TWI804093B - 地下水管洩漏檢測系統及方法 - Google Patents
地下水管洩漏檢測系統及方法 Download PDFInfo
- Publication number
- TWI804093B TWI804093B TW110146007A TW110146007A TWI804093B TW I804093 B TWI804093 B TW I804093B TW 110146007 A TW110146007 A TW 110146007A TW 110146007 A TW110146007 A TW 110146007A TW I804093 B TWI804093 B TW I804093B
- Authority
- TW
- Taiwan
- Prior art keywords
- underground water
- sound data
- leakage
- water pipe
- processing device
- Prior art date
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G01M3/007—Leak detector calibration, standard leaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本發明揭露一種地下水管洩漏檢測系統,包含感測裝置、儲存裝置及處理裝置。感測裝置是用以蒐集一時段內來自地下水管的聲音訊號。儲存裝置是用以儲存聲音資料集,以及感測裝置所傳送的聲音訊號。處理裝置可存取儲存裝置,設置以執行以下操作:使用聲音資料集訓練分類模型;擷取聲音訊號的特徵;將聲音訊號的特徵輸入已預先訓練的分類模型,以判斷地下水管是否存在洩漏點。
Description
本發明涉及聲學檢測技術,特別涉及一種地下水管洩漏檢測系統及方法。
台灣現有八成以上的自來水管,已使用超過三十年。一旦水壓加大,這些老舊硬化的水管就有可能破裂,因而導致漏水的情況。根據台灣自來水公司和臺北自來水事業處的配水量統計,台灣一年漏水約七億噸,足以供應全台兩個月有餘的民生與工業用水。而台灣的自來水管線長達5.9萬公里,但是專職檢查漏水的人員只有67人,平均一人要維護879公里的水管。這些人員仍採用土法煉鋼的方式,例如使用「尋龍尺」聽音,再基於經驗判斷進行人工檢漏,其成效受限於人員的實務經驗與人員的活動範圍。此外,每個地點漏水的情況也不一定能在第一時間被找出。
上述人工檢漏的方式,具有不夠穩定、不夠廣域、不夠即時等問題。為了解決這些問題,需要有一種地下水管洩漏檢測系統及方法,可以透過感測器的廣域布局以增加檢漏範圍,並可同時對各個布局地點所蒐集到的資料進行分析,以即時地掌握漏水地點與漏水狀況。
本發明之實施例提供一種地下水管洩漏檢測系統,包含感測裝置、儲存裝置及處理裝置。感測裝置是用以蒐集一時段內來自地下水管的聲音訊號。儲存裝置是用以儲存聲音資料集,以及感測裝置所傳送的聲音訊號。處理裝置可存取儲存裝置,設置以執行以下操作:使用聲音資料集訓練分類模型,其中聲音資料集包含複數筆含洩漏的聲音資料及複數筆無洩漏的聲音資料,每一筆聲音資料包含歷史聲音訊號的特徵;擷取聲音訊號的特徵;將聲音訊號的特徵輸入已預先訓練的分類模型,以判斷地下水管是否存在洩漏點。
在某些實施例中,上述特徵包含時域特徵(time domain features)及頻域特徵(frequency domain features)。處理裝置更設置以對聲音訊號進行快速傅立葉變換(Fast Fourier Transform),以擷取聲音訊號的時域特徵及頻域特徵。
在某些實施例中,用以訓練分類模型的聲音資料集中的每一筆含洩漏的聲音資料包含裂口形狀參數。處理裝置更設置以將聲音訊號的特徵輸入已預先訓練的分類模型,以判斷地下水管的洩漏點之裂口形狀。
在某些實施例中,處理裝置更設置以使用聲音資料集訓練迴歸模型,其中聲音資料集中的每一筆含洩漏的聲音資料包含對應於裂口形狀參數的裂口尺寸參數。處理裝置更設置以將聲音訊號的特徵輸入已預先訓練的迴歸模型,以計算地下水管的洩漏點之裂口尺寸。
在某些實施例中,用以訓練分類模型的聲音資料集中的每一筆含洩漏的聲音資料包含管線材質結構參數。處理裝置更設置以將聲音訊號的特徵輸入已預先訓練的分類模型,以判斷地下水管的材質及結構。
在某些實施例中,處理裝置更設置以使用聲音資料集訓練迴歸模型,其中聲音資料集中的每一筆含洩漏的聲音資料包含洩漏點距離參數。處理裝置更設置以將聲音訊號的特徵輸入已預先訓練的迴歸模型,以計算地下水管的洩漏點與感測裝置之間的距離。
在某些實施例中,處理裝置更設置以基於時段內地下水管的洩漏點與位於不同地點的多個感測裝置之間的距離,以及感測裝置各自所在之座標,估算洩漏點的位置。
在某些實施例中,聲音資料集中的每一筆聲音資料包含環境干擾參數。處理裝置更設置以執行排除環境干擾操作,以排除聲音訊號中的環境干擾成分。
在某些實施例中,處理裝置更設置以執行排除異常事件操作 ,以排除聲音訊號中的異常事件成分。
在某些實施例中,感測裝置更包含水聽器、電荷放大電路、濾波器、類比數位轉換器,及處理器。水聽器是用以蒐集時段內來自地下水管的原始訊號;電荷放大電路是用以放大原始訊號的輸出功率;濾波器是用以對輸出功率放大後的原始訊號進行濾波,以濾除原始訊號中頻率在特定範圍之外的雜訊;類比數位轉換器是用以將濾波後的原始訊號從類比訊號轉換為數位訊號,轉換後的原始訊號為聲音訊號;處理器是用以將聲音訊號傳送至儲存裝置。
本發明之實施例亦提供一種地下水管洩漏檢測方法,包含:藉由處理裝置,使用聲音資料集訓練分類模型,其中聲音資料集包含複數筆含洩漏的聲音資料及複數筆無洩漏的聲音資料,每一筆聲音資料包含歷史聲音訊號的特徵;藉由感測裝置,蒐集時段內來自地下水管的聲音訊號;藉由處理裝置,擷取聲音訊號的特徵;藉由處理裝置,將聲音訊號的特徵輸入已預先訓練的分類模型,以判斷地下水管是否存在洩漏點。
在某些實施例中,特徵包含時域特徵及頻域特徵,且上述方法更包含藉由處理裝置,對聲音訊號進行快速傅立葉變換,以擷取聲音訊號的時域特徵及頻域特徵。
在某些實施例中,上述方法更包含藉由處理裝置,將聲音訊號的特徵輸入已預先訓練的分類模型,以判斷地下水管的洩漏點之裂口形狀。用以訓練分類模型的聲音資料集中的每一筆含洩漏的聲音資料包含裂口形狀參數。
在某些實施例中,上述方法更包含藉由處理裝置,使用聲音資料集訓練迴歸模型,其中聲音資料集中的每一筆含洩漏的聲音資料包含對應於裂口形狀參數的裂口尺寸參數;以及藉由處理裝置,將聲音訊號的特徵輸入已預先訓練的迴歸模型,以計算地下水管的洩漏點之裂口尺寸。
在某些實施例中,上述方法更包含藉由處理裝置,將聲音訊號的特徵輸入已預先訓練的分類模型,以判斷地下水管的材質及結構。用以訓練分類模型的聲音資料集中的每一筆含洩漏的聲音資料包含管線材質結構參數。
在某些實施例中,上述方法更包含藉由處理裝置,使用聲音資料集訓練迴歸模型,其中聲音資料集中的每一筆含洩漏的聲音資料包含洩漏點距離參數;以及藉由處理裝置,將聲音訊號的特徵輸入已預先訓練的迴歸模型,以計算地下水管的洩漏點與感測裝置之間的距離。
在某些實施例中,上述方法更包含藉由處理裝置,基於時段內地下水管的洩漏點與位於不同地點的多個感測裝置之間的距離,以及感測裝置所傳送其各自所在之座標,估算洩漏點的位置。
在某些實施例中,上述方法更包含藉由處理裝置,執行排除環境干擾操作,以排除聲音訊號中的環境干擾成分,聲音資料集中的每一筆聲音資料包含環境干擾參數。
在某些實施例中,上述方法更包含藉由處理裝置,執行排除異常事件操作,以排除聲音訊號中的異常事件成分。
本揭露提供的地下水管洩漏檢測系統,結合物聯網、訊號處理及機器學習等技術,藉由使用過去所蒐集與累積的聲音資料集訓練機器學習模型,從聲音訊號中擷取特徵,將擷取出的特徵輸入已預先訓練的分類模型,以判斷是否存在洩漏情形,並進而估算洩漏點的可能位置。相較於傳統的人工檢漏,本揭露的系統不但節省了人力消耗,也帶來了檢漏的即時性,並提升了檢漏的效率。
以下敘述列舉本發明的多種實施例,但並非意圖限制本發明內容。實際的發明範圍,是由申請專利範圍所界定。
在以下所列舉的各實施例中,將以相同的標號代表相同或相似的元件或組件。
第1圖是根據本發明之實施例所繪示一種地下水管洩漏檢測系統100的架構圖。如第1圖所示,系統100可包含感測裝置101、儲存裝置103及處理裝置104。感測裝置101經由網路102,可與儲存裝置103通訊。儲存裝置103與處理裝置104可包含在同一電子裝置內,或分別安裝在不同的電子裝置上。處理裝置104可藉由有線或無線的方式連接儲存裝置103,以存取儲存裝置103所儲存的資料。
感測裝置101是一種物理裝置,能夠探測環境中的聲音訊號,並將探知的資訊傳遞至其他裝置。感測裝置101通常可包含用以接收功率的感測元件,以及用以轉換功率的轉換元件。在本發明之實施例中,感測裝置101可安裝於地下水管線流經之處,以探測來自地下水管的聲音訊號。在一實施例中,感測裝置101可安裝在可攜式、可快速安裝的地下型消防栓上,或者嵌入在其中。
網路102可支援各種習知的通訊協定,像是TCP/IP、OSI、FTP、FTPS、UPnP、NFS、CIFS及AppleTalk等。網路102可例如為區域網路(LAN)、廣域網路(WAN)、虛擬私人網路(VPN)、網際網路(Internet)、內部網路(Intranet)、商際網路(Extranet )、公用交換電話網路、紅外線網路、無線網路及其任何組合。在一實施例中,網路102採用長期演進技術(LTE)的高速無線通訊,藉由通用非同步收發傳輸器(Universal Asynchronous Receiver/Transmitter;UART)以AT命令(AT command)之形式進行FTP/FTPS資料傳輸。在本發明之實施例中,感測裝置101經由網路102,將蒐集到的聲音訊號傳送至儲存裝置103。
