專利名稱：一種基于bp人工神經網絡的爆管定位方法
技術領域：
本發明涉及一種爆管定位方法，特別是一種基于BP人工神經網絡的爆管定位方法。
背景技術：
管網爆管檢測與定位技術根據檢測對象的不同，目前已有的檢測方法大致可分為兩類一類是基于硬件的方法，另一類是基于軟件的方法。基于硬件的方法是指對泄漏物進行直接檢測，如人工巡視法、音聽檢測法、相關檢測法、區域檢測法等；基于軟件的方法是指通過檢測因泄漏造成的流量、壓力、聲音等物理參數發生變化來判斷泄漏是否發生及確定泄漏位置，這類方法有信號分析法、負壓波法、實時動態模型法、統計法(包括狀態估計法)、模式識別法、人工智能檢測法(包括BP人工神經元網絡法)等。
目前研究成果較顯著的是BP人工神經網絡法。其基本步驟為
一、首先，對給水管網不同管材的爆管特征值的總結成果，結合目標管網管材使用情況，制定目標管網中各管段可能發生爆管事故的損壞形式和損壞程度。
二、然后，利用管網模型對各種爆管損壞程度進行爆管模擬，獲得各管段發生不同程度的爆管事故對特定監測點的壓力變化數據，將這些數據作為建立爆管定位及損壞程度模型的訓練樣本。
三、最后，基于這些訓練樣本，利用MATLAB中提供的神經網絡工具箱，按BP人工神經網絡技術要求對爆管定位及損壞程度評估模型進行構建和訓練，使其掌握監測點壓力變化與爆管損壞程度、爆管位置之間的非線性關系，最終達到爆管事故快速定位的目的。
BP人工神經網絡法的核心是建立一個適用于目標管網爆管事故定位的BP神經網絡模型。建立BP神經網絡模型需要大量的、真實的該給水管網在事故狀態時的運行數據， 但現實中很難提供充足的運行數據，因此建立BP神經網絡模型的關鍵是需要尋求適當的爆管狀態模擬的方法。
對于爆管狀態模擬主要有三個方法一是在實驗室建立物理模型；二是基于給水管網，通過在消防栓或管網中的排空管進行放水，模擬爆管的工況；三是采用計算機模擬的方法。第一個方法按相似準則建立管網，在實驗室進行管網工況的研究。需耗費大量的人力、物力、財力和時間，且實驗管網一般規模很小，不能模擬出實際爆管時的各種情況。第二個方法是最有效、最貼緊實際情況的方法，但由于是在真實的給水管網進行爆管試驗，必然導致給水管網壓力下降，影響民眾正常用水，其次產生的巨大水量可能造成排水的困難，因此第二個方法實施起來相當困難。第三個方法是目前學者對爆管狀態模擬最常用的方法， 但計算機模擬主要存在三點不足一是管網模型與實際管網相差較大，導致爆管模擬結果與實際爆管存在誤差；二是許多學者對爆管事故原因及相關特性并不了解，沒有根據管段的物理特性決定損壞形式與爆管泄漏量，只是簡單地在模擬管段上增加一個節點流量，導致模擬與實際不符；三是在計算機模擬是基于零噪聲的管網的理想狀態下進行的，但實際上管網存在壓力波動而產生數據噪聲。發明內容
本發明的目的在于提供一種基于BP人工神經網絡的爆管定位方法，解決爆管狀態模擬不精確問題。
一種基于BP人工神經網絡的爆管定位方法，其具體步驟為
第一步搭建智慧管線軟件平臺系統
智慧管線軟件平臺系統，包括地形圖庫管理模塊、地形與管網數據更新維護模塊、管網數據管理模塊、管網附屬數據管理模塊、管網輔助管理工具模塊、輔助功能模塊、管網分析模塊、管網橫縱斷面分析模塊、事故處理模塊、離線編輯模塊、系統管理模塊和Web 發布系統模塊。
第二步事故處理模塊應用爆管事故處理
事故處理主要是針對爆管事故、火災事故提供快速的決策支持。當供水管網突發爆管或漏水等事故后，用戶只需指定事故發生處，系統能夠自動搜索出需要關閉的閥門、停水用戶、停水區域或周圍最近的消防栓信息等，并制定出合理的處理方案，并可自動生成閥門啟閉通知單、現場維修圖、用戶停水通知單等協助搶修人員進行施工。爆管事故處理的核心是爆管定位方法。下面是應用基于BP人工神經網絡的爆管定位方法。
第三步目標管網爆管檢測最小值的確定；
在SCADA系統的爆管預警子系統中，監測點的水壓值瞬間下降是作為爆管檢測的先行指標，但水廠二泵站機臺開關、管網內大用戶水量突然增大及管網中異常壓力波動都會造成監測點水壓值瞬間下降。為避免產生爆管誤報、錯報，每個爆管預警子系統都要因應給水管網的現況設置一個壓降值，當監測點水壓瞬間壓降值超過這壓降值時，才會發布爆管警報。因此這壓降值就是爆管檢測最小值。
