一种基于AlexNet卷积神经网络的供暖管道泄漏检测方法

技术领域

本发明涉及一种供暖管道泄漏检测方法，特别是涉及一种基于AlexNet卷积神经网络的供暖管道泄漏检测方法。

背景技术

随着供热管道规模的扩大和使用年限的增加不可避免的会发生泄漏问题,管道腐蚀和机械冲击是造成泄漏的重要原因。为了检测出管道泄漏问题,众多管道泄漏检测技术被开发使用,其中利用人工智能技术提高泄漏故障检测效率受到广泛关注。

现阶段用于实际的管道泄漏检测技术可分为两类:基于硬件的方法和基于软件的方法。基于硬件检测的方法如光纤检测法、声学检测法、红外线成像法、漏磁检测法等在使用过程中成熟稳定,但该类方法投入成本较高或人工依赖性强,限制了这类技术的使用规模。基于软件的方法是利用采集的数据进行的数据分析,其中极具代表性的有负压波检测法和神经网络法。负压波检测法具有成本低、灵敏度高、定位精度准等特点,但其不足在于经常受到调节工况的干扰而引起误报。而神经网络的方法因其强大数据学习能力具备一定的自适应性,因此近年来备受学者的青睐。

在泄漏诊断方面通过神经网络结合不同类型的信号进行识别被证明是有效的。早期BP神经网络方法通过结合空间结构的管网泄漏工况水力计算模型,可以判断出泄漏管段。然而Bp神经网络中存在收敛慢,易出现局部极值的问题,尽管可以通过优化算法提高识别能力。但Bp神经网络方法由于管网空间拓扑结构复杂且神经网络训练的目标管网固定,对于变化的管网系统预测的泛化能力有待提升。深度学习算法是神经网络发展的又一里程碑,随着算法模型功能性的增强,各类方法被不断尝试。以物理原理为指导训练的LSTM模型在测试中表现出了优异的精度,但是基于特定的物理过程训练的模型无法适应管网中复杂的流态变化。深度置信网络在管网故障诊断中可以达到96.87％的准确率,但由于其学习参数较多,不易于扩展到不同的管网。采用卷积神经网络的方法将声信号图像分类,诊断结果表明卷积网络模型对低泄漏的诊断有效,但是声信号与压力信号相比更容易受到外界干扰。总体而言,神经网络在信号的分类识别上表现出了良好的诊断能力,选择合适的神经网络和信号种类对管道的故障诊断有重要影响。

发明内容

本发明的目的在于提供一种基于AlexNet卷积神经网络的供暖管道泄漏检测方法，本发明结合小波去噪和改进AlexNet卷积神经网络,提出了一种识别管道泄漏故障的诊断方法。本发明利用得到的正常工况、泄漏工况、调阀工况的压力数据作为学习样本,构建了适用于供热管网的泄漏故障诊断模型，识别管道泄漏时的负压波,进而判断管道是否发生泄漏,降低误报率。

本发明的目的是通过以下技术方案实现的：

一种基于改进AlexNet卷积神经网络的供暖管道泄漏检测方法，所述方法包括下面步骤：

1)采集管网正常工况数据、泄漏工况数据和调阀工况数据；

2)通过小波分析对采集到的数据进行滤波处理，减少管道噪声的干扰,根据每段数据提取出可用于泄漏信号表征的多种特征参数；

3)根据提取出的特征参数，构建泄漏信号AlexNet卷积神经网络识别模型；

4)针对模型的梯度弥散问题改进一维的泄露信号AlexNet卷积神经网络模型缓解过拟合现象，增加模型的泛化能力；

5)对泄漏信号AlexNet卷积神经网络改进模型进行训练及参数优化。

所述的一种基于改进AlexNet卷积神经网络的供暖管道泄漏检测方法，所述步骤1中采集的管道泄漏数据，采样率为5KHz，每段声信号的固定时长为5s。

所述的一种基于改进AlexNet卷积神经网络的供暖管道泄漏检测方法，所述步骤2中压力、流量数据进行小波分析并提取出用于泄漏信号表征的特征参数，包括以下步骤：

步骤2.1：小波分析的数据去噪是一种时域和频域的分析方法，母小波经过平移和和伸缩操作后产生的函数簇即小波基函数与原信号的卷积运算可以得到小波系数，数学表达式为：

式中:m为尺度因子,其作用是对母小波函数做伸缩；n是平移因子反映平移的参数；ψ(x)为母小波；

步骤2.2：对小波进行离散化处理数学表达式为：

步骤2.3：对泄漏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2.4：对泄漏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2.5：对泄漏信号的频域特征进行提取，包括泄漏信号的峰值频率、带宽、中心频率。

所述的一种基于AlexNet卷积神经网络的供暖管道泄漏检测方法，所述步骤4包括利用AlexNet卷积神经网络改进供热管道泄漏检测模型，供热管道泄漏检测模型的改进包括以下几个步骤：

步骤4.1：卷积核采用了一维卷积核,第一卷积层中原卷积核11×11调整为1×7的结构；不仅是在维度上做了调整,同时减少了卷积核的宽度,通过小卷积核的滤波可以提取更精细的特征；

步骤4.2：删除了LRN层,因为LRN层的参数需要经过交叉验证,对模型的改善在实践中效果也非常有限,同时还会增加训练时间；

步骤4.3：根据数据的复杂程度在全连接层上降低了神经元个数,第一个全连接层由原结构的4096个神经单元调整至1000个,减少了大量的冗余权值；

步骤4.4：采用Adam进行权值参数优化,该算法采用学习率自适应的原则,较学习率固定的随机梯度下降算法,可以基于训练数据迭代更新神经网络权重,加快神经网络的收敛速度且超参数的更新不受梯度伸缩变换的影响。

本发明的优点与效果是：

本发明在供热管道泄漏检测的过程中，结合小波分析去噪和改进AlexNet卷积神经网络技术，提供了一种可以识别管道泄漏故障的诊断方法，本发明消除掉大量的噪声信号，使经过小波分析去噪的信号与原信号有较好的贴合度，改进AlexNet卷积神经网络能提高卷积神经网络对泄漏信号的诊断能力，降低误报率，对供热管道泄漏的预防与补救工作提供了基础，具有极大的理论研究价值和广阔的应用前景。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明诊断流程图；

图2为本发明常规AlexNet卷积神经网络结构图；

图3为本发明损失函数图；

图4为本发明模型识别准确率图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明具体诊断流程如图1所示，本发明共采集数据1500组数据,其中正常工况数据500组,泄漏工况数据500组,调阀工况数据500组。选取各工况下的400组数据,作为训练集,100组数据作为测试集。数据采集的长度为1500,采样率为5KHz，每段声信号的固定时长为5s。泄漏点的泄漏范围在0.5％～15.4％,涵盖了低泄漏量到高泄漏量,可有效验证神经网络模型在各个泄漏区间的有效性。

在将采集的数据输入至卷积网络模型前，需经过小波分析去噪的处理，构建网络之前需要对输入的图片数据集进行预处理操作。噪声干扰及管道中微小的压力波动会产生大量的无效特征信息,导致卷积神经网络无法收敛。所以进行小波去噪是信号识别的关键环节。而后将处理后的信息载入卷积网络模型进行训练,对各类工况进行分类识别。

根据每一段的数据，提取特征参量，将其输入进训练好的神经网络；提取的特征参量包括时域特征：平均值、方差、能量、平均幅值、均方根、方根幅值、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。

将小波分析降噪处理后的数据输入至如图2所示的AlexNet卷积神经网络结构中。为了解决模型较深产生的梯度弥散问题，减轻过拟合现象，增加模型的泛化能力对AlexNet卷积神经网络模型做出如下改进：

卷积核采用了一维卷积核,第一卷积层中原卷积核11×11调整为1×7的结构。调整卷积核的维度和宽度后,通过小卷积核的滤波可以提取更精细的特征；

删除了LRN层,因为LRN层的参数需要经过交叉验证,对模型的改善在实践中效果也非常有限,同时还会增加训练时间；

根据数据的复杂程度在全连接层上降低了神经元个数,第一个全连接层由原结构的4096个神经单元调整至1000个,减少了大量的冗余权值；

采用Adam进行权值参数优化,该算法采用学习率自适应的原则,较学习率固定的随机梯度下降算法,可以基于训练数据迭代更新神经网络权重,加快神经网络的收敛速度且超参数的更新不受梯度伸缩变换的影响。

改进的AlexNet参数详如下表。

模型改进之后，需要将预处理完成的数据集输入到网络中进行训练。为了观察模型的性能，需要分析损失函数和准确率随迭代次数的变化情况，详见图3和图4。训练次数在200时，训练集与测试集的准确率就开始趋于平稳。模型训练集的损失函数波动较小，最终趋于平稳。模型在训练集上的鲁棒性较好，但在测试集中，损失函数出现了相对较大的震荡，这与测试集样本容量有关，但在模型的识别准确率仍可以维持在96％以上，具备较强的诊断能力。经过训练发现正常工况和泄漏工况处理后的数据基本能贴合原数据，处理后的无效噪点能被很好的抑制且反映出原信号的主要特征。针对一维数据对AlexNet卷积神经网络供热管道泄漏检测模型结构进行改进,建立了泄漏故障诊断识别模型,该模型对各类工况的平均识别率为98.39％,最高识别率可以达99.3％,可以有效诊断出管道的泄漏工况。

上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的目的和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。