CN112161755A - 地埋管道检测方法、装置、异构传感器阵列及存储介质 - Google Patents
地埋管道检测方法、装置、异构传感器阵列及存储介质 Download PDFInfo
- Publication number
- CN112161755A CN112161755A CN202010806995.6A CN202010806995A CN112161755A CN 112161755 A CN112161755 A CN 112161755A CN 202010806995 A CN202010806995 A CN 202010806995A CN 112161755 A CN112161755 A CN 112161755A
- Authority
- CN
- China
- Prior art keywords
- source
- data
- sensor
- feature
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
- G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供一种地埋管道检测方法,包括获取多源声振信号,进行预处理;基于云模型的多源融合算法对预处理多源数据进行融合,得到融合特征数据;获取理想环境下,正常声源信号的理想特征数据;根据融合特征数据和理想特征数据,获得相似度;根据相似度判断声振信号是否异常。本发明采用多个构造不同、原理和敏感性的异构传感器进行信号采集;通过多源数据融合算法对预处理后的数据进行融合,去除掉地面以外的声源信号,通过与正常信号的特征进行云模型匹配比对判别地下声源是否存在异常。本发明有效地避免空气传播的外部噪音干扰,提高基于声振信号的地埋管道异常信号检测的准确性和易用性。
Description
技术领域
本发明涉及地埋管道的异常检测领域,具体涉及一种地埋管道检测方法、装置、异构传感器阵列及存储介质。
背景技术
供水管道漏损检测根据原理不同,可大体归为两类:被动检测与主动检测。被动检测法是一种最直接、最原始的方法,一般是等到管道泄漏水体溢出地面后被人发现进而采取检修的方法,此方法只能修复明漏,而管道泄漏中更为普遍存在的暗漏则需要采取主动检测法检出以及维修。主动检测方法是针对不能被人直接发现的暗漏,利用不同原理的仪器及控制方法,进行人为漏点查找的方法,主要包括:音检漏法、相关分析检漏法、区域检漏法、示踪气体法、负压波法、探地雷达检漏法、瞬变流模型法。但是这些方法都具有自身固有的缺点和不足。
目前,我国各个城市的自来水公司普遍采用人工听音检漏法结合国外漏损监测设备进行城市供水管网的漏损控制。
当供水管道发生泄漏时,泄漏的高压水流摩擦管壁,并冲击周围的土壤介质,导致土壤与管道均产生不同程度的振动,并以声波的形式向四周扩散。同时,泄漏的产生导致泄漏点管内水压降低,产生气穴,并且水流状态发生改变,形成湍流。气穴的消失与流态的改变均会与管壁耦合产生振动。各种不同类型的振动源激励产生不同频率的声波沿管道以及土壤介质向远处传播,听音法检漏时可在管道裸露处直接拾取声音信号,也可在地面拾取声音信号。一般,声音信号沿土壤传播的距离比较有限,在漏点附近采用地面拾音也能比较准确的判断漏点的存在。
目前,人工听音检漏法主要采用手持听音设备进行地埋水管泄露监测。此类方法对操作环境要求较高,一般在夜晚环境噪声比较微弱的时候进行,另外听音法对操作工人的经验有很强的依赖性,并且长时间从事音听工作也会对人体健康造成损害。
发明内容
针对现有技术的不足之处,本发明的目的在于提供一种地埋管道检测方法、装置、异构传感器阵列及存储介质。
本发明的技术方案概述如下:
一方面,本发明提供一种地埋管道检测方法,包括:
获取多源声振信号,并进行预处理,得到预处理多源数据;
基于云模型的多源融合算法对所述预处理多源数据进行融合,得到融合特征数据;
获取理想环境下,正常声源信号的理想特征数据;
根据所述融合特征数据和所述理想特征数据,获得相似度;
根据所述相似度判断所述声振信号是否异常。
进一步地,所述获取多源声振信号,并进行预处理,得到预处理多源数据,包括:
获取通过异构传感器阵列采集的多源声振信号,采用时频分析方法进行预处理,得到预处理多源数据。
进一步地,所述异构传感器阵列包括至少四个异构声振传感器,所述至少四个异构声振传感器中包括至少一地面拾音传感器和辅助传感器,所述至少四个异构声振传感器为不同的传感器。
