[發(fā)明專利]用于管道狀態(tài)監(jiān)控的人工智能數(shù)據(jù)采集系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110998949.5
• 申請日: 2021-08-28
• 公開（公告）號: CN113775942B
• 公開（公告）日: 2022-07-29
• 發(fā)明（設計）人: 李啟娟
• 申請（專利權）人: 特斯聯(lián)科技集團有限公司
• 主分類號: F17D5/06
• 分類號: F17D5/06;G06N3/04;G06N3/08
• 代理公司: 北京春江專利商標代理事務所(普通合伙) 11835
• 代理人: 曹潔

1.一種用于管道狀態(tài)監(jiān)控的人工智能數(shù)據(jù)采集系統(tǒng)，其特征在于，包括：

第一裝置，包括激勵模塊和聲音采集模塊，所述激勵模塊用于向所述管道施加激勵以使得所述管道響應于所述激勵產生聲音信號，所述聲音采集模塊用于采集管道上一個或多個位置的第一聲音信息和第二聲音信息；其中，所述第一聲音信息為向所述管道施加激勵前的聲音信息，所述第二聲音信息為向所述管道施加激勵后的聲音信息；所述激勵模塊包括：殼體、電動機、減速機、轉動軸、彈性棒、打擊球和阻擋件；

所述殼體上設有第一腔體和帶有開口的第二腔體，所述第一腔體和所述第二腔體之間通過一貫通孔連通；

所述減速機和所述電動機均設置于所述第一腔體內，所述減速機與所述電動機的輸出端連接，所述轉動軸穿設于所述貫通孔內，所述轉動軸的一端與所述減速機的輸出端連接；

所述彈性棒、所述打擊球和所述阻擋件均設置于所述第二腔體內，所述彈性棒垂直設置在所述轉動軸的另一端上，所述打擊球固定設置在所述彈性棒的自由端，所述開口緊鄰管道壁；

所述電動機經所述減速機帶動所述轉動軸轉動，所述轉動軸帶動所述彈性棒轉動，轉動過程中所述彈性棒被所述阻擋件阻擋逐漸彎曲最后脫離所述阻擋件，所述彈性棒脫離所述阻擋件后所述打擊球擊打所述開口處的管道壁；

通信設備，用于將所述第一聲音信息和所述第二聲音信息發(fā)送至處理器；

所述處理器，用于獲取所述第二聲音信息和所述第一聲音信息之間的差異信息，并將所述差異信息輸入至管道狀態(tài)識別模型，根據(jù)所述管道狀態(tài)識別的輸出確定所述管道的狀態(tài)，所述管道的狀態(tài)包括正常，以及變形、破裂、沉積、結垢和腐蝕中的至少之一；

所述管道狀態(tài)識別模型包括混合多路由網絡模型、卷積神經網絡模型以及線性集成模型；

所述混合多路由網絡模型，以卷積神經網絡為基礎模型，添加多路由單元，各單元之間通過跨層連接網絡方式相結合，所述混合多路由網絡模型用于基于輸入的信息，輸出第一識別結果；

所述卷積神經網絡模型，用于基于輸入的信息，輸出第二識別結果；

所述線性集成模型，用于對所述第一識別結果和所述第二識別結果按照預設權重進行相加；

其中，所述混合多路由網絡模型和所述卷積神經網絡模型輸入的信息相同，均為所述差異信息和/或根據(jù)所述差異信息確定的信息；

所述管道狀態(tài)識別模型中的第二層至最后一層均配有一相同結構的輔助層，所述輔助層用于傳遞每層目標值的誤差，相鄰的所述輔助層之間設有用于計算所述輔助層的輸出值的計算層；

其中，所述計算層的神經元個數(shù)與所述管道狀態(tài)識別模型中所述計算層前面緊鄰的層的神經元個數(shù)相同；所述管道狀態(tài)識別模型的訓練過程包括迭代更新所述計算層的神經元，具體的：將訓練集數(shù)據(jù)輸入所述管道狀態(tài)識別模型，完成一次前饋傳播，根據(jù)損失函數(shù)計算本次前饋傳播的損失值，該損失值除了用于利用梯度下降法更新所述管道狀態(tài)識別模型中需要更新的各層神經元外，還用于對各層的輸出值求梯度，最后一層對應的輔助層的輸出值為最后一層的輸出值與對應的梯度值之差，第二層至倒數(shù)第二層中各層對應的輔助層的輸出值為該層的輸出值加上第一數(shù)值并減去第二數(shù)值，所述第一數(shù)值為所述計算層根據(jù)后一層對應的輔助層的輸出值計算得到的數(shù)值，所述第二數(shù)值為所述計算層根據(jù)后一層的輸出值計算得到的數(shù)值，最后，利用各輔助層的輸出值完成對應的計算層的神經元的更新。

2.根據(jù)權利要求1所述的系統(tǒng)，其特征在于，所述卷積神經網絡模型中濾波器權值矩陣是由深度置信網絡訓練學習得到的權值矩陣，所述深度置信網絡以所述差異信息為輸入，經過對所述深度置信網絡中每層的神經元進行采樣、重構隱含層、利用sigmoid函數(shù)處理重構結果，使用逐層貪心算法訓練所述深度置信網絡模型后，用反向傳播算法微調整個所述深度置信網絡的參數(shù)，生成所述深度置信網絡的二維參數(shù)矩陣；采用增維函數(shù)實現(xiàn)深度置信網絡向量和卷積神經網絡張量之間的維數(shù)轉換，使用維數(shù)轉換后的深度置信網絡參數(shù)矩陣替換卷積神經網絡初始化濾波器權值矩陣，并對所述深度置信網絡參數(shù)矩陣進行歸一化處理。

3.根據(jù)權利要求1所述的系統(tǒng)，其特征在于，所述根據(jù)所述差異信息確定的信息包括各頻段能量分布信息，所述各頻段能量分布信息是對所述差異信息的能量譜進行歸一化處理之后進行能量分布統(tǒng)計得到。