本發(fā)明涉及管網(wǎng)大數(shù)據(jù)監(jiān)測(cè)自動(dòng)化裝備的，具體涉及管網(wǎng)狀態(tài)智能檢測(cè)方法。

背景技術(shù)：

1、由于管網(wǎng)輸送距離遠(yuǎn)、分散和跨度大等特點(diǎn)，管線老化和破損等自然因素引起的泄漏給國家和企業(yè)造成重大經(jīng)濟(jì)損失，給安全生產(chǎn)帶來嚴(yán)重的傷害。研究管網(wǎng)泄漏監(jiān)測(cè)、管網(wǎng)大數(shù)據(jù)、歷史數(shù)據(jù)和定位等功能不計(jì)其數(shù)，相互之間都沒有直接的聯(lián)系，對(duì)于管網(wǎng)狀態(tài)監(jiān)測(cè)都沒有一個(gè)非常有效方法。

2、管網(wǎng)大數(shù)據(jù)監(jiān)測(cè)自動(dòng)化裝備領(lǐng)域需要進(jìn)一步提高管網(wǎng)狀態(tài)監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)化和智能化，確認(rèn)發(fā)生了泄漏便關(guān)閉相應(yīng)閥門，同時(shí)發(fā)出故障報(bào)警，通知當(dāng)班人員采取應(yīng)急措施，快速有效地處理事故，實(shí)現(xiàn)最大限度的止損。而智能化檢測(cè)數(shù)據(jù)，傳統(tǒng)的方式是通過多種傳感器進(jìn)行數(shù)據(jù)監(jiān)測(cè)，但通過傳感器檢測(cè)到管網(wǎng)相關(guān)數(shù)據(jù)后，如何根據(jù)采集的相關(guān)數(shù)據(jù)判斷管網(wǎng)泄漏狀況是亟需解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：針對(duì)背景技術(shù)中指出的問題，本發(fā)明提供了一種管網(wǎng)狀態(tài)智能檢測(cè)方法，對(duì)管道內(nèi)負(fù)壓波、溫度和流量等數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)控，一旦監(jiān)測(cè)到有管網(wǎng)參數(shù)異常時(shí)，該系統(tǒng)對(duì)調(diào)用管網(wǎng)大數(shù)據(jù)、比較和智能化判斷管網(wǎng)泄漏狀況，如果確認(rèn)發(fā)生了泄漏便關(guān)閉相應(yīng)閥門，同時(shí)發(fā)出故障報(bào)警，通知當(dāng)班人員采取應(yīng)急措施，快速有效地處理事故，實(shí)現(xiàn)最大限度的止損。

2、技術(shù)方案：本發(fā)明公開一種管網(wǎng)狀態(tài)智能檢測(cè)方法，包括如下步驟：

3、步驟1：在管網(wǎng)輸入口、管網(wǎng)輸出口均設(shè)置多組參數(shù)傳感器，采集管網(wǎng)輸入口、管網(wǎng)輸出口的一段時(shí)間的檢測(cè)參數(shù)；

4、步驟2：將步驟1獲取的管網(wǎng)輸入口、管網(wǎng)輸出口的檢測(cè)參數(shù)分別輸入至adaboost算法-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型1、adaboost算法-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2中捕捉管網(wǎng)參數(shù)的空間特征值，并對(duì)兩者空間特征值做差值；

5、步驟3：將步驟2獲取的兩個(gè)管網(wǎng)參數(shù)的空間特征值分別輸入至adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1、adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2中進(jìn)行第二層預(yù)測(cè)，預(yù)測(cè)管網(wǎng)參數(shù)的時(shí)空特征值，并對(duì)兩者預(yù)測(cè)值做差值；

6、步驟4：將步驟3獲取的兩個(gè)管網(wǎng)參數(shù)的時(shí)空特征值預(yù)測(cè)值分別輸入至adaboost算法-gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1、adaboost算法-gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2中進(jìn)行第三層預(yù)測(cè)，預(yù)測(cè)管網(wǎng)參數(shù)長時(shí)間的時(shí)空特征值，并對(duì)兩者預(yù)測(cè)值做差值；

7、步驟5：將步驟2、步驟3、步驟4獲取的差值均作為管網(wǎng)泄露檢測(cè)模塊的輸入，利用管網(wǎng)泄露檢測(cè)模塊對(duì)3個(gè)差值進(jìn)行第四層管網(wǎng)狀態(tài)參數(shù)預(yù)測(cè)；

