管道泄漏聲振動信號的特征分析

馮雪松，文玉梅，甄錦鵬，張雪園，李平，文靜

?

管道泄漏聲振動信號的特征分析

馮雪松，文玉梅，甄錦鵬，張雪園，李平，文靜

(重慶大學光電工程學院傳感器與儀器研究中心，重慶400044)

管道泄漏聲振動是泄漏過程中多種事件共同作用產生的，所以使用多種特征才可能比較準確地描述管道泄漏聲信號。合理的選取和使用這些特征對于泄漏信號識別至關重要。通過分析泄漏過程，確定選取信號的隨機性和頻率分布特性作為泄漏特征。由于隨機性和頻域特性可由多種參數描述，于是比較了各種參數作為泄漏特征值的辨識效果。使用支持向量機作為分類器，對比了使用單種特征以及組合使用多種相同或不同類特征時，實際供水管道聲振動及管道泄漏的識別效果。使用兩種特征的識別準確率普遍高于使用單種特征的情況，然而使用更多的特征卻并沒有進一步提高準確率。其中樣本熵和功率譜分布特征的組合準確率最高，達到了93%，而且使用此特征組合能夠正確區別管道周圍常見噪聲。

管道泄漏識別；特征提取；模式識別；頻域分布；統計特征

0 引言

供水管道泄漏是頻繁發生且危害嚴重的問題，及時發現泄漏是降低管網漏損率的首要工作。最早出現的是人工聽音檢漏法[1]，工作人員通過監聽管道上的泄漏噪聲判斷是否發生泄漏，巡檢費時費工且十分依賴于工人的經驗，主觀性強。依據用戶用水的規律性，不同時段管道聲振動信號功率譜的歐氏距離可以用于泄漏識別[2]，但是要求信號采集時間長，用水規律性差時，容易出現誤檢。

泄漏引起的管道聲振動，必然和泄漏事件相關，那么可以通過識別泄漏聲信號本身的特征進行泄漏識別。Wan Qin等人通過鍋爐管道功率譜峰值的位置進行泄漏識別[3]，Osama Hunaidi則通過塑料管道振動信號低頻部分的平均幅值識別泄漏[4]，然而，不同的管道類型會使泄漏信號頻譜存在明顯差異，作者只分析了對測試管道的有效性，并沒有考慮擴展到各種實際管道時的泄漏識別效果。Zhigang Qu等人通過供水管道振動信號按頻段劃分的能量分布進行泄漏識別，能區分挖掘和腳步聲噪聲[5]，但這只是實際檢測環境中可能出現的兩種噪聲情況，并不包括其他噪聲情況。李光海等人分析認為，泄漏信號中包含了湍流產生的寬頻信號，并提出使用對數功率譜的分形維數進行泄漏識別[6]，然而湍流聲只是多種泄漏聲成分中的一種，而且分形維度對寬頻噪聲敏感，這樣非常容易產生誤檢。Majid Ahadi等人通過觀察供水管道上的泄漏時域信號，將其中某些固定形狀的波形用于泄漏識別[7]，但是并沒有說明這些波形是否是泄漏信號所特有的，根據我們對從工程實際中采集的大量信號的分析，泄漏波形與泄漏條件、管道條件密切相關，也就是說不同的管道、不同的泄漏狀況，都會產生完全不同的波形。楊進等人分析了泄漏過程中湍流和空化現象，提出使用信號相關長度以后的自相關函數的近似熵作為泄漏信號特征，并能夠區分泄漏信號與外界噪聲(汽車發動機和鉆機)[8,9]。但是管道內部運行過程中，接頭閥門處也會發生湍流和空化，所以近似熵不足以將泄漏信號與管道運行噪聲區分。

