供水管故障的检测方法、装置及相关设备制造方法及图纸

本申请提供一种供水管故障的检测方法、装置及相关设备，涉及神经网络领域，其中，该方法包括：获取待检测供水管的数据；将所述数据输入到目标神经网络模型进行预测，得到输出结果；其中，所述目标神经网络模型包括模糊神经网络；所述目标神经网络模型的激励函数为半参数可加贝叶斯Logistic回归模型的预测函数。本申请中目标神经网络模型的激励函数采用半参数可加贝叶斯Logistic回归模型的预测函数，可以降低模型因为解释变量对因变量的线性影响假设所造成的偏差，从而使模型形式更加灵活，解决了现有爆管风险预测模型在不确定解释变量对模型的影响形式时，假定解释变量对爆管因变量的影响形式为线性影响会使模型产生较大的偏差的问题。的偏差的问题。的偏差的问题。

【技术实现步骤摘要】
供水管故障的检测方法、装置及相关设备


[0001]本申请涉及神经网络领域，尤其涉及一种供水管故障的检测方法、装置及相关设备。

技术介绍

[0002]城市供水管网与居民的生活息息相关，是最重要的基础设施之一。采用科学的方法评估供水管网的运行状态，找出管网中爆管风险较高的管道，有针对性地加强维护工作，从而减少爆管事故的发生是有必要的。
[0003]目前爆管风险预测模型主要包括物理模型、统计模型和人工智能模型。物理模型一般通过分析作用在管道上的荷载，管道抗荷载能力，管道内外所受腐蚀程度、范围来预测管道事故。统计模型和人工智能模型则以管网历史爆管数据为依据，建立模型，预测事故发生的概率。用于预测管网爆破率的统计模型通常为广义线性模型。模型形式为影响爆管事件发生的因素与爆管事件之间的线性函数，即假定解释变量对爆管因变量的影响形式为线性影响。但是，在不确定解释变量对模型的影响形式时，这种假定会使模型产生较大的偏差。

技术实现思路

[0004]本申请实施例提供一种供水管故障的检测方法、装置及相关设备，以解决现有爆管风险预测模型在不确定解释变量对模型的影响形式时，假定解释变量对爆管因变量的影响形式为线性影响会使模型产生较大的偏差的问题。
[0005]为解决上述技术问题，本申请是这样实现的：
[0006]第一方面，提供了一种供水管故障的检测方法，包括：获取待检测供水管的数据；将所述数据输入到目标神经网络模型进行预测，得到输出结果；其中，所述目标神经网络模型包括模糊神经网络；所述目标神经网络模型的激励函数为半参数可加贝叶斯Logistic回归模型的预测函数。
[0007]第二方面，提供了一种供水管故障的检测装置，包括：获取模块，用于获取待检测供水管的数据；预测模块，用于将所述数据输入到目标神经网络模型进行预测，得到输出结果；其中，所述目标神经网络模型包括模糊神经网络；所述目标神经网络模型的激励函数为半参数可加贝叶斯Logistic回归模型的预测函数。
[0008]第三方面，提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如第一方面所述的方法步骤。
[0009]第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法步骤。
[0010]本申请实施例中，目标神经网络模型的激励函数采用半参数可加贝叶斯Logistic
回归模型的预测函数，可以降低模型因为解释变量对因变量的线性影响假设所造成的偏差，从而使模型形式更加灵活，解决了现有爆管风险预测模型在不确定解释变量对模型的影响形式时，假定解释变量对爆管因变量的影响形式为线性影响会使模型产生较大的偏差的问题。
附图说明
[0011]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。
[0012]图1是本申请实施例提供的供水管故障的检测方法的流程图；
[0013]图2是本申请实施例提供的为模糊半参数可加Logistic神经网络二分类模型的结构图；
[0014]图3是本申请实施例提供的供水管故障的检测装置的结构示意图。
具体实施方式
[0015]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0016]本申请实施例中，提出了一种供水管故障的检测方法，以解决现有爆管风险预测模型在不确定解释变量对模型的影响形式时，假定解释变量对爆管因变量的影响形式为线性影响会使模型产生较大的偏差的问题。
[0017]参见图1，图1是本申请实施例提供的供水管故障的检测方法的流程图，用于终端设备，如图1所示，所述方法包括以下步骤：
[0018]步骤102，获取待检测供水管的数据；
[0019]步骤104，将数据输入到目标神经网络模型进行预测，得到输出结果；
[0020]其中，目标神经网络模型包括模糊神经网络；目标神经网络模型的激励函数为半参数可加贝叶斯Logistic回归模型的预测函数。
[0021]通过本申请实施例的步骤102至步骤104，目标神经网络模型的激励函数采用半参数可加贝叶斯Logistic回归模型的预测函数，可以降低模型因为解释变量对因变量的线性影响假设所造成的偏差，从而使模型形式更加灵活，解决了现有爆管风险预测模型在不确定解释变量对模型的影响形式时，假定解释变量对爆管因变量的影响形式为线性影响会使模型产生较大的偏差的问题。
[0022]另外，将模糊神经网络和半参数可加贝叶斯Logistic回归相结合，具有模糊神经网络较强的自主学习能力和处理专家知识的能力。
[0023]在本申请实施例的可选实施方式中，本申请实施例中的目标神经网络模型通过如下方式训练得到：
[0024]步骤100，获取目标样本，其中，目标样本包括供水管的故障数据；
[0025]步骤101，通过目标样本对初始神经网络模型进行训练得到目标神经网络模型。
[0026]其中，对于上述步骤100中涉及到的获取目标样本的方式，进一步可以包括：
[0027]步骤100
‑
11，步骤获取第一样本和第二样本，其中，第一样本包括供水管的故障数据，第二样本包括供水管的正常数据；
[0028]需要说明的是，对于第一样本和第二样本，可以通过历史数据的收集得到：以故障为保管故障为例，根据收集的爆管历史数据建立爆管数据库。针对爆管事件，详细记录相关的爆管信息，是分析爆管发生的原因、规律，乃至制定预防和应急策略的数据基础，针对爆管分析进行的数据收集应包含以下几类数据，字段中既有像管长、压力、流量、地面载荷、土壤腐蚀指数等数值型变量，也有像管材、爆管地理位置、经济发展程度、接口形式等分类型变量：
[0029]1)管道爆管维护记录；
[0030]其中，该维护记录可以是指供水企业对发生爆管事故的管道的维护记录信息，具体可以包括：管道ID、管长、管材、爆管时间、管道敷设时间、爆管地理位置以及维护措施等一系列相关数据。
[0031]2)管网GIS数据；
[0032]其中，该管网GIS数据可以是指城市供水管网的静态数据，具体可以包括：各管道的ID、管材和管长等自身结构数据以及各水厂或加压泵站的位置等数据。
[0033]3)SCADA监测数据；
[0034]其中，SCADA监测数据可以是指管网中各个压力监测点的实时监测数据，即得到管道爆管时的实时压力数据；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供水管故障的检测方法，其特征在于，包括：获取待检测供水管的数据；将所述数据输入到目标神经网络模型进行预测，得到输出结果；其中，所述目标神经网络模型包括模糊神经网络；所述目标神经网络模型的激励函数为半参数可加贝叶斯Logistic回归模型的预测函数。2.根据权利要求1所述的方法，其特征在于，所述目标神经网络模型包括：输入层、模糊化层、模糊推理层、归一化层和输出层；其中，所述输入层用于输入模糊信息，并将模糊信息传送到下一层；所述模糊化层用于基于高斯隶属函数对输入的模糊信息进行模糊化计算；所述模糊推理层中每一个节点具有对应的模糊规则，所述模糊推理层用于将进行模糊化处理后的数据与所述模糊规则进行匹配得到所述模糊规则的适应度值；所述归一化层用于对所述适应度值进行归一化处理；所述输出层基于半参数可加贝叶斯Logistic回归模型对归一化结果进行反模糊处理。3.根据权利要求1或2所述的方法，其特征在于，所述所述目标神经网络模型通过如下方式训练得到：获取目标样本，其中，所述目标样本包括供水管的故障数据；通过所述目标样本对初始神经网络模型进行训练得到所述目标神经网络模型。4.根据权利要求3所述的方法，其特征在于，所述通过所述目标样本对初始神经网络模型进行训练得到所述目标神经网络模型，包括：基于所述目标样本对所述初始神经网络中的网络前件参数采用带约束的梯度下降法进行估计；基于所述目标样本对所述初始神经网络中的网络后件参数采用最大似然估计法进行估计；其中，进行估计后的初始神经网络模型为所述目标神经网络模型。5.根据权利要求3所述的方法，其特征在于，所述获取目标样本，包括：获取第一样本和第二样本，其中，所述第一样本包括供水管的故障数据，所述第二样本包括供水管的正常数据；确定所述第一样本与所述第二样本之间的欧式距离，并对所述欧式距离求和；对所述求和结果进行求平均计算；在所述第一样本与所述第二样本之间的欧式距离小于所述平均结果的情况下，将所述第一样本划分到边界样本集中；确定所述边界样本在所述第一样本中的近邻以得到第三样本；将所述第三样本和所述第一样本合成第四样本；将所述第一样本与所述第四样本合并得到所述目标样本。6.一种供水管故障的检测装置，其特征在于，包括：获取模块，用于获取待检测供水管的数据；预测模块，用于将所述数据输入到目标神经网络模型进行预测，得到输出结果；其中，所述目标神经网络模型包括模糊神经网络；所述目标神经网络模型的激励函数为半参数可加贝叶...

【专利技术属性】
技术研发人员：徐露露，
申请(专利权)人：中移智行网络科技有限公司中国移动通信集团有限公司，
类型：发明
国别省市：