CN112377817A - 一种市政管网爆管监测系统及方法 - Google Patents
一种市政管网爆管监测系统及方法 Download PDFInfo
- Publication number
- CN112377817A CN112377817A CN202011252582.4A CN202011252582A CN112377817A CN 112377817 A CN112377817 A CN 112377817A CN 202011252582 A CN202011252582 A CN 202011252582A CN 112377817 A CN112377817 A CN 112377817A
- Authority
- CN
- China
- Prior art keywords
- negative pressure
- pressure wave
- disturbance
- homologous
- measuring point
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004880 explosion Methods 0.000 title abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 239000002360 explosive Substances 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 34
- 230000001052 transient effect Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种市政管网爆管监测系统及方法。本发明首先对要求监测的易爆区块进行压力监测点布阵;其次计算、分析各测点正常工况压力信号;然后识别、提取各测点的超阈值负压波信号并建立正常工况下的扰动模式库,最后进行实际监测应用。本发明采用高频率、高精度的压力计阵列在线检测易爆区块市政管网水压,充分利用爆管导致的压力瞬态突降特点,通过在背景噪声中检测出明显的负压波,快速准确识别内外源扰动、正常用水和异常爆管,既提高了侦测敏感性,又降低了误报率。本发明方法克服了传统SCADA方法只能利用稳态压降信号侦测大管径爆管的局限,又规避了二级DMA流量法的实施难题,完善了市政管网爆管监测手段。
Description
技术领域
本发明属于供水漏损检测领域,具体是一种市政管网爆管监测系统及方法。
背景技术
由于爆管事故频发,市政供水管网监测问题已引起水司重视。业界利用现有SCADA数据是否超限进行判断,并结合信号突变、厂网数据区域联动来减少误报,对于较大爆管侦测取得一定成效。但现有检测方法局限在较大管道爆管,管径都在1000以上[1][2]。赵丹丹等使用某水厂SCADA实测压力数据,分析了管网压力波动环境背景噪声,并采用该水厂水力模型模拟爆管水力冲击,确定了该水司供水管网系统爆管可监控最小管径在DN600左右[3]。徐陶等提出的基于极限学习机的城市供水管网爆管预警方法[4],不仅忽略了背景噪声,而且沿用EPANET软件仿真得到的稳态压力差,直接影响其爆管检测有效性。
实际市政管网中,DN300-DN600管道长度占比高于70%,且分支、连接点较多,爆管事故频频。对这部分市政管网的监测,大多采用二级DMA流量法。由于面临道路开挖、安装流量计、接电等实际问题,水司推进二级DMA流量法存在很大困难。
近年来,压力检测的精度和可靠性大幅提高,其便捷安装性得到业界认可,特别是智能消防栓的应用推广,有些城市已经实施全城智能消防栓部署,增强了供水管网压力在线检测能力。在尚未普及二级DMA流量法的背景下,针对开放易爆区块,需要利用压力信号阵列对正常用水和异常爆管进行快速、准确甄别的监测方法。
[1]许刚,陈冬雷,吴卓祯,程伟平.大规模供水管网爆管实时报警技术研究[J].中国给水排水,2014,30(21):58-60.
[2]顾向荣.供水管网爆管监测方法的探索[J].城镇供水,2020,(2):42-45,93.
[3]赵丹丹,程伟平,许刚,等.供水管网系统爆管可监控最小管径分析方法研究[J].中国给水排水,2014(23):117-122.
[4]天津大学.基于极限学习机的城市供水管网爆管预警方法:CN201910776069.6[P].2019-12-13.
发明内容
本发明围绕市政管网开放易爆区块监测问题,针对传统SCADA用于爆管监测的不足,提出了一种市政管网爆管监测系统及方法,对高频率、高精度的压力计进行合理布阵,利用负压波瞬态信号实施监测。
本发明的一部分在于:针对未形成二级DMA流量法的开放区块,提出一种基于压力计阵列的市政管网爆管监测系统,包括智能压力计阵列、无线传输模块、云数据平台、用户终端等。
其中,智能压力计是高精度、低功耗的无线电传输型水压检测仪,采用锂电池供电,IP68防水外壳,支持数据采集、初步分析、暂存和传送功能。无线传输模块采用NB/4G/5G公用网络或GFSK私用网络,进行数据和指令的传递和交换。云数据平台负责数据接收/存储、数据分析、异常侦测、触发报警等监测功能;用户终端负责数据显示、实时报警等功能。此外,云数据平台(服务器)与各监测点智能压力计之间采取NTP时钟同步。
本发明的另一部分在于:提出了一种利用压力信号阵列对正常用水和异常爆管进行快速、准确甄别的监测方法,其特征在于采用合理密布的监测点布置、合理采样、明显负压波检取及正常工况扰动模式聚类,然后通过实时监测,及时发现异常扰动进行爆管报警。
本发明方法采取以下步骤:
步骤1对要求监测的易爆区块进行压力监测点布阵
对易爆区块,根据市政管网在道路及街区的走向,部署智能压力计监测点。
其中测点密度>每平方公里10个(或相邻测点平均间距<500米、最大间距<900米),监测范围尽可能按管道向外延伸1个测点,尽量均匀分布,构成压力计阵列,总测点数记为N。
向外延伸的测点,称为外围测点,最远俩测点距离记为Lmax,区块内压力波最大传播时间τmax=Lmax/v,v为压力波在管道内传播速度,一般为600米/秒~1200米/秒。
监测点采用高频率、高精度的智能压力计,持续快速检测供水压力,采样精度1级以上,采样频率Freq在1Hz~10Hz区间,一般选Freq=1Hz(此时,采样周期T=1/Freq=1秒),7X24实时采样。
步骤2计算、分析各测点正常工况压力信号
在线检测一段时间后,平台数据库存储各测点所采集的压力序列数据。由于数据统计样本的需要,在线检测时段不少于1个月。计算分析前,去除抢修记录前后的异常压力数据。
计算各测点压力序列的统计量,平均值ui和标准差σi,i为测点序号(0<i≤N)。各测点压力数据,在99.5%置信区间[ui±3σi]范围内波动是正常的,可视为背景噪声。
供水管道发生爆管时,首先在爆漏点引起局部压力突降、反弹,震荡过渡到新稳态;同时,以波的形式向管道上下游传播,形成所谓的负压波。随时间会衰减,随传播距离也会衰减。爆管引起的首个负压波,其瞬态压降明显大于稳态压降。由此,检出爆管引起的首个负压波至关重要。
步骤3识别、提取各测点的超阈值负压波信号
压力波传播过程中,伴随着能量消耗会衰减,衰减中的压力波仍超越背景噪声时,就可以被邻近测点所捕获。
按时间顺序检测各测点压力值Pi(t),若Pi(t)<ui-kσi(2.5<k≤3),则第一时间触发超阈值负压波检测。
从t时刻往前、后检测出较为完整的超阈值负压波信号NPWi,m,m为超阈值负压波按时间排的序号,负压波起点时刻记为ts。
提取超阈值负压波信号NPWi,m的幅值AMPi,m和时长DURi,m,记录至负压波数据表(数据项包括序号m、起点时刻ts、测点序号i、幅值AMPi,m、时长DURi,m、是否同源)。
统计各测点负压波时长的总体平均值uDUR和标准差σDUR,确定负压波时长阈值TDUR=uDUR+3σDUR。
优选的,阈值ui-kσi中系数k的选择原则:在不漏报前提下选较大值,以减少误报。
优选的,负压波检测时,(1)负压波起点在ui±σi,以避免正压波干扰;(2)超阈值负压波信号,其时长是否超过5个采样周期;否则,提高采样频率Freq,以保证超阈值负压波波形的完整采集。
步骤4建立正常工况下的扰动模式库
引起负压波瞬态压降的不仅有爆管(异常干扰),还有大用户进水阀门开启、泵机减压/切换等正常干扰。由于这些正常干扰,对压力计阵列的影响具有周期性和重复性,可以通过不同测点同源信号识别建立扰动特征向量,并通过聚类建立正常工况下的扰动模式库。
步骤4.1根据负压波数据表,按时间顺序逐个对未标记同源的负压波信号NPWi,m,进行后续同源信号识别。
以负压波信号NPWi,m为例,对[ts,ts+τmax]时段内的每个未标记同源的负压波信号NPWj,m’,先进行时长比对,在±10%误差内,则提取2~3倍时长曲线,按照式(1)进行互相关性计算:
式(1)中,Tw为时间窗(即2~3倍时长)。若最大互相关性值R(τij)>0.8,属于强相关,确定为同源信号,R(τij)最大值时的τij,即为两信号的时延。