泄漏信號的特征多種多樣，時域、頻域內都有反映泄漏存在的特征，但是沒有確定哪種特征能夠更為有效地識別泄漏。而且實際管道復雜多變，部分特征是通過研究者自行搭建的實驗管道提出的，難以說明是否具有普適性。最后，實際條件中噪聲干擾復雜，然而只有少數研究者分析了幾種噪聲，無法說明這些特征能否適應實際檢測。所以，目前已有的單個特征并不能夠同時滿足：(1) 有效性，即能夠真實反映泄漏的存在；(2) 普適性，即能夠普遍適用于各種實際管道；(3) 排它性，即能夠與其它常見噪聲區分。

在組合使用多種特征方面，甄錦鵬通過Lempel- Ziv復雜度和功率譜分布進行泄漏信號識別[10]，文玉梅等則使用了近似熵和譜寬參數來識別泄漏信號[11]，使用兩種特征的識別準確率要高于它們分別單獨使用的情況。

為了尋找能夠準確反映泄漏存在且對實際管道具有普適性的特征或特征組合，本文通過泄漏事件分析泄漏信號的特征，并采用大量實際供水管道中存在泄漏和無泄漏的信號建立了樣本庫，以準確率作為標準，考察各種特征和特征組合的泄漏識別效果，對比了使用單種特征以及組合使用多種相同域或不同域特征時的泄漏識別效果，并對管道常見噪聲和泄漏事件模擬聲進行了測試，最終得到了能夠準確反映泄漏發生并對各種實際管道普遍適用的特征組合。

1 頻域分布特征

管道存在泄漏時，由泄漏引起的振動沿著管道向兩邊傳播。將加速度傳感器吸附在管壁上采集管道振動聲信號，并希望通過選取和使用合適的特征，識別出存在泄漏的管道。管道泄漏過程包括三種泄漏事件：(1) 泄漏水流的摩擦；(2) 空化現象；(3) 泄漏口湍流。

泄漏水流摩擦聲的頻率成分與泄漏口粗糙度[12]和水流速度[13]相關。空化現象是泄漏口附近水壓降低導致的水中氣體形成空穴并湮滅，James認為[14]，空穴湮滅聲的中心頻率與空穴尺寸呈反比；Knapp給出了描述空化強弱的的空化數[15]，與流體流速和壓強相關。湍流是管內的正常流體受到泄漏影響而產生的紊流[16]，撞擊管壁產生的振動頻率與剪切速度相關[17]。另一方面，Fuller分析了管道振動的傳播特性[18,19]，認為充液管道中，振動信號的低頻部分大部分由流體傳播，而高頻成分由管壁和流體同時傳播；路煒則認為泄漏信號在管道上的傳播過程中存在頻散[20]。

但是實際檢測中，不同的管道結構、管道尺寸、泄漏口、流體流速、流體溶氣量和管內壓強等因素各不相同，會使采集到的泄漏事件聲的頻率分布出現波動。所以，頻域分布特征可以反映泄漏事件是否存在，但是不同泄漏信號的頻率分布會因為管道和泄漏的差異發生改變，不會固定為一種形式。

1.1 功率譜分布

功率譜分布參數(Power Spectral Distribution, PSD)反映了頻率域內能量分布情況，而泄漏信號頻域能量分布與泄漏物理過程相關，所以可使用功率譜分布識別泄漏。下面通過實際信號的功率譜進行說明，圖1、2分別是不同管道上泄漏和無泄漏信號的功率譜，采用壓電加速度傳感器ZW9515TA，采樣率=5000 Hz，并對功率譜作了歸一化。

圖1(a)和1(b)是在安靜環境中近距離采集的高信噪比泄漏信號的功率譜，可以看出泄漏信號成分分布在高頻段，但是不同管道泄漏頻率成分分布存在一定差異。圖1(c)、1(d)和1(e)表明高頻段內存在泄漏信號成分，但是混入了低頻噪聲。圖1(f)是經過長距離管道(150 m)后的泄漏信號，高頻成分衰減嚴重，與無泄漏信號功率譜圖2(d)相似。觀察圖2中的6幅無泄漏信號，頻率分布分散，但是因為噪聲使某個頻段較為突出，如圖2(a)的高頻成分突出，圖2(d)的低頻成分突出。所以，使用頻率分布特征可以反映泄漏的存在，但是并不能全部準確辨識，容易出現誤檢。

