吳鳳泉 李宏達(dá)

【摘 要】本文介紹了一種供水管道泄露自動(dòng)檢測(cè)與診斷技術(shù)的設(shè)計(jì)和實(shí)現(xiàn)。通過(guò)分析國(guó)內(nèi)外關(guān)于供水管道泄露檢測(cè)技術(shù)的現(xiàn)狀，指出早期的泄露檢測(cè)方法以及最近一些新技術(shù)方案的優(yōu)缺點(diǎn)。同時(shí)提出了采用基于BP算法的神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)與診斷泄露的方法。

【關(guān)鍵詞】供水管道；泄露檢測(cè)；神經(jīng)網(wǎng)絡(luò)

【中圖分類(lèi)號(hào)】TP393【文獻(xiàn)標(biāo)識(shí)碼】A【文章編號(hào)】1672-5158（2013）07-0063-02

Automatic Detection and Diagnosis of Water-Supply Pipe Leakage

WU Feng-quan￡？LI Hong-da

￡¨Information center， Chengde Petroleum College， Chengde， Hebei 067000￡？

【Abstract】This paper presents the design and implementation of Automatic Detection and Diagnosis about Water-Supply Pipe Leakage. After analyzing the current methods about Water-Supply Pipe Leakage， the merits and shortcomings of some older and newer technologies aren pointed out.At the same time， a mothod of leakage detection based on BPNN is put forward.

【Key words】 Water-Supply Pipe； Leakage Detection； Neural Network

1 引言

世界各國(guó)尤其是發(fā)達(dá)國(guó)家都非常重視供水節(jié)水的管理工作。很早就開(kāi)展了漏損控制技術(shù)及設(shè)備的研究、開(kāi)發(fā)工作，其漏失率遠(yuǎn)低于亞洲國(guó)家。

我國(guó)由于城市基礎(chǔ)設(shè)施欠賬太多、供水設(shè)備的更新、技術(shù)水平提高緩慢，加上管理體制落后于不斷發(fā)展的形勢(shì)，使管網(wǎng)漏損率均未達(dá)到《城市供水2000年技術(shù)進(jìn)步發(fā)展規(guī)劃》所規(guī)定的目標(biāo)，大多數(shù)城市供水漏失率多在25%～30%。與發(fā)達(dá)國(guó)家比較還有很大的差距。

為指導(dǎo)節(jié)水技術(shù)開(kāi)發(fā)和推廣應(yīng)用，推動(dòng)節(jié)水技術(shù)進(jìn)步，提高用水效率和效益，促進(jìn)水資源的可持續(xù)利用，國(guó)家發(fā)展改革委、科技部會(huì)同水利部、建設(shè)部和農(nóng)業(yè)部組織制訂了2005年第17號(hào)《中國(guó)節(jié)水技術(shù)政策大綱》，其中就提及到要積極采用城市供水管網(wǎng)的檢漏和防滲技術(shù)。

2 國(guó)內(nèi)外研究現(xiàn)狀分析

目前，已有的管道泄漏檢測(cè)方法中，流量平衡法與壓力差法是基于物質(zhì)守恒與能量守恒來(lái)判斷泄漏的發(fā)生，無(wú)法定位；應(yīng)力波法是利用流體泄漏時(shí)引發(fā)的沿管壁傳播的應(yīng)力波來(lái)判斷泄漏和定位，對(duì)外帶包層或埋地的管道，應(yīng)力波衰減很快，長(zhǎng)距離難以檢測(cè)，限制了這種方法的應(yīng)用；SCADA模型法響應(yīng)速度較快，可快速檢出管道較大的泄漏，但投資很大，沿管道需要安裝復(fù)雜的控制傳感系統(tǒng)。我國(guó)大中城市中使用的檢漏手段基本上還是人工聽(tīng)漏法，這種原始的人工聽(tīng)漏方法可靠性低，抗干擾性差，需要耗費(fèi)大量人力。近年來(lái)，國(guó)內(nèi)外發(fā)展起來(lái)一些新的基于現(xiàn)代控制理論、信號(hào)處理的泄漏檢測(cè)與定位技術(shù)，這些方法仍然需要大量的數(shù)學(xué)建模。

針對(duì)以上各種方案的不足，提出應(yīng)用神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)能力進(jìn)行供水管道泄露的診斷方法，這種方法只需將給水管網(wǎng)的各種工況下對(duì)測(cè)壓點(diǎn)造成影響的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，讓其充分學(xué)習(xí)直到收斂，然后在將來(lái)的檢測(cè)中只需將測(cè)壓點(diǎn)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就可以判斷管網(wǎng)是否發(fā)生滲漏，并確定滲漏位置。而測(cè)壓點(diǎn)的數(shù)據(jù)是可以通過(guò)SCADA實(shí)時(shí)傳回來(lái)，這樣也就實(shí)現(xiàn)了管道泄露的實(shí)時(shí)診斷。

3 基于BP算法的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

三層BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用中最關(guān)鍵的構(gòu)造參數(shù)包括輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)，以及在神經(jīng)網(wǎng)絡(luò)各層之間連接權(quán)值和節(jié)點(diǎn)閾值的初始化。

3.1 輸入層節(jié)點(diǎn)數(shù)

由于實(shí)際管網(wǎng)的節(jié)點(diǎn)數(shù)較多，如果全部做為神經(jīng)網(wǎng)絡(luò)的原始訓(xùn)練數(shù)據(jù)，將會(huì)導(dǎo)致運(yùn)算量過(guò)大，且難以收斂，可以采用管道泄露前后6個(gè)監(jiān)測(cè)點(diǎn)（含泄漏點(diǎn)）水壓變化數(shù)據(jù)進(jìn)行訓(xùn)練。采用水壓監(jiān)測(cè)診斷故障的方法可以充分利用現(xiàn)有的SCADA系統(tǒng)，從而可以很容易實(shí)現(xiàn)。

除了管道泄露前后6個(gè)監(jiān)測(cè)點(diǎn)（含泄漏點(diǎn)）外，還包括該泄漏點(diǎn)處的正常工況下的水壓，因此輸入層共有7個(gè)節(jié)點(diǎn)，即輸入模式向量的維數(shù)為7。表1為各工況下測(cè)壓點(diǎn)水頭。

3.2 輸出層節(jié)點(diǎn)數(shù)

輸出層的節(jié)點(diǎn)數(shù)即各模式理想的輸出向量的維數(shù)，因?yàn)槔硐胼敵鱿蛄勘仨毮軈^(qū)分各種不同的模式，因此輸出層的節(jié)點(diǎn)數(shù)跟模式的個(gè)數(shù)相關(guān)。因?yàn)槟Ｊ絺€(gè)數(shù)為7個(gè)，因此輸出層節(jié)點(diǎn)數(shù)可以取1個(gè)或7個(gè)等。用1個(gè)輸出層節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)，其模式分類(lèi)和辨別能力是不夠的。當(dāng)取7個(gè)輸出節(jié)點(diǎn)時(shí)，輸出向量分別為（0，0，0，0，0，1）；（0，0，0，0，1，0）；（0，0，0，1，0，0）；（0，0，1，0， 0，0）；（0，1，0，0，0，0）；（1，0，0，0，0，0）；（0，0，0，0，1，1）。

3.3 隱含層節(jié)點(diǎn)數(shù)

采用適當(dāng)?shù)碾[含層節(jié)點(diǎn)數(shù)往往是網(wǎng)絡(luò)成敗的關(guān)鍵。中間層節(jié)點(diǎn)數(shù)選用太少，網(wǎng)絡(luò)難以處理較復(fù)雜的問(wèn)題；但若中間層節(jié)點(diǎn)數(shù)過(guò)多，將使網(wǎng)絡(luò)訓(xùn)練時(shí)間急劇增加，而且過(guò)多的節(jié)點(diǎn)數(shù)容易使網(wǎng)絡(luò)訓(xùn)練過(guò)度。

可以用幾何平均規(guī)則來(lái)選擇隱含層中的節(jié)點(diǎn)數(shù)。那么，具有n個(gè)輸入節(jié)點(diǎn)及m個(gè)輸出節(jié)點(diǎn)對(duì)三層網(wǎng)絡(luò)，其中間層節(jié)點(diǎn)數(shù) hm n？。隱含層節(jié)點(diǎn)數(shù)可取7，嘗試取隱含層節(jié)點(diǎn)數(shù)的范圍為3～50，以對(duì)其在更大的范圍內(nèi)進(jìn)行優(yōu)化。

3.4 程序流程圖

圖1為三層BP神經(jīng)網(wǎng)絡(luò)的程序流程圖。

圖5 隱含層節(jié)點(diǎn)數(shù)為35時(shí)的誤差曲線(xiàn)

3.6 網(wǎng)絡(luò)仿真結(jié)果

BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果如表2所示。

從仿真結(jié)果可以看出，該神經(jīng)網(wǎng)絡(luò)已經(jīng)能夠很好的識(shí)別不同節(jié)點(diǎn)發(fā)生滲漏時(shí)的特征，給出的仿真結(jié)果與期望的輸出T矩陣非常相似，最大誤差小于1e-6。

3.7 驗(yàn)證神經(jīng)網(wǎng)絡(luò)

將節(jié)點(diǎn)10411滲漏后各節(jié)點(diǎn)水頭數(shù)據(jù)：

L=[37.47，35.06，35.29，37.46，33.01，29.74]

輸入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，通過(guò)調(diào)用SIGMOID函數(shù)，輸出結(jié)果如表3所示。

由結(jié)果可以看出，目標(biāo)輸出與實(shí)際輸出非常接近，誤差滿(mǎn)足10E-5精度，所以可以證明此神經(jīng)網(wǎng)絡(luò)完全具有診斷管網(wǎng)泄露的能力。

4 結(jié)束語(yǔ)

本文所提出的基于BP神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)與診斷泄露的方法。該方法應(yīng)用神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)能力進(jìn)行供水管道泄露的診斷方法，只需將給水管網(wǎng)的各種工況下對(duì)測(cè)壓點(diǎn)造成影響的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，讓其充分學(xué)習(xí)直到收斂，然后在將來(lái)的檢測(cè)中只需將測(cè)壓點(diǎn)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就可以判斷管網(wǎng)是否發(fā)生滲漏，并確定滲漏位置。而測(cè)壓點(diǎn)的數(shù)據(jù)是可以通過(guò)SCADA實(shí)時(shí)傳回來(lái)，實(shí)現(xiàn)了管道泄露的實(shí)時(shí)診斷。適合于城市供水管道泄露的檢測(cè)和診斷，有較好的發(fā)展前景。

參考文獻(xiàn)

[1] 順舟科技Z-BEE無(wú)線(xiàn)產(chǎn)品技術(shù)手冊(cè)

[2] AN965 Microchip ZigBeeTM協(xié)議棧

[3] 王巖，張國(guó)山.基于ZigBee協(xié)議的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)設(shè)計(jì).微計(jì)算機(jī)信息，2008，4-1：21-23

[4] 楊祥，趙榮陽(yáng)，張遠(yuǎn)翼.基于ZigBee的智能家庭系統(tǒng)控制終端設(shè)計(jì).微計(jì)算機(jī)信息，2009，1-2：126-128

[5] 馬壯，楊旭東.基于PC機(jī)的DS18B20溫度采集系統(tǒng).微計(jì)算機(jī)信息，2009，1-2：108-109