面向故障診斷的供水管網(wǎng)水壓監(jiān)測點優(yōu)化布置方法

李棟 薛惠鋒 張文宇

摘要：為解決供水管網(wǎng)故障診斷中準確率不高、經(jīng)濟性不佳的問題，設計了一個基于改進的果蠅優(yōu)化算法核極限學習機的供水管網(wǎng)故障診斷模型，經(jīng)驗證該模型具有學習速度快、故障識別率高等優(yōu)點。以該模型為核心提出了基于果蠅優(yōu)化算法的供水管網(wǎng)水壓監(jiān)測點優(yōu)化布置方法。該方法首先利用果蠅優(yōu)化算法形成多組水壓監(jiān)測點方案，然后用供水管網(wǎng)故障診斷模型計算每種方案的診斷準確率，選擇其中診斷準確率最高、經(jīng)濟性最好的方案作為候選最優(yōu)方案，并以此方案為基礎，使用果蠅優(yōu)化算法不斷循環(huán)迭代，最終找到故障診斷準確率高且經(jīng)濟性最好的水壓監(jiān)測點布置方案。編制Matlab語言代碼對提出供水管網(wǎng)水壓監(jiān)測點優(yōu)化布置方法進行了編碼實現(xiàn)，使用實際管網(wǎng)數(shù)據(jù)進行了實驗，發(fā)現(xiàn)提出的供水管網(wǎng)水壓監(jiān)測點優(yōu)化布置方法是一個有效的水壓監(jiān)測點優(yōu)化布置方法。

關鍵詞：供水；故障診斷；優(yōu)化布置；核極限學習機；果蠅優(yōu)化算法

中圖分類號：TU991.33 文獻標志碼：A文章編號：16744764（2018）02005309

收稿日期：20170417

基金項目：國家自然科學基金（U1501253）

作者簡介：李棟（1981），副教授，博士生，主要從事智慧水務、智能計算研究，Email： ddli1009@126.com。

Received：20170417

Foundation item：National Natural Science Foundation of China （No. U1501253）

Author brief：Li Dong （1981 ）， associate professor， PhD candidate， main research interests：， Email： ddli1009@126.com.Optimal layout method of water pressure monitoring points for

water supply network based on fault diagnosis

Li Dong1， Xue Huifeng1，2， Zhang Wenyu3

（1. School of Automation， Northwestern Polytechnical University， Xi'an 710072， P. R. China；

2. China Academy of Aerospace Systems Science and Engineering， Beijing 100048， P. R. China；

3. School of Economics and Management， Xian University of Posts and Telecommunications， Xi'an 710061， P. R. China）

Abstract：To improve the accuracy and economy of fault diagnosis， the layout method of water pressure monitoring points is proposed. Firstly， a fault diagnosis model of water supply network is designed by using Modified Fruit Fly Optimization Algorithm （MFFOA） and Kernel Extreme Learning Machine （KELM）. The experimental results show that the fault diagnosis model has the advantages of fast training speed and high accuracy. Then， based on the Fruit Fly Optimization Algorithm （FFOA） and the fault diagnosis model which is proposed in this paper， a water pressure monitoring point layout method is designed. In the method， firstly a set of water pressure detection points is formed by FFOA. Then， the diagnostic accuracy of each scheme is calculated by the fault diagnosis model and the scheme which the diagnosis accuracy is highest and economy is best is chosen to be the candidate optimal program. After that， FFOA algorithm is used to iterate and find the optimal layout of water pressure monitoring solution which has the best accuracy and best economic performance. Finally， the proposed method which is realized is tested by the actual pipe network data. The results show that the method presented in this paper is an effective method to optimize the water pressure monitoring points. Comparing with other methods， the accuracy and economy of fault diagnosis are improved obviously.

Keywords：water supply；fault diagnosis；optimal layout；kernel extreme learning machine；fruit fly optimization algorithm

水壓是全面掌握供水管網(wǎng)運行狀態(tài)及對整個供水系統(tǒng)實施正確調(diào)度的重要參數(shù)[12]，通過布置水壓監(jiān)測點監(jiān)測水壓實時變化，對供水管網(wǎng)進行優(yōu)化調(diào)度和故障診斷，正在成為復雜供水系統(tǒng)運行管理的必然趨勢[35]。理論上水壓監(jiān)測點越多越好，但監(jiān)測點過多會導致投資過高，因此，如何在監(jiān)測點有限的前提下，對其位置進行優(yōu)化布置，使其發(fā)揮最大作用是許多學者致力研究的重要問題[6]。