将同源的、不同测点的负压波信号,记录至扰动数据表,数据项包括当前负压波序号、所有N个测点的负压波起点时刻、幅值、时长、时延以及内/外源属性等,未出现超阈值负压波的测点,以零值替代。同时,对负压波数据表相关负压波标记“同源”属性。已标记同源的负压波,不再参加同源信号识别。
按时间顺序逐个对未标记同源的负压波信号NPWi,m,进行后续同源信号识别,直至完成。
步骤4.2根据扰动数据表,逐条判断内、外源扰动。
根据扰动数据表,同源信号幅值AMPi,m转换为相对幅值AMPi,m′,以去除管径因素。
以固定管径ФN为基准,测点i所在管径为Фi,按式(2)进行转换:
AMPi,m′=AMPi,m*(Фi/ФN)2 (2)
接着,对同源信号相对幅值AMPi,m′进行排序,若负压波相对幅值最大值在外围测点,则此次负压波由外源扰动引发,否则由内源扰动引发。
对扰动数据表中该条同源信号标记“外源”或“内源”,直至完成扰动数据表所有同源信号记录。
步骤4.3同源信号聚类,建立扰动模式库
对扰动数据表中所有同源信号记录,进行K-means聚类。同源信号记录中所有N个测点的负压波幅值、时长、时延作为特征向量,采用欧几里得距离作为距离量度,以族群中心不再变化作为K-means聚类迭代终止条件。
优选的,族数K初始值为2,K依次递增,进行K-means聚类,当族内距离没有5%以上的明显下降,则K-1为合理的族数。
由这K-1个扰动模式(包括K-1个族群中心向量及其族内距离)构成扰动模式库,用于实际监测时,可以极大排除正常扰动引起的误报警。
优选的,结合区块内的远传大表,可以明确内源扰动源头,如某类内源扰动是由某小区/单位开阀进水导致。结合供水泵站机组切换、上下游排泥阀启闭/分流调阀等,可以明确外源扰动源头。
步骤5实际监测应用
在线采集、存储各测点压力信号Pi(t),实时识别、提取各测点的超阈值负压波信号。
对超阈值负压波信号,进行同源信号识别;将同源的、不同测点的负压波信号,记录至扰动数据表。
用该条同源信号记录中所有N个测点的负压波幅值、时长、时延作为特征向量,与扰动模式库进行匹配计算(即逐个考察跟族群中心向量的欧氏距离是否小于族内距离)。如有匹配模式,则为正常扰动;如无匹配模式,则为突变新模式,提起异常报警。
进一步,优选的,结合抢修记录,如该异常报警被确定为误报,则视为新扰动模式,追加到正常工况下的扰动模式库。
本发明采用高频率、高精度的压力计阵列在线检测易爆区块市政管网水压,充分利用爆管导致的压力瞬态突降特点,通过在背景噪声中检测出明显的负压波,快速准确识别内外源扰动、正常用水和异常爆管,既提高了侦测敏感性,又降低了误报率。本发明方法克服了传统SCADA方法只能利用稳态压降信号侦测大管径爆管的局限,又规避了二级DMA流量法的实施难题,完善了市政管网爆管监测手段。
附图说明
图1:本发明方法系统架构;
图2:本发明方法流程示意图;
图3:本发明实施例--易爆区块监测点布置图;
图4:本发明实施例#05、#04测点某时段压力曲线。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:针对某水司供水管网的某易爆区块,实施一种市政管网爆管监测系统及方法,如图1、图2所示,包括以下步骤:
步骤1对要求监测的易爆区块进行压力监测点布阵
如图3,阴影部分为某水司供水管网的某易爆区块,根据市政管网在道路及街区的走向,部署智能压力计监测点(智能消防栓),其中,测点#01-#06为区块内测点,测点#07-#13为按管道向外延伸的外围测点,相邻测点平均间距379.6米、最大间距629米,符合要求(如表1),构成压力计阵列,总测点数N=13。最远2测点为#08和#13,两者距离Lmax=1969米,区块内压力波最大传播时间τmax≈3秒。
监测点采用高频率、高精度的智能压力计,持续快速检测供水压力,采样精度1级以上,采样频率Freq=1Hz(此时,采样周期T=1秒),7X24实时采样。
表1 相邻测点间距(米)
相邻测点 | 间距 | 相邻测点 | 间距 | 相邻测点 | 间距 |
#08--#01 | 269 | #02--#03 | 478 | #12--#13 | 481 |
#01--#09 | 215 | #02--#05 | 584 | #07--#04 | 325 |
#01--#02 | 262 | #03--#11 | 243 | #04--#05 | 273 |
#01-#04 | 629 | #03--#12 | 416 | #05--#06 | 480 |
#02-#10 | 268 | #03--#06 | 512 | #06--#13 | 259 |
步骤2计算、分析各测点正常工况压力信号