进一步地,所述基于云模型的多源融合算法对所述预处理多源数据进行融合,得到融合特征数据,包括:
根据异构传感器阵列中的每一传感器Si的数据,得到每个传感器的特征数据;
通过集结算法将辅助传感器与地面拾音传感器的特征数据进行融合,得到融合特征数据。
进一步地,所述根据异构传感器阵列中的每一传感器Si的数据,得到每个传感器的特征数据,包括:
获取每一传感器Si采集到的N个采样信号的特征H(H1,H2,...,Hn);基于第一计算模型,得到每一传感器Si的特征数据;
其中每一传感器Si的特征数据包括特征云的期望、特征云的熵、特征云的超熵;
其中,所述第一计算模型为:
其中,Ex为特征云的期望,En为特征云的熵,He为特征云的超熵。
进一步地,所述特征数据包括特征云的期望、特征云的熵、特征云的超熵;
融合特征数据包括融合特征云的期望、融合特征云的熵、融合特征云的超熵;
所述集结算法为:
其中,ωi为各辅助异构传感器与S1的信号敏感性比例系数;Ex1为所述地面拾音传感器的特征数据,Exi为第i辅助传感器的特征数据。
进一步地,根据所述融合特征数据和所述理想特征数据,获得相似度,包括:
根据所述融合特征数据和所述理想特征数据,基于距离数学模型得出特征距离;根据所述特征距离,获得相似度;
进一步地,所述根据所述相似度判断所述声振信号是否异常,包括:
判断所述相似度是否超过阈值;
当所述相似度小于阈值时,所述声振信号异常;
当所述相似度大于阈值时,所述声振信号正常。
相应地,本发明还提供了一种基于异构传感器的地埋管道检测装置,包括:
预处理模块,用于获取多源声振信号,并进行预处理,得到预处理多源数据;
数据融合模块,用于基于云模型的多源融合算法对所述预处理多源数据进行融合,得到融合特征数据;
信号判别模块,用于获取理想环境下,正常声源信号的理想特征数据;
根据所述融合特征数据和所述理想特征数据,获得相似度;根据所述相似度判断所述声振信号是否异常。
相应地,本发明还提供了一种异构传感器阵列,所述异构传感器阵列包括至少四个异构声振传感器,所述至少四个异构声振传感器中包括至少一地面拾音传感器和辅助传感器,所述至少四个异构声振传感器为不同的传感器;
所述异构传感器阵列被用来执行获取多源声振信号。
相应地,本发明还提供了一种存储介质,所述存储介质包括存储器和处理器,所述存储器中存储有至少一条指令和至少一段程序,所述至少一条指令和至少一段程序由所述处理器加载并执行以实现如上任一所述的地埋管道检测方法。
相比现有技术,本发明的有益效果在于:
本发明提供的地埋管道检测方法,采用多个构造不同、原理和敏感性的异构传感器进行信号采集,利用时频分析方法对环境原始信号进行预处理;通过多源数据融合算法对预处理后的数据进行融合,去除掉地面以外的声源信号,通过与正常信号的特征进行云模型匹配比对判别地下声源是否存在异常。
本发明提供的地埋管道检测方法有效地避免空气传播的外部噪音干扰,提高基于声振信号的地埋管道异常信号检测和定位的准确性和易用性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的地埋管道检测方法的流程示意图;
图2为本发明的地埋管道检测方法的另一流程示意图;
图3为本发明的地埋管道检测装置的方框示意图。
附图标记:10、预处理模块;20、预处理模块;30、预处理模块。
具体实施方式
下面结合附图对本发明做进一步的详细说明,本发明的前述和其它目的、特征、方面和优点将变得更加明显,以令本领域技术人员参照说明书文字能够据以实施。在附图中,为清晰起见,可对形状和尺寸进行放大,并将在所有图中使用相同的附图标记来指示相同或相似的部件。在下列描述中,诸如中心、厚度、高度、长度、前部、背部、后部、左边、右边、顶部、底部、上部、下部等用词为基于附图所示的方位或位置关系。特别地,“高度”相当于从顶部到底部的尺寸,“宽度”相当于从左边到右边的尺寸,“深度”相当于从前到后的尺寸。这些相对术语是为了说明方便起见并且通常并不旨在需要具体取向。涉及附接、联接等的术语(例如,“连接”和“附接”)是指这些结构通过中间结构彼此直接或间接固定或附接的关系、以及可动或刚性附接或关系,除非以其他方式明确地说明。
接下来,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
在地埋管道状态监测中,由于管道铺设的历史因素和成本因素,无法在管道上放置应力波、负压波装置进行泄漏检测,因此,利用地面拾音方式对地埋管道的声振信号进行检测是一种常用测漏的手段。
