[0027] 下面结合附图和实施方式对本发明做进一步的说明。
[0028] 实施方式1
[0029] 本实施例中的一种基于神经网络的管道监测系统，如图1至3所示，主要由主体管1、标准器放置管6、安装在标准器放置管6管口处的标准器支架8、用于控制标准器支架8的输送机构以及用于控制标准器位移的标准器位移控制系统组成，主体管1的两端分别连接有能够与待检测管道的检测部两侧螺纹连接的活动连接头2和固定连接头5；标准器放置管
6的底端与主体管1的中部连通，标准器的探头朝下通过标准器支架8安装在标准器放置管6内。在测量时，标准器放置在安装套圈11内，且标准器的探头朝下位于主体管1与标准器放置管6的衔接处。
[0030] 标准器支架8安装在标准器放置管6管口处，由安装套圈11和两个相互平行的支腿12组成，安装套圈11水平固定在两个支腿12顶端上，两个支腿12竖直安插在标准器放置管6内壁对应的导槽内，安装套圈11的内径小于标准器放置管6的内径。安装套圈11上固定有标准器位移传感器14；输送机构中的高度调节螺杆7竖直螺纹连接在标准器放置管6的外壁一侧，且高度调节螺杆7的顶端顶在安装套圈11下表面，高度调节螺杆7与导槽平行设置；输送机构由驱动电机13和高度调节螺杆7组成，驱动电机13固定在标准器放置管6外壁，其输出轴与高度调节螺杆7的底端固定连接；在标准器放置管6的管口内壁还安装有管口密封圈
10。本管道检测系统还包括防尘塞9，在不测量状态时，防尘塞9的底端穿过安装套圈11以及管口密封圈10后塞在标准器放置管6的管口。
[0031] 如图3所示，上述标准器位移控制系统包括标准器位移调节平台和MSP430单片机中的智能控制器，标准器位移调节平台由MSP430单片机、L298电机驱动电路、输送机构、标准器和标准器位移传感器14组成。MSP430单片机中的智能控制器由ANFIS模糊神经网络调节器、神经网络PID调节器、NARX神经网络融合控制器、时间序列Elman神经网络预测器、新陈代谢GM(1，1)灰色预测器、GRNN神经网络融合器组成。MSP430单片机中的智能控制器实现对标准器的位移进行智能化调节。
[0032] 在上述MSP430单片机中的智能控制器中，ANFIS模糊神经网络调节器和神经网络PID调节器相并联，ANFIS模糊神经网络调节器和神经网络PID调节器的输出作为NARX神经网络融合控制器的输入，NARX神经网络融合控制器的输出作为L298电机驱动电路的输入，标准器位移传感器14检测标准器的位移值分别作为时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器的输入，时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器的输出分别作为GRNN神经网络融合器的输入，GRNN神经网络融合器的输出值作为标准器位移控制系统的标准器位移反馈值，标准器位移调节平台的标准器位移给定值和GRNN神经网络融合器的输出值的误差和误差变化率分别作为ANFIS模糊神经网络调节器和神经网络PID调节器的输入。
[0033] NARX神经网络融合控制器实现对ANFIS模糊神经网络调节器输出值与神经网络PID调节器输出值的融合和对标准器位移的再一次预测控制，GRNN神经网络融合器实现对时间序列Elman神经网络预测器输出值和新陈代谢GM(1，1)灰色预测器输出值的融合和对标准器位移量的再一次精确预测。
[0034] 在上述标准器位移调节平台中，MSP430单片机中智能控制器的NARX神经网络融合控制器输出作为L298电机驱动电路的输入，L298电机驱动电路作为输送机构中驱动电机13的输入，驱动电机13通过高度调节螺杆7驱动标准器支架8移动，进而驱动标准器移动，标准器位移传感器14测量标准器移动量，标准器位移传感器14的输出分别作为MSP430单片机中智能控制器的新陈代谢GM(1，1)灰色预测器和GRNN神经网络融合器的输入。
[0035] 本实施方式中的基于神经网络的管道监测系统的工作原理如下：
[0036] 当需要对待测管道内的液体液温或流量进行检测时，首先将检测部位预留的管道拆卸下来，将本管道监测系统中的固定连接头5与待检测管道的检测部一侧螺纹连接，然后将活动连接头2与待检测管道的检测部另一侧螺纹连接，然后通过标准器放置管6的管口，将标准器的检测探头朝下放置在标准器支架8上，这样，标准器的检测探头就能够很平稳地放在标准器放置管6内，且由于标准器支架8的固定作用，标准器位于标准器放置管6内部不会与其内壁接触，在整个检测过程中，标准器都不会晃动颤抖，能够更加准确地测量出待检测管道内的液压。
[0037] 当标准器放置到标准器支架8上并位于标准器放置管6内之后，标准器的检测探头伸入到主体管1内的深度过深或过浅，则可以通过上述的标准器位移控制系统控制输送机构对标准器的位置进行调节。具体地说，通过MSP430单片机中的智能控制器控制驱动电机13运行，进而驱动电机13通过高度调节螺杆7驱动标准器支架8上升或下降，进而驱动标准器支架8上的标准器上升或下降，标准器位移传感器14测量标准器的移动量，当标准器位移传感器14测量到的移动量达到预设值后，智能控制器则控制驱动电机13停止运转。
[0038] 上述标准器位移控制系统总体功能的设计如下：
[0039] 上述MSP430单片机中的智能控制器的设计过程如下：
[0040] (1)、神经网络PID调节器设计
[0041] 标准器位移控制系统是根据标准器位移调节的误差和误差变化来调整标准器位移的随动系统，系统能够快速使标准器位移达到系统设定的理想值，提高响应速度、控制精度和提高系统的稳定性。标准器位移调节的误差和误差变化作为神经网络PID调节器与ANFIS模糊神经网络调节器的输入，神经网络PID调节器的输出与ANFIS模糊神经网络调节器的输出是NARX神经网络融合控制器的输入，NARX神经网络融合控制器的输出作为标准器位移的控制量，使标准器位移迅速达到系统设定的理想值。
[0042] 神经网络PID调节器控制器负责调节标准器位移的预测控制器，使标准器位移迅速达到系统设计的理想值，提高标准器位移达到系统设计要求的准确和快速性，神经网络PID调节器有3个输入xi(t)(i＝1,2,3)，状态变换器的输入反映的是标准器位移设定量与标准器位移预测检测值的偏差状态，若设给定标准器位移与预测量的偏差为e(t)，经转换器后转换成为神经元学习控制所需要的状态X1、X2、X3在这里性能指标为：
[0043]
[0044] 为了反映神经元对外界信号的响应能力，神经元重要的特征就是要通过不断的学习使获得的知识结构适应标准器位移的变化，通过修改自身的权系数来进行的，采用了有监督的Hebb学习算法。神经元通过关联搜索来产生控制标准器位移的信号，即自适应神经元的输出控制标准器位移的控制量u(t)为:
[0045]
[0046] (2)、ANFIS模糊神经网络调节器设计
[0047] ANFIS模糊神经网络调节器是基于神经网络的自适应模糊推理系统ANFIS，也称为自适应神经模糊推理系统(Adaptive Neuro‑Fuzzy Inference System)，将神经网络和自适应模糊推理系统有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。ANFIS模糊神经网络调节器中的模糊隶属度函数及模糊规则是通过对大量标准器位移已知的低频和预测值历史数据的学习得到的，ANFIS模糊神经网络调节器的输入为标准器位移的误差和误差变化，ANFIS模糊神经网络调节器的输出是对标准器位移的控制量,ANFIS模糊神经网络调节器主要运算步骤如下:
[0048] 第1层:将输入的标准器位移的误差和误差变化模糊化，每个节点对应输出可表示为:
[0049]
[0050] 式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
[0051] 第2层:实现规则运算，输出规则的适用度，ANFIS模糊神经网络调节器的规则运算采用乘法。
[0052]
[0053] 第3层:将各条规则的适用度归一化:
[0054]
[0055] 第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
[0056]
[0057] 第5层:该层的单节点是一个固定节点，计算ANFIS模糊神经网络调节器的输出为:
[0058]
[0059] ANFIS模糊神经网络调节器中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS模糊神经网络调节器每一次迭代中首先输入信号沿网络正向传递直到第4层，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS模糊神经网络调节器将获得的标准器位移误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS模糊神经网络调节器中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS模糊神经网络调节器参数的收敛速度。ANFIS模糊神经网络调节器的输出作为调节标准器位移的控制量。
[0060] (3)、NARX神经网络融合控制器设计
[0061] NARX神经网络融合控制器的输入分别是神经网络PID调节器和ANFIS模糊神经网络调节器的输出，NARX神经网络融合控制器实现对神经网络PID调节器和ANFIS模糊神经网络调节器的控制量进行融合和进一步实现标准器位移的再一次预测控制，进一步提高标准器位移控制量的精确度。NARX神经网络融合控制器(Nonlinear Auto‑Regression with External input neural network)是一种动态的前馈神经网络，NARX神经网络融合控制器是一个有着神经网络PID调节器输出和ANFIS模糊神经网络调节器输出作为输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络融合控制器是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。NARX神经网络融合控制器主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络融合控制器的当时输出不仅取决于过去的输出y(t‑n)，还取决于当时的输入向量神经网络PID调节器输出和ANFIS模糊神经网络调节器输出的延迟阶数。NARX神经网络融合控制器包括输入层、输出层、隐层和时延层。其中神经网络PID调节器输出和ANFIS模糊神经网络调节器输出通过时延层传递给隐层，隐层对神经网络PID调节器输出和ANFIS模糊神经网络调节器输出的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的NARX神经网络融合控制器输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络融合控制器具有非线性映射能力、良好的鲁棒性和自适应性等特点。x(t)表示NARX神经网络的外部输入，即神经网络PID调节器和ANFIS模糊神经网络调节器的输出值；m表示外部输入的延迟阶数；y(t)是NARX神经网络融合控制器的输出，即下一时段的NARX神经网络融合控制器的输出控制量；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
[0062]
[0063] 上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，NARX神经网络融合控制器的输出y(t+1)的值为：
[0064] y(t+1)＝f[y(t),y(t‑1),L,y(t‑n),x(t),x(t‑1),L,x(t‑m+1)；W](9)[0065] NARX神经网络融合控制器的输入数据为神经网络PID调节器和ANFIS模糊神经网络调节器的输出，NARX神经网络融合控制器的输出为标准器位移控制量，NARX神经网络融合控制器的输入层、输出层和隐层的个数分别为2,1和10，NARX神经网络融合控制器实现对神经网络PID调节器和ANFIS模糊神经网络调节器的输出值的动态融合和对标准器位移的再一次预测控制，提高控制标准器位移的动态性能、快速性、准确型和可靠性。
[0066] (4)、时间序列Elman神经网络预测器设计
[0067] 时间序列Elman神经网络预测器可以预测动态预测标准器位移，该预测器是一个具有局部记忆单元和局部反馈连接的前向神经网络，关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函数。设时间序列Elman神经网络预测器的输入层、输出层和隐层的个数分别为m,n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则网络的隐含层、关联层和输出层的输出值表达式分别为:
[0068]
[0069] cp(k)＝xp(k‑1) (11)
[0070]
[0071] 时间序列Elman神经网络预测器的输入数据为一段时间多个不同时刻连续标准器位移的实际值数据，输出为标准器位移的将来值，时间序列Elman神经网络预测器的输入层、输出层和隐层的个数分别为10,1和21，时间序列Elman神经网络预测器实现对时间序列标准器位移的非线性预测。
[0072] (5)、新陈代谢GM(1,1)灰色预测器设计
[0073] 标准器位移新陈代谢GM(1,1)灰色预测器所需建模信息少、运算方便和建模的精度较高，因而在各种预测领域有着广泛的应用，本发明专利引入它对标准器位移的预测中获得了较好的效果，把它作为标准器位移复合控制器的预测值，实现对标准器位移的预测控制。新陈代谢GM(1,1)灰色预测器中把标准器位移的历史数据作为输入，它的输出为标准器位移下一阶段的预测值。新陈代谢GM(1,1)灰色预测器是用标准器位移检测的历史数据生成后建立的微分方程，它将无规律的标准器位移历史数据使其变为较有规律的生成数列再建模，所以新陈代谢GM(1,1)灰色预测器实际上是生成数列模型，一般用微分方程描述。由于新陈代谢GM(1,1)灰色预测器的解是微分方程的解是指数曲线，因此要求生成数列是递增的且接近指数曲线。标准器位移本身均为正值，经一次累加生成后即变为递增数列，设标准器位移历史数据为：
[0074] x(0)＝(x(0)(1),x(0)(2)L x(0)(n)) (13)
[0075] 作一次生成为：
[0076] x(1)＝(x(1)(1),x(1)(2)L x(1)(n)) (14)
[0077] 对x(1)对于可以建立如下一阶一个变量的线性微分方程为：
[0078]
[0079] 解该微分方程，并可得到标准器位移的预测值：
[0080] x(0)(k+1)＝x(1)(k+1)‑x(1)(k) (16)
[0081] 标准器位移新陈代谢GM(1,1)灰色预测器必须等距、相邻和不得有跳跃，以最新的数据作为参考点去掉最老的数据预测值下一阶段标准器位移值。在标准器位移预测中可用最近检测标准器位移值来建模，由此来预测下一阶段标准器位移值。用上述方法预测出一阶段的标准器位移值后，把此标准器位移值再加进原始数列中，相应地去掉数列开头的一个数据建模，再预测未来下一阶段标准器位移值的预测。依此类推，预测出当前标准器位移值作为GRNN神经网络融合器的输入。这种方法称为标准器位移新陈代谢GM(1,1)灰色预测器，它可实现较长时间的预测，实现对标准器位移的预测控制。
[0082] (6)、GRNN神经网络融合器设计
[0083] GRNN神经网络融合器是一种局部逼近网络GRNN(Generalized Regression Neural Network)，GRNN神经网络融合器的输入为时间序列Elman神经网络预测器和新陈代谢GM(1,1)灰色预测器的输出，GRNN神经网络融合器的输出为标准器位移预测值的融合值，GRNN神经网络融合器实现对时间序列Elman神经网络预测器和新陈代谢GM(1,1)灰色预测器的输出预测值的精确融合和对标准器位移的再一次精确预测。GRNN神经网络融合器是建立在数理统计的基础上，具有明确的理论依据，学习样本确定后网络结构和连接值也随之确定，在训练过程中只需要确定平滑参数一个变量。GRNN神经网络融合器的学习全部依赖时间序列Elman神经网络预测器输出和新陈代谢GM(1,1)灰色预测器输出的数据样本，在逼近能力和学习速度上较BRF网络有更强的优势，具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性，特别适用于函数的快速逼近和处理不稳定的数据。GRNN神经网络融合器的人为调节参数很少，网络的学习全部依赖数据样本，这一特性使得GRNN神经网络融合器可以最大限度地减少人为主观假定对标准器位移预测结果的影响。GRNN神经网络融合器具有小样本下强大的标准器位移预测能力，还具有训练快速、鲁棒性强等特征，基本不受输入数据多重共线性的困扰。本专利构建的GRNN神经网络融合器由输入层、模式层、求和层和输出层构成，GRNN网络输入向量X为n维向量，网络输出向量Y为k维向量X＝{x1,x2,L,T Txn}和Y＝{y1,y2,L,yk}。模式层神经元数目等于训练样本的数目m，各个神经元与训练样本一一对应，模式层神经元传递函数pi为：
[0084] pi＝exp{‑[(x‑xi)T(x‑xi)]/2σ},(i＝1,2,L,m) (17)
[0085] 上式中的神经元输出进入求和层进行求和，求和层函数分为两类，分别为:
[0086]
[0087]
[0088] 其中，yij为第i个训练样本输出向量中的第j个元素值。根据前述GRNN神经网络融合器算法，则GRNN神经网络融合器输出向量Y的第j个元素的估计值为:
[0089] yj＝sNj/sD,(j＝1,2,L k) (20)
[0090] GRNN神经网络融合器建立在数理统计基础之上，它能够根据Elman神经网络预测器和新陈代谢GM(1,1)灰色预测器的输出标准器预测位移数据样本逼近其隐含的映射关系，GRNN神经网络融合器输出结果能够收敛于最优回归面，特别是在标准器位移数据样本数据稀少的情况下，也能获得满意的预测效果。GRNN神经网络融合器具有较强的预测能力，学习速度快，主要用于解决函数逼近问题而且在结构方面也具有高度并行性。
[0091] 本发明的标准器位移控制方案均采用本发明的标准器位移控制系统的设计方案，本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
