热力管网状况诊断方法、装置、终端设备和存储介质与流程

1.本发明涉及热力管网故障诊断技术领域，特别涉及一种热力管网状况诊断方法、装置、终端设备和存储介质。


背景技术：

2.目前应用于热力管网的故障诊断技术主要有传统机器学习方法和深度神经网络方法，传统机器学习方法包含支持向量机、随机森林、多层感知机等算法，神经网络主要有vggnet、googlenet、resnet等卷积神经网络，通过数量均衡的正常样本和故障样本训练学习器，使得学习器能够学习到故障样本与正常样本的特征，在获得现场数据后，通过学习器对该数据做出正确分类，从而实现故障诊断。热力管网的故障样本的数量远低于正常样本的数量，造成了传统机器学习方法和深度神经网络方法难以获得足够的故障训练样本，难以提取到更加准确的故障样本特征。生成对抗网络(generative adversarial networks，简称gan)为解决数据集不均衡提供了新思路，gan可以生成大量与真实样本相似的伪样本，从而扩充数据集，acgan(auxiliary classifier generative adversarial networks，辅助分类生成对抗网络)是对gan的改进，在扩充数据集的同时能够对输入数据类型准确分类。
3.然而acgan在样本不均衡的前期训练依然有困难，在acgan训练前期，acgan中的判别器参数有待优化，因而对故障的分类效果较差。传统的支持向量机svm(support vector machine)对样本量小的数据集分类效果显著，但是对样本量大的数据集分类效果较差，且效率很低。


技术实现要素：

4.为了至少部分地解决现有技术存在的技术问题，发明人做出本发明，通过具体实施方式，提供一种热力管网状况诊断方法、装置、终端设备和存储介质。
5.第一方面，本发明实施例提供一种热力管网状况诊断模型训练方法，包括以下步骤：
6.将含热力管网状况类别标签的随机噪声数据输入acgan生成器，得到含状况类别标签的伪样本，将已获得的热力管网图像真样本和acgan生成器新生成的含状况类别标签的伪样本输入acgan判别器进行判别真假训练和分类训练，并输入svm模型进行分类训练，将acgan判别器和svm模型的分类损失函数整合为统一损失函数，根据acgan判别真假的情况，更新所述acgan生成器参数，根据所述统一损失函数，更新所述acgan判别器参数，根据所述svm模型分类损失函数，更新所述svm模型参数；
7.迭代以上步骤多次后，每迭代一定次数，就降低一次svm损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述svm损失函数影响；
8.在所述统一损失函数不受所述svm损失函数影响后，使用acgan独立进行分类训练，根据训练好的acgan判别器，得到热力管网状况诊断模型。
9.可选的，所述将含热力管网状况类别标签的随机噪声数据输入acgan生成器之前，包括以下步骤：
10.获得热力管网图像真样本；
11.根据所述热力管网图像真样本的状况类别，设置状况类别标签；
12.生成含所述状况类别标签的随机噪声数据；
13.根据所述状况类别，构建svm模型；
14.构建acgan模型。
15.可选的，所述获得热力管网图像真样本，包括以下步骤：
16.分别采集不同状况类别下的热力管网图像样本若干个，所述状况类别包括：正常、管壁泄露、管道弯曲变形、管道保温层破损；
17.对所采集的不同状况类别下的热力管网图像样本做数据增强处理中的至少一项，得到数据增强处理后的热力管网图像样本，所述数据增强处理包括图像旋转、裁剪、同类拼接、仿射变换、增加校验噪声、增加光照与阴影、调节对比度和调节饱和度；
18.将数据增强处理后的热力管网图像样本进行同类样本的随机组合，得到随机组合后的热力管网图像样本；
19.将所采集的不同状况类别下的热力管网图像样本、所述数据增强处理后的热力管网图像样本和所述随机组合后的热力管网图像样本，标记为热力管网图像真样本。
20.可选的，所述根据所述状况类别，构建svm模型，包括以下步骤：
21.根据所述状况类别数量n，构建n-1个svm子模型，其中，n为正整数。
22.可选的，所述构建acgan模型，包括以下步骤：
23.使用反卷积神经网络建立acgan生成器；
24.使用卷积神经网络建立acgan判别器。
25.可选的，所述生成含所述状况类别标签的随机噪声数据，包括以下步骤：
26.采集多个随机噪声数据，每个随机噪声数据添加一个所述状况类别标签，每个所述状况类别标签都添加到所述多个随机噪声数据上。
27.可选的，所述将acgan判别器和svm模型的分类损失函数整合为统一损失函数，包括以下步骤：
28.确定所述acgan判别器的分类损失函数lc；
29.确定所述svm模型的分类损失函数l
svm
；
30.根据分类损失函数lc和l
svm
，确定统一损失函数loss的表达式为：
31.loss＝(1-λ)l
svm
λlc32.式中，λ为所述acgan判别器的分类结果置信占比，将大于0且小于1的任意数设置为λ的初值。
33.可选的，所述每迭代一定次数，就降低一次svm损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述svm损失函数影响，包括以下步骤：
34.每迭代一定次数，就以一定的增量增大所述统一损失函数loss表达式中的λ，直到λ增大到1。
35.可选的，所述在所述统一损失函数不受所述svm损失函数影响后，使用acgan独立进行分类训练，根据训练好的acgan判别器，得到热力管网状况诊断模型，包括以下步骤：
36.在λ增大到1后，将已获得的热力管网图像真样本和acgan生成器新生成的含状况类别标签的伪样本输入acgan判别器进行分类训练，根据统一损失函数，更新acgan判别器参数；
37.在满足训练终止条件后，停止更新acgan判别器参数，根据训练好的acgan判别器，得到热力管网状况诊断模型。
38.可选的，所述根据训练好的acgan判别器，得到热力管网状况诊断模型，包括以下步骤：
39.将训练好的acgan判别器从acgan模型中剥离，取消所述训练好的acgan判别器对判别真假的输出，仅保留分类输出，得到热力管网状况诊断模型。
40.第二方面，本发明实施例提供一种热力管网状况诊断方法，包括以下步骤：
41.将采集的热力管网图像输入使用前述方法得到的热力管网状况诊断模型，得到所述热力管网状况诊断模型输出的状况诊断结果。
42.第三方面，本发明实施例提供一种热力管网状况诊断模型训练装置，包括：
43.辅助分类模块，用于将含热力管网状况类别标签的随机噪声数据输入acgan生成器，得到含状况类别标签的伪样本，将已获得的热力管网图像真样本和acgan生成器新生成的含状况类别标签的伪样本输入acgan判别器进行判别真假训练和分类训练，并输入svm模型进行分类训练；
44.损失函数整合模块，用于将acgan判别器和svm模型的分类损失函数整合为统一损失函数；
45.参数更新模块，用于根据acgan判别真假的情况，更新所述acgan生成器参数，根据所述统一损失函数，更新所述acgan判别器参数，根据所述svm模型分类损失函数，更新所述svm模型参数；迭代以上步骤多次后，每迭代一定次数，就降低一次svm损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述svm损失函数影响；
46.独立分类模块，用于在所述统一损失函数不受所述svm损失函数影响后，使用acgan独立进行分类训练，根据训练好的acgan判别器，得到热力管网状况诊断模型。
47.可选的，还包括：
48.分类准备模块，用于获得热力管网图像真样本；根据所述热力管网图像真样本的状况类别，设置状况类别标签；生成含所述状况类别标签的随机噪声数据；根据所述状况类别，构建svm模型；构建acgan模型。
49.可选的，所述损失函数整合模块，包括：
50.判别器损失函数确定单元，用于确定所述acgan判别器的分类损失函数lc；
51.svm损失函数确定单元，用于确定所述svm模型的分类损失函数l
svm
；
52.损失函数整合单元，用于根据分类损失函数lc和l
svm
，确定统一损失函数loss的表达式为：
53.loss＝(1-λ)l
svm
λlc54.式中，λ为所述acgan判别器的分类结果置信占比，将大于0且小于1的任意数设置为λ的初值。
55.可选的，所述分类准备模块，包括：
56.真样本获得单元，用于分别采集不同状况类别下的热力管网图像样本若干个，所
述状况类别包括：正常、管壁泄露、管道弯曲变形、管道保温层破损；对所采集的不同状况类别下的热力管网图像样本做数据增强处理中的至少一项，得到数据增强处理后的热力管网图像样本，所述数据增强处理包括图像旋转、裁剪、同类拼接、仿射变换、增加校验噪声、增加光照与阴影、调节对比度和调节饱和度；将数据增强处理后的热力管网图像样本进行同类样本的随机组合，得到随机组合后的热力管网图像样本；将所采集的不同状况类别下的热力管网图像样本、所述数据增强处理后的热力管网图像样本和所述随机组合后的热力管网图像样本，构成所述热力管网图像真样本；
57.状况类别标签设置单元，用于根据所述热力管网图像真样本的状况类别，设置状况类别标签；
58.svm模型构建单元，用于根据所述状况类别数量n，构建由n-1个svm子模型，其中，n为正整数；
59.acgan模型构建单元，用于使用反卷积神经网络建立acgan生成器；使用卷积神经网络建立acgan判别器；
60.噪声数据获得单元，用于采集多个随机噪声数据，每个随机噪声数据添加一个所述状况类别标签，每个所述状况类别标签都添加到所述多个随机噪声数据上。
61.第四方面，本发明实施例提供一种热力管网状况诊断装置，包括：
62.图像采集模块，用于采集的热力管网图像；
63.状况诊断模块，用于将采集的热力管网图像输入使用前述方法得到的热力管网状况诊断模型，得到所述热力管网状况诊断模型输出的状况诊断结果。
64.基于同一发明构思，本发明实施例还提供一种终端设备，包括：存储器、处理器及存储于存储器上并可在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前述的热力管网状况诊断模型训练方法。
65.基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的热力管网状况诊断模型训练方法。
66.基于同一发明构思，本发明实施例还提供一种终端设备，包括：存储器、处理器及存储于存储器上并可在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前述的热力管网状况诊断方法。
67.基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的热力管网状况诊断方法。
68.本发明实施例提供的上述技术方案的有益效果至少包括：
69.本发明实施例提供一种热力管网状况诊断模型训练方法，通过acgan生成器，补充了大量样本特征与真实故障样本相同的模拟样本，解决了故障样本与正常样本数量不均衡的问题，有助于提高acgan判别器的训练效果，更加准确地提取到故障样本的特征，从而得到状况诊断更加准确的状况诊断模型，提高状况诊断准确率；并且将acgan与svm结合，利用svm模型在样本量较小时分类效果准确高效的特点，在acgan训练前期通过svm的分类结果辅助acgan的分类训练，弥补了acgan判别器在前期参数有待优化时分类效果的不足，随着样本量的增多，acgan判别器参数逐渐优化，分类效果越来越好，而svm在样本量大时，分类
效果较差，效率很低，因此acgan判别器在更新多次参数后开始独立训练，从而将二者优点结合，使训练得到的状况诊断模型对热力管网状况的诊断更加准确，效率更高。
70.本发明实施例提供一种热力管网状况诊断方法，由于所使用的热力管网状况诊断模型是通过模拟热力管网图像真样本得到大量伪样本以供训练，提取到了故障样本更准确的特征，并且在前期训练中结合了svm模型分类准确、效率高的优点，所以用热力管网状况诊断模型对热力管网状况的诊断将更加准确，效率更高。
71.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
72.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
73.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
74.图1为本发明实施例中一种热力管网状况诊断模型训练方法流程图；
75.图2为本发明实施例中一种热力管网状况诊断方法流程图；
76.图3为本发明实施例中热力管网状况诊断模型训练和诊断过程示意图；
77.图4为本发明实施例中一种热力管网状况诊断模型训练装置框图；
78.图5为本发明实施例中一种热力管网状况诊断装置框图；
79.图6为本发明实施例中一种终端设备的结构示意图。
具体实施方式
80.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
81.为了解决现有技术中存在的的问题，本发明实施例提供一种热力管网状况诊断方法、装置、终端设备和存储介质。
82.实施例一
83.本发明实施例一提供一种热力管网状况诊断模型训练方法，其流程如图1所示，包括如下步骤：
84.步骤s101：将含热力管网状况类别标签的随机噪声数据输入acgan生成器，得到含状况类别标签的伪样本，将已获得的热力管网图像真样本和acgan生成器新生成的含状况类别标签的伪样本输入acgan判别器进行判别真假训练和分类训练，并输入svm模型进行分类训练，将acgan判别器和svm模型的分类损失函数整合为统一损失函数，根据acgan判别真假的情况，更新所述acgan生成器参数，根据所述统一损失函数，更新所述acgan判别器参数，根据所述svm模型分类损失函数，更新所述svm模型参数；
85.可选的，将含热力管网状况类别标签的随机噪声数据输入acgan生成器之前，包括以下步骤：
86.获得热力管网图像真样本；
87.根据所述热力管网图像真样本的状况类别，设置状况类别标签；
88.生成含所述状况类别标签的随机噪声数据；
89.根据所述状况类别，构建svm模型；
90.构建acgan模型。
91.可选的，获得热力管网图像真样本，包括以下步骤：
92.分别采集不同状况类别下的热力管网图像样本若干个，所述状况类别包括：正常、管壁泄露、管道弯曲变形、管道保温层破损；
93.对所采集的不同状况类别下的热力管网图像样本做数据增强处理中的至少一项，得到数据增强处理后的热力管网图像样本，所述数据增强处理包括图像旋转、裁剪、同类拼接、仿射变换、增加校验噪声、增加光照与阴影、调节对比度和调节饱和度；
94.将数据增强处理后的热力管网图像样本进行同类样本的随机组合，得到随机组合后的热力管网图像样本；
95.将所采集的不同状况类别下的热力管网图像样本、所述数据增强处理后的热力管网图像样本和所述随机组合后的热力管网图像样本，标记为热力管网图像真样本。
96.可选的，根据所述状况类别，构建svm模型，包括以下步骤：
97.根据所述状况类别数量n，构建由n-1个svm子模型，其中，n为正整数。
98.可选的，构建acgan模型，包括以下步骤：
99.使用反卷积神经网络建立acgan生成器；使用卷积神经网络建立acgan判别器。
100.可选的，生成含所述状况类别标签的随机噪声数据，包括以下步骤：
101.采集多个随机噪声数据，每个随机噪声数据添加一个所述状况类别标签，每个所述状况类别标签都添加到所述多个随机噪声数据上。
102.可选的，将acgan判别器和svm模型的分类损失函数整合为统一损失函数，包括以下步骤：
103.确定所述acgan判别器的分类损失函数lc；
104.确定所述svm模型的分类损失函数l
svm
；
105.根据分类损失函数lc和l
svm
，确定统一损失函数loss的表达式为：
106.loss＝(1-λ)l
svm
λlc107.式中，λ为所述acgan判别器的分类结果置信占比，将大于0且小于1的任意数设置为λ的初值。λ的值在0和1之间，包括0和1。
108.步骤s102：迭代步骤s101多次后，每迭代一定次数，就降低一次svm损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述svm损失函数影响；
109.可选的，每迭代一定次数，就降低一次svm损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述svm损失函数影响，包括以下步骤：
110.每迭代一定次数，就以一定的增量增大所述统一损失函数loss表达式中的λ，直到λ增大到1。
111.步骤s103：在所述统一损失函数不受所述svm损失函数影响后，使用acgan独立进行分类训练，根据训练好的acgan判别器，得到热力管网状况诊断模型。
112.可选的，在所述统一损失函数不受所述svm损失函数影响后，使用acgan独立进行
分类训练，根据训练好的acgan判别器，得到热力管网状况诊断模型，包括以下步骤：
113.在λ增大到1后，将已获得的热力管网图像真样本和acgan生成器新生成的含状况类别标签的伪样本输入acgan判别器进行分类训练，根据统一损失函数，更新acgan判别器参数；
114.在满足训练终止条件后，停止更新acgan判别器参数，根据训练好的acgan判别器，得到热力管网状况诊断模型。
115.可选的，根据训练好的acgan判别器，得到热力管网状况诊断模型，包括以下步骤：
116.将训练好的acgan判别器从acgan模型中剥离，取消所述训练好的acgan判别器对判别真假的输出，仅保留分类输出，得到热力管网状况诊断模型。
117.例如，通过将高清摄像机与红外热成像仪搭载于机器狗上，机器狗在热力管网隧道中行走进行数据采集，共采集正常样本以及管壁泄露、管道弯曲变形、管道保温层破损等各类故障样本各20个。
118.对采集到的少量样本进行数据增强处理，采用的数据增强方法包括但不限于图像旋转、裁剪、同类别样本拼接、仿射变换、增加校验噪声、增加光照与阴影、调节对比度和调节饱和度等，另外可以将以上多种增强方法进行随机组合从而更好地实现数据的多样性，经过增强处理每类数据增加为200个，将这200个样本作为热力管网图像真样本。
119.按照状况类别标签的数量生成one-hot编码。one-hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。正常样本以及各类故障样本共4类，因此相应的one-hot编码分别为[1,0,0,0]，[0,1,0,0]，[0,0,1,0]，[0,0,0,1]。
[0120]
在均值为1标准差为0的正态分布中随机采样110次作为初始噪声数据，将以上one-hot编码分别覆盖随机噪声的前4位作为噪声的状况类别标签。
[0121]
acgan生成器g以含有状况类别标签的随机噪声为输入。
[0122]
作为传统机器学习的代表，支持向量机在小样本分类任务中常常表现出优良的特性，因此，在训练样本不足的前期，可以通过小样本训练一个svm分类器辅助acgan训练。svm通过将数据映射至高维空间，在高维空间中寻找一个最大边距超平面实现样本的分类。本发明首先采用一个一级分类svm将样本分为两大类，其中第一大类包含正常样本与第一类故障样本，第二大类包含第二类与第三类故障样本。对分类后的两类样本分别采用一个二级分类svm进行再分类，因此共需要训练三个svm。
[0123]
生成对抗网络(generative adversarial networks,gan)由生成器g和判别器d组成，通过二者的博弈训练到达纳什均衡。生成器以随机噪声为输入，其训练目标在于学习真实样本x
real
的数据分布规律，从而生成与真实样本相似、可以“以假乱真”的伪样本x
fake
；判别器以真实样本以及生成器生成的伪样本为输入，其训练目标在于准确判断输入是真样本还是伪样本。理想情况下，训练好的生成器可以生成与真实样本完全一样的伪样本，而判别器无法判别样本的真伪，输出判别概率始终为0.5。gan的目标函数为：
[0124]
l
gan
＝arg mingmaxd{e(lnd(x
real
)) e(ln(1-d(x
fake
)))}
[0125]
其中，x
fake
＝g(z)，z为随机噪声。由于gan是以随机噪声为输入而无任何约束，导致训练过程较为发散，并且生成器和判别器博弈训练的机制增加了训练中网络崩溃的风险。另外，gan在数据增强领域效果显著，却难以胜任分类任务。
[0126]
acgan是对gan做出的改进网络，acgan同样由生成器g和判别器d组成，生成器以随
机噪声z为输入，但相比于gan增加了类别标签c用于指导生成器生成不同类别的伪样本；判别器以不同类别的真样本以及生成器生成的伪样本为输入，其训练目标相比于gan有所改进，acgan的判别器不仅要判别输入数据是否为真，同时要对输入数据所属的类别进行判断。
[0127]
生成器的训练目标在于根据样本标签生成不同类别的伪样本，即当生成的数据通过判别器时，期望判别器的输出概率尽量大，尽可能地接近1，因此生成器的目标函数可以表述为：
[0128]
l
g-s
＝max e(ln(d(g(z))))
[0129]
判别器的训练目标是准确判别数据的真伪，即当输入为真实数据时，期望判别概率尽量大，而当输入为生成器生成伪数据时，期望输出的概率尽量小，因此判别器的目标函数可以表述为：
[0130]
l
d-s
＝max e(ln(d(x))) min e(ln(d(g(z))))
[0131]
判别器的另一训练目标在于准确对样本分类，即在真实数据与伪数据通过判别器时，判别器分类准确度高，判别器分类损失可表示为：
[0132]
lc＝max e(ln(d(x))) max e(ln(d(g(z))))
[0133]
为使目标函数保持一致，将以上目标函数整合为正确数据输入源对数似然函数ls与正确类别对数似然函数lc：
[0134]
ls＝e(ln(p(s＝real|x
real
))) e(ln(p(s＝fake|x
fake
)))
[0135]
＝e(ln(ds(x))) e(ln(ds(g(z)))
[0136]
lc＝e(ln(p(c＝c|x
real
))) e(ln(p(c＝c|x
fake
)))
[0137]
＝e(ln(dc(x))) e(ln(dc(g(z)))
[0138]
其中，s表示判别真假，c表示分类。
[0139]
生成器g的目标函数为最大化l
c-ls，判别器d的目标函数为最大化lc ls。
[0140]
acgan通过最大最小化的方式指导生成器和判别器博弈训练，从而使得生成器能生成足够逼真的各类伪样本，判别器能够准确判断数据来源以及对样本类别准确划分。
[0141]
本发明采用反卷积神经网络作为acgan的生成器。反卷积又称为转置卷积，相比于一般卷积操作使得特征图数量逐渐变多，规格逐渐变小的过程，反卷积操作可以看作卷积操作的逆过程：经过反卷积操作，特征图规格变大，数量变少。生成器采用大量反卷积操作，在输入样本规格较小的情况下，不断依照损失函数的指导整合信息，使得生长器能够生成细致逼真的伪样本。在反卷积操作后为防止梯度爆炸，加入批归一化操作batchnormalization。
[0142]
本发明采用卷积神经网络作为acgan的判别器。卷积神经网络是一种前馈型神经网络，它是一种端到端训练的监督模型。卷积层主要用于特征提取，卷积核采用局部连接和权值共享的形式极大的减少了模型参数，也降低了网络复杂度和过拟合的风险。在完成特征提取后采用全连接层对图像特征重新进行拟合，从而减少图像特征信息的丢失，分类器接收它的输出值，根据实际需求完成对数据的分类。本发明根据分类任务的不同，并行采用了两组参数不同的全连接层，一组用于整合数据来源信息，输出为数据为真的概率，另一组用于整合数据类别信息，输出为数据的所属类别概率。在每次卷积操作后为防止梯度爆炸，加入批归一化操作batchnormalization，同时为防止模型对于个别神经元的过度依赖，模
型中在每轮次激活函数后添加dropout层。
[0143]
acgan的训练过程是单独交替迭代训练，即为生成器和判别器交替训练。
[0144]
判别器d的目标有两个，一是尽力判别出输入是真实数据还是生成器产生的数据，二是对各类数据进行分类，即判别是正常数据亦或某种故障。
[0145]
通过随机配置生成器各个节点的权重获得了一个生成网络，此时输入一个随机信号与一个类别标签就会得到一个假的样本数据集，由于此时的模型未经优化，生成网络g尚处于劣势，导致生成的样本没有学习到真实样本的任何规律，该样本集很容易被判别网络识别出为假数据。接下来采用真实样本以及生成的伪样本来完成判别器d的训练。人为定义真伪样本集的标签，将真样本集所有的类标签设为1，而伪样本集的所有类标签设为0，并对所有样本分别设置类别标签，将真假数据集送入判别网络d进行训练，判别器的训练目标不仅是分辨真伪样本，同时需要判别数据类别。
[0146]
生成器g的作用是生成尽可能逼真的各类样本。
[0147]
在训练生成网络的时候，需要联合判别网络一起才能达到训练的目的，所以对于生成网络的训练其实是对生成-判别网络串接的训练。将伪样本的标签都更改为1，也就是认为这些伪样本在生成网络训练的时候是真样本，从而达到迷惑判别器的目的，也才能使得生成的伪样本逐渐逼近真样本。另外在训练生成器的时候，需要固定判别器参数，也就是不让它的权重发生更新，判别器d只是负责传递误差，从而指导生成器完成参数更新。
[0148]
根据acgan判别真假的情况，更新所述acgan生成器参数，在更新生成参数后，根据目前新的生成网络再对先前的随机噪声z生成新的伪样本，并且此时生成的伪样本更加接近真样本。
[0149]
在训练acgan的同时，采用相同数据集进行svm的多分类训练，由于svm在小样本数据集上分类效果突出，而在acgan训练前期，判别器d参数有待优化，因而对故障的分类效果较差，此时将svm的分类结果与acgan的分类结果相结合，增强分类置信度，将联合的分类结果作为统一损失一并反馈给acgan指导参数更新。此时，acgan分类损失函数为：
[0150]
loss＝(1-λ)l
svm
λlc[0151]
其中，λ为acgan中判别器的分类结果置信占比，将大于0且小于1的任意数设置为λ的初值。λ的值在0和1之间，包括0和1。
[0152]
根据所述统一损失函数，更新所述acgan判别器参数，根据所述svm模型分类损失函数，更新所述svm模型参数。
[0153]
将含热力管网状况类别标签的随机噪声数据输入更新参数后的acgan生成器，得到更逼真的含状况类别标签的伪样本，将已获得的热力管网图像真样本和acgan生成器新生成的更逼真的含状况类别标签的伪样本输入更新参数后的acgan判别器进行判别真假训练和分类训练，并输入更新参数后的svm模型进行分类训练。
[0154]
迭代以上步骤多次后，训练好的acgan的生成器生成的伪样本和热力管网图像真样本组成的集合，将扩充为原来的1倍，用新的数据集在先前svm与acgan的训练基础上进行再训练。随着acgan参数的不断优化，每间隔一定迭代批次，就增大一次λ，例如每间隔一定迭代批次，就增大λ的值0.1，提升acgan分类结果置信占比，同时将生成器新输出的伪样本进行训练，持续此过程直至λ为1，统一损失函数中l
svm
的系数为0，此时，只根据acgan判别器的分类损失函数lc来更新acgan判别器的参数，svm模型退出训练，acgan开始单独训练。
[0155]
将已获得的热力管网图像真样本和acgan生成器新生成的含状况类别标签的伪样本输入acgan判别器进行分类训练，根据acgan判别器的分类损失函数lc来更新acgan判别器的参数，将已获得的热力管网图像真样本和acgan生成器新生成的含状况类别标签的伪样本输入更新参数后的acgan判别器进行分类训练。不断重复上述单独训练过程，在达到一定迭代次数后停止网络参数更新，此时生成器g产生的数据已经相当真实了，而判别器无法判别输入数据的真假但可以对状况类别进行准确划分。
[0156]
在训练完成后，将acgan中的判别器d剥离出来，同时d的输出取消对于数据真假的判断，仅保留分类输出，在实时采集到图像后，将其输入至当前的判别器d，即热力管网状况诊断模型，进行状况诊断。
[0157]
本实施例的上述方法中，通过acgan生成器，补充了大量样本特征与真实故障样本相同的模拟样本，解决了故障样本与正常样本数量不均衡的问题，有助于提高acgan判别器的训练效果，更加准确地提取到故障样本的特征，从而得到状况诊断更加准确的状况诊断模型，提高状况诊断准确率；并且将acgan与svm结合，利用svm模型在样本量较小时分类效果准确高效的特点，在acgan训练前期通过svm的分类结果辅助acgan的分类训练，弥补了acgan判别器在前期参数有待优化时分类效果的不足，随着样本量的增多，acgan判别器参数逐渐优化，分类效果越来越好，而svm在样本量大时，分类效果较差，效率很低，因此acgan判别器在更新多次参数后开始独立训练，从而将二者优点结合，使训练得到的状况诊断模型对热力管网状况的诊断更加准确，效率更高。
[0158]
实施例二
[0159]
本发明实施例二提供一种热力管网状况诊断方法，其流程如图2，包括以下步骤：
[0160]
步骤s201：采集的热力管网图像；
[0161]
步骤s202：将采集的热力管网图像输入使用前述方法得到的热力管网状况诊断模型，得到所述热力管网状况诊断模型输出的状况诊断结果。
[0162]
训练和诊断的过程如图3所示，图中g表示acgan生成器，生成伪数据，即伪样本，d表示acgan判别器，acgan判别器对伪数据和真实数据进行真假判别和分类，真假判别的作用是将判别结果反馈给生成器，帮助生成器产生更加真实的伪数据，训练前期，svm模型辅助acgan判别器进行分类，后期acgan判别器单独进行分类训练，将训练好的acgan判别器设置在在线故障诊断系统中，对实时热力管网状况进行诊断，输出诊断的类别结果。
[0163]
本实施例的上述方法中，由于所使用的热力管网状况诊断模型是通过模拟热力管网图像真样本得到大量伪样本以供训练，提取到了故障样本更准确的特征，并且在前期训练中结合了svm模型分类准确、效率高的优点，所以用热力管网状况诊断模型对热力管网状况的诊断将更加准确，效率更高。
[0164]
实施例三
[0165]
本发明实施例三提供一种热力管网状况诊断模型训练装置，其结构如图4所示，包括：
[0166]
辅助分类模块101，用于将含热力管网状况类别标签的随机噪声数据输入acgan生成器，得到含状况类别标签的伪样本，将已获得的热力管网图像真样本和acgan生成器新生成的含状况类别标签的伪样本输入acgan判别器进行判别真假训练和分类训练，并输入svm模型进行分类训练；
[0167]
损失函数整合模块102，用于将acgan判别器和svm模型的分类损失函数整合为统一损失函数；
[0168]
参数更新模块103，用于根据acgan判别真假的情况，更新所述acgan生成器参数，根据所述统一损失函数，更新所述acgan判别器参数，根据所述svm模型分类损失函数，更新所述svm模型参数；迭代以上步骤多次后，每迭代一定次数，就降低一次svm损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述svm损失函数影响；
[0169]
独立分类模块104，用于在所述统一损失函数不受所述svm损失函数影响后，使用acgan独立进行分类训练，根据训练好的acgan判别器，得到热力管网状况诊断模型。
[0170]
可选的，还包括：
[0171]
分类准备模块100，用于获得热力管网图像真样本；根据所述热力管网图像真样本的状况类别，设置状况类别标签；生成含所述状况类别标签的随机噪声数据；根据所述状况类别，构建svm模型；构建acgan模型。
[0172]
可选的，所述损失函数整合模块，包括：
[0173]
判别器损失函数确定单元，用于确定所述acgan判别器的分类损失函数lc；
[0174]
svm损失函数确定单元，用于确定所述svm模型的分类损失函数l
svm
；
[0175]
损失函数整合单元，用于根据分类损失函数lc和l
svm
，确定统一损失函数loss的表达式为：
[0176]
loss＝(1-λ)l
svm
λlc[0177]
式中，λ为所述acgan判别器的分类结果置信占比，将大于0且小于1的任意数设置为λ的初值。
[0178]
可选的，所述分类准备模块，包括：
[0179]
真样本获得单元，用于分别采集不同状况类别下的热力管网图像样本若干个，所述状况类别包括：正常、管壁泄露、管道弯曲变形、管道保温层破损；对所采集的不同状况类别下的热力管网图像样本做数据增强处理中的至少一项，得到数据增强处理后的热力管网图像样本，所述数据增强处理包括图像旋转、裁剪、同类拼接、仿射变换、增加校验噪声、增加光照与阴影、调节对比度和调节饱和度；将数据增强处理后的热力管网图像样本进行同类样本的随机组合，得到随机组合后的热力管网图像样本；将所采集的不同状况类别下的热力管网图像样本、所述数据增强处理后的热力管网图像样本和所述随机组合后的热力管网图像样本，构成所述热力管网图像真样本；
[0180]
状况类别标签设置单元，用于根据所述热力管网图像真样本的状况类别，设置状况类别标签；
[0181]
svm模型构建单元，用于根据所述状况类别数量n，构建由n-1个svm子模型，其中，n为正整数；
[0182]
acgan模型构建单元，用于使用反卷积神经网络建立acgan生成器；使用卷积神经网络建立acgan判别器；
[0183]
噪声数据获得单元，用于采集多个随机噪声数据，每个随机噪声数据添加一个所述状况类别标签，每个所述状况类别标签都添加到所述多个随机噪声数据上。
[0184]
本实施例的上述装置中，通过acgan生成器，补充了大量样本特征与真实故障样本相同的模拟样本，解决了故障样本与正常样本数量不均衡的问题，有助于提高acgan判别器
的训练效果，更加准确地提取到故障样本的特征，从而得到状况诊断更加准确的状况诊断模型，提高状况诊断准确率；并且将acgan与svm结合，利用svm模型在样本量较小时分类效果准确高效的特点，在acgan训练前期通过svm的分类结果辅助acgan的分类训练，弥补了acgan判别器在前期参数有待优化时分类效果的不足，随着样本量的增多，acgan判别器参数逐渐优化，分类效果越来越好，而svm在样本量大时，分类效果较差，效率很低，因此acgan判别器在更新多次参数后开始独立训练，从而将二者优点结合，使训练得到的状况诊断模型对热力管网状况的诊断更加准确，效率更高。
[0185]
实施例四
[0186]
本发明实施例四提供一种热力管网状况诊断装置，其结构如图5所示，包括：
[0187]
图像采集模块201，用于采集的热力管网图像；
[0188]
状况诊断模块202，用于将采集的热力管网图像输入使用前述方法得到的热力管网状况诊断模型，得到所述热力管网状况诊断模型输出的状况诊断结果。
[0189]
本实施例的上述装置中，由于所使用的热力管网状况诊断模型是通过模拟热力管网图像真样本得到大量伪样本以供训练，提取到了故障样本更准确的特征，并且在前期训练中结合了svm模型分类准确、效率高的优点，所以用热力管网状况诊断模型对热力管网状况的诊断将更加准确，效率更高。
[0190]
基于同一发明构思，本发明实施例还提供一种终端设备，其结构如图5所示，包括：存储器、处理器及存储于存储器上并可在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前述的热力管网状况诊断模型训练方法。
[0191]
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的热力管网状况诊断模型训练方法。
[0192]
基于同一发明构思，本发明实施例还提供一种终端设备，其结构如图5所示，，包括：存储器、处理器及存储于存储器上并可在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前述的热力管网状况诊断方法。
[0193]
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的热力管网状况诊断方法。
[0194]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关方法的实施例中进行了详细描述，此处将不做详细阐述说明。