目前，已經(jīng)提出許多監(jiān)測點優(yōu)化布置方法，根據(jù)其設計原理的不同可以分為兩大類。一類是以聚類分析[2]、信息量最大化[7]等理論為基礎的監(jiān)測點優(yōu)化布置方法，這些方法所確定的監(jiān)測點主要用于正常工況下的運行調(diào)度，在故障診斷中應用較少，有效性尚未被證實。另外一類方法是以遺傳算法、蟻群算法等智能優(yōu)化方法為手段的監(jiān)測點優(yōu)化布置方法。水壓監(jiān)測點布置在本質(zhì)上屬于優(yōu)化問題[7]。Meier等[8]首次將遺傳算法引入到測壓點優(yōu)化布置的問題中，其優(yōu)選結(jié)果明顯優(yōu)于傳統(tǒng)的經(jīng)驗方法。隨后，Schaetzen等[9]、Kapelan等[10]以及Kang等[1112]、劉書明等[13]對Meier的算法進行了改進，取得了一定的效果。金溪等[14]和許剛等[15]分別將遺傳算法和蟻群算法引入監(jiān)測點優(yōu)化選址問題中，但并未關注供水管網(wǎng)中的水量變化和滲漏分析。由此可見，目前在水壓監(jiān)測點優(yōu)化布置研究領域，側(cè)重點主要集中在如何通過聚類、智能優(yōu)化方法等方法和工具，按照人為設定的篩選原則選擇出代表性節(jié)點，對于篩選出的監(jiān)測點是否可以有效診斷管網(wǎng)故障的討論較少。在設定篩選原則時，較少從經(jīng)濟性角度考慮。

在基于水壓監(jiān)測點優(yōu)化布置的研究中，主要需要解決如何在供水管網(wǎng)滲漏故障診斷精度滿足要求（最高）的條件下投入的水壓監(jiān)測點最少（經(jīng)濟性）。而這個問題可以進一步分解為2個子問題。問題1：如何設計一個高效的供水管網(wǎng)故障診斷模型，使其能夠在有限數(shù)據(jù)下快速精確定位故障位置和故障程度；問題2：如何設計一種高效的監(jiān)測點選擇方法，使其能夠在眾多節(jié)點中選擇出數(shù)量少、位置佳的監(jiān)測點。只有在兩個問題都兼顧解決的條件下才能有效解決供水管網(wǎng)監(jiān)測點優(yōu)化布置的經(jīng)濟性問題。從解決這2個子問題的角度入手，設計了一個面向故障診斷的水壓監(jiān)測點優(yōu)化布置方法，該方法主要思想是：首先是利用核極限學習機（Kernel Extreme Learning Machine，KELM）建立一個基于改進的果蠅優(yōu)化算法（Modified Fruit Fly Optimization Algorithm，MFFOA）和核極限學習機的故障診斷模型，接著以該模型為基礎，應用面向離散空間的果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm，F(xiàn)FOA）篩選出滿足水壓監(jiān)測點少、故障識別效果優(yōu)的水壓監(jiān)測點的布置方案，從而實現(xiàn)對供水管網(wǎng)水壓監(jiān)測點的優(yōu)化布置。

第2期 李棟，等：面向故障診斷的供水管網(wǎng)水壓監(jiān)測點優(yōu)化布置方法1基于MFFOAKLEM的供水管網(wǎng)故

障診斷模型1.1核極限學習機

傳統(tǒng)的機器學習算法，如BP神經(jīng)網(wǎng)絡算法和支持向量機，已經(jīng)在供水管網(wǎng)故障診斷分析中取得了一定的應用，然而BP神經(jīng)網(wǎng)絡和支持向量機都存在著一些難以克服的缺陷，如：學習速度慢[16]、需要設置參數(shù)多等。ELM（Extreme Learning Machine， ELM）[17]作為一種新興的學習算法，能夠克服BP神經(jīng)網(wǎng)絡和SVM的缺點。ELM算法是2006年由Huang等提出的一種新型單隱層前饋神經(jīng)網(wǎng)絡模型，由于其無需反復調(diào)整隱層參數(shù)，并將傳統(tǒng)單隱層前饋神經(jīng)網(wǎng)絡參數(shù)訓練問題轉(zhuǎn)化為求解線性方程組，利用求得的最小范數(shù)最小二乘解作為網(wǎng)絡輸出權值，整個訓練過程一次完成[18]。與其他機器學習算法相比，ELM具有學習速度快、便于實施、不需要太多人為干預、魯棒性更好等優(yōu)點[16]。但由于ELM在學習過程中其初始權值隨機設定，沒有訓練優(yōu)化過程，這會造成算法性能的不穩(wěn)定，Huang等[19]又提出了基于核函數(shù)的極限學習機（KELM），將SVM中核函數(shù)的思想運用到ELM中，提高了算法的學習速度，算法的精度以及泛化能力也得到了提升。KELM基本原理參見文獻[19]。

1.2果蠅優(yōu)化算法

果蠅優(yōu)化算法（FFOA）是由Pan[20]于2011年依據(jù)果蠅覓食行為推演出的一種全新的尋求全局最優(yōu)的新方法。相較于粒子群、魚群等群體智能優(yōu)化算法，F(xiàn)FOA具有參數(shù)設置少（只有種群大小和最大迭代次數(shù)2個參數(shù)），運算速度快且易于實現(xiàn)等優(yōu)點。FFOA的流程為[20]

1）給定群體規(guī)模SizePop、最大迭代數(shù)Maxgen，隨機初始化果蠅群體位置X_axis、Y_axis；

2）果蠅個體利用嗅覺搜尋食物，向隨機方向飛行隨機距離，RandomValue為搜索距離Xi=X_axis+RandomValue

Yi=Y_axis+RandomValue （1）3）由于無法得知食物位置，因此，先估計與原點之距離Disti，再計算味道濃度判定值Si，此值為距離之倒數(shù)Disti=X2i+Y2i（2）

