CN106090630B - 基于集成分类器的液体管道检漏方法及其系统 - Google Patents

Abstract

本发明公开了一种基于集成分类器的液体管道检漏方法及其系统，方法包括：获取管道震动信号数据；计算声波信号序列的第一方差；将声波信号序列转换为自相关函数序列；分别计算自相关函数序列的均值和第二方差；根据声波信号序列以及对应的信号返回时间，对声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；将第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率。本发明可保证检漏的准确性，极大减少了检漏信号判别的时间成本，提高了城市自来水管道判漏的实时性。

Description

基于集成分类器的液体管道检漏方法及其系统

技术领域

本发明涉及声波信号检测领域，尤其涉及一种基于集成分类器的液体管道检漏方法及其系统。

背景技术

随着科学技术的发展和人民生活水平的提高，作为城市基础设施所部属的各类液体管道给人们的生活带来了诸多方便。以我国的自来水管网为例，其建设使得如今所有城市与大部分乡村都拥有了便捷可用的水源，然而，如果这些输水管道的泄漏若不能及时被发现、修复，则会使大量水资源白白浪费，还会因此影响公共交通、市容卫生、造成停水，进而影响供水企业的经济效益和社会效益。早期，我国地下自来水管道漏水检测主要采用传统的被动检修法和听音法：被动检修法是发现明漏后才派人去检修的一种方法；音听法检漏是利用地下管道漏水产生声音，在地面来估计管道漏孔部位的方法，音听法虽经多方改进，仪器性能及操作人员的技术不断提高，但仍存在一定的局限性。目前管道检漏技术的核心部分是声波检漏技术，输水管道发生漏水时，漏水喷出与空气和泥沙撞击摩擦，产生附壁现象、卡尔曼涡流和边缘效应等，产生不同频率的振动，因而形成漏水声波，声波检漏就是以漏水声波作为声源，用灵敏的接收传感器，将泄漏声音信号转换成电信号，根据信号波动判断漏水与否。相对于传统的液体管道检漏方法，声波检漏受环境干扰较小、准确度较高、在一定程度上节约了人力成本、提高了检漏效率，是值得推广的快速高效的液体泄漏检测和监控方法。

对于声波检漏仪器返回的信号，可以通过人工肉眼识别并加以经验判断监测点是否存在泄漏，但是当监测点数量巨大并且返回信号时间间隔越短时，需要人工分析的数据量就会迅速增加，进而造成管道泄漏检测效率低下。也就是说，人工观察与定期排查难以满足公众资源节约需求，为了确保有关企业与政府部门为用户提供更优质的服务、避免资源的过度浪费，有必要建立分类系统对声波信号进行自动识别与判断，提高液体管道检漏的识别效率。

在公开号为CN103672413A的中国专利公开文件中，提出了一种自来水管道内超声波检漏方法，该方案是通过判断超声波回波是否发生突变，从而判断是否存在漏点，虽然相对人工检漏，可提高检漏准确性，但仍无法达到较高的准确性。

发明内容

本发明所要解决的技术问题是：提供一种基于集成分类器的液体管道检漏方法及其系统，提高液体管道检漏的准确性和识别效率。

为了解决上述技术问题，本发明采用的技术方案为：一种基于集成分类器的液体管道检漏方法，包括：

获取管道震动信号数据，所述管道震动信号数据包括管道编号、信号返回时间、声波信号序列、监测点位置信息和预设的漏水标注；

计算所述声波信号序列的第一方差；

将所述声波信号序列转换为自相关函数序列；

分别计算所述自相关函数序列的均值和第二方差；

根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；

将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；

应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率。

本发明还涉及一种基于集成分类器的液体管道检漏系统，包括：

第一获取模块，用于获取管道震动信号数据，所述管道震动信号数据包括管道编号、信号返回时间、声波信号序列、监测点位置信息和预设的漏水标注；

第一计算模块，用于计算所述声波信号序列的第一方差；

转换模块，用于将所述声波信号序列转换为自相关函数序列；

第二计算模块，用于分别计算所述自相关函数序列的均值和第二方差；

变换模块，用于根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；

第一训练模块，用于将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；

第一得到模块，用于应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率。

本发明的有益效果在于：根据管道震动信号数据，构建并训练集成分类器模型，将训练完毕的集成分类器用于后续的分类判别，可保证检漏的准确性，且集成分类器模型可分钟级处理上千条管道信号数据，平均每天判断的管道数为现阶段人工判断的40倍左右，极大减少了检漏信号判别的时间成本，从而提高了城市自来水管道判漏的实时性，有益于城市水资源节约与居民生活改善，也使有关企业的社会价值得到了进一步的提升。

