CN107145691A - 一种城市供水管网爆管预测分析方法 - Google Patents
一种城市供水管网爆管预测分析方法 Download PDFInfo
- Publication number
- CN107145691A CN107145691A CN201710487086.9A CN201710487086A CN107145691A CN 107145691 A CN107145691 A CN 107145691A CN 201710487086 A CN201710487086 A CN 201710487086A CN 107145691 A CN107145691 A CN 107145691A
- Authority
- CN
- China
- Prior art keywords
- booster
- water pipe
- analysis method
- section
- prediction analysis
- 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.)
- Pending
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种城市供水管网爆管预测分析方法,包括以下步骤:1)在各段水管内预先布置数据载体;2)根据各段水管的物理数据建立的诊断模型,并对诊断模型进行训练,得出每段水管当前发生故障的模拟概率;3)根据步骤2)模拟概率以及历史爆管率确定出的各段水管当前爆管率,并制作出爆管率预测排行榜;4)根据爆管率预测排行榜顺序对各段水管采用读写器进行探测;该城市供水管网爆管预测分析方法整体上采用了理论联系实际的预测方式,与传统的预测分析方法相比预测精度高。
Description
技术领域
本发明涉及一种城市供水管网爆管预测分析方法。
背景技术
供水管网是城市最重要的基础设施之一,是保证城市生产、生活正常运行的必要的条件之一。但是,近几年来供水管网爆管事故频发,一方面严重影响人们的正常生活,另一方面也造成了大量净水资源的浪费。因此,对供水管网爆管的预测和预知就显得尤为重要。许多专家和学者曾对供水管网爆管预测进行了大量的探索和研究,以建立传统爆管数学模型、爆管预警系统等为主要成果。但是,由于供水管网爆管本身的不确定性、影响因素的多变性、实际供水管网的复杂性,导致预测精度不高。
发明内容
本发明要解决的技术问题是提供一种预测精度高的城市供水管网爆管预测分析方法。
为解决上述问题,本发明采用如下技术方案:
一种城市供水管网爆管预测分析方法,包括以下步骤:
1)在各段水管内预先布置数据载体;
2)根据各段水管的物理数据建立的诊断模型,并对诊断模型进行训练,得出每段水管当前发生故障的模拟概率;
3)根据步骤2)模拟概率以及历史爆管率确定出的各段水管当前爆管率,并制作出爆管率预测排行榜;
4)根据爆管率预测排行榜顺序对各段水管采用读写器进行探测。
作为优选,所述数据载体嵌入于水管设置,数据载体与水管采用了嵌入式的结构,可以减少数据载体与水的接触面积,有效的降低数据载体受到的阻力,防止数据载体被冲走。
作为优选,所述诊断模型为贝叶斯网络故障诊断模型,贝叶斯网络具有清晰直观,便于理解的特点,而且贝叶斯网络具有描述事件多态性和故障逻辑关系非确定性的能力,十分适合用于城市供水管网的复杂系统中。
作为优选,所述物理数据包含有水管抗载荷数据、水管实际载荷数据、水管内外受腐蚀程度数据和水管内部水流压力数据。
作为优选,所述步骤3)的当前爆管率为模拟概率和历史爆管率的加权平均值,当前爆管率采用了加权平均数模拟概率和历史爆管率的加权平均值,不易受极端数据的影响,更能体现出实际的情况。
作为优选,所述数据载体为主动式数据载体。
作为优选,所述贝叶斯网络故障诊断模型为基于故障树的贝叶斯网络故障诊断模型。
作为优选,所述主动式数据载体为主动式RFID射频标签。
本发明的有益效果为:通过根据各段水管的物理数据建立的诊断模型,确定出每段水管当前发生故障的模拟概率,再以模拟概率和历史爆管率确定出的各段水管当前爆管率,并制作出爆管率预测排行榜,而且在各段水管内预先布置数据载体,工作人员可以根据爆管率预测排行榜顺序对各段水管采用读写器进行探测,数据载体位于封闭状态的管体内时,在外部的读写器就接收不到数据载体发出的信号,当读写器接收到信号时则管体可能出现爆裂,整体上采用了理论联系实际的预测方式,与传统的预测分析方法相比预测精度高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种城市供水管网爆管预测分析方法的数据载体的布置图;
图2为实施例1的一种城市供水管网爆管预测分析方法的流程图;
图3为实施例2的一种城市供水管网爆管预测分析方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1
