基于卷积神经网络的给水管网多点漏损定位方法及其装置制造方法及图纸

本发明专利技术公开了一种基于卷积神经网络的给水管网多点漏损定位方法，包括以下步骤：对供水管网压力数据进行采集，将采集的供水数据分为训练样本和测试样本；将各个样本归一化，归一化后的训练样本输入到卷积神经网络模型中进行训练，得到卷积神经网络模型，归一化后的测试样本对卷积神经网络模型进行测试，保存训练好的卷积神经网络模型；实时数据归一化后输入到训练好的卷积神经网络模型中，通过训练好的卷积神经网络模型来得到预测结果；将预测结果对比标签索引，判断漏损。本发明专利技术还公开一种基于卷积神经网络的给水管网多点漏损定位装置。本发明专利技术通过卷积和池化操作减少了数据中的噪声点，提取了每类型数据中的特殊特征，使得预测更加准确。

【技术实现步骤摘要】
基于卷积神经网络的给水管网多点漏损定位方法及其装置
本专利技术涉及涉及市政给水管网领域，特别涉及基于卷积神经网络的给水管网多点漏损定位方法及其装置。
技术介绍
市政供水管网是保证一个城市经济发展和生活水平的重要基础设施，是城市生存和发展的生命线。但是由于用水量的不断扩大和管网使用年限的增长，缺乏现代化、智能化、理论化的市政供水管网管理系统，市政供水管网逐渐暴露出较大范围的漏损情况，如不及时处理，会造成水资源的浪费和经济损失。随着科技水平的发展及对供水要求的不断提高，建立给水管网系统模型解决给水管网漏损定位问题在供水行业已迫在眉睫，其中如何准确定位漏损点是解决管网漏损问题的关键。利用给水管网系统模型，结合管网各区域长时间压力参数的变化，实现给水管网漏损事故预测与快速定位的研究被广泛推广。在传统的漏损定位方法中，通过听音法，区域检漏法等方法耗时耗力。专利申请201810393876.5公开了一种水管网漏损定位方法及装置，通过通过在供水管网中各监测点安装压力传感器，采集得到压力数据；利用压力数据值构建水管网压力数据有序数据集，通过归一化处理后得到各压力传感器节点特征矩阵数据；利用训练样本对PSO算法优化的BP神经网络进行训练，再利用测试样本测试训练好的网络得到实际输出；通过将网络实际输出与期望输出进行比较，判断是否发生漏损以及发生漏损的漏损点位置。该技术方式的实现基于BP神经网络，周所众知，BP神经网络存在以下不足：其一，权值太多，需要很多样本去训练，计算困难；其二，边缘过渡不平滑，导致计算结果存在较大的偏差。
技术实现思路
本专利技术所要解决的技术问题在于如何通过卷积和池化操作减少了数据中的噪声点，提取了每类型数据中的特殊特征，使得预测更加准确；同时也解决了多点漏损定位较难的问题。本专利技术通过以下技术手段实现解决上述技术问题的：一种基于卷积神经网络的给水管网多点漏损定位方法，包括以下步骤：步骤一、对供水管网压力数据进行采集，将所采集的所述供水管网压力数据分为训练样本和测试样本；步骤二、将所述训练样本和所述测试样本进行归一化；步骤三、将归一化处理后的训练样本输入到卷积神经网络模型中进行训练，得到卷积神经网络模型，利用归一化后的测试样本对卷积神经网络模型进行测试，并保存训练好的卷积神经网络模型；步骤四、管网采集的实时数据归一化后输入到训练好的卷积神经网络模型中，通过训练好的卷积神经网络模型来得到预测结果；步骤五、将预测结果与标签索引进行比较，判断漏损点个数和位置。优选地，所述对供水管网压力数据进行采集，将所采集的所述分为训练样本和测试样本，具体包括以下步骤：对供水管网压力数据按类型进行采集，包括正常数据、单点漏损和多点漏损数据，给每条数据按类型的不同打上不同的标签；将打上标签的数据分为训练样本和测试样本。优选地，每条数据的数据格式为{a1a2a3。。。aj}，j表示第j个传感器采集的数据；标签的格式为label_1＝{000。。。001}、label_2＝{000。。。010}、label_d＝{000。。1。。00}；其中，标签序列中只有一位是1，其他位是0。优选地，对所述标签构建标签索引，标签中包含该条漏损数据的漏损点类型、漏损点位置；具体步骤为：对每个标签都构建一个唯一的映射，该映射中包括漏损点类型、漏损点位置；其格式如下：{000。。。001：{漏损类型：正常；漏损点位置：无}000。。。010：{漏损类型：一号点漏；漏损点位置：xx}000。。。100：{漏损类型：二号点漏；漏损点位置：xx}......100。。。000：{漏损类型：q、m、n...号点漏；漏损点位置：xx、xx...和xx}}；其中，以000。。。001：{漏损类型：正常；漏损点位置：无}为例，000。。。001为索引，{漏损类型：正常；漏损点位置：无}为000。。。001所对应的映射。优选地，所述步骤二中对训练样本和测试样本归一化，具体包括以下步骤：每种类型的数据中，打乱后随机选择相同条数的数据构建成训练样本input_train；将每种类型剩下的数据每组选取相同条数的数据打乱后构建成测试样本input_test；训练样本和测试样本格式如下：训练样本input_train＝{a11a12a13。。。a1j；a21a22a23。。。a2j；。。。。ai1ai2ai3。。。aij}；其中aij中的i表示i条数据，j表示第j个传感器采集的数据；测试样本input_test＝{b11b12b13。。。b1j；b21b22b23。。。b2j；。。。。bi1bi2ai3。。。bij}；其中bij中的i表示i条数据，j表示第j个传感器采集的数据；按照以下离差归一化变形公式将测试样本和训练样本每条数据归一化，其中x为样本中每条数据的各个数值，xmax为该条样本中最大的数值，xmin为该条样本中最小的数值。优选地，步骤三中的卷积神经网络模型构建包括以下步骤：步骤3.1，构建卷积层：Conv为卷积操作，yl分别表示第l卷积层的输入和输出，i表示第i条数据；表示第l层的第n个卷积核；N为卷积核个数，bn表示第n个卷积核的偏置；ReLu为激活函数；步骤3.2，构建池化层：池化层公式：yl＝Maxpooling(xl)其中，xl是为第l池化层的输入，Maxpooling为最大池化操作，yl是池化层输出；步骤3.3，构建Softmax分类器：Softmax分类器代价函数计算公式：K是要分类的个数也是Softmax层神经元个数；ak表示连接层的输出也是Softmax分类器的输入，P(k)为Softmax分类器预测这条数据属于第k类的的概率；分类器最终需要分成的K个类，k表示属于第k类。优选地，步骤三中将归一化处理后的训练样本输入到卷积神经网络模型中进行训练，得到卷积神经网络模型，利用归一化后的测试样本对卷积神经网络模型进行测试，并保存训练好的卷积神经网络模型具体包括以下步骤：S1、将归一化处理后训练样本分批输入到卷积神经网络模型中计算，得到前馈计算结果P，P＝{P(1),P(2)...P(f)...P(K)}；S2、卷积神经网络模型前馈计算输出结果，实际输出结果和标签结果按以下公式计算出误差值，即交叉熵误差：a＝σ(z)y为期望的输出，a为神经元实际输出，即前馈计算结果P，x表示样本，n表示样本的总数，表示第l层的第n个卷积核的权值矩阵，xl表示第l层的输入，表示第l层的第n个卷积核的共享偏置；S3、根据交叉熵误差更新权值偏置：根据梯度下降法，每个神经元的权值和偏置对交叉熵误差求导,向负梯度方向更新权值和偏置：其中，η为学习率，l为训练次数，表示第l次训练时第i个神经元矩阵的第j个神经元权值，表示第l次训练时第i个神经元矩阵的共享偏置；S4、按照S1～S3循环训练n次，每次训练完成后输入归一化后测试样本，将输出结果与测试样本对应的标签对比后得到准确率；若准确率满足要求，则训练完成后保存卷积神经网络模型结构参数和权值矩阵、偏置参数；否则，调整卷积神经网络模型参数或重新制作样本后继续训练，直到满足要求。优选地，所述步骤四中管网采集实时数据归一化后输入到训练好的卷积神经网络模型中，通过训练好的卷积神经网络模型来得到预测结果；具体包括以下步骤：S1、对实时数据in本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的给水管网多点漏损定位方法，包括以下步骤：步骤一、对供水管网压力数据进行采集，将所采集的所述供水管网压力数据分为训练样本和测试样本；步骤二、将所述训练样本和所述测试样本进行归一化；步骤三、将归一化处理后的训练样本输入到卷积神经网络模型中进行训练，得到卷积神经网络模型，利用归一化后的测试样本对卷积神经网络模型进行测试，并保存训练好的卷积神经网络模型；步骤四、管网采集的实时数据归一化后输入到训练好的卷积神经网络模型中，通过训练好的卷积神经网络模型来得到预测结果；步骤五、将预测结果对比标签索引，判断漏损点个数和位置。

【技术特征摘要】
1.一种基于卷积神经网络的给水管网多点漏损定位方法，包括以下步骤：步骤一、对供水管网压力数据进行采集，将所采集的所述供水管网压力数据分为训练样本和测试样本；步骤二、将所述训练样本和所述测试样本进行归一化；步骤三、将归一化处理后的训练样本输入到卷积神经网络模型中进行训练，得到卷积神经网络模型，利用归一化后的测试样本对卷积神经网络模型进行测试，并保存训练好的卷积神经网络模型；步骤四、管网采集的实时数据归一化后输入到训练好的卷积神经网络模型中，通过训练好的卷积神经网络模型来得到预测结果；步骤五、将预测结果对比标签索引，判断漏损点个数和位置。2.根据权利要求1所述的基于卷积神经网络的给水管网多点漏损定位方法，其特征在于，所述对供水管网压力数据进行采集，具体包括以下步骤：对供水管网压力数据按类型进行采集，包括正常数据、单点漏损和多点漏损数据，给每条数据按类型的不同打上不同的标签；将打上标签的数据分为训练样本和测试样本。3.根据权利要求2所述的基于卷积神经网络的给水管网多点漏损定位方法，其特征在于，每条数据的数据格式为{a1a2a3。。。aj}，j表示第j个传感器采集的数据；标签的格式为label_1＝{000。。。001}、label_2＝{000。。。010}、label_d＝{000。。1。。00}其中，标签序列中只有一位是1，其他位是0。4.根据权利要求2所述的基于卷积神经网络的给水管网多点漏损定位方法，其特征在于，对所述标签构建标签索引，标签中包含该条漏损数据的漏损点类型、漏损点位置；具体步骤为：对每个标签都构建一个唯一的映射，该映射中包括漏损点类型、漏损点位置；其格式如下：{000。。。001：{漏损类型：正常；漏损点位置：无}000。。。010：{漏损类型：一号点漏；漏损点位置：xx}000。。。100：{漏损类型：二号点漏；漏损点位置：xx}......100。。。000：{漏损类型：q、m、n...号点漏；漏损点位置：xx、xx...和xx}}；其中，000。。。001为索引；{漏损类型：正常；漏损点位置：无}为000。。。001所对应的映射。5.根据权利要求1所述的基于卷积神经网络的给水管网多点漏损定位方法，其特征在于，所述步骤二中对训练样本和测试样本归一化，具体包括以下步骤：每种类型的数据中，打乱后随机选择相同条数的数据构建成训练样本input_train；将每种类型剩下的数据每组选取相同条数的数据打乱后构建成测试样本input_test；训练样本和测试样本格式如下：训练样本input_train＝{a11a12a13。。。a1j；a21a22a23。。。a2j；。。。。ai1ai2ai3。。。aij}；其中aij中的i表示i条数据，j表示第j个传感器采集的数据；测试样本input_test＝{b11b12b13。。。b1j；b21b22b23。。。b2j；。。。。bi1bi2ai3。。。bij}；其中bij中的i表示i条数据，j表示第j个传感器采集的数据；按照以下离差归一化变形公式将测试样本和训练样本每条数据归一化，其中x为样本中每条数据的各个数值，xmax为该条样本中最大的数值，xmin为该条样本中最小的数值。6.根据权利要求1所述的基于卷积神经网络的给水管网多点漏损定位方法，其特征在于，步骤三中的卷积神经网络模型构建包括以下步骤：步骤3.1，构建卷积层：Conv为卷积操作，yl分别表示第l卷积层的输入和输出，i表示第i条数据；表示第l层的第n个卷积核；N为卷积核个数，...

【专利技术属性】
技术研发人员：方潜生，谢陈磊，杨亚龙，张振亚，张继鑫，张红艳，张毅，李善寿，朱徐来，涂畅，盛锦壮，郭玉涵，任守明，袁翠艳，钟永祥，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：安徽,34