附图说明

图1为本发明一种基于集成分类器的液体管道检漏方法的流程图；

图2为本发明实施例一的方法流程图；

图3为本发明实施例二的方法流程图；

图4为本发明一种基于集成分类器的液体管道检漏系统的结构示意图；

图5为本发明实施例三的系统结构示意图。

标号说明：

1、第一获取模块；2、第一计算模块；3、转换模块；4、第二计算模块；5、变换模块；6、第一训练模块；7、第一得到模块；8、第二得到模块；9、统计模块；10、第二训练模块；

51、变换单元；52、输出单元。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图详予说明。

本发明最关键的构思在于，综合原始信号特征和信号自相关函数特征，构建集成分类器模型，通过机器学习训练集成分类器，将人工经验固化于分类模型的检漏判别方案。

请参阅图1，一种基于集成分类器的液体管道检漏方法，包括：

获取管道震动信号数据，所述管道震动信号数据包括管道编号、信号返回时间、声波信号序列、监测点位置信息和预设的漏水标注；

计算所述声波信号序列的第一方差；

将所述声波信号序列转换为自相关函数序列；

分别计算所述自相关函数序列的均值和第二方差；

根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；

将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；

应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率。

从上述描述可知，本发明的有益效果在于：减少了检漏信号判别的时间成本，提高了城市自来水管道判漏的实时性。

进一步地，所述“得到各管道的泄露概率”之后，进一步包括：

根据各管道每日的泄露概率，进行加权几何平均计算，得到各管道的单日泄露概率；

统计真实泄露数据，计算召回率、精度、F－value和准确率，得到标注样本；

若标注样本数达到训练集样本数的一半，将所述标注样本加入训练集，重新训练集成分类器模型。

由上述描述可知，重新训练集成分类器模型，实现模型更新，进一步提高模型判别的准确性。

进一步地，所述“将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型”具体为：

将所述第一方差、自相关函数序列的均值、第二方差和频率值作为自变量，将所述漏水标注作为因变量，训练集成分类器模型。

由上述描述可知，将第一方差、自相关函数序列的均值、第二方差和频率值作为影响是否漏水的参数，可得到上述参数之间的相关关系，后续可通过所述参数判断得到是否漏水。

进一步地，所述集成分类器模型中的分类器算法包括logistic回归、随机森林、朴素贝叶斯和KNN，对应权重依序为1:2:2:1。

由上述描述可知，集成分类器模型中包括多种分类器算法，可进一步提高判别的准确性。

进一步地，所述“将所述声波信号序列转换为自相关函数序列”具体为：

根据公式将所述声波信号序列转换为自相关函数序列corr，其中，n为所述声波信号序列中的元素次序，k为延迟的信号帧长。

由上述描述可知，在信号分析中，信号的自相关函数是确定延迟参数k的条件下，信号与延迟后信号之间相似度的度量，根据信号帧长设置一系列k值可将声波信号序列转换为自相关函数序列，可进一步得到管道声波信号中的特征参数。

进一步地，所述“根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值”具体为：

根据公式对所述声波信号序列进行傅立叶变换，其中，t为声波信号序列ad对应的信号返回时间；

根据公式freq＝argmax_ω(|F(ω)|)，输出最大频谱模值对应的频率值freq。

由上述描述可知，在传统的液体管道检漏业务中，观察信号频谱图中的模峰值对应的频率值为经验判别中的重要一步，因此将最大频谱模值对应的频率值作为集成分类器模型输入特征的变量。

请参照图4，本发明还提出一种基于集成分类器的液体管道检漏系统，包括：

第一获取模块，用于获取管道震动信号数据，所述管道震动信号数据包括管道编号、信号返回时间、声波信号序列、监测点位置信息和预设的漏水标注；

第一计算模块，用于计算所述声波信号序列的第一方差；

转换模块，用于将所述声波信号序列转换为自相关函数序列；

第二计算模块，用于分别计算所述自相关函数序列的均值和第二方差；

变换模块，用于根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；

第一训练模块，用于将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；

第一得到模块，用于应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率。

进一步地，还包括：

第二得到模块，用于根据各管道每日的泄露概率，进行加权几何平均计算，得到各管道的单日泄露概率；

统计模块，用于统计真实泄露数据，计算召回率、精度、F－value和准确率，得到标注样本；

第二训练模块，用于若标注样本数达到训练集样本数的一半，将所述标注样本加入训练集，重新训练集成分类器模型。

进一步地，所述第一训练模块，具体用于将所述第一方差、自相关函数序列的均值、第二方差和频率值作为自变量，将所述漏水标注作为因变量，训练集成分类器模型。

进一步地，所述集成分类器模型中的分类器算法包括logistic回归、随机森林、朴素贝叶斯和KNN，对应权重依序为1:2:2:1。

实施例一

请参照图2，本发明的实施例一为：一种基于集成分类器的液体管道检漏方法，包括如下步骤：

S1：获取管道震动信号数据；优选地，通过管道漏水检测仪获取管道震动信号数据；对所述管道震动信号数据进行分析处理，得到以下字段：

信号管道编号(site_id)：即指示管道监测点的独立标识，通过模型结果与该字段的相互匹配，可最终实际定位有泄漏的管道；

信号返回时间(time)：即测量时间，不同测量时间的样本相互独立，同一个管道在一段时间中的多次测量结果被作为多个不同的样本加入模型；

声波信号序列(ad)：检测仪器传回的主要信号，是一组帧长为固定的有序信号序列，以信号帧长为256为例，即有声波信号序列ad＝(a₁，a₂，...，a_n)，n＝256，其中a_i∈[-128，128]，1≤i≤256，声波信号序列ad是模型构建的重要字段，作为模型自变量的主要来源；

监测点位置(location)：即测量样本所对应的地理位置信息，可用于模型外推能力的后续检验；

漏水标注(leaked)：由人工实地探查后得到的管道泄漏情况结果，为集成分类器模型构建中的因变量；在训练集中，若样本字段leaked标注为True，则表示改样本点被人工判定为泄漏，否则为正常(非泄漏)。

S2：计算所述声波信号序列的第一方差；根据业务观察，对于同一个管道，发生泄漏时信号的波动程度将受到影响，故将声波信号序列ad的方差sd作为集成分类器模型的自变量之一，即对于ad＝(a₁，a₂，...，a_n)，有

其中，mean为声波信号序列ad的均值。

S3：将所述声波信号序列转换为自相关函数序列；在信号分析中，信号的自相关函数是信号与延迟后信号之间相似性的度量，为了进一步得到管道声波信号中的特征参数，考虑了声波信号序列ad对应的修正短时自相关函数序列corr，在窗选语音段的有限长度为N时，修正短时自相关函数序列定义如下：

其中，自相关函数序列长度与声波信号本身属性有关，以信号帧长为256为例，此时有N＝128，且0≤k≤128，n为所述声波信号序列中的元素次序，有1≤n≤128，k为延迟的信号帧长，即若ad(n+m)为度量相关的起始点信号，则ad(n+m+k)为对应的延迟信号，k也可以为自相关函数序列中的元素次序。

S4：分别计算所述自相关函数序列的均值和第二方差；根据下述公式：

分别计算得到所述自相关函数序列的均值meancorr和第二方差sdcorr，作为集成分类器模型的自变量。

S5：根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；在传统的液体管道检漏业务中，观察信号频谱图中的模峰值对应的频率值为经验判别中的重要一步，故对声波信号序列ad进行傅立叶变换：

其中，t即time，为声波信号序列ad对应的信号返回时间；再输出最大频谱模值对应的频率值freq，即freq＝argmax_ω(|F(ω)|)。

S6：将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；即将所述第一方差、自相关函数序列的均值、第二方差和频率值作为自变量，将所述漏水标注作为因变量，训练集成分类器模型；优选地，所述集成分类器模型中的分类器算法包括logistic回归、随机森林、朴素贝叶斯和KNN，对应权重依序为1:2:2:1。

S7：应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率p_t；集成分类器训练完毕后，即可得到训练集中自变量与因变量之间的关系，因此，可以如上述步骤计算出各管道的相关自变量，再根据训练得到的关系，即可得到相关因变量，即泄露概率。

本实施例根据管道震动信号数据，构建并训练集成分类器模型，将训练完毕的集成分类器用于后续的分类判别，可保证检漏的准确性，且提高了城市自来水管道判漏的实时性，有益于城市水资源节约与居民生活改善，也使有关企业的社会价值得到了进一步的提升。

实施例二

请参照图3，本实施例为实施例一的进一步拓展，相同之处不再累述，区别在于，还包括如下步骤：

S8：根据各管道每日的泄露概率，结合每日得到的预测结果集(通常为凌晨23:00至次日5:00，可结合具体业务调整)，进行加权几何平均计算，得到各管道的单日泄露概率P；所用的加权几何平均公式为：

其中，t为同一管道的不同信号样本对应的时间次序。

S9：统计真实泄露数据，计算召回率、精度、F－value和准确率，得到标注样本；联系实际情况与业务需求，综合考虑长期抽样与定期普查结合的实地考察方式，统计整理真实泄漏数据，加入样本标注，进行召回率(recall)、精度(precise)、F－value、准确率(accuracy)的计算，作为模型评价。

S10：判断标注样本数是否到训练集样本数的一半，若是，执行步骤S11，若否，继续进行样本标注，即执行步骤S9。

S11：将所述标注样本加入训练集，重新训练集成分类器模型；应用重新训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，即执行步骤S7。

在实际的业务运用中，本实施例所构建的集成分类器模型回测平均召回率达96.43％，平均精度达87.00％，F－value达91.47％，平均准确率96.98％，基本满足了管道检漏业务的使用需求。

实施例三

请参照图5，本实施例为对应上述实施例的一种基于集成分类器的液体管道检漏系统，包括：

第一获取模块1，用于获取管道震动信号数据，所述管道震动信号数据包括管道编号、信号返回时间、声波信号序列、监测点位置信息和预设的漏水标注；

第一计算模块2，用于计算所述声波信号序列的第一方差；

转换模块3，用于将所述声波信号序列转换为自相关函数序列；

第二计算模块4，用于分别计算所述自相关函数序列的均值和第二方差；

变换模块5，用于根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；

第一训练模块6，用于将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；

第一得到模块7，用于应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率。

还包括：

第二得到模块8，用于根据各管道每日的泄露概率，进行加权几何平均计算，得到各管道的单日泄露概率；

统计模块9，用于统计真实泄露数据，计算召回率、精度、F－value和准确率，得到标注样本；

第二训练模块10，用于若标注样本数达到训练集样本数的一半，将所述标注样本加入训练集，重新训练集成分类器模型。

所述第一训练模块6，具体用于将所述第一方差、自相关函数序列的均值、第二方差和频率值作为自变量，将所述漏水标注作为因变量，训练集成分类器模型。

所述集成分类器模型中的分类器算法包括logistic回归、随机森林、朴素贝叶斯和KNN，对应权重依序为1:2:2:1。

所述转换模块3，具体用于根据公式将所述声波信号序列转换为自相关函数序列corr，其中，n为所述声波信号序列中的元素次序，k为延迟的信号帧长。

所述变换模块5包括：

变换单元51，用于根据公式对所述声波信号序列进行傅立叶变换，其中，t为声波信号序列ad对应的信号返回时间；

输出单元52，用于根据公式freq＝argmax_ω(|F(ω)|)，输出最大频谱模值对应的频率值freq。

综上所述，本发明提供的一种基于集成分类器的液体管道检漏方法及其系统，根据管道震动信号数据，构建并训练集成分类器模型，将训练完毕的集成分类器用于后续的分类判别，可保证检漏的准确性，且集成分类器模型可分钟级处理上千条管道信号数据，平均每天判断的管道数为现阶段人工判断的40倍左右，极大减少了检漏信号判别的时间成本，从而提高了城市自来水管道判漏的实时性，有益于城市水资源节约与居民生活改善，也使有关企业的社会价值得到了进一步的提升；重新训练集成分类器模型，实现模型更新，进一步提高模型判别的准确性；集成分类器模型中包括多种分类器算法，可进一步提高判别的准确性。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于集成分类器的液体管道检漏方法，其特征在于，包括：

