王 妍 盧淑文 李 杰 許彥飛 高 勝 聞鏡強(qiáng) 高 望

（東北石油大學(xué)機(jī)械科學(xué)與工程學(xué)院）

隨著注水采油技術(shù)的成熟完備，我國陸地油田注水管網(wǎng)系統(tǒng)愈加復(fù)雜龐大［1］。 注水采油中后期管網(wǎng)系統(tǒng)故障頻發(fā)，故障嚴(yán)重影響管網(wǎng)系統(tǒng)正常運(yùn)行，導(dǎo)致大量經(jīng)濟(jì)損失。

為及時發(fā)現(xiàn)故障點(diǎn)、確定故障類型，將設(shè)備檢測法、泄漏水力數(shù)學(xué)模型法、管網(wǎng)診斷專家系統(tǒng)及神經(jīng)網(wǎng)絡(luò)等方法應(yīng)用于注水網(wǎng)絡(luò)。 設(shè)備檢測法方法舊、實(shí)時性差，且易受外界環(huán)境因素的干擾，錯誤率高。 數(shù)學(xué)模型法包含靜態(tài)模型和瞬態(tài)模型，但無法滿足理想大型復(fù)雜管網(wǎng)數(shù)學(xué)模型條件［2］。 專家系統(tǒng)法中專家知識庫因管網(wǎng)結(jié)構(gòu)變化而發(fā)生全局改變，且知識庫創(chuàng)建麻煩［3］。隨著機(jī)器學(xué)習(xí)和人工智能技術(shù)逐漸成熟，BP神經(jīng)網(wǎng)絡(luò)也被廣泛應(yīng)用在各類故障診斷中［4，5］，然而在油田注水管網(wǎng)系統(tǒng)中卻很少見，主要原因在于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)因訓(xùn)練數(shù)據(jù)過大、收斂較慢，易出現(xiàn)過擬合現(xiàn)象，導(dǎo)致模型陷入局部最優(yōu)。

筆者將自適應(yīng)差分進(jìn)化算法（SDE）與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種基于自適應(yīng)差分進(jìn)化算法二級BP神經(jīng)網(wǎng)絡(luò)注水管網(wǎng)故障診斷模型，對大型注水網(wǎng)絡(luò)進(jìn)行優(yōu)化， 解決其診斷困難問題，該模型可通過一級網(wǎng)絡(luò)精準(zhǔn)診斷管網(wǎng)故障點(diǎn)位置，通過二級網(wǎng)絡(luò)診斷具體故障類型。

1 油田注水管網(wǎng)故障類型與模擬

注水系統(tǒng)復(fù)雜且龐大，任何一個節(jié)點(diǎn)和管段單元發(fā)生故障， 都會對系統(tǒng)其他節(jié)點(diǎn)和管段壓力、流量產(chǎn)生影響。 故障位置和故障類型是影響整個管網(wǎng)穩(wěn)態(tài)運(yùn)行的重要因素，亦是系統(tǒng)故障診斷的重要目標(biāo)，而各節(jié)點(diǎn)管段故障往往通過壓力和流量的異常體現(xiàn)出來。 因此筆者將壓力和流量作為核心參數(shù)，建立故障工況診斷數(shù)學(xué)模型。 當(dāng)然，該模型診斷的前提基礎(chǔ)為對各類故障分類和固定管網(wǎng)結(jié)構(gòu)的準(zhǔn)確模擬。

1.1 故障分類

油田注水系統(tǒng)的故障問題大致可分為注水站、注水井、管線和其他節(jié)點(diǎn)故障4類（圖1）。 眾多類型故障中，注水站泵機(jī)組停泵啟泵、注水井過欠注水、閥門和配水間故障為節(jié)點(diǎn)故障；注水管道堵塞和漏損中的管爆、射流為管線故障。 筆者采用兩級自適應(yīng)差分進(jìn)化BP網(wǎng)絡(luò)模型對管網(wǎng)節(jié)點(diǎn)和管線故障進(jìn)行診斷，一級網(wǎng)絡(luò)診斷是對管網(wǎng)整體進(jìn)行診斷，通過判斷各部分壓力和流量異常情況，以診斷注水站、注水井和管線故障點(diǎn)位置，二級診斷為故障類型診斷， 結(jié)合一級診斷結(jié)果，分析具體故障點(diǎn)流量大小和壓力高低并進(jìn)行診斷，診斷類型為站啟停泵、井過欠注和管段漏損堵塞。

圖1 油田注水管網(wǎng)系統(tǒng)故障分類

1.2 診斷依據(jù)

油田注水管網(wǎng)故障常表現(xiàn)為系統(tǒng)壓力和流量的異常。 注水站泵機(jī)組的過載和泵損壞故障，導(dǎo)致注水站乃至整個管網(wǎng)壓力異常；注水井中過欠注水、 注水管網(wǎng)管道漏損和管道堵塞故障，導(dǎo)致系統(tǒng)流量異常，如圖1故障分類所示。 因此，一級故障診斷以壓力和流量異常為依據(jù)的故障位置診斷，壓力異常診斷注水站故障，流量異常診斷注水井和注水管線故障。 二級診斷相比于正常壓力和流量下，各部分壓力高低和流量大小為依據(jù)診斷故障類型。 注水站壓力偏高，診斷站泵機(jī)組啟泵，注水站壓力偏低，診斷泵機(jī)組停泵；注水井點(diǎn)流量高和管道表面有流量，診斷為井過注水和管道漏損；注水井點(diǎn)流量小，管道無流量，診斷為井欠注水和管道堵塞。

1.3 水力數(shù)學(xué)模型

油田注水管網(wǎng)系統(tǒng)由節(jié)點(diǎn)、管線和附屬單元構(gòu)成，節(jié)點(diǎn)包括注水站、配水間、注水井和管線交匯點(diǎn)［6］，管線包含注水干線和支線，附屬單元有閥門、彎頭及三通等。

1.3.1 管網(wǎng)系統(tǒng)總體模型

管道單元模型可改寫為如下特性方程：

針對管網(wǎng)系統(tǒng)中管線的連接關(guān)系，結(jié)合管道單元特性方程和節(jié)點(diǎn)連續(xù)性方程可得到整個系統(tǒng)總體方程：

式中 C——管網(wǎng)的輸入流量矢量；

H——管網(wǎng)水頭矢量。

K——管網(wǎng)的特性矩陣；

1.3.2 模型求解

求解此大型復(fù)雜非線性方程，筆者采用牛頓法和迭代法，計(jì)算結(jié)果表明，迭代法比牛頓法更有效。 迭代法求解過程為：

計(jì)算結(jié)果表明，仿真誤差在±5%以內(nèi)，能夠?yàn)楣收显\斷提供有效數(shù)據(jù)支撐。

2 SDE-BP神經(jīng)網(wǎng)絡(luò)故障診斷模型

2.1 診斷模型總體架構(gòu)

為診斷注水管網(wǎng)故障點(diǎn)位置和故障類型，建立兩級SDE-BP網(wǎng)絡(luò)模型。SDE-BP網(wǎng)絡(luò)模型是在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上引入SDE算法。 改進(jìn)的關(guān)鍵在于將BP網(wǎng)絡(luò)初始權(quán)重和閾值作為自適應(yīng)差分進(jìn)化算法初始種群， 選擇適應(yīng)度函數(shù)網(wǎng)絡(luò)均方誤差，對權(quán)重和閾值多次迭代優(yōu)化，使其從初始隨機(jī)轉(zhuǎn)變?yōu)榫哂袃?yōu)化方向性，加速BP網(wǎng)絡(luò)模型收斂。

文中所采用的SDE-BP網(wǎng)絡(luò)模型，兩級均為三層結(jié)構(gòu)［8］，一級診斷模型輸入為整體管網(wǎng)注水站、井和管線故障工況下各部分節(jié)點(diǎn)壓力P=（p1，p2，p3，…，pn）、流量NQ=（nq1，nq2，nq3，…，nqn）、管段流量LQ=（lq1，lq2，lq3，…，lqm）和診斷分類標(biāo)簽T=（t1，t2，t3，…，tk），輸出值為故障點(diǎn)位置Y=（y1，y2，y3，…，yk）；對每個故障點(diǎn)建立二級診斷模型，輸入為一級診斷所確定的故障點(diǎn)故障壓力P、 流量NQ和管道流量LQ，輸出值為故障類型Y=（y1，y2），圖2為診斷模型總體架構(gòu)。

圖2 診斷模型總體架構(gòu)

2.2 數(shù)學(xué)模型

2.2.1 SDE-BP診斷模型

BP神經(jīng)網(wǎng)絡(luò)在大型網(wǎng)絡(luò)的故障診斷中存在明顯的收斂速度慢、易過擬合、陷入局部最優(yōu)等缺點(diǎn)［9］，因此，網(wǎng)絡(luò)優(yōu)化極為重要，BP神經(jīng)網(wǎng)絡(luò)優(yōu)化常采用網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化和參數(shù)優(yōu)化兩種方式，由于對BP網(wǎng)絡(luò)優(yōu)化確定較為困難，采用優(yōu)化算法對網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)進(jìn)行優(yōu)化［10］。 文中求解復(fù)雜非線性優(yōu)化問題采用全局優(yōu)化算法——SDE自適應(yīng)差分進(jìn)化算法， 優(yōu)化傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，彌補(bǔ)網(wǎng)絡(luò)先天缺陷，減少訓(xùn)練時間、避免模型陷入局部最優(yōu)［11］。 SDE-BP網(wǎng)絡(luò)模型將BP神經(jīng)網(wǎng)絡(luò)初始化的所有權(quán)重和閾值作為自適應(yīng)差分進(jìn)化算法初始種群，權(quán)重和閾值個數(shù)總和作為種群個體長度，經(jīng)過多次自適應(yīng)變異、交叉和選擇操作，達(dá)到最大迭代次數(shù)后終止進(jìn)化，獲得優(yōu)化后的權(quán)重和閾值，在此基礎(chǔ)上建立神經(jīng)網(wǎng)絡(luò)，訓(xùn)練至最大循環(huán)次數(shù)獲得SDE-BP網(wǎng)絡(luò)診斷模型。

SDE自適應(yīng)差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值主要包括種群初始化、 自適應(yīng)變異、自適應(yīng)交叉和選擇。

種群初始化。 SDE初始化權(quán)重種群用隨機(jī)方式產(chǎn)生：

自適應(yīng)變異操作。 權(quán)重個體間通過變異產(chǎn)生新個體，種群中兩個權(quán)重個體之間的加權(quán)差向量加到基點(diǎn)向量上的變異操作，變異操作中采用其多微分改進(jìn)形式DE/best/1/bin［12］，使解向量朝更好方向進(jìn)化。 自適應(yīng)變異操作通過引入自適應(yīng)變異因子其值隨迭代次數(shù)的增加而減小，初期可保證種群多樣性，后期又可保留優(yōu)良個體［13］：

權(quán)重和閾值經(jīng)SDE算法多次優(yōu)化可達(dá)最優(yōu)，結(jié)合管網(wǎng)節(jié)點(diǎn)壓力和流量為輸入特征值，運(yùn)用BP網(wǎng)絡(luò)信號正向傳播和誤差反向傳播。 多次循環(huán)獲得SDE-BP診斷模型。

2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)確定

6.2.2.3 冷藏冷凍商品貯存?zhèn)}庫、陳列柜和熱熟食展示柜都有功能正常的溫度顯示器，并且溫度滿足產(chǎn)品要求，定時做好冷藏冷凍庫（柜）和熱展示柜的溫度監(jiān)控記錄。熱展示柜的溫度在60℃以上，冷藏溫度應(yīng)為0℃～8℃；冷凍溫度應(yīng)為－20℃～－1℃, 宜低于－12℃。

一級SDE-BP網(wǎng)絡(luò)模型為故障位置診斷模型，將管網(wǎng)注水站、井和管線所有節(jié)點(diǎn)壓力、流量和管段流量作為一級網(wǎng)絡(luò)的特征向量輸入，特性向量個數(shù)為輸入層單元數(shù)101個； 輸出層特征向量為可出現(xiàn)的站、井和管線節(jié)點(diǎn)故障位置、單元個數(shù)為站和井節(jié)點(diǎn)以及管段的個數(shù)32個；隱藏層單元數(shù)利用黃金分割法確定為20個。一級BP神經(jīng)網(wǎng)絡(luò)初始權(quán)重和閾值經(jīng)SDE算法獲得優(yōu)化， 激活函數(shù)為Sigmoid函數(shù)，確保輸出結(jié)果為（0，1）區(qū)間，選取輸出值的最大值索引為診斷的類別。 優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)迭代至收斂， 一級SDE-BP網(wǎng)絡(luò)訓(xùn)練完成。

二級SDE-BP網(wǎng)絡(luò)模型為故障類型診斷，針對每個故障點(diǎn)分別建立相同結(jié)構(gòu)的SDE-BP神經(jīng)網(wǎng)絡(luò)， 網(wǎng)絡(luò)模型數(shù)為所有節(jié)點(diǎn)和假設(shè)管段點(diǎn)的個數(shù)。 輸入故障特征向量為單個故障點(diǎn)所對應(yīng)的故障工況下各節(jié)點(diǎn)壓力、流量和管段流量，采用網(wǎng)絡(luò)模型對故障進(jìn)行二分類， 對于注水站的故障，輸出層有站停泵和啟泵兩種特征單元，對于井的故障， 輸出層有井過注和欠注兩種特征單元，對于管線故障，輸出層有管段漏損和管道堵塞兩種特征單元。 隱藏層和激活函數(shù)的確定與一級網(wǎng)絡(luò)相同。

2.3 SDE-BP算法實(shí)現(xiàn)

SDE優(yōu)化BP網(wǎng)絡(luò)算法流程如圖3所示。

圖3 SDE-BP算法結(jié)構(gòu)流程

結(jié)構(gòu)包含傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)差分進(jìn)化算法優(yōu)化兩部分，具體步驟如下：

a.確定BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)， 選取網(wǎng)絡(luò)學(xué)習(xí)率r=0.1和最大循環(huán)次數(shù)一級Cyclemax=12000， 二級Cyclemax=500； 初始權(quán)重W選取標(biāo)準(zhǔn)差為隱藏層節(jié)點(diǎn)數(shù)的-0.5次方的正態(tài)分布，初始閾值B取（0，1）。

b.初始化種群。 將網(wǎng)絡(luò)所有權(quán)重和閾值個數(shù)總和作為種群個體長度n=2660；確定一、二級合適的NP種群為20；最大迭代次數(shù)Gmax=50。

c.適應(yīng)變異操作。 自適應(yīng)變異因子Fmin=0.3，F(xiàn)max=0.7。

d.自適應(yīng)交叉操作。 自適應(yīng)交叉因子Cmin=0.1，Cmax=0.9。

f.重復(fù)步驟c到步驟e， 直至迭代次數(shù)G滿足G＞Gmax，循環(huán)結(jié)束，獲得優(yōu)化后的個體解即權(quán)重和閾值。

g.選取故障數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的樣本輸入，在輸入前做歸一化處理消除不同量綱對計(jì)算的影響并加速收斂。 本文選取節(jié)點(diǎn)壓力、流量和管段流量作為特征輸入。

h.BP神經(jīng)網(wǎng)絡(luò)信息正向傳播。

i.誤差反向傳播。

j.重復(fù)步驟i和步驟j， 訓(xùn)練模型當(dāng)前循環(huán)次數(shù)大于最大次數(shù)即Cycle＞Cyclemax時，停止訓(xùn)練，獲得診斷模型。

3 管網(wǎng)故障診斷實(shí)驗(yàn)分析

3.1 數(shù)據(jù)獲取

由于注水管網(wǎng)復(fù)雜龐大，獲取實(shí)際測量故障數(shù)據(jù)困難， 筆者通過建立注水管網(wǎng)水力數(shù)學(xué)模型，通過模擬管網(wǎng)注水站、注水井和管線故障工況，計(jì)算獲得故障數(shù)據(jù)。 注水網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)如圖4所示，系統(tǒng)中包含注水站3個、注水井12個、注水管線17條，管道長度為1 000 m，與注水站相連管道直徑為500 mm，其余管道直徑為300 mm，摩阻系數(shù)為0.013，注水井流量均為50 m3/s。

圖4 模擬注水管網(wǎng)系統(tǒng)

模擬故障工況有：注水站故障，增加或降低某一站節(jié)點(diǎn)的壓力，計(jì)算出其他注水站、井和管線的壓力和流量，模擬注水站停泵和啟泵故障工況；注水井故障，增加或降低井節(jié)點(diǎn)的流量，計(jì)算出各部分壓力和流量，模擬注水井過注和欠注故障工況；管線故障，在管段泄漏位置添加新節(jié)點(diǎn)，該點(diǎn)將管段分成兩條，若節(jié)點(diǎn)存在流量，即模擬管網(wǎng)漏損，若相鄰管道無流量或流速高則模擬管道堵塞。

經(jīng)過模擬計(jì)算，共獲得故障數(shù)據(jù)640條，其中站故障數(shù)據(jù)60條，井故障數(shù)據(jù)240條，管線故障數(shù)據(jù)340條，每條數(shù)據(jù)包含節(jié)點(diǎn)壓力、流量和管段流量以及目標(biāo)值。 SDE-BP網(wǎng)絡(luò)模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)， 分別對故障點(diǎn)位置和故障類型進(jìn)行診斷，并進(jìn)行結(jié)果對比分析。

3.2 一級優(yōu)化網(wǎng)絡(luò)診斷結(jié)果分析

對于模擬的全部故障數(shù)據(jù)， 選取其90%作為網(wǎng)絡(luò)訓(xùn)練集，剩下10%作為測試集。 一級SDE-BP診斷模型為101-20-32節(jié)點(diǎn)數(shù)的輸入隱藏輸出三層網(wǎng)絡(luò)，其中輸入數(shù)據(jù)對應(yīng)各節(jié)點(diǎn)壓力、流量和各管段的流量；輸出節(jié)點(diǎn)數(shù)為站、井和管節(jié)點(diǎn)和。最大迭代次數(shù)為12 000，學(xué)習(xí)率為0.1，收斂精度為0.000 37，自適應(yīng)差分進(jìn)化算法參數(shù)設(shè)置：初始種群規(guī)模20， 變異因子最大值為0.7， 最小值為0.3，交叉因子最大值0.9，最小值0.1，最大進(jìn)化代數(shù)為50代。

一級SDE-BP網(wǎng)絡(luò)故障點(diǎn)診斷均方誤差曲線圖如圖5所示，由圖可知，相同網(wǎng)絡(luò)結(jié)構(gòu)和相同的訓(xùn)練次數(shù)下，SDE-BP網(wǎng)絡(luò)模型在6 000次迭代時趨向收斂，均方誤差精度為0.000 62，傳統(tǒng)BP網(wǎng)絡(luò)模型均方誤差精度為0.002 13， 在最大迭代次數(shù)時， 傳統(tǒng)BP網(wǎng)絡(luò)模型均方誤差為0.000 96大于同訓(xùn)練次數(shù)下SDE-BP網(wǎng)絡(luò)模型的均方誤差，對比可得SDE-BP相比于傳統(tǒng)BP網(wǎng)絡(luò)收斂速度提高50%，收斂精度提高56.3%。 SDE-BP網(wǎng)絡(luò)診斷的部分診斷結(jié)果見表1， 診斷輸出結(jié)果對比圖如圖6所示，一級SDE-BP和傳統(tǒng)BP對站14、井6、管段8和管段12故障點(diǎn)正確診斷；經(jīng)輸出結(jié)果對比，傳統(tǒng)BP相比于SDE-BP模型在井6和管段12診斷的輸出偏差較大。由此可知自適應(yīng)差分進(jìn)化優(yōu)化BP網(wǎng)絡(luò)訓(xùn)練速度快和訓(xùn)練精度高并且可正確診斷管網(wǎng)故障位置，正確率為100%。

表1 自適應(yīng)差分進(jìn)化優(yōu)化BP網(wǎng)絡(luò)模型故障點(diǎn)部分診斷數(shù)據(jù)

圖5 故障點(diǎn)診斷均方誤差曲線圖

圖6 一級故障點(diǎn)診斷輸出結(jié)果對比圖

3.3 二級優(yōu)化網(wǎng)絡(luò)診斷結(jié)果分析

依據(jù)站故障數(shù)據(jù)、井故障數(shù)據(jù)和管線故障數(shù)據(jù)分別建立網(wǎng)絡(luò)模型，二級優(yōu)化網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為101-20-2，學(xué)習(xí)率0.1，最大迭代次數(shù)500，自適應(yīng)差分進(jìn)化算法參數(shù)設(shè)置：初始種群規(guī)模20，變異因子最大值為0.7， 最小值為0.3， 交叉因子最大值0.9，最小值0.3，進(jìn)化代數(shù)為50代，同時建立32個結(jié)構(gòu)相同的網(wǎng)絡(luò)模型，根據(jù)一級診斷結(jié)果分別進(jìn)行二級診斷。

二級SDE-BP網(wǎng)絡(luò)故障類型診斷誤差曲線圖如圖7所示，可以看出傳統(tǒng)的BP模型相對于自適應(yīng)差分優(yōu)化BP網(wǎng)絡(luò)模型其診斷誤差較大， 其中傳統(tǒng)BP訓(xùn)練下的站15啟泵和管段17堵塞相對誤差為31%和30.2%，SDE-BP訓(xùn)練下站15啟泵相對誤差為26%，超出允許范圍。其余診斷部分，傳統(tǒng)BP訓(xùn)練下的相對誤差在0%～10%，SDE-BP訓(xùn)練下的相對誤差在0%～5%。由計(jì)算可知，SDE-BP和傳統(tǒng)BP 網(wǎng)絡(luò)故障類型診斷相對誤差均值為1.93%和3.29%， 優(yōu)化后的相對誤差均值提高1.36%。 部分二級故障類型診斷輸出結(jié)果對比圖如圖8所示，SDE-BP網(wǎng)絡(luò)和BP網(wǎng)絡(luò)可對站14泵機(jī)啟泵、井6過注水、管段8漏損和管段12堵塞正確診斷，同時對其他故障類型也可成功診斷，正確率均為100%， 由此可知自適應(yīng)差分優(yōu)化BP神經(jīng)網(wǎng)絡(luò)可提高傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型的診斷精度。

圖7 故障類型診斷相對誤差圖

圖8 部分故障類型診斷輸出結(jié)果對比圖

4 結(jié)束語

在油田注水管網(wǎng)水力模型的基礎(chǔ)上引入自適應(yīng)差分進(jìn)化算法優(yōu)化的兩級BP神經(jīng)網(wǎng)絡(luò)，將自適應(yīng)差分進(jìn)化算法和傳統(tǒng)BP網(wǎng)絡(luò)相結(jié)合對注水站、注水井和注水管線故障點(diǎn)位置和相應(yīng)故障類型進(jìn)行診斷，該方法可根據(jù)管網(wǎng)節(jié)點(diǎn)壓力、流量和管線流量變化進(jìn)行井過欠注、站啟停泵和管段堵漏的診斷。 模擬實(shí)驗(yàn)分析表明：一級網(wǎng)絡(luò)故障點(diǎn)位置診斷，SDE優(yōu)化BP網(wǎng)絡(luò)相比于傳統(tǒng)BP網(wǎng)絡(luò)收斂速度提高50%，收斂精度提高56.3%；二級故障類型診斷，優(yōu)化后的BP網(wǎng)絡(luò)診斷相對誤差平均值提高1.36%。 模擬實(shí)驗(yàn)證明自適應(yīng)差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)BP網(wǎng)絡(luò)在注水管網(wǎng)系統(tǒng)故障點(diǎn)位置和故障類型診斷中有更快收斂速度和更低的誤差精度， 具有良好的診斷效果，對于大型復(fù)雜注水管網(wǎng)大數(shù)據(jù)診斷可避免其陷入局部最優(yōu)，提高診斷速度和正確率。