CN109242049A - 基于卷积神经网络的给水管网多点漏损定位方法及其装置 - Google Patents
基于卷积神经网络的给水管网多点漏损定位方法及其装置 Download PDFInfo
- Publication number
- CN109242049A CN109242049A CN201811391052.0A CN201811391052A CN109242049A CN 109242049 A CN109242049 A CN 109242049A CN 201811391052 A CN201811391052 A CN 201811391052A CN 109242049 A CN109242049 A CN 109242049A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- leakage loss
- data
- networks model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 92
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000004807 localization Effects 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 60
- 238000010606 normalization Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 70
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010049669 Dyscalculia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于卷积神经网络的给水管网多点漏损定位方法,包括以下步骤:对供水管网压力数据进行采集,将采集的供水数据分为训练样本和测试样本;将各个样本归一化,归一化后的训练样本输入到卷积神经网络模型中进行训练,得到卷积神经网络模型,归一化后的测试样本对卷积神经网络模型进行测试,保存训练好的卷积神经网络模型;实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果;将预测结果对比标签索引,判断漏损。本发明还公开一种基于卷积神经网络的给水管网多点漏损定位装置。本发明通过卷积和池化操作减少了数据中的噪声点,提取了每类型数据中的特殊特征,使得预测更加准确。
Description
技术领域
本发明涉及涉及市政给水管网领域,特别涉及基于卷积神经网络的给水管网多点漏损定位方法及其装置。
背景技术
市政供水管网是保证一个城市经济发展和生活水平的重要基础设施,是城市生存和发展的生命线。但是由于用水量的不断扩大和管网使用年限的增长,缺乏现代化、智能化、理论化的市政供水管网管理系统,市政供水管网逐渐暴露出较大范围的漏损情况,如不及时处理,会造成水资源的浪费和经济损失。
随着科技水平的发展及对供水要求的不断提高,建立给水管网系统模型解决给水管网漏损定位问题在供水行业已迫在眉睫,其中如何准确定位漏损点是解决管网漏损问题的关键。利用给水管网系统模型,结合管网各区域长时间压力参数的变化,实现给水管网漏损事故预测与快速定位的研究被广泛推广。
在传统的漏损定位方法中,通过听音法,区域检漏法等方法耗时耗力。
专利申请201810393876.5公开了一种水管网漏损定位方法及装置,通过通过在供水管网中各监测点安装压力传感器,采集得到压力数据;利用压力数据值构建水管网压力数据有序数据集,通过归一化处理后得到各压力传感器节点特征矩阵数据;利用训练样本对PSO算法优化的BP神经网络进行训练,再利用测试样本测试训练好的网络得到实际输出;通过将网络实际输出与期望输出进行比较,判断是否发生漏损以及发生漏损的漏损点位置。该技术方式的实现基于BP神经网络,周所众知,BP神经网络存在以下不足:其一,权值太多,需要很多样本去训练,计算困难;其二,边缘过渡不平滑,导致计算结果存在较大的偏差。
发明内容
本发明所要解决的技术问题在于如何通过卷积和池化操作减少了数据中的噪声点,提取了每类型数据中的特殊特征,使得预测更加准确;同时也解决了多点漏损定位较难的问题。
本发明通过以下技术手段实现解决上述技术问题的:一种基于卷积神经网络的给水管网多点漏损定位方法,包括以下步骤:
步骤一、对供水管网压力数据进行采集,将所采集的所述供水管网压力数据分为训练样本和测试样本;
步骤二、将所述训练样本和所述测试样本进行归一化;
步骤三、将归一化处理后的训练样本输入到卷积神经网络模型中进行训练,得到卷积神经网络模型,利用归一化后的测试样本对卷积神经网络模型进行测试,并保存训练好的卷积神经网络模型;
步骤四、管网采集的实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果;
步骤五、将预测结果与标签索引进行比较,判断漏损点个数和位置。
优选地,所述对供水管网压力数据进行采集,将所采集的所述分为训练样本和测试样本,具体包括以下步骤:
对供水管网压力数据按类型进行采集,包括正常数据、单点漏损和多点漏损数据,给每条数据按类型的不同打上不同的标签;将打上标签的数据分为训练样本和测试样本。
优选地,每条数据的数据格式为{a1a2a3。。。aj},j表示第j个传感器采集的数据;
标签的格式为label_1={000。。。001}、label_2={000。。。010}、label_d={000。。1。。00};其中,标签序列中只有一位是1,其他位是0。
优选地,对所述标签构建标签索引,标签中包含该条漏损数据的漏损点类型、漏损点位置;
具体步骤为:
对每个标签都构建一个唯一的映射,该映射中包括漏损点类型、漏损点位置;其格式如下:
{000。。。001:{漏损类型:正常;漏损点位置:无}
000。。。010:{漏损类型:一号点漏;漏损点位置:xx}
000。。。100:{漏损类型:二号点漏;漏损点位置:xx}
......
100。。。000:{漏损类型:q、m、n...号点漏;漏损点位置:xx、xx...和xx}};
其中,以000。。。001:{漏损类型:正常;漏损点位置:无}为例,000。。。001为索引,{漏损类型:正常;漏损点位置:无}为000。。。001所对应的映射。
优选地,所述步骤二中对训练样本和测试样本归一化,具体包括以下步骤:每种类型的数据中,打乱后随机选择相同条数的数据构建成训练样本input_train;将每种类型剩下的数据每组选取相同条数的数据打乱后构建成测试样本input_test;
训练样本和测试样本格式如下:
训练样本input_train={a11a12a13。。。a1j;
a21a22a23。。。a2j;
。。。。
ai1ai2ai3。。。aij};
其中aij中的i表示i条数据,j表示第j个传感器采集的数据;
测试样本input_test={b11b12b13。。。b1j;
b21b22b23。。。b2j;
。。。。
bi1bi2ai3。。。bij};
其中bij中的i表示i条数据,j表示第j个传感器采集的数据;
按照以下离差归一化变形公式将测试样本和训练样本每条数据归一化,
其中x为样本中每条数据的各个数值,xmax为该条样本中最大的数值,xmin为该条样本中最小的数值。
优选地,步骤三中的卷积神经网络模型构建包括以下步骤:
步骤3.1,构建卷积层:
Conv为卷积操作,yl分别表示第l卷积层的输入和输出,i表示第i条数据;表示第l层的第n个卷积核;N为卷积核个数,bn表示第n个卷积核的偏置;ReLu为激活函数;
步骤3.2,构建池化层:
池化层公式:
yl=Maxpooling(xl)
其中,xl是为第l池化层的输入,Maxpooling为最大池化操作,yl是池化层输出;
步骤3.3,构建Softmax分类器:
Softmax分类器代价函数计算公式:
K是要分类的个数也是Softmax层神经元个数;ak表示连接层的输出也是Softmax分类器的输入,P(k)为Softmax分类器预测这条数据属于第k类的的概率;分类器最终需要分成的K个类,k表示属于第k类。
优选地,步骤三中将归一化处理后的训练样本输入到卷积神经网络模型中进行训练,得到卷积神经网络模型,利用归一化后的测试样本对卷积神经网络模型进行测试,并保存训练好的卷积神经网络模型具体包括以下步骤:
S1、将归一化处理后训练样本分批输入到卷积神经网络模型中计算,得到前馈计算结果P,P={P(1),P(2)...P(f)...P(K)};
S2、卷积神经网络模型前馈计算输出结果,实际输出结果和标签结果按以下公式计算出误差值,即交叉熵误差:
a=σ(z)
y为期望的输出,a为神经元实际输出,即前馈计算结果P,x表示样本,n表示样本的总数,表示第l层的第n个卷积核的权值矩阵,xl表示第l层的输入,表示第l层的第n个卷积核的共享偏置;
S3、根据交叉熵误差更新权值偏置:
根据梯度下降法,每个神经元的权值和偏置对交叉熵误差求导,向负梯度方向更新权值和偏置:
其中,η为学习率,l为训练次数,表示第l次训练时第i个神经元矩阵的第j个神经元权值,表示第l次训练时第i个神经元矩阵的共享偏置;
S4、按照S1~S3循环训练n次,每次训练完成后输入归一化后测试样本,将输出结果与测试样本对应的标签对比后得到准确率;
若准确率满足要求,则训练完成后保存卷积神经网络模型结构参数和权值矩阵、偏置参数;否则,调整卷积神经网络模型参数或重新制作样本后继续训练,直到满足要求。
优选地,所述步骤四中管网采集实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果;具体包括以下步骤:
S1、对实时数据input_V归一化,将归一化的数据输入保存的卷积神经网络模型中,计算得到结果序列;
S2、对结果序列进行分析,找到结果序列中值最大的一位赋值1,其他位赋值0得到一个新的结果序列。
