CN115952857B - 管道风险评估模型的训练方法、评估方法、设备及介质 - Google Patents
管道风险评估模型的训练方法、评估方法、设备及介质 Download PDFInfo
- Publication number
- CN115952857B CN115952857B CN202310231497.7A CN202310231497A CN115952857B CN 115952857 B CN115952857 B CN 115952857B CN 202310231497 A CN202310231497 A CN 202310231497A CN 115952857 B CN115952857 B CN 115952857B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- matrix
- model
- training
- risk assessment
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种管道风险评估模型的训练方法、评估方法、设备及介质，训练方法包括：获取训练数据，训练数据包括训练管道特征值矩阵和实际标签矩阵，训练管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值；实际标签矩阵均为4×1的矩阵，4个元素分别对应管道风险等级的四位编码；根据训练数据对原始的管道风险评估模型进行训练，以得到训练好的管道风险评估模型；原始的管道风险评估模型为改进型PSO‑BP网络模型，原始的管道风险评估模型采用改进型PSO算法计算最优模型权值和最优模型阈值时，对部分粒子对应的模型权值和模型阈值进行随机重置。本申请的训练方法，提高了管道风险评估模型的精度，从而提升了管道风险评估准确性。
Description
技术领域
本申请涉及管道风险评估技术，尤其涉及一种管道风险评估模型的训练方法、评估方法、设备及介质。
背景技术
城市建筑、铁路、公路数量多且密集，因此城市中燃气管道一般埋地敷设。埋地敷设的燃气管道需要定期或实时地根据管道状态进行风险评估，以在风险等级高时，可以及时发现，从而有利于保障管道安全性。
已知技术中采用传统的BP神经网络模型来计算燃气管道的风险等级，存在计算准确度低下的问题。
发明内容
本申请提供一种管道风险评估模型的训练方法、评估方法、设备及介质，用以使管道风险评估模型的输出跳出局部最优值，从而提高管道风险评估模型的评估准确性。此外，本申请还可以提高管道风险评估模型的评估效率。
第一方面，本申请提供一种管道风险评估模型的训练方法，该方法包括：
获取训练数据，所述训练数据包括训练管道特征值矩阵和实际标签矩阵，其中，所述训练管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值，用于指示管道的状态；所述实际标签矩阵均为4×1的矩阵，所述实际标签矩阵中的4个元素分别对应管道风险等级的四位编码；
根据所述训练数据对原始的管道风险评估模型进行训练，以得到训练好的管道风险评估模型；所述原始的管道风险评估模型为改进型PSO-BP网络模型，所述原始的管道风险评估模型在采用改进型PSO算法计算最优粒子以得到最优模型权值和最优模型阈值时，对部分粒子对应的模型权值和模型阈值进行随机重置；所述训练好的管道风险评估模型用于根据管道特征值矩阵评估管道风险等级。
在另一种可能实现的方式中，所述根据所述训练数据对原始的管道风险评估模型进行训练，包括：
将所述训练数据输入所述原始的管道风险评估模型，以得到第Y次训练标签矩阵，其中，1≤Y≤预设迭代次数，所述第Y次训练标签矩阵为4×1的矩阵，分别对应每个风险等级的四位编码数；
根据所述第Y次训练标签矩阵和所述实际标签矩阵，计算第Y次标签误差矩阵，所述第Y次标签误差矩阵中的每个元素用于指示所述第Y次训练标签矩阵中的编码值与所述实际标签矩阵中对应的编码值的误差值；
根据所述第Y次标签误差矩阵和所述改进型PSO算法，更新所述原始的管道风险评估模型，直至所述第Y次标签误差矩阵满足终止训练条件，和/或，所述Y等于所述预设迭代次数，所述终止训练条件为所述第Y次标签误差矩阵中的各个编码值误差均不大于预设误差。
在另一种可能实现的方式中，所述根据所述第Y次标签误差矩阵和所述改进型PSO算法，更新所述原始的管道风险评估模型，包括：
根据所述第Y次标签误差矩阵和所述改进型PSO算法，得到目标模型权值和目标模型阈值；
根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型。
在另一种可能实现的方式中，所述方法还包括：
若所述第Y次标签误差矩阵满足所述终止训练条件，或者所述Y等于所述预设迭代次数，则将当前的管道风险评估模型作为所述训练好的管道风险评估模型。
在另一种可能实现的方式中，所述将训练数据输入所述原始的管道风险评估模型之前，所述方法还包括：
根据所述训练数据，得到所述原始的管道风险评估模型的拓扑结构；所述拓扑结构包括神经元数量为n的输入层、神经元数量为m的隐含层，以及神经元数量为4的输出层，所述m=2n+1；
根据所述改进型PSO算法和所述拓扑结构构建所述原始的管道风险评估模型；
其中，所述改进型PSO算法的惯性权重由式（1）确定，所述改进型PSO算法还提供了如式（2）所示的粒子变异机制：
式（1）
式（2）
式（1）中，代表粒子的惯性权重，/>代表惯性权重的最大值，代表惯性权重的最小值，/>代表第i个粒子的适应度值，且与标签误差矩阵相关，/>代表每代最大适应度值，代表每代最小适应度值；式（2）中，代表粒子i的位置，代表粒子位置上限，/>表示N个0-1之间的随机数，N代表粒子i位置向量的维度，为0-1之间的随机数，用于表示粒子i对应的粒子随机数，代表重置概率，为预设值。
在另一种可能实现的方式中，所述根据所述改进型PSO算法和所述拓扑结构构建所述原始的管道风险评估模型，包括：
根据所述拓扑结构确定模型权值和模型阈值的数量；
初始化所述模型权值、所述模型阈值，并将所述模型权值和所述模型阈值编码成实数向量，以表示粒子种群中的粒子；
初始化所述预设迭代次数和所述改进型PSO算法的参数，以得到所述原始的管道风险评估模型；其中，所述改进型PSO算法的参数包括粒子种群数目、粒子初始位置、粒子初始速度、初始惯性权重和学习因子。
在另一种可能实现的方式中，所述根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型之前，所述方法还包括：
为粒子种群中的每个粒子的分配所述粒子随机数，根据所述粒子随机数，确定所述粒子种群中是否存在是否符合粒子变异条件的粒子，所述粒子变异条件为所述粒子随机数大于等于所述重置概率；
若符合，则根据所述式（2）更新所述目标模型权值和所述目标模型阈值，以得到更新模型权值和更新模型阈值，并根据所述更新模型权值和所述更新模型阈值，更新所述原始的管道风险评估模型；
若不符合，则确定根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型。
