本發(fā)明涉及燃?xì)夤艿腊踩A(yù)警，尤其涉及一種多源異構(gòu)燃?xì)夤芫W(wǎng)數(shù)據(jù)融合的管道泄漏預(yù)警方法及裝置。

背景技術(shù)：

1、燃?xì)夤芫W(wǎng)是用于輸送燃?xì)獾墓艿老到y(tǒng)，可將燃?xì)鈴纳a(chǎn)或儲存的地點(diǎn)安全、高效地輸送到用戶身邊，滿足用戶的用氣需求。燃?xì)夤芫W(wǎng)是城市重要的公用基礎(chǔ)設(shè)施之一，也是國家能源建設(shè)的重要組成部分，用以提供可靠、清潔、安全的能源供應(yīng)，支持經(jīng)濟(jì)發(fā)展和能源轉(zhuǎn)型，它在城市化進(jìn)程和能源供應(yīng)中發(fā)揮著重要作用，對社會和經(jīng)濟(jì)的可持續(xù)發(fā)展具有積極的影響。目前，中國已經(jīng)建設(shè)了數(shù)十萬公里的燃?xì)夤艿?，覆蓋了大部分城市和農(nóng)村地區(qū)。然而，這也對燃?xì)夤艿赖陌踩蕴岢隽藝?yán)格要求。部分地區(qū)的老舊燃?xì)夤艿来嬖诟g、泄漏等問題，增加了安全風(fēng)險。

2、通過針對燃?xì)夤芫W(wǎng)數(shù)據(jù)的實(shí)時分析，可以有效的檢測管網(wǎng)是否存在潛在的泄漏風(fēng)險。然而，由于燃?xì)夤芫W(wǎng)設(shè)備數(shù)量龐大，每時每刻都在產(chǎn)生大量運(yùn)行數(shù)據(jù)。管道傳感器類型多樣、燃?xì)鈽I(yè)務(wù)場景多元，多類數(shù)據(jù)來源于多個環(huán)節(jié)與不同部門，包含結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)。如何利用這些多源異構(gòu)數(shù)據(jù)，實(shí)現(xiàn)管網(wǎng)安全的監(jiān)測，是當(dāng)前急需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在提供一種克服上述問題或者至少部分地解決上述問題的多源異構(gòu)燃?xì)夤芫W(wǎng)數(shù)據(jù)融合的管道泄漏預(yù)警方法及裝置。

2、為達(dá)到上述目的，本發(fā)明的技術(shù)方案具體是這樣實(shí)現(xiàn)的：

3、本發(fā)明的一個方面提供了一種多源異構(gòu)燃?xì)夤芫W(wǎng)數(shù)據(jù)融合的管道泄漏預(yù)警方法，包括：

4、獲取燃?xì)夤芫W(wǎng)數(shù)據(jù)中心的多源異構(gòu)數(shù)據(jù)，將所述多源異構(gòu)數(shù)據(jù)劃按照結(jié)構(gòu)類型劃分為數(shù)值數(shù)據(jù)和圖像數(shù)據(jù)；

5、對所述數(shù)值數(shù)據(jù)和所述圖像數(shù)據(jù)分別進(jìn)行預(yù)處理操作；

6、構(gòu)建并訓(xùn)練支持向量機(jī)模型和深度卷積神經(jīng)網(wǎng)絡(luò)模型；

7、將預(yù)處理后的數(shù)值數(shù)據(jù)輸入所述支持向量機(jī)模型，得到數(shù)值數(shù)據(jù)分類判別結(jié)果，將預(yù)處理后的圖像數(shù)據(jù)輸入所述深度卷積神經(jīng)網(wǎng)絡(luò)模型，得到圖像數(shù)據(jù)分類判別結(jié)果；

8、依照d-s證據(jù)理論融合所述數(shù)值數(shù)據(jù)分類判別結(jié)果和所述圖像數(shù)據(jù)分類判別結(jié)果，輸出綜合決策結(jié)果。

9、可選地，所述獲取燃?xì)夤芫W(wǎng)數(shù)據(jù)中心的多源異構(gòu)數(shù)據(jù)包括：

10、從所述燃?xì)夤芫W(wǎng)數(shù)據(jù)中心獲取所述多源異構(gòu)數(shù)據(jù)，所述多源異構(gòu)數(shù)據(jù)包括：燃?xì)夤芫W(wǎng)壓力、流量、溫度、濕度、聲音、圖像數(shù)據(jù)；

11、對獲取到的所述多源異構(gòu)數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換和標(biāo)準(zhǔn)化處理。

12、可選地，所述將所述多源異構(gòu)數(shù)據(jù)劃按照結(jié)構(gòu)類型劃分為數(shù)值數(shù)據(jù)和圖像數(shù)據(jù)包括：

13、對所述多源異構(gòu)數(shù)據(jù)進(jìn)行特征提取，提取出數(shù)值特征和圖像特征；

14、將所述數(shù)值特征組合成所述數(shù)值數(shù)據(jù)，將所述圖像特征組合成所述圖像數(shù)據(jù)。

15、可選地，所述對所述數(shù)值數(shù)據(jù)進(jìn)行預(yù)處理操作包括：

16、檢查所述數(shù)值數(shù)據(jù)是否有缺失值，如果有則使用中位數(shù)填充缺失值；

17、使用數(shù)據(jù)標(biāo)準(zhǔn)化方法檢測是否存在異常值，如果存在對異常值進(jìn)行處理；

18、對所述數(shù)值數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

19、所述對所述圖像數(shù)據(jù)進(jìn)行預(yù)處理操作包括：

20、檢查所述圖像數(shù)據(jù)是否存在損壞、重復(fù)、不完整問題并刪除質(zhì)量低或不合格圖像；

21、對圖像進(jìn)行裁剪；

22、通過數(shù)據(jù)標(biāo)準(zhǔn)化將像素值轉(zhuǎn)換到[0,1]區(qū)間中。

23、可選地，所述構(gòu)建并訓(xùn)練支持向量機(jī)模型包括：

24、利用已知的燃?xì)夤芫W(wǎng)泄漏和正常情況下的數(shù)值數(shù)據(jù)作為訓(xùn)練集和測試集，構(gòu)建并利用所述訓(xùn)練集訓(xùn)練所述支持向量機(jī)模型，使用所述測試集評估訓(xùn)練后的支持向量機(jī)模型，對所述支持向量機(jī)模型參數(shù)進(jìn)行調(diào)優(yōu)；

25、所述構(gòu)建并訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型包括：

26、設(shè)置所述深度卷積神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，利用已知的燃?xì)夤芫W(wǎng)泄漏和正常情況下的圖像數(shù)據(jù)作為訓(xùn)練集訓(xùn)練所述深度卷積神經(jīng)網(wǎng)絡(luò)模型，采用優(yōu)化器優(yōu)化所述深度卷積神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和偏置。

27、可選地，數(shù)據(jù)分類判別結(jié)果和所述圖像數(shù)據(jù)分類判別結(jié)果，輸出綜合決策結(jié)果包括：

28、將所述支持向量機(jī)模型輸出的概率轉(zhuǎn)換為第一證據(jù)；

29、將所述深度卷積神經(jīng)網(wǎng)絡(luò)模型輸出的概率轉(zhuǎn)化為第二證據(jù)；

30、使用dempster組合規(guī)則融合分類結(jié)果：

31、bel(a∩b)＝∑bel(ai)*bel(bj)；。

32、其中：bel(a∩b)為合并的證據(jù)，bel(ai)為來自所述支持向量機(jī)模型輸出的第一證據(jù)，bel(bj)為來自所述深度卷積神經(jīng)網(wǎng)絡(luò)模型輸出的第二證據(jù)；

33、通過上述公式計算出bel′(泄漏)和bel′(未泄漏)，計算的結(jié)果為最終泄漏和未泄漏的概率；

34、比較bel′(泄漏)和bel′(未泄漏)大小，若bel′(泄漏)-bel′(未泄漏)>0，則做出管道泄漏的綜合決策結(jié)果；若bel′(泄漏)-bel′(未泄漏)<0，則做出管道未泄漏的綜合決策結(jié)果，若bel′(泄漏)-bel′(未泄漏)＝0，則做出“無法確定是否泄漏”的綜合決策結(jié)果。

35、本發(fā)明的另一個方面提供了一種多源異構(gòu)燃?xì)夤芫W(wǎng)數(shù)據(jù)融合的管道泄漏預(yù)警裝置，包括：

36、獲取模塊，用于獲取燃?xì)夤芫W(wǎng)數(shù)據(jù)中心的多源異構(gòu)數(shù)據(jù)，將所述多源異構(gòu)數(shù)據(jù)劃按照結(jié)構(gòu)類型劃分為數(shù)值數(shù)據(jù)和圖像數(shù)據(jù)；

37、預(yù)處理模塊，用于對所述數(shù)值數(shù)據(jù)和所述圖像數(shù)據(jù)分別進(jìn)行預(yù)處理操作；

38、訓(xùn)練模塊，用于構(gòu)建并訓(xùn)練支持向量機(jī)模型和深度卷積神經(jīng)網(wǎng)絡(luò)模型；

39、判別模塊，用于將預(yù)處理后的數(shù)值數(shù)據(jù)輸入所述支持向量機(jī)模型，得到數(shù)值數(shù)據(jù)分類判別結(jié)果，將預(yù)處理后的圖像數(shù)據(jù)輸入所述深度卷積神經(jīng)網(wǎng)絡(luò)模型，得到圖像數(shù)據(jù)分類判別結(jié)果；

40、融合模塊，用于依照d-s證據(jù)理論融合所述數(shù)值數(shù)據(jù)分類判別結(jié)果和所述圖像數(shù)據(jù)分類判別結(jié)果，輸出綜合決策結(jié)果。

41、可選地，所述獲取模塊通過如下方式獲取燃?xì)夤芫W(wǎng)數(shù)據(jù)中心的多源異構(gòu)數(shù)據(jù)：

42、從所述燃?xì)夤芫W(wǎng)數(shù)據(jù)中心獲取所述多源異構(gòu)數(shù)據(jù)，所述多源異構(gòu)數(shù)據(jù)包括：燃?xì)夤芫W(wǎng)壓力、流量、溫度、濕度、聲音、圖像數(shù)據(jù)；

43、對獲取到的所述多源異構(gòu)數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換和標(biāo)準(zhǔn)化處理。

44、可選地，所述獲取模塊通過如下方式將所述多源異構(gòu)數(shù)據(jù)劃按照結(jié)構(gòu)類型劃分為數(shù)值數(shù)據(jù)和圖像數(shù)據(jù)：

45、對所述多源異構(gòu)數(shù)據(jù)進(jìn)行特征提取，提取出數(shù)值特征和圖像特征；

46、將所述數(shù)值特征組合成所述數(shù)值數(shù)據(jù)，將所述圖像特征組合成所述圖像數(shù)據(jù)。

47、可選地，所述預(yù)處理模塊通過如下方式對所述數(shù)值數(shù)據(jù)進(jìn)行預(yù)處理操作：

48、檢查所述數(shù)值數(shù)據(jù)是否有缺失值，如果有則使用中位數(shù)填充缺失值；

49、使用數(shù)據(jù)標(biāo)準(zhǔn)化方法檢測是否存在異常值，如果存在對異常值進(jìn)行處理；

50、對所述數(shù)值數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

51、所述預(yù)處理模塊通過如下方式對所述圖像數(shù)據(jù)進(jìn)行預(yù)處理操作：

52、檢查所述圖像數(shù)據(jù)是否存在損壞、重復(fù)、不完整問題并刪除質(zhì)量低或不合格圖像；

53、對圖像進(jìn)行裁剪；

54、通過數(shù)據(jù)標(biāo)準(zhǔn)化將像素值轉(zhuǎn)換到[0,1]區(qū)間中。

55、可選地，所述訓(xùn)練模塊通過如下方式構(gòu)建并訓(xùn)練支持向量機(jī)模型：

56、利用已知的燃?xì)夤芫W(wǎng)泄漏和正常情況下的數(shù)值數(shù)據(jù)作為訓(xùn)練集和測試集，構(gòu)建并利用所述訓(xùn)練集訓(xùn)練所述支持向量機(jī)模型，使用所述測試集評估訓(xùn)練后的支持向量機(jī)模型，對所述支持向量機(jī)模型參數(shù)進(jìn)行調(diào)優(yōu)；

57、所述訓(xùn)練模塊通過如下方式構(gòu)建并訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型：

58、設(shè)置所述深度卷積神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，利用已知的燃?xì)夤芫W(wǎng)泄漏和正常情況下的圖像數(shù)據(jù)作為訓(xùn)練集訓(xùn)練所述深度卷積神經(jīng)網(wǎng)絡(luò)模型，采用優(yōu)化器優(yōu)化所述深度卷積神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和偏置。

59、可選地，所述融合模塊通過如下方式依照d-s證據(jù)理論融合所述數(shù)值數(shù)據(jù)分類判別結(jié)果和所述圖像數(shù)據(jù)分類判別結(jié)果，輸出綜合決策結(jié)果：

60、將所述支持向量機(jī)模型輸出的概率轉(zhuǎn)換為第一證據(jù)；

61、將所述深度卷積神經(jīng)網(wǎng)絡(luò)模型輸出的概率轉(zhuǎn)化為第二證據(jù)；

62、使用dempster組合規(guī)則融合分類結(jié)果：

63、bel(a∩b)＝∑bel(ai)*bel(bj)；。

64、其中：bel(a∩b)為合并的證據(jù)，bel(ai)為來自所述支持向量機(jī)模型輸出的第一證據(jù)，bel(bj)為來自所述深度卷積神經(jīng)網(wǎng)絡(luò)模型輸出的第二證據(jù)；

65、通過上述公式計算出bel′(泄漏)和bel′(未泄漏)，計算的結(jié)果為最終泄漏和未泄漏的概率；

66、比較bel′(泄漏)和bel′(未泄漏)大小，若bel′(泄漏)-bel′(未泄漏)>0，則做出管道泄漏的綜合決策結(jié)果；若bel′(泄漏)-bel′(未泄漏)<0，則做出管道未泄漏的綜合決策結(jié)果，若bel′(泄漏)-bel′(未泄漏)＝0，則做出“無法確定是否泄漏”的綜合決策結(jié)果。

67、由此可見，通過本發(fā)明提供的多源異構(gòu)燃?xì)夤芫W(wǎng)數(shù)據(jù)融合的管道泄漏預(yù)警方法及裝置，數(shù)據(jù)層面對多源異構(gòu)數(shù)據(jù)進(jìn)行預(yù)處理，針對數(shù)值型數(shù)據(jù)和圖像數(shù)據(jù)采用不同的預(yù)處理方法，實(shí)現(xiàn)對燃?xì)夤芫W(wǎng)物理屬性數(shù)據(jù)和影像數(shù)據(jù)的預(yù)先處理；特征層面構(gòu)建支持向量機(jī)模型和深度卷積神經(jīng)網(wǎng)絡(luò)模型分別提取數(shù)值數(shù)據(jù)和圖像數(shù)據(jù)的特征，并輸出分類概率，為決策層提供證據(jù)基礎(chǔ)；決策層面基于d-s證據(jù)理論，對模型的判斷結(jié)果進(jìn)行融合決策，得出最終燃?xì)夤艿朗欠裥孤┑淖罱K決策判斷。本發(fā)明分別對異構(gòu)數(shù)據(jù)采取不同的特征抽取方案，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的精準(zhǔn)特征提取，通過證據(jù)理論將異構(gòu)數(shù)據(jù)特征充分融合，消除了數(shù)據(jù)源的不確定性，最終實(shí)現(xiàn)對燃?xì)夤芫W(wǎng)泄漏潛在風(fēng)險的有效預(yù)警。