第四步網絡輸入輸出參數的確定；
訓練BP神經網絡的目的是使其掌握監測點壓力變化與爆管損壞程度、爆管位置之間的非線性關系。基于此，網絡輸入參數為三個爆管監測點的壓力變化值，網絡輸出參數為爆管位置和爆管損壞程度。
第五步網絡訓練樣本的建立；
采用結合不同管材的爆管特征及歷史爆管記錄，對爆管重現率高的損壞形式進行爆管模擬，達到貼近實際應用目的。
第六步網絡的構建
擬建立的BP神經網絡包括三個輸入參數，四個輸出參數。四個輸出參數中，三個為距離變量，一個為壓力變化量，兩組量的量綱不同。為避免輸出量之間相互干擾，提高預測精度，本研究建立兩個神經網絡，分別用于爆管定位和爆管損壞程度評估。
當輸入數據和目標數據預處理完成后，下一步就要對管網進行神經網絡的訓練學習。本研究利用MATLAB中提供的神經網絡工具箱來對管網進行訓練及對以后的故障點進行定位預測。
第六步爆管位置判定方法
爆管位置在CAD圖形界面上確定。
定位模型雖不能對爆管位置進行精確定位，但已經完全滿足判斷爆管管段和爆管位置的較準確定位，而且三個監測點中，至少能保證有兩個監測點預測值與實際值偏差較小，預測可信度是比較高的。因此判定定位模型是可行的。
損壞程度評估模型雖然誤差比較大，但經分析，誤差主要在爆管處水壓的估算上， 與模型本身無關。且爆管損壞程度評估是讓供水企業對爆管事故損壞程度有一個大致了解，參考意義大于實際意義，因此在這個誤差范圍中，損壞程度評估模型還是可用的。
兩個模型的預測準確度由爆管監測點壓力變化決定，壓力變化值越大，則兩個模型預測越準確。其表現為相同管段下，爆管的損壞程度小比爆管的損壞程度大的模型預測準確率要低；相同的損壞程度下，大口徑管段的模型比小口徑管段預測準確率要低。
具體實施方式
第一步目標管網爆管檢測最小值的確定；
在SCADA系統中，有一個測壓點作為目標管網的壓力監測基準點，該測壓點每3分鐘傳回一個壓力數據，收集數據的數量需滿足分析目標管網爆管檢測最小值的需要。通過收集往年測壓點水壓的數據,去除發生事故時的數據,計算3分鐘壓力變化值并進行比對， 以發現不同壓力區間所占的百分比。基于對測壓點壓力變化值的比對分析，目標管網的爆管檢測確定最小值。
第二步網絡輸入輸出參數的確定；
爆管位置由爆管處與爆管監測點之間水平距離表示。距離值上按管處X坐標與爆管監測點X坐標的差值添上正負號，當爆管位置X坐標與監測點X坐標的差值為負，表示爆管位置在監測點西方，正為東方。這個方法可判斷爆管處位于爆管監測點的東方還是西方， 從而降低事故管段的判別難度和提高定位效果。
爆管損壞程度是以爆管泄漏流量的大小衡量，但實際情況爆管泄漏流量測量困難，供水企業一般以損壞面積比表示爆管損壞程度。由于壓力變化值與損壞面積比不是同一量綱的量，要保證網絡精度就必須加大訓練量和訓練時間。考慮到爆管泄漏流量的出現會使爆管處產生較大壓力變化值，爆管處壓力變化值大小也是衡量爆管損壞程度的重要依據。因此，為有效提高網絡精度和訓練效率，本研究采用以與輸入參數量綱相同的爆管處壓力變化值衡量爆管損壞程度。
第三步網絡訓練樣本的建立；
(I)根據歷史爆管記錄，對目標管網可能出現的爆管損壞程度進行估計。爆管損壞形式和損壞程度與管道運行壓力、管材物理性能及當地環境有關。在同一個給水管網中，相同的管材的爆管損壞形式和損壞程度是相類似的。根據歷史爆管記錄對不同管材的損壞形式和程度進行歸納，利用相關成果對目標管網進行爆管假設，設定目標管網中各管段可能出現的損壞形式和程度。
目標管網所用的管材為承插式球墨鑄鐵管、焊接鋼管、HDPE管等三種；給水管道的敷設方式分為綜合管溝安裝和埋地敷設。基于實際情況，對爆管情況得以下設定
根據埋地敷設的給水管道所屬管材爆管特征進行爆管假設，由于目標管網內管道年齡較短，在目前管網工況下忽略管道老化。
在綜合管溝敷設的管道為鋼管，連接方式為法蘭盤接口，在管溝內，基本排除腐蝕老化和人為挖爆的可能，潛在爆管因素為不均勻沉降和接口止水膠皮老化漏水，因此爆管形式僅考慮線性開裂。
針對目標管網中管段敷設的特點及參考歷史爆管特征和重現率，結合目標管網管道最小檢出爆管特征值，對于目標管網中埋地敷設的管段按損壞面積比模擬爆管損壞程度；對于在綜合管溝內敷設的法蘭連接的鋼管按損壞面積比模擬爆管損壞程度。
(2)為使爆管模擬均勻分布在目標管網各管段中，故將爆管位置設置在模擬爆管管段中間。
(3)選取往年度目標管網水量重現率最高日平均時的工況作為爆管前的正常工況。在SCADA系統中，查閱給水管網中各測壓點的壓力數值，導入管網模型中進行管網平差，得到爆管前管網正常運行時的工況，求出各節點流量、爆管監測點等數據。
(4)在管網模型中，選擇進行爆管模擬的管段，在設定爆管位置增加一個事故節點 b，在事故節點b上引一條短管，短管另一個節點記作節點C。將管道損壞面積換算為短管當量直徑，以短管出流模擬爆管出流。為貼近實際情況，短管應盡量短，以減少額外的水頭損失。此外，短管的局部阻力系數按孔口出流系數設。
(5)計算求出爆管泄漏流量、破壞處水壓及爆管監測點壓力變化等爆管狀態工況參數。其方法如下節點c設定一個泄漏流量為9，再按爆管前的管網工況進行管網平差，求出節點c的自由水壓把”。由于孔出口水壓為0，因此不斷試算泄漏流量至及”=0 當私°°=0 后，節點c的節點流量為爆管泄漏流量，事故節點b上的節點壓力為破壞處水壓，爆管監測點上的節點水壓為事故管段上一定損壞程度的爆管特征水壓。
(6)由于所模擬的數據跨度比較大，為了便于網絡的訓練，防止計算過程出現“過度擬合”等問題，如果對神經網絡的輸入和目標矢量進行一定的預處理，可以加快網絡的訓練速度。因此本研究對訓練數據按以下方法進行歸一化處理。
壓力變化以變化率α表示即AH - Ht…
α = -—= ~~( I )"O
式中
H0——爆管前監測點的正常水壓；
ΔΗ——爆管前后監測點的壓力變化值；
爆管位置以相對距離β表示即
P = Sign(Xt-Xc)^L(2)mC-X
式中
sign(xt_x。)-若爆管位置x坐標與監測點x坐標的差值為負，表示爆管位置在監測點西方，正為東方
mtc——爆管位置與監測點的距離
Hicmax 一——監測點到目標管網的最大距離，表示監測點最大監測距離；
經歸一化后，壓力變化率α取值范圍在
.相對距離β取值范圍在[-1，I]。
按照以上做法，利用管網模型進行爆管模擬產生的訓練樣本。
第四步網絡的構建
(I)建立一個三層BP神經網絡，包括一個輸入層、隱含層、輸出層。其中輸入層有3個神經元，分別對應于3個監測點的水壓變化率；輸出層分別是1、3個神經元，分別對應于3個監測點與泄漏點的距離和爆管處壓力變化。
(2)關于隱含層的神經元設置的問題非常復雜，至今尚未找到一個很好的確定神經元數目的方法。隱含層節點數太多會導致學習時間過長，而隱含層節點數太少，容錯性差，識別未經學習的能力樣本低。從目前的研究結果，隱含層節點數與輸入輸出單元數多少都有直接的關系，有研究提出按以下公式計算隱含層節點數
權利要求
1.一種基于BP人工神經網絡的爆管定位方法，包括目標管網爆管檢測最小值的確定、網絡輸入輸出參數的確定、網絡訓練樣本的建立、網絡的構建、爆管位置判定方法。
2.根據權利要求I所述的基于BP人工神經網絡的爆管定位方法，其特征在于網絡訓練樣本的建立和網絡構建。
全文摘要
本發明公開了一種基于BP人工神經網絡的爆管定位方法，在目標管網中壓力變化反應靈敏的節點設立爆管監測點，對爆管監測點的壓力運行狀態變化過程進行動態分析，利用BP人工神經網絡技術，建立起三個爆管監測點的壓力變化與爆管位置及損壞程度的非線性關系，從而實現比較準確的爆管定位、縮短爆管反應時間的研究目的。緊緊圍繞研究目的，文章進行了管道爆管原因及特征、給水管網爆管監測點的布置方法、基于人工神經網絡技術的爆管定位等三個方面的研究，取得較理想的實驗效果，并在爆管定位方面提出了一些新的方法和思路。
文檔編號G06N3/08GK102982374SQ201210426108
公開日2013年3月20日 申請日期2012年10月30日 優先權日2012年10月30日
發明者黃鋒, 王衛國, 王耀, 郭霖, 毛松, 隋向南 申請人:北京航天情報與信息研究所