CN111367972A - 一种基于人工智能的社区排水管道探查方法和系统 - Google Patents
一种基于人工智能的社区排水管道探查方法和系统 Download PDFInfo
- Publication number
- CN111367972A CN111367972A CN202010087881.0A CN202010087881A CN111367972A CN 111367972 A CN111367972 A CN 111367972A CN 202010087881 A CN202010087881 A CN 202010087881A CN 111367972 A CN111367972 A CN 111367972A
- Authority
- CN
- China
- Prior art keywords
- detection
- site
- state parameters
- drainage pipeline
- local area
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本申请实施例提供一种基于人工智能的社区排水管道探查方法和系统。本发明针对排水管道的各个检测位点,将利用闭路探测、潜望镜探测以及声纳探测获得的位点状态参数进行归一化,进而,根据排水管道的拓扑结构以及各个位点状态参数的特征,判断检测位点的拓扑关联性,形成位点局域网络;利用各个检测位点的位点状态参数,通过神经网络训练,模拟分析位点局域网络的变化规律;最后,针对探查发现的排水管道故障点,对该故障点对位点局域网络的影响进行预测,从而提升响应的及时性。本发明还运用GIS信息界面下的可视化展示,实现对社区排水管道故障点及其影响的直观展示。
Description
技术领域
本申请涉及智慧社区技术领域,尤其涉及一种基于人工智能的社区排水管道探查方法和系统。
背景技术
排水管道保障着社区生活废水和自然降水的排放,是维护社区运营重要的基础设施。一旦排水管道发生故障,往往会导致路面积水、地库存水,乃至引起反流倒灌,严重影响社区的交通和生活秩序,有可能造成车辆被淹等事故,还存在健康隐患以及建筑质量方面的风险。
社区排水管道故障的主要诱因是堵塞淤积、塌陷错位等故障造成的水流量下降,因此,定期探查排水管道以便发现潜在的故障点,是非常必要的技术手段,为管道的后续疏通提供了不可或缺的信息。
目前排水管道的探查方法包括闭路探测、潜望镜探测以及声纳探测。闭路探测是用携带摄像机和照明器材的管道内窥机器人进入排水管道内部,并沿着管道行进一定距离,这一过程中连续拍摄排水管道内部的视频画面,检测人员通过查看和分析画面,发现其中存在的故障点。潜望镜探测较为类似,是由检测人员从管道之间预留的接缝开口处置入潜望镜,潜望镜携带摄像机以及照明器材,通过潜望镜拍摄的视频画面查找故障点。声纳探测则是将具有超声发射器和超声传感器的声纳探头从管道之间预留的接缝开口置入管道内部,主动向水中发射声波,通过接收反射回波发现管道中的目标,并根据反射回波到达时间测算目标距离,通过分析反射回波确定目标相关的参量,从而发现管道的故障点;声纳探测法适用于管道内水体液位较高的场景,可以有效检测到并辨别管道液位之下的障碍物所形成的故障点。
然而,目前针对社区排水管道探查的以上方法,对于获得的故障点位置、状态等参数只是由检测人员进行简单的登记和上报,作为探查记录和维修参考,缺乏系统性地分析,特别是无法针对排水管道或者排水管网之间的拓扑关联性,实施故障点之间的影响因素相互分析,以及对每段排水管道单位的整体性评估和预测评估,导致现有的排水管道探查的功能单一,作用不强,预测性差,对各种排水状况的响应能力弱。
发明内容
有鉴于此,本申请的目的在于提出一种基于人工智能的社区排水管道探查方法和系统。本发明针对排水管道的各个检测位点,将利用闭路探测、潜望镜探测以及声纳探测获得的位点状态参数进行归一化,进而,根据排水管道的拓扑结构以及各个位点状态参数的特征,判断检测位点的拓扑关联性,形成位点局域网络;利用各个检测位点的位点状态参数,通过神经网络训练,模拟分析位点局域网络的变化规律;最后,针对探查发现的排水管道故障点,对该故障点对位点局域网络的影响进行预测,从而提升响应的及时性。本发明还运用GIS信息界面下的可视化展示,实现对社区排水管道故障点及其影响的直观展示。
基于上述目的,在本申请提出一种基于人工智能的社区排水管道探查方法,包括:
针对社区排水管道的各个检测位点,利用探测手段获得其位点状态参数;
利用位点状态参数的标准格式模板,对位点状态参数进行归一化,形成数据格式统一的归一化位点状态参数;
根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点;
根据彼此拓扑关联的检测位点的归一化位点状态参数的特征,从彼此拓扑关联的检测位点中确定检测位点的关联性,形成位点局域网络;
利用各个检测位点的归一化位点状态参数,通过神经网络训练,进行位点局域网络的变化规律的分析模拟;
针对探查发现的排水管道故障点,根据位点局域网络的变化规律的分析模拟,对该故障点对位点局域网络的影响进行预测。
优选的是,所述探测手段包括闭路探测、潜望镜探测以及声纳探测的任意一种或多种。
优选的是,所述探测手段获得的检测位点的位点状态参数包括管道口径、淤积堵塞程度、管道完好程度,且标准格式模板包含数据格式归一化之后的管道口径参数、淤积堵塞度参数、管道完好度参数。
优选的是,所述根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点具体包括:将社区排水管道的各个检测位点标注在GIS数字地图上,并且根据排水管道的空间延伸和水流流向,确定空间上联通且距离在预定距离阈值之内的检测位点,作为拓扑关联的检测位点。
优选的是,对于初步选取的拓扑彼此关联的检测位点,根据归一化位点状态参数,判断归一化位点状态参数的相近匹配程度,并将匹配程度高的检测位点确定为彼此具有关联性的检测位点,进而彼此具有关联性的检测位点形成位点局域网络。
优选的是,所述通过神经网络训练,进行位点局域网络的变化规律的分析模拟具体包括:基于BP神经网络,通过监督学习训练之后,对位点局域网络的归一化位点状态参数和排水状态之间的关系进行模拟。
本申请又提出一种基于人工智能的社区排水管道探查系统,包括:
探测模块,用于针对社区排水管道的各个检测位点,利用探测手段获得其位点状态参数;
归一化模块,用于利用位点状态参数的标准格式模板,对位点状态参数进行归一化,形成数据格式统一的归一化位点状态参数;
位点局域网络组织模块,用于根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点;以及根据彼此拓扑关联的检测位点的归一化位点状态参数的特征,从彼此拓扑关联的检测位点中确定检测位点的关联性,形成位点局域网络;
分析模拟模块,利用各个检测位点的归一化位点状态参数,通过神经网络训练,进行位点局域网络的变化规律的分析模拟;
影响预测和可视化展示模块,针对探查发现的排水管道故障点,根据位点局域网络的变化规律的分析模拟,对该故障点对位点局域网络的影响进行预测。
优选的是,所述探测模块采取的探测手段包括闭路探测、潜望镜探测以及声纳探测的任意一种或多种。
优选的是,所述探测手段获得的检测位点的位点状态参数包括管道口径、淤积堵塞程度、管道完好程度,且标准格式模板包含数据格式归一化之后的管道口径参数、淤积堵塞度参数、管道完好度参数。
优选的是,所述位点局域网络组织模块根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点具体包括:将社区排水管道的各个检测位点标注在GIS数字地图上,并且根据排水管道的空间延伸和水流流向,确定空间上联通且距离在预定距离阈值之内的检测位点,作为拓扑关联的检测位点。
优选的是,所述位点局域网络组织模块对于初步选取的拓扑彼此关联的检测位点,根据归一化位点状态参数,判断归一化位点状态参数的相近匹配程度,并将匹配程度高的检测位点确定为彼此具有关联性的检测位点,进而彼此具有关联性的检测位点形成位点局域网络。
优选的是,所述分析模拟模块通过神经网络训练,进行位点局域网络的变化规律的分析模拟具体包括:基于BP神经网络,通过监督学习训练之后,对位点局域网络的归一化位点状态参数和排水状态之间的关系进行模拟。
可见,本发明提供了一种基于人工智能的社区排水管道探查方法和系统,本发明将多种探测手段获知的排水管道状态综合为归一化位点状态参数,进而根据拓扑关系和特征关联性把检测位点转化为位点局域网络,以位点局域网络为单位,通过BP神经网络实现模拟和预测分析,简化模拟与预测的计算过程,提高可行性,并且提供了直观的可视化展示手段。本申请的技术方案可以广泛应用于对社区排水管道和官网的探查及分析,提升了排水管道管理维护的技术水平,具有高效、准确、预测性强、直观的效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例的社区排水管道探查方法流程图;
图2是本申请实施例的检测位点拓扑组织关系图;
图3是本申请实施例的社区排水管道探查系统结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本申请提出一种基于人工智能的社区排水管道探查方法和系统。本发明针对排水管道的各个检测位点,将利用闭路探测、潜望镜探测以及声纳探测获得的位点状态参数进行归一化,进而,根据排水管道的拓扑结构以及各个位点状态参数的特征,判断检测位点的拓扑关联性,形成位点局域网络;利用各个检测位点的位点状态参数,通过神经网络训练,模拟分析位点局域网络的变化规律;最后,针对探查发现的排水管道故障点,对该故障点对位点局域网络的影响进行预测,从而提升响应的及时性。
图1是本申请基于人工智能的社区排水管道探查方法流程图。参见该图1,所述基于人工智能的社区排水管道探查方法包括以下步骤:
探测步骤,针对社区排水管道的各个检测位点,利用探测手段获得其位点状态参数。本发明针对社区建立GIS数字地图,地图中标注每段排水管道的空间起止位置点、延伸途径以及途径中的一定数量的检测入口点,检测入口点一般是管道预留的接缝开口。GIS数字地图中还可以标注排水管道途经或者旁边的建筑物。针对社区排水管道的探测手段可以包括闭路探测、潜望镜探测以及声纳探测。闭路探测是用携带摄像机和照明器材的管道内窥机器人,从入口点进入排水管道内部,并沿着管道行进一定距离,这一过程中到达每个检测位点,即连续拍摄排水管道内部的视频画面,通过查看和分析画面,可以获得每个检测位点的位点状态参数。潜望镜探测是由检测人员从管道之间预留的接缝开口处置入潜望镜,每个入口点即作为检测位点,潜望镜携带的摄像机以及照明器材拍摄视频画面,作为每个检测位点的位点状态参数。声纳探测则是将具有超声发射器和超声传感器的声纳探头从管道之间预留的接缝开口置入管道内部,主动向水中发射声波,通过接收反射回波发现管道中的目标,并根据反射回波到达时间测算目标距离,通过分析反射回波确定目标相关的参量,从而发现管道的故障点;每个目标点即作为检测位点。通过以上探测手段获得的检测位点的位点状态参数包括管道口径、淤积堵塞程度、管道完好程度。其中管道口径反映了排水管道内壁整体直径。淤积堵塞程度反映了管道口径中因淤积堵塞造成无法过水的部分的占比。管道完好程度反映管道是否存在管壁破裂、渗漏乃至塌陷的状况。
归一化步骤,利用位点状态参数的标准格式模板,对位点状态参数进行归一化,形成数据格式统一的归一化位点状态参数。在本步骤中,针对每个检测位点的管道状态建立一个标准格式模板,标准格式模板包含数据格式归一化之后的管道口径参数、淤积堵塞度参数、管道完好度参数。在以上探测步骤中,通过闭路探测、潜望镜探测以及声纳探测中的一种或者多种手段所取得的每个检测位点的位点状态参数,即表示管道口径、淤积堵塞程度、管道完好程度的参数,均经过数据格式归一化的转换后,对应该标准格式模板的归一化管道口径参数、淤积堵塞度参数、管道完好度参数。
位点局域网络组织步骤,本步骤具体包括两个阶段。第一阶段是根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点;具体来说,将社区排水管道的各个检测位点标注在GIS数字地图上,并且根据排水管道的空间延伸和水流流向,确定空间上联通且距离在预定距离阈值之内的检测位点,作为拓扑关联的检测位点。例如,图2所示的GIS数字地图上,示出了排水管道L1、L2、L3以及检测位点P1、P2、P3、P4、P5、P6、P7、P8、P9、P10;对于其中的检测位点P1,根据虚线圆圈所示的距离阈值以及空间联通关系,确定空间上直接联通且位于距离阈值以内的检测位点P2、P3、P4、P5、P6、P7为初步选取的拓扑彼此关联的检测位点;而检测位点P8由于未与P1具有直接的联通拓扑关系,以及检测位点P9、P10由于超出了距离阈值,因此不作为初步选取的与P1拓扑彼此关联的检测位点。第二阶段,根据彼此拓扑关联的检测位点的归一化位点状态参数的特征,从彼此拓扑关联的检测位点中确定检测位点的关联性,形成位点局域网络。