传统的地面拾音手段,通过单个振动传感器沿着管线采集管道通过地面传递上来的一组振动信号,通过简单的信号时频处理手段进行处理,进而对比波形、频谱、能量等特性确定是否存在异常信号。虽然传统方法取得一定成效,但是由于外界信号的干扰,存在较大的误差,无法把异常目标的特征和位置确定下来,不利于后续的故障排查和维修活动的开展。
本发明针对外界信号的干扰大造成检测误差较大的问题,提出了一种基于异构传感器的地埋管道检测方法。
实施例1:
如图1-2所示,本发明的一种地埋管道检测方法,包括:
S10、获取多源声振信号,并进行预处理,得到预处理多源数据。
步骤S10包括获取通过异构传感器阵列采集的多源声振信号,采用时频分析方法对原始的声振信号进行预处理,得到预处理多源数据;其中,时频分析方法包括傅里叶变换或小波包分解。
传统的振动信号分析和处理方法一般都是采用傅里叶变换,小波包分解是一种窗口面积固定但其形状可改变,即时间和频率窗都可改变的时频局部化分析方法,由于它在分解的过程中只对低频信号再分解,对高频信号不再实施分解,使得它的频率分辨率随频率升高而降低。
步骤S10中的异构传感器阵列包括至少四个异构声振传感器,至少四个异构声振传感器中包括至少一地面拾音传感器和辅助传感器,至少四个异构声振传感器为不同的传感器。异构传感器阵列的采集范围为半径为1-3米的球形区域。异构传感器阵列被用来执行获取多源声振信号。
此外,辅助传感器包括但不限于传声器、压电振动传感器。引入不同构造、不同原理、不同敏感性的传感器进行环境信号采集,由于不与地面接触,不会采集到地底传来的多源微弱信号,可以借助多源数据融合手段提取地底信号并定位。
S20、基于云模型的多源融合算法对预处理多源数据进行融合,得到融合特征数据。
步骤S20包括:
S21、根据异构传感器阵列中的每一传感器Si的数据,得到每个传感器的特征数据。
其中,特征数据包括特征云的期望、特征云的熵、特征云的超熵;
步骤S21具体包括:
获取每一传感器Si采集到的N个采样信号的特征H(H1,H2,...,Hn);基于第一计算模型,得到每一传感器Si的特征数据;将每一传感器Si的数据转化为云模型。
其中,每一传感器Si的特征数据包括特征云的期望、特征云的熵、特征云的超熵。
第一计算模型为:
其中,Ex为特征云的期望,En为特征云的熵,He为特征云的超熵。通过将特征云的3个数字特征Ex、En、He输入正向云发生器实现从定性到定量的映射,产生云滴,绘制出云图。
S22、通过集结算法将辅助传感器与地面拾音传感器的特征数据进行融合,得到融合特征数据。
其中,设每一组异构传感器S中有m种异构传感器,S1为地面拾音的传感器,其余传感器为辅助传感器。
融合特征数据包括融合特征云的期望、融合特征云的熵、融合特征云的超熵;
步骤S22中的集结算法为:
S30、获取理想环境下,正常声源信号的理想特征数据;根据融合特征数据和理想特征数据,获得相似度;根据相似度判断声振信号是否异常。
具体地,步骤S30包括:
S31、获取理想环境下,正常声源信号的理想特征数据。
具体地,构建一理想环境,仅存在地下正常声源信号;在理想环境下,通过步骤S20基于云模型的多源融合算法对预处理多源数据进行融合,得到正常声源信号的理想特征数据Ex1、En1、He1。
S32、根据融合特征数据和理想特征数据,获得相似度。
包括:S321、根据融合特征数据和理想特征数据,基于距离数学模型得出特征距离。
其中,距离数学模型为:
Ex1、En1、He1为理想特征数据,Ex2、En2、He2为待检测声源的融合特征数据。
S322、根据特征距离,获得相似度。
在有效论域表示U={Xmin,Xmax}下,相似度为:
sim值越大表示越相似。
S33、判断相似度是否超过阈值;
当相似度小于阈值时,声振信号异常;
当相似度大于阈值时,声振信号正常。
即与理想特征数据相似度越高,则越正常,反之,则存在异常。
此外,在其他实施例中,该地埋管道检测方法还包括信号定位步骤。在S30之前或者S30之后,还包括S40、信号定位,通过声源定位算法计算出融合声源的位置和特征。其中位置为融合声源的坐标,特征为该融合声源的声音强度。声源定位算法包括信号衰减公式和距离公式。
具体,S40包括:
S41、建立坐标系;以异构声振传感器阵列的中心为原点,建立直角坐标或球坐标。
存在n(n≥4)组异构传感器组成阵列,每一组异构传感器中有m种异构传感器,以异构传感器阵列建立坐标系,以中心为原点(0,0,0),异构传感器i的坐标为(xi、yi、zi)。