1.2 譜寬參數

譜寬參數(Energy Spectrum Width, ESW)能夠反映信號頻域的能量集中程度[21]。泄漏的物理過程導致了泄漏信號頻率集中在一定范圍內，所以能量集中程度是泄漏特征之一。譜寬參數的范圍是0~1，值越大表示能量越分散，值越小表示能量越集中。譜圖分辨率由信號采樣率和上限頻率決定，。采樣率為5000 Hz，通過改變能夠調整分辨率，分辨率低時，能夠得到頻譜的整體情況；分辨率高時，能夠描述更多0-500細節。將上限頻率選擇為500、1000、1500、2000和2500 Hz時，譜寬參數分別記為0-500、500-1000、1000-1500、1500-2000和2000-2500。表1和表2分別是多組有泄漏和無泄漏信號的譜寬參數，與圖1和圖2中信號一一對應。

表1中泄漏信號1、2是高信噪比泄漏信號，泄漏信號3~5混入了其他頻段的噪聲，泄漏信號6是經過長距離傳輸后采集的，表2中是不同管道上采集的無泄漏信號。對比表1和表2，泄漏信號1、2的信噪比高，泄漏頻率成分集中在一定頻率范圍內，頻域能量集中程度高，譜寬參數的值低；而泄漏信號3~6由于噪聲或長距離管道傳播后，頻率成分的分布范圍變廣，能量集中程度下降，譜寬參數的值變高。無泄漏信號1~6采集的是管道背景噪聲，頻率分布的集中程度低，譜寬參數的值高。泄漏信號1、2的譜寬參數值明顯低于各組無泄漏信號，而泄漏信號3~6難以與各組無泄漏背景噪聲區分。所以，譜寬參數要求信號具有較高的信噪比，對實際泄漏檢測而言，信號頻譜容易被噪聲干擾，使用譜寬參數不足以準確識別泄漏。

表1 泄漏信號的譜寬參數

表2 背景噪聲的譜寬參數

2 隨機性特征

管道泄漏是一種混沌現象[22]，它的運動過程是確定的，但是任何微小的初值改變或擾動都可能使運動過程產生顯著改變，所以無法通過計算準確地求出泄漏運動狀態。其中，湍流和空化的發生是確定但不可預測的，這與純粹的隨機運動類似；另一方面，每次空化或湍流產生的聲信號相似，且在一段時間內，發生的次數是大致平穩的；最后，泄漏水流與泄漏口的摩擦也會產生持續且規律的波形。綜合以上分析，泄漏信號同時包含了隨機性和規律性的成分，使泄漏信號隨機性弱于近似于白噪聲的背景噪聲，強于周期性噪聲，所以使用統計描述隨機性程度的特征可以用于泄漏識別，但是難以辨別與泄漏信號復雜度相近的噪聲。

多種參數可以描述信號隨機性，包括了近似熵、樣本熵和Lempel-Ziv復雜度，每種參數描述隨機性的側重點不同，且有各自的特點。

2.1 近似熵

Pincus提出的近似熵(Approximate Entropy, ApEn)是從信號的自相似程度對隨機性進行描述的[23]。近似熵通過統計信號內相匹配數據段的概率來描述隨機性。匹配的序列越多，信號越規律，近似熵值越低；匹配的序列越少，信號越隨機，近似熵值越高。匹配通俗地說法就是相似，所以近似熵實際上是從自相似程度的角度描述信號的隨機性。但是，近似熵高度依賴于數據的長度。當數據長度較短時，近似熵的理論偏差突顯出來，使結果存在較大偏差。此時，近似熵有可能不滿足相對一致性，即同種情況下采集的信號可能高于或者低于某一標準信號的近似熵。

2.2 樣本熵

為了改善近似熵的不足之處，Richman在近似熵理論基礎上發展得到了樣本熵(Sample Entropy, SampEn)[24]。理論分析認為，近似熵產生較大偏差和缺乏相對一致性的原因是計算過程中，匹配過程將自匹配也計算進入了最后的結果，而樣本熵的計算過程不包括自匹配，所以偏差程度低于近似熵。樣本熵實際是兩個信號連續個點相似的條件下，第+1個點依然相似概率的負自然對數。所以樣本熵也是從信號自相似程度上描述隨機性的。

2.3 Lempel-Ziv復雜度

Lempel和Ziv提出的Lempel-Ziv復雜度(LZC)[25]，是通過計算信號內新模式出現的速度描述隨機性的。周期信號的計算結果趨近于0，完全隨機信號的結果趨近于1，其余的在0和1之間。與熵相比，Lempel-Ziv復雜度具有以下一些優勢，它采用了二值化計算，所以抗噪聲能力強于熵，而且對于同樣長度的序列，計算量比熵小了3個數量級。

2.4 隨機性特征分析

計算了樣本庫中管道振動信號的隨機性范圍。樣本庫包含200組管道振動信號(100組無泄漏，100組有泄漏)。管道包括了供水管網主管道和各級分支管道，內徑范圍是100~1200 mm，泄漏口與傳感器距離范圍為0.5~291 m，管內水壓范圍是0.14~0.6 MPa，周圍環境包括了學校、小區和公路，所以此樣本庫能夠涵蓋實際檢測的各種情況。表3列出了樣本庫中無泄漏和有泄漏振動信號的隨機性范圍。

表3 樣本隨機性特征范圍

無泄漏信號隨機性的總體水平高于有泄漏信號的，但是兩者的范圍有重疊，處于交疊范圍內的樣本容易出現誤判。所以隨機性特征都能反映泄漏存在，但是無法設定一個界限將無泄漏和有泄漏信號全部準確區分，只使用隨機性特征難以完全準確識別泄漏。

3 泄漏檢測

3.1 單種特征的檢測對比

使用2.4節中的管道振動信號樣本庫進行泄漏檢測，以支持向量機作為分類器，核函數選擇為徑向基函數。近似熵和樣本熵的參數選擇為匹配長度=2，匹配容差=0.2，計算長度為2500點；Lempel-Ziv復雜度計算長度為10000點；功率譜分布參數為200~800 Hz，800~1400 Hz和1400~2000 Hz頻段所占比重。在以上參數設置的情況下，每種特征單獨使用時的識別準確率如表4所示。

表4 單種特征的識別準確率

統計特征中，識別準確率從高到低依次是樣本熵、近似熵和LZ復雜度，說明從信號自相似的角度描述隨機性的特征更加適合泄漏識別。頻域特征中，功率譜分布的準確率高于譜寬參數，說明信號的能量分布情況比能量集中程度更能反映泄漏的存在。

3.2 多特征的檢測對比

使用單種特征時，準確率均未能高于84%，所以對于實際泄漏識別而言，使用單種特征的方法并不可靠。于是，使用多特征組合對樣本庫中數據進行泄漏識別，包括同類型特征和不同類特征的組合。結果如表5所示，對角線上為單種特征的情況，其它位置為兩種特征組合的泄漏識別準確率。

使用兩種特征時，即使兩種特征是同一種類型的，準確率較使用一種特征的情形也有提高，普遍達到了80%以上。其中，使用功率譜分布和樣本熵的特征組合準確率達到了最高的93%。

表5 使用1~2種特征的準確率

特征數量從一種提高到了兩種以后，識別準確率有明顯提高。那么使用的特征數量進一步增加時，準確率是否會繼續提高。于是選取3種特征進行測試，結果如表6所示。

表6 使用3種特征的準確率

觀察表6，使用三種特征時的整體準確率略有提高，但最高準確率為92%，低于使用兩種特征時的最高準確率93%。

使用4種特征時，(ApEn，SampEn，LZC，ESW)的準確率為87%；(ApEn，SampEn，LZC，PSD)的準確率為91%；(ApEn，SampEn，ESW，PSD)的準確率為91%；(ApEn，LZC，ESW，PSD)的準確率為90%；(SampEn，LZC，ESW，PSD)的準確率為90%。使用5種特征時，(ApEn，SampEn，LZC，ESW，PSD)的準確率為89%。使用多種特征時，最高的準確率反而有所降低，低于使用樣本熵和功率譜分布參數時的93%，原因是其它特征對泄漏的敏感程度較低，加入特征向量后，使特征向量整體有效程度降低。

3.3 和泄漏無關噪聲的區別辨識

實際管道檢測中，可能存在的各種噪聲能夠耦合到管道上，對泄漏識別產生干擾。為了測試樣本熵和功率譜分布的特征組合對噪聲的魯棒性和排它性，在實際管道周圍人為制造了多種實際中常見并與泄漏無關的噪聲，進行辨識分析。

在距離無泄漏管道5 m范圍以內放置聲源，分別選擇人聲(男音歌曲、男聲朗讀、女音歌曲、女聲朗讀)、機械噪聲(電鉆鉆頭、汽車發動機)和人腳步聲總共7種自來水管網周圍的常見噪聲。使用樣本熵和功率譜分布參數對這7種噪聲進行辨識，均判斷為無泄漏信號。說明對于常見的外界噪聲，樣本熵和功率譜分布特征組合能夠正確判別，對噪聲具有排它性。

3.4 和泄漏相關噪聲的辨識

為了驗證此特征組合對泄漏本質的描述，制造了與泄漏相關的模擬噪聲進行測試。空化現象是泄漏物理過程中的重要組成，Knapp給出了用于描述空化狀態的無量綱空化數[15]，不同的對應不同強弱的空化活動。使用樣本熵和功率譜分布參數對實驗室采集的多組空化噪聲進行了測試[26]，值較大時(0.552，0.559，0.651)，空化活動弱，辨識為無泄漏；值較小時(0.455，0.418，0.333，0.306)，空化活動明顯，辨識為有泄漏。樣本熵和功率譜分布參數能夠正確識別出空化噪聲，而空化現象是管道泄漏過程中存在的物理事件之一，空化噪聲是泄漏聲中重要的組成，說明了使用樣本熵和功率譜分布作為特征，能夠識別出包含了空化噪聲的泄漏聲信號。

泄漏水流的摩擦也是泄漏事件之一。泄漏流速的估算范圍是4.47~15.8 m/s。使用物體在無泄漏管道上摩擦，模擬泄漏水流的摩擦聲。摩擦聲的頻率分布和隨機性特征都和摩擦速度相關，當摩擦速度低時(低于)，頻域分布較為分散，隨機性強，與背景噪聲類似；當摩擦速度高時(和相當)，頻域分布較為集中，隨機性弱。使用樣本熵和功率譜分布參數對摩擦聲進行辨識，當摩擦速度和相當時，判別為有泄漏，而摩擦速度低于時，判別為無泄漏，能夠正確辨識泄漏水流摩擦聲，說明此特征組合能夠辨識泄漏產生的水流摩擦聲。

為了進一步驗證此特征組合的辨識效果，使用水槍往管道上噴水，噴射速度和相近，同時模擬泄漏水流的摩擦聲和空化噪聲，能夠較好地反映真實泄漏情形。樣本熵和功率譜分布參數的特征組合將噴水聲辨識為有泄漏，說明此特征組合能夠準確辨識泄漏物理過程產生的聲信號，而管道泄漏過程中必然存在這些物理過程，所以使用此特征組合，能夠識別出持續產生泄漏噪聲的泄漏管道。

4 結論

樣本熵和功率譜分布特征組合對于大量實際管道振動樣本的辨識結果準確率達到了93%，并能把檢測環境中可能出現的與泄漏無關的噪聲辨識為無泄漏，而將泄漏物理過程中必然產生的與泄漏相關的噪聲辨識為有泄漏，說明了此特征組合能夠通過泄漏的物理本質識別泄漏，滿足對泄漏識別的有效性、對各種泄漏管道的普適性和對噪聲的排它性。此方法在供水管道上取得了良好的效果，對其他管道及無損檢測領域也有借鑒意義。

[1] 舒詩湖, 何文杰, 趙明, 等. 供水管網漏失檢測技術現狀與進展[J]. 給水排水, 2008, 34(6): 114-116.

SHU Shihu, HE Wenjie, ZHAO Ming, et al. Current application and recent development of leakage detection technologies in water supply networks[J]. Water Wastewater Engineering, 2008, 34(6): 114-116.

[2] Michael S. Detection of leaks in pipelines. US Patent, 5416724[P]. 1995.

[3] QIN Wan, Daniel Koch. Multichannel specteal analysis for tube leak detection[C]// Southeastconc Proceedings IEEE, 1993: 1-4.

[4] Osama Hunaidi, Wing T. Chu. Acoustical characteristics of leak signals in plastic water distribution pipes[J]. Applied Acoustics, 1999, 58: 235-254.

[5] QU Zhigang, FENG Hao, ZENG Zhoumo, et al. A SVM-based pipeline leakage detection and pre-warning system[J]. Measurement, 2010, 43: 513-519.

[6] 李光海, 劉時風, 耿榮生, 等. 聲發射源特征識別的最新方法[J]. 無損檢測, 2002, 24(12): 534-538.

LI Guanghai , LIU Shifeng, GENG Rongsheng, et al. The up-to-date methods for acoustic emission source recognition[J]. Nondestructive Testing, 2002, 24(12): 534-538.

[7] Majid Ahadi, Mehrdad Sharif Bakhtiar. Leak detection in water-filled plastic pipes through the application of tuned wavelet transforms to acoustic emission signals[J]. Applied Acoustics, 2010, 71(7): 634-639.

[8] 楊進, 文玉梅, 李平. 基于相關分析和近似熵的管道泄漏聲信號特征提取及辨識方法[J]. 儀器儀表學報, 2009, 30(2): 272-279.

YANG Jin, WEN Yumei, LI Ping. Feature extraction and identification of leak acoustic signal in water distribution pipelines using correlation analysis and approximate entropy[J]. Chinese Journal of Scientific Instrument, 2009, 30(2): 272-279.

[9] YANG Jin, WEN Yumei, LI Ping. Approximate entropy-based leak detection using artificial neural network in water distribution pipelines[C]//Control Automation Robotics Vision, 11th International Conference on, 2011, 1029-1034.

[10] 甄錦鵬. 供水管道泄漏聲信號特征分析[D]. 重慶: 重慶大學, 2014.

ZHEN Jinpeng. Characteristics analysis of water supply pipeline leakage acoustic signal[D]. Chongqing: Chongqing University, 2014.

[11] 文玉梅, 張雪園, 文靜, 等. 依據聲信號頻率分布和復雜度的供水管道泄漏辨識[J]. 儀器儀表學報, 2014, 35(6): 15-21.

WEN Yumei, ZHANG Xueyuan, WEN Jing, et al. Identification of water pipeline leakage based on acoustic[J]. Chinese Journal of Scientific Instrument, 2014, 35(6): 15-21.

[12] Boyko Stoimenova, Suguru Maruyamab, Koshi Adachia, et al. The roughness effect on the frequency of frictional sound[J]. Tribology International, 2007, 40(4): 659-664.

[13] Gilsoo Cho, Chunjeong Kim, Jayoung Cho, et al. Physiological signal analyses of frictional sound by structural parameters of warp knitted fabrics[J]. Fibers and Polymers, 2005, 6(1): 89-94.

[14] James Lighthill. Waves in fluids[M]. New York: Columbia University Press, 1978: 327-331.

[15] Knapp Robert T, Daily James W, Hammitt Frederick G. Cavitation[M]. New York: McGraw-Hill Book Company, 1970, Chapter 2.

[16] Langthjema M A, Moritab H, Nakamurac T, et al. A flexible rod in annular leakage flow: influence of turbulence and equilibrium offset, and analysis of instability mechanisms[J]. Journal of Fluids and Structures, 2006, 22(5): 617-645.

[17] Mccomb W D. The physics of fluid turbulence[M]. Oxford: Oxford University Press, 1990: 35-49.

[18] Fuller C R, Fahy F J. Characteristics of wave propagation and energy distributions in cylindrical elastic shells filled with fluid[J]. Journal of Sound and Vibration, 1982, 81(4): 501-518.

[19] Fuller C R. The input mobility of an infinite circular cylindrical elastic shell filled with fluid[J]. Journal of Sound and Vibration, 1983, 87(3): 409-427.

[20] 路煒, 文玉梅. 供水管道泄漏聲信號及傳播特性[J]. 聲學技術, 2007, 26(5): 871-876.

LU Wei, WEN Yumei. Leakage noise and its propagation in water pipeline[J]. Technical Acoustic, 2007, 26(5): 871-876.

[21] Cartwright D E, Longuet Higgins M S. The statistical distribution of the maxima of a random function[J]. Mathematical and Physical Sciences, 1956, 237(1209): 212-232.

[22] Hayashia S, Hayasea T, Kurahashib T. Chaos in a hydraulic control valve[J]. Journal of Fluids and Structures, 1997, 11(6): 693-716.

[23] Steven M Pincus. Approximate entropy as a complexity measure[J]. Chaos, 1995, 5(1): 110-117.

[24] Richman J S, Moorman J R. Physiological time series analysis using approximate entropy and sample entropy[J]. American Journal of Physiology, Heart and Circulatory Physiology, 2000, 278(6): 2039-2049.

[25] A Lempel, J Ziv. On the complexity of finite sequence[J]. IEEE Transactions on Information Theory, 1976, 22(1): 75-81.

[26] Yumei Wen, Manus Henry. Time frequency characteristics of the vibroacoustic signal of hydrodynamic cavitation[J]. Journal of Vibration and Acoustics, 2002, 124(4): 469-475.

Feature analysis of pipeline leakage acoustic signals for leak identification

FENG Xue-song, WEN Yu-mei, ZHEN Jin-peng, ZHANG Xue-yuan, LI Ping, WEN Jing

(Research Center of Sensors and Instruments, School of Opto-electronic Engineering, Chongqing University, Chongqing 400044, China)

Leakage acoustic signal of pipelines is originated from the concurrent events during leaking. This physical fact suggests that only by combining multiple features of the signal can a leak be uniquely identified. Reasonable selection and appropriate application of features is the key to develop a valid leak recognizing pattern. According to the mechanism ofleaking, the characteristics of randomness and frequency distribution are chosen as leak features. Since the randomness and frequency distribution can be described with various characteristics, a single characteristic and the combination of multiple characteristics from the same or different classes are compared for identifying leaks based on abundant acoustic signal samples collected from practical water-supplied pipelines .The Support Vector Machine is used for recognition. The recognition effect with two characteristics is better than that with a single characteristic, particularly the combination of sample entropy and power spectral distribution obtains the highest correct rate of 93%. However, more characteristics fail to produce further improvement in the correct rate of recognition. With the selected features, common noise and mimicked leakage sound can also be identified correctly.

pipeline leak identification; feature extraction; pattern recognition; frequency distribution; statistical property

TB533

A

1000-3630(2015)-05-0413-06

10.16300/j.cnki.1000-3630.2015.05.007

2014-10-15;

2015-01-21

國家自然科學基金資助項目(61174017)。

馮雪松(1991－), 男, 湖北宜昌人, 碩士研究生, 研究方向為泄漏信號識別。

文玉梅, E-mail: ymwen@cqu.edu.cn