优选地,所述步骤五中将预测结果与标签索引进行比较,判断漏损点个数和位置,具体包括以下步骤:
S1、将新的结果序列,在标签索引中找到对应的映射;
S2、取出该映射;
S3、通过该映射中包含的漏损类型,判断的漏损类型和位置。
本发明还公开一种基于卷积神经网络的市政给水管网多点漏损定位装置,包括
数据采集模块,用于对供水管压力数据进行采集,将所采集的数据分为训练样本和测试样本;
数据归一化模块,用于将所述训练样本和所述测试样本进行归一化;
训练模块,用于将归一化处理后的训练样本输入到卷积神经网络模型中进行训练,得到卷积神经网络模型,利用归一化后的测试样本对卷积神经网络模型进行测试,并保存训练好的卷积神经网络模型;
测试模块,用于将管网采集的实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果;
比较模块,用于将预测结果与标签索引进行比较,判断漏损点个数和位置。
本发明的优点在于:
其一,与传统的听音法、区域检漏法等方法比较该方法准确快速且节约劳动力成本。可在漏损发生时快速准确判断漏损点。
其二、与利用BP神经网络和其改进类型的算法比较,本方法可用于多点漏损定位且准确率较高。
其三、相比红外热像仪检测法、渗漏巡检仪检测法、示踪物质探测法、声波探测法等耗时耗力、劳动密集型,本方法判断时间快、预测准确且所用传感器为企业大量安装的水压传感器节省开支、避免管网二次伤害。
本发明从整体管网宏观的角度,分析数据发现漏损。通过卷积和池化操作减少了数据中的噪声点,提取了每类型数据中的特殊特征,使得预测更加准确。同时也解决了多点漏损定位较难的问题。
附图说明
图1为本发明的方法的流程图;
图2为本发明的实验拓扑结构图;
图3为卷积神经网络模型损失函数曲线;
图4测试准确率曲线;
图5测试误差分布图。
具体实施方式
本发明实验平台管网为环形管网,有一台水泵供水,其拓扑图请参考图2。管径在DN25到DN30不等,选取21个节点压力数据作为训练样本。
实施例1
本实施例公开一种基于卷积神经网络的市政给水管网多点漏损定位方法,具体实施步骤如下:
步骤一、对供水管网压力数据按类型进行采集,包括正常数据、单点漏损和多点漏损数据,给每条数据按类型的不同打上唯一标签(同一类型的数据标签是一样的),将打上标签的数据分为训练样本和测试样本,对训练样本和测试样本分别进行归一化。
步骤1.1通过安装在供水管网上的传感器全天候每隔5秒采集到供水数据,数据中包含正常数据一组,单点漏损、两点漏损、三点漏损数据各4组。漏损点类型如表1、2所示,每条数据格式为{23.421747,23.721256,22.024464...21.139585,22.898848}。
表1
表2
步骤1.2给采集到的每条数据人工打上唯一标签,标签的格式为label_1={000。。。001}、label_2={000。。。010}、label_i={000。。1。。00};其中,标签序列中只有一位是1,其他位是0,对应每条数据对应标签规则如表1所示。
步骤1.3将该数据分为训练样本input_train(19500条)和测试样本input_test(6500条)。
训练样本input_train={23.421747,23.721256,22.024464...21.139585,22.898848;
23.201969,23.499121,21.806223.......20.928839,22.705545;
……
23.24799,23.54587,21.851955.......20.972935,22.746038};
和测试样本input_test={23.400904,23.700323,22.003792....21.119638,22,880556;
23.178579,23.475323,21.782934....20.906431,22.684958;
.......