如图1-2所示,一种城市供水管网爆管预测分析方法,包括以下步骤:
1)在各段水管内预先布置主动式数据载体;
2)根据各段水管的物理数据建立贝叶斯网络故障诊断模型,并对贝叶斯网络故障诊断模型进行训练,得出每段水管当前发生故障的模拟概率,训练次数为10000次,得出10000个模拟概率;
3)根据步骤2)模拟概率以及历史爆管率算出算术平均数,确定出的各段水管当前爆管率,并制作出爆管率预测排行榜;
4)根据爆管率预测排行榜顺序对各段水管采用读写器进行探测。
本发明的有益效果为:通过根据各段水管的物理数据建立贝叶斯网络故障诊断模型,确定出每段水管当前发生故障的模拟概率,再以模拟概率和历史爆管率确定出的各段水管当前爆管率,并制作出爆管率预测排行榜,而且在各段水管内预先布置主动式数据载体,工作人员可以根据爆管率预测排行榜顺序对各段水管采用读写器进行探测,主动式数据载体位于封闭状态的管体内时,在外部的读写器就接收不到数据载体发出的信号,当读写器接收到信号时则管体可能出现爆裂,整体上采用了理论联系实际的预测方式,与传统的预测分析方法相比预测精度高。
实施例2
如图1和3所示,一种城市供水管网爆管预测分析方法,包括以下步骤:
1)在各段水管内预先布置主动式数据载体,主动式数据载体之间间隔为70米;
2)根据各段水管的物理数据建立贝叶斯网络故障诊断模型,并对贝叶斯网络故障诊断模型进行训练,得出每段水管当前发生故障的模拟概率,训练次数为30000次,得出30000个模拟概率;
3)根据步骤2)模拟概率以及历史爆管率确定出的各段水管当前爆管率,并制作出爆管率预测排行榜;
4)根据爆管率预测排行榜顺序对各段水管采用读写器进行探测。
在本实施例中,主动式数据载体嵌入于水管设置,主动式数据载体与水管采用了嵌入式的结构,可以减少数据载体与水的接触面积,有效的降低主动式数据载体受到的阻力,防止数据载体被冲走。
在本实施例中,物理数据包含有水管抗载荷数据、水管实际载荷数据、水管内外受腐蚀程度数据和水管内部水流压力数据。
在本实施例中,步骤3)的当前爆管率为模拟概率和历史爆管率的加权平均值,当前爆管率采用了加权平均数模拟概率和历史爆管 率的加权平均值,不易受极端数据的影响,更能体现出实际的情况。
在本实施例中,贝叶斯网络故障诊断模型为基于故障树的贝叶斯网络故障诊断模型。
在本实施例中,主动式数据载体采用频率为2.45GHZ的主动式RFID射频标签。
本发明的有益效果为:通过根据各段水管的物理数据建立的基于故障树的贝叶斯网络故障诊断模型,确定出每段水管当前发生故障的模拟概率,再求出模拟概率和历史爆管率的加权平均值,确定出的各段水管当前爆管率,并制作出爆管率预测排行榜,而且在各段水管内预先布置主动式RFID射频标签,工作人员可以根据爆管率预测排行榜顺序对各段水管采用读写器进行探测,主动式RFID射频标签位于封闭状态的管体内时,在外部的读写器就接收不到数据载体发出的信号,当读写器接收到信号时则管体可能出现爆裂,整体上采用了理论联系实际的预测方式,与传统的预测分析方法相比预测精度高。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种城市供水管网爆管预测分析方法,其特征在于:包括以下步骤:
1)在各段水管内预先布置数据载体;
2)根据各段水管的物理数据建立的诊断模型,并对诊断模型进行训练,得出每段水管当前发生故障的模拟概率;
3)根据步骤2)模拟概率以及历史爆管率确定出的各段水管当前爆管率,并制作出爆管率预测排行榜;
4)根据爆管率预测排行榜顺序对各段水管采用读写器进行探测。
2.根据权利要求1所述的一种城市供水管网爆管预测分析方法,其特征在于:所述数据载体嵌入于水管设置。
3.根据权利要求2所述的一种城市供水管网爆管预测分析方法,其特征在于:所述诊断模型为贝叶斯网络故障诊断模型。
4.根据权利要求3所述的一种城市供水管网爆管预测分析方法,其特征在于:所述物理数据包含有水管抗载荷数据、水管实际载荷数据、水管内外受腐蚀程度数据和水管内部水流压力数据。
5.根据权利要求4所述的一种城市供水管网爆管预测分析方法,其特征在于:所述步骤3)的当前爆管率为模拟概率和历史爆管率的加权平均值。
6.根据权利要求5所述的一种城市供水管网爆管预测分析方法,其特征在于:所述数据载体为主动式数据载体。
7.根据权利要求6所述的一种城市供水管网爆管预测分析方法,其特征在于:所述贝叶斯网络故障诊断模型为基于故障树的贝叶斯网络故障诊断模型。
8.根据权利要求7所述的一种城市供水管网爆管预测分析方法,其特征在于:所述主动式数据载体为主动式RFID射频标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710487086.9A CN107145691A (zh) | 2017-06-23 | 2017-06-23 | 一种城市供水管网爆管预测分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710487086.9A CN107145691A (zh) | 2017-06-23 | 2017-06-23 | 一种城市供水管网爆管预测分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107145691A true CN107145691A (zh) | 2017-09-08 |
Family
ID=59782239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710487086.9A Pending CN107145691A (zh) | 2017-06-23 | 2017-06-23 | 一种城市供水管网爆管预测分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107145691A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615098A (zh) * | 2018-05-11 | 2018-10-02 | 同济大学 | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 |
CN108758357A (zh) * | 2018-06-01 | 2018-11-06 | 浙江大学 | 一种基于供水管网压力变化值分析的爆管定位方法 |
CN109737308A (zh) * | 2018-12-26 | 2019-05-10 | 成都熊谷油气科技有限公司 | 基于lbs和大数据的油气管道打孔盗油监视分析方法 |
CN109737309A (zh) * | 2019-01-09 | 2019-05-10 | 慧感(上海)物联网科技有限公司 | 一种基于风险识别的风险源定漏溯源方法及其系统 |
CN110705018A (zh) * | 2019-08-28 | 2020-01-17 | 泰华智慧产业集团股份有限公司 | 基于热线工单和管线健康评估的给水管线爆管定位方法 |
CN111536429A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 一种基于决策融合的油气管道预警系统及预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698974B2 (en) * | 2004-05-05 | 2010-04-20 | Tt Technologies, Inc. | Method and device for pipe splitting |
CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
CN103258243A (zh) * | 2013-04-27 | 2013-08-21 | 杭州电子科技大学 | 基于灰色神经网络的爆管预测方法 |
CN105468917A (zh) * | 2015-12-01 | 2016-04-06 | 北京无线电计量测试研究所 | 一种管线故障预测方法及装置 |
-
2017
- 2017-06-23 CN CN201710487086.9A patent/CN107145691A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698974B2 (en) * | 2004-05-05 | 2010-04-20 | Tt Technologies, Inc. | Method and device for pipe splitting |
CN103258243A (zh) * | 2013-04-27 | 2013-08-21 | 杭州电子科技大学 | 基于灰色神经网络的爆管预测方法 |
CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
CN105468917A (zh) * | 2015-12-01 | 2016-04-06 | 北京无线电计量测试研究所 | 一种管线故障预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
张海亚: "基于GIS的城市供水管网爆管空间分析及预测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615098A (zh) * | 2018-05-11 | 2018-10-02 | 同济大学 | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 |
CN108615098B (zh) * | 2018-05-11 | 2021-11-09 | 同济大学 | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 |
CN108758357A (zh) * | 2018-06-01 | 2018-11-06 | 浙江大学 | 一种基于供水管网压力变化值分析的爆管定位方法 |
CN109737308A (zh) * | 2018-12-26 | 2019-05-10 | 成都熊谷油气科技有限公司 | 基于lbs和大数据的油气管道打孔盗油监视分析方法 |
CN109737309A (zh) * | 2019-01-09 | 2019-05-10 | 慧感(上海)物联网科技有限公司 | 一种基于风险识别的风险源定漏溯源方法及其系统 |
CN109737309B (zh) * | 2019-01-09 | 2021-05-04 | 慧感(上海)物联网科技有限公司 | 一种基于风险识别的风险源定漏溯源方法及其系统 |
CN110705018A (zh) * | 2019-08-28 | 2020-01-17 | 泰华智慧产业集团股份有限公司 | 基于热线工单和管线健康评估的给水管线爆管定位方法 |
CN110705018B (zh) * | 2019-08-28 | 2023-03-10 | 泰华智慧产业集团股份有限公司 | 基于热线工单和管线健康评估的给水管线爆管定位方法 |
CN111536429A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 一种基于决策融合的油气管道预警系统及预警方法 |
CN111536429B (zh) * | 2020-07-08 | 2020-10-30 | 浙江浙能天然气运行有限公司 | 一种基于决策融合的油气管道预警系统及预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145691A (zh) | 一种城市供水管网爆管预测分析方法 | |
CN103175513B (zh) | 水利工程影响下基于物联网的流域水文水质监控系统及方法 | |
CN109359698B (zh) | 基于长短时记忆神经网络模型的漏损识别方法 | |
JP6761633B2 (ja) | コントローラノード、センサネットワークシステム、およびその動作方法 | |
CN203432650U (zh) | 一种下水道预警监测系统 | |
WO2023109370A1 (zh) | 排水管网的故障检测方法、设备、服务器及存储介质 | |
CN103163420A (zh) | 电力变压器智能在线状态评判方法 | |
CN106088267B (zh) | 家用下水管防堵报警装置 | |
CN102800029B (zh) | 一种同塔多回输电线路风险概率评估方法 | |
CN102109619A (zh) | 一种基于人工智能的台风增水预测系统和方法 | |
CN104318780B (zh) | 考虑气象因素、道路线形因素的高速公路事件检测方法 | |
CN101696912B (zh) | 基于统计指标的混凝土桥梁结构健康诊断的方法 | |
CN101226682A (zh) | 新型地铁杂散电流自动监测装置 | |
CN110322054B (zh) | 一种公路路段交通监测器的优化布设方法 | |
CN110806243B (zh) | 一种液位检测方法、设备和计算机可读存储介质 | |
AU2021100157A4 (en) | Septic tank system and septic tank monitoring and warning method | |
CN104008644A (zh) | 一种基于梯度下降的城市道路交通噪声测量方法 | |
Shively et al. | Prototypic automated continuous recreational water quality monitoring of nine Chicago beaches | |
CN103973697A (zh) | 一种物联网感知层入侵检测方法 | |
CN107944678A (zh) | 一种台风灾害预警方法及装置 | |
CN103114640B (zh) | 一种园区用水的动态检测分流系统及其动态检测分流方法 | |
CN110400462A (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN108764550A (zh) | 基于输电线路信息数据的雷电预警方法及系统 | |
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 | |
CN108071941A (zh) | 一种基于时序向量相似度分析的爆管识别与定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |