[发明专利]用于管道状态监控的人工智能数据采集系统

权利要求书

1.一种用于管道状态监控的人工智能数据采集系统，其特征在于，包括：

第一装置，包括激励模块和声音采集模块，所述激励模块用于向所述管道施加激励以使得所述管道响应于所述激励产生声音信号，所述声音采集模块用于采集管道上一个或多个位置的第一声音信息和第二声音信息；其中，所述第一声音信息为向所述管道施加激励前的声音信息，所述第二声音信息为向所述管道施加激励后的声音信息；所述激励模块包括：壳体、电动机、减速机、转动轴、弹性棒、打击球和阻挡件；

所述壳体上设有第一腔体和带有开口的第二腔体，所述第一腔体和所述第二腔体之间通过一贯通孔连通；

所述减速机和所述电动机均设置于所述第一腔体内，所述减速机与所述电动机的输出端连接，所述转动轴穿设于所述贯通孔内，所述转动轴的一端与所述减速机的输出端连接；

所述弹性棒、所述打击球和所述阻挡件均设置于所述第二腔体内，所述弹性棒垂直设置在所述转动轴的另一端上，所述打击球固定设置在所述弹性棒的自由端，所述开口紧邻管道壁；

所述电动机经所述减速机带动所述转动轴转动，所述转动轴带动所述弹性棒转动，转动过程中所述弹性棒被所述阻挡件阻挡逐渐弯曲最后脱离所述阻挡件，所述弹性棒脱离所述阻挡件后所述打击球击打所述开口处的管道壁；

通信设备，用于将所述第一声音信息和所述第二声音信息发送至处理器；

所述处理器，用于获取所述第二声音信息和所述第一声音信息之间的差异信息，并将所述差异信息输入至管道状态识别模型，根据所述管道状态识别的输出确定所述管道的状态，所述管道的状态包括正常，以及变形、破裂、沉积、结垢和腐蚀中的至少之一；

所述管道状态识别模型包括混合多路由网络模型、卷积神经网络模型以及线性集成模型；

所述混合多路由网络模型，以卷积神经网络为基础模型，添加多路由单元，各单元之间通过跨层连接网络方式相结合，所述混合多路由网络模型用于基于输入的信息，输出第一识别结果；

所述卷积神经网络模型，用于基于输入的信息，输出第二识别结果；

所述线性集成模型，用于对所述第一识别结果和所述第二识别结果按照预设权重进行相加；

其中，所述混合多路由网络模型和所述卷积神经网络模型输入的信息相同，均为所述差异信息和/或根据所述差异信息确定的信息；

所述管道状态识别模型中的第二层至最后一层均配有一相同结构的辅助层，所述辅助层用于传递每层目标值的误差，相邻的所述辅助层之间设有用于计算所述辅助层的输出值的计算层；

其中，所述计算层的神经元个数与所述管道状态识别模型中所述计算层前面紧邻的层的神经元个数相同；所述管道状态识别模型的训练过程包括迭代更新所述计算层的神经元，具体的：将训练集数据输入所述管道状态识别模型，完成一次前馈传播，根据损失函数计算本次前馈传播的损失值，该损失值除了用于利用梯度下降法更新所述管道状态识别模型中需要更新的各层神经元外，还用于对各层的输出值求梯度，最后一层对应的辅助层的输出值为最后一层的输出值与对应的梯度值之差，第二层至倒数第二层中各层对应的辅助层的输出值为该层的输出值加上第一数值并减去第二数值，所述第一数值为所述计算层根据后一层对应的辅助层的输出值计算得到的数值，所述第二数值为所述计算层根据后一层的输出值计算得到的数值，最后，利用各辅助层的输出值完成对应的计算层的神经元的更新。

2.根据权利要求1所述的系统，其特征在于，所述卷积神经网络模型中滤波器权值矩阵是由深度置信网络训练学习得到的权值矩阵，所述深度置信网络以所述差异信息为输入，经过对所述深度置信网络中每层的神经元进行采样、重构隐含层、利用sigmoid函数处理重构结果，使用逐层贪心算法训练所述深度置信网络模型后，用反向传播算法微调整个所述深度置信网络的参数，生成所述深度置信网络的二维参数矩阵；采用增维函数实现深度置信网络向量和卷积神经网络张量之间的维数转换，使用维数转换后的深度置信网络参数矩阵替换卷积神经网络初始化滤波器权值矩阵，并对所述深度置信网络参数矩阵进行归一化处理。

3.根据权利要求1所述的系统，其特征在于，所述根据所述差异信息确定的信息包括各频段能量分布信息，所述各频段能量分布信息是对所述差异信息的能量谱进行归一化处理之后进行能量分布统计得到。