專利名稱：一種管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)的層級(jí)式多源數(shù)據(jù)融合方法
技術(shù)領(lǐng)域：
本發(fā)明涉及管道泄漏檢測(cè)技術(shù)領(lǐng)域，特別是基于無(wú)線傳感器網(wǎng)絡(luò)的管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)中，一種基于小波神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的多源檢測(cè)數(shù)據(jù)融合方法。

背景技術(shù)：
城市天然氣供給體系是現(xiàn)代城市的“生命線”之一，其主要輸配方式為管道傳輸。伴隨著天然氣管網(wǎng)越來(lái)越復(fù)雜、管線越來(lái)越長(zhǎng)，重大的安全隱患問題愈加突出。由于管道劣化、老化、自然災(zāi)害和人為破壞等因素，管道泄漏以及由此引發(fā)的爆炸事故頻頻發(fā)生，嚴(yán)重威脅著城市天然氣供給體系的安全。常見的管道泄漏原因有泵站的開關(guān)所帶來(lái)的應(yīng)力、壓力控制閥的誤操作、處于腐蝕環(huán)境下管道的老化、埋管土壤潮濕及溫度變化、通過公路時(shí)受壓過大等。管道泄漏不僅會(huì)影響管輸?shù)恼＿\(yùn)行，導(dǎo)致資源的損失，而且給人們的生命財(cái)產(chǎn)造成巨大威脅，成為公共安全的重大隱患，及時(shí)準(zhǔn)確的識(shí)別出管道泄漏具有重要意義。
鑒于天然氣管道泄漏帶來(lái)的嚴(yán)重危害，國(guó)內(nèi)外研究者發(fā)展了一些泄漏診斷方法，如聲發(fā)射法、負(fù)壓波法、壓力點(diǎn)分析法、質(zhì)量平衡法、檢測(cè)元件法、波陣面診斷法以、實(shí)時(shí)瞬變模型法和計(jì)算機(jī)建模法，等等，這些檢測(cè)方法各有優(yōu)缺點(diǎn)。基于上述泄漏檢測(cè)原理或方法，英、美、德、瑞士等國(guó)相繼研制出具有不同功能、滿足不同應(yīng)用場(chǎng)合的相關(guān)檢漏儀及在線監(jiān)控系統(tǒng)；單臺(tái)儀器方面，如AQUASCAN、SoundSens和Questar超聲探測(cè)器，等等。在線監(jiān)控系統(tǒng)方面，最著名的是SCADA系統(tǒng)，用來(lái)對(duì)各站點(diǎn)運(yùn)行狀況進(jìn)行實(shí)時(shí)監(jiān)測(cè)和管理，其它泄漏檢測(cè)系統(tǒng)還有ATMOS PIPE、LeakNet和LICMONITOR系統(tǒng)，等等。
盡管在管道泄漏檢測(cè)方面取得了一定的研究成果，但還存在如下一些問題1)基于單臺(tái)泄漏檢測(cè)儀器的人工定期巡檢方式，效率低、實(shí)時(shí)性差，迫切需要網(wǎng)絡(luò)化、自動(dòng)化監(jiān)測(cè)；2)已有的監(jiān)控系統(tǒng)多用于長(zhǎng)輸管線檢測(cè)，難以適用于強(qiáng)背景噪聲、復(fù)雜工況下的城市天然氣管道泄漏檢測(cè)。
針對(duì)傳統(tǒng)檢測(cè)方法存在的不足，2005年，麻省理工學(xué)院、Intel、NETL(美國(guó)能源技術(shù)國(guó)家實(shí)驗(yàn)室)和帝國(guó)理工大學(xué)等單位，聯(lián)合率先提出了基于無(wú)線傳感器網(wǎng)絡(luò)(Wireless SensorNetworks，WSN)的城市地下管網(wǎng)安全監(jiān)測(cè)新思路。其核心思想在于由眾多具有感知、計(jì)算和無(wú)線通信能力的檢測(cè)節(jié)點(diǎn)自組織成覆蓋城市管網(wǎng)的監(jiān)控網(wǎng)絡(luò)，利用網(wǎng)絡(luò)節(jié)點(diǎn)上的壓力、聲和流量等多類傳感器采集管道的狀態(tài)信息，以更全面的診斷出管道安全狀況。該監(jiān)測(cè)網(wǎng)絡(luò)具有部署靈活、價(jià)格低廉、組網(wǎng)迅速和實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn)，有較好的應(yīng)用前景。隨后，相關(guān)基礎(chǔ)問題研究受到了學(xué)者的關(guān)注和政府部門的資助。例如，針對(duì)管道網(wǎng)絡(luò)特點(diǎn)，開展了管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)中服務(wù)質(zhì)量的相關(guān)研究，提出了一種線性無(wú)線網(wǎng)絡(luò)結(jié)構(gòu)的組網(wǎng)通信協(xié)議，保證了檢測(cè)網(wǎng)絡(luò)通信的健壯性、安全性；2008年，美國(guó)馬里蘭大學(xué)的研究者，研制出用于管道泄漏檢測(cè)的柔性WSN節(jié)點(diǎn)；2007年4月，美國(guó)西南研究院從美國(guó)能源與管道研究國(guó)際委員會(huì)獲得了“天然氣管道內(nèi)部腐蝕監(jiān)控”項(xiàng)目資助，研究用于檢查管道內(nèi)部腐蝕的無(wú)線傳感器網(wǎng)絡(luò)。
管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)中，傳感器受噪聲、時(shí)變效應(yīng)和環(huán)境變化等因素的影響，節(jié)點(diǎn)提供的檢測(cè)信息具有不確定性和模糊性；針對(duì)同一泄漏事件，處于不同位置的節(jié)點(diǎn)可能做出不一致甚至相互矛盾的診斷結(jié)果，致使系統(tǒng)難以做出正確決策。具體來(lái)說(shuō)，需要解決以下問題(1)傳感器采集信號(hào)的噪聲剔除，實(shí)際泄漏檢測(cè)環(huán)境中，管內(nèi)管外不可避免存在大量干擾噪聲，尤其是固定的干擾噪聲，如汽車發(fā)動(dòng)機(jī)、施工噪聲以及管道閥門噪聲其面臨的噪聲主要有機(jī)械噪聲(如摩擦、流體流動(dòng)等)、電氣噪聲、傳播途徑引起的信號(hào)衰減和畸變；(2)單節(jié)點(diǎn)上異類傳感器檢測(cè)信息的相關(guān)性處理及冗余數(shù)據(jù)去除；(3)處于不同監(jiān)測(cè)位置的多節(jié)點(diǎn)診斷結(jié)果間的聯(lián)合決策。
針對(duì)以上問題，利用噪聲與泄漏檢測(cè)信號(hào)在各個(gè)尺度上的小波譜具有不同的表現(xiàn)，即隨尺度增加，噪聲的小波譜將逐漸消失，而泄漏信號(hào)的小波變換在大尺度上仍有清楚表現(xiàn)，可利用比較成熟的小波分析法對(duì)泄漏信號(hào)進(jìn)行消噪處理，并提取出對(duì)泄漏敏感的特征參數(shù)。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自容錯(cuò)和模式識(shí)別能力，可解決泄漏診斷過程中數(shù)學(xué)建模難、信息不足和實(shí)時(shí)性差的問題。在眾多的神經(jīng)網(wǎng)絡(luò)模型中，基于誤差反向傳播算法(BackPropagation，BP)神經(jīng)網(wǎng)絡(luò)的應(yīng)用最為廣泛和成熟。由于受訓(xùn)練樣本選取、背景干擾噪聲以及傳感器時(shí)變效應(yīng)等因素的影響，導(dǎo)致神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果仍然存在一定的不準(zhǔn)確性，同時(shí)不同檢測(cè)節(jié)點(diǎn)間的報(bào)告結(jié)果可能相互沖突，給匯聚節(jié)點(diǎn)的決策帶來(lái)較大的困難。D-S證據(jù)理論作為一種不確定性決策推理方法，在模式識(shí)別、信息融合和故障檢測(cè)等領(lǐng)域得到了廣泛應(yīng)用。但是，基本概率賦值是利用證據(jù)理論進(jìn)行決策分析的前提條件，其選取的好壞直接影響最終融合結(jié)果的準(zhǔn)確性和有效性，目前大多完全依靠專家進(jìn)行主觀化賦值。若將神經(jīng)網(wǎng)絡(luò)處理后的初始識(shí)別結(jié)果作為獨(dú)立的證據(jù)，則可實(shí)現(xiàn)基本概率分配賦值的客觀化，使不確定信息的融合具有很強(qiáng)的魯棒性，便于最終的決策處理。


發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于小波神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的多源泄漏檢測(cè)數(shù)據(jù)融合方法，對(duì)網(wǎng)絡(luò)中多個(gè)節(jié)點(diǎn)上多種傳感器采集的泄漏檢測(cè)信息進(jìn)行層級(jí)式的融合處理，以降低單傳感器或單節(jié)點(diǎn)泄漏識(shí)別過程中的不確定性，提高泄漏識(shí)別的準(zhǔn)確率，利于簇頭節(jié)點(diǎn)做出決策判斷。
一種管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)的層級(jí)式多源數(shù)據(jù)融合方法，具體包括以下步驟 1、在普通節(jié)點(diǎn)處，利用小波變換對(duì)原始泄漏信號(hào)進(jìn)行數(shù)據(jù)級(jí)預(yù)處理，提取對(duì)泄漏敏感的特征參數(shù)，具體方法為 (1)選取小波基對(duì)泄漏信號(hào)進(jìn)行分解； 由于不同的小波基具有不同的時(shí)頻特性，因而對(duì)于同一個(gè)信號(hào)，用不同小波基進(jìn)行分解，得到的結(jié)果并不是唯一的，小波基的選取是利用小波變換對(duì)信號(hào)進(jìn)行分析的關(guān)鍵問題；本發(fā)明選擇Symlets系列小波對(duì)信號(hào)進(jìn)行變換，該小波基對(duì)泄漏信號(hào)敏感、能夠突出泄漏信號(hào)的奇異特征、減小信號(hào)的失真、保證信號(hào)的精確重構(gòu)以及良好的時(shí)頻分析性能； (2)選擇小波分解尺度； 對(duì)含噪泄漏信號(hào)進(jìn)行離散小波變換，小波分解的尺度越大，越利于消除噪聲，但尺度太大有時(shí)會(huì)丟失信號(hào)的某些重要局部奇異性，因此，分解尺度的選擇應(yīng)根據(jù)實(shí)際要求來(lái)確定，具體方法為小波分解的層數(shù)根據(jù)管道泄漏檢測(cè)信號(hào)的頻率特點(diǎn)來(lái)確定，設(shè)泄漏檢測(cè)信號(hào)的采樣頻率是fs KHz，最低識(shí)別頻率為fmin KHz，則最大分解尺度n應(yīng)滿足 (3)依據(jù)式(1)計(jì)算得到的最大分解尺度n值，對(duì)泄漏信號(hào)進(jìn)行n層小波分解；采用小波閾值法對(duì)分解后的信號(hào)進(jìn)行信噪處理，然后進(jìn)行小波重構(gòu)，得到降噪后的泄漏信號(hào)，其原理是利用信號(hào)和噪聲在各個(gè)尺度上的小波譜具有不同的表現(xiàn)特性，選定一個(gè)適當(dāng)?shù)拈撝?，令小于閾值的系?shù)為0，大于閾值的點(diǎn)變?yōu)樵擖c(diǎn)值與閾值的差值。閾值選擇時(shí)可有4種規(guī)則1)用stein無(wú)偏風(fēng)險(xiǎn)估計(jì)原則選擇適應(yīng)閾值；2)采用固定的閾值，如選取sqrt(2＊log(length(X)))；3)啟發(fā)式閾值選擇，綜合使用前兩種方案選取閾值；4)采用極大極小準(zhǔn)則選擇閾值；本發(fā)明通過實(shí)驗(yàn)比較4種閾值去噪法的效果，選取啟發(fā)式閾值法進(jìn)行去噪，然后進(jìn)行小波重構(gòu)，得到降噪后的泄漏信號(hào)。
(4)對(duì)降噪后的信號(hào)進(jìn)行時(shí)頻域分析，提取反映管道泄漏的特征參數(shù)，包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系數(shù)。
2、建立并訓(xùn)練蟻群神經(jīng)網(wǎng)絡(luò)模型，將泄漏特征參數(shù)輸入至訓(xùn)練好的蟻群神經(jīng)網(wǎng)絡(luò)診斷結(jié)構(gòu)，進(jìn)行特征級(jí)的數(shù)據(jù)融合，具體方法為 (1)網(wǎng)絡(luò)層數(shù)和各層神經(jīng)元數(shù)的選取； 若隱含層有足夠數(shù)量的神經(jīng)元，三層神經(jīng)網(wǎng)絡(luò)可以精確逼近任何目標(biāo)函數(shù)，為此，建立包含輸入層、單隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)； 依據(jù)提取的對(duì)泄漏敏感的特征參數(shù)的數(shù)量，確定蟻群神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)p；根據(jù)管道泄漏的級(jí)別q，確定蟻群神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)q，其理想輸出向量為Tout，例如，Tout＝(1，0，…，0)1×q表示管道正常，Tout＝(0，0，…，1)1×q表示管道發(fā)生嚴(yán)重泄漏；單隱含層的神經(jīng)元數(shù)n0，可根據(jù)下面的經(jīng)驗(yàn)公式得到 n0＝2p+β(2) 其中，β為無(wú)量綱的修正參數(shù)，β＝1～10，p為輸入神經(jīng)層元數(shù)； (2)優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值參數(shù)； 具體步驟如下 ①初始化參數(shù)，設(shè)標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型中有m個(gè)待優(yōu)化的權(quán)值參數(shù)p1，p2，...，pm，對(duì)于任一參數(shù)pi(1≤i≤m)，初始化為由N個(gè)隨機(jī)的非零值構(gòu)成的集合Ipi，N為自然數(shù)；螞蟻的數(shù)量為S，且全部位于蟻巢，S的取值范圍

集合Ipi(1≤i≤m)中的所有元素在初始時(shí)刻具有相同的信息素τj(Ipi)(t)＝C，C為量常，1≤j≤N；τj(Ipi)(t)表示集合Ipi中第j個(gè)元素在時(shí)刻t的信息素；初始時(shí)刻的迭代次數(shù)Nc＝0，最大的迭代次數(shù)為Nmax； ②啟動(dòng)所有螞蟻，每只螞蟻k(k＝1，2，...，S)依據(jù)以下概率從每個(gè)集合Ipi(1≤i≤m)中隨機(jī)選擇一個(gè)元素 tj(Ipi)表示本次循環(huán)中螞蟻在集合Ipi的第j個(gè)元素留下的信息素； ③待所有螞蟻在每個(gè)集合中都選擇了一個(gè)元素后，用各螞蟻所選權(quán)值作為神經(jīng)網(wǎng)絡(luò)參數(shù)，計(jì)算訓(xùn)練樣本的輸出誤差，記錄當(dāng)前所選參數(shù)中的最優(yōu)解；對(duì)所有集合Ipi(1≤i≤m)中各元素的信息素按下式進(jìn)行調(diào)節(jié) 其中，τj(Ipi)(t+m)表示集合Ipi中第j個(gè)元素在時(shí)刻t+m的信息素，參數(shù)ρ表示信息素的持久性，0≤ρ≤1；tjk(Ipi)表示本次循環(huán)中第k只螞蟻在集合Ipi的第j個(gè)元素Pj(Ipi)留下的信息素，其計(jì)算方法為
式中Q是常數(shù)，表示螞蟻完成一次循環(huán)后所釋放的信息素總和，用于調(diào)節(jié)信息素的調(diào)整速度；e是螞蟻k選擇的元素作為神經(jīng)網(wǎng)絡(luò)的權(quán)值時(shí)各訓(xùn)練樣本的最大輸出誤差，定義為 其中，h是樣本數(shù)目，On和Oq是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和期望輸出，當(dāng)誤差越小時(shí)，信息素增加的就越多； 樣本的訓(xùn)練誤差若ek小于期望誤差ζ，則存儲(chǔ)當(dāng)前所選閾值和權(quán)值；若ek大于等于期望誤差ζ，則令Nc＝Nc+1，t＝t+m，對(duì)所有集合Ipi中各元素的信息素按式(4)做調(diào)節(jié)，轉(zhuǎn)至步驟②； ④重復(fù)步驟②、③，直到達(dá)到最大迭代次數(shù)，輸出最優(yōu)解，得到神經(jīng)網(wǎng)絡(luò)所需的各個(gè)權(quán)值參數(shù)，建立基于蟻群神經(jīng)網(wǎng)絡(luò)的特征級(jí)數(shù)據(jù)融合模型； 通過引入蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值，克服了標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)易于陷入局部最優(yōu)解的問題，并提高了網(wǎng)絡(luò)的訓(xùn)練速度； (3)將步驟一中得到的泄漏特征參數(shù)包括方根幅值、峭度和能量，輸入至訓(xùn)練好的蟻群神經(jīng)網(wǎng)絡(luò)進(jìn)行融合處理； 3、在簇頭節(jié)點(diǎn)處對(duì)蟻群神經(jīng)網(wǎng)絡(luò)的初始識(shí)別結(jié)果進(jìn)行證據(jù)合成，具體包括以下步驟 根據(jù)管道的泄漏級(jí)別建立完備的泄漏識(shí)別框架Θ＝{A1，A2，...，Aq}，q表示管道泄漏級(jí)別數(shù)，取自然數(shù)；設(shè)泄漏事件所屬的簇共有M個(gè)成員節(jié)點(diǎn)，得證據(jù)集{ml(·)}，l＝1，2，...，M；對(duì)于簇內(nèi)成員節(jié)點(diǎn)l上的蟻群神經(jīng)網(wǎng)絡(luò)，設(shè)其第g個(gè)輸出神經(jīng)元的值為Ol(g)，g＝1，2，...，q，該蟻群神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為αl；依據(jù)泄漏點(diǎn)至簇成員節(jié)點(diǎn)的距離來(lái)評(píng)估各證據(jù)的權(quán)重，具體方法以距離最近的簇內(nèi)成員節(jié)點(diǎn)作為基準(zhǔn)，該證據(jù)的權(quán)重為1，其它源節(jié)點(diǎn)的權(quán)重wl通過自身距離與基準(zhǔn)值間的比值來(lái)確定，具體的為 其中，1≤l≤M，δ＝min{dl}，T為權(quán)重的影響因子，取自然數(shù)，dl為節(jié)點(diǎn)l的傳感器節(jié)點(diǎn)至泄漏點(diǎn)的距離； 則第l條證據(jù)的基本概率指派函數(shù)ml(·)為 其中，Ag表示證據(jù)的焦元，l＝1，2，...，M，g＝1，2，...，q； 在簇頭節(jié)點(diǎn)處，采用下面的D-S證據(jù)合成公式進(jìn)行證據(jù)合成
其中，Kl，g表示證據(jù)間的沖突大小，A表示證據(jù)l和證據(jù)g組合后的焦元，B、C分別表示證據(jù)l，g的焦元，ml、mg分別表示證據(jù)l，g的基本概率指派函數(shù)。
4、根據(jù)證據(jù)組合結(jié)果，做出最終決策。
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(yù)先設(shè)定的閾值ε1；對(duì)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(yù)先設(shè)定的閾值ε2，其中ε1、ε2是無(wú)量綱量，取值范圍是0和1之間；若滿足，則診斷結(jié)果為信任度值最大的命題，否則將不做判斷，具體用下式來(lái)表述 設(shè)A1、A2是泄漏識(shí)別框架Θ的兩個(gè)命題集合，基本概率指派值分別為Ak表示泄露識(shí)別框架Θ中任意一個(gè)命題，若滿足 則診斷的結(jié)果為A1，否則不做決策。
本發(fā)明的優(yōu)點(diǎn)在于 (1)本發(fā)明采用從數(shù)據(jù)級(jí)、特征級(jí)到?jīng)Q策級(jí)的多級(jí)數(shù)據(jù)融合處理，充分利用了網(wǎng)絡(luò)內(nèi)不同節(jié)點(diǎn)上各類傳感器所采集的泄漏檢測(cè)信息，可有效的提高管道泄漏識(shí)別的準(zhǔn)確率； (2)采用小波分解方法，可有效的剔除原始泄漏檢測(cè)信號(hào)中的噪聲，提取出對(duì)泄漏敏感的特征參數(shù)； (3)通過引入蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)，可以提高神經(jīng)網(wǎng)絡(luò)的收斂速度，避免了神經(jīng)網(wǎng)絡(luò)陷入局部極小值，實(shí)現(xiàn)了對(duì)異類泄漏特征參數(shù)的有效融合，提高了簇內(nèi)成員節(jié)點(diǎn)的泄漏識(shí)別準(zhǔn)確率； (4)通過在簇頭節(jié)點(diǎn)處進(jìn)行證據(jù)合成，可有效的克服蟻群神經(jīng)網(wǎng)絡(luò)融合可能存在的誤識(shí)別問題，避免了簇頭節(jié)點(diǎn)不做決策或誤決策現(xiàn)象。



圖1為本發(fā)明應(yīng)用中的監(jiān)控網(wǎng)絡(luò)結(jié)構(gòu)； 圖2為本發(fā)明的方法流程圖； 圖3為本發(fā)明中的5層多尺度小波分解樹結(jié)構(gòu)； 圖4為本發(fā)明蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值參數(shù)的流程圖。
圖中 1-普通傳感器節(jié)點(diǎn)2-簇頭節(jié)點(diǎn) 3-中心節(jié)點(diǎn)4-簇 5-管道 6-某一個(gè)位置7-后臺(tái)監(jiān)控主機(jī)
具體實(shí)施例方式 下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。
圖1給出了利用無(wú)線傳感器網(wǎng)絡(luò)進(jìn)行管道安全監(jiān)控的系統(tǒng)結(jié)構(gòu)，包括普通傳感器節(jié)點(diǎn)1、簇頭節(jié)點(diǎn)2和中心節(jié)點(diǎn)3，普通傳感器節(jié)點(diǎn)1間可采用管內(nèi)或管外射頻無(wú)線通信方式，采用分簇的網(wǎng)絡(luò)結(jié)構(gòu)以降低協(xié)議設(shè)計(jì)和網(wǎng)絡(luò)管理的復(fù)雜度，同時(shí)滿足新加管道對(duì)網(wǎng)絡(luò)可擴(kuò)展性的需求；普通傳感器節(jié)點(diǎn)1上裝有聲發(fā)射、壓力等多類傳感器，沿管道安裝，簇頭節(jié)點(diǎn)2可安裝于地面上，負(fù)責(zé)融合處理簇內(nèi)普通傳感器節(jié)點(diǎn)1的檢測(cè)數(shù)據(jù)，并將最終的診斷結(jié)果發(fā)送至中心節(jié)點(diǎn)3；簇4由M個(gè)普通傳感器節(jié)點(diǎn)1和一個(gè)簇頭節(jié)點(diǎn)2構(gòu)成；某一時(shí)刻，在管道5的某一個(gè)位置6處發(fā)生泄漏事故。中心節(jié)點(diǎn)3通過串口線建立與后臺(tái)監(jiān)控主機(jī)7間的交互式通訊進(jìn)行連接，圖形化顯示遠(yuǎn)程監(jiān)控網(wǎng)絡(luò)運(yùn)行狀態(tài)，并管理和維護(hù)網(wǎng)絡(luò)中的節(jié)點(diǎn)。
本發(fā)明是一種管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)的層級(jí)式多源數(shù)據(jù)融合方法，流程如圖2所示，具體包括以下步驟 1、在普通節(jié)點(diǎn)處，利用小波變換對(duì)原始泄漏信號(hào)進(jìn)行數(shù)據(jù)級(jí)預(yù)處理，然后提取對(duì)泄漏敏感的特征參數(shù)； 利用小波變換方法對(duì)原始泄漏信號(hào)進(jìn)行消噪處理。選擇對(duì)泄漏信號(hào)敏感、能夠突出泄漏信號(hào)的奇異特征、減小信號(hào)的失真、保證信號(hào)的精確重構(gòu)以及良好的時(shí)頻分析性能的Symlets小波基，對(duì)普通節(jié)點(diǎn)上各類傳感器提取的原始管道泄漏檢測(cè)信號(hào)進(jìn)行n層小波分解； 本發(fā)明選取n＝5，此時(shí)可實(shí)現(xiàn)較好的信噪分離，如圖3所示，Bi，i＝1，2，3，4，5，為信號(hào)的低頻分解部分，Di，i＝1，2，3，4，5，為信號(hào)的高頻分解部分，選取啟發(fā)式閾值法進(jìn)行去噪，然后進(jìn)行小波重構(gòu)，得到降噪后的泄漏信號(hào)S S＝B5+D5+D4+D3+D2+D1(11) 提取能夠較好地反映泄漏特征的統(tǒng)計(jì)指標(biāo)作為蟻群神經(jīng)網(wǎng)絡(luò)的輸入特征向量，如峰值Xamax、平均幅值Xam、方差Xavr、方根幅值Xr、峭度Xk和能量比分布系數(shù)Xe的具體計(jì)算方法為 Xamax＝max{|xi|} (12) 其中xi(i＝1，2，...，n)表示重構(gòu)信號(hào)各離散點(diǎn)的值。
2、建立并訓(xùn)練蟻群神經(jīng)網(wǎng)絡(luò)模型，將泄漏特征參數(shù)輸入至訓(xùn)練好的蟻群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)行特征級(jí)的數(shù)據(jù)融合，具體方法為 (1)確定網(wǎng)絡(luò)結(jié)構(gòu)和各層神經(jīng)元數(shù)。
采用包含輸入層、單隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，依據(jù)提取的對(duì)泄漏敏感的特征參數(shù)，如均值、峰值、方根幅值、方差和峭度，確定蟻群神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)p；根據(jù)管道泄漏的級(jí)別q，確定蟻群神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)q，其理想輸出向量為Tout；根據(jù)公式(2)確定單隱含層神經(jīng)元數(shù)n0； (2)引入蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值參數(shù)，具體流程如圖4所示 ①初始化參數(shù)，設(shè)神經(jīng)網(wǎng)絡(luò)模型中有m個(gè)待優(yōu)化的權(quán)值或閾值參數(shù)p1，p2，...，pm，對(duì)于任一參數(shù)pi(1≤i≤m)，初始化為由N個(gè)隨機(jī)的非零值構(gòu)成的集合Ipi，集合Ipi(1≤i≤m)中所有元素具有相同的信息素C，螞蟻的數(shù)量為S，迭代次數(shù)Nc＝0，t＝0，最大的迭代次數(shù)為Nmax； ②判斷若Nc小于Nmax，對(duì)于任意一只螞蟻k(k＝1，2，...，S)，依據(jù)式(3)得到的概率隨機(jī)地從集合Ipi中選擇第j個(gè)元素； 若Nc等于Nmax，存儲(chǔ)當(dāng)前所選權(quán)值和閾值； ③待所有螞蟻在每個(gè)集合中都選擇了一個(gè)元素后，用各螞蟻所選權(quán)值作為神經(jīng)網(wǎng)絡(luò)參數(shù)，計(jì)算樣本的訓(xùn)練誤差若ek小于期望誤差ζ，則存儲(chǔ)當(dāng)前所選閾值和權(quán)值；若ek不小于期望誤差ζ，則令Nc＝Nc+1，t＝t+m，對(duì)所有集合Ipi(1≤i≤m)中各元素的信息素按式(4)做調(diào)節(jié)，轉(zhuǎn)至步驟②； ④重復(fù)步驟②、③，直到達(dá)到最大迭代次數(shù)，輸出最優(yōu)解； (3)將當(dāng)前提取到的時(shí)域泄漏特征參數(shù)包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系數(shù)，輸入至訓(xùn)練好的蟻群神經(jīng)網(wǎng)絡(luò)進(jìn)行泄漏識(shí)別。
3、在簇頭節(jié)點(diǎn)處對(duì)蟻群神經(jīng)網(wǎng)絡(luò)的初始識(shí)別結(jié)果進(jìn)行證據(jù)合成，具體方法為 假設(shè)泄漏識(shí)別框架Θ＝{A1，A2，...，Aq}，q表示管道泄漏級(jí)別數(shù)，取自然數(shù)；簇內(nèi)共有M個(gè)成員節(jié)點(diǎn)，并將各自的蟻群神經(jīng)網(wǎng)絡(luò)輸出結(jié)果多跳發(fā)送至簇頭節(jié)點(diǎn)，可得證據(jù)集{ml(·)}(l＝1，2，...，M)。
基于蟻群神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果、識(shí)別準(zhǔn)確率和證據(jù)源的可靠度，構(gòu)造證據(jù)的基本概率指派函數(shù)，具體方法為設(shè)普通節(jié)點(diǎn)l(l＝1，2，...，M)的第g(g＝1，2，...，n)個(gè)輸出神經(jīng)元的值為Ol(g)，通過輸入測(cè)試樣本計(jì)算得到蟻群神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為αl； 以距離最近的簇內(nèi)成員節(jié)點(diǎn)作為基準(zhǔn)，該證據(jù)的權(quán)重為1，其它源節(jié)點(diǎn)的權(quán)重wi可通過自身距離與基準(zhǔn)值間的比值來(lái)確定，即通過式(7)得到簇內(nèi)成員節(jié)點(diǎn)的權(quán)重。各證據(jù)的基本概率指派值根據(jù)式(8)可得。
最后，利用D-S證據(jù)組合公式(9)對(duì)各證據(jù)的基本概率指派函數(shù)進(jìn)行證據(jù)合成。
4、根據(jù)證據(jù)組合結(jié)果，做出最終決策。
基于證據(jù)組合以后的結(jié)果，利用決策規(guī)則式(10)做出最終決策，判斷管道發(fā)生泄漏的級(jí)別。
權(quán)利要求
1、一種管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)的層級(jí)式多源數(shù)據(jù)融合方法，其特征在于，包括以下步驟
步驟一、在普通節(jié)點(diǎn)處，利用小波變換對(duì)原始泄漏信號(hào)進(jìn)行數(shù)據(jù)級(jí)預(yù)處理，并提取對(duì)泄漏敏感的特征參數(shù)；
(1)選取小波基對(duì)泄漏信號(hào)進(jìn)行分解；
選取Symlets小波對(duì)傳感器提取的原始管道泄漏檢測(cè)信號(hào)進(jìn)行小波分解；
(2)選擇小波分解尺度；
設(shè)管道泄漏檢測(cè)信號(hào)的采樣頻率是fsKHz，最低識(shí)別頻率為fmin KHz，則最大分解尺度n應(yīng)滿足
(3)依據(jù)式(1)計(jì)算得到最大分解尺度n值，對(duì)泄漏信號(hào)進(jìn)行n層小波分解；選取啟發(fā)式閾值法對(duì)分解后的信號(hào)進(jìn)行去噪；
(4)對(duì)降噪后的信號(hào)進(jìn)行時(shí)頻域分析，提取反映管道泄漏的特征參數(shù)，包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系數(shù)；
步驟二、建立并訓(xùn)練蟻群神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型，將泄漏特征參數(shù)輸入至訓(xùn)練好的蟻群神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)行特征級(jí)的數(shù)據(jù)融合；
(1)網(wǎng)絡(luò)層數(shù)和各層神經(jīng)元數(shù)的選??；
建立包含輸入層、單隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
依據(jù)步驟一中提取的對(duì)泄漏敏感的特征參數(shù)的數(shù)量，確定蟻群神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)p；根據(jù)管道泄漏的級(jí)別數(shù)q，確定蟻群神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為q；單隱含層的神經(jīng)元數(shù)n0
n0＝2p+β(2)
其中，β為無(wú)量綱的修正參數(shù)，β＝1～10，p為輸入層神經(jīng)元數(shù)；
(2)優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)；
具體步驟如下
①初始化參數(shù)，設(shè)標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型中有m個(gè)待優(yōu)化的權(quán)值參數(shù)p1，p2，...，pm，對(duì)于
任一參數(shù)pi，1≤i≤m，初始化為由N個(gè)隨機(jī)的非零值構(gòu)成的集合Ipi，N為自然數(shù)；螞蟻的數(shù)量為S，且全部位于蟻巢，S的取值范圍
集合Ipi中的所有元素在初始時(shí)刻具有相同的信息素τj(Ipi)(t)＝C，C為量常，1≤j≤N，τj(Ipi)(t)表示集合Ipi中第j個(gè)元素在時(shí)刻t的信息素；初始時(shí)刻的迭代次數(shù)Nc＝0，最大的迭代次數(shù)為Nmax；
②啟動(dòng)所有螞蟻，每只螞蟻k，k＝1，2，...，S，依據(jù)以下概率從每個(gè)集合Ipi中隨機(jī)選擇一個(gè)元素
其中，tj(Ipi)表示本次循環(huán)中螞蟻在集合Ipi的第j個(gè)元素留下的信息素，u為自然數(shù)，取值為1≤u≤N；
③待所有螞蟻在每個(gè)集合中都選擇了一個(gè)元素后，用各螞蟻所選權(quán)值作為神經(jīng)網(wǎng)絡(luò)參數(shù)，計(jì)算訓(xùn)練樣本的輸出誤差，記錄當(dāng)前所選參數(shù)中的最優(yōu)解；對(duì)所有集合Ipi中各元素的信息素按下式進(jìn)行調(diào)節(jié)
其中，τj(Ipi)(t+m)表示集合Ipi中第j個(gè)元素在時(shí)刻t+m的信息素，參數(shù)ρ表示信息素的持久性，0≤ρ≤1；tjk(Ipi)表示本次循環(huán)中第k只螞蟻在集合Ipi的第j個(gè)元素Pj(Ipi)留下的信息素，其計(jì)算方法為
式中Q是常數(shù)，表示螞蟻完成一次循環(huán)后所釋放的信息素總和；ek是螞蟻k選擇的元素作為神經(jīng)網(wǎng)絡(luò)的權(quán)值時(shí)各訓(xùn)練樣本的最大輸出誤差，定義為
其中，h是樣本數(shù)目，On和Oq是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和期望輸出，當(dāng)誤差越小時(shí)，信息素增加的就越多；
樣本的訓(xùn)練誤差若ek小于期望誤差ζ，則存儲(chǔ)當(dāng)前所選閾值和權(quán)值；若ek大于等于期望誤差ζ，則令Nc＝Nc+1，t＝t+m，對(duì)所有集合Ipi中各元素的信息素按式(4)做調(diào)節(jié)，轉(zhuǎn)至步驟②；
④重復(fù)步驟②、③，直到達(dá)到最大迭代次數(shù)，輸出最優(yōu)解，得到神經(jīng)網(wǎng)絡(luò)所需的各個(gè)權(quán)值參數(shù)，建立基于蟻群神經(jīng)網(wǎng)絡(luò)的特征級(jí)數(shù)據(jù)融合模型；
(3)將步驟一中得到的泄漏特征參數(shù)，包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系數(shù)，輸入至訓(xùn)練好的蟻群神經(jīng)網(wǎng)絡(luò)模型進(jìn)行融合處理；
步驟三、在簇頭節(jié)點(diǎn)處，對(duì)蟻群神經(jīng)網(wǎng)絡(luò)的初始識(shí)別結(jié)果進(jìn)行證據(jù)合成；
對(duì)蟻群神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果進(jìn)行歸一化處理，構(gòu)造證據(jù)的基本概率指派函數(shù)；在簇頭節(jié)點(diǎn)處，采用證據(jù)組合公式進(jìn)行證據(jù)合成；
步驟四、根據(jù)證據(jù)組合結(jié)果，做出最終決策；
根據(jù)證據(jù)組合結(jié)果，若信任度值最大的命題滿足預(yù)先設(shè)定的閾值條件，則該命題為決策的目標(biāo)，否則不做決策。
2、根據(jù)權(quán)利要求1所述的一種管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)的層級(jí)式多源數(shù)據(jù)融合方法，其特征在于所述的步驟三中在簇頭節(jié)點(diǎn)處對(duì)蟻群神經(jīng)網(wǎng)絡(luò)的初始識(shí)別結(jié)果進(jìn)行證據(jù)合成，具體方法為
根據(jù)管道的泄漏級(jí)別建立完備的泄漏識(shí)別框架Θ＝{A1，A2，...，Aq}，q表示管道泄漏級(jí)別數(shù)，取自然數(shù)；設(shè)泄漏事件所屬的簇共有M個(gè)成員節(jié)點(diǎn)，得證據(jù)集{ml(·)}，l＝1，2，...，M；對(duì)于簇內(nèi)成員節(jié)點(diǎn)l上的蟻群神經(jīng)網(wǎng)絡(luò)，設(shè)其第g個(gè)輸出神經(jīng)元的值為Ol(g)，g＝1，2，...，q，該蟻群神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為αl；依據(jù)泄漏點(diǎn)至簇成員節(jié)點(diǎn)的距離來(lái)評(píng)估各證據(jù)的權(quán)重，具體方法以距離最近的簇內(nèi)成員節(jié)點(diǎn)作為基準(zhǔn)，該證據(jù)的權(quán)重為1，其它源節(jié)點(diǎn)的權(quán)重wl通過自身距離與基準(zhǔn)值間的比值來(lái)確定，具體的為
其中，1≤l≤M，δ＝min{dl}，T為權(quán)重的影響因子，取自然數(shù)，dl為節(jié)點(diǎn)l的傳感器節(jié)點(diǎn)至泄漏點(diǎn)的距離；
則第l條證據(jù)的基本概率指派函數(shù)ml(·)為
其中，Ag表示證據(jù)的焦元，l＝1，2，...，M，g＝1，2，...，q；
在簇頭節(jié)點(diǎn)處，采用下面的D-S證據(jù)合成公式進(jìn)行證據(jù)合成
其中，Klg表示證據(jù)間的沖突大小，A表示證據(jù)l和證據(jù)g組合后的焦元，B、C分別表示證據(jù)l，g的焦元，ml、mg分別表示證據(jù)l，g的基本概率指派函數(shù)。
3、根據(jù)權(quán)利要求1所述的一種管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)的層級(jí)式多源數(shù)據(jù)融合方法，其特征在于，所述的步驟四采用最大信任度函數(shù)值法做出最終決策，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(yù)先設(shè)定的閾值ε1；對(duì)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(yù)先設(shè)定的閾值ε2，其中ε1、ε2是無(wú)量綱量，取值范圍是0和1之間；若滿足，則診斷結(jié)果為信任度值最大的命題，否則將不做判斷，具體如下
設(shè)A1、A2是泄漏識(shí)別框架Θ的兩個(gè)命題集合，基本概率指派值分別為Ak表示泄露識(shí)別框架Θ中任意一個(gè)命題，若滿足
則診斷的結(jié)果為A1，否則不做決策。
全文摘要
本發(fā)明公開了一種管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)的層級(jí)式多源數(shù)據(jù)融合方法，包括在監(jiān)測(cè)網(wǎng)絡(luò)的普通節(jié)點(diǎn)處，利用小波變換對(duì)傳感器采集的各類原始泄漏檢測(cè)信號(hào)進(jìn)行數(shù)據(jù)級(jí)預(yù)處理，提取泄漏敏感的特征參量；建立基于蟻群神經(jīng)網(wǎng)絡(luò)的特征級(jí)數(shù)據(jù)融合模型，處理節(jié)點(diǎn)上各類傳感器提取的泄漏特征參數(shù)，依據(jù)蟻群神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果構(gòu)造證據(jù)的基本概率指派函數(shù)；在簇頭節(jié)點(diǎn)處，使用證據(jù)組合規(guī)則進(jìn)行證據(jù)合成，依據(jù)最大信任度值法做出最終決策。本發(fā)明提供一種從數(shù)據(jù)級(jí)、特征級(jí)到?jīng)Q策級(jí)的層級(jí)式多源泄漏檢測(cè)數(shù)據(jù)融合方法，解決了管道泄漏監(jiān)測(cè)網(wǎng)絡(luò)的多源數(shù)據(jù)處理問題；該方法利用了網(wǎng)絡(luò)內(nèi)各類傳感器采集的泄漏檢測(cè)信息，有效提高了泄漏識(shí)別的準(zhǔn)確率。
文檔編號(hào)G06K9/62GK101539241SQ20091008383
公開日2009年9月23日 申請(qǐng)日期2009年5月7日 優(yōu)先權(quán)日2009年5月7日
發(fā)明者寧 于, 斌 陳, 萬(wàn)江文, 馮仁劍, 吳銀鋒 申請(qǐng)人:北京航空航天大學(xué)