聶 維，江 竹，劉伯相，林 豪，冉義建

（西華大學(xué)能源與動力工程學(xué)院，成都 630019）

0 引 言

輸水管道是現(xiàn)代化建設(shè)的基礎(chǔ)設(shè)施之一，管道服役過程中遭受多種內(nèi)外因素影響會引發(fā)的泄漏、損壞等故障，造成難以挽回的經(jīng)濟(jì)損失和安全事故，甚至?xí)憝h(huán)境污染等問題。毋庸置疑的是輸水管道泄漏檢測技術(shù)在工程應(yīng)用中彰顯著重要意義［1］。目前常用的泄漏檢測方法主要分為管外和管內(nèi)兩種檢測法，管外檢測法主要依靠人工巡檢，存在檢測效果差且人物力浪費(fèi)較大等問題；而管內(nèi)檢測法主要分析管內(nèi)壓力、流量和溫度等數(shù)據(jù)，反饋結(jié)果的準(zhǔn)確性較之增加。其中，以管內(nèi)壓力數(shù)據(jù)為驅(qū)動的檢測方法有著可靠性強(qiáng)、檢測距離遠(yuǎn)、便于工程實(shí)施等諸多優(yōu)點(diǎn)而被得到廣泛應(yīng)用［2］，該類方法主要依靠傳感器采集信號，應(yīng)用支持向量機(jī)［3］、BP神經(jīng)網(wǎng)絡(luò)［4］等人工智能方法提取和篩分信號的演變特征［5］，實(shí)現(xiàn)泄漏檢測的目的。但這類傳統(tǒng)的智能識別方法［6-8］，多是基于淺層網(wǎng)絡(luò)的學(xué)習(xí)，尚不具備學(xué)習(xí)復(fù)雜非線性關(guān)系的能力，以至于泄漏檢測的精度分析亟待提升。

近年來，可挖掘數(shù)據(jù)深層特征的深度學(xué)習(xí)算法已成功應(yīng)用于許多領(lǐng)域中，尤其是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）都已取得了令人矚目的成績［9，10］。CNN 具有超強(qiáng)的空間特征提取能力，在管道泄漏檢測中的應(yīng)用也逐漸成熟。分析發(fā)現(xiàn)，CNN 實(shí)現(xiàn)泄漏檢測一般分兩種，其一是直接利用一維卷積神經(jīng)網(wǎng)絡(luò)（1-Dimensional Convolutional Neural Networks）學(xué)習(xí)數(shù)據(jù)中的泄漏信息，Cai 等［11］便是通過一維CNN 學(xué)習(xí)方法實(shí)現(xiàn)了管道的泄漏檢測。此外，變換方式將原始信號轉(zhuǎn)化為二維矩陣，CNN 再從中抓取泄漏特征實(shí)現(xiàn)學(xué)習(xí)計(jì)算。寧方立等［12］利用二維時(shí)頻圖作為輸入的CNN 對泄漏特征進(jìn)行學(xué)習(xí)。Hu 等［13］通過轉(zhuǎn)換CNN 模型中數(shù)據(jù)協(xié)方差矩陣的最大特征向量，準(zhǔn)確提取了泄漏特征參數(shù)進(jìn)而判斷管道狀態(tài)。Zhou 等［14］提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的泄漏檢測圖像識別方法，能較好地解決不同泄漏孔徑或位置特征高度相似的問題。但這些方法在對信號進(jìn)行特征提取的過程中僅僅考慮了數(shù)據(jù)的局部空間分布特性，而忽略了數(shù)據(jù)在時(shí)序上的演化特性，反映了數(shù)據(jù)一維分布處理分析的局限性。

管道壓力信號作為一維時(shí)間序列，其泄漏特征除表現(xiàn)在局部空間，在時(shí)間維度上亦有所體現(xiàn)。因此，僅靠CNN 難以全面捕捉泄漏信號的時(shí)變趨勢。值得一提的是長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）作為一種改良的循環(huán)神經(jīng)網(wǎng)絡(luò)，在時(shí)域方面展現(xiàn)出的強(qiáng)學(xué)習(xí)能力，彌補(bǔ)了CNN 單獨(dú)使用時(shí)泄漏檢測的不足［15］。因此，為了進(jìn)一步提升管道泄漏檢測分析反饋精度，本文將卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)相結(jié)合，建立一維卷積長短期記憶神經(jīng)網(wǎng)絡(luò)（1D-CNN-LSTM）?；谶@一網(wǎng)絡(luò)模型的方法，將去噪后的管道壓力信號作為輸入，先后利用CNN 和LSTM 提取其局部空間上和時(shí)間維度上的演變特征，找到管道壓力信號與管道狀態(tài)之間的對應(yīng)關(guān)系，實(shí)現(xiàn)管道泄漏的準(zhǔn)確檢測。

1 基礎(chǔ)理論

1.1 一維卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種深度前饋神經(jīng)網(wǎng)絡(luò)，其典型結(jié)構(gòu)由輸入層、卷積層、池化層與全連接層構(gòu)成。一維卷積神經(jīng)網(wǎng)絡(luò)是指在一維數(shù)據(jù)上進(jìn)行卷積和池化等操作，其結(jié)構(gòu)如圖1所示。CNN 實(shí)際上是通過建立多個(gè)濾波器來提取數(shù)據(jù)的局部特征，多網(wǎng)絡(luò)層數(shù)可提取到更深層次的數(shù)據(jù)特征，最后得到具有平移旋轉(zhuǎn)不變性的魯棒特征［16］。泄漏發(fā)生時(shí)，管道內(nèi)壓力下降，表現(xiàn)出明顯的局部空間特性［17］，利用CNN 可實(shí)現(xiàn)有效提取其局部特征，完成數(shù)據(jù)的收斂分析。

圖1 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 1-Dimensional convolutional neural network structures

CNN 在提取特征過程中，卷積層和池化層交叉排列形成卷積組，逐步提取信號特征。在卷積層中，前一層的輸出由卷積核進(jìn)行卷積操作，利用激活函數(shù)輸出特征矢量。一維卷積的數(shù)學(xué)模型可描述為：

式中：*表示卷積操作；Qi-1和Qi分別表示卷積前后的特征量；bi和Wi表示的是第i層卷積核的偏置向量和權(quán)重矩陣；δ表示激活函數(shù)。

卷積操作是為了建立層與層之間的映射關(guān)系。池化層對卷積后的數(shù)據(jù)進(jìn)行降維操作，可以進(jìn)一步提取不同范圍的特征以及減小計(jì)算量。其計(jì)算過程表示為：

式中：ys-1和ys分別表示第s層池化的輸入和輸出；pool()表示池化函數(shù)。最大池化和平均池化是常用的池化方式。

1.2 長短期記憶網(wǎng)絡(luò)

LSTM 是一類改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)［18］，其結(jié)構(gòu)包括輸入層、隱藏層和輸出層，由于隱藏層的各神經(jīng)單元中加入了記憶單元，可以控制時(shí)間序列上的信息被遺忘或輸出，解決了RNN 中梯度爆炸和梯度消失的問題，在處理長序列數(shù)據(jù)時(shí)遠(yuǎn)比RNN表現(xiàn)得優(yōu)異。本研究所用數(shù)據(jù)為管道內(nèi)的時(shí)域壓力信號，其時(shí)間序列上的特征信息能夠有效地被LSTM 提取。t時(shí)刻LSTM 網(wǎng)絡(luò)的單元結(jié)構(gòu)如圖2所示。

圖2 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 LSTM network structure

在LSTM 單元中有3 種不同的門控，其中，輸入門控制當(dāng)前輸入數(shù)據(jù)流入記憶單元的方式，遺忘門篩分歷史信息并決定部分信息將會被丟棄，輸出門控制記憶單元對當(dāng)前輸出值的影響，門控的耦合作用實(shí)現(xiàn)了LSTM 對信息的儲存和更新。首先，遺忘門根據(jù)上一時(shí)刻的隱藏狀態(tài)ht-1和新輸入數(shù)據(jù)xt來判斷是否保留先前單元狀態(tài)信息：

然后，輸入門從ht-1和xt計(jì)算獲得的信息及本單元所需保存的狀態(tài)：

接下來更新單元狀態(tài)，更新后單元狀態(tài)由保留的先前單元狀態(tài)加上本單元狀態(tài)信息所得：

最后，由輸出門和單元狀態(tài)計(jì)算輸出：

式中：it、ft、ot分別表示LSTM 中第t個(gè)單元的輸入門、遺忘門和輸出門；⊙代表逐個(gè)元素相乘；xt為t 時(shí)刻的輸入；ht為t 時(shí)刻單元的輸出；C′t、Ct分別表示隱藏狀態(tài)和更新后的單元狀態(tài)；Wf、Wo、Wi、bf、bo、bi為對應(yīng)門控的權(quán)重矩陣與偏置向量；σ、tanh表示兩種激活函數(shù)。

在管道泄漏檢測中，需建立多對一形式的LSTM 模型，即輸入到LSTM 網(wǎng)絡(luò)的為序列數(shù)據(jù)，最后一個(gè)輸出ht作為管道泄漏檢測的結(jié)果。

1.3 基于1D-CNN-LSTM 的管道泄漏識別模型

針對管道泄漏的壓力數(shù)據(jù)同時(shí)擁有局部特征和時(shí)間序列特征，本文提出1D-CNN-LSTM 神經(jīng)網(wǎng)絡(luò)模型來檢測管道泄漏，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。該模型由一維CNN 和LSTM 組合而成，泄漏壓力信號深層空間特征和時(shí)間維度的特征信息能被其有效提取。首先，CNN 從壓力信號數(shù)據(jù)中自適應(yīng)提取泄漏局部特征后，考慮到管道壓力信號在時(shí)間維度上的相關(guān)性，用LSTM繼續(xù)對CNN 提取到的特征量進(jìn)行二次特征提取，獲取特征的時(shí)序信息。隨后通過全連接層將特征量維度降至與分類數(shù)相同，再使用Softmax分類器完成特征分類，以檢測管道是否泄漏。

圖3 1D-CNN-LSTM 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 1D-CNN-LSTM network structure

理論上，提取到的數(shù)據(jù)特征與網(wǎng)絡(luò)層數(shù)呈正比關(guān)系，即網(wǎng)絡(luò)層數(shù)越多，網(wǎng)絡(luò)深度越高，能夠提取到更多的特征；但復(fù)雜度也會隨之增加，訓(xùn)練困難度上升，并伴隨著網(wǎng)絡(luò)過擬合的風(fēng)險(xiǎn)，因此選擇合適的網(wǎng)絡(luò)層數(shù)是提高網(wǎng)絡(luò)性能的關(guān)鍵。為得到該模型的最優(yōu)結(jié)構(gòu)和參數(shù)，需要不斷地訓(xùn)練網(wǎng)絡(luò)，具體流程如圖4所示。將采集到的數(shù)據(jù)打亂分為訓(xùn)練集和測試集，訓(xùn)練集用來訓(xùn)練網(wǎng)絡(luò)得到網(wǎng)絡(luò)的各項(xiàng)內(nèi)置參數(shù)，在訓(xùn)練期間的每次迭代過程中前向計(jì)算出損失函數(shù)，再根據(jù)誤差反向傳播算法更新參數(shù)，經(jīng)過多次迭代之后得到訓(xùn)練完畢的網(wǎng)絡(luò)，而后將測試集代入該網(wǎng)絡(luò)中測試網(wǎng)絡(luò)的分類效果，若網(wǎng)絡(luò)的損失或分類準(zhǔn)確率不滿足要求，說明網(wǎng)絡(luò)的結(jié)構(gòu)或參數(shù)設(shè)置不合理，則需修改模型再次進(jìn)行訓(xùn)練，直到損失和準(zhǔn)確率滿足要求。其中分類準(zhǔn)確率為分類正確的樣本數(shù)與總樣本數(shù)之比。網(wǎng)絡(luò)損失為交叉熵?fù)p失函數(shù)，其數(shù)學(xué)定義如下：

圖4 本文方法處理流程Fig.4 Process of the method in this paper

式中：y′表示目標(biāo)概率分布；y表示輸出概率分布。

2 實(shí)驗(yàn)驗(yàn)證

2.1 數(shù)據(jù)獲取與處理

2.1.1 數(shù)據(jù)采集

為了驗(yàn)證所提基于1D-CNN-LSTM 神經(jīng)網(wǎng)絡(luò)方法對管道泄露檢測的有效性和可行性，選取真實(shí)管道就傳統(tǒng)方法進(jìn)行對比分析試驗(yàn)。實(shí)驗(yàn)管道的分布結(jié)構(gòu)如圖5 所示，其中水源由城市消防栓開閥供給，消防栓出口設(shè)有壓力計(jì)，顯示壓力穩(wěn)定在約1.6 bar。實(shí)驗(yàn)管道與消防栓用長5 m 的消防帶相連。實(shí)驗(yàn)管道總長18 m，內(nèi)徑80 mm，壁厚4 mm，末端封閉，管身材質(zhì)為Q235B 鋼。管道安裝有四個(gè)水龍頭，用以模擬不同位置的漏點(diǎn)，控制水龍頭的開度模擬不同大小的泄漏，設(shè)定了a、b、c、d、e五種開度，分別對應(yīng)的漏點(diǎn)面積是0.5、2、3、5、8 mm2。

圖5 實(shí)驗(yàn)管道示意圖Fig.5 Diagram of experimental piping

采集泄漏信號時(shí)，快速打開某一模擬漏點(diǎn)，獲取在泄漏產(chǎn)生前后時(shí)間段的管道壓力數(shù)據(jù)；各模擬漏點(diǎn)對每一種開度模擬五次泄漏處理，采樣頻率為500 Hz，共采集100 組泄漏數(shù)據(jù)，每組泄漏信號的采集間隔為3 min；正常工況下的數(shù)據(jù)采集采用連續(xù)不間斷采集方法，采集完成后再依次分割成100組數(shù)據(jù)，以漏點(diǎn)1 為例，采集到的不同模擬漏點(diǎn)開度情況下及無泄漏情況下的壓力信號分布如圖6 所示。由圖可知，無泄漏時(shí)的管道壓力在一定范圍內(nèi)小幅波動，但總體平穩(wěn)，呈現(xiàn)穩(wěn)定的服役信息反饋；當(dāng)發(fā)生泄漏時(shí)，壓力值開始下降，經(jīng)歷較短壓力下降時(shí)間之后趨于動態(tài)平穩(wěn)演變；顯而易見的是漏點(diǎn)面積越大，相應(yīng)的壓力下降幅度也越大。

圖6 管道不同狀況下的采集信號Fig.6 Signals collected under different conditions of the pipeline

2.1.2 數(shù)據(jù)集擴(kuò)充

采集到的原始管道壓力信號是一維時(shí)間序列信號，泄漏特征出現(xiàn)在其某一段時(shí)間內(nèi)。實(shí)現(xiàn)深度學(xué)習(xí)算法對管道泄漏檢測需要大量的訓(xùn)練樣本，且泄漏特征所在位置具有多樣性。因此，本文采用平移的方式截取信號，其示意圖如圖7所示。在一組原始信號中截取多個(gè)樣本，且各樣本泄漏出現(xiàn)時(shí)刻各不相同，實(shí)現(xiàn)對訓(xùn)練數(shù)據(jù)的擴(kuò)容以及涵蓋了樣本多樣性。

圖7 樣本擴(kuò)充示意圖Fig.7 Schematic representation of the expanded sample

由于樣本長度過短會導(dǎo)致無法從中提取充分地泄漏信息，同時(shí)樣本長度過長又會加大計(jì)算量和計(jì)算時(shí)間，綜合考慮下，本文選擇的樣本截取長度為30 000 個(gè)點(diǎn)，并在每一組已采集的原始信號上共平移截取10次，平移長度為1 500個(gè)點(diǎn)，數(shù)據(jù)集的樣本容量能夠擴(kuò)充至2 000組信號，平移截取的部分樣本如圖8所示。同一原始信號上截取到的不同樣本在時(shí)序上發(fā)生了變化，泄漏特征出現(xiàn)的對應(yīng)時(shí)間各不相同。

圖8 平移截取部分樣本Fig.8 Samples intercepted in panning

2.1.3 去噪處理

由于外部環(huán)境的干擾因素存在，原始壓力信號中存有大量的噪聲，這些噪聲很可能會掩蓋信號中的泄漏特征。變分模態(tài)分解［19］（Variational Mode Decomposition，VMD）是一種性能優(yōu)良的去噪算法，能將原始信號分解為一系列本征模態(tài)函數(shù)（Instrinsic Mode Function，IMF），并不斷迭代更新每個(gè)分量的中心頻率和頻段帶寬，分離原始信號的自適應(yīng)頻率成分，提取包含管道內(nèi)壓力特征的頻率分量。VMD 可以有效地克服模態(tài)混疊問題，有著很好的魯棒性，因此本文采用該方法對信號進(jìn)行降噪處理，將采集到的原始信號分解為5 個(gè)IMF 分量，剔除掉4個(gè)包含較多噪聲的高頻IMF 分量，實(shí)現(xiàn)對信號的去噪，其效果如圖9 所示，去噪后的信號演變曲線密集的峰刺特征消失并逐漸變得平滑。去噪后的數(shù)據(jù)將被作為1D-CNN-LSTM 網(wǎng)絡(luò)的輸入。

圖9 去噪效果圖Fig.9 Demonstration of denoising effect

2.2 模型參數(shù)與檢測結(jié)果分析

在本文網(wǎng)絡(luò)的訓(xùn)練過程中，初始學(xué)習(xí)率設(shè)置為0.001，且每經(jīng)過三輪訓(xùn)練后學(xué)習(xí)率減半，該操作能使模型在前期訓(xùn)練較快，且后期波動性被明顯抑制，從而更加容易接近最優(yōu)解；采用了shuffle batch 方法打亂樣本，增加隨機(jī)性，可以提高網(wǎng)絡(luò)泛化能力，避免過擬合；訓(xùn)練執(zhí)行環(huán)境為CPU，Batch-size 為200；經(jīng)過多次訓(xùn)練，最終得到最優(yōu)網(wǎng)絡(luò)的各項(xiàng)主要參數(shù)如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)參數(shù)Tab.1 Neural network parameters

該最優(yōu)網(wǎng)絡(luò)的訓(xùn)練過程如圖10 所示。圖10 中藍(lán)色曲線是訓(xùn)練準(zhǔn)確率的變化過程，紅色曲線是網(wǎng)絡(luò)損失值的變化過程。由圖10 所知，隨著訓(xùn)練的推進(jìn)，訓(xùn)練集準(zhǔn)確率在大體上不斷上升，反之網(wǎng)絡(luò)損失值也在不斷下降伴隨著小幅演變振蕩。當(dāng)?shù)螖?shù)達(dá)到60 次后，訓(xùn)練集準(zhǔn)確率與損失值的變化都趨于平穩(wěn)。直到迭代124 次后找到了最優(yōu)結(jié)果。本次訓(xùn)練結(jié)果中，訓(xùn)練集準(zhǔn)確率為100%，損失值為0.008 6，表明本網(wǎng)絡(luò)的訓(xùn)練結(jié)果較好并將之保存。為證明網(wǎng)絡(luò)的實(shí)際檢測效果，將測試集帶入本網(wǎng)絡(luò)，得到測試集準(zhǔn)確率為99.75%，說明本網(wǎng)絡(luò)結(jié)構(gòu)對管道泄漏有著良好的檢測效果。

圖10 準(zhǔn)確率與損失的變化曲線Fig.10 Accuracy and loss variation curves

2.3 對比實(shí)驗(yàn)

在研究過程中發(fā)現(xiàn)，設(shè)置不同的網(wǎng)絡(luò)層數(shù)，會對訓(xùn)練耗時(shí)和結(jié)果造成影響。理論上，網(wǎng)絡(luò)層數(shù)越多，能夠?qū)W習(xí)到更復(fù)雜的特征，損失值越小，檢測準(zhǔn)確率越高；同時(shí)，網(wǎng)絡(luò)的復(fù)雜度也會相應(yīng)增加，訓(xùn)練更加困難，效果不理想。

為驗(yàn)證本文所選模型對管道泄漏檢測的有效性，同時(shí)考慮到通常CNN 網(wǎng)絡(luò)的層數(shù)會設(shè)置三層及以上，本文設(shè)計(jì)了四種不同層次的1D-CNN-LSTM 網(wǎng)絡(luò)結(jié)構(gòu)以及1D-CNN 和LSTM 網(wǎng)絡(luò)，在相同數(shù)據(jù)集的情況下，用其他神經(jīng)網(wǎng)絡(luò)和本文所用網(wǎng)絡(luò)對比，為了避免偶然因素對網(wǎng)絡(luò)的影響，每種網(wǎng)絡(luò)的統(tǒng)計(jì)數(shù)據(jù)為3 次實(shí)驗(yàn)結(jié)果的平均值。各網(wǎng)絡(luò)的訓(xùn)練過程如圖11 所示，結(jié)果如表2所示，此外，測試集中各網(wǎng)絡(luò)對于不同位置與不同開度的泄漏及無泄漏情況下的具體檢測準(zhǔn)確度如表3所示。其他網(wǎng)絡(luò)結(jié)構(gòu)如下：

表2 不同網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果對比Tab.2 Comparison of training results for different network structures

表3 各網(wǎng)絡(luò)對于不同情況的檢測準(zhǔn)確度Tab.3 Detection accuracy of each network for different situations

圖11 不同網(wǎng)絡(luò)結(jié)構(gòu)的準(zhǔn)確率與損失變化曲線Fig.11 Accuracy and loss variation curves for different network structures

（1）1D-CNN-LSTM（3C1L）：與本文結(jié)構(gòu)相比，只保留前三個(gè)卷積組，LSTM層數(shù)為1。

（2）1D-CNN-LSTM（4C1L）：本文所用的網(wǎng)絡(luò)模型。

（3）1D-CNN-LSTM（5C1L）：在本文所用結(jié)構(gòu)基礎(chǔ)上，再多加一層卷積層和池化層，其卷積核尺寸不變，深度為32，池化層與前層保持一樣。

（4）1D-CNN-LSTM（4C2L）：與本文結(jié)構(gòu)相比，多加了一層LSTM層，隱藏節(jié)點(diǎn)也為64。

（5）1D-CNN：只保留本文結(jié)構(gòu)中的1D-CNN 部分，去掉LSTM 層，卷積層和池化層數(shù)目為4，其他參數(shù)與本文所用參數(shù)相同。

（6）LSTM：與本文所用結(jié)構(gòu)相比，沒有1D-CNN 部分，只使用單層LSTM層，隱藏節(jié)點(diǎn)數(shù)為64。

1～4 號網(wǎng)絡(luò)是不同層次結(jié)構(gòu)的1D-CNN-LSTM 網(wǎng)絡(luò)，它們的對比實(shí)驗(yàn)探究了網(wǎng)絡(luò)層次與訓(xùn)練結(jié)果的關(guān)系，其中，1號網(wǎng)絡(luò)相比本文網(wǎng)絡(luò)少了一層卷積層和池化層，在網(wǎng)絡(luò)結(jié)構(gòu)調(diào)試時(shí)發(fā)現(xiàn)，1 號網(wǎng)絡(luò)由于網(wǎng)絡(luò)深度較淺，對特征提取的能力不足，損失下降效果不好，有欠擬合的可能，損失值為0.043 0，在4 組網(wǎng)絡(luò)中是最高的，相應(yīng)的測試集準(zhǔn)確率為97.50%，在4 組網(wǎng)絡(luò)中最低。2 號網(wǎng)絡(luò)是本文所用的網(wǎng)絡(luò)結(jié)構(gòu)，其網(wǎng)絡(luò)擬合度以及泛化效果最優(yōu)。3號網(wǎng)絡(luò)在本文所用網(wǎng)絡(luò)結(jié)構(gòu)上多加了一層卷積層和池化層，隨著網(wǎng)絡(luò)深度的增加，網(wǎng)絡(luò)復(fù)雜度也相應(yīng)增加，訓(xùn)練損失雖比2號網(wǎng)絡(luò)稍低，但訓(xùn)練耗時(shí)更長，且測試集準(zhǔn)確率不是很理想，泛化效果不佳。4號網(wǎng)絡(luò)在本文所用網(wǎng)絡(luò)的基礎(chǔ)上，增加了一層LSTM 層，與2 號網(wǎng)絡(luò)相比，訓(xùn)練損失和測試集準(zhǔn)確率都在下降，原因是網(wǎng)絡(luò)深度的增加導(dǎo)致了過擬合。

將5 號和6 號網(wǎng)絡(luò)與本文所用網(wǎng)絡(luò)作對比，是為了探究本文所用網(wǎng)絡(luò)將CNN 和LSTM 結(jié)合所帶來的優(yōu)勢。相比之下，本文所用網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確率和損失都是最優(yōu)的，原因在于1DCNN 和LSTM 網(wǎng)絡(luò)分別只對局部空間特征和時(shí)序特征的敏感度高，訓(xùn)練過程中收斂較困難，在較長時(shí)間之后準(zhǔn)確率和損失都有在一定范圍的波動，收斂效果并不理想，所以訓(xùn)練結(jié)果稍差。而本文所用網(wǎng)絡(luò)針對管道泄漏數(shù)據(jù)的局部空間特征和時(shí)序特征，建立的1D-CNN-LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)合了CNN 和LSTM 的優(yōu)點(diǎn)，可以充分提取時(shí)域壓力信號中的泄漏特征，使網(wǎng)絡(luò)的訓(xùn)練結(jié)果最優(yōu)。

除此之外，在表3 中對比了各網(wǎng)絡(luò)在各具體情況下的檢測準(zhǔn)確度，結(jié)果表明，當(dāng)相對位置不同時(shí)，同一網(wǎng)絡(luò)的泄漏檢測準(zhǔn)確度無明顯差異；而泄漏大小不同時(shí)，對于較大泄漏，各個(gè)網(wǎng)絡(luò)的檢測準(zhǔn)確率都較高，但開度a 與開度b 所對應(yīng)的小泄漏，各個(gè)網(wǎng)絡(luò)對其進(jìn)行檢測的準(zhǔn)確率有較大差異，而本文所用網(wǎng)絡(luò)對較小泄漏的檢測也有很高的準(zhǔn)確率，相較于其他網(wǎng)絡(luò)為最優(yōu)。

3 結(jié) 論

本研究基于1D-CNN-LSTM 神經(jīng)網(wǎng)絡(luò)提出了一種管道泄漏檢測模型，以供水管道內(nèi)的壓力信號為輸入源，先后用1D-CNN和LSTM 提取輸入信號的泄漏特征數(shù)據(jù)，可以充分學(xué)習(xí)泄漏信號在局部空間和時(shí)間維度上的特征，實(shí)現(xiàn)了管道泄漏的精準(zhǔn)檢測。

為了驗(yàn)證本文所提出模型針對泄露檢測的有效性和可靠性。開展真實(shí)管道實(shí)驗(yàn)并與傳統(tǒng)方法進(jìn)行對比分析，結(jié)果表明本文所提出方法對泄漏檢測的準(zhǔn)確率更高，具有一定的工程應(yīng)用價(jià)值。 □