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技术

本发明专利技术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。将本发明专利技术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，本发明专利技术提出的方法在准确性和鲁棒性方面具有更好的表现。

【技术实现步骤摘要】
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
本专利技术涉及供水管网泄漏检测与定位
，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。
技术介绍
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。
技术实现思路
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，本专利技术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小于目标域数据集中的第一部分数据作为目标域训练集，第二部分数据作为目标域验证集，第三部分的数据作为目标域测试集；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，代表预测标签；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个，分别从中依据相似度之和最小的原则，得到Y-1种组合策略，其中C代表组合符号；相似度S的计算表示为：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,j表示第i个和第j个TL1DCNN预测标签的相似度；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，wi和Pi分别表示第i个TL1DCNN模型对应的权重系数和输出的概率向量，V表示TL1DCNN集成后获得的概率向量，Result表示最终一维迁移学习卷积神经网络集成模型获得的预测标签。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，本专利技术具有如下优点：本专利技术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专利技术的实施方式，借此对本专利技术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。本专利技术的模型方法原理图如图1所示。本专利技术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。T本文档来自技高网...

【技术保护点】
1.一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：/n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；/n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N，目标域数据集中的第一部分数据作为目标域训练集，第二部分数据作为目标域验证集，第三部分的数据作为目标域测试集；/n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；/n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；/n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，为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

【技术特征摘要】
1.一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N，目标域数据集中的第一部分数据作为目标域训练集，第二部分数据作为目标域验证集，第三部分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；
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，为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个，分别从中依据相似度之和最小的原则，得到Y-1种组合策略，其中C代表组合符号；相似度S的计算表示为：






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，j表示第i个和第j个TL1DCNN预测标签的相似度；
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)...

【专利技术属性】
技术研发人员：周猛飞，徐银泽，杨彦辉，胡寅朝，郭添，蔡亦军，潘海天，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33