[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

摘要

本发明公开了一种管道泄漏监测网络的层级式多源数据融合方法，包括：在监测网络的普通节点处，利用小波变换对传感器采集的各类原始泄漏检测信号进行数据级预处理，提取泄漏敏感的特征参量；建立基于蚁群神经网络的特征级数据融合模型，处理节点上各类传感器提取的泄漏特征参数，依据蚁群神经网络的输出结果构造证据的基本概率指派函数；在簇头节点处，使用证据组合规则进行证据合成，依据最大信任度值法做出最终决策。本发明提供一种从数据级、特征级到决策级的层级式多源泄漏检测数据融合方法，解决了管道泄漏监测网络的多源数据处理问题；该方法利用了网络内各类传感器采集的泄漏检测信息，有效提高了泄漏识别的准确率。

主权项

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f_sKHz，最低识别频率为f_min 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去噪；(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，β为无量纲的修正参数，β＝1～10，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p₁，p₂，...，p_m，对于任一参数p_i，1≤i≤m，初始化为由N个随机的非零值构成的集合I_pi，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I_pi中的所有元素在初始时刻具有相同的信息素τ_j(I_pi)(t)＝C，C为量常，1≤j≤N，τ_j(I_pi)(t)表示集合I_pi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k，k＝1，2，...，S，依据以下概率从每个集合I_pi中随机选择一个元素：Pj(Ipi)=(tj(Ipi))/Σu=1Ntu(Ipi)---(3)]]>其中，t_j(I_pi)表示本次循环中蚂蚁在集合I_pi的第j个元素留下的信息素，u为自然数，取值为1≤u≤N；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I_pi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，τ_j(I_pi)(t+m)表示集合I_pi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；t_j^k(I_pi)表示本次循环中第k只蚂蚁在集合I_pi的第j个元素P_j(I_pi)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；e^k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，O_n和O_q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ek=maxn=1h|On-Oq|,]]>若e^k小于期望误差ζ，则存储当前所选阈值和权值；若e^k大于等于期望误差ζ，则令Nc＝Nc+1，t＝t+m，对所有集合I_pi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；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。