Page 104 - 2023年第54卷第2期

４ 讨论

为进一步验证 ＭＳ１ＤＣＮＮ模型的性能，本文使用传统一维卷积神经网络（１ＤＣＮＮ）、ＢＰ神经网络、
ＳＶＭ和 ＫＮＮ建立对比模型。在 １ＤＣＮＮ和 ＢＰ模型中，为保证模型之间的可比性，在保证网络精度的同
时尽可能的将模型参数设置一致，如初始学习率、衰减率、激活函数和最大迭代次数等参数均不变。
各模型参数具体设置如下：
（ １）１ＤＣＮＮ模型由 ７个卷积层组成，其网络结构参数和 ＭＳ１ＤＣＮＮ模型网络参数基本保持一致，
将 ＭＳ１ＤＣＮＮ模型的多通路合并为一个单通路，卷积核尺寸均为 ３ × １，Ｄｒｏｐｏｕｔ比例设置为 ０．１；
（ ２）ＢＰ模型具有四个隐藏层，隐藏层单元数分别为 １２８、６４、３２、１６，输出层使用 Ｓｏｆｔｍａｘ函数，
Ｄｒｏｐｏｕｔ比例设置为 ０．１；
（ ３）ＳＶＭ使用网格搜索法寻找最优网络参数，惩罚因子系数设置为 １０００，使用高斯核函数，核函
数参数 ｇａｍｍａ设置为 ０．０１；
（ ４）ＫＮＮ模型中使用网格搜索法得到的最优 ｋ值 ５。
各模型对不同数据集的测试结果如表 ５所示，所有实验结果均为随机进行 １０次实验后取平均值
所得。实验结果表明，相比其他四种模型，本文所提出的 ＭＳ１ＤＣＮＮ模型具有更好的预测分类性能。
对数据集［ Ｌ］，Ｆ值分别比 １ＤＣＮＮ、ＢＰ、ＳＶＭ、ＫＮＮ模型提高 ０．２３％，４．８４％，０．８４％，７．９１％；对数
１
据集［Ｑ］，Ｆ值分别提高 ０．７％，１．１５％，２．９７％，３６．５７％；对数据集［Ｋ］，除 ＫＮＮ模型的效果较差之
１
外，其他模型的 Ｆ值均达到了 １００％。ＭＳ１ＤＣＮＮ模型对三个数据集的平均预测精度比 １ＤＣＮＮ、ＢＰ、
１
ＳＶＭ和 ＫＮＮ模型提高 ０．３１％、２％、１．２７％、２２．８％。
由对比结果可知，ＭＳ１ＤＣＮＮ模型凭借通路权值共享机制以及多通路多尺度并行提取泄漏特征的
特点，相比 １ＤＣＮＮ模型具有更强的特征提取能力；相对于传统的浅层机器学习方法，ＣＮＮ由于具有
自主提取特征的能力，能够更加有效的提取完整丰富的泄漏特征，因此深度机器学习方法相比于传统
的机器学习方法来说具有更好的预测分类效果；除 ＫＮＮ模型外，各模型均能较好的预测泄漏管道的
非恒定摩阻系数，说明数据驱动的方法在管道非恒定摩阻的预测方面也具有一定潜力。

表 ５ 各模型对比结果
数据集 评价指标?％ ＭＳ１ＤＣＮＮ １ＤＣＮＮ ＢＰ ＳＶＭ ＫＮＮ
Ｐ ９９．９７ ９９．７５ ９６．０３ ９９．１９ ９３．０７
［Ｌ］ Ｒ ９９．９６ ９９．７３ ９４．９１ ９９．１２ ９１．９０
９９．９６ ９９．７３ ９５．１２ ９９．１２ ９２．０５
Ｆ １
Ｐ ９８．６３ ９７．９２ ９７．８６ ９５．８７ ６２．６０
［Ｑ］ Ｒ ９８．４９ ９７．７７ ９７．２４ ９５．４８ ６４．５７
９８．４８ ９７．７８ ９７．３３ ９５．５１ ６１．９１
Ｆ １
Ｐ １００ １００ １００ １００ ７６．６１
［Ｋ］ Ｒ １００ １００ １００ １００ ７６．５３
１００ １００ １００ １００ ７６．０７
Ｆ １

在实际管道系统中，采集到的泄漏水压信号会受到各类噪声的影响 ［２９］ ，为更好地模拟真实管道的
泄漏工况，可在各数据集中添加不同程度的噪声。Ｗａｎｇ等在黏弹性管道中通过数值实验和现场实验
证明，可以将噪声假设为均值为零且服从高斯分布的白噪声 ［３０］ 。考虑到噪声的标准差大于衰减量时，
可能会对分类效果产生较大影响，本文在各数据集中添加信噪比为 － ４～１２ｄＢ的高斯白噪声来检测模
型性能。数据集［ Ｑ］中某一工况下的加噪效果如图 １０所示，使用各模型对含噪声的各数据集进行测
试，其中信噪比（ ＳＮＲ）的计算公式如下：
Ｐ
( )
ｓ
ＳＮＲ ＝ １０ｌｇ （１４）
Ｐ
ｎ
８
— ２ ２ —