Si=1/Disti（3）4）將味道濃度判定值Si代入味道濃度判定函數(shù)（或稱為適應度函數(shù)Fitness function），用來求出果蠅個體位置的味道濃度Smell。Smelli=Function（Si）（4）5）找出該果蠅群體中味道濃度最佳的果蠅（適用于最小化問題）[bestSmellbestindex]=min（Smelli）（5）6）記錄并保留最佳味道濃度值bestSmell與其X、Y坐標，這時候果蠅群體利用視覺向該位置飛去；Smellbest=bestSmell

X_axis=X（bestindex）

Y_axis=Y（bestindex）（6）7）進入迭代尋優(yōu)，重復執(zhí)行步驟2）～5），并判斷最佳味道濃度是否優(yōu)于前一迭代最佳味道濃度，并且當前迭代次數(shù)小于最大迭代數(shù)Maxgen，若是則執(zhí)行步驟6）。

根據(jù)FFOA的原理可知，果蠅在迭代尋優(yōu)過程中只向當前最優(yōu)的果蠅個體學習，這種學習方式在進化后期使果蠅之間具有強烈的趨同性，基本喪失了果蠅群體的多樣性，該搜索和選擇機制容易造成FFOA算法陷入局部極值，從而帶來FFOA的早熟收斂問題，制約了FFOA算法的廣泛應用。

為了彌補標準FFOA算法存在的易陷入局部極值的缺陷，借鑒人工蜂群速度食物源位置優(yōu)化策略[21]，通過引入全局引導因子和局部尺度調(diào)節(jié)因子改進果蠅搜索食物的策略，平衡了FFOA算法局部搜索和全局搜索的性能，使改進的FFOA算法具備動態(tài)調(diào)節(jié)搜索半徑的能力，有利于提高算法的搜索精度，加快算法收斂速度。其食物源位置更新改進計算式為Xi=X_axis+Rmin+（Rmax-Rmin）ξiψiRandom（7）式中：ξi為局部尺度調(diào)節(jié)因子、Ψi為全局調(diào)節(jié)因子。ξi=1tlocal×1-fi-flocal_bestfglobal_best-flocal_bestβ，

flocal_best≠fglobal_best

rand（-1，1），fi=flocal_best （8）

ψi=（Tmax-ttavg）-extremumTmaxtavgλ（9）式中：Rmin為最小探測距離，Rmax為最大探測距離，參數(shù)β、λ為常數(shù)，Random是一個隨機數(shù)，Tmax為最大迭代次數(shù)，t為當前全局迭代次數(shù)，tlocal為陷入局部極值點之后重新開始搜索的迭代次數(shù)，tavg為搜索到一次極值點需要迭代的平均次數(shù)，extremum為當前已經(jīng)搜索到極值點的次數(shù)。flocal_best為當前迭代tlocal次中找到的局部最優(yōu)目標函數(shù)值，fi為當前目標函數(shù)值，fglobal_best為當前全局最優(yōu)目標函數(shù)值。

在改進的果蠅優(yōu)化算法（MFFOA）中，全局最優(yōu)引導因子ψi引導果蠅群對食物源在全局空間的搜索趨勢，ψi在迭代初期取值較大，目的是引導果蠅夠覆蓋全局空間，尋找可能存在全局最優(yōu)值的區(qū)域，提高算法的全局搜索能力；在迭代中期，ψi的值逐漸變小，目的是加強果蠅對局部區(qū)域內(nèi)的搜索精度，避免由于搜索半徑過大導致果蠅錯過全局最優(yōu)值，經(jīng)過這個階段的探索，全局最優(yōu)值基本已經(jīng)確定；在迭代后期，ψi又將逐漸變大，避免迭代后期果蠅群的趨同性導致無法跳出當前搜索區(qū)域，無法探索到新的全局最優(yōu)值。區(qū)域尺度調(diào)節(jié)因子ξi主要用于控制在區(qū)域內(nèi)果蠅搜索的尺度，在區(qū)域探索的迭代初期，ξi取值較大，接近1，有利于盡量開拓搜索空間；在區(qū)域搜索迭代后期，fi越來越接近flocal_best，ξi愈發(fā)接近于0，隨之果蠅的搜索半徑也越小，局部區(qū)域的探索精度也越高。ψi與ξi使MFFOA算法在迭代初期具備較強的全局搜索能力，能夠盡可能多地發(fā)現(xiàn)全局最優(yōu)候選解；在迭代中期具備較強的局部搜索能力，提高算法的計算精度和收斂速度；在迭代后期，能夠在全局范圍內(nèi)查漏補缺，尋找漏網(wǎng)的最優(yōu)解，克服傳統(tǒng)FFOA算法迭代速度慢，易陷入局部極值的缺陷。

1.3基于MFFOA的KELM供水管網(wǎng)故障診斷模型

選擇KELM作為供水管網(wǎng)故障診斷模型的核心算法，但在實驗過程中發(fā)現(xiàn)，KELM的學習性能和泛化能力受到核參數(shù)的影響，這一點在文獻[22]中的也有提及。為了提高KELM的分類準確性，有必要對核參數(shù)進行優(yōu)化。為此，嘗試應用MFFOA對KELM中的核參數(shù)進行調(diào)優(yōu)，建立基于MFFOA和KELM供水管網(wǎng)故障診斷模型，模型處理流程如圖1所示。

圖1故障診斷流程圖

Fig.1Fault diagnosis模型具體實施步驟為：

1）數(shù)據(jù)預處理。診斷模型的輸入數(shù)據(jù)為供水管網(wǎng)故障發(fā)生后各監(jiān)測點的水壓值，為了避免量綱的影響，對各監(jiān)測點水壓數(shù)據(jù)參照式（10）進行歸一化處理。同時將故障位置與故障程度進行統(tǒng)一編碼。x′ij=（xij-xminj）/（xmaxj-xminj）（10）2）MFFOA參數(shù)初始化。初始化果蠅群體規(guī)模SizePop、最大迭代數(shù)Maxgen、最大飛翔半徑Rmax、最小飛翔半徑Rmin等值；設定最佳味道濃度值Smellbest=0，最佳濃度值位置坐標X_axis=（0，0）。

3）果蠅個體隨機飛翔。根據(jù)式（1），果蠅群中各果蠅在N∧2歐式空間上飛翔隨機距離。

4）計算并比較果蠅個體的味道濃度值。根據(jù)果蠅的坐標值計算KELM的核參數(shù)，應用KELM對訓練樣本進行故障分類，將KELM分類結(jié)果的正確率作為該果蠅的味道濃度值。

5）選取最優(yōu)果蠅位置。根據(jù)式（5）選取果蠅群里中味道濃度值最優(yōu)的果蠅，并將最優(yōu)果蠅的味道濃度值GSmellBest以及最優(yōu)果蠅位置GSemllLocation記入Smellbest與X_axis。

6）果蠅群飛翔。以當前最優(yōu)果蠅位置X_axis為中心，果蠅個體根據(jù)式（7）隨機飛翔。并依據(jù)步驟4）中方法計算各果蠅的味道濃度值，比較并記錄其中最優(yōu)的果蠅味道濃度值GSmellBest和位置GSemllLocation。

7）更新最優(yōu)味道濃度值及其位置。比較GSmellBest與Smellbest，若GSmellBest優(yōu)于Smellbest，則將Smellbest的值更新為GSmellBest，并更新X_axis值為GSemllLocation。

8）迭代判斷。若最優(yōu)味道濃度值大于等于設定的訓練目標或迭代次數(shù)超過最大允許迭代次數(shù)則訓練終止，執(zhí)行下一步，否則更新MFFOA中最小探測距離、最大探測距離等相關參數(shù)數(shù)據(jù)，并跳轉(zhuǎn)到步驟6）繼續(xù)迭代。

9）根據(jù)X_axis值計算得到KELM的最優(yōu)核參數(shù)，并以此建立MFFOAKELM供水管網(wǎng)故障診斷模型。

1.4實例驗證

以文獻[23]中建立的管網(wǎng)為例，對MFFOAKELM供水管網(wǎng)故障診斷模型的有效性進行驗證，供水管網(wǎng)結(jié)構(gòu)如圖2所示，圖中L為長度，單位為m；D為管徑，單位為cm。由于管網(wǎng)規(guī)模相對較小，同時出現(xiàn)2個或2個以上管段發(fā)生爆管故障的概率較低，因此，僅考慮只有一個管段出現(xiàn)爆管故障的情況，假定圖2中標示的7個管段為易爆管段，在易爆管段中間設置虛節(jié)點模擬爆點，每個爆點分別設計5種爆管程度，共設計42組試驗方案，其中35組實驗方案所得數(shù)據(jù)為訓練數(shù)據(jù)，剩余7組所得數(shù)據(jù)為測試數(shù)據(jù)。為了便于分析，對35組用于模型訓練的試驗方案所得數(shù)據(jù)進行統(tǒng)一編號，并將此十進制編號作為診斷模型中學習樣本的輸出數(shù)據(jù)。表中各測點數(shù)據(jù)為爆管前后監(jiān)測點的水壓變化值歸一化之后的數(shù)值，具體數(shù)據(jù)見原文獻。用于測試診斷模型效果的7組實驗方案所得數(shù)據(jù)見原文獻，其數(shù)據(jù)編碼模式與訓練數(shù)據(jù)一致。

圖2實驗管網(wǎng)1

Fig.2No.1 experimental pipe network為了更好地分析MFFOAKELM診斷模型的效果，設計了2個對比模型：1）基于粒子群和支持向量機的PSOSVM供水管網(wǎng)故障診斷模型[23]；2）基于遺傳算法和BP神經(jīng)網(wǎng)絡的GABPNN供水管網(wǎng)故障診斷模型。這3個模型均通過Matlab語言編寫代碼進行了實現(xiàn)。各模型運行中主要參數(shù)設置為：1）該模型的迭代次數(shù)100、種群規(guī)模300、核函數(shù)選擇poly kernel；2）PSOSVM診斷模型迭代次數(shù)100、種群規(guī)模300、核函數(shù)選擇徑向基函數(shù)RBF[23]；3）GABPNN診斷模型的最大迭代次數(shù)100、群體規(guī)模100、交叉率為0.7、變異率為0.01。各模型訓練與測試結(jié)果如表1所示。表1各種模型的計算結(jié)果對比