在线检测3个月(2020-05-01至2020-07-31)后,平台数据库存储各测点所采集的压力序列数据Pi(t),t为秒时刻。计算分析前,去除涉及该区块抢修相关时段的压力数据。
计算各测点压力序列的统计量,平均值ui和标准差σi,i为测点序号(0<i≤13)。如表2所示。
表2 各测点压力数据统计量(kPa)
测点 | #01 | #02 | #03 | #04 | #05 | #06 | #07 | #08 | #09 | #10 | #11 | #12 | #13 |
平均值u | 265.1 | 268.7 | 266.5 | 268.4 | 268.2 | 269.7 | 265.2 | 264.8 | 267.5 | 267.1 | 266.7 | 264.6 | 268.7 |
标准差σ | 6.09 | 6.32 | 7.31 | 7.13 | 7.53 | 5.01 | 5.77 | 5.74 | 6.13 | 5.26 | 5.35 | 5.38 | 6.86 |
步骤3识别、提取各测点的超阈值负压波信号
按时间顺序检测各测点压力值Pi(t),若Pi(t)<ui-kσi(2.5<k≤3,这里k取2.8),则触发超阈值负压波检测。从t时刻往前、后检测出较为完整的超阈值负压波信号NPWi,m,i为测点序号,m为超阈值负压波按时间排的序号,负压波起点时刻记为ts。
提取超阈值负压波信号NPWi,m的幅值AMPi,m和时长DURi,m。记录至负压波数据表(见表3),数据项包括序号m、起点时刻ts、测点序号i、幅值AMPi,m、时长DURi,m、是否同源。
表3 负压波数据表
序号 | 起点时刻 | 测点序号 | 幅值kPa | 时长s | 是否同源 |
… | … | … | … | … | … |
1712 | 2020-05-05 19:12:10 | #05 | 36.3 | 13 | 是 |
1713 | 2020-05-05 19:12:10 | #04 | 34.6 | 12 | 是 |
1714 | 2020-05-05 19:12:11 | #06 | 25.7 | 12 | 是 |
1715 | 2020-05-05 19:12:11 | #02 | 19.2 | 12 | 是 |
… | … | … | … | … | … |
统计各测点超阈值负压波时长的总体平均值uDUR=12.4s和标准差σDUR=1.47s,确定负压波时长阈值TDUR=uDUR+3σDUR=16.81s。
超阈值负压波信号,时长基本超过5个采样周期,当前采样频率Freq=1Hz可以保证超阈值负压波波形的完整采集。
步骤4建立正常工况下的扰动模式库
步骤4.1根据负压波数据表,按时间顺序逐个对未标记同源的负压波信号NPWi,m,进行后续同源信号识别。
以负压波信号NPW05,1712为例,对[2020-05-05 19:12:10,2020-05-05 19:12:13]时段内的每个未标记同源的负压波信号NPWj,m’,先进行时长比对,在±10%误差内,则提取2倍时长曲线(如图4),按照式(1)进行互相关性计算。计算结果如表4所示:
表4 互相关性计算
将同源的、不同测点的负压波信号,记录至扰动数据表(见表5),数据项包括当前负压波序号、所有13个测点的负压波起点时刻、幅值、时长、时延、内/外源属性等,未出现超阈值负压波的测点,以零值替代。同时,对负压波数据表相关负压波标记“同源”属性(参见表3)。
表5 扰动数据表
注:表中黑色粗体字段构成扰动模式的特征向量。
按时间顺序逐个对未标记同源的负压波信号NPWi,m,进行后续同源信号识别,直至完成。
步骤4.2根据扰动数据表,逐条判断内、外源扰动。
根据扰动数据表,同源信号幅值AMPi,m转换为相对幅值AMPi,m′,以去除管径因素。
以固定管径ФN=300为基准,按式(2)进行转换,得到相对幅值AMPi,m′排序:
#05测点36.3kPa>#04测点34.6kPa>#02测点34.1kPa>#06测点25.7kPa
负压波相对幅值最大值在#05测点,非外围测点,则此次负压波由内源扰动引发。对扰动数据表中该条同源信号标记“内源”(参见表5)。
同样地,直至完成扰动数据表所有同源信号记录的内外源判别。
步骤4.3同源信号聚类,建立扰动模式库
对扰动数据表中所有同源信号记录,进行K-means聚类。
同源信号记录中所有13个测点的负压波幅值、时长、时延作为特征向量(表4中黑色粗体字段,39个元素),采用欧几里得距离作为距离量度,以族群中心不再变化作为K-means聚类迭代终止条件。
族数K从2开始依次递增,进行K-means聚类,当K=9时,族内距离没有5%以上的明显下降,则合理的族数为8。
由此,建立8个扰动模式,包括8个族群中心向量及其族内距离,用于实际监测。
至于这8个扰动模式,结合区块内的7个小区/单位的远传大表和距离1.5km的加压泵站,基本可以明确7个内源扰动模式的源头,和1个外部扰动模式的源头。
步骤5实际监测应用
在线采集、存储各测点压力信号Pi(t),实时识别、提取各测点的超阈值负压波信号。
对超阈值负压波信号,进行同源信号识别;将同源的、不同测点的负压波信号,记录至扰动数据表。
用该条同源信号记录中所有13个测点的负压波幅值、时长、时延作为特征向量,与扰动模式库进行匹配计算,即逐个考察跟族群中心向量的欧氏距离是否小于族内距离。如有匹配模式,则为正常扰动;如无匹配模式,则为突变新模式,提起报警。
2020年08月24日12:15左右,在测点#03和测点#06之间有消防栓被工程车撞破,导致突发漏水。经本发明系统监测,因与正常扰动模式不符,给予报警。经紧急抢修,及时止损。
进一步,可以结合抢修记录,如该报警被确定为误报,则视为新扰动模式,追加到正常工况下的扰动模式库。
由实施例可见,本发明方法物理意义明确、可操作性强,方法中涉及的计算参数及判别步骤均适于编程实现。本发明中所描述的具体实施例仅仅是对本发明方法作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种市政管网爆管监测方法,其特征在于该方法包括以下步骤:
步骤1、对要求监测的易爆区块进行压力监测点布阵
对易爆区块,根据市政管网在道路及街区的走向,部署智能压力计监测点;
监测范围按管道向外延伸1个测点,记为外围测点;
步骤2 计算、分析各测点正常工况压力信号
在线检测不少于1个月,存储各测点所采集的压力序列数据,去除抢修记录前后的异常压力数据;
计算各测点压力序列的统计量,平均值ui和标准差σi,i为测点序号;各测点压力数据,在99.5%置信区间[ui±3σi]范围内波动是正常的,视为背景噪声;
步骤3 识别、提取各测点的超阈值负压波信号
按时间顺序检测各测点压力值Pi(t),若Pi(t)<ui-kσi,则第一时间触发超阈值负压波检测,其中2.5<k≤3;
从t时刻往前、后检测出较为完整的超阈值负压波信号NPWi,m,m为超阈值负压波按时间排的序号,负压波起点时刻记为ts;
提取超阈值负压波信号NPWi,m的幅值AMPi,m和时长DURi,m,记录至负压波数据表,统计各测点负压波时长的总体平均值uDUR和标准差σDUR,确定负压波时长阈值
TDUR=uDUR+3σDUR;
所述负压波数据表中的数据项包括序号m、起点时刻ts、测点序号i、幅值AMPi,m、时长DURi,m、是否同源;
步骤4 建立正常工况下的扰动模式库
步骤4.1 根据负压波数据表,按时间顺序逐个对未标记同源的负压波信号NPWi,m,进行后续同源信号识别,所述同源信号识别过程中采用了互相关性计算;
将同源的、不同测点的负压波信号,记录至扰动数据表,未出现超阈值负压波的测点,以零值替代;同时,对负压波数据表相关负压波标记“同源”属性;已标记同源的负压波,不再参与同源信号识别;
按时间顺序逐个对未标记同源的负压波信号NPWi,m,进行后续同源信号识别,直至完成;
步骤4.2 根据扰动数据表,逐条判断内、外源扰动;
根据扰动数据表,同源信号幅值AMPi,m转换为相对幅值AMPi,m′,以去除管径因素;
对同源信号相对幅值AMPi,m′进行排序,若负压波相对幅值最大值在外围测点,则此次负压波由外源扰动引发,否则由内源扰动引发;
对扰动数据表中该条同源信号标记“外源”或“内源”,直至完成扰动数据表所有同源信号记录;
步骤4.3同源信号聚类,建立扰动模式库
对扰动数据表中所有同源信号记录,进行K-means聚类;同源信号记录中所有N个测点的负压波幅值、时长、时延作为特征向量,采用欧几里得距离作为距离量度,以族群中心不再变化作为K-means聚类迭代终止条件;
步骤5 实际监测应用
在线采集、存储各测点压力信号Pi(t),实时识别、提取各测点的超阈值负压波信号;
对超阈值负压波信号,进行同源信号识别;将同源的、不同测点的负压波信号,记录至扰动数据表;
用该条同源信号记录中所有N个测点的负压波幅值、时长、时延作为特征向量,与扰动模式库进行匹配计算;如有匹配模式,则为正常扰动;如无匹配模式,则为突变新模式,提起异常报警。
2.根据权利要求1所述的一种市政管网爆管监测方法,其特征在于:
步骤1中测点密度>每平方公里10个
或相邻测点平均间距<500米、最大间距<900米。
3.根据权利要求1所述的一种市政管网爆管监测方法,其特征在于:
步骤3中,阈值ui-kσi中系数k的选择原则为在不漏报前提下选较大值,以减少误报;
