CN116821845A - 基于多传感器数据融合的管道淤积情况诊断方法及装置 - Google Patents
基于多传感器数据融合的管道淤积情况诊断方法及装置 Download PDFInfo
- Publication number
- CN116821845A CN116821845A CN202310729408.1A CN202310729408A CN116821845A CN 116821845 A CN116821845 A CN 116821845A CN 202310729408 A CN202310729408 A CN 202310729408A CN 116821845 A CN116821845 A CN 116821845A
- Authority
- CN
- China
- Prior art keywords
- fouling
- data
- drainage pipeline
- sensor data
- siltation
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000007637 random forest analysis Methods 0.000 claims abstract description 23
- 238000005315 distribution function Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 235000020681 well water Nutrition 0.000 claims description 4
- 239000002349 well water Substances 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000004062 sedimentation Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 238000003909 pattern recognition Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及基于多传感器数据融合的管道淤积情况诊断方法及装置。所述方法包括：利用排水管道数据采集系统，对排水管道进行多指标数据采集；采用自适应加权融合算法，对排水管道采集系统测定数据进行数据级融合；利用自组织映射神经网络，对采集到的管道粗筛指标进行特征级融合；基于随机森林与概率神经网络算法，对排水管道淤积情况分别进行模式识别并得出识别结果；采用D‑S证据理论融合随机森林与概率神经网络算法的识别结果，执行决策级融合，对排水管道淤积情况进行综合判别。本发明采用多源数据融合理论和深度学习算法，对排水管道的淤积情况进行了精准诊断，为城市排水管网淤积情况的诊断提供强大的技术支撑。
Description
技术领域
本发明涉及数据处理技术领域，用于对排水管道淤积情况进行判断，特别涉及是一种基于多传感器数据融合的管道淤积情况诊断方法及装置。
背景技术
排水管道是城市的重要基础设施，被称为城市的“生命线”，它在城市防洪排涝任务中扮演着非常重要的角色。但排水管道往往存在着管道淤堵的问题，影响其防洪排涝的能力。虽然目前排水管道淤积情况监测获得了较为广泛的探索性研究，但仍存在不同传感器收集的排水管道数据在时间和空间上存在差异，导致数据处理的效率低下以及排水管道是否存在淤积的识别结果不准确等问题。因此，如何提高对排水管道多传感器指标数据融合提取的精确度、冗余数据处理能力以及淤积诊断结果的准确性是目前亟待解决的关键问题。
公开号CN110929359A的中国专利申请披露了一种基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，包括以下步骤A：采集管网排水参数，基于SWMM模型对排水参数进行预处理；B：基于步骤A的预处理结果构建包括影响管网淤积情况和反应管网淤积情况的参数的历史数据；C：将历史数据输入PNN神经网络，得到淤积风险的预测模型。本发明提供的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法的优点在于：通过PNN神经网络和SWMM技术的结合，构建更精确的历史数据进行模型训练，解决了现有淤积判断方法的单一性、滞后性问题，便于管养单位制定详细的清淤养护方案，提高管网养护的效率。
上述方法，借助了神经网络对淤积情况进行判断，能够取得一定效果，但是在数据量较大时处理速度和预测精度都不甚理想。
发明内容
为了解决上述问题，本发明提供了一种多传感器数据融合的管道淤积情况诊断方法和装置，包括如下技术方案：
