具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1是本发明提供的一种基于深度学习的管道状态监测方法的一个优选实施例的流程示意图。所述基于深度学习的管道状态监测方法，包括：

S1，按照预设的时间间隔获取每条供水管道的状态数据，得到所有供水管道的状态数据集，并将所述状态数据集分为训练集和测试集；其中，所述状态数据包括压力值、流量值和压力差；

S2，将所述训练集输入到深度学习模型进行训练，得到训练好的深度学习模型；其中，所述训练好的深度学习模型包括输入层、全连接层和输出层；

S3，按照预设的时间间隔实时获取每条供水管道的实时状态数据，得到实时状态数据集；

S4，将所述实时状态数据集输入到所述训练好的深度学习模型，得到管道状态监测结果。

具体的，在按照预设的时间间隔获取每条供水管道的状态数据之前，先计算某城市的所有供水管道数量；其中，每两个节点之间算为一条供水管道，假设一共有N条供水管道，则每一条供水管道表示L₁、L₂、......、L_N；并在每一条供水管道里放置水压传感器和流量传感器用以采集该条供水管道的压力值和流量值。然后按照预设的时间间隔获取每条供水管道的状态数据，得到所有供水管道的状态数据集，并将所述状态数据集分为训练集和测试集；其中，所述状态数据包括压力值、流量值和压力差；将所述训练集输入到深度学习模型进行训练，得到训练好的深度学习模型；其中，所述训练好的深度学习模型包括输入层、全连接层和输出层；按照预设的时间间隔实时获取每条供水管道的实时状态数据，得到实时状态数据集；将所述实时状态数据集输入到所述训练好的深度学习模型，得到管道状态监测结果。

本实施例基于现有的低频仪表设备对供水管道进行爆管识别和定位，检测精度高、误检率低，极大地提高了供水安全保障能力；同时在数据量充足的情况下还具有更好的鲁棒性。

在另一个优选实施例中，所述S1，按照预设的时间间隔获取每条供水管道的状态数据，得到所有供水管道的状态数据集，并将所述状态数据集分为训练集和测试集，具体包括：

S101，按照预设的时间间隔采集每条管道的压力值和流量值其中，表示第n(n∈[1,N])条管道的第m压力值，表示第n(n∈[1,N])条管道的第m流量值；

S102，按照预设的时间间隔分别计算每条管道的平均压力值其中，表示第n条管道的第m压力值的平均压力值；

S103，根据所述压力值和所述平均压力值，计算得到每条供水管道的压力差其中，表示第n条管道的第m压力差；

S104，按照预设的时间间隔获取每条供水管道的状态数据其中，则得到所有供水管道的状态数据集其中，

S105，将所述状态数据集按照预设的比例分为训练集和测试集。

具体的，每隔1个小时通过每条供水管道的传感器采集一次该管道的压力值和流量值其中表示第n(n∈[1,N])条管道的第m压力值，表示第n(n∈[1,N])条管道的第m流量值；每隔1个小时分别计算每条供水管道近24小时的平均压力值其中，表示第n条管道的第m压力值的平均压力值；每隔1个小时根据压力值和平均压力值分别计算每条供水管道的压力差 其中，第n条管道的第m压力差；每隔1个小时获取每条管道的状态数据其中则每个小时可得到所有供水管道的状态数据集其中，将所述状态数据集按照预设的比例分为训练集和测试集。

在又一个优选实施例中，所述S105，将所述状态数据集按照预设的比例分为训练集和测试集之前，还包括：

将所述状态数据集中的状态数据按照正常数据和异常数据进行标记分类。

具体的，例如，收集10000组数据将正常数据和异常数据进行标记分类，其中，正常数据为2000组，异常数据为8000组，且正常数据和异常数据中必须包括所有N条管道的数据。再将所有标记分类的数据进行打乱，将80％的数据作为训练集，20％的数据作为测试集。

在又一个优选实施例中，所述S2，将所述训练集输入到深度学习模型进行训练，得到训练好的深度学习模型，具体包括：

S201，将所述训练集输入到深度学习模型进行训练；

S202，利用测试集对训练后的深度学习模型进行测试，得到训练好的深度学习模型。

具体的，将训练集输入到深度学习模型进行训练，训练过程中采用平均绝对误差(MAE)计算误差(loss)，优化器(optimizer)优选设置为自适应矩估计(Adam)。Dropout优选设置为0.5，batch_size优选设置为256，epochs优选设置为1000。1000个epochs后，深度学习模型训练完毕。再利用测试集对训练后的深度学习模型进行测试，得到训练好的深度学习模型。epochs被定义为向前和向后传播中所有批次的单次训练迭代，这意味着1个周期是整个输入数据的单次向前和向后传递。简单说，epochs指的就是训练过程中数据将被“轮”多少次。需要注意的是，误差计算方法、优化器的选择以及参数的设置不局限于该实施例中提供的，可以依据实际情况来定。

作为优选方案，所述训练好的深度学习模型包括输入层、三个全连接层和输出层；其中，

所述输入层的神经元数量为3N，与供水管道的数量相同，且所述输入层的激活函数为ReLu；

每个所述全连接层包括1024个神经元，且所述全连接层的激活函数为ReLu；

所述输出层的的神经元数量为3N+1，且所述输出层的激活函数为Softmax。

具体的，请参阅图2，图2是本发明提供的一种基于深度学习的管道状态监测方法的一个优选实施例中深度学习模型的架构图。训练好的深度学习模型包括输入层、三个全连接层和输出层；其中，所述输入层的神经元数量为3N，对应向量Z～^m的元素个数，与供水管道的数量相同，且所述输入层的激活函数为ReLu；每个所述全连接层包括1024个神经元，且所述全连接层的激活函数为ReLu；所述输出层的的神经元数量为3N+1，且所述输出层的激活函数为Softmax，Softmax的含义就在于不再唯一的确定某一个最大值，而是为每个输出分类的结果都赋予一个概率值，表示属于每个类别的可能性。每隔一个小时实时收集每条供水管道的实时状态数据，得到所有供水管道的实时状态数据集将实时状态数据集输入训练好的深度学习模型，输出层就会输出不同类别分类概率，排列起来为P₁P₂…P_N+1，如下表1所示，从中选择概率最大的类别作为输出，即得到管道状态监测结果。例如：管道1出现破裂，那么流速、压力就会出现异常，将采集的数据集输入到训练好的深度学习模型中，那么深度学习就会输出P₂，进而就能够判断管道1出现异常，对异常的管道迅速进行定位。此时可以派工作人员去实地查看并进一步检测，如果出现漏损爆管的情况，则及时进行管道维修，如果检查没有问题，则可以考虑更换压力和流量传感器。

表1深度学习输出表

相应地，本发明还提供一种基于深度学习的管道状态监测装置，能够实现上述实施例中的基于深度学习的管道状态监测方法的所有流程。

请参阅图3，图3是本发明提供的一种基于深度学习的管道状态监测装置的一个优选实施例的结构示意图。所述基于深度学习的管道状态监测装置装置，包括：

第一获取模块301，用于按照预设的时间间隔获取每条供水管道的状态数据，得到所有供水管道的状态数据集，并将所述状态数据集分为训练集和测试集；其中，所述状态数据包括压力值、流量值和压力差；

训练模块302，用于将所述训练集输入到深度学习模型进行训练，得到训练好的深度学习模型；其中，所述训练好的深度学习模型包括输入层、全连接层和输出层；

第二获取模块303，用于按照预设的时间间隔实时获取每条供水管道的实时状态数据，得到实时状态数据集；

监测模块304，用于将所述实时状态数据集输入到所述训练好的深度学习模型，得到管道状态监测结果。

优选地，所述第一获取模块301，具体包括：

采集单元311，用于按照预设的时间间隔采集每条管道的压力值和流量值其中，表示第n(n∈[1,N])条管道的第m压力值，表示第n(n∈[1,N])条管道的第m流量值；

第一计算单元312，用于按照预设的时间间隔分别计算每条管道的平均压力值其中，表示第n条管道的第m压力值的平均压力值；

第二计算单元313，用于根据所述压力值和所述平均压力值，计算得到每条供水管道的压力差其中，表示第n条管道的第m压力差；

数据集获取单元314，用于按照预设的时间间隔获取每条供水管道的状态数据其中，则得到所有供水管道的状态数据集其中，

分类单元315，用于将所述状态数据集按照预设的比例分为训练集和测试集。

优选地，所述将所述状态数据集按照预设的比例分为训练集和测试集之前，还包括：

将所述状态数据集中的状态数据按照正常数据和异常数据进行标记分类。

优选地，所述训练模块302，具体用于：

将所述训练集输入到深度学习模型进行训练；

利用测试集对训练后的深度学习模型进行测试，得到训练好的深度学习模型。

优选地，所述训练好的深度学习模型包括输入层、三个全连接层和输出层；其中，

所述输入层的神经元数量为3N，与供水管道的数量相同，且所述输入层的激活函数为ReLu；

每个所述全连接层包括1024个神经元，且所述全连接层的激活函数为ReLu；

所述输出层的的神经元数量为3N+1，且所述输出层的激活函数为Softmax。

在具体实施当中，本发明实施例提供的基于深度学习的管道状态监测装置的工作原理、控制流程及实现的技术效果，与上述实施例中的基于深度学习的管道状态监测方法对应相同，在此不再赘述。

请参阅图4，图4是本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器401、存储器402以及存储在所述存储器402中且被配置为由所述处理器401执行的计算机程序，所述处理器401执行所述计算机程序时实现上述任一实施例所述的基于深度学习的管道状态监测方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……)，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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，或者所述处理器401也可以是任何常规的处理器，所述处理器401是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器402主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器402可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器402也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图4的结构示意图仅仅是上述终端设备的示例，并不构成对上述终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的基于深度学习的管道状态监测方法。

本发明实施例提供了一种基于深度学习的管道状态监测方法、装置及存储介质，通过按照预设的时间间隔获取每条供水管道的状态数据，得到所有供水管道的状态数据集，并将所述状态数据集分为训练集和测试集；其中，所述状态数据包括压力值、流量值和压力差；将所述训练集输入到深度学习模型进行训练，得到训练好的深度学习模型；其中，所述训练好的深度学习模型包括输入层、全连接层和输出层；按照预设的时间间隔实时获取每条供水管道的实时状态数据，得到实时状态数据集；将所述实时状态数据集输入到所述训练好的深度学习模型，得到管道状态监测结果。本发明实施例基于现有的低频仪表设备对供水管道进行爆管识别和定位，检测精度高、误检率低，极大地提高了供水安全保障能力。

需说明的是，以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的系统实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。