买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安理工大学

摘要：本发明公开基于变分模态分解和双向长短期网络的管道泄漏定位方法，具体包括以下步骤：步骤1：通过在有压输水管道系统中加装泄漏测试点，获取实验测试数据；步骤2：获取泄漏非泄漏状态、不同泄漏位置的实验测试数据，并设置对应的标签；步骤3：构建GWO‑VMD算法，然后对步骤2获得的实验测试数据进行模态分解并重构信号，对实验测试数据进行滤波；步骤4：以BiLSTM模型为基础，利用步骤3得到的数据进行模型进训练，以构建泄漏定位模型，并训练泄漏定位模型，验证模型的训练精度。该方法能够有效提取有压输水管道测量信号的泄漏特征，能够对有压输水管道中的泄漏位置进行准确分类定位。

主权项：1.基于变分模态分解和双向长短期网络的管道泄漏定位方法，其特征在于，具体包括以下步骤：步骤1：在安装有水泵、高频压力传感器、液体流量计的有压输水管道系统中，通过加装泄漏测试点，获取实验测试数据；步骤2：在步骤1的有压输水管道系统中开展泄漏测试研究，获取泄漏非泄漏状态、不同泄漏位置的实验测试数据，并设置对应的标签；步骤2中，实验测试数据获取方法如下：第一步，打开水泵并设定流量，流量大小不做限制；第二步，待压力和流量稳定后，即1秒的流量及压力的平均值的变化幅值均小于1％，在非泄漏工况下，记录一组高频压力信号数据Xi，采集时长为10～60秒，i表示第i组高频压力信号数据，Xi＝[x1,x2,...,xm]，m为有压输水管道系统中高频压力传感器的个数；第三步，在泄漏工况下记录一组高频压力信号数据Xi，在泄漏工况的记录过程中，当记录时长达到采集时长的一半时，打开一个泄漏测试点上的电磁阀并模拟泄漏，并记录至结束，完成该泄漏工况的数据记录后，关闭该电磁阀；第四步，待压力和流量稳定后，将第三步应用在新的泄漏测试点上，直至所有泄漏测试点均完成第三步为止；第五步，通过水泵改变流体流量，重复第二～四步；第六步，完成3～10次第五步操作后，关闭水泵，结束实验测试工作，对获取的泄漏非泄漏状态、不同泄漏位置的实验测试数据，设置对应的标签，标签包括非泄漏、1点泄漏、2点泄漏、...、v点泄漏，v代表点泄漏点的数量；步骤3：构建GWO-VMD算法，然后对步骤2获得的实验测试数据进行模态分解并重构信号，对实验测试数据进行滤波；步骤3具体为：步骤3.1：初始化GWO参数，随机生成狼群中个体的位置，个体位置对应[K,α]参数组合；其中，GWO参数设置为：种群规模为10～50，最大迭代次数为50～500；样本熵的参数设置：匹配阶数为2，容忍度为0.1；步骤3.2：对步骤2获得的每一组高频压力信号数据Xi＝[x1,x2,...,xm]中的压力信号数据xm均进行均值移除操作，以减少直流分量的影响，得到均值移除后的高频压力信号数据Yi＝[y1,y2,...,ym]，其中ym表达式如下： 其中，表示信号数据xm的平均值；步骤3.3：对Yi进行VMD分解，分解后，Yi中的每一个信号数据ym均会得到K个IMF分量和一个残差项，IMF分量依次命名为IMF1，IMF2，...，IMFK；接着，以IMFK的样本熵SE为损失函数，利用GWO算法对[K,α]的组合进行寻优，样本熵值越小表明该[K,α]组合越优；其中，VMD的参数寻优范围为：模态分解个数K为2～20，惩罚因子α为200～4000；步骤3.4：寻优过程中，利用该次寻优得到的[K,α]对高频压力信号数据Yi进行VMD分解，完成分解后，计算信号数据ym、各个IMF分量和残差项的信号能量E，并计算各个IMF分量和残差项的相对能量ERE，以信号能量E和相对能量ERE作为评判标准；信号能量E及相对能量ERE的表达式如下： 其中，N为信号的长度或者该组信号采样点的总数；yj表示信号在第j个采样点的值，j＝1，...，N；E1，...，EK表示第K个IMF分量的信号能量，EK+1表示残差项的信号能量；n＝1，...，K+1；如果各个IMF分量的ERE之和小于0.92或各个IMF分量和残差项的相对能量ERE大于1，则舍弃这个寻优结果，前者意味着欠分解，后者意味着过分解；步骤3.5：根据样本熵值，更新[K,α]的参数组合；重复迭代进行步骤3.1～3.3，直至满足停止条件后完成算法流程，即，迭代次数达到步骤3.1设置的最大迭代次数后，停止寻优并输出最优参数组合[K，α]；并采用该[K，α]组合对Yi＝[y1,y2,...,ym]进行滤波，得到滤波后的数据Zi＝[z1,z2,...,zm]，m为有压输水管道系统中高频压力传感器的个数，i表示第i组数据；步骤4：以BiLSTM模型为基础，利用步骤3得到的数据进行模型进训练，构建泄漏定位模型，并训练泄漏定位模型，验证模型训练精度；步骤4具体为：步骤4.1：将数据Zi及数据对应的标签按9:0.5:0.5的比例划分为训练集、验证集和测试集三部分；步骤4.2：构建泄漏检测定位模型，泄漏检测定位模型的结构依次包括了输入层、BiLSTM层、丢弃层、BiLSTM层、丢弃层、全连接层、Softmax层以及输出层；其中，BiLSTM层的神经元个数：10～200；丢弃层的丢弃率：10～40％；训练目标：训练轮次达到设定的最大迭代轮次：500～2000，或者训练集和验证集精度均达到预期目标：精度≥99％；每次训练过程中，均按照丢弃率使部分神经元不更新权值和阈值，丢弃率为不更新权值和阈值的神经元占总神经元的比例；步骤4.3：初始化泄漏定位模型，并将训练集和测试集数据导入泄漏定位模型的输入层进行训练；每次训练过程中，数据将依次通过BiLSTM层、丢弃层、BiLSTM层、丢弃层、全连接层和Softmax层，并完成一次模型训练；随后在输出层输出预测结果，并比较预测结果与实际真实结果的差异；接着，基于预测结果与实际真实结果的差异，依据负反馈算法迭代各层神经元的权值和阈值，直至达到步骤4.2所设定的训练目标后，输出训练得到的泄漏定位模型；步骤4.4：将测试集数据输入步骤4.3训练得到的泄漏定位模型，以验证模型的训练精度；验证完毕后，输出结果并保存泄漏定位模型；如果泄漏定位模型在测试集中表现不佳，即精度低于95％，则重新进行步骤4.3～4.4，以保障模型的泛化性。

全文数据：

权利要求：

百度查询： 西安理工大学 基于变分模态分解和双向长短期网络的管道泄漏定位方法