具体来说,对于检测位点P1,其与初步选取的拓扑彼此关联的检测位点P2、P3、P4、P5、P6、P7中的任意一个,根据二者的归一化位点状态参数,判断归一化位点状态参数的相近匹配程度,并将匹配程度高的检测位点确定为彼此具有关联性的检测位点,进而彼此具有关联性的检测位点形成位点局域网络。例如,检测位点P1与检测位点P2、P3的归一化管道口径参数、淤积堵塞度参数、管道完好度参数均符合相近匹配程度的要求,则将检测位点P1、P2、P3形成一个共同的位点局域网络。对于未组成该P1、P2、P3的位点局域网络的检测位点,可以从中选取任意一个检测位点,例如P4,继续按照以上两个阶段的过程,初步选取彼此拓扑关联的检测位点,再根据彼此拓扑关联的检测位点的归一化位点状态参数的特征,从彼此拓扑关联的检测位点中确定检测位点的关联性,形成下一个位点局域网络。通过拓扑关联和归一化位点状态参数接近匹配的标准,将检测位点组织为位点局域网络,在后续的步骤中以位点局域网络为单元,进行神经网络模拟和预测,可以简化模拟与预测的计算过程,提高可行性。
分析模拟步骤,利用各个检测位点的归一化位点状态参数,通过神经网络训练,进行位点局域网络的变化规律的分析模拟。BP神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。本发明即基于BP神经网络,通过监督学习训练之后,对位点局域网络的归一化位点状态参数和排水状态之间的关系进行模拟。具体来说,利用一定数量的位点局域网络归一化位点状态参数数组和实测排水能力组成的样本,对BP神经网络进行训练,将样本的归一化位点状态参数数组带入BP网络,获得输出的排水状态,并与实测排水状态进行误差比较,训练过程中根据误差不断调节网络神经元的权重,直至使BP网络输出的排水状态误差在允许范围内。从而,将位点局域网络组织步骤中获得的位点局域网络的归一化位点状态参数数组带入BP神经网络,取得排水状态的预测。
模拟预测和可视化展示步骤,针对探查发现的排水管道故障点,根据位点局域网络的变化规律的分析模拟,对该故障点对位点局域网络的影响进行预测。具体来说,当位点局域网络的归一化位点状态参数劣于正常数值范围,则将该位点局域网络记为排水管道的故障点;根据对位点局域网络的排水状态的预测,判断该故障点的影响状态,例如造成的水流滞留和泄露情况,并且在GIS数字地图上标注社区排水管道故障点及其影响,实现直观的可视化展示。
如图3所示,本发明进而提供了基于人工智能的社区排水管道探查系统结构图。参见该图3,所述基于人工智能的社区排水管道探查系统包括:
探测模块,针对社区排水管道的各个检测位点,利用探测手段获得其位点状态参数。本发明针对社区建立GIS数字地图,地图中标注每段排水管道的空间起止位置点、延伸途径以及途径中的一定数量的检测入口点,检测入口点一般是管道预留的接缝开口。GIS数字地图中还可以标注排水管道途经或者旁边的建筑物。针对社区排水管道,探查模块采取的探测手段可以包括闭路探测、潜望镜探测以及声纳探测。闭路探测是用携带摄像机和照明器材的管道内窥机器人,从入口点进入排水管道内部,并沿着管道行进一定距离,这一过程中到达每个检测位点,即连续拍摄排水管道内部的视频画面,通过查看和分析画面,可以获得每个检测位点的位点状态参数。潜望镜探测是由检测人员从管道之间预留的接缝开口处置入潜望镜,每个入口点即作为检测位点,潜望镜携带的摄像机以及照明器材拍摄视频画面,作为每个检测位点的位点状态参数。声纳探测则是将具有超声发射器和超声传感器的声纳探头从管道之间预留的接缝开口置入管道内部,主动向水中发射声波,通过接收反射回波发现管道中的目标,并根据反射回波到达时间测算目标距离,通过分析反射回波确定目标相关的参量,从而发现管道的故障点;每个目标点即作为检测位点。通过以上探测手段获得的检测位点的位点状态参数包括管道口径、淤积堵塞程度、管道完好程度。其中管道口径反映了排水管道内壁整体直径。淤积堵塞程度反映了管道口径中因淤积堵塞造成无法过水的部分的占比。管道完好程度反映管道是否存在管壁破裂、渗漏乃至塌陷的状况。
归一化模块,利用位点状态参数的标准格式模板,对位点状态参数进行归一化,形成数据格式统一的归一化位点状态参数。本模块针对每个检测位点的管道状态建立一个标准格式模板,标准格式模板包含数据格式归一化之后的管道口径参数、淤积堵塞度参数、管道完好度参数。在以上探测步骤中,通过闭路探测、潜望镜探测以及声纳探测中的一种或者多种手段所取得的每个检测位点的位点状态参数,即表示管道口径、淤积堵塞程度、管道完好程度的参数,均经过数据格式归一化的转换后,对应该标准格式模板的归一化管道口径参数、淤积堵塞度参数、管道完好度参数。
位点局域网络组织模块,本模块根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点;具体来说,将社区排水管道的各个检测位点标注在GIS数字地图上,并且根据排水管道的空间延伸和水流流向,确定空间上联通且距离在预定距离阈值之内的检测位点,作为拓扑关联的检测位点。例如,图2所示的GIS数字地图上,示出了排水管道L1、L2、L3以及检测位点P1、P2、P3、P4、P5、P6、P7、P8、P9、P10;对于其中的检测位点P1,根据虚线圆圈所示的距离阈值以及空间联通关系,确定空间上直接联通且位于距离阈值以内的检测位点P2、P3、P4、P5、P6、P7为初步选取的拓扑彼此关联的检测位点;而检测位点P8由于未与P1具有直接的联通拓扑关系,以及检测位点P9、P10由于超出了距离阈值,因此不作为初步选取的与P1拓扑彼此关联的检测位点。本模块进而根据彼此拓扑关联的检测位点的归一化位点状态参数的特征,从彼此拓扑关联的检测位点中确定检测位点的关联性,形成位点局域网络。具体来说,对于检测位点P1,其与初步选取的拓扑彼此关联的检测位点P2、P3、P4、P5、P6、P7中的任意一个,根据二者的归一化位点状态参数,判断归一化位点状态参数的相近匹配程度,并将匹配程度高的检测位点确定为彼此具有关联性的检测位点,进而彼此具有关联性的检测位点形成位点局域网络。例如,检测位点P1与检测位点P2、P3的归一化管道口径参数、淤积堵塞度参数、管道完好度参数均符合相近匹配程度的要求,则将检测位点P1、P2、P3形成一个共同的位点局域网络。对于未组成该P1、P2、P3的位点局域网络的检测位点,可以从中选取任意一个检测位点,例如P4,继续按照以上两个阶段的过程,初步选取彼此拓扑关联的检测位点,再根据彼此拓扑关联的检测位点的归一化位点状态参数的特征,从彼此拓扑关联的检测位点中确定检测位点的关联性,形成下一个位点局域网络。通过拓扑关联和归一化位点状态参数接近匹配的标准,将检测位点组织为位点局域网络,在后续的步骤中以位点局域网络为单元,进行神经网络模拟和预测,可以简化模拟与预测的计算过程,提高可行性。
分析模拟模块,利用各个检测位点的归一化位点状态参数,通过神经网络训练,进行位点局域网络的变化规律的分析模拟。BP神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。本发明即基于BP神经网络,通过监督学习训练之后,对位点局域网络的归一化位点状态参数和排水状态之间的关系进行模拟。具体来说,利用一定数量的位点局域网络归一化位点状态参数数组和实测排水能力组成的样本,对BP神经网络进行训练,将样本的归一化位点状态参数数组带入BP网络,获得输出的排水状态,并与实测排水状态进行误差比较,训练过程中根据误差不断调节网络神经元的权重,直至使BP网络输出的排水状态误差在允许范围内。从而,将位点局域网络组织步骤中获得的位点局域网络的归一化位点状态参数数组带入BP神经网络,取得排水状态的预测。
影响预测和可视化展示模块,针对探查发现的排水管道故障点,根据位点局域网络的变化规律的分析模拟,对该故障点对位点局域网络的影响进行预测。具体来说,当位点局域网络的归一化位点状态参数劣于正常数值范围,则将该位点局域网络记为排水管道的故障点;根据对位点局域网络的排水状态的预测,判断该故障点的影响状态,例如造成的水流滞留和泄露情况,并且在GIS数字地图上标注社区排水管道故障点及其影响,实现直观的可视化展示。
可见,本发明提供了一种基于人工智能的社区排水管道探查方法和系统,本发明将多种探测手段获知的排水管道状态综合为归一化位点状态参数,进而根据拓扑关系和特征关联性把检测位点转化为位点局域网络,以位点局域网络为单位,通过BP神经网络实现模拟和预测分析,简化模拟与预测的计算过程,提高可行性,并且提供了直观的可视化展示手段。本申请的技术方案可以广泛应用于对社区排水管道和官网的探查及分析,提升了排水管道管理维护的技术水平,具有高效、准确、预测性强、直观的效果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于人工智能的社区排水管道探查方法,其特征在于,包括:
针对社区排水管道的各个检测位点,利用探测手段获得其位点状态参数;
利用位点状态参数的标准格式模板,对位点状态参数进行归一化,形成数据格式统一的归一化位点状态参数;
根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点;
根据彼此拓扑关联的检测位点的归一化位点状态参数的特征,从彼此拓扑关联的检测位点中确定检测位点的关联性,形成位点局域网络;
利用各个检测位点的归一化位点状态参数,通过神经网络训练,进行位点局域网络的变化规律的分析模拟;
针对探查发现的排水管道故障点,根据位点局域网络的变化规律的分析模拟,对该故障点对位点局域网络的影响进行预测。
2.根据权利要求1所述的基于人工智能的社区排水管道探查方法,其特征在于,所述探测手段包括闭路探测、潜望镜探测以及声纳探测的任意一种或多种。
3.根据权利要求2所述的基于人工智能的社区排水管道探查方法,其特征在于,所述探测手段获得的检测位点的位点状态参数包括管道口径、淤积堵塞程度、管道完好程度,且标准格式模板包含数据格式归一化之后的管道口径参数、淤积堵塞度参数、管道完好度参数。
4.根据权利要求3所述的基于人工智能的社区排水管道探查方法,其特征在于,所述根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点具体包括:将社区排水管道的各个检测位点标注在GIS数字地图上,并且根据排水管道的空间延伸和水流流向,确定空间上联通且距离在预定距离阈值之内的检测位点,作为拓扑关联的检测位点。
5.根据权利要求4所述的基于人工智能的社区排水管道探查方法,其特征在于,对于初步选取的拓扑彼此关联的检测位点,根据归一化位点状态参数,判断归一化位点状态参数的相近匹配程度,并将匹配程度高的检测位点确定为彼此具有关联性的检测位点,进而彼此具有关联性的检测位点形成位点局域网络。
6.一种基于人工智能的社区排水管道探查系统,其特征在于,包括:
探测模块,用于针对社区排水管道的各个检测位点,利用探测手段获得其位点状态参数;
归一化模块,用于利用位点状态参数的标准格式模板,对位点状态参数进行归一化,形成数据格式统一的归一化位点状态参数;
位点局域网络组织模块,用于根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点;以及根据彼此拓扑关联的检测位点的归一化位点状态参数的特征,从彼此拓扑关联的检测位点中确定检测位点的关联性,形成位点局域网络;
分析模拟模块,利用各个检测位点的归一化位点状态参数,通过神经网络训练,进行位点局域网络的变化规律的分析模拟;
影响预测和可视化展示模块,针对探查发现的排水管道故障点,根据位点局域网络的变化规律的分析模拟,对该故障点对位点局域网络的影响进行预测。
7.根据权利要求6所述的基于人工智能的社区排水管道探查系统,其特征在于,所述探测模块采取的探测手段包括闭路探测、潜望镜探测以及声纳探测的任意一种或多种。
8.根据权利要求7所述的基于人工智能的社区排水管道探查系统,其特征在于,所述探测手段获得的检测位点的位点状态参数包括管道口径、淤积堵塞程度、管道完好程度,且标准格式模板包含数据格式归一化之后的管道口径参数、淤积堵塞度参数、管道完好度参数。
9.根据权利要求8所述的基于人工智能的社区排水管道探查系统,其特征在于,所述位点局域网络组织模块根据排水管道的拓扑结构,初步选取彼此拓扑关联的检测位点具体包括:将社区排水管道的各个检测位点标注在GIS数字地图上,并且根据排水管道的空间延伸和水流流向,确定空间上联通且距离在预定距离阈值之内的检测位点,作为拓扑关联的检测位点。
10.根据权利要求9所述的基于人工智能的社区排水管道探查系统,其特征在于,所述位点局域网络组织模块对于初步选取的拓扑彼此关联的检测位点,根据归一化位点状态参数,判断归一化位点状态参数的相近匹配程度,并将匹配程度高的检测位点确定为彼此具有关联性的检测位点,进而彼此具有关联性的检测位点形成位点局域网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087881.0A CN111367972B (zh) | 2020-02-03 | 2020-02-03 | 一种基于人工智能的社区排水管道探查方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087881.0A CN111367972B (zh) | 2020-02-03 | 2020-02-03 | 一种基于人工智能的社区排水管道探查方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111367972A true CN111367972A (zh) | 2020-07-03 |
CN111367972B CN111367972B (zh) | 2021-04-02 |
Family
ID=71206179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087881.0A Active CN111367972B (zh) | 2020-02-03 | 2020-02-03 | 一种基于人工智能的社区排水管道探查方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111367972B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553686A (zh) * | 2021-08-03 | 2021-10-26 | 中水珠江规划勘测设计有限公司 | 故障管道确定的方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101230953A (zh) * | 2008-01-24 | 2008-07-30 | 深圳东方锅炉控制有限公司 | 一种管路泄漏检测系统及具有远程监视的管路泄漏检测系统 |
CN103939749A (zh) * | 2014-04-28 | 2014-07-23 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
CN106022518A (zh) * | 2016-05-17 | 2016-10-12 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
US20180144316A1 (en) * | 2016-11-22 | 2018-05-24 | Wint Wi Ltd | Appliance based tariff |
CN108107324A (zh) * | 2017-12-22 | 2018-06-01 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
CN110285330A (zh) * | 2019-07-11 | 2019-09-27 | 重庆大学 | 一种基于局部离群因子的水务网管网爆管检测方法 |
-
2020
- 2020-02-03 CN CN202010087881.0A patent/CN111367972B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101230953A (zh) * | 2008-01-24 | 2008-07-30 | 深圳东方锅炉控制有限公司 | 一种管路泄漏检测系统及具有远程监视的管路泄漏检测系统 |
CN103939749A (zh) * | 2014-04-28 | 2014-07-23 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
CN106022518A (zh) * | 2016-05-17 | 2016-10-12 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
US20180144316A1 (en) * | 2016-11-22 | 2018-05-24 | Wint Wi Ltd | Appliance based tariff |
CN108107324A (zh) * | 2017-12-22 | 2018-06-01 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
CN110285330A (zh) * | 2019-07-11 | 2019-09-27 | 重庆大学 | 一种基于局部离群因子的水务网管网爆管检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553686A (zh) * | 2021-08-03 | 2021-10-26 | 中水珠江规划勘测设计有限公司 | 故障管道确定的方法、装置及电子设备 |
CN113553686B (zh) * | 2021-08-03 | 2024-02-13 | 中水珠江规划勘测设计有限公司 | 故障管道确定的方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111367972B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102752855B (zh) | 基于路径规则和预测的室内人员定位系统及方法 | |
CN106352243A (zh) | 一种基于声波法的输气管道泄露检测系统 | |
CN111222743B (zh) | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 | |
JP2005532560A (ja) | 位置決め技法 | |
Chen et al. | Buried utility pipeline mapping based on multiple spatial data sources: A Bayesian data fusion approach | |
CN104093205A (zh) | 基于接收信号强度指示的无线定位系统锚节点部署方法 | |
EP3349031A1 (en) | A method for generating an indoor environment model and a method for determining position data for a location in an indoor environment | |
CN111367972B (zh) | 一种基于人工智能的社区排水管道探查方法和系统 | |
CN106548469A (zh) | 一种管道检测方法和装置 | |
CN116958907B (zh) | 一种输气管道周边隐患目标巡检方法及系统 | |
CN109239659A (zh) | 室内导航方法、装置、计算机设备及存储介质 | |
CN113988518A (zh) | 用于多源信息融合分析的配网设备健康诊断方法 | |
CN111486345B (zh) | 一种粮库地下管网液体泄漏在线监测预警方法及装置 | |
CN207751939U (zh) | 一种集装箱检测仪 | |
CN110160585A (zh) | 环境检测方法、装置、设备及存储介质 | |
CN115127037A (zh) | 一种供水管网漏损定位方法及系统 | |
KR102336715B1 (ko) | 누수 여부 탐지 시스템 | |
Barberá et al. | Neural networks for sonar and infrared sensors fusion | |
KR20200092503A (ko) | 입출력 음향 데이터 기반의 딥러닝을 활용한 하수관 상태 판별 방법 | |
CN206091960U (zh) | 多功能井筒检测装置 | |
CN116626238A (zh) | 一种气流和气体组合感知的双通道检测罗盘系统、气体泄漏检测方法、数据融合及追踪方法 | |
US11581010B2 (en) | Drone assisted setup for building specific sound localization model | |
CN206399377U (zh) | 一种盾构法隧道智能ct检测诊断系统 | |
CN114723281A (zh) | 一种基于物联网大数据的基坑综合在线监测云平台系统 | |
CN115185013A (zh) | 一种基于航道疏浚工程的管线探测方法 |
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 |