基于机器学习的排水管网缺陷在线预警方法及系统

本发明涉及排水管网监测，更具体的说是涉及一种基于机器学习的排水管网缺陷在线预警方法及系统。

背景技术：

1、市政污水系统是城市的大动脉，主要收集和运输城市人口产生的污水，其安全性和高效运行至关重要。然而，随着经济快速发展和城市化建设进程加快，城市所产生的超量污水造成污水管网负担严重和原有污水处理厂处理能力不足等问题，污水提质增效工作迫在眉睫。伴随着排水管网使用年限的增加，排水管网逐渐出现一些管网病害和缺陷，如管网淤积和破损等，这些问题也成为制约城市排水提质增效的关键因素。

2、目前，污水管网病害排查存在以下两方面问题：第一，通过cctv、潜水机器人等探测方式进行大面积排查，其成本非常高昂且难以实现更大尺度的应用。第二，高位水位运行区域排水系统满管运行，常规手段难以进行有效的排查和修复。这些方法既耗时耗力，而且可能无法及时发现并处理潜在的问题，从而导致更大的损失。

3、随着信息技术和数据科学的快速发展，深度学习技术在各种应用领域的应用广泛，尽管存在一些基于传感器的自动监测系统，但它们往往基于特定的规则和阈值来发出警报，缺乏足够的灵活性和适应性。

4、因此，如何结合深度学习技术实现对排水管网进行实时、高效和准确的缺陷监测及预警，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于机器学习的排水管网缺陷在线预警方法及系统，结合深度学习，实现对排水管网不同管段的异常情况实时、高效、且准确地监测和预警。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明提供一种基于机器学习的排水管网缺陷在线预警方法，包括以下步骤：

4、收集管网参数并建立管网拓扑关系，确定监测点位，并对各监测点位对应的管段和检查井进行编号；

5、在一个已完成管网清淤和修复的分流制排水分区中，使用在线监测设备采集该排水分区各监测点位处的管道流量和检查井水位，作为管网正常运行状态数据；

6、基于生成对抗网络模型合成管网异常运行状态数据；

7、将所述管网正常运行状态数据和所述管网异常运行状态数据组合作为训练样本；

8、基于所述训练样本对预先搭建的神经网络预警模型进行训练，将神经网络预警模型的输出结果设置为｛管段编号，管段状态｝；

9、将整个管网各监测点位处的实时监测数据输入训练好的神经网络预警模型中，对管段累计流量及相邻检查井水位差异常的管段进行预警，初步判断管线问题类型；

10、当异常管段修复处理后，更新该异常管段的警报状态。

11、进一步的，所述管网参数至少包括：管段及检查井坐标、管径数据和管段长度。

12、进一步的，所述管网正常运行状态数据的生成过程包括：

13、采集分流制排水分区中具有时间序列的管网流量和检查井水位数据；

14、通过箱形图剔除管网流量与检查井水位数据中的异常时间序列数据，利用插值法填充缺失时间序列数据，得到稳定的管网流量和检查井水位数据；

15、将一个自然日划分为多个不同时间段，并计算各时间段内各管段的累计流量数据，以管段的累计流量数据作为管段是否破损的判断依据；

16、将每一时间段中间时刻的检查井水位数据作为该时间段的检查井水位数据，以相邻检查井水位数据间的差值作为管段是否存在淤积的判断依据。

17、进一步的，所述管网异常运行状态数据的生成过程包括：

18、构建由生成器g和鉴别器d组成的gan模型；

19、从所述管网正常运行状态数据中随机选取部分数据，定义每条数据格式为{a1,a2,a3,ax,ay}={时间序列，管段累计流量，管段相邻检查井水位差，管段位置，管段状态}；

20、对所述生成器和所述鉴别器进行交替迭代训练，直至满足训练目标；在每次训练时，从正态分布中随机采样一组噪声向量z，将噪声向量z输入所述生成器g，输出合成数据g(z)；将合成数据和管网异常运行状态数据样本输入所述鉴别器d，输出合成数据是真实的概率d(x)；

21、基于训练好的gan模型合成管网异常运行状态数据。

22、进一步的，所述鉴别器d的损失函数为：

23、

24、其中，表示期望，即所有合成数据的平均损失；表示鉴别评估数据是真实的概率；表示生成器的输出，其中表示随机抽样的噪声向量；表示鉴别器评估生成的合成数据是真实的概率；表示鉴别器在真实数据上的损失；

25、所述生成器g的损失函数为：

26、

27、其中，表示期望。

28、进一步的，所述生成器所合成的管网异常运行状态数据的输出格式为：

29、{时间序列，异常管段累计流量，正常管段相邻检查井水位差，管段位置，管段破损}；和/或：

30、{时间序列，正常管段累计流量，异常管段相邻检查井水位差，管段位置，管段淤积}。

31、进一步的，采用分类交叉熵损失函数对所述神经网络预警模型进行训练，分类交叉熵损失表示为：

32、

33、其中，表示训练样本数量；表示输出层的神经元数量；是第个样本的实际标签；是模型预测的标签分布。

34、进一步的，在基于所述神经网络预警模型初步判断出管线问题类型之后，还包括：

35、二次异常判断：若初步判断管段的异常状态为破损，则对异常管段前后一定范围内进行表层土电导率测定，若电导率测定结果偏离预设值，则判定该管段破损。

36、进一步的，所述在线监测设备包括流量传感器和雷达液位传感器；所述流量传感器一一对应安装在各监测点位处管段下游管口的管底，所述雷达液位传感器一一对应安装在各监测点位处检查井的顶部。

37、第二方面，本发明提供一种基于机器学习的排水管网缺陷在线预警系统，包括：

38、数据获取模块，用于获取整个管网各监测点位处管段和检查井的运行状态数据；

39、预警模块，用于采用上述训练好的神经网络预警模型对管段累计流量及相邻检查井水位差异常的管段进行预警，输出｛管段编号，管段状态｝，初步判断管线问题类型；

40、反馈模块，用于当异常管段修复处理后，更新该异常管段的警报状态。

41、经由上述的技术方案可知，与现有技术相比，本发明具有以下有益效果：

42、1、与传统的通过cctv，qv技术进行大规模人工摸排的方式不同，本发明以管段累计流量判断管网破损情况，以管段上下游检查井水位差判断管段淤积情况，通过在线监测设备和深度学习自动化管段状态的判断过程，实现了管段状态实时预警，减少了人工干预的需求，节省了人力资源。

43、2、本发明在已完成清淤修复的分流制污水排水分区中布置在线监测系统获取管网正常运行状态数据，通过仿真模型模拟、领域专家建议和生成对抗网络实现了研究区域异常管段特征指标的量化和数据样本的扩充，能够为神经网络预警模型提供充分的训练数据集。

44、3、本发明可快速实现管段状态和位置的判断，通过对预警管段进行表层土电导率测定，精准判断破损位置并及时解决，可以避免更大的损失，也解决了污水管网缺陷位置较难定位的问题。