基于SSAE和MLSTM的排水管道淤积病害动态诊断方法技术

本发明专利技术公开了一种基于SSAE和MLSTM的排水管道淤积病害动态诊断方法，包括：利用fluent对管道的淤积程度、淤积长度指标与出入口流速、流量变化指标数据进行样本采集，并进行数据预处理；构建基于栈式稀疏自编码器SSAE和SVM分类器的管道淤积检测模型，对地下排水管道水流相关参数进行特征提取和淤积检测，输出淤积时刻；构建多元长短记忆神经网络MLSTM，对管道淤积时刻数据进行淤积病害情况识别，输出淤积情况类别；本发明专利技术利用栈式稀疏自编码器和MLSTM模型的深度学习方法快速、有效地对地下排水管道缺陷动态病害进行诊断。排水管道缺陷动态病害进行诊断。排水管道缺陷动态病害进行诊断。

【技术实现步骤摘要】
基于SSAE和MLSTM的排水管道淤积病害动态诊断方法


[0001]本专利技术涉及深度学习、迁移学习等人工智能
，特别是一种基于SSAE和MLSTM的排水管道淤积病害动态诊断方法。

技术介绍

[0002]随着我国基础建设的规模不断扩大，城市地下排水管道大量存在，是重要的城市基础工程设施之一，担负着收集城市生活和工业生产等污水、及时排除降落在城市市区和流经市区的雨水的任务。城市地下排水管网设计与建设的质量和科学性，直接决定着城市发展水平，影响城市景观和卫生，甚至关系到城市安全。城市地下排水管道分布广、种类多，经多年运行造成管道污泥的淤积，严重影响排水管道的正常运行。
[0003]在现有技术中，排水管道淤积病害检测技术多利用神经网络进行建模，但传统神经网络模型容易陷入局部最小值等问题，且由于在排水管道淤积过程中，管道的流量、流速等数据会发生一定变化，但是变化特征不明显，易导致管道淤积病害动态诊断流程困难等问题。

技术实现思路

[0004]为解决现有技术中存在的问题，本专利技术的目的是提供一种基于SSAE和MLSTM的排水管道淤积病害动态诊断方法，本专利技术利用栈式稀疏自编码器和MLSTM模型的深度学习方法快速、有效地对地下排水管道缺陷动态病害进行诊断。
[0005]为实现上述目的，本专利技术采用的技术方案是：一种基于SSAE和MLSTM的排水管道淤积病害动态诊断方法，包括以下步骤：
[0006]S1、利用fluent对管道的淤积程度、淤积长度指标与出入口流速、流量变化指标数据进行样本采集，并进行数据预处理；
[0007]S2、构建基于栈式稀疏自编码器SSAE和SVM分类器的管道淤积检测模型，对地下排水管道水流相关参数进行特征提取和淤积检测，输出淤积时刻；
[0008]S3、构建多元长短记忆神经网络MLSTM，对管道淤积时刻数据进行淤积病害情况识别，输出淤积情况类别。
[0009]作为本专利技术的进一步改进，其特征在于，所述步骤S1具体包括以下步骤：
[0010]S11、利用fluent模拟管道淤积情况下管道出入口的流量、流速变化情况，采集到一系列带淤积程度结果标签的流量、流速样本数据,其中需要经过滑窗处理，得到正常样本、淤积样本和无标签样本；
[0011]S12、利用数据补全法和0
‑
1标准化对样本进行预处理，根据K层交叉检验，随机分组得到训练集和测试集；处理方法如下式所示：
[0012][0013]其中，y
p
是与处理结果，y
max
和y
min
是设定的与处理结果最大值和最小值，x
max
和x
min
未处理数据的最大值和最小值。
[0014]作为本专利技术的进一步改进，所述步骤S2具体包括以下步骤：
[0015]S21、利用所有训练样本对栈式稀疏自编码器SSAE进行无监督训练，得到深层次特征；
[0016]S22、利用有标签样本对栈式稀疏自编码器SSAE和逻辑回归分类器进行有监督训练，得到有监督的深层次特征；
[0017]S23、使用PCA对有监督的深层次特征进行特征压缩降维，得到压缩后的深层次特征；
[0018]S24、将压缩后的深层次特征送入SVM分类器中并进行训练，并利用测试集进行测试，得到最终淤积检测网络。
[0019]作为本专利技术的进一步改进，所述步骤S3具体包括以下步骤：
[0020]S31、根据LSTM输入维度，对训练集和测试集进行分割，得到多个时刻的子时间序列，作为LSTM网络的输入；
[0021]S32、利用训练集对多个LSTM和softmax分类器的模型进行训练，对两种信息样本进行时间特征的提取和融合，并用测试集进行测试；
[0022]S33、将提取的特征全连接层送入SVM分类器中，进行最终淤积病害情况分类，输出淤积情况类别。
[0023]作为本专利技术的进一步改进，在步骤S32中，由三个LSTM子网络构成网络主体，分别对管道的流速、流量数据进行时间特征的提取；并将管道的流量、流速序列按照一定步长分割成子序列。
[0024]作为本专利技术的进一步改进，所述步骤S33具体如下：
[0025]通过LSTM网络，利用最后一个时刻的输出作为特征，获取整个时间序列的信息，对其进行整合；
[0026]在融合层前，加入一个权重层，权重层单元数与前一层单元数一致，且单元之间一一对应相连，而且权重层单元的大小一致；
[0027]在融合层后加入BN层和Dropout层，以解决由于淤积病害记录数据不足所导致的网络容易过拟合问题。
[0028]BN的原理是使得神经网络中隐藏层的每个批次输入保持同分布，并且最后对数据进行等比例变化(scale)和偏移(shift)的操作。假设一个批次的样本为P＝{x1,x2,...,x
m
}，其算法如下所示：
[0029][0030][0031][0032]y
i
＝γx
i
+β
[0033]其中，μ
p
是一个样本批次在下一个隐藏层单元的输入的平均值，是一个样本批
次在下一个隐藏层单元的输入的方差，是输入归一化后的值，y
i
是最后通过等比例变化和偏移操作的值。
[0034]BN的加入使得每一个小批量的样本集中的所有样本都被关联在一起，因此网络训练结果不会偏向拟合于某一些样本。同一个样本跟不同的样本组成小批量样本集时，它们的输出是不同的，这样的操作可以理解为数据增强，所以BN的加入一定程度上解决了过拟合问题。
[0035]Dropout的基本原理是在前向传播过程中，神经元以概率P正常工作，即以概率(1
‑
P)停止工作。经过这样的处理，整个训练过程可以看作训练了许多个不同的网络结构，而最后的分类结果则是这些网络分类结果的平均。这些网络可能分别存在过拟合现象，但是由于最后结果取了平均，所以过拟合现象会在取平均的过程中发生相互抵消，这样可以在一定程度上减轻整体网络的过拟合问题。
[0036]本专利技术融合了栈式稀疏自编码器和长短期记忆模型，提出了基于多元信息输入的MLSTM(Multi
‑
LSTM)网络模型，对多源信息特征进行提取和融合，对淤积情况与流量、流速等关联程度不同，加入权重层，最终利用SVM分类器进行管道淤积病害情况识别。
[0037]本专利技术的有益效果是：
[0038]本专利技术将稀疏学习和深度神经网络紧密结合，从而可以更精准的识别淤积病害的检测和分类，对地下排水管道场景中的淤积病害诊断提供技术支持。
附图说明
[0039]图1为本专利技术实施例的流程框图；
[0040]图2为本专利技术实施例中管道淤积病害动态检测流程图；
[0041]图3为本专利技术实施例中管道淤积病害动态诊断流程图；
[0042]图4为本专利技术实施例中基于栈式稀疏自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSAE和MLSTM的排水管道淤积病害动态诊断方法，其特征在于，包括以下步骤：S1、利用fluent对管道的淤积程度、淤积长度指标与出入口流速、流量变化指标数据进行样本采集，并进行数据预处理；S2、构建基于栈式稀疏自编码器SSAE和SVM分类器的管道淤积检测模型，对地下排水管道水流相关参数进行特征提取和淤积检测，输出淤积时刻；S3、构建多元长短记忆神经网络MLSTM，对管道淤积时刻数据进行淤积病害情况识别，输出淤积情况类别。2.根据权利要求1所述的基于SSAE和MLSTM的排水管道淤积病害动态诊断方法，其特征在于，所述步骤S1具体包括以下步骤：S11、利用fluent模拟管道淤积情况下管道出入口的流量、流速变化情况，采集到一系列带淤积程度结果标签的流量、流速样本数据,其中需要经过滑窗处理，得到正常样本、淤积样本和无标签样本；S12、利用数据补全法和0
‑
1标准化对样本进行预处理，根据K层交叉检验，随机分组得到训练集和测试集；处理方法如下式所示：其中，y
p
是与处理结果，y
max
和y
min
是设定的与处理结果最大值和最小值，x
max
和x
min
未处理数据的最大值和最小值。3.根据权利要求2所述的基于SSAE和MLSTM的排水管道淤积病害动态诊断方法，其特征在于，所述步骤S2具体包括以下步骤：S21、利用所有训练样本对栈式稀疏自编码器SSAE进行无监督训练，得到深层次特征；S22、利用有标签样本对栈...

【专利技术属性】
技术研发人员：方宏远，狄丹阳，王若仪，王念念，孙斌，李斌，杜雪明，
申请(专利权)人：郑州大学，
类型：发明
国别省市：