8、步驟6：將步驟5中管網(wǎng)泄露檢測(cè)模塊的輸出值以及步驟2、步驟3、步驟4獲取的差值利用gwo的narx神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行融合輸出；

9、步驟7：根據(jù)gwo的narx神經(jīng)網(wǎng)絡(luò)分類器的融合輸出，確定最終的管網(wǎng)工作狀態(tài)。

10、進(jìn)一步地，所述管網(wǎng)泄露檢測(cè)模塊包括gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型、gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型、gwo的informer模型和adaboost算法-gwo的narx神經(jīng)網(wǎng)絡(luò)模型；

11、泄露參數(shù)輸入分別作為gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型、gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型和gwo的informer模型的輸入，gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型、gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型和gwo的informer模型的輸出作為adaboost算法-gwo的narx神經(jīng)網(wǎng)絡(luò)模型的輸入，adaboost算法-gwo的narx神經(jīng)網(wǎng)絡(luò)模型輸出作為泄露參數(shù)預(yù)測(cè)值。

12、進(jìn)一步地，所述步驟2中管網(wǎng)輸入口的多個(gè)傳感器輸出作為adaboost算法-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1的輸入，管網(wǎng)輸出口的多個(gè)傳感器輸出作為adaboost算法-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2的輸入；

13、所述adaboost算法-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1-2模型結(jié)構(gòu)相同，具體為：構(gòu)造多個(gè)弱學(xué)習(xí)器gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型，通過adaboost算法將多個(gè)弱學(xué)習(xí)器gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型構(gòu)造成一個(gè)強(qiáng)學(xué)習(xí)器，通過迭代訓(xùn)練多個(gè)弱學(xué)習(xí)器gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)前一個(gè)學(xué)習(xí)器的表現(xiàn)調(diào)整樣本權(quán)重；

14、所述gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型為gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型與gwo的narx神經(jīng)網(wǎng)絡(luò)模型串聯(lián)，所述gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型結(jié)合灰狼優(yōu)化算法gwo對(duì)bitcn神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行全局優(yōu)化，所述gwo的narx神經(jīng)網(wǎng)絡(luò)模型結(jié)合灰狼優(yōu)化算法gwo對(duì)narx神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行全局優(yōu)化。

15、進(jìn)一步地，所述步驟3中adaboost算法-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1的輸出作為adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1的輸入，adaboost算法-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2的輸出作為adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2的輸入；

16、所述adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1、adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2結(jié)構(gòu)相同，具體為：構(gòu)造多個(gè)弱學(xué)習(xí)器gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型，通過adaboost算法將多個(gè)弱學(xué)習(xí)器gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型構(gòu)造成一個(gè)強(qiáng)學(xué)習(xí)器，通過迭代訓(xùn)練多個(gè)弱學(xué)習(xí)器gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)前一個(gè)學(xué)習(xí)器的表現(xiàn)調(diào)整樣本權(quán)重；

17、所述gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型為gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型與gwo的narx神經(jīng)網(wǎng)絡(luò)模型串聯(lián)，所述gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型結(jié)合灰狼優(yōu)化算法gwo對(duì)bilstm神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行全局優(yōu)化，所述gwo的narx神經(jīng)網(wǎng)絡(luò)模型結(jié)合灰狼優(yōu)化算法gwo對(duì)narx神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行全局優(yōu)化。

18、進(jìn)一步地，所述步驟4中adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1的輸出作為adaboost算法-gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1的輸入，adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2的輸出作為adaboost算法-gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2的輸入；

19、所述adaboost算法-gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型1和adaboost算法-gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型2的結(jié)構(gòu)相同，具體為：構(gòu)造多個(gè)弱學(xué)習(xí)器gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型，通過adaboost算法將多個(gè)弱學(xué)習(xí)器gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型構(gòu)造成一個(gè)強(qiáng)學(xué)習(xí)器，通過迭代訓(xùn)練多個(gè)弱學(xué)習(xí)器gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)前一個(gè)學(xué)習(xí)器的表現(xiàn)調(diào)整樣本權(quán)重；

20、所述gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型為gwo的informer模型與gwo的narx神經(jīng)網(wǎng)絡(luò)模型串聯(lián)，所述gwo的informer模型結(jié)合灰狼優(yōu)化算法gwo對(duì)informer模型的參數(shù)進(jìn)行全局優(yōu)化，所述gwo的narx神經(jīng)網(wǎng)絡(luò)模型結(jié)合灰狼優(yōu)化算法gwo對(duì)narx神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行全局優(yōu)化。

21、進(jìn)一步地，所述gwo的narx神經(jīng)網(wǎng)絡(luò)分類器的輸出作為輸出值，輸出值為1-5之間的數(shù)值，其把管網(wǎng)工作狀態(tài)劃分為4個(gè)等級(jí)，即輸出量在1至2間表示管道正常運(yùn)行，輸出量在2至3間表示管道出現(xiàn)輕微泄漏故障，輸出量在3至4間表示管道出現(xiàn)中度泄漏故障，輸出量在4至5間表示管道出現(xiàn)重度泄漏故障。

22、進(jìn)一步地，所述管網(wǎng)輸入口和管網(wǎng)輸出口的多個(gè)傳感器為壓力傳感器、流量傳感器、溫度傳感器、流速傳感器和振動(dòng)傳感器。

23、本發(fā)明與現(xiàn)有技術(shù)相比，具有以下明顯優(yōu)點(diǎn)：

24、一、本發(fā)明采用bilstm神經(jīng)網(wǎng)絡(luò)模型對(duì)管網(wǎng)參數(shù)進(jìn)行時(shí)序?qū)W習(xí)，bilstm神經(jīng)網(wǎng)絡(luò)模型能夠捕捉管網(wǎng)參數(shù)的時(shí)間序列數(shù)據(jù)中的長期依賴關(guān)系和短期變化，通過雙向結(jié)構(gòu)同時(shí)考慮管網(wǎng)參數(shù)的過去和未來的雙向時(shí)序信息，對(duì)管網(wǎng)參數(shù)的動(dòng)態(tài)變化理解和預(yù)測(cè)能力。結(jié)合灰狼優(yōu)化算法(gwo)對(duì)bilstm神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行全局優(yōu)化，gwo算法模擬灰狼的社會(huì)等級(jí)和狩獵行為，通過迭代搜索找到最優(yōu)的模型參數(shù)組合，提高bilstm神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確性和魯棒性。

25、二、管網(wǎng)參數(shù)往往具有時(shí)間上的依賴性，通常表現(xiàn)為當(dāng)前時(shí)刻的管網(wǎng)數(shù)據(jù)可能受到之前和之后時(shí)刻管網(wǎng)參數(shù)影響，而bitcn神經(jīng)網(wǎng)絡(luò)模型引入了雙向架構(gòu)，使得網(wǎng)絡(luò)能夠同時(shí)捕獲來自過去和未來管網(wǎng)參數(shù)空間特征值與時(shí)間依賴關(guān)系，通過不同尺度的卷積核捕捉不同時(shí)間范圍內(nèi)的管網(wǎng)參數(shù)的雙向空間特征，結(jié)合灰狼優(yōu)化算法(gwo)對(duì)bitcn神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行全局優(yōu)化，gwo算法模擬灰狼的社會(huì)等級(jí)和狩獵行為，通過迭代搜索找到最優(yōu)的模型參數(shù)組合，提高bitcn神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確性和魯棒性。

26、三、本發(fā)明通過gwo的narx神經(jīng)網(wǎng)絡(luò)模型1-2通過引入延時(shí)模塊及輸出反饋到輸入端建立gwo的narx神經(jīng)網(wǎng)絡(luò)模型1-2的動(dòng)態(tài)遞歸網(wǎng)絡(luò)，它將gwo的narx神經(jīng)網(wǎng)絡(luò)模型1-2的管網(wǎng)參數(shù)輸入和輸出向量延時(shí)反饋引入gwo的narx神經(jīng)網(wǎng)絡(luò)模型1-2中形成新的輸入向量，gwo的narx神經(jīng)網(wǎng)絡(luò)模型1-2的管網(wǎng)參數(shù)輸入不僅包括原始管網(wǎng)參數(shù)輸入，還包含經(jīng)過訓(xùn)練后的gwo的narx神經(jīng)網(wǎng)絡(luò)模型1-2輸出數(shù)據(jù)，gwo的narx神經(jīng)網(wǎng)絡(luò)模型1-2的泛化能力得到提高，使其在非線性預(yù)測(cè)中較傳統(tǒng)的靜態(tài)神經(jīng)網(wǎng)絡(luò)具有更好的預(yù)測(cè)精度和自適應(yīng)能力。

27、四、gwo的informer模型有效地解決了輸入管網(wǎng)參數(shù)信息的長序列預(yù)測(cè)問題，informer模型引入自注意力蒸餾機(jī)制提取輸入管網(wǎng)參數(shù)信息的長時(shí)間序列的主要特征，利用解碼器直接生成輸出預(yù)測(cè)值，達(dá)到管網(wǎng)參數(shù)信息的長序列預(yù)測(cè)的目的，并且在管網(wǎng)參數(shù)信息數(shù)據(jù)缺失或不完整的情況下表現(xiàn)良好。informe模型使用了encoder-decoder結(jié)構(gòu)，其中編碼器(encoder)用于捕捉管網(wǎng)參數(shù)信息的時(shí)間序列的特征，解碼器(decoder)則用于生成管網(wǎng)參數(shù)信息的未來時(shí)間管網(wǎng)參數(shù)的時(shí)間序列的特征值預(yù)測(cè)。informer模型能夠同時(shí)處理不同時(shí)間尺度的管網(wǎng)參數(shù)數(shù)據(jù)預(yù)測(cè)，通過多尺度的特征融合機(jī)制提升管網(wǎng)參數(shù)信息預(yù)測(cè)精度，引入自注意力機(jī)制有助于模型在學(xué)習(xí)長期依賴關(guān)系時(shí)更有效地捕捉輸入管網(wǎng)參數(shù)的全局信息。

28、五、本發(fā)明gwo的narx神經(jīng)網(wǎng)絡(luò)分類器的輸出作為管網(wǎng)工作狀態(tài)的輸出值，gwo的narx神經(jīng)網(wǎng)絡(luò)分類器的輸入為管網(wǎng)泄露檢測(cè)模塊輸出、管網(wǎng)參數(shù)的空間特征值差值、時(shí)空特征值差值、長時(shí)間的時(shí)空特征值差值，gwo的narx神經(jīng)網(wǎng)絡(luò)分類器對(duì)它們進(jìn)行融合，融合值對(duì)管網(wǎng)狀態(tài)進(jìn)行分類，通過對(duì)管網(wǎng)狀態(tài)參數(shù)空間特征值的當(dāng)前值、一段時(shí)間值和長時(shí)間值的跟蹤，獲取了管網(wǎng)輸入口與輸出口不同時(shí)間參數(shù)的差別，提高管網(wǎng)狀態(tài)等級(jí)分類的準(zhǔn)確性和可靠性。

29、六、考慮了管網(wǎng)參數(shù)的非線性特征，管網(wǎng)狀態(tài)智能監(jiān)測(cè)模塊利用adaboost算法-gwo的bitcn神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型獲取管網(wǎng)參數(shù)的雙向動(dòng)態(tài)空間特征值，通過adaboost算法-gwo的bilstm神經(jīng)網(wǎng)絡(luò)模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型捕捉管網(wǎng)參數(shù)的雙向動(dòng)態(tài)時(shí)空值，通過adaboost算法-gwo的informer模型-gwo的narx神經(jīng)網(wǎng)絡(luò)模型捕捉管網(wǎng)參數(shù)的長時(shí)間的動(dòng)態(tài)時(shí)空特征值，從管網(wǎng)參數(shù)空間特征值的當(dāng)前值、一段時(shí)間值和長時(shí)間值跟蹤來衡量管網(wǎng)的工作狀態(tài)，提高捕捉與預(yù)測(cè)管網(wǎng)狀態(tài)信息的準(zhǔn)確性和全面性。

30、七、管網(wǎng)泄露檢測(cè)模塊與管網(wǎng)狀態(tài)智能監(jiān)測(cè)模塊采用對(duì)偶結(jié)構(gòu)都是從空間、時(shí)間和長時(shí)間值角度捕捉與預(yù)測(cè)管網(wǎng)參數(shù)的空間特征值，都是利用gwo的narx神經(jīng)網(wǎng)絡(luò)模型對(duì)它們進(jìn)行動(dòng)態(tài)融合，提高了檢測(cè)管網(wǎng)狀態(tài)的精確性與魯棒性。