一种基于神经网络的供水管爆裂时间预测方法及装置与流程

本公开涉及人工智能技术领域，具体涉及一种基于神经网络的供水管爆裂时间预测方法及装置。

背景技术：

近年来，全国各地城市供水输配水管道发生爆管现象越来越多，严重影响人们的日常生活和工业生产。由于供水管道的爆裂事故出现的非常频繁，现有技术只能对供水管道的材质进行使用年限的预测，不能预测环境对供水管道的影响，但是在现实生活中环境对供水管道造成的影响又是不可忽视的，供水管道所处的环境有可能使得供水管道提前损坏、破裂等，不能再使用，如果不能即使对已经损坏的供水管道进行修补或者更换，可能会对居民的生活和财产造成不可估量的损害，因此我们必须对环境对供水管道的影响进行预测，为求做到尽早发现，尽早更换。本发明就是针对各环境变量对供水管道的影响进行供水管道破裂的预测，其中环境变量包括：管道外壁所承受的压力、管道内壁所承受的压力、土壤温度、土壤湿度、土壤ph值(酸碱度)、水温度、水流速。现有的bp网络神经存在严重缺陷，主要存在迭代次数多、网络收敛速度慢、网络不稳定、易陷入局部极小等问题。

技术实现要素：

本公开提供一种基于神经网络的供水管爆裂时间预测方法及装置，通过根据供水管道所处的环境作为属性，使用这些属性来预测供水管道在该环境下的破裂时间，以改进的bp神经网络算法和最小二乘法模型，以求得环境对供水管道损坏的影响。

为了实现上述目的，根据本公开的一方面，提供一种基于神经网络的供水管爆裂时间预测方法，所述方法包括以下步骤：

步骤1，读取数据集；

步骤2，根据数据集初始化bp神经网络；

步骤3，计算隐含层输出；

步骤4，计算输出层输出；

步骤5，通过误差计算构建供水管道破裂时间预测模型；

步骤6，更新供水管道破裂时间预测模型权值；

步骤7，通过供水管道破裂时间预测模型得到供水管道破裂的时间。

进一步地，在步骤1中，所述数据集包括管道外壁所承受的压力x1、管道内壁所承受的压力x2、土壤温度x3、土壤湿度x4、土壤ph值x5、水温度x6、水流速x7，通过传感器采集以上的2000条数据集并导出到excel表中，作为模型训练的数据集。

进一步地，在步骤2中，根据数据集初始化bp神经网络的方法为，根据数据集的输入x＝(x1,x2,x3,....,x7)和期望输出d＝(d1,d2,d3,....,dl),确定网络输入层和隐含层和输出层神经元数量，即期望输出的个数l，初始化各层神经元之间的连接权值vij,wjk,修正权值公式为

v(n+1)＝v(n)-(j^tj+μi)^-1j^te式1，

w(n+1)＝w(n)-(j^tj+μi)^-1j^te式2，

其中e是网络误差向量；j是雅可比矩阵；μ是可变学习速率；i是单位矩阵，

当μ趋向于无穷小时，式中权值的迭代更新方式近似等于高斯牛顿梯度下降，当μ趋向于无穷大时，式中权值的迭代更新方式近似等于梯度下降，μ作为可变学习速率，在bp神经网络模型训练过程中不断发生变化进行自我调整，如果bp神经网络模型输出误差增大，则μ也增大，如果bp神经网络模型输出误差变小，则μ也变小，这种调整方式可以大幅度提高bp神经网络模型收敛速度和精确度，用于初始隐含层阈值a，输出层b，初定学习效率μ＝μo和神经元传递函数。

进一步地，在步骤3中，计算隐含层输出的方法为，根据输入向量x，输入层和隐含层间连接权值vij以及隐含层阈值a，计算出隐含层输出的公式为

其中m为隐含层节点数，vi0＝-1，x0＝aj，f()为隐含层传递函数，传递函数为

进一步地，在步骤4中，计算输出层输出的方法为，根据隐含层输出y,连接权值wjk和阈值b，计算bp神经网络的实际输出ok，式5，

k＝1,2,3,4,...,l，m为隐含层节点数。

进一步地，在步骤5中，通过误差计算构建供水管道破裂时间预测模型的方法为，根据网络实际输出ok与期望输出d，计算网络总体误差e，

公式为：

式中，yi为bp神经网络模型期望输出；yi'为bp神经网络模型实际输出；p为输入模式样本的数目；ei为某个模式样本的训练误差。当误差e<10^-5退出循环，最后，最小误差对应的模型即为最佳模型，即bp神经网络模型输出的结果，作为预测供水管道破裂时间预测的模型，l为实际输出数量。

进一步地，在步骤6中，更新供水管道破裂时间预测模型权值的方法为，根据bp神经网络的总体误差e，按照以下公式更新bp神经网络连接权值vij,wjk，

vij＝vij+δvij

wik＝wjk+δwjk

重新执行开始步骤3。

本发明还提供了一种基于神经网络的供水管爆裂时间预测装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

数据集采集单元，用于读取数据集；

神经网络初始化单元，用于根据数据集初始化bp神经网络；

隐含层输出单元，用于计算隐含层输出；

输出层输出单元，用于计算输出层输出；

误差计算单元，用于通过误差计算构建供水管道破裂时间预测模型；

权值更新单元，用于更新供水管道破裂时间预测模型权值；

结果输出单元，用于通过供水管道破裂时间预测模型得到供水管道破裂的时间。

本公开的有益效果为：本发明提供一种基于神经网络的供水管爆裂时间预测方法及装置，本发明大大优化了bp网络神经算法的缺陷，同时具备高斯牛顿法和梯度法的优势。其优化bp神经网络模型可以使网络具有更快的收敛速度以及更短训练时间。以至于运行速度加快，更高效，快速的得出供水管道破裂的时间。合理利用资源，不浪费，也不对居民、社会造成不必要的危害，知道供水管道的破裂时间之后，可以在供水管道破裂之前将其更换，方便市政人员进行管理。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：

图1所示为一种基于神经网络的供水管爆裂时间预测方法的流程图；

图2所示为一种基于神经网络的供水管爆裂时间预测装置图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示为根据本公开的一种基于神经网络的供水管爆裂时间预测方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种基于神经网络的供水管爆裂时间预测方法。

本公开提出一种基于神经网络的供水管爆裂时间预测方法，具体包括以下步骤：

步骤1，读取数据集；

步骤2，根据数据集初始化bp神经网络；

步骤3，计算隐含层输出；

步骤4，计算输出层输出；

步骤5，通过误差计算构建供水管道破裂时间预测模型；

步骤6，更新供水管道破裂时间预测模型权值；

步骤7，通过供水管道破裂时间预测模型得到供水管道破裂的时间。

进一步地，在步骤1中，所述数据集包括管道外壁所承受的压力x1、管道内壁所承受的压力x2、土壤温度x3、土壤湿度x4、土壤ph值x5、水温度x6、水流速x7，通过传感器采集以上的2000条数据集并导出到excel表中，作为模型训练的数据集。

进一步地，在步骤2中，根据数据集初始化bp神经网络的方法为，根据数据集的输入x＝(x1,x2,x3,....,x7)和期望输出d＝(d1,d2,d3,....,dl),确定网络输入层和隐含层和输出层神经元数量，即期望输出的个数l，初始化各层神经元之间的连接权值vij,wjk,修正权值公式为

v(n+1)＝v(n)-(j^tj+μi)^-1j^te式1

w(n+1)＝w(n)-(j^tj+μi)^-1j^te式2

其中e是网络误差向量；j是雅可比矩阵；μ是可变学习速率；i是单位矩阵，

当μ趋向于无穷小时，式中权值的迭代更新方式近似等于高斯牛顿梯度下降，当μ趋向于无穷大时，式中权值的迭代更新方式近似等于梯度下降，μ作为可变学习速率，在bp神经网络模型训练过程中不断发生变化进行自我调整，如果bp神经网络模型输出误差增大，则μ也增大，如果bp神经网络模型输出误差变小，则μ也变小，这种调整方式可以大幅度提高bp神经网络模型收敛速度和精确度，用于初始隐含层阈值a，输出层b，初定学习效率μ＝μo和神经元传递函数。

进一步地，在步骤3中，计算隐含层输出的方法为，根据输入向量x，输入层和隐含层间连接权值vij以及隐含层阈值a，计算出隐含层输出的公式为

其中m为隐含层节点数，vi0＝-1，x0＝aj，f()为隐含层传递函数，传递函数为

进一步地，在步骤4中，计算输出层输出的方法为，根据隐含层输出y,连接权值wjk和阈值b，计算bp神经网络的实际输出ok，式5，

k＝1,2,3,4,...,l，m为隐含层节点数。

进一步地，在步骤5中，通过误差计算构建供水管道破裂时间预测模型的方法为，根据网络实际输出o与期望输出d，计算网络总体误差e，

公式为：

式中，yi为bp神经网络模型期望输出；yi'为bp神经网络模型实际输出；p为输入模式样本的数目；ei为某个模式样本的训练误差。当误差e<10^-5退出循环，最后，最小误差对应的模型即为最佳模型，即bp神经网络模型输出的结果，作为预测供水管道破裂时间预测的模型，l为实际输出数量。

进一步地，在步骤6中，更新供水管道破裂时间预测模型权值的方法为，根据bp神经网络的总体误差e，按照以下公式更新bp神经网络连接权值vij,wjk，

vij＝vij+δvij

wik＝wjk+δwjk

重新执行开始步骤3。

优选地，在步骤7中，bp神经网络模型输出的结果，作为预测供水管道破裂时间预测的模型输出的y′i，即bp神经网络模型实际输出为通过供水管道破裂时间预测模型得到供水管道破裂的时间。

本公开的实施例提供的一种基于神经网络的供水管爆裂时间预测装置，如图2所示为本公开的一种基于神经网络的供水管爆裂时间预测装置图，该实施例的一种基于神经网络的供水管爆裂时间预测装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于神经网络的供水管爆裂时间预测装置实施例中的步骤。

所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

数据集采集单元，用于读取数据集；

神经网络初始化单元，用于根据数据集初始化bp神经网络；

隐含层输出单元，用于计算隐含层输出；

输出层输出单元，用于计算输出层输出；

误差计算单元，用于通过误差计算构建供水管道破裂时间预测模型；

权值更新单元，用于更新供水管道破裂时间预测模型权值；

结果输出单元，用于通过供水管道破裂时间预测模型得到供水管道破裂的时间。

所述一种基于神经网络的供水管爆裂时间预测装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于神经网络的供水管爆裂时间预测装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于神经网络的供水管爆裂时间预测装置的示例，并不构成对一种基于神经网络的供水管爆裂时间预测装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于神经网络的供水管爆裂时间预测装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于神经网络的供水管爆裂时间预测装置运行装置的控制中心，利用各种接口和线路连接整个一种基于神经网络的供水管爆裂时间预测装置可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于神经网络的供水管爆裂时间预测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。