本發(fā)明屬于管網(wǎng)滲漏檢測(cè)，涉及基于離散時(shí)間動(dòng)態(tài)圖網(wǎng)絡(luò)的無(wú)監(jiān)督水管網(wǎng)滲漏檢測(cè)方法。

背景技術(shù)：

1、在城市供水系統(tǒng)中，確保水質(zhì)和水量的穩(wěn)定供應(yīng)是至關(guān)重要的。然而，由于水管網(wǎng)系統(tǒng)的龐大和復(fù)雜性，滲漏問(wèn)題可能對(duì)水資源的浪費(fèi)和供水服務(wù)的中斷產(chǎn)生嚴(yán)重影響，進(jìn)而帶來(lái)社會(huì)和經(jīng)濟(jì)上的負(fù)面后果。滲漏問(wèn)題可能由管道老化、外部環(huán)境變化或施工破壞等因素引起，這些因素對(duì)供水系統(tǒng)的安全和效率構(gòu)成了直接威脅。因此，對(duì)水管網(wǎng)進(jìn)行有效的滲漏檢測(cè)和定位是水務(wù)管理部門(mén)面臨的關(guān)鍵挑戰(zhàn)。

2、現(xiàn)有技術(shù)在水管網(wǎng)滲漏檢測(cè)方面存在若干問(wèn)題。基于硬件的方法，包括管道內(nèi)和管道外的泄漏檢測(cè)技術(shù)，盡管具有非侵入性的特點(diǎn)，但許多設(shè)備仍處于研發(fā)階段，只能作為測(cè)試原型。此外，管道外設(shè)備雖然安裝方便，但成本高昂，耗時(shí)，且需要專(zhuān)業(yè)操作人員進(jìn)行操作和泄漏位置的推斷。這些設(shè)備在探測(cè)深埋地下管道的泄漏時(shí)可能失效，限制了其應(yīng)用范圍。基于軟件的方法里基于模型驅(qū)動(dòng)的方法依賴(lài)于精確的管網(wǎng)模型，包括管網(wǎng)的拓?fù)浣Y(jié)構(gòu)、使用年限、管段材質(zhì)和管徑等參數(shù)，這些參數(shù)的校準(zhǔn)過(guò)程復(fù)雜且受數(shù)據(jù)可用性的限制。特別是對(duì)于規(guī)模龐大和陳舊的輸水管網(wǎng)，水力模型的維護(hù)變得尤為困難。

3、相比之下，基于數(shù)據(jù)驅(qū)動(dòng)的方法通過(guò)深度挖掘歷史數(shù)據(jù)模式，展現(xiàn)出對(duì)管網(wǎng)非線(xiàn)性的強(qiáng)大建模能力。這種方法相對(duì)于硬件方法和基于模型的方法，具有更少的限制性，更高的靈活性和便利性。然而，現(xiàn)有方法大多依賴(lài)于監(jiān)督學(xué)習(xí)，需要大量的標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練，這在實(shí)際應(yīng)用中往往難以獲得。因此，開(kāi)發(fā)一種無(wú)需標(biāo)記數(shù)據(jù)的無(wú)監(jiān)督學(xué)習(xí)方法，對(duì)于提高水管網(wǎng)滲漏檢測(cè)的效率和準(zhǔn)確性具有重要意義。無(wú)監(jiān)督方法能夠自動(dòng)從數(shù)據(jù)中學(xué)習(xí)模式，無(wú)需人工干預(yù)，從而降低成本，提高檢測(cè)速度，并能夠適應(yīng)不斷變化的管網(wǎng)條件。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供基于離散時(shí)間動(dòng)態(tài)圖網(wǎng)絡(luò)的無(wú)監(jiān)督水管網(wǎng)滲漏檢測(cè)方法，該方法能夠利用圖網(wǎng)絡(luò)模型來(lái)表示水管網(wǎng)的結(jié)構(gòu)，通過(guò)動(dòng)態(tài)更新的圖信息來(lái)捕捉管網(wǎng)狀態(tài)的變化，實(shí)現(xiàn)對(duì)滲漏問(wèn)題的無(wú)監(jiān)督檢測(cè)。

2、本發(fā)明所采用的技術(shù)方案是，基于離散時(shí)間動(dòng)態(tài)圖網(wǎng)絡(luò)的無(wú)監(jiān)督水管網(wǎng)滲漏檢測(cè)方法，具體包括如下過(guò)程：首先，根據(jù)管網(wǎng)節(jié)點(diǎn)空間拓?fù)浣Y(jié)構(gòu)定義圖結(jié)構(gòu)；其次，按照時(shí)間序列長(zhǎng)度，對(duì)水管網(wǎng)布設(shè)的壓力傳感器采集的數(shù)據(jù)進(jìn)行圖快照劃分；接著，在圖快照內(nèi)采用圖注意力網(wǎng)絡(luò)進(jìn)行圖嵌入表示學(xué)習(xí)，把圖嵌入表示送入sos流模型進(jìn)行無(wú)監(jiān)督正樣本密度估計(jì)和滲漏在線(xiàn)檢測(cè)，在圖快照間采用rnn模型進(jìn)行圖參數(shù)進(jìn)化實(shí)現(xiàn)圖模型的動(dòng)態(tài)更新。

3、本發(fā)明的特點(diǎn)還在于：

4、具體包括如下步驟：

5、步驟1，下載水管網(wǎng)滲漏測(cè)試數(shù)據(jù)集leakdb，按照m:n將數(shù)據(jù)集劃分為無(wú)滲漏水管網(wǎng)壓力訓(xùn)練集ftrain和有滲漏水管網(wǎng)壓力測(cè)試集ftest，測(cè)試集的真值集為gtest，leakdb數(shù)據(jù)集對(duì)應(yīng)的輸水管網(wǎng)中布設(shè)的壓力傳感器集合為v＝{v1,v2,…,vn,…,vn}，其中vn表示第n個(gè)節(jié)點(diǎn)的傳感器，1≤n≤n，n為壓力傳感器總數(shù),其中，和分別為ftrain和ftest中第n個(gè)壓力傳感器vn在t時(shí)刻的壓力值，1≤t≤t，t為壓力時(shí)間序列信號(hào)的時(shí)序長(zhǎng)度；

6、步驟2，根據(jù)輸水管網(wǎng)布設(shè)的壓力傳感器空間拓?fù)浣Y(jié)構(gòu)定義圖結(jié)構(gòu)g＝(v,e)，v和e分別是圖的節(jié)點(diǎn)和邊集合，其中e＝{(vi,vj)|1≤i≤n,1≤j≤n,i≠j}，將圖結(jié)構(gòu)g用鄰接矩陣表示為a，δi,j表示兩個(gè)節(jié)點(diǎn)間是否連接；

7、步驟3，按照時(shí)間序列長(zhǎng)度把ftrain進(jìn)行圖快照劃分，得到圖快照集合gtrain＝[g1,g2,…,gk,…,gk]，每個(gè)圖快照信號(hào)長(zhǎng)度為δt，gk是第k個(gè)圖快照，1≤k≤k，k為圖快照總個(gè)數(shù)，k＝int(t/δt)，int(·)表示向下取整函數(shù)，gk＝(fk,a)，fk是第k個(gè)圖快照gk對(duì)應(yīng)的訓(xùn)練集ftrain中壓力時(shí)間序列信號(hào)集，

8、步驟4，構(gòu)建離散時(shí)間動(dòng)態(tài)圖網(wǎng)絡(luò)結(jié)構(gòu)net；

9、步驟5，訓(xùn)練網(wǎng)絡(luò)模型model；

10、步驟6，在測(cè)試集ftest上進(jìn)行模型model測(cè)試，得到無(wú)監(jiān)督水管網(wǎng)滲漏檢測(cè)結(jié)果。

11、步驟4中，離散時(shí)間動(dòng)態(tài)圖網(wǎng)絡(luò)結(jié)構(gòu)為net＝{(ng1,ns1),rnn1→2,…(ngk,nsk),rnnk→k+1,…(ngk,nsk)}；其中ngk、nsk和rnnk→k+1表示圖快照gk內(nèi)的圖注意力網(wǎng)絡(luò)、sos流網(wǎng)絡(luò)，以及gk和gk+1圖快照間的rnnrnnk-1→k；

12、圖注意力網(wǎng)絡(luò)ngk分為圖空間注意力網(wǎng)絡(luò)ngsk和圖時(shí)間注意力網(wǎng)絡(luò)ngtk；sos流網(wǎng)絡(luò)nsk包括sos()正向變換、sos_inverse()反向變換以及fnn子網(wǎng)絡(luò)fnnk；rnnk-1→k包括兩層全連接層；

13、圖空間注意力網(wǎng)絡(luò)ngsk由三層全連接構(gòu)成，圖時(shí)間注意力網(wǎng)絡(luò)ngtk由因果卷積、膨脹卷積和1d卷積構(gòu)成；

14、圖空間注意力網(wǎng)絡(luò)經(jīng)過(guò)三層全連接后實(shí)現(xiàn)互注意力計(jì)算attention()來(lái)增強(qiáng)特征，圖時(shí)間注意力經(jīng)過(guò)卷積操作后通過(guò)門(mén)控激活單元來(lái)增強(qiáng)特征得到圖嵌入表示，sos流網(wǎng)絡(luò)通過(guò)sos()正向變換將輸入數(shù)據(jù)變換成正態(tài)分布，通過(guò)sos_inverse()反變化將處在正態(tài)分布的數(shù)據(jù)反變換到輸入數(shù)據(jù)空間；rnn通過(guò)全連接更新快照間的圖注意力網(wǎng)絡(luò)參數(shù)。

15、步驟5的具體步驟如下：

16、步驟5.1，定義圖快照個(gè)數(shù)變量k，初始化為1，定義條件變量為ck，定義總體網(wǎng)絡(luò)參數(shù)為model＝{w1,wr1,…wk,wrk…,wk}，第k個(gè)快照gk的網(wǎng)絡(luò)參數(shù)其中和分別表示第k個(gè)圖快照gk的可學(xué)習(xí)圖參數(shù)和流參數(shù)，wrk表示快照間rnn，gk的流分布參數(shù)表示為(μk,σk)，按照均勻分布隨機(jī)初始化g1的初始化g1的流分布參數(shù)μ1＝0,σ1＝1，圖網(wǎng)絡(luò)參數(shù)由圖空間注意力子網(wǎng)絡(luò)參數(shù)和圖時(shí)間注意力子網(wǎng)絡(luò)參數(shù)組成，即初始化網(wǎng)絡(luò)模型model，model＝w1；

17、步驟5.2，將ftrain中第k個(gè)圖快照的gk作為輸入，送入圖空間注意力網(wǎng)絡(luò)ngk和圖時(shí)間注意力網(wǎng)絡(luò)nsk，利用參數(shù)和前向計(jì)算得到圖嵌入表示xk；

18、步驟5.3，初始化條件變量c1＝x1，將xk與ck串聯(lián)后送入第k個(gè)sos流網(wǎng)絡(luò)nsk，進(jìn)行sos流正向變換，計(jì)算流模型損失，并得到流變換后數(shù)據(jù)zk；

19、步驟5.4，從條件分布中進(jìn)行采樣δt長(zhǎng)度的數(shù)據(jù)zk′-1，把zk′-1送入sos流網(wǎng)絡(luò)nsk，反變換得到令把ck+1送入fnn層，輸出均值μk+1和方差σk+1；

20、步驟5.5，把圖網(wǎng)絡(luò)參數(shù)送入循環(huán)神經(jīng)網(wǎng)絡(luò)rnn，預(yù)測(cè)得到gk的圖網(wǎng)絡(luò)參數(shù)

21、步驟5.6，更新model，判斷k是否等于k，若是，model＝model+wk，否則model＝model+wk+wrk；

22、步驟5.7，令k＝k+1，判斷k是否小于等于k，若是進(jìn)入步驟5.2，反之，結(jié)束訓(xùn)練，輸出網(wǎng)絡(luò)模型model。

23、步驟5.2的具體步驟如下：

24、步驟5.2.1，對(duì)于快照gk＝(fk,a)，提取gk內(nèi)當(dāng)前節(jié)點(diǎn)vn的鄰域節(jié)點(diǎn)當(dāng)前節(jié)點(diǎn)vn和鄰域節(jié)點(diǎn)特征分別表示為fn(t)和

25、步驟5.2.2，把fn(t)作為輸入，經(jīng)過(guò)圖空間注意力網(wǎng)絡(luò)的全連接層fc1變換，得到互注意力機(jī)制中的如公式(1)；將作為輸入，經(jīng)過(guò)圖空間注意力網(wǎng)絡(luò)的全連接層fc2變換，調(diào)用開(kāi)源torch庫(kù)函數(shù)transpose()函數(shù)得到和如公式(2)；把作為輸入，經(jīng)過(guò)圖空間注意力網(wǎng)絡(luò)的全連接層fc3變換，得到如公式(3)；其中queryk表示查詢(xún)向量，keyk表示鍵向量，valuek表示值向量：

26、queryk＝fc1(fn(t))?(1)

27、

28、

29、步驟5.2.3，將queryk、keyk和valuek作為輸入，利用互注意力計(jì)算公式attention()，如公式(4)，將對(duì)當(dāng)前節(jié)點(diǎn)特征進(jìn)行增強(qiáng)，其中，dkey為特征keyk的維度大??；softmax()為開(kāi)源torch數(shù)據(jù)激活庫(kù)函數(shù)，計(jì)算出當(dāng)前節(jié)點(diǎn)vn增強(qiáng)后的特征(fn(t))'：

30、

31、步驟5.2.4，將特征(fn(t))'作為輸入，經(jīng)過(guò)圖空間注意力網(wǎng)絡(luò)的全連接fc3層變換，得到圖空間注意力子網(wǎng)絡(luò)輸出特征(fn(t))”＝fc3((fn(t))')；

32、步驟5.2.5，將特征f'k＝{(fn(t))”|t∈[(k-1)×δt,k×δt],n∈[1,n]}作為輸入，經(jīng)過(guò)時(shí)間圖時(shí)間注意力網(wǎng)絡(luò)的因果卷積層cauconv輸出特征fk″；

33、步驟5.2.6，定義殘差網(wǎng)絡(luò)總層數(shù)變量為l，殘差層數(shù)變量為l，l初始化為1，即l＝1，第l個(gè)殘差層的特征變量為hl，h1初始化為fk″，即h1＝fk″；

34、步驟5.2.7，將第l層特征hl分別送入圖時(shí)間注意力網(wǎng)絡(luò)的雙曲正切激活函數(shù)tanh()和sigmoid激活函數(shù)σ()，再送入單元門(mén)控線(xiàn)性單元，得到hl增強(qiáng)增強(qiáng)后的特征(hl)'；

35、(hl)'＝glu(tanh(hl),σ(hl))?(5)

36、步驟5.2.8，將增強(qiáng)特征(hl)'和第l層特征hl相加得到第l+1層輸入特征hl+1,hl+1＝(hl)'+hl；

37、步驟5.2.9，令l＝l+1，判斷l(xiāng)是否小于l，若滿(mǎn)足條件，進(jìn)入步驟5.2.7；

38、步驟5.2.10，將累加特征h1+…+hl+…+hl依次經(jīng)過(guò)圖時(shí)間注意力網(wǎng)絡(luò)的卷積層conv4、conv5，得到降維后的特征xk，如公式(6)：

39、xk＝conv5(conv4((h1+…+hl+…+hl)))?(6)。

40、步驟5.3的具體步驟如下：

41、步驟5.3.1，輸入xk與條件ck，送入sos流網(wǎng)絡(luò)nsk得到流正向流變換后的數(shù)據(jù)zk和雅可比矩陣行列式logdetk，如公式(7)：

42、(zk,logdetk)＝sos(xk,ck)?(7)

43、其中，sos()表示流模型正向變換；

44、步驟5.3.2，計(jì)算zk與條件分布的最大似然估計(jì)值logprobsk，如公式(8)，計(jì)算損失lossk如公式(9)；

45、

46、lossk＝-(logprobsk+logdetk)?(9)。

47、步驟5.4的具體步驟如下：

48、步驟5.4.1，從條件分布下隨機(jī)采樣δt長(zhǎng)度的數(shù)據(jù)zk′，送入sos流進(jìn)行反變換，得如公式(10)，令

49、

50、其中，sos_inverse()表示sos流的反向變換；

51、步驟5.4.2，把ck+1送入fnn層，輸出均值μk+1和方差σk+1，如公式(11)：

52、μk+1,σk+1＝fnn(ck+1)?(11)

53、其中，fnn()表示全連接變換。

54、步驟5.5的具體步驟如下：

55、步驟5.5.1，輸入圖空間注意力網(wǎng)絡(luò)的參數(shù)經(jīng)過(guò)rnn，這里采用開(kāi)源的gru，得到更新后的圖空間注意力網(wǎng)絡(luò)參數(shù)如公式(12)；

56、

57、步驟5.5.2，輸入圖時(shí)間注意力網(wǎng)絡(luò)的參數(shù)經(jīng)過(guò)gru，得到更新后的圖空間注意力網(wǎng)絡(luò)參數(shù)如公式(13)；

58、

59、步驟6的具體步驟如下：

60、步驟6.1，將測(cè)試集ftest和真值標(biāo)簽gttest輸入到訓(xùn)練好的網(wǎng)絡(luò)模型model；

61、步驟6.2，按照時(shí)間序列長(zhǎng)度把ftest進(jìn)行圖快照劃分，得到圖快照集合gtest＝[g1,g2,…,gm,…,gm]，每個(gè)圖快照信號(hào)長(zhǎng)度為δt，gm是第m個(gè)圖快照，1≤m≤m，m為圖快照總個(gè)數(shù)，m＝int(t/δt)，int(·)表示向下取整函數(shù)，gm＝(dm,a)，dm是第m個(gè)圖快照對(duì)應(yīng)的測(cè)試集ftest中壓力時(shí)間序列信號(hào)集，定義快照個(gè)數(shù)變量m，初始化m＝1，定義快照gm的條件變量cm和流分布參數(shù)(μm,σm)，初始化μ1＝0，σ1＝0；

62、步驟6.3，將第m個(gè)測(cè)試圖快照gm送入訓(xùn)練好的圖注意力網(wǎng)絡(luò)結(jié)構(gòu)ngk，利用模型前向變換得到圖嵌入表示xm，初始化c1＝x1,再將cm和xm串聯(lián)后送入訓(xùn)練好的sos流網(wǎng)絡(luò)結(jié)構(gòu)nsk，利用模型前向變換得到zm、雅可比矩陣行列式logdetm，利用流模型對(duì)zm反變換得到否則，令把cm+1送入fnn層，輸出均值μm+1和方差σm+1；

63、步驟6.4，利用kl散度計(jì)算快照gm在分布下的滲漏異常分?jǐn)?shù)ηm，如公式(14)，將ηm寫(xiě)入檢測(cè)結(jié)果集合ptest中，即ptest＝ptest+ηm；

64、

65、步驟6.5，設(shè)定閾值θ，ηm大于θ，則認(rèn)為gm，即t∈[(m-1)×δt,m×δt]時(shí)間段內(nèi)發(fā)生了滲漏；

66、步驟6.6，令m＝m+1，判斷m是否小于等于m，若是，則進(jìn)入步驟6.3，反之，結(jié)束測(cè)試，輸出異常分?jǐn)?shù)集合ptest；調(diào)用開(kāi)源庫(kù)sklearn中的求auc分?jǐn)?shù)的函數(shù)roc_auc_score，計(jì)算ptest和gttest間的差異，對(duì)模型性能進(jìn)行評(píng)價(jià)；

67、auc＝roc_auc_score(ptest,gttest)?(15)。

68、本發(fā)明的有益效果是，本發(fā)明離散時(shí)間動(dòng)態(tài)圖網(wǎng)絡(luò)的無(wú)監(jiān)督水管網(wǎng)滲漏檢測(cè)方法，通過(guò)條件流和sos流計(jì)算圖嵌入分布的無(wú)偏估計(jì)，從正常數(shù)據(jù)與滲漏數(shù)據(jù)的分布存在差異入手，克服了傳統(tǒng)檢測(cè)方法需要滲漏標(biāo)簽進(jìn)行滲漏檢測(cè)的缺點(diǎn)。同時(shí)，為了避免模型大小隨時(shí)間長(zhǎng)度增加而增加，減小模型大小等對(duì)推理延遲的影響，基于離散時(shí)間動(dòng)態(tài)圖網(wǎng)絡(luò)的無(wú)監(jiān)督水管網(wǎng)滲漏檢測(cè)方法，通過(guò)模型參數(shù)進(jìn)化策略，使模型適合動(dòng)態(tài)演化的實(shí)際場(chǎng)景。