一种基于CNN-SVM混合架构的多模态管网泄漏检测定位方法与流程

本发明涉及管道安全监测，特别涉及一种基于cnn-svm混合架构的多模态管网泄漏检测定位方法。

背景技术：

1、管网作为城市与工业的基础设施，其安全运行至关重要，而管网泄漏不仅造成资源浪费，还可能引发严重的安全事故。因此，管网泄漏的早期检测与精准定位一直是管道安全监测技术领域的重点研究方向。

2、现有的管网泄漏检测技术主要依赖单一模态的数据源，例如单独使用低频的水力压力信号或高频的声发射信号。然而，在实际复杂的管网工况中（如用水高峰期的基线漂移、路面强交通噪声干扰等），单一模态往往难以兼顾检测的灵敏度与抗干扰能力。此外，当泄漏产生的高频弹性激波在管道介质中传播时，会表现出显著的非线性频变衰减与群速度色散效应。传统的时差定位法（tdoa）通常假设声波传播速度为固定常数，难以对上述非线性波速色散进行有效补偿，从而导致空间绝对定位产生巨大误差。

3、近年来，虽然深度学习被引入该领域，但常规的卷积神经网络（cnn）多采用黑盒式特征提取，缺乏对管网物理衰减规律的深度耦合；且静态训练的模型在面对长周期的管网老化、土壤阻抗变化等动态数据漂移时，泛化能力会迅速退化，难以满足实际工程对于高精度和持续鲁棒性的需求。

技术实现思路

1、本发明提供了一种基于cnn-svm混合架构的多模态管网泄漏检测定位方法，通过多模态特征的深度对齐融合、l2-margin边界约束分类、svr非线性色散补偿定位以及难例样本闭环自进化机制，实现复杂工况下管网泄漏的高精度、高鲁棒性检测与定位。

2、本发明提供了一种基于cnn-svm混合架构的多模态管网泄漏检测定位方法，包括：

3、s1、采集管网中监测节点的声发射信号序列和压力瞬变信号序列并添加时间戳，基于所述时间戳对所述声发射信号序列和压力瞬变信号序列进行时间窗对齐，并分别进行数据维度转换，得到声学特征矩阵和水力时序特征张量；

4、s2、将所述声学特征矩阵和水力时序特征张量分别输入预先构建的双流神经网络的两个独立网络分支进行特征提取，将提取的声学深度特征和水力瞬态特征进行拼接，得到融合特征向量；

5、s3、将所述融合特征向量输入预先构建的支持向量机进行状态分类，当状态分类结果为泄漏状态时，获取泄漏位置两侧的上游监测节点和下游监测节点分别对应的融合特征向量，并计算泄漏信号传播至所述上游监测节点和下游监测节点的时间差；

6、s4、将所述时间差、上游监测节点对应的融合特征向量、下游监测节点对应的融合特征向量共同输入预先构建的支持向量回归模型进行非线性波速色散补偿的回归计算，输出预测泄漏坐标；

7、s5、根据所述预测泄漏坐标与实际泄漏坐标的残差确定难例样本，以根据所述难例样本更新所述支持向量机与支持向量回归模型；其中，所述难例样本包括产生所述残差对应的所述声发射信号序列、压力瞬变信号序列和实际泄漏坐标。

8、进一步地，所述s1具体包括：

9、同步采集声发射信号序列和压力瞬变信号序列，并利用高精度授时模块为所述声发射信号序列和所述压力瞬变信号序列注入绝对时间戳；

10、将所述压力瞬变信号序列的各个采样点定义为离散的基准时间锚点；根据预设的观测时间窗宽度，以每一个所述基准时间锚点的绝对时间戳为中心，在所述声发射信号序列中截取落在对应时间窗内的声发射信号子序列，完成时间窗对齐；