步骤3中,负压波检测时,(1)负压波起点在ui±σi,以避免正压波干扰;(2)超阈值负压波信号,其时长是否超过5个采样周期;否则,提高采样频率Freq,以保证超阈值负压波波形的完整采集。
4.根据权利要求1所述的一种市政管网爆管监测方法,其特征在于:
步骤4中,族数K初始值为2,K依次递增,进行K-means聚类,当族内距离没有5%以上的明显下降,则K-1为合理的族数;
由这K-1个扰动模式构成扰动模式库,用于实际监测时,可极大排除正常扰动引起的误报警。
5.根据权利要求1所述的一种市政管网爆管监测方法,其特征在于:
步骤5中,结合抢修记录,如该异常报警被确定为误报,则视为新扰动模式,追加到正常工况下的扰动模式库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252582.4A CN112377817B (zh) | 2020-11-11 | 2020-11-11 | 一种市政管网爆管监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252582.4A CN112377817B (zh) | 2020-11-11 | 2020-11-11 | 一种市政管网爆管监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112377817A true CN112377817A (zh) | 2021-02-19 |
CN112377817B CN112377817B (zh) | 2022-06-14 |
Family
ID=74582009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011252582.4A Active CN112377817B (zh) | 2020-11-11 | 2020-11-11 | 一种市政管网爆管监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112377817B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113266766A (zh) * | 2021-05-26 | 2021-08-17 | 杭州电子科技大学 | 一种供水dma爆管监测与定位方法 |
CN113758627A (zh) * | 2021-08-16 | 2021-12-07 | 杭州电子科技大学 | 一种供水管网瞬变流事件检测方法 |
CN114323412A (zh) * | 2021-12-29 | 2022-04-12 | 杭州电子科技大学 | 一种供水管网压力扰动事件检测方法 |
CN114963015A (zh) * | 2022-07-13 | 2022-08-30 | 武汉杰威信息技术有限公司 | 一种水管网智慧管理方法、装置、电子设备及存储介质 |
CN116557792A (zh) * | 2023-07-07 | 2023-08-08 | 杭州智缤科技有限公司 | 一种低成本供水管网爆管检测方法、装置及应用 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102563361A (zh) * | 2012-01-18 | 2012-07-11 | 中国石油大学(华东) | 基于常规数据和音波信号的输气管道泄漏检测定位装置及方法 |
CN104329569A (zh) * | 2014-08-29 | 2015-02-04 | 中国石油大学(北京) | 一种基于泵机组状态耦合分析的管道泄漏诊断方法及装置 |
US20170153615A1 (en) * | 2015-11-30 | 2017-06-01 | Siemens Aktiengesellschaft | Method and apparatus for automatic recognizing similarities between perturbations in a network |
CN107620868A (zh) * | 2017-11-08 | 2018-01-23 | 山东省科学院激光研究所 | 管道泄漏检测方法及装置 |
CN107831422A (zh) * | 2017-11-02 | 2018-03-23 | 广东电网有限责任公司电力科学研究院 | 一种gis设备局部放电诊断方法及系统 |
CN108763464A (zh) * | 2018-05-29 | 2018-11-06 | 杭州电子科技大学 | 基于监测点聚类和异常区域重心法的供水爆管定位方法 |
CN109344708A (zh) * | 2018-08-29 | 2019-02-15 | 昆明理工大学 | 一种供水管网爆管信号异常分析方法 |
CN110555282A (zh) * | 2019-09-09 | 2019-12-10 | 山东拙诚智能科技有限公司 | 一种排除有源信号有效进行盲源分析的方法 |
US20200124494A1 (en) * | 2018-10-18 | 2020-04-23 | Aquarius-Spectrum Ltd. | Methods Circuits Assemblies Devices Systems and Functionally Associated Machine Executable Code For Mechanical Failure Classification Condition Assessment and Remediation Recommendation |
-
2020
- 2020-11-11 CN CN202011252582.4A patent/CN112377817B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102563361A (zh) * | 2012-01-18 | 2012-07-11 | 中国石油大学(华东) | 基于常规数据和音波信号的输气管道泄漏检测定位装置及方法 |
CN104329569A (zh) * | 2014-08-29 | 2015-02-04 | 中国石油大学(北京) | 一种基于泵机组状态耦合分析的管道泄漏诊断方法及装置 |
US20170153615A1 (en) * | 2015-11-30 | 2017-06-01 | Siemens Aktiengesellschaft | Method and apparatus for automatic recognizing similarities between perturbations in a network |
CN107831422A (zh) * | 2017-11-02 | 2018-03-23 | 广东电网有限责任公司电力科学研究院 | 一种gis设备局部放电诊断方法及系统 |
CN107620868A (zh) * | 2017-11-08 | 2018-01-23 | 山东省科学院激光研究所 | 管道泄漏检测方法及装置 |
CN108763464A (zh) * | 2018-05-29 | 2018-11-06 | 杭州电子科技大学 | 基于监测点聚类和异常区域重心法的供水爆管定位方法 |
CN109344708A (zh) * | 2018-08-29 | 2019-02-15 | 昆明理工大学 | 一种供水管网爆管信号异常分析方法 |
US20200124494A1 (en) * | 2018-10-18 | 2020-04-23 | Aquarius-Spectrum Ltd. | Methods Circuits Assemblies Devices Systems and Functionally Associated Machine Executable Code For Mechanical Failure Classification Condition Assessment and Remediation Recommendation |
CN110555282A (zh) * | 2019-09-09 | 2019-12-10 | 山东拙诚智能科技有限公司 | 一种排除有源信号有效进行盲源分析的方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113266766A (zh) * | 2021-05-26 | 2021-08-17 | 杭州电子科技大学 | 一种供水dma爆管监测与定位方法 |
CN113266766B (zh) * | 2021-05-26 | 2022-05-20 | 杭州电子科技大学 | 一种供水dma爆管监测与定位方法 |
CN113758627A (zh) * | 2021-08-16 | 2021-12-07 | 杭州电子科技大学 | 一种供水管网瞬变流事件检测方法 |
CN113758627B (zh) * | 2021-08-16 | 2024-01-02 | 杭州电子科技大学 | 一种供水管网瞬变流事件检测方法 |
CN114323412A (zh) * | 2021-12-29 | 2022-04-12 | 杭州电子科技大学 | 一种供水管网压力扰动事件检测方法 |
CN114323412B (zh) * | 2021-12-29 | 2024-04-30 | 杭州电子科技大学 | 一种供水管网压力扰动事件检测方法 |
CN114963015A (zh) * | 2022-07-13 | 2022-08-30 | 武汉杰威信息技术有限公司 | 一种水管网智慧管理方法、装置、电子设备及存储介质 |
CN114963015B (zh) * | 2022-07-13 | 2022-11-08 | 武汉杰威信息技术有限公司 | 一种水管网智慧管理方法、装置、电子设备及存储介质 |
CN116557792A (zh) * | 2023-07-07 | 2023-08-08 | 杭州智缤科技有限公司 | 一种低成本供水管网爆管检测方法、装置及应用 |
CN116557792B (zh) * | 2023-07-07 | 2023-10-10 | 杭州智缤科技有限公司 | 一种低成本供水管网爆管检测方法、装置及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN112377817B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112377817B (zh) | 一种市政管网爆管监测系统及方法 | |
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
US9797799B2 (en) | Intelligent adaptive system and method for monitoring leakage of oil pipeline networks based on big data | |
CN105042339B (zh) | 一种基于无量纲的成品油管道泄漏量估计系统及方法 | |
CN105927863B (zh) | Dma分区管网泄漏在线检测定位系统及其检测定位方法 | |
WO2019019709A1 (zh) | 一种自来水管漏水检测方法 | |
CN102563360B (zh) | 基于序贯概率比检测的管道安全预警系统的振动事件检测方法 | |
Rashid et al. | WML: Wireless sensor network based machine learning for leakage detection and size estimation | |
CN109442221B (zh) | 一种基于压力扰动提取的供水管网爆管侦测方法 | |
CN102606890A (zh) | 应用瞬变激励进行给水管道漏失定量和定位的装置及方法 | |
CN102235575A (zh) | 用于检查管道泄露的数据处理方法及系统 | |
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 | |
CN110245411A (zh) | 一种城镇集中供热系统及泄漏点检测方法 | |
CN103234121A (zh) | 基于音波信号的输气管道泄漏检测装置及检测方法 | |
CN110285330B (zh) | 一种基于局部离群因子的水务网管网爆管检测方法 | |
CN104535281A (zh) | 基于压力相关法的机坪管网密闭性测试装置及方法 | |
CN100480662C (zh) | 煤气泄漏自动检测方法 | |
CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及系统 | |
CN114444663A (zh) | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 | |
CN114659037B (zh) | 一种用于城市供水管网爆管的定位方法 | |
CN116975763A (zh) | 一种基于双谱和卷积神经网络的供水管网异常诊断方法 | |
CN116398825A (zh) | 一种基于概率模型的供水管漏损检测与定位方法、系统及装置 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN113567810B (zh) | 一种配电网电弧接地故障区段定位方法、装置及系统 | |
CN101240876B (zh) | 管道侵扰源的定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |