CN102982374A - 一种基于bp人工神经网络的爆管定位方法 - Google Patents

Abstract

本发明公开了一种基于BP人工神经网络的爆管定位方法，在目标管网中压力变化反应灵敏的节点设立爆管监测点，对爆管监测点的压力运行状态变化过程进行动态分析，利用BP人工神经网络技术，建立起三个爆管监测点的压力变化与爆管位置及损坏程度的非线性关系，从而实现比较准确的爆管定位、缩短爆管反应时间的研究目的。紧紧围绕研究目的，文章进行了管道爆管原因及特征、给水管网爆管监测点的布置方法、基于人工神经网络技术的爆管定位等三个方面的研究，取得较理想的实验效果，并在爆管定位方面提出了一些新的方法和思路。

Description

一种基于BP人工神经网络的爆管定位方法

技术领域

本发明涉及一种爆管定位方法，特别是一种基于BP人工神经网络的爆管定位方法。

背景技术

管网爆管检测与定位技术根据检测对象的不同，目前已有的检测方法大致可分为两类：一类是基于硬件的方法，另一类是基于软件的方法。基于硬件的方法是指对泄漏物进行直接检测，如人工巡视法、音听检测法、相关检测法、区域检测法等；基于软件的方法是指通过检测因泄漏造成的流量、压力、声音等物理参数发生变化来判断泄漏是否发生及确定泄漏位置，这类方法有信号分析法、负压波法、实时动态模型法、统计法(包括状态估计法)、模式识别法、人工智能检测法(包括BP人工神经元网络法)等。

目前研究成果较显著的是BP人工神经网络法。其基本步骤为：

一、首先，对给水管网不同管材的爆管特征值的总结成果，结合目标管网管材使用情况，制定目标管网中各管段可能发生爆管事故的损坏形式和损坏程度。

二、然后，利用管网模型对各种爆管损坏程度进行爆管模拟，获得各管段发生不同程度的爆管事故对特定监测点的压力变化数据，将这些数据作为建立爆管定位及损坏程度模型的训练样本。

三、最后，基于这些训练样本，利用MATLAB中提供的神经网络工具箱，按BP人工神经网络技术要求对爆管定位及损坏程度评估模型进行构建和训练，使其掌握监测点压力变化与爆管损坏程度、爆管位置之间的非线性关系，最终达到爆管事故快速定位的目的。

BP人工神经网络法的核心是建立一个适用于目标管网爆管事故定位的BP神经网络模型。建立BP神经网络模型需要大量的、真实的该给水管网在事故状态时的运行数据，但现实中很难提供充足的运行数据，因此建立BP神经网络模型的关键是需要寻求适当的爆管状态模拟的方法。

对于爆管状态模拟主要有三个方法：一是在实验室建立物理模型；二是基于给水管网，通过在消防栓或管网中的排空管进行放水，模拟爆管的工况；三是采用计算机模拟的方法。第一个方法按相似准则建立管网，在实验室进行管网工况的研究。需耗费大量的人力、物力、财力和时间，且实验管网一般规模很小，不能模拟出实际爆管时的各种情况。第二个方法是最有效、最贴紧实际情况的方法，但由于是在真实的给水管网进行爆管试验，必然导致给水管网压力下降，影响民众正常用水，其次产生的巨大水量可能造成排水的困难，因此第二个方法实施起来相当困难。第三个方法是目前学者对爆管状态模拟最常用的方法，但计算机模拟主要存在三点不足：一是管网模型与实际管网相差较大，导致爆管模拟结果与实际爆管存在误差；二是许多学者对爆管事故原因及相关特性并不了解，没有根据管段的物理特性决定损坏形式与爆管泄漏量，只是简单地在模拟管段上增加一个节点流量，导致模拟与实际不符；三是在计算机模拟是基于零噪声的管网的理想状态下进行的，但实际上管网存在压力波动而产生数据噪声。

发明内容

本发明的目的在于提供一种基于BP人工神经网络的爆管定位方法，解决爆管状态模拟不精确问题。

一种基于BP人工神经网络的爆管定位方法，其具体步骤为：

第一步搭建智慧管线软件平台系统

智慧管线软件平台系统，包括：地形图库管理模块、地形与管网数据更新维护模块、管网数据管理模块、管网附属数据管理模块、管网辅助管理工具模块、辅助功能模块、管网分析模块、管网横纵断面分析模块、事故处理模块、离线编辑模块、系统管理模块和Web发布系统模块。

第二步事故处理模块应用爆管事故处理

事故处理主要是针对爆管事故、火灾事故提供快速的决策支持。当供水管网突发爆管或漏水等事故后，用户只需指定事故发生处，系统能够自动搜索出需要关闭的阀门、停水用户、停水区域或周围最近的消防栓信息等，并制定出合理的处理方案，并可自动生成阀门启闭通知单、现场维修图、用户停水通知单等协助抢修人员进行施工。爆管事故处理的核心是爆管定位方法。下面是应用基于BP人工神经网络的爆管定位方法。

第三步目标管网爆管检测最小值的确定；

在SCADA系统的爆管预警子系统中，监测点的水压值瞬间下降是作为爆管检测的先行指标，但水厂二泵站机台开关、管网内大用户水量突然增大及管网中异常压力波动都会造成监测点水压值瞬间下降。为避免产生爆管误报、错报，每个爆管预警子系统都要因应给水管网的现况设置一个压降值，当监测点水压瞬间压降值超过这压降值时，才会发布爆管警报。因此这压降值就是爆管检测最小值。

第四步网络输入输出参数的确定；

训练BP神经网络的目的是使其掌握监测点压力变化与爆管损坏程度、爆管位置之间的非线性关系。基于此，网络输入参数为三个爆管监测点的压力变化值，网络输出参数为爆管位置和爆管损坏程度。

第五步网络训练样本的建立；

采用结合不同管材的爆管特征及历史爆管记录，对爆管重现率高的损坏形式进行爆管模拟，达到贴近实际应用目的。

第六步 网络的构建

拟建立的BP神经网络包括三个输入参数，四个输出参数。四个输出参数中，三个为距离变量，一个为压力变化量，两组量的量纲不同。为避免输出量之间相互干扰，提高预测精度，本研究建立两个神经网络，分别用于爆管定位和爆管损坏程度评估。

当输入数据和目标数据预处理完成后，下一步就要对管网进行神经网络的训练学习。本研究利用MATLAB中提供的神经网络工具箱来对管网进行训练及对以后的故障点进行定位预测。

第六步 爆管位置判定方法

爆管位置在CAD图形界面上确定。

定位模型虽不能对爆管位置进行精确定位，但已经完全满足判断爆管管段和爆管位置的较准确定位，而且三个监测点中，至少能保证有两个监测点预测值与实际值偏差较小，预测可信度是比较高的。因此判定定位模型是可行的。

损坏程度评估模型虽然误差比较大，但经分析，误差主要在爆管处水压的估算上，与模型本身无关。且爆管损坏程度评估是让供水企业对爆管事故损坏程度有一个大致了解，参考意义大于实际意义，因此在这个误差范围中，损坏程度评估模型还是可用的。

两个模型的预测准确度由爆管监测点压力变化决定，压力变化值越大，则两个模型预测越准确。其表现为：相同管段下，爆管的损坏程度小比爆管的损坏程度大的模型预测准确率要低；相同的损坏程度下，大口径管段的模型比小口径管段预测准确率要低。

具体实施方式

第一步目标管网爆管检测最小值的确定；

在SCADA系统中，有一个测压点作为目标管网的压力监测基准点，该测压点每3分钟传回一个压力数据，收集数据的数量需满足分析目标管网爆管检测最小值的需要。通过收集往年测压点水压的数据，去除发生事故时的数据，计算3分钟压力变化值并进行比对，以发现不同压力区间所占的百分比。基于对测压点压力变化值的比对分析，目标管网的爆管检测确定最小值。

第二步网络输入输出参数的确定；

爆管位置由爆管处与爆管监测点之间水平距离表示。距离值上按管处X坐标与爆管监测点X坐标的差值添上正负号，当爆管位置X坐标与监测点X坐标的差值为负，表示爆管位置在监测点西方，正为东方。这个方法可判断爆管处位于爆管监测点的东方还是西方，从而降低事故管段的判别难度和提高定位效果。

爆管损坏程度是以爆管泄漏流量的大小衡量，但实际情况爆管泄漏流量测量困难，供水企业一般以损坏面积比表示爆管损坏程度。由于压力变化值与损坏面积比不是同一量纲的量，要保证网络精度就必须加大训练量和训练时间。考虑到爆管泄漏流量的出现会使爆管处产生较大压力变化值，爆管处压力变化值大小也是衡量爆管损坏程度的重要依据。因此，为有效提高网络精度和训练效率，本研究采用以与输入参数量纲相同的爆管处压力变化值衡量爆管损坏程度。

第三步 网络训练样本的建立；

(1)根据历史爆管记录，对目标管网可能出现的爆管损坏程度进行估计。爆管损坏形式和损坏程度与管道运行压力、管材物理性能及当地环境有关。在同一个给水管网中，相同的管材的爆管损坏形式和损坏程度是相类似的。根据历史爆管记录对不同管材的损坏形式和程度进行归纳，利用相关成果对目标管网进行爆管假设，设定目标管网中各管段可能出现的损坏形式和程度。

目标管网所用的管材为承插式球墨铸铁管、焊接钢管、HDPE管等三种；给水管道的敷设方式分为综合管沟安装和埋地敷设。基于实际情况，对爆管情况得以下设定：

根据埋地敷设的给水管道所属管材爆管特征进行爆管假设，由于目标管网内管道年龄较短，在目前管网工况下忽略管道老化。

在综合管沟敷设的管道为钢管，连接方式为法兰盘接口，在管沟内，基本排除腐蚀老化和人为挖爆的可能，潜在爆管因素为不均匀沉降和接口止水胶皮老化漏水，因此爆管形式仅考虑线性开裂。

针对目标管网中管段敷设的特点及参考历史爆管特征和重现率，结合目标管网管道最小检出爆管特征值，对于目标管网中埋地敷设的管段按损坏面积比模拟爆管损坏程度；对于在综合管沟内敷设的法兰连接的钢管按损坏面积比模拟爆管损坏程度。

(2)为使爆管模拟均匀分布在目标管网各管段中，故将爆管位置设置在模拟爆管管段中间。

(3)选取往年度目标管网水量重现率最高日平均时的工况作为爆管前的正常工况。在SCADA系统中，查阅给水管网中各测压点的压力数值，导入管网模型中进行管网平差，得到爆管前管网正常运行时的工况，求出各节点流量、爆管监测点等数据。

(4)在管网模型中，选择进行爆管模拟的管段，在设定爆管位置增加一个事故节点b，在事故节点b上引一条短管，短管另一个节点记作节点c。将管道损坏面积换算为短管当量直径，以短管出流模拟爆管出流。为贴近实际情况，短管应尽量短，以减少额外的水头损失。此外，短管的局部阻力系数按孔口出流系数设。

(5)计算求出爆管泄漏流量、破坏处水压及爆管监测点压力变化等爆管状态工况参数。其方法如下：节点c设定一个泄漏流量为9，再按爆管前的管网工况进行管网平差，求出节点c的自由水压

由于孔出口水压为0，因此不断试算泄漏流量至

当

后，节点c的节点流量为爆管泄漏流量，事故节点b上的节点压力为破坏处水压，爆管监测点上的节点水压为事故管段上一定损坏程度的爆管特征水压。

(6)由于所模拟的数据跨度比较大，为了便于网络的训练，防止计算过程出现“过度拟合”等问题，如果对神经网络的输入和目标矢量进行一定的预处理，可以加快网络的训练速度。因此本研究对训练数据按以下方法进行归一化处理。

压力变化以变化率α表示即：

$\mathrm{\α}=\frac{\mathrm{\ΔH}}{H_0}=\frac{H_0-H_t}{H_0}---\left(1\right)$

式中：

H₀——爆管前监测点的正常水压；

ΔH——爆管前后监测点的压力变化值；

爆管位置以相对距离β表示即：

$\mathrm{\β}=\mathrm{sign}(x_t-x_c)\frac{m_{\mathrm{tc}}}{m_{c\max }}---\left(2\right)$

式中：

sign(x_t-x_c)——若爆管位置x坐标与监测点x坐标的差值为负，表示爆管位置在监测点西方，正为东方：

m_tc——爆管位置与监测点的距离：

m_cmax一——监测点到目标管网的最大距离，表示监测点最大监测距离；

经归一化后，压力变化率α取值范围在[0,1]．相对距离β取值范围在[-1,1]。

按照以上做法，利用管网模型进行爆管模拟产生的训练样本。

第四步 网络的构建

(1)建立一个三层BP神经网络，包括一个输入层、隐含层、输出层。其中输入层有3个神经元，分别对应于3个监测点的水压变化率；输出层分别是l、3个神经元，分别对应于3个监测点与泄漏点的距离和爆管处压力变化。

(2)关于隐含层的神经元设置的问题非常复杂，至今尚未找到一个很好的确定神经元数目的方法。隐含层节点数太多会导致学习时间过长，而隐含层节点数太少，容错性差，识别未经学习的能力样本低。从目前的研究结果，隐含层节点数与输入输出单元数多少都有直接的关系，有研究提出按以下公式计算隐含层节点数：

$n=\sqrt{n_i+n_0}+a---\left(3\right)$

式中：

n——隐含层节点数；

n_i,n₀——输入、输出节点数；

a——常数，为l至10之间；

按公式3，目标网络的隐含层神经元为3至12。在网络训练过程中发现，隐含层神经元为3至12时，均方差在0．005附近。在试算中发现，神经元在13个以上时，随神经元数增加均方差有所降低，当神经元个数为31，即神经元个数等于目标管网管段数时，两个模型的均方差最小，若神经元继续增加，均方差下降不大，但训练时间成倍增加。因此，经试算后发现31个神经元无论在均方差和训练时间较为合适。

(3)选用TmirLlm函数作为训练函数。在算法选择方面，为了能够得到稳定的训练结果，因而选用对于中等规模的网络训练具有很快的收敛性的Levenberg-Marquardt算法。

(4)学习因子设为0．3，训练循环为10000次，以训练样本中目标值与网络输出值的均方差为控制目标。

经训练，基于BP人工神经网络的爆管损坏程度评估模型训练曲线,从中可见，经10000次训练循环后，训练样本中目标值与网络输出值的均方差，单个训练样本与网络输出值最大误差，平均误差，小于平均误差的数量。

基于BP人工神经网络的爆管定位模型训练曲线，经10000次训练循环后，得到训练样本中目标值与网络输出值的均方差在，三组输训练样本目标值与网络输出值最大误差，平均误差，大部份数据误差在平均误差之下。若将数据换算为距离，网络输出的值与实值相差在100m以下，而且用正负号判断爆管位置在监测点的那个方向的方法准确率达100％，定位准确率较高，训练效果就比较令人满意。

第五步 爆管位置判定方法

(1)模型输出值是对应监测点与爆管位置之间的距离，以监测点坐标点为圆心，输出距离为半径作半圆，输出距离值为负作二、三象限半圆，输出距离值为正作一、四象限半圆。

(2)根据输出值与目标值存在平均误差，圆弧内外80m范围内均是爆管部位置信区间。将三个监测点输出的爆管部位置信区间相互重合的区域定为爆管区域，区域内管段为定位模型预测的爆管管段。

Claims (2)

1.一种基于BP人工神经网络的爆管定位方法，包括目标管网爆管检测最小值的确定、网络输入输出参数的确定、网络训练样本的建立、网络的构建、爆管位置判定方法。

2.根据权利要求1所述的基于BP人工神经网络的爆管定位方法，其特征在于网络训练样本的建立和网络构建。