一种基于灰狼算法优化BP神经网络的供热管道泄漏检测方法技术

本申请提供一种基于灰狼算法优化BP神经网络的供热管道泄漏检测方法，包括步骤1：采集管道泄漏次声数据；步骤2：对所述的次声数据提取出可用于泄漏信号表征的20种特征参数；步骤3：基于提取的泄漏声信号特征参数，构建泄漏声信号BP神经网络识别模型；步骤4：利用改进灰狼算法对BP神经网络初始阈值和初始权值进行优化以解决数据融合中BP神经网络对初值敏感、易陷入局部最优的问题；步骤5：对所述优化的BP神经网络检测模型进行训练及参数优化，并验证模型的鲁棒性。型的鲁棒性。型的鲁棒性。

【技术实现步骤摘要】
一种基于灰狼算法优化BP神经网络的供热管道泄漏检测方法


[0001]本申请涉及管线密封性检测领域，具体涉及一种基于灰狼算法优化BP神经网络的供热管道泄漏检测方法。

技术介绍

[0002]随着我国供热管道使用年限的增加和规模的不断增大，由于管道及部件的材质、铺设方式、工作环境、施工方法及管理维护等诸多因素的影响，各地供热管道泄漏故障时有发生，同时供热管道泄漏发生的时间和地点随机性很强，对管道运行、维护和管理造成的较大的影响，对管网运行安全性造成了很大的威胁。由于热管道泄漏的是经高价软化处理的热水，因此泄漏将造成水资源流失、经济损失和无畏的能耗损失，同时影响供热质量，造成环境污染。所以，提高供热管道泄漏检测效果的研究工作就显得尤为重要。
[0003]在以往的管道泄漏研究中，大多针对实验室测试到的泄漏声信号的识别，鲜少将智能识别方法应用到工业现场管道的泄漏识别。实际上，工业现场管道运行环境极为复杂，噪声干扰因素很多，以往基于负压波的方法对小泄漏监测的灵敏度不高，在面对长距离，复杂管网系统时，往往会导致漏报，从而无法高效，准确地对供热管网的泄漏情况进行检测，因此对工业现场供热管道泄漏的检测还需要进一步深入地研究。

技术实现思路

[0004]针对次声波法和负压波的优势和弊端，对多种场景下的泄漏信号进行研究，本申请通过提取出可用于泄漏信号识别的物理本质特征，对泄漏时次声波信号与负压波信号的时域、频域以及波形分布特点进行了分析，提取出可用于泄漏信号表征的多种特征参数；建立了泄漏声信号BP神经网络识别系统，研究了神经网络结构及输入特征参数对泄漏信号识别效果的影响，并且将优化后的灰狼算法用于优化神经网络参数，将其应用于现场管道泄漏信号的识别。
[0005]为了实现上述目的，本申请采用的技术方案是：基于灰狼算法优化BP神经网络的供热管道泄漏检测方法。包括以下步骤：
[0006]步骤1：采集管道泄漏次声数据；
[0007]步骤2：对所述的次声数据提取出可用于泄漏信号表征的多种特征参数；
[0008]步骤3：基于提取的泄漏声信号特征参数，构建泄漏声信号BP神经网络识别模型；
[0009]步骤4：利用改进灰狼算法对BP神经网络初始阈值和初始权值进行优化；
[0010]步骤5：对所述优化的BP神经网络检测模型进行训练及参数优化，并验证模型的鲁棒性。
[0011]进一步的，步骤1中采集的管道泄漏次声数据，采样率为10KHz，每段声信号的固定时长为1S。
[0012]进一步的，步骤2中对所述的次声数据提取出可用于泄漏信号表征的20种特征参数，包括以下步骤：
[0013]步骤2.1：对泄漏次声信号的时域特征进行提取，包括平均值、方差、能量、平均幅值、均方根、方根幅值、有效值、有效值熵；
[0014]步骤2.2：对泄漏次声信号的形状特征进行提取，包括峰值系数、形状参数、偏度参数、脉冲因子、峪度因子、峭度、峭度因子；
[0015]步骤2.3：对泄漏次声信号的频域特征进行提取，包括泄漏信号的峰值频率、
ꢀ‑
6dB带宽、中心频率；
[0016]进一步的，步骤4包括，生成一个基于灰狼算法优化BP神经网络的供热管道泄漏检测模型，所述供热管道泄漏检测模型的包括以下几个步骤：
[0017]步骤4.1：设置搜索空间维度：d＝M
·
N+N
·
1+N+1；BP神经网络参数向量：
[0018]U＝[ω
11
，ω
12
，...，ω
1N
，...，ω
M1
，ω
M2
，...，ω
MN
，R1，R2，...，R
N
，γ1，γ2，...，γ
N
，θ][0019]其中ω
ij
(i∈[1，M]，j∈[1，N])为神经元与隐含层权值，θ为输出层阈值；设置种群规模n，最大迭代次数t
max
和参数a、A、C。
[0020]步骤4.2：初始化灰狼个体位置向量X
i
(i＝1，...，n)＝U，X
i
(i＝1，...n)∈[Ib，ub]。
[0021]步骤4.3：计算灰狼个体的适应度值：第i个样本数据的融合预测值output
i
＝BPN(t arg et
′
i
|U)，t arg et
′
i
为第i个样本数据的实际值，num为样本数据数量。
[0022]步骤4.4：排序灰狼个体位置信息{f(X
i
)，X
i
}，取前三灰狼个体设置为：X
α
， X
β
，X
δ
。
[0023]步骤4.5：计算D
α
、D
β
、D
δ
；X1、X2、X3；更新A、C；
[0024]D
α
＝|C1.X
α
‑
X|
[0025]D
β
＝|C2.X
β
‑
X|
[0026]D
δ
＝|C3.X
δ
‑
X|
[0027]X1＝X
α
‑
A1.D
α
[0028]X2＝X
β
‑
A2.D
β
[0029]X3＝X
δ
‑
A3.D
δ
[0030][0031]D
α
、D
β
、D
δ
分别为α、β、δ与当前灰狼个体的距离。其中，X表示当前灰狼个体的位置，C1、C2、C3为随机扰动向量，分别为X
α
、X
β
、X
δ
的位置，D
α
、 D
β
、D
δ
分别为α、β、δ与当前灰狼个体的距离。
[0032]X(t+1)表示ω狼在本轮更新中的最终位置向量。
[0033]步骤4.6：更新控制参数a：a线性减小使得收敛因子A在[
‑
a，a]区间内变化。
[0034]当|A|＞1时，狼群展开全局搜索；当|A|＜1时，狼群集中靠近最优解。
[0035][0036]步骤4.7：更新X
i
(t+1)；f(X
i
)、X
α
、X
β
、X
δ
。
[0037]步骤4.8：若t≤t
max
，或f(X
i
)达到预期目标，转至步骤4.9；否则转至步骤 4.4。
[0038]步骤4.9：记录X
α
作为最优解X
best<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰狼算法优化BP神经网络的供热管道泄漏检测方法，包括以下步骤：步骤1：采集管道泄漏次声数据；步骤2：对所述的次声数据提取出可用于泄漏信号表征的多种特征参数；步骤3：基于提取的泄漏声信号特征参数，构建泄漏声信号BP神经网络识别模型；步骤4：利用改进灰狼算法对BP神经网络初始阈值和初始权值进行优化；步骤5：对优化的BP神经网络检测模型进行训练及参数优化，并验证模型的鲁棒性。2.根据权利要求1所述的一种基于灰狼算法优化BP神经网络的供热管道泄漏检测方法，其特征在于：步骤1中采集的管道泄漏次声数据，采样率为10KHz，每段声信号的固定时长为1S。3.根据权利要求1所述的一种基于灰狼算法优化BP神经网络的供热管道泄漏检测方法，其特征在于：步骤2中对所述的次声数据提取出可用于泄漏信号表征的特征参数，包括以下步骤：步骤2.1：对泄漏次声信号的时域特征进行提取，包括平均值、方差、能量、平均幅值、均方根、方根幅值、有效值、有效值熵；步骤2.2：对泄漏次声信号的形状特征进行提取，包括峰值系数、形状参数、偏度参数、脉冲因子、峪度因子、峭度、峭度因子；步骤2.3：对泄漏次声信号的频域特征进行提取，包括泄漏信号的峰值频率、
‑
6dB带宽、中心频率。4.根据权利要求1所述的一种基于灰狼算法优化BP神经网络的供热管道泄漏检测方法，其特征在于：步骤4包括利用灰狼算法优化BP神经网络供热管道泄漏检测模型，所述供热管道泄漏检测模型的优化包括以下几个步骤：步骤4.1：设置搜索空间维度:d＝M
·
N+N
·
1+N+1，神经网络结构：M
‑
N
‑
1；BP神经网络参数向量：U＝[ω
11
，ω
12
，...，ω
1N
，...，ω
M1
，ω
M2
，...，ω
MN
，R1，R2，...，R
N
，γ1，γ2，...，γ
N
，θ] 其中ω
ij
(i∈[1，M]，j∈[1，N])为神经元与隐含层权值，θ为输出层阈值；设置种群规模n，最大迭代次数t
max
和参数a、A、C；步骤4.2：初始化灰狼个体位置向量X
i
(i＝1，...，n)＝U，X
i
(i＝1，...n)∈[Ib，ub]；步骤4.3：计算灰狼个体的适应度值：第i个样本数据的融合预测值output
i
＝BPN(target
i
|U)，target
i
为...

【专利技术属性】
技术研发人员：李勇，乔磊，孙少杰，刘圣冠，李杰，王阳，路全忠，刘增瑞，贺凯，刘尊民，
申请(专利权)人：西安热工研究院有限公司华能山东发电有限公司青岛理工大学，
类型：发明
国别省市：