專利名稱：基于遺傳神經(jīng)網(wǎng)絡(luò)的管道壓力缺失數(shù)據(jù)補償方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于管道檢測技術(shù)領(lǐng)域，特別涉及一種基于遺傳神經(jīng)網(wǎng)絡(luò)的管道壓力缺失數(shù)據(jù)補償方法及裝置。
背景技術(shù)：
隨著十幾年來經(jīng)濟的飛速發(fā)展，輸油管道泄漏檢測技術(shù)也有著長足的進步，但是在輸油管道運行過程中，腐蝕、自然與地質(zhì)災(zāi)害、違章施工、打孔盜油等多種情況，都可能造成管道泄漏，甚至引起爆炸、燃燒，導(dǎo)致人員傷亡和環(huán)境污染等嚴(yán)重事故，產(chǎn)生較大經(jīng)濟損失和惡劣社會影響。因此，對于輸油管道安全性的要求也日益提高。輸油管道的壓力數(shù)據(jù)對于檢測管道泄漏和漏點定位有著重要的研究意義和價值。運用當(dāng)今的技術(shù)手段，可以從這些數(shù)據(jù)中分析出輸油管道系統(tǒng)在某一時刻的運行狀態(tài)，這便于工作人員第一時間發(fā)現(xiàn)和解決不安全因素。然而，在管道壓力數(shù)據(jù)采集的過程中可能出現(xiàn)傳感器故障、AD采集故障、 數(shù)據(jù)存儲故障和網(wǎng)絡(luò)通信故障等未知情況，這些情況都可以造成管道壓力數(shù)據(jù)的不完整， 使管道的實時信息失去連續(xù)性，進而管道的壓力數(shù)據(jù)不能構(gòu)成完整的、有效的時間序列，這將對管道實時信息的獲取和研究產(chǎn)生嚴(yán)重的影響。目前，在輸油管道泄漏檢測技術(shù)領(lǐng)域，針對壓力數(shù)據(jù)的缺失問題還沒有很好的解決辦法。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提供了一種基于遺傳神經(jīng)網(wǎng)絡(luò)的管道壓力缺失數(shù)據(jù)補償方法及裝置。該裝置包括A/D數(shù)據(jù)采集單元、DSP數(shù)據(jù)處理單元和ARM-Linux數(shù)據(jù)采集控制單元；其中A/D數(shù)據(jù)采集單元包括變送器、多路復(fù)用器、儀表放大器和A/D數(shù)據(jù)采集模塊；DSP數(shù)據(jù)處理單元包括數(shù)據(jù)緩存器、DSP芯片和掃描表；ARM-Linux數(shù)據(jù)采集控制單元包括ARM處理器、ARM液晶顯示屏和GPS模塊；該裝置中采集壓力、流量、密度參數(shù)的變送器安裝在管道內(nèi)，采集壓力、流量、密度參數(shù)的變送器輸出端接入多路復(fù)用器的輸入端，多路復(fù)用器的輸出端連接到儀表放大器的輸入端，儀表放大器的輸出端連接A/D數(shù)據(jù)采集模塊輸入端，A/D數(shù)據(jù)采集模塊的輸出端連接數(shù)據(jù)緩存器的輸入端，數(shù)據(jù)緩存器的輸出端連接到DSP芯片的輸入端，DSP芯片的輸出端連接到ARM處理器的輸入端，ARM處理器的輸入輸出端連接GPS模塊的輸入輸出端，ARM液晶顯示屏的輸出輸入端連接ARM處理器的輸入輸出端，DSP芯片的輸出端連接掃描表的輸入端，掃描表的輸出端分別連接多路復(fù)用器和儀表放大器的輸入端。采用該裝置進行管道壓力缺失數(shù)據(jù)補償方法，按如下步驟進行步驟一變送器采集的模擬信號通過多路復(fù)用器后，其中壓力信號被選中，進入儀表放大器，放大之后進入A/D數(shù)據(jù)采集模塊；
7
步驟二 經(jīng)過A/D數(shù)據(jù)采集模塊轉(zhuǎn)換后的數(shù)據(jù)通過數(shù)據(jù)緩存器進入DSP芯片進行處理，DSP芯片采用低通切比雪夫濾波算法對傳送來的數(shù)據(jù)進行濾波，將大于IKHz的高頻信號濾除，消除外界對輸油管道信號造成的較大擾動；步驟三根據(jù)輸油管道的壓力信號呈現(xiàn)出的統(tǒng)計特性，選取壓力特征提取指標(biāo)， 盡管特征指標(biāo)能夠反映管道壓力所包含的信息，但是對于管道壓力缺失數(shù)據(jù)補償并不一定都有效。對這些已選取的特征指標(biāo)進行進一步的提取，即主成分分析PCA(Principal Component Analysis)；步驟四設(shè)步驟三所得到的m個特征指標(biāo)為，…，Xm，將要通過PCA提取得到的特征指標(biāo)為t1; t2，…，tk，其中k < m，采用累積方差貢獻率法對步驟三所得到的特征指標(biāo)進行降維處理；方法按如下步驟進行步驟1、由第三步得到的m個特征指標(biāo)、η個數(shù)據(jù)向量樣本組成檢測數(shù)據(jù)矩陣X，對檢測數(shù)據(jù)矩陣中的數(shù)據(jù)作歸一化處理，設(shè)X的均值向量為μ，標(biāo)準(zhǔn)差向量為σ，則歸一化的過程變量為Xlj = (xy ~μ])/σ] i = 1,2Λ ,η; j = 1,2Λ，m(1)其中Xij為檢測數(shù)據(jù)矩陣X的元素，i為矩陣X的行數(shù)，j為矩陣X的列數(shù)；h和σ彳分別為第i個數(shù)據(jù)向量Xi的均值和標(biāo)準(zhǔn)差；m為特征指標(biāo)的數(shù)量，η為數(shù)據(jù)向量樣本個數(shù)；i，j，m，n 均屬實數(shù)；記歸一化后的檢測數(shù)據(jù)矩陣為X，X的協(xié)方差矩陣為E，通過MATLAB軟件中的 EIG函數(shù)來計算協(xié)方差矩陣EWm個特征值λ」，進而得到對應(yīng)的單位化正交特征向量Pj ；步驟2、計算第j個主元q} = XP1(2)步驟3、建立如下主元模型1 = qX + q2P2T +Λ+ qmPTm ⑶其中 為第j個主元；Ρ」為第j個負荷向量，每對qj，Pj都是按特征向量Pj的特征值λ ^的降冪排列，其中第一對截獲了所有分解的負荷向量和主元向量對中最大信息量；步驟4、通過計算累積方差貢獻率確定主元
kj m累積方差貢獻率-Jh=[ΣΛ /ΣΛ]χ100%
；=1 / ；=1其中k表示含最大信息量的最少主元數(shù)通過以上過程計算后，由各主元的累計方差貢獻率的大小確定k值，最終確定遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入矩陣的特征指標(biāo)t1; t2，…，tk ；步驟五將步驟四得到的特征指標(biāo)作為遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入矩陣，按4 1的比例將樣本矩陣分成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，由遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測輸油管道壓力缺失數(shù)據(jù)， 網(wǎng)絡(luò)的訓(xùn)練具體過程如下步驟1、GIF Elman神經(jīng)網(wǎng)絡(luò)參數(shù)編碼采用實數(shù)編碼，一個實數(shù)對應(yīng)于一個具體的待優(yōu)化的網(wǎng)絡(luò)參數(shù)，編碼串的長度為參數(shù)個數(shù)的總和，GIF Elman全信息反饋神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點數(shù)R，隱含層節(jié)點數(shù)Si，輸
8出層節(jié)點數(shù)S2，承接層1節(jié)點數(shù)Sl和承接層2的節(jié)點數(shù)S2，以及它們的連接權(quán)組成的編碼長度如下S = RXS1+S1 XSl+Sl XS2+S2XS2+S2XS1+S1+S2 (4)其中RXS1為輸入層至隱含層連接權(quán)IW{1，1}中權(quán)值的個數(shù)，Sl XSl為承接層1 至隱含層連接權(quán)LW{1，1}中權(quán)值的個數(shù)，S1XS2為隱含層至輸出層連接權(quán)LW{2，1}中權(quán)值的個數(shù)，S2XS2為承接層2至輸出層的連接權(quán)LW{2，2}中權(quán)值的個數(shù)，S2XS1為承接層2 至隱含層連接權(quán)LW{1，2}中權(quán)值的個數(shù)；步驟2、產(chǎn)生初始種群設(shè)M為種群的大小，即種群中所含個體的數(shù)量，整數(shù)M—般取值為[20，100]之間， 遺傳優(yōu)化程序中選取M= 50 ；G為遺傳算法終止進化代數(shù)，G的取值范圍為[100，500]之間的整數(shù)，遺傳優(yōu)化程序中選取G= 100 ；隨機產(chǎn)生T個染色體串，染色體串的編碼長度由式 (4)確定；步驟3、計算個體適應(yīng)值在遺傳算法中，以個體適應(yīng)度的大小來確定該個體被遺傳到下一代個體中的概率。適應(yīng)度函數(shù)是遺傳算法指導(dǎo)搜索的唯一信息，它的好壞是衡量算法優(yōu)劣的關(guān)鍵。將適應(yīng)度函數(shù)取為輸出端的平方誤差的倒數(shù)，即對第i個體，其適應(yīng)度函數(shù)為
權(quán)利要求
1.一種基于遺傳神經(jīng)網(wǎng)絡(luò)的管道壓力缺失數(shù)據(jù)補償裝置，其特征在于該裝置包括A/ D數(shù)據(jù)采集單元、DSP數(shù)據(jù)處理單元和ARM-Linux數(shù)據(jù)采集控制單元；其中A/D數(shù)據(jù)采集單元包括變送器、多路復(fù)用器、儀表放大器和A/D數(shù)據(jù)采集模塊； DSP數(shù)據(jù)處理單元包括數(shù)據(jù)緩存器、DSP芯片和掃描表； ARM-Linux數(shù)據(jù)采集控制單元包括ARM處理器、ARM液晶顯示屏和GPS模塊； 該裝置中采集壓力、流量、密度參數(shù)的變送器輸出端接入多路復(fù)用器的輸入端，多路復(fù)用器的輸出端連接到儀表放大器的輸入端，儀表放大器的輸出端連接A/D數(shù)據(jù)采集模塊輸入端，A/D數(shù)據(jù)采集模塊的輸出端連接數(shù)據(jù)緩存器的輸入端，數(shù)據(jù)緩存器的輸出端連接到 DSP芯片的輸入端，DSP芯片的輸出端連接到ARM處理器的輸入端，ARM處理器的輸入輸出端連接GPS模塊的輸入輸出端，ARM液晶顯示屏的輸出輸入端連接ARM處理器的輸入輸出端，DSP芯片的輸出端連接掃描表的輸入端，掃描表的輸出端分別連接多路復(fù)用器和儀表放大器的輸入端。
2.采用權(quán)利要求1所述的基于遺傳神經(jīng)網(wǎng)絡(luò)的管道壓力缺失數(shù)據(jù)補償方法，其特征在于按如下步驟進行步驟一變送器采集的模擬信號通過多路復(fù)用器后，其中壓力信號被選中，進入儀表放大器，放大之后進入A/D數(shù)據(jù)采集模塊；步驟二 經(jīng)過A/D數(shù)據(jù)采集模塊轉(zhuǎn)換后的數(shù)據(jù)通過數(shù)據(jù)緩存器進入DSP芯片進行處理， DSP芯片采用低通切比雪夫濾波算法對傳送來的數(shù)據(jù)進行濾波，將大于IKHz的高頻信號濾除，消除外界對輸油管道信號造成的較大擾動；步驟三根據(jù)輸油管道的壓力信號呈現(xiàn)出的統(tǒng)計特性，選取壓力特征提取指標(biāo)，對這些已選取的特征指標(biāo)進行進一步的提取，即主成分分析PCA ；步驟四設(shè)步驟三所得到的m個特征指標(biāo)為，…，Xm，將要通過PCA提取得到的特征指標(biāo)為t1; t2，…，tk，其中k < m，采用累積方差貢獻率法對步驟三所得到的特征指標(biāo)進行降維處理；步驟五將步驟四得到的特征指標(biāo)作為遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入矩陣，按4 1的比例將樣本矩陣分成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，由遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測輸油管道壓力缺失數(shù)據(jù)；步驟六按步驟一至步驟五建立遺傳神經(jīng)網(wǎng)絡(luò)模型，實時檢測管道壓力數(shù)據(jù)，判斷有無缺失數(shù)據(jù)，如有數(shù)據(jù)缺失，則平臺采用該遺傳神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)補償，反之，將本站數(shù)據(jù)發(fā)送到管線上各監(jiān)控站的上位機，上位機以相同的方式對管道數(shù)據(jù)進行檢測和補償。
3.根據(jù)權(quán)利要求2所述的基于遺傳神經(jīng)網(wǎng)絡(luò)的管道壓力缺失數(shù)據(jù)補償方法，其特征在于所述的步驟四，按如下步驟進行步驟1、由第三步得到的m個特征指標(biāo)、η個數(shù)據(jù)向量樣本組成檢測數(shù)據(jù)矩陣X，對檢測數(shù)據(jù)矩陣中的數(shù)據(jù)作歸一化處理，設(shè)X的均值向量為μ，標(biāo)準(zhǔn)差向量為σ，則歸一化的過程變量為Xij = (x1} - μ])/σ] i = 1,2Λ , ;_/+ = 1,2Λ，m(1)其中為檢測數(shù)據(jù)矩陣X的元素，i為矩陣X的行數(shù)，j為矩陣X的列數(shù)； μ」和ο彳分別為第i個數(shù)據(jù)向量Xi的均值和標(biāo)準(zhǔn)差； m為特征指標(biāo)的數(shù)量，η為數(shù)據(jù)向量樣本個數(shù)； i，j，m，n均屬實數(shù)；記歸一化后的檢測數(shù)據(jù)矩陣為X，X的協(xié)方差矩陣為E，通過MATLAB軟件中的EIG函數(shù)來計算協(xié)方差矩陣E的m個特征值λ ρ進而得到對應(yīng)的單位化正交特征向量Pj ； 步驟2、計算第j個主元其中叫為第j個主元；Pj為第j個負荷向量，每對qj，Pj都是按特征向量Pj的特征值 Aj的降冪排列，其中第一對截獲了所有分解的負荷向量和主元向量對中最大信息量； 步驟4、通過計算累積方差貢獻率確定主元其中k表示含最大信息量的最少主元數(shù)通過以上過程計算后，由各主元的累計方差貢獻率的大小確定k值，最終確定遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入矩陣的特征指標(biāo)t1; t2，…，tk。
4.根據(jù)權(quán)利要求2所述的基于遺傳神經(jīng)網(wǎng)絡(luò)的管道壓力缺失數(shù)據(jù)補償方法，其特征在于所述的步驟五，按如下步驟進行步驟1、GIF Elman神經(jīng)網(wǎng)絡(luò)參數(shù)編碼采用實數(shù)編碼，一個實數(shù)對應(yīng)于一個具體的待優(yōu)化的網(wǎng)絡(luò)參數(shù)，編碼串的長度為參數(shù)個數(shù)的總和，GIF Elman全信息反饋神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點數(shù)R，隱含層節(jié)點數(shù)Si，輸出層節(jié)點數(shù)S2，承接層1節(jié)點數(shù)Sl和承接層2的節(jié)點數(shù)S2，以及它們的連接權(quán)組成的編碼長度如下S = RXS1+S1 XSl+Sl XS2+S2XS2+S2XS1+S1+S2 (4)其中RX Sl為輸入層至隱含層連接權(quán)IW{1，1}中權(quán)值的個數(shù)，Sl X Sl為承接層1至隱含層連接權(quán)LW{1，1}中權(quán)值的個數(shù)，S1XS2為隱含層至輸出層連接權(quán)LW{2，1}中權(quán)值的個數(shù)，S2XS2為承接層2至輸出層的連接權(quán)LW{2，2}中權(quán)值的個數(shù)，S2XS1為承接層2至隱含層連接權(quán)LW{1，2}中權(quán)值的個數(shù)； 步驟2、產(chǎn)生初始種群設(shè)M為種群的大小，即種群中所含個體的數(shù)量，整數(shù)M取值為[20，100]之間，G為遺傳算法終止進化代數(shù)，G的取值范圍為[100，500]之間的整數(shù)；隨機產(chǎn)生T個染色體串，染色體串的編碼長度由式(4)確定； 步驟3、計算個體適應(yīng)值將適應(yīng)度函數(shù)取為輸出端的平方誤差的倒數(shù)，即對第i個體，其適應(yīng)度函數(shù)為 /=^rj-= ^~1--⑶ΣI eW I Σοfi為第i個染色體串的適應(yīng)度值，i = 1，2. . .，T，&越大，適應(yīng)度越高，Yi (k) ,Yffli (k)分別是對應(yīng)第i個染色體串樣本k的期望輸出和GIF Elman網(wǎng)絡(luò)輸出，其中，N為訓(xùn)練樣本總數(shù)；步驟4、選擇操作^ = XP1步驟3、建立如下主元模型 X = qlPlT +q2P2T +A+qmPn采用比例選擇方法，根據(jù)每個個體的適應(yīng)度計算其被選擇的概率Pi ；
全文摘要
一種基于遺傳神經(jīng)網(wǎng)絡(luò)的管道壓力缺失數(shù)據(jù)補償方法及裝置，屬于管道檢測技術(shù)領(lǐng)域。包括A/D數(shù)據(jù)采集單元、DSP數(shù)據(jù)處理單元和ARM-Linux數(shù)據(jù)采集控制單元；A/D數(shù)據(jù)采集單元包括變送器、多路復(fù)用器、儀表放大器和A/D數(shù)據(jù)采集模塊；DSP數(shù)據(jù)處理單元包括數(shù)據(jù)緩存器、DSP芯片和掃描表；ARM-Linux數(shù)據(jù)采集控制單元包括ARM處理器、ARM液晶顯示屏和GPS模塊；采用該裝置的補償方法，包括1、采集模擬信號；2、對采集信號濾波；3、提取特征指標(biāo)；4、對特征指標(biāo)進行降維處理；5、對網(wǎng)絡(luò)訓(xùn)練；6、檢測管道壓力數(shù)據(jù)，判斷有無缺失數(shù)據(jù)。本發(fā)明優(yōu)點用于遠程傳輸文件，效果不失真，還原系統(tǒng)當(dāng)時運行狀態(tài)。
文檔編號G05B13/04GK102269972SQ20111007642
公開日2011年12月7日 申請日期2011年3月29日 優(yōu)先權(quán)日2011年3月29日
發(fā)明者關(guān)福生, 馮健, 劉金海, 張化光, 馬大中, 高丁 申請人:東北大學(xué)