基于多传感器数据融合的管道淤积情况诊断方法及装置

文档序号:35650042发布日期:2023-10-06 11:10阅读:53来源:国知局
基于多传感器数据融合的管道淤积情况诊断方法及装置

本发明涉及数据处理,用于对排水管道淤积情况进行判断,特别涉及是一种基于多传感器数据融合的管道淤积情况诊断方法及装置。


背景技术:

1、排水管道是城市的重要基础设施,被称为城市的“生命线”,它在城市防洪排涝任务中扮演着非常重要的角色。但排水管道往往存在着管道淤堵的问题,影响其防洪排涝的能力。虽然目前排水管道淤积情况监测获得了较为广泛的探索性研究,但仍存在不同传感器收集的排水管道数据在时间和空间上存在差异,导致数据处理的效率低下以及排水管道是否存在淤积的识别结果不准确等问题。因此,如何提高对排水管道多传感器指标数据融合提取的精确度、冗余数据处理能力以及淤积诊断结果的准确性是目前亟待解决的关键问题。

2、公开号cn110929359a的中国专利申请披露了一种基于pnn神经网络和swmm技术的管网淤积风险预测建模方法,包括以下步骤a:采集管网排水参数,基于swmm模型对排水参数进行预处理;b:基于步骤a的预处理结果构建包括影响管网淤积情况和反应管网淤积情况的参数的历史数据;c:将历史数据输入pnn神经网络,得到淤积风险的预测模型。本发明提供的基于pnn神经网络和swmm技术的管网淤积风险预测建模方法的优点在于:通过pnn神经网络和swmm技术的结合,构建更精确的历史数据进行模型训练,解决了现有淤积判断方法的单一性、滞后性问题,便于管养单位制定详细的清淤养护方案,提高管网养护的效率。

3、上述方法,借助了神经网络对淤积情况进行判断,能够取得一定效果,但是在数据量较大时处理速度和预测精度都不甚理想。


技术实现思路

1、为了解决上述问题,本发明提供了一种多传感器数据融合的管道淤积情况诊断方法和装置,包括如下技术方案:

2、一种排水管道淤积情况诊断方法,包括:步骤1:对进行排水管道进行数据采集,其中包括通过各种传感器获得的传感器数据,以及对应的管道淤积程度和淤积长度;步骤2:对所述传感器数据进行预处理;步骤3:对预处理后的传感器数据进行聚类,以进行降维;步骤4:基于概率神经网络算法,对降维后传感器数据与排水管道相应的淤积长度进行训练,得到第一基本概率分配函数;基于随机森林算法,对降维后的传感器数据与排水管道相应的淤积长度进行训练,得到第二基本概率分配函数;步骤5:采用d-s证据理论融合上述第一基本概率分配函数和第二基本概率分配函数,对排水管道淤积情况进行综合诊断;步骤6:根据实际采集的传感器数据,基于步骤2至步骤5得到的诊断模型进行诊断,得到排水管道的淤积情况。

3、在一个实施例中,所述传感器数据包括流量、流速、水压、管壁压强、地下排水井水深和管道坡度。

4、在一个实施例中,利用自组织映射神经网络对步骤1中采集到的传感器数据进行聚类分析。

5、在一个实施例中,对所述传感器数据进行预处理,包括:利用3σ准则进行异常值判定与剔除;采用均值插值法对剔除的异常值进行插补;通过自适应加权融合算法对传感器数据进行加权融合,且融合后满足以下关系:

6、

7、

8、其中,各传感器指标数据的加权因子分别是w1,w2,…,wn,方差分别为xi为传感器数据,x为融合后的值,当前状态下排水管道的多指标数据可表示为:(x1,x2,...xm)。

9、在一个实施例中,对预处理后的传感器数据进行聚类,包括:归一化处理;预设聚类簇个数p,对于归一化处理后的数据集,输入到无监督学习方式的自组织映射神经网络,得到聚类簇;计算各聚类簇中指标距离聚类中心的欧氏距离;选取距离聚类中心最近的指标作为最代表性指标,得到降维后数据集。

10、在一个实施例中,基于随机森林算法对降维后的传感器数据与排水管道相应的淤积长度进行训练得到第二基本概率分配函数,包括:选取特定数目的特征值;对所述特征值采用c4.5算法来选择分裂属性,构造决策树;进而生成若干棵决策树,形成随机森林模型;对随机森林模型进行训练,计算得出每个淤积程度对应的正确投票率;其中计算每个淤积程度对应的正确投票率的公式如下:

11、

12、随机森林由k棵决策树组成,设分类器hk(x)未抽取的数据集为ok,则输入向量x在ok中投票的分类结果为yj的比例,即随机森林的投票率q(x,yj);其中,yj表示投票的每个分类类别,i(x)表示随机变量的信息。

13、在一个实施例中,基于概率神经网络算法对降维后传感器数据与排水管道相应的淤积长度进行训练得到第一基本概率分配函数,包括:对概率神经网络进行训练,其中概率神经网络的分类融合概率密度估计和贝叶斯决策理论的判别规则如下:

14、

15、其中,输入向量x=[x1,x2,...xn]为一组多指标数据值,ci为第i类淤积程度,p(ci|x)为x发生情况下淤积程度cj的后验概率,r(ci|x)为分类概率密度函数,λij为第i类淤积程度而错分为j类淤积程度的损失。

16、在一个实施例中,采用d-s证据理论融合上述第一基本概率分配函数和第二基本概率分配函数对排水管道淤积情况进行综合诊断,包括:基本概率分配函数的表达式如下:

17、

18、其中,m1(ai)为通过随机森林算法得出的淤积情况对应的正确投票率,m2(bj)为概率神经网络算法中淤积情况对应的概率密度,φ代表空集,a=φ代表a是空集,a≠φ代表a不是空集。

19、本发明还提高了一种排水管道淤积情况诊断装置,包括:处理器,其配置用于执行程序指令;以及存储器,其配置用于存储所述程序指令,当所述程序指令由所述处理器加载并执行时,使得所述处理器执行上述任一项所述的排水管道淤积情况诊断方法。

20、本发明的基于多传感器数据融合的排水管道淤积情况诊断方法,其有益效果是:本发明基于自适应加权融合算法对传感器采集指标数据进行数据级融合,得到排水管道在该淤积情况下各指标数据相对准确的真实值。通过自组织映射(self-organizingmap,som)神经网络进行特征级数据融合,对传感器采集的粗筛指标进行聚类降维,降低数据冗余度。利用随机森林算法和概率神经网络算法分别对排水管道淤积程度进行识别,并采用d-s证据理论进行决策级的数据融合,融合随机森林算法和概率神经网络算法的识别结果,对排水管道淤积程度进行综合诊断,从而达到高精度的淤积程度识别效果。



技术特征:

1.一种排水管道淤积情况诊断方法,其特征在于,包括:

2.根据权利要求1所述的排水管道淤积情况诊断方法,其特征在于,所述传感器数据包括流量、流速、水压、管壁压强、地下排水井水深和管道坡度。

3.根据权利要求1所述的排水管道淤积情况诊断方法,其特征在于,利用自组织映射神经网络对步骤1中采集到的传感器数据进行聚类分析。

4.根据权利要求1所述的排水管道淤积情况诊断方法,其特征在于,对所述传感器数据进行预处理,包括:

5.根据权利要求4所述的排水管道淤积情况诊断方法,其特征在于,对预处理后的传感器数据进行聚类,包括:

6.根据权利要求5所述的排水管道淤积情况诊断方法,其特征在于,基于随机森林算法对降维后的传感器数据与排水管道相应的淤积长度进行训练得到第二基本概率分配函数,包括:

7.根据权利要求6所述的排水管道淤积情况诊断方法,其特征在于,基于概率神经网络算法对降维后传感器数据与排水管道相应的淤积长度进行训练得到第一基本概率分配函数,包括:

8.根据权利要求7所述的排水管道淤积情况诊断方法,其特征在于,采用d-s证据理论融合上述第一基本概率分配函数和第二基本概率分配函数对排水管道淤积情况进行综合诊断,包括:

9.一种排水管道淤积情况诊断装置,其特征在于,包括:


技术总结
本发明涉及基于多传感器数据融合的管道淤积情况诊断方法及装置。所述方法包括:利用排水管道数据采集系统,对排水管道进行多指标数据采集;采用自适应加权融合算法,对排水管道采集系统测定数据进行数据级融合;利用自组织映射神经网络,对采集到的管道粗筛指标进行特征级融合;基于随机森林与概率神经网络算法,对排水管道淤积情况分别进行模式识别并得出识别结果;采用D‑S证据理论融合随机森林与概率神经网络算法的识别结果,执行决策级融合,对排水管道淤积情况进行综合判别。本发明采用多源数据融合理论和深度学习算法,对排水管道的淤积情况进行了精准诊断,为城市排水管网淤积情况的诊断提供强大的技术支撑。

技术研发人员:狄丹阳,方宏远,李晔东,闻婧哲,孙斌,王念念,李斌
受保护的技术使用者:郑州大学
技术研发日:
技术公布日:2024/1/15
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1