第二方面，本申请提供一种管道风险评估模型的评估方法，该方法包括：
获取管道特征值矩阵，所述管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值，用于指示管道当前状态；
将所述管道特征值矩阵输入训练好的管道风险评估模型中，所述训练好的管道风险评估模型是通过第一方面任一项所述的方法训练得到的；
获取所述训练好的管道风险评估模型输出的风险等级标签矩阵，并根据所述风险等级标签矩阵，确定风险等级；所述风险等级标签矩阵用于指示所述风险等级对应的编码。
第三方面，本申请提供一种管道风险评估模型的训练装置，该装置包括：
获取模块，用于获取训练数据，所述训练数据包括训练管道特征值矩阵和实际标签矩阵，其中，所述训练管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值，用于指示管道的状态；所述实际标签矩阵均为4×1的矩阵，所述实际标签矩阵中的4个元素分别对应管道风险等级的四位编码；
训练模块，用于根据所述训练数据对原始的管道风险评估模型进行训练，以得到训练好的管道风险评估模型；所述原始的管道风险评估模型为改进型PSO-BP网络模型，所述原始的管道风险评估模型在采用改进型PSO算法计算最优模型权值和最优模型阈值时，对部分模型权值和部分模型阈值进行随机重置；所述训练好的管道风险评估模型用于根据管道特征值矩阵评估管道风险等级。
在另一种可能实现的方式中，所述训练模块具体用于：
将所述训练数据输入所述原始的管道风险评估模型，以得到第Y次训练标签矩阵，其中，1≤Y≤预设迭代次数，所述第Y次训练标签矩阵为4×1的矩阵，分别对应每个风险等级的四位编码数；
根据所述第Y次训练标签矩阵和所述实际标签矩阵，计算第Y次标签误差矩阵，所述第Y次标签误差矩阵中的每个元素用于指示所述第Y次训练标签矩阵中的编码值与所述实际标签矩阵中对应的编码值的误差值；
根据所述第Y次标签误差矩阵和所述改进型PSO算法，更新所述原始的管道风险评估模型，直至所述第Y次标签误差矩阵满足终止训练条件，和/或，所述Y等于所述预设迭代次数，所述终止训练条件为所述第Y次标签误差矩阵中的各个编码值误差均不大于预设误差。
在另一种可能实现的方式中，所述训练模块具体用于：
根据所述第Y次标签误差矩阵和所述改进型PSO算法，得到目标模型权值和目标模型阈值；
根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型。
在另一种可能实现的方式中，所述训练模块还用于：
若所述第Y次标签误差矩阵满足所述终止训练条件，或者所述Y等于所述预设迭代次数，则将当前的管道风险评估模型作为所述训练好的管道风险评估模型。
在另一种可能实现的方式中，所述训练模块还用于：
根据所述训练数据，得到所述原始的管道风险评估模型的拓扑结构；所述拓扑结构包括神经元数量为n的输入层、神经元数量为m的隐含层，以及神经元数量为4的输出层，所述m=2n+1；
根据所述改进型PSO算法和所述拓扑结构构建所述原始的管道风险评估模型；
其中，所述改进型PSO算法的惯性权重由式（1）确定，所述改进型PSO算法还提供了如式（2）所示的粒子变异机制：
式（1）
式（2）
式（1）中，代表粒子的惯性权重，/>代表惯性权重的最大值，/>代表惯性权重的最小值，/>代表第i个粒子的适应度值，且与标签误差矩阵相关，代表每代最大适应度值，代表每代最小适应度值；式（2）中，代表粒子i的位置，/>代表粒子位置上限，/>表示N个0-1之间的随机数，N代表粒子i位置向量的维度，为0-1之间的随机数，用于表示粒子i对应的粒子随机数，/>代表重置概率，为预设值。
在另一种可能实现的方式中，所述训练模块具体用于：
根据所述拓扑结构确定模型权值和模型阈值的数量；
初始化所述模型权值、所述模型阈值，并将所述模型权值和所述模型阈值编码成实数向量，以表示粒子种群中的粒子；
初始化所述预设迭代次数和所述改进型PSO算法的参数，以得到所述原始的管道风险评估模型；其中，所述改进型PSO算法的参数包括粒子种群数目、粒子初始位置、粒子初始速度、初始惯性权重和学习因子。
在另一种可能实现的方式中，所述训练模块还用于：
为粒子种群中的每个粒子的分配所述粒子随机数，根据所述粒子随机数，确定所述粒子种群中是否存在是否符合粒子变异条件的粒子，所述粒子变异条件为所述粒子随机数大于等于所述重置概率；
若符合，则根据所述式（2）更新所述目标模型权值和所述目标模型阈值，以得到更新模型权值和更新模型阈值，并根据所述更新模型权值和所述更新模型阈值，更新所述原始的管道风险评估模型；
若不符合，则确定根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型。
第四方面，本申请提供一种管道风险评估模型的评估装置，该装置包括：
获取模块，用于获取管道特征值矩阵，所述管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值，用于指示管道当前状态；
输入模块，将所述管道特征值矩阵输入训练好的管道风险评估模型中，所述训练好的管道风险评估模型是通过第一方面任一项所述的方法训练得到的；
定级模块，用于获取所述训练好的管道风险评估模型输出的风险等级标签矩阵，并根据所述风险等级标签矩阵，确定风险等级；所述风险等级标签矩阵用于指示所述风险等级对应的编码。
第五方面，本发明提供一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面或第二方面中任一项所述的方法。
第六方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面或第二方面中任一项所述的方法。
本申请提供一种管道风险评估模型的训练方法、评估方法、设备及介质，其中，本申请的在对管道风险评估模型进行训练时，以训练管道特征值矩阵和实际标签矩阵作为训练数据，且在确定最优模型权值和最优模型阈值时，本申请采用改进型PSO算法对部分模型权值和部分模型阈值进行随机重置，从而可以使得最终的最优模型权值和最优模型阈值跳出局部最优，进而在使用管道风险评估模型进行风险评估时，有利于提升风险评估的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种管道风险评估模型的训练方法流程示意图；
图2为本申请实施例提供的一种构建管道风险评估模型的方法流程示意图；
图3为本申请实施例提供的一种管道风险评估模型的训练方法流程框图；
图4为本申请实施例提供的一种管道风险评估模型的评估方法流程示意图；
图5为本申请实施例提供的一种管道风险评估模型的训练装置的结构示意图；
图6为本申请实施例提供的一种管道风险评估模型的评估装置的结构示意图；
图7为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
目前，由于城市中的楼宇等建筑物和诸如铁路、公路等交通建筑多且密集，所以城市中的燃气管道一般采用埋地敷设的方式。为保障城市安全，埋地敷设的燃气管道需要定期地、或实时地根据管道状态进行风险评估，以便监控埋地燃气管道的风险状态。
影响埋地燃气管道综合风险的因素繁多，且各个因素之间相互影响，若采用常用的模糊综合评价法和层次分析法，会存在较强的主观性，同时，传统的BP神经网络存在易陷入局部极值、收敛速度慢等的问题，从而一方面降低了风险评估结果的可信度，另一方面存在效率低下的问题。
本申请提供一种管道风险评估模型的训练方法、评估方法、设备及介质，在对管道风险评估模型进行训练时，通过改进型粒子群算法（Particle Swarm Optimization，PSO）对部分粒子对应的模型权值和模型阈值进行随机重置，以跳出局部最优模型权值和局部最优模型阈值。从而在使用本申请的管道风险评估模型进行埋地燃气管道的风险评估时，可以得到更加准确的评估结果。
下面结合附图，对本申请的实施例进行详细说明，在各实施例不冲突的情况下，下述的实施例及实施例中的特征可以相互结合。
图1为本申请实施例提供的一种管道风险评估模型的训练方法流程示意图，下面结合图1，对本申请的一些实施方式作详细说明。
如图1所示，本实施例提供的方法包括：
S101，获取训练数据，训练数据包括训练管道特征值矩阵和实际标签矩阵。
其中，训练管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值，用于指示管道的状态；实际标签矩阵为4×1的矩阵，实际标签矩阵中的4个元素分别对应管道风险等级的四位编码。
具体地，训练管道特征值矩阵中的元素对应埋地燃气管道各个特征的状态值，示例性地，可以是管道的流量、管道的压强等。可以理解的是，在实际应用中，电子设备通过各种各样的传感器来检测埋地燃气管道的状态，从而得到每个时刻埋地燃气管道的状态。本实施例中，训练数据来自电子设备历史获取的每个时刻埋地燃气管道的状态。
在本实施例中，采用四位编码来表征管道风险等级。在实际应用中，还可以采用其它多位编码来表征管道风险等级，只要可以区分多个管道风险等级即可。
S102，根据训练数据对原始的管道风险评估模型进行训练，以得到训练好的管道风险评估模型。
其中，原始的管道风险评估模型为改进型PSO-BP网络模型，原始的管道风险评估模型在采用改进型PSO算法计算最优粒子以得到最优模型权值和最优模型阈值时，对部分粒子对应的模型权值和模型阈值进行随机重置；训练好的管道风险评估模型用于根据管道特征值矩阵评估管道风险等级。
具体地，改进型PSO算法将管道风险评估模型的所有权值和所有阈值作为一个粒子的变量，在训练过程中，在预设数量个粒子中寻找最优粒子，将最优粒子对应的权值和阈值作为最优模型权值和最优模型阈值。
在本实施例中，管道风险评估模型采用改进型PSO算法来寻找最优模型权值和最优模型阈值时，随机重置部分粒子对应的模型权值和模型阈值。本实施例中，不限定随机重置的方式，示例性地，可以按顺序随机重置预设数量的粒子，也可以重置全局最优粒子及其附近的粒子。
通过本实施例提供的方法，在训练管道风险评估模型时，改进型PSO算法随机重置部分粒子对应的模型权值和模型阈值，从而避免了模型陷入局部最优，进而可以提高模型应用时的准确性。
可以理解的是，在对原始的管道风险评估模型进行训练前，需要首先建立原始的管道风险评估模型。图2为本申请实施例提供的一种构建管道风险评估模型的方法流程示意图，下面结合图2对本申请中构建原始的管道风险评估模型的方法进行详细说明。
如图2所示，本实施例提供的方法包括：
S201，获取训练数据，根据训练数据，得到原始的管道风险评估模型的拓扑结构。
其中，对于训练数据的限定可参见上述实施例S101的描述，此处不再赘述。
在本实施例中，通过从管网易损度、风险触发因素和事后影响三方面分析了管道的特征，提取了28个管道风险评估特征值，具体可见下表1。可见，本实施例中，训练管道特征值矩阵为28×1的矩阵，其中的28个元素分别对应28个特征值的取值。
表1城市埋地燃气管道综合风险评估特征值
。
在本实施例中，对于诸如流量、气压等可以通过对应传感器进行实时监测的特征值，电子设备通过接收用于监控这些特征值的多个传感器，来获取其对应的数值。对于诸如建筑施工活跃度、溃堤概率等无法通过传感器来检测、但可根据历史数据推测的特征值，电子设备可以通过历史数据预测其取值，可以等待用户输入，也可以联网获取。对于诸如技术成熟度、材料成熟度、气体用途、人口密度、经济发展程度等特定的、无规律的特征值，电子设备等待用户输入获取。
电子设备对获取到的28个数值进行统一处理，使其取值范围均为0~10，以生成管道特征值矩阵。具体地，各个特征值的取值规则为：对于特征值“流量、气压、直径、管龄、建筑施工活跃度、交通活跃度、市政建设活跃度、土地开垦活跃度、供排水建设活跃度、土壤腐蚀性、管内气体冲刷程度、管内气体腐蚀性、溃堤概率、洪水概率、滑坡与泥石流概率、河水冲击概率、地址坍塌概率、气体汇聚程度、人口密度、经济发展程度、管网耦合程度、施工人员能力、阴极保护程度、技术成熟度、材料成熟度”，其数值越高、风险值越高；对于特征值“最小埋深、管壁厚度”，其数值越高、风险值越低；对于特征值“气体用途”，其越偏向工业用气，风险值越高。
在本实施例中，将城市埋地燃气管道综合风险等级分为一级、二级、三级、四级四个等级，分别对应重大、较大、一般、低四个风险程度。本实施例通过四位编码的标签来分别对应四个风险等级，具体如下表2所示。可见，本实施例中，实际标签矩阵为4×1的矩阵，其中的四个元素分别对应风险等级的四位编码值。
表2 风险等级标签
。
在本实施例中，原始的管道风险评估模型的拓扑结构包括输入层、隐含层和输出层，结合上述内容可知，输入层神经元数量为28，对应埋地燃气管道的28个特征值，隐含层的神经元数量为28×2+1=57，输出层的神经元数量为4，对应本申请中的风险等级的四位编码值。
由表2可知，若实际标签矩阵为[0，0，1，0]，则说明此时的风险等级为三级。
电子设备将历史时刻生成的管道特征值矩阵及其对应的风险标签矩阵，作为训练数据。
S202，根据拓扑结构确定模型权值和模型阈值的数量。
其中，模型权值和模型阈值的数量之和即为改进型PSO算法中每个粒子的变量数量。可以理解的是，在本实施例中，每个粒子的变量数量=n×m+m+m×4+4=28×57+57+57×4+4=1885。
S203，初始化模型权值、模型阈值，并将模型权值和模型阈值编码成实数向量，以表示改进型PSO算法中的粒子。
由已知技术可知，PSO算法包含位置和速度两个属性，本实施例中，在使用改进型PSO算法时，将所有的模型权值、模型阈值，作为每个粒子的位置向量中的元素。
S204，初始化预设迭代次数和改进型PSO算法的参数，以得到原始的管道风险评估模型。
其中，改进型PSO算法的参数包括粒子种群数目、粒子初始位置、粒子初始速度、初始惯性权重和学习因子。
在本实施例中，改进型PSO算法采用标准的速度公式和位置公式，但是其惯性权重由本实施例中的式（1）确定，除此外，本实施例的改进型PSO算法还引入了如式（2）所示的粒子变异机制。
式（1）
式（2）
式（1）中，代表粒子的惯性权重，/>代表惯性权重的最大值，/>代表惯性权重的最小值，/>代表第i个粒子的适应度值，且与标签误差矩阵相关，/>代表每代最大适应度值，代表每代最小适应度值；式（2）中，/>代表粒子i的位置，/>代表粒子位置上限，表示N个0~1之间的随机数，N代表粒子i位置向量的维度，为0-1之间的随机数，用于表示粒子i对应的粒子随机数，代表重置概率，为预设值。