儲存裝置103可以是任何一種用於儲存資料的裝置,例如磁碟驅動器、光儲存元件以及固態儲存裝置如隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可拆卸媒體裝置、記憶卡或快閃記憶卡,本發明並不以此為限。在本發明之實施例中,儲存裝置103是用以儲存感測裝置101所傳送的聲音訊號,以及用以訓練分類模型的聲音資料集。
處理裝置104可以是任何一種用於執行指令的裝置,例如中央處理器(CPU)、微處理器(microprocessor)、控制器、微控制器(microcontroller)或狀態機(state machine),本發明並不以此為限。在本發明之實施例中,處理裝置104會存取儲存裝置103所儲存的聲音訊號及聲音資料集。
第2圖是根據本發明之實施例所繪示一種地下水管洩漏檢測方法200的流程圖。如第2圖所示,方法200包含操作201-204。
方法200首先進行操作201。於操作201,藉由處理裝置(例如第1圖中的處理裝置104),使用聲音資料集訓練分類模型。
於操作202,藉由感測裝置(例如第1圖中的感測裝置101),蒐集一時段內(例如10秒鐘、30秒鐘或1分鐘,本發明並不以此為限),來自地下水管的聲音訊號。
於操作203,藉由處理裝置(例如第1圖中的處理裝置104),擷取於操作202所蒐集到的聲音訊號的特徵。
於操作204,藉由處理裝置(例如第1圖中的處理裝置104),將聲音訊號的特徵輸入已預先訓練的分類模型,以判斷地下水管是否存在洩漏點。
在某些實施例中,上述用以訓練分類模型的聲音資料集,包含複數筆含洩漏的聲音資料及複數筆無洩漏的聲音資料,每一筆聲音資料包含歷史聲音訊號的特徵。歷史聲音訊號可以是源自過去藉由感測裝置(例如第1圖中的感測裝置101)所蒐集來自地下水管的聲音訊號,包含含洩漏的聲音訊號(即地下水管存在洩漏點發出漏水聲時的聲音訊號)及無洩漏的聲音訊號(即地下水管不存在洩漏點發出漏水聲時的聲音訊號)。在某些實施例中,含洩漏的聲音資料及無洩漏的聲音資料分別包含處理裝置(例如第1圖中的處理裝置104)從含洩漏的聲音訊號及無洩漏的聲音訊號中所擷取的特徵。因此,含洩漏的聲音資料會帶有地下水管之洩漏點所發出的漏水聲之特徵,而無洩漏的聲音資料則不會帶有地下水管之洩漏點所發出的漏水聲之特徵。
在某些實施例中,上述分類模型可以是任何一種機器學習(machine learning)領域中習知的分類器(classifier),例如決策樹(decision tree)、邏輯迴歸(logistic regression)、單純貝式(naive Bayes)、隨機森林(random forest)、支持向量機(Support Vector Machine;SVM)或神經網路(neural network),本發明並不限定於此。根據訓練資料集(例如上述聲音資料集)所提供資料的特徵,透過反覆地結果反饋與參數更新,逐步降低模型輸出結果的錯誤率,致使訓練後的分類模型得以判斷新的一筆資料(例如於操作202所蒐集到的聲音訊號)屬於哪一種既定的種類(例如是否含有地下水管之洩漏點所發出的漏水聲)。
在某些實施例中,上述特徵可包含時域特徵(time domain features)及頻域特徵(frequency domain features)。時域特徵又可包含例如峰值(peak value)、峭度(kurtosis)、裕度(allowance)、歪度(skewness)、均值(mean)、均方根(RMS)、脈衝因數(impulse factor)、波形因數(form factor)、波峰因數(crest factor)等,本發明並不限定於此。頻域特徵則可以是指頻率與功率之間的對應關係。
在某些實施例中,上述時域特徵及頻域特徵可藉由處理裝置(例如第1圖中的處理裝置104)對聲音訊號(例如用以訓練分類模型的歷史聲音訊號,或是於步驟202所蒐集到的聲音訊號)進行快速傅立葉變換(Fast Fourier Transform;FFT)所擷取。
上述時域特徵,可由時域圖(time domain diagram)所展現。第3A圖與第3B圖分別是根據本發明之實施例所提供作為範例之無洩漏的聲音訊號之時域圖300A與含洩漏的聲音訊號之時域圖300B。在時域圖300A中,無洩漏的聲音訊號之幅值隨時間的推進,持續地在0.5伏特與-0.5伏特之間振盪,呈現出相對穩定的時域特徵。相較之下,在時域圖300B中,含洩漏的聲音訊號之幅值在大約1.2~1.5秒之間,出現了明顯突出的波峰301,呈現出變化劇烈的時域特徵。
上述頻域特徵,可由頻譜圖(spectrogram)所展現。第4圖是根據本發明之實施例所提供作為範例之頻譜圖400。如第4圖所示,在頻譜圖400中,無洩漏的聲音訊號之頻譜401與含洩漏的聲音訊號之頻譜402,在高頻段(例如700~1000赫茲)時呈現出強度上較明顯的差異。
由於無洩漏的聲音訊號與含洩漏的聲音訊號在時域特徵上的差異(如第3A圖及第3B圖所示)以及在頻域特徵上的差異(如第4圖所示),已訓練的分類模型可根據聲音訊號的時域特徵及頻域特徵,判斷聲音訊號是屬於含洩漏的聲音訊號或無洩漏的聲音訊號。
在某些實施例中,用以訓練分類模型的聲音資料集中的每一筆含洩漏的聲音資料,包含裂口形狀參數。裂口形狀參數是指該筆含洩漏的聲音資料所對應含洩漏的聲音訊號,其所在地下水管的洩漏點,是屬於哪一種裂口形狀,例如方形或圓形。
由於不同裂口形狀的洩漏點所發出的漏水聲,也會造成其對應的聲音訊號在時域特徵及頻域特徵上的差異,已訓練的分類模型可根據聲音訊號的時域特徵及頻域特徵,判斷聲音訊號所在地下水管的洩漏點是哪一種裂口形狀。因此,本揭露提供的地下水管洩漏檢測方法可更包含藉由處理裝置(例如第1圖中的處理裝置104),將蒐集到的聲音訊號之特徵輸入已預先訓練的分類模型,以判斷地下水管的洩漏點之裂口形狀。
在某些實施例中,用以訓練分類模型的聲音資料集中的每一筆含洩漏的聲音資料,可更包含對應於裂口形狀參數的裂口尺寸參數。裂口尺寸參數是指該筆含洩漏的聲音資料所對應含洩漏的聲音訊號,其所在地下水管的洩漏點的裂口的尺寸。舉例來說,若裂口形狀參數為方形,則其對應的裂口尺寸可以是指洩漏點的方形裂口之長度;若裂口形狀參數為圓形,則其對應的裂口尺寸可以是指洩漏點的圓形裂口之半徑或直徑。
由於不同裂口尺寸的洩漏點所發出的漏水聲,也會造成其對應的聲音訊號在時域特徵及頻域特徵上的差異,故可使用迴歸模型計算洩漏點之裂口尺寸。因此,本揭露提供的地下水管洩漏檢測方法可更包含藉由處理裝置(例如第1圖中的處理裝置104),使用聲音資料集訓練迴歸模型,以及將蒐集到的聲音訊號的特徵輸入已預先訓練的迴歸模型,以計算地下水管的洩漏點之裂口尺寸。
上述迴歸模型可以是任何一種機器學習領域中習知的迴歸模型,例如線性迴歸(linear regression)、多項式迴歸(polynomial regression)、邏輯斯迴歸(logistic regression)、非線性迴歸(nonlinear regression)等,本發明並不限定於此。
在某些實施例中,用以訓練分類模型的聲音資料集中的每一筆含洩漏的聲音資料,包含管線材質結構參數。管線材質結構參數是指該筆含洩漏的聲音資料所對應含洩漏的聲音訊號,其所在地下水管的管線材質(例如不鏽鋼管、PE管,或PPR管)與結構(例如長直管、彎管,或異徑管)。
由於不同管線材質與結構的水管也會造成其對應的聲音訊號在時域特徵及頻域特徵上的差異,已訓練的分類模型可根據聲音訊號的時域特徵及頻域特徵,判斷聲音訊號所在地下水管的管線材質與結構。因此,本揭露提供的地下水管洩漏檢測方法可更包含藉由處理裝置(例如第1圖中的處理裝置104),將蒐集到的聲音訊號之特徵輸入已預先訓練的分類模型,以判斷地下水管的管線材質與結構。
在某些實施例中,用以訓練分類模型的聲音資料集中的每一筆含洩漏的聲音資料,可更包含洩漏點距離參數。洩漏點距離參數是指該筆含洩漏的聲音資料所對應含洩漏的聲音訊號,其所在地下水管的洩漏點與感測裝置之間的距離。
由於地下水管的洩漏點與感測裝置之間的距離不同也會造成其對應的聲音訊號在時域特徵及頻域特徵上的差異,故可使用迴歸模型計算洩漏點與感測裝置之間的距離。因此,本揭露提供的地下水管洩漏檢測方法可更包含藉由處理裝置(例如第1圖中的處理裝置104),使用聲音資料集訓練迴歸模型,以及將蒐集到的聲音訊號的特徵輸入已預先訓練的迴歸模型,以計算地下水管的洩漏點與感測裝置之間的距離。
應注意的是,使用回歸模型所計算出的洩漏點與感測裝置之間的距離為估計值,現實中的洩漏點與感測裝置之間的距離可能會與該估計值存在一定程度的落差。儘管如此,我們仍可運用洩漏點與多個感測裝置之間距離之估計值,去估算現實中的洩漏點的可能所在位置。
在一實施例中,本揭露提供的地下水管洩漏檢測方法可更包含藉由處理裝置(例如第1圖中的處理裝置104),基於一時段內(例如10秒鐘、30秒鐘或1分鐘,本發明並不以此為限)地下水管的洩漏點與位於不同地點的多個感測裝置之間的距離,以及感測裝置(例如第1圖中的感測裝置101)所傳送該等感測裝置各自所在之座標,估算洩漏點的位置。
第5圖是根據本發明之實施例所繪示基於洩漏點與多個感測裝置之間的距離以及該等感測裝置的座標,以對洩漏點之位置進行估算的概念示意圖。在第5圖所展示的範例中,已運用前述迴歸模型計算出洩漏點與三個感測裝置所在位置501、502及503之間的距離分別為d
1、d
2及d
3,再分別以感測裝置所在位置501、502及503為圓心,以d1、d2及d3為半徑,畫出三個圓。這三個圓重疊的區域504中的點,與三個感測裝置所在位置501、502及503之間的距離,會相對接近d1、d2及d3。因此,可知洩漏點有很大機率落在區域504中,或者至少在區域504附近。如此一來,限縮了洩漏點的可能所在位置,縮短了定位洩漏點所需的時間。
在某些實施例中,聲音資料集中的每一筆聲音資料包含環境干擾參數。環境干擾參數是指聲音資料所對應聲音訊號所在的地下水管,其所在的環境在一時段內存在哪些持續出現的背景雜訊,例如狗吠聲、交通工具引擎聲,或附近工地施工所發出的聲響等。本揭露提供的地下水管洩漏檢測方法可更包含藉由處理裝置(例如第1圖中的處理裝置104),執行排除環境干擾操作,以排除聲音訊號中的環境干擾成分。
在某些實施例中,本揭露提供的地下水管洩漏檢測方法可更包含藉由處理裝置(例如第1圖中的處理裝置104),執行排除異常事件操作,以排除聲音訊號中的異常事件成分,例如物品墜落時所發出突發的撞擊聲響。
第6圖是根據本發明之實施例更進一步繪示第1圖中感測裝置101的一種範例的架構圖。如第6圖所示,此範例中的感測裝置101,可包含水聽器601、電荷放大電路602、濾波器603、類比數位轉換器604及處理器605等元件。這些元件可彼此透過匯流排電路耦接,以進行通訊。
在一實施例中,水聽器601是用以蒐集時段內來自地
下水管的原始訊號,然後將原始訊號傳輸至電荷放大電路602。電荷放大電路602是用以放大原始訊號的輸出功率,例如從0.25毫伏放大至0.5毫伏,然後將輸出功率放大後的原始訊號傳輸至濾波器603。濾波器603是用以對輸出功率放大後的原始訊號進行濾波,以濾除原始訊號中頻率在某特定範圍(例如200~2000赫茲)之外的雜訊,然後將濾波後的原始訊號傳輸至類比數位轉換器604。類比數位轉換器604是用以將濾波後的原始訊號從類比訊號轉換為數位訊號,然後將轉換後的原始訊號,也就是前述之聲音訊號,傳送至處理器605。處理器605可以是微處理器或微控制器,用以將聲音訊號傳送至儲存裝置(例如第1圖中的儲存裝置103)。
本揭露提供的地下水管洩漏檢測系統,結合物聯網、訊號處理及機器學習等技術,藉由使用過去所蒐集與累積的聲音資料集訓練機器學習模型,從聲音訊號中擷取特徵,將擷取出的特徵輸入已預先訓練的分類模型,以判斷是否存在洩漏情形,並進而估算洩漏點的可能位置。相較於傳統的人工檢漏,本揭露的系統不但節省了人力消耗,也帶來了檢漏的即時性,並提升了檢漏的效率。
以上段落採用多種態樣作敘述。顯然地,本文之教示可以多種方式實現,而在範例中所揭露之任何特定架構或功能僅是一種代表性的情況。根據本文之教示,任何熟知此技藝之人士應理解,可獨立實作本文所揭露之各個態樣,或者合併實作兩種以上之態樣。
雖然本揭露已以實施例揭露如上,然其並非用以限定本揭露,任何熟習此技藝者,在不脫離本揭露之精神和範圍內,當可作些許之更動與潤飾,因此發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:系統
101:感測裝置
102:網路
103:儲存裝置
104:處理裝置
200:方法
201-204:操作
300A, 300B:時域圖
301:波峰
400:頻譜圖
401, 402:頻譜
501, 502, 503:感測裝置所在位置
504:區域
601:水聽器
602:電荷放大電路
603:濾波器
604:類比數位轉換器
605:處理器
本揭露將可從以下示範的實施例之敘述搭配附帶的圖式更佳地理解。此外,應被理解的係,在本揭露之流程圖中,各方塊的執行順序可被改變,且/或某些方塊可被改變、刪減或合併。第1圖是根據本發明之實施例所繪示一種地下水管洩漏檢測系統的架構圖。
第2圖是根據本發明之實施例所繪示一種地下水管洩漏檢測方法的流程圖。
第3A圖是根據本發明之實施例所提供作為範例之無洩漏的聲音訊號之時域圖。
第3B圖是根據本發明之實施例所提供作為範例之含洩漏的聲音訊號之時域圖。
第4圖是根據本發明之實施例所提供作為範例之頻譜圖。
第5圖是根據本發明之實施例所繪示基於洩漏點與多個感測裝置之間的距離以及該等感測裝置的座標,以對洩漏點之位置進行估算的概念示意圖。
第6圖是根據本發明之實施例繪示感測裝置的一種範例的架構圖。
200:方法
201-204:操作
Claims (19)
- 一種地下水管洩漏檢測系統,包括: 一感測裝置,用以蒐集一時段內來自一地下水管的聲音訊號; 一儲存裝置,用以儲存一聲音資料集,以及該感測裝置所傳送的該聲音訊號; 一處理裝置,可存取該儲存裝置,設置以執行以下操作: 使用該聲音資料集訓練一分類模型,其中該聲音資料集包括複數筆含洩漏的聲音資料及複數筆無洩漏的聲音資料,每一筆聲音資料包含一歷史聲音訊號的多個特徵; 擷取該聲音訊號的該多個特徵; 將該聲音訊號的該多個特徵輸入已預先訓練的該分類模型,以判斷該地下水管是否存在一洩漏點。
- 如請求項1之地下水管洩漏檢測系統,其中該多個特徵包括時域特徵(time domain features)及頻域特徵(frequency domain features);以及 其中該處理裝置更設置以對該聲音訊號進行快速傅立葉變換(Fast Fourier Transform),以擷取該聲音訊號的該時域特徵及該頻域特徵。
- 如請求項1之地下水管洩漏檢測系統,其中用以訓練該分類模型的該聲音資料集中的每一筆含洩漏的聲音資料包含一裂口形狀參數;以及 其中該處理裝置更設置以將該聲音訊號的該多個特徵輸入已預先訓練的該分類模型,以判斷該地下水管的該洩漏點之裂口形狀。
- 如請求項3之地下水管洩漏檢測系統,其中該處理裝置更設置以使用該聲音資料集訓練一迴歸模型,其中該聲音資料集中的每一筆含洩漏的聲音資料包含對應於該裂口形狀參數的一裂口尺寸參數;以及其中該處理裝置更設置以將該聲音訊號的該多個特徵輸入已預先訓練的該迴歸模型,以計算該地下水管的該洩漏點之裂口尺寸。
- 如請求項1之地下水管洩漏檢測系統,其中用以訓練該分類模型的該聲音資料集中的每一筆含洩漏的聲音資料包含管線材質結構參數;以及其中該處理裝置更設置以將該聲音訊號的該多個特徵輸入已預先訓練的該分類模型,以判斷該地下水管的材質及結構。
- 如請求項5之地下水管洩漏檢測系統,其中該處理裝置更設置以使用該聲音資料集訓練一迴歸模型,其中該聲音資料集中的每一筆含洩漏的聲音資料包含一洩漏點距離參數;以及其中該處理裝置更設置以將該聲音訊號的該多個特徵輸入已預先訓練的該迴歸模型,以計算該地下水管的該洩漏點與該感測裝置之間的距離。
- 如請求項6之地下水管洩漏檢測系統,其中該處理 裝置更設置以基於該時段內該地下水管的該洩漏點與位於不同地點的多個該感測裝置之間的多個該距離,以及該等感測裝置各自所在之座標,估算該洩漏點的位置。
- 如請求項1之地下水管洩漏檢測系統,其中該聲音資料集中的每一筆聲音資料包含一環境干擾參數;以及該處理裝置更設置以執行一排除環境干擾操作,以排除該聲音訊號中的環境干擾成分。
- 如請求項1之地下水管洩漏檢測系統,其中該處理裝置更設置以執行一排除異常事件操作,以排除該聲音訊號中的異常事件成分。
- 如請求項1之地下水管洩漏檢測系統,其中該感測裝置更包括:一水聽器,用以蒐集該時段內來自該地下水管的原始訊號;一電荷放大電路,用以放大該原始訊號的輸出功率;一濾波器,用以對輸出功率放大後的該原始訊號進行濾波,以濾除該原始訊號中頻率在一特定範圍之外的雜訊;一類比數位轉換器,用以將濾波後的該原始訊號從類比訊號轉換為數位訊號,轉換後的該原始訊號為該聲音訊號;一處理器,用以將該聲音訊號傳送至該儲存裝置。
- 一種地下水管洩漏檢測方法,包括:藉由一處理裝置,使用一聲音資料集訓練一分類模型,其中該聲音資料集包括複數筆含洩漏的聲音資料及複數筆無洩漏的聲音資料,每一筆聲音資料包含一歷史聲音訊號的多個特徵;藉由一感測裝置,蒐集一時段內來自一地下水管的聲音訊號;藉由該處理裝置,擷取該聲音訊號的該多個特徵; 藉由該處理裝置,將該聲音訊號的該多個特徵輸入已預先訓練的該分類模型,以判斷該地下水管是否存在一洩漏點。
- 如請求項11之地下水管洩漏檢測方法,其中該多個特徵包括時域特徵及頻域特徵;以及 該地下水管洩漏檢測方法更包括:藉由該處理裝置,對該聲音訊號進行快速傅立葉變換,以擷取該聲音訊號的該時域特徵及該頻域特徵。
- 如請求項11之地下水管洩漏檢測方法,更包括: 藉由該處理裝置,將該聲音訊號的該多個特徵輸入已預先訓練的該分類模型,以判斷該地下水管的該洩漏點之裂口形狀; 其中用以訓練該分類模型的該聲音資料集中的每一筆含洩漏的聲音資料包含一裂口形狀參數。
- 如請求項13之地下水管洩漏檢測方法,更包括: 藉由該處理裝置,使用該聲音資料集訓練一迴歸模型,其中該聲音資料集中的每一筆含洩漏的聲音資料包含對應於該裂口形狀參數的一裂口尺寸參數;以及 藉由該處理裝置,將該聲音訊號的該多個特徵輸入已預先訓練的該迴歸模型,以計算該地下水管的該洩漏點之裂口尺寸。
- 如請求項11之地下水管洩漏檢測方法,更包括: 藉由該處理裝置,將該聲音訊號的該多個特徵輸入已預先訓練的該分類模型,以判斷該地下水管的該材質及該結構; 其中用以訓練該分類模型的該聲音資料集中的每一筆含洩漏的聲音資料包含管線材質結構參數。
- 如請求項15之地下水管洩漏檢測方法,更包括: 藉由該處理裝置,使用該聲音資料集訓練一迴歸模型,其中該聲音資料集中的每一筆含洩漏的聲音資料包含一洩漏點距離參數;以及 藉由該處理裝置,將該聲音訊號的該多個特徵輸入已預先訓練的該迴歸模型,以計算該地下水管的該洩漏點與該感測裝置之間的距離。
