基于信息增益的管道堵塞聲學(xué)檢測方法?

朱雪峰， 馮 早， 吳建德， 馬 軍

（1.昆明理工大學(xué)信息工程與自動化學(xué)院 昆明，650500）（2.昆明理工大學(xué)云南省人工智能重點實驗室 昆明，650500）

引言

供/排水管道是城市建設(shè)和社會發(fā)展的生命線，在管道運行狀態(tài)中，過載、疲勞、環(huán)境污染等因素會導(dǎo)致管道內(nèi)部出現(xiàn)裂縫、堵塞、泄漏等功能性缺陷，進而降低管道的使用壽命。堵塞是管道運行中普遍存在的一種現(xiàn)象，管道出現(xiàn)輕微堵塞時，如果不能夠被及時發(fā)現(xiàn)并加以處理，隨時間的推移，堵塞面積不斷增大，最終形成嚴重堵塞。嚴重堵塞將降低管道的運載能力和系統(tǒng)的可靠性，增加環(huán)境污染的可能性和系統(tǒng)的冗余性，并且導(dǎo)致系統(tǒng)中部分管道超壓，增加泄漏的可能性，最終造成水資源的嚴重浪費和環(huán)境污染［1］。若輕微堵塞能夠被及時發(fā)現(xiàn)并加以處理，就能最大限度地減少嚴重堵塞和多重堵塞造成的損失。由于管道深埋于地下，使得對其運行狀態(tài)的評估具有復(fù)雜性和挑戰(zhàn)性。因此，埋地管道運行狀態(tài)的無損檢測，對保證管道正常運行的高效性與可靠性具有重要意義，是城市基礎(chǔ)設(shè)施維護的重點和難點［2］。

迄今為止，已出現(xiàn)聽音法、機器人檢測法等多種檢測方法，但都有一定的缺陷。聽音法的檢測結(jié)果嚴重依賴人工經(jīng)驗。機器人檢測法是利用電荷藕合器件圖像傳感設(shè)備（charged coupled device，簡稱CCD）對管道內(nèi)部進行檢測，設(shè)備的購置價格和維護費用過高，檢測效率低。然而，聲學(xué)檢測作為一種無損檢測方法，具有操作簡單、檢測范圍長、成本低及不嚴重依賴檢測人員的主觀性等優(yōu)點，在檢測管道運行狀態(tài)中廣泛應(yīng)用。但在實際檢測中，聲波經(jīng)過聲阻抗不連續(xù)界面會發(fā)生不同程度的反射、折射、衍射等物理現(xiàn)象，造成在不同的頻率范圍內(nèi)，聲波對管道的運行狀態(tài)敏感度不同。因此，回波信號在不同頻率范圍內(nèi)攜帶的信息量不同，即不同頻率的分量特征權(quán)重各異。研究表明，在大多數(shù)（99%）管道泄漏的情況下，聲能主要集中在頻率范圍為0～100 Hz的低頻分量，這說明聲學(xué)信號具有明顯的頻域局部特征［3］。孫潔娣等［4］提出基于K-L散度的PF分量選擇算法，選取含有管道泄漏狀態(tài)的主要PF特征分量，從而完成對管道泄漏的定位。文玉梅等［5］利用頻譜內(nèi)能量分布的差異選擇各分量內(nèi)的特征向量，實現(xiàn)了供水管道泄漏的辨識。肖啟陽等［6］根據(jù)峭度值選取包含管道微小泄漏的沖擊成分分量，實現(xiàn)管道微小泄漏的檢測。以上的研究均是對管道泄漏狀態(tài)進行識別，對管道堵塞這方面的研究較少。但是，聲學(xué)信號在不同頻率范圍內(nèi)對堵塞的敏感程度受管道內(nèi)徑、長度、埋設(shè)情況等因素的影響，且與堵塞物大小和堵塞程度有關(guān)。因此，有必要在堵塞條件下對聲學(xué)信號不同頻率包含的特征信息量進行詳細分析。

