供水管道泄漏多域特征提取与融合辨识方法与流程

本发明涉及供水管道泄漏检测领域，具体涉及供水管道泄漏多域特征提取与融合辨识方法。

背景技术：

1、随着我国城市化的不断深入，城市的基础设施也逐渐成为生存和发展的坚实基础。城市供水管道作为基础设施建设的一项重要工程，关乎城市的正常运作与居民的日常生活。然而，由于供水管道的自然老化、供水管网规模的持续扩大和供水压力的逐步增长等原因，供水管道的泄漏问题日益严峻。而实现供水管道泄漏的自动化辨识，能有效节约成本，提升检漏精度，降低平均管网漏损率，提高水资源利用率，防控由于管道泄漏导致的水量损失、饮水事故、供水问题等难题，对城市供水系统的正常运作具有重要意义。

2、目前主流的方法是基于机器学习或深度学习的辨识方法，采用机器学习的话，人工特征的提取需要大量的专业知识和经验，费时费力，很多信号的高级特征也无法获取到。而采用深度学习的话，可以自动提取信号高阶特征；但是深度学习网络由于信号样本种类少等问题容易出现过拟合的情况，在一些复杂环境下，这会导致模型出现失效。

技术实现思路

1、针对现有技术存在的上述不足，本发明的目的在于提供一种供水管道泄漏多域特征提取与融合辨识方法，通过泄漏信号分别提取人工可分辨特征和深度学习特征，其中人工特征指多个维度得到的泄漏可辨识特征，深度学习特征指由任何合适的一维深度卷积网络多得到高维特征，同时利用注意力机制对二者特征进行深度融合，使网络自动聚焦于多域特征的关键信息，形成主要泄漏特征表达，使得辨识网络具有更快的收敛速度、更低的训练损失和更高的辨识准确率。此外，利用该方法不仅可以实现漏与不漏的辨识，还可以实现大漏、小漏的辨识。

2、为了解决上述技术问题，本发明采用如下技术方案：

3、供水管道泄漏多域特征提取与融合辨识方法，包括以下步骤：

4、步骤1：构建不同类型的供水管道泄漏事件信号数据集；

5、步骤2：对信号数据集中包含的泄漏信号，进行人工特征和深度特征的提取；然后，基于注意力模块对人工特征和深度特征进行融合，构建包含有人工特征提取模块、深度特征提取模块和注意力融合模块的特征融合网络辨识模型，并对其进行离线训练；

6、其中，人工特征提取模块用于提取泄漏信号中的人工特征，深度特征提取模块用于提取泄漏信号中的深度特征，注意力融合模块用于将人工特征和深度特征进行融合；

7、步骤3：利用步骤2得到的特征融合网络辨识模型对供水管道待测事件的数据信号集进行辨识，从而判断供水管道是否出现泄露事件。

8、考虑到现有技术存在的上述问题，本发明提出了将人工特征与深度特征融合使用的辨识方法，既考虑了人工特征的可靠，也考虑了深度学习特征提取的深层次的特征，综合了两种特征的优势，丰富了信号的信息，从而使模型具有更强的泛化能力。深度特征的提取可以采用任何合适的一维深度卷积网络，但常用的深度特征提取网络卷积神经网络(cnn)存在一些问题，比如在数据量较小时容易出现过拟合的问题；随着网络层数的增加，容易出现梯度弥散和性能退化的问题。而基于cnn的残差网络(resnet)，增加了重要基本单元——残差块，残差块通过跳跃连接的方式实现了中间特征的跨层连接，这种方式很好的避免了由于深度加深带来的梯度爆炸或梯度消失以及网络退化的问题，不仅加快了深度神经网络的收敛速度，而且大幅度提升了深度网络的准确率，即相较于传统的卷积神经网络cnn，resnet具有更深的网络结构、更快的收敛速度、更好的泛化能力等优势，故本发明中的深度特征提取网络主要以resnet网络为例进行说明。

9、作为一种可选的技术方案，所述步骤1具体包括以下步骤：

10、步骤1.1：利用压电加速度传感器分别吸附在漏点附近不同的采集点，采集复杂背景环境下供水管道的原始信号；

11、步骤1.2：利用偏移采样方法对单个原始信号进行扩充，信号总长为l个采样点，所需的样本长度为n个采样点，样本起点为n0，若采用偏移采样技术，下一个样本的起点不再是第n0+n+1个采样点，而是在上一个样本起点的基础上加上偏移量δn，即从第n0+δn个采样点开始；

12、步骤1.3：对扩充后的数据集，按照7：3的比例随机划分为训练集和测试集，并设置相应的标签，得到不同类型事件信号数据集，有二类别信号数据集和三类别信号数据集，其中：二类别信号数据集包括泄漏信号和不漏信号，三类别信号数据集包括大漏信号、小漏信号和不漏信号。

13、作为一种可选的技术方案，所述步骤2中，人工特征提取模块对泄漏信号数据的多域特征分析得到人工特征。

14、作为一种可选的技术方案，所述人工特征包括：谱宽参数、奇异谱值、小波包能量、ar模型系数、mfcc系数特征；

15、其中，谱宽参数通过下式计算得到：

16、式中ε为信号的谱宽参数，m0、m2、m4分别为信号的0阶、2阶、4阶谱矩；

17、奇异谱值通过如下过程获得：将一维的时间信号截取重组，构建二维的轨迹矩阵，对轨迹矩阵进行奇异值分解，选取前r个奇异值作为原始信号的有用成分代表信号的奇异值特征，后d-r个奇异值作为噪声被舍弃，且r<d。其中d为轨迹矩阵的非零奇异值数目，r主要根据奇异值的贡献率来确定，通过比较前r个子矩阵的贡献率之和同预先设定的阈值的大小，得到满足阈值的子矩阵个数。

18、小波包能量通过如下过程获得：先选取小波基，然后设定分解层数，再构建n层的小波树，提取最后一层各节点的能量，作为信号的小波包能量特征；

19、ar模型系数通过如下过程获得：由模型的差分方程推导信号的自相关函数得到yule-walk方程，yule-walk方程如下所示：

20、式中rxx(m)为信号的自相关函数，ak为信号的ar模型参数，p为模型阶数；

21、利用levinson-durbin算法求解y-w方程得到信号的ar模型系数，levinson-durbin算法递推通式如下所示：

22、am(k)＝am-1(k)+am(m)am-1(m-k),k＝1,2,…,m-1，式中，am(k)为预测系数，am(m)为反射系数。

23、mfcc系数特征通过下式计算获得：

24、式中c(n)为信号的mfcc系数，s(m)为每个滤波器输出信号能量的对数，m为三角带通滤波器的个数，l为mfcc系数的阶数。

25、作为一种可选的技术方案，在步骤2中，所述深度特征提取模块的构成包括卷积层c1、relu层、池化层p1、残差块r1、卷积层c2、relu层、池化层p2、残差块r2；

26、其中，深度特征模块处理过程具体实现为：供水管道泄漏事件中的信号频谱作为网络的输入信号，然后依次通过卷积层c1、relu层、池化层p1、残差块r1、卷积层c2、relu层、池化层p2、残差块r2进行处理后，残差块r2的输出信号为泄漏信号的深度特征。

27、作为一种可选的技术方案，所述步骤2中，将得到的人工特征和深度特征输入到aff模块进行特征融合，aff模块的输出依次通过两层全连接层后，利用softmax方法得到最终分类结果。

28、作为一种可选的技术方案，所述步骤2具体包括以下步骤：

29、步骤3.1：将提取得到的人工特征和深度特征输入到注意力模块进行融合，构建基于注意力模块的融合网络模型，并设置网络初始化参数；

30、步骤3.2：训练基于注意力模块的融合网络模型并进行参数更新和网络调优，若迭代结束，保存结果最好的模型作为最终的供水管道泄漏事件辨识模型；否则，跳转至步骤3.2。

31、作为一种可选的技术方案，所述步骤3.2具体包括以下步骤：

32、步骤3.2.1：初始化所述基于注意力模块的融合网络模型，包括矩阵权重和偏置；

33、步骤3.2.2：将所述训练集中的样本信号，经过快速傅里叶变换，将信号频谱输入到所述基于注意力模块的融合网络模型，经过前向传播得到所述信号样本的预测标签；

34、步骤3.2.3：根据设定的目标函数和得到的预测标签计算反向传播误差，利用该误差进行整个网络参数更新和调优。

35、作为一种可选的技术方案，所述步骤3.2.2中，注意力模块采用aff模块，具体实现为：将深度特征设为x，人工特征设为y；深度特征和人工特征分别进行一个相应的卷积操作，使两者具有相同的维度，设卷积操作后的深度特征为x'，人工特征为y'；然后将深度特征x'和人工特征y'相加后分别求取局部的注意力特征和全局的注意力特征；设输入特征为c，则相应的局部注意力特征和全局注意力特征计算过程如下：

36、l(c)＝b(conv2(δ(b(conv1(c)))))，

37、g(c)＝b(conv2(δ(b(conv1(avg(c))))))，

38、其中，l(c)为局部注意力特征，g(c)为全局注意力特征，conv1为卷积操作，卷积大小为1×1，b表示batchnorm层，δ表示relu激活函数，avg表示平均池化操作；则深度特征x'和人工特征y'求取局部注意力特征和全局注意力特征并将两者相加后通过sigmod函数的结果m如下所示：

39、

40、其中，δ'表示sigmod激活函数；

41、深度特征x'和人工特征y'经过注意力融合模块之后的混合特征记为z，其结果如下：

42、

43、作为一种可选的技术方案，所述步骤3.2.3具体包括以下步骤：

44、步骤3.2.3.1：利用交叉信息熵损失函数计算所述预测标签与真实标签的损失值，损失值l计算公式如下：

45、

46、其中：x表示样本，n表示样本总数，a表示样本预测标签，y表示样本真实标签；

47、步骤3.2.3.2：利用所述损失值反向计算所述基于注意力模块的融合网络模型的参数梯度，利用所述参数梯度更新该网络模型；采用adam算法进行优化；

48、步骤3.2.3.3：用模型参数θ更新基于注意力模块的融合网络模型后，利用训练损失值判断更新后的网络模型是否收敛，若收敛，保存结果最好的模型作为最终的事件辨识模型；否则，跳转至步骤3.2。

49、与现有技术相比，本发明具有如下有益效果：

50、1、本发明在供水管道泄漏检测中提出了将人工特征和深度特征同步提取与融合的思路，增加了信息提取的丰富程度，同时避免单纯依赖人工特征时信息提取不全面和单纯依赖深度网络时容易过拟合的风险，有效提高了泄漏检测辨识的准确度和算法泛化能力。

51、2、本发明方法将注意力模块运用到了人工特征和深度特征的融合网络上，使泄漏辨识模型能够自动聚焦于事件信号的关键信息部分，形成泄漏信号的强有力表征，可以在加快网络收敛速度的同时提高泄漏事件辨识率。

52、3、本发明方法使用端对端网络来实现人工特征和深度特征的融合，通过网络更新自动调整融合的高维特征关键信息注意方式，相比于单纯拼接等其他传统融合手段，整个网络的可移植性更强。

53、4、利用本发明所述方法不仅可以实现漏与不漏的智能辨识，还可以实现大漏、小漏等不同泄漏状况的精准辨识。