- 如請求項16之地下水管洩漏檢測方法,更包括: 藉由該處理裝置,基於該時段內該地下水管的該洩漏點與位於不同地點的多個該感測裝置之間的多個該距離,以及該等感測裝置所傳送該等感測裝置各自所在之座標,估算該洩漏點的位置。
- 如請求項11之地下水管洩漏檢測方法,更包括: 藉由該處理裝置,執行一排除環境干擾操作,以排除該聲音訊號中的環境干擾成分; 其中該聲音資料集中的每一筆聲音資料包含一環境干擾參數。
- 如請求項11之地下水管洩漏檢測方法,更包括: 藉由該處理裝置,執行一排除異常事件操作,以排除該聲音訊號中的異常事件成分。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110146007A TWI804093B (zh) | 2021-12-09 | 2021-12-09 | 地下水管洩漏檢測系統及方法 |
US17/678,918 US20230184619A1 (en) | 2021-12-09 | 2022-02-23 | Underground pipe leak detection system and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110146007A TWI804093B (zh) | 2021-12-09 | 2021-12-09 | 地下水管洩漏檢測系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI804093B true TWI804093B (zh) | 2023-06-01 |
TW202323783A TW202323783A (zh) | 2023-06-16 |
Family
ID=86695337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110146007A TWI804093B (zh) | 2021-12-09 | 2021-12-09 | 地下水管洩漏檢測系統及方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230184619A1 (zh) |
TW (1) | TWI804093B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577037A (zh) * | 2023-07-12 | 2023-08-11 | 上海电机学院 | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM526069U (zh) * | 2016-02-05 | 2016-07-21 | Univ Hsiuping Sci & Tech | 智慧型漏水感測裝置 |
JP2020051964A (ja) * | 2018-09-28 | 2020-04-02 | 株式会社日立製作所 | 漏水検知システムおよび方法 |
TW202030461A (zh) * | 2019-02-01 | 2020-08-16 | 歐白德 默罕默德 梅里滿 阿拉米利 漢默德 | 漏水偵測裝置 |
CN211574791U (zh) * | 2019-10-15 | 2020-09-25 | 上海宝冶冶金工程有限公司 | 地下供水管道漏水检测传感装置 |
CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
US20210215568A1 (en) * | 2018-06-11 | 2021-07-15 | Hitachi, Ltd. | Water leakage detection method, water leakage detection apparatus, and vibration sensor terminal |
-
2021
- 2021-12-09 TW TW110146007A patent/TWI804093B/zh active
-
2022
- 2022-02-23 US US17/678,918 patent/US20230184619A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM526069U (zh) * | 2016-02-05 | 2016-07-21 | Univ Hsiuping Sci & Tech | 智慧型漏水感測裝置 |
US20210215568A1 (en) * | 2018-06-11 | 2021-07-15 | Hitachi, Ltd. | Water leakage detection method, water leakage detection apparatus, and vibration sensor terminal |
JP2020051964A (ja) * | 2018-09-28 | 2020-04-02 | 株式会社日立製作所 | 漏水検知システムおよび方法 |
TW202030461A (zh) * | 2019-02-01 | 2020-08-16 | 歐白德 默罕默德 梅里滿 阿拉米利 漢默德 | 漏水偵測裝置 |
CN211574791U (zh) * | 2019-10-15 | 2020-09-25 | 上海宝冶冶金工程有限公司 | 地下供水管道漏水检测传感装置 |
CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577037A (zh) * | 2023-07-12 | 2023-08-11 | 上海电机学院 | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 |
CN116577037B (zh) * | 2023-07-12 | 2023-09-12 | 上海电机学院 | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202323783A (zh) | 2023-06-16 |
US20230184619A1 (en) | 2023-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6872077B2 (ja) | 水道管の漏水検知方法 | |
Yazdekhasti et al. | Experimental evaluation of a vibration-based leak detection technique for water pipelines | |
CN101592288B (zh) | 一种管道泄漏辨识方法 | |
TWI804093B (zh) | 地下水管洩漏檢測系統及方法 | |
CN106841403A (zh) | 一种基于神经网络的声学玻璃缺陷检测方法 | |
CN104373821A (zh) | 基于声学主动激励的天然气管道安全监测装置 | |
NZ608731A (en) | Integrated audio-visual acoustic detection | |
Hunaidi et al. | A new system for locating leaks in urban water distribution pipes | |
Seyoum et al. | A Shazam-like household water leakage detection method | |
CN105118511A (zh) | 一种雷声识别方法 | |
CN104930355A (zh) | 适用于城市供水管道系统的在线无损检测方法及其装置 | |
EP2574914A3 (en) | Devices, Systems and Methods of Detecting Defects in Workpieces | |
CN103939750A (zh) | 一种消防水管网渗漏的检测识别与定位方法 | |
CN102032447A (zh) | 一种用于对城市煤气管道进行实时监控的系统及其使用方法 | |
CN105674065A (zh) | 一种基于变模式分解的声发射管道漏点定位方法 | |
KR101577733B1 (ko) | 음향 전달 행렬을 이용한 배관계의 막힘 진단 시스템 | |
CN115031906A (zh) | 基于次声波的管道泄漏在线监测方法 | |
CN202209524U (zh) | 一种基于压力温度分析的机场坪航空燃油管网泄漏检测系统 | |
CN104374885A (zh) | 一种易爆气体的危险声源功能检测装置 | |
CN109614887A (zh) | 一种基于支持向量机的汽车鸣笛分类方法 | |
CN105139852A (zh) | 一种基于改进的mfcc声音特征的工程机械识别方法及识别装置 | |
CN204554375U (zh) | 一种管道漏水检测装置 | |
CN205560104U (zh) | 基于多模型自适应切换控制的管道噪声主动控制装置 | |
CN102174992A (zh) | 一种压力管道的压力曲线特征提取方法 | |
CN202075832U (zh) | 房屋安全监控预警系统 |