[发明专利]一种管道泄漏监测网络的层级式多源数据融合方法

权利要求书

1.一种管道泄漏监测网络的层级式多源数据融合方法，其特征在于，包括以下步骤：

步骤一、在普通节点处，利用小波变换对原始泄漏信号进行数据级预处理，并提取对泄 漏敏感的特征参数；

(1)选取小波基对泄漏信号进行分解；

选取Symlets小波对传感器提取的原始管道泄漏检测信号进行小波分解；

(2)选择小波分解尺度；

设管道泄漏检测信号的采样频率是最低识别频率为KHz，则最大分解尺度 n应满足：

fs2n+1≥fmin---(1)]]>

(3)依据式(1)计算得到最大分解尺度n值，对泄漏信号进行n层小波分解；选取启 发式阈值法对分解后的信号进行降噪；

(4)对降噪后的信号进行时频域分析，提取反映管道泄漏的特征参数，包括峰值、平均 幅值、方差、方根幅值、峭度和能量比分布系数；

步骤二、建立并训练蚁群神经网络数据融合模型，将泄漏特征参数输入至训练好的蚁群 神经网络结构，进行特征级的数据融合；

(1)网络层数和各层神经元数的选取；

建立包含输入层、单隐含层和输出层的三层神经网络结构；

依据步骤一中提取的对泄漏敏感的特征参数的数量，确定蚁群神经网络的输入层神经元 数p；根据管道泄漏的级别数q，确定蚁群神经网络输出层的神经元数为q；单隐含层的神经 元数n₀：

n0=2p+β---(2)]]>

其中，为无量纲的修正参数，p为输入层神经元数；

(2)优化神经网络的权值参数；

具体步骤如下：

①初始化参数，设标准神经网络模型中有m个待优化的权值参数对于 任一参数1≤i≤m，初始化为由N个随机的非零值构成的集合N为自然数；蚂 蚁的数量为S，且全部位于蚁巢，S的取值范围：集合中的所有元素在初 始时刻具有相同的信息素，C为量常，表示集合中 第j个元素在时刻t的信息素；初始时刻的迭代次数Nc＝0，最大的迭代次数为Nmax；

②启动所有蚂蚁，每只蚂蚁依据以下概率从每个集合中随机选 择一个元素：

Pj(Ipi)=(tj(Ipi))/Σu=1Ntu(Ipi)---(3)]]>

其中，表示本次循环中蚂蚁在集合的第j个元素留下的信息素，为自然 数，取值为

③待所有蚂蚁在每个集合中都选择了一个元素后，用各蚂蚁所选权值作为神经网络 参数，计算训练样本的输出误差，记录当前所选参数中的最优解；对所有集合中各元 素的信息素按下式进行调节：

τj(Ipi)(t+m)=ρτj(Ipi)(t)+Σk=1stjk(Ipi)---(4)]]>

其中，表示集合中第j个元素在时刻t+m的信息素，参数ρ表示信 息素的持久性，0≤ρ≤1；表示本次循环中第k只蚂蚁在集合的第个元素 留下的信息素，其计算方法为：

式中：Q是常数，表示蚂蚁完成一次循环后所释放的信息素总和；是蚂蚁k选择 的元素作为神经网络的权值时各训练样本的最大输出误差，定义为

ek=maxn=1h|On-Oq|---(6)]]>

其中，h是样本数目，和是神经网络的实际输出和期望输出，当误差越小时， 信息素增加的就越多；

样本的训练误差，若小于期望误差ζ，则存储当前所选阈值和权 值；若大于等于期望误差ζ，则令Nc＝Nc+1，t＝t+m，对所有集合中各元素的信息 素按式(4)做调节，转至步骤②；

④重复步骤②、③，直到达到最大迭代次数，输出最优解，得到神经网络所需的各 个权值参数，建立基于蚁群神经网络的特征级数据融合模型；

(3)将步骤一中得到的泄漏特征参数，包括峰值、平均幅值、方差、方根幅值、峭度和 能量比分布系数，输入至训练好的蚁群神经网络模型进行融合处理；

步骤三、在簇头节点处，对蚁群神经网络的初始识别结果进行证据合成；

对蚁群神经网络的识别结果进行归一化处理，构造证据的基本概率指派函数；在簇头节 点处，采用证据组合公式进行证据合成；

具体方法为：

根据管道的泄漏级别建立完备的泄漏识别框架，q表示管道泄漏级别 数，取自然数；设泄漏事件所属的簇共有M个成员节点，得证据集对于簇内成员节点上的蚁群神经网络，设其第个输出神经元的值为该蚁群神经网络的识别准确率为依据泄漏点至簇成员节点的距离来评估各证据的权重， 具体方法：以距离最近的簇内成员节点作为基准，该证据的权重为1，其它源节点的权重通 过自身距离与基准值间的比值来确定，具体的为：

wl=δ/dlT---(7)]]>

其中，T为权重的影响因子，取自然数，为节点的传感器 节点至泄漏点的距离；

则第条证据的基本概率指派函数为：

ml(Ag)=δ/dlTαlOl(g)Σg=1nOl(g),Ag≠Θml(Θ)=1-ΣAg⋐Θml(Ag)---(8)]]>

其中，表示证据的焦元，

在簇头节点处，采用下面的D-S证据合成公式进行证据合成：

其中，表示证据间的冲突大小，表示证据和证据组合后的焦元，B、C分别表 示证据的焦元，分别表示证据的基本概率指派函数；

步骤四、根据证据组合结果，做出最终决策；

根据证据组合结果，若信任度值最大的命题满足预先设定的阈值条件，则该命题为决策 的目标，否则不做决策；

具体包括：

确定性命题的信度大于未知命题的信度，且未知命题的信任度值小于预先设定的阈值对于信度值最大的确定性命题，其信度与次最大信度之差大于预先设定的阈值其中是无量纲量，取值范围是0和1之间；若满足，则诊断结果为信任度值最大的命题，否 则将不做判断，具体如下：

设是泄漏识别框架Θ的两个命题集合，基本概率指派值分别为 m(A1)=max{m(Ak),Ak⋐Θ},m(A2)=max{m(Ak),Ak⋐Θ,Ak≠A1}]]>表示泄露识别 框架Θ中任意一个命题，若满足：

m(A1)-m(A2)>ϵ1m(Θ)<ϵ2m(A1)>m(Θ)---(10)]]>

则诊断的结果为否则不做决策。