S42、数据定位,根据信号衰减公式和距离公式联立方程计算出每一个地下融合声源Fj(xfj,yfj,zfj,wfj),xfj,yfj,zfj为该声源的坐标,wfi表示该声源的声音强度。
信号衰减公式:
其中,Δw表示信号衰减量,ri表示传感器i和声源的距离。
距离公式:
其中,ri表示传感器i和声源的距离,xi,yi,zi为异构传感器i的坐标,xfj,yfj,zfj为声源的坐标。
求融合声源Fj(xfj,yfj,zfj,wfj)的联立方程如下;
通过上述步骤根据声源定位算法计算出融合声源的位置和特征,获得了融合声源的坐标和强度,有利于后续的故障排查和维修活动的开展。
本发明还提供了一种地埋管道检测装置,包括:
预处理模块10,用于获取多源声振信号,并进行预处理,得到预处理数据。
具体用于获取通过异构传感器阵列采集的多源声振信号,采用时频分析方法对原始的声振信号进行预处理,得到预处理多源数据;其中,时频分析方法包括傅里叶变换或小波包分解。
异构传感器阵列被用来执行获取多源声振信号。
异构传感器阵列包括至少四个异构声振传感器,至少四个异构声振传感器中包括至少一地面拾音传感器和辅助传感器,至少四个异构声振传感器为不同的传感器。异构传感器阵列的采集范围为半径为1-3米的球形区域。
此外,辅助传感器包括但不限于传声器、压电振动传感器。引入不同构造、不同原理、不同敏感性的传感器进行环境信号采集,由于不与地面接触,不会采集到地底传来的微弱信号,可以借助多源数据融合手段提取地底信号并定位。
数据融合模块20,用于基于云模型的多源融合算法对预处理多源数据进行融合,得到融合特征数据。
具体用于:S21、根据异构传感器阵列中的每一传感器Si的数据,得到每个传感器的特征数据。
其中,特征数据包括特征云的期望、特征云的熵、特征云的超熵;
步骤S21具体包括:
获取每一传感器Si采集到的N个采样信号的特征H(H1,H2,...,Hn);基于第一计算模型,得到每一传感器Si的特征数据;将每一传感器Si的数据转化为云模型。
其中,每一传感器Si的特征数据包括特征云的期望、特征云的熵、特征云的超熵。
第一计算模型为:
其中,Ex为特征云的期望,En为特征云的熵,He为特征云的超熵。通过将特征云的3个数字特征Ex、En、He输入正向云发生器实现从定性到定量的映射,产生云滴,绘制出云图。
S22、通过集结算法将辅助传感器与地面拾音传感器的特征数据进行融合,得到融合特征数据。
其中,设每一组异构传感器S中有m种异构传感器,S1为地面拾音的传感器,其余传感器为辅助传感器。
融合特征数据包括融合特征云的期望、融合特征云的熵、融合特征云的超熵;
步骤S22中的集结算法为:
信号判别模块30,用于获取理想环境下,正常声源信号的理想特征数据;
根据融合特征数据和理想特征数据,获得相似度;根据相似度判断声振信号是否异常。
具体用于:S31、获取理想环境下,正常声源信号的理想特征数据。
具体地,构建一理想环境,仅存在地下正常声源信号;在理想环境下,通过步骤S20基于云模型的多源融合算法对预处理多源数据进行融合,得到正常声源信号的理想特征数据Ex1、En1、He1。
S32、根据融合特征数据和理想特征数据,获得相似度。
包括:S321、根据融合特征数据和理想特征数据,基于距离数学模型得出特征距离。
其中,距离数学模型为:
Ex1、En1、He1为理想特征数据,Ex2、En2、He2为待检测声源的融合特征数据。
S322、根据特征距离,获得相似度。
在有效论域表示U={Xmin,Xmax}下,相似度为:
sim值越大表示越相似。
S33、判断相似度是否超过阈值;
当相似度小于阈值时,声振信号异常;
当相似度大于阈值时,声振信号正常。
即与理想特征数据相似度越高,则越正常,反之,则存在异常。
此外,在其他实施例中,该地埋管道检测方法还包括定位模块,用于通过声源定位算法计算出融合声源的位置和特征。其中位置为融合声源的坐标,特征为该融合声源的声音强度。声源定位算法包括信号衰减公式和距离公式。
定位模块具体用于:S41、建立坐标系;以异构声振传感器阵列的中心为原点,建立直角坐标或球坐标。
存在n(n≥4)组异构传感器组成阵列,每一组异构传感器中有m种异构传感器,以异构传感器阵列建立坐标系,以中心为原点(0,0,0),异构传感器i的坐标为(xi、yi、zi)。
S42、数据定位,根据信号衰减公式和距离公式联立方程计算出每一个地下融合声源Fj(xfj,yfj,zfj,wfj),xfj,yfj,zfj为该声源的坐标,wfi表示该声源的声音强度。
信号衰减公式:
其中,Δw表示信号衰减量,ri表示传感器i和声源的距离。
距离公式:
其中,ri表示传感器i和声源的距离,xi,yi,zi为异构传感器i的坐标,xfj,yfj,zfj为声源的坐标。
求融合声源Fj(xfj,yfj,zfj,wfj)的联立方程如下;
通过上述步骤根据声源定位算法计算出融合声源的位置和特征,获得了融合声源的坐标和强度,有利于后续的故障排查和维修活动的开展。
本发明提供的地埋管道检测方法,采用多个构造不同、原理和敏感性的异构传感器进行信号采集,利用时频分析方法对环境原始信号进行预处理;通过多源数据融合算法对预处理后的多源数据进行融合,去除掉地面以外的声源信号,通过与正常信号的特征进行云模型匹配比对判别地下声源是否存在异常。
本发明提供的地埋管道检测方法有效地避免空气传播的外部噪音干扰,提高基于声振信号的地埋管道异常信号检测和定位的准确性和易用性。
本发明根据声源定位算法计算出融合声源的位置和特征,获得了融合声源的坐标和强度,有利于后续的故障排查和维修活动的开展。
此外,装置实施例中的装置与方法实施例基于同样地发明构思。
相应地,本发明还提供了一种异构传感器阵列,异构传感器阵列包括至少四个异构声振传感器,至少四个异构声振传感器中包括至少一地面拾音传感器和辅助传感器,至少四个异构声振传感器为不同的传感器;
异构传感器阵列被用来执行获取多源声振信号。
本发明实施例还提供了一种存储介质,存储介质包括存储器和处理器,存储器中存储有至少一条指令和至少一段程序,至少一条指令和至少一段程序由处理器加载并执行以实现如上述任一的基于异构传感器的地埋管道检测方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置和电子设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述说明已经充分揭露了本发明的具体实施方式。需要指出的是,熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地,本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (10)
1.一种地埋管道检测方法,其特征在于,包括:
获取多源声振信号,并进行预处理,得到预处理多源数据;
基于云模型的多源融合算法对所述预处理多源数据进行融合,得到融合特征数据;
获取理想环境下,正常声源信号的理想特征数据;
根据所述融合特征数据和所述理想特征数据,获得相似度;
根据所述相似度判断所述声振信号是否异常。
2.如权利要求1所述的地埋管道检测方法,其特征在于,所述获取多源声振信号,并进行预处理,得到预处理多源数据,包括:
获取通过异构传感器阵列采集的多源声振信号,采用时频分析方法进行预处理,得到预处理多源数据。
3.如权利要求2所述的地埋管道检测方法,其特征在于,所述异构传感器阵列包括至少四个异构声振传感器,所述至少四个异构声振传感器中包括至少一地面拾音传感器和辅助传感器,所述至少四个异构声振传感器为不同的传感器。
4.如权利要求3所述的地埋管道检测方法,其特征在于,所述基于云模型的多源融合算法对所述预处理多源数据进行融合,得到融合特征数据,包括:
根据异构传感器阵列中的每一传感器Si的数据,得到每个传感器的特征数据;
通过集结算法将辅助传感器与地面拾音传感器的特征数据进行融合,得到融合特征数据。
7.如权利要求1所述的地埋管道检测装置,其特征在于,根据所述融合特征数据和所述理想特征数据,获得相似度,包括:
根据所述融合特征数据和所述理想特征数据,基于距离数学模型得出特征距离;根据所述特征距离,获得相似度;
所述根据所述相似度判断所述声振信号是否异常,包括:
判断所述相似度是否超过阈值;
当所述相似度小于阈值时,所述声振信号异常;
当所述相似度大于阈值时,所述声振信号正常。
8.一种地埋管道检测装置,其特征在于,包括:
预处理模块,用于获取多源声振信号,并进行预处理,得到预处理多源数据;
数据融合模块,用于基于云模型的多源融合算法对所述预处理多源数据进行融合,得到融合特征数据;
信号判别模块,用于获取理想环境下,正常声源信号的理想特征数据;
根据所述融合特征数据和所述理想特征数据,获得相似度;根据所述相似度判断所述声振信号是否异常。
9.一种异构传感器阵列,其特征在于,所述异构传感器阵列包括至少四个异构声振传感器,所述至少四个异构声振传感器中包括至少一地面拾音传感器和辅助传感器,所述至少四个异构声振传感器为不同的传感器;
所述异构传感器阵列被用来执行获取多源声振信号。
10.一种存储介质,其特征在于,所述存储介质包括存储器和处理器,所述存储器中存储有至少一条指令和至少一段程序,所述至少一条指令和至少一段程序由所述处理器加载并执行以实现如权利要求1-7任一所述的地埋管道检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806995.6A CN112161755B (zh) | 2020-08-12 | 2020-08-12 | 地埋管道检测方法、装置、异构传感器阵列及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806995.6A CN112161755B (zh) | 2020-08-12 | 2020-08-12 | 地埋管道检测方法、装置、异构传感器阵列及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112161755A true CN112161755A (zh) | 2021-01-01 |
CN112161755B CN112161755B (zh) | 2023-01-24 |
Family
ID=73859948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010806995.6A Active CN112161755B (zh) | 2020-08-12 | 2020-08-12 | 地埋管道检测方法、装置、异构传感器阵列及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112161755B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075638A (zh) * | 2021-04-30 | 2021-07-06 | 深圳安德空间技术有限公司 | 用于地下空间勘察的多源数据同步采集及融合方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551064A (zh) * | 2009-05-22 | 2009-10-07 | 重庆大学 | 供水管道泄漏检测定位的信号处理方法 |
KR20180012888A (ko) * | 2016-07-27 | 2018-02-07 | 한국가스공사 | 음향 분석을 이용한 배관 타공사 감시 시스템 및 방법 |
CN108488638A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 基于声波负压波混合监测的管道泄漏监测系统及方法 |
CN108488637A (zh) * | 2018-03-22 | 2018-09-04 | 哈尔滨工业大学 | 一种基于自相关和近似熵原理的供水管道泄漏辨识方法 |
CN109946023A (zh) * | 2019-04-12 | 2019-06-28 | 西南石油大学 | 一种管道气体泄漏判别装置及判识方法 |
CN111461090A (zh) * | 2020-06-17 | 2020-07-28 | 杭州云智声智能科技有限公司 | 一种基于环境样本基云模型的声振信号处理方法及系统 |
-
2020
- 2020-08-12 CN CN202010806995.6A patent/CN112161755B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551064A (zh) * | 2009-05-22 | 2009-10-07 | 重庆大学 | 供水管道泄漏检测定位的信号处理方法 |
KR20180012888A (ko) * | 2016-07-27 | 2018-02-07 | 한국가스공사 | 음향 분석을 이용한 배관 타공사 감시 시스템 및 방법 |
CN108488637A (zh) * | 2018-03-22 | 2018-09-04 | 哈尔滨工业大学 | 一种基于自相关和近似熵原理的供水管道泄漏辨识方法 |
