[发明专利]基于多特征和自适应时延估计的泄漏检测与定位方法

权利要求书

1.基于多特征和自适应时延估计的泄漏检测与定位方法，其特征在于，所述方法利用小波去噪对漏水信号增强，包括：

S1:将漏水信号进行小波去噪；

S1具体包括：

选用db4小波基对漏水信号作四层小波分解，得到一组小波系数:

对含噪声信号小波系数进行阈值化处理，设置一个合适的数作为阈值，当小波系数小于这个临界值时，小波系数由噪声引起的，予以舍弃；系数由信号引起，采用软阈值方法按照某一个固定量向零收缩，得到处理后的小波系数；

对阈值处理后的小波系数进行小波逆变换，得到小波阈值去噪处理后的信号；

S2：对S1中经过小波去噪增强后的每帧漏水信号分别提取能量特征、过零率特征和频域方差特征；

S2具体包括：

短时能量：

短时平均过零率：

频谱方差：

最后将信号的三个特征组成特征向量；

S3：把S2中提取的3个特征向量作为RBF神经网络的输入，标定的对应帧的信号段端点结果作为神经网络的理想输出，对神经网络进行训练；

S4：将训练好的神经网络用于泄漏检测，输出检测结果；

S5：设置漏水定位模型；

S6：利用LMS自适滤波器进行时延估计；

S7：计算漏水点距离传感器的距离，完成漏水定位；

S4至S7具体包括：

神经网络训练好后就可检测出泄漏是否发生，随后通过LMS自适应算法估计两个传感器接收泄漏信号的时延值，通过时延值对管道漏点进行高精度的漏水定位；

设置漏水定位模型：

将传感器等距离分布在供水管网周围，其中距离漏点最近的三个传感器节点编号分别为1,2,3，传感器1,2,3之间的距离为L，传感器1,2距离漏点的位置分别设为d₁和d₂，传感器1和2、2和3之间的时延分别为τ₂₁和τ₂₃；

求得漏水声信号所在管道上的传播速度v为：v＝L/τ₂₃(5)；

根据位置关系可以得到如下关系式：

将式(5)代入式(6)可以得到漏点距传感器1和2的距离d₁和d₂分别为：

式(7)中的唯一变量就是信号到达不同传感器之间的时延差，因此利用时延估计值可以计算得到漏点具不同传感器的位置，从而实现定位；

利用LMS自适滤波器进行时延估计，根据LMS准则，当自适应滤波器收敛后，x(n-τ)与其估计d(n)的相似性最大,由w_opt最大值对应的坐标得到时延估计值；利用同样的原理:求出传感器2和3之间的时延估计值；利用式(7)计算漏水点距离传感器1和2的距离，从而完成漏水定位。

2.根据权利要求1所述的方法，其特征在于，所述S3包括：

S31：设置RBF神经网络的输入节点为3个，将Sigmoid函数作为激活函数；输出为非线性函数，输出节点为1个，隐层节点经过大量实验，最后确定为20个；

S32：标示出每帧漏水信号是泄漏信号帧还是非泄漏信号帧，泄漏帧用1表示，非泄漏用0表示，把这一段漏水信号的实际泄漏段的端点结果记录并保存，供后续步骤使用；

S33：把提取的3个特征向量作为RBF神经网络的输入，标定的对应帧的信号段端点结果作为神经网络的理想输出；

S34：对各特征进行归一化处理如式(4)所示：

其中，x_i,j表示第i种特征值的第j个值；max(x_i)表示第i种特征最大值；

S35：采用遗传算法选择初始权值，对神经网络进行反复的训练，使神经网络的误差能量达到要求，或是完成规定的训练次数，此时认为RBF神经网络己经训练完毕。

3.根据权利要求2所述的方法，其特征在于，所述S4包括：

S41：将漏水信号输入已经训练好的RBF神经网络，对漏水信号进行泄漏段检测；

S42：输出结果就是对该信号的检测结果。

4.根据权利要求3所述的方法，其特征在于，所述S6包括：

S61：设传感器1接收到的漏水信号x(n)作为输入信号，传感器2接收到的漏水信号d(n)为目标信号，延时m个采样周期后输入滤波器的期望输入端，滤波器的输出y(n)，二者差值为误差信号e(n)，w_j(n)为第j阶滤波器的加权量，μ为收敛步长，则有：

e(n)＝d(n-m)-y(n)       (8)

w_j(n+1)＝w_j(n)+μe(n)x(n-j)     (10)

其中，j＝-m,-m+1,K,m-1,m根据LMS准则，当自适应滤波器收敛后，x(n-τ)与其估计d(n)的相似性最大，由w_opt最大值对应的坐标得到时延估计值

S62：利用同样的原理:求出传感器2和3之间的时延估计值

S63：利用式(7)计算漏水点距离传感器1和2的距离，从而完成漏水定位。