CN107480705A - 一种自来水管漏水检测方法 - Google Patents

一种自来水管漏水检测方法 Download PDF

Info

Publication number
CN107480705A
CN107480705A CN201710606702.8A CN201710606702A CN107480705A CN 107480705 A CN107480705 A CN 107480705A CN 201710606702 A CN201710606702 A CN 201710606702A CN 107480705 A CN107480705 A CN 107480705A
Authority
CN
China
Prior art keywords
leak
point
data
label
probability
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.)
Granted
Application number
CN201710606702.8A
Other languages
English (en)
Other versions
CN107480705B (zh
Inventor
刘晓葳
肖龙源
李稀敏
蔡振华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Kuaishangtong Technology Co Ltd
Original Assignee
Xiamen Kuaishangtong Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Kuaishangtong Technology Co Ltd filed Critical Xiamen Kuaishangtong Technology Co Ltd
Priority to CN201710606702.8A priority Critical patent/CN107480705B/zh
Publication of CN107480705A publication Critical patent/CN107480705A/zh
Priority to PCT/CN2018/083481 priority patent/WO2019019709A1/zh
Priority to JP2020514313A priority patent/JP6872077B2/ja
Application granted granted Critical
Publication of CN107480705B publication Critical patent/CN107480705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开一种自来水管漏水检测方法，其包括以下步骤：S1.获取已标注漏/不漏样本声波数据；S2.依据样本数据生成训练特征库，采用集成模型来训练该训练特征库，生成漏水分类器；S3.依据检测数据生成判别特征库；S4.将判别特征库置入漏水分类器中测算，生成漏水/非漏水的逐点判断结果；S5.将所述逐点判断结果按照声波数据的收集点分类，并对判别数组建立时间标签和地点标签，结合所述逐点判断结果及所述时间标签和地点标签生成判别规则树，按照判别规则树做投票，生成最终判断结果，最终判断结果包括漏或非漏及其分别对应的概率；本发明实时分析管道声波数据，简化现有的数据分析方式，提高数据分析的准确性，工作效率高，精度能通过自学习不断提升。

Description

一种自来水管漏水检测方法
技术领域
本发明涉及用于监督或预测目的的数据处理方法领域，特别是一种基于多维声波特征分析、机器学习和投票法的自来水管漏水检测方法。
背景技术
每个城市都布设有复杂的自来水管网，自来水管道漏水问题也一直困扰着城市建设者，为了及时检修自来水管，需要经常性检修，目前主要采用以下方法：
一是人工听漏，也是主要应用的管道检修方法，其需要夜间定时巡线，用电子设备听取管道声音，人力耗费较高，同时判断结果受听漏人员业务水平影响较大，相应培训成本亦高，
二是管道数据分析方法，随着硬件技术的不断发展，目前已有一些管壁传感器水流、声波等类型数据做在线分析的方法，如某些企业搜集管道声波的信号数据以后，根据返回的信号内容进行人工分步转换数组、分解信号，人工审查波形图，如解读频域图，找出峰值对应的频率高低，并以此判断所监测的管道是否漏水，该方法具体是利用声波特征判别管道是否漏水，一般是用快速傅里叶变换或小波变换将信号分解至时间域、频率域，试图得到“漏水管道的声波数据在时/频域上呈现出某种不同于非漏水数据的特征”的规则，本质上是分类问题或异常检测问题，但其效率与准确性、自动化水平均不高。
总之，通过人工逐点听漏至方法或者逐条阅读波形，判断此波形代表的管道属于漏水或非漏水方法都存在严重弊端，在数据量大的情况下，仅凭人工参与造成重复劳动和低效率，分类缺乏系统性和一致性，没有充分利用数据自有规律，导致人力消耗成本高，难以形成大规模、及时的判断。
现有技术中还有利用信号的值时间序列或捕捉原始信号的异常特征进行模型判别，每次判别前人工调节模型参数的方式，本质上属于半人工归类，最后得出是否漏水的结论。例如，通过主观设定好的阈值和分析长度进行逐条分析，统计归纳结果，然而，半人工方式对判漏的缺陷包括：第一、缺乏客观统一的模型标准；第二、在每次判别时仍需要大量人力参与；第三，主观性影响精度。
有鉴于此，本发明人提出一种工作效率高，精度高的自来水管漏水检测方法。
发明内容
本发明为解决上述问题，提供了一种自来水管漏水检测方法，用于实时全面智能的分析管道声波数据，检测管道泄漏，且简化现有的数据分析方式，提高数据分析的准确性，工作效率高，精度能通过自学习不断提升。
为实现上述目的，本发明采用的技术方案为：
一种自来水管漏水检测方法，包括以下步骤：
S1.获取自来水管已标注漏/不漏的声波数据作为样本数据，所述声波数据包含时间、地点及信号三个字段；
S2.依据样本数据生成训练特征库，采用集成模型来训练该训练特征库，生成漏水分类器；
S3.获取自来水管未知漏/不漏的声波数据作为检测数据，依据检测数据生成判别特征库；
S4.将判别特征库置入漏水分类器中测算，生成漏水/非漏水的逐点判断结果；
S5.将所述逐点判断结果按照声波数据的收集点分类，并对判别数组建立时间标签和地点标签，结合所述逐点判断结果及所述时间标签和地点标签生成判别规则树，按照判别规则树做投票，生成最终判断结果，最终判断结果包括漏或非漏及其分别对应的概率。
所述步骤S2具体包括以下步骤：
S21.将样本数据转换为漏/不漏训练数组；
S22.计算所述训练数组信号字段的统计特征，统计特征包括均值、方差、标准差；
S23.计算所述训练数组信号字段的信号特征，信号特征包括其多阶自相关函数、自相关函数的统计量以及训练数组在频率域上的统计量和幅值最高处对应的频率值；
S24.将统计特征、信号特征及其对应的漏水/非漏水标注构建为所述训练数组的训练特征库；
S25.用集成了罗吉斯回归、支持向量机、随机森林、最近邻点法、朴素贝叶斯五种分类模型的集成模型预训练该训练特征库；
S26.以均方误差降低量为指标判断所述训练特征库中的特征重要性是否满足预设阈值，选取满足预设阈值的特征构建成漏水分类器。
所述步骤S3具体包括以下步骤：
S31.将检测数据转换为判别数组；
S32.计算判别数组信号字段的统计特征和信号特征，统计特征包括均值、方差、标准差，信号特征包括其多阶自相关函数、自相关函数的统计量以及训练数组在频率域上的统计量和幅值最高处对应的频率值；
S33.根据判别数组的特征构建判别特征库。
所述步骤S5具体为包括以下步骤：
S51.根据判别数组中标识时间和地点的字段，建立对应的时间标签和地点标签；
S52.根据所述判别数组，逐条提取其时间标签和地点标签；
S53.按照所述时间标签和地点标签建立标签集，将同一收集地点的若干条数据，贴同一地点标签；
S54.将具有所述同一地点标签的若干条数据组成数据集，根据时间字段数据集中数据贴时间标签，然后将数据集按照时间顺序排列；
S55.将所述逐点判别的漏水/非漏水结果匹配地点标签与时间标签，确定一条唯一数据，并赋予该数据漏水/非漏水判断结果作为逐点判别标签，生成由三元组{地点标签、时间标签、逐点判别标签}构成的判别节点，根据判别节点构建判别规则树。
所述步骤S5还包括以下步骤：
S56.按照所述地点标签将所述三元组分类，对每一相同地点标签类下所包含的三元组，计算其逐点判别标签为漏水标签的个数与总数之比，得到概率判别值；
判断所述概率判别值与预设阈值的大小关系；
若所述概率判别值大于预设阈值，则该所述三元组分类代表的管道被判断为漏水，并给出此值为漏水概率；
若所述概率判别值小于预设阈值，则该所述三元组分类代表的管道被判断为非漏水，并给出此值为非漏水概率。
所述步骤S56中，若所述概率判别值小于预设阈值，则还可按照时序判别，其具体步骤如下：
按照所述地点标签将所述三元组分类，对每一相同地点标签类下所包含的三元组，按照时间标签，寻找时间中点；
按照所述时间中点对三元组分类为统计后组和前组，分别计算前组与后组中所包含逐点判别标签为漏水标签的个数与总数之比，得到前组和后组的概率判别值；
计算所述前组的概率判别值和后组的概率判别值之比，得到时序判别值；
比较所述时序判别值和预设阈值；
若所述时序判别值大于预设阈值，则判别结果为漏水，给出此阈值为漏水概率；
若所述时序判别值小于预设阈值，则判别结果为非漏水，给出此阈值为非漏水概率。
所述声波数据为一个短时间序列，其长度为256。
还包括步骤S6.根据最终判断结果实地确定该管线点是否漏水，确定漏水则重复步骤S1-S2，不断的将新获取的声波数据构建新的训练特征库和新的漏水分类器，以自主学习更新漏水分类器，确定不漏水则输出该判断结果。
采用上述技术方案后，本发明的有益效果是：根据已知漏/不漏的样本数据建立适合分类的训练特征库，有训练特征库训练生成漏水分类器，再根据未知漏/不漏的检测数据建立用于判别的判别特征库，将判别特征库置入分类器，在判别时，既能生成所述逐点判断结果，同时能生成结合时序信息、处理样本不平衡问题的判别规则树，最终输出判断结果，从而实现根据分析声波数据来对管道漏水状况做判定和报警。方法特点在于：以分类为目的，具有强扩展性，对环境等其他因素的耐抗性强，所用漏水分类器可以更新数据并重新设置，其在分析实践中不断完善生成，精确度经过检验，可以实现实时全面客观智能的收集文本内容中的评论内容，以迅速适应不同管线的不同情况，且简化现有的数据分析方式，提高数据分析的准确性。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的一种自来水管漏水检测方法，其包括以下步骤：
S1.获取自来水管已标注漏/不漏的声波数据作为样本数据，所述声波数据为一个短时间序列，其长度为256；这些声波信号的采样频率一般为10kHz，转换方式一般是二进制数转为十进制数；用于构建本算法训练特征库的数据源，必须是来源于装置于管道外壁的声波传感器的声波数据，同时数据要经过实地考察确定标注，即标注为漏/不漏，如此才满足后续建立分类器、判别新数据的能力，这些数据一般包含时间、地点及信号三个字段；
S2.依据样本数据生成训练特征库，采用集成模型来训练该训练特征库，生成漏水分类器；
所述步骤S2具体包括以下步骤：
S21.将样本数据转换为漏/不漏训练数组；
S22.计算所述训练数组信号字段的统计特征，统计特征包括均值、方差、标准差，均值和标准差计算公式如下；
均值：其中，n为每一条声波数据记录中，信号数组对应的长度，一般有n＝128，xi代表信号数组的第i个数值；标准差：
S23.计算所述训练数组信号字段的信号特征，信号特征包括其多阶自相关函数、自相关函数的统计量以及训练数组在频率域上的统计量和幅值最高处对应的频率值；
所计算每条声波数据的信号特征，包括：计算自相关函数序列 其中k代表所求自相关函数的阶数；自相关函数序列之和自相关函数序列的均值：以及自相关函数序列的标准差
S24.将统计特征、信号特征及其对应的漏水/非漏水标注构建为所述训练数组的训练特征库；
S25.用集成了罗吉斯回归、支持向量机、随机森林、最近邻点法、朴素贝叶斯五种分类模型的集成分类器预训练该训练特征库；
S26.，计算训练特征库的各个特征在进入模型后带来的平均InMSE(均方误差降低量，Increase in MSE)，以均方误差降低量为指标判断所述训练特征库中的特征重要性是否满足预设阈值，选取满足预设阈值的特征构建成漏水分类器。
S3.获取自来水管未知漏/不漏的声波数据作为检测数据，依据检测数据生成判别特征库；
所述步骤S3具体包括以下步骤：
S31.将检测数据转换为判别数组；
S32.计算判别数组信号字段的统计特征和信号特征，统计特征包括均值、方差、标准差，信号特征包括其多阶自相关函数、自相关函数的统计量以及训练数组在频率域上的统计量和幅值最高处对应的频率值；
S33.根据判别数组的特征构建判别特征库。
S4.将判别特征库置入漏水分类器中测算，生成漏水/非漏水的逐点判断结果；
S5.将所述逐点判断结果按照声波数据的收集点分类，并对判别数组建立时间标签和地点标签，结合所述逐点判断结果及所述时间标签和地点标签生成判别规则树，按照判别规则树做投票，生成最终判断结果，最终判断结果包括漏或非漏及其分别对应的概率；
S6.根据最终判断结果实地确定该管线点是否漏水，确定漏水则重复步骤S1-S2，不断的将新获取的声波数据构建新的训练特征库和新的漏水分类器，以自主学习更新漏水分类器，确定不漏水则输出该判断结果。
所述步骤S5具体为包括以下步骤：
S51.根据判别数组中标识时间和地点的字段，建立对应的时间标签和地点标签；
S52.根据所述判别数组，逐条提取其时间标签和地点标签；
S53.按照所述时间标签和地点标签建立标签集，将同一收集地点的若干条数据，贴同一地点标签；
S54.将具有所述同一地点标签的若干条数据组成数据集，根据时间字段数据集中数据贴时间标签，然后将数据集按照时间顺序排列；
S55.将所述逐点判别的漏水/非漏水结果匹配地点标签与时间标签，确定一条唯一数据，并赋予该数据漏水/非漏水判断结果作为逐点判别标签，其中，所述逐点判别标签采用“0/1”标签，包括漏水标签“1”和不漏水标签“0”，“0”代表判断为不漏水，“1”代表判断为漏水，生成由三元组{地点标签、时间标签、逐点判别标签}构成的判别节点，根据判别节点构建判别规则树；
S56.按照所述地点标签将所述三元组分类，对每一相同地点标签类下所包含的三元组，计算其逐点判别标签为漏水标签“1”的个数与总数之比，得到概率判别值；
判断所述概率判别值与预设阈值的大小关系；
若所述概率判别值大于预设阈值，则该所述三元组分类代表的管道被判断为漏水，并给出此值为漏水概率；
若所述概率判别值小于预设阈值，则该所述三元组分类代表的管道被判断为非漏水，并给出此值为非漏水概率。
所述步骤S56中，若所述概率判别值小于预设阈值，则还可按照时序判别，其具体步骤如下：
按照所述地点标签将所述三元组分类，对每一相同地点标签类下所包含的三元组，按照时间标签，寻找时间中点；
按照所述时间中点对三元组分类为统计后组和前组，分别计算前组与后组中所包含逐点判别标签为漏水标签“1”的个数与总数之比，得到前组和后组的概率判别值；
计算所述前组的概率判别值和后组的概率判别值之比，得到时序判别值；
比较所述时序判别值和预设阈值；
若所述时序判别值大于预设阈值，则判别结果为漏水，给出此阈值为漏水概率；
若所述时序判别值小于预设阈值，则判别结果为非漏水，给出此阈值为非漏水概率。
上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种自来水管漏水检测方法，其特征在于，包括以下步骤：
S1.获取自来水管已标注漏/不漏的声波数据作为样本数据，所述声波数据包含时间、地点及信号三个字段；
S2.依据样本数据生成训练特征库，采用集成模型来训练该训练特征库，生成漏水分类器；
S3.获取自来水管未知漏/不漏的声波数据作为检测数据，依据检测数据生成判别特征库；
S4.将判别特征库置入漏水分类器中测算，生成漏水/非漏水的逐点判断结果；
S5.将所述逐点判断结果按照声波数据的收集点分类，并对判别数组建立时间标签和地点标签，结合所述逐点判断结果及所述时间标签和地点标签生成判别规则树，按照判别规则树做投票，生成最终判断结果，最终判断结果包括漏或非漏及其分别对应的概率。
2.如权利要求1所述的一种自来水管漏水检测方法，其特征在于：所述步骤S2具体包括以下步骤：
S21.将样本数据转换为漏/不漏训练数组；
S22.计算所述训练数组信号字段的统计特征，统计特征包括均值、方差、标准差；
S23.计算所述训练数组信号字段的信号特征，信号特征包括其多阶自相关函数、自相关函数的统计量以及训练数组在频率域上的统计量和幅值最高处对应的频率值；
S24.将统计特征、信号特征及其对应的漏水/非漏水标注构建为所述训练数组的训练特征库；
S25.用集成了罗吉斯回归、支持向量机、随机森林、最近邻点法、朴素贝叶斯五种分类模型的集成模型预训练该训练特征库；
S26.以均方误差降低量为指标判断所述训练特征库中的特征重要性是否满足预设阈值，选取满足预设阈值的特征构建成漏水分类器。
3.如权利要求1所述的一种自来水管漏水检测方法，其特征在于：所述步骤S3具体包括以下步骤：
S31.将检测数据转换为判别数组；
S32.计算判别数组信号字段的统计特征和信号特征，统计特征包括均值、方差、标准差，信号特征包括其多阶自相关函数、自相关函数的统计量以及训练数组在频率域上的统计量和幅值最高处对应的频率值；
S33.根据判别数组的特征构建判别特征库。
4.如权利要求1所述的一种自来水管漏水检测方法，其特征在于：所述步骤S5具体为包括以下步骤：
S51.根据判别数组中标识时间和地点的字段，建立对应的时间标签和地点标签；
S52.根据所述判别数组，逐条提取其时间标签和地点标签；
S53.按照所述时间标签和地点标签建立标签集，将同一收集地点的若干条数据，贴同一地点标签；
S54.将具有所述同一地点标签的若干条数据组成数据集，根据时间字段数据集中数据贴时间标签，然后将数据集按照时间顺序排列；
S55.将所述逐点判别的漏水/非漏水结果匹配地点标签与时间标签，确定一条唯一数据，并赋予该数据漏水/非漏水判断结果作为逐点判别标签，生成由三元组{地点标签、时间标签、逐点判别标签}构成的判别节点，根据判别节点构建判别规则树。
5.如权利要求4所述的一种自来水管漏水检测方法，其特征在于：所述步骤S5还包括以下步骤：
S56.按照所述地点标签将所述三元组分类，对每一相同地点标签类下所包含的三元组，计算其逐点判别标签为漏水标签的个数与总数之比，得到概率判别值；
判断所述概率判别值与预设阈值的大小关系；
若所述概率判别值大于预设阈值，则该所述三元组分类代表的管道被判断为漏水，并给出此值为漏水概率；
若所述概率判别值小于预设阈值，则该所述三元组分类代表的管道被判断为非漏水，并给出此值为非漏水概率。
6.如权利要求5所述的一种自来水管漏水检测方法，其特征在于：所述步骤S56中，若所述概率判别值小于预设阈值，则还可按照时序判别，其具体步骤如下：
按照所述地点标签将所述三元组分类，对每一相同地点标签类下所包含的三元组，按照时间标签，寻找时间中点；
按照所述时间中点对三元组分类为统计后组和前组，分别计算前组与后组中所包含逐点判别标签为漏水标签的个数与总数之比，得到前组和后组的概率判别值；
计算所述前组的概率判别值和后组的概率判别值之比，得到时序判别值；
比较所述时序判别值和预设阈值；
若所述时序判别值大于预设阈值，则判别结果为漏水，给出此阈值为漏水概率；
若所述时序判别值小于预设阈值，则判别结果为非漏水，给出此阈值为非漏水概率。
7.如权利要求1所述的一种自来水管漏水检测方法，其特征在于：所述声波数据为一个短时间序列，其长度为256。
8.如权利要求1至7任一项所述的一种自来水管漏水检测方法，其特征在于：还包括步骤S6.根据最终判断结果实地确定该管线点是否漏水，确定漏水则重复步骤S1-S2，不断的将新获取的声波数据构建新的训练特征库和新的漏水分类器，以自主学习更新漏水分类器，确定不漏水则输出该判断结果。
CN201710606702.8A 2017-07-24 2017-07-24 一种自来水管漏水检测方法 Active CN107480705B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710606702.8A CN107480705B (zh) 2017-07-24 2017-07-24 一种自来水管漏水检测方法
PCT/CN2018/083481 WO2019019709A1 (zh) 2017-07-24 2018-04-18 一种自来水管漏水检测方法
JP2020514313A JP6872077B2 (ja) 2017-07-24 2018-04-18 水道管の漏水検知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710606702.8A CN107480705B (zh) 2017-07-24 2017-07-24 一种自来水管漏水检测方法

Publications (2)

Publication Number Publication Date
CN107480705A true CN107480705A (zh) 2017-12-15
CN107480705B CN107480705B (zh) 2020-09-11

Family

ID=60595963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710606702.8A Active CN107480705B (zh) 2017-07-24 2017-07-24 一种自来水管漏水检测方法

Country Status (3)

Country Link
JP (1) JP6872077B2 (zh)
CN (1) CN107480705B (zh)
WO (1) WO2019019709A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284777A (zh) * 2018-08-28 2019-01-29 内蒙古大学 基于信号时频特征和支持向量机的供水管道泄漏识别方法
WO2019019709A1 (zh) * 2017-07-24 2019-01-31 厦门快商通科技股份有限公司 一种自来水管漏水检测方法
CN109555977A (zh) * 2018-11-23 2019-04-02 水联网技术服务中心（北京）有限公司 漏水噪声检测的设备和识别方法
CN109949826A (zh) * 2019-03-15 2019-06-28 安徽工程大学 一种基于环境声音识别的厕所漏水智能监控系统
US20190303791A1 (en) * 2018-03-28 2019-10-03 Fracta Predicting pipe failure
CN111720755A (zh) * 2020-04-15 2020-09-29 厦门矽创微电子科技有限公司 一种家用管道探漏定位方法和系统
CN111915448A (zh) * 2020-06-05 2020-11-10 广东泓铖新能源科技有限公司 一种基于物联网的管网故障检测方法、系统及存储介质
CN113720425A (zh) * 2021-08-31 2021-11-30 福建蓝密码物联网科技有限公司 一种基于智能水表的漏水监测方法、系统
CN117272071A (zh) * 2023-11-22 2023-12-22 武汉商启网络信息有限公司 一种基于人工智能的流动管道泄露预警方法及系统

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993459B (zh) * 2019-04-15 2022-09-23 安徽大学 一种复杂多含水层矿井突水水源识别方法
CN113837213B (zh) * 2020-06-24 2023-07-28 中国科学院沈阳自动化研究所 一种基于贝叶斯的深潜器多变量融合及漏水检测方法
CN113191425A (zh) * 2021-04-28 2021-07-30 上海核工程研究设计院有限公司 一种泄漏点数据模型的建立方法、漏点识别方法、识别装置
KR102687981B1 (ko) * 2021-11-26 2024-07-26 주식회사 대림 건물의 시운전 및 운전시 배관 음파값을 무선으로 센싱하여 누수에 관한 정보를 획득하는 방법
CN114298174B (zh) * 2021-12-14 2024-07-05 中国四联仪器仪表集团有限公司 一种给水异常识别方法、系统、电子设备及介质
KR102454925B1 (ko) * 2022-03-28 2022-10-17 주식회사 위플랫 인공 지능을 이용한 누수 여부 판별 및 누수 위치 추정 장치 및 그 방법
CN114814140B (zh) * 2022-04-22 2024-01-30 启盘科技发展(上海)有限公司 一种可实现水样与水样分析结果自动匹配的方法及系统
CN114904195B (zh) * 2022-05-13 2023-06-16 常州机电职业技术学院 基于大空间仓库火灾预警模型的火灾预警灭火系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011046463A1 (en) * 2009-10-15 2011-04-21 Siemens Aktiengesellschaft Fluid pipe and method for detecting a deformation on the fluid pipe
CN106090630A (zh) * 2016-06-16 2016-11-09 厦门数析信息科技有限公司 基于集成分类器的液体管道检漏方法及其系统
CN106369288A (zh) * 2016-08-31 2017-02-01 瀚沃环境技术(上海)有限公司 给水管网漏损监控系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101319955A (zh) * 2007-06-07 2008-12-10 北京昊科航科技有限责任公司 提取次声波监测管道泄漏的方法
CN100552668C (zh) * 2007-11-19 2009-10-21 清华大学 基于压力和声波信息融合的泄漏检测定位方法
CN107480705B (zh) * 2017-07-24 2020-09-11 厦门快商通科技股份有限公司 一种自来水管漏水检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011046463A1 (en) * 2009-10-15 2011-04-21 Siemens Aktiengesellschaft Fluid pipe and method for detecting a deformation on the fluid pipe
CN106090630A (zh) * 2016-06-16 2016-11-09 厦门数析信息科技有限公司 基于集成分类器的液体管道检漏方法及其系统
CN106369288A (zh) * 2016-08-31 2017-02-01 瀚沃环境技术(上海)有限公司 给水管网漏损监控系统

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019019709A1 (zh) * 2017-07-24 2019-01-31 厦门快商通科技股份有限公司 一种自来水管漏水检测方法
US11720816B2 (en) * 2018-03-28 2023-08-08 Fracta Predicting pipe failure
US20190303791A1 (en) * 2018-03-28 2019-10-03 Fracta Predicting pipe failure
JP2021519433A (ja) * 2018-03-28 2021-08-10 フラクタＦｒａｃｔａ 配管損傷予測
CN109284777A (zh) * 2018-08-28 2019-01-29 内蒙古大学 基于信号时频特征和支持向量机的供水管道泄漏识别方法
CN109284777B (zh) * 2018-08-28 2021-09-28 内蒙古大学 基于信号时频特征和支持向量机的供水管道泄漏识别方法
CN109555977A (zh) * 2018-11-23 2019-04-02 水联网技术服务中心（北京）有限公司 漏水噪声检测的设备和识别方法
CN109949826A (zh) * 2019-03-15 2019-06-28 安徽工程大学 一种基于环境声音识别的厕所漏水智能监控系统
CN111720755A (zh) * 2020-04-15 2020-09-29 厦门矽创微电子科技有限公司 一种家用管道探漏定位方法和系统
CN111915448A (zh) * 2020-06-05 2020-11-10 广东泓铖新能源科技有限公司 一种基于物联网的管网故障检测方法、系统及存储介质
CN111915448B (zh) * 2020-06-05 2023-06-23 广东泓铖新能源科技有限公司 一种基于物联网的管网故障检测方法、系统及存储介质
CN113720425A (zh) * 2021-08-31 2021-11-30 福建蓝密码物联网科技有限公司 一种基于智能水表的漏水监测方法、系统
CN113720425B (zh) * 2021-08-31 2024-09-20 福建蓝密码物联网科技有限公司 一种基于智能水表的漏水监测方法、系统
CN117272071A (zh) * 2023-11-22 2023-12-22 武汉商启网络信息有限公司 一种基于人工智能的流动管道泄露预警方法及系统
CN117272071B (zh) * 2023-11-22 2024-02-13 武汉商启网络信息有限公司 一种基于人工智能的流动管道泄露预警方法及系统

Also Published As

Publication number Publication date
WO2019019709A1 (zh) 2019-01-31
CN107480705B (zh) 2020-09-11
JP6872077B2 (ja) 2021-05-19
JP2020519909A (ja) 2020-07-02

Similar Documents

Publication Publication Date Title
CN107480705A (zh) 一种自来水管漏水检测方法
CN114352947B (zh) 一种燃气管道泄漏检测方法、系统、装置及存储介质
CN110185939B (zh) 基于卷积神经网络的气体管道泄漏识别方法
CN106022518B (zh) 一种基于bp神经网络的管道破损概率预测方法
CN110929359B (zh) 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
CN110634080A (zh) 异常用电检测方法、装置、设备及计算机可读存储介质
CN102235575A (zh) 用于检查管道泄露的数据处理方法及系统
CN112377817B (zh) 一种市政管网爆管监测系统及方法
CN111520615B (zh) 基于线谱对和三次插值搜索的管网漏损识别与定位方法
CN110636066B (zh) 基于无监督生成推理的网络安全威胁态势评估方法
CN109767054A (zh) 基于深度神经网络算法的能效云评估方法及边缘能效网关
CN111861211A (zh) 一种具有双层反窃电模型的系统
CN115127037B (zh) 一种供水管网漏损定位方法及系统
CN115774953A (zh) 一种基于数据处理的污染时空风险监管评估系统及方法
CN107516168A (zh) 一种生态环境质量综合评价方法
CN114169424A (zh) 基于k近邻回归算法和用电数据的排污量预测方法
CN117540329B (zh) 基于机器学习的排水管网缺陷在线预警方法及系统
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
CN106706119B (zh) 一种基于信号频域特征的振动源识别方法及系统
Han et al. Identification of Pipeline Leak Sizes Based on Chaos-Grey Wolf-Support Vector Machine
CN118098442A (zh) 一种基于多层感知器模型的城市水环境小尺度溯源方法
CN112780953B (zh) 一种基于模式检测的独立计量区域管网漏损检测方法
CN111239484A (zh) 一种非居民用户非侵入式负荷用电信息采集方法
CN107977727B (zh) 一种基于社会发展和气候因素预测光缆网阻断概率的方法

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
GR01 Patent grant
GR01 Patent grant