其中，标签误差矩阵是由训练标签矩阵和实际标签矩阵确定的。
通过本实施例中式（1）所示的惯性权重公式，提高了算法的收敛速度。通过式（2）所示的粒子变异机制，在后续训练过程中，电子设备预设一个重置概率，并随机为每个粒子分配一个粒子随机数rand，通过粒子随机数rand和重置概率/>，来随机重置部分粒子，从而使得最终可以跳出局部最优，进而可以提高模型的准确度。
图3为本申请实施例提供的一种管道风险评估模型的训练方法流程框图，下面结合图3，对本申请的一些实施方式作详细说明。具体地，本实施例在上述实施例的基础上，进一步对如何训练原始的管道风险评估模型进行了详细说明。
如图3所示，本实施例提供的方法包括：
S301，获取训练数据，将训练数据输入原始的管道风险评估模型。
其中，训练数据包括多组训练管道特征值矩阵及其对应的实际标签矩阵，原始的管道风险评估模型由前述实施例得到。
S302，电子设备使原始的管道风险评估模型根据训练数据得到第Y次训练标签矩阵。
其中，1≤Y≤预设迭代次数，第Y次训练标签矩阵为4×1的矩阵，分别对应每个风险等级的四位编码值。
示例性地，某一训练管道特征值矩阵对应的第y次训练标签矩阵可以为[0.8，0.1，0.2，0.1]。
S303，根据第Y次训练标签矩阵和实际标签矩阵，计算第Y次标签误差矩阵。
其中，第Y次标签误差矩阵中的每个元素用于指示第Y次训练标签矩阵中的编码值与实际标签矩阵中对应的编码值的误差值。
示例性地，对于具体为[0.8，0.1，0.2，0.1]的第y次训练标签矩阵，若其使用的训练管道特征值矩阵对应的实际标签矩阵为[1，0，0，0]，则第y次标签误差矩阵为[0.2，0.1，0.2，0.1]。
S304，判断第Y次标签误差矩阵是否满足终止训练条件，和/或，Y是否等于预设迭代次数；若否，则执行S305，否则，执行S309。
其中，终止训练条件为第Y次标签误差矩阵中的各个编码值误差均不大于预设误差。
具体地，预设误差可以为0.05。此时，若y小于预设迭代次数，则可知第y次训练完成后，仍不满足训练结束的条件，需要执行S305，以继续根据训练数据对当前的管道风险评估模型进行训练。若y等于预设迭代次数，或着，第y次标签误差矩阵中的每个元素都小于或等于0.05，则说明达到了训练结束的条件，需要执行S310，将此时的管道风险评估模型作为训练好的管道风险评估模型。
S305，根据第Y次标签误差矩阵和改进型PSO算法，得到目标模型权值和目标模型阈值。
电子设备根据改进型PSO算法的标准速度公式、位置公式、前述实施例中的惯性权重公式，以及标签误差矩阵，得到目标模型权值和目标模型阈值。
S306，为粒子种群中的每个粒子分配粒子随机数，根据粒子随机数，确定粒子种群中是否存在符合粒子变异条件的粒子；若是，则执行S307，否则执行S308。
粒子变异条件为粒子随机数大于等于重置概率。
S307，根据式（2）更新目标模型权值和目标模型阈值，以得到更新模型权值和更新模型阈值，并根据更新模型权值和更新模型阈值，更新原始的管道风险评估模型。
S308，根据目标模型权值和目标模型阈值，更新原始的管道风险评估模型。
具体地，电子设备为每个粒子随机分配粒子随机数，并预设有重置概率。电子设备通过各个粒子对应的粒子随机数和重置概率，确定各个粒子是否符合粒子变异条件，若存在符合粒子变异条件的粒子，则执行S307，依据公式（2）对符合粒子变异条件的粒子进行重置，以得到重置后的各个粒子的位置向量，进而得到更新模型权值和模型阈值。若不存在符合粒子变异条件的粒子，则执行S308，直接根据目标模型权值和目标模型阈值更新管道风险评估模型。
示例性地，如前述实施例所说，粒子随机数为0到1之间的任意数，例如可以是0.3、0.6等，此时若电子设备预设重置概率为0.4，则根据式（2）可知，对于粒子随机数值大于或等于0.4的粒子，需要重置其位置向量，即该粒子对应的模型权值和模型阈值。示例性地，粒子随机数为0.3的粒子，不需要重置其对应的模型权值和模型阈值，粒子随机数为0.6的粒子，需要重置其对应的模型权值和模型阈值。其中，对于需要重置的粒子，其对应的模型权值和模型阈值，重置为原来数值的随机数倍，其中，该随机数也是0-1之间的随机数。
进一步地，根据部分粒子重置后的粒子群，重新寻找最优粒子，以得到更新模型权值和更新模型阈值，从而进一步更新原始的管道风险评估模型。
S309，电子设备获取更新后的原始的管道风险评估模型。
S310，将当前的管道风险评估模型作为训练好的管道风险评估模型。
在本实施例中，电子设备在执行完S307或S308后，继续执行S309，在执行完S309后，继续执行S302。
通过本实施例，电子设备在获取到训练数据后，将训练数据输入原始的管道风险评估模型中，以得到原始的管道风险评估模型输出的第Y次训练标签矩阵。电子设备通过第Y次训练标签矩阵和实际标签矩阵，计算第Y次标签误差矩阵。电子设备通过确定第Y次标签误差矩阵是否满足训练终止条件，或者，确定Y是否达到预设迭代次数，来确定是否需要终止训练。若否，则电子设备通过第Y次标签误差矩阵和改进型PSO算法来计算目标模型权值和目标模型阈值。
此时，电子设备将为粒子种群中的每个粒子分配随机数，通过对比随机数和重置概率，来确定是是否存在需要重置的粒子，若存在，则根据随机数重置该粒子，然后通过改进型PSO算法得到更新模型权值和更新模型阈值。电子设备根据该更新模型权值和更新模型阈值，得到更新后的管道风险评估模型。若电子设备确定粒子种群中不存在需要重置的粒子，则电子设备根据目标模型权值和目标更新阈值，来更新管道风险评估模型。
电子设备在确定第Y次标签误差矩阵满足终止训练条件，和/或，Y达到预设迭代次数时，确定终止训练，并将当前的管道风险评估模型，作为训练好的管道风险评估模型。
通过本实施例训练原始的管道风险评估模型，可以使得训练好的管道风险评估模型具备更高的精度。同时，本实施例中，改进型PSO算法在更新粒子速度时，由于改进了惯性权重公式，提高了算法的搜索能力，从而提高了算法确定最优粒子的速度，进而有利于加快对原始的管道风险评估模型的训练速度。
图4为本申请实施例提供的一种管道风险评估模型的评估方法流程示意图，下面结合图4，对本申请的一些实施方式作详细说明。具体地，本实施例在上述实施例的基础上，对通过本申请提供的管道风险评估模型进行埋地燃气管道风险评估的方法进行详细说明。
如图4所示，本实施例提供的方法包括：
S401，获取管道特征值矩阵。
其中，管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值，用于指示管道当前状态。
具体地，如前述实施例的限定，本实施例中，电子设备通过传感器或历史数据或用户输入来获取对应特征值的取值，并将其统一处理为0~10之间的数值，以得到管道特征值矩阵，本实施例不再赘述。
在本实施例中，管道特征值矩阵为28×1的矩阵。
S402，将管道特征值矩阵输入训练好的管道风险评估模型中。
本实施例中，训练好的管道风险评估模型是电子设备通过前述实施例的训练方法，对原始的管道风险评估模型得到的。
S403，获取训练好的管道风险评估模型输出的风险等级标签矩阵，并根据风险等级标签矩阵，确定风险等级。
其中，风险等级标签矩阵用于指示风险等级对应的编码。
具体地，电子设备将管道特征值矩阵输入训练好的管道风险评估模型中，后获取训练好的管道风险评估模型输出的风险等级标签矩阵。电子设备通过对比风险等级标签矩阵与四个风险等级对应的标签的相似度，来确定风险等级。
示例性地，若电子设备获取到的风险等级标签矩阵为[0.01,0，0.02，0.97]，通过对比四个风险等级对应的标签，可以确定此时的管道特征值矩阵对应的风险等级为四级。
通过上述实施例从方法流程的角度介绍一种管道风险评估模型的训练方法和管道风险评估模型的评估方法，下述实施例从虚拟模块或虚拟单元的角度介绍一种管道风险评估模型的训练装置和一种管道风险评估模型的评估装置，具体详见下述实施例。
本申请实施例提供一种管道风险评估模型的训练装置，如图5所示，该装置包括获取模块51、训练模块52，其中，
获取模块51，用于获取训练数据，训练数据包括训练管道特征值矩阵和实际标签矩阵，其中，训练管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值，用于指示管道的状态；实际标签矩阵均为4×1的矩阵，实际标签矩阵中的4个元素分别对应管道风险等级的四位编码；
训练模块52，用于根据训练数据对原始的管道风险评估模型进行训练，以得到训练好的管道风险评估模型；原始的管道风险评估模型为改进型PSO-BP网络模型，原始的管道风险评估模型在采用改进型PSO算法计算最优粒子以得到最优模型权值和最优模型阈值时，对部分粒子对应的模型权值和模型阈值进行随机重置；训练好的管道风险评估模型用于根据管道特征值矩阵评估管道风险等级。
本申请实施例的另一种可能的实现方式，训练模块52具体用于：
将训练数据输入原始的管道风险评估模型，以得到第Y次训练标签矩阵，其中，1≤Y≤预设迭代次数，第Y次训练标签矩阵为4×1的矩阵，分别对应每个风险等级的四位编码数；
根据第Y次训练标签矩阵和实际标签矩阵，计算第Y次标签误差矩阵，第Y次标签误差矩阵中的每个元素用于指示第Y次训练标签矩阵中的编码值与实际标签矩阵中对应的编码值的误差值；
根据第Y次标签误差矩阵和改进型PSO算法，更新原始的管道风险评估模型，直至第Y次标签误差矩阵满足终止训练条件，和/或，Y等于预设迭代次数，终止训练条件为第Y次标签误差矩阵中的各个编码值误差均不大于预设误差。
本申请实施例的另一种可能的实现方式，训练模块52具体用于：
根据第Y次标签误差矩阵和改进型PSO算法，得到目标模型权值和目标模型阈值；
根据目标模型权值和目标模型阈值，更新原始的管道风险评估模型。
本申请实施例的另一种可能的实现方式，训练模块52还用于：
若第Y次标签误差矩阵满足终止训练条件，或者Y等于预设迭代次数，则将当前的管道风险评估模型作为训练好的管道风险评估模型。
本申请实施例的另一种可能的实现方式，训练模块52还用于：
根据训练数据，得到原始的管道风险评估模型的拓扑结构；拓扑结构包括神经元数量为n的输入层、神经元数量为m的隐含层，以及神经元数量为4的输出层，m=2n+1；
根据改进型PSO算法和拓扑结构构建原始的管道风险评估模型；
其中，改进型PSO算法的惯性权重由式（1）确定，改进型PSO算法还提供了如式（2）所示的粒子变异机制：
式（1）
式（2）/>
式（1）中，代表粒子的惯性权重，/>代表惯性权重的最大值，/>代表惯性权重的最小值，/>代表第i个粒子的适应度值，且与标签误差矩阵相关，代表每代最大适应度值，代表每代最小适应度值；式（2）中，/>代表粒子i的位置，代表粒子位置上限，/>表示N个0~1之间的随机数，N代表粒子i位置向量的维度，/>为0-1之间的随机数，用于表示粒子i对应的粒子随机数，/>代表重置概率，为预设值。
本申请实施例的另一种可能的实现方式，训练模块52具体用于：
根据拓扑结构确定模型权值和模型阈值的数量；
初始化模型权值、模型阈值，并将模型权值和模型阈值编码成实数向量，以表示粒子种群中的粒子；
初始化预设迭代次数和改进型PSO算法的参数，以得到原始的管道风险评估模型；其中，改进型PSO算法的参数包括粒子种群数目、粒子初始位置、粒子初始速度、初始惯性权重和学习因子。
本申请实施例的另一种可能的实现方式，训练模块52还用于：
为粒子种群中的每个粒子的分配粒子随机数，根据粒子随机数，确定粒子种群中是否存在是否符合粒子变异条件的粒子，粒子变异条件为粒子随机数大于等于重置概率；
若符合，则根据式（2）更新目标模型权值和目标模型阈值，以得到更新模型权值和更新模型阈值，并根据更新模型权值和更新模型阈值，更新原始的管道风险评估模型；
若不符合，则确定根据目标模型权值和目标模型阈值，更新原始的管道风险评估模型。
本申请实施例提供的一种管道风险评估模型的训练装置，适用于上述管道风险评估模型的训练方法实施例，在此不再赘述。
本申请实施例提供一种管道风险评估模型的评估装置，如图6所示，该装置包括获取模块61、输入模块62和定级模块63，其中，
获取模块61，用于获取管道特征值矩阵，管道特征值矩阵为n×1的矩阵，分别对应n个管道特征值，用于指示管道当前状态；
输入模块62，将管道特征值矩阵输入训练好的管道风险评估模型中，训练好的管道风险评估模型是通过上述实施例中公开的任一种管道风险评估模型的训练方法训练得到的；
定级模块63，用于获取训练好的管道风险评估模型输出的风险等级标签矩阵，并根据风险等级标签矩阵，确定风险等级；风险等级标签矩阵用于指示风险等级对应的编码。
本申请实施例提供的一种管道风险评估模型的评估装置，适用于上述管道风险评估模型的评估方法实施例，在此不再赘述。
本申请实施例中提供了一种电子设备，如图7所示，图7所示的加热控制设备包括：处理器71和存储器72。其中，处理器71和存储器72相连，如通过总线73相连。可选地，电子设备还可以包括收发器74。需要说明的是，实际应用中收发器74不限于一个，该电子设备的结构并不构成对本申请实施例的限定。
处理器71可以是中央处理器71（Central Processing Unit，CPU），通用处理器71，数据信号处理器71（Digital Signal Processor，DSP），专用集成电路（ApplicationSpecific Integrated Circuit，ASIC），现场可编程门阵列（Field Programmable GateArray，FPGA）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器71也可以是实现计算功能的组合，例如包含一个或多个微处理器71组合，DSP和微处理器71的组合等。
总线73可包括一通路，在上述组件之间传送信息。总线73可以是外设部件互连标准（Peripheral Component Interconnect，PCI）总线73或扩展工业标准结构（ExtendedIndustry Standard Architecture，EISA）总线73等。总线73可以分为地址总线73、数据总线73、控制总线73等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线73或一种类型的总线73。
存储器72可以是只读存储器72（Read Only Memory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器72（RandomAccess Memory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器72（Electrically Erasable Programmable Read Only Memory，EEPROM）、只读光盘（CompactDisc Read Only Memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器72用于存储执行本申请方案的应用程序代码，并由处理器71来控制执行。处理器71用于执行存储器72中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，加热控制设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、个人数字助理（PDA）、平板电脑（PAD）、便携式多媒体播放器（PMP）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (7)
1.一种管道风险评估模型的训练方法，其特征在于，包括：
获取训练数据，所述训练数据包括训练管道特征值矩阵和实际标签矩阵，其中，所述训练管道特征值矩阵为n*1的矩阵，分别对应n个管道特征值，用于指示管道的状态，其中，所述管道特征值包括的流量、气压、直径、管龄、建筑施工活跃度、交通活跃度、市政建设活跃度、土地开垦活跃度、供排水建设活跃度、土壤腐蚀性、管内气体冲刷程度、管内气体腐蚀性、溃堤概率、洪水概率、滑坡与泥石流概率、河水冲击概率、地址坍塌概率、气体汇聚程度、人口密度、经济发展程度、管网耦合程度、施工人员能力、阴极保护程度、技术成熟度、材料成熟度特征值数值越高、风险值越高，所述管道特征值包括的最小埋深、管壁厚度特征值数值越高、风险值越低，所述管道特征值包括的气体用途特征值越偏向工业用气，风险值越高；所述实际标签矩阵均为4*1的矩阵，所述实际标签矩阵中的4个元素分别对应管道风险等级的四位编码，所述管道风险等级分为一级、二级、三级、四级四个等级，分别对应重大、较大、一般、低四个风险程度；
根据所述训练数据对原始的管道风险评估模型进行训练，以得到训练好的管道风险评估模型；所述原始的管道风险评估模型为改进型PSO-BP网络模型，所述原始的管道风险评估模型在采用改进型PSO算法计算最优粒子以得到最优模型权值和最优模型阈值时，对部分粒子对应的模型权值和模型阈值进行随机重置；所述训练好的管道风险评估模型用于根据管道特征值矩阵评估管道风险等级；
所述改进型PSO算法的惯性权重由式（1）确定，所述改进型PSO算法还提供了如式（2）所示的粒子变异机制：式（1）中，/>代表粒子的惯性权重，/>代表惯性权重的最大值，/>代表惯性权重的最小值，/>代表第i个粒子的适应度值，且与标签误差矩阵相关，/>代表每代最大适应度值，/>代表每代最小适应度值；式（2）中，/>代表粒子i的位置，/>代表粒子位置上限，/>表示N个0~1之间的随机数，N代表粒子i位置向量的维度，/>为0-1之间的随机数，用于表示粒子i对应的粒子随机数，/>代表重置概率，为预设值；
所述根据所述训练数据对原始的管道风险评估模型进行训练，包括：
将所述训练数据输入所述原始的管道风险评估模型，以得到第Y次训练标签矩阵，其中，预设迭代次数，所述第Y次训练标签矩阵为4*1的矩阵，分别对应每个风险等级的四位编码数；
根据所述第Y次训练标签矩阵和所述实际标签矩阵，计算第Y次标签误差矩阵，所述第Y次标签误差矩阵中的每个元素用于指示所述第Y次训练标签矩阵中的编码值与所述实际标签矩阵中对应的编码值的误差值；
根据所述第Y次标签误差矩阵和所述改进型PSO算法，更新所述原始的管道风险评估模型，直至所述第Y次标签误差矩阵满足终止训练条件，和/或，Y等于所述预设迭代次数，所述终止训练条件为所述第Y次标签误差矩阵中的各个编码值误差均不大于预设误差；
所述根据所述第Y次标签误差矩阵和所述改进型PSO算法，更新所述原始的管道风险评估模型，包括：
根据所述第Y次标签误差矩阵和所述改进型PSO算法，得到目标模型权值和目标模型阈值；
根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型；
所述将训练数据输入所述原始的管道风险评估模型之前，所述方法还包括：
根据所述训练数据，得到所述原始的管道风险评估模型的拓扑结构；所述拓扑结构包括神经元数量为n的输入层、神经元数量为m的隐含层，以及神经元数量为4的输出层，所述m=2n+1；
根据所述改进型PSO算法和所述拓扑结构构建所述原始的管道风险评估模型；
所述根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型之前，所述方法还包括：
为粒子种群中的每个粒子的分配所述粒子随机数，根据所述粒子随机数，确定所述粒子种群中是否存在是否符合粒子变异条件的粒子，所述粒子变异条件为所述粒子随机数大于等于所述重置概率；
若符合，则根据所述式（2）更新所述目标模型权值和所述目标模型阈值，以得到更新模型权值和更新模型阈值，并根据所述更新模型权值和所述更新模型阈值，更新所述原始的管道风险评估模型；
若不符合，则确定根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述第Y次标签误差矩阵满足所述终止训练条件，或者所述Y等于所述预设迭代次数，则将当前的管道风险评估模型作为所述训练好的管道风险评估模型。
3.一种管道风险评估模型的评估方法，其特征在于，包括：
获取管道特征值矩阵，所述管道特征值矩阵为n*1的矩阵，分别对应n个管道特征值，用于指示管道当前状态；
将所述管道特征值矩阵输入训练好的管道风险评估模型中，所述训练好的管道风险评估模型是通过权利要求1-2任一项所述的方法训练得到的；
获取所述训练好的管道风险评估模型输出的风险等级标签矩阵，并根据所述风险等级标签矩阵，确定风险等级；所述风险等级标签矩阵用于指示所述风险等级对应的编码。
4.一种管道风险评估模型的训练装置，其特征在于，包括：
获取模块，用于获取训练数据，所述训练数据包括训练管道特征值矩阵和实际标签矩阵，其中，所述训练管道特征值矩阵为n*1的矩阵，分别对应n个管道特征值，用于指示管道的状态，其中，所述管道特征值包括的流量、气压、直径、管龄、建筑施工活跃度、交通活跃度、市政建设活跃度、土地开垦活跃度、供排水建设活跃度、土壤腐蚀性、管内气体冲刷程度、管内气体腐蚀性、溃堤概率、洪水概率、滑坡与泥石流概率、河水冲击概率、地址坍塌概率、气体汇聚程度、人口密度、经济发展程度、管网耦合程度、施工人员能力、阴极保护程度、技术成熟度、材料成熟度特征值数值越高、风险值越高，所述管道特征值包括的最小埋深、管壁厚度特征值数值越高、风险值越低，所述管道特征值包括的气体用途特征值越偏向工业用气，风险值越高；所述实际标签矩阵均为4*1的矩阵，所述实际标签矩阵中的4个元素分别对应管道风险等级的四位编码，所述管道风险等级分为一级、二级、三级、四级四个等级，分别对应重大、较大、一般、低四个风险程度；
