一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法

摘要

本发明公开一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，首先，使用源域数据预训练多个不同参数的源任务1DCNN，使得这些1DCNN在源域数据上达到优秀的分类性能。其次，迁移源域预训练的1DCNN，以较小的学习率微调参数来实现目标域的模型训练，获得多个迁移学习的一维卷积神经网络(TL1DCNN)。然后，使用粒子群优化算法优化获得各个TL1DCNN的权重系数，最终得到一维迁移学习卷积神经网络集成模型。将本发明提出的方法在分类准确率，召回率，F_score，混淆矩阵等指标表现较好。对比结果表明，本发明提出的方法在准确性和鲁棒性方面具有更好的表现。

说明书

技术领域

本发明涉及供水管网泄漏检测与定位技术领域，具体涉及一种基于集成一维迁移学习卷积神经网络的供水管网泄漏检测方法。

背景技术

管道运输由于其运量大、安全可靠、连续性强等特点被广泛应用于油气输送及城市自来水网络等场合。由于长时间使用，管道会因腐蚀、老化、施工破坏及其它原因发生泄漏，造成巨大的环境和经济损失。因此，尽早检测和识别管道的潜在异常和故障并实施容错操作以最大程度地降低性能下降并避免危险情况至关重要。

管道泄漏检测技术已被广泛的研究，相关的算法也很多。通常可以划分为硬件检测和软件检测方法。硬件检测方法通常依赖硬件设备，如水听器，光纤，声学方法，硬件检测方法一般需要安装较昂贵的设备，大规模使用时，代价非常高。软件检测方法依赖压力、流量等测量变量，通过构建数学机理模型或机器学习的方法进行泄漏检测和定位。

虽然传统的基于软件检测的方法能够解决大量管道泄漏及定位问题，但是传统方法还有许多限制。第一，人工提取特征需要较强的专业知识和经验。第二，只能提取到较浅层次的特征，对于复杂系统通常难以发挥作用。这些不足限制了模型的分类或回归性能。近几年，深度学习技术在图像处理、自然语言处理、故障诊断等方面带来了突破。深度学习可以不依赖先验知识而自动从原始数据提取到深层的特征，其基本组成部分一般为卷积层、池化层和全连接层。较早应用于故障检测的深度学习技术多为二维卷积神经网络(2DCNN)，该方法需要将原始的一维信号数据转换为二维图片形式，相较于一维卷积神经网络(1DCNN)在转换过程中可能会丢失某些有用信息以及增加计算消耗。直接使用原始数据的1DCNN模型降低了复杂度和节省了计算开销。深度学习算法基于训练数据和待处理数据处在相同的特征空间和具有相同的分布的假设以及需要大量的标注数据，但是实际应用中，这些假设常常不能被满足。为解决这一问题，迁移学习开始被应用于难以获得大量数据的故障诊断领域。

对于数据量少，特征维度多的任务，即使迁移学习有时也难以达到突出的效果。集成学习结合多个学习器通常可以减少泛化性能不佳的风险，降低学习算法陷入局部极小点的风险。因此，集成方法在许多领域取得了令人满意的效果，结合多个具有数据、参数、结构差异的个体学习器可以提高模型的表现。

发明内容

为了实现更准确的从少量数据中提取管道泄漏的特征以实现准确诊断的目的，本发明提出一种基于集成一维迁移卷积神经网络为基学习器，集成多个基学习器结果进行分类的管道泄漏检测和定位方法。有效缓解了故障数据难以获取的限制，提高了模型的准确率。

一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，包括以下步骤：

步骤1，采集得到源域供水管网压力信号数据集N组，其中，部分的数据作为源域训练集，另一部分的数据作为源域验证集；

采集得到目标域供水管网压力信号数据集M组，作为目标域数据集，M小于

步骤1中，采集得到源域供水管网压力信号数据集N组，其中65％～85％的数据作为源域训练集，15％～35％的数据作为源域验证集；进一步优选，采集得到源域供水管网压力信号数据集N组，其中75％的数据作为源域训练集，25％的数据作为源域验证集；

目标域数据集中的54％～74％的数据作为目标域训练集，6％～17％的数据作为目标域验证集，15％～35％的数据作为目标域测试集；最优选的，目标域数据集中的64％的数据作为目标域训练集，11％的数据作为目标域验证集，25％的数据作为目标域测试集。

M小于

步骤2：将步骤1的源域训练集数据输入一维卷积神经网络进行源域卷积神经网络模型训练，其中步骤1的源域验证集数据用来验证模型的优劣；交叉熵最小的模型作为源域一维卷积神经网络模型；

步骤2中，交叉熵的定义表示为：

其中，E代表交叉熵，n代表类别索引，m表示样本索引，y代表样本标签，

步骤3：载入步骤2的源域一维卷积神经网络模型，将目标域一维卷积神经网络的学习率设置为源域卷积神经网络模型学习率的十分之一，使用步骤1中目标域训练集数据训练模型的参数，目标域验证集数据用来验证该模型；

步骤4：重复步骤2和步骤3共Y次，获得Y个迁移学习一维卷积神经网络模型(TL1DCNN)，计算各模型间的相似度并获得相似度矩阵，子模型的所有组合策略共有

其中，a和b表示概率向量P的第a个和第b个元素，I表示TL1DCNN的预测标签，S

步骤5：以步骤1中目标域验证集中的误分类个数为优化目标，使用粒子群优化算法优化步骤4中Y-1种组合策略中集成子模型的权重，如公式(4)所示；用步骤1中目标域测试集的数据评价各组合策略模型的性能，准确率最高的模型即为最终获得的一维迁移学习卷积神经网络集成模型，如公式(5)所示：

Result＝argmax(V) (5)

其中，k表示集成的TL1DCNN模型的格个数，w

所述步骤4获得多个TL1DCNN；步骤5中基于粒子群优化算法，获得TL1DCNN的集成模型，实现供水管网的泄漏检测与定位。

与现有技术相比，本发明具有如下优点：

本发明公开的提出一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法。主要优点为迁移学习用于一维卷积神经网络，使用PSO优化的权重集成多个TL1DCNN基学习器进行管道泄漏检测及定位的故障诊断。使用管道泄漏数据检验了提出的方法，准确率、召回率和F_score等分别达到90.5％，91.8％，90.4％，优于其他方法。该结果表明该方法在供水管网泄漏检测和定位领域有一定的前景

附图说明

图1是模型方法原理图。

图2是实验装置布置图。

图3是采集到的信号(标签值0表示无泄漏，奇数为大泄漏，偶数为小泄漏)。

图4a是集成TL1DCNN的混淆矩阵。

图4b是相同权重的集成TL1DCNN的混淆矩阵。

图4c是TL1DCNN的混淆矩阵。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据此实施。

本发明的模型方法原理图如图1所示。本发明的实验装置布置图如图2所示。采集到的信号(标签值0表示无泄漏，奇数为大泄漏，偶数为小泄漏)如图3所示。集成TL1DCNN的混淆矩阵如图4a所示。相同权重的集成TL1DCNN的混淆矩阵如图4b所示。TL1DCNN的混淆矩阵如图4c所示。

一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，包括以下步骤：

步骤1，采集得到源域供水管网压力信号数据集N组，其中75％的数据作为源域训练集，25％的数据作为源域验证集；采集得到目标域供水管网压力信号数据集M组，M远小于N，目标域数据集中的64％的数据作为目标域训练集，11％的数据作为目标域验证集，25％的数据作为目标域测试集；

步骤2，将步骤1的源域训练集数据输入一维卷积神经网络进行源域卷积神经网络模型训练，其中步骤1的源域验证集数据用来验证模型的优劣；交叉熵最小的模型作为源域一维卷积神经网络模型；交叉熵的定义可表示为：

其中，E代表交叉熵，n代表类别索引，m表示样本索引，y代表样本标签，

步骤3，载入步骤2源域一维卷积神经网络模型，将目标域一维卷积神经网络的学习率设置为源域卷积神经网络模型学习率的十分之一，使用步骤1中目标域训练集数据训练模型的参数，目标域的验证数据集数据用来验证该模型；

步骤4，重复步骤2和步骤3共Y次，获得Y个迁移学习一维卷积神经网络模型(TL1DCNN)，计算各模型间的相似度并获得相似度矩阵，子模型的所有组合策略共有

其中，a和b表示概率向量P的第a个和第b个元素，I表示TL1DCNN的预测标签，Si,

步骤5，以步骤1中目标域验证集中的误分类个数为优化目标，使用粒子群优化算法优化步骤4中Y-1种组合策略中集成子模型的权重，如公式(4)所示；用步骤1中目标域测试集的数据评价各组合策略模型的性能，准确率最高的模型即为最终获得的一维迁移学习卷积神经网络集成模型，如公式(5)所示；

Result＝argmax(V) (5)其中，k表示集成的TL1DCNN模型的格个数，w

本发明以一维迁移卷积神经网络(1DCNN)为基学习器，集成和优化多个基学习器的结果进行管道泄漏检测和定位的方法。首先，使用源域数据预训练多个不同参数的源任务1DCNN，使得这些1DCNN在源域数据上达到优秀的分类性能。其次，迁移源域预训练的1DCNN，以较小的学习率微调参数来实现目标域的模型训练，获得多个迁移学习的一维卷积神经网络(TL1DCNN)。然后，使用粒子群优化算法优化获得各个TL1DCNN的权重系数，最终得到一维迁移学习卷积神经网络集成模型。将本发明提出的方法在分类准确率，召回率，F_score，混淆矩阵等指标表现较好。对比结果表明，本发明提出的方法在准确性和鲁棒性方面具有更好的表现。

收集不同位置不同大小泄漏产生的负压波，具体操作条件如下：介质为水，管路系统包含一条主管道和两条支管道，主管道内径400mm，管长1km，两条支管的内径和长度分别为200mm，250mm和400m，500m。管内壁粗糙度0.07mm，，负压波传播速度1000m/s，温度20摄氏度。为模拟不同位置和不同孔径的泄漏，在距离上游选定的900m范围内随机安装流球阀，球阀的孔径在3mm-12mm之间。上、下游测压点为PI101-PI104，压力表采样频率50HZ，时长10s。将4个测压点采集到的压力信号首尾相连作为一组样本。

由于实际场景中，不可能获得大量的故障样本。因此在实际管网中只能在小范围内人为制造泄漏故障，以较低的破坏获得大量的现场数据。因此，对标签值为1-6的范围采集了大量数据，共计3044组；对标签值为7-18的范围采集少量数据，共计704组。数据集的划分如表1所示。

表1数据集划分

首先，将源域数据集的2358组训练集数据用来训练5个不同参数的1DCNN模型，786组验证集数据验证模型的性能。其次，使用目标域数据集的717组训练集数据微调源域模型的参数，使其在整个待研究管道区域都有较高的准确度。对5个TL1DCNN模型输出的分类概率进行加权求和获得最后的集成TL1DCNN模型的输出，也就是该方法的结果，其中权重值通过设定误分类的验证集样本数为优化目标函数，粒子数＝50，迭代轮数＝40的粒子群算法进行确定。

该方法相较TL1DCNN及权重相等的集成TL1DCNN模型有更好的表现，详细指标如表2所示。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

表2集成TL1DCNN，TL1DCNN和相同权重的TL1DCNN效果表