CN105868444B - 一种基于特征图像的燃气管网泄漏检测和定位方法 - Google Patents
一种基于特征图像的燃气管网泄漏检测和定位方法 Download PDFInfo
- Publication number
- CN105868444B CN105868444B CN201610171812.1A CN201610171812A CN105868444B CN 105868444 B CN105868444 B CN 105868444B CN 201610171812 A CN201610171812 A CN 201610171812A CN 105868444 B CN105868444 B CN 105868444B
- Authority
- CN
- China
- Prior art keywords
- leakage
- gas ductwork
- gas
- pressure
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明公开一种基于特征图像的燃气管网泄漏检测和定位方法,包括:1、选取燃气管网各节点作为控制点;2、使用离线流体模拟软件Pipeline Studio建立燃气管网仿真模型;3、在燃气管网仿真模型相邻控制点之间的管段上分别设置m个等距离间隔的模拟泄漏点(m≥2);4、根据燃气管网供气量选取n个等间隔的模拟泄漏量;5、将上述n个模拟泄漏量分别输入m个模拟泄漏点,分别对每个工况进行稳态模拟,获取各工况下控制点压力数据;6、制作燃气管网泄漏工况特征图像;7、提取图像特征向量,作为SVM的检测样本;8、SVM多次分类识别。本方法能够比较快速、准确地检测定位泄漏源位置,为应急处置提供依据。
Description
技术领域
本发明涉及燃气管网安全检测技术领域,具体涉及一种基于特征图像的燃气管网泄漏检测和定位方法。
背景技术
随着我国能源结构调整进程的加快,城市燃气管网的建设也在飞速发展。由于燃气的易燃易爆特性,作为燃气输送主要手段的管道的安全性显得尤为重要。在各类安全生产事故中,燃气管道泄漏无疑对人们的生命财产安全构成了巨大威胁,在竭力避免此类事故发生的同时,也要求我们能够尽早定位泄漏点并进行相关处置。
目前,国内外对燃气管道的泄漏检测及定位的研究大多是针对输气、输油的长输管道,然而城市燃气管网一方面与长输管道一样,具有长期使用性、埋地隐蔽性的特点;另一方面由于城市燃气管网在城市中成环状网络分布,形成网络拓扑结构和多管耦合结构,管网中还包括阀门井等附属设施,其泄漏检测定位的难度远高于长输管道。加之城市人口及财产密度较大,以及野蛮施工、私挖乱建对燃气管道造成外力破坏等问题,这使得城市燃气管网的泄漏安全隐患较长输管道更为突出。因此,寻求一种适用于城市燃气管网的高效、准确的泄漏检测定位方法是十分必要的。
燃气管网运行中用气负荷复杂多变,管网运行参数相应波动,其特征具有一定的模糊性。
支持向量机(Support Vector Machine,SVM)是Corinna Cortes和Vapnik等于1995年首先提出的,它在解决小样本、非线性及高维模式识别等机器学习问题中表现出许多特有的优势。在机器学习中,支持向量机是与相关的学习算法有关的监督学习模型,可以分析数据,识别模式,用于分类和回归分析。
SCADA(Supervisory Control and Data Acquisition)系统,即数据采集与监视控制系统日趋完善,它可以对现场的运行设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能。
GIS(Geographic Information System),即地理信息系统,结合地理学与地图学以及遥感和计算机科学,已经广泛的应用在不同的领域,是用于输入、存储、查询、分析和显示地理数据的计算机系统。
燃气管网仿真技术的不断进步,各类水力计算软件不断更新,为模式识别在燃气管网泄漏检测定位中的应用提供了技术条件。
本发明的目的在于提供一种适用于复杂城市燃气管网的泄漏源的较低成本的检测及定位方法,该方法充分利用现有软硬件设施,无需对埋地管道进行开挖,可较为快速、准确地检测定位泄漏源位置,为应急处置提供依据,从而减少因燃气泄漏以及查找泄漏源造成的财产损失,降低安全风险。
发明内容
有鉴于此,本发明提出一种基于特征图像的燃气管网泄漏检测和定位方法,无需对埋地管道进行开挖,可较为快速、准确地检测定位泄漏源位置,为应急处置提供依据,从而减少因燃气泄漏以及查找泄漏源造成的财产损失,降低安全风险。
为实现该技术目的,本发明的技术方案如下:
本发明实现的一种基于特征图像的燃气管网泄漏检测和定位方法,该方法包括:
步骤一:选取燃气管网各节点作为控制点,结合SCADA系统的压力遥测信息,采用多元回归的方法拟合出各控制点宏观模型的数学表达式,从而获取各控制点在时间序列上所对应的运行压力另外若客观条件允许,可在各控制点处直接安装压力变送器,实时获取控制点运行压力;
步骤二:结合燃气管网地理信息,包括路由、管长、管径、壁厚等,使用离线流体模拟软件Pipeline Studio建立燃气管网仿真模型;
步骤三:在燃气管网仿真模型相邻控制点之间的管段上分别设置m个等距离间隔的模拟泄漏点(m≥2),模拟泄漏点设置数量将影响定位精度,设置越多则定位越精确;
步骤四:根据燃气管网供气量选取n个等间隔的模拟泄漏量(如各模拟泄漏量之间相差总供气量的5%),泄漏量间隔选取越密集则使用该方法可检测的泄漏工况越广泛;
步骤五:将上述n个模拟泄漏量分别输入m个模拟泄漏点,得到k×m×n个泄漏工况(其中k为燃气管网所含管段数),输入边界条件,分别对每个工况进行稳态模拟,获取各工况下控制点压力数据;
步骤六:根据各工况下控制点压力数据制作燃气管网泄漏工况特征图像,并分别提取图像特征向量,作为支持向量机(SVM)的训练样本;
步骤七:根据待检测实际运行工况各控制点压力制作燃气管网工况特征图像,并提取图像特征向量,作为SVM的检测样本;
步骤八:根据泄漏量、泄漏点位置等,将训练样本所包含的泄漏工况分类,并为其对应的特征向量赋予相应的分类标签,利用SVM,选取径向基核函数(Radial BasisFunction,RBF),通过粒子群优化算法(Particle Swarm Optimization,PSO)或遗传算法(Genetic Algorithm,GA)对检测样本进行寻优分类,从而实现燃气管网泄漏点定位。基于特征图像的燃气管网泄漏检测和定位方法流程图如图1所示。
所述步骤一中的结合SCADA系统的压力遥测信息,各控制点在时间序列上所对应的运行压力是采用以下多项式,利用多元回归的方法进行拟合的:
p(k)=A·Q(k+1)+C·p(k)
式中——当i=1,2,…,m1时,为第(k+1)时刻第i个储配站的供气压力或储气压力,当i=m1+1,m1+2,…,m1+m2时,为第(k+1)时刻第i个门站的计算供气压力,当i=m1+m2+1,m1+m2+2,…,m1+m2+m3时,为第(k+1)时刻第i个控制点的计算压力;
q(k+1)——第(k+1)时刻预计总用气量;
——当j=1,2,…,m1时,为第(k+1)时刻第j个储配站的出气或进气量,当j=m1+1,m1+2,…,m1+m2时,为第(k+1)时刻第j个门站的供气量;
Ai0,Ai1,Bij,Cil——回归系数,通过多元线性回归或逐步回归确定;
——第k时刻,各门站、储配站及控制点的遥测压力;
α——流量的幂数,取1~2。
所述步骤七中的燃气管网工况特征图像的绘制方法如下:
1)结合燃气管网地理信息所包含的管段走向及长度信息绘制燃气管网拓扑结构;
2)将各管段上的压力变化简化为线性,已知长度为l的管段两端编号分别为i和i+1的控制点在第(k+1)时刻压力分别为则该管段上距离控制点i距离为x的一点压力计算公式为:
3)在各管段上每隔一定的压力差标记一个等压点,连接各管段上的等压点点,从而得到“等压线图”;
4)将“等压线”与各管段围成的闭合区域按照一定的规律着色,获得燃气管网工况特征图像。
图2所示为根据研究中所使用的实验管网绘制的在某正常运行工况下的特征图像。
所述步骤六中的对燃气管网泄露工况特征图像进行特征向量提取是基于图像的纹理特征,本发明选择纹理特征中的以下四个统计特征进行特征向量提取:
(1)均值:纹理平均亮度的度量。
(2)角二阶距:也叫能量,是图像灰度分布均匀性的度量。
(3)标准方差:文理平均对比度的度量。
(4)熵:随机性的度量。熵越大表明随机性越大,信息量也就越大;反之确定性越大。
式中:
L——灰度等级总数;
zi——第i个灰度级;
p(zi)——归一化直方图灰度级分布中灰度为zi的概率。
基于Matlab的管网特征图像特征向量提取程序如下:
所述步骤八是利用支持向量机SVM分类识别功能对燃气管网工况特征图像进行分类识别,实现燃气泄漏检测和定位。
有益效果:
1、充分利用现有软硬件设施,能够快速、准确地检测定位泄漏源位置,为应急处置提供依据。
2、有效降低燃气泄漏以及查找泄漏源造成的财产损失,降低安全风险。
3、与现有技术相比,本方法无需对燃气管网现有硬件设施进行改造,或只需在控制点处增加压力变送器,其成本较低;不受城市燃气管网拓扑结构复杂及其附属设施的影响,且以图像特征作为分类特征,具有一定的模糊性,其适应性较强;同时,本方法也可用于供水、输油等管网。
附图说明
图1是本发明的基于特征图像的燃气管网泄露检测和定位方法流程示意图。
图2是根据研究中所使用的实验管网绘制的在某正常运行工况下的特征图像。
图3是天津城建大学燃气管网实验平台。
图4是根据天津城建大学燃气管网实验平台,利用离线流体模拟软件PipelineStudio建立燃气管网仿真模型。
图5是由表1数据绘制各工况下模拟控制点压力以及实测控制点压力散点图:a)工况1;b)工况2;c)工况3。
图6是改造后的管网模型及泄漏点编号。
图7是6号泄漏点位于其所在管段中点,泄漏量为5m3/h工况下的特征图像。
具体实施方式
下面结合各附图和具体实施例对本发明做进一步详细说明。
实施例
一种基于特征图像的燃气管网泄漏检测和定位方法,该方法包括:
步骤一:选取燃气管网各节点作为控制点,结合SCADA系统的压力遥测信息,采用多元回归的方法拟合出各控制点宏观模型的数学表达式,从而获取各控制点在时间序列上所对应的运行压力另外若客观条件允许,可在各控制点处直接安装压力变送器,实时获取控制点运行压力;
步骤二:结合燃气管网地理信息,包括路由、管长、管径、壁厚等,使用离线流体模拟软件Pipeline Studio建立燃气管网仿真模型;
步骤三:在燃气管网仿真模型相邻控制点之间的管段上分别设置m个等距离间隔的模拟泄漏点(m≥2),模拟泄漏点设置数量将影响定位精度,设置越多则定位越精确;
步骤四:根据燃气管网供气量选取n个等间隔的模拟泄漏量(如各模拟泄漏量之间相差总供气量的5%),泄漏量间隔选取越密集则使用该方法可检测的泄漏工况越广泛;
步骤五:将上述n个模拟泄漏量分别输入m个模拟泄漏点,得到k×m×n个泄漏工况(其中k为燃气管网所含管段数),输入边界条件,分别对每个工况进行稳态模拟,获取各工况下控制点压力数据;
步骤六:根据各工况下控制点压力数据制作燃气管网泄漏工况特征图像,并分别提取图像特征向量,作为支持向量机(SVM)的训练样本;
步骤七:根据待检测实际运行工况各控制点压力制作燃气管网工况特征图像,并提取图像特征向量,作为SVM的检测样本;
步骤八:根据泄漏量、泄漏点位置等,将训练样本所包含的泄漏工况分类,并为其对应的特征向量赋予相应的分类标签,利用SVM,选取径向基核函数(Radial BasisFunction,RBF),通过粒子群优化算法(Particle Swarm Optimization,PSO)或遗传算法(Genetic Algorithm,GA)对检测样本进行寻优分类,从而实现燃气管网泄漏点定位。
本方法基于图像的纹理特征对燃气管网工况特征图像进行特征向量提取,本发明选择纹理特征中的以下四个统计特征进行特征向量提取:
(1)均值:纹理平均亮度的度量。
(2)角二阶距:也叫能量,是图像灰度分布均匀性的度量。
(3)标准方差:文理平均对比度的度量。
(4)熵:随机性的度量。熵越大表明随机性越大,信息量也就越大;反之确定性越大。
式中:
L——灰度等级总数;
zi——第i个灰度级;
p(zi)——归一化直方图灰度级分布中灰度为zi的概率。
基于Matlab的管网特征图像特征向量提取程序如下:
本实施例基于天津城建大学燃气管网实验平台,旨在用于解释本发明,而不能理解为对本发明的限制。
天津城建大学燃气管网实验平台如图3所示,其控制点处均有压力变送器测点,可将控制点压力信号以及进气点和各负荷点的流量数据处理系统中(模拟SCADA系统),实现对模拟管网运行的实时监控与数据采集。
根据天津城建大学燃气管网实验平台,利用离线流体模拟软件Pipeline Studio建立燃气管网仿真模型如图4。
设置气源点压力为300Kpa,分别调节实验管网和管网模型中负荷点Q1、Q2、Q3的流量,选取表1中所示3种工况,并将各工况下管网中16个控制点的模拟控制点压力与实测控制点压力记入表1。
表1控制点压力数据记录表(压力单位:KPa)
由表1数据,分别绘制各工况下模拟控制点压力以及实测控制点压力散点图,如图5所示。
通过上图对三种工况下模拟控制点压力与实测控制点压力的对比可以发现二者节点压力散点图十分接近,因此可以认为该计算机管网模型基本可以准确反映实验管网水力工况。
对已通过实验验证的计算机燃气管网模型进行如下改造:(1)在进气点以外的每个节点处设置一个负荷点(主要指门站、储气站、枝状分支以及直接连接中压管网的工业用户),用以模拟正常用气负荷。为简化研究,将所节点流量全部设置为15m3/h;(2)在管网模型各控制点之间的管段上设置一个负荷点,用以模拟泄漏点。由于管网拓扑结构为以进气点所在对角线为对称轴的轴对称图形,且用气负荷均匀分布,因此只需对一半管网设置泄漏点进行研究。改造后的管网模型及泄漏点编号如图6所示。
将12个泄漏点位置设置在所在各管段中点,泄漏量分别设置为2.5、5、10m3/h(泄漏量约占管网总流量的1%-4%),得到36种泄漏工况。对各工况进行稳态模拟,获取各控制点压力。根据绘制36中工况所分别对应的燃气管网工况特征图。如图7所示为6号泄漏点位于其所在管段中点,泄漏量为5m3/h工况下的特征图像。
分别对36张特征图像提取特征向量,将泄漏量为2.5m3/h的12个工况所对应的特征向量赋予分类标签1,将泄漏量为5m3/h的12个工况所对应的特征向量赋予分类标签2,将泄漏量为10m3/h的12个工况所对应的特征向量赋予分类标签3,得到SVM训练样本。
将12个泄漏点位置设置在距离所在各管段中点6m处(全部选择远离气源点的方向),泄漏量分别设置为5m3/h,得到12种泄漏工况作为待检测工况。对各工况进行稳态模拟,获取各控制点压力,并分别绘制对应的燃气管网工况特征图。
分别对12张特征图像提取特征向量,已知其泄漏量为5m3/h,则其分类标签为2,由此获得SVM检测样本。
利用SVM,选取径向基核函数(Radial Basis Function,RBF),通过粒子群优化算法(Particle Swarm Optimization,PSO)对检测样本进行分类预测。在参数C=3.916,g=3.701的情况下,分类准确率为94.44%。由此确定待检测泄漏工况泄漏量为5m3/h。
将12个泄漏点位置分别设置在所在各管段中点以及中点两侧距离中点12m处。由第一次分类识别已知泄漏量为5m3/h,由此得到泄漏量为5m3/h而泄漏位置不同的36种泄漏工况。对各工况进行稳态模拟,获取各控制点压力,并绘制36中工况所分别对应的燃气管网工况特征图。
分别对36张特征图像提取特征向量,根据每种工况的泄漏点编号分别赋予36组特征向量1-12的分类标签(例如,泄漏点编号为1的工况则赋予分类标签1),得到SVM训练样本。
检测样本依然由第一次分类的12个特征向量构成,其分类标签赋值方式与上述训练样本相同。
利用SVM,选取径向基核函数(Radial Basis Function,RBF),通过粒子群优化算法(Particle Swarm Optimization,PSO)对检测样本进行分类预测。在参数C=96.0679,g=36.9597的情况下,分类准确率为100%。由此确定待检测泄漏工况泄漏点所在管段。
由此可得出结论,通过以上两次SVM分类识别,检测出了泄漏量,并成功将泄漏点定位在了泄漏发生的管段,其综合准确率为94.44%。如需进一步精确泄漏点所在位置,只需在各管段上增加模拟泄漏点的个数,重复上述步骤。
Claims (4)
1.一种基于特征图像的燃气管网泄漏检测和定位方法,其特征在于,该方法包括:
步骤(一):选取燃气管网各节点作为控制点,结合SCADA系统的压力遥测信息,采用多元回归的方法拟合出各控制点宏观模型的数学表达式,从而获取各控制点在时间序列上所对应的运行压力另外若客观条件允许,可在各控制点处直接安装压力变送器,实时获取控制点运行压力;
步骤(二):结合燃气管网地理信息,包括路由、管长、管径、壁厚,使用离线流体模拟软件Pipeline Studio建立燃气管网仿真模型;
步骤(三):在燃气管网仿真模型相邻控制点之间的管段上分别设置m个等距离间隔的模拟泄漏点,m≥2,模拟泄漏点设置数量将影响定位精度,设置越多则定位越精确;
步骤(四):根据燃气管网供气量选取n个等间隔的模拟泄漏量,各模拟泄漏量之间相差总供气量的5%,泄漏量间隔选取越密集则使用该方法可检测的泄漏工况越广泛;
步骤(五):将步骤(四)中的n个模拟泄漏量分别输入步骤(三)中的m个模拟泄漏点,得到k×m×n个泄漏工况,其中k为燃气管网所含管段数,输入边界条件,分别对每个工况进行稳态模拟,获取各工况下控制点压力数据;
步骤(六):根据各工况下控制点压力数据制作燃气管网泄漏工况特征图像,并分别提取图像特征向量,作为支持向量机的训练样本;
步骤(七):根据待检测实际运行工况各控制点压力制作燃气管网工况特征图像,并提取图像特征向量,作为SVM的检测样本;
步骤(八):根据泄漏量、泄漏点位置,将训练样本所包含的泄漏工况分类,并为其对应的特征向量赋予相应的分类标签,利用SVM,选取径向基核函数,通过粒子群优化算法或遗传算法对检测样本进行寻优分类,从而实现燃气管网泄漏点定位。
2.如权利要求1所述的一种基于特征图像的燃气管网泄漏检测和定位方法,其特征在于,所述步骤(一)中的结合SCADA系统的压力遥测信息,各控制点在时间序列上所对应的运行压力是采用以下多项式,利用多元回归的方法进行拟合的:
p(k)=A·Q(k+1)+C·P(k)
式中——当i=1,2,…,m1时,为第(k+1)时刻第i个储配站的供气压力或储气压力,当i=m1+1,m1+2,…,m1+m2时,为第(k+1)时刻第i个门站的计算供气压力,当i=m1+m2+1,m1+m2+2,…,m1+m2+m3时,为第(k+1)时刻第i个控制点的计算压力;
Q(k+1)——第(k+1)时刻预计总用气量;
m1——管网中储配站数量;
m2——管网中气源点数量;
m3——管网中控制点数量;
——当j=1,2,…,m1时,为第(k+1)时刻第j个储配站的出气或进气量,当j=m1+1,m1+2,…,m1+m2时,为第(k+1)时刻第j个门站的供气量;
Ai0,Ai1,Bij,Cil——回归系数,通过多元线性回归或逐步回归确定;
——第k时刻,各门站、储配站及控制点的遥测压力;
α——流量的幂数,取1~2。
3.如权利要求1所述的一种基于特征图像的燃气管网泄漏检测和定位方法,其特征在于,所述步骤(七)中的燃气管网工况特征图像的绘制方法如下:
1)结合燃气管网地理信息所包含的管段走向及长度信息绘制燃气管网拓扑结构;
2)将各管段上的压力变化简化为线性,已知长度为l的管段两端编号分别为i和i+1的控制点在第(k+1)时刻压力分别为则该管段上距离控制点i距离为x的一点压力计算公式为:
3)在各管段上每隔一定的压力差标记一个等压点,连接各管段上的等压点,从而得到“等压线图”;
4)将“等压线”与各管段围成的闭合区域按照一定的规律着色,获得燃气管网工况特征图像。
4.如权利要求1所述的一种基于特征图像的燃气管网泄漏检测和定位方法,其特征在于,所述步骤(六)中的对燃气管网泄露工况特征图像进行特征向量提取是基于图像纹理特征;本方法选择纹理特征中的以下四个统计特征进行特征向量提取:
(1)均值:纹理平均亮度的度量;
(2)角二阶距:也叫能量,是图像灰度分布均匀性的度量;
(3)标准方差:文理平均对比度的度量;
(4)熵:随机性的度量,熵越大表明随机性越大,信息量也就越大;反之确定性越大;
式中:
L——灰度等级总数;
zi——第i个灰度级;
p(zi)——归一化直方图灰度级分布中灰度为zi的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610171812.1A CN105868444B (zh) | 2016-03-23 | 2016-03-23 | 一种基于特征图像的燃气管网泄漏检测和定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610171812.1A CN105868444B (zh) | 2016-03-23 | 2016-03-23 | 一种基于特征图像的燃气管网泄漏检测和定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105868444A CN105868444A (zh) | 2016-08-17 |
CN105868444B true CN105868444B (zh) | 2019-05-28 |
Family
ID=56625694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610171812.1A Active CN105868444B (zh) | 2016-03-23 | 2016-03-23 | 一种基于特征图像的燃气管网泄漏检测和定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868444B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650120B (zh) * | 2016-12-27 | 2019-08-30 | 中国石油大学(北京) | 一种液烃管道泄漏量测算方法 |
CN106845434B (zh) * | 2017-02-09 | 2020-05-05 | 东华大学 | 一种基于支持向量机的图像型机房漏水监测方法 |
CN107420743B (zh) * | 2017-06-09 | 2023-06-13 | 中国计量大学 | 一种智能城市燃气pe管网测控系统及测控方法 |
CN109990205B (zh) * | 2019-01-14 | 2021-05-04 | 中国矿业大学 | 一种井下中央泵房泄漏监测装置及方法 |
CN110275084B (zh) * | 2019-06-13 | 2021-08-10 | 中国海洋石油集团有限公司 | 一种针对脐带缆泄漏故障的特征识别方法 |
CN112303503B (zh) * | 2020-11-04 | 2022-07-05 | 广州东部发展燃气有限公司 | 一种基于gis系统的燃气管网抢险方法及系统 |
CN113094990A (zh) * | 2021-04-08 | 2021-07-09 | 上海天麦能源科技有限公司 | 一种低压燃气管道泄漏定位方法 |
CN113514193B (zh) * | 2021-07-13 | 2022-12-02 | 江铃汽车股份有限公司 | 基于图像识别的汽车碰撞燃油泄漏检测方法 |
CN115076618B (zh) * | 2022-08-24 | 2022-11-04 | 北京云庐科技有限公司 | 用于燃气管网泄漏管段判定的方法、装置和存储介质 |
CN116877938B (zh) * | 2023-07-10 | 2024-02-13 | 深圳市水务科技发展有限公司 | 一种基于图像数据处理的城市排水管网破损检测定位系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103062628A (zh) * | 2012-11-02 | 2013-04-24 | 常州大学 | 一种城市燃气埋地管道泄漏检测定位方法及其应用 |
CN103196038A (zh) * | 2013-03-14 | 2013-07-10 | 清华大学 | 燃气管网泄漏源实时定位分析方法及系统 |
CN104456089A (zh) * | 2014-10-24 | 2015-03-25 | 重庆大学 | 一种流体管道多泄漏点定位方法 |
-
2016
- 2016-03-23 CN CN201610171812.1A patent/CN105868444B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103062628A (zh) * | 2012-11-02 | 2013-04-24 | 常州大学 | 一种城市燃气埋地管道泄漏检测定位方法及其应用 |
CN103196038A (zh) * | 2013-03-14 | 2013-07-10 | 清华大学 | 燃气管网泄漏源实时定位分析方法及系统 |
CN104456089A (zh) * | 2014-10-24 | 2015-03-25 | 重庆大学 | 一种流体管道多泄漏点定位方法 |
Non-Patent Citations (4)
Title |
---|
Experimental study on leak detection and location for gas pipeline based on acoustic method;Lingya Meng等;《Journal of Loss Prevention in the Process Industries》;20120131;第25卷(第1期);第90-102页 |
H.Prashanth Reddy等.Leak detection in gas pipeline networks using an efficient state estimator. Part-I:Theory and simulations.《Computers and Chemical Engineering》.2011,第35卷(第4期),第651-661页. |
基于模式识别的燃气管网泄漏检测技术;段昱等;《能源研究与管理》;20140630(第2期);第69-72页 |
泄漏检测及定位方法在燃气管网应用的可行性;曹琳等;《煤气与热力》;20080131;第28卷(第1期);第51-54页 |
Also Published As
Publication number | Publication date |
---|---|
CN105868444A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868444B (zh) | 一种基于特征图像的燃气管网泄漏检测和定位方法 | |
Hu et al. | Novel leakage detection and water loss management of urban water supply network using multiscale neural networks | |
CN102967689B (zh) | 一种污染源监测布点方法 | |
CN107420743A (zh) | 一种智能城市燃气pe管网测控系统及测控方法 | |
Yan et al. | Pollution source localization in an urban water supply network based on dynamic water demand | |
CN107119657B (zh) | 一种基于视觉测量基坑监测方法 | |
CN103595813A (zh) | 智慧管网应用系统及实现方法 | |
CN111797572B (zh) | 一种城市事故灾害演化模拟及风险预测预警方法 | |
CN109409695A (zh) | 基于关联分析的体系效能评估指标体系构建方法及系统 | |
CN108733893A (zh) | 耦合深度学习方法的公共建筑突发污染的溯源 | |
Zimmerman et al. | A parallel simulated annealing architecture for model updating in wireless sensor networks | |
Hou et al. | Optimization of the gas leak monitoring points distributed underground | |
Zhong et al. | The big data processing algorithm for water environment monitoring of the three gorges reservoir area | |
Li et al. | An accurate leakage localization method for water supply network based on deep learning network | |
Zhang et al. | Optimization monitoring distribution method for gas pipeline leakage detection in underground spaces | |
CN115899595A (zh) | 一种智慧燃气管道防腐优化方法、物联网系统及存储介质 | |
CN108615098A (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
Wang et al. | Defect size quantification for pipeline magnetic flux leakage detection system via multilevel knowledge-guided neural network | |
CN107703847A (zh) | 一种集控器选址方法及传感器监控系统 | |
Jun et al. | Convolutional neural network for burst detection in smart water distribution systems | |
CN113486950A (zh) | 一种智能管网漏水检测方法及系统 | |
Li et al. | Machine learning-based stealing attack of the temperature monitoring system for the energy internet of things | |
CN109210268B (zh) | 一种基于超低功率电磁阀的大数据处理方法 | |
CN112731890A (zh) | 一种电厂设备故障的检测方法和装置 | |
CN105930936B (zh) | 一种生产流通过程中食品所含微生物的生长预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191126 Address after: Room 501-2, building 6, east area, airport business park, No. 80, Huanhe North Road, Tianjin pilot free trade zone (Airport Economic Zone), Binhai New Area, Tianjin Patentee after: Tianjin Taida Binhai Clean Energy Group Co., Ltd. Address before: 300384 No. 26, Jing Jing Road, Xiqing District, Tianjin Patentee before: Tianjin Chengjian University |