用于埋地管道紫外光原位固化修复质量实时监控的方法

技术领域

本发明属于管道修复与机器学习的交叉技术领域，特别涉及一种用于埋地管道紫外光原位固化修复质量实时监控的方法。

背景技术

市政排水管网是现代化城市的重要基础设施，肩负着城市污水、雨水排放的重任。但随着我国城镇化进程的不断推进，地下管网铺设总里程的不断增多，老旧管道的使用年限越来越短，逐渐暴露出了破裂、变形、腐蚀、错口、起伏、脱节、渗透、沉积、结垢等问题。若不加以维修，势必会引起路面坍塌，造成交通中断、财产损失等问题，严重时甚至会威胁到人们的生命安全。因此，加强对市政排水管道的维护与修复意义重大。

紫外光固化修复技术是一种非开挖修复技术，相较于其他的非开挖修复技术，其具有施工速度快、工期短、内衬管连续、内衬强度高且表面光滑等优点，因此，逐渐成为埋地管道非开挖修复的主流技术。但目前对于紫外光原位固化修复过程中修复质量的实时监控尚无有效的方法，仅能通过对固化后管口处的紫外光固化材料取样进行测试，耗时耗力，且无法对管道深处的固化修复质量进行监测。鉴于此，在进行埋地管道的紫外光原位固化修复时，如何对管道修复质量进行实时监控，并在此基础上对施工参数进行优化是目前所亟待解决的问题。

发明内容

针对现有技术中存在的问题，本发明提出一种用于埋地管道紫外光原位固化修复质量实时监控的方法，通过最优GA-SVM模型预测出施工设计要求的UV-CIPP材料力学参数对应的最佳固化参数和固化温度，从而提高了整个管道修复的效率和质量；通过最优GA-SVM模型还可实现对埋地管道紫外光原位固化修复质量的实时监控。

为了实现上述目的，本发明采用以下的技术方案：

本发明提供了一种用于埋地管道紫外光原位固化修复质量实时监控的方法，包含以下步骤：

步骤1，采集UV-CIPP材料现场原位固化数据，构建数据集；

步骤2，建立考虑多因素影响下用于UV-CIPP材料力学性能预测的遗传算法优化支持向量机模型，简称GA-SVM模型，通过数据集对GA-SVM模型进行训练与验证，得到最优GA-SVM模型；

步骤3，根据施工设计要求的UV-CIPP材料力学参数以及最优GA-SVM模型，预测出最佳固化参数和固化温度；

步骤4，将预测出的最佳固化参数和固化温度输入埋地管道紫外光原位固化修复台车综合控制系统，开始管道修复施工；在修复过程中，利用最优GA-SVM模型对埋地管道紫外光原位固化修复质量实时监控。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤1包含以下步骤：

步骤11，采集UV-CIPP材料现场原位固化时的固化温度和固化参数；

步骤12，采集UV-CIPP材料现场原位固化完成后的各项力学参数；

步骤13，对数据进行处理，用列表法使得步骤11与步骤12中的各项数据一一对应，建立UV-CIPP材料现场原位固化“固化参数-固化温度-各项力学参数”数据库，并将数据集按比例划分。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，所述固化温度为固化反应峰值温度；所述固化参数包括固化时间、固化距离、材料厚度和紫外灯功率；所述力学参数包括抗拉强度和抗弯强度；所述将数据集按比例划分是指按8:2的比例将数据集随机划分为训练集和测试集。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤2包含以下步骤：

步骤21，导入数据集，确定GA算法的群体大小、终止迭代次数、交叉概率以及变异概率；

步骤22，对SVM模型参数进行编码，产生初始种群；

步骤23，将训练集导入SVM模型进行训练，计算各个体适应度；

步骤24，判断最优个体适应度是否符合收敛条件，若符合，则执行步骤26，否则执行步骤25；

步骤25，对种群执行遗传操作，通过选择、交叉、变异得到新的种群，再执行步骤23；

步骤26，将测试集导入SVM模型进行性能测试，输出各项评价指标；

步骤27，判断各项评价指标是否满足要求，若满足，则执行步骤28，否则执行步骤25；

步骤28，将最优的SVM模型参数赋值为SVM模型的初始参数，得到最优GA-SVM模型。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，所述SVM模型选用的核函数为多项式核函数，涉及到的参数包括惩罚参数c和核函数参数g，且初始惩罚参数c和核函数参数g均设置为0。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，所述步骤23中的个体适应度是指SVM模型输出值与试验期望值之差。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，所述步骤25对种群执行遗传操作的过程实际上是对SVM模型的惩罚参数c和核函数参数g进行遗传操作，对惩罚参数c和核函数参数g进行寻优。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤3包含以下步骤：

步骤31，在输入参数解空间，随机生成若干输入参数并对这些输入参数进行编码，产生初始种群，其中输入参数为固化温度和固化参数；

步骤32，将步骤31中的若干输入参数输入到最优GA-SVM模型中进行训练，计算各个体适应度；

步骤33，判断最优个体适应度是否符合收敛条件，若符合，则判定为施工设计要求的UV-CIPP材料力学参数对应的最佳固化参数和固化温度；否则执行步骤34；

步骤34，对种群执行遗传操作，通过选择、交叉、变异得到新的种群，执行步骤32。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤32中的个体适应度是指最优GA-SVM模型输出值与施工设计要求的UV-CIPP材料力学参数值之差；步骤34对种群执行遗传操作的过程实际上是对输入参数进行遗传操作，对固化参数和固化温度进行寻优。

根据本发明的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤4包含以下步骤：

步骤41，将最佳固化参数和固化温度输入埋地管道紫外光原位固化修复台车综合控制系统；

步骤42，台车综合控制系统对固化参数和固化温度进行实时监测，判断其是否达到最佳固化参数和固化温度，若达到，则开始管道修复施工，若未达到，执行步骤43；

步骤43，通过调节紫外灯功率和灯链牵引速度对固化参数和固化温度进行调节，直至固化参数和固化温度达到最佳固化参数和固化温度；

步骤44，在修复过程中，最优GA-SVM模型基于输入的施工现场实时固化参数和固化温度，得到其对应的UV-CIPP材料的力学参数。

与现有技术相比，本发明具有以下优点：

1、本发明将GA算法与SVM模型相结合构建GA-SVM模型，利用GA算法很强的全局寻优能力来优化SVM模型的参数，大大提升了SVM模型的鲁棒性和泛化能力，使得预测结果更加准确。

2、本发明所建立的最优GA-SVM模型能够基于施工现场获取的固化参数与固化温度，得到埋地管道紫外光原位固化修复过程中UV-CIPP材料的力学参数，可在不损坏管道的前提下实现对埋地管道紫外光原位固化修复质量的实时监控。

3、本发明可根据施工设计要求中对UV-CIPP材料的力学性能要求，对固化参数和固化温度进行迭代寻优，得到最佳固化参数和固化温度；台车综合控制系统实时监控固化参数和固化温度，当达到最佳固化参数和固化温度时，开始进行管道修复施工；本发明在保证施工质量的前提下，对现场施工参数进行智能优化，进而有利于提高整个修复过程的工作效率和修复质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例的用于埋地管道紫外光原位固化修复质量实时监控的方法的流程示意图；

图2是本发明实施例的建立最优GA-SVM模型的流程示意图；

图3是本发明实施例的得到最佳固化参数和固化温度的流程示意图；

图4是本发明实施例的台车综合控制系统和最优GA-SVM模型实时监控的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

如图1所示，本实施例的用于埋地管道紫外光原位固化修复质量实时监控的方法包含以下步骤：

步骤S1，采集UV-CIPP材料现场原位固化数据，构建数据集；具体包括步骤S11至步骤S13。

步骤S11，采集UV-CIPP材料现场原位固化时的固化温度和固化参数。所述固化温度和固化参数均是在紫外光原位固化修复管道现场采集得到的，固化参数包括固化时间、固化距离、材料厚度和紫外灯功率；固化温度为固化反应峰值温度。

步骤S12，采集UV-CIPP材料现场原位固化完成后的各项力学参数；具体的，力学参数包括抗拉强度和抗弯强度。

步骤S13，对数据进行处理，用列表法使得步骤S11与步骤S12中的各项数据一一对应，建立UV-CIPP材料现场原位固化“固化参数-固化温度-各项力学参数”数据库，并将数据集按比例划分；在本实例中将数据集按比例划分是指按8:2的比例将数据集随机划分为训练集和测试集。

步骤S2，建立考虑多因素影响下用于UV-CIPP材料力学性能预测的遗传算法优化支持向量机模型，简称GA-SVM模型，通过数据集对GA-SVM模型进行训练与验证，得到最优GA-SVM模型；具体包括步骤S21至步骤S28，如图2所示。

步骤S21，导入数据集，确定GA算法的群体大小、终止迭代次数、交叉概率以及变异概率。

在本实例中，群体大小设置为20，终止迭代次数设置为100次，交叉概率设置为0.9，变异概率设置为0.005。

步骤S22，对SVM模型参数进行编码，产生初始种群。

具体的，SVM模型选用的核函数为多项式核函数，涉及到的参数包括惩罚参数c和核函数参数g，且初始惩罚参数c和核函数参数g均设置为0；编码方式采用二进制法，即把个体编码为一个二进制串。

步骤S23，将训练集导入SVM模型进行训练，计算各个体适应度；这里的个体适应度是指SVM模型输出值与试验期望值之差。

步骤S24，判断最优个体适应度是否符合收敛条件，若符合，则执行步骤S26，否则执行步骤S25。具体的，收敛条件为最优个体适应度值和群体适应度值不再下降、趋于平稳或是算法迭代次数达到预设的终止迭代次数。

步骤S25，对种群执行遗传操作，通过选择、交叉、变异得到新的种群，再执行步骤23；具体的，选择操作采用轮盘赌选择法；此外，该步骤实际上是对SVM模型的惩罚参数c和核函数参数g进行遗传操作，对惩罚参数c和核函数参数g进行寻优。

步骤S26，将测试集导入SVM模型进行性能测试，输出各项评价指标；具体的，评价指标包括均方误差MSE和拟合优度R

步骤S27，判断各项评价指标是否满足要求，若满足，则执行步骤S28，否则执行步骤S25。

步骤S28，将最优的SVM模型参数赋值为SVM模型的初始参数，得到最优GA-SVM模型。具体的，最优GA-SVM模型的判断依据为均方误差MSE尽量小，拟合优度R

步骤S3，根据施工设计要求的UV-CIPP材料力学参数以及最优GA-SVM模型，预测出最佳固化参数和固化温度。具体包括步骤S31至步骤S34，如图3所示。

步骤S31，在输入参数解空间，随机生成若干输入参数并对这些输入参数进行编码，产生初始种群，其中输入参数为固化温度和固化参数。

具体的，紫外光原位固化修复技术的各施工参数均具有一定的设置范围，该设置范围可以作为输入参数解空间，随机生成的输入参数作为设置的施工参数。

步骤S32，将步骤S31中的若干输入参数输入到最优GA-SVM模型中进行训练，计算各个体适应度；这里的个体适应度是指最优GA-SVM模型输出值与施工设计要求的UV-CIPP材料力学参数值之差，此处需与步骤S23中的个体适应度进行区分。

步骤S33，判断最优个体适应度是否符合收敛条件，若符合，则判定为施工设计要求的UV-CIPP材料力学参数对应的最佳固化参数和固化温度；否则执行步骤S34；具体的，收敛条件为最优个体适应度值和群体适应度值不再下降、趋于平稳或是算法迭代次数达到预设的终止迭代次数。

步骤S34，对种群执行遗传操作，通过选择、交叉、变异得到新的种群，执行步骤S32；具体的，选择操作采用轮盘赌选择法；此外，该步骤实际上是对输入参数进行遗传操作，对固化参数和固化温度进行寻优，此处需与步骤S25中的遗传操作进行区分。

步骤S4，将预测出的最佳固化参数和固化温度输入埋地管道紫外光原位固化修复台车综合控制系统，开始管道修复施工；在修复过程中，利用最优GA-SVM模型对埋地管道紫外光原位固化修复质量实时监控。具体包括步骤S41至步骤S44，如图4所示。

步骤S41，将最佳固化参数和固化温度输入埋地管道紫外光原位固化修复台车综合控制系统。

步骤S42，台车综合控制系统对固化参数和固化温度进行实时监测，判断其是否达到最佳固化参数和固化温度，若达到，则开始管道修复施工，若未达到，执行步骤S43。

步骤S43，通过调节紫外灯功率和灯链牵引速度对固化参数和固化温度进行调节，直至固化参数和固化温度达到最佳固化参数和固化温度。

步骤S44，在修复过程中，最优GA-SVM模型基于输入的施工现场实时固化参数和固化温度，得到其对应的UV-CIPP材料的力学参数。

本发明提出了多层次优化的机器学习模型，利用该模型可实现对埋地管道紫外光原位固化修复过程中修复质量的实时监控；并能够反向对施工参数进行优化，依据施工设计要求的UV-CIPP材料力学参数，得到其所对应的最优施工参数，进而大大加快了施工进度，使得UV-CIPP材料的力学性能充分发挥，延长修复管道的使用年限。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。