一种管道泄漏监测网络的层级式多源数据融合方法技术

本发明专利技术公开了一种管道泄漏监测网络的层级式多源数据融合方法，包括：在监测网络的普通节点处，利用小波变换对传感器采集的各类原始泄漏检测信号进行数据级预处理，提取泄漏敏感的特征参量；建立基于蚁群神经网络的特征级数据融合模型，处理节点上各类传感器提取的泄漏特征参数，依据蚁群神经网络的输出结果构造证据的基本概率指派函数；在簇头节点处，使用证据组合规则进行证据合成，依据最大信任度值法做出最终决策。本发明专利技术提供一种从数据级、特征级到决策级的层级式多源泄漏检测数据融合方法，解决了管道泄漏监测网络的多源数据处理问题；该方法利用了网络内各类传感器采集的泄漏检测信息，有效提高了泄漏识别的准确率。

【技术实现步骤摘要】

本专利技术涉及管道泄漏检测
，特别是基于无线传感器网络的管道泄漏监测网络中，一种基于小波神经网络和证据理论的多源检测数据融合方法。
技术介绍
城市天然气供给体系是现代城市的“生命线”之一，其主要输配方式为管道传输。伴随着天然气管网越来越复杂、管线越来越长，重大的安全隐患问题愈加突出。由于管道劣化、老化、自然灾害和人为破坏等因素，管道泄漏以及由此引发的爆炸事故频频发生，严重威胁着城市天然气供给体系的安全。常见的管道泄漏原因有泵站的开关所带来的应力、压力控制阀的误操作、处于腐蚀环境下管道的老化、埋管土壤潮湿及温度变化、通过公路时受压过大等。管道泄漏不仅会影响管输的正常运行，导致资源的损失，而且给人们的生命财产造成巨大威胁，成为公共安全的重大隐患，及时准确的识别出管道泄漏具有重要意义。 鉴于天然气管道泄漏带来的严重危害，国内外研究者发展了一些泄漏诊断方法，如声发射法、负压波法、压力点分析法、质量平衡法、检测元件法、波阵面诊断法以、实时瞬变模型法和计算机建模法，等等，这些检测方法各有优缺点。基于上述泄漏检测原理或方法，英、美、德、瑞士等国相继研制出具有不同功能、满足不同应用场合的相关检漏仪及在线监控系统；单台仪器方面，如AQUASCAN、SoundSens和Questar超声探测器，等等。在线监控系统方面，最著名的是SCADA系统，用来对各站点运行状况进行实时监测和管理，其它泄漏检测系统还有ATMOS PIPE、LeakNet和LICMONITOR系统，等等。 尽管在管道泄漏检测方面取得了一定的研究成果，但还存在如下一些问题1)基于单台泄漏检测仪器的人工定期巡检方式，效率低、实时性差，迫切需要网络化、自动化监测；2)已有的监控系统多用于长输管线检测，难以适用于强背景噪声、复杂工况下的城市天然气管道泄漏检测。 针对传统检测方法存在的不足，2005年，麻省理工学院、Intel、NETL(美国能源技术国家实验室)和帝国理工大学等单位，联合率先提出了基于无线传感器网络(Wireless SensorNetworks，WSN)的城市地下管网安全监测新思路。其核心思想在于由众多具有感知、计算和无线通信能力的检测节点自组织成覆盖城市管网的监控网络，利用网络节点上的压力、声和流量等多类传感器采集管道的状态信息，以更全面的诊断出管道安全状况。该监测网络具有部署灵活、价格低廉、组网迅速和实时性强等优点，有较好的应用前景。随后，相关基础问题研究受到了学者的关注和政府部门的资助。例如，针对管道网络特点，开展了管道泄漏监测网络中服务质量的相关研究，提出了一种线性无线网络结构的组网通信协议，保证了检测网络通信的健壮性、安全性；2008年，美国马里兰大学的研究者，研制出用于管道泄漏检测的柔性WSN节点；2007年4月，美国西南研究院从美国能源与管道研究国际委员会获得了“天然气管道内部腐蚀监控”项目资助，研究用于检查管道内部腐蚀的无线传感器网络。 管道泄漏监测网络中，传感器受噪声、时变效应和环境变化等因素的影响，节点提供的检测信息具有不确定性和模糊性；针对同一泄漏事件，处于不同位置的节点可能做出不一致甚至相互矛盾的诊断结果，致使系统难以做出正确决策。具体来说，需要解决以下问题(1)传感器采集信号的噪声剔除，实际泄漏检测环境中，管内管外不可避免存在大量干扰噪声，尤其是固定的干扰噪声，如汽车发动机、施工噪声以及管道阀门噪声其面临的噪声主要有机械噪声(如摩擦、流体流动等)、电气噪声、传播途径引起的信号衰减和畸变；(2)单节点上异类传感器检测信息的相关性处理及冗余数据去除；(3)处于不同监测位置的多节点诊断结果间的联合决策。 针对以上问题，利用噪声与泄漏检测信号在各个尺度上的小波谱具有不同的表现，即随尺度增加，噪声的小波谱将逐渐消失，而泄漏信号的小波变换在大尺度上仍有清楚表现，可利用比较成熟的小波分析法对泄漏信号进行消噪处理，并提取出对泄漏敏感的特征参数。神经网络具有很强的自学习、自适应、自容错和模式识别能力，可解决泄漏诊断过程中数学建模难、信息不足和实时性差的问题。在众多的神经网络模型中，基于误差反向传播算法(BackPropagation，BP)神经网络的应用最为广泛和成熟。由于受训练样本选取、背景干扰噪声以及传感器时变效应等因素的影响，导致神经网络的诊断结果仍然存在一定的不准确性，同时不同检测节点间的报告结果可能相互冲突，给汇聚节点的决策带来较大的困难。D-S证据理论作为一种不确定性决策推理方法，在模式识别、信息融合和故障检测等领域得到了广泛应用。但是，基本概率赋值是利用证据理论进行决策分析的前提条件，其选取的好坏直接影响最终融合结果的准确性和有效性，目前大多完全依靠专家进行主观化赋值。若将神经网络处理后的初始识别结果作为独立的证据，则可实现基本概率分配赋值的客观化，使不确定信息的融合具有很强的鲁棒性，便于最终的决策处理。
技术实现思路
本专利技术的目的是提供一种基于小波神经网络和证据理论的多源泄漏检测数据融合方法，对网络中多个节点上多种传感器采集的泄漏检测信息进行层级式的融合处理，以降低单传感器或单节点泄漏识别过程中的不确定性，提高泄漏识别的准确率，利于簇头节点做出决策判断。 ，具体包括以下步骤 1、在普通节点处，利用小波变换对原始泄漏信号进行数据级预处理，提取对泄漏敏感的特征参数，具体方法为 (1)选取小波基对泄漏信号进行分解； 由于不同的小波基具有不同的时频特性，因而对于同一个信号，用不同小波基进行分解，得到的结果并不是唯一的，小波基的选取是利用小波变换对信号进行分析的关键问题；本专利技术选择Symlets系列小波对信号进行变换，该小波基对泄漏信号敏感、能够突出泄漏信号的奇异特征、减小信号的失真、保证信号的精确重构以及良好的时频分析性能； (2)选择小波分解尺度； 对含噪泄漏信号进行离散小波变换，小波分解的尺度越大，越利于消除噪声，但尺度太大有时会丢失信号的某些重要局部奇异性，因此，分解尺度的选择应根据实际要求来确定，具体方法为小波分解的层数根据管道泄漏检测信号的频率特点来确定，设泄漏检测信号的采样频率是fs KHz，最低识别频率为fmin KHz，则最大分解尺度n应满足 (3)依据式(1)计算得到的最大分解尺度n值，对泄漏信号进行n层小波分解；采用小波阈值法对分解后的信号进行信噪处理，然后进行小波重构，得到降噪后的泄漏信号，其原理是利用信号和噪声在各个尺度上的小波谱具有不同的表现特性，选定一个适当的阈值，令小于阈值的系数为0，大于阈值的点变为该点值与阈值的差值。阈值选择时可有4种规则1)用stein无偏风险估计原则选择适应阈值；2)采用固定的阈值，如选取sqrt(2＊log(length(X)))；3)启发式阈值选择，综合使用前两种方案选取阈值；4)采用极大极小准则选择阈值；本专利技术通过实验比较4种阈值去噪法的效果，选取启发式阈值法进行去噪，然后进行小波重构，得到降噪后的泄漏信号。 (4)对降噪后的信号进行时频域分析，提取反映管道泄漏的特征参数，包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数。 2、建立并训练蚁群神经网络模型，将泄漏特征参数输入至训练好的蚁群神经网络诊断结构本文档来自技高网...

【技术保护点】
一种管道泄漏监测网络的层级式多源数据融合方法，其特征在于，包括以下步骤：　步骤一、在普通节点处，利用小波变换对原始泄漏信号进行数据级预处理，并提取对泄漏敏感的特征参数；　（１）选取小波基对泄漏信号进行分解；　选取Ｓｙｍｌｅ ｔｓ小波对传感器提取的原始管道泄漏检测信号进行小波分解；　（２）选择小波分解尺度；　设管道泄漏检测信号的采样频率是ｆ↓［ｓ］ＫＨｚ，最低识别频率为ｆ↓［ｍｉｎ］　ＫＨｚ，则最大分解尺度ｎ应满足：　ｆ↓［ｓ］／２↑［ｎ＋１ ］≥ｆ↓［ｍｉｎ］　（１）　（３）依据式（１）计算得到最大分解尺度ｎ值，对泄漏信号进行ｎ层小波分解；选取启发式阈值法对分解后的信号进行去噪；　（４）对降噪后的信号进行时频域分析，提取反映管道泄漏的特征参数，包括峰值、平均幅值、 方差、方根幅值、峭度和能量比分布系数；　步骤二、建立并训练蚁群神经网络数据融合模型，将泄漏特征参数输入至训练好的蚁群神经网络结构，进行特征级的数据融合；　（１）网络层数和各层神经元数的选取；　建立包含输入层、单隐含层和输出 层的三层神经网络结构；　依据步骤一中提取的对泄漏敏感的特征参数的数量，确定蚁群神经网络的输入层神经元数ｐ；根据管道泄漏的级别数ｑ，确定蚁群神经网络输出层的神经元数为ｑ；单隐含层的神经元数ｎ↓［０］：　ｎ↓［０］＝２ｐ＋β　（２ ）　其中，β为无量纲的修正参数，β＝１～１０，ｐ为输入层神经元数；　（２）优化神经网络的权值参数；　具体步骤如下：　①初始化参数，设标准神经网络模型中有ｍ个待优化的权值参数ｐ↓［１］，ｐ↓［２］，…，ｐ↓［ｍ］，对于 任一参数ｐ↓［ｉ］，１≤ｉ≤ｍ，初始化为由Ｎ个随机的非零值构成的集合Ｉ↓［ｐｉ］，Ｎ为自然数；蚂蚁的数量为Ｓ，且全部位于蚁巢，Ｓ的取值范围：＊～ｍ／２，集合Ｉ↓［ｐｉ］中的所有元素在初始时刻具有相同的信息素τ↓［ｊ］（Ｉ↓［ｐｉ］）（ｔ）＝Ｃ，Ｃ为量常，１≤ｊ≤Ｎ，τ↓［ｊ］（Ｉ↓［ｐｉ］）（ｔ）表示集合Ｉ↓［ｐｉ］中第ｊ个元素在时刻ｔ的信息素；初始时刻的迭代次数Ｎｃ＝０，最大的迭代次数为Ｎｍａｘ；　②启动所有蚂蚁，每只蚂蚁ｋ，ｋ＝１，２，…，Ｓ，依据以下概率从每个集合 Ｉ↓［ｐｉ］中随机选择一个元素：　Ｐ↓［ｊ］（Ｉ↓［ｐｉ］）＝（ｔ↓［ｊ］（Ｉ↓［ｐｉ］））／＊ｔ↓［ｕ］（Ｉ↓［ｐｉ］）　（...

【技术特征摘要】

【专利技术属性】
技术研发人员：于宁，陈斌，万江文，冯仁剑，吴银锋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]