一种基于加速度计的管道泄漏检测方法

摘要

本发明涉及了一种基于加速度计的管道泄漏检测方法，若干加速度计等间距设置在管道上方,采集布置在管道上的加速度计读数，每隔∆T秒收集读数，计算出标准差；在无泄漏状态下测的δt内所得最小的K个标准差，取其平均值，定义该值为最低检测指标MI0；将给定信号在时间j处的检测指标MIj，除以无泄漏状态下的最低检测指标MI0来确定一个名为检测效率指数的值MIE；针对不同的管道，通过Rapid Miner 7.4模型开发平台，建立决策树模型，通过交叉验证建立一个最完善的决策树模型，通过该模型来定义识别各种泄漏状态的MIE阈值；通过所采集到的加速度计读数与MIE阈值做对比，由模型输出管道泄漏状态。自动化程度高,排出人为选取误差,大幅度提高检测效率。

说明书

技术领域

本发明涉及一种管道系统领域，尤其涉及一种基于加速度计的管道泄漏检测方法。

背景技术

管道输送是保障人民生活和经济建设的必要基础设施，对城市发展具有全局性和先导性影响。我国城市地下管道多采用金属管材，已进入事故高发阶段；二则，以聚氯乙烯(PVC)和聚乙烯(PE)为主导的塑料管道在补漏、换新时存在着较大的需求空间。然地下管网错综复杂，难以实现泄漏点的准确定位。因此为维护城市地下管道的安全运行，管道漏损检测尤为重要。

目前，通常采用声学方法中的相关检漏法对管道泄漏进行检测和定位。当管道发生泄漏时，泄漏声信号往管道上、下游传播，安装在管道上的传感器所采集的泄漏声信号中混有背景噪声及反射声波等干扰信号。一般地相关检漏仪可有效检测到铸铁管的泄漏，但非金属管道中泄漏声信号衰减更大且波速更小，因此选取泄漏声信号有效频段是泄漏点准确定位的关键。

管道漏损检测在设备方面需要技术人员携带专业设备，人工初步判断泄漏点位置再布置传感器，检测范围小，操作复杂；在方法方面测得管道泄漏信号的数据后，通常依靠经验选取非频散频段进行分析，存在对操作人员要求较高，泄漏点定位不准确，效率低且智能化程度不高的问题。

发明内容

本发明是为了解决现有技术的管道泄漏检测方法效率低、智能化程度不高且泄漏点定位不准确的问题，提供一种基于加速度计的高效率自动化管道泄漏检测方法。

为实现上述目的，本发明采用以下技术方案：

一种基于加速度计的管道泄漏检测方法，其特征是，包括数据处理平台，若干加速度计等间距设置在管道上方，每隔第一时间间隔ΔT收集加速度计读数，数据处理平台分析第二时间间隔δt期间内的数据，输出管道泄漏状态，所述δt＝k*ΔT,k为整数。

作为优选，所述数据分析平台包括如下分析步骤：

步骤S1：计算每隔第一时间间隔ΔT期间收集的加速度计读数的标准差；

步骤S2：选取第二时间间隔ΔT期间收集的标准差的平均值最小值为最低检验指标MI

步骤S3：计算给定时间J的检验指标MI

步骤S4：计算检验效率指数MIE，表达式如下：

MIE＝MI

步骤S5：在模型构造平台构造模型，建立训练，确定泄漏阈值；

步骤S6：建立信号输出模型，比较MIE与泄漏阈值，MIE>泄漏阈值则管道泄漏，MIE<泄漏阈值则管道无泄漏，输出管道泄露情况。

作为优选，所述模型构造平台为Rapid Miner模型开发平台。

作为优选，所述ΔT至少为60秒。

作为优选，所述K至少为6。

作为优选，所述模型构造平台构造模型为决策树模型。排除人为选取的误差，自动化程度高，检测效率大幅度提升。

作为优选，所述决策树模型经过交叉验证完善。

作为优选，所述交叉验证为留一交叉验证。将每一个样本作为测试样本，其它K-1个样本作为训练样本。这样得到K个分类器，K个测试结果。用这K个结果的平均值来衡量模型的性能。

因此，本发明具有如下有益效果：(1)基于加速度计和决策树模型，确定检测效率指数和泄漏阈值，自动化程度高。(2)通过交叉验证完善决策树模型，排出人为选取误差。(3)管道检测智能化模型化，自动化程度高，大幅度提高检测效率。

附图说明

图1是本发明一实施例管道泄漏检测方法流程图。

图2是本发明一实施例管道泄漏检测方法模型开发流程图。

图3是本发明一实施例管道泄漏检测决策树模型图。

图4是本发明一实施例管道相邻加速度计安装示意图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

实施例：

如图1～4所示的一种基于加速度计的管道泄漏检测方法，若干加速度计2以预定间距均匀布置在管道段上方检测相邻加速度计2之间的泄漏点1；采集布置在管道上的加速度计2读数，每隔100秒收集读数，计算出标准差；在无泄漏状态下测一定时间内所得最小10个标准差，取其平均值，定义该值为最低检测指标MI0；通过线控采集信号，处理器将数据发送至服务器，建立计算检测效率指数MIE的数学模型，表达式如下：

其中，MIE表示检测效率指数；MI0表示无泄漏状态下最低检测指标；MIJ表示给定信号在时间j处的检测指标。

通过RapidMiner7.4模型开发平台，通过交叉验证建立一个决策树模型，通过该模型来定义各种泄漏状态的MIE阈值；通过决策树模型将采集并处理后的数据与MIE阈值做对比，确定管道是否泄漏。

决策树模型开发流程如下：定义预测变量MIE，通过实验采集数据，通过RapidMiner 7.4模型开发平台，通过决策树模型开发工具交叉验证决策树模型，完成决策树模型开发，确定MIE泄漏阈值。

比较MIE与泄漏阈值，MIE>泄漏阈值则管道泄漏，MIE<泄漏阈值则管道无泄漏，输出管道泄露情况。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了模型、决策树等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。