Page 61 - 202004期

The Management of underground pipelineanagement of underground pipeline
The M

音样本在特征坐标轴所形成的的特征空间中 3 数据量化
都是一个点。从漏水声音最基本的两个特征
由于传统漏水检测工作对人依赖程度
频率与声强入手，利用这两个特征坐标轴可
非常高，检测中使用的数据也都为人服务，加
以构建出一个二维坐标系，所有漏水声音样
入了很多人的主观的、模糊的评价。人可以靠
本在坐标系上分布，我们可以很轻易的找到
重复性的操作从这些模糊的数据中掌握漏水
坐标系中漏点声音的点和非漏点声音的点的
声音的规律，但机器是无法从中的到有效信
存在规律。如果再加上一个管道压力特征坐
息的。数据量化就是梳理分类出影响漏水声
标轴，二维坐标系变成了三维坐标系，再做判
音的各种因素，统一度量标准，标准化计量仪
断就要费一番脑筋了；要是再加上一个管道
器，并将它们采集为具体的数据，为下一步机
材质特征，变成了四维特征空间，恐怕只有少
器学习提供数据基础。
数人可以想象出来；那么把所有影响漏水声
3.1 数据分类
音的特征都加上，特征空间变成了一个更为
我们将影响漏水声音的数据分为三大
复杂的高维空间，人类的思维很难在想象出
类，第一类为直接数据，即漏水声音声强与频
高维空间的样貌，更不要说找到空间中这些
率；第二类为间接数据，即管径，漏量，管道
点的分布规律，这就是为什么我们很难描述 材质等影响漏水声音的间接特征；第三类为

漏水点的声音。 提供给机器学习的标签数据，数值为采集点
2.2 利用机器学习解决复杂问题 与漏水点的距离：该数据需要在采集时做好

机器学习可以不去求解漏水声音在其 标记，并在开挖维修时时采集具体数值。由于

特征空间中的分布规律，而可以直接给出新 该数据将作为机器学习的标签数据，其精绝
声音样本是否是漏水点的分类判断，而且判 度直接影响到对分类判断，所以应将该数据

断的正确率可以远高于人，如果样本足够大、 精确到毫米。
足够准确，这个正确率可以趋近于百分之百。 3.2 数据采集

但要想让机器像人一样学习，必须解决两个 虽然本文把数据采集放在了一个二级类

新的问题，一是、人在检测的时候得到的是 目，篇幅也不是很大，但并不是说数据采集不
漏水声的特征，这些特征对机器来说是没有 重要，恰恰相反，数据采集在我们所探讨的基

意义的，必须将这些特征量化，变成数据才 于数据和机器学习的智慧测漏工作模式中占

能被机器所接受；二是、人工通过大脑进行 有着最重要的位置。机器学习是机器根据数
学习和经验积累，而机器需要找到合适的数 据自动做出决策的过程，机器学习的主体称

据模型框架算法进行训练，我们将通过接下 为数据模型，数据模型并不是由人搭建起来

来的“数据量化”和“机器学习”两节逐一 的，而是由数据与数据模型框架算法共同作
解决。 用的结果。经验表明，数据集的质和量，与数

2020年第4期 47