CN110242865B - 一种易于持续优化的燃气泄漏检测判定方法及系统 - Google Patents
一种易于持续优化的燃气泄漏检测判定方法及系统 Download PDFInfo
- Publication number
- CN110242865B CN110242865B CN201910616775.4A CN201910616775A CN110242865B CN 110242865 B CN110242865 B CN 110242865B CN 201910616775 A CN201910616775 A CN 201910616775A CN 110242865 B CN110242865 B CN 110242865B
- Authority
- CN
- China
- Prior art keywords
- gas
- concentration
- data
- model
- leakage
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本申请所提供的一种易于持续优化的燃气泄漏检测判定方法及系统,所述方法包括:泄漏判定模型的建立:所述泄漏判定模型是由预设的多层神经网络构成;泄漏判定模型的训练,包括:1)训练样本的获取和预处理;2)模型训练;检测判定,包括:1)测试样本的获取和预处理;2)将得到的测试样本的数据输入所述训练完成的泄漏判定模型,输出结果,即可进行燃气泄漏判定。本申请采用深度学习技术,通过构造专门的网络结构,学习海量实际检测数据,能够获得比传统方法更优越的性能,可以通过检测数据持续积累和深度学习模型的改进而持续优化性能,并且能够实现定量分级风险判定。
Description
技术领域
本申请涉及计算机技术领域,尤其是涉及一种易于持续优化的燃气泄漏检测判定方法及系统。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解,而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
作为一种清洁、高效的能源,天然气在城镇能源消耗比例中所占的份额正逐步提高,日益广泛地应用于炊事、采暖、制冷、发电、车用、空调及洗衣等领域。管道运输作为燃气最主要的输送方式,具有造价低、运行费用低、安全性好、运输量大的优点。城镇燃气的蓬勃发展对国民经济水平的提高和社会事业的发展起到了重要作用,但是随着燃气输配管网大面积的敷设,地下燃气管线越来越密集,越来越复杂,燃气自身的特性加之管道在制造、安装、使用、管理等诸多方面的不确定因素,使管道在一定程度上存在燃气泄漏的可能性,给城镇燃气管网的安全运行带来巨大挑战。因此对燃气管道泄漏检测方法的研究已引起了世界各国的重视。为确保城镇燃气管网健康长效运行,安全人员会配有专业泄漏检测设备对管网周围进行定期检查,以期及时发现燃气管网运行隐患。其中道路附近燃气管网,可以通过专门车载燃气泄漏检测设备实现快速检测,极大地提高了检测效率,可以极短的时间内实现大面积覆盖检测。该设备技术优点在于可以快速大面积巡查、速度快,而且抗干扰能力强。
该设备配有ppb级高精准检测仪器,以2Hz频率不间断的检测甲烷和乙烷等浓度,并依据这些检测数据来判断是否有发生燃气泄漏的风险。
传统经典的泄漏判定方法是通过大量实验数据,总结经验,最后通过程序实现自动判定是否有发生燃气泄漏的风险。
然而该传统方法是经验公式,是通过抽样实验数据总结出来,因此不可避免地存在以下问题:
1)实验抽样数据与实际数据偏差,导致总结的经验公式存在一定的偏差。
2)实验数据是抽样数据,不能完全覆盖实际情况。
3)传统抽样实验成本比较高,所以后续很难有针对性地优化或者持续改进。
4)传统经典的方法只能进行是/非的定性判断,很难实现更精细化的分级判断。
有鉴于此,亟需一种易于持续优化的燃气泄漏检测判定方法及系统,能够实现更加精细化的分级风险判定。
发明内容
针对现有技术的不足,本申请采用深度学习技术,通过构造专门的网络结构,学习海量实际检测数据,能够获得比传统方法更优越的性能,可以通过检测数据持续积累和深度学习模型的改进而持续优化性能,并且能够实现定量分级风险判定。
为解决上述技术问题,在本申请的第一个方面,提供一种易于持续优化的燃气泄漏检测判定方法,包括以下步骤:
泄漏判定模型的建立:所述泄漏判定模型是由预设的多层神经网络构成;
泄漏判定模型的训练,包括:
1)训练样本的获取和预处理:检测各监测点所需气体浓度,获取所需气体浓度原始数据,并对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,以及获取各监测点的地理坐标,即得到若干个训练样本;