训练模块，用于根据所述训练数据对原始的管道风险评估模型进行训练，以得到训练好的管道风险评估模型；所述原始的管道风险评估模型为改进型PSO-BP网络模型，所述原始的管道风险评估模型在采用改进型PSO算法计算最优粒子以得到最优模型权值和最优模型阈值时，对部分粒子对应的模型权值和模型阈值进行随机重置；所述训练好的管道风险评估模型用于根据管道特征值矩阵评估管道风险等级；
所述改进型PSO算法的惯性权重由式（1）确定，所述改进型PSO算法还提供了如式（2）所示的粒子变异机制：式（1）中，/>代表粒子的惯性权重，/>代表惯性权重的最大值，/>代表惯性权重的最小值，/>代表第i个粒子的适应度值，且与标签误差矩阵相关，/>代表每代最大适应度值，/>代表每代最小适应度值；式（2）中，/>代表粒子i的位置，/>代表粒子位置上限，/>表示N个0~1之间的随机数，N代表粒子i位置向量的维度，/>为0-1之间的随机数，用于表示粒子i对应的粒子随机数，/>代表重置概率，为预设值；
所述训练模块，具体用于将所述训练数据输入所述原始的管道风险评估模型，以得到第Y次训练标签矩阵，其中，预设迭代次数，所述第Y次训练标签矩阵为4*1的矩阵，分别对应每个风险等级的四位编码数；根据所述第Y次训练标签矩阵和所述实际标签矩阵，计算第Y次标签误差矩阵，所述第Y次标签误差矩阵中的每个元素用于指示所述第Y次训练标签矩阵中的编码值与所述实际标签矩阵中对应的编码值的误差值；根据所述第Y次标签误差矩阵和所述改进型PSO算法，更新所述原始的管道风险评估模型，直至所述第Y次标签误差矩阵满足终止训练条件，和/或，Y等于所述预设迭代次数，所述终止训练条件为所述第Y次标签误差矩阵中的各个编码值误差均不大于预设误差；
所述根据所述第Y次标签误差矩阵和所述改进型PSO算法，更新所述原始的管道风险评估模型，包括：根据所述第Y次标签误差矩阵和所述改进型PSO算法，得到目标模型权值和目标模型阈值；根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型；
所述训练模块，还用于根据所述训练数据，得到所述原始的管道风险评估模型的拓扑结构；所述拓扑结构包括神经元数量为n的输入层、神经元数量为m的隐含层，以及神经元数量为4的输出层，所述m=2n+1；根据所述改进型PSO算法和所述拓扑结构构建所述原始的管道风险评估模型；
所述训练模块，在根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型之前，还用于为粒子种群中的每个粒子的分配所述粒子随机数，根据所述粒子随机数，确定所述粒子种群中是否存在是否符合粒子变异条件的粒子，所述粒子变异条件为所述粒子随机数大于等于所述重置概率；
若符合，则根据所述式（2）更新所述目标模型权值和所述目标模型阈值，以得到更新模型权值和更新模型阈值，并根据所述更新模型权值和所述更新模型阈值，更新所述原始的管道风险评估模型；若不符合，则确定根据所述目标模型权值和所述目标模型阈值，更新所述原始的管道风险评估模型。
5.一种管道风险评估模型的评估装置，其特征在于，包括：
获取模块，用于获取管道特征值矩阵，所述管道特征值矩阵为n*1的矩阵，分别对应n个管道特征值，用于指示管道当前状态；
输入模块，将所述管道特征值矩阵输入训练好的管道风险评估模型中，所述训练好的管道风险评估模型是通过权利要求1-2任一项所述的方法训练得到的；
定级模块，用于获取所述训练好的管道风险评估模型输出的风险等级标签矩阵，并根据所述风险等级标签矩阵，确定风险等级；所述风险等级标签矩阵用于指示所述风险等级对应的编码。
6.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-2或3任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-2或3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310231497.7A CN115952857B (zh) | 2023-03-13 | 2023-03-13 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310231497.7A CN115952857B (zh) | 2023-03-13 | 2023-03-13 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115952857A CN115952857A (zh) | 2023-04-11 |
| CN115952857B true CN115952857B (zh) | 2023-08-08 |
Family
ID=87290931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310231497.7A Active CN115952857B (zh) | 2023-03-13 | 2023-03-13 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115952857B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364501A (zh) * | 2011-09-14 | 2012-02-29 | 哈尔滨工程大学 | 一种石油管道pso-bp神经网络二维缺陷重现方法 |
| CN108537376A (zh) * | 2018-04-02 | 2018-09-14 | 西安建筑科技大学 | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 |
| CN110765848A (zh) * | 2019-09-08 | 2020-02-07 | 天津大学 | 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法 |
| CN114818487A (zh) * | 2022-04-13 | 2022-07-29 | 西安石油大学 | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 |
| CN115640511A (zh) * | 2022-12-24 | 2023-01-24 | 武汉商启网络信息有限公司 | 一种基于支持向量机的管道泄露检测方法及装置 |
-
2023
- 2023-03-13 CN CN202310231497.7A patent/CN115952857B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364501A (zh) * | 2011-09-14 | 2012-02-29 | 哈尔滨工程大学 | 一种石油管道pso-bp神经网络二维缺陷重现方法 |
| CN108537376A (zh) * | 2018-04-02 | 2018-09-14 | 西安建筑科技大学 | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 |
| CN110765848A (zh) * | 2019-09-08 | 2020-02-07 | 天津大学 | 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法 |
| CN114818487A (zh) * | 2022-04-13 | 2022-07-29 | 西安石油大学 | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 |
| CN115640511A (zh) * | 2022-12-24 | 2023-01-24 | 武汉商启网络信息有限公司 | 一种基于支持向量机的管道泄露检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于自适应粒子群优化的WSNs非均匀分簇路由算法;杭超等;传感器与微系统;第42卷(第1期);117-121 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115952857A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moghaddasi et al. | ICA-ANN, ANN and multiple regression models for prediction of surface settlement caused by tunneling | |
| Zhang et al. | Developing a cloud model based risk assessment methodology for tunnel-induced damage to existing pipelines | |
| Zhang et al. | Approximating SWAT model using artificial neural network and support vector machine 1 | |
| Rossetto et al. | Evaluation of existing fragility curves | |
| CN109214436A (zh) | 一种针对目标场景的预测模型训练方法及装置 | |
| Kuok et al. | Broad learning for nonparametric spatial modeling with application to seismic attenuation | |
| CN105488317A (zh) | 用于预测空气质量的系统和方法 | |
| Rehamnia et al. | Modeling of seepage flow through concrete face rockfill and embankment dams using three heuristic artificial intelligence approaches: a comparative study | |
| Mamat et al. | Slope stability prediction of road embankment on soft ground treated with prefabricated vertical drains using artificial neural network | |
| Cheng et al. | Groutability prediction of microfine cement based soil improvement using evolutionary LS-SVM inference model | |
| Mrówczyńska et al. | The network structure evolutionary optimization to geodetic monitoring in the aspect of information entropy | |
| Kim et al. | Automatic recognition of workers’ motions in highway construction by using motion sensors and long short-term memory networks | |
| Zhao et al. | Reliability analysis using chaotic particle swarm optimization | |
| Huang et al. | An integrated approach based on Markov Chain and cellular automata to simulation of urban land use changes | |
| CN116258097A (zh) | 一种更新水文模型方法、装置、电子设备和介质 | |
| CN116307745A (zh) | 一种工程项目智能风险监管预警方法及系统 | |
| CN116108590A (zh) | 一种重力式挡土墙设计方法、装置、设备及可读存储介质 | |
| CN115952857B (zh) | 管道风险评估模型的训练方法、评估方法、设备及介质 | |
| Zhang et al. | A Bayesian neural network approach for probabilistic model updating using incomplete modal data | |
| Van Nguyen et al. | Comparison of machine learning techniques for condition assessment of sewer network | |
| CN116384255B (zh) | 一种基于多源数据融合的园区危险态势感知方法及系统 | |
| CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
| CN115307687B (zh) | 一种边坡稳定性监测方法、系统、存储介质及电子设备 | |
| Jiang et al. | Rock slope displacement prediction based on multi-source information fusion and SSA-DELM model |
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 |