巴哈曼-克萊默公司(德國)生產的2708型號的功率放大器，功率放大器驅動水下揚聲器發聲。水下揚聲器工作後，水聽器即為接收狀態。水聽器連接濾波器，選用kemovbf10m濾波器進行濾波，將信號頻率範圍控制為100-4000赫茲後輸入到計算機當中進行後續處理。
上面結合附圖對本發明的具體實施方式作了詳細說明，但是本發明並不限於上述實施方式，在本領域普通技術人員所具備的知識範圍內，還可以在不脫離本發明宗旨的前提下作出各種變化。