CN102269972A - 基于遗传神经网络的管道压力缺失数据补偿方法及装置 - Google Patents

Abstract

一种基于遗传神经网络的管道压力缺失数据补偿方法及装置，属于管道检测技术领域。包括A/D数据采集单元、DSP数据处理单元和ARM-Linux数据采集控制单元；A/D数据采集单元包括变送器、多路复用器、仪表放大器和A/D数据采集模块；DSP数据处理单元包括数据缓存器、DSP芯片和扫描表；ARM-Linux数据采集控制单元包括ARM处理器、ARM液晶显示屏和GPS模块；采用该装置的补偿方法，包括：1、采集模拟信号；2、对采集信号滤波；3、提取特征指标；4、对特征指标进行降维处理；5、对网络训练；6、检测管道压力数据，判断有无缺失数据。本发明优点：用于远程传输文件，效果不失真，还原系统当时运行状态。

Description

基于遗传神经网络的管道压力缺失数据补偿方法及装置

技术领域

本发明属于管道检测技术领域，特别涉及一种基于遗传神经网络的管道压力缺失数据补偿方法及装置。

背景技术

随着十几年来经济的飞速发展，输油管道泄漏检测技术也有着长足的进步，但是在输油管道运行过程中，腐蚀、自然与地质灾害、违章施工、打孔盗油等多种情况，都可能造成管道泄漏，甚至引起爆炸、燃烧，导致人员伤亡和环境污染等严重事故，产生较大经济损失和恶劣社会影响。因此，对于输油管道安全性的要求也日益提高。输油管道的压力数据对于检测管道泄漏和漏点定位有着重要的研究意义和价值。运用当今的技术手段，可以从这些数据中分析出输油管道系统在某一时刻的运行状态，这便于工作人员第一时间发现和解决不安全因素。然而，在管道压力数据采集的过程中可能出现传感器故障、AD采集故障、数据存储故障和网络通信故障等未知情况，这些情况都可以造成管道压力数据的不完整，使管道的实时信息失去连续性，进而管道的压力数据不能构成完整的、有效的时间序列，这将对管道实时信息的获取和研究产生严重的影响。目前，在输油管道泄漏检测技术领域，针对压力数据的缺失问题还没有很好的解决办法。

发明内容

针对现有技术存在的不足，本发明提供了一种基于遗传神经网络的管道压力缺失数据补偿方法及装置。

该装置包括A/D数据采集单元、DSP数据处理单元和ARM-Linux数据采集控制单元；

其中A/D数据采集单元包括变送器、多路复用器、仪表放大器和A/D数据采集模块；

DSP数据处理单元包括数据缓存器、DSP芯片和扫描表；

ARM-Linux数据采集控制单元包括ARM处理器、ARM液晶显示屏和GPS模块；

该装置中采集压力、流量、密度参数的变送器安装在管道内，采集压力、流量、密度参数的变送器输出端接入多路复用器的输入端，多路复用器的输出端连接到仪表放大器的输入端，仪表放大器的输出端连接A/D数据采集模块输入端，A/D数据采集模块的输出端连接数据缓存器的输入端，数据缓存器的输出端连接到DSP芯片的输入端，DSP芯片的输出端连接到ARM处理器的输入端，ARM处理器的输入输出端连接GPS模块的输入输出端，ARM液晶显示屏的输出输入端连接ARM处理器的输入输出端，DSP芯片的输出端连接扫描表的输入端，扫描表的输出端分别连接多路复用器和仪表放大器的输入端。

采用该装置进行管道压力缺失数据补偿方法，按如下步骤进行：

步骤一：变送器采集的模拟信号通过多路复用器后，其中压力信号被选中，进入仪表放大器，放大之后进入A/D数据采集模块；

步骤二：经过A/D数据采集模块转换后的数据通过数据缓存器进入DSP芯片进行处理，DSP芯片采用低通切比雪夫滤波算法对传送来的数据进行滤波，将大于1KHz的高频信号滤除，消除外界对输油管道信号造成的较大扰动；

步骤三：根据输油管道的压力信号呈现出的统计特性，选取压力特征提取指标，尽管特征指标能够反映管道压力所包含的信息，但是对于管道压力缺失数据补偿并不一定都有效。对这些已选取的特征指标进行进一步的提取，即主成分分析PCA(Principal ComponentAnalysis)；

步骤四：设步骤三所得到的m个特征指标为X₁，X₂，…，X_m，将要通过PCA提取得到的特征指标为t₁，t₂，…，t_k，其中k＜m，采用累积方差贡献率法对步骤三所得到的特征指标进行降维处理；方法按如下步骤进行：

步骤1、由第三步得到的m个特征指标、n个数据向量样本组成检测数据矩阵X，对检测数据矩阵中的数据作归一化处理，设X的均值向量为μ，标准差向量为σ，则归一化的过程变量为

${\tilde{x}}_{\mathrm{ij}}=(x_{\mathrm{ij}}-{\mathrm{\μ}}_j)/{\mathrm{\σ}}_j,i=\mathrm{1,2}\mathrm{\Λ},n;j=\mathrm{1,2}\mathrm{\Λ},m---\left(1\right)$

其中：x_ij为检测数据矩阵X的元素，i为矩阵X的行数，j为矩阵X的列数；

μ_j和σ_j分别为第i个数据向量x_i的均值和标准差；

m为特征指标的数量，n为数据向量样本个数；

i，j，m，n均属实数；

记归一化后的检测数据矩阵为

的协方差矩阵为E，通过MATLAB软件中的EIG函数来计算协方差矩阵E的m个特征值λ_j，进而得到对应的单位化正交特征向量P_j；

步骤2、计算第j个主元

$q_j=\tilde{X}{P}_j---\left(2\right)$

步骤3、建立如下主元模型

$\hat{X}=q_1{P}_1^T+q_2{P}_2^T+\mathrm{\Λ}+q_m{P}_m^T---\left(3\right)$

其中：q_j为第j个主元；P_j为第j个负荷向量，每对q_j，P_j都是按特征向量P_j的特征值λ_j的降幂排列，其中第一对截获了所有分解的负荷向量和主元向量对中最大信息量；

步骤4、通过计算累积方差贡献率确定主元：

累积方差贡献率： ${\mathrm{\η}}_k=[\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\λ}}_j/\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_j]\×100\%$

其中：k表示含最大信息量的最少主元数

通过以上过程计算后，由各主元的累计方差贡献率的大小确定k值，最终确定遗传神经网络训练的输入矩阵的特征指标t₁，t₂，…，t_k；

步骤五：将步骤四得到的特征指标作为遗传神经网络训练的输入矩阵，按4∶1的比例将样本矩阵分成训练数据和测试数据，由遗传神经网络预测输油管道压力缺失数据，网络的训练具体过程如下：

步骤1、GIF Elman神经网络参数编码

采用实数编码，一个实数对应于一个具体的待优化的网络参数，编码串的长度为参数个数的总和，GIF Elman全信息反馈神经网络的输出层节点数R，隐含层节点数S1，输出层节点数S2，承接层1节点数S1和承接层2的节点数S2，以及它们的连接权组成的编码长度如下：

S＝R×S1+S1×S1+S1×S2+S2×S2+S2×S1+S1+S2    (4)

其中：R×S1为输入层至隐含层连接权IW{1，1}中权值的个数，S1×S1为承接层1至隐含层连接权LW{1，1}中权值的个数，S1×S2为隐含层至输出层连接权LW{2，1}中权值的个数，S2×S2为承接层2至输出层的连接权LW{2，2}中权值的个数，S2×S1为承接层2至隐含层连接权LW{1，2}中权值的个数；

步骤2、产生初始种群

设M为种群的大小，即种群中所含个体的数量，整数M一般取值为[20，100]之间，遗传优化程序中选取M＝50；G为遗传算法终止进化代数，G的取值范围为[100，500]之间的整数，遗传优化程序中选取G＝100；随机产生T个染色体串，染色体串的编码长度由式(4)确定；

步骤3、计算个体适应值

在遗传算法中，以个体适应度的大小来确定该个体被遗传到下一代个体中的概率。适应度函数是遗传算法指导搜索的唯一信息，它的好坏是衡量算法优劣的关键。将适应度函数取为输出端的平方误差的倒数，即对第i个体，其适应度函数为

$f_i=\frac{1}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\left|e\left(k\right)\right|}=\frac{1}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\frac{1}{2}|y_i\left(k\right)-y_{\mathrm{mi}}\left(k\right)|}---\left(5\right)$

f_i为第i个染色体串的适应度值，i＝1，2...，T，f_i越大，适应度越高。y_i(k)、y_mi(k)分别是对应第i个染色体串样本k的期望输出和GIF Elman网络输出。其中，N为训练样本总数。

步骤4、选择操作

选择用来实施适者生存的原则，即把当前群体中的个体按与适应值成比例的概率复制到新的群体中，构成交配池(当前代与下一代之间的中间群体)。选择算子的作用效果是提高了群体的平均适应值。由于选择算子没有产生新个体，所以群体中最好个体的适应值不会因选择操作而有所改进。本发明采用比例选择方法，根据每个个体的适应度f_i，计算其被选择的概率p_i。

$p_i=\frac{f_i}{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{f}_i}---\left(6\right)$

选择概率大的个体，按70％进行选择，然后进行复制；

步骤5、交叉操作

交叉算子可以产生新的个体，它首先使从交配池中的个体随机配对，然后将两两配对的个体按某种方式相互交换部分基因。本发明采用两点交叉法进行交叉操作。将染色体串中的第i个染色体串表示为

和是串s¹和串s²在两个交叉点之间的第k个交叉实数，则经交叉后产生的两个子代串在位置k处的实数

和

可表示为

$s_k^{1^{\′}}=\mathrm{\β}{s}_k^1+(1-\mathrm{\β})s_k^2---\left(7\right)$

$s_k^{2^{\′}}=\mathrm{\β}{s}_k^2+(1-\mathrm{\β})s_k^1---\left(8\right)$

交叉概率β取值范围一般在[0.4，0.99]之间。

步骤6、变异操作

变异是对个体的某一个或某一些基因值按某一较小概率进行改变。本发明采用按位变异的方法进行变异操作，设参数取值范围为[a，b]，

是第i个染色体串上被选中变异的第k个实数，

是变异后对应

的实数，γ是(0，1)之间的随机数，则

可表示为

$s_k^{i^{\′}}=\mathrm{\γ}{s}_k^i+d(1-\mathrm{\γ})---\left(9\right)$

式中d＝a+(b-a)γ。变异概率取值范围一般在[0.0001，0.1]之间。

步骤7、重复过程步骤3到步骤6，最终得到GIF Elman神经网络的初始化权值；

步骤8、用步骤四得到的训练数据训练GIF Elman神经网络，训练神经网络的计算过程按如下步骤计算：

如图2所示，GIF Elman网络的输入为U(k)，输出为Y(k)，X_c(k)、Y_c(k)、X(k)分别为承接层1、承接层2和隐含层的输出；IW{1，1}、LW{1，1}、LW{2，1}、LW{1，2}、LW{2，2}分别为输入层至隐含层、承接层1至隐含层、隐含层至输出层、承接层2至隐含层、承接层2至输出层的连接权值；D1和D2为延时信号；b{1}和b{2}分别为隐含层和输出层的阈值参数