获取管道震动信号数据，所述管道震动信号数据包括管道编号、信号返回时间、声波信号序列、监测点位置信息和预设的漏水标注；

计算所述声波信号序列的第一方差；

将所述声波信号序列转换为自相关函数序列；

分别计算所述自相关函数序列的均值和第二方差；

根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；

将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；

应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率；

所述“将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型”具体为：

将所述第一方差、自相关函数序列的均值、第二方差和频率值作为自变量，将所述漏水标注作为因变量，训练集成分类器模型。

2.根据权利要求1所述的基于集成分类器的液体管道检漏方法，其特征在于，所述“得到各管道的泄露概率”之后，进一步包括：

根据各管道每日的泄露概率，进行加权几何平均计算，得到各管道的单日泄露概率；

统计真实泄露数据，计算召回率、精度、F－value和准确率，得到标注样本；所述F－value为准确率和召回率的调和平均值；

若标注样本数达到训练集样本数的一半，将所述标注样本加入训练集，重新训练集成分类器模型。

3.根据权利要求1所述的基于集成分类器的液体管道检漏方法，其特征在于，所述集成分类器模型中的分类器算法包括logistic回归、随机森林、朴素贝叶斯和邻近算法KNN，对应权重依序为1:2:2:1。

4.根据权利要求1所述的基于集成分类器的液体管道检漏方法，其特征在于，所述“将所述声波信号序列转换为自相关函数序列”具体为：

根据公式将所述声波信号序列转换为自相关函数序列corr，其中，n为所述声波信号序列中的元素次序，k为延迟的信号帧长，N为预设的窗口大小，m为所述窗口中的元素次序。

5.根据权利要求1所述的基于集成分类器的液体管道检漏方法，其特征在于，所述“根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值”具体为：

根据公式对所述声波信号序列进行傅立叶变换，其中，t为声波信号序列ad对应的信号返回时间；

根据公式·freq＝argmax_ω(|F(ω)|)，输出最大频谱模值对应的频率值freq。

6.一种基于集成分类器的液体管道检漏系统，其特征在于，包括：

第一获取模块，用于获取管道震动信号数据，所述管道震动信号数据包括管道编号、信号返回时间、声波信号序列、监测点位置信息和预设的漏水标注；

第一计算模块，用于计算所述声波信号序列的第一方差；

转换模块，用于将所述声波信号序列转换为自相关函数序列；

第二计算模块，用于分别计算所述自相关函数序列的均值和第二方差；

变换模块，用于根据所述声波信号序列以及对应的信号返回时间，对所述声波信号序列进行傅立叶变换，输出最大频谱模值对应的频率值；

第一训练模块，用于将所述第一方差、自相关函数序列的均值、第二方差、频率值和漏水标注作为训练集，训练集成分类器模型；

第一得到模块，用于应用训练完毕的集成分类器模型对各管道的管道震动信号数据进行分类判别，得到各管道的泄露概率；

所述第一训练模块，具体用于将所述第一方差、自相关函数序列的均值、第二方差和频率值作为自变量，将所述漏水标注作为因变量，训练集成分类器模型。

7.根据权利要求6所述的基于集成分类器的液体管道检漏系统，其特征在于，还包括：

第二得到模块，用于根据各管道每日的泄露概率，进行加权几何平均计算，得到各管道的单日泄露概率；

统计模块，用于统计真实泄露数据，计算召回率、精度、F－value和准确率，得到标注样本；

第二训练模块，用于若标注样本数达到训练集样本数的一半，将所述标注样本加入训练集，重新训练集成分类器模型。

8.根据权利要求6所述的基于集成分类器的液体管道检漏系统，其特征在于，所述集成分类器模型中的分类器算法包括logistic回归、随机森林、朴素贝叶斯和KNN，对应权重依序为1:2:2:1。