【技術實現步驟摘要】
本專利技術涉及缺陷分類，具體涉及一種輸水管道缺陷分類方法、裝置、設備及存儲介質。
技術介紹
1、管道輸送具有占用空間少、建造成本小、建造速度快以及可靠性高、連續性強等優點，是目前水資源最主要的運輸方式。因此輸水管道已成為城市建設的重要部分，是國家的重要命脈。為了延長管道的使用壽命，減少人為與非人為因素的破壞，輸水管道通常建設在地表之下。但是隨著建設完成時間的推移，管道難免發生滲漏、破裂、腐蝕等現象。在浪費水資源的同時還可能對水質造成一定程度的污染。
2、為了保障輸水管道運行的安全性、結構完整性和可持續性，需要經常性地對輸水管道進行質量檢查。當前，埋地輸水管道缺陷檢測存在缺陷判定模糊，難度大等問題。
技術實現思路
1、有鑒于此，本專利技術提供了一種輸水管道缺陷分類方法、裝置、設備及存儲介質，以解決埋地輸水管道缺陷檢測存在缺陷判定模糊，難度大的問題。
2、第一方面，本專利技術提供了一種輸水管道缺陷分類方法，輸水管道內設置有多個聲波傳感器，各聲波傳感器之間的距離相等；該方法包括：
3、利用多個聲波傳感器采集輸水管道的初始聲波信號集，初始聲波信號集包括輸水管道無缺陷和存在不同種類缺陷時的多個聲波信號；基于初始聲波信號集，經過經驗模態分解方法和希爾伯特變換方法處理，得到目標信號樣本集；獲取多分類stacking集成模型，多分類stacking集成模型由四個用于區分不同缺陷的目標stacking集成模型集成；利用多分類stacking集成模型對目標信號樣本集
4、本專利技術提供的輸水管道缺陷分類方法，首先通過輸水管道內安裝的多個間隔相等的聲波傳感器，可以從不同位置全面采集輸水管道無缺陷和存在不同種類缺陷時的多個聲波信號，提高了初始聲波信號集的全面性和準確性。其次，利用經驗模態分解方法和希爾伯特變換方法對采集到的初始聲波信號集進行處理，可以使處理后的目標信號樣本集更具代表性和可分析性。最后，區分不同缺陷的目標stacking集成模型能夠更好地學習和識別該類型缺陷的獨特特征，提高了對特定缺陷的檢測準確率，進而使得利用由四個用于區分不同缺陷的目標stacking集成模型集成的多分類stacking集成模型對目標信號樣本集對應的輸水管道缺陷進行分類時，提高了輸水管道缺陷分類結果的準確性和可靠性。因此，通過實施本專利技術，實現了輸水管道缺陷的精確分類，解決了當前埋地輸水管道缺陷檢測存在缺陷判定模糊，難度大等問題。
5、在一種可選的實施方式中，基于初始聲波信號集，經過經驗模態分解方法和希爾伯特變換方法處理，得到目標信號樣本集，包括：
6、利用經驗模態分解方法對初始聲波信號集進行分解，得到多個固有模態函數；將多個固有模態函數經過希爾伯特變換方法處理，得到多個初始信號瞬時頻率和多個初始瞬時幅值；基于多個初始信號瞬時頻率和多個初始瞬時幅值，確定目標信號樣本集。
7、本專利技術提供的輸水管道缺陷分類方法，通過經驗模態分解方法對初始聲波信號集進行分解，能夠把復雜的信號拆分成多個相對簡單的組成部分，有助于更深入地分析信號的內在結構和特征。進一步，將多個固有模態函數經過希爾伯特變換方法處理，可以根據得到的多個初始信號瞬時頻率和多個初始瞬時幅值同時從頻率和幅值兩個重要維度來理解信號，極大地豐富了對信號特征的把握，為進一步分析和處理信號提供了更多的信息依據。最后，結合多個初始信號瞬時頻率和多個初始瞬時幅值確定目標信號樣本集，可以更加準確地篩選出更具代表性和可分析性的信號樣本。
8、在一種可選的實施方式中，獲取多分類stacking集成模型，包括：
9、利用多個聲波傳感器采集輸水管道的歷史聲波信號集；基于歷史聲波信號集，經過經驗模態分解方法和希爾伯特變換方法處理，得到歷史信號樣本集；基于歷史信號樣本集對預設stacking集成模型進行訓練，得到第一目標stacking集成模型，第一目標stacking集成模型用于區分管道滲漏缺陷與其他缺陷；重復基于歷史信號樣本集對預設stacking集成模型進行訓練的步驟，并得到第二目標stacking集成模型、第三目標stacking集成模型和第四目標stacking集成模型，第二目標stacking集成模型用于區分管道破裂缺陷與其他缺陷，第三目標stacking集成模型用于區分管道腐蝕缺陷與其他缺陷，第四目標stacking集成模型用于區分管道無缺陷情況與其他缺陷；基于第一目標stacking集成模型、第二目標stacking集成模型、第三目標stacking集成模型和第四目標stacking集成模型，確定多分類stacking集成模型。
10、本專利技術提供的輸水管道缺陷分類方法，重復通過歷史信號樣本集對預設stacking集成模型進行訓練的步驟，可以得到區分不同缺陷類型的目標stacking集成模型，這種針對性的訓練方式可以使每個模型專注于特定的缺陷區分任務，更好地學習和捕捉相應缺陷的特征，從而提高了對特定缺陷判斷的準確性。最后，結合得到的多個目標stacking集成模型確定多分類stacking集成模型，能夠綜合各個模型的優勢，實現對管道狀態的多分類判斷，進而為提高輸水管道缺陷分類結果的準確性和可靠性提供了支持。
11、在一種可選的實施方式中，基于歷史信號樣本集對預設stacking集成模型進行訓練，得到第一目標stacking集成模型，包括：
12、基于歷史信號樣本集，分別利用極致梯度提升樹算法、k近鄰算法和決策樹算法對預設stacking集成模型的第一層分類器進行訓練，得到目標特征數據集；基于目標特征數據集，利用邏輯回歸算法對預設stacking集成模型的第二層分類器進行訓練，得到第一目標stacking集成模型。
13、本專利技術提供的輸水管道缺陷分類方法，分別利用極致梯度提升樹算法、k近鄰算法和決策樹算法對預設stacking集成模型的第一層分類器進行訓練，充分結合了不同算法的優勢，可以從不同角度提取歷史信號樣本集的特征，提高第一層分類器的準確性和魯棒性，進而使得得到的目標特征數據集能夠融合不同算法所提取的特征信息，能夠更全面、更準確地反映歷史信號樣本的本質特征。進一步，利用邏輯回歸算法對預設stacking集成模型的第二層分類器進行訓練，可以進一步優化模型的分類效果，提高對不同情況的區分能力。最后，經過兩層分類器的訓練，能夠得到具有更高的準確性和可靠性的第一目標stacking集成模型。
14、在一種可選的實施方式中，基于歷史信號樣本集，分別利用極致梯度提升樹算法、k近鄰算法和決策樹算法對預設stacking集成模型的第一層分類器進行訓練，得到目標特征數據集，包括：
15、基于歷史信號樣本集，分別利用極致梯度提升樹算法、k近鄰算法和決策樹算法對預設stacking集成模型的第一層分類器進行訓練，得到多個初始特征數據集；計算各初始特征數據集的多個特征評價值；基于各初始特征數據集的多個特征評價值，計算各初本文檔來自技高網...
【技術保護點】
1.一種輸水管道缺陷分類方法，其特征在于，輸水管道內設置有多個聲波傳感器，各聲波傳感器之間的距離相等；所述方法包括：
2.根據權利要求1所述的方法，其特征在于，基于所述初始聲波信號集，經過經驗模態分解方法和希爾伯特變換方法處理，得到目標信號樣本集，包括：
3.根據權利要求1所述的方法，其特征在于，獲取多分類Stacking集成模型，包括：
4.根據權利要求3所述的方法，其特征在于，基于所述歷史信號樣本集對預設Stacking集成模型進行訓練，得到第一目標Stacking集成模型，包括：
5.根據權利要求4所述的方法，其特征在于，基于所述歷史信號樣本集，分別利用極致梯度提升樹算法、K近鄰算法和決策樹算法對所述預設Stacking集成模型的第一層分類器進行訓練，得到目標特征數據集，包括：
6.根據權利要求3所述的方法，其特征在于，利用所述多分類Stacking集成模型對所述目標信號樣本集對應的輸水管道缺陷進行分類，得到輸水管道缺陷分類結果，包括：
7.一種輸水管道缺陷分類裝置，其特征在于，輸水管道內設置有多個聲波
8.一種計算機設備，其特征在于，包括：
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機指令，所述計算機指令用于使計算機執行權利要求1至6中任一項所述的輸水管道缺陷分類方法。
10.一種計算機程序產品，其特征在于，包括計算機指令，所述計算機指令用于使計算機執行權利要求1至6中任一項所述的輸水管道缺陷分類方法。
...【技術特征摘要】
1.一種輸水管道缺陷分類方法，其特征在于，輸水管道內設置有多個聲波傳感器，各聲波傳感器之間的距離相等；所述方法包括：
2.根據權利要求1所述的方法，其特征在于，基于所述初始聲波信號集，經過經驗模態分解方法和希爾伯特變換方法處理，得到目標信號樣本集，包括：
3.根據權利要求1所述的方法，其特征在于，獲取多分類stacking集成模型，包括：
4.根據權利要求3所述的方法，其特征在于，基于所述歷史信號樣本集對預設stacking集成模型進行訓練，得到第一目標stacking集成模型，包括：
5.根據權利要求4所述的方法，其特征在于，基于所述歷史信號樣本集，分別利用極致梯度提升樹算法、k近鄰算法和決策樹算法對所述預設stacking集成模型的第一層分類器進行訓...
【專利技術屬性】
技術研發人員：胡章博，張宸，劉潔，王宇庭，沈陽武，何立夫，梅杰，陳鵬，李佳霖，
申請(專利權)人：中國長江三峽集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。