面向故障诊断的供水管网水压监测点优化布置方法 9页

'第４０卷第２期土木建筑与环境工程Ｖｏｌ．４０Ｎｏ．２２０１８年４月ＪｏｕｒｎａｌｏｆＣｉｖｉｌ，Ａｒｃｈｉｔｅｃｔｕｒａｌ＆ＥｎｖｉｒｏｎｍｅｎｔａｌＥｎｇｉｎｅｅｒｉｎｇＡｐｒ．２０１８ｄｏｉ：１０．１１８３５／ｊ．ｉｓｓｎ．１６７４４７６４．２０１８．０２．００９面向故障诊断的供水管网水压监测点优化布置方法李栋１，薛惠锋２，张文宇３（１．西北工业大学自动化学院，西安７１００７２；２．中国航天系统科学与工程研究院，北京１０００４８；３．西安邮电大学经济与管理学院，西安７１００６１）摘要：为解决供水管网故障诊断中准确率不高、经济性不佳的问题，设计了一个基于改进的果蝇优化算法核极限学习机的供水管网故障诊断模型。经验证，该模型具有学习速度快、故障识别率高等优点。以该模型为核心提出了基于果蝇优化算法的供水管网水压监测点优化布置方法。该方法首先利用果蝇优化算法形成多组水压监测点方案，然后用供水管网故障诊断模型计算每种方案的诊断准确率，选择其中诊断准确率最高、经济性最好的方案作为候选最优方案，并以此方案为基础，使用果蝇优化算法不断循环迭代，最终找到故障诊断准确率高且经济性最好的水压监测点布置方案。利用Ｍａｔｌａｂ语言代码对提出供水管网水压监测点优化布置方法进行了编码实现，使用实际管网数据进行了实验，结果表明，所提出的供水管网水压监测点优化布置方法是一个有效的水压监测点优化布置方法。关键词：供水；故障诊断；优化布置；核极限学习机；果蝇优化算法中图分类号：ＴＵ９９１．３３文献标志码：Ａ文章编号：１６７４４７６４（２０１８）０２００５３０９犗狆狋犻犿犪犾犾犪狔狅狌狋犿犲狋犺狅犱狅犳狑犪狋犲狉狆狉犲狊狊狌狉犲犿狅狀犻狋狅狉犻狀犵狆狅犻狀狋狊犳狅狉狑犪狋犲狉狊狌狆狆犾狔狀犲狋狑狅狉犽犫犪狊犲犱狅狀犳犪狌犾狋犱犻犪犵狀狅狊犻狊１，犡狌犲犎狌犻犳犲狀犵１，２，犣犺犪狀犵犠犲狀狔狌３犔犻犇狅狀犵（１．ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ＇ａｎ７１００７２，Ｐ．Ｒ．Ｃｈｉｎａ；２．ＣｈｉｎａＡｃａｄｅｍｙｏｆＡｅｒｏｓｐａｃｅＳｙｓｔｅｍｓＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ１０００４８，Ｐ．Ｒ．Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔ，Ｘｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｘｉ＇ａｎ７１００６１，Ｐ．Ｒ．Ｃｈｉｎａ）犃犫狊狋狉犪犮狋：Ｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙａｎｄｅｃｏｎｏｍｙｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓ，ｔｈｅｌａｙｏｕｔｍｅｔｈｏｄｏｆｗａｔｅｒｐｒｅｓｓｕｒｅｍｏｎｉｔｏｒｉｎｇｐｏｉｎｔｓｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ａｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｏｆｗａｔｅｒｓｕｐｐｌｙｎｅｔｗｏｒｋｉｓｄｅｓｉｇｎｅｄｂｙｕｓｉｎｇＭｏｄｉｆｉｅｄＦｒｕｉｔＦｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ（ＭＦＦＯＡ）ａｎｄＫｅｒｎｅｌＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ（ＫＥＬＭ）．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｈａｓｔｈｅａｄｖａｎｔａｇｅｓｏｆｆａｓｔｔｒａｉｎｉｎｇｓｐｅｅｄａｎｄｈｉｇｈａｃｃｕｒａｃｙ．Ｔｈｅｎ，ｂａｓｅｄｏｎｔｈｅＦｒｕｉｔＦｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ（ＦＦＯＡ）ａｎｄｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｗｈｉｃｈｉｓｐｒｏｐｏｓｅｄ，ａｗａｔｅｒｐｒｅｓｓｕｒｅｍｏｎｉｔｏｒｉｎｇｐｏｉｎｔｌａｙｏｕｔｍｅｔｈｏｄｉｓｄｅｓｉｇｎｅｄ．Ｉｎｔｈｅｍｅｔｈｏｄ，ｆｉｒｓｔｌｙａｓｅｔｏｆｗａｔｅｒｐｒｅｓｓｕｒｅｄｅｔｅｃｔｉｏｎｐｏｉｎｔｓｉｓｆｏｒｍｅｄｂｙＦＦＯＡ．Ｔｈｅｎ，ｔｈｅｄｉａｇｎｏｓｔｉｃａｃｃｕｒａｃｙ收稿日期：２０１７０４１７基金项目：国家自然科学基金（Ｕ１５０１２５３）；陕西省教育厅２０１３年科学研究计划（２０１３ＪＫ０１７５）作者简介：李栋（１９８１），副教授，博士生，主要从事智慧水务、智能计算研究，Ｅｍａｉｌ：ｄｄｌｉ１００９＠１２６．ｃｏｍ。犚犲犮犲犻狏犲犱：２０１７０４１７犉狅狌狀犱犪狋犻狅狀犻狋犲犿：ＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．Ｕ１５０１２５３）；ＳｐｅｃｉａｌＳｃｉｅｎｔｉｆｉｃＲｅｓｅａｒｃｈＰｒｏｊｅｃｔｏｆＥｄｕｃａｔｉｏｎＤｅｐａｒｔｍｅｎｔｏｆＳｈａａｎｘｉＰｒｏｖｉｎｃｉａｌＧｏｖｅｒｎｍｅｎｔｉｎ２０１３（Ｎｏ．２０１３ＪＫ０１７５）犃狌狋犺狅狉犫狉犻犲犳：ＬｉＤｏｎｇ（１９８１），ａｓｓｏｃｉａｔｅｐｒｏｆｅｓｓｏｒ，ＰｈＤｃａｎｄｉｄａｔｅ，ｍａｉｎｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓ：ｓｍａｒｔｗａｔｅｒａｎｄｉｎｔｅｌｌｉｇｅｎｔｃｏｍｐｕｔｉｎｇ，Ｅｍａｉｌ：ｄｄｌｉ１００９＠１２６．