步骤1)：计算输出层和隐含层的输出

Y(k)＝g(LW{2，2}×Y_c(k)+LW{2，1}×X(k)+b{2})                (10)

X(k)＝f(IW{1，1}×U(k)+LW{1，2}×Y_c(k)+LW{1，1}×X_c(k)+b{1})(11)

承接层1经延时信号D1和承接层2经延时信号D2输出分别为

X_c(k)＝X(k-1)    (12)

Y_c(k)＝Y(k-1)    (13)

其中：f(·)为隐含层神经元激活函数，常采用Sigmoid函数；g(·)为输出层神经元的激活函数，常采用线性函数。

步骤2)：设网络的输入层的输入节点向量为M维，隐含层和承接层1的节点向量为R维，输出层和承接层2的节点向量为N维，第K次迭代时输油管道压力为O(k)，定义误差函数：

$E\left(k\right)=\frac{1}{2}{(O\left(k\right)-Y\left(k\right))}^T(O\left(k\right)-Y\left(k\right))---\left(14\right)$

步骤3)：分别计算E(k)对各连接权值的偏导数，由梯度下降法可得到GIF Elman神经网络的学习算法：

从输入层第m个神经元到隐含层第r个神经元的连接权值修正为

$\mathrm{\Δ}{w}_{\mathrm{mr}}=-{\mathrm{\η}}_{\mathrm{mr}}\frac{\∂E}{\∂w_{\mathrm{mr}}}={\mathrm{\η}}_{\mathrm{mr}}\left[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(O_n\left(k\right)-y_n\left(k\right))\right]g^{\′}{w}_{\mathrm{rn}}\left(k\right)f^{\′}{u}_m\left(k\right)---\left(15\right)$

隐含层第r个神经元通过承接层1实现递归的权值修正为

$\mathrm{\Δ}{w}_{\mathrm{rr}}=-{\mathrm{\η}}_{\mathrm{rr}}\frac{\∂E}{\∂w_{\mathrm{rr}}}={\mathrm{\η}}_{\mathrm{rr}}\left[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(O_n\left(k\right)-y_n\left(k\right))\right]g^{\′}{w}_{\mathrm{rn}}\left(k\right)\frac{\∂x_r\left(k\right)}{\∂w_{\mathrm{rr}}}---\left(16\right)$

隐含层第r个神经元到输出层第n个神经元的权值修正为

$\mathrm{\Δ}{w}_{\mathrm{rn}}=-{\mathrm{\η}}_{\mathrm{rn}}\frac{\∂E}{\∂w_{\mathrm{rn}}}={\mathrm{\η}}_{\mathrm{rn}}(O_n\left(k\right)-y_n\left(k\right))g^{\′}{x}_r\left(k\right)---\left(17\right)$

输出层第n个神经元通过承接层2反馈到隐含层第r个神经元的权值修正为

$\mathrm{\Δ}{w}_{\mathrm{nr}}=-{\mathrm{\η}}_{\mathrm{nr}}\frac{\∂E}{\∂w_{\mathrm{nr}}}={\mathrm{\η}}_{\mathrm{nr}}\left[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(O_n\left(k\right)-y_n\left(k\right))\right]g^{\′}{w}_{\mathrm{rn}}\left(k\right)\frac{\∂x_r\left(k\right)}{\∂w_{\mathrm{nr}}}---\left(18\right)$

输出层第n个神经元通过承接层2实现递归的权值修正为

$\mathrm{\Δ}{w}_{\mathrm{nn}}=-{\mathrm{\η}}_{\mathrm{nn}}\frac{\∂E}{\∂w_{\mathrm{nn}}}={\mathrm{\η}}_{\mathrm{nn}}\left[(O_n\left(k\right)-y_n\left(k\right))\right]\frac{\∂y_n\left(k\right)}{\∂w_{\mathrm{nn}}}---\left(19\right)$

输出层阈值修正为

$\mathrm{\Δ}{b}_n=-{\mathrm{\η}}_{\mathrm{rn}}\frac{\∂E}{\∂b_n}={\mathrm{\η}}_{\mathrm{rn}}(O_n\left(k\right)-y_n\left(k\right))g^{\′}---\left(20\right)$

隐含层阈值修正为

$\mathrm{\Δ}{b}_r=-{\mathrm{\η}}_{\mathrm{mr}}\frac{\∂E}{\∂b_r}={\mathrm{\η}}_{\mathrm{mr}}\left[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(O_n\left(k\right)-y_n\left(k\right))\right]g^{\′}{w}_{\mathrm{rn}}\left(k\right)f^{\′}---\left(21\right)$

其中：

$\frac{\∂x_r\left(k\right)}{\∂w_{\mathrm{rr}}}=f^{\′}{x}_r(k-1)---\left(22\right)$

$\frac{\∂x_r\left(k\right)}{\∂w_{\mathrm{nr}}}=f^{\′}{y}_n(k-1)---\left(23\right)$

$\frac{\∂y_n\left(k\right)}{\∂w_{\mathrm{nn}}}=g^{\′}{y}_n(k-1)---\left(24\right)$

m＝1，2，…，M；r＝1，2，…，R；n＝1，2，…，N

u_m(k)为输入层第m个神经元；

w_mr为输入层第m个神经元到隐含层第r个神经元的连接权值；

w_rr为隐含层第r个神经元通过承接层1的递归权值；

w_rn为隐含层第r个神经元到输出层第n个神经元的权值；

w_nr为输出层第n个神经元通过承接层2反馈到隐含层第r个神经元的权值；

w_nn为输出层第n个神经元通过承接层2的递归权值；

O_n(k)为输出层第n个神经元对应管道参数的实际输出

y_n(k)为输出层第n个神经元经过K次迭代后神经网络的输出

η_mr，η_rr，η_rn，η_nr，η_nn分别为Δw_mr，Δw_rr，Δw_rn，Δw_nr，Δw_nn的学习率参数。

步骤9、测试过程8建立的GIF Elman神经网络模型，检测训练效果；

步骤10、重复过程步骤8、步骤9，不断更新隐含层神经元个数，调整神经网络训练参数，直到预测结果的均方误差达到目标精度后结束训练，即得到与输油管道压力O(k)误差值最小的神经网络输出值Y(k)，从而完成遗传神经网络模型的建立；

步骤六：在ARM-Linux数据采集控制单元和各监控站的上位机按步骤一至步骤五建立遗传神经网络模型。实时检测管道压力数据，判断有无缺失数据，如有数据缺失，则平台采用该遗传神经网络模型进行数据补偿。反之，将本站数据发送到管线上各监控站的上位机。上位机以相同的方式对管道数据进行检测和补偿。

本发明在ARM9处理器上搭建了Linux系统平台，这为在ARM9处理器上实现复杂的算法降低了难度，在不增加硬件成本的基础上，仅通过软件编写，就能把遗传神经网络这样的复杂算法建立在该嵌入式系统上，并且快速高效的发挥神经网络的作用。在ARM-Linux数据采集平台上还建立了FTP服务器，用于远程传输文件，可随时更新和升级平台上的应用程序以及数据采集控制程序。ARM-Linux数据采集控制平台通过采用遗传神经网络算法，使补偿的数据达到了不失真的效果，即所补偿的数据充分的保留了管道系统应有的动态信息，最大限度的还原了系统当时的运行状态。

附图说明

图1是本发明一种基于遗传神经网络的输油管道压力数据缺失的补偿方法及数据采集装置的结构框图；

图2是本发明中GIF Elman神经网络的结构框图；

图3是本发明中遗传神经网络训练流程图；

图4是本发明一种基于遗传神经网络的输油管道压力数据缺失的补偿方法及数据采集装置的AD数据采集电路原理图；

图5是本发明一种基于遗传神经网络的输油管道压力数据缺失的补偿方法及数据采集装置的FIFO数据缓存电路原理图；

图6是本发明一种基于遗传神经网络的输油管道压力数据缺失的补偿方法及数据采集装置的ARM处理器控制AD采集数据电路原理图；

图7是本发明一种基于遗传神经网络的输油管道压力数据缺失的补偿方法及数据采集装置的DSP数据处理装置的电路原理图；

图8是本发明一种基于遗传神经网络的输油管道压力数据缺失的补偿方法及数据采集装置的ARM-Linux数据采集控制单元电路原理图。

具体实施方式

本发明结合具体实施例和说明书附图加以详细说明。

本事实例中DSP芯片采用型号为TMS320C2812，A/D数据采集模块采用型号为AD7656，数据缓存器采用型号为IDT72V263；ARM处理器采用型号S3C2440；

如图1、4、5、6、7、8所示，压力、流量、密度参数的变送器输出端接入多路复用器的输入端，多路复用器的输出引脚连接到仪表放大器的输入端。仪表放大器的输出引脚接入AD7656的六路电压跟随器的DIN1～DIN6六路输入引脚，电压跟随器的输出引脚连接AD转换设备，AD转换的16路输出DB0～DB15作为FIFO数据缓存器的输入，FIFO的输出引脚Q0～Q15连接到DSP的引脚IOA0～IOA15，然后DSP的输出B0～B15连接到ARM的引脚DAT0～DAT15。

本发明的技术方案提供的输油管道压力数据缺失的补偿方法及数据采集装置的特点是体积小，携带方便，并且适用于各种现场环境，能够长时间稳定的工作。还可以在没有上位机控制的情况下，能够独立完成高精度的数据采集和压力数据波形的实时显示工作。所述系统包括1、由多路复用器、仪表放大器和AD7656构成的A/D数据采集转换模块。3个转换信号CONVSTA/B/C，用来控制每对或每4个或每6个ADC同时采样。将3个CONVST引脚连接在一起，就可对6个ADC同时进行采样。在CONVSTX的上升沿，被选择的ADC对被置为保持模式，转换开始。CONVSTX的上升沿过后，BUSY信号变为高电平表明转换正在进行，转换时间是3μs，BUSY信号低电平表明转换结束。在BUSY信号的下降沿，ADC回到跟踪模式，数据可以通过并行或串行接口从输出寄存器读出。16位并行接口读取数据时先将CS置低，每当读信号(RD)变低，就从16位总线上读取1路数据。用于实时采集输油管道压力数据，直接受控于ARM-Linux数据采集控制单元；2、DSP芯片，AD转换后的数据通过FIFO进入DSP进行处理，FIFO采用4片CY7C425形成乒乓结构，以实现模拟信号的不间断采样。DSP扩展一片Flash存储器作为DSP的程序存储器，另外还扩展了一片SRAM作为程序缓存。脱机运行时DSP将Flash中的程序写入SRAM，再写入DSP内部的RAM。DSP系统中的数字信号处理算法主要采用低通切比雪夫滤波算法对传送来的数据进行低通滤波，消除外界对输油管道信号造成的较大扰动，使管道压力数据真实的反映出输油管道的动态信息；3、GPS模块，用于对管线上各数据采集系统和监控站的上位机系统进行时间同步，并且以时间信息为标准定位欲补偿的缺失数据；4、ARM液晶显示屏，通过QT开发数据接收模块，数据转换模块，数据存储模块和数据显示模块。完成压力数据的显示工作；5、ARM-Linux数据采集控制单元，核心板选用型号为S3C2440的ARM 920T处理器，Linux系统内核为2.6版本。该平台一方面通过多进程对AD7656数据采集转换装置进行控制，另一方面接收由DSP滤波处理后的压力数据，并对数据进行检测，判断有无缺失数据。如有数据缺失，则采用遗传神经网络算法进行数据补偿。反之，通过网络以UDP方式将本站数据发送到管线上各监控站的上位机系统。值得注意的是，采用UDP协议传输数据时可能发生丢包现象，因此在上位机的检测系统中同样应用遗传神经网络实时数据补偿算法，对数据进行检查后采用与ARM-Linux数据采集平台相同的处理方法。

本发明如图2所示，遗传神经网络算法是将遗传算法和改进的Elman神经网络相结合的一种新算法，这种改进的Elman神经网络在本发明中命名为GIF Elman(Global InformationFeedback Elman)全信息反馈型Elman神经网络。遗传算法可以解决神经网络处理大量数据时收敛速度慢，初始化权值不能全局寻优，易陷入局部极小等缺陷，而Elman递归型神经网络所具有的动态性能相对于BP等前馈神经网络来说，应用在强干扰性、强非线性、存在严重时滞性的输油管道系统上具有独特的优势，前一时刻管道压力信息的实时反馈很好的保留了系统的动态性能，从而保证了管道压力信息的完整性，为准确判断泄露故障，排除工况干扰，定位泄露地点奠定了良好的基础。GIF Elman神经网络不仅继承了标准Elman处理复杂非线性系统的优越性能，而且还将输出层的信息完全保留，实现了管道压力信息的全反馈。提升了标准Elman神经网络的动态性，增强了系统对输油管道现场环境的适应能力。相对于其他算法而言，该遗传神经网络在数据补偿方面表现出收敛速度快，预测精度高，泛化性强，实时性好等优势。

采用该装置进行管道压力缺失数据补偿方法，按如下步骤进行：如图3所示，

步骤一：采集的模拟信号通过多路复用器后，其中压力信号被选中，进入仪表放大器，放大之后进入A/D数据采集模块；

模拟信号通过多路复用器后，其中压力信号被选中，进入仪表放大器，放大之后进入AD转换装置，AD7656的转换时钟直接由ARM-Linux数据采集控制平台的AD驱动提供。

步骤二：经过A/D数据采集模块转换后的数据通过数据缓存器进入DSP芯片进行处理，DSP芯片采用低通切比雪夫滤波算法对传送来的数据进行滤波，将大于1KHz的高频信号滤除，消除外界对输油管道信号造成的较大扰动；

AD转换后的数据通过FIFO进入DSP进行处理，FIFO采用4片CY7C425形成乒乓结构，以实现模拟信号的不间断采样。Flash存储器作为DSP的程序存储器，SRAM作为程序缓存。脱机运行时DSP将Flash中的程序写入SRAM，再写入DSP内部的RAM。对于AD转换后传送来的数据DSP系统采用低通切比雪夫滤波算法对传送来的数据进行滤波。将大于1KHz的高频信号滤除，消除外界对输油管道信号造成的较大扰动，为提高神经网络的训练质量和增加数据补偿精度奠定基础。

步骤三：根据输油管道的压力信号呈现出的统计特性，选取压力特征提取指标，对这些已选取的特征指标进行进一步的提取，即主成分分析PCA；

根据输油管道的压力信号呈现出不同的统计特性，选取一系列压力特征提取指标，本实例中选取的特征指标有：峰值X_xmax、平均幅值X_am、方差X_avr、均方根X_rms、方根幅值X_r，峰值因子X_c、脉冲因子X_imf、裕度因子L、峭度X_k、峭度因子X_kf。以上各个参数的运算公式如下：

X_xmax＝max{|x_i|}，

X_c＝X_xmax/X_rms，X_imf＝X_xmax/X_am，L＝X_xmax/X_rms，

X_kf＝X_k/X_rms，

其中：i＝1，2Λ，N；

i与N均为实数。

尽管以上定义的特征指标能够反映管道压力所包含的信息，但是对于管道压力缺失数据补偿并不一定都有效。因此对这些特征指标进行进一步的提取，即主成分分析。

步骤四：采用累积方差贡献率法对步骤三所得到的特征指标进行降维处理；

设第三步所得到的m个特征指标为X₁，X₂，…，X_m，将要通过PCA提取得到的特征指标为t₁，t₂，…，t_k(k＜m)，下面采用累积方差贡献率法对第三步所得到的特征指标进行降维处理。

1、由第三步得到的m个特征指标、n个数据向量样本组成检测数据矩阵X。下面对检测数据矩阵中的数据作归一化处理，设X的均值向量为μ，标准差向量为σ，则归一化的过程变量为

${\tilde{x}}_{\mathrm{ij}}=(x_{\mathrm{ij}}-{\mathrm{\μ}}_j)/{\mathrm{\σ}}_j,i=\mathrm{1,2}\mathrm{\Λ},n;j=\mathrm{1,2}\mathrm{\Λ},m$

其中：x_ij为检测数据矩阵X的元素，i为矩阵X的行数，j为矩阵X的列数；

μ_j和σ_j分别为第i个数据向量x_i的均值和标准差；

m为特征指标的数量，n为数据向量样本个数；

i，j，m，n均属实数。

记归一化后的检测数据矩阵为

的协方差矩阵为E。通过MATLAB软件中的EIG函数来计算协方差矩阵E的m个特征值λ_j，进而得到对应的单位化正交特征向量P_j。

2、计算第j个主元 $q_j=\tilde{X}{P}_j$

3、建立主元模型

$\hat{X}=q_1{P}_1^T+q_2{P}_2^T+\mathrm{\Λ}+q_m{P}_m^T$

其中：q_j为第j个主元；P_j为第j个负荷向量，每对q_j，P_j都是按特征向量P_j的特征值λ_j的降幂排列，其中第一对截获了所有分解的负荷向量和主元向量对中最大信息量。

4、通过计算累积方差贡献率确定主元：

由

来确定k值，k表示含最大量信息的最少主元数。通过以上过程计算后，由各主元的累计方差贡献率的大小确定k值，最终确定遗传神经网络训练的输入矩阵的特征指标t₁，t₂，…，t_k。

通过以上4步计算之后，得知平均幅值X_am、均方根X_rms、方根幅值X_r、峭度X_k、峭度因子X_kf和裕度因子L能够较好的反映管道状况的变化，因此选择这些参数构成的样本矩阵作为遗传神经网络训练的输入矩阵。

步骤五、遗传神经网络建模步骤

将步骤四得到的样本矩阵分成训练数据和测试数据两大组，其中，训练数据约占全部样本数据的4/5，其余的均作为测试数据。遗传神经网络训练流程如图3所示，具体过程如下。

1.根据式(4)对GIF Elman神经网络进行编码，确定染色体串的编码长度；

2.随机产生初始化种群大小为50，遗传代数设置为100；

3.根据平方误差的倒数构造适应度函数，计算个体适应值；

4.对该种群进行选择、交叉、变异操作。

5.重复过程3、4，最终得到GIF Elman神经网络的初始化权值；

6.用步骤四得到的训练数据训练GIF Elman神经网络，训练时神经网络的计算过程按式(10)～(24)进行；

7.测试GIF Elman神经网络，检测训练效果，将实际值与预测值的均方误差作为测试指标，该误差值越小表明预测结果越精确。

8.重复过程6、7，不断更新隐含层神经元个数，调整神经网络训练参数(训练步长、学习速率、动量因子)，直到预测结果的均方误差达到目标精度后结束训练，完成遗传神经网络模型的建立。最终确定输入层神经元数为6个，隐含层和承接层1的神经元数为17个，输出层和承接层2的神经元数为1个，训练步长为738，学习速率为0.01，动量因子为0.9，目标精度为10^-4。

步骤六、实时补偿输油管道缺失数据

在ARM-Linux数据采集控制单元和各监控站的上位机按步骤一至步骤五建立遗传神经网络模型。实时检测管道压力数据，判断有无缺失数据，如有数据缺失，则平台采用该遗传神经网络模型进行数据补偿。反之，将本站数据发送到管线上各监控站的上位机。上位机以相同的方式对管道数据进行检测和补偿。

Claims (4)

1.一种基于遗传神经网络的管道压力缺失数据补偿装置，其特征在于：该装置包括A/D数据采集单元、DSP数据处理单元和ARM-Linux数据采集控制单元；

其中A/D数据采集单元包括变送器、多路复用器、仪表放大器和A/D数据采集模块；

DSP数据处理单元包括数据缓存器、DSP芯片和扫描表；

ARM-Linux数据采集控制单元包括ARM处理器、ARM液晶显示屏和GPS模块；

该装置中采集压力、流量、密度参数的变送器输出端接入多路复用器的输入端，多路复用器的输出端连接到仪表放大器的输入端，仪表放大器的输出端连接A/D数据采集模块输入端，A/D数据采集模块的输出端连接数据缓存器的输入端，数据缓存器的输出端连接到DSP芯片的输入端，DSP芯片的输出端连接到ARM处理器的输入端，ARM处理器的输入输出端连接GPS模块的输入输出端，ARM液晶显示屏的输出输入端连接ARM处理器的输入输出端，DSP芯片的输出端连接扫描表的输入端，扫描表的输出端分别连接多路复用器和仪表放大器的输入端。

2.采用权利要求1所述的基于遗传神经网络的管道压力缺失数据补偿方法，其特征在于：按如下步骤进行：

步骤一：变送器采集的模拟信号通过多路复用器后，其中压力信号被选中，进入仪表放大器，放大之后进入A/D数据采集模块；

步骤二：经过A/D数据采集模块转换后的数据通过数据缓存器进入DSP芯片进行处理，DSP芯片采用低通切比雪夫滤波算法对传送来的数据进行滤波，将大于1KHz的高频信号滤除，消除外界对输油管道信号造成的较大扰动；

步骤三：根据输油管道的压力信号呈现出的统计特性，选取压力特征提取指标，对这些已选取的特征指标进行进一步的提取，即主成分分析PCA；

步骤四：设步骤三所得到的m个特征指标为X₁，X₂，…，X_m，将要通过PCA提取得到的特征指标为t₁，t₂，…，t_k，其中k＜m，采用累积方差贡献率法对步骤三所得到的特征指标进行降维处理；

步骤五：将步骤四得到的特征指标作为遗传神经网络训练的输入矩阵，按4∶1的比例将样本矩阵分成训练数据和测试数据，由遗传神经网络预测输油管道压力缺失数据；

步骤六：按步骤一至步骤五建立遗传神经网络模型，实时检测管道压力数据，判断有无缺失数据，如有数据缺失，则平台采用该遗传神经网络模型进行数据补偿，反之，将本站数据发送到管线上各监控站的上位机，上位机以相同的方式对管道数据进行检测和补偿。

3.根据权利要求2所述的基于遗传神经网络的管道压力缺失数据补偿方法，其特征在于：所述的步骤四，按如下步骤进行：

步骤1、由第三步得到的m个特征指标、n个数据向量样本组成检测数据矩阵X，对检测数据矩阵中的数据作归一化处理，设X的均值向量为μ，标准差向量为σ，则归一化的过程变量为

${\tilde{x}}_{\mathrm{ij}}=(x_{\mathrm{ij}}-{\mathrm{\μ}}_j)/{\mathrm{\σ}}_j,i=\mathrm{1,2}\mathrm{\Λ},n;j=\mathrm{1,2}\mathrm{\Λ},m---\left(1\right)$

其中：x_ij为检测数据矩阵X的元素，i为矩阵X的行数，j为矩阵X的列数；

μ_j和σ_j分别为第i个数据向量x_i的均值和标准差；

m为特征指标的数量，n为数据向量样本个数；

i，j，m，n均属实数；

记归一化后的检测数据矩阵为的协方差矩阵为E，通过MATLAB软件中的EIG函数来计算协方差矩阵E的m个特征值λ_j，进而得到对应的单位化正交特征向量P_j；

步骤2、计算第j个主元

$q_j=\tilde{X}{P}_j---\left(2\right)$

步骤3、建立如下主元模型

$\hat{X}=q_1{P}_1^T+q_2{P}_2^T+\mathrm{\Λ}+q_m{P}_m^T---\left(3\right)$

其中：q_j为第j个主元；P_j为第j个负荷向量，每对q_j，P_j都是按特征向量P_j的特征值λ_j的降幂排列，其中第一对截获了所有分解的负荷向量和主元向量对中最大信息量；

步骤4、通过计算累积方差贡献率确定主元：

累积方差贡献率： ${\mathrm{\η}}_k=[\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\λ}}_j/\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_j]\×100\%$

其中：k表示含最大信息量的最少主元数

通过以上过程计算后，由各主元的累计方差贡献率的大小确定k值，最终确定遗传神经网络训练的输入矩阵的特征指标t₁，t₂，…，t_k。

4.根据权利要求2所述的基于遗传神经网络的管道压力缺失数据补偿方法，其特征在于：所述的步骤五，按如下步骤进行：

步骤1、GIF Elman神经网络参数编码

采用实数编码，一个实数对应于一个具体的待优化的网络参数，编码串的长度为参数个数的总和，GIF Elman全信息反馈神经网络的输出层节点数R，隐含层节点数S1，输出层节点数S2，承接层1节点数S1和承接层2的节点数S2，以及它们的连接权组成的编码长度如下：

S＝R×S1+S1×S1+S1×S2+S2×S2+S2×S1+S1+S2     (4)

其中：R×S1为输入层至隐含层连接权IW{1，1}中权值的个数，S1×S1为承接层1至隐含层连接权LW{1，1}中权值的个数，S1×S2为隐含层至输出层连接权LW{2，1}中权值的个数，S2×S2为承接层2至输出层的连接权LW{2，2}中权值的个数，S2×S1为承接层2至隐含层连接权LW{1，2}中权值的个数；

步骤2、产生初始种群

设M为种群的大小，即种群中所含个体的数量，整数M取值为[20，100]之间，G为遗传算法终止进化代数，G的取值范围为[100，500]之间的整数；随机产生T个染色体串，染色体串的编码长度由式(4)确定；

步骤3、计算个体适应值

将适应度函数取为输出端的平方误差的倒数，即对第i个体，其适应度函数为

$f_i=\frac{1}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\left|e\left(k\right)\right|}=\frac{1}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\frac{1}{2}|y_i\left(k\right)-y_{\mathrm{mi}}\left(k\right)|}---\left(5\right)$

f_i为第i个染色体串的适应度值，i＝1，2...，T，f_i越大，适应度越高，y_i(k)、y_mi(k)分别是对应第i个染色体串样本k的期望输出和GIF Elman网络输出，其中，N为训练样本总数；

步骤4、选择操作

采用比例选择方法，根据每个个体的适应度f_i，计算其被选择的概率p_i；

$p_i=\frac{f_i}{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{f}_i}---\left(6\right)$

选择概率大的个体，按70％进行选择，然后进行复制；

步骤5、交叉操作

采用两点交叉法进行交叉操作，将染色体串中的第i个染色体串表示为

和

是串s¹和串s²在两个交叉点之间的第k个交叉实数，则经交叉后产生的两个子代串在位置k处的实数和

可表示为

$s_k^{1^{\′}}=\mathrm{\β}{s}_k^1+(1-\mathrm{\β})s_k^2---\left(7\right)$

$s_k^{2^{\′}}=\mathrm{\β}{s}_k^2+(1-\mathrm{\β})s_k^1---\left(8\right)$

交叉概率β取值范围一般在[0.4，0.99]之间；

步骤6、变异操作

采用按位变异的方法进行变异操作，设参数取值范围为[a，b]，

是第i个染色体串上被选中变异的第k个实数，

是变异后对应

的实数，γ是(0，1)之间的随机数，则

可表示为

$s_k^{i^{\′}}=\mathrm{\γ}{s}_k^i+d(1-\mathrm{\γ})---\left(9\right)$

式中d＝a+(b-a)γ，变异概率取值范围一般在[0.0001，0.1]之间；

步骤7、重复过程步骤3到步骤6，最终得到GIF Elman神经网络的初始化权值；

步骤8、用步骤四得到的训练数据训练GIF Elman神经网络，训练神经网络的计算过程按如下步骤计算：

GIF Elman网络的输入为U(k)，输出为Y(k)，X_c(k)、Y_c(k)、X(k)分别为承接层1、承接层2和隐含层的输出；IW{1，1}、LW{1，1}、LW{2，1}、LW{1，2}、LW{2，2}分别为输入层至隐含层、承接层1至隐含层、隐含层至输出层、承接层2至隐含层、承接层2至输出层的连接权值；D1和D2为延时信号；b{1}和b{2}分别为隐含层和输出层的阈值参数

步骤1)：计算输出层和隐含层的输出

Y(k)＝g(LW{2，2}×Y_c(k)+LW{2，1}×X(k)+b{2})                 (10)

X(k)＝f(IW{1，1}×U(k)+LW{1，2}×Y_c(k)+LW{1，1}×X_c(k)+b{1}) (11)

承接层1经延时信号D1和承接层2经延时信号D2输出分别为

X_c(k)＝X(k-1)    (12)

Y_c(k)＝Y(k-1)    (13)

其中：f(·)为隐含层神经元激活函数，常采用Sigmoid函数；g(·)为输出层神经元的激活函数，常采用线性函数；

步骤2)：设网络的输入层的输入节点向量为M维，隐含层和承接层1的节点向量为R维，输出层和承接层2的节点向量为N维，第K次迭代时输油管道压力为O(k)，定义误差函数：

$E\left(k\right)=\frac{1}{2}{(O\left(k\right)-Y\left(k\right))}^T(O\left(k\right)-Y\left(k\right))---\left(14\right)$

步骤3)：分别计算E(k)对各连接权值的偏导数，由梯度下降法可得到GIF Elman神经网络的学习算法：

从输入层第m个神经元到隐含层第r个神经元的连接权值修正为

$\mathrm{\Δ}{w}_{\mathrm{mr}}=-{\mathrm{\η}}_{\mathrm{mr}}\frac{\∂E}{\∂w_{\mathrm{mr}}}={\mathrm{\η}}_{\mathrm{mr}}\left[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(O_n\left(k\right)-y_n\left(k\right))\right]g^{\′}{w}_{\mathrm{rn}}\left(k\right)f^{\′}{u}_m\left(k\right)---\left(15\right)$

隐含层第r个神经元通过承接层1实现递归的权值修正为

$\mathrm{\Δ}{w}_{\mathrm{rr}}=-{\mathrm{\η}}_{\mathrm{rr}}\frac{\∂E}{\∂w_{\mathrm{rr}}}={\mathrm{\η}}_{\mathrm{rr}}\left[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(O_n\left(k\right)-y_n\left(k\right))\right]g^{\′}{w}_{\mathrm{rn}}\left(k\right)\frac{\∂x_r\left(k\right)}{\∂w_{\mathrm{rr}}}---\left(16\right)$

隐含层第r个神经元到输出层第n个神经元的权值修正为

$\mathrm{\Δ}{w}_{\mathrm{rn}}=-{\mathrm{\η}}_{\mathrm{rn}}\frac{\∂E}{\∂w_{\mathrm{rn}}}={\mathrm{\η}}_{\mathrm{rn}}(O_n\left(k\right)-y_n\left(k\right))g^{\′}{x}_r\left(k\right)---\left(17\right)$

输出层第n个神经元通过承接层2反馈到隐含层第r个神经元的权值修正为

$\mathrm{\Δ}{w}_{\mathrm{nr}}=-{\mathrm{\η}}_{\mathrm{nr}}\frac{\∂E}{\∂w_{\mathrm{nr}}}={\mathrm{\η}}_{\mathrm{nr}}\left[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(O_n\left(k\right)-y_n\left(k\right))\right]g^{\′}{w}_{\mathrm{rn}}\left(k\right)\frac{\∂x_r\left(k\right)}{\∂w_{\mathrm{nr}}}---\left(18\right)$

输出层第n个神经元通过承接层2实现递归的权值修正为

$\mathrm{\Δ}{w}_{\mathrm{nn}}=-{\mathrm{\η}}_{\mathrm{nn}}\frac{\∂E}{\∂w_{\mathrm{nn}}}={\mathrm{\η}}_{\mathrm{nn}}\left[(O_n\left(k\right)-y_n\left(k\right))\right]\frac{\∂y_n\left(k\right)}{\∂w_{\mathrm{nn}}}---\left(19\right)$

输出层阈值修正为

$\mathrm{\Δ}{b}_n=-{\mathrm{\η}}_{\mathrm{rn}}\frac{\∂E}{\∂b_n}={\mathrm{\η}}_{\mathrm{rn}}(O_n\left(k\right)-y_n\left(k\right))g^{\′}---\left(20\right)$

隐含层阈值修正为

$\mathrm{\Δ}{b}_r=-{\mathrm{\η}}_{\mathrm{mr}}\frac{\∂E}{\∂b_r}={\mathrm{\η}}_{\mathrm{mr}}\left[\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(O_n\left(k\right)-y_n\left(k\right))\right]g^{\′}{w}_{\mathrm{rn}}\left(k\right)f^{\′}---\left(21\right)$

其中：

$\frac{\∂x_r\left(k\right)}{\∂w_{\mathrm{rr}}}=f^{\′}{x}_r(k-1)---\left(22\right)$

$\frac{\∂x_r\left(k\right)}{\∂w_{\mathrm{nr}}}=f^{\′}{y}_n(k-1)---\left(23\right)$

$\frac{\∂y_n\left(k\right)}{\∂w_{\mathrm{nn}}}=g^{\′}{y}_n(k-1)---\left(24\right)$

m＝1，2，…，M；r＝1，2，…，R；n＝1，2，…，N

u_m(k)为输入层第m个神经元；

w_mr为输入层第m个神经元到隐含层第r个神经元的连接权值；

w_rr为隐含层第r个神经元通过承接层1的递归权值；

w_rn为隐含层第r个神经元到输出层第n个神经元的权值；

w_nr为输出层第n个神经元通过承接层2反馈到隐含层第r个神经元的权值；

w_nn为输出层第n个神经元通过承接层2的递归权值；

O_n(k)为输出层第n个神经元对应管道参数的实际输出

y_n(k)为输出层第n个神经元经过K次迭代后神经网络的输出

η_mr，η_rr，η_rn，η_nr，η_nn分别为Δw_mr，Δw_rr，Δw_rn，Δw_nr，Δw_nn的学习率参数；

步骤9、测试过程8建立的GIF Elman神经网络模型，检测训练效果；

步骤10、重复过程步骤8、步骤9，不断更新隐含层神经元个数，调整神经网络训练参数，直到预测结果的均方误差达到目标精度后结束训练，即得到与输油管道压力O(k)误差值最小的神经网络输出值Y(k)，从而完成遗传神经网络模型的建立。

Images