热力管网状况诊断方法、装置、终端设备和存储介质制造方法及图纸

本发明专利技术公开了一种热力管网状况诊断方法、装置、终端设备和存储介质。包括：将含热力管网状况类别标签的随机噪声数据输入ACGAN生成器，得到伪样本，将已获得的热力管网图像真样本和伪样本输入ACGAN判别器进行判别真假训练和分类训练，并输入SVM模型进行分类训练，将ACGAN判别器和SVM模型的分类损失函数整合为统一损失函数，根据统一损失函数，更新所述ACGAN判别器参数，逐步降低SVM损失函数对统一损失函数的影响，在统一损失函数不受所述SVM损失函数影响后，使用ACGAN独立进行分类训练，根据训练好的ACGAN判别器，得到热力管网状况诊断模型，将采集的热力管网图像输入热力管网状况诊断模型，得到状况诊断结果。能够对热力管网状况的诊断更加准确，效率更高。效率更高。效率更高。

Diagnosis method, device, terminal equipment and storage medium of heating pipe network

【技术实现步骤摘要】
热力管网状况诊断方法、装置、终端设备和存储介质


[0001]本专利技术涉及热力管网故障诊断
，特别涉及一种热力管网状况诊断方法、装置、终端设备和存储介质。

技术介绍

[0002]目前应用于热力管网的故障诊断技术主要有传统机器学习方法和深度神经网络方法，传统机器学习方法包含支持向量机、随机森林、多层感知机等算法，神经网络主要有VGGNet、GoogLeNet、ResNet等卷积神经网络，通过数量均衡的正常样本和故障样本训练学习器，使得学习器能够学习到故障样本与正常样本的特征，在获得现场数据后，通过学习器对该数据做出正确分类，从而实现故障诊断。热力管网的故障样本的数量远低于正常样本的数量，造成了传统机器学习方法和深度神经网络方法难以获得足够的故障训练样本，难以提取到更加准确的故障样本特征。生成对抗网络(Generative Adversarial Networks，简称GAN)为解决数据集不均衡提供了新思路，GAN可以生成大量与真实样本相似的伪样本，从而扩充数据集，ACGAN(Auxiliary Classifier Generative Adversarial Networks，辅助分类生成对抗网络)是对GAN的改进，在扩充数据集的同时能够对输入数据类型准确分类。
[0003]然而ACGAN在样本不均衡的前期训练依然有困难，在ACGAN训练前期，ACGAN中的判别器参数有待优化，因而对故障的分类效果较差。传统的支持向量机SVM(Support Vector Machine)对样本量小的数据集分类效果显著，但是对样本量大的数据集分类效果较差，且效率很低。

技术实现思路

[0004]为了至少部分地解决现有技术存在的技术问题，专利技术人做出本专利技术，通过具体实施方式，提供一种热力管网状况诊断方法、装置、终端设备和存储介质。
[0005]第一方面，本专利技术实施例提供一种热力管网状况诊断模型训练方法，包括以下步骤：
[0006]将含热力管网状况类别标签的随机噪声数据输入ACGAN生成器，得到含状况类别标签的伪样本，将已获得的热力管网图像真样本和ACGAN生成器新生成的含状况类别标签的伪样本输入ACGAN判别器进行判别真假训练和分类训练，并输入SVM模型进行分类训练，将ACGAN判别器和SVM模型的分类损失函数整合为统一损失函数，根据ACGAN判别真假的情况，更新所述ACGAN生成器参数，根据所述统一损失函数，更新所述ACGAN判别器参数，根据所述SVM模型分类损失函数，更新所述SVM模型参数；
[0007]迭代以上步骤多次后，每迭代一定次数，就降低一次SVM损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述SVM损失函数影响；
[0008]在所述统一损失函数不受所述SVM损失函数影响后，使用ACGAN独立进行分类训练，根据训练好的ACGAN判别器，得到热力管网状况诊断模型。
[0009]可选的，所述将含热力管网状况类别标签的随机噪声数据输入ACGAN生成器之前，包括以下步骤：
[0010]获得热力管网图像真样本；
[0011]根据所述热力管网图像真样本的状况类别，设置状况类别标签；
[0012]生成含所述状况类别标签的随机噪声数据；
[0013]根据所述状况类别，构建SVM模型；
[0014]构建ACGAN模型。
[0015]可选的，所述获得热力管网图像真样本，包括以下步骤：
[0016]分别采集不同状况类别下的热力管网图像样本若干个，所述状况类别包括：正常、管壁泄露、管道弯曲变形、管道保温层破损；
[0017]对所采集的不同状况类别下的热力管网图像样本做数据增强处理中的至少一项，得到数据增强处理后的热力管网图像样本，所述数据增强处理包括图像旋转、裁剪、同类拼接、仿射变换、增加校验噪声、增加光照与阴影、调节对比度和调节饱和度；
[0018]将数据增强处理后的热力管网图像样本进行同类样本的随机组合，得到随机组合后的热力管网图像样本；
[0019]将所采集的不同状况类别下的热力管网图像样本、所述数据增强处理后的热力管网图像样本和所述随机组合后的热力管网图像样本，标记为热力管网图像真样本。
[0020]可选的，所述根据所述状况类别，构建SVM模型，包括以下步骤：
[0021]根据所述状况类别数量N，构建N
‑
1个SVM子模型，其中，N为正整数。
[0022]可选的，所述构建ACGAN模型，包括以下步骤：
[0023]使用反卷积神经网络建立ACGAN生成器；
[0024]使用卷积神经网络建立ACGAN判别器。
[0025]可选的，所述生成含所述状况类别标签的随机噪声数据，包括以下步骤：
[0026]采集多个随机噪声数据，每个随机噪声数据添加一个所述状况类别标签，每个所述状况类别标签都添加到所述多个随机噪声数据上。
[0027]可选的，所述将ACGAN判别器和SVM模型的分类损失函数整合为统一损失函数，包括以下步骤：
[0028]确定所述ACGAN判别器的分类损失函数L
C
；
[0029]确定所述SVM模型的分类损失函数L
SVM
；
[0030]根据分类损失函数L
C
和L
SVM
，确定统一损失函数Loss的表达式为：
[0031]Loss＝(1
‑
λ)L
SVM
+λL
C
[0032]式中，λ为所述ACGAN判别器的分类结果置信占比，将大于0且小于1的任意数设置为λ的初值。
[0033]可选的，所述每迭代一定次数，就降低一次SVM损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述SVM损失函数影响，包括以下步骤：
[0034]每迭代一定次数，就以一定的增量增大所述统一损失函数Loss表达式中的λ，直到λ增大到1。
[0035]可选的，所述在所述统一损失函数不受所述SVM损失函数影响后，使用ACGAN独立进行分类训练，根据训练好的ACGAN判别器，得到热力管网状况诊断模型，包括以下步骤：
[0036]在λ增大到1后，将已获得的热力管网图像真样本和ACGAN生成器新生成的含状况类别标签的伪样本输入ACGAN判别器进行分类训练，根据统一损失函数，更新ACGAN判别器参数；
[0037]在满足训练终止条件后，停止更新ACGAN判别器参数，根据训练好的ACGAN判别器，得到热力管网状况诊断模型。
[0038]可选的，所述根据训练好的ACGAN判别器，得到热力管网状况诊断模型，包括以下步骤：
[0039]将训练好的ACGAN判别器从ACGAN模型中剥离，取消所述训练好的ACGAN判别器对判别真假的输出，仅保留分类输出，得到热力管网状况诊断模型。
[0040]第二方面，本专利技术实施例提供一种热力管网状况诊断方法，包括以下步骤：...

【技术保护点】

【技术特征摘要】
1.一种热力管网状况诊断模型训练方法，其特征在于，包括以下步骤：将含热力管网状况类别标签的随机噪声数据输入ACGAN生成器，得到含状况类别标签的伪样本，将已获得的热力管网图像真样本和ACGAN生成器新生成的含状况类别标签的伪样本输入ACGAN判别器进行判别真假训练和分类训练，并输入SVM模型进行分类训练，将ACGAN判别器和SVM模型的分类损失函数整合为统一损失函数，根据ACGAN判别真假的情况，更新所述ACGAN生成器参数，根据所述统一损失函数，更新所述ACGAN判别器参数，根据所述SVM模型分类损失函数，更新所述SVM模型参数；迭代以上步骤多次后，每迭代一定次数，就降低一次SVM损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述SVM损失函数影响；在所述统一损失函数不受所述SVM损失函数影响后，使用ACGAN独立进行分类训练，根据训练好的ACGAN判别器，得到热力管网状况诊断模型。2.如权利要求1所述的方法，其特征在于，所述将含热力管网状况类别标签的随机噪声数据输入ACGAN生成器之前，包括以下步骤：获得热力管网图像真样本；根据所述热力管网图像真样本的状况类别，设置状况类别标签；生成含所述状况类别标签的随机噪声数据；根据所述状况类别，构建SVM模型；构建ACGAN模型。3.如权利要求2所述的方法，其特征在于，所述获得热力管网图像真样本，包括以下步骤：分别采集不同状况类别下的热力管网图像样本若干个，所述状况类别包括：正常、管壁泄露、管道弯曲变形、管道保温层破损；对所采集的不同状况类别下的热力管网图像样本做数据增强处理中的至少一项，得到数据增强处理后的热力管网图像样本，所述数据增强处理包括图像旋转、裁剪、同类拼接、仿射变换、增加校验噪声、增加光照与阴影、调节对比度和调节饱和度；将数据增强处理后的热力管网图像样本进行同类样本的随机组合，得到随机组合后的热力管网图像样本；将所采集的不同状况类别下的热力管网图像样本、所述数据增强处理后的热力管网图像样本和所述随机组合后的热力管网图像样本，标记为热力管网图像真样本。4.如权利要求2所述的方法，其特征在于，所述根据所述状况类别，构建SVM模型，包括以下步骤：根据所述状况类别数量N，构建N
‑
1个SVM子模型，其中，N为正整数。5.如权利要求2所述的方法，其特征在于，所述构建ACGAN模型，包括以下步骤：使用反卷积神经网络建立ACGAN生成器；使用卷积神经网络建立ACGAN判别器。6.如权利要求2所述的方法，其特征在于，所述生成含所述状况类别标签的随机噪声数据，包括以下步骤：采集多个随机噪声数据，每个随机噪声数据添加一个所述状况类别标签，每个所述状况类别标签都添加到所述多个随机噪声数据上。
7.如权利要求1所述的方法，其特征在于，所述将ACGAN判别器和SVM模型的分类损失函数整合为统一损失函数，包括以下步骤：确定所述ACGAN判别器的分类损失函数L
C
；确定所述SVM模型的分类损失函数L
SVM
；根据分类损失函数L
C
和L
SVM
，确定统一损失函数Loss的表达式为：Loss＝(1
‑
λ)L
SVM
+λL
C
式中，λ为所述ACGAN判别器的分类结果置信占比，将大于0且小于1的任意数设置为λ的初值。8.如权利要求7所述的方法，其特征在于，所述每迭代一定次数，就降低一次SVM损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述SVM损失函数影响，包括以下步骤：每迭代一定次数，就以一定的增量增大所述统一损失函数Loss表达式中的λ，直到λ增大到1。9.如权利要求7所述的方法，其特征在于，所述在所述统一损失函数不受所述SVM损失函数影响后，使用ACGAN独立进行分类训练，根据训练好的ACGAN判别器，得到热力管网状况诊断模型，包括以下步骤：在λ增大到1后，将已获得的热力管网图像真样本和ACGAN生成器新生成的含状况类别标签的伪样本输入ACGAN判别器进行分类训练，根据统一损失函数，更新ACGAN判别器参数；在满足训练终止条件后，停止更新ACGAN判别器参数，根据训练好的ACGAN判别器，得到热力管网状况诊断模型。10.如权利要求9所述的方法，其特征在于，所述根据训练好的ACGAN判别器，得到热力管网状况诊断模型，包括以下步骤：将训练好的ACGAN判别器从ACGAN模型中剥离，取消所述训练好的ACGAN判别器对判别真假的输出，仅保留分类输出，得到热力管网状况诊断模型。11.一种热力管网状况诊断方法，其特征在于，包括以下步骤：将采集的热力管网图像输入使用权利要求1

【专利技术属性】
技术研发人员：郑亚锋，但伟，屠学伟，桑士杰，王春雨，谭学靖，耿金月，杨新文，杨建辉，周海贝，
申请(专利权)人：国家电投集团东方新能源股份有限公司热力分公司国电投峰和新能源科技河北有限公司，
类型：发明
国别省市：