Table 1Comparison for the calculation results of various models模型訓練準確率/%測試準確率/%訓練時間/sMFFOAKELM10042.860.03PSOSVM10028.574.89GABPNN10042.8615 490.86

由表1可知，各模型訓練樣本分類準確率均為100%，說明各模型均具備良好的分類性能，但從測試樣本的準確率來看，MFFOAKELM模型與GABPNN模型相較于PSOSVM模型對于測試樣本的分類正確率更高，說明這兩個模型的泛化能力相對更好（注：由于在訓練樣本量有限，一種故障類型只有一個訓練樣本，這使得診斷模型對于各故障類型的學習不夠充分，也就導致了各模型對于測試樣本的分類準確率均不高）。

在水壓監(jiān)測點優(yōu)化布置方法中要不斷從眾多節(jié)點中選擇部分節(jié)點作為候選監(jiān)測點方案，需要使用故障診斷模型來對這些監(jiān)測點的數(shù)據(jù)進行學習訓練，并依據(jù)診斷準確率來判斷這些候選監(jiān)測點是否可以作為正式的候選監(jiān)測點方案。當管網(wǎng)的節(jié)點數(shù)量為N時，可選方案數(shù)量為Numbers，Numbers的值如式（10）所示。當N值較大時，Numbers將為一個龐大的數(shù)值，因此，故障診斷模型的訓練時間也是水壓監(jiān)測點優(yōu)化選擇方法中選擇何種故障診斷模型需要考慮的一個重要因素。于是對3類模型的學習時間進行了統(tǒng)計，具體結(jié)果見表1。由表中各模型的訓練時間可知，MFFOAKELM模型訓練時間優(yōu)于PSOSVM模型2個數(shù)量級，優(yōu)于GABPNN模型6個數(shù)量級。由此可見，基于MFFOAKELM供水管網(wǎng)故障診斷模型是一個高效的供水管網(wǎng)診斷模型，可以將其作為供水管網(wǎng)水壓監(jiān)測點優(yōu)化布置方法中的故障診斷子模型使用。Numbers=C1n+C2n+…+Cnn （10）2面向故障診斷的供水管網(wǎng)監(jiān)測點優(yōu)

化布置方法2.1面向離散有限空間的果蠅優(yōu)化算法

傳統(tǒng)的FFOA是用于連續(xù)空間最優(yōu)值搜尋，其飛行方式及飛行空間不受限制，而此種飛行方式不適用于有空間限制的離散空間搜索，因此，需要對果蠅優(yōu)化算法中果蠅的搜索空間、飛行行為以及適應度求解方法做適當修改。

1）搜索空間修改。設果蠅群搜索食物空間為一個N∧N的歐式空間，其中N為待選水壓監(jiān)測點的總數(shù)。不失一般性，果蠅i的位置Xi=（xi1，xi2，…，xiM），任意元素xij的取值范圍為{1，…，N}，M為果蠅坐標的維數(shù)，可理解為最少監(jiān)測點的個數(shù)，該值在進化過程中會不斷優(yōu)化減少。

2）飛行行為重新定義。設果蠅i的當前位置為Xi=（xi1，xi2，…，xiM），xij∈{1，…，N}，即xij只能在此范圍內(nèi)取值，其中N表示的待選水壓監(jiān)測點的總數(shù)，R表示一次飛行的最大距離，即群半徑；飛行行為Θ（Xi，M，R）表示果蠅Xi在每一維空間當前位置xij向前飛行r=|R·rand|，rand∈[-1，1]，xij的位置坐標可更新為xij=（xij+r）%N+1，其中“%”表示求余運算[24]。

3）味道濃度值、維度值求解方法。果蠅Xi經(jīng)飛行行為之后，其坐標數(shù)值將發(fā)生變化，需要根據(jù)其新坐標計算Xi的味道濃度值Smelli與維度值Dimensioni，計算方法為：將果蠅Xi的坐標值按照由小到大的次序進行排序；將序列中的重復值進行合并，經(jīng)合并之后的果蠅Xi坐標序列值由Mi維減小到M′i維，M′i值即為果蠅Xi的維度值Dimensioni（注：M′i值即為Xi對應監(jiān)測點的個數(shù)）。坐標序列中的那些不重復的值就是供水管網(wǎng)故障診斷監(jiān)測點布置待選方案，一只果蠅對應一個待選方案；將待選方案選中監(jiān)測點的監(jiān)測數(shù)據(jù)使用MFFOAKELM方法進行訓練，將其分類準確率作為果蠅Xi的味道濃度值。

4）優(yōu)選原則設計。以每一只果蠅的味道濃度值Smell為主要關鍵字按照由大到小的順序?qū)壟判颍敹鄠€果蠅存在味道濃度值相同時，則以維度值Dimension為次要關鍵字按照由小到大進行排序。在排序結(jié)果中選擇分類準確率最優(yōu)，且維度值最小的那只果蠅作為本輪迭代的最優(yōu)果蠅。

2.2供水管網(wǎng)監(jiān)測點優(yōu)化布置方法設計

已有的面向故障診斷的供水管網(wǎng)監(jiān)測點優(yōu)化布置方法主要根據(jù)經(jīng)驗選擇監(jiān)測點的位置，再通過監(jiān)測數(shù)據(jù)對監(jiān)測點選擇是否合理進行驗證，在監(jiān)測點位置選擇時，對于經(jīng)濟性原則考慮不夠充分。而筆者提出的面向故障診斷的供水管網(wǎng)監(jiān)測點優(yōu)化布置方法則以監(jiān)測點布置的經(jīng)濟性（監(jiān)控點最少）和有效性（準確判斷故障位置與故障程度）為基本原則，以數(shù)據(jù)為驅(qū)動，以智能優(yōu)化算法為手段，確定最優(yōu)的監(jiān)測點布置方案。供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法具體流程如圖3所示，具體步驟為

圖3監(jiān)測點優(yōu)化布置流程圖

Fig.3Optimal layout flow of water pressure monitoring points1）初始化果蠅群體規(guī)模SizePop、最大迭代數(shù)Maxgen、最大飛翔半徑Rmax、最小飛翔半徑Rmin，設定最佳味道濃度值Smellbest=0，最佳濃度值位置坐標X_axis=（0，0，…，0M）。

2）果蠅群中各果蠅執(zhí)行一次“飛行行為”。

3）根據(jù)味道濃度值與維度值計算方法求得果蠅Xi的味道濃度值Smelli以及維度值Dimensioni。

4）依據(jù)優(yōu)選原則對果蠅群體進行排序，根據(jù)式（9）找出本次迭代果蠅群體中味道濃度最佳的果蠅。

5）將bestSmell與Smellbest進行比較，若bestSmell大于Smellbest，則更新Smellbest=bestSmell，并將X_axis更新為bestSmell的坐標。

6）判斷迭代次數(shù)gen≤Maxgen是否成立，若不成立，則跳出迭代，執(zhí)行下一步；若成立，則以X_axis為起點執(zhí)行步驟2）。

7）返回X_axis，并依據(jù)X_axis坐標值計算得到最優(yōu)水壓監(jiān)測點布置。

2.3算例及分析

為了驗證提出的供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法的有效性，以文獻[25]提出的管網(wǎng)為例進行分析。管網(wǎng)結(jié)構(gòu)如圖4所示，圖中L為長度，單位為m；D為管徑，單位為m。

圖4實驗管網(wǎng)2

Fig.4No.2 Experimental pipe network當供水管網(wǎng)中各節(jié)點出現(xiàn)漏水10%、20%、50%、100%的故障時，各節(jié)點壓力數(shù)據(jù)見文獻[25]。為了便于分析，參考文獻[22]將節(jié)點漏水故障進行了分級，將10%漏水故障定為1級，20%漏水故障定為2級，將50%漏水故障定為3級，將100%漏水故障定為4級。為了便于分析，使用前文中提到的故障編號方法，將漏水位置、漏水級別結(jié)合起來形成故障編碼，將十進制編號作為供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法中計算果蠅味道濃度時學習樣本的輸出數(shù)據(jù)。經(jīng)過重新編碼后的數(shù)據(jù)如表2所示。（注：由于數(shù)據(jù)量較大，部分數(shù)據(jù)省略）。表2數(shù)據(jù)編碼結(jié)果表

Table 2Data coding table實驗方案輸入數(shù)據(jù)輸出數(shù)據(jù)位置漏損

級別23…17編碼2128.3125.67…22.3312228.2925.65…22.3122328.2125.61…22.2832428.0925.53…22.2143128.3225.64…22.35…………………17428.2125.32…21.3964注：第1列中2～17為漏損節(jié)點號，第1行中2～17為壓力節(jié)點號。為了更好地比較分析基于FFOA的供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法的效果，構(gòu)建了2個對比方法：1）基于PSO的供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法，在該方法中故障診斷模型使用的是PSOSVM故障診斷模型；2）另外一個對比模型是基于GA供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法，在該方法中故障診斷模型也是GABPNN故障診斷模型。但在實驗過程中發(fā)現(xiàn)，基于GA的供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法在長時間運行后水壓監(jiān)測點數(shù)仍無法有效收斂，因此，最終將該模型排除在對比模型之外。為了便于比較，優(yōu)化布置方法與基于PSO供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法的主要運行參數(shù)均取同一值，迭代次數(shù)均為50，種群規(guī)模均為100。兩方法以表2數(shù)據(jù)為樣本進行訓練與測試，結(jié)果如表3所示。

圖5果蠅優(yōu)化算法監(jiān)測點位置尋優(yōu)過程

Fig.5FFOA for monitoring points由圖中收斂曲線可知，基于FFOA供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法的收斂速度更快，能夠在較短時間內(nèi)尋找到供水管網(wǎng)中適合的監(jiān)測點布置方案，同時，該方案具有良好的經(jīng)濟性。而基于PSO供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置模型的收斂速度較慢，其收斂結(jié)果也不夠理想。表3各種方法尋優(yōu)結(jié)果對比

Table 3Comparison of various methods方法監(jiān)測點

數(shù)量方案監(jiān)

測點號故障識別

準確率/%本文方法35、13、15

（5、12）100（96.88）基于PSO的供水管網(wǎng)故障

診斷監(jiān)測點優(yōu)化布置方法55、9、11、13、15

（5、9、11、13）100（98.44）文獻[25]提出

的方法65、7、9、12、15、17

（7、9、12）100|100

（98.44|96.88）注：文獻[25]中只給出了7、9、12方案，5、7、9、12、15、17方案是為了滿足故障識別率達到100%根據(jù)文獻[25]的篩選原則得到的水壓監(jiān)測點方案。在文獻[25]中只給出了方案監(jiān)測點號，并未給出故障識別準確率，為了便于比較表中的識別準確率是分別采用MFFOAKLEM模型和PSOSVM模型計算得到，其中“|”之前為MFFOAKLEM計算結(jié)果，“|”之后為PSOSVM計算結(jié)果。表3進一步將基于FFOA供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法與基于PSO供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法、文獻[25]中得出的方案進行了比較?？梢钥闯?，基于FFOA供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置模型（需要3個測壓點）要優(yōu)于后兩者（分別需要5和6個監(jiān)測點），其經(jīng)濟性在準確率要求100%的情況下分別提高了66.7%和100%。而在準確率要求為95%的情況下，其經(jīng)濟性分別提高了100%和50%。除此之外，表3還對同一測壓方案采用不同診斷模型的診斷正確率進行了計算比較，發(fā)現(xiàn)MFFOAKLEM模型的診斷總體準確率要優(yōu)于PSOSVM模型，從而進一步驗證了MFFOAKLEM故障診斷模型的優(yōu)越性?？偠灾?，基于FFOA供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法是一個有效的供水管網(wǎng)故障診斷監(jiān)測點優(yōu)化布置方法。

3結(jié)論

1）為了提高供水管網(wǎng)故障診斷的效率，采用改進果蠅優(yōu)化算法和核極限學習機構(gòu)建了基于MFFOAKELM的供水管網(wǎng)故障監(jiān)測模型，并在實驗管網(wǎng)中對該模型的有效性進行了檢驗。結(jié)果表明，該模型能夠?qū)⒐┧芫W(wǎng)中的故障進行正確識別，且運行時間較短，是一種高效的供水管網(wǎng)故障診斷模型。

2）以往的供水管網(wǎng)監(jiān)測點優(yōu)化布置主要面向供水調(diào)度，在面向故障監(jiān)測方面的研究相對較少，且歷史研究成果中對于監(jiān)測點經(jīng)濟性的考慮不夠深入。以此為契機，使用面向離散空間的果蠅優(yōu)化算法，并結(jié)合基于MFFOAKELM的供水管網(wǎng)故障監(jiān)測模型，設計了供水管網(wǎng)故障診斷的監(jiān)測點的優(yōu)化布置方法，通過該方法篩選到的監(jiān)測點數(shù)量少（經(jīng)濟性）且故障識別率佳。

參考文獻：

[1] ABRAHAM E， STOIANOV I. Sparse null space algorithms for hydraulic analysis of largescale water supply networks [J]. Journal of Hydraulic Engineering， 2016， 142（3）： 99.

[2] 黃廷林， 叢海兵. 給水管網(wǎng)測壓點優(yōu)化布置的模糊聚類法[J]. 中國給水排水，2001，17（11）：5052.

HUANG T L， CONG H B. The fuzzyed clustering on the optimization arrangemet for pressure monitoring points of water supply network [J]. China Water & Wastewater， 2001， 17（11）： 5052.（in Chinese）

[3] RATHNAYAKA S， SHANNON B， RAJEEV P， et al. Monitoring of pressure transients in water supply networks [J]. Water Resources Management， 2015（2）：115.

[4] PIETRUCHAURBANIK K. Assessment and analysis of proper water supply system functioning [J]. Australian Journal of Earth Sciences， 2014， 38（4）： 409423.

[5] YANG J， XU Z， KONG Y. Chaos identification and prediction of pressure time series in water supply network [C]// Control Conference， IEEE， 2014： 65336538.

[6] 王偉哲，郄志紅，劉美俠，等. 基于改進遺傳算法的供水管網(wǎng)故障監(jiān)測點布置優(yōu)化[J]. 水力發(fā)電學報，2012，31（1）：1519.

WANG W Z， QIE Z H， LIU M X， et al. Optimized arrangement of faultmonitor sensors of water supply network by improved genetic algorithm [J]. Journal of Hydroelectric Engineering， 2012， 31（1）： 1519. （in Chinese）

[7] 陳玲俐，莊維坦，何欣. 基于信息最大化準則的供水管網(wǎng)壓力監(jiān)測點布置[J]. 上海大學學報（自然科學版），2015， 21（5）： 640647.

CHEN L L， ZHUANG W T， HE X. Layout of monitoring points in water supply network based on information maximization criterion [J]. Journal of Shanghai University （Natural Science Edition）， 2015， 21（5）： 640647. （in Chinese）

[8] MEIER R W， BARKDOLL B D. Sampling design for network model calibration using genetic algorithms [J]. Journal of Water Resources Planning and Management， 2000， 127（4）： 270279.

[9] DE SCHAETZEN W B F， WALTERS G A， et al. Optimal sampling for model calibration using shortest path genetic and entry algorithm [J]. Urban Water， 2000， 2（2）： 141152.

[10] KAPELAN Z， SAVIC D A， WALTERS G A. Optimal sampling design methodologies for water distribution model calibration [J]. Journal of Hydraulic Engineering，ASCE， 2005， 131（3）： 190200.

[11] KANG D， LANSEY K. Optimal meter placement for water distribution system state estimation [J]. Journal of Water Resources Planning and Management， 2010， 136（3）： 337347.

[12] KANG D， PARSHA M F K， LANSEY K. Approximate methods for uncertainty analysis of water distribution systems [J]. Urban Water， 2009， 6（3）： 233249.

[13] 劉書明，王歡歡，徐鵬，等. 多目標大規(guī)模供水管網(wǎng)監(jiān)測點的優(yōu)化選址[J]. 清華大學學報（自然科學版）， 2013， 53（1）： 7883.

LIU S M， WANG H H， XU P， et al. Multiobjective genetic algorithms for optimal monitoring station placement in large water distribution systems [J]. Journal of Tsinghua University （Science and Technology）， 2013， 53（1）： 7883.（in Chinese）

[14] 金溪， 曾小平， 高金良，等. 利用遺傳算法進行供水管網(wǎng)壓力監(jiān)測點優(yōu)化布置[J]. 給水排水，2007， 33（Sup）： 346349.

JIN X， ZENG X P， GAO J L， et al. Optimal locating of pressure monitoring station in water distribution system based on genetic algorithm[J]. Water and Wastewater， 2007， 33（Sup）： 346349. （in Chinese）

[15] 許剛， 張土喬， 呂謀. 基于靈敏度分析和蟻群算法的管網(wǎng)監(jiān)測點優(yōu)化選擇[J]. 中國給水排水， 2007， 23（11）： 94101.

XU G， ZHANG T Q， LV M. Optimized location of monitoring points for water distribution system based on sensitivity analysis and ant colony algorithm [J]. China Water & Wastewater， 2007， 23（11）： 94101.（in Chinese）

[16] 潘紅芳， 劉愛倫. 小波核極限學習機及其在醋酸精餾軟測量建模中的應用[J]. 華東理工大學學報（自然科學版）， 2014， 40（4）： 474480.

PAN H F， LIU A L. Wavelet kernel extreme learning machine and its application in soft sensor modeling of an industrial acetic acid distillation system [J]. Journal of East China University of Science and Technology （Natural Science Edition）， 2014， 40（4）： 474480. （in Chinese）

[17] HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： Theory and applications [J]. Neurocomputing， 2006， 70（1/2/3）： 489501.

[18] 陳紹煒， 柳光峰， 冶帥. 基于核極限學習機的模擬電路故障診斷研究[J]. 西北工業(yè)大學學報，2015， 33（2）： 290294.

CHEN S W， LIU G F， YE S. A method of fault diagnosis for analog circuit based on KELM [J]. Journal of Northwestern Polytechnical University， 2015， 33（2）： 290294. （in Chinese）

[19] HUANG G B， ZHOU H M， DING X J， et al. Learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems， Man， and Cybernetics， 2012， 42（2）： 513529.

[20] PAN W C. A new fruit fly optimization algorithm： Taking the financial distress model as an example [J]. KnowledgeBased Systems， 2012， 26（2）： 6974.

[21] 徐龍琴， 李乾川， 劉雙印， 等. 基于集合經(jīng)驗模態(tài)分解和人工蜂群算法的工廠化養(yǎng)殖pH值預測[J]. 農(nóng)業(yè)工程學報，2016， 32（3）： 202209.

XU L Q， LI Q C， LIU S Y， et al. Prediction of pH value in industrialized aquaculture based on ensemble empirical mode decomposition and improved artificial bee colony algorithm [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（3）： 202209. （in Chinese）

[22] 李軍，李大超. 基于優(yōu)化核極限學習機的風電功率時間序列預測[J]. 物理學報，2016， 65（13）： 3948.

LI J， LI D C. Wind power time series prediction using optimized kernel extreme learning machine method [J]. Acta Physica Sinica， 2016， 65（13）： 3948. （in Chinese）

[23] 李楠楠，郄志紅，古田均. 供水管網(wǎng)爆管故障診斷的PSOSVM方法[J]. 系統(tǒng)工程理論與實踐，2012， 32（9）： 21042110.

LI N N， QIE Z H， FURUTA H. PSOSVM model for pipe bursting diagnosis of water supply network [J]. Systems EngineeringTheory & Practice， 2012， 32（9）： 21042110. （in Chinese）

[24] 李棟， 張文宇. 求解01背包問題的雙子群果蠅優(yōu)化算法[J]. 計算機應用研究，2015， 32（11）： 32733277.

LI D， ZHANG W Y. Double subgroups fruit fly optimization algorithm for solving 01 knapsack problem [J]. Application Research of Computers， 2015， 32（11）： 32733277. （in Chinese）

[25] 梁建文， 肖笛， 張宏偉，等. 供水管網(wǎng)健康監(jiān)測的壓力監(jiān)測點優(yōu)化布置[J]. 防災減災工程學報，2013， 33（Sup1）： 5157.

LIANG J W， XIAO D， ZHANG H W， et al. Optimal monitoring of pressure in water distribution system for health monitoring [J]. Journal of Disaster Prevention and Mitigation Engineering， 2013， 33（Sup1）： 5157.（in Chinese）