申请/专利权人：郑州大学

申请日：2023-05-05

公开（公告）日：2024-06-25

公开（公告）号：CN116702638B

主分类号：G06F30/28

分类号：G06F30/28;G06F30/23;G06F113/08;G06F119/14;G06F113/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2023.09.22#实质审查的生效;2023.09.05#公开

摘要：本发明涉及排水管道病害诊断技术领域，涉及一种排水管道淤积病害双层智能诊断方法及系统，包括：一、基于流体动力学的管道淤积病害瞬时水力模型分析；二、利用真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，以足尺试验‑精细化数值模拟‑现场定期监测为多维度数据驱动路径，实现多维度数据驱动分析与筛选；三、结合去噪自编码器和生成对抗网络，实现管道淤积数据集多源异构数据融合和数据集扩充；四、建立知识‑数据协同驱动的排水管道淤积病害双层智能诊断模型并对模型进行训练；五、得到的管道淤积双层智能诊断结果。本发明能较佳地诊断排水管道病害。

主权项：1.排水管道淤积病害双层智能诊断方法，其特征在于：包括以下步骤：一、基于流体动力学的管道淤积病害瞬时水力模型分析；二、利用现场定期监测采集到的真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，以足尺试验-精细化数值模拟-现场定期监测为多维度数据驱动路径，实现管道多源异构数据指标集的多维度数据驱动分析与筛选；三、结合去噪自编码器和生成对抗网络，实现管道淤积数据集多源异构数据融合和数据集扩充；四、采用随机森林、复杂控制方程嵌入、通用知识嵌入、固液耦合多场知识嵌入和深度学习方法，建立知识-数据协同驱动的排水管道淤积病害双层智能诊断模型并对模型进行训练；五、得到的管道淤积双层智能诊断结果，并更新存储到控制台的综合管理数据库中，由控制台服务器显示所有管道淤积情况诊断结果的可视化界面；步骤一中，所述管道淤积病害瞬时水力模型分析从多相流和多场的角度进行推导，构建了重力场、压力场、应力场、流场共同作用下的管道淤积多场耦合瞬态水力模型；步骤一中，流体动力学包括时均运动方程、脉动运动方程、质量动量矩守恒方程；所述管道淤积多场耦合瞬态水力模型的构建步骤，包括：步骤1：依据水流不可压缩和体积守恒原理，得到管道淤积多场耦合瞬态水力模型的时均运动方程和脉动运动方程步骤2：依据流体力学中水体参考单元的动量守恒原理，构建质量动量矩守恒方程为： 其中，vt为单位质量水流的紊动能，κ为紊流运动粘性系数，xi、xj为管道淤积多场耦合瞬态水力模型中u、v、w所在的坐标轴x、y、z中任意两个；在一段时间范围内，管道中水流为恒定均匀流，则有v＝w≈0；步骤一中，由时均湍流方程法和欧拉-拉格朗日法联立求解，所述管道淤积多场耦合瞬态水力模型分析能够得到管道淤积质起始位置流速分布规律、剪切应力和起动条件，具体表达式如下： 其中，u、v、w分别为管段垂直平均流速在三维坐标系x、y、z轴上的分量，为湍流在各坐标轴方向上的实时脉动流速，ρ为含沙水流密度，g为水流的重力加速度，α表示管道与标准水平面之间的夹角，μ为动力粘性系数，为涡粘性系数模型，h、hs分别为管底到水面的总高度和淤积质厚度，us为淤积起始位置沿z轴方向上的水深平均流速，C为谢才系数，B表示管道直径，J为管道水力坡降，ρw、ρs分别表示水流和淤积质的密度，D为淤积质颗粒的直径，为淤积质颗粒的摩擦角，τt表示临界起动剪切应力；步骤二中，所述足尺试验是指搭建可人工控制的试验管段，通过基于传感器的数据采集和管道淤积多场耦合瞬态水力模型中的理论结构式量化得到管道汇流瞬时状态参数的准确值；所述以足尺试验-精细化数值模拟-现场定期监测为多维度数据驱动路径，实现管道多源异构数据指标集的多维度数据驱动分析与筛选，是指利用现场定期监测采集到的真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，最大程度保证足尺试验和真实管道淤积状态保持一致，同时利用基于相关性理论的指标集筛选机制进行数据集筛选；所述相关性理论是指灰关联熵分析方法量化各数据指标集、管道淤积情况间的关联程度；指标筛选过程中的灰关联熵HXj和灰熵关联度ErXj表示如下： 其中，Pn表示第n个待筛选指标的灰关联系数分布映射，r为待筛选指标个数，Xj为第j个待筛选指标随时间变化的序列；步骤四中，所述知识-数据协同驱动的排水管道淤积病害双层智能诊断模型是指：引入多目标遗传随机森林对特征进行管道淤积的粗粒度分类，进而提出基于多源长短期记忆神经网络和知识嵌入的管道淤积细粒度诊断方法，具体步骤包括：1通过多目标随机森林MRF对管道监测系统采集到的大数据样本进行训练和深层特征数据挖掘；2计算不同样本采样周期的多尺度离散熵，选取熵值最小的周期T作为淤积病害检测模型的更新周期；3在有监督和无监督深度学习的网络编码器感知节点中增加管道淤积情况与过流特性耦合关系的知识嵌入，利用主成分分析PCA对MRF提取的深层管道功能性病害关键特征做进一步的降维压缩；4采用支持向量机SVM对各检测区域管道是否存在淤积进行判别，管线淤积病害粗粒度诊断输出结果为淤积状态时，进入下一轮细粒度淤积诊断；5在LSTM训练模型的基础上，引入管线出入口流速流量时间序列的多尺度卷积块结构，以此丰富模型的输入特征；所述知识嵌入是指通过复杂控制方程嵌入、通用知识嵌入和固液耦合多场知识嵌入，依托固液有限元分析和流体动力学得到的领域知识与先验经验，对深度学习模型中的损失函数、模型参数进行边界约束和优化调整。

全文数据：

权利要求：

百度查询： 郑州大学 排水管道淤积病害双层智能诊断方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD