CN117216949B - 一种基于深度学习的跨传感器爆管定位域自适应方法 - Google Patents
一种基于深度学习的跨传感器爆管定位域自适应方法 Download PDFInfo
- Publication number
- CN117216949B CN117216949B CN202311054010.9A CN202311054010A CN117216949B CN 117216949 B CN117216949 B CN 117216949B CN 202311054010 A CN202311054010 A CN 202311054010A CN 117216949 B CN117216949 B CN 117216949B
- Authority
- CN
- China
- Prior art keywords
- pipe
- domain
- explosion
- data
- tube
- 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
- 238000004880 explosion Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000009172 bursting Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000005474 detonation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000008485 antagonism Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Examining Or Testing Airtightness (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于深度学习的跨传感器爆管定位域自适应方法，利用不同传感器的监测数据对供水管网的爆管进行定位。首先对传感器进行优化布置，得到满足爆管检测要求的传感器布置方案。然后，对爆管进行模拟得到各个管道发生爆管的情况，并分别将不同传感器的监测数据作为爆管定位模型训练和测试数据。最后，利用不同传感器的监测数据分别作为训练和测试数据对深度学习域自适应模型进行训练。该方法分别利用不同位置的传感器监测数据作为源域和目标域数据，有效解决了源域和目标域分布不一致的问题。
Description
技术领域
本发明属于城市供水管网爆管定位技术领域，尤其涉及一种基于深度学习的跨传感器爆管定位域自适应方法。
背景技术
供水管网作为一种重要的基础设施，很容易发生爆管。爆管尽管持续时间短，但失水量大很容易造成大量水资源浪费，管道爆裂后也容易造成污染物入侵从而影响饮用水的水质。此外，管网发生爆管后也会造成显著的社会影响，例如供水中断、影响公共交通。因此，在管网发生爆管后应迅速发现爆管并准确的确定爆管位置，以便采取有效措施对爆管进行快速修复。各种爆管检测方法得到了广泛应用，旨在发现爆管和确定爆管位置。
爆管检测分为爆管报警和爆管定位，爆管报警能够发现爆管但不能确定爆管的具体位置，而爆管定位则是在爆管报警后确定爆管的具体位置。随着监控和数据采集(SCADA)系统的发展，压力或者流量的实时监测数据被广泛用于爆管检测。在进行爆管检测时，通常将SCADA系统实时监测数据与历史数据进行比较，一旦实时监测数据出现异常则进行爆管报警。基于数据驱动方法在爆管报警中得到了广泛应用，相比较而言在爆管定位中应用较少。目前应用较为广泛的爆管定位方法是基于模型的方法，但是基于模型方法的准确性更多的依赖水力模型的准确性。由于SCADA系统的广泛采用，供水管网中出现了大量的实时和历史监测数据。显然，基于数据驱动的方法在爆管定位中具有更好的应用前景。
为了更好的利用实时监测数据对爆管进行定位，一些方法提出了基于数据驱动的爆管定位方法。例如，采用声学监测信号对爆管进行检测和定位，但是这种方法的准确性对爆管特征(如压力、爆管流量)特别敏感，检测范围也受声信号的清晰度和相关性的限制。也有一些方法利用爆管引起的瞬变波来对爆管进行检测，通过模型分析瞬变波的传播、反射和阻尼等特征来对爆管进行定位。然而，这种方法很容易受到系统中的背景噪声或者其他可能诱发爆管瞬态特征事件的影响，特别是在管道数量较多的管网中。此外，这类方法中的一些方法需要计算上的数学模拟，并且使用的高频传感器成本高昂。因此，当前基于声学或瞬态的方法不适合用于大型供水管网(例如DMA或数十根管道)中的爆管定位。相比较而言，压力传感器由于其低廉的价格以及易于安装的特质，更容易在供水管网中广泛使用。但是与流量监测数据相比，压力监测数据对爆管特征不敏感。一种可能的解决方法是在不同时刻对压力的关键特征进行互补，利用模式识别算法对连续测量周期内的特征进行融合和识别。
为了克服压力监测数据对爆管特征不敏感的不足，研究人员采用了基于深度学习的爆管定位方法。利用Fully linear-DenseNet(BLIFF)改进了最新的深度学习方法，对有限的压力信号特征进行提取，取得了较好的爆管定位效果。这种方法证明了利用压力监测信号也能对爆管进行有效定位，但是这种方法假设训练数据(源域)和测试数据(目标域)分布完全相同，没有考虑分布不同的影响。当源域和目标域分布不一致时，从源域学到的知识直接用于目标域则会存在明显障碍。当前，研究人员大多采用迁移学习方法来解决源域和目标域分布不一致的问题，旨在通过放宽源域和目标域必须来自同一分布的假设来实现跨不同域迁移所学的知识。具体而言，迁移学习中的域自适应方法在故障诊断中得到了广泛应用。尽管这些跨域诊断方法都取得了良好的性能，但是这些方法通常采用机器同一位置处收集的数据，没有关注源域和目标域来自不同测量位置的情况。特别是在故障诊断问题中，通常假设训练和测试用的振动数据是由相同测量位置的传感器采集的。这种假设阻碍了基于数据驱动的故障诊断方法在实际中的应用，实际中由于传感器发生故障等原因同一位置获得的测量数据集通常不足或质量较低。实际上，机器上通常安装多个传感器进行状态监测，当一个传感器发生故障时其他传感器的监测数据随时可用于诊断。研究人员提出了一种基于深度学习的机械故障诊断域自适应方法，利用不同位置处的传感器监测数据对机械故障进行诊断。但是这种方法在供水管网中尚未得到应用，在供水管网中传感器通常布置在管网的不同节点上，传感器发生故障会导致实时监测数据出现缺失的情况。在现有的供水管网监测网络中，为了确保监测系统具有足够的鲁棒性，通常保持了一定的传感器冗余。因此，不同位置处的传感器监测数据随时可以用于爆管定位。
发明内容
针对上述问题，本发明的目的在于提出一种基于深度学习的跨传感器爆管定位域自适应方法，通过引入对抗训练，将从不同传感器采集的数据投影到一个共享子空间，利用无监督数据建立跨域的连接，使得爆管特征知识在不同的特征空间得到更好的泛化；同时该方法分别利用不同位置的传感器监测数据作为源域和目标域数据，有效解决了源域和目标域分布不一致的问题。
为了实现上述的技术特征，本发明的目的是这样实现的：一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，包括如下步骤：
步骤(1)，传感器优化布置，选择传感器布设节点位置确保传感器网络对所有爆管的识别；
步骤(2)，管道爆管模拟，模拟得到各个传感器发生爆管时各个传感器的监测数据；
步骤(3)，准备训练数据，选择不同传感器处的监测数据作为源域和目标域数据；
步骤(4)，模型训练和测试，利用源域和目标域数据对所提出的模型进行训练。
优选的，步骤(1)具体包括如下步骤：
步骤(1.1)，对管网进行爆管模拟，得到管网各个管道发生爆管后管道爆管流量与节点压力变化关系；
管网发生爆管后，会引起管网节点压力发生变化，压力变化与爆管流量有关，这种变化通采用雅可比矩阵表示：
式中，γnp表示管道p发生爆管后节点n处的压力变化，p＝1,2,…,P,P表示管网管道总数，n＝1,2,…,N,N表示管网管道总数，当γnp大于传感器的检测阈值γ时，γnp＝1，否则，γnp＝0；Hn表示节点n处的压力；qn表示节点n处的流量；
步骤(1.2)，定义传感器布置优化目标函数，得到传感器监测网络；
在对传感器进行布置时，在尽量减少传感器数量的前提下需要确保传感器网络能够完成对所有爆管事件的识别；同时，考虑到传感器可能发生故障的情况，同时需要保证传感器网络有一定的冗余，即单个爆管事件至少被一个以上的传感器同时检测到，传感器优化布置的目标函数为：
式中，T表示供水管网中传感器的总数，若节点n处布置有传感器，则χn＝1，否则χn＝0；R表示传感器网络的冗余，保证管网各个爆管事件有超过一个以上的传感器被检测到，Ξ[·]为判别函数，若则Ξ[·]＝1，否则，Ξ[·]＝0；采用遗传算法对传感器的位置进行筛选，得到最优的传感器网络。
优选的，步骤(2)具体包括如下步骤：
步骤(2.1)，利用Wagner公式对爆管进行模拟；
采用EPANET对管网模型进行水力模拟，得到各个管道发生爆管的情况，基于压力驱动分析能够更加真实地反映管道破裂时压力不足地情况，进而采用Wagner公式对爆管进行模拟，如下式所示：
式中，Qi和分别是节点i处的实际流量和所需流量，Hi为节点i处的压力，和分别为节点i处的最小压力和所需压力；γ表示水头指数；
假设管道上的爆管流量满足孔板公式的流量，如下式所示：
式中，qbrust表示爆管流量，Cd为流出系数，其值为0.5-0.7，取决于雷诺数和孔口形状，Aori为孔口面积，Hori为孔口压力；Aori＝γAij，其中Aij为相应管道的横截面积，g为强度系数，由爆管强度决定；
步骤(2.2)，考虑不确定性的影响，对爆管进行模拟得到不同管道发生爆管的情况；
其中，在进行爆管模拟时，需要考虑不确定性的影响，主要考虑了三个不确定参数，包括节点需求、管道粗糙度系数和爆管面积；对于节点需求和管道粗糙度系数，将高斯白噪声N(0,σ2)，N为高斯分布函数，σ为噪声信号的大小，添加到现有的粗糙度系数和日节点需求曲线上，两个参数的标准差分别为σC和σq；如果水力模型校准良好，则应分配较小的标准偏差，否则，应使用较大的值；用γ的随机数来模拟漏损面积的不确定性，将其模拟为服从均匀分布U(γmin,γmax)的随机数，γmin为最小漏损面积；γmax为最大漏损面积；
对于管道数为P的供水管网，假设管网各条管道均发生爆管，模拟得到管网各条管道发生爆管时管网各个节点的压力数据，如下式所示：
式中，xn,p表示管道p发生爆管后管网节点n处的压力监测值，n＝1,2,…,N表示管网节点总数，p＝1,2,…,P表示管网管道总数；
假设管网各条管道均发生爆管，在管道p发生爆管时，随机将噪声值和分别添加到各个管道的粗糙度系数和节点需求上，根据U(γmin,γmax)均匀分布随机选择爆管强度系数，对管网各条管道发生爆管的情况进行重复模拟，得到管网所有管道均发生爆管的情况；
在得到爆管数据后，需要选择传感器所在节点位置处的压力监测数据来准备源域和目标域数据。
优选的，步骤(3)具体包括如下步骤：
针对具有不同特征空间的供水管网爆管定位问题，用于数据驱动的爆管定位模型的源域数据和目标域数据为供水管网不同位置处传感器的监测数据；设表示源域数据，为管道爆管标签，为传感器网络的实时监测数据，s为源域，表示无标记的目标域数据，t为目标域，ns和nt分别表示源域和目标域样本数量；利用有监督的源域数据对爆管定位模型进行训练，能够在源域建立有效的分类器对不同位置的爆管进行有效识别；然而，当测试数据来自不同的传感器时，源域和目标域的特征分布没有重叠，从而影响了模型在目标域的性能；
在对模型进行训练之前，将不同位置处传感器的监测数据分别作为源域和目标域数据，尽管源域和目标域的特征空间分布不同，但是这些监测数据的底层特征空间相同。
优选的，步骤(4)具体包括如下步骤：
步骤(4.1)，多尺度特征提取能够获取更加全面的信号特征，由此采用了三个特征提取器G1、G2和G3，分别从小、中和大三个尺度对爆管特征进行提取；利用特征提取器G1、G2和G3分别得到xs和xT的高层表示：
式中：xS为源域数据，xT为目标域数据，分别为特征提取器G1、G2和G3处的源域数据，分别为特征提取器G1、G2和G3处的目标域数据；
步骤(4.2)，在提取到不同尺度的爆管特征后，将和分别输入到爆管分类器CB1、CB2和CB3中，对不同管道爆管进行分类；在对网络进行训练时，CB遵循有监督学习方式，使源域数据的分类误差最小；同时，在CB1、CB2和CB3之间引入对抗训练；具体而言，对θC中的参数进行优化以获得DC无法识别的分类不变特征，而对θD中的参数进行更新从而对不同分类器的分类结果更好地识别，为此，参数优化时需满足以下条件：
式中，θG1、θG2和θG3分别表示特征提取器G1、G2和G3的参数值；分别表示爆管分类器CV1、CB2、CB3的参数值；和分别表示特征提取器G1、G2和G3训练优化后的参数值；和分别表示爆管分类器CB1、CB2、CV3训练优化后的参数值；表示分类器鉴别器训练优化后的参数值；θC表示分类器的参数值；DC表示分类器鉴别器；θD表示域鉴别器的参数值；CB表示爆管分类器；和分别表示特征提取G1、G2和G3提取得到的源域特征信号；CB1、CB2和CB3分别表示爆管分类器1、爆管分类器2和爆管分类器3；和分别表示特征提取G1、G2和G3提取得到的目标域域特征信号；L0表示优化目标，由域标签预测误差组成；
将和分别输入到DS1、DS2和DS3中得到域标签估计，同时在G和DS之间引入对抗训练；具体而言，对θG中的参数进行优化以获得DS无法识别的域不变特征，而对中的参数进行更新以更好地对源域和目标域数据进行分类；通过源监督下G和DS之间引入对抗训练，将源域实例和目标域实例投影到所学习的高级特征子空间中的同一区域，同时包含爆管位置的判别信息；所学习的爆管定位知识能够很好的泛化，并且能够在没有监督目标域数据的情况下在目标域获得更好的模型性能；为此，参数优化需满足以下条件：
式中，L0表示优化目标，由域标签预测误差组成，表示的最优参数，θG表示特征提取器的参数值；G表示特征提取器；DS表示源域鉴别器。
优选的，步骤(4.2)具体包括以下步骤：
步骤(4.2.1)，源域分类损失；
步骤(4.2.2)，爆管分类器损失；
步骤(4.2.3)，域自适应损失。
优选的，所述步骤(4.2.1)中源域分类损失具体包括：
源域分类旨在根据源监督数据来识别不同管道发生爆管的鉴别特征，为三个爆管分类器源域分类损失之和：
式中，CB＝1,2,3分别表示爆管分类器CB1、CB2和CB3，表示爆管分类器CB由第i个源域样本作为输入得到的第j个输出向量；表示发生爆管的管道标签；Nc表示管网管道编号；nw表示各个管道发生爆管的次数。
优选的，所述步骤(4.2.2)中爆管分类器损失具体包括：
为了提取不同尺度的爆管特征，采用三种不同尺度的特征提取器，分别利用三个不同的爆管分类器对源域数据进行分类，并将各个爆管分类器的分类结果输入到分类鉴别器中；
式中，和分别表示爆管分类器最后全连接层输出的第一、二和三个元素，以三个特征提取器的第i个源域样本作为输入，爆管分类器CB1、CB2和CB3的输出标签分别为1、2和3，ns表示管网发生爆管总的次数，表示第i个分类器的分类结果。
优选的，所述步骤(4.2.3)中域自适应损失具体包括：
在特征空间分布差异较大时需要迁移所学的爆管定位知识，将源域和目标域的边缘数据分布引入同一子空间，其中，域融合是通过特征提取器G和域鉴别器DS之间的对抗训练来实现的，采用来定义源域分类损失：
式中，DS＝1,2,3分别表示域鉴别器DS1、DS2和DS3；和分别表示域鉴别器DS中最后完全连接层处的输出向量的第一和第二元素，以第i个源域样本作为输入；
和是第i个目标域样本的对应元素；假设第一个输出元素表示源域，第二个表示目标域；相应地，源域样本的域标签为[1,0]，目标域样本的域标签为[0,1]；
采用多尺度特征提取器G1、G2和G3对不同尺度的爆管特征进行提取，得到源域和目标域数据小、中和大尺度爆管特征，利用三个爆管分类器分别对源域监督数据不同尺度的爆管特征进行识别，识别出爆管标签，在不同的爆管分类器CB以及源域和目标域之间引入对抗网络，对特征提取器进行优化使LS最小，同时使和最大，爆管分类器的目标是最小化LS，分类器鉴别器和域鉴别器的更新目标分别为最大化和采用三种不同尺度的特征提取器对源域和目标域数据进行提取，参数分别为θG1、θG2和θG3，优化问题可以表示为：
式中，和分别为θG1、θG2和θG3的最佳值，在每次训练历元中，参数更新为：
式中，αs>0、和分别表示LS、和的惩罚系数，δ表示学习速率，λ>0是用于实现的引入系数，和分别表示爆管分类器、域鉴别器和分类器鉴别器的参数，θG表示特征提取器的参数，表示分类器鉴别器的参数。
优选的，所述步骤(4.2.3)中：
在对参数进行更新时，采用梯度反转层，它除了惩罚系数λ之外没有任何参数，在网络的前向传播中，梯度反转层是一种身份映射，梯度反转层在反向传播中接收来自下一层的梯度，并将梯度乘以-λ后传递给前一层；其中，梯度反转层在后向传播中分别被放置在爆管分类器与分类器鉴别器和特征提取器与域鉴别器之间，在前向传播中由于身份映射而被忽略，因此，优化目标可表述为：
本发明有如下有益效果：
本发明提出了一种基于深度学习的跨传感器爆管定位域自适应方法。通过引入对抗训练，将从不同传感器采集的数据投影到一个共享子空间。利用无监督数据建立跨域的连接，使得爆管特征知识在不同的特征空间得到更好的泛化。此外，本发明该方法分别利用不同位置的传感器监测数据作为源域和目标域数据，有效解决了源域和目标域分布不一致的问题。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明提出的一种基于深度学习的跨传感器爆管定位域自适应方法的流程图；图1主要分为4个部分：(1)传感器优化布置，选择传感器布设节点位置确保传感器网络对所有爆管的识别；(2)管道爆管模拟，模拟得到各个传感器发生爆管时各个传感器的监测数据；(3)准备训练数据，选择不同传感器处的监测数据作为源域和目标域数据；(4)模型训练和测试，利用源域和目标域数据对所提出的模型进行训练；
图2为示例管网水力模型Net3管网拓扑结构示意图及传感器布置示意图；
图3为本发明提出的用于供水管网爆管定位的深度学习网络结构示意图；
图4为本发明实施例在情景1下爆管定位识别率、不能完全正确识别和完全不能正确识别管道数量；
图5为本发明实施例在情景2下爆管定位识别率、不能完全正确识别和完全不能正确识别管道数量；
图6为本发明实施例在情景3下爆管定位识别率、不能完全正确识别和完全不能正确识别管道数量；
图7为本发明实施例在情景1下各个管道识别情况；
图8为本发明实施例在情景2下各个管道识别情况；
图9为本发明实施例在情景3下各个管道识别情况；
图10为本发明实施例在3种情景下爆管定位次数与不能识别的爆管事件数量：(a)情景1；(b)情景2；(c)情景3；
图11为本发明实施例在情景1下不能识别的管道与爆管概率排序最高的前10条管道；
图12为本发明实施例在情景2下不能识别的管道与爆管概率排序最高的前10条管道；
图13为本发明实施例在情景3下不能识别的管道与爆管概率排序最高的前10条管道。
具体实施方式
下面结合附图对本发明的实施方式做进一步的说明。
本发明实施例提出一种基于深度学习的跨传感器爆管定位域自适应方法。本发明在利用深度学习模型对供水管网爆管管道进行定位时，考虑了训练数据(源域数据)和测试数据(目标域数据)分布不一致的问题，分别利用不同传感器处的监测数据作为源域和目标域数据，提出了一种域自适应方法用于跨传感器知识迁移。所提出的方法考虑了实际中供水管网传感器网络发生故障的问题，在部分传感器发生故障时，随时利用另外部分传感器的监测数据来完成对供水管网爆管管道的定位。所述方法具体包括如下步骤：
步骤(1)、对传感器进行优化布置得到传感器监测网络，确保传感器网络对管网所有管道爆管进行识别。所述步骤(1)具体包括：
步骤(1.1)、利用EPANET对示例管网水力模型Net3进行模拟，得到管网各个管道发生爆管后各个节点压力的变化，得到雅可比矩阵：
式中，γnp表示管道p发生爆管后节点n处的压力变化，p＝1,2,…,117,n＝1,2,…,92。如图2所示，示例管网水力模型Net3包括117条管道，92个节点。当γnp大于传感器的检测阈值γ时，γnp＝1，否则，γnp＝0。因此，雅可比矩阵为92×117的矩阵，包含92行，117列，每一行表示管网的某个节点在管网各个管道发生爆管后的压力变化，每一列表示管网不同管道发生爆管后对管网不同节点压力的影响。
步骤(1.2)、在对传感器进行布置时，在尽量减少传感器数量的前提下需要确保传感器网络能够完成对所有爆管事件的识别。同时，考虑到传感器可能发生故障的情况，同时需要保证传感器网络有一定的冗余，即单个爆管事件至少被一个以上的传感器同时检测到，传感器优化布置的目标函数为：
式中，T表示供水管网中传感器的总数，若节点n处布置有传感器，则χn＝1，否则χn＝0。R表示传感器网络的冗余，保证管网各个爆管事件有超过一个以上的传感器被检测到，Ξ[·]为判别函数，若则Ξ[·]＝1，否则，Ξ[·]＝0。采用遗传算法对传感器的位置进行筛选，得到最优的传感器网络。
在本方法中，对于示例管网水力模型Net3，在考虑传感器冗余的前提下，得到的传感器数量为3个，能够确保对所有管道的爆管进行检测。
步骤(2)、管道爆管模拟，模拟得到各个传感器发生爆管时各个传感器的监测数据。
具体的，假设示例管网水力模型Net3各个管道均发生爆管，采用压力驱动对爆管进行模拟，得到管网管道发生爆管后各个节点的压力变化。步骤(2)具体实施过程如下：
步骤(2.1)、采用EPANET对管网模型进行水力模拟，得到各个管道发生爆管的情况。由于压力驱动分析能够更加真实地反映管道破裂时压力不足地情况，本实施例采用Wagner公式对爆管进行模拟，如下式所示：
式中，Qi和分别是节点i处的实际流量和所需流量，Hi为节点i处的压力，和分别为节点i处的最小压力和所需压力。
假设管道上的爆管流量满足孔板公式的流量，如下式所示：
式中，qbrust表示爆管流量，Cd为流出系数，其值为0.5-0.7,取决于雷诺数和孔口形状，在本实施例中设定为0.6，Aori为孔口面积，Hori为孔口压力。Aori＝γAij，其中Aij为相应管道的横截面积，g为强度系数，由爆管强度决定。
步骤(2.2)、在进行爆管模拟时，需要考虑不确定性的影响，本发明主要考虑了三个不确定参数，包括节点需求、管道粗糙度系数和爆管面积。对于节点需求和管道粗糙度系数，将高斯白噪声N(0,σ2)添加到现有的粗糙度系数和日节点需求曲线上，两个参数的标准差分别为σC和σq。如果水力模型校准良好，则应分配较小的标准偏差。否则，应使用较大的值。用γ的随机数来模拟漏损面积的不确定性，将其模拟为服从均匀分布U(γmin,γmax)的随机数。
对于管道数为P的供水管网，假设管网各条管道均发生爆管，模拟得到管网各条管道发生爆管时管网各个节点的压力数据，如下式所示：
式中，xn,p表示管道p发生爆管后管网节点n处的压力监测值，n＝1,2,…,N表示管网节点总数，p＝1,2,…,P表示管网管道总数。
本发明假设管网各条管道均发生爆管，在管道p发生爆管时。随机将噪声值和分别添加到各个管道的粗糙度系数和节点需求上，根据U(γmin,γmax)均匀分布随机选择爆管强度系数。对管网各条管道发生爆管的情况进行重复模拟，得到管网所有管道均发生爆管的情况。
在得到爆管数据后，需要选择传感器所在节点位置处的压力监测数据来准备源域和目标域数据。
步骤(3)、准备训练数据，选择不同传感器处的监测数据作为源域和目标域数据。分别利用不同传感器处的监测数据作为源域和目标域数据。所述步骤(3)具体包括：
本发明研究了具有不同特征空间的供水管网爆管定位问题。具体而言，用于数据驱动的爆管定位模型的有监督训练数据(源域数据)和无监督测试数据(目标域数据)为供水管网不同位置处传感器的监测数据。设表示源域数据，为管道爆管标签，为传感器网络的实时监测数据，表示无标记的目标域数据，ns和nt分别表示源域和目标域样本数量。如图1步骤(2)所示，管网不同管道发生爆管不同传感器的监测数据分别不同。利用有监督的源域数据对爆管定位模型进行训练，可以在源域建立有效的分类器对不同位置的爆管进行有效识别。然而，当测试数据来自不同的传感器时，源域和目标域的特征分布没有重叠，从而影响了模型在目标域的性能。
在对模型进行训练之前，将不同位置处传感器的监测数据分别作为源域和目标域数据。尽管源域和目标域的特征空间分布不同，但是这些监测数据的底层特征空间相同。
本发明利用不同压力传感器的压力监测数据来考虑域自适应问题，即源域和目标域数据分别来自不同的压力传感器。如表1所示，本发明考虑了三种不同的情景：(a)情景1，一个压力传感器监测数据不同；(b)情景2，两个压力传感器监测数据不同；(c)情景3，三个压力传感器监测数据不同。
表1三种不同情景压力监测数据来源
步骤(3.1)、准备情景1中的源域和目标域数据，将传感器60、169和269处的压力监测数据作为源域数据，将传感器60、169和204处的压力监测数据作为目标域和测试数据。
步骤(3.2)、准备情景2中的源域和目标域数据，将传感器60、169和204处的压力监测数据作为源域数据、将传感器113、204和275处的压力监测数据作为目标域和测试数据。
步骤(3.3)、准备情景3中的源域和目标域数据，将传感器60、169和204处的压力监测数据作为源域数据，将传感器113、204和275处的压力监测数据作为目标域和测试数据。
步骤(4)、模型训练和测试，利用源域和目标域数据对所提出的模型进行训练。所述步骤(4)具体包括：
步骤(4.1)、多尺度特征提取，对3种情景的源域和目标域数据进行多尺度特征提取。如图3所示，采用了三个特征提取器G1、G2和G3，分别从小、中和大三个尺度对爆管特征进行提取。三个特征提取器结构完全相同，一维卷积层的数量分别为3、6和9。利用特征提取器G1、G2和G3分别得到xS和xT的高层表示和
步骤(4.2)、域自适应训练：
如图3所示，在提取到不同尺度的爆管特征后，将和分别输入到爆管分类器CB1、CB2和CB3中，对不同管道爆管进行分类。在对网络进行训练时，CB遵循有监督学习方式，使源域数据的分类误差最小。同时，在CB1、CB2和CB3之间引入对抗训练。具体而言，对θC中的参数进行优化以获得DC无法识别的分类不变特征，而对θD中的参数进行更新从而对不同分类器的分类结果更好地识别。
如图4所示，情景1下得到的acc1超过80％，概率排序最高的管道数量为2时，总体预测精度超过90％。随后，概率排序最高的管道数量继续增加，总体预测精度增长趋势放缓。显然，大部分管道发生爆管后能够直接被准确定位，另外一部分管道则通过两次定位能够准确判断爆管位置。
如图5所示，情景2下得到的acc1超过70％，随着概率排序最高的管道数量不断增加，总体预测精度也不断增加。当概率排序最高的管道数量超过3时，总体预测精度达到90％以上。当排序最高的管道数量超过5时，总体预测精度增长缓慢。
如图6所示，情景3下得到的acc1超过70％，当概率排序最高的管道数量超过5时，总体预测精度达到90％以上，其总体预测精度曲线增长趋势放缓。
如图7、图8和图9为基于实施例得到了3种情景下爆管定位识别结果。其中，灰色正方形表示当这些管道发生爆管后，所有的爆管事件在第一次定位时就能完全识别出来，即该管道的编号始终为概率最高的管道。结果表明，当这些管道发生爆管后，这些爆管事件能够在第一时间准确定位。而灰色环形表示这些管道发生爆管后，爆管事件在第一次不能完全被检测出来，而是随着概率排序最高的管道数量逐渐增多，剩余部分爆管事件则逐渐被检测出来。而灰色五角星管道表示pre10＝0的管道，即这几条管道如果发生爆管，在概率排序最高的10根管道中并没有包含该位置的管道。情景1、2和3分别有4、3和5根管道发生爆管后完全不能被检测到。
爆管定位识别结果以管网各个管道发生爆管的概率排序形式给出，大部分爆管通常为概率排序最高的管道。然而，如果只考虑pre1＝1的管道爆管，即只进行一次爆管定位，则有相当部分的管道爆管不能被正确识别。如图10所示，给出了三种不同情景下不同定位次数所识别的爆管数量和不能识别的爆管数量。例如如图10(a)所示，对于第4次定位，新识别出爆管数量为118，而不能识别出的爆管数量为1056。各种爆管事件经过4次定位后，大部分爆管事件已经被定位，继续增加爆管定位次数，则只有少部分的爆管事件被识别出来。因此，对于情景1选择4次爆管定位比较合理。对于情景2和3，如图10(b)和10(c)所示，随着爆管定位次数的不断增多，被识别出的爆管事件越来越多。当进行8次爆管定位，继续增加爆管定位次数则不能继续识别出新的爆管。
图11、图12和图13给出不能识别的管道与爆管概率排序最高的前10条管道示意图。如图所示，即使当爆管定位次数增加到10次后，但是这些管道发生爆管后也不能准确识别。根据模型识别结果，给出了概率排序最高的10条管道。如图11、图12和图13所示，实际发生爆管的管道在概率排序最高的前10条管道附近。显然，即使不能对爆管位置进行准确定位，也能定位到爆管附近的区域。
Claims (8)
1.一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，包括如下步骤：
步骤（1），传感器优化布置，选择传感器布设节点位置确保传感器网络对所有爆管的识别；
步骤（2），管道爆管模拟，模拟得到各个传感器发生爆管时各个传感器的监测数据；
步骤（3），准备训练数据，选择不同传感器处的监测数据作为源域和目标域数据；
步骤（4），模型训练和测试，利用源域和目标域数据对所提出的模型进行训练；
步骤（1）具体包括如下步骤：
步骤（1.1），对管网进行爆管模拟，得到管网各个管道发生爆管后管道爆管流量与节点压力变化关系；
管网发生爆管后，会引起管网节点压力发生变化，压力变化与爆管流量有关，这种变化通采用雅可比矩阵表示：
；
式中，表示管道发生爆管后节点处的压力变化，,表示管网管道总数，,表示管网管道总数，当大于传感器的检测阈值时，，否则，；表示节点处的压力；表示节点处的流量；
步骤（1.2），定义传感器布置优化目标函数，得到传感器监测网络；
在对传感器进行布置时，在尽量减少传感器数量的前提下需要确保传感器网络能够完成对所有爆管事件的识别；同时，考虑到传感器可能发生故障的情况，同时需要保证传感器网络有一定的冗余，即单个爆管事件至少被一个以上的传感器同时检测到，传感器优化布置的目标函数为：
；
式中，表示供水管网中传感器的总数，若节点处布置有传感器，则，否则；表示传感器网络的冗余，保证管网各个爆管事件有超过一个以上的传感器被检测到，为判别函数，若,则，否则，；采用遗传算法对传感器的位置进行筛选，得到最优的传感器网络；
步骤（2）具体包括如下步骤：
步骤（2.1），利用Wagner公式对爆管进行模拟；
采用EPANET对管网模型进行水力模拟，得到各个管道发生爆管的情况，基于压力驱动分析能够更加真实地反映管道破裂时压力不足地情况，进而采用Wagner公式对爆管进行模拟，如下式所示：
；
式中，和分别是节点处的实际流量和所需流量，为节点处的压力，和分别为节点处的最小压力和所需压力；表示水头指数；
假设管道上的爆管流量满足孔板公式的流量，如下式所示：
；
式中，表示爆管流量，为流出系数，其值为0.5-0.7，取决于雷诺数和孔口形状，为孔口面积，为孔口压力；，其中为相应管道的横截面积，为强度系数，由爆管强度决定；
步骤（2.2），考虑不确定性的影响，对爆管进行模拟得到不同管道发生爆管的情况；
其中，在进行爆管模拟时，需要考虑不确定性的影响，主要考虑了三个不确定参数，包括节点需求、管道粗糙度系数和爆管面积；对于节点需求和管道粗糙度系数，将高斯白噪声，为高斯分布函数 ，为噪声信号的大小，添加到现有的粗糙度系数和日节点需求曲线上，两个参数的标准差分别为和；如果水力模型校准良好，则应分配较小的标准偏差，否则，应使用较大的值；用的随机数来模拟漏损面积的不确定性，将其模拟为服从均匀分布的随机数，为最小漏损面积；为最大漏损面积；
对于管道数为的供水管网，假设管网各条管道均发生爆管，模拟得到管网各条管道发生爆管时管网各个节点的压力数据，如下式所示：
；
式中，表示管道发生爆管后管网节点处的压力监测值，表示管网节点总数，表示管网管道总数；
假设管网各条管道均发生爆管，在管道发生爆管时，随机将噪声值和分别添加到各个管道的粗糙度系数和节点需求上，根据均匀分布随机选择爆管强度系数，对管网各条管道发生爆管的情况进行重复模拟，得到管网所有管道均发生爆管的情况；
在得到爆管数据后，需要选择传感器所在节点位置处的压力监测数据来准备源域和目标域数据。
2.根据权利要求1所述一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，步骤（3）具体包括如下步骤：
针对具有不同特征空间的供水管网爆管定位问题，用于数据驱动的爆管定位模型的源域数据和目标域数据为供水管网不同位置处传感器的监测数据；设表示源域数据，为管道爆管标签，为传感器网络的实时监测数据，为源域，表示无标记的目标域数据，为目标域，和分别表示源域和目标域样本数量；利用有监督的源域数据对爆管定位模型进行训练，能够在源域建立有效的分类器对不同位置的爆管进行有效识别；然而，当测试数据来自不同的传感器时，源域和目标域的特征分布没有重叠，从而影响了模型在目标域的性能；
在对模型进行训练之前，将不同位置处传感器的监测数据分别作为源域和目标域数据，尽管源域和目标域的特征空间分布不同，但是这些监测数据的底层特征空间相同。
3.根据权利要求1所述一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，步骤（4）具体包括如下步骤：
步骤（4.1），多尺度特征提取能够获取更加全面的信号特征，由此采用了三个特征提取器、和，分别从小、中和大三个尺度对爆管特征进行提取；利用特征提取器、和分别得到和的高层表示：
；
；
式中：为源域数据，为目标域数据，、、分别为特征提取器G1、G2和G3处的源域数据，、、分别为特征提取器G1、G2和G3处的目标域数据；
步骤（4.2），在提取到不同尺度的爆管特征后，将、和分别输入到爆管分类器、和中，对不同管道爆管进行分类；在对网络进行训练时，遵循有监督学习方式，使源域数据的分类误差最小；同时，在、和之间引入对抗训练；具体而言，对中的参数进行优化以获得无法识别的分类不变特征，而对中的参数进行更新从而对不同分类器的分类结果更好地识别，为此，参数优化时需满足以下条件：
；
；
；
；
式中，、和分别表示特征提取器G1、G2和G3的参数值；、分别表示爆管分类器、、的参数值；、和分别表示特征提取器G1、G2和G3训练优化后的参数值；、和分别表示爆管分类器、、训练优化后的参数值；表示分类器鉴别器训练优化后的参数值；表示分类器的参数值；表示分类器鉴别器；表示域鉴别器的参数值；表示爆管分类器；、和分别表示特征提取G1、G2和G3提取得到的源域特征信号；、和分别表示爆管分类器1、爆管分类器2和爆管分类器3；、和分别表示特征提取G1、G2和G3提取得到的目标域域特征信号；表示优化目标，由域标签预测误差组成；
将、和分别输入到、和中得到域标签估计，同时在和之间引入对抗训练；具体而言，对中的参数进行优化以获得无法识别的域不变特征，而对中的参数进行更新以更好地对源域和目标域数据进行分类；通过源监督下和之间引入对抗训练，将源域实例和目标域实例投影到所学习的高级特征子空间中的同一区域，同时包含爆管位置的判别信息；所学习的爆管定位知识能够很好的泛化，并且能够在没有监督目标域数据的情况下在目标域获得更好的模型性能；为此，参数优化需满足以下条件：
；
；
；
式中，表示优化目标，由域标签预测误差组成，表示的最优参数，表示特征提取器的参数值；表示特征提取器；表示源域鉴别器。
4.根据权利要求3所述一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，步骤（4.2）具体包括以下步骤：
步骤（4.2.1），源域分类损失；
步骤（4.2.2），爆管分类器损失；
步骤（4.2.3），域自适应损失。
5.根据权利要求4所述一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，所述步骤（4.2.1）中源域分类损失具体包括：
源域分类旨在根据源监督数据来识别不同管道发生爆管的鉴别特征，为三个爆管分类器源域分类损失之和：
；
式中，分别表示爆管分类器、和，表示爆管分类器由第个源域样本作为输入得到的第个输出向量；表示发生爆管的管道标签；表示管网管道编号；表示各个管道发生爆管的次数。
6.根据权利要求4所述一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，所述步骤（4.2.2）中爆管分类器损失具体包括：
为了提取不同尺度的爆管特征，采用三种不同尺度的特征提取器，分别利用三个不同的爆管分类器对源域数据进行分类，并将各个爆管分类器的分类结果输入到分类鉴别器中；
；
式中，，和分别表示爆管分类器最后全连接层输出的第一、二和三个元素，以三个特征提取器的第个源域样本作为输入，爆管分类器、和的输出标签分别为1、2和3，表示管网发生爆管总的次数，表示第个分类器的分类结果 。
7.根据权利要求4所述一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，所述步骤（4.2.3）中域自适应损失具体包括：
在特征空间分布差异较大时需要迁移所学的爆管定位知识，将源域和目标域的边缘数据分布引入同一子空间，其中，域融合是通过特征提取器和域鉴别器之间的对抗训练来实现的，采用来定义源域分类损失：
；
式中，分别表示域鉴别器、和；和分别表示域鉴别器中最后完全连接层处的输出向量的第一和第二元素，以第个源域样本作为输入；和是第个目标域样本的对应元素；假设第一个输出元素表示源域，第二个表示目标域；相应地，源域样本的域标签为[1,0]，目标域样本的域标签为[0,1]；
采用多尺度特征提取器、和对不同尺度的爆管特征进行提取，得到源域和目标域数据小、中和大尺度爆管特征，利用三个爆管分类器分别对源域监督数据不同尺度的爆管特征进行识别，识别出爆管标签，在不同的爆管分类器以及源域和目标域之间引入对抗网络，对特征提取器进行优化使最小，同时使和最大，爆管分类器的目标是最小化，分类器鉴别器和域鉴别器的更新目标分别为最大化和，采用三种不同尺度的特征提取器对源域和目标域数据进行提取，参数分别为、和，优化问题可以表示为：
式中，、和分别为、和的最佳值，在每次训练历元中，参数更新为：
；
；
；
；
式中，、和分别表示、和的惩罚系数，表示学习速率，是用于实现的引入系数，、和分别表示爆管分类器、域鉴别器和分类器鉴别器的参数，表示特征提取器的参数,为分类器鉴别器的参数。
8.根据权利要求7所述一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，所述步骤（4.2.3）中：
在对参数进行更新时，采用梯度反转层，它除了惩罚系数之外没有任何参数，在网络的前向传播中，梯度反转层是一种身份映射，梯度反转层在反向传播中接收来自下一层的梯度，并将梯度乘以后传递给前一层；其中，梯度反转层在后向传播中分别被放置在爆管分类器与分类器鉴别器和特征提取器与域鉴别器之间，在前向传播中由于身份映射而被忽略，因此，优化目标可表述为：。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054010.9A CN117216949B (zh) | 2023-08-21 | 2023-08-21 | 一种基于深度学习的跨传感器爆管定位域自适应方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054010.9A CN117216949B (zh) | 2023-08-21 | 2023-08-21 | 一种基于深度学习的跨传感器爆管定位域自适应方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216949A CN117216949A (zh) | 2023-12-12 |
| CN117216949B true CN117216949B (zh) | 2024-05-10 |
Family
ID=89039808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311054010.9A Active CN117216949B (zh) | 2023-08-21 | 2023-08-21 | 一种基于深度学习的跨传感器爆管定位域自适应方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216949B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102174994A (zh) * | 2011-03-11 | 2011-09-07 | 天津大学 | 城市供水管网事故爆管在线定位系统 |
| CN206095313U (zh) * | 2016-10-21 | 2017-04-12 | 郑州大学 | 一种集中供水管网综合监测模拟分析系统 |
| CN108730775A (zh) * | 2018-05-25 | 2018-11-02 | 山东锋士信息技术有限公司 | 一种树状管网爆管分析方法及装置 |
| CN113446521A (zh) * | 2021-06-25 | 2021-09-28 | 天津大学 | 基于瞬变流的爆管定位方法 |
| CN114580786A (zh) * | 2022-03-30 | 2022-06-03 | 广州市自来水有限公司 | 一种用于城市供水管网监测点的布置优化方法 |
| CN114659037A (zh) * | 2022-03-30 | 2022-06-24 | 浙江大学 | 一种用于城市供水管网爆管的定位方法 |
| CN115127037A (zh) * | 2022-09-01 | 2022-09-30 | 北京云庐科技有限公司 | 一种供水管网漏损定位方法及系统 |
-
2023
- 2023-08-21 CN CN202311054010.9A patent/CN117216949B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102174994A (zh) * | 2011-03-11 | 2011-09-07 | 天津大学 | 城市供水管网事故爆管在线定位系统 |
| CN206095313U (zh) * | 2016-10-21 | 2017-04-12 | 郑州大学 | 一种集中供水管网综合监测模拟分析系统 |
| CN108730775A (zh) * | 2018-05-25 | 2018-11-02 | 山东锋士信息技术有限公司 | 一种树状管网爆管分析方法及装置 |
| CN113446521A (zh) * | 2021-06-25 | 2021-09-28 | 天津大学 | 基于瞬变流的爆管定位方法 |
| CN114580786A (zh) * | 2022-03-30 | 2022-06-03 | 广州市自来水有限公司 | 一种用于城市供水管网监测点的布置优化方法 |
| CN114659037A (zh) * | 2022-03-30 | 2022-06-24 | 浙江大学 | 一种用于城市供水管网爆管的定位方法 |
| CN115127037A (zh) * | 2022-09-01 | 2022-09-30 | 北京云庐科技有限公司 | 一种供水管网漏损定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216949A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11507049B2 (en) | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning | |
| CN101907681B (zh) | 基于gsd_svdd的模拟电路动态在线故障诊断方法 | |
| CN107426741B (zh) | 一种基于免疫机理的无线传感器网络故障诊断方法 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN102705303A (zh) | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 | |
| CN110516735B (zh) | 一种基于LSTM网络和Adam算法的天然气管道事件分类方法 | |
| CN109491338A (zh) | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 | |
| CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
| CN112733447B (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
| Li et al. | An accurate leakage localization method for water supply network based on deep learning network | |
| CN110020868B (zh) | 基于线上交易特征的反欺诈模块决策融合方法 | |
| CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 | |
| CN117743909A (zh) | 一种基于人工智能的供热系统故障分析方法及装置 | |
| CN114444663A (zh) | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 | |
| Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
| Yan et al. | Confident learning-based Gaussian mixture model for leakage detection in water distribution networks | |
| CN117216949B (zh) | 一种基于深度学习的跨传感器爆管定位域自适应方法 | |
| CN113970073B (zh) | 一种基于ResNet的供水管网泄漏精准定位方法 | |
| Zhang et al. | Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model | |
| CN115758259A (zh) | 一种基于特征融合的多源域泛化设备故障诊断方法 | |
| CN115935187A (zh) | 基于核敏感度对齐网络的变工况下机械故障诊断方法 | |
| Xiao-Xu et al. | An intelligent inspection robot of power distribution network based on image automatic recognition system | |
| CN100383806C (zh) | 基于鲁棒位置保留映射的人脸识别方法 | |
| Xing et al. | Streaming sensor data validation in networked infrastructure systems through synergic auto and cross similarity discovery and analysis |
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 |