[發明專利]一種管道泄漏監測網絡的層級式多源數據融合方法

無效

• 申請號: 200910083834.2
• 申請日: 2009-05-07
• 公開（公告）號: CN101539241A
• 公開（公告）日: 2009-09-23
• 發明（設計）人: 于寧;陳斌;萬江文;馮仁劍;吳銀鋒
• 申請（專利權）人: 北京航空航天大學
• 主分類號: F17D5/06
• 分類號: F17D5/06;G06K9/62;G06N3/063
• 代理公司: 北京永創新實專利事務所
• 代理人: 周長琪

1.一種管道泄漏監測網絡的層級式多源數據融合方法，其特征在于，包括以下步驟：

步驟一、在普通節點處，利用小波變換對原始泄漏信號進行數據級預處理，并提取對泄 漏敏感的特征參數；

(1)選取小波基對泄漏信號進行分解；

選取Symlets小波對傳感器提取的原始管道泄漏檢測信號進行小波分解；

(2)選擇小波分解尺度；

設管道泄漏檢測信號的采樣頻率是最低識別頻率為KHz，則最大分解尺度 n應滿足：

fs2n+1≥fmin---(1)]]>

(3)依據式(1)計算得到最大分解尺度n值，對泄漏信號進行n層小波分解；選取啟 發式閾值法對分解后的信號進行降噪；

(4)對降噪后的信號進行時頻域分析，提取反映管道泄漏的特征參數，包括峰值、平均 幅值、方差、方根幅值、峭度和能量比分布系數；

步驟二、建立并訓練蟻群神經網絡數據融合模型，將泄漏特征參數輸入至訓練好的蟻群 神經網絡結構，進行特征級的數據融合；

(1)網絡層數和各層神經元數的選取；

建立包含輸入層、單隱含層和輸出層的三層神經網絡結構；

依據步驟一中提取的對泄漏敏感的特征參數的數量，確定蟻群神經網絡的輸入層神經元 數p；根據管道泄漏的級別數q，確定蟻群神經網絡輸出層的神經元數為q；單隱含層的神經 元數n₀：

n0=2p+β---(2)]]>

其中，為無量綱的修正參數，p為輸入層神經元數；

(2)優化神經網絡的權值參數；

具體步驟如下：

①初始化參數，設標準神經網絡模型中有m個待優化的權值參數對于 任一參數1≤i≤m，初始化為由N個隨機的非零值構成的集合N為自然數；螞 蟻的數量為S，且全部位于蟻巢，S的取值范圍：集合中的所有元素在初 始時刻具有相同的信息素，C為量常，表示集合中 第j個元素在時刻t的信息素；初始時刻的迭代次數Nc＝0，最大的迭代次數為Nmax；

②啟動所有螞蟻，每只螞蟻依據以下概率從每個集合中隨機選 擇一個元素：

Pj(Ipi)=(tj(Ipi))/Σu=1Ntu(Ipi)---(3)]]>

其中，表示本次循環中螞蟻在集合的第j個元素留下的信息素，為自然 數，取值為

③待所有螞蟻在每個集合中都選擇了一個元素后，用各螞蟻所選權值作為神經網絡 參數，計算訓練樣本的輸出誤差，記錄當前所選參數中的最優解；對所有集合中各元 素的信息素按下式進行調節：

τj(Ipi)(t+m)=ρτj(Ipi)(t)+Σk=1stjk(Ipi)---(4)]]>

其中，表示集合中第j個元素在時刻t+m的信息素，參數ρ表示信 息素的持久性，0≤ρ≤1；表示本次循環中第k只螞蟻在集合的第個元素 留下的信息素，其計算方法為：

式中：Q是常數，表示螞蟻完成一次循環后所釋放的信息素總和；是螞蟻k選擇 的元素作為神經網絡的權值時各訓練樣本的最大輸出誤差，定義為

ek=maxn=1h|On-Oq|---(6)]]>

其中，h是樣本數目，和是神經網絡的實際輸出和期望輸出，當誤差越小時， 信息素增加的就越多；

樣本的訓練誤差，若小于期望誤差ζ，則存儲當前所選閾值和權 值；若大于等于期望誤差ζ，則令Nc＝Nc+1，t＝t+m，對所有集合中各元素的信息 素按式(4)做調節，轉至步驟②；

④重復步驟②、③，直到達到最大迭代次數，輸出最優解，得到神經網絡所需的各 個權值參數，建立基于蟻群神經網絡的特征級數據融合模型；

(3)將步驟一中得到的泄漏特征參數，包括峰值、平均幅值、方差、方根幅值、峭度和 能量比分布系數，輸入至訓練好的蟻群神經網絡模型進行融合處理；

步驟三、在簇頭節點處，對蟻群神經網絡的初始識別結果進行證據合成；

對蟻群神經網絡的識別結果進行歸一化處理，構造證據的基本概率指派函數；在簇頭節 點處，采用證據組合公式進行證據合成；

具體方法為：

根據管道的泄漏級別建立完備的泄漏識別框架，q表示管道泄漏級別 數，取自然數；設泄漏事件所屬的簇共有M個成員節點，得證據集對于簇內成員節點上的蟻群神經網絡，設其第個輸出神經元的值為該蟻群神經網絡的識別準確率為依據泄漏點至簇成員節點的距離來評估各證據的權重， 具體方法：以距離最近的簇內成員節點作為基準，該證據的權重為1，其它源節點的權重通 過自身距離與基準值間的比值來確定，具體的為：

wl=δ/dlT---(7)]]>

其中，T為權重的影響因子，取自然數，為節點的傳感器 節點至泄漏點的距離；

則第條證據的基本概率指派函數為：

ml(Ag)=δ/dlTαlOl(g)Σg=1nOl(g),Ag≠Θml(Θ)=1-ΣAg⋐Θml(Ag)---(8)]]>

其中，表示證據的焦元，

在簇頭節點處，采用下面的D-S證據合成公式進行證據合成：

其中，表示證據間的沖突大小，表示證據和證據組合后的焦元，B、C分別表 示證據的焦元，分別表示證據的基本概率指派函數；

步驟四、根據證據組合結果，做出最終決策；

根據證據組合結果，若信任度值最大的命題滿足預先設定的閾值條件，則該命題為決策 的目標，否則不做決策；

具體包括：

確定性命題的信度大于未知命題的信度，且未知命題的信任度值小于預先設定的閾值對于信度值最大的確定性命題，其信度與次最大信度之差大于預先設定的閾值其中是無量綱量，取值范圍是0和1之間；若滿足，則診斷結果為信任度值最大的命題，否 則將不做判斷，具體如下：

設是泄漏識別框架Θ的兩個命題集合，基本概率指派值分別為 m(A1)=max{m(Ak),Ak⋐Θ},m(A2)=max{m(Ak),Ak⋐Θ,Ak≠A1}]]>表示泄露識別 框架Θ中任意一個命題，若滿足：

m(A1)-m(A2)>ϵ1m(Θ)<ϵ2m(A1)>m(Θ)---(10)]]>

則診斷的結果為否則不做決策。