一种基于深度置信网络信息融合的供暖管道泄漏检测方法技术

本发明专利技术提供一种基于深度置信网络信息融合的供暖管道泄漏检测方法，包括：S1：选择包括双层受限玻尔兹曼机和基于Gauss‑Cos混合核函数的最小二乘支持向量分类机结合的深度置信网建立供暖管道泄漏的信息融合检测模型；S2：采集新数据信息测试信息融合检测模型的正确率；S3：当正确率在95％以上时，信息融合检测模型符合要求，进入S6；否则进入S4至S5；S4：利用Gibbs采样迭代更新并改进信息融合检测模型，直至所有原始数据对应的特征矩阵均被选取过；S5：更新深度置信网权值偏置矩阵模型参数，完成信息融合检测模型的更新，返回S2至S3；S6：将待检测管道的特征矩阵输入信息融合检测模型，输出管道状态分类结果。本发明专利技术解决了管道泄漏方法效率低、精度低的问题。

A Heating Pipeline Leakage Detection Method Based on Deep Confidence Network Information Fusion

【技术实现步骤摘要】
一种基于深度置信网络信息融合的供暖管道泄漏检测方法
本专利技术涉及供暖主管道智能泄漏检测领域，具体而言，尤其涉及一种基于深度置信网络信息融合的供暖管道泄漏检测方法。
技术介绍
伴随着集中供暖逐渐在全国普及开来，供暖管道的铺设也逐渐增多，对于暖气管道而言，管道的完好性为供暖提供了足够的保障。随之而来的是供暖安全也逐渐受到重视，但由于管道总量的增加，安全事故也逐渐增多，对人民的人身安全和财产安全等等都造成了巨大的威胁。安全事故的发生有多种因素，不仅仅局限于自然因素，管道自身的老化、道路施工的不注意、人为的操作失误等等都会造成可能的安全问题，一旦发生安全事故，不仅伴随着经济财产的损失，严重的甚至可能会造成人员伤亡。所以对管道的足够重视是防止安全事故的关键因素，如果不能及时检测到供暖管道的泄漏，就可能会造成严重的经济损失和人员伤亡。由于供暖管道深埋地下，所以对管道的监控是一件非常麻烦的事情，要及时察觉管道的泄漏需要大量的检测设备和工作人员，管道的泄漏发生时，相关工作人员需要根据监控参数的变化及时察觉到泄漏的发生，并准确找到、定位泄漏的准确位置，在保障供暖安全的前提下，保证供暖系统平稳运行。
技术实现思路
根据上述提出现有技术进行管道泄漏效率低、精度低的问题，而提供一种基于深度置信网络信息融合的供暖管道泄漏检测方法。本专利技术主要利用深度置信网学习算法，利用双层玻尔兹曼机进行特征矩阵训练，基于Gauss-Cos混合核函数的最小二乘支持向量分类机算法实现泄漏诊断，从而达到提高检测精度和检测效率的目的。本专利技术采用的技术手段如下：一种基于深度置信网络信息融合的供暖管道泄漏检测方法，包括以下步骤：S1：采集供暖管道泄漏实验的原始数据作为初始训练样本，所述原始数据为由正常状态和泄漏状态下供暖管道压力信号和流量信号，分别提取压力信号和流量信号的特征矩阵，特征矩阵由均值、均方根、峭度和偏斜度组成；将原始数据对应的特征矩阵作为输入信息，分别输入两个深度置信网络，两个模型输出的管道状态分类结果包括分别用0和1表示的正常状态和泄漏状态，将两个模型进行信息融合：选择包括双层受限玻尔兹曼机和基于Gauss-Cos混合核函数的最小二乘支持向量分类机结合的深度置信网建立供暖管道泄漏的信息融合检测模型，当两个模型输出的管道状态分类结果一致时，将该管道状态分类结果作为信息融合检测模型输出的管道状态分类结果；S2：获取新数据信息，所述新数据信息为训练好检测模型后获取的已知真实状态的供暖管道的压力信号的特征矩阵和流量信号的特征矩阵；将新数据信息输入信息融合检测模型，输出管道状态分类结果用于测试信息融合检测模型的正确率；S3：新数据信息包括的所有数据样本中，管道状态分类结果与真实状态一致的数据样本占所有数据样本的比例表示信息融合检测模型的正确率；当正确率在95％以上时，表示信息融合检测模型符合要求，作为最终的信息融合检测模型进入S6；否则进入S4至S5对信息融合检测模型进行更新；S4：每一次随机选取一个原始数据对应的特征矩阵作为模型的起始计算位置，采用双层受限玻尔兹曼机重复进行K次训练，利用Gibbs采样迭代更新并改进信息融合检测模型，利用受限玻尔兹曼机得到训练数据的边缘分布，作为Gibbs采样的迭代参数，直至所有原始数据对应的特征矩阵均被选取过；S5：根据训练数据的边缘分布，更新深度置信网权值偏置矩阵模型参数，完成信息融合检测模型的更新，返回S2至S3重新测试信息融合检测模型的正确率；S6：将待检测管道的压力信号和流量信号的均值、均方根、峭度、偏斜度组成的特征矩阵输入最终的信息融合检测模型，输出待检测管道状态分类结果。进一步地，所述玻尔兹曼机的能量函数为：其中，v是显层的神经元节点，h是隐层的神经元节点，i和j分别代表每层玻尔兹曼机的节点数，b和c分别为显层和隐层节点的偏置值，Wij表示每层神经元节点之间的权值矩阵。进一步地，步骤S5中，深度置信网权值偏置矩阵模型参数采用如下公式进行计算：W→W+λ(P(h1|v1)v1-P(h2|v2)v2)b→b+λ(v1-v2)c→c+λ(h1-h2)(2)其中：λ表示学习速率，P表示隐层中神经元被重构的显层激活的概率，v和h代表显层和隐层的节点，b和c分别为显层和隐层的偏置值。进一步地，步骤S1中，基于Gauss-Cos混合核函数的最小二乘支持向量分类机采用的Gauss-Cos混合核函数如下公式进行计算：其中，σ是Gauss-Cos混合核函数的参数。较现有技术相比，本专利技术具有以下优点：本专利技术提供的基于深度置信网络信息融合的供暖管道泄漏检测方法，采用双层玻尔兹曼机和基于Gauss-Cos混合核函数的最小二乘支持向量分类机信息融合方法对供暖管道检测进行建模，为实现对管道状态的预测，给出了深度置信网络方法，采用双层玻尔兹曼机和gibbs采样的方法，有效提取输入信息的特征同时使泄漏检测模型特征矩阵更新的计算更加迅速；考虑到管道训练样本集有限，最小二乘支持向量分类机在小样本数据集上的优良实时性和分类准确性，采用基于Gauss-Cos混合核函数的最小二乘支持向量分类机训练得到分类输出模型，在速度和准确性上要快于BP分类方法；采用双层玻尔兹曼机和基于Gauss-Cos混合核函数的最小二乘支持向量分类机信息融合方法比传统的深度置信网络、最小二乘支持向量分类机、BP等方法具有优良的分类诊断性能。本专利技术能够适应管道工作过程中状态检测的需要，进一步有效增强了模型预测能力，提高了模型的预测精度。综上，应用本专利技术的技术方案主要利用双层玻尔兹曼机进行特征矩阵训练获得信号的深度特征值，基于Gauss-Cos混合核函数的最小二乘支持向量分类机实现泄漏诊断，从而达到提高检测精度和检测效率的目的。因此，本专利技术的技术方案解决了现有技术进行管道泄漏效率低、精度低的问题。基于上述理由本专利技术可在供暖管道泄漏检测等领域广泛推广。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术所述供暖管道泄漏检测方法原理示意图。图2为本专利技术所述供暖管道泄漏检测方法流程图。图3为本专利技术所述供暖管道泄漏检测方法检测结果示意图。图4为本专利技术所述供暖管道泄漏检测方法检测结果示意图。图5为本专利技术所述供暖管道泄漏检测方法检测结果示意图。图6为本专利技术所述供暖管道泄漏检测方法检测结果示意图。具体实施方式需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要注意的是，这里所使用的术语仅是为了描本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络信息融合的供暖管道泄漏检测方法，其特征在于：包括以下步骤：S1：采集供暖管道泄漏实验的原始数据作为初始训练样本，所述原始数据为由正常状态和泄漏状态下供暖管道压力信号和流量信号，分别提取压力信号和流量信号的特征矩阵，特征矩阵由均值、均方根、峭度和偏斜度组成；将原始数据对应的特征矩阵作为输入信息，分别输入两个深度置信网络，两个模型输出的管道状态分类结果包括分别用0和1表示的正常状态和泄漏状态，将两个模型进行信息融合：选择包括双层受限玻尔兹曼机和基于Gauss‑Cos混合核函数的最小二乘支持向量分类机结合的深度置信网建立供暖管道泄漏的信息融合检测模型，当两个模型输出的管道状态分类结果一致时，将该管道状态分类结果作为信息融合检测模型输出的管道状态分类结果；S2：获取新数据信息，所述新数据信息为训练好检测模型后获取的已知真实状态的供暖管道的压力信号的特征矩阵和流量信号的特征矩阵；将新数据信息输入信息融合检测模型，输出管道状态分类结果用于测试信息融合检测模型的正确率；S3：新数据信息包括的所有数据样本中，管道状态分类结果与真实状态一致的数据样本占所有数据样本的比例表示信息融合检测模型的正确率；当正确率在95％以上时，表示信息融合检测模型符合要求，作为最终的信息融合检测模型进入S6；否则进入S4至S5对信息融合检测模型进行更新；S4：每一次随机选取一个原始数据对应的特征矩阵作为模型的起始计算位置，采用双层受限玻尔兹曼机重复进行K次训练，利用Gibbs采样迭代更新并改进信息融合检测模型，利用受限玻尔兹曼机得到训练数据的边缘分布，作为Gibbs采样的迭代参数，直至所有原始数据对应的特征矩阵均被选取过；S5：根据训练数据的边缘分布，更新深度置信网权值偏置矩阵模型参数，完成信息融合检测模型的更新，返回S2至S3重新测试信息融合检测模型的正确率；S6：将待检测管道的压力信号和流量信号的均值、均方根、峭度、偏斜度组成的特征矩阵输入最终的信息融合检测模型，输出待检测管道状态分类结果。...

【技术特征摘要】
1.一种基于深度置信网络信息融合的供暖管道泄漏检测方法，其特征在于：包括以下步骤：S1：采集供暖管道泄漏实验的原始数据作为初始训练样本，所述原始数据为由正常状态和泄漏状态下供暖管道压力信号和流量信号，分别提取压力信号和流量信号的特征矩阵，特征矩阵由均值、均方根、峭度和偏斜度组成；将原始数据对应的特征矩阵作为输入信息，分别输入两个深度置信网络，两个模型输出的管道状态分类结果包括分别用0和1表示的正常状态和泄漏状态，将两个模型进行信息融合：选择包括双层受限玻尔兹曼机和基于Gauss-Cos混合核函数的最小二乘支持向量分类机结合的深度置信网建立供暖管道泄漏的信息融合检测模型，当两个模型输出的管道状态分类结果一致时，将该管道状态分类结果作为信息融合检测模型输出的管道状态分类结果；S2：获取新数据信息，所述新数据信息为训练好检测模型后获取的已知真实状态的供暖管道的压力信号的特征矩阵和流量信号的特征矩阵；将新数据信息输入信息融合检测模型，输出管道状态分类结果用于测试信息融合检测模型的正确率；S3：新数据信息包括的所有数据样本中，管道状态分类结果与真实状态一致的数据样本占所有数据样本的比例表示信息融合检测模型的正确率；当正确率在95％以上时，表示信息融合检测模型符合要求，作为最终的信息融合检测模型进入S6；否则进入S4至S5对信息融合检测模型进行更新；S4：每一次随机选取一个原始数据对应的特征矩阵作为模型的起始计算位置，采用双层受限玻尔兹曼机重复进行K次训练，利用Gibbs采样迭代更新并改进信息融合检测...

【专利技术属性】
技术研发人员：李琦，杜晓东，李萌，谢梦琦，
申请(专利权)人：大连理工大学，赛尔网络有限公司，
类型：发明
国别省市：辽宁,21