3 系统功能设计与实现
　　3.1 数据采集模块的实现
　　数据采集模块由传感器和无线数据采集器组成，安装在供热管网的阀门井内。压力传感器通过RS-485串口将数据传送到采集器中，缓存数据5分钟后，根据指定的数据帧格式把积累的传感器数据封装成包。然后通过基于TCP/IP协议的GPRS技术，以socket方式向指定IP的服务器上传数据。以一个阀门井的传感器为例，表1为一个数据报文的帧格式。其中报头是区别于其他数据帧的标识，规定0X6C标识有效帧，其余标识都是无效帧;阀门井ID用于区别不同区域的传感器;地址码用于标记数据上传的IP地址;总长度则是整个数据帧的长度;每个阀门井的数据为一个数据包，每个数据包以特定的分割符分割开;最后一个包后存放标识数据包部分结束的标识符;时间记录该数据帧的上传时间;最后一部分为CRC校验码。
　　3.2 数据预处理模块的实现
　　服务器接收到传感器采集的数据后，立即把原始数据存储到数据库中，并针对不同的供热工况区域进行基础数据采集。对于一个工况，首先保留第一组传感器数据，根据公式（3-1）与（3-2）中供水阀源压力值P0、每个检测点的压力值Pi、与该点对应的阻力系数Si和水速Vi的关系分别提取该工况在正常情况下的压降率变化范围矩阵和阻力系数矩阵，这些数据作为这个工况的基础数据保存。为区别工况并提高数据分析的效率，需要对不同工况建立不同的BP神经网络，在数据分析阶段也要采用相应工况的网络。
　　3.3 数据分析模块的实现
　　对采集到的管网压力数据需进行实时数据分析，以此判断热力管道的泄漏状况。BP神经网络作为一种鲁棒性极强的黑盒数据分析算法，对于错综复杂的地下管道有很好的模拟效果。采集的压力数据作为BP神经网络输入，传感器个数为输入节点个数，为了更好地模拟管道情况，BP网络设置一层隐层节点，根据公式（3-3）中输入节点个数n和常数a（0≦a≦9）来确定隐层节点个数m。输出节点的个数与输入层节点个数相等。设定当管道泄漏时输出为1，正常工况输出0，以此原则设置期望输出矩阵训练网络。图3为BP神经网络结构。
　　仅采用BP神经网络算法来进行压力数据的大数据分析将面临一个很难解决的技术问题，那就是如何获得有效的压力数据和期望输出数据来训练BP神经网络。考虑到在系统运行前期缺少历史数据，还需添加压力动态变化来判断泄漏情况的动态计算模式，在监测管道状态的同时训练BP神经网络，在BP神经网络训练完成之后关闭动态计算，通过BP神经网络来分析预测热力管道的泄漏情况。
　　由于数据采集5min/次，为防止前期的动态计算过频报警或者误报，需对动态计算设置合适的时间周期，一个周期后再向用户反馈一次管道情况。进入数据分析后，首先进行参数初始化，然后监听管道压降率数据，如果有待分析数据进来，立即输入一个周期动态分析模型，与热力管网正常工况数据进行比较;如果压降率超过爆管阀值，则退出周期，立即报警并训练BP网络。没有爆管则判断压降率是否超过该工况的泄漏阀值。如果超过阀值，则发出预警、增加泄漏特征参数并修改BP网络;没有超过，则增加正常特征参数并训练BP网络。当一个周期过后，如果出现超出正常压差特征范围的数据则报警，并且用户可以结合这一周期的动态压降率变化图来检验是否泄漏，确定的期望输出数据再次修正训练BP神经网络，直到BP神经网络的预测结果与动态分析结果100%吻合，BP网络训练结束。然后可以关闭动态计算，只用BP神经网络进行数据分析。

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。