11、采用连续小波变换对所述声发射信号子序列进行处理生成二维能量谱矩阵，经映射转换为图像张量并进行归一化处理，得到声学特征矩阵；

12、对对齐后的所述压力瞬变信号序列执行标准化处理，并通过一维卷积算子进行特征映射，生成水力时序特征张量。

13、进一步地，所述s2具体包括：

14、将所述声学特征矩阵输入双流神经网络的二维卷积分支，通过多层二维卷积与全局平均池化层操作提取声学深度特征；

15、将所述水力时序特征张量输入双流神经网络的并行一维卷积分支，通过多个并行的一维卷积层分别提取所述水力时序特征张量中的高频局部突变点以及低频全局反射周期，在通道维度上进行拼接后经降维输出水力瞬态特征；

16、通过线性映射层将所述声学深度特征和所述水力瞬态特征映射至共享隐空间，分别得到查询向量和键向量；

17、计算所述查询向量与所述键向量之间的外积，经缩放与归一化处理得到互协方差权重矩阵，利用所述互协方差权重矩阵提取全局通道权重，分别经线性投影层降维得到声学注意力向量和水力注意力向量；

18、分别利用所述声学注意力向量对所述声学深度特征、利用所述水力注意力向量对所述水力瞬态特征进行逐元素的注意力加权，并在特征维度上进行拼接，生成融合特征向量。

19、进一步地，所述s3具体包括：

20、将所述融合特征向量输入预先构建的支持向量机，通过径向基核函数进行空间映射，并基于决策超平面输出状态分类结果；

21、当所述状态分类结果为泄漏状态时，调取管网地理信息系统拓扑关联矩阵，以当前监测节点为中心沿管网物理拓扑结构双向回溯，将距离泄漏位置最近的两侧节点分别标记为上游监测节点和下游监测节点；

22、分别提取所述上游监测节点和下游监测节点在同一绝对时间窗内的数据，并复用所述时间窗对齐、数据维度转换以及特征提取与拼接的流程，分别生成上游监测节点对应的融合特征向量和下游监测节点对应的融合特征向量；

23、提取上游监测节点和下游监测节点对应的所述声发射信号序列，并分别执行快速傅里叶变换得到对应的频域信号；

24、计算所述频域信号的互功率谱密度，并引入相位变换加权函数进行白化处理，经逆快速傅里叶变换得到广义互相关函数；

25、提取所述广义互相关函数曲线上全局最大峰值对应的时延自变量，作为泄漏信号传播至所述上游监测节点和下游监测节点的时间差。

26、进一步地，所述决策超平面的决策分类流公式为：

27、

28、式中，为符号函数，用于输出离散的分类标签；为支持向量机在训练阶段保留的支持向量的总数量；为支持向量的序列索引，；为预先训练确定的第i个支持向量；为对应于第i个支持向量的拉格朗日乘子；为对应于第i个支持向量的类别标签；为径向基核函数的带宽参数，控制特征映射的非线性作用范围；表示特征向量间的l2范数；b为决策分类超平面的偏置项；

29、所述广义互相关函数的公式为：

30、

31、式中，为的复共轭；表示取复数的模值；为连续滑动的时延自变量，搜索广义互相关函数曲线上的全局最大峰值，提取该峰值对应的横坐标时延自变量作为泄漏声发射激波传播至上游监测节点和下游监测节点的时间差。

32、进一步地，所述s4具体包括：

33、将上游监测节点对应的融合特征向量、下游监测节点对应的融合特征向量与时间差进行数据展平与拼接操作，生成联合输入向量；

34、将所述联合输入向量输入预先构建的支持向量回归模型，利用回归核函数将所述联合输入向量映射至高维特征空间，提取所述支持向量回归模型的连续输出值，将所述连续输出值作为泄漏源沿着管网物理管线距离所述上游监测节点的相对一维曲线距离；

35、调取管网地理信息系统拓扑关联矩阵，获取所述上游监测节点的三维空间绝对坐标以及连接所述上游监测节点与所述下游监测节点的管网空间三维轨迹方程；

36、以所述三维空间绝对坐标为起点，沿所述管网空间三维轨迹方程向所述下游监测节点方向截取长度为相对一维曲线距离的曲线段；

37、将所述曲线段的终点进行三维坐标解算得到包含经度、纬度及高程信息的空间位置向量，将其作为预测泄漏坐标并进行输出。

38、进一步地，所述支持向量回归模型采用非线性波速色散补偿回归函数输出连续输出值：

39、

40、式中，为支持向量回归模型中的支持向量总数；j为支持向量的索引；为训练阶段确定的第j个回归支持向量；和为第j个支持向量对应的拉格朗日乘子；为svr的回归核函数；为回归模型的偏置项。

41、进一步地，所述s5具体包括：

42、获取现场反馈的实际泄漏坐标，并计算所述预测泄漏坐标与所述实际泄漏坐标之间的空间距离残差作为定位残差；若现场反馈结果为误报，则将所述定位残差赋值为预设的最大惩罚值；

43、判断所述定位残差是否超过预设的容忍阈值，若所述定位残差超过所述容忍阈值，则提取对应的所述声发射信号序列和压力瞬变信号序列，并将所述声发射信号序列、压力瞬变信号序列与实际泄漏坐标进行绑定封装，构建难例样本并存储至难例数据库中；

44、监控所述难例数据库，当累积样本总数达到预设的模型更新触发阈值时，利用所述难例样本中的所述声发射信号序列和压力瞬变信号序列反向微调所述双流神经网络的卷积核参数；

45、基于参数微调后更新的特征向量，重新解算所述支持向量机的拉格朗日乘子，以调整分类超平面；

46、以所述难例样本中的所述实际泄漏坐标为回归目标，重新优化所述支持向量回归模型的核函数权重和拉格朗日乘子。

47、本发明还提供了一种基于cnn-svm混合架构的多模态管网泄漏检测定位装置，基于如上所述的基于cnn-svm混合架构的多模态管网泄漏检测定位方法，所述装置包括：

48、预处理模块，用于采集管网中监测节点的声发射信号序列和压力瞬变信号序列并添加时间戳，基于所述时间戳对所述声发射信号序列和压力瞬变信号序列进行时间窗对齐，并分别进行数据维度转换，得到声学特征矩阵和水力时序特征张量；

49、特征提取模块，用于将所述声学特征矩阵和水力时序特征张量分别输入预先构建的双流神经网络的两个独立网络分支进行特征提取，将提取的声学深度特征和水力瞬态特征进行拼接，得到融合特征向量；

50、状态分类模块，用于将所述融合特征向量输入预先构建的支持向量机进行状态分类，当状态分类结果为泄漏状态时，获取泄漏位置两侧的上游监测节点和下游监测节点分别对应的融合特征向量，并计算泄漏信号传播至所述上游监测节点和下游监测节点的时间差；

51、坐标预测模块，用于将所述时间差、上游监测节点对应的融合特征向量、下游监测节点对应的融合特征向量共同输入预先构建的支持向量回归模型进行非线性波速色散补偿的回归计算，输出预测泄漏坐标；

52、迭代更新模块，用于根据所述预测泄漏坐标与实际泄漏坐标的残差确定难例样本，以根据所述难例样本更新所述支持向量机与支持向量回归模型；其中，所述难例样本包括产生所述残差对应的所述声发射信号序列、压力瞬变信号序列和实际泄漏坐标。

53、本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

54、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

55、本发明的有益效果为：

56、本发明通过结合声发射与压力瞬变信号并采用基准时间锚点进行时间窗对齐与维度转换，有效融合声波高频激波与水力低频反射特征，克服单一模态在复杂工况下表征能力不足的缺陷；利用双流神经网络结合自注意力机制提取并动态加权跨模态特征，同时引入l2-margin损失函数约束最大化异类特征的欧氏距离，极大提升支持向量机（svm）大边界分类的鲁棒性和准确率；在定位阶段，复用上下游节点的多维深度融合特征，结合初始时间差共同馈入支持向量回归（svr）模型进行映射计算，实现对非线性波速色散效应的隐式解析与深度补偿，提高泄漏点的物理坐标定位精度；此外，引入基于绝对空间定位残差的难例样本闭环反馈与动态重训练机制，使底层网络和回归模型能够随着管网服役环境的变化实现进化与迭代，实现复杂工况下管网泄漏的高精度定位。