CN108488638A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 基于声波负压波混合监测的管道泄漏监测系统及方法 |
CN109946023A (zh) * | 2019-04-12 | 2019-06-28 | 西南石油大学 | 一种管道气体泄漏判别装置及判识方法 |
CN111461090A (zh) * | 2020-06-17 | 2020-07-28 | 杭州云智声智能科技有限公司 | 一种基于环境样本基云模型的声振信号处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
王娇: "基于多传感器信息融合的管道泄漏智能诊断与定位方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075638A (zh) * | 2021-04-30 | 2021-07-06 | 深圳安德空间技术有限公司 | 用于地下空间勘察的多源数据同步采集及融合方法和系统 |
CN113075638B (zh) * | 2021-04-30 | 2021-10-12 | 深圳安德空间技术有限公司 | 用于地下空间勘察的多源数据同步采集及融合方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112161755B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231409B (zh) | 一种地下管道损伤的检测方法及系统 | |
KR960000996B1 (ko) | 매설관체의 이상위치 검출방법 및 장치 | |
CN101561081B (zh) | 应用自主导航机器人对油气管道泄漏的检测定位方法 | |
CN101832472B (zh) | 利用次声波实现管道泄漏检测的系统 | |
CN108844463A (zh) | 基于激光光斑位置的地下管道空间方位测量系统及方法 | |
CN106704834A (zh) | 一种次声波监测和定位管道泄漏的装置及方法 | |
CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
CN104316277B (zh) | 基于声检测与盲信号分离的气密性监测方法 | |
CN112161755B (zh) | 地埋管道检测方法、装置、异构传感器阵列及存储介质 | |
KR20210020516A (ko) | 누수 감지 장치 및 시스템 | |
US20200371195A1 (en) | Geophone locating accuracy evaluation method and device | |
CN112082094A (zh) | 基于异构传感器的管道异常信号定位检测方法及装置 | |
Eret et al. | Microphone arrays as a leakage detection tool in industrial compressed air systems | |
CN113275341A (zh) | 一种基于分布式光纤振动传感的清管器跟踪定位方法 | |
KR102313851B1 (ko) | 누수음 관리 운영 시스템 | |
CN105675216A (zh) | 一种泄露声信号的检测及定位方法 | |
CN103047542B (zh) | 三点式地下管道漏水检测方法 | |
CN110426675A (zh) | 一种基于图像处理的声相仪声源定位结果评定方法 | |
KR20200092503A (ko) | 입출력 음향 데이터 기반의 딥러닝을 활용한 하수관 상태 판별 방법 | |
CN103090194A (zh) | 地下管道漏水检测方法 | |
KR101896863B1 (ko) | 설비 이상 감지 장치 | |
CN110132509A (zh) | 一种埋地管道破损点定位系统和方法 | |
CN114909610B (zh) | 一种水下油气管道泄漏检测与定位的方法及控制系统 | |
CN105928666A (zh) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 | |
JPH11142280A (ja) | 管路検査方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |