Page 128 - 2024年第55卷第8期

１ ｎ

＝ ∑ （Ｙ －Ｙ ） ２ （１８）
ε ＭＳＥ ｉ ｉ
ｎ ｉ ＝１

式中：Ｙ为真实标签；Ｙ 为模型的预测标签。
ｉ
ｉ
模型将不断重复迭代训练，直至达到预设的最
大迭代次数或者预期的精度目标为止，并保存最优
的模型；最后，利用测试集数据验证模型的泛化性，
输出最终结果。ＣＮＮ － ＧＲＵ模型程序流程图如图 ９所
示，ＣＮＮ － ＬＳＴＭ模型与 ＣＮＮ － ＢｉＬＳＴＭ 模型的程序流
程及模型结构与 ＣＮＮ － ＧＲＵ相类似，仅将 ＧＲＵ层替
换为 ＬＳＴＭ层或 ＢｉＬＳＴＭ层。
４．３ 预测结果对比 将全部实验数据（９１３组）按照
约 ９∶１的比例，随机分为训练集（８２１组）和测试集
（９２组）两部分，训练集数据用于训练网络模型，测
试集数据用于验证模型的泛化性。网络模型的参数
设置：卷积层的滤波器大小为 ３，个数为 ３２；池化
层的窗口 大 小为 ３，步长为 １，池 化 方 式 是 平 均 池
化；ＧＲＵ层或 ＬＳＴＭ 层或 ＢｉＬＳＴＭ 层的隐含 层神 经
元个数均设定为 １００，求解器为 Ａｄａｍ，其梯度阈值
为 １，最大迭代轮次为 ５００次；丢弃 层的 丢 弃率 为
０．１；最大迭代次数设定为 ５００，预期的精度目标设
定为 ９９．９９％。
，
采用准确度公式比较不同预测模型的精度 ε Ａｃｃ
如式所示：
ｎ ＴＰ
＝ ×１００％ （１９）
ε Ａｃｃ 图 ９ ＣＮＮ － ＧＲＵ模型程序流程图
ｎ ＋ ｎ ＦＰ
ＴＰ
式中：ｎ 为真实标签与预测标签相等的数据样本数；
ＴＰ
ｎ 为真实标签与预测标签不相等的数据样本数。 表 ２ 模型测试结果对比
ＦＰ
表 ２展示了模型对全部实验数据以及测试集数据 模型名称 测试集精度?％ 全部数据精度?％
的预测结果。本文构建的 ＣＮＮ － ＬＳＴＭ、ＣＮＮ － ＢｉＬＳＴＭ ＬＳＴＭ ８３．４３ ８３．９０
和 ＣＮＮ － ＧＲＵ模型对全部数据及测试集数据的精度 ＢｉＬＳＴＭ ９０．２２ ９３．１０
均分别高于 ＬＳＴＭ、ＢｉＬＳＴＭ和 ＧＲＵ，说明利用 ＣＮＮ ＧＲＵ ９２．３９ ９４．９６
对实验 数 据 进 行 特 征 提 取，能 够 有 效 提 升 ＬＳＴＭ、 ＣＮＮ － ＬＳＴＭ ８３．７０ ９１．５７
ＣＮＮ － ＢｉＬＳＴＭ ９５．６５ ９９．５６
ＢｉＬＳＴＭ和 ＧＲＵ等 ＲＮＮ模 型的 预测精 度和 泛 化性。
ＣＮＮ － ＧＲＵ ９６．７４ ９９．５６
其中，ＣＮＮ － ＧＲＵ的 预 测性 能最优，对全 部 数 据 和
测试集的精度分别高达 ９９．５６％和 ９６．７４％，说明该方法在管道泄漏检测领域中具有良好的应用前景。

５ 结论

本文开展了常压、小尺度泄漏条件的供水管道泄漏检测实验，分析了压力泄漏信号的特征变化规
律，采用 ＶＭＤ方法对数据进行降噪，并进行标准化处理以增强信号特征。基于 ＣＮＮ、ＬＳＴＭ、ＢｉＬＳＴＭ
以及 ＧＲＵ等深度学习模型，构建了 ３种泄漏检测模型，并进 行 了 预测 性能 的定 量评 价，主 要结论
如下：
（ １）在常压、小尺度条件下，当供水管道出现泄漏时，压力信号会出现瞬时下降，压力值在下降
后会回升至一个略低于泄漏前的压力值，仅相差 ０．５％～２％。压力信号在泄漏前后的变化特征规律，

０
— １ ０ ６ —