一种排水管道淤积情况诊断方法，包括：步骤1：对进行排水管道进行数据采集，其中包括通过各种传感器获得的传感器数据，以及对应的管道淤积程度和淤积长度；步骤2：对所述传感器数据进行预处理；步骤3：对预处理后的传感器数据进行聚类，以进行降维；步骤4：基于概率神经网络算法，对降维后传感器数据与排水管道相应的淤积长度进行训练，得到第一基本概率分配函数；基于随机森林算法，对降维后的传感器数据与排水管道相应的淤积长度进行训练，得到第二基本概率分配函数；步骤5：采用D-S证据理论融合上述第一基本概率分配函数和第二基本概率分配函数，对排水管道淤积情况进行综合诊断；步骤6：根据实际采集的传感器数据，基于步骤2至步骤5得到的诊断模型进行诊断，得到排水管道的淤积情况。
在一个实施例中，所述传感器数据包括流量、流速、水压、管壁压强、地下排水井水深和管道坡度。
在一个实施例中，利用自组织映射神经网络对步骤1中采集到的传感器数据进行聚类分析。
在一个实施例中，对所述传感器数据进行预处理，包括：利用3σ准则进行异常值判定与剔除；采用均值插值法对剔除的异常值进行插补；通过自适应加权融合算法对传感器数据进行加权融合，且融合后满足以下关系：
其中，各传感器指标数据的加权因子分别是W1，W2，…，Wn，方差分别为 Xi为传感器数据，X为融合后的值，当前状态下排水管道的多指标数据可表示为：(x1,x2,...xm)。
在一个实施例中，对预处理后的传感器数据进行聚类，包括：归一化处理；预设聚类簇个数p，对于归一化处理后的数据集，输入到无监督学习方式的自组织映射神经网络，得到聚类簇；计算各聚类簇中指标距离聚类中心的欧氏距离；选取距离聚类中心最近的指标作为最代表性指标，得到降维后数据集。
在一个实施例中，基于随机森林算法对降维后的传感器数据与排水管道相应的淤积长度进行训练得到第二基本概率分配函数，包括：选取特定数目的特征值；对所述特征值采用C4.5算法来选择分裂属性，构造决策树；进而生成若干棵决策树，形成随机森林模型；对随机森林模型进行训练，计算得出每个淤积程度对应的正确投票率；其中计算每个淤积程度对应的正确投票率的公式如下：
随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入向量X在Ok中投票的分类结果为Yj的比例，即随机森林的投票率Q(X,Yj)；其中，Yj表示投票的每个分类类别，I(X)表示随机变量的信息。
在一个实施例中，基于概率神经网络算法对降维后传感器数据与排水管道相应的淤积长度进行训练得到第一基本概率分配函数，包括：对概率神经网络进行训练，其中概率神经网络的分类融合概率密度估计和贝叶斯决策理论的判别规则如下：
其中，输入向量x＝[x1,x2,...xN]为一组多指标数据值，ci为第i类淤积程度，p(ci|x)为x发生情况下淤积程度cj的后验概率，R(ci|x)为分类概率密度函数，λij为第i类淤积程度而错分为j类淤积程度的损失。
在一个实施例中，采用D-S证据理论融合上述第一基本概率分配函数和第二基本概率分配函数对排水管道淤积情况进行综合诊断，包括：基本概率分配函数的表达式如下：
其中，m1(Ai)为通过随机森林算法得出的淤积情况对应的正确投票率，m2(Bj)为概率神经网络算法中淤积情况对应的概率密度，Φ代表空集，A＝Φ代表A是空集，A≠Φ代表A不是空集。
本发明还提高了一种排水管道淤积情况诊断装置，包括：处理器，其配置用于执行程序指令；以及存储器，其配置用于存储所述程序指令，当所述程序指令由所述处理器加载并执行时，使得所述处理器执行上述任一项所述的排水管道淤积情况诊断方法。
本发明的基于多传感器数据融合的排水管道淤积情况诊断方法，其有益效果是：本发明基于自适应加权融合算法对传感器采集指标数据进行数据级融合，得到排水管道在该淤积情况下各指标数据相对准确的真实值。通过自组织映射(Self－organizingmap，SOM)神经网络进行特征级数据融合，对传感器采集的粗筛指标进行聚类降维，降低数据冗余度。利用随机森林算法和概率神经网络算法分别对排水管道淤积程度进行识别，并采用D-S证据理论进行决策级的数据融合，融合随机森林算法和概率神经网络算法的识别结果，对排水管道淤积程度进行综合诊断，从而达到高精度的淤积程度识别效果。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：
图1示出了本发明方法的基于多传感器数据融合的管道淤积情况诊断方法流程图；
图2示出了本发明的数据级数据融合算法流程图；
图3示出了本发明的特征级数据融合算法流程图；
图4示出了本发明的数据级决策融合算法流程图；
图5示出了本发明的基于多传感器数据融合的管道淤积情况诊断装置示意图。
具体实施方式
现在将参考附图描述实施例。应当理解，为了说明的简单和清楚，在认为合适的情况下，可以在附图中重复附图标记以指示对应或类似的元件。另外，本申请阐述了许多具体细节以便提供对本文所述实施例的透彻理解。然而，本领域普通技术人员将理解，可以在没有这些具体细节的情况下实践本文描述的实施例。在其他情况下，没有详细描述公知的方法、过程和组件，以免模糊本文描述的实施例。而且，该描述不应被视为限制本文描述的实施例的范围。
示例性方法
一种基于多传感器数据融合的管道淤积情况诊断方法，包括步骤1至步骤5。下面分别进行说明。
如图1所示，其中展示了步骤1至步骤5。
步骤1：对进行排水管道进行数据采集。例如，所述数据包括流量、流速、水压、管壁压强、地下排水井水深和管道坡度多项指标。具体来说，数据采集的方法包括：首先，记录当前时刻的淤积程度和淤积长度。分别对多种淤积情况下的排水管道，通过多个不同功能的传感器对排水管道的流量、流速、水压、管壁压强、地下排水井水深、管道坡度等m项指标进行n次重复测量，可以得到n行m列的矩阵。对第i种淤积程度的排水管道可采集数据集
在一个实施例中，m的数量为6，包括流量、流速、水压、管壁压强、地下排水井水深和管道坡度。测量次数n可以等于20～100。同时记录当前时刻的真实淤积程度和淤积长度，作为数据标签，以用于训练。
步骤2：采用自适应加权融合算法对步骤1中采集到的多项指标数据进行数据层面融合，进而获得每项指标数据在当时状态下相对准确的数值。
步骤3：利用自组织映射(Self－organizingmap，SOM)神经网络对步骤1中采集到的流量、流速、水压、管壁压强、地下排水井水深、管道坡度等多项指标进行聚类分析，对多项指标进行删减和降维，降低模式识别所需指标的冗余度，完成特征级的数据融合；
步骤4：基于随机森林与概率神经网络算法，对降维后指标数据与排水管道相应的淤积长度分别进行模式识别，并分别得出模式识别结果。
步骤5：采用D-S证据理论融合步骤4中两种模式识别算法的识别结果，进行决策级的数据融合，对排水管道淤积情况进行综合诊断。
下面对各步骤分别进行详细说明。
具体地，如图2所述，步骤2的具体方法包括步骤2.1至步骤2.4，用于实现数据级融合。
步骤2.1：对步骤1中采集到的数据集进行处理，对每列数据利用3σ准则进行异常值判定与剔除，判别依据如下：
其中，为该组数据的平均值，σ为该组数据的方差，若满足上式，则表明Xi相对而言误差较大，属异常数据，应剔除。
步骤2.2：采用均值插值法对剔除的异常值进行插补：
其中，为剔除异常值的插值。βi表示Xi是否为该组数据中的异常值，异常值时取0，非异常值时取1。ni为非异常值的个数。经过步骤2.2的处理，得到无异常值数据集这里采用的形式与步骤1相同，实际上表示步骤1的数据经过处理后得到的矩阵，表示无异常数据集。
步骤2.3：通过步骤2.2得到无异常值数据集后，通过自适应加权融合算法对每列剔除异常值后的数据进行加权融合，得到某指标在当前状态下相对准确的真实值，且融合后满足以下关系：
其中，各传感器指标数据的加权因子分别是W1，W2，…，Wn，方差分别为 X为融合后的值，当前状态下排水管道的多指标数据可表示为：(x1,x2,...xm)。
步骤2.4：重复步骤1.1－1.3，可得到在k种淤积情况下排水管道多指标数据集：
如图3所示，步骤3，用于实现特征级融合，其中的内容具体如下：
步骤3.1：如图3所示，对步骤2.4中得到的多指标数据集进行归一化处理：
步骤3.2：预设聚类簇个数p，对于步骤3.1中归一化处理后的数据集，输入到无监督学习方式的自组织映射(Self－organizingmap，SOM)神经网络，得到聚类簇。计算各聚类簇中指标距离聚类中心的欧氏距离：
步骤3.3：选取距离聚类中心最近的指标作为最代表性指标，得到降维后数据集：完成特征级数据融合。
如图4所示，步骤4中的内容具体如下：
步骤4.1：根据步骤3.3中降维后得到的数据集以及其对应的淤积情况，通过自助法重采样技术划分训练集和测试集，从训练集中有放回的重复随机抽取样本生成训练样本集，然后利用Bagging方法从训练样本集中随机选取特定数目的特征值。
步骤4.2：将步骤4.1中得到的特征值采用C4.5算法来选择分裂属性，构造决策树。
步骤4.3：依次重复步骤4.2若干次，即生成相应棵数的决策树，这若干颗决策树即形成随机森林模型。
步骤4.4：将测试集中的测试数据代入到步骤4.3中生成的随机森林模型中，数据经过每棵决策树进行决策，最终利用众数投票方式选出投票数量最多的值，即为初步识别结果，以正确投票率为概率密度函数，并计算得出每个淤积程度对应的正确投票率。
步骤4.4中，计算每个淤积程度对应的正确投票率的公式如下：
随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入向量X在Ok中投票的分类结果为Yj的比例，即随机森林的投票率Q(X,Yj)。其中，Yj表示投票的每个分类类别，I(X)表示随机变量的信息。
所述步骤4.4，对应图4中“基本概率分配函数2”，即通过步骤4.4获得模式识别结果融合之后的基本概率分配函数，为了区别与通过概率神经网络模式识别方式，命名为基本概率分配函数2。
步骤4.5：根据步骤3.3中降维后得到的数据集及其对应的淤积长度组成的数据集随机划分训练集和测试集，从训练集中有放回的重复随机抽取样本生成训练样本集，采用概率神经网络进行训练，记录网络参数，包括神经元的权值和偏重值。其中，神经网络模块可以采用现有的神经网络模型实现，本发明不做限制。
步骤4.6：保存步骤4.5中训练好的神经网络，将测试集中的测试数据代入到训练好的网络中，得到初步识别结果，其中概率神经网络的分类融合概率密度估计和贝叶斯决策理论的判别规则如下：
其中，输入向量x＝[x1,x2,...xN]为一组多指标数据值，ci为第i类淤积程度，p(ci|x)为x发生情况下淤积程度cj的后验概率，R(ci|x)为分类概率密度函数，λij为第i类淤积程度而错分为j类淤积程度的损失。
所述步骤4.6，对应图4中“基本概率分配函数1”，即通过步骤4.6获得模式识别结果融合之后的基本概率分配函数，为了区别与通过随机森林模式识别方式，命名为基本概率分配函数1。
步骤5，用于实现决策级融合，其中的内容具体如下：
采用基于DS证据理论的数据融合方法，根据下式可以得到所述步骤4(步骤4.4和步骤4.6)中两种模式识别结果融合之后的基本概率分配函数，对淤积情况进行综合判别，基本概率分配函数的表达式如下：
其中，m1(Ai)为通过随机森林算法得出的淤积情况对应的正确投票率，m2(Bj)为概率神经网络算法中淤积情况对应的概率密度，Φ代表空集，A＝Φ代表A是空集，A≠Φ代表A不是空集。
根据步骤5，采用D-S证据理论进行决策级的数据融合，融合随机森林算法和概率神经网络算法的识别结果，对排水管道淤积程度进行综合诊断，从而达到高精度的淤积程度识别效果。
根据步骤1收集的数据，通过步骤2至步骤5，可以对上述管道淤积诊断方法中涉及的各种模型进行训练，从而得到训练好的诊断方法模型。利用该训练好的诊断方法模型，即可对实际采集的传感器数据(包括流量、流速、水压、管壁压强、地下排水井水深、管道坡度)进行诊断，即可得到对应的淤积情况(淤积程度和淤积长度)。
示例性设备
在介绍了本发明示例性实施方式的方法之后，接下来，参考图5对本发明示例性实施方式的装置进行描述。
图5示意性地示出了根据本发明实施方式的基于多传感器数据融合的管道淤积情况诊断方法及装置的示意框图。如图5所示，装置1200可以包括处理器1201和存储器1202。其中存储器1202存储有执行本发明实施方式所述的基于多传感器数据融合的管道淤积情况诊断方法的计算机指令。所述计算机指令由处理器1201运行时，使得装置1200执行前文所描述的方法。
应当注意，尽管在上文详细描述中提及了基于指示物的指点信息匹配目标的方法的若干步骤，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多步骤的特征和功能可以在一个步骤中具体化。反之，上文描述的一个步骤的特征和功能可以进一步划分为由多个步骤来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
申请文件中提及的动词“包括”、“包含”及其词形变化的使用不排除除了申请文件中记载的那些元素或步骤之外的元素或步骤的存在。元素前的冠词“一”或“一个”不排除多个这种元素的存在。
还应当理解，本文示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。
Claims (9)
1.一种排水管道淤积情况诊断方法，其特征在于，包括：
步骤1：对进行排水管道进行数据采集，其中包括通过各种传感器获得的传感器数据，以及对应的管道淤积程度和淤积长度；
步骤2：对所述传感器数据进行预处理；
步骤3：对预处理后的传感器数据进行聚类，以进行降维；
步骤4：基于概率神经网络算法，对降维后传感器数据与排水管道相应的淤积长度进行训练，得到第一基本概率分配函数；基于随机森林算法，对降维后的传感器数据与排水管道相应的淤积长度进行训练，得到第二基本概率分配函数；
步骤5：采用D-S证据理论融合上述第一基本概率分配函数和第二基本概率分配函数，对排水管道淤积情况进行综合诊断；
步骤6：根据实际采集的传感器数据，基于步骤2至步骤5得到的诊断模型进行诊断，得到排水管道的淤积情况。
2.根据权利要求1所述的排水管道淤积情况诊断方法，其特征在于，所述传感器数据包括流量、流速、水压、管壁压强、地下排水井水深和管道坡度。
3.根据权利要求1所述的排水管道淤积情况诊断方法，其特征在于，利用自组织映射神经网络对步骤1中采集到的传感器数据进行聚类分析。
4.根据权利要求1所述的排水管道淤积情况诊断方法，其特征在于，对所述传感器数据进行预处理，包括：
利用3σ准则进行异常值判定与剔除；
采用均值插值法对剔除的异常值进行插补；
通过自适应加权融合算法对传感器数据进行加权融合，且融合后满足以下关系：
其中，各传感器指标数据的加权因子分别是W1，W2，…，Wn，方差分别为 Xi为传感器数据，X为融合后的值，当前状态下排水管道的多指标数据可表示为：(x1,x2,...xm)。
5.根据权利要求4所述的排水管道淤积情况诊断方法，其特征在于，对预处理后的传感器数据进行聚类，包括：
归一化处理；
预设聚类簇个数p，对于归一化处理后的数据集，输入到无监督学习方式的自组织映射神经网络，得到聚类簇；计算各聚类簇中指标距离聚类中心的欧氏距离；
选取距离聚类中心最近的指标作为最代表性指标，得到降维后数据集。
6.根据权利要求5所述的排水管道淤积情况诊断方法，其特征在于，基于随机森林算法对降维后的传感器数据与排水管道相应的淤积长度进行训练得到第二基本概率分配函数，包括：
选取特定数目的特征值；
对所述特征值采用C4.5算法来选择分裂属性，构造决策树；进而生成若干棵决策树，形成随机森林模型；
对随机森林模型进行训练，计算得出每个淤积程度对应的正确投票率；
其中计算每个淤积程度对应的正确投票率的公式如下：
随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入向量X在Ok中投票的分类结果为Yj的比例，即随机森林的投票率Q(X,Yj)；其中，Yj表示投票的每个分类类别，I(X)表示随机变量的信息。
7.根据权利要求6所述的排水管道淤积情况诊断方法，其特征在于，基于概率神经网络算法对降维后传感器数据与排水管道相应的淤积长度进行训练得到第一基本概率分配函数，包括：
对概率神经网络进行训练，其中概率神经网络的分类融合概率密度估计和贝叶斯决策理论的判别规则如下：
其中，输入向量x＝[x1,x2,...xN]为一组多指标数据值，ci为第i类淤积程度，p(ci|x)为x发生情况下淤积程度cj的后验概率，R(ci|x)为分类概率密度函数，λij为第i类淤积程度而错分为j类淤积程度的损失。
8.根据权利要求7所述的排水管道淤积情况诊断方法，其特征在于，采用D-S证据理论融合上述第一基本概率分配函数和第二基本概率分配函数对排水管道淤积情况进行综合诊断，包括：
基本概率分配函数的表达式如下：
其中，m1(Ai)为通过随机森林算法得出的淤积情况对应的正确投票率，m2(Bj)为概率神经网络算法中淤积情况对应的概率密度，Φ代表空集，A＝Φ代表A是空集，A≠Φ代表A不是空集。
9.一种排水管道淤积情况诊断装置，其特征在于，包括：
处理器，其配置用于执行程序指令；以及
存储器，其配置用于存储所述程序指令，当所述程序指令由所述处理器加载并执行时，使得所述处理器执行根据权利要求1至8任一项所述的排水管道淤积情况诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310729408.1A CN116821845A (zh) | 2023-06-20 | 2023-06-20 | 基于多传感器数据融合的管道淤积情况诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310729408.1A CN116821845A (zh) | 2023-06-20 | 2023-06-20 | 基于多传感器数据融合的管道淤积情况诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116821845A true CN116821845A (zh) | 2023-09-29 |
Family
ID=88128606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310729408.1A Pending CN116821845A (zh) | 2023-06-20 | 2023-06-20 | 基于多传感器数据融合的管道淤积情况诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821845A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975744A (zh) * | 2016-04-22 | 2016-09-28 | 西安工程大学 | 一种基于d-s证据理论的纺织过程数据融合系统 |
| CN109780447A (zh) * | 2018-12-28 | 2019-05-21 | 大连理工大学 | 一种使用脉冲压力波检测压力管道内堵塞情况的方法 |
| CN109798151A (zh) * | 2019-01-07 | 2019-05-24 | 中国矿业大学 | 一种智能监测瓦斯抽采管路运行状况的方法 |
| CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
| CN111024527A (zh) * | 2019-12-06 | 2020-04-17 | 西安理工大学 | 一种基于多传感器数据融合的裂纹扩展监测方法 |
| CN111667168A (zh) * | 2020-06-04 | 2020-09-15 | 同济大学 | 一种基于液位监测诊断排水系统运行状态的方法 |
| CN115031776A (zh) * | 2022-05-12 | 2022-09-09 | 浙江中控信息产业股份有限公司 | 一种排水管网淤积监测分析的方法 |
| CN115186602A (zh) * | 2022-06-20 | 2022-10-14 | 郑州大学 | 一种城市地下排水管网养护智能决策方法及系统 |
| CN115186722A (zh) * | 2021-04-01 | 2022-10-14 | 厦门理工学院 | 接触器故障诊断模型构建方法、装置、介质及电子设备 |
| CN116129405A (zh) * | 2022-11-28 | 2023-05-16 | 吉林大学 | 一种基于多模态混合融合的驾驶员愤怒情绪识别方法 |
-
2023
- 2023-06-20 CN CN202310729408.1A patent/CN116821845A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975744A (zh) * | 2016-04-22 | 2016-09-28 | 西安工程大学 | 一种基于d-s证据理论的纺织过程数据融合系统 |
| CN109780447A (zh) * | 2018-12-28 | 2019-05-21 | 大连理工大学 | 一种使用脉冲压力波检测压力管道内堵塞情况的方法 |
| CN109798151A (zh) * | 2019-01-07 | 2019-05-24 | 中国矿业大学 | 一种智能监测瓦斯抽采管路运行状况的方法 |
| CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
| CN111024527A (zh) * | 2019-12-06 | 2020-04-17 | 西安理工大学 | 一种基于多传感器数据融合的裂纹扩展监测方法 |
| CN111667168A (zh) * | 2020-06-04 | 2020-09-15 | 同济大学 | 一种基于液位监测诊断排水系统运行状态的方法 |
| CN115186722A (zh) * | 2021-04-01 | 2022-10-14 | 厦门理工学院 | 接触器故障诊断模型构建方法、装置、介质及电子设备 |
| CN115031776A (zh) * | 2022-05-12 | 2022-09-09 | 浙江中控信息产业股份有限公司 | 一种排水管网淤积监测分析的方法 |
| CN115186602A (zh) * | 2022-06-20 | 2022-10-14 | 郑州大学 | 一种城市地下排水管网养护智能决策方法及系统 |
| CN116129405A (zh) * | 2022-11-28 | 2023-05-16 | 吉林大学 | 一种基于多模态混合融合的驾驶员愤怒情绪识别方法 |
Non-Patent Citations (8)
| Title |
|---|
| DANYANG DI 等: "An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM", 《 TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》, 30 June 2023 (2023-06-30), pages 1 - 16 * |
| HONGYUAN FANG 等: "Integrating fluid – solid coupling domain knowledge with deep learning models: An automatic and interpretable diagnostic system for the silting disease of drainage pipelines", 《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY INCORPORATING TRENCHLESS TECHNOLOGY RESEARCH》, 10 September 2023 (2023-09-10), pages 1 - 17 * |
| ZINAN WANG 等: "A Comprehensive Failure Risk Analysis of Drainage Pipes Utilizing Fuzzy Failure Mode and Effect Analysis and Evidential Reasoning", 《BUILDINGS》, 23 January 2023 (2023-01-23), pages 1 - 22 * |
| 周建中 等: "《水轮发电机组动力学问题及故障诊断原理与方法》", 31 December 2013, 华中科学大学出版社, pages: 141 - 142 * |
| 徐睿 等: "基于特征融合和改进卷积神经网络的环境音识别", 《计算机与现代化》, 15 February 2021 (2021-02-15), pages 62 - 67 * |
| 李岩著 等: "《过饱和状态下交叉口群交通运行分析与信号控制》", 31 March 2012, 东南大学出版社, pages: 106 - 107 * |
| 王旭平 等: "《机电设备检测与诊断技术》", 31 July 2021, 西北工业大学出版社, pages: 59 * |
| 王显龙 等: "种面向管道堵塞不均衡样本集的主动学习方法", 《化工自动化及仪表》, 20 May 2021 (2021-05-20), pages 1 - 10 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102112933B (zh) | 异常检测方法及系统 | |
| CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
| CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
| CN109902714B (zh) | 一种基于多图正则化深度哈希的多模态医学图像检索方法 | |
| CN110674858B (zh) | 一种基于时空关联与大数据挖掘的交通舆情检测方法 | |
| Guo et al. | A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process | |
| CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
| CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
| CN109740044B (zh) | 一种基于时间序列智能预测的企业异动预警方法 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
| CN116821804A (zh) | 一种基于多特征融合的压裂泵单向阀故障在线监测方法 | |
| CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
| Weng et al. | Saltwater intrusion early warning in Pearl river Delta based on the temporal clustering method | |
| CN113762151A (zh) | 一种故障数据处理方法、系统及故障预测方法 | |
| CN113222730A (zh) | 一种基于二部图模型侦测银行信用卡套现行为的方法 | |
| CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
| CN116304941A (zh) | 一种基于多模型组合的海洋数据质量控制方法及装置 | |
| CN116821845A (zh) | 基于多传感器数据融合的管道淤积情况诊断方法及装置 | |
| CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及系统 | |
| CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
| CN115391523A (zh) | 风电场多源异构数据处理方法及装置 | |
| CN118410306B (zh) | 一种滚动轴承故障跨设备深度域自适应迁移诊断方法 | |
| Duan et al. | Support vector data description for machinery multi-fault classification with unbalanced datasets |
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 |