2)模型训练:将所述若干个训练样本输入所述预设的多层神经网络,得到训练完成的泄漏判定模型;
检测判定,包括:
1)测试样本的获取和预处理:检测待监测点所需气体浓度,获取所需气体浓度原始数据,并对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,以及获取待监测点的地理坐标,即得到测试样本的数据;
2)将得到的测试样本的数据输入所述训练完成的泄漏判定模型,输出结果,即可进行燃气泄漏判定。
在泄漏判定模型的建立中,进一步的,所述预设的多层神经网络为全连接、Attention、GRU等时序处理层的一种或多种的结合构成的神经网络;
更进一步的,所述预设的多层神经网络是以全连接模型为基础构造的深度学习模型。
在泄漏判定模型的训练中:
为更加高效检测燃气泄漏,进一步的,所需气体选择甲烷和/或乙烷;
进一步的,采用浓度传感器实时检测所需气体浓度,从而获取所需气体浓度数据;
进一步的,对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,包括以下步骤:
a剔除奇异值:去除浓度高于均值2~3倍的检测值;
b计算环境背景值:采用窗口尺寸120~160的移动均值为环境背景值;
c计算所述气体浓度净值:气体浓度原始值扣除环境背景值即为所述气体浓度净值;
进一步的,采用定位装置即可获取所需气体监测点坐标,此为本领域的技术人员常规可以做到的,所述定位装置包括但不仅仅限于北斗卫星导航系统(简称北斗定位)或全球定位系统(简称GPS);
进一步的,将每一个训练样本作为每行具有4项参数的矩阵数据输入预设的多层神经网络进行全局训练,直到输出精度达到预设精度,从而得到训练完成的模型,其中,4项参数包括:甲烷浓度净值、乙烷浓度净值、监测点的经度和纬度;矩阵的列数设置为2n+1个,n为2~50;更进一步的,n为3~10;
更进一步的,所述训练完成的模型是以全连接模型为基础构建的深度优先的算法模型,其中,深度为4-10层(包括输入层、隐藏层和输出层等),宽度为16-32单元;隐藏层激活函数采用tanh,输出层激活函数sigmoid。
在检测判定中,进一步的,测试样本的待监测点数量设置为(2n+1)个,测试样本的输入数据为4*(2n+1)个,n为3~10;
进一步的,采用GIS系统实时显示检测区域的风险值。
在本申请的第二个方面,提供一种与上述任一方法相对应的易于持续优化的燃气泄漏检测判定系统,包括:
气体浓度检测模块:包括气体浓度检测装置,用以检测和获取所需气体浓度的数据;
监测点定位模块:包括定位装置,用以获取监测点的地理坐标;
分析模块:用以根据所述获取的所需气体浓度的数据分析和获取所需气体浓度净值,进而用以根据所述所需气体浓度净值和所述监测点的地理坐标通过预设的多层神经网络或训练完成的模型分析和获取监测点的泄漏风险值数据;
预警显示模块:用以显示所述分析模块获取的泄漏风险值数据。
在气体浓度检测模块中,为更加高效检测燃气泄漏,进一步的,所述气体浓度检测装置包括气体浓度传感器;所述所需气体为甲烷和/或乙烷。
在监测点定位模块中,进一步的,所述定位装置包括但不限于中国北斗卫星导航系统或GPS。
在分析模块中,进一步的,对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,包括以下步骤:
a剔除奇异值:去除浓度高于均值2~3倍的检测值;
b计算环境背景值:采用窗口尺寸120~160的移动均值为环境背景值;
c计算所述气体浓度净值:气体浓度原始值扣除环境背景值即为所述气体浓度净值。
在分析模块中,进一步的,预设的多层神经网络为全连接、Attention、GRU等时序处理层的一种或多种结合形成的模型。
在分析模块中,进一步的,所述训练完成的模型是以全连接模型为基础构建的深度优先算法模型,其中,深度为4-10层(包括输入层、隐藏层和输出层等),宽度为16-32单元,隐藏层激活函数采用tanh,输出层激活函数sigmoid。
在分析模块中,进一步的,测试样本的监测点数量设置为(2n+1)个,测试样本的输入数据为4*(2n+1)个,n为3~10,在每个监测点所测数据包括:甲烷浓度、乙烷浓度和此监测点的地理坐标(经度和纬度)。
在分析模块中,进一步的,输出层为单神经元结构,采用Sigmoid激活函数,输出0~1.0范围的风险评估值,意味着0%~100%泄漏风险,实现量化评估和风险分级。
在分析模块中,进一步的,采用GIS系统实时显示检测区域的风险值。
在本申请的第三个方面,提供一种车载燃气泄漏检测判定设备,包括所述一种易于持续优化的燃气泄漏检测判定系统。
