CN113112126A - 基于人工智能的供水管漏损预警方法及系统 - Google Patents
基于人工智能的供水管漏损预警方法及系统 Download PDFInfo
- Publication number
- CN113112126A CN113112126A CN202110300916.9A CN202110300916A CN113112126A CN 113112126 A CN113112126 A CN 113112126A CN 202110300916 A CN202110300916 A CN 202110300916A CN 113112126 A CN113112126 A CN 113112126A
- Authority
- CN
- China
- Prior art keywords
- water supply
- supply pipe
- leakage
- node
- model
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 294
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 56
- 238000013145 classification model Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004891 communication Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明实施例提供一种基于人工智能的供水管漏损预警方法及装置,所述方法包括:获取供水管漏损数据,并根据供水管漏损数据获取漏损节点的节点参数;获取正常节点参数,构建供水管节点参数分类模型;通过漏损的节点参数、主要因素、次要因素构建对应的供水管漏损因素分类权重模型;将供水管节点参数分类模型和供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练;获取待检测供水管节点参数,通过供水管节点参数分类模型分类,将分类结果输入训练后模型,得到漏损概率;根据漏损概率对待检测供水管进行漏损预警。采用本方法能够根据人工智能的深度学习及时对供水管漏损的情况进行预警,避免了供水管漏损造成的经济损失。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的供水管漏损预警方法及系统。
背景技术
目前,随着我国越来越城市化,居民通过水管用水也越来越多,供水管网也渐渐的遍布各处,分布也越来越复杂, 并且在供水管网进行供水时,还会产生多种供水数据。
现有技术中,因为供水管网的越来越复杂,供水地点也越来越多,在进行水资源运输的过程中,可能出现供水管漏损的情况,供水管一旦出现漏损,根据漏损地点的不同,或多或少都会出现一定的经济损失。
根据上述情况,目前针对供水管网的漏损,一般都是在供水管网漏损后,通过漏损检测的方法,检测漏损情况,然后进行维修,此时供水管漏损已经造成了一定的经济损失,所以,目前亟需一种能够解决上述问题,对供水管漏损进行预警的管理方法。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种基于人工智能的供水管漏损预警方法及系统。
本发明实施例提供一种基于人工智能的供水管漏损预警方法,包括:
获取历史记录中的供水管漏损数据,并根据所述供水管漏损数据获取漏损节点的节点参数,所述节点参数携带分类标签,所述节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音;
获取所述漏损节点未发生漏损时的正常节点参数,根据所述正常节点参数构建供水管节点参数分类模型;
获取所述供水管漏损数据中的主要因素和次要因素,通过所述节点参数和所述主要因素和次要因素构建对应的供水管漏损因素分类权重模型;
将所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型;
获取待检测供水管的节点参数,通过所述供水管节点参数分类模型对所述节点参数进行分类,并将分类结果输入所述训练后的卷积神经网络模型,得到所述待检测供水管的漏损概率;
当所述待检测供水管的漏损概率大于预设阈值时,对所述待检测供水管进行漏损预警。
在其中一个实施例中,所述方法还包括:
将所述正常节点参数和所述节点参数进行对比,根据所述正常节点参数和所述节点参数建立对应的时间-参数坐标系;
通过所述时间-参数坐标系进行矢量分析,通过所述矢量分析结果得到所述供水管漏损数据中的主要因素和次要因素。
在其中一个实施例中,所述方法还包括:
获取所述主要因素和次要因素对应的节点参数数据,根据所述节点参数数据构建初步供水管漏损因素分类权重模型;
统计所述主要因素和次要因素对应的次数,根据所述次数对所述初步供水管漏损因素分类权重模型进行修正,得到供水管漏损因素分类权重模型。
在其中一个实施例中,所述方法还包括:
对所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出进行归一化处理,得到归一化处理后的输入数据;
将所述输入数据作为所述卷积神经网络模型的输入进行训练。
在其中一个实施例中,所述方法还包括:
将所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出分为训练集和验证集,将所述训练集输入到卷积神经网络模型进行训练,得到训练后的初步卷积神经网络模型;
通过所述验证集输入到训练后的初步卷积神经网络模型进行测试,测试完成后得到所述训练后的卷积神经网络模型。
在其中一个实施例中,所述方法还包括:
根据所述待检测供水管的漏损概率与预设阈值之间的差值得到对应的漏损预警等级;
获取与所述漏损预警等级绑定的工作人员标识,通过所述工作人员标识,发送所述漏损预警等级以及所述待检测供水管的信息至所述工作人员的绑定终端。
在其中一个实施例中,所述方法还包括:
获取所述对待检测供水管的地理位置信息,并根据所述地理位置信息获取关联用户的绑定终端和关联部门的通讯终端;
将所述待检测供水管的地理位置信息发送至所述关联用户的绑定终端和关联部门的通讯终端。
本发明实施例提供一种基于人工智能的供水管漏损预警系统,包括:
第一获取模块,用于获取历史记录中的供水管漏损数据,并根据所述供水管漏损数据获取漏损节点的节点参数,所述节点参数携带分类标签,所述节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音;
第二获取模块,用于获取所述漏损节点未发生漏损时的正常节点参数,根据所述正常节点参数构建供水管节点参数分类模型;
第三获取模块,用于获取所述供水管漏损数据中的主要因素和次要因素,通过所述节点参数和所述主要因素和次要因素构建对应的供水管漏损因素分类权重模型;
训练模块,用于将所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型;
输入模块,用于获取待检测供水管的节点参数,通过所述供水管节点参数分类模型对所述节点参数进行分类,并将分类结果输入所述训练后的卷积神经网络模型,得到所述待检测供水管的漏损概率;
预警模块,用于当所述待检测供水管的漏损概率大于预设阈值时,对所述待检测供水管进行漏损预警。
本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于人工智能的供水管漏损预警方法的步骤。
本发明实施例提供一种非暂态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上述基于人工智能的供水管漏损预警方法的步骤。
本发明实施例提供的基于人工智能的供水管漏损预警方法及系统,获取历史记录中的供水管漏损数据,并根据供水管漏损数据获取漏损节点的节点参数,节点参数携带分类标签,节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音;获取漏损节点未发生漏损时的正常节点参数,根据正常节点参数构建供水管节点参数分类模型;获取供水管漏损数据中的主要因素和次要因素,通过节点参数和主要因素和次要因素构建对应的供水管漏损因素分类权重模型;将供水管节点参数分类模型和供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型;获取待检测供水管的节点参数,通过供水管节点参数分类模型对节点参数进行分类,并将分类结果输入训练后的卷积神经网络模型,得到待检测供水管的漏损概率;当待检测供水管的漏损概率大于预设阈值时,对待检测供水管进行漏损预警。这样能够根据人工智能的深度学习及时对供水管漏损的情况进行预警,避免了供水管漏损造成的经济损失。
附图说明
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于人工智能的供水管漏损预警方法的流程图;
图2为本发明实施例中基于人工智能的供水管漏损预警系统的结构图;
图3为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的基于人工智能的供水管漏损预警方法的流程示意图,如图1所示,本发明实施例提供了一种基于人工智能的供水管漏损预警方法,包括:
步骤S101,获取历史记录中的供水管漏损数据,并根据所述供水管漏损数据获取漏损节点的节点参数,所述节点参数携带分类标签,所述节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音。
具体地,供水管漏损数据为水资源数据库中的漏损记录的对应数据,从水资源数据库中获取到供水管漏损数据,并具体的发生漏损情况的节点,获取节点的节点参数,节点参数携带分类标签,其中,分类标签用于对节点参数进行标志分类,节点参数的类型包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音,对应的漏损原因(括号内为漏损原因)包括管道参数(节点对应管道老化,管道使用时间太长)、节点压力(节点处压力大于正常值)、节点流量(节点处流量大于正常值)、节点三维图像(节点处的物理表面与正常表面不同)、节点噪音(节点处的水流噪音不同于正常水流噪音)。
步骤S102,获取所述漏损节点未发生漏损时的正常节点参数,根据所述正常节点参数构建供水管节点参数分类模型。
具体地,获取水资源数据库中漏损节点未发生漏损时的正常节点参数,即未发生漏损时,节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音,并根据正常的节点参数构建对应的供水管节点参数分类模型,模型包括正常节点的参数对应情况。比如将管道参数、节点压力、节点流量、节点三维图像、节点噪音5个参数分别分为5个数据集合,则供水管节点参数分类模型可以根据节点参数将节点分为55个类型。
步骤S103,获取所述供水管漏损数据中的主要因素和次要因素,通过所述节点参数和所述主要因素和次要因素构建对应的供水管漏损因素分类权重模型。
具体地,获取供水管漏损数据中的主要因素和次要因素,其中,主要因素和次要因素指在供水管发生漏损时,节点参数发生异常变化的参数类型,比如当供水管发生漏损前后,节点参数中节点压力、节点流量、节点噪音的数值发生了明显的异常变化,则根据节点参数在漏损前后发生数据变化的时间顺序,以及数值差距进行主要因素和次要因素的判断,比如在供水管漏损时,节点参数中节点压力最先发生数值异常,紧接着节点流量、节点噪音的数值也发生了数值异常,且漏损前后,节点参数的前后对比数据差值,经过归一化处理后,节点压力的差值也是最大的,则节点压力为供水管漏损的主要因素,节点流量、节点噪音为供水管漏损的次要因素。并通过节点参数和主要因素和次要因素构建对应的供水管漏损因素分类权重模型,即构建节点参数与造成漏损的因素对应的节点参数(比如节点压力为供水管漏损的主要因素,节点流量、节点噪音为供水管漏损的次要因素,节点压力、节点流量、节点噪音对应的参数值)之间的供水管漏损因素分类权重模型,其中,权重指供水管漏损对应的影响因素的权重,比如在上述比如节点压力为供水管漏损的主要因素,节点流量、节点噪音为供水管漏损的次要因素,节点压力的权重最大,节点流量、节点噪音的权重较小,其他节点参数权重为0。
步骤S104,将所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型。
具体地,将供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为输入,输入到卷积神经网络模型的输入层进行模型训练,卷积神经网络模型通过卷积层-池化层-全连接层进行深度学习,得到训练后的卷积神经网络模型。
步骤S105,获取待检测供水管的节点参数,通过所述供水管节点参数分类模型对所述节点参数进行分类,并将分类结果输入所述训练后的卷积神经网络模型,得到所述待检测供水管的漏损概率。
具体的,获取需要进行检测是否可以发生漏损的供水管的节点参数,通过供水管节点参数分类模型对节点参数进行分类,根据供水管节点参数分类模型确定待检测供水管对应的分类结果,并将分类结果输入到训练后的卷积神经网络模型,根据输出得到待检测供水管的漏损概率,比如将确定分类的供水管的参数输入到训练后的卷积神经网络模型后,根据在深度学习的过程中,供水管漏损因素分类权重模型的概率占比训练结果,能够得到检测供水管的节点参数发生漏损的概率。
步骤S106,当所述待检测供水管的漏损概率大于预设阈值时,对所述待检测供水管进行漏损预警。
具体的,当检测到待检测供水管的漏损概率大于待检测供水管的预设阈值时,说明待检测供水管以目前的节点参数进行水资源运输,极有可能发生供水管漏损的情况,则对待检测供水管进行漏损预警,方便相关工作人员及时对供水管进行维修,防止出现更大的经济损失。
本发明实施例提供的一种基于人工智能的供水管漏损预警方法,获取历史记录中的供水管漏损数据,并根据供水管漏损数据获取漏损节点的节点参数,节点参数携带分类标签,节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音;获取漏损节点未发生漏损时的正常节点参数,根据正常节点参数构建供水管节点参数分类模型;获取供水管漏损数据中的主要因素和次要因素,通过节点参数和主要因素和次要因素构建对应的供水管漏损因素分类权重模型;将供水管节点参数分类模型和供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型;获取待检测供水管的节点参数,通过供水管节点参数分类模型对节点参数进行分类,并将分类结果输入训练后的卷积神经网络模型,得到待检测供水管的漏损概率;当待检测供水管的漏损概率大于预设阈值时,对待检测供水管进行漏损预警。这样能够根据人工智能的深度学习及时对供水管漏损的情况进行预警,避免了供水管漏损造成的经济损失。
在上述实施例的基础上,所述基于人工智能的供水管漏损预警方法,还包括:
将所述正常节点参数和所述节点参数进行对比,根据所述正常节点参数和所述节点参数建立对应的时间-参数坐标系;
通过所述时间-参数坐标系进行矢量分析,通过所述矢量分析结果得到所述供水管漏损数据中的主要因素和次要因素。
在本发明实施例中,将漏损发生前后的正常节点参数和节点参数进行对比,并根据节点在漏损发生前后的数据建立对应的时间-参数坐标系(以时间为横坐标,节点参数为纵坐标),对时间-参数坐标系中的每个点进行矢量分析,得到每个点之间的变化关系,根据变化关系的大小确定影响供水管漏损的主要因素和次要因素,以变化关系最大的作为影响供水管漏损的主要因素,其余的作为影响供水管漏损的次要因素。
本发明实施例通过建立时间-参数坐标系并进行矢量分析,确定供水管漏损数据中的主要因素和次要因素,保证了后续模型训练时的准确性。
在上述实施例的基础上,所述基于人工智能的供水管漏损预警方法,还包括:
获取所述主要因素和次要因素对应的节点参数数据,根据所述节点参数数据构建初步供水管漏损因素分类权重模型;
统计所述主要因素和次要因素对应的次数,根据所述次数对所述初步供水管漏损因素分类权重模型进行修正,得到供水管漏损因素分类权重模型。
在本发明实施例中,对供水管漏损因素分类权重模型的训练过程可以包括:获取主要因素和次要因素对应的节点参数数据,根据节点参数数据构建初步供水管漏损因素分类权重模型,其中,统计主要因素和次要因素对应的次数,根据次数对初步供水管漏损因素分类权重模型进行修正,得到供水管漏损因素分类权重模型。
另外,供水管漏损因素分类权重模型不仅可以包括主要因素和次要因素对应的节点参数数据,也可以包括其他参数数据,加入其他参数数据进行训练,能够在后续模型训练中更突出主要因素和次要因素对应的节点参数数据的数据异常。
本发明实施例要因素和次要因素对应的节点参数数据和次数分步骤训练得到供水管漏损因素分类权重模型,方便针对性的根据权重完成后续的待检测供水管的漏损概率判断。
在上述实施例的基础上,所述基于人工智能的供水管漏损预警方法,还包括:
对所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出进行归一化处理,得到归一化处理后的输入数据;
将所述输入数据作为所述卷积神经网络模型的输入进行训练。
在本发明实施例中,对供水管节点参数分类模型和供水管漏损因素分类权重模型的输出进行归一化处理,即保证两个模型的输出数据的规范化,能够在同一单位下,然后得到归一化处理后的输入数据,将输入数据作为卷积神经网络模型的输入进行训练,保证了输入数据能够以正常单位进行数据训练。
另外,还可以将供水管节点参数分类模型和供水管漏损因素分类权重模型的输出分为训练集和验证集,具体可以将数据分为80%的训练集与20%的验证集,通过训练集进行初步训练,得到初步卷积神经网络模型,然后通过验证集对初步卷积神经网络模型进行测试,得到训练后的卷积神经网络模型。
本发明实施例通过对两个模型的输出数据进行归一化处理,并对输出数据进行数据分组,通过训练集建立初步模型,通过验证集对初步模型进行准确性验证,保证了卷积神经网络模型的准确性。
在上述实施例的基础上,所述基于人工智能的供水管漏损预警方法,还包括:
根据所述待检测供水管的漏损概率与预设阈值之间的差值得到对应的漏损预警等级;
获取与所述漏损预警等级绑定的工作人员标识,通过所述工作人员标识,发送所述漏损预警等级以及所述待检测供水管的信息至所述工作人员的绑定终端。
在本发明实施例中,根据待检测供水管的漏损概率与预设阈值之间的差值得到对应的漏损预警等级,漏损预警等级可以比如当概率差值在10%以内时,等级为低级,概率差值在10%~20%时,等级为中级,概率差值为20%以上时,等级为高级,根据不同的等级获取不同的工作人员标识,一般来说,等级越高,漏损情况越危急,相关工作人员的等级越高,则获取与相关等级绑定的工作人员标识,通过工作人员标识,发送漏损预警等级以及待检测供水管的信息至工作人员的绑定终端,让相关等级的工作人员及时知晓待检测供水管的即将发生漏损情况。
本发明实施例通过发送漏损预警等级以及待检测供水管的信息至相关等级的工作人员的绑定终端,让有权限的工作人员及时知晓待检测供水管的即将发生漏损情况,及时进行处理。
在上述实施例的基础上,所述基于人工智能的供水管漏损预警方法,还包括:
获取所述对待检测供水管的地理位置信息,并根据所述地理位置信息获取关联用户的绑定终端和关联部门的通讯终端;
将所述待检测供水管的地理位置信息发送至所述关联用户的绑定终端和关联部门的通讯终端。
在本发明实施例中,预警过程可以是获取对待检测供水管的地理位置信息,并根据地理位置信息获取关联用户的绑定终端和关联部门的通讯终端,然后将待检测供水管的地理位置信息发送至关联用户的绑定终端和关联部门的通讯终端,将待检测供水管的情况发送至关联用户和部门,让关联用户做好准备的同时,提醒关联部门及时对待检测供水管进行处理。
本发明实施例通过将待检测供水管的情况发送至关联用户和部门,让关联用户做好准备的同时,提醒关联部门及时对待检测供水管进行处理。
图2为本发明实施例提供的一种基于人工智能的供水管漏损预警系统,包括:第一获取模块201、第二获取模块202、第三获取模块203、训练模块204、输入模块205和预警模块206,其中:
第一获取模块201,用于获取历史记录中的供水管漏损数据,并根据所述供水管漏损数据获取漏损节点的节点参数,所述节点参数携带分类标签,所述节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音。
第二获取模块202,用于获取所述漏损节点未发生漏损时的正常节点参数,根据所述正常节点参数构建供水管节点参数分类模型。
第三获取模块203,用于获取所述供水管漏损数据中的主要因素和次要因素,通过所述节点参数和所述主要因素和次要因素构建对应的供水管漏损因素分类权重模型。
训练模块204,用于将所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型。
输入模块205,用于获取待检测供水管的节点参数,通过所述供水管节点参数分类模型对所述节点参数进行分类,并将分类结果输入所述训练后的卷积神经网络模型,得到所述待检测供水管的漏损概率。
预警模块206,用于当所述待检测供水管的漏损概率大于预设阈值时,对所述待检测供水管进行漏损预警。
在一个实施例中,系统还可以包括:
对比模块,用于将所述正常节点参数和所述节点参数进行对比,根据所述正常节点参数和所述节点参数建立对应的时间-参数坐标系。
分析模块,用于通过所述时间-参数坐标系进行矢量分析,通过所述矢量分析结果得到所述供水管漏损数据中的主要因素和次要因素。
在一个实施例中,系统还可以包括:
第四获取模块,用于获取所述主要因素和次要因素对应的节点参数数据,根据所述节点参数数据构建初步供水管漏损因素分类权重模型。
统计模块,用于统计所述主要因素和次要因素对应的次数,根据所述次数对所述初步供水管漏损因素分类权重模型进行修正,得到供水管漏损因素分类权重模型。
在一个实施例中,系统还可以包括:
归一化模块,用于对所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出进行归一化处理,得到归一化处理后的输入数据。
第二输入模块,用于将所述输入数据作为所述卷积神经网络模型的输入进行训练。
在一个实施例中,系统还可以包括:
等级确定模块,用于根据所述待检测供水管的漏损概率与预设阈值之间的差值得到对应的漏损预警等级。
第五获取模块,用于获取与所述漏损预警等级绑定的工作人员标识,通过所述工作人员标识,发送所述漏损预警等级以及所述待检测供水管的信息至所述工作人员的绑定终端。
在一个实施例中,系统还可以包括:
第六获取模块,用于获取所述对待检测供水管的地理位置信息,并根据所述地理位置信息获取关联用户的绑定终端和关联部门的通讯终端。
发送模块,用于将所述待检测供水管的地理位置信息发送至所述关联用户的绑定终端和关联部门的通讯终端。
关于基于人工智能的供水管漏损预警系统的具体限定可以参见上文中对于基于人工智能的供水管漏损预警方法的限定,在此不再赘述。上述基于人工智能的供水管漏损预警中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304,其中,处理器301,存储器302,通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令,以执行如下方法:获取历史记录中的供水管漏损数据,并根据供水管漏损数据获取漏损节点的节点参数,节点参数携带分类标签,节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音;获取漏损节点未发生漏损时的正常节点参数,根据正常节点参数构建供水管节点参数分类模型;获取供水管漏损数据中的主要因素和次要因素,通过节点参数和主要因素和次要因素构建对应的供水管漏损因素分类权重模型;将供水管节点参数分类模型和供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型;获取待检测供水管的节点参数,通过供水管节点参数分类模型对节点参数进行分类,并将分类结果输入训练后的卷积神经网络模型,得到待检测供水管的漏损概率;当待检测供水管的漏损概率大于预设阈值时,对待检测供水管进行漏损预警。
此外,上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态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以执行上述各实施例提供的传输方法,例如包括:获取历史记录中的供水管漏损数据,并根据供水管漏损数据获取漏损节点的节点参数,节点参数携带分类标签,节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音;获取漏损节点未发生漏损时的正常节点参数,根据正常节点参数构建供水管节点参数分类模型;获取供水管漏损数据中的主要因素和次要因素,通过节点参数和主要因素和次要因素构建对应的供水管漏损因素分类权重模型;将供水管节点参数分类模型和供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型;获取待检测供水管的节点参数,通过供水管节点参数分类模型对节点参数进行分类,并将分类结果输入训练后的卷积神经网络模型,得到待检测供水管的漏损概率;当待检测供水管的漏损概率大于预设阈值时,对待检测供水管进行漏损预警。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的供水管漏损预警方法,其特征在于,包括:
获取历史记录中的供水管漏损数据,并根据所述供水管漏损数据获取漏损节点的节点参数,所述节点参数携带分类标签,所述节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音;
获取所述漏损节点未发生漏损时的正常节点参数,根据所述正常节点参数构建供水管节点参数分类模型;
获取所述供水管漏损数据中的主要因素和次要因素,通过所述节点参数和所述主要因素和次要因素构建对应的供水管漏损因素分类权重模型;
将所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型;
获取待检测供水管的节点参数,通过所述供水管节点参数分类模型对所述节点参数进行分类,并将分类结果输入所述训练后的卷积神经网络模型,得到所述待检测供水管的漏损概率;
当所述待检测供水管的漏损概率大于预设阈值时,对所述待检测供水管进行漏损预警。
2.根据权利要求1所述的基于人工智能的供水管漏损预警方法,其特征在于,所述获取所述供水管漏损数据中的主要因素和次要因素,包括:
将所述正常节点参数和所述节点参数进行对比,根据所述正常节点参数和所述节点参数建立对应的时间-参数坐标系;
通过所述时间-参数坐标系进行矢量分析,通过所述矢量分析结果得到所述供水管漏损数据中的主要因素和次要因素。
3.根据权利要求1所述的基于人工智能的供水管漏损预警方法,其特征在于,所述通过所述节点参数和所述主要因素和次要因素构建对应的供水管漏损因素分类权重模型,包括:
获取所述主要因素和次要因素对应的节点参数数据,根据所述节点参数数据构建初步供水管漏损因素分类权重模型;
统计所述主要因素和次要因素对应的次数,根据所述次数对所述初步供水管漏损因素分类权重模型进行修正,得到供水管漏损因素分类权重模型。
4.根据权利要求1所述的基于人工智能的供水管漏损预警方法,其特征在于,所述将供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,包括:
对所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出进行归一化处理,得到归一化处理后的输入数据;
将所述输入数据作为所述卷积神经网络模型的输入进行训练。
5.根据权利要求1所述的基于人工智能的供水管漏损预警方法,其特征在于,所述将供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型,包括:
将所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出分为训练集和验证集,将所述训练集输入到卷积神经网络模型进行训练,得到训练后的初步卷积神经网络模型;
通过所述验证集输入到训练后的初步卷积神经网络模型进行测试,测试完成后得到所述训练后的卷积神经网络模型。
6.根据权利要求1所述的基于人工智能的供水管漏损预警方法,其特征在于,所述对待检测供水管进行漏损预警,包括:
根据所述待检测供水管的漏损概率与预设阈值之间的差值得到对应的漏损预警等级;
获取与所述漏损预警等级绑定的工作人员标识,通过所述工作人员标识,发送所述漏损预警等级以及所述待检测供水管的信息至所述工作人员的绑定终端。
7.根据权利要求1所述的基于人工智能的供水管漏损预警方法,其特征在于,所述对待检测供水管进行漏损预警,包括:
获取所述对待检测供水管的地理位置信息,并根据所述地理位置信息获取关联用户的绑定终端和关联部门的通讯终端;
将所述待检测供水管的地理位置信息发送至所述关联用户的绑定终端和关联部门的通讯终端。
8.一种基于人工智能的供水管漏损预警系统,其特征在于,所述系统包括:
第一获取模块,用于获取历史记录中的供水管漏损数据,并根据所述供水管漏损数据获取漏损节点的节点参数,所述节点参数携带分类标签,所述节点参数包括节点对应的管道参数、节点压力、节点流量、节点三维图像、节点噪音;
第二获取模块,用于获取所述漏损节点未发生漏损时的正常节点参数,根据所述正常节点参数构建供水管节点参数分类模型;
第三获取模块,用于获取所述供水管漏损数据中的主要因素和次要因素,通过所述节点参数和所述主要因素和次要因素构建对应的供水管漏损因素分类权重模型;
训练模块,用于将所述供水管节点参数分类模型和所述供水管漏损因素分类权重模型的输出作为卷积神经网络模型的输入进行训练,得到训练后的卷积神经网络模型;
输入模块,用于获取待检测供水管的节点参数,通过所述供水管节点参数分类模型对所述节点参数进行分类,并将分类结果输入所述训练后的卷积神经网络模型,得到所述待检测供水管的漏损概率;
预警模块,用于当所述待检测供水管的漏损概率大于预设阈值时,对所述待检测供水管进行漏损预警。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于人工智能的供水管漏损预警方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于人工智能的供水管漏损预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300916.9A CN113112126B (zh) | 2021-03-22 | 2021-03-22 | 基于人工智能的供水管漏损预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300916.9A CN113112126B (zh) | 2021-03-22 | 2021-03-22 | 基于人工智能的供水管漏损预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112126A true CN113112126A (zh) | 2021-07-13 |
CN113112126B CN113112126B (zh) | 2024-05-03 |
Family
ID=76712142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300916.9A Active CN113112126B (zh) | 2021-03-22 | 2021-03-22 | 基于人工智能的供水管漏损预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112126B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413184A (zh) * | 2021-12-31 | 2022-04-29 | 北京无线电计量测试研究所 | 一种智能管道、智能管道管理系统及其测漏方法 |
CN114757108A (zh) * | 2022-06-14 | 2022-07-15 | 深圳市拓安信计控仪表有限公司 | 一种基于人工智能的异常区域的识别方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260784A (zh) * | 2015-08-16 | 2016-01-20 | 东北石油大学 | 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN109555979A (zh) * | 2018-12-10 | 2019-04-02 | 清华大学 | 一种供水管网漏损监测方法 |
CN111881999A (zh) * | 2020-08-04 | 2020-11-03 | 武汉易维环境工程有限公司 | 一种基于深度卷积神经网络的水务管道漏损探测方法及系统 |
-
2021
- 2021-03-22 CN CN202110300916.9A patent/CN113112126B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260784A (zh) * | 2015-08-16 | 2016-01-20 | 东北石油大学 | 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN109555979A (zh) * | 2018-12-10 | 2019-04-02 | 清华大学 | 一种供水管网漏损监测方法 |
CN111881999A (zh) * | 2020-08-04 | 2020-11-03 | 武汉易维环境工程有限公司 | 一种基于深度卷积神经网络的水务管道漏损探测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413184A (zh) * | 2021-12-31 | 2022-04-29 | 北京无线电计量测试研究所 | 一种智能管道、智能管道管理系统及其测漏方法 |
CN114413184B (zh) * | 2021-12-31 | 2024-01-02 | 北京无线电计量测试研究所 | 一种智能管道、智能管道管理系统及其测漏方法 |
CN114757108A (zh) * | 2022-06-14 | 2022-07-15 | 深圳市拓安信计控仪表有限公司 | 一种基于人工智能的异常区域的识别方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113112126B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN113536081B (zh) | 基于人工智能的数据中心数据管理方法及系统 | |
CN106682906B (zh) | 一种风险识别、业务处理方法和设备 | |
CN105138371B (zh) | 软件升级方法及装置 | |
CN113112126A (zh) | 基于人工智能的供水管漏损预警方法及系统 | |
CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
CN109299846A (zh) | 一种核电站设备可靠性分析方法、系统及终端设备 | |
CN113762525A (zh) | 一种具有差分隐私保护的联邦学习模型训练方法 | |
CN113361958A (zh) | 一种缺陷预警方法及系统 | |
CN107341202B (zh) | 业务数据表修正危险度的评估方法、装置及存储介质 | |
CN114239952B (zh) | 一种关键性能指标的异常检测方法、装置、设备及介质 | |
CN113886373A (zh) | 一种数据处理方法、装置及电子设备 | |
CN113111139A (zh) | 一种基于物联传感器的告警检测方法和装置 | |
CN111813593A (zh) | 一种数据处理方法、设备、服务器及存储介质 | |
CN112529739A (zh) | 一种建筑质量全局检测方法及系统 | |
CN111651652A (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN106815772A (zh) | 电力数据上报方法及装置 | |
CN110597703A (zh) | 一种回归测试方法及装置 | |
CN112153685B (zh) | Rrc故障检测方法和装置 | |
CN117992883B (zh) | 一种基于业务数据异常的用户行为处理方法及系统 | |
CN109409127A (zh) | 网络数据安全策略的生成方法、装置及存储介质 | |
CN110874258B (zh) | 物理机变更方法、装置 | |
CN113743532B (zh) | 异常检测方法、装置、设备及计算机存储介质 | |
CN113657695B (zh) | 报账点电量有效性判定方法及装置 | |
CN112860586B (zh) | 一种测试指令的处理方法及装置 |
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 |