ｃｏｍ． ５４土木建筑与环境工程第４０卷ｏｆｅａｃｈｓｃｈｅｍｅｉｓｃａｌｃｕｌａｔｅｄｂｙｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌａｎｄｔｈｅａｃｃｕｒａｔｅａｎｄｅｃｏｎｏｍｉｃｓｃｈｅｍｅｉｓｃｈｏｓｅｎｔｏｂｅｔｈｅｃａｎｄｉｄａｔｅｏｐｔｉｍａｌｐｒｏｇｒａｍ．Ａｆｔｅｒｔｈａｔ，ＦＦＯＡａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｉｔｅｒａｔｅａｎｄｆｉｎｄｔｈｅｏｐｔｉｍａｌｌａｙｏｕｔｏｆｗａｔｅｒｐｒｅｓｓｕｒｅｍｏｎｉｔｏｒｉｎｇｓｏｌｕｔｉｏｎｗｈｉｃｈｈａｓｔｈｅｂｅｓｔａｃｃｕｒａｃｙａｎｄｂｅｓｔｅｃｏｎｏｍｉｃｐｅｒｆｏｒｍａｎｃｅ．Ｆｉｎａｌｌｙ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｗｈｉｃｈｉｓｒｅａｌｉｚｅｄｉｓｔｅｓｔｅｄｂｙｔｈｅａｃｔｕａｌｐｉｐｅｎｅｔｗｏｒｋｄａｔａ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｐｒｅｓｅｎｔｅｄｉｎｔｈｉｓｐａｐｅｒｉｓａｎｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｔｏｏｐｔｉｍｉｚｅｔｈｅｗａｔｅｒｐｒｅｓｓｕｒｅｍｏｎｉｔｏｒｉｎｇｐｏｉｎｔｓ．Ｃｏｍｐａｒｉｎｇｗｉｔｈｏｔｈｅｒｍｅｔｈｏｄｓ，ｔｈｅａｃｃｕｒａｃｙａｎｄｅｃｏｎｏｍｙｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓａｒｅｉｍｐｒｏｖｅｄｏｂｖｉｏｕｓｌｙ．犓犲狔狑狅狉犱狊：ｗａｔｅｒｓｕｐｐｌｙ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｏｐｔｉｍａｌｌａｙｏｕｔ；ｋｅｒｎｅｌｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ；ｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ水压是全面掌握供水管网运行状态及对整个供其能够在有限数据下快速精确定位故障位置和故障［１２］水系统实施正确调度的重要参数，通过布置水压程度；问题２：如何设计一种高效的监测点选择方监测点监测水压实时变化，对供水管网进行优化调法，使其能够在众多节点中选择出数量少、位置佳的度和故障诊断，正在成为复杂供水系统运行管理的监测点。只有在两个问题都兼顾解决的条件下才能［３５］有效解决供水管网监测点优化布置的经济性问题。必然趋势。理论上水压监测点越多越好，但监测点过多会导致投资过高，因此，如何在监测点有限的从解决这２个子问题的角度入手，设计了一个面向前提下，对其位置进行优化布置，使其发挥最大作用故障诊断的水压监测点优化布置方法，该方法主要［６］思想是：首先是利用核极限学习机（ＫｅｒｎｅｌＥｘｔｒｅｍｅ是许多学者致力研究的重要问题。目前，已经提出许多监测点优化布置方法，根据ＬｅａｒｎｉｎｇＭａｃｈｉｎｅ，ＫＥＬＭ）建立一个基于改进的果其设计原理的不同可以分为两大类。一类是以聚类蝇优化算法（ＭｏｄｉｆｉｅｄＦｒｕｉｔＦｌｙＯｐｔｉｍｉｚａｔｉｏｎ［２］［７］分析、信息量最大化等理论为基础的监测点优Ａｌｇｏｒｉｔｈｍ，ＭＦＦＯＡ）和核极限学习机的故障诊断模化布置方法，这些方法所确定的监测点主要用于正型，接着以该模型为基础，应用面向离散空间的果蝇常工况下的运行调度，在故障诊断中应用较少，有效优化算法（ＦｒｕｉｔＦｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ，性尚未被证实。另外一类方法是以遗传算法、蚁群ＦＦＯＡ）筛选出满足水压监测点少、故障识别效果优算法等智能优化方法为手段的监测点优化布置方的水压监测点的布置方案，从而实现对供水管网水法。水压监测点布置在本质上属于优化问题［７］。压监测点的优化布置。［８］Ｍｅｉｅｒ等首次将遗传算法引入到测压点优化布置１基于犕犉犉犗犃犓犔犈犕的供水管网故的问题中，其优选结果明显优于传统的经验方法。［９］［１０］障诊断模型随后，Ｓｃｈａｅｔｚｅｎ等、Ｋａｐｅｌａｎ等以及Ｋａｎｇ［１１１２］［１３］等、刘书明等对Ｍｅｉｅｒ的算法进行了改进，１．１核极限学习机［１４］［１５］取得了一定的效果。金溪等和许刚等分别将传统的机器学习算法，如ＢＰ神经网络算法和遗传算法和蚁群算法引入监测点优化选址问题中，支持向量机，已经在供水管网故障诊断分析中取得但并未关注供水管网中的水量变化和渗漏分析。由了一定的应用，然而ＢＰ神经网络和支持向量机都此可见，目前在水压监测点优化布置研究领域，侧重［１６］存在着一些难以克服的缺陷，如：学习速度慢、需点主要集中在如何通过聚类、智能优化方法等方法要设置参数多等。ＥＬＭ（ＥｘｔｒｅｍｅＬｅａｒｎｉｎｇ和工具，按照人为设定的筛选原则选择出代表性节［１７］Ｍａｃｈｉｎｅ，ＥＬＭ）作为一种新兴的学习算法，能够点，对于筛选出的监测点是否可以有效诊断管网故克服ＢＰ神经网络和ＳＶＭ的缺点。ＥＬＭ算法是障的讨论较少。在设定筛选原则时，较少从经济性２００６年由Ｈｕａｎｇ等提出的一种新型单隐层前馈神角度考虑。经网络模型，由于其无需反复调整隐层参数，并将传在基于水压监测点优化布置的研究中，主要需统单隐层前馈神经网络参数训练问题转化为求解线要解决如何在供水管网渗漏故障诊断精度满足要求性方程组，利用求得的最小范数最小二乘解作为网（最高）的条件下投入的水压监测点最少（经济性）。［１８］络输出权值，整个训练过程一次完成。与其他机而这个问题可以进一步分解为２个子问题。问题器学习算法相比，ＥＬＭ具有学习速度快、便于实施、［１６］１：如何设计一个高效的供水管网故障诊断模型，使不需要太多人为干预、鲁棒性更好等优点。但由 第２期李栋，等：面向故障诊断的供水管网水压监测点优化布置方法５５于ＥＬＭ在学习过程中其初始权值随机设定，没有了果蝇群体的多样性，该搜索和选择机制容易造成训练优化过程，这会造成算法性能的不稳定，ＨｕａｎｇＦＦＯＡ算法陷入局部极值，从而带来ＦＦＯＡ的早熟［１９］等又提出了基于核函数的极限学习机（ＫＥＬＭ），收敛问题，制约了ＦＦＯＡ算法的广泛应用。将ＳＶＭ中核函数的思想运用到ＥＬＭ中，提高了算为了弥补标准ＦＦＯＡ算法存在的易陷入局部法的学习速度，算法的精度以及泛化能力也得到了极值的缺陷，借鉴人工蜂群速度食物源位置优化策［２１］提升。ＫＥＬＭ基本原理参见文献［１９］。略，通过引入全局引导因子和局部尺度调节因子１．２果蝇优化算法改进果蝇搜索食物的策略，平衡了ＦＦＯＡ算法局部［２０］果蝇优化算法（ＦＦＯＡ）是由Ｐａｎ于２０１１年搜索和全局搜索的性能，使改进的ＦＦＯＡ算法具备依据果蝇觅食行为推演出的一种全新的寻求全局最动态调节搜索半径的能力，有利于提高算法的搜索优的新方法。相较于粒子群、鱼群等群体智能优化精度，加快算法收敛速度。其食物源位置更新改进算法，ＦＦＯＡ具有参数设置少（只有种群大小和最大计算式为迭代次数２个参数），运算速度快且易于实现等优犡犻＝Ｘ＿ａｘｉｓ＋犚ｍｉｎ＋（犚ｍａｘ－犚ｍｉｎ）ξ犻ψ犻Ｒａｎｄｏｍ［２０］点。ＦＦＯＡ的流程为（７）１）给定群体规模ＳｉｚｅＰｏｐ、最大迭代数Ｍａｘｇｅｎ，式中：ξ犻为局部尺度调节因子、Ψ犻为全局调节因子。随机初始化果蝇群体位置Ｘ＿ａｘｉｓ、Ｙ＿ａｘｉｓ；１犳β烄犻－犳ｌｏｃａｌ＿ｂｅｓｔ，×（１－）２）果蝇个体利用嗅觉搜寻食物，向随机方向飞狋ｌｏｃａｌ犳ｇｌｏｂａｌ＿ｂｅｓｔ－犳ｌｏｃａｌ＿ｂｅｓｔ（８）ξ犻＝烅行随机距离，ＲａｎｄｏｍＶａｌｕｅ为搜索距离犳ｌｏｃａｌ＿ｂｅｓｔ≠犳ｇｌｏｂａｌ＿ｂｅｓｔ烄犡犻＝Ｘ＿ａｘｉｓ＋ＲａｎｄｏｍＶａｌｕｅ烆ｒａｎｄ（－１，１），犳犻＝犳ｌｏｃａｌ＿ｂｅｓｔ烅（１）λ烆犢犻＝Ｙ＿ａｘｉｓ＋ＲａｎｄｏｍＶａｌｕｅ烄（犜ｍａｘ－狋）－ｅｘｔｒｅｍｕｍ烌狋ａｖｇ３）由于无法得知食物位置，因此，先估计与原点ψ犻＝（９）犜ｍａｘ之距离Ｄｉｓｔ，再计算味道浓度判定值犛，此值为距犻犻烆狋ａｖｇ烎离之倒数式中：犚为最小探测距离，犚为最大探测距离，ｍｉｎｍａｘ２２参数、λ为常数，Ｒａｎｄｏｍ是一个随机数，犜为最Ｄｉｓｔ犻＝槡犡犻＋犢犻（２）βｍａｘ犛犻＝１／Ｄｉｓｔ犻（３）大迭代次数，狋为当前全局迭代次数，狋ｌｏｃａｌ为陷入局部４）将味道浓度判定值犛犻代入味道浓度判定函极值点之后重新开始搜索的迭代次数，狋ａｖｇ为搜索到数（或称为适应度函数Ｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎ），用来求出一次极值点需要迭代的平均次数，ｅｘｔｒｅｍｕｍ为当前果蝇个体位置的味道浓度Ｓｍｅｌｌ。已经搜索到极值点的次数。犳为当前迭代狋ｌｏｃａｌ＿ｂｅｓｔｌｏｃａｌＳｍｅｌｌ犻＝Ｆｕｎｃｔｉｏｎ（犛犻）（４）次中找到的局部最优目标函数值，犳犻为当前目标函５）找出该果蝇群体中味道浓度最佳的果蝇（适数值，犳ｇｌｏｂａｌ＿ｂｅｓｔ为当前全局最优目标函数值。用于最小化问题）在改进的果蝇优化算法（ＭＦＦＯＡ）中，全局最［ｂｅｓｔＳｍｅｌｌｂｅｓｔｉｎｄｅｘ］＝ｍｉｎ（Ｓｍｅｌｌ犻）（５）优引导因子ψ犻引导果蝇群对食物源在全局空间的６）记录并保留最佳味道浓度值ｂｅｓｔＳｍｅｌｌ与其搜索趋势，ψ犻在迭代初期取值较大，目的是引导果蝇犡、犢坐标，这时候果蝇群体利用视觉向该位置够覆盖全局空间，寻找可能存在全局最优值的区域，飞去；提高算法的全局搜索能力；在迭代中期，的值逐渐ψ犻烄Ｓｍｅｌｌｂｅｓｔ＝ｂｅｓｔＳｍｅｌｌ变小，目的是加强果蝇对局部区域内的搜索精度，避烅Ｘ＿ａｘｉｓ＝犡（ｂｅｓｔｉｎｄｅｘ）（６）免由于搜索半径过大导致果蝇错过全局最优值，经烆Ｙ＿ａｘｉｓ＝犢（ｂｅｓｔｉｎｄｅｘ）过这个阶段的探索，全局最优值基本已经确定；在迭７）进入迭代寻优，重复执行步骤２）～５），并判代后期，ψ犻又将逐渐变大，避免迭代后期果蝇群的断最佳味道浓度是否优于前一迭代最佳味道浓度，趋同性导致无法跳出当前搜索区域，无法探索到新并且当前迭代次数小于最大迭代数Ｍａｘｇｅｎ，若是则的全局最优值。区域尺度调节因子主要用于控制ξ犻执行步骤６）。在区域内果蝇搜索的尺度，在区域探索的迭代初期，根据ＦＦＯＡ的原理可知，果蝇在迭代寻优过程取值较大，接近１，有利于尽量开拓搜索空间；在区ξ犻中只向当前最优的果蝇个体学习，这种学习方式在域搜索迭代后期，犳越来越接近犳，愈发接犻ｌｏｃａｌ＿ｂｅｓｔξ犻进化后期使果蝇之间具有强烈的趋同性，基本丧失近于０，随之果蝇的搜索半径也越小，局部区域的探 ５６土木建筑与环境工程第４０卷索精度也越高。与使ＭＦＦＯＡ算法在迭代初期果蝇在犖２欧式空间上飞翔随机距离。ψ犻ξ犻具备较强的全局搜索能力，能够尽可能多地发现全４）计算并比较果蝇个体的味道浓度值。根据果局最优候选解；在迭代中期具备较强的局部搜索能蝇的坐标值计算ＫＥＬＭ的核参数，应用ＫＥＬＭ对力，提高算法的计算精度和收敛速度；在迭代后期，训练样本进行故障分类，将ＫＥＬＭ分类结果的正确能够在全局范围内查漏补缺，寻找漏网的最优解，克率作为该果蝇的味道浓度值。服传统ＦＦＯＡ算法迭代速度慢，易陷入局部极值的５）选取最优果蝇位置。根据式（５）选取果蝇群缺陷。里中味道浓度值最优的果蝇，并将最优果蝇的味道１．３基于犕犉犉犗犃的犓犈犔犕供水管网故障诊断浓度值ＧＳｍｅｌｌＢｅｓｔ以及最优果蝇位置模型ＧＳｅｍｌｌＬｏｃａｔｉｏｎ记入Ｓｍｅｌｌｂｅｓｔ与Ｘ＿ａｘｉｓ。选择ＫＥＬＭ作为供水管网故障诊断模型的核６）果蝇群飞翔。以当前最优果蝇位置Ｘ＿ａｘｉｓ心算法，但在实验过程中发现，ＫＥＬＭ的学习性能为中心，果蝇个体根据式（７）随机飞翔。并依据步骤和泛化能力受到核参数的影响，这一点在文献［２２］４）中方法计算各果蝇的味道浓度值，比较并记录其中的也有提及。为了提高ＫＥＬＭ的分类准确性，有中最优的果蝇味道浓度值ＧＳｍｅｌｌＢｅｓｔ和位置必要对核参数进行优化。为此，尝试应用ＭＦＦＯＡＧＳｅｍｌｌＬｏｃａｔｉｏｎ。对ＫＥＬＭ中的核参数进行调优，建立基于ＭＦＦＯＡ７）更新最优味道浓度值及其位置。比较和ＫＥＬＭ供水管网故障诊断模型，模型处理流程如ＧＳｍｅｌｌＢｅｓｔ与Ｓｍｅｌｌｂｅｓｔ，若ＧＳｍｅｌｌＢｅｓｔ优于图１所示。Ｓｍｅｌｌｂｅｓｔ，则将Ｓｍｅｌｌｂｅｓｔ的值更新为ＧＳｍｅｌｌＢｅｓｔ，并更新Ｘ＿ａｘｉｓ值为ＧＳｅｍｌｌＬｏｃａｔｉｏｎ。８）迭代判断。若最优味道浓度值大于等于设定的训练目标或迭代次数超过最大允许迭代次数则训练终止，执行下一步，否则更新ＭＦＦＯＡ中最小探测距离、最大探测距离等相关参数数据，并跳转到步骤６）继续迭代。９）根据Ｘ＿ａｘｉｓ值计算得到ＫＥＬＭ的最优核参数，并以此建立ＭＦＦＯＡＫＥＬＭ供水管网故障诊断模型。１．４实例验证以文献［２３］中建立的管网为例，对ＭＦＦＯＡＫＥＬＭ供水管网故障诊断模型的有效性进行验证，供水管网结构如图２所示，图中犔为长度，单位为图１故障诊断流程图ｍ；犇为管径，单位为ｃｍ。由于管网规模相对较小，犉犻犵．１犉犪狌犾狋犱犻犪犵狀狅狊犻狊同时出现２个或２个以上管段发生爆管故障的概率模型具体实施步骤为：较低，因此，仅考虑只有一个管段出现爆管故障的情况，假定图２中标示的７个管段为易爆管段，在易爆１）数据预处理。诊断模型的输入数据为供水管网故障发生后各监测点的水压值，为了避免量纲的管段中间设置虚节点模拟爆点，每个爆点分别设计影响，对各监测点水压数据参照式（１０）进行归一化５种爆管程度，共设计４２组试验方案，其中３５组实处理。同时将故障位置与故障程度进行统一编码。验方案所得数据为训练数据，剩余７组所得数据为狓′（狓ｍｉｎ）／（狓ｍａｘｍｉｎ）（１０）测试数据。为了便于分析，对３５组用于模型训练的犻犼＝犻犼－狓犼犼－狓犼２）ＭＦＦＯＡ参数初始化。初始化果蝇群体规模试验方案所得数据进行统一编号，并将此十进制编ＳｉｚｅＰｏｐ、最大迭代数Ｍａｘｇｅｎ、最大飞翔半径犚ｍａｘ、号作为诊断模型中学习样本的输出数据。表中各测最小飞翔半径犚等值；设定最佳味道浓度值点数据为爆管前后监测点的水压变化值归一化之后ｍｉｎＳｍｅｌｌｂｅｓｔ＝０，最佳浓度值位置坐标Ｘ＿ａｘｉｓ＝（０，的数值，具体数据见原文献。用于测试诊断模型效０）。果的７组实验方案所得数据见原文献，其数据编码３）果蝇个体随机飞翔。根据式（１），果蝇群中各模式与训练数据一致。 第２期李栋，等：面向故障诊断的供水管网水压监测点优化布置方法５７练，并依据诊断准确率来判断这些候选监测点是否可以作为正式的候选监测点方案。当管网的节点数量为犖时，可选方案数量为Ｎｕｍｂｅｒｓ，Ｎｕｍｂｅｒｓ的值如式（１０）所示。当犖值较大时，Ｎｕｍｂｅｒｓ将为一个庞大的数值，因此，故障诊断模型的训练时间也是水压监测点优化选择方法中选择何种故障诊断模型需要考虑的一个重要因素。于是对３类模型的学习时间进行了统计，具体结果见表１。由表中各模型的训练时间可知，ＭＦＦＯＡＫＥＬＭ模型训练时间优于ＰＳＯＳＶＭ模型２个数量级，优于ＧＡＢＰＮＮ模型６个数量级。由此可见，基于ＭＦＦＯＡＫＥＬＭ供图２实验管网１水管网故障诊断模型是一个高效的供水管网诊断模犉犻犵．２犖狅．１犲狓狆犲狉犻犿犲狀狋犪犾狆犻狆犲狀犲狋狑狅狉犽型，可以将其作为供水管网水压监测点优化布置方为了更好地分析ＭＦＦＯＡＫＥＬＭ诊断模型的法中的故障诊断子模型使用。效果，设计了２个对比模型：１）基于粒子群和支持向Ｎｕｍｂｅｒｓ＝犆１２…＋犆狀（１０）狀＋犆狀＋狀［２３］量机的ＰＳＯＳＶＭ供水管网故障诊断模型；２）基于遗传算法和ＢＰ神经网络的ＧＡＢＰＮＮ供水管网２面向故障诊断的供水管网监测点优故障诊断模型。这３个模型均通过Ｍａｔｌａｂ语言编化布置方法写代码进行了实现。各模型运行中主要参数设置２．１面向离散有限空间的果蝇优化算法为：１）该模型的迭代次数１００、种群规模３００、核函数传统的ＦＦＯＡ是用于连续空间最优值搜寻，其选择ｐｏｌｙｋｅｒｎｅｌ；２）ＰＳＯＳＶＭ诊断模型迭代次数飞行方式及飞行空间不受限制，而此种飞行方式不［２３］１００、种群规模３００、核函数选择径向基函数ＲＢＦ；适用于有空间限制的离散空间搜索，因此，需要对果３）ＧＡＢＰＮＮ诊断模型的最大迭代次数１００、群体规蝇优化算法中果蝇的搜索空间、飞行行为以及适应模１００、交叉率为０．７、变异率为０．０１。各模型训练度求解方法做适当修改。与测试结果如表１所示。１）搜索空间修改。设果蝇群搜索食物空间为一表１各种模型的计算结果对比个犖犖的欧式空间，其中犖为待选水压监测点的总犜犪犫犾犲１犆狅犿狆犪狉犻狊狅狀犳狅狉狋犺犲犮犪犾犮狌犾犪狋犻狅狀狉犲狊狌犾狋狊狅犳狏犪狉犻狅狌狊犿狅犱犲犾狊数。不失一般性，果蝇犻的位置犡（狓，狓，…，犻＝犻１犻２模型训练准确率／％测试准确率／％训练时间／ｓ狓犻犕），任意元素狓犻犼的取值范围为｛１，…，犖｝，犕为果ＭＦＦＯＡＫＥＬＭ１００４２．８６０．０３蝇坐标的维数，可理解为最少监测点的个数，该值在ＰＳＯＳＶＭ１００２８．５７４．８９进化过程中会不断优化减少。ＧＡＢＰＮＮ１００４２．８６１５４９０．８６２）飞行行为重新定义。设果蝇犻的当前位置为由表１可知，各模型训练样本分类准确率均为犡犻＝（狓犻１，狓犻２，…，狓犻犕），狓犻犼∈｛１，…，犖｝，即狓犻犼只能在此范围内取值，其中犖表示的待选水压监测点的１００％，说明各模型均具备良好的分类性能，但从测总数，犚表示一次飞行的最大距离，即群半径；飞行试样本的准确率来看，ＭＦＦＯＡＫＥＬＭ模型与ＧＡ行为Θ（犡，犕，犚）表示果蝇犡在每一维空间当前位ＢＰＮＮ模型相较于ＰＳＯＳＶＭ模型对于测试样本的犻犻置狓向前飞行狉＝狘犚·ｒａｎｄ｜，ｒａｎｄ∈［－１，１］，狓分类正确率更高，说明这两个模型的泛化能力相对犻犼犻犼的位置坐标可更新为狓（狓）％犖＋１，其中更好（注：由于在训练样本量有限，一种故障类型只犻犼＝犻犼＋狉［２４］有一个训练样本，这使得诊断模型对于各故障类型“％”表示求余运算。的学习不够充分，也就导致了各模型对于测试样本３）味道浓度值、维度值求解方法。果蝇犡犻经飞的分类准确率均不高）。行行为之后，其坐标数值将发生变化，需要根据其新在水压监测点优化布置方法中要不断从众多节坐标计算犡犻的味道浓度值Ｓｍｅｌｌ犻与维度值点中选择部分节点作为候选监测点方案，需要使用Ｄｉｍｅｎｓｉｏｎ犻，计算方法为：将果蝇犡犻的坐标值按照由故障诊断模型来对这些监测点的数据进行学习训小到大的次序进行排序；将序列中的重复值进行合 ５８土木建筑与环境工程第４０卷并，经合并之后的果蝇犡坐标序列值由犕维减小定最佳味道浓度值Ｓｍｅｌｌｂｅｓｔ＝０，最佳浓度值位置犻犻到犕′维，犕′值即为果蝇犡的维度值犕犻犻犻烇烉烋坐标Ｘ＿ａｘｉｓ＝（０，０，…，０）。Ｄｉｍｅｎｓｉｏｎ犻（注：犕′犻值即为犡犻对应监测点的个数）。２）果蝇群中各果蝇执行一次“飞行行为”。坐标序列中的那些不重复的值就是供水管网故障诊３）根据味道浓度值与维度值计算方法求得果蝇断监测点布置待选方案，一只果蝇对应一个待选方犡犻的味道浓度值Ｓｍｅｌｌ犻以及维度值Ｄｉｍｅｎｓｉｏｎ犻。案；将待选方案选中监测点的监测数据使用４）依据优选原则对果蝇群体进行排序，根据式ＭＦＦＯＡＫＥＬＭ方法进行训练，将其分类准确率作（９）找出本次迭代果蝇群体中味道浓度最佳的果蝇。为果蝇犡的味道浓度值。犻５）将ｂｅｓｔＳｍｅｌｌ与Ｓｍｅｌｌｂｅｓｔ进行比较，若４）优选原则设计。以每一只果蝇的味道浓度值ｂｅｓｔＳｍｅｌｌ大于Ｓｍｅｌｌｂｅｓｔ，则更新Ｓｍｅｌｌｂｅｓｔ＝Ｓｍｅｌｌ为主要关键字按照由大到小的顺序对果蝇排ｂｅｓｔＳｍｅｌｌ，并将Ｘ＿ａｘｉｓ更新为ｂｅｓｔＳｍｅｌｌ的坐标。序，当多个果蝇存在味道浓度值相同时，则以维度值６）判断迭代次数ｇｅｎ≤Ｍａｘｇｅｎ是否成立，若不Ｄｉｍｅｎｓｉｏｎ为次要关键字按照由小到大进行排序。成立，则跳出迭代，执行下一步；若成立，则以Ｘ＿ａｘｉｓ在排序结果中选择分类准确率最优，且维度值最小为起点执行步骤２）。的那只果蝇作为本轮迭代的最优果蝇。７）返回Ｘ＿ａｘｉｓ，并依据Ｘ＿ａｘｉｓ坐标值计算得到２．２供水管网监测点优化布置方法设计最优水压监测点布置。已有的面向故障诊断的供水管网监测点优化布２．３算例及分析置方法主要根据经验选择监测点的位置，再通过监为了验证提出的供水管网故障诊断监测点优化测数据对监测点选择是否合理进行验证，在监测点布置方法的有效性，以文献［２５］提出的管网为例进位置选择时，对于经济性原则考虑不够充分。而笔行分析。管网结构如图４所示，图中犔为长度，单位者提出的面向故障诊断的供水管网监测点优化布置为ｍ；犇为管径，单位为ｍ。方法则以监测点布置的经济性（监控点最少）和有效性（准确判断故障位置与故障程度）为基本原则，以数据为驱动，以智能优化算法为手段，确定最优的监测点布置方案。供水管网故障诊断监测点优化布置方法具体流程如图３所示，具体步骤为图４实验管网２犉犻犵．４犖狅．２犈狓狆犲狉犻犿犲狀狋犪犾狆犻狆犲狀犲狋狑狅狉犽当供水管网中各节点出现漏水１０％、２０％、５０％、１００％的故障时，各节点压力数据见文献［２５］。为了便于分析，参考文献［２２］将节点漏水故障进行了分级，将１０％漏水故障定为１级，２０％漏水故障定为２级，将５０％漏水故障定为３级，将１００％漏水故障定为４级。为了便于分析，使用前文中提到的故障编号方法，将漏水位置、漏水级别结合起来形成图３监测点优化布置流程图故障编码，将十进制编号作为供水管网故障诊断监犉犻犵．３犗狆狋犻犿犪犾犾犪狔狅狌狋犳犾狅狑狅犳狑犪狋犲狉狆狉犲狊狊狌狉犲犿狅狀犻狋狅狉犻狀犵狆狅犻狀狋狊测点优化布置方法中计算果蝇味道浓度时学习样本１）初始化果蝇群体规模ＳｉｚｅＰｏｐ、最大迭代数的输出数据。经过重新编码后的数据如表２所示。Ｍａｘｇｅｎ、最大飞翔半径犚ｍａｘ、最小飞翔半径犚ｍｉｎ，设（注：由于数据量较大，部分数据省略）。 第２期李栋，等：面向故障诊断的供水管网水压监测点优化布置方法５９表２数据编码结果表够在较短时间内寻找到供水管网中适合的监测点布犜犪犫犾犲２犇犪狋犪犮狅犱犻狀犵狋犪犫犾犲置方案，同时，该方案具有良好的经济性。而基于实验方案输入数据输出数据ＰＳＯ供水管网故障诊断监测点优化布置模型的收漏损敛速度较慢，其收敛结果也不够理想。位置２３…１７编码级别表３各种方法寻优结果对比２１２８．３１２５．６７…２２．３３１犜犪犫犾犲３犆狅犿狆犪狉犻狊狅狀狅犳狏犪狉犻狅狌狊犿犲狋犺狅犱狊２２２８．２９２５．６５…２２．３１２监测点方案监故障识别方法２３２８．２１２５．６１…２２．２８３数量测点号准确率／％２４２８．０９２５．５３…２２．２１４５、１３、１５本文方法３１００（９６．８８）３１２８．３２２５．６４…２２．３５（５、１２）…………………基于ＰＳＯ的供水管网故障５、９、１１、１３、１５５１００（９８．４４）１７４２８．２１２５．３２…２１．３９６４诊断监测点优化布置方法（５、９、１１、１３）注：第１列中２～１７为漏损节点号，第１行中２～１７为压力节点号。文献［２５］提出５、７、９、１２、１５、１７１００｜１００６的方法（７、９、１２）（９８．４４｜９６．８８）为了更好地比较分析基于ＦＦＯＡ的供水管网注：文献［２５］中只给出了７、９、１２方案，５、７、９、１２、１５、１７方案是为故障诊断监测点优化布置方法的效果，构建了２个了满足故障识别率达到１００％根据文献［２５］的筛选原则得到的对比方法：１）基于ＰＳＯ的供水管网故障诊断监测点水压监测点方案。在文献［２５］中只给出了方案监测点号，并未优化布置方法，在该方法中故障诊断模型使用的是给出故障识别准确率，为了便于比较表中的识别准确率是分别ＰＳＯＳＶＭ故障诊断模型；２）另外一个对比模型是采用ＭＦＦＯＡＫＬＥＭ模型和ＰＳＯＳＶＭ模型计算得到，其中“｜”基于ＧＡ供水管网故障诊断监测点优化布置方法，之前为ＭＦＦＯＡＫＬＥＭ计算结果，“｜”之后为ＰＳＯＳＶＭ计算结在该方法中故障诊断模型也是ＧＡＢＰＮＮ故障诊断果。模型。但在实验过程中发现，基于ＧＡ的供水管网表３进一步将基于ＦＦＯＡ供水管网故障诊断故障诊断监测点优化布置方法在长时间运行后水压监测点优化布置方法与基于ＰＳＯ供水管网故障诊监测点数仍无法有效收敛，因此，最终将该模型排除断监测点优化布置方法、文献［２５］中得出的方案进在对比模型之外。为了便于比较，优化布置方法与行了比较。可以看出，基于ＦＦＯＡ供水管网故障诊基于ＰＳＯ供水管网故障诊断监测点优化布置方法断监测点优化布置模型（需要３个测压点）要优于后的主要运行参数均取同一值，迭代次数均为５０，种两者（分别需要５和６个监测点），其经济性在准确群规模均为１００。两方法以表２数据为样本进行训率要求１００％的情况下分别提高了６６．７％和１００％。练与测试，结果如表３所示。而在准确率要求为９５％的情况下，其经济性分别提由图５中收敛曲线可知，基于ＦＦＯＡ供水管网高了１００％和５０％。除此之外，表３还对同一测压故障诊断监测点优化布置方法的收敛速度更快，能方案采用不同诊断模型的诊断正确率进行了计算比较，发现ＭＦＦＯＡＫＬＥＭ模型的诊断总体准确率要优于ＰＳＯＳＶＭ模型，从而进一步验证了ＭＦＦＯＡＫＬＥＭ故障诊断模型的优越性。总而言之，基于ＦＦＯＡ供水管网故障诊断监测点优化布置方法是一个有效的供水管网故障诊断监测点优化布置方法。３结论１）为了提高供水管网故障诊断的效率，采用改进果蝇优化算法和核极限学习机构建了基于ＭＦＦＯＡＫＥＬＭ的供水管网故障监测模型，并在实验管网中对该模型的有效性进行了检验。结果表图５果蝇优化算法监测点位置寻优过程明，该模型能够将供水管网中的故障进行正确识别，犉犻犵．５犉犉犗犃犳狅狉犿狅狀犻狋狅狉犻狀犵狆狅犻狀狋狊且运行时间较短，是一种高效的供水管网故障诊断 ６０土木建筑与环境工程第４０卷模型。ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１５，２）以往的供水管网监测点优化布置主要面向供２１（５）：６４０６４７．（ｉｎＣｈｉｎｅｓｅ）水调度，在面向故障监测方面的研究相对较少，且历［８］ＭＥＩＥＲＲＷ，ＢＡＲＫＤＯＬＬＢＤ．Ｓａｍｐｌｉｎｇｄｅｓｉｇｎｆｏｒｎｅｔｗｏｒｋｍｏｄｅｌｃａｌｉｂｒａｔｉｏｎｕｓｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ［Ｊ］．史研究成果中对于监测点经济性的考虑不够深入。ＪｏｕｒｎａｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓＰｌａｎｎｉｎｇａｎｄＭａｎａｇｅｍｅｎｔ，以此为契机，使用面向离散空间的果蝇优化算法，并２０００，１２７（４）：２７０２７９．结合基于ＭＦＦＯＡＫＥＬＭ的供水管网故障监测模［９］ＤＥＳＣＨＡＥＴＺＥＮＷＢＦ，ＷＡＬＴＥＲＳＧＡ，ＳＡＶＩＣＤ型，设计了供水管网故障诊断的监测点的优化布置Ａ．Ｏｐｔｉｍａｌｓａｍｐｌｉｎｇｆｏｒｍｏｄｅｌｃａｌｉｂｒａｔｉｏｎｕｓｉｎｇ方法，通过该方法筛选到的监测点数量少（经济性）ｓｈｏｒｔｅｓｔｐａｔｈｇｅｎｅｔｉｃａｎｄｅｎｔｒｙａｌｇｏｒｉｔｈｍ［Ｊ］．Ｕｒｂａｎ且故障识别率佳。Ｗａｔｅｒ，２０００，２（２）：１４１１５２．［１０］ＫＡＰＥＬＡＮＺ，ＳＡＶＩＣＤＡ，ＷＡＬＴＥＲＳＧＡ．Ｏｐｔｉｍａｌ参考文献：ｓａｍｐｌｉｎｇｄｅｓｉｇｎｍｅｔｈｏｄｏｌｏｇｉｅｓｆｏｒｗａｔｅｒｄｉｓｔｒｉｂｕｔｉｏｎ［１］ＡＢＲＡＨＡＭＥ，ＳＴＯＩＡＮＯＶＩ．Ｓｐａｒｓｅｎｕｌｌｓｐａｃｅｍｏｄｅｌｃａｌｉｂｒａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒａｕｌｉｃａｌｇｏｒｉｔｈｍｓｆｏｒｈｙｄｒａｕｌｉｃａｎａｌｙｓｉｓｏｆｌａｒｇｅｓｃａｌｅｗａｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＡＳＣＥ，２００５，１３１（３）：１９０２００．ｓｕｐｐｌｙｎｅｔｗｏｒｋｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒａｕｌｉｃ［１１］ＫＡＮＧＤ，ＬＡＮＳＥＹＫ．ＯｐｔｉｍａｌｍｅｔｅｒｐｌａｃｅｍｅｎｔｆｏｒＥｎｇｉｎｅｅｒｉｎｇ，２０１６，１４２（３）：９９．ｗａｔｅｒｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍｓｔａｔｅｅｓｔｉｍａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ［２］黄廷林，丛海兵．给水管网测压点优化布置的模糊聚ｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓＰｌａｎｎｉｎｇａｎｄＭａｎａｇｅｍｅｎｔ，２０１０，类法［Ｊ］．中国给水排水，２００１，１７（１１）：５０５２．１３６（３）：３３７３４７．ＨＵＡＮＧＴＬ，ＣＯＮＧＨＢ．Ｔｈｅｆｕｚｚｙｅｄｃｌｕｓｔｅｒｉｎｇｏｎ［１２］ＫＡＮＧＤ，ＰＡＲＳＨＡＭＦＫ，ＬＡＮＳＥＹＫ．ｔｈｅｏｐｔｉｍｉｚａｔｉｏｎａｒｒａｎｇｅｍｅｔｆｏｒｐｒｅｓｓｕｒｅｍｏｎｉｔｏｒｉｎｇＡｐｐｒｏｘｉｍａｔｅｍｅｔｈｏｄｓｆｏｒｕｎｃｅｒｔａｉｎｔｙａｎａｌｙｓｉｓｏｆｗａｔｅｒｐｏｉｎｔｓｏｆｗａｔｅｒｓｕｐｐｌｙｎｅｔｗｏｒｋ［Ｊ］．ＣｈｉｎａＷａｔｅｒ＆ｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍｓ［Ｊ］．ＵｒｂａｎＷａｔｅｒ，２００９，６（３）：Ｗａｓｔｅｗａｔｅｒ，２００１，１７（１１）：５０５２．（ｉｎＣｈｉｎｅｓｅ）２３３２４９．［３］ＲＡＴＨＮＡＹＡＫＡＳ，ＳＨＡＮＮＯＮＢ，ＲＡＪＥＥＶＰ，ｅｔ［１３］刘书明，王欢欢，徐鹏，等．多目标大规模供水管网监测ａｌ．Ｍｏｎｉｔｏｒｉｎｇｏｆｐｒｅｓｓｕｒｅｔｒａｎｓｉｅｎｔｓｉｎｗａｔｅｒｓｕｐｐｌｙ点的优化选址［Ｊ］．清华大学学报（自然科学版），ｎｅｔｗｏｒｋｓ［Ｊ］．ＷａｔｅｒＲｅｓｏｕｒｃｅｓＭａｎａｇｅｍｅｎｔ，２０１５２０１３，５３（１）：７８８３．（２）：１１５．ＬＩＵＳＭ，ＷＡＮＧＨＨ，ＸＵＰ，ｅｔａｌ．Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ［４］ＰＩＥＴＲＵＣＨＡＵＲＢＡＮＩＫＫ．Ａｓｓｅｓｓｍｅｎｔａｎｄａｎａｌｙｓｉｓｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓｆｏｒｏｐｔｉｍａｌｍｏｎｉｔｏｒｉｎｇｓｔａｔｉｏｎｏｆｐｒｏｐｅｒｗａｔｅｒｓｕｐｐｌｙｓｙｓｔｅｍｆｕｎｃｔｉｏｎｉｎｇ［Ｊ］．ｐｌａｃｅｍｅｎｔｉｎｌａｒｇｅｗａｔｅｒｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍｓ［Ｊ］．ＡｕｓｔｒａｌｉａｎＪｏｕｒｎａｌｏｆＥａｒｔｈＳｃｉｅｎｃｅｓ，２０１４，３８（４）：ＪｏｕｒｎａｌｏｆＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ（Ｓｃｉｅｎｃｅａｎｄ４０９４２３．Ｔｅｃｈｎｏｌｏｇｙ），２０１３，５３（１）：７８８３．（ｉｎＣｈｉｎｅｓｅ）［５］ＹＡＮＧＪ，ＸＵＺ，ＫＯＮＧＹ．Ｃｈａｏｓｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄ［１４］金溪，曾小平，高金良，等．利用遗传算法进行供水管ｐｒｅｄｉｃｔｉｏｎｏｆｐｒｅｓｓｕｒｅｔｉｍｅｓｅｒｉｅｓｉｎｗａｔｅｒｓｕｐｐｌｙ网压力监测点优化布置［Ｊ］．给水排水，２００７，３３ｎｅｔｗｏｒｋ［Ｃ］／／ＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ，ＩＥＥＥ，２０１４：（Ｓｕｐ）：３４６３４９．６５３３６５３８．ＪＩＮＸ，ＺＥＮＧＸＰ，ＧＡＯＪＬ，ｅｔａｌ．Ｏｐｔｉｍａｌｌｏｃａｔｉｎｇ［６］王伟哲，郄志红，刘美侠，等．基于改进遗传算法的供水ｏｆｐｒｅｓｓｕｒｅｍｏｎｉｔｏｒｉｎｇｓｔａｔｉｏｎｉｎｗａｔｅｒｄｉｓｔｒｉｂｕｔｉｏｎ管网故障监测点布置优化［Ｊ］．水力发电学报，２０１２，３１ｓｙｓｔｅｍｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．Ｗａｔｅｒａｎｄ（１）：１５１９．Ｗａｓｔｅｗａｔｅｒ，２００７，３３（Ｓｕｐ）：３４６３４９．（ｉｎＣｈｉｎｅｓｅ）ＷＡＮＧＷＺ，ＱＩＥＺＨ，ＬＩＵＭＸ，ｅｔａｌ．Ｏｐｔｉｍｉｚｅｄ［１５］许刚，张土乔，吕谋．基于灵敏度分析和蚁群算法的管ａｒｒａｎｇｅｍｅｎｔｏｆｆａｕｌｔｍｏｎｉｔｏｒｓｅｎｓｏｒｓｏｆｗａｔｅｒｓｕｐｐｌｙ网监测点优化选择［Ｊ］．中国给水排水，２００７，２３（１１）：ｎｅｔｗｏｒｋｂｙｉｍｐｒｏｖｅｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．Ｊｏｕｒｎａｌｏｆ９４１０１．ＨｙｄｒｏｅｌｅｃｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇ，２０１２，３１（１）：１５１９．（ｉｎＸＵＧ，ＺＨＡＮＧＴＱ，ＬＶＭ．ＯｐｔｉｍｉｚｅｄｌｏｃａｔｉｏｎｏｆＣｈｉｎｅｓｅ）ｍｏｎｉｔｏｒｉｎｇｐｏｉｎｔｓｆｏｒｗａｔｅｒｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍｂａｓｅｄ［７］陈玲俐，庄维坦，何欣．基于信息最大化准则的供水管ｏｎｓｅｎｓｉｔｉｖｉｔｙａｎａｌｙｓｉｓａｎｄａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ［Ｊ］．网压力监测点布置［Ｊ］．上海大学学报（自然科学版），ＣｈｉｎａＷａｔｅｒ＆Ｗａｓｔｅｗａｔｅｒ，２００７，２３（１１）：９４１０１．２０１５，２１（５）：６４０６４７．（ｉｎＣｈｉｎｅｓｅ）ＣＨＥＮＬＬ，ＺＨＵＡＮＧＷＴ，ＨＥＸ．Ｌａｙｏｕｔｏｆ［１６］潘红芳，刘爱伦．小波核极限学习机及其在醋酸精馏ｍｏｎｉｔｏｒｉｎｇｐｏｉｎｔｓｉｎｗａｔｅｒｓｕｐｐｌｙｎｅｔｗｏｒｋｂａｓｅｄｏｎ软测量建模中的应用［Ｊ］．华东理工大学学报（自然科ｉｎｆｏｒｍａｔｉｏｎｍａｘｉｍｉｚａｔｉｏｎｃｒｉｔｅｒｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌｏｆ学版），２０１４，４０（４）：４７４４８０． 第２期李栋，等：面向故障诊断的供水管网水压监测点优化布置方法６１ＰＡＮＨＦ，ＬＩＵＡＬ．Ｗａｖｅｌｅｔｋｅｒｎｅｌｅｘｔｒｅｍｅｌｅａｒｎｉｎｇ２０９．（ｉｎＣｈｉｎｅｓｅ）ｍａｃｈｉｎｅａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｓｏｆｔｓｅｎｓｏｒｍｏｄｅｌｉｎｇｏｆ［２２］李军，李大超．基于优化核极限学习机的风电功率时间ａｎｉｎｄｕｓｔｒｉａｌａｃｅｔｉｃａｃｉｄｄｉｓｔｉｌｌａｔｉｏｎｓｙｓｔｅｍ［Ｊ］．Ｊｏｕｒｎａｌ序列预测［Ｊ］．物理学报，２０１６，６５（１３）：３９４８．ｏｆＥａｓｔＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＬＩＪ，ＬＩＤＣ．Ｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｐｒｅｄｉｃｔｉｏｎｕｓｉｎｇ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１４，４０（４）：４７４４８０．（ｉｎｏｐｔｉｍｉｚｅｄｋｅｒｎｅｌｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅｍｅｔｈｏｄ［Ｊ］．Ｃｈｉｎｅｓｅ）ＡｃｔａＰｈｙｓｉｃａＳｉｎｉｃａ，２０１６，６５（１３）：３９４８．（ｉｎ［１７］ＨＵＡＮＧＧＢ，ＺＨＵＱＹ，ＳＩＥＷＣＫ．ＥｘｔｒｅｍｅＣｈｉｎｅｓｅ）ｌｅａｒｎｉｎｇｍａｃｈｉｎｅ：Ｔｈｅｏｒｙａｎｄａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．［２３］李楠楠，郄志红，古田均．供水管网爆管故障诊断的Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００６，７０（１／２／３）：４８９５０１．ＰＳＯＳＶＭ方法［Ｊ］．系统工程理论与实践，２０１２，３２［１８］陈绍炜，柳光峰，冶帅．基于核极限学习机的模拟电路（９）：２１０４２１１０．故障诊断研究［Ｊ］．西北工业大学学报，２０１５，３３（２）：ＬＩＮＮ，ＱＩＥＺＨ，ＦＵＲＵＴＡＨ．ＰＳＯＳＶＭｍｏｄｅｌｆｏｒ２９０２９４．ｐｉｐｅｂｕｒｓｔｉｎｇｄｉａｇｎｏｓｉｓｏｆｗａｔｅｒｓｕｐｐｌｙｎｅｔｗｏｒｋ［Ｊ］．ＣＨＥＮＳＷ，ＬＩＵＧＦ，ＹＥＳ．ＡｍｅｔｈｏｄｏｆｆａｕｌｔＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇＴｈｅｏｒｙ＆Ｐｒａｃｔｉｃｅ，２０１２，３２（９）：ｄｉａｇｎｏｓｉｓｆｏｒａｎａｌｏｇｃｉｒｃｕｉｔｂａｓｅｄｏｎＫＥＬＭ［Ｊ］．２１０４２１１０．（ｉｎＣｈｉｎｅｓｅ）ＪｏｕｒｎａｌｏｆＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，［２４］李栋，张文宇．求解０１背包问题的双子群果蝇优化算２０１５，３３（２）：２９０２９４．（ｉｎＣｈｉｎｅｓｅ）法［Ｊ］．计算机应用研究，２０１５，３２（１１）：３２７３３２７７．［１９］ＨＵＡＮＧＧＢ，ＺＨＯＵＨＭ，ＤＩＮＧＸＪ，ｅｔａｌ．ＬＩＤ，ＺＨＡＮＧＷＹ．ＤｏｕｂｌｅｓｕｂｇｒｏｕｐｓｆｒｕｉｔｆｌｙＬｅａｒｎｉｎｇｍａｃｈｉｎｅｆｏｒｒｅｇｒｅｓｓｉｏｎａｎｄｍｕｌｔｉｃｌａｓｓｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｓｏｌｖｉｎｇ０１ｋｎａｐｓａｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓｔｅｍｓ，ｐｒｏｂｌｅｍ［Ｊ］．ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ，２０１２，４２（２）：５１３５２９．２０１５，３２（１１）：３２７３３２７７．（ｉｎＣｈｉｎｅｓｅ）［２０］ＰＡＮＷＣ．Ａｎｅｗｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ：［２５］梁建文，肖笛，张宏伟，等．供水管网健康监测的压力Ｔａｋｉｎｇｔｈｅｆｉｎａｎｃｉａｌｄｉｓｔｒｅｓｓｍｏｄｅｌａｓａｎｅｘａｍｐｌｅ［Ｊ］．监测点优化布置［Ｊ］．防灾减灾工程学报，２０１３，３３ＫｎｏｗｌｅｄｇｅＢａｓｅｄＳｙｓｔｅｍｓ，２０１２，２６（２）：６９７４．（Ｓｕｐ１）：５１５７．［２１］徐龙琴，李乾川，刘双印，等．基于集合经验模态分解和人工蜂群算法的工厂化养殖ｐＨ值预测［Ｊ］．农业工ＬＩＡＮＧＪＷ，ＸＩＡＯＤ，ＺＨＡＮＧＨＷ，ｅｔａｌ．Ｏｐｔｉｍａｌ程学报，２０１６，３２（３）：２０２２０９．ｍｏｎｉｔｏｒｉｎｇｏｆｐｒｅｓｓｕｒｅｉｎｗａｔｅｒｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍｆｏｒＸＵＬＱ，ＬＩＱＣ，ＬＩＵＳＹ，ｅｔａｌ．ＰｒｅｄｉｃｔｉｏｎｏｆｐＨｈｅａｌｔｈｍｏｎｉｔｏｒｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＤｉｓａｓｔｅｒＰｒｅｖｅｎｔｉｏｎｖａｌｕｅｉｎｉｎｄｕｓｔｒｉａｌｉｚｅｄａｑｕａｃｕｌｔｕｒｅｂａｓｅｄｏｎｅｎｓｅｍｂｌｅａｎｄＭｉｔｉｇａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，２０１３，３３（Ｓｕｐ１）：５１５７．ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｉｍｐｒｏｖｅｄａｒｔｉｆｉｃｉａｌ（ｉｎＣｈｉｎｅｓｅ）ｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１６，３２（３）：２０２（编辑胡英奎）'