CN111981326B - 一种管廊漏水检测方法和装置 - Google Patents
一种管廊漏水检测方法和装置 Download PDFInfo
- Publication number
- CN111981326B CN111981326B CN202010808502.2A CN202010808502A CN111981326B CN 111981326 B CN111981326 B CN 111981326B CN 202010808502 A CN202010808502 A CN 202010808502A CN 111981326 B CN111981326 B CN 111981326B
- Authority
- CN
- China
- Prior art keywords
- humidity
- hidden layer
- pipe gallery
- water leakage
- input
- 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Abstract
本发明公开了一种管廊漏水检测方法和装置,通过分别实时监测管廊区段的进风口和出风口的湿度,获得在进风口检测到的第一湿度以及在出风口监测到的第二湿度;将第一湿度和第二湿度输入由RNN单元和全连接结构构成的神经网络后得到输出结果,神经网络包括输入层、隐藏层和输出层,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括4个递归RNN单元;以及通过判断输出结果是否大于等于预设阈值对管廊区段进行漏水预警。通过在管廊区段的进风口和出风口两个位置的湿度数据比对,消除了外界环境对管廊内部的影响,使得管廊内部的湿度变化可以独立观测,从而推断出是否存在漏水现象。因此排除外界环境因素的影响,高效、准确地实时检测出管廊漏水情况。
Description
技术领域
本发明涉及管廊监测领域,具体涉及一种管廊漏水检测方法和装置。
背景技术
地下综合管廊是通过将电力、通信、给水、供热、制冷、中水、燃气、垃圾真空管等两种以上的管线集中设置到道路以下的同一地下空间而形成的一种现代化、科学化、集约化的城市基础设施,其对各种管线设施实施统一规划、统一设计、统一建设和管理,是保障城市运行的重要基础设施和“生命线”。地下综合管廊系统不仅减缓城市交通拥堵问题,还极大方便了电力、通信、燃气、供排水等市政设施的维护和检修,可以实现节省城市用地、延长管线使用寿命、改善城市环境、降低管线维护成本的目的,并且统一信息系统和智慧管理,增强城市防灾抗灾能力。
地下综合管廊是城市的超级大动脉,它将给城市带来从内到外的活力,而地下管线建设规模不足、管理水平不高等问题亦日益凸显。管线的日常维护公共工作长期依赖人力检修,费时费力且存在不稳定性。一些城市相继发生大雨内涝、管线泄漏爆炸、路面塌陷、设施被盗等事件,严重影响了人民群众生命财产安全和城市运行秩序。综合管廊属于地下封闭空间,一旦发生火灾,会迅速消耗掉管廊内部氧气并产生大量有害气体,当甲烷、一氧化碳等危险气体达到一定浓度时,还可引起爆炸。更严重的是,发生灾害时管廊内部环境十分恶劣,抢修难度很大,对抢修人员也将造成人身安全威胁。例如2009-2013年,全国因地下管线事故而产生死伤的事故共27起,死亡人数达117人)此外,因无法监测,漏水漏气问题严重,每年造成巨大的直接经济损失。
当前常见的管廊信息采集与管理的软硬件系统在各方面比较老旧,往往仅是原始数据的采集上报,以及简单的阈值告警,缺乏智能化的决策辅助预判。并且在当前管廊的运维流程中,仍然需要依赖运维人员长时间在监控室内进行人工监控,并定期进入管廊进行人工巡检。由于人工的不稳定性,这套流程天然地存在风险,可能会有意无意地忽略一些已存在的问题。同时运维的人力成本也居高不下,不利于运营。需要提升整体管理系统的智能化程度,减少对人员的依赖,实现降本增效。
对于管廊漏水的检测,当前的检测技术主要集中于对水管破裂的检测,而缺乏比较综合的处理方案,在廊壁或出入口等地方漏水的话可能无法检测。同时,管廊运维人员可能会对漏水的情况选择性的忽略,造成隐患。
有鉴于此,建立一种创新性的管廊漏水检测方法和装置是非常具有意义的。
发明内容
针对上述提到的现有方式管廊漏水监测能力不完全,人工监控成本高、效率低等问题。本申请的实施例的目的在于提出了一种管廊漏水检测方法和装置来解决以上背景技术部分提到的技术问题。
第一方面,本申请的实施例提供了一种管廊漏水检测方法,包括以下步骤:
S1:分别实时监测管廊区段的进风口和出风口的湿度,获得在进风口检测到的第一湿度以及在出风口监测到的第二湿度;
S2:将第一湿度和第二湿度输入由RNN单元和全连接结构构成的神经网络后得到输出结果,神经网络包括输入层、隐藏层和输出层,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括4个递归RNN单元;以及
S3:通过判断输出结果是否大于等于预设阈值对管廊区段进行漏水预警。
在一些实施例中,在步骤S1中分别通过设置在进风口和出风口的湿度传感器检测管廊区段的进风口和出风口的湿度。进风口处检测的是外界环境湿度,而出风口处检测的是外界环境和管廊内部环境混合的湿度。若管廊内有漏水,则会产生蒸发,增大湿度,使出风口的湿度数值大于进风口;若管廊内没有漏水,则两个湿度数值都随外界环境同步波动,不会产生显著差异。
在一些实施例中,将同一时间获得的第一湿度和第二湿度分别连续同时输入输入层x1和x2,经过权重矩阵U后送到第一隐藏层。权重矩阵U作为系数,与输入层的数据做矩阵乘法后,得到第一隐藏层的输入数据。
在一些实施例中,第一隐藏层中的4个递归RNN单元分别带有4个记忆参数,在每次输入时参与神经元计算并自行更新。在第一隐藏层不仅可以更新当前节点的输入梯度,还更新当前节点的所有递归RNN单元的记忆参数。
在一些实施例中,第一隐藏层的计算结果经过权重矩阵V后到达第二隐藏层,第二隐藏层的计算结果经过权重矩阵W后到达输出层并得到输出结果。
在一些实施例中,权重矩阵U、V、W作为层与层之间连接计算的权重,分别与上一层的输入数据做矩阵乘法得到下一层的输入数据。权重矩阵U、权重矩阵V和权重矩阵W为层与层之间连接计算的权重,其遵循全连接计算的方式。
在一些实施例中,步骤S3中若输出结果大于等于预设阈值则管廊区段存在漏水,若输出结果小于预设阈值则管廊区段不存在漏水。检测到漏水后可以发出报警,并由运维人员进入管廊来进行检测和修复。
第二方面,本申请的实施例提供了一种管廊漏水检测装置,包括:
检测模块,被配置为分别实时监测管廊区段的进风口和出风口的湿度,获得在进风口检测到的第一湿度以及在出风口监测到的第二湿度;
训练模块,被配置为将第一湿度和第二湿度输入由RNN单元和全连接结构构成的神经网络后得到输出结果,神经网络包括输入层、隐藏层和输出层,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括4个递归RNN单元;以及
判断模块,被配置为通过判断输出结果是否大于等于预设阈值对管廊区段进行漏水预警。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请的实施例公开了一种管廊漏水检测方法和装置,通过分别实时监测管廊区段的进风口和出风口的湿度,获得在进风口检测到的第一湿度以及在出风口监测到的第二湿度;将第一湿度和第二湿度输入由RNN单元和全连接结构构成的神经网络后得到输出结果,神经网络包括输入层、隐藏层和输出层,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括4个递归RNN单元;以及通过判断输出结果是否大于等于预设阈值对管廊区段进行漏水预警。通过在管廊区段的进风口和出风口两个位置的湿度数据比对,消除了外界环境对管廊内部的影响,使得管廊内部的湿度变化可以独立观测,从而推断出是否存在漏水现象。在RNN单元和全连接结构构成的神经网络中由于RNN单元的记忆特性,可以对输入的时间序列数据进行数值预测,配合全连接网络的分类能力实现第一时间检测出有漏水迹象的数据,并在网络输出端体现。因此可以排除外界环境因素的影响,高效、准确地实时检测出管廊漏水情况。
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要介绍,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,对于本领域的普通技术人员来讲,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是本申请的一个实施例可以应用于其中的示例性装置架构图;
图2为本发明的实施例的管廊漏水检测方法的流程示意图;
图3为本发明的实施例中的神经网络结构示意图;
图4为本发明的实施例的管廊漏水检测装置的示意图;
图5为本发明的实施例的管廊漏水检测装置的安装示意图;
图6是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的管廊漏水检测方法或管廊漏水检测装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的管廊漏水检测方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,管廊漏水检测装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请的实施例公开了一种管廊漏水检测方法,包括以下步骤:
S1:分别实时监测管廊区段的进风口和出风口的湿度,获得在进风口检测到的第一湿度以及在出风口监测到的第二湿度;
S2:将第一湿度和第二湿度输入由RNN单元和全连接结构构成的神经网络后得到输出结果,神经网络包括输入层、隐藏层和输出层,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括4个递归RNN单元;以及
S3:通过判断输出结果是否大于等于预设阈值对管廊区段进行漏水预警。
由于管廊环境要求与外界相通,故廊内湿度会受到外界影响,当外界由于潮湿或下雨等因素导致湿度上升时,管廊内的湿度也会随之上升。因此,如果想用管廊内的湿度传感器来判断漏水情况,则必须排除外界环境因素的影响。在具体的实施例中,在步骤S1中分别通过设置在进风口和出风口的湿度传感器检测管廊区段的进风口和出风口的湿度。将湿度传感器分别设置在管廊区段的进风口和出风口,进风口处检测的是外界环境湿度,而出风口处检测的是外界环境和管廊内部环境混合的湿度。若管廊内有漏水,则会产生蒸发,增大湿度,使出风口的湿度数值大于进风口;若管廊内没有漏水,则两个湿度数值都随外界环境同步波动,不会产生显著差异。由于空气流动需要时间且存在一定随机性,需要对检测结果设定一些警戒指标,防止频繁误报。
在具体的实施例中,如图3所示为神经网络结构的示意图,步骤S2具体包括:将同一时间获得的第一湿度hin和第二湿度hout分别连续同时输入输入层x1和x2,经过权重矩阵U后送到第一隐藏层。权重矩阵U作为系数,与输入层的数据做矩阵乘法后,得到第一隐藏层的输入数据。第一隐藏层中的4个递归RNN单元,第一隐藏层1的s1、s2、s3和s4为递归RNN单元,分别带有h1、h2、h3和h4的四个记忆参数,在每次输入时参与神经元计算并自行更新。在第一隐藏层不仅可以更新当前节点的输入梯度,还更新当前节点的所有记忆单元。第一隐藏层的计算结果经过权重矩阵V后到达第二隐藏层,第二隐藏层包括t1和t2,经过第二隐藏层的t1和t2进行计算,第二隐藏层的计算结果经过权重矩阵W后到达输出层o1并得到输出结果。在实际投入使用前,需要对神经网络进行训练,具体可以使用长期积累的传感器数据记录,并配合监控视频、人工巡查等方式,标记出存在漏水情况时的数据。随着数据的积累和迭代训练,检测能力会越来越准确。
在具体的实施例中,权重矩阵U、V、W作为层与层之间连接计算的权重,分别与上一层的输入数据做矩阵乘法得到下一层的输入数据。权重矩阵U、权重矩阵V和权重矩阵W为层与层之间连接计算的权重,其遵循全连接计算的方式,以输入层到第一隐藏层的计算为例,公式如下:
权重矩阵U作为系数,与输入层的数据做矩阵乘法后,得到第一隐藏层的输入数据,之后第一隐藏层再根据RNN神经元计算规则进行内部计算。权重矩阵V和权重矩阵W的计算与此类似,其具体权重数值经由样本数据训练来获得。
在具体的实施例中,步骤S3中若输出结果大于等于预设阈值则管廊区段存在漏水,若输出结果小于预设阈值则管廊区段不存在漏水。检测到漏水后可以发出报警,并由运维人员进入管廊来进行检测和修复。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于认知评估的图形绘制装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本申请的实施例公开的一种管廊漏水检测装置包括:
检测模块1,被配置为分别实时监测管廊区段的进风口和出风口的湿度,获得在进风口检测到的第一湿度以及在出风口监测到的第二湿度;
训练模块2,被配置为将第一湿度和第二湿度输入由RNN单元和全连接结构构成的神经网络后得到输出结果,神经网络包括输入层、隐藏层和输出层,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括4个递归RNN单元;以及
判断模块3,被配置为通过判断输出结果是否大于等于预设阈值对管廊区段进行漏水预警。
由于管廊环境要求与外界相通,故廊内湿度会受到外界影响,当外界由于潮湿或下雨等因素导致湿度上升时,管廊内的湿度也会随之上升。因此,如果想用管廊内的湿度传感器来判断漏水情况,则必须排除外界环境因素的影响。在具体的实施例中,在检测模块1中分别通过设置在进风口和出风口的湿度传感器检测管廊区段的进风口和出风口的湿度。将湿度传感器分别设置在管廊区段的进风口和出风口,进风口处检测的是外界环境湿度,而出风口处检测的是外界环境和管廊内部环境混合的湿度。若管廊内有漏水,则会产生蒸发,增大湿度,使出风口的湿度数值大于进风口;若管廊内没有漏水,则两个湿度数值都随外界环境同步波动,不会产生显著差异。由于空气流动需要时间且存在一定随机性,需要对检测结果设定一些警戒指标,防止频繁误报。
在具体的实施例中,如图5所示,管廊漏水检测装置主要由前端感知硬件和后端计算平台组成301。前端感知硬件包括分别安装在管廊区段的进风口和出风口的两个湿度传感器,用于监测这两个位置的湿度hin和hout,并将数据传递到后端计算平台301。进风口的湿度传感器101可以设置在进风口设备间102,进风口设备间102中设置有进风口换气扇103进行换气,使得进风口的湿度传感器101可以采集到更加准确的数据。同样出风口的湿度传感器201可以设置在出风口设备间202,出风口设备间202中设置有出风口换气扇203进行换气,使得出风口的湿度传感器201可以采集到更加准确的数据。后端计算平台301构造一组RNN单元和全连接结构构成的神经网络,将hout和hin作为输入数据,持续输入网络中。
在具体的实施例中,如图3所示为神经网络结构的示意图,训练模块2具体包括:将同一时间获得的第一湿度hin和第二湿度hout分别连续同时输入输入层x1和x2,经过权重矩阵U后送到第一隐藏层。权重矩阵U作为系数,与输入层的数据做矩阵乘法后,得到第一隐藏层的输入数据。第一隐藏层中的4个递归RNN单元,第一隐藏层1的s1、s2、s3和s4为递归RNN单元,分别带有h1、h2、h3和h4的四个记忆参数,在每次输入时参与神经元计算并自行更新。在第一隐藏层不仅可以更新当前节点的输入梯度,还可以更新当前节点的所有记忆单元。第一隐藏层的计算结果经过权重矩阵V后到达第二隐藏层,第二隐藏层包括t1和t2,经过第二隐藏层的t1和t2进行计算,第二隐藏层的计算结果经过权重矩阵W后到达输出层o1并得到输出结果。在实际投入使用前,需要对神经网络进行训练,具体可以使用长期积累的传感器数据记录,并配合监控视频、人工巡查等方式,标记出存在漏水情况时的数据。随着数据的积累和迭代训练,检测能力会越来越准确。
在具体的实施例中,权重矩阵U、V、W作为层与层之间连接计算的权重,分别与上一层的输入数据做矩阵乘法得到下一层的输入数据。权重矩阵U、权重矩阵V和权重矩阵W为层与层之间连接计算的权重,其遵循全连接计算的方式,以输入层到第一隐藏层的计算为例,公式如下:
权重矩阵U作为系数,与输入层的数据做矩阵乘法后,得到第一隐藏层的输入数据,之后第一隐藏层再根据RNN神经元计算规则进行内部计算。权重矩阵V和权重矩阵W的计算与此类似,其具体权重数值经由样本数据训练来获得。
在具体的实施例中,判断模块3中若输出结果大于等于预设阈值则管廊区段存在漏水,若输出结果小于预设阈值则管廊区段不存在漏水。检测到漏水后可以发出报警,并由运维人员进入管廊来进行检测和修复。
本申请的实施例公开了一种管廊漏水检测方法和装置,通过分别实时监测管廊区段的进风口和出风口的湿度,获得在进风口检测到的第一湿度以及在出风口监测到的第二湿度;将第一湿度和第二湿度输入由RNN单元和全连接结构构成的神经网络后得到输出结果,神经网络包括输入层、隐藏层和输出层,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括4个递归RNN单元;以及通过判断输出结果是否大于等于预设阈值对管廊区段进行漏水预警。通过在管廊区段的进风口和出风口两个位置的湿度数据比对,消除了外界环境对管廊内部的影响,使得管廊内部的湿度变化可以独立观测,从而推断出是否存在漏水现象。在RNN单元和全连接结构构成的神经网络中由于RNN单元的记忆特性,可以对输入的时间序列数据进行数值预测,配合全连接网络的分类能力实现第一时间检测出有漏水迹象的数据,并在网络输出端体现。因此可以排除外界环境因素的影响,高效、准确地实时检测出管廊漏水情况。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机装置600包括中央处理单元(CPU)601和图形处理器(GPU)602,其可以根据存储在只读存储器(ROM)603中的程序或者从存储部分609加载到随机访问存储器(RAM)604中的程序而执行各种适当的动作和处理。在RAM 604中,还存储有装置600操作所需的各种程序和数据。CPU 601、GPU602、ROM 603以及RAM 604通过总线605彼此相连。输入/输出(I/O)接口606也连接至总线605。
以下部件连接至I/O接口606:包括键盘、鼠标等的输入部分607;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分608;包括硬盘等的存储部分609;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至I/O接口606。可拆卸介质612,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器611上,以便于从其上读出的计算机程序根据需要被安装入存储部分609。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分610从网络上被下载和安装,和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元(CPU)601和图形处理器(GPU)602执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:分别实时监测管廊区段的进风口和出风口的湿度,获得在进风口检测到的第一湿度以及在出风口监测到的第二湿度;将第一湿度和第二湿度输入由RNN单元和全连接结构构成的神经网络后得到输出结果,神经网络包括输入层、隐藏层和输出层,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括4个递归RNN单元;以及通过判断输出结果是否大于等于预设阈值对管廊区段进行漏水预警。
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 (9)
1.一种管廊漏水检测方法,其特征在于,包括以下步骤:
S1:分别实时监测管廊区段的进风口和出风口的湿度,获得在所述进风口检测到的第一湿度以及在所述出风口监测到的第二湿度;
S2:将所述第一湿度和所述第二湿度分别连续同时输入由RNN单元和全连接结构构成的神经网络后得到输出结果,所述输出结果的具体数值与第一湿度和第二湿度的比对结果相关,所述神经网络包括输入层、隐藏层和输出层,所述隐藏层包括第一隐藏层和第二隐藏层,所述第一隐藏层包括4个递归RNN单元,所述第一隐藏层中的4个递归RNN单元分别带有4个记忆参数,在每次输入时参与神经元计算并自行更新,从而对按时间排列输入的连续湿度数据进行数值预测并输出有漏水迹象的数据;以及
S3:通过判断所述输出结果是否大于等于预设阈值对所述管廊区段进行漏水预警。
2.根据权利要求1所述的管廊漏水检测方法,其特征在于,在所述步骤S1中分别通过设置在所述进风口和所述出风口的湿度传感器检测所述管廊区段的所述进风口和所述出风口的湿度。
3.根据权利要求1所述的管廊漏水检测方法,其特征在于,将同一时间获得的所述第一湿度和所述第二湿度分别连续同时输入所述输入层x1和x2,经过权重矩阵U后送到所述第一隐藏层。
4.根据权利要求1所述的管廊漏水检测方法,其特征在于,所述第一隐藏层的计算结果经过权重矩阵V后到达所述第二隐藏层,所述第二隐藏层的计算结果经过权重矩阵W后到达所述输出层并得到所述输出结果。
5.根据权利要求1所述的管廊漏水检测方法,其特征在于,权重矩阵U、V、W作为层与层之间连接计算的权重,分别与上一层的输入数据做矩阵乘法得到下一层的输入数据。
6.根据权利要求1所述的管廊漏水检测方法,其特征在于,所述步骤S3中若所述输出结果大于等于所述预设阈值则所述管廊区段存在漏水,若所述输出结果小于所述预设阈值则所述管廊区段不存在漏水。
7.一种管廊漏水检测装置,其特征在于,包括:
检测模块,被配置为分别实时监测管廊区段的进风口和出风口的湿度,获得在所述进风口检测到的第一湿度以及在所述出风口监测到的第二湿度;
训练模块,被配置为将所述第一湿度和所述第二湿度分别连续同时输入由RNN单元和全连接结构构成的神经网络后得到输出结果,所述输出结果的具体数值与第一湿度和第二湿度的比对结果相关,所述神经网络包括输入层、隐藏层和输出层,所述隐藏层包括第一隐藏层和第二隐藏层,所述第一隐藏层包括4个递归RNN单元,所述第一隐藏层中的4个递归RNN单元分别带有四个记忆参数,在每次输入时参与神经元计算并自行更新,从而对按时间排列输入的连续湿度数据进行数值预测并输出有漏水迹象的数据;以及
判断模块,被配置为通过判断所述输出结果是否大于等于预设阈值对所述管廊区段进行漏水预警。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010808502.2A CN111981326B (zh) | 2020-08-12 | 2020-08-12 | 一种管廊漏水检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010808502.2A CN111981326B (zh) | 2020-08-12 | 2020-08-12 | 一种管廊漏水检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111981326A CN111981326A (zh) | 2020-11-24 |
CN111981326B true CN111981326B (zh) | 2022-05-17 |
Family
ID=73433976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010808502.2A Active CN111981326B (zh) | 2020-08-12 | 2020-08-12 | 一种管廊漏水检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111981326B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113587362A (zh) * | 2021-07-30 | 2021-11-02 | 广东美的暖通设备有限公司 | 异常检测方法、装置及空调系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008992A (zh) * | 2006-12-30 | 2007-08-01 | 北京市劳动保护科学研究所 | 基于人工神经网络的管道泄漏的检测方法 |
CN204988368U (zh) * | 2015-09-24 | 2016-01-20 | 杭州创博科技有限公司 | 一种综合管廊智能排水监测装置 |
CN108446760A (zh) * | 2018-03-19 | 2018-08-24 | 国通广达(北京)技术有限公司 | 一种综合管廊内部湿度lstm预测方法及系统 |
CN109655114A (zh) * | 2019-02-25 | 2019-04-19 | 吉林建筑大学 | 城市地下管廊监测系统及其监测方法 |
KR20190043781A (ko) * | 2017-10-19 | 2019-04-29 | 주식회사 하이엔시스 | 상하수도의 관로누수 감시를 위한 IoT 장치 및 방법 |
CN209603176U (zh) * | 2019-01-10 | 2019-11-08 | 中建地下空间有限公司 | 一种综合管廊湿度控制系统 |
CN111272216A (zh) * | 2020-01-16 | 2020-06-12 | 杭州麦乐克科技股份有限公司 | 一种基于bp神经网络的温湿度补偿方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103016958B (zh) * | 2012-12-13 | 2015-08-19 | 中国核电工程有限公司 | 用于核电站高能管道介质泄漏的温湿度监测方法和监测系统 |
CN108626582B (zh) * | 2018-05-18 | 2023-09-26 | 昆明理工大学 | 一种基于LoRa的自发电供热管道实时测漏装置 |
-
2020
- 2020-08-12 CN CN202010808502.2A patent/CN111981326B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008992A (zh) * | 2006-12-30 | 2007-08-01 | 北京市劳动保护科学研究所 | 基于人工神经网络的管道泄漏的检测方法 |
CN204988368U (zh) * | 2015-09-24 | 2016-01-20 | 杭州创博科技有限公司 | 一种综合管廊智能排水监测装置 |
KR20190043781A (ko) * | 2017-10-19 | 2019-04-29 | 주식회사 하이엔시스 | 상하수도의 관로누수 감시를 위한 IoT 장치 및 방법 |
CN108446760A (zh) * | 2018-03-19 | 2018-08-24 | 国通广达(北京)技术有限公司 | 一种综合管廊内部湿度lstm预测方法及系统 |
CN209603176U (zh) * | 2019-01-10 | 2019-11-08 | 中建地下空间有限公司 | 一种综合管廊湿度控制系统 |
CN109655114A (zh) * | 2019-02-25 | 2019-04-19 | 吉林建筑大学 | 城市地下管廊监测系统及其监测方法 |
CN111272216A (zh) * | 2020-01-16 | 2020-06-12 | 杭州麦乐克科技股份有限公司 | 一种基于bp神经网络的温湿度补偿方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111981326A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Novel leakage detection and water loss management of urban water supply network using multiscale neural networks | |
Farah et al. | Leakage detection using smart water system: Combination of water balance and automated minimum night flow | |
Allen et al. | Real‐time in‐network distribution system monitoring to improve operational efficiency | |
CN115545450B (zh) | 一种基于数字孪生的碳排放协同预测方法 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
CN116823580B (zh) | 一种基于云计算的智慧城市节能减排管理方法及系统 | |
CN111981326B (zh) | 一种管廊漏水检测方法和装置 | |
CN112489402A (zh) | 一种管廊的预警方法、装置、系统及存储介质 | |
CN113392910A (zh) | 一种判断违约用电与窃电的多维度智能分析经验算法和分类算法 | |
Zhang et al. | Data-driven AI emergency planning in process industry | |
Wang et al. | Analysis of spatiotemporal influence patterns of toxic gas monitoring concentrations in an urban drainage network based on IoT and GIS | |
CN116384736A (zh) | 一种智慧城市的风险感知方法及系统 | |
Ye | Study on embedded system in monitoring of intelligent city pipeline network | |
Finogeev et al. | Collection and consolidation of big data for proactive monitoring of critical events at infrastructure facilities in an urban environment | |
Peng et al. | A LSTM-RNN based intelligent control approach for temperature and humidity environment of urban utility tunnels | |
Wang et al. | Research on gas pipeline leakage model identification driven by digital twin | |
Liu et al. | Exploiting a real-time self-correcting digital twin model for the middle route of the south-to-north water diversion project of china | |
CN112330187A (zh) | 一种地下设施水灾风险评估方法、系统、终端及存储介质 | |
Zhang et al. | A new pre-assessment model for failure-probability-based-planning by neural network | |
Dychko et al. | Monitoring and biochemical treatment of wastewater | |
CN115914267A (zh) | 一种流域水生态安全监控预警系统 | |
CN115908082A (zh) | 基于用电特征指标的企业排污监控方法及装置 | |
Fan | Research on automatic user identification system of leaked electricity based on Data Mining Technology | |
Kang et al. | Feature extraction of natural gas leakage for an intelligent warning model: A data-driven analysis and modeling | |
CN112418122A (zh) | 一种用于监测管廊异常的方法和装置 |
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 |