基于时间卷积神经网络的给水管泄漏边缘设备检测方法

技术领域

本发明涉及管线密封性检测领域，尤其是涉及一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法。

背景技术

随着城市化进程的快速发展、给水管老化以及水资源日益紧缺，对给水管的泄漏及时检测并维修是一个避免水资源浪费的重要举措。传统的水管泄漏检测方法所利用的信息比较单一，难以有效地实时检测水管泄漏的情况。目前，深度学习的方法能够有效地实现多源信息的综合处理，从而实现泄漏情况的有效检测。但是深度学习模型由于参数量大，其对所部署的设备的计算力有了更高的要求。尽管可以采用云端方式来实现数据处理，但是这会使得工程造价升高，由此设计一种能够在边缘设备上实现水管泄漏检测的方法，在保证检测精度的情况下尽可能地降低成本，有利于模型的实际应用。

鉴于此设计了一种时间卷积神经网络模型，并对模型采用剪枝算法对模型进行压缩，让其更适合在树莓派这种成本较低的边缘设备上运行。

发明内容

为解决以上问题，本发明提供一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法，可以利用多传感器的数据并根据历史信息对管道的泄漏情况进行检测；结合模型压缩的方法，实现在树莓派上的部署。

本发明采用的技术方案是：一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法，其特征在于：包括以下步骤：

步骤1：构建给水管检测数据

通过温度传感器、麦克风阵列、流量传感器和压力传感器分别对给水管周围的温度和噪声以及给水管内部的压力和流量进行检测，并采集数据，构成给水管检测数据库；

步骤2：利用小波降噪对所采集的数据进行降噪处理；

步骤3：对降噪处理后的数据进行归一化处理，然后进行人工标注标签，并划分为训练集和测试集；

步骤4：训练时间卷积神经网络模型；

步骤5：基于剪枝算法进行模型压缩

通过设计剪枝算法对所训练的模型参数进行裁剪，删除影响因素不重要的神经单元，从而减少模型的参数，达到轻量化模型的目的；

步骤6：将优化好的模型部署在可编程的计算机设备(如：树莓派、手机、plc等可任何编程的设备)上面，实现对给水管是否泄漏进行识别。

作为优选，步骤2的具体步骤为：

(1)、对采集的信号f(i,j)进行变换，得到小波分解系数，Wg(i,j)(s,j)，其中，j＝1,2,3,…s,s表示小波分解的层数；

(2)、在各分解层各方向对噪声方差进行估计：

其中，

(3)计算各项参数，以求取阈值，根据高斯分布：

由

其中，

(4)求取阈值系数：

其中，β为阈值系数，L

(5)求取新阈值：

其中，T

(6)对各层高频系数进行小波软阈值处理得到新的小波系数：

其中，WST(·)表示软阈值处理函数。对处理后的小波系数

作为优选，步骤5的具体步骤为：

(1)针对步骤4中所训练的模型，计算第i层的权重W，并求出其梯度矩阵G；

(2)在矩阵G中找到梯度的绝对值的最大值记作：g

step＝|g|

T

(3)根据候选阈值T

(4)计算模型的剩下参数余量RN[m]，

RN[m]＝k×k×d×n-N

其中，k，d，n为梯度矩阵G的维度参数。

(5)重复(2)-(4)。

(6)计算：ΔRN[m]＝RN[m+1]-RN[m]

其中，RN[m+1]表示使用阈值T

(7)判断ΔRN[m]是否大于零，如果不大于，则保存当前m值，获得最终阈值T＝T

ΔRN[m]＞Value

其中，Value为自定义参数。

(8)把小于T的梯度矩阵所对应的权重矩阵置为0，完成剪枝。

本发明取得的有益效果是：利用时间卷积神经网络模型融合多传感器信息对给水管是否发生泄漏进行检测，并通过剪枝算法对训练好的模型进行压缩，减少模型的参数量，通过在树莓派的系统上构建相对应的环境，部署剪枝优化后的检测模型。本发明的方法能够对依据融合多传感器数据并根据历史数据对水管是否发生泄漏，能有效地避免误检和漏检；同时，通过模型压缩后能将模型部署在边缘设备上，使得对水管的泄漏检测可以更加及时，并节省建立大型服务器的成本。

附图说明

图1为本发明的流程图；

图2为传感器布置示意图；

图3为本发明信号小波降噪流程图；

图4为本发明基于时间卷积网络模型的给水管泄漏检测模型图；

图5为本发明基于剪枝算法压缩模型的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作更进一步的说明。

如图1所示，本发明的一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法，包括以下步骤：

步骤1：构建给水管检测数据

通过温度传感器、麦克风阵列、流量传感器和压力传感器分别对给水管周围的温度和噪声以及给水管内部的压力和流量进行检测，并采集数据，构成给水管检测数据库，传感器的布置示意图如图2所示；

步骤2：利用小波降噪对所采集的数据进行降噪处理，信号降噪流程图如图3所示；信号降噪的具备过程如下：

(1)对采集得信号f(i,j)进行变换，得到小波分解系数，Wg(i,j)(s,j)，其中，j＝1,2,3,…s,s表示小波分解的层数；

(2)在各分解层各方向对噪声方差进行估计：

其中，

(3)计算各项参数，以求取阈值，根据高斯分布：

由

其中，

(4)求取阈值系数：

其中，β为阈值系数，L

(5)求取新阈值：

其中，T

(6)对各层高频系数进行小波软阈值处理得到新的小波系数：

其中，WST(·)表示软阈值处理函数。对处理后的小波系数

步骤3：对降噪处理后的数据进行归一化处理，然后进行人工标注标签，并划分为训练集和测试集；

步骤4：训练时间卷积神经网络模型，结构图如图4所示；

步骤5：基于剪枝算法进行模型压缩

通过设计剪枝算法对所训练的模型参数进行裁剪，删除影响因素不重要的神经单元，从而减少模型的参数，达到轻量化模型的目的；如图5所示，基于剪枝算法进行模型压缩的具体过程如下：

(1)针对步骤4中所训练的模型，计算第i层的权重W，并求出其梯度矩阵G。

(2)在矩阵G中找到梯度的绝对值的最大值记作：g

step＝|g|

T

(3)根据候选阈值T

(4)计算模型的剩下参数余量RN[m]，

RN[m]＝k×k×d×n-N

其中，k，d，n为梯度矩阵G的维度参数。

(5)重复(2)-(4)。

(6)计算：ΔRN[m]＝RN[m+1]-RN[m]

其中，RN[m+1]表示使用阈值T

(7)判断ΔRN[m]是否大于零，如果不大于，则保存当前m值，获得最终阈值T＝T

ΔRN[m]＞Value

其中，Value为自定义参数。

(8)把小于T的梯度矩阵所对应的权重矩阵置为0，完成剪枝；

步骤6：将优化好的模型部署在可编程的计算机设备(如：树莓派、手机、plc等可任何编程的设备，本实施例优选采用树莓派设备)上面，实现对给水管是否泄漏进行识别。

以上显示和描述了本发明的基本原理和主要结构特征。本发明不受上述实例的限制，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。