一种管网大数据检测系统

1.本发明涉及管网安全自动化检测装备的技术领域，具体涉及一种管网大数据检测系统。


背景技术：

2.城市的地下管线担负着城市的信息传递、能源输送、排涝减灾、废物排弃的功能，是城市赖以生存和发展的物质基础，它就像人体内的“血管”和“神经”，因此，被人们称为城市的“生命线”。城市的地下管线系统能否安全运行直接影响到城市功能能否正常运转，尤其是易燃易爆的燃气管网，其能否安全运行关乎人民的生命财产安全。随着世界城市化进程的加速，城市地下管线建设发展非常迅猛，随之而来的地下管线管理方面的问题也越来越多，突发紧急事件频繁发生。管线是市政公用事业城市的重要的基础设施之一，是现代城镇的重要基础设施，与经济社会发展和人民生活息息相关，一旦管道设施发生泄漏，极易发生灾害、爆炸及中毒事故，使国家和人民生命财产遭受损失。发明一种管网大数据处理检测系统对管网进行监测、信息传输、数据分析以及决策预警等方面的检测系统，并对提高城市管网的高效与安全运行有十分重要的作用。


技术实现要素：

3.本发明提供了一种管网大数据检测系统，本发明有效解决了现有管网没有根据管网参数变化的非线性、大滞后和管网面积大参数变化复杂等对管网安全的影响，也没有对管网参数进行预测和对管网安全进行预警，从而极大的影响管网的可靠运行和智能化管理问题。
4.本发明通过以下技术方案实现：
5.一种管网大数据检测系统由管网参数采集平台和管网安全大数据处理子系统两部分组成，管网参数采集平台包括测节点、网关节点、现场监控端、云平台和移动端app，实现对管网参数检测；管网安全大数据处理子系统包括参数测量传感器、多个参数检测模型、3个检测参数融合模型和管网安全等级分类器，实现对管网安全进行预测，提高管网运行的效益和效率。
6.本发明进一步技术改进方案是：
7.管网参数采集平台包括管网参数的多个检测节点、网关节点、现场监控端、云平台和移动端app组成，检测节点和网关节点以自组织方式构建成无线测控网络来实现检测节点和网关节点之间的无线通信；检测节点将检测的管网参数通过网关节点的rs232接口发送给现场监控端并对管网参数进行处理；网关节点通过nb
‑
iot模块与云平台之间和云平台通过5g网络与移动端app之间实现管网参数信息的双向传输，网关节点与现场监控端之间通过rs232接口实现管网信息的双向传输。管网参数采集平台结构见图1所示。
8.本发明进一步技术改进方案是：管网安全大数据处理子系统包括参数测量传感器、多个参数检测模型、3个检测参数融合模型和管网安全等级分类器，参数测量传感器包
括压力传感器、流量传感器和流速传感器，参数测量传感器输出作为参数检测模型输入，多个参数检测模型输出的多个压力梯形模糊数、多个流量梯形模糊数和多个流速梯形模糊数分别是3个对应的检测参数融合模型的输入，3个检测参数融合模型输出的压力梯形模糊数融合值、流量梯形模糊数融合值和流速梯形模糊数融合值分别是管网安全等级分类器的3个对应的按拍延迟线tdl输入，管网安全等级分类器输出的梯形模糊数代表管网安全等级值；管网安全大数据处理子系统见图2。
9.本发明进一步技术改进方案是：
10.参数检测模型由3个按拍延迟线tdl(tapped delay line)、3个flnn函数型连接神经网络模型、多个微分回路、多个t
‑
s模糊神经网络模型、gmdh神经网络模型和3个lstm神经网络模型组成，由2个微分算子d相串联构成1个微分回路，每个微分回路的2个微分算子连接端和每个微分回路的输出分别作为gmdh神经网络模型的对应的2个输入；参数检测传感器的输出分别作为3个对应的按拍延迟线tdl的输入，3个按拍延迟线tdl输出的一段时间的压力传感器值、流量传感器值、流速传感器值分别作为3个对应的flnn函数型连接神经网络模型的输入，3个flnn函数型连接神经网络模型输出分别作为多个t
‑
s模糊神经网络模型的输入，每个t
‑
s模糊神经网络模型输出作为对应的1个微分回路的输入和gmdh神经网络模型的1个对应的输入，gmdh神经网络模型输出的3个梯形模糊数分别代表一段时间压力传感器值、流量传感器值、流速传感器值大小的梯形模糊数，3个梯形模糊数分别为压力梯形模糊数、流量梯形模糊数和流速梯形模糊数，3个梯形模糊数分别作为对应的3个lstm神经网络模型的输入，3个lstm神经网络模型的输出分别为压力梯形模糊数、流量梯形模糊数和流速梯形模糊数的预测值，其中1个梯形模糊数表示为[a，b，c，d]，a、b、c和d分别代表1种测量传感器输出的最小值、极小值、极大值和最大值，由[a，b，c，d]构成在一段时间内1种测量传感器的梯形模糊数值，3个lstm神经网络模型输出为参数检测模型的输出。
[0011]
本发明进一步技术改进方案是：
[0012]
检测参数融合模型
[0013]
一段时间多个参数检测模型输出的参数测量传感器的梯形模糊数值构成参数测量传感器的时间序列梯形模糊数值阵列，同一时刻所有参数测量传感器的梯形模糊数值的平均值构成时间序列参数测量传感器的梯形模糊数阵列的正理想值，同一时刻所有参数测量传感器的梯形模糊数值与正理想值距离最大的梯形模糊数值构成时间序列参数测量传感器的梯形模糊数阵列的负理想值，每个参数测量传感器的时间序列梯形模糊数值的负理想值距离除以该参数测量传感器的时间序列梯形模糊数值的负理想值距离与该参数测量传感器的时间序列梯形模糊数值的正理想值距离的和得到的商为该参数测量传感器的时间序列梯形模糊数值的距离相对贴近度，每个参数测量传感器的时间序列梯形模糊数值的距离相对贴近度除以所有参数测量传感器的时间序列梯形模糊数值的距离相对贴近度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的距离融合权重；
[0014]
每个参数测量传感器的时间序列梯形模糊数值的正灰色关联度除以该参数测量传感器的时间序列梯形模糊数值的正灰色关联度与该参数测量传感器的时间序列梯形模糊数值的负灰色关联度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度；每个参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度除以所有参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度的和得
到的商为该参数测量传感器的时间序列梯形模糊数值的灰色关联度融合权重；
[0015]
每个参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重分别构成均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重，由均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重按照从小到大排序组成该参数测量传感器的时间序列梯形模糊数值的梯形模糊数融合权重，每个参数测量传感器的时间序列梯形模糊数值与该参数测量传感器的时间序列梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有参数测量传感器的时间序列梯形模糊数融合值；
[0016]
每个参数测量传感器的时间序列梯形模糊数值的负理想值的特征为该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值的距离，每个参数测量传感器的时间序列梯形模糊数值的正理想值距离的特征为该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的距离；
[0017]
每个参数测量传感器的时间序列梯形模糊数值的正灰色关联度的特征为该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的灰色关联度，参数测量传感器的时间序列梯形模糊数值的负灰色关联度的特征为该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感的梯形模糊数阵列的负理想值的灰色关联度；
[0018]
乘积组合权重的特征为每个参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该参数测量传感器的时间序列梯形模糊数值融合的乘积组合权重。
[0019]
本发明进一步技术改进方案是：
[0020]
管网安全等级分类器由3按拍延迟线tdl(tapped delay line)、3个自联想神经网络模型和动态递归小波神经网络分类器组成，3个检测参数融合模型输出的压力梯形模糊数、流量梯形模糊数和流速梯形模糊数的融合值分别是管网安全等级分类器的3个对应的按拍延迟线tdl的输入，3个按拍延迟线tdl输出一段时间的压力梯形模糊数、流量梯形模糊数和流速梯形模糊数的融合值分别是3个对应的自联想神经网络模型的输入，3个自联想神经网络模型输出的压力梯形模糊数、流量梯形模糊数和流速梯形模糊数作为动态递归小波神经网络分类器的输入，动态递归小波神经网络分类器输出的梯形模糊数代表管网安全等级值；根据管网安全的工程实践和国家管网安全控制标准，动态递归小波神经网络分类器把管网安全分为一般安全、比较安全、很安全、不安全和很不安全对应不同的5个不同的梯形模糊数，构建5个梯形模糊数与管网安全的5种程度等级的对应关系表，计算动态递归小波神经网络分类器输出的梯形模糊数输出的梯形模糊数与代表5种安全等级的5个梯形数的相似度，其中相似度最大的梯形模糊数对应的管网安全等级确定为该管网安全等级。
[0021]
本发明与现有技术相比，具有以下明显优点：
[0022]
一、本发明flnn函数连接神经网络模型由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，flnn函数连接神经网络模型的网络计算量更小，训练速度更快。可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展管网安全的检测参数输入变量，可提高flnn函数连接神经网络模型的网络分辨能
力，提高本发明检测管网安全压力、流量和流速的准确性。
[0023]
二、本发明gmdh神经网络模型具有如下两个基本思想:以分析黑箱的方法处理系统管网压力、流量和流速参数的输入输出关系，用网络间元素的互联关系描述网络的功能，gm dh神经网络模型的构建过程主要是一个不断产生活动神经元，由外部准则对神经元进行筛选，筛选得到的神经元强强结合再产生下一层神经元，直至具有最佳复杂性的模型被选出的这样一个过程。
①
能得到明确函数解析式表达的模型结果，自组织gmdh神经网络模型综合了神经网络和统计建模的思想，能够给出函数式表达的结果，甚至是其它建模方法难以达到的多变量高次回归方程；
②
建模过程自组织控制和不需任何初始假设，gmdh神经网络模型则允许上百的输入变量，再以大量的变量逐层产生大量待选模型，算法根据数据驱动找寻对被解释变量有实质影响的输入项，自组织生成最优网络结构，尽量减少建模者主观因素的影响；
③
最优复杂性及高精度预测，gmdh神经网络模型的最优复杂特性保证了其能从近似的、不确定的，甚至是相互矛盾的知识环境中做出决策，也因其同时避免了模型结构的过拟合和不足拟合，gmdh神经网络模型更加接近管网压力、流量和流速参数变化系统的真实情况，从而管网压力、流量和流速参数具有更高的预测可靠性。
[0024]
三、本发明管网压力、流量和流速参数存在非线性、大滞后和动态变化复杂等特点，在测量管网压力、流量和流速参数传感器很容易受到干扰，所以管网压力、流量和流速参数测量中常常包含较大的噪声。另一方面，管网压力、流量和流速参数多于其独立变量的数量，即在这些测量参数中存在冗余信息。自联想神经网络模型通过对管网压力、流量和流速参数信息的压缩及解压缩过程，能够利用冗余信息抑制其测量噪声。在管网安全大数据处理过程中，应用自联想神经网络模型对测量管网压力、流量和流速参数进行预处理，可以大大提高管网压力、流量和流速参数的准确率。
[0025]
四、本发明lstm神经网络模型类似于标准的含有递归隐藏层的网络，仅有的变化是使用记忆模块代替原有的隐藏层单元，通过记忆细胞内部状态的自反馈和输入输出对误差的截断，解决梯度消失和激增的问题，相对于bp神经网络和普通的rnn，lstm增加了1个状态单元c和3个控制门，就大大增加了模型的特征包含能力和记忆能力，避免了欠拟合和梯度消失。lstm的功能旨在发现管网压力、流量和流速测量数据中存在的相关关系，记住这种关系以及这种关系在时间上的变化，从而得到更准确的结果。lstm神经网络模型实现的管网压力、流量和流速梯形模糊数的预测，提高管网检测梯形模糊数预测的精确度。
[0026]
五、本发明lstm神经网络模型具有与标准rnn类似的链状重复网络结构，标准rnn中的重复网络非常简单，而lstm神经网络模型中的重复网络具有4个交互层，包括3个门层和1个tanh层。处理器状态是lstm神经网络模型中的关键变量，它携带着先前步骤的信息，并逐步穿过整个lstm神经网络模型。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。
[0027]
六、本发明lstm神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从管网压力、流量和流速的梯形模糊数序列数据中提取信息，还能够保留来自于先前较远步骤的具有长期相关性的信息。管网压力、流量和流速的梯形模糊数数据是序列数据，其变化趋势富有含义。此外，由于管网压力、流量
和流速的梯形模糊数的采样间隔相对较小，管网压力、流量和流速的梯形模糊数存在长期空间相关性，而lstm神经网络模型有足够的长期记忆来处理这种问题。
[0028]
七、本发明管网安全等级分类的科学性和可靠性，采用动态递归小波神经网络分类器给管网安全等级分类，根据管网安全控制的工程实践经验，通过动态递归小波神经网络分类器将影响管网安全的压力、流量和流速对管网安全影响的大小动态量化为安全等级，通过梯形模糊数将管网安全分为五种情况，把管网5种安全等级分别为一般安全、比较安全、很安全、不安全和很不安全对应5个不同的梯形模糊数，计算动态递归小波神经网络分类器输出的梯形模糊数与代表5种安全等级的5个梯形模糊数的相似度，其中相似度的梯形模糊数对应的安全等级确定为该管网安全等级，实现对管网安全等级分类的动态性能和科学分类。
[0029]
九、本发明由于通过多个微分回路联引入管网参数参数预测值的一次和二次变化率，在非线性参数的时间序列预测中应用gmdh神经网络模型根据被检测参数的预测值以及变化率的影响把被检测参数转换为梯形模糊数具有更好的预测精度和自适应能力，提高gmdh神经网络模型的泛化能力。
附图说明
[0030]
图1为本发明的管网参数采集平台；
[0031]
图2为本发明的管网安全大数据处理子系统；
[0032]
图3为本发明的检测参数模型；
[0033]
图4为本发明的管网安全等级分类器；
[0034]
图5为本发明的检测节点；
[0035]
图6为本发明的网关节点；
[0036]
图7为本发明的现场监控端软件。
具体实施方式
[0037]
结合附图1
‑
7，对本发明技术方案作进一步描述：
[0038]
一、系统总体功能的设计
[0039]
本发明实现对管网参数进行检测和管网安全进行分类，该系统由由管网参数采集平台和管网安全大数据处理子系统两部分组成。管网参数采集平台包括管网参数的检测节点、网关节点、现场监控端、云平台和移动端app组成，检测节点和网关节点以自组织方式构建成无线测控网络来实现检测节点和网关节点之间的无线通信；检测节点将检测的管网参数通过网关节点的rs232接口发送给现场监控端并对传感器数据进行初步处理；网关节点通过nb
‑
iot模块与云平台之间和云平台通过5g网络与移动端app之间实现管网参数信息的双向传输，网关节点与现场监控端之间通过rs232接口实现管网信息的双向传输。管网参数采集平台结构见图1所示。
[0040]
二、检测节点的设计
[0041]
采用大量自组织网络的检测节点作为管网参数感知终端，检测节点和网关节点之间通过cc2530构建的自组织网络进行信息双向传输。检测节点包括采集管网压力、管网流量和管网流速的传感器和对应的信号调理电路、msp430微处理器和cc2530无线传输模块；
检测节点的软件主要实现自组织通信和管网参数的采集与预处理。软件采用c语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图5。
[0042]
三、网关节点设计
[0043]
网关节点包括cc2530模块、nb
‑
iot模块、msp430单片机和rs232接口，网关节点包括cc2530模块实现与检测节点和网关节点之间的自组织通信网络，nb
‑
iot模块实现网关节点与云平台之间的数据双向交互，rs232接口连接现场监控端实现网关节点与现场监控端之间的信息交互。
[0044]
四、现场监控端软件
[0045]
现场监控端是一台工业控制计算机，现场监控端主要实现对管网参数进行采集和管网安全分类，实现与网关节点之间信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和管网安全大数据处理子系统。管网安全大数据处理子系统包括参数测量传感器、多个参数检测模型、3个检测参数融合模型和管网安全等级分类器。管网安全大数据处理子系统结构见图2。该管理软件选择了microsoft visual++6.0作为开发工具，调用系统的mscomm通信控件来设计通讯程序，现场监控端软件功能见图7。管网安全大数据处理子系统的设计如下：
[0046]
1、参数检测模型设计
[0047]
参数检测模型由3个按拍延迟线tdl(tapped delay line)、3个flnn函数型连接神经网络模型、多个微分回路、多个t
‑
s模糊神经网络模型、gmdh神经网络模型和3个lstm神经网络模型组成，参数测量传感器的输出作为参数检测模型的输入，由2个微分算子d相串联构成1个微分回路，每个微分回路的2个微分算子连接端和每个微分回路的输出分别作为gmdh神经网络模型的2个对应输入；flnn函数型连接神经网络模型、t
‑
s模糊神经网络模型、gmdh神经网络模型和lstm神经网络模型设计过程如下：
[0048]
a、flnn函数型连接神经网络模型设计
[0049]
flnn函数型连接神经网络模型在一个函数型神经网络中，函数型连接的作用是将管网压力、流量和流速输入模式的每个分量乘以整个模式向量，其结果是产生一个原始模式向量的张积。函数连接型神经网络(flnn)通过对输入模式预先进行非线性扩展，在网络中引入“高阶”项，通过对管网压力、流量和流速输入模式的非线性扩展，将输入模式映射到一个更大的模式空间，增强了管网压力、流量和流速输入信号的模式表达，大大简化了网络结构。虽然管网压力、流量和流速的输入信息并没有增多，但模式的增强带来了网络结构的简化和学习速度的提高，用单层网络就可以实现“监督”学习，相对于多层前向神经网络具有很大的优势。用单层网络实现监督学习，这个求解过程可由下述自适应监督学习算法完成。flnn函数型连接神经网络模型的学习算法可由下式表示：
[0050][0051]
权值调整：
[0052]
[0053]
其中：f
i
(k)、e
i
(k)和w
n
(k)分别为第i个输入模式的期望输出、估计输出、误差和函数型网络在第k步的第n个连接权；α为学习因子，影响稳定性和收敛速度。flnn函数连接神经网络采用函数扩展的方式，对原始管网压力、流量和流速输入进行扩展，使原始管网压力、流量和流速输入转化到另外一个空间，将增强后的模式作为网络输入层的输入，通过这种方法来更好地处理非线性问题；该神经网络由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，该网络计算量更小，训练速度更快。可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展管网压力、流量和流速输入变量可提高网络的分辨能力。
[0054]
b、t
‑
s模糊神经网络模型设计
[0055]
(1)、前件网络。第1层为输入层，该层的节点数为n。第2层为模糊化层，对管网压力、流量和流速预测值输入数据进行模糊化，各神经元执行相应的隶属度函数第3层为模糊规则层。第4层的结点数为m，该层实现归一化计算。
[0056]
(2)、后件网络。第1层是输入层，其中第0个节点的输入值x0＝1，它的作用是提供模糊规则后件的常数项。第2层有m个节点，它的作用是计算每一条规则后件：
[0057][0058]
第3层计算系统输出：
[0059][0060]
通过网络学习算法调整第2层的隶属度函数的中心值c
j
和宽度b
j
以及后件网络的连接权p
jk
，为了简化起见，将参数p
jk
固定，这时每条规则的后件在简化结构中变成了一层的连接权。该简化结构与常规模型的t
‑
s模糊神经网络模型具有完全相同的结构，可套用常规模型计算结果。
[0061]
c、lstm神经网络模型设计
[0062]
lstm神经网络模型由长短期记忆(lstm)单元组成的时间递归神经网络(rnn)称为lstm时间递归神经网络，通常也被称为lstm网络。lstm神经网络模型引入了记忆单元(memory cell)和隐藏层状态(cell state)的机制来控制隐藏层之间的信息传递。一个lstm神经网络的记忆单元内有3个门(gates)计算结构分别是输入门(input gate)、遗忘门(forget gate)和输出门(output gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(lstm)结构单元由单元(cell)，输入门(input gate)，输出门(output gate)和忘记门(forget gate)组成。单元负责在任意时间间隔内记住值，三个门均可以被认为是传统的人工神经元，用于计算激活函数的加权总和。lstm神经网络模型是可以持续较长时间短期记忆的模型，适合用于分类，预测时间序列等工作，lstm有效防止了rnn训练时的梯度消失，长短期记忆(lstm)网络是一种特殊的rnn。该模型可以学习长期的依赖信息，同时避免梯度消失问题。lstm在神经元内部结构rnn的隐藏层的神经节点中，增加了一种被称为记忆单元(memory cell)的结构用来记忆过去的信息，
并增加了三种门(input、forget、output)结构来控制历史信息的使用。设输入管网压力、流量和流速的梯形模糊数序列为(x1,x2,
…
,x
t
)，隐含层状态为(h1,h2,
…
,h
t
)，则t时刻有：
[0063]
i
t
＝sigmoid(w
hi
h
t
‑1+w
xi
x
t
)
ꢀꢀꢀꢀ
(5)
[0064]
f
t
＝sigmoid(w
hf
h
t
‑1+w
hf
x
t
)
ꢀꢀꢀꢀ
(6)
[0065]
c
t
＝f
t
⊙
c
t
‑1+i
t
⊙
tanh(w
hc
h
t
‑1+w
xc
x
t
) (7)
[0066]
o
t
＝sigmoid(w
ho
h
t
‑1+w
hx
x
t
+w
co
c
t
)
ꢀꢀꢀꢀ
(8)
[0067]
h
t
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀ
(9)
[0068]
其中i
t
、f
t
、o
t
代表input门、forget门和output门，c
t
代表cell单元，wh代表递归连接的权重，wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的时间递归神经网络模型来对管网压力、流量和流速梯形模糊数进行预测，该方法首先建立lstm时间递归神经网络模型，利用预处理的管网压力、流量和流速梯形模糊数数据建立训练集并对模型进行训练，lstm神经网络模型考虑了管网压力、流量和流速梯形模糊数数据的时序性和非线性，具有较高的预测精度。
[0069]
d、gmdh神经网络模型设计
[0070]
t
‑
s模糊神经网络模型输出分别作为对应的每个微分回路的输入和gmdh神经网络模型的1个对应输入，gmdh神经网络模型的输出为代表一段时间管网压力传感器、流量传感器、流速传感器值大小的梯形模糊数，gmdh神经网络模型(gmdh)是一种自组织数据挖掘的算法，若该gmdh神经网络模型有m个输入变量x1,x2,
…
,x
m
和输出为y。gmdh的目的就是要建立起输入与输出关系的系数待定和形式已知的函数关系f，可以通过应用用volterra级数展开的多项式去逼近f：
[0071][0072]
gmdh神经网络模型主要用于处理小样本数据，通过自动寻找样本中各变量之间的相关性构建管网压力、流量和流速预测模型。首先根据参考函数的初始模型产生第一代中间候选模型，然后从第一代中间候选模型中筛选出若干项加上计算法则生成第二代中间候选模型，重复此过程直得出最优管网压力、流量和流速预测模型为止，因此gmdh神经网络模型能够根据自变量自适应的建立一个对因变量有解释能力的高阶多项式模型。设r
j
为第j层最大神经元数量，x
kl
为第l个输入样本的第k维，y
jkl
为网络第j层中第k个神经元对第l个输入样本额预测值，r
2jk
为网络第j层中第k个神经元的阀值均方根，y为网络的预测值。gmdh神经网络模型采用自适应多层迭代的方法构建网络结构，通过最小偏差准则选择网络最优模型，并构建出基于kolmogorov－gabor多项式的输入和输出之间非线性映射。数据预处理将数据集划分为训练集和测试集；对输入量配对，并辨识得出局部多项式模型，从而生成竞争模型集，计算选择准则值作为下一层输入，直至选出最优复杂度模型为止。gmdh神经网络模型的学习进化过程如下：
①
设定网络各层最大神经元数量r
j
和网络的初始变量个数d0，选择网络最小偏差准则。
②
根据输入数据维数构建只包含第1层神经元的初始网络。
③
依次计算每个神经元的阀值均方根对于网络第j层，从大到小排序取前r
j
个做为被选中神经元加以保留，其余做为未被选中的神经元。对于被选中的神经元，找出最小并与上
一层最小进行比较，如果小于则执行步骤
④
，否则执行步骤
⑤
。
④
根据当前被选中的神经元产生下一层神经元。
⑤
网络构建完毕。
[0073]
2、检测参数融合模型设计
[0074]
①
、构建参数测量传感器的时间序列梯形模糊数值阵列
[0075]
一段时间多个参数测量传感器的参数检测模型输出的梯形模糊数值构成参数测量传感器的时间序列梯形模糊数值阵列，设有n个参数测量传感器和m个时刻的nm个参数测量传感器的梯形模糊数值构成n行和m列的参数测量传感器的时间序列梯形模糊数阵列，设不同时刻同一参数测量传感器的梯形模糊数值为a
ij
(t),a
ij
(t+1),
…
,a
ij
(m)，则所有参数测量传感器的时间序列梯形模糊数阵列为：
[0076][0077]
②
、计算参数测量传感器的时间序列梯形模糊数值的距离融合权重
[0078]
同一时刻所有参数测量传感器的梯形模糊数值的平均值构成时间序列参数测量传感器的梯形模糊数阵列的正理想值，时间序列参数测量传感器的梯形模糊数阵列的正理想值为：
[0079]
同一时刻所有参数测量传感器的梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值距离最大的梯形模糊数值构成时间序列参数测量传感器的梯形模糊数阵列的负理想值，时间序列参数测量传感器的梯形模糊数阵列的负理想值为：
[0080][0081]
参数测量传感器的时间序列梯形模糊数值的正理想值距离是每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值距离为：
[0082][0083]
每个参数测量传感器的时间序列梯形模糊数值的负理想值距离是每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值距离为：
[0084][0085]
每个参数测量传感器的时间序列梯形模糊数值的负理想值距离除以该参数测量传感器的时间序列梯形模糊数值的负理想值距离与该参数测量传感器的时间序列梯形模糊数值的正理想值距离的和得到的商为每个参数测量传感器的时间序列梯形模糊数值距离的相对贴近度，公式为：
[0086][0087]
通过(16)公式计算可以知道，每个参数测量传感器的时间序列梯形模糊数值距离的相对贴近度越大，则该参数测量传感器的时间序列梯形模糊数值离正理想值的相对距离就越接近，否则该参数测量传感器的时间序列梯形模糊数值离正理想值的相对距离就越远，根据这个原理确定每个参数测量传感器的时间序列梯形模糊数值距离的相对贴近度除以所有参数测量传感器的时间序列梯形模糊数值距离的相对贴近度的和得到的商为每个参数测量传感器的时间序列梯形模糊数值的距离融合权重为：
[0088][0089]
③
、计算参数测量传感器的时间序列梯形模糊数值的灰色关联度融合权重
[0090]
每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的灰色关联度为：
[0091][0092]
通过计算每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的灰色关联度，可以构建每个参数测量传感器的时间序列梯形模糊数值的灰色关联度矩阵：
[0093][0094]
根据公式(19)可以得到每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度，如下公式所示：
[0095][0096]
同理，每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值的灰色关联度为，定义如下公式：
[0097][0098]
同理，通过计算每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值的灰色关联度，可以构建每个参数测量传感器的时间序列梯形模糊数值的灰色关联度矩阵：
[0099][0100]
根据公式(22)可以得到每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值之间的灰色关联度，如下公式所示：
[0101][0102]
每个参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度除以该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度相加该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的负理想值之间的灰色关联度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度为：
[0103][0104]
通过(24)公式计算可以知道，每个参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度越大，则该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的形状相似度相差就越小，否则该参数测量传感器的时间序列梯形模糊数值与时间序列参数测量传感器的梯形模糊数阵列的正理想值的形状相似度相差就越大，根据这个原理确定每个参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度除以所有参数测量传感器的时间序列梯形模糊数值的灰色关联度相对贴近度的和得到的商为该参数测量传感器的时间序列梯形模糊数值的灰色关联度融合权重为：
[0105][0106]
④
、计算多个参数测量传感器的时间序列梯形模糊数值的融合值
[0107]
根据每个参数测量传感器的时间序列梯形模糊数值的距离融合权重α
i
和灰色关联度融合权重β
i
，求取均方根组合权重γ
i
，显然γ
i
与α
i
、β
i
和都应尽可能接近，根据最小相对信息熵原理有：
[0108][0109]
用拉格朗日乘子法解上述优化问题得：
[0110][0111]
根据公式(27)可以知每个参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根占所有参数测量传感器的时间序列梯形模糊数
值的距离融合权重和灰色关联度融合权重乘积的均方根和的比为该参数测量传感器的时间序列梯形模糊数值融合的均方根组合权重。
[0112]
单独运用一种方法得到参数测量传感器数据融合权重均会导致结果存在一定的局限性，本专利运用博弈论的方法将不同参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重进行综合集成，该方法主要是为了缩小不同方法得到的各个基本权重与最终得到的组合权重之间的偏差，使得各个方法所确定的权重在相互竞争的关系中比较协调，进而寻求比较均衡的结果，保证所确定的指标组合权重更加科学合理。为了使得到的组合权重更具有科学性和客观性，可使用l种不同的方法对各指标进行赋权，这样可以构造一个基本的权重集，使用l种方法对指标进行赋权，由此构造一个基本的权重集u
i
＝{u
i1
,u
i2
,
…
,u
in
},i＝1,2,
…
,l，我们记这l个向量的任意线性组合为：
[0113][0114]
为了在可能的权重向量u中找到最满意的我们将l个线性组合系数λ
k
进行优化，使得u与各个uk的离差极小化。这样便导出了下面的对策模型：
[0115][0116]
根据矩阵的微分性质可知，式(29)的最优化一阶导数条件为可转化为线性方程组并运用mathmatica计算，求得(λ1,λ2,
…
λ
l
)后归一化处理，代入(28)式，得到博弈论组合权重：
[0117][0118]
根据参数测量传感器的时间序列梯形模糊数值的距离融合权重α
i
和灰色关联度融合权重β
i
进行线性组合得到该参数测量传感器的时间序列梯形模糊数值融合的线性组合权重θ
i
，公式为：
[0119]
θ
i
＝αα
i
+ββ
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(31)
[0120]
根据每个参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有参数测量传感器的时间序列梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该参数测量传感器的时间序列梯形模糊数值融合的乘积组合权重，公式为：
[0121][0122]
根据公式(27)、(30)、(31)和公式(32)得到该参数测量传感器的时间序列梯形模糊数值融合的梯形模糊数融合权重为w
i
：
[0123]
w
i
＝[min(θ
i
,γ
i
,ν
i
,σ
i
),κ
i
,ο
i
,max(θ
i
,γ
i
,ν
i
,σ
i
)]
ꢀꢀꢀꢀꢀ
(33)
[0124]
其中κ
i
，ο
i
分别为4个组合权重θ
i
，γi，νi，σ
i
中从大到小排序的第3个数和第2个数。
[0125]
从公式(33)可以知每个参数测量传感器的时间序列梯形模糊数值的均方根组合
权重、博弈论组合权重、线性组合权重和乘积组合权重按照从小到大排序组成该参数测量传感器的时间序列梯形模糊数值的梯形模糊数融合权重。根据同一时刻每个参数测量传感器的时间序列梯形模糊数值与该参数测量传感器的时间序列梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有参数测量传感器的时间序列梯形模糊数融合值为：
[0126][0127]
3、管网安全等级分类器设计
[0128]
管网安全等级分类器由3按拍延迟线tdl(tapped delay line)、3个自联想神经网络模型和动态递归小波神经网络分类器组成，3个检测参数融合模型输出的压力梯形模糊数、流量梯形模糊数和流速梯形模糊数的融合值分别是管网安全等级分类器的3个对应的按拍延迟线tdl的输入，3个按拍延迟线tdl输出一段时间的压力梯形模糊数、流量梯形模糊数和流速梯形模糊数的融合值分别是3个对应的自联想神经网络模型的输入，3个自联想神经网络模型输出的梯形模糊数作为动态递归小波神经网络分类器的输入，动态递归小波神经网络分类器输出的梯形模糊数代表管网安全等级值。
[0129]
a、自联想神经网络模型设计
[0130]
本发明的3个检测参数融合模型输出的压力梯形模糊数、流量梯形模糊数和流速梯形模糊数作为3个对应的按拍延迟线tdl的输入，3个按拍延迟线tdl输出一段时间的压力梯形模糊数、流量梯形模糊数和流速梯形模糊数作为对应的自联想神经网络模型的输入，该自联想神经网络模型输出的梯形模糊数代表对一段时间检测参数融合模型输出的压力梯形模糊数、流量梯形模糊数和流速梯形模糊数的融合。自联想神经网络模型(auto
‑
associative neural networ，aann)，一种特殊结构的前馈神经网络，自联想神经网络模型结构包括一个输入层，一定数量的隐含层和一个输出层。首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从网络输入的高维管网参数空间中提取了反映系统结构的最具代表性的低维子空间，同时有效地滤去了压力梯形模糊数、流量梯形模糊数和流速梯形模糊数输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现数据的解压缩，将前面压缩的信息还原到压力梯形模糊数、流量梯形模糊数和流速梯形模糊数的各个参数值，从而实现各压力梯形模糊数、流量梯形模糊数和流速梯形模糊数输入数据的重构。为了达到信息压缩的目的，自联想神经网络模型络瓶颈层节点数目明显小于输入层，又为了防止形成输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，自联想神经网络模型的隐含层第一层叫作映射层，映射层的节点传递函数可能是s型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使网络对信号进行编码和压缩得到输入传感器数据的相关模型，并在瓶颈层后进行解码和解压缩以产生输入信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的s型函数，自联想神经网用误差反向传播算法来训练。
[0131]
b、动态递归神经网络分类器设计
[0132]
小波神经网络wnn(wavelet neural networks)理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络，小波神经网络中小波的伸缩、平移
因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号压力梯形模糊数、流量梯形模糊数和流速梯形模糊数可以表示为输入的一维向量x
i
(i＝1,2,
…
,n)，输出信号表示为y
k
(k＝1,2,
…
,m)，动态递归神经网络分类器输出层的计算公式为：
[0133][0134]
公式中ω
ij
输入层i节点和隐含层j节点间的连接权值，为小波基函数，b
j
为小波基函数的平移因子，a
j
小波基函数的伸缩因子，ω
jk
为隐含层j节点和输出层k节点间的连接权值。本专利的动态递归小波神经网络分类器与普通静态小波神经网络的区别在于动态递归小波神经网络分类器具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能，从而增强对管网压力、流量和流速参数演化轨迹的跟踪精度以确保更好的分类；第一关联层节点用来存储隐含层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；第二关联层节点是用来存储输出层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；隐含层和输出层的神经元的反馈信息都会影响动态递归小波神经网络分类器预测的动态处理能力，两个关联层都属于动态递归小波神经网络分类器内部的状态反馈，形成动态递归小波神经网络分类器的递归性所特有的动态记忆性能，提高动态递归小波神经网络分类器的准确性和动态性能；在动态递归小波神经网络分类器的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络分类器的动态逼近能力和提高管网安全的分类精度。本专利中的动态递归小波神经网络分类器的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使动态递归小波神经网络分类器输出不断逼近期望输出。动态递归小波神经网络分类器输出的梯形模糊数表示管网安全等级值；根据管网安全的工程实践和国家管网安全控制标准，动态递归小波神经网络分类器把管网安全分为一般安全、比较安全、很安全、不安全和很不安全对应不同的5个不同的梯形模糊数，计算动态递归小波神经网络分类器输出的梯形模糊数输出的梯形模糊数与代表5种安全等级的5个梯形数的相似度，其中相似度最大的梯形模糊数对应的管网安全等级确定为该管网安全等级。构建5个梯形模糊数与管网安全的5种程度等级的对应关系表，管网安全等级与梯形模糊数的对应关系如下，见表1。
[0135]
表1管网安全等级与梯形模糊数对应关系表
[0136]
[0137][0138]
五、一种管网大数据检测系统的设计举例
[0139]
根据管网大数据检测系统的实际状况，系统布置了管网参数采集平台的检测节点、网关节点和现场监控端的平面布置安装图，其中检测节点的传感器根据检测的需要均衡布置在管网的各个方位，通过该系统实现对管网参数进行采集。
[0140]
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。