与现有技术相比,本申请具有如下有益效果:
1、本申请采用深度学习技术,通过构造专门的网络结构,学习海量实际检测数据,能够获得比传统方法更优越的性能,可以通过检测数据持续积累和深度学习模型的改进而持续优化性能。
2、本申请基于深度学习模型,在分析过程的输出中,采用Sigmoid激活函数,输出0~1.0范围的风险评估值,意味着0%~100%泄漏风险,能够实现量化评估和风险分级。
3、与现有技术相比,本申请选择的数据为实时检测数据,可以完全覆盖实际情况,判定结果准确率高。
4、本申请的系统和方法,采用深度学习模型,与现有技术相比,后续可以更加容易进行针对性的优化或持续改进,降低检测成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种易于持续优化的燃气泄漏检测判定模型示意图;
图2为本申请实施例所提供的泄露判定模型训练及检测过程流程图;
图3为本申请实施例所提供的一种易于持续优化的燃气泄漏检测判定系统流程图;
图4为本申请实施例所提供的燃气浓度传感器原始数据样本;
图5为本申请实施例所提供的乙烷浓度的原始值、环境背景值和净值;
图6为本申请实施例所提供的深度优先模型示例结构。
图7为本申请实施例所提供的神经网络输入形式的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
术语解释:
在本申请中,GIS系统是将计算机硬件、软件、地理数据以及系统管理人员组织而成的对任一形式的地理信息进行高效获取、存储、更新、操作、分析及显示的集成,是本领域技术人员所常规知晓的。
在本申请中,监测点,也称检测点,是指在某一时间点采集的气体所在的位置,其所表征的参数为时间和地理位置,比如同一位置不同时间获取数据的位置点称为两个监测点。
深度学习技术在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据(例如图像,声音和文本),通过针对性的设计网络结构,可以学习到任务数据表征,并自动提取出一系列特征,实现任务的自主学习。深度学习能够大大优化传统经典方法,可以进行量化分析,还可以通过数据的积累和算法改进两个方面持续优化。
在本申请的一个实施例中,提供一种易于持续优化的燃气泄漏检测判定方法,包括以下步骤:
泄漏判定模型的建立:所述泄漏判定模型是由预设的多层神经网络构成;
泄漏判定模型的训练,包括:
1)训练样本的获取和预处理:检测各监测点所需气体浓度,获取所需气体浓度原始数据,并对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,以及获取各监测点的地理坐标,即得到若干个训练样本;
2)模型训练:将所述若干个训练样本输入所述预设的多层神经网络,得到训练完成的泄漏判定模型;
检测判定,包括:
1)测试样本的获取和预处理:检测待监测点所需气体浓度,获取所需气体浓度原始数据,并对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,以及获取待监测点的地理坐标,即得到测试样本的数据;
2)将得到的测试样本的数据输入所述训练完成的泄漏判定模型,输出结果,即可进行燃气泄漏判定。
基于上述实施例,作为本申请的另一个实施例所述,在泄漏判定模型的建立中,所述预设的多层神经网络为全连接、Attention、GRU等时序处理层的一种或多种的结合构成的神经网络,该神经网络包括但不限于输入层、隐藏层和输出层等,本领域的技术人员可根据实际情况常规知晓。
基于上述实施例,作为本申请的另一个实施例所述,在泄漏判定模型的建立中,所述预设的多层神经网络是以全连接模型为基础构造的深度学习模型。
基于上述实施例,为更加高效检测燃气泄漏,作为本申请的另一个实施例所述,在泄漏判定模型的训练中,所需气体选择甲烷和乙烷。
基于上述实施例,为更加高效检测燃气泄漏,作为本申请的另一个实施例所述,在泄漏判定模型的训练中,采用浓度传感器实时检测所需气体浓度,从而获取所需气体浓度数据。
基于上述实施例,为更加高效检测燃气泄漏,作为本申请的另一个实施例所述,在泄漏判定模型的训练中,对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,包括以下步骤:
a剔除奇异值:去除浓度高于均值2~3倍的检测值;
b计算环境背景值:采用窗口尺寸120~160的移动均值为环境背景值;
c计算所述气体浓度净值:气体浓度原始值扣除环境背景值即为所述气体浓度净值。
基于上述实施例,为更加高效检测燃气泄漏,作为本申请的另一个实施例所述,在泄漏判定模型的训练中,采用定位装置即可获取所需气体监测点坐标,此为本领域的技术人员常规可以做到的,所述定位系统包括但不仅仅限于北斗卫星导航系统或GPS。
本发明人经过对模型的分析验证,发现只需以甲烷、乙烷的浓度净值以及监测点的地理坐标(经度和纬度)作为分析数据,即可高效判定燃气是否泄漏以及泄漏风险。
基于上述实施例,为更加高效检测燃气泄漏,作为本申请的另一个实施例所述,在泄漏判定模型的训练中,将每一个训练样本作为每行具有4项参数的矩阵数据输入预设的多层神经网络进行全局训练,直到输出精度达到预设精度,从而得到训练完成的模型,其中,4项参数包括:甲烷浓度净值、乙烷浓度净值、监测点的经度和纬度;矩阵的列数设置为2n+1个,n为2~50;进一步的,n为3~10。
基于上述实施例,为更加高效检测燃气泄漏,作为本申请的另一个实施例所述,在泄漏判定模型的训练中,所述训练完成的模型是以全连接模型为基础构建的深度优先的算法模型,其中,深度为4-10层(包括输入层、隐藏层和输出层等),宽度为16-32单元;隐藏层激活函数采用tanh,输出层激活函数sigmoid。
基于上述实施例,作为本申请的另一个实施例所述,在检测判定中,测试样本的相关数据的预处理步骤与训练样本的相同;以及,获取待监测点的地理坐标方法与训练样本的可以相同。
基于上述实施例,作为本申请的另一个实施例所述,在检测判定中,测试样本的待监测点数量设置为(2n+1)个,测试样本的输入数据为4*(2n+1)个,n为3~10。
基于上述实施例,在本申请的另一个实施例所述,在检测判定中,采用GIS系统实时显示检测区域的风险值。
基于上述实施例,在本申请的另一个实施例所述,在检测判定中,如图1所示,输出层为单神经元结构,采用SIGMOID激活函数,输出0~1.0范围的风险评估值,意味着0%~100%泄漏风险,实现量化评估和风险分级。
基于上述实施例,在本申请的另一个实施例所述,提供一种易于持续优化的燃气泄漏检测判定方法,具体包括以下步骤:
如图2所示,包括数据采集(即采集获取所需气体浓度原始数据和监测点的地理坐标)、数据标准化(数据预处理)、数据清洗(剔除奇异值)、数据入库、验证和应用等。
如图3所示,本申请的一个实施例提供一种易于持续优化的燃气泄漏检测判定系统,包括:
气体浓度检测模块:包括气体浓度检测装置,用以检测和获取所需气体浓度的数据;
监测点定位模块:包括定位装置,用以获取监测点的地理坐标;
分析模块:用以根据所述获取的所需气体浓度的数据分析和获取所需气体浓度净值,进而用以根据所述所需气体浓度净值和所述监测点的地理坐标通过预设的多层神经网络或训练完成的模型分析和获取监测点的泄漏风险值数据;
预警显示模块:用以显示所述分析模块获取的泄漏风险值数据。
基于上述实施例,作为本申请的另一个实施例所述,如图3所示,所述气体浓度检测装置包括气体浓度传感器,所述所需气体包括甲烷和/或乙烷。该气体浓度传感器用以检测甲烷或乙烷的浓度,并通过网络实时传输给分析模块。
基于上述实施例,作为本申请的另一个实施例所述,如图3所示,所述监测点定位装置包括北斗卫星导航系统,用以获取监测点的地理坐标,并通过网络实时传输给分析模块。
基于上述实施例,作为本申请的另一个实施例所述,采用所述气体浓度传感器和所述北斗卫星导航系统获取如图5所示数据,如图5所示,本申请中的天然气泄漏判定主要涉及到甲烷、乙烷的浓度和经纬度坐标。
由于实际环境比较复杂,噪音比较多,因此检测数据需要进行预处理后才能用于后续分析和判断。基于上述实施例,作为本申请的另一个实施例所述,如图3所示,所述分析模块包括分析主机,用以根据所述获取的所需气体浓度的数据分析和获取所需气体浓度净值,进而用以根据所述所需气体浓度净值和所述监测点的地理坐标通过预设的神经网络或训练好的模型分析和获取监测点的泄漏风险值数据。
由于大气环境中,特别是城市道路环境中,本身就存在着一定量的天然气组成成分,为了尽量减少环境因素的影响,提高判断的准确性,应该先计算环境背景值,然后使用所需气体浓度净值进行后续分析。具体的,获取所需气体浓度净值算法如下:
a剔除奇异值:去除浓度高于均值2~3倍的检测值;
b计算环境背景值:由于实时性要求高,空间跨度巨大,因此根据经验,采用窗口尺寸120~160的移动均值为浓度背景值比较事宜;
c计算所述气体浓度净值:气体浓度原始值扣除环境背景值即为所述气体浓度净值。
更加具体的,以乙烷浓度净值计算为例,结果如图5所示。
需要说明的是,所述移动均值是指定时间段内对时间序列数据采用逐项递进的办法,将时间序列中的若干项数据进行算术平均所得到的一系列平均数。若平均的数据项数为N,就称为N期(项)移动平均,N也成为窗口尺寸。
示例说明:当泄漏检测设备依次得到一组测定值时,按顺序取一定数量的数据并算得其全部算术平均值,得到的数据就叫做移动平均值。
若依次得到测定值(x1,x2,x3,...,xn)时,按顺序取一定个数所做的全部算术平均值。例如,
为了提高最终检测结果的准确性,基于上述实施例,作为本申请的另一个实施例所述,泄漏判定时根据甲烷(CH4)和乙烷(C2H6)浓度净值的变化来判断发生天然气泄露风险可能性,因此不建议根据当前一个监测点数值判定,而是通过一定范围内的监测点情况综合考虑,可采用当前时间点前后各n个监测点的数据,每个点的数据包含甲烷(CH4)或乙烷(C2H6)两种气体浓度净值和该监测点的地理坐标,然后经过多层神经网络(包括全连接、Attention、GRU等多种时序处理层),最后输出层为单神经元结构,采用SIGMOID激活函数,输出0~1.0范围的风险评估值,意味着0%~100%泄漏风险,实现量化评估。
基于上述实施例,作为本申请的另一个实施例所述,采用基于神经网络的深度学习模型,由于该任务主要是根据甲烷和乙烷净值浓度变化情况判定发生燃气泄漏的可能性,因此该任务本质是二分类。根据输入数据情况(2n+1)个监测点的2种气体浓度净值和地理坐标,因此每次输入4*(2n+1)个数据,n一般在3~10,所以输入数据规模在28~84之间,数据规模较小,属于简单时序数据,因此可以以FC模型(全连接模型)为基础,构造深度学习模型。考虑到模型容量和学习效率,通过Shortcut Connections同时利用低阶特征和高阶特征,如图6所示。
根据实际训练过程发现,模型以深度优先效果较好,4-10层为宜,主要层相对宽度较窄,16-32单元为宜。隐藏层激活函数采用tanh,输出层激活函数sigmoid,以确认二分类。
对此模型进行验证:本任务模型训练采用2018年8月到2018年12月的实际检测数据,验证数据采用2019年3月到2019年4月的实际检测数据,并同时对比已有的传统经典系统及方法的判定结果和人工确认结果进行评估,以验证模型的性能。验证发现,通过数据积累和模型算法调整两方面都可以持续的优化模型性能,并能够实现量化评估和风险分级,优于传统经典的系统和方法。
需要说明的是,神经网络的输入一般都以矩阵的形式输出,在本实施例中,参数的输入形式如图7所示,以矩阵的形式进行输入。
基于上述实施例,作为本申请的另一个实施例所述,如图3所示,所述预警显示模块包括预警显示器,用以显示所述分析模块获取的泄漏风险值数据。
基于上述实施例,在本申请的另一个实施例所述,获取输出数据,包括:
输出层为单神经元结构,采用Sigmoid激活函数,输出0~1.0范围的风险评估值,意味着0%~100%泄漏风险,实现量化评估。
基于上述实施例,在本申请的另一个实施例所述,提供一种车载燃气泄漏检测判定设备,包括上述实施例中任一种所述的易于持续优化的燃气泄漏检测判定系统。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的方法和系统,两者相互对应,可相互参考。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种易于持续优化的燃气泄漏检测判定方法,其特征在于,包括以下步骤:
泄漏判定模型的建立:所述泄漏判定模型是由预设的多层神经网络构成;
泄漏判定模型的训练,包括:
1)训练样本的获取和预处理:检测各监测点所需气体浓度,获取所需气体浓度原始数据,并对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,以及获取各监测点的地理坐标,即得到若干个训练样本;
2)模型训练:将所述若干个训练样本输入所述预设的多层神经网络,得到训练完成的泄漏判定模型;
检测判定,包括:
1)测试样本的获取和预处理:检测待监测点所需气体浓度,获取所需气体浓度原始数据,并对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,以及获取待监测点的地理坐标,即得到测试样本的数据;
2)将得到的测试样本的数据输入所述训练完成的泄漏判定模型,输出结果,即可进行燃气泄漏判定;
所述多层神经网络是以全连接模型为基础构建的深度优先的算法模型,其中,深度为4-10层,宽度为16-32单元;隐藏层激活函数采用tanh,输出层激活函数sigmoid;
所述多层神经网络的输出层为单神经元结构,采用Sigmoid激活函数,输出0-1.0范围的风险评估值,意味着0%-100%泄漏风险,实现量化评估和风险分级。
2.如权利要求1所述的方法,其特征在于,在泄漏判定模型的建立中,所述预设的多层神经网络为全连接模型与Attention、GRU时序处理层的一种或多种的结合构成的神经网络。
3.如权利要求1所述的方法,其特征在于,在泄漏判定模型的训练中,所需气体为甲烷和/或乙烷;
进一步的,采用浓度传感器实时检测所需气体浓度。
4.如权利要求1所述的方法,其特征在于,在泄漏判定模型的训练中,对所述气体浓度原始数据进行预处理,获取所述气体浓度净值数据,包括以下步骤:
a剔除奇异值:去除浓度高于均值2~3倍的检测值;
b计算环境背景值:采用窗口尺寸120~160的移动均值为环境背景值;
c计算所述气体浓度净值:气体浓度原始值扣除环境背景值即为所述气体浓度净值。
5.如权利要求1所述的方法,其特征在于,在泄漏判定模型的训练中,采用定位装置即可获取所需气体监测点坐标,所述定位装置为北斗卫星导航系统或全球定位系统。
6.如权利要求1所述的方法,其特征在于,在泄漏判定模型的训练中,将每一个训练样本作为每行具有4项参数的矩阵数据输入预设的多层神经网络进行全局训练,直到输出精度达到预设精度,从而得到训练完成的模型,其中,4项参数包括:甲烷浓度净值、乙烷浓度净值、监测点的经度和纬度。
7.如权利要求1所述的方法,其特征在于,在检测判定中,测试样本的待监测点数量设置为(2n+1)个,测试样本的输入数据为4*(2n+1)个,n为3~10。
8.一种与权利要求1~7中任一项所述的方法相对应的易于持续优化的燃气泄漏检测判定系统,其特征在于,包括:
气体浓度检测模块:包括气体浓度检测装置,用以检测和获取所需气体浓度的数据;
监测点定位模块:包括定位装置,用以获取监测点的地理坐标;
分析模块:用以根据所述获取的所需气体浓度的数据分析和获取所需气体浓度净值,进而用以根据所述所需气体浓度净值和所述监测点的地理坐标通过预设的多层神经网络或训练完成的模型分析和获取监测点的泄漏风险值数据;
预警显示模块:用以显示所述分析模块获取的泄漏风险值数据。
9.一种车载燃气泄漏检测判定设备,其特征在于,包括权利要求8所述的易于持续优化的燃气泄漏检测判定系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616775.4A CN110242865B (zh) | 2019-07-09 | 2019-07-09 | 一种易于持续优化的燃气泄漏检测判定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616775.4A CN110242865B (zh) | 2019-07-09 | 2019-07-09 | 一种易于持续优化的燃气泄漏检测判定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110242865A CN110242865A (zh) | 2019-09-17 |
CN110242865B true CN110242865B (zh) | 2020-05-08 |
Family
ID=67891506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910616775.4A Active CN110242865B (zh) | 2019-07-09 | 2019-07-09 | 一种易于持续优化的燃气泄漏检测判定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110242865B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110841142B (zh) * | 2019-10-22 | 2022-03-08 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路堵塞的方法及系统 |
CN111091149B (zh) * | 2019-12-16 | 2021-07-30 | 北京讯腾智慧科技股份有限公司 | 一种基于多源数据融合的燃气泄漏检测方法、系统、终端及计算机存储介质 |
CN112413413B (zh) * | 2020-11-20 | 2022-03-01 | 成都艾斯皮埃尔科技有限公司 | 结合深度学习和多次测量技术的管道泄漏监测及定位方法 |
CN113063861B (zh) * | 2021-03-15 | 2022-06-24 | 无锡杰博仪器科技有限公司 | 一种基于分类算法的氧氮氢分析仪测量系统 |
CN114352947B (zh) * | 2021-12-08 | 2024-03-12 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
CN117763934A (zh) * | 2023-06-21 | 2024-03-26 | 吉林建筑大学 | 一种基于深度学习的微型管廊气体监测方法及系统 |
CN117395291B (zh) * | 2023-12-11 | 2024-02-20 | 中汽数据有限公司 | 多涉氢环境联动安全监控系统、方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178153A (zh) * | 2007-12-07 | 2008-05-14 | 中国科学技术大学 | 新型城市天然气管道泄漏检测定位方法及系统 |
CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
CN101561081A (zh) * | 2009-05-18 | 2009-10-21 | 中国地质大学(武汉) | 应用自主导航机器人对油气管道泄漏的检测定位方法 |
WO2014063069A1 (en) * | 2012-10-19 | 2014-04-24 | Picarro, Inc. | Methods for gas leak detection and localization in populated areas using horizontal analysis |
CN104061445A (zh) * | 2014-07-09 | 2014-09-24 | 中国石油大学(华东) | 一种基于神经网络的管道泄漏检测方法 |
CN107917341A (zh) * | 2016-10-09 | 2018-04-17 | 中国石油天然气股份有限公司 | 一种输油管道泄漏检测方法及装置 |
WO2018164608A3 (ru) * | 2017-03-06 | 2018-11-01 | Евгений Николаевич КАЛМЫКОВ | Способ контроля коррозионных процессов |
CN109237310A (zh) * | 2018-05-08 | 2019-01-18 | 拉萨市暖心供暖供气服务有限责任公司 | 一种基于窄带物联网的燃气管网监测方法 |
-
2019
- 2019-07-09 CN CN201910616775.4A patent/CN110242865B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178153A (zh) * | 2007-12-07 | 2008-05-14 | 中国科学技术大学 | 新型城市天然气管道泄漏检测定位方法及系统 |
CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
CN101561081A (zh) * | 2009-05-18 | 2009-10-21 | 中国地质大学(武汉) | 应用自主导航机器人对油气管道泄漏的检测定位方法 |
WO2014063069A1 (en) * | 2012-10-19 | 2014-04-24 | Picarro, Inc. | Methods for gas leak detection and localization in populated areas using horizontal analysis |
CN104061445A (zh) * | 2014-07-09 | 2014-09-24 | 中国石油大学(华东) | 一种基于神经网络的管道泄漏检测方法 |
CN107917341A (zh) * | 2016-10-09 | 2018-04-17 | 中国石油天然气股份有限公司 | 一种输油管道泄漏检测方法及装置 |
WO2018164608A3 (ru) * | 2017-03-06 | 2018-11-01 | Евгений Николаевич КАЛМЫКОВ | Способ контроля коррозионных процессов |
CN109237310A (zh) * | 2018-05-08 | 2019-01-18 | 拉萨市暖心供暖供气服务有限责任公司 | 一种基于窄带物联网的燃气管网监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110242865A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110242865B (zh) | 一种易于持续优化的燃气泄漏检测判定方法及系统 | |
CN110398320B (zh) | 一种易于持续优化的燃气泄漏检测定位方法及系统 | |
US20210319265A1 (en) | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network | |
US11933774B1 (en) | Leak detection event aggregation and ranking systems and methods | |
Lei et al. | A comprehensive evaluation method for indoor air quality of buildings based on rough sets and a wavelet neural network | |
US10444108B1 (en) | Systems and methods for likelihood-based detection of gas leaks using mobile survey equipment | |
Sun et al. | Modeling carbon emissions from urban traffic system using mobile monitoring | |
CN109034641A (zh) | 管道缺陷预测方法及装置 | |
US20220082409A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
Jida et al. | Roadside vehicle particulate matter concentration estimation using artificial neural network model in Addis Ababa, Ethiopia | |
CN116258086B (zh) | 一种燃气管道风险评估方法及系统 | |
CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
CN113192569B (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
CN114067103A (zh) | 一种基于YOLOv3的管道第三方破坏智能识别方法 | |
Santos et al. | A proposed methodology for the assessment of arsenic, nickel, cadmium and lead levels in ambient air | |
CN117520989A (zh) | 一种基于机器学习的天然气管道泄漏检测方法 | |
CN117009788A (zh) | 基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法 | |
Tarasov et al. | A hybrid method for assessment of soil pollutants spatial distribution | |
CN113744888B (zh) | 区域流行病趋势预测预警方法及系统 | |
Mousavi et al. | Design of a correlated validated CFD and genetic algorithm model for optimized sensors placement for indoor air quality monitoring | |
CN111461163B (zh) | 城市内部pm2.5浓度模拟和人口暴露度评估方法和装置 | |
Jian et al. | Anomaly detection and classification in water distribution networks integrated with hourly nodal water demand forecasting models and feature extraction technique | |
CN115879594A (zh) | 一种基于地理探测器的城市定居人口分布趋势预测方法 | |
Xue et al. | Statistical source analysis of recurring sulfur dioxide pollution events in a chemical industrial park |
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 |