CN117009788A - 基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法 - Google Patents

Abstract

本发明公开了一种基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法，通过分析关阀水锤的振动特性，收集了大量数据,对振动信号的时域和频域敏感特征进行提取和分析，使用多种机器学习算法进行初步训练和测试分析，选择识别效果最好的径向基神经网络机器学习方法并采用蚁群算法优化模型参数；进一步的对原始数据集，采用小波包技术对原始信号进行提取重构，提取敏感频段的特征信息参数与原始参数集结合起来，使得模型精度得到显著提高最终识别准确率接近98%。该方法系统不仅可用于管道系统的安全监测，还可与攀爬机器人等设备集成，实现对电磁阀等关键设备的实时监测和维修。从而为管道输流安全提供有效保障。

Description

基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、 存储介质和方法

技术领域

本发明涉及管道缺陷检测技术领域，尤其涉及一种基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法。

背景技术

目前，埋地管道塌陷是一个在城市基础设施运维中常见且严重的问题。当管道结构受损或土壤稳定性发生变化时，管道可能会发生塌陷或断裂，导致供水、供气、污水处理等基础服务中断，给人们的生活和工作带来极大的不便和经济损失。由于埋地管道通常位于地下，其检测和监测相对困难，传统的巡检和维护方式往往无法及时发现管道健康状况的变化和潜在风险。因此，研发和应用专利背景技术的智能管道监测系统具有重要的背景意义：

提高安全性：智能管道监测系统通过实时监测和数据分析，能够及早发现管道结构问题和土壤变化，提供预警和建议，从而及时采取维护措施，降低管道塌陷和断裂的风险，保障公众的安全。

提高可靠性：通过智能管道监测系统的精确评估和预测，运维人员可以制定更有效的维护计划，优化维护工作，降低管道故障的发生概率，提高供水、供气等基础服务的可靠性。

降低成本：传统的管道维护往往是定期巡检或事后补救，效率低下且维护成本较高。智能管道监测系统能够实现远程监测和精确预测，帮助优化维护计划，减少不必要的维护频次和维护范围，从而降低维护成本。

促进可持续发展：智能管道监测系统可以提高管道的可用寿命，减少对新管道的建设需求，降低资源浪费和能源消耗，推动城市基础设施的可持续发展。现有技术中，并未有公开技术涉及上述研究。

发明内容

本发明的目的是提供一种基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法，能够准确的识别早期管道塌陷类型，从而为管道塌陷预警提供帮助。

本发明采用的技术方案为：

基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，包括以下步骤：

S1，利用埋地管道周界塌陷程度息的不同将缺陷进行了统一定义和分类，将埋地管道早期塌陷分为底部塌陷，表面裸露，完全悬空，这三种情况；然后利用加速度传感器对实验平台管道系统的振动数据进行收集；收集的是水锤轴向振动数据，其中轴向就是管线延申的方向；

S2,针对管道系统收集的振动数据，进行数据批量预处理，得到样本数据，预处理采用去噪和数据分割；

S3，特征提取：提取预处理后的样本数据中不同埋地管道早期塌陷致水锤振动信号的时域敏感特征信息和频域特征，构成特征集；其中时域敏感特征信息由COMSOL建立有限元仿真模型，通过设置关阀函数来模拟关阀动作使管道产生水锤振动波，通过点探针对水锤振动波信息进行拾取分析得到；

S4，根据COMSOL仿真模型结果，电磁阀关闭主要产生水锤以及电磁阀金属球击打管道会产生振动波，提取450HZ附近内对输流管道周界早期塌陷类型敏感的振动信号特征；

S5，构建不同机器学习基本模型，对支持向量机，随机森林，径向基神经网路和BP神经网络进行训练；采用交叉验证，验证模型准确率，从而选择最适合进一步优化的机器学习模型；

S6，对径向基神经网络模型进行进一步优化，主要是通过蚁群算法对径向基神经网络的参数设置进行优化。

S7，对优化后的机器学习模型进行训练，得出识别率最高的参数集；

S8，将S7得出的识别率最高的参数集进行测试，分别对早期塌陷进行识别，得到输流管道周界早期塌陷类型。

所述步骤S3中提取的时域特征参数及表达式如下：

式中，x(n)表示信号的时域序列，其中n＝1,2，…，N,N为样本点的个数，用均值A1来描述信号，可以检测出不同条件下水锤振动信号的能量；方差A2代表了信号能量的动态分量，反映了数据之间的离散程度，在模型预测和实验数据描述方面具有较好的准确性；有效值A3描述了振动信号的能量；

具体特征频域参数公式如下：

式中，S(k)表示信号的频域序列，其中k＝1,2，…，K,K为样本点的个数；引入频域特征统计参数来描述信号的特性：谱均值B1描述了它的波动，管道振动信号的频率分布用平均频率B2和均方根频率B3来描述；表示所对应频域序列对应频率的平方。

所述步骤S3中的特征集包括：底部塌陷、表面裸露和完全悬空，这三种情况的时、频域特征集。

步骤S4中，提取敏感振动信号特征时，采用波包技术对信号进行分解重构，得到想要的小波包频段，再进行提取频域特征参数；具体的小波包选择三层小波，分为8个频段，Haar为小波基函数。

步骤S5中，引用MATLAB深度学习工具库进行初步训练测试，选择出最适合的机器学习方法进行测试优化:主要步骤如下：

数据准备：将训练数据整理成一个特征矩阵X和对应的标签向量Y；确保数据已经被标准化或预处理；

支持向量机训练：使用fitcsvm函数创建一个支持向量机模型对象；使用train方法训练模型，传入特征矩阵X和标签向量Y；使用predict方法可对新数据进行分类预测；

随机森林训练：使用TreeBagger函数创建一个随机森林对象；使用train方法训练随机森林模型，传入特征矩阵X和标签向量Y；使用predict方法可对新数据进行分类预测；

径向基神经网络训练：使用newgrnn函数创建一个径向基神经网络对象；使用train方法训练网络模型，传入特征矩阵X和标签向量Y；使用sim方法可对新数据进行分类预测；

BP神经网络训练：使用feedforwardnet函数创建一个BP神经网络对象；设置网络的结构以及训练参数；使用train方法训练网络模型，传入特征矩阵X和标签向量Y；使用sim方法可对新数据进行分类预测。

步骤S6中，径向基神经网络结构主要是输入层，径向基层和输出层；主要根据训练集来调整网络结构关系，其次是确定中心点和宽度参数。

步骤S6具体包括如下步骤：

S61：收集和整理用于训练和测试的管道数据，

S62：对数据的预处理，提取各类型特征值；

S63：建立基本的径向基神经网络，包括网络的结构、权重和偏置的初始化以及径向基函数，S64：通过蚁群算法对径向基网络的隐藏层和超参数进行迭代寻优，

S65：确定网络结构；

S66：进一步的通过backpropagation算法进行参数的优化。

所述的步骤S64具体包括如下步骤：

初始化蚁群算法的参数，包括蚂蚁的数量、信息素的挥发率、信息素的初始浓度；

根据实际情况设置合适的数值进行蚂蚁迭代优化；

具体过程如下：

S64.1初始化蚁群参数：设置蚂蚁的数量和初始位置，确定蚁群规模，并为每只蚂蚁随机或根据特定策略分配一个初始位置；每个蚂蚁的权重和偏置随机初始化，并将其作为神经网络的初始参数；

S64.2初始化信息素矩阵：创建一个与问题规模相对应的信息素矩阵，初始值可以设为相同的常数或根据问题的特点进行调整；

S64.3蚂蚁的路径选择：每个蚂蚁根据当前的神经网络参数，在训练数据集上进行前向传播，并计算出损失函数的值，根据信息素浓度和启发式函数更新神经网络参数；

S64.4信息素更新：根据每只蚂蚁的路径质量，更新信息素浓度矩阵；较好的路径将增加信息素浓度，较差的路径将减少信息素浓度；

S64.5重复进行迭代优化，判断终止条件：设置迭代次数或停止条件：根据实际问题和经验设置合适的迭代次数或停止条件，如达到最大迭代次数、满足收敛条件；判断是否满足终止条件；

S64.6更新神经网络参数：在迭代过程中，记录并保存每轮迭代中的最优解，根据最优路径所对应的神经网络参数，更新神经网络的权重和偏置；

S64.7返回经过蚁群算法深度优化后的神经网络模型。

一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被处理器执行时，使所述计算机可读存储介质所在设备执行权利要求1-8任意一项所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法。

一种电子设备，包括处理器和存储器，所述的存储器存储有可在所述处理器上运行的程序，所述处理器执行所述程序时实现如1-8任意一项所述的基于水锤波特征参数集机器学习的埋地输流管道周界塌陷预警方法，

本发明通过经参数特征集深度优化后的径向基神经网络算法模型对样本数据的分类效果十分显著，能够实现对早期塌陷类型的有效判别，优化后的径向基神经网络的识别精度可达97％，同时，通过蚁群算法深度优化径向基神经网络也验证了所选取的特征参数集对于识别塌陷类型的有效性。最后通过蚁群算法深度优化径向基神经网络的方法验证了所选取的特征参数对于识别早期塌陷类型的有效性。本发明方法在不同工作场景，不同装备，不同材料，等情况下采集的样本数据会有不同，但整体类型预测方法在所有场合均适用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图。

图2为本发明所述的不同情况下水锤压力变化曲线图。

图3为本发明所述的不同情况下三阶特征频率变化曲线图。

图4为本发明所述的原始信号与特定频段图

图5为本发明所述的特征参数可视化二维散点图。

图6为本发明所述的蚁群算法优化径向基神经网络流程图。

图7为本发明所述的优化前后的径向基神经网络对早期塌陷类型识别效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明包括以下步骤：

S1，利用埋地管道周界塌陷程度息的不同将缺陷进行了统一定义和分类，将埋地管道早期塌陷分为底部塌陷，表面裸露，完全悬空，这三种情况；然后利用加速度传感器对实验平台管道系统的振动数据进行收集；收集的是水锤轴向振动数据，其中轴向就是管线延申的方向；

S2,针对管道系统收集的振动数据，进行数据批量预处理，得到样本数据，预处理采用去噪和数据分割；

S3，特征提取：提取预处理后的样本数据中不同埋地管道早期塌陷致水锤振动信号的时域敏感特征信息和频域特征，构成特征集；其中时域敏感特征信息由COMSOL建立有限元仿真模型，通过设置关阀函数来模拟关阀动作使管道产生水锤振动波，通过点探针对水锤振动波信息进行拾取分析得到；所述步骤S3中提取的时域特征参数及表达式如下：

式中，x(n)表示信号的时域序列，其中n＝1,2，…，N,N为样本点的个数，用均值A1来描述信号，可以检测出不同条件下水锤振动信号的能量；方差A2代表了信号能量的动态分量，反映了数据之间的离散程度，在模型预测和实验数据描述方面具有较好的准确性；有效值A3描述了振动信号的能量；

具体特征频域参数公式如下：

式中，S(k)表示信号的频域序列，其中k＝1,2，…，K,K为样本点的个数；引入频域特征统计参数来描述信号的特性：谱均值B1描述了它的波动，管道振动信号的频率分布用平均频率B2和均方根频率B3来描述；其中平均频率B2就是管道振动频率的平均值，均方根频率B3是均方频率的算术平方根，均方频率是信号频率平方的加权平均。

所述步骤S3中的特征集包括：底部塌陷、表面裸露和完全悬空，这三种情况的时、频域特征集。

S4，根据COMSOL仿真模型结果，电磁阀关闭主要产生水锤以及电磁阀金属球击打管道会产生振动波，提取450HZ附近内对输流管道周界早期塌陷类型敏感的振动信号特征；步骤S4中，提取敏感振动信号特征时，采用波包技术对信号进行分解重构，得到想要的小波包频段，再进行提取频域特征参数；具体的小波包选择三层小波，分为8个频段，Haar为小波基函数。

S5，构建不同机器学习基本模型，对支持向量机，随机森林，径向基神经网路和BP神经网络进行训练；采用交叉验证，验证模型准确率，从而选择最适合进一步优化的机器学习模型；

S6，对径向基神经网络模型进行进一步优化，主要是通过蚁群算法对径向基神经网络的参数设置进行优化。步骤S6中，径向基神经网络结构主要是输入层，径向基层和输出层；主要根据训练集来调整网络结构关系，其次是确定中心点和宽度参数。

步骤S6具体包括如下步骤：

S61：收集和整理用于训练和测试的管道数据，

S62：对数据的预处理，提取各类型特征值；

S63：建立基本的径向基神经网络，包括网络的结构、权重和偏置的初始化以及径向基函数，S64：通过蚁群算法对径向基网络的隐藏层和超参数进行迭代寻优，

S65：确定网络结构

S66：进一步的通过backpropagation算法进行参数的优化。

所述的步骤S64具体包括如下步骤：

初始化蚁群算法的参数，包括蚂蚁的数量、信息素的挥发率、信息素的初始浓度；

根据实际情况设置合适的数值进行蚂蚁迭代优化；

具体过程如下：

S64.1初始化蚁群参数：设置蚂蚁的数量和初始位置，确定蚁群规模，并为每只蚂蚁随机或根据特定策略分配一个初始位置；每个蚂蚁的权重和偏置随机初始化，并将其作为神经网络的初始参数；

S64.2初始化信息素矩阵：创建一个与问题规模相对应的信息素矩阵，初始值可以设为相同的常数或根据问题的特点进行调整；

S64.3蚂蚁的路径选择：每个蚂蚁根据当前的神经网络参数，在训练数据集上进行前向传播，并计算出损失函数的值，根据信息素浓度和启发式函数更新神经网络参数；

S64.4信息素更新：根据每只蚂蚁的路径质量，更新信息素浓度矩阵；较好的路径将增加信息素浓度，较差的路径将减少信息素浓度；

S64.5重复进行迭代优化，判断终止条件：设置迭代次数或停止条件：根据实际问题和经验设置合适的迭代次数或停止条件，如达到最大迭代次数、满足收敛条件；判断是否满足终止条件；

S64.6更新神经网络参数：在迭代过程中，记录并保存每轮迭代中的最优解，根据最优路径所对应的神经网络参数，更新神经网络的权重和偏置；

S64.7返回经过蚁群算法深度优化后的神经网络模型。

S7，对优化后的机器学习模型进行训练，得出识别率最高的参数集；

S8，将S7得出的识别率最高的参数集进行测试，分别对早期塌陷进行识别，得到输流管道周界早期塌陷类型。

一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被处理器执行时，使所述计算机可读存储介质所在设备执行上面所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法。

一种电子设备，包括处理器和存储器，所述的存储器存储有可在所述处理器上运行的程序，所述处理器执行所述程序时实现如上面所述的基于水锤波特征参数集机器学习的埋地输流管道周界塌陷预警方法。

本发明利用蚁群算法深度优化径向基神经网络，通过蚁群算法对相关参数进行寻优，蚁群算法的优化能力在目前所用到的主流优化算法中还是比较有优势的。并且运用交叉验证的方法，首先对超参数和经验公式设定范围内的隐含层节点数进行迭代寻优，然后再对初始权重和偏置量进行迭代寻优，从而使径向基神经网络的训练能力达到最优的效果。在使用交叉验证优化径向基神经网络时，将其整体优化问题分解为以下几个步骤：数据集划分，参数选择，模型训练，模型评估，超参数调优，重复以上步骤，直到找到表现最好的参数组合，并得到一个性能较好的径向基神经网络模型。这种使用交叉验证的方法能够帮助解决径向基神经网络整体优化问题，提高模型的准确性和泛化能力。

进一步的，为了详细的对本发明的方法进行进一步的解释说明，以下以具体实例进行进行详细的过程描述。

S1，通过COMSOL仿真，建立简单的管道模型，如图2，设置管道出口流体流速的模拟关阀函数采用sigmoid函数，利用流体惯性产生水锤，通过比较水锤在底部塌陷，表面裸露，完全悬空，这三种情况的传输特性，其时域信号和特征频率的敏感特性如图2所示。在时域方面水锤的峰值衰减影响较大，在此几何模型的基础上，进行全耦合特征频率求解。三阶，四阶特征频率对较为敏感。如图3所示，根据这些规律，分析关阀管道振动的敏感特征参数。

管道实验验证主要由水锤装置、实验数据采集系统、管周黏土三部分组成，水锤装置由DN20管路、自动电磁阀、流量计等系统部件组成，能够快速开启和关闭电磁阀产生水锤激励，同时控制水流速度为0.5m/s。管道系统由悬臂支撑，约束在钢架上，保证管与钢架的接触界面不影响实验。橡胶盒容纳管道的一部分作为埋地管道场景，可以模拟不同埋地管道早期塌陷的状况。研究了管道在底部塌陷，表面裸露，完全悬空，这三种情况下，水锤振动信号的传递特性，并通过数据采集系统采集实验数据进行分析。结果如图4上半部分所示，其中加速度传感器用于收集数据进行分析。

本发明根据管道的实际情况，利用埋地管道周界塌陷程度息的不同将缺陷进行了统一定义和分类，将埋地管道早期塌陷分为底部塌陷，表面裸露，完全悬空，这三种情况。然后建立埋地管道三维有限元模型，三维有限元模型中，每种早期塌陷在定义的相对位置内均匀排布，利用COMSOL对管道早期塌陷进行仿真，得到对应的水锤信号，从而获取不同塌陷类型下的水锤振动信号。

S2，数据预处理，对于收集到的管道振动加速度信号首先进行降噪操作，以下是一般的步骤：

导入数据：将管道振动加速度信号导入MATLAB环境中，可以使用importdata或者load函数。

高通滤波：如果信号中存在低频噪声，可以使用高通滤波来滤除。可以使用信号处理工具库的highpass函数或者designfilt函数设计高通滤波器，并使用filter函数将其应用于信号。

去噪处理：信号处理工具箱中提供了多种降噪方法，其中一种常用的是小波变换降噪。以下是使用小波变换降噪的基本步骤：

a.使用wavedec函数将信号进行小波分解，得到小波系数。

b.对小波系数进行阈值处理，将低幅度的小波系数设为零，保留高幅度的小波系数。

c.使用waverec函数将处理后的小波系数重构成降噪后的信号。

其中，由于数据采集系统设置的采样点为3000，根据采样定理，只能采集到小于1500HZ的信号，因此不需要低通滤波。

S3对于振动信号的时域和频域特征提取过程，主要通过以下表格中的特征以及表达式通过MATLAB设置成一个特征提取函数直接引用即可。

表1

其中，时域参数中，均值是一组数据的平均值，通过计算一段时间内的压力或流量数据的均值，可以了解系统的整体平均水平，对水锤现象进行初步评估。方差是一组数据离散程度的度量，描述数据的波动情况。在水锤问题中，方差可以反映系统的不稳定性和压力波动的强度。有效值是一组数据平方和的平均值开根号，也称为均方根值。有效值可以衡量水锤现象的能量大小，即压力或流量的振幅大小。

通过均值，我们可以了解系统的平均状态，判断整体水平是否偏高或偏低。方差可以帮助我们评估系统的稳定性和波动情况，了解水锤的强度。有效值是衡量水锤能量的指标，可以用来评估水锤的严重程度和对系统的影响。

频域参数中，频谱均值是通过将压力数据进行频谱分析后，计算频谱的均值。频谱均值可以反映水锤现象在频域上的分布情况。通过观察频谱均值的变化，可以判断水锤现象出现的频率范围和主要频率成分。均方频率是指通过频谱分析计算得到的能量集中的频率点。均方频率可以反映水锤现象在频域上的主要振动频率。通过监测均方频率的变化，可以判断水锤现象的频率特性以及可能的共振情况。均方根频率是通过频谱分析计算得到的频率分布的平方和开根号，也是反映水锤现象在频域上的能量分布情况的指标。均方根频率可以量化水锤现象在不同频率上的能量，帮助了解水锤的频率特性和能量分布。

通过频谱均值，我们可以了解管道关阀振动在不同频率上的分布，寻找可能的频率成分。

均方频率可以帮助我们确定主要振动频率，判断是否存在频率共振的风险。均方根频率可以量化在频域上的能量分布，帮助我们了解系统的频率特性和波动情况。通过分析这些频域特征参数，我们可以更全面地了解在频域上的特性，揭示频率分布、能量集中的情况。发明提取了6个表达塌陷类型的识别参数即参数A1、B1、A2、B2、A3、B3，且在实施例中先利用小波包技术对信号进行分解重构，得到想要的小波包频段，再进行提取频域特征参数。进一步的通过MATLAB深度学习工具库，将收集的特征集合进行初步的训练测试，分析各种机器学习方法的优劣，选择效果最好的径向基神经网络进行进一步优化调参。

S4，为了进一步提高训练效果，首先对训练参数集进行优化，根据COMSOL仿真模型结果，电磁阀关闭除了产生水锤，电磁阀金属球击打管道会产生谐振，根据图3可知第三个谐振点对早期塌陷类型敏感。提出一种新的组合，即将特定频段的振动信号提取出来分析其频域特征，如图4将管道的振动信号提取敏感频段做频域特征。将新的特征集合通过径向基神经网络训练学习。

S5，支持向量机，随机森林，径向基神经网路和BP神经网络进行训练。采用交叉验证，验证模型准确率。目的是选择最适合进一步优化ⁱ的机器学习模型，主要步骤如下：

数据准备：将训练数据整理成一个特征矩阵X和对应的标签向量Y。确保数据已经被标准化或预处理。

支持向量机(SVM)训练：a.使用fitcsvm函数创建一个支持向量机模型对象。b.使用train方法训练模型，传入特征矩阵X和标签向量Y。c.使用predict方法可对新数据进行分类预测。

随机森林训练：a.使用TreeBagger函数创建一个随机森林对象。b.使用train方法训练随机森林模型，传入特征矩阵X和标签向量Y。c.使用predict方法可对新数据进行分类预测。

径向基神经网络训练：a.使用newgrnn函数创建一个径向基神经网络对象。b.使用train方法训练网络模型，传入特征矩阵X和标签向量Y。c.使用sim方法可对新数据进行分类预测。

BP神经网络训练：a.使用feedforwardnet函数创建一个BP神经网络对象。b.设置网络的结构以及训练参数。c.使用train方法训练网络模型，传入特征矩阵X和标签向量Y。d.使用sim方法可对新数据进行分类预测。

从表2综合准确率上可以得出径向基神经网络效果在其他三种之上。

表2

S6，根据权利要求S5所述的一种基于机器学习的埋地输流管道早期周界塌陷振动信息特征参数集的识别及优化方法，其特征在于，步骤S5中，在径向基神经网络的训练过程中，数据的预处理：包括数据清洗、特征选择等处理，以提高数据的质量和可用性。神经网络的构建：确定网络结构，包括输入层、隐藏层和输出层的神经元数量等。同时，选择合适的激活函数和损失函数。权重和偏置的初始化：初始化神经网络中的权重和偏置，一般可以使用随机初始化的方法。利用反向传播算法(Backpropagation)进行参数的优化：通过将输入数据经过前向传播，然后计算损失并使用反向传播算法来更新权重和偏置，从而最小化损失函数。迭代训练：重复进行步骤4直到满足停止条件，例如达到最大迭代次数或损失函数收敛等。模型评估和优化：使用验证集或交叉验证等方法对训练得到的模型进行评估，并根据评估结果进行模型的优化，如调整网络结构、调整学习率等。

以上需要人工经验去调整优化过程可以通过蚁群算法进行自动深度优化，可以提高神经网络的分类准确率和收敛速度，从而提高埋地管道早期塌陷识别的效果，其优化过程如图6所示，其具体步骤如下：

初始化参数：设置蚂蚁的数量和初始位置：确定蚁群规模，并为每只蚂蚁随机或根据特定策略分配一个初始位置。

初始化信息素矩阵：创建一个与问题规模相对应的信息素矩阵，初始值可以设为相同的常数或根据问题的特点进行调整。

蚂蚁的移动机制：根据一定的概率选择下一个移动的位置。可以使用轮盘赌选择机制，根据信息素浓度和启发因子来确定选择的概率。

解的构建：蚂蚁根据选择的位置构建解，通常是通过遍历或路径连接等方式。

更新信息素：信息素更新机制：根据蚂蚁的构建解和问题的评价函数，更新信息素矩阵。常见的更新策略是通过蚂蚁每次移动的轨迹上的信息素增量来更新信息素矩阵。

信息素的挥发：在每次更新后，信息素会以一定的挥发率进行衰减，以增加搜索的全局性和探索的能力。

重复迭代：设置迭代次数或停止条件：根据实际问题和经验设置合适的迭代次数或停止条件，如达到最大迭代次数、满足收敛条件等。

迭代优化：在每次迭代中，通过前面的步骤不断更新蚂蚁的移动和解的构建，以及信息素的更新，直到达到停止条件。

输出和保存最优解：在迭代过程中，记录并保存每轮迭代中的最优解。

输出结果：在算法结束后，根据最优解和评价准则确定全局最优解。

每种早期塌陷类型分1250个作为训练集，350个作为测试集。径向基神经网络输入层节点为6，输出层节点的个数为3，隐含层节点数寻优后为12，将径向基神经网络的输出结果做取整处理。本实施例中，底部塌陷，表面裸露，完全悬空，这三种情况的数据集类别标签分别设置为1、2、3。

结合图7可知，优化后的径向基神经网络算法模型对样本数据的分类效果有个显著提升，能够实现对早期塌陷类型的有效判别，优化后的径向基神经网络的识别精度接98％，同时，通过蚁群算法优化径向基神经网络也验证了所选取的识别参数对于识别早期塌陷类型的有效性。

本发明提供一种基于水锤波特征参数集机器学习的埋地输流管道周界塌陷预警方法，能够准确的识别埋地输流管道周界早期塌陷类型，具有重大工程意义和良好应用前景。

进一步的，通过COMSOL分析电磁阀关闭水锤振动与埋地管道周界早期塌陷的敏感特性分析，再通过实验平台进行验证提取相应的识别特征参数和敏感频段的频域特征，分析不同特征参数集对于埋地管道周界早期塌陷类型反演的有效性，在埋地管道检测领域能够提高便捷以及提高管道塌陷识别的准确率，对于埋地管道的塌陷预防意义重大。

在本发明的描述中，需要说明的是，对于方位词，如有术语“中心”，“横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作，不能理解为限制本发明的具体保护范围。

需要说明的是，本申请的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

注意，上述仅为本发明的较佳实施例及运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行较详细的说明，但本发明不限于这里所述的特定实施例，在不脱离本发明构思的情况下，还可以包括更多其他等有效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，其特征在于：包括以下步骤：

S1，利用埋地管道周界塌陷程度息的不同将缺陷进行了统一定义和分类，将埋地管道早期塌陷分为底部塌陷，表面裸露，完全悬空，这三种情况；然后利用加速度传感器对实验平台管道系统的振动数据进行收集；收集的是水锤轴向振动数据，其中轴向就是管线延申的方向；

S2,针对管道系统收集的振动数据，进行数据批量预处理，得到样本数据，预处理采用去噪和数据分割；

S3，特征提取：提取预处理后的样本数据中不同埋地管道早期塌陷致水锤振动信号的时域敏感特征信息和频域特征，构成特征集；其中时域敏感特征信息由COMSOL建立有限元仿真模型，通过设置关阀函数来模拟关阀动作使管道产生水锤振动波，通过点探针对水锤振动波信息进行拾取分析得到；

S4，根据COMSOL仿真模型结果，电磁阀关闭主要产生水锤以及电磁阀金属球击打管道会产生振动波，提取450HZ附近内对输流管道周界早期塌陷类型敏感的振动信号特征；

S5，构建不同机器学习基本模型，对支持向量机，随机森林，径向基神经网路和BP神经网络进行训练；采用交叉验证，验证模型准确率，从而选择最适合进一步优化的机器学习模型；

S6，对径向基神经网络模型进行进一步优化，主要是通过蚁群算法对径向基神经网络的参数设置进行优化。

S7，对优化后的机器学习模型进行训练，得出识别率最高的参数集；

S8，将S7得出的识别率最高的参数集进行测试，分别对早期塌陷进行识别，得到输流管道周界早期塌陷类型。

2.根据权利要求1所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，其特征在于，所述步骤S3中提取的时域特征参数及表达式如下：

式中，x(n)表示信号的时域序列，其中n＝1,2，…，N,N为样本点的个数，用均值A1来描述信号，可以检测出不同条件下水锤振动信号的能量；方差A2代表了信号能量的动态分量，反映了数据之间的离散程度，在模型预测和实验数据描述方面具有较好的准确性；有效值A3描述了振动信号的能量；

具体特征频域参数公式如下：

式中，S(k)表示信号的频域序列，其中k＝1,2，…，K,K为样本点的个数；引入频域特征统计参数来描述信号的特性：谱均值B1描述了它的波动，管道振动信号的频率分布用平均频率B2和均方根频率B3来描述；表示所对应频域序列对应频率的平方。

3.根据权利要求1所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，其特征在于，所述步骤S3中的特征集包括：底部塌陷、表面裸露和完全悬空，这三种情况的时、频域特征集。

4.根据权利要求1所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，其特征在于，步骤S4中，提取敏感振动信号特征时，采用波包技术对信号进行分解重构，得到想要的小波包频段，再进行提取频域特征参数；具体的小波包选择三层小波，分为8个频段，Haar为小波基函数。

5.根据权利要求1所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，其特征在于，步骤S5中，引用MATLAB深度学习工具库进行初步训练测试，选择出最适合的机器学习方法进行测试优化:主要步骤如下：

数据准备：将训练数据整理成一个特征矩阵X和对应的标签向量Y；确保数据已经被标准化或预处理；

支持向量机训练：使用fitcsvm函数创建一个支持向量机模型对象；使用train方法训练模型，传入特征矩阵X和标签向量Y；使用predict方法可对新数据进行分类预测；

随机森林训练：使用TreeBagger函数创建一个随机森林对象；使用train方法训练随机森林模型，传入特征矩阵X和标签向量Y；使用predict方法可对新数据进行分类预测；

径向基神经网络训练：使用newgrnn函数创建一个径向基神经网络对象；使用train方法训练网络模型，传入特征矩阵X和标签向量Y；使用sim方法可对新数据进行分类预测；

BP神经网络训练：使用feedforwardnet函数创建一个BP神经网络对象；设置网络的结构以及训练参数；使用train方法训练网络模型，传入特征矩阵X和标签向量Y；使用sim方法可对新数据进行分类预测。

6.根据权利要求1所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，其特征在于，步骤S6中，径向基神经网络结构主要是输入层，径向基层和输出层；主要根据训练集来调整网络结构关系，其次是确定中心点和宽度参数。

7.根据权利要求6所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，其特征在于，步骤S6具体包括如下步骤：

S61：收集和整理用于训练和测试的管道数据，

S62：对数据的预处理，提取各类型特征值；

S63：建立基本的径向基神经网络，包括网络的结构、权重和偏置的初始化以及径向基函数，S64：通过蚁群算法对径向基网络的隐藏层和超参数进行迭代寻优，S65：确定网络结构；

S66：进一步的通过backpropagation算法进行参数的优化。

8.根据权利要求7所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法，其特征在于：所述的步骤S64具体包括如下步骤：

初始化蚁群算法的参数，包括蚂蚁的数量、信息素的挥发率、信息素的初始浓度；根据实际情况设置合适的数值进行蚂蚁迭代优化；

具体过程如下：

S64.1初始化蚁群参数：设置蚂蚁的数量和初始位置，确定蚁群规模，并为每只蚂蚁随机或根据特定策略分配一个初始位置；每个蚂蚁的权重和偏置随机初始化，并将其作为神经网络的初始参数；

S64.2初始化信息素矩阵：创建一个与问题规模相对应的信息素矩阵，初始值可以设为相同的常数或根据问题的特点进行调整；

S64.3蚂蚁的路径选择：每个蚂蚁根据当前的神经网络参数，在训练数据集上进行前向传播，并计算出损失函数的值，根据信息素浓度和启发式函数更新神经网络参数；

S64.4信息素更新：根据每只蚂蚁的路径质量，更新信息素浓度矩阵；较好的路径将增加信息素浓度，较差的路径将减少信息素浓度；

S64.5重复进行迭代优化，判断终止条件：设置迭代次数或停止条件：根据实际问题和经验设置合适的迭代次数或停止条件，如达到最大迭代次数、满足收敛条件；判断是否满足终止条件；

S64.6更新神经网络参数：在迭代过程中，记录并保存每轮迭代中的最优解，根据最优路径所对应的神经网络参数，更新神经网络的权重和偏置；

S64.7返回经过蚁群算法深度优化后的神经网络模型。

9.一种计算机可读存储介质，其上存有计算机程序，其特征在于：所述计算机程序被处理器执行时，使所述计算机可读存储介质所在设备执行权利要求1-8任意一项所述的基于水锤波特征参数集的埋地输流管道周界塌陷预警方法。

10.一种电子设备，其特征在于：包括处理器和存储器，所述的存储器存储有可在所述处理器上运行的程序，所述处理器执行所述程序时实现如1-8任意一项所述的基于水锤波特征参数集机器学习的埋地输流管道周界塌陷预警方法。