基于上述分析，筆者首先對采集到的聲學(xué)信號進行離散小波變換（discrete wavelet transformation，簡稱DWT）；其次，利用信息增益（information gain）簡化和篩選分量；最后，對篩選后的分量進行聲壓級變換，提取梅爾頻率倒譜系數(shù)（mel frequency cepstral coefficients，簡稱MFCC），作為特征向量輸入至極限學(xué)習(xí)機（extreme learning machine，簡稱ELM）中，實現(xiàn)了管道運行狀態(tài)的分類識別，對管道不同程度堵塞的檢測具有重要的實際意義。

1 管道堵塞識別的時頻分析原理

1.1 基于信息增益的聲學(xué)信號處理

采用聲波的“直入射”方法對管道運行狀態(tài)進行檢測時，聲學(xué)信號攜帶足夠的信息來識別管道的缺陷和堵塞。然而，聲學(xué)信號中包含體波、共振波、導(dǎo)波、散射波等各種成分和噪音，具有復(fù)雜的非線性和非平穩(wěn)特性。

離散小波變換［7］是根據(jù)被分析信號的特征，選擇與信號頻譜相匹配的頻帶進一步分解，從而對信號進行全面的時頻分解，提高時頻分辨率，也就是說離散小波變換是對滿足條件的頻段進行分解，其中，db系列的小波基是故障診斷中常用的［8］。假設(shè)原始信號x(n)中的頻率范圍是[0，fs]，則每個節(jié)點的頻率段為fs/n2，分解后獲得多個分量，部分分量與管道堵塞信息緊密相關(guān)，而其他的分量則與堵塞無關(guān)或是噪聲干擾成分。因此，有必要對分量信息進行篩選，為此提出一種基于信息增益的分量篩選方法。

基于信息增益篩選分量的基本原理如下：給定樣本集D和連續(xù)屬性a，假定a在D上出現(xiàn)n個不同的取值，將這些值從小到大進行排序，記為{a1，a2，...，an}。相鄰 的屬性取 值ai與ai+1，t在區(qū) 間[ai，ai+1]取任意值所產(chǎn)生的劃分結(jié)果相同。因此，對于連續(xù)屬性a，把區(qū)間[ai，ai+1]的中位點作為候選劃分點，劃分點t可將D給定樣本集分為子集，其中屬性a的取值范圍小于或等于t的樣本為，屬性a的取值范圍大于t的樣本為其信息增益［9］的計算公式為

其中：Gain(D，a，t)是給定樣本集D基于劃分點t二分后的信息增益。

基于信息增益篩選分量選擇的主要步驟如下：

1）計算給定樣本集D；

2）對于每個屬性a即分量，計算信息增益Gain(D，a，t)和劃分點

3）篩選Gain(D，a，t)的最大值，并將對應(yīng)的分量選擇為決策樹的根節(jié)點；根據(jù)計算得到的劃分點，將樣本集D分裂為兩份，其中大于t的樣本為小于或等于t的樣本為4）將剩余的分量作為前節(jié)點的數(shù)據(jù)集，選取信息增益最大的分量為根節(jié)點分裂的非葉子節(jié)點；

5）對于每一個分量，如果信息增益值大于給定閾值，則重復(fù)步驟3和步驟4；

6）如果最大信息增益小于一個給定閾值，則停止分量選擇，完成分量篩選。

聲壓級變換（sound pressure level，簡稱SPL）［10］使聲學(xué)信號在相對于振幅較高的成分中，振幅較低的成分得以拉高，以便觀察掩蓋在低振幅噪聲中的特征信號。因此，采用聲壓級變換對聲學(xué)信號內(nèi)容進行放大，增加不同程度堵塞之間的區(qū)分度，使管道不同運行狀態(tài)的特征信息在后續(xù)分解中更易提取。聲壓級計算公式為

其中：pe為原始聲學(xué)信號的聲壓有效值；p0為參考聲壓的有效值，文中參考聲壓取1×10-5Pa。

1.2 基于MFCC和ELM的管道堵塞識別

當(dāng)聲波沿著管道軸線傳播時，遇到堵塞物會出現(xiàn)共振波，峰值會發(fā)生相應(yīng)變化，峰值為共振峰，表示堵塞物的主要頻率成分，而共振峰攜帶管道運行狀態(tài)的辨識屬性，利用梅爾頻率倒譜系數(shù)［11］來描述共振峰的信息，達到提取管道不同運行狀態(tài)特征參數(shù)的目的。

極限學(xué)習(xí)機因具有結(jié)構(gòu)簡單、學(xué)習(xí)速度快等優(yōu)點得到廣泛應(yīng)用。Huang等［12］提出的一種針對訓(xùn)練單隱藏層前饋神經(jīng)結(jié)構(gòu)（single hidden layer feed forward neural network，簡稱SLFN）的極限學(xué)習(xí)機算法，并將其應(yīng)用在故障診斷中，其具有參數(shù)調(diào)整簡單、學(xué)習(xí)速度快、隨機產(chǎn)生并后續(xù)不需要實時調(diào)整連接權(quán)值以及隱含節(jié)點閾值等顯著特點。

ELM的網(wǎng)絡(luò)輸出為

設(shè)

ωi與bi為隨機生成，這使得ELM直接產(chǎn)生全局最優(yōu)解，其求解最終轉(zhuǎn)化成范數(shù)最小二乘解，求解速度快。

ELM的優(yōu)化目標(biāo)為

其中：C為懲罰系數(shù)。

式（5）可有以下求解

其中：(HTH+CI)⊥為矩陣HTH+CI的morepenrose廣義逆；H為隱藏節(jié)點的輸出；T為期望輸出。

極限學(xué)習(xí)機的學(xué)習(xí)速度非?？?，在ωi和bi隨機賦值并且保持不變的情況下，僅需要確定輸出權(quán)重β來逼近任意訓(xùn)練的樣本即可。而傳統(tǒng)的基于梯度下降的BP神經(jīng)網(wǎng)絡(luò)模型每次迭代需要調(diào)整n?(L+1)+L?(M+1)個值，且BP神經(jīng)網(wǎng)絡(luò)模型為了保證系統(tǒng)的穩(wěn)定性通常選擇較小的學(xué)習(xí)率，易出現(xiàn)學(xué)習(xí)時間加長、陷入局部最優(yōu)、過擬合等問題。鑒于ELM的優(yōu)點，文中選用該方法對處理后管道運行狀態(tài)信號進行識別。

1.3 基于聲學(xué)檢測的管道堵塞識別系統(tǒng)流程

針對埋地管道不同程度堵塞特征難以提取的問題，筆者提出了一種將離散小波變換、信息增益、聲壓級、梅爾頻率倒譜系數(shù)以及極限學(xué)習(xí)機相結(jié)合的堵塞識別方法，其具體步驟如圖1所示。

圖1 基于聲學(xué)檢測的管道堵塞識別系統(tǒng)流程Fig.1 Blockage detection system based on acoustic technology

1）分別選取管道正常運行狀態(tài)、堵塞運行狀態(tài)、多重堵塞運行狀態(tài)的聲學(xué)信號進行頻域分析，初步觀察得到不同運行狀態(tài)的特征頻率；

2）根據(jù)特征頻率，對聲學(xué)信號進行離散小波變換，獲得表征原始信號特征不同頻率的分量信號；

3）對離散小波包分解得到的各個分量計算信息增益，分量的信息增益值根據(jù)決策樹篩選原則進行篩選，設(shè)定一個閾值，將篩選后的信息增益值與設(shè)定的閾值進行比較，若該分量信號的信息增益值小于閾值，則停止篩選；

4）對信息增益值篩選后的分量信號進行聲壓級變換；

5）提取聲壓級變換之后聲學(xué)信號的梅爾頻率倒譜系數(shù)作為特征集合；

6）將特征集合輸入至極限學(xué)習(xí)機分類器，得到管道運行狀態(tài)的識別。

2 管道堵塞檢測平臺搭建

如圖2所示，實驗室搭建了管道堵塞的聲學(xué)檢測實驗平臺［13］。本實驗采用黏土制成的半圓柱體模擬堵塞物，激勵信號選取正弦掃頻信號，因為正弦掃頻信號的頻帶可以按需求調(diào)節(jié)，用它去激勵多自由度的系統(tǒng)時，可以使聲學(xué)信號對管道敏感的頻率范圍內(nèi)能量集中，易于激發(fā)出該頻段內(nèi)所需的信息，多用于戶外檢測使用的激勵信號。實驗參數(shù)如下：黏土管道直徑為150 mm，長為14.4 m。檢測時，使用裝有LabVIEW軟件的計算機控制虛擬儀器產(chǎn)生頻率為100～6 000 Hz的正弦掃頻信號，然后通過ILBVIEW軟件的DAQ助手，控制NI PXIe-6363數(shù)據(jù)采集卡的模擬輸出端口，輸出模擬電壓信號，經(jīng)過功率放大器放大后，驅(qū)動聲卡產(chǎn)生音頻信號，通過揚聲器將音頻信號發(fā)射至管道中，作為激勵信號源，該聲波信號在管道內(nèi)部與聲阻抗不連續(xù)界面經(jīng)過復(fù)雜的相互作用，被置于管道首端的麥克風(fēng)接收回波信號，經(jīng)濾波器濾波后上傳至計算機中存儲，濾波器的濾波范圍為100～4 000 Hz，采樣頻率為44 100 Hz，通過分析接收的信號確定管道內(nèi)部聲學(xué)性能的變化，其中選用Analog Devices Inc公司型號為LM4950的功率放大器，選用Visaton公司型號為FR874OHM的 揚 聲 器，選 用Knowles Acoustics公司型號為SPM0208HE5的麥克風(fēng)。

圖2 管道堵塞檢測實驗平臺圖Fig.2 Experimental platform of blockage detection

為模擬實際工況，在圖2所示的實驗平臺上分別進行不同程度堵塞的實驗，管道中有水流動用來模擬正常排水管道的運行條件，水流的速率由水泵設(shè)定，本實驗中模擬水流的最大速率為7 L/s，其他模擬水流速率為：0.42，1.00，1.80，4.25和6.10 L/s，用來形成不同高度的管內(nèi)水位。實驗室定義管道堵塞程度為堵塞物高度占管道橫截面高度的百分比，高度為20，40和55 mm的模擬堵塞物分別放置在直徑為150 mm的管道中，這些剛性、無孔的堵塞物高度分別占管道截面積的13%，26%和37%，近似認定為輕微堵塞狀態(tài)、中度堵塞狀態(tài)和中重度堵塞狀態(tài)。

管道的運行狀態(tài)在本研究中設(shè)定為：正常運行空管狀態(tài)；正常運行狀態(tài)的空管中有常規(guī)部件三通件；存在單個堵塞物的運行狀態(tài)（包括高度為20 mm的堵塞物、高度為40 m的堵塞和高度為55 mm的堵塞；多重堵塞（包括40 mm堵塞和55 mm堵塞同時存在并放置在管內(nèi)不同位置、40 mm堵塞和三通件同時存在、55 mm堵塞和三通件同時存在、40 mm堵塞物、55 mm堵塞和三通件同時存在））共計9種管道運行狀態(tài)。每種運行狀態(tài)的樣本數(shù)有40組，總計360組。

3 實驗結(jié)果與分析

3.1 聲學(xué)檢測信號分析

聲學(xué)信號在管道中傳播時，與管壁、堵塞物以及三通件發(fā)生碰撞，產(chǎn)生反射、折射和衍射，選擇典型管道運行狀態(tài)下的聲學(xué)信號的時域和頻域波形如圖3所示。

圖3 直入射聲學(xué)檢測信號時域和頻域波形圖Fig.3 Direct incidence acoustic waveform in time domain and frequency domain

如圖3所示，橫坐標(biāo)的“距離”是聲波在管道中的傳播距離，便于在時頻域圖中確定管道尾端、堵塞物和三通件的大致位置。文中傳播距離等于傳播時間乘以聲音在空氣中的傳播速度（約340 m/s），因為在排水管道中，水流占管道橫截面積的20%，聲音多在空氣中傳播。圖3（a）為原始信號的時域波形圖，難以在時域波形中分辨出堵塞物的位置和堵塞物的大小，甚至和管道配件（三通件）混淆難以區(qū)分，主要原因在于環(huán)境噪聲的存在和不同的物體對不同范圍的頻帶響應(yīng)不同。從圖3（b）的頻譜波形圖可知，堵塞物和三通件對超過6 000 Hz以上的頻率范圍不敏感，因此在頻域上頻率超過6 000 Hz之后，幅值不明顯。因此，對信號的下一步降噪和分解頻率范圍都在5 000 Hz以內(nèi)，引入離散小波變換，從信噪比較低的原始聲學(xué)信號中提取出包含特征信息的分量。

根據(jù)此特點，對采樣頻率為44 100 Hz的聲學(xué)信號進行6層離散小波變換，如圖4所示。圖中：x為離散的聲波輸入信號；h為高通濾波器；g為低通濾波器；↓2為降采樣濾波器。經(jīng)過第1層離散小波變換，聲學(xué)信號x被分解成頻率范圍為0～22 050 Hz的低頻分量和頻率范圍為22 050～44 100 Hz的高頻分量，去除高頻噪聲分量；對頻率范圍為0～22 050 Hz的低頻分量繼續(xù)第2層離散小波變換，得到頻率范圍為0～11 025 Hz的低頻分量和頻率范圍為11 025～22 050 Hz的高頻分量，不滿足頻率范圍低于5 000 Hz的要求，去除高頻噪聲分量；依次經(jīng)過6層離散小波變換，聲學(xué)信號被分割成8個分量，其頻 率 由 低到高排列：0～689，689～1 378，1 378～2 068，2 068～2 757，2 757～3 446，3 446～4 134，4 134～4 823，4 823～5 513 Hz。

為便于分析和觀察，選取典型管道的運行狀態(tài)進行能譜圖分析。從圖5（a）中可知，顏色越淺表示此處的能量越大，從正常管道的能譜圖可以看出，信號的能量主要集中200～1 000 Hz頻率范圍內(nèi)，除管道首端和尾端能量聚集，其他位置無能量聚集。對于單個堵塞和三通件，從圖5（b），（c）中可知，當(dāng)管道中有三通件和堵塞物時，能量在此處具有良好的時頻聚集性，且與聲學(xué)理論相符合，能量在堵塞物處聚集，在三通件處稍微發(fā)散。對于多重堵塞，從圖5（d），（e），（f）中可知，隨著堵塞物的增加，各堵塞物和三通件間的能量逐漸衰減，不同運行狀態(tài)的能量出現(xiàn)的頻段仍保持相對穩(wěn)定，但管道中存在兩個堵塞和三通件時，出現(xiàn)了能量的交疊。能譜圖能準(zhǔn)確定位管道首端、尾端、堵塞及三通件的位置，但無法準(zhǔn)確判定管道不同的運行狀態(tài)，因此需要進一步對管道運行狀態(tài)進行識別研究。

圖4 6層離散小波變換Fig.4 Six-level wavelet decomposition tree

圖5 管道運行狀態(tài)能譜圖Fig.5 Energy spectrum of pipeline operation state

由于不同頻率的聲波以不同的速率在反射面不同程度的反射，因而信號強度和在不同頻率范圍內(nèi)對管道的運行狀態(tài)敏感度不同。分量中與管道堵塞無關(guān)的特征分量會給分類帶來干擾，導(dǎo)致分類的精度降低［14］。

分量篩選的目的是簡化特征空間，剔除復(fù)雜度，提高系統(tǒng)性能。一個分量能夠為分類模型帶來的信息越多，則該分量越重要，分類模型中它的有無將導(dǎo)致信息量發(fā)生較大變化，而前后信息量的差值就是這個分量給模型帶來的信息增益。因此，采用信息增益從8個原始分量中篩選出M個有效分量來識別管道的不同運行狀態(tài)?；谛畔⒃鲆婧Y選有效分量的主要步驟如下。

1）計算給定樣本集D。選擇9類管道運行狀態(tài)，每個運行狀態(tài)各40個樣本，共計360個樣本，每個樣本有8個分量組成數(shù)據(jù)集D。

2）計算信息增益。根據(jù)式（1）計算得到360個樣本的信息增益和相應(yīng)的劃分點。

3）根節(jié)點選擇。如圖6（a）所示，8個分量中“分量4”的信息增益值最大，選擇為決策樹的根節(jié)點；根據(jù)計算得到的劃分點，把數(shù)據(jù)集D分裂為兩份。

4）子節(jié)點選擇。對于剩下的7個分量，采用步驟2計算信息增益，選擇信息增益最大的分量為決策樹的葉節(jié)點。如圖6（b）所示，“分量1”是數(shù)據(jù)集D小于等于分量4中信息增益最大分量，選為第2層左子樹的子節(jié)點。如圖6（c）所示，“分量8”是數(shù)據(jù)集D大于分量4中信息增益最大值，選為第2層右子樹的子節(jié)點。經(jīng)過第2層以后，數(shù)據(jù)被分為4份。

5）離散小波包分量剩下的5個，采用步驟2計算信息增益，信息增益給定閾值為0.1。如圖6（d）所示，“分量6”是第3層左子樹中信息增益最大，如圖6（e）所示，“分量3”是第3層右子樹中信息增益最大。

6）經(jīng)過第3層篩選后，最大信息增益小于給定閾值0.1，停止并完成分量的篩選。

圖6 信息增益計算圖Fig.6 Information gain calculation diagram

決策樹的根節(jié)點為第1層信息增益最大值分量是分量4，經(jīng)過第2層篩選，在左節(jié)點中信息增益最大的分量是分量1，右節(jié)點的最大分量是分量8，同理經(jīng)過最后一層的篩選，只有左節(jié)點分量的信息增益值大于閾值，因此第3層的分量為分量6和分量3。由圖6可知，信息增益篩選后的分量為4，1，8，6，3。

對信息增益篩選后的分量進行聲壓級變換，增加不同分量之間的區(qū)分度，以便于提取特征。聲壓信號和聲壓級變換后信號的對比圖如圖7所示。

由圖7（a）可知，對于正常運行的管道有無三通件，其信號的拐點不易區(qū)分。由圖7（b）可知，經(jīng)聲壓級變換后的信號拐點能明顯區(qū)分，離散小波變換能直接去除信號中高頻噪聲，聲壓級變換能更好地反映信號的局部特征，增加不同運行狀態(tài)之間的區(qū)分度，提高聲學(xué)信號的敏感度。

圖7 聲壓級變換圖Fig.7 Conversion diagram of sound pressure level

3.2 管道堵塞識別

分別采集正常管道、堵塞管道、多重堵塞管道的聲學(xué)信號，共計360個樣本，根據(jù)上文信號處理方法對信號進行相關(guān)處理，然后提取其MFCC特征。管道360個樣本的梅爾頻率倒譜系數(shù)能夠從總體上反映出管道正常運行和堵塞運行狀態(tài)的差異，管道運行狀態(tài)中有堵塞時，梅爾頻率倒譜系數(shù)有明顯的變化，具體分析如下：MFCC隨著堵塞程度的加深變化趨勢比較混亂，各分量曲線的波動大，說明MFCC對管道堵塞更為敏感。聲波在管道中傳播時，遇到三通件等管道的橫向連接，在一系列頻率范圍內(nèi)信號均勻地反射，而遇到堵塞物，聲波以非均勻模式反映信號的強度。因此，梅爾頻率倒譜系數(shù)可作為管道運行狀態(tài)的識別依據(jù)。

隨機選取另一組的聲學(xué)檢測信號作為測試樣本，包括9類管道運行狀態(tài)，各20組樣本，總計180組樣本，分別提取8個分量，主成分分析篩選（principle component analysis，簡稱PCA）、信息增益篩選后4，1，8，6，3分量的特征參數(shù)集MFCC，分別輸入至ELM模型，測試管道運行狀態(tài)識別的準(zhǔn)確率，識別結(jié)果如表1所示，表中LC為三通件（lateral connection，簡稱LC）。

表1 ELM的識別準(zhǔn)確率Tab.1 The accuracy rate of ELM recognition

由表1可知，經(jīng)篩選后管道運行狀態(tài)聲學(xué)信號的識別率準(zhǔn)確率較篩選前有明顯的提高，說明分量篩選的有效性，不同分量之間特征參數(shù)的信息量不一樣。相比較利用PCA篩選分量，信息增益篩選分量的準(zhǔn)確率高，這說明基于信息增益篩選分量的方法能最大程度的保留數(shù)據(jù)特征信息以及減少分量中冗余及噪聲特征的干擾的方式，提高了模型的識別精度。但對于管道的多重堵塞，識別準(zhǔn)確率只有

50%～60%。

為進一步驗證本研究方法的有效性，利用信息增益篩選分量，分別采用支持向量機（support vector machine，簡稱SVM），BP神經(jīng)網(wǎng)絡(luò)（back propagation，簡稱BP）和ELM來進行識別，并對識別結(jié)果進行比較，如表2，3所示。

由表2可知，若正常運行的管道和管道中只有單個堵塞時，基于SVM，BP神經(jīng)網(wǎng)絡(luò)、ELM的方法，篩選前對管道運行狀態(tài)的識別準(zhǔn)確率平均結(jié)果分別為76.6%，76.0%和77.4%，整體低于80%，識別準(zhǔn)確率結(jié)果偏低。篩選后的識別結(jié)果分別是83.2%，87.4%和94.8%，識別準(zhǔn)確率明顯提高。通過上述分析可知：利用信息增益篩選后的分量包含更多的管道運行狀態(tài)的特征，分量的篩選對特征提取是有效的，它不僅能大幅度減少數(shù)據(jù)量，也能夠用更少的識別時間來實現(xiàn)高準(zhǔn)確率的識別。

上述結(jié)果表明，筆者所提出的方法不僅能有效識別運行狀態(tài)下管道的程度堵塞，而且能夠排除三通件等常規(guī)管道部件對堵塞識別的影響，提高管道狀態(tài)的識別準(zhǔn)確率。對管道的多重堵塞采用相同的信號處理方法，得到不同分類器的識別準(zhǔn)確率，如表3所示。

表3 管道多重堵塞的不同分類器識別準(zhǔn)確率Tab.3 Recognition accuracy using different classifi?ers for multiple blockages in the pipe %

當(dāng)管道中存在多重堵塞時，基于SVM，BP神經(jīng)網(wǎng)絡(luò)、ELM的方法篩選前的識別平均結(jié)果分別為56.5%，58.5%和56.5%，都低于60%，整體偏低。這是因為采用“直入射”的聲波對管道多重堵塞進行檢測，其聲學(xué)信號由兩部分組成，首先出現(xiàn)的是共振波模態(tài)，其次是“類導(dǎo)波”模態(tài)，對于多重堵塞或堵塞物和三通件共存的管道，聲波的衰減強烈，造成共振波與“類導(dǎo)波”混疊，難以對多個堵塞進行準(zhǔn)確的識別。今后可針對如何提高多重堵塞檢測的識別準(zhǔn)確率展開研究。

表2 單個堵塞管道的不同分類器識別準(zhǔn)確率Tab.2 The recognition accuracy using different clas?sifiers for single blockage into pipe %

4 結(jié)束語

目前，管道堵塞的聲學(xué)信號與堵塞類型、形狀、大小等因素有關(guān)，受管道材料、管徑大小、水流量、管道壓力以及周圍環(huán)境的影響。為了揭示管道堵塞信號的傳播機理，提高堵塞識別準(zhǔn)確率，筆者提供一種快速、客觀和準(zhǔn)確的方法來識別埋地管道堵塞的特征。針對離散小波變換后只有部分的分量包含管道堵塞信號的問題，提出基于信息增益的分量篩選方法，有效提取包含大量堵塞信息的特征分量，信號中有用的信息得到保留，又為深層次地挖掘信息起到十分關(guān)鍵的作用。對正常聲學(xué)信號和帶有三通件管道的聲學(xué)信號進行聲壓級變換，對比兩種信號的聲壓級波形，發(fā)現(xiàn)聲壓級變換能有效的從混合信號中反映管道運行的局部特征，增加不同運行狀態(tài)之間的區(qū)分度。將MFCC的特征參數(shù)與ELM分類器相結(jié)合，能夠準(zhǔn)確地從含有噪聲的聲學(xué)信號中提取出堵塞特征，有效的識別管道不同程度的堵塞。但由于管道拓撲結(jié)構(gòu)和檢測環(huán)境的復(fù)雜性，管道所處環(huán)境、堵塞形式、管道聲學(xué)傳播特性的多樣性，使得對于管道的多重堵塞問題還需要進一步探索與研究，主要包括以下兩方面：研究聲波在多重堵塞管道中的傳播特性、規(guī)律，建立聲波傳播模型和堵塞可能性預(yù)測模型。同時，研究主動聲波檢測技術(shù)，即向管道施加特殊激勵信號，通過管道傳播后，收集含有管道信息的信號，得到管道運行狀態(tài)的內(nèi)在的各種信息。研究包括：激勵信號的類型、波長、頻率選擇；聲場分布；信號在不同管道材質(zhì)的衰減及傳播方式。