[0025] 下面结合附图和具体实施方式对本发明做进一步的说明。
[0026] 本实施方式提供了一种基于DRNN神经网络管网检测系统，如图1至4所示，主要由主体管1、输送管2以及安装在输送管2管口处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3(该活动连接头3为市售的型号为ShBd的304不锈钢内外丝直通连接头，直接购买回来之后连接在主体管1的一端)和固定连接头4(该固定连接头4为市售的型号为304不锈钢管道的螺母移动转换活接内丝的连接头，直接购买回来之后连接在主体管1的另一端)；输送管2的底端与主体管1的中部连通，固定有标准器位移传感器的标准器通过输送机构输送至输送管2内，且标准器的探头朝下位于主体管1与输送管2的衔接处。
[0027] 上述输送机构主要由壳体5、驱动电机16，主动齿6、从动齿7、主动环形传输带8、从动环形传输带9以及若干主动传输带定位轴10和从动传输带定位轴11组成；壳体5固定在输送管2的管口处，主动齿6的主动轴12与从动齿7的从动13轴均与相互平行且转动连接在壳体5内，主动齿6与从动齿7啮合，驱动电机16与主动齿6的主动轴12固定连接且位于壳体5外部；各主动传输带定位轴10和各从动传输带定位轴11分别沿输送管2的内壁两侧上下依次平行安装；主动环形传送带8的一端套在主动轴12上，中部和末端分别套在各主动传输带定位轴10上；从动形传送带9的一端套在从动轴13上，中部和末端分别套在各从动传输带定位轴11上。主动环形传输带8与从动环形传输带9之间的间距略小于待传输标准器的最小宽度。壳体5的顶部安装有防尘盖18，防尘盖18与壳体5的顶部开口通过滑槽19滑动连接。
[0028] 如图5所示，上述智能化标准器位移控制系统，包括标准器位移调节平台和MSP430单片机中的智能化标准器位移控制器，所述标准器位移调节平台由MSP430单片机、L298电机驱动电路、所述输送机构和所述标准器位移传感器组成；所述MSP430单片机中的智能化标准器位移控制器由参数自调整模糊调节器、DRNN神经网络调节器、NARX神经网络融合调节器、时间序列DRNN神经网络预测器、时间序列最小二乘支持向量机(LS‑SVM)预测器和小波神经网络融合器组成。
[0029] 在上述标准器位移调节平台中，MSP430单片机中的智能化标准器位移控制器的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16的输入，输送机构驱动标准器移动，标准器位移传感器测量标准器移动量，标准器位移传感器的输出分别作为MSP430单片机中的智能化标准器位移控制器的时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS‑SVM)预测器的输入。
[0030] 在上述MSP430单片机中的智能化标准器位移控制器中，参数自调整模糊调节器和DRNN神经网络调节器相并联，参数自调整模糊调节器和DRNN神经网络调节器的输出作为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，L298电机驱动电路的输出作为输送机构中驱动电机16的输入；标准器位移传感器的输出分别作为时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS‑SVM)预测器的输入，时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS‑SVM)预测器的输出分别作为小波神经网络融合器的输入，小波神经网络融合器的输出值作为智能化标准器位移控制系统的标准器位移反馈值，智能化标准器位移控制系统的标准器位移给定值和小波神经网络融合器输出值的误差和误差变化率分别作为参数自调整模糊调节器和DRNN神经网络调节器的输入。
[0031] 本实施方式中的基于DRNN神经网络管网检测系统的工作原理如下：
[0032] 需要将标准器传输到输送管2内进行测量时，先沿滑槽19打开防尘盖18，然后将标准器的检测探头朝下从壳体5顶部开口塞入主动环形传输带8与从动环形传输带9之间，通过MSP430单片机中的智能控制器控制驱动电机16运行，进而驱动电机16驱动主动齿6顺时针转动时，主动轴12顺时针转动，带动主动环形传输带8顺时针转动，进而各主动传输带定位轴10顺时针转动；而从动齿7与主动齿6啮合，从而从动齿7逆时针转动，从动轴13逆时针转动，带动从动环形传输带9逆时针转动，进而各从动传输带定位轴11逆时针转动；主动环形传输带8与从动环形传输带9反方向旋转即能够实现将标准器从输送管2的管口输送到输送管2与主体管1的衔接处；在输送过程中，标准器位移传感器测量标准器的移动量，当标准器位移传感器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16停止运转。当检测结束后，则通过MSP430单片机中的智能控制器控制驱动电机16反向运转，反向驱动主动齿6将标准器上移至壳体5顶部开口处取出即可。
[0033] 上述智能化标准器位移控制器总体功能的设计如下：
[0034] (1)参数自调整模糊控制器设计
[0035] 本发明专利参数自调整模糊控制器作为标准器位移的预测控制器,它与DRNN神经网络调节器并联，实现对标准器位移的复合控制,它由模糊控制和积分作用两部分并联组成。其模糊控制规则为uf＝k0×f(e,e’)，式中：uf为参数自调整模糊控制器的输出；k0为输出系数；f(e,e’)为自适应控制规则函数，模糊控制规则为f(e,e’)＝α×e+(1‑α)e’，式中：α为自适应修正因子，0≤α≤1；α的大小反映了标准器位移的设定值与标准器位移复合预测值的误差e和误差变化率e’对参数自调整模糊控制器输出影响的程度。通过对e及e’在标准器位移控制的不同阶段所起作用分析可知，二者在不同控制阶段对参数自调整模糊控制器的影响是不同的。在初期阶段，如果标准器的e与e’异号，则起始误差比较大，这时应选取较大的α值，以便尽快消除标准器位移误差的存在。因此，应加大误差在参数自调整模糊控制规则中的权重；在中期阶段，标准器位移误差减小，智能化标准器位移控制系统的上升速度加快，为减小智能化标准器位移控制系统的超调，应突出对标准器位移误差变化的控制作用，应选取较小的α值；当标准器响应接近期望值时，由于此时标准器位移误差及其变化都较小，二者可取相同的权重。在实际实现过程中，α值的选取是通过查表程序获得的，本专利的参数自调整模糊控制器的输入模糊变量为标准器位移的设定值与标准器位移复合预测值的误差e和误差变化率e’，输出量为参数自调整模糊控制器的预测控制量，它们的基本论域为[‑2，2]，量化论域为[‑3，3]，故量化因子为k1＝1.5；根据对应误差查表的情况如下：
[0036]
[0037] 其中α0,α1,α2,α3∈[0,1]，一般来说α0＜α1＜α2＜α3，这样有利于满足标准器位移控制系统在不同工况下对修正因子的不同要求。
[0038] (2)、DRNN神经网络调节器设计
[0039] DRNN神经网络调节器是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映标准器位移动态变化性能，可以更加精确调节标准器位移大小，每个DRNN网络2‑7‑1的3层网络结构，其隐层为回归层。在本发明DRNN神经网络模型中，设I＝[I1(t),I2(t),…,In(t)]为网络输入向量，其中Ii(t)是标准器位移的误差和误差变化率为DRNN神经网络调节器输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)是标准器位移控制量为DRNN神经网络调节器的输出。则DRNN网络调节器的输出为：
[0040]
[0041] (3)、NARX神经网络融合控制器设计
[0042] NARX神经网络融合控制器的输入分别是DRNN神经网络调节器和参数自调整模糊控制器的输出，NARX神经网络融合控制器实现对DRNN神经网络调节器和参数自调整模糊控制器的输出控制量进行融合，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DRNN神经网络调节器和参数自调整模糊控制器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。一个典型的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DRNN神经网络调节器和参数自调整模糊控制器的延迟阶数。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DRNN神经网络调节器和参数自调整模糊控制器通过时延层传递给隐层，隐层对DRNN神经网络调节器和参数自调整模糊控制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DRNN神经网络调节器和参数自调整模糊控制器输出值；m表示外部输入的延迟阶数；y(t)是NARX神经网络的输出，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：
[0043]
[0044] 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：
[0045] y(t+1)＝f[y(t),y(t‑1),…,y(t‑n),x(t),x(t‑1),…,x(t‑m+1)；W] (4)[0046] (4)时间序列最小二乘支持向量机(LS‑SVM)预测器设计
[0047] 时间序列最小二乘支持向量机(LS‑SVM)预测器具有较强的泛化能力和全局能力，克服了其他机器学习方法的泛化能力差、过拟合和容易陷入局部最优等缺点，它是一种对标准支持向量机的扩展，该时间序列最小二乘支持向量机(LS‑SVM)预测器采用平方和误差损失函数代替标准支持向量机的不敏感损失函数，同时实现了将标准SVM算法中的不等式约束转化为等约束。因此，时间序列最小二乘支持向量机(LS‑SVM)预测器将二次规划问题化简为求解线性方程组，明显降低了求解的复杂性，提高了计算速度。设最小二乘支持向量机(LS‑SVM)预测值数据训练样本集D＝{(xi,yi)|i＝1,2,…,n}，xi和yi，分别为输入和输出样本数据，n为样本数，它可以将输入样本从原空间映射到高维特征空间。引入拉格朗日方程，将带约束条件的优化问题转化为无约束条件的优化问题，可得到时间序列最小二乘支持向量机(LS‑SVM)预测器的线性回归方程如下：
[0048]
[0049] 在求解过程中，为了避免求解复杂的非线性映射函数，引入了径向基核函数(radial basis function，RBF)替代高维空间中的点积运算，可以大大减少计算量，而且RBF核函数容易实现SVM的优化过程，因为它的每个基函数的中心与支持向量一一对应，且这些支持向量和权值都可以通过算法得到。因此，时间序列最小二乘支持向量机(LS‑SVM)预测器输出为：
[0050]
[0051] 时间序列最小二乘支持向量机(LS‑SVM)预测器输出是标准器位移预测值，每个中间节点对应一个支持向量，输入为x1,x2,…xn为标准器位移时间序列历史数据，αi为网络权重。
[0052] (5)、时间序列DRNN神经网络预测器设计
[0053] 时间序列DRNN神经网络预测器是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映标准器位移动态变化性能，可以更加精确预测标准器位移大小，时间序列DRNN神经网络预测器是12‑25‑1的3层网络结构，其隐层为回归层。在本发明时间序列DRNN神经网络预测器中，设I＝[I1(t),I2(t),…,In(t)]是一段时间12个不同时刻标准器位移连续值为时间序列DRNN神经网络输入向量，其中Ii(t)为标准器位移预测模型DRNN神经网络输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)是标准器位移预测值为DRNN神经网络的输出。则DRNN网络预测模型的输出为：
[0054]
[0055] (6)、小波神经网络融合器设计
[0056] 小波神经网络融合器的输入为时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS‑SVM)预测器的输出值，小波神经网络融合器实现对时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS‑SVM)预测器的输出值进行高精确融合，提高标准器位移融合精确度，小波神经网络融合器的输出值作为智能化标准器位移控制系统的反馈预测值，实现智能化标准器位移控制器的预测控制。小波神经网络融合器基于小波神经网络WNN(Wavelet Neural Networks)理论基础构建的标准器位移预测融合模型,小波神经网络以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络。小波神经网络融合预测模型中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络融合器的输入为时间序列最小二乘支持向量机(LS‑SVM)预测器和时间序列DRNN神经网络预测器的输出信号可以表示为一维向量xi(i＝1,2,…,n)，输出信号是标准器位移预测融合值表示为yk(k＝1,2,…,m)，小波神经网络融合器输出层融合值的计算公式为：
[0057]
[0058] 公式中ωij输入层i节点和隐含层j节点间的连接权值， 为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络融合器的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使小波神经网络融合器输出不断逼近标准器位移的期望输出。
[0059] 上述实施方式只为说明本发明专利的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明专利的内容并据以实施，并不能以此限制本发明专利的保护范围。凡根据本发明专利精神实质所做的等效变换或修饰，都应涵盖在本发明本发明专利的保护范围之内。
