一种城市供水管道泄漏检测与定位方法

本发明提供一种城市供水管道泄漏检测与定位方法，属于城市供水。

背景技术：

1、城市供水管网系统，承担着向城市市区和部分郊区自来水厂供应优质生活用水的重任，随着输水管道的增加，管道使用年龄的增长，以及安装时施工存在的问题、管道自然腐蚀老化、人为因素的损坏管道等原因，管道出现运营安全的机率极有可能变大。供水管道一旦泄漏不仅会造成水资源的浪费，还会影响市政供水能力和城市运转效率，甚至会给当地造成不可挽回的经济损失和环境破坏。因此，研究管道泄漏检测的理论问题与实现技术，不仅对于输送管线的安全运行与管理具有非常重要的意义，而且具有关乎国计民生的重大社会现实意义。

2、供水管道内的压力信号是非先验信号，具有非平稳的特点，需要合适的信号处理方法来抑制管道压力信号中的噪声，提高其信噪比。近年来不断有新的信号处理技术被提出。但目前现有技术，如傅里叶变换不具备时间分辨率，通常是在全局层面对信号进行分析，因此并不是在每种情况下都适用，特别是在需要分析信号局部特征时。小波分析方法在某些方面弥补了傅里叶变换的缺陷，它在时域及频域都有较好的局部化性质，但小波基函数的选取对分析结果存在很大影响，若无法选择合适的小波基函数，则会丢失信号的某些特征。经验模态分解方法由于不存在完备的数学依据，从而导致其在工程应用中会出现过分解、模态混叠及端点效应等问题。为了解决emd存在的过分解和模态混叠问题，很多类emd方法被提出，但这些方法也存在类似于处理信号会发生提前或滞后现象的问题。vmd方法近乎克服了emd包括缺乏数学依据的一切缺陷，近几年被广泛应用于模式识别及故障诊断等领域。但类vmd方法并非与emd一样是自适应的，它需要预先设置参数，且分解效果受限于imf数量k及惩罚因子α这两个参数。

3、随着城市化进程加快，城市供水管道系统的结构和运行工况日益复杂，管道系统的建模难度日益增大，针对具体管道的建模成本成为其落地工程应用的一大阻碍。人工智能和大数据技术的快速发展，使得数据驱动方法被诸多学者应用于管道泄漏识别领域。传统的数据驱动方法主要以统计学方法为主，该方法处理来自传感器的压力、流速、温度、声发射和管道中不同位置振动的数据，对管道正常运行的数据进行统计学分析，偏离该模式即为发生泄漏。在泄漏识别方面，统计学方法相比基于模型的方法取得了一定进步，但其依然存在难以处理非线性关系、泛化能力不足等缺点。深度神经网络以其强大的非线性映射能力超越了传统的数据驱动方法，被广泛应用于管道泄漏识别的研究中。基于负压波的管道泄漏识别准确度受多种因素的影响，尤其管道压力信号的非先验和非平稳特性，传统神经网络模型难以捕捉动态压力数据中反应的管道工况信息。在时间信号序列学习方面，单一的卷积神经网络仅对信号局部特征敏感，难以捕捉管道压力信号时间维度中信息之间的长依赖关系。循环神经网络容易产生梯度消失和梯度爆炸等问题。单一的长短期记忆网络以及门控循环单元能够学习信号的长时空特征，但对容易出现局部信息丢失现象。

技术实现思路

1、针对上述第一个技术问题，为了实现基于管道压力信号特征自适应选取vmd参数k和α的目的，本发明提出了一种基于遗传算法和信息熵的vmd参数优化方法，并将其应用于实际管道压力信号处理过程中。该方法不需要先验知识，根据信号特征同时搜索k及α，通过互相关系数筛选有效imf，根据基于信息熵的适应度函数自适应确定最优参数并获得理想的降噪信号。

2、针对上述第二个问题，为更精确地通过压力信号识别管道的运行状态，本发明提出一种结合注意力机制的卷积-门控循环单元管道泄漏识别方法。首先利用卷积神经网络捕捉信号局部时空特征，然后使用门控循环单元提取信号长依赖关系，两者相互弥补短板，最后利用注意力机制在学习过程中突出关键特征的影响，实现对管道运行状态的精准识别。

3、本发明完整技术方案为：

4、一种城市供水管道泄漏检测与定位方法，包括以下步骤：

5、步骤1：安装在管道上下游的传感器a、b分别采集到压力信号x1(t)、x2(t)。初始化所有参数，遗传算法的种群规模设置为m，进化代数设置为g，imf数量k的搜索范围设置为[k1,k2]，惩罚因子α的搜索范围设置为[α1,α2]。将待降噪信号x1(t)、对比信号x2(t)输入遗传算法，生成规模为m的初始种群(m组[k,α]参数组合)；

6、步骤2：首先，vmd以当前种群内m个个体对应的参数组合对待降噪信号x1(t)进行分解，得到m组imfs。然后，计算m组imfs中的每个imf与对比信号x2(t)的相关系数，有效imf得以保留，重构m组有效imfs得到m个重构信号。最后，计算m个体的适应度em，此时判断是否满足终止条件g或tf，若满足则终止，不满足则继续；

7、步骤3：从当前种群中选择2个个体进行交叉操作，是否进行交叉取决于交叉概率pc。然后，从当前种群中随机选择1个个体进行变异操作，是否变异取决于变异概率pm。以上操作分别执行g次后产生了新一代种群，新种群替代旧种群。然后回到步骤2；

8、步骤4：若终止条件tf一直不被满足，则进化代数达到g时停止进化，第g次执行步骤2后，将具有最佳适应度个体的染色体解码，得到最优vmd参数[k,α]，用最佳适应度个体对应参数[k,α]对待降噪信号x1(t)进行vmd分解、筛选和重构，该重构信号即本方法得到的降噪信号。

9、步骤5：将经过步骤4降噪预处理后的供水管道压力信号归一化表示为x＝[x1,x2,...,xl,xn]l，其中l为沿时间的滑动窗口长度。

10、步骤6：将步骤5归一化后的信号放入卷积神经网络，经过卷积层和池化层处理后，实现供水管道内压力信号的局部化特征提取以及信号的多尺度特征融合降维。其中卷积神经网络中各输出可表示为：

11、

12、p＝max(c)+b2

13、hc＝sigmoid(p×w2+b3)

14、式中：c为卷积层输出，p为池化层输出，w1、w2为权重，b1、b2和b3为偏置，为卷积算子。

15、步骤7：gru学习cnn输出的压力信号的局部化时空特征，将局部化特征处理为隐藏状态向量，并提取压力信号的关键特征。gru层在t时刻的输出ht可以表示为：

16、ht＝gru(hc,t-1,hc,t)

17、步骤8：将gru的输出的隐藏层向量作为输入，att机制从管道压力信号中自适应学习并突出压力波动的关键特征，对gru的输出的隐藏层向量赋予相应权重，计算对应权重矩阵，提高模型分类的性能。att机制权重的计算如下式：

18、et＝utanh(wht+b)

19、βt＝exp(et)/∑et

20、yt＝∑βtht

21、式中：et和βt为t时刻管道压力信号不同特征的概率分布与权重，u和w为权重系数，b为偏置，yt为t时刻att机制的输出。

22、步骤9：全连接层将att机制的输出作为输入，通过线性变换将att机制的输出的特征向量转换为每个类别对应的预测值，其输出的维度与训练时数据集中类别的维度相对应。

23、步骤10：softmax classifier是一种多分类器，将全连接层的输出作为输入，其输出值为对应类别的概率分布，正确类别应具有高概率，错误类具有低概率，每一次分类所有类别的概率之和应为1。softmax classifier输出的每一个类别概率可以表示为：

24、

25、其中：si为输出的概率分布，zi为全连接层对应输出，k为分类类别数。

26、步骤11：将softmaxclassifier作为输出层，其输出的概率分布作为对管道压力信号类别的分类结果。

27、步骤12：通过泄漏识别捕捉到负压波信号后，通过计算两路负压波信号的时间差来得到泄漏点的位置：

28、假设两压力传感器之间的距离为l，传感器a和传感器b与泄漏点的距离分别为l1、l2，负压波波速为v。泄漏发生后，负压波从泄漏位置到达传感器a和传感器b的时间分别为t1(t1＝l1/v)、t2(t2＝l2/v)。于是可得

29、

30、其中，v为负压波波速，时差δt＝t1-t2。

31、供水管道泄漏识别及定位技术在降低城市供水管道漏损率方面发挥着至关重要的作用，及时发现泄漏并抢修可以减少水资源的浪费。为此，本发明提出了一种管道压力信号降噪方法和基于负压波技术的管道泄漏识别及定位方法。

32、为了消除管道压力信号中的噪声对泄漏识别及定位的不利影响，本发明提出了一种基于vmd的自适应管道压力信号降噪方法。该方法通过结合遗传算法和信息熵优势自适应优化vmd参数，得到最优的降噪信号。相较于目前主流的去噪方法，本发明具有较好的降噪效果和鲁棒性。

33、对信号降噪后，本发明提出了一种基于cnn-gru-att神经网络的管道泄漏识别模型。该网络结合了cnn对信号序列局部特征敏感的特点和gru关注信息之间长依赖关系的优势，结合att机制可以使网络关注到信号序列中的重要特征。相比其他网络结构，本发明有更高的识别准确率和可靠性，为泄漏定位奠定了基础。

34、最后，本发明采用计算两路负压波信号到达时差的方法来确定泄漏点的位置。负压波信号的高频成分中包含泄漏信息，故上下游两路负压波信号的拐点时间差δt可以通过计算它们高频成分中峰值对应的时刻之差得到，对于城市供水管道的泄漏点定位精度满足需求且具有较好的鲁棒性。