23.032614,23.326229,21.637915....20.766964,22.556721};
步骤1.4,按照如下离差归一化变形公式将测试样本和训练样本每条数据归一化。
将测试样本和训练样本每条数据归一化。归一化后的结果为:
{1.0000,0.9934,0.9653……0.5269,0.4783;
1.0000,0.9934,0.9652……0.5262,0.4777;
……
0.9953,1.0000,0.9953……0.5268,0.4783}。
步骤二、构建标签索引,标签中包含该条漏损数据的漏损点类型和漏损点位置等信息的具体步骤为:
步骤2.1对每个标签都构建一个唯一的映射,该映射中包括漏损类型、漏损点位置。其格式如下:
{000。。。001:{漏损类型:正常;漏损点位置:无}
000。。。010:{漏损类型:一号点漏;漏损点位置:管段1}
000。。。100:{漏损类型:二号点漏;漏损点位置:管段6}
......
100。。。000:{漏损类型:二、四、五号点漏;漏损点位置:管段6、管段18和管段13}}。
步骤三、构建多层卷积神经网络模型,具体步骤为:
步骤3.1,构建卷积层:
Conv为卷积操作,yl分别表示第l卷积层的输入和输出,表示第l层的第n个卷积核,N为卷积核个数,bn表示第n个卷积核的偏置ReLu为激活函数。
步骤3.2,构建池化层:
池化层公式:
yl=Maxpooling(xl)
其中,xl为第l池化层输入,Maxpooling为最大池化操作,yl为第l池化层的输出。
本实验共构建了4层卷积层、4层池化层参数如表3所示。
表3
层名 | 核个数 | 卷积核大小 |
卷积层 | 256个 | 1×7 |
池化层 | 1×2 | |
卷积层 | 128个 | 1×5 |
池化层 | 1×2 | |
卷积层 | 64个 | 1×4 |
池化层 | 1×2 | |
卷积层 | 32个 | 1×3 |
池化层 | 1×2 |
步骤3.3,构建Softmax分类器:
Softmax分类器代价函数计算公式:
K是要分类的个数也是Softmax层神经元个数。ak表示连接层的输出也是Softmax分类器的输入,P(k)为Softmax分类器预测该数据属于第k类的概率(分类器最终需要分成的K个类,k表示属于第k类)。
步骤四、训练卷积神经网络模型。
将归一化处理后的训练样本输入到卷积神经网络模型中进行n次训练。在每次训练完成后利用归一化后的测试样本对卷积神经网络模型进行测试,以此来判断卷积神经网络模型是否训练的很好(标准是测试有稳定且较高的准确率);在n次训练完成后,卷积神经网络模型保持着稳定且较高的准确率则判断卷积神经网络模型训练较好,保存训练好的卷积神经网络模型。否则调整参数,继续训练直到卷积神经网络模型保持着稳定且较高的准确率的具体步骤为:
步骤4.1,将归一化处理后训练样本分批输入到卷积神经网络模型中,卷积神经网络模型根据步骤三的步骤依次计算(下称前馈计算)这里的前馈计算结果是为P={P(1),P(2)...P(f)...P(K)}。
步骤4.2,卷积神经网络模型前馈计算输出结果,实际输出结果和标签结果按以下公式计算出误差值(下称交叉熵误差):
a=σ(z)
y为期望的输出,a为神经元实际输出,x表示样本,n表示样本的总数,表示第l层的第n个卷积核的权值矩阵,xl表示第l层的输入,表示第l层的第n个卷积核的共享偏置。
步骤4.3,根据交叉熵误差更新权值偏置:
根据梯度下降法,每个神经元的权值和偏置对交叉熵误差求导,向负梯度方向更新权值和偏置:
η为学习率,l为训练次数,表示第l次训练时第i个神经元矩阵的第j个神经元权值,表示第l次训练时第i个神经元矩阵的共享偏置。
步骤4.4,同一批训练样本按照步骤4.1-步骤4.3循环训练n次,每次训练完成后输入归一化后测试样本。测试时,只前馈计算,不反馈计算,将输出结果与测试样本对应的标签对比后得到准确率,准确率达到预定值为符合实用需求,(准确率按照用户实际需求确定,本发明设定为准确率为95%)。如准确率稳定且较高,满足实用需求。训练完成后保存卷积神经网络模型结构参数和权值矩阵、偏置参数。否则调整卷积神经网络模型参数或重新制作样本后继续训练,直到满足要求。本实验训练过程中的误差曲线图和测试准确率图如图3和图4所示。
步骤五、判断漏损类型和漏损点位置。
管网采集实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果,对结果进行重构。按重构的结果在标签索引中找到对应的映射,解析映射得到漏损点个数和位置的具体步骤为:
步骤5.1,对实时数据input_V={22.32112,20.3288,19.0412...20.1328,22.8856}按步骤2.1所述方法归一化后为{0.9612,0.7274,0.6214……0.6841,0.9973}。
步骤5.2,将步骤5.1归一化的数据输入到步骤(4)中保存的卷积神经网络模型中计算得到结果序列{0.0012,0.0130,0.0201,0.3023...0.0182,0.2154,0.1833}。
步骤5.3,对步骤5.2得出的结果序列进行分析。找到结果序列中值最大的一位赋值1,其他位赋值0得到一个新的结果序列{0001...000}。
步骤5.4,将步骤5.3中得到的新的结果序列{0001...000},在标签索引中找到对应的映射{100。。。000:{漏损类型:一、二、五号点漏;漏损点编号:NO.1、NO.2、NO.5;漏损点位置:管段1、管段6和管段13}}。取出该映射,该映射中包含的漏损类型:一、二、五号点漏,漏损点位置:管段1、管段6和管段13为卷积神经网络模型判断的漏损类型和位置。
本方法的预测准确率如5所示。对采集到的6500条验证数据进行测试,得到了如图所示的预测误差分布图,红线代表期望预测值,蓝色*表示实际预测值。可以看出大部分蓝色*落在红线上表示预测准确。这6500条数据预测准确率为97.33%。
实施例2
本实施例公开一种基于卷积神经网络的市政给水管网多点漏损定位装置,包括
数据采集模块,用于对供水管压力数据进行采集,将所采集的数据分为训练样本和测试样本;
数据归一化模块,用于将所述训练样本和所述测试样本进行归一化;
训练模块,用于将归一化处理后的训练样本输入到卷积神经网络模型中进行训练,得到卷积神经网络模型,利用归一化后的测试样本对卷积神经网络模型进行测试,并保存训练好的卷积神经网络模型;
测试模块,用于将管网采集的实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果;
比较模块,用于将预测结果对比标签索引,判断漏损点个数和位置。
综上所述,本发明具有以下优点:
其一,与传统的听音法、区域检漏法等方法比较该方法可在漏损初期准确判断漏损点。
其二、与利用BP神经网络和其改进类型的算法比较,本方法对多点漏损定位的准确率较高。
其三、相比红外热像仪检测法、渗漏巡检仪检测法、示踪物质探测法、声波探测法等耗时耗力、劳动密集型,本方法判断时间快、预测准确且所用传感器为企业大量安装的水压传感器节省开支、避免管网二次伤害。
需要说明的是,在本文中,如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于卷积神经网络的给水管网多点漏损定位方法,包括以下步骤:
步骤一、对供水管网压力数据进行采集,将所采集的所述供水管网压力数据分为训练样本和测试样本;
步骤二、将所述训练样本和所述测试样本进行归一化;
步骤三、将归一化处理后的训练样本输入到卷积神经网络模型中进行训练,得到卷积神经网络模型,利用归一化后的测试样本对卷积神经网络模型进行测试,并保存训练好的卷积神经网络模型;
步骤四、管网采集的实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果;
步骤五、将预测结果对比标签索引,判断漏损点个数和位置。
2.根据权利要求1所述的基于卷积神经网络的给水管网多点漏损定位方法,其特征在于,所述对供水管网压力数据进行采集,具体包括以下步骤:
对供水管网压力数据按类型进行采集,包括正常数据、单点漏损和多点漏损数据,给每条数据按类型的不同打上不同的标签;将打上标签的数据分为训练样本和测试样本。
3.根据权利要求2所述的基于卷积神经网络的给水管网多点漏损定位方法,其特征在于,
每条数据的数据格式为{a1 a2 a3 。。。 aj},j表示第j个传感器采集的数据;
标签的格式为label_1={0 0 0 。。。 0 0 1}、label_2={0 0 0 。。。0 1 0}、label_d={0 0 0 。。 1 。。 0 0}其中,标签序列中只有一位是1,其他位是0。
4.根据权利要求2所述的基于卷积神经网络的给水管网多点漏损定位方法,其特征在于,对所述标签构建标签索引,标签中包含该条漏损数据的漏损点类型、漏损点位置;
具体步骤为:
对每个标签都构建一个唯一的映射,该映射中包括漏损点类型、漏损点位置;其格式如下:
{0 0 0 。。。 0 0 1:{漏损类型:正常;漏损点位置:无}
0 0 0 。。。 0 1 0:{漏损类型:一号点漏;漏损点位置:xx}
0 0 0 。。。 1 0 0:{漏损类型:二号点漏;漏损点位置:xx}
......
1 0 0 。。。 0 0 0:{漏损类型:q、m、n...号点漏;漏损点位置:xx、xx...和xx}};
其中,0 0 0 。。。 0 0 1为索引;{漏损类型:正常;漏损点位置:无}为0 0 0 。。。 0 0 1所对应的映射。
5.根据权利要求1所述的基于卷积神经网络的给水管网多点漏损定位方法,其特征在于,所述步骤二中对训练样本和测试样本归一化,具体包括以下步骤:每种类型的数据中,打乱后随机选择相同条数的数据构建成训练样本input_train;将每种类型剩下的数据每组选取相同条数的数据打乱后构建成测试样本input_test;
训练样本和测试样本格式如下:
训练样本input_train={a11 a12 a13 。。。 a1j;
a21 a22 a23 。。。 a2j;
。。。。
ai1 ai2 ai3 。。。 aij};
其中aij中的i表示i条数据,j表示第j个传感器采集的数据;
测试样本input_test={b11 b12 b13 。。。 b1j;
b21 b22 b23 。。。 b2j;
。。。。
bi1 bi2 ai3 。。。 bij};
其中bij中的i表示i条数据,j表示第j个传感器采集的数据;
按照以下离差归一化变形公式将测试样本和训练样本每条数据归一化,
其中x为样本中每条数据的各个数值,xmax为该条样本中最大的数值,xmin为该条样本中最小的数值。
6.根据权利要求1所述的基于卷积神经网络的给水管网多点漏损定位方法,其特征在于,步骤三中的卷积神经网络模型构建包括以下步骤:
步骤3.1,构建卷积层:
Conv为卷积操作,yl分别表示第l卷积层的输入和输出,i表示第i条数据;表示第l层的第n个卷积核;N为卷积核个数,bn表示第n个卷积核的偏置;ReLu为激活函数;
步骤3.2,构建池化层:
池化层公式:
yl=Maxpooling (xl)
其中,xl是为第l池化层的输入,Maxpooling为最大池化操作,yl是池化层输出;
步骤3.3,构建Softmax分类器:
Softmax分类器代价函数计算公式:
K是要分类的个数也是Softmax层神经元个数;ak表示连接层的输出也是Softmax分类器的输入,P(k)为Softmax分类器预测这条数据属于第k类的的概率;分类器最终需要分成的K个类,k表示属于第k类。
7.根据权利要求1所述的基于卷积神经网络的给水管网多点漏损定位方法,其特征在于,步骤三中将归一化处理后的训练样本输入到卷积神经网络模型中进行训练,得到卷积神经网络模型,利用归一化后的测试样本对卷积神经网络模型进行测试,并保存训练好的卷积神经网络模型具体包括以下步骤:
S1、将归一化处理后训练样本分批输入到卷积神经网络模型中计算,得到前馈计算结果P,P={P(1),P(2)...P(f)...P(K)};
S2、卷积神经网络模型前馈计算输出结果,实际输出结果和标签结果按以下公式计算出误差值,即交叉熵误差:
a=σ(z)
y为期望的输出,a为神经元实际输出,x表示样本,n表示样本的总数,表示第l层的第n个卷积核的权值矩阵,xl表示第l层的输入,表示第l层的第n个卷积核的共享偏置;
S3、根据交叉熵误差更新权值偏置:
根据梯度下降法,每个神经元的权值和偏置对交叉熵误差求导,向负梯度方向更新权值和偏置:
其中,η为学习率,l为训练次数,表示第l次训练时第i个神经元矩阵的第j个神经元权值,表示第l次训练时第i个神经元矩阵的共享偏置;
S4、按照S1~S3循环训练n次,每次训练完成后输入归一化后测试样本,将输出结果与测试样本对应的标签对比后得到准确率;
若准确率满足要求,则训练完成后保存卷积神经网络模型结构参数和权值矩阵、偏置参数;否则,调整卷积神经网络模型参数或重新制作样本后继续训练,直到满足要求。
8.根据权利要求1所述的基于卷积神经网络的给水管网多点漏损定位方法,其特征在于,所述步骤四中管网采集实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果;具体包括以下步骤:
S1、对实时数据input_V归一化,将归一化的数据输入保存的卷积神经网络模型中,计算得到结果序列;
S2、对结果序列进行分析,找到结果序列中值最大的一位赋值1,其他位赋值0得到一个新的结果序列。
9.根据权利要求8所述的基于卷积神经网络的给水管网多点漏损定位方法,其特征在于,所述步骤五中将将预测结果对比标签索引,判断漏损点个数和位置,具体包括以下步骤:
S1、将新的结果序列,在标签索引中找到对应的映射;
S2、取出该映射;
S3、通过该映射中包含的漏损类型,判断的漏损类型和位置。
10.一种基于卷积神经网络的市政给水管网多点漏损定位装置,其特征在于,包括
数据采集模块,用于对供水管压力数据进行采集,将所采集的数据分为训练样本和测试样本;
数据归一化模块,用于将所述训练样本和所述测试样本进行归一化;
训练模块,用于将归一化处理后的训练样本输入到卷积神经网络模型中进行训练,得到卷积神经网络模型,利用归一化后的测试样本对卷积神经网络模型进行测试,并保存训练好的卷积神经网络模型;
测试模块,用于将管网采集的实时数据归一化后输入到训练好的卷积神经网络模型中,通过训练好的卷积神经网络模型来得到预测结果;
比较模块,用于将预测结果对比标签索引,判断漏损点个数和位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811391052.0A CN109242049B (zh) | 2018-11-21 | 2018-11-21 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811391052.0A CN109242049B (zh) | 2018-11-21 | 2018-11-21 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242049A true CN109242049A (zh) | 2019-01-18 |
CN109242049B CN109242049B (zh) | 2019-07-09 |
Family
ID=65076161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811391052.0A Active CN109242049B (zh) | 2018-11-21 | 2018-11-21 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242049B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820373A (zh) * | 2019-03-28 | 2019-05-31 | 重庆邮电大学 | 基于智能座椅的坐姿自适应调整方法 |
CN111130839A (zh) * | 2019-11-04 | 2020-05-08 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
CN111141653A (zh) * | 2019-12-30 | 2020-05-12 | 上海地铁维护保障有限公司 | 一种基于神经网络的隧道渗漏速率预测方法 |
CN111237646A (zh) * | 2020-02-17 | 2020-06-05 | 清华大学 | 一种供水管网漏损的自动识别和定位方法 |
CN111797888A (zh) * | 2020-05-11 | 2020-10-20 | 山东建筑大学 | 一种蓄热供热系统及泄漏检测方法 |
CN111881999A (zh) * | 2020-08-04 | 2020-11-03 | 武汉易维环境工程有限公司 | 一种基于深度卷积神经网络的水务管道漏损探测方法及系统 |
CN112393860A (zh) * | 2020-12-09 | 2021-02-23 | 杭州拓深科技有限公司 | 一种基于类内距离约束自编码器的消防管网漏水监测方法 |
CN112446115A (zh) * | 2020-12-10 | 2021-03-05 | 大唐东北电力试验研究院有限公司 | 一种基于深度卷积神经网络的炉膛水冷壁异常识别算法 |
CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
CN113112126A (zh) * | 2021-03-22 | 2021-07-13 | 浙江和达科技股份有限公司 | 基于人工智能的供水管漏损预警方法及系统 |
CN113112127A (zh) * | 2021-03-22 | 2021-07-13 | 浙江和达科技股份有限公司 | 基于人工智能的计量管理方法及系统 |
CN113551156A (zh) * | 2021-06-23 | 2021-10-26 | 广州杰赛科技股份有限公司 | 基于深度学习的管道状态监测方法、装置及存储介质 |
CN113588179A (zh) * | 2021-06-24 | 2021-11-02 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN108596260A (zh) * | 2018-04-27 | 2018-09-28 | 安徽建筑大学 | 一种水管网漏损定位方法及装置 |
-
2018
- 2018-11-21 CN CN201811391052.0A patent/CN109242049B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN108596260A (zh) * | 2018-04-27 | 2018-09-28 | 安徽建筑大学 | 一种水管网漏损定位方法及装置 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820373A (zh) * | 2019-03-28 | 2019-05-31 | 重庆邮电大学 | 基于智能座椅的坐姿自适应调整方法 |
CN111130839B (zh) * | 2019-11-04 | 2021-07-16 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
CN111130839A (zh) * | 2019-11-04 | 2020-05-08 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
US11301755B2 (en) | 2019-11-04 | 2022-04-12 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
CN111141653A (zh) * | 2019-12-30 | 2020-05-12 | 上海地铁维护保障有限公司 | 一种基于神经网络的隧道渗漏速率预测方法 |
CN111141653B (zh) * | 2019-12-30 | 2022-08-09 | 上海地铁维护保障有限公司 | 一种基于神经网络的隧道渗漏速率预测方法 |
CN111237646A (zh) * | 2020-02-17 | 2020-06-05 | 清华大学 | 一种供水管网漏损的自动识别和定位方法 |
CN111237646B (zh) * | 2020-02-17 | 2021-03-02 | 清华大学 | 一种供水管网漏损的自动识别和定位方法 |
CN111797888A (zh) * | 2020-05-11 | 2020-10-20 | 山东建筑大学 | 一种蓄热供热系统及泄漏检测方法 |
CN111881999A (zh) * | 2020-08-04 | 2020-11-03 | 武汉易维环境工程有限公司 | 一种基于深度卷积神经网络的水务管道漏损探测方法及系统 |
CN112393860A (zh) * | 2020-12-09 | 2021-02-23 | 杭州拓深科技有限公司 | 一种基于类内距离约束自编码器的消防管网漏水监测方法 |
CN112393860B (zh) * | 2020-12-09 | 2022-12-20 | 杭州拓深科技有限公司 | 一种基于类内距离约束自编码器的消防管网漏水监测方法 |
CN112446115A (zh) * | 2020-12-10 | 2021-03-05 | 大唐东北电力试验研究院有限公司 | 一种基于深度卷积神经网络的炉膛水冷壁异常识别算法 |
CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
CN113112126A (zh) * | 2021-03-22 | 2021-07-13 | 浙江和达科技股份有限公司 | 基于人工智能的供水管漏损预警方法及系统 |
CN113112127A (zh) * | 2021-03-22 | 2021-07-13 | 浙江和达科技股份有限公司 | 基于人工智能的计量管理方法及系统 |
CN113112126B (zh) * | 2021-03-22 | 2024-05-03 | 浙江和达科技股份有限公司 | 基于人工智能的供水管漏损预警方法及系统 |
CN113551156A (zh) * | 2021-06-23 | 2021-10-26 | 广州杰赛科技股份有限公司 | 基于深度学习的管道状态监测方法、装置及存储介质 |
CN113588179A (zh) * | 2021-06-24 | 2021-11-02 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
CN113588179B (zh) * | 2021-06-24 | 2023-11-21 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109242049B (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242049B (zh) | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 | |
CN104407589B (zh) | 面向车间制造过程的实时生产性能主动感知与异常分析方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109376960A (zh) | 基于lstm神经网络的电网负荷预测方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN106327062A (zh) | 一种配电网设备的状态评估方法 | |
CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
CN109214719A (zh) | 一种基于人工智能的营销稽查分析的系统和方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN113205203A (zh) | 基于cnn-lstm的建筑能耗预测方法和系统 | |
CN111754020A (zh) | 基于数据分析的智能电厂设备巡检系统及方法 | |
CN107515822B (zh) | 基于多目标优化的软件缺陷定位方法 | |
CN113283547B (zh) | 一种基于多任务深度学习的最优潮流计算方法 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN115063020A (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
CN110321960A (zh) | 一种工厂生产要素的预测方法及系统 | |
CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
CN110889536A (zh) | 警情态势预测和预警方法及其系统 | |
CN106781457A (zh) | 一种基于多源融合数据的高速公路交通流参数修正方法 | |
CN107368933A (zh) | 一种基于适配度及相关系数拟合的光伏功率预测方法 | |
CN116664095B (zh) | 一种基于深度学习的安保巡检预测方法 | |
CN103559510B (zh) | 一种利用相关主题模型识别社会群体行为的方法 | |
CN108730775A (zh) | 一种树状管网爆管分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |