CN113918354A - 边缘计算的数字化蒸汽泄露监测数据传输系统 - Google Patents
边缘计算的数字化蒸汽泄露监测数据传输系统 Download PDFInfo
- Publication number
- CN113918354A CN113918354A CN202111524265.8A CN202111524265A CN113918354A CN 113918354 A CN113918354 A CN 113918354A CN 202111524265 A CN202111524265 A CN 202111524265A CN 113918354 A CN113918354 A CN 113918354A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- module
- steam pipeline
- edge
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pipeline Systems (AREA)
Abstract
本发明公开了一种边缘计算的数字化蒸汽泄露监测数据传输系统,属于监测数据传输技术领域。本系统包括蒸汽管道数据获取模块、数据分析模块、蒸汽泄漏预测模块、边缘计算模块、数据传输时延分析模块、分配策略模块;所述蒸汽管道数据获取模块的输出端与所述数据分析模块的输入端相连接;所述数据分析模块、所述蒸汽泄漏预测模块与所述边缘计算模块顺次连接;所述边缘计算模块的输出端与所述数据传输时延分析模块的输入端相连接;所述数据传输时延分析模块的输出端与所述分配策略模块的输入端相连接;本发明能够防患于未然,建立数字化传输系统,提高蒸汽管道智能监测水平,符合未来发展观念。
Description
技术领域
本发明涉及监测数据传输技术领域,具体为一种边缘计算的数字化蒸汽泄露监测数据传输系统。
背景技术
蒸汽管道系统长期在高温环境下进行工作,金属材料的热膨胀作用会使得管道伸长,从而使得管道系统增加额外的拉伸力和弯曲应力。蒸汽系统在实际的运作过程中,压力、温度和水流量的波动和开工停工中不正确的升温、升压方式,都会是管网系统的应力发生异常变化,导致蒸汽管道发生热膨胀偏移,引导管道系统的强烈震动,从而发生泄漏;同时蒸汽水分子与液态水分子不同,液态水分子是由多个水分子缔合而成,而蒸汽水分子是由单个的水分子组合而成的。在干蒸汽的状态下,水分子以单分子的形式存在,两个氧氢元素之间的夹角为104.5°,分子大小为0.29mm,水分子属于极性分子,具有较强的渗透性能。当温度低于或者等于工作压力下的饱和温度时,就会形成液态水。尽管蒸汽系统管网中含有保温层,但是热量的损失是不可避免的。管道、法兰、阀门等管网组成的内壁温度一般都比工作压力下的饱和温度低,因此管内部形成凝结水是不可避免的,保温效果越差,其产生的凝结水越多。这些凝结水会在管道内进行积聚,从而与缝隙间的酸性杂质发生反应,形成电解液,产生化学腐蚀。凝结水还会对管道的弯头、阀门等部件产生冲刷,使得管道壁变薄,甚至出现穿孔的现象,最终导致蒸汽泄漏。
而目前的技术手段中,对蒸汽泄漏的监测还停留在红外检测等方面,缺乏数字化的智能管理,已经不适用于当前高速发展的数字化体系,同时也缺乏对于蒸汽泄漏的预测手段,难以防患于未然。
发明内容
本发明的目的在于提供一种边缘计算的数字化蒸汽泄露监测数据传输系统,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种边缘计算的数字化蒸汽泄露监测数据传输系统,该系统包括蒸汽管道数据获取模块、数据分析模块、蒸汽泄漏预测模块、边缘计算模块、数据传输时延分析模块、分配策略模块;
所述蒸汽管道数据获取模块用于获取蒸汽管道及阀门的监控数据,进行图像分析;所述数据分析模块用于对获取的数据进行归一化处理,并整理存储至数据存储单元;所述蒸汽泄漏预测模块用于根据数据分析模块的数据构建预测模型,对蒸汽泄漏的时间进行预测;所述边缘计算模块用于搭建边缘计算节点,在一个或多个蒸汽管道处构建数据传输体系,并与云端服务器进行通信;所述数据传输时延分析模块用于分析数据传输过程中的时延情况,作出相应调整,以减小数据传输时延;所述分配策略模块用于更新数据传输的分配策略,确保蒸汽管道监测数据的传输时延满足预设水平;
所述蒸汽管道数据获取模块的输出端与所述数据分析模块的输入端相连接;所述数据分析模块的输出端与所述蒸汽泄漏预测模块的输入端相连接;所述蒸汽泄漏预测模块的输出端与所述边缘计算模块的输入端相连接;所述边缘计算模块的输出端与所述数据传输时延分析模块的输入端相连接;所述数据传输时延分析模块的输出端与所述分配策略模块的输入端相连接。
根据上述技术方案,所述蒸汽管道数据获取模块包括图像采样单元、温度采样单元;
所述图像采样单元用于采集蒸汽管道的图像状态,生成图像数据;所述温度采样单元用于采集蒸汽管道周围的温度数据;
所述图像采集单元的输出端与所述数据分析模块的输入端相连接;所述温度采样单元的输出端与所述数据分析模块的输入端相连接。
根据上述技术方案,所述数据分析模块包括数据归一化处理单元、数据存储单元;
所述数据归一化处理单元用于对蒸汽管道数据获取模块采集到的温度数据归一化处理,形成归一化数据并存储至数据存储单元;所述数据存储单元用于存储归一化数据信息与图像数据,供系统中蒸汽泄漏预测模块调用;
归一化处理主要是把所有数据都转化为[0,1]之间的数,取消各维数据间数量级差别,避免因为输入输出数据数量级差别较大而造成网络预测误差较大的情况发生,一般采用matlab软件进行处理即可。
所述数据归一化处理单元的输出端与所述数据存储单元的输入端相连接;所述数据存储单元的输出端与所述蒸汽泄漏预测模块的输入端相连接。
根据上述技术方案,所述蒸汽泄漏预测模块包括模型构建单元、判断单元;
所述模型构建单元用于构建预测模型,对蒸汽管道偏移量进行计算,输出最终结果;所述判断单元用于获取蒸汽管道偏移量阈值,并基于当前偏移量与阈值的大小适配计算节点与传输路径;
所述模型构建单元的输出端与所述判断单元的输入端相连接;所述判断单元的输出端与所述边缘计算模块的输入端相连接。
根据上述技术方案,所述模型构建单元包括:
调用数据分析模块中的图像数据;
获取蒸汽管道初始图像数据,利用相似度算法将调用数据不断与初始图像数据进行比对,设置蒸汽管道初始图像数据记为A,A={a1、a2、……、an};a1、a2、……、an为初始图像数据A中的各项特征;调用图像数据记为B,B={b1、b2、……、bn};b1、b2、……、bn为调用图像数据B中的各项特征;根据公式:
设置相似度距离阈值,记为Dmax,若D超出Dmax,则建立三维虚拟模型进行分析;若D未超出Dmax,则不作分析;
所述三维虚拟模型以蒸汽管道阀门为原点,蒸汽管道阀门所在竖直平面为Z轴,管道方向为X轴,同时垂直于X轴和Z轴的平面方向为Y轴;
在三维虚拟模型中构建虚拟位移量标杆,利用虚拟位移量标杆对蒸汽管道初始图像数据与超出相似度距离阈值的调用图像数据进行比对,计算得出蒸汽管道在三维虚拟模型中在X轴、Y轴和Z轴的管道中的热膨胀偏移量;
可分别记为:ux、uy、uz;
理想环境下可根据公式:
其中,L为蒸汽管道理想偏移量;
建立误差偏差值,记为M,则蒸汽管道偏移量为:
L1=L+M
其中,L1为蒸汽管道偏移量;
所述误差可能为蒸汽管道风载荷,管道内压等等;
根据上述技术方案,在相似度的水平超出预设阈值时,即可得知的是管道发生了一定的偏移量,而当偏移量达到一定水平时,就会引起管道泄漏,因此在出现偏移量后,本发明建立了预测模型去预测达到泄漏的偏移量时间,以确保防患于未然,而在建立预测模型的过程中,会存在对于蒸汽管道偏移量的影响因素,例如温度、管道内径、蒸汽量等等,其对于管道的影响权重是不同的,如果以均值权重来计算会大幅影响预测结果的准确性,因此本发明建立分类器去进行权重的输出;
获取从初始正常状态到蒸汽管道泄漏状态之间的温度数据、时间数据,作为输入向量,记为s;
训练时,依次训练每一个弱分类器,并得到它们的权重值;
所有样本的初始权重相等,即:
对t=1,2,……,T依次训练每个弱分类器:
更新所有样本的权重:
其中,h为样本数量;
循环并构建最终的强分类器模型:
利用强分类器输出蒸汽管道偏移量的影响因素权重,记为G={g1、g2、……、gm};
所述影响因素记为集合RI={r1、r2、……、rm},其中m为影响因素数量;r1、r2、……、rm为影响因素的归一化数据类型,I为一时刻点;
构建蒸汽管道偏移量与影响因素之间的函数关系:
在进行数字化的监测后,会产生大量的数据进行计算,如果均由云端服务器进行处理,不但会严重增加云端服务器的负载,而且由于节点的处理和排队会产生大量的时延,时延过长,预测模型的结果将会产生变化,导致最终反馈到用户终端的数据结果成为了不准确数据,因此建立大量的边缘节点进行计算,一旦蒸汽管道偏移量超出了预设水平,就有泄露的风险存在了,就将其转移至边缘节点进行计算,尽最大可能降低时延,保证准确程度。
根据上述技术方案,所述判断单元还包括:
构建蒸汽管道偏移量阈值Lmax,即在蒸汽管道偏移量达到阈值Lmax时,管道将存在泄露的风险;
若L1<Lmax,数据传输至云端服务器进行计算;
若L1>Lmax,转移至边缘节点进行计算,计算结果反馈至云端服务器。
根据上述技术方案,所述边缘计算模块包括边缘节点计算单元、传输单元;
所述边缘节点计算单元用于构建边缘计算节点,对蒸汽管道按照区域进行监测;所述传输单元用于传输数据;
所述边缘节点计算单元的输出端与所述传输单元的输入端相连接。
根据上述技术方案,所述数据传输时延分析模块包括处理记录单元、时延分析单元;
所述处理记录单元用于处理通信信道内传输的数据,并记录传输时间;所述时延分析单元用于对传输时间的延时性进行分析;
所述处理记录单元的输出端与所述时延分析单元的输入端相连接。
根据上述技术方案,所述时延分析单元还包括:
获取任一边缘节点的实际时延时间,记为U1;
根据公式:
此处考虑到时延中的传输时延与传播时延(即物理时延),并以此作为理想时延,尽可能去保证在后续计算时延偏差的时候的精准性。
根据上述技术方案,所述分配策略模块包括有边缘节点分配策略;
所述边缘节点分配策略包括:
第一时延单元,在初始的分配策略下,获取K1个边缘节点上传输数据任务的时延;
第一策略单元,基于第一时延单元确定的本轮在K1个边缘节点上传输数据任务的时延,获取本轮的时延最小值之和以及本轮对传输数据任务的分配策略;
第二时延单元,在本轮的时延时间偏差值超出阈值的情况下,针对每个边缘节点上的传输数据任务,确定下一轮在边缘节点上处理传输数据任务的时延;
第二策略单元,基于确定的下一轮在边缘节点上处理传输数据任务的时延,调整下一轮的传输数据任务的分配策略,获取下一轮K1个边缘节点上的时延最小值之和;
对比单元,将获取的下一轮K1个边缘节点上的时延最小值之和与时延时间偏差值阈值进行比较,若不满足阈值,则循环第二策略单元,直至满足阈值后,将此时的传输数据分配策略,作为后续的传输数据任务的分配策略。
与现有技术相比,本发明所达到的有益效果是:
本发明能够利用蒸汽管道及阀门的监控数据,进行图像分析,进行归一化处理后,构建预测模型,对蒸汽泄漏的时间进行预测;建立数字化传输系统,提高智能监测水平,符合未来发展观念,并基于数字化传输系统建立边缘节点,在一个或多个蒸汽管道处构建数据传输体系,并与云端服务器进行通信,分析数据传输过程中的时延情况,并能够作出相应调整,更新数据传输的分配策略,确保蒸汽管道监测数据的处理时延最小,满足监测的实时与精准,有效提高蒸汽管道泄漏的监测水平,填补蒸汽管道泄漏检测领域的空白。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种边缘计算的数字化蒸汽泄露监测数据传输系统的流程示意图;
图2是本发明一种边缘计算的数字化蒸汽泄露监测数据传输系统的模型构建单元示意图。
具体实施方式
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他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供技术方案:
一种边缘计算的数字化蒸汽泄露监测数据传输系统,该系统包括蒸汽管道数据获取模块、数据分析模块、蒸汽泄漏预测模块、边缘计算模块、数据传输时延分析模块、分配策略模块;
所述蒸汽管道数据获取模块用于获取蒸汽管道及阀门的监控数据,进行图像分析;所述数据分析模块用于对获取的数据进行归一化处理,并整理存储至数据存储单元;所述蒸汽泄漏预测模块用于根据数据分析模块的数据构建预测模型,对蒸汽泄漏的时间进行预测;所述边缘计算模块用于搭建边缘计算节点,在一个或多个蒸汽管道处构建数据传输体系,并与云端服务器进行通信;所述数据传输时延分析模块用于分析数据传输过程中的时延情况,作出相应调整,以减小数据传输时延;所述分配策略模块用于更新数据传输的分配策略,确保蒸汽管道监测数据的传输时延满足预设水平;
所述蒸汽管道数据获取模块的输出端与所述数据分析模块的输入端相连接;所述数据分析模块的输出端与所述蒸汽泄漏预测模块的输入端相连接;所述蒸汽泄漏预测模块的输出端与所述边缘计算模块的输入端相连接;所述边缘计算模块的输出端与所述数据传输时延分析模块的输入端相连接;所述数据传输时延分析模块的输出端与所述分配策略模块的输入端相连接。
所述蒸汽管道数据获取模块包括图像采样单元、温度采样单元;
所述图像采样单元用于采集蒸汽管道的图像状态,生成图像数据;所述温度采样单元用于采集蒸汽管道周围的温度数据;
所述图像采集单元的输出端与所述数据分析模块的输入端相连接;所述温度采样单元的输出端与所述数据分析模块的输入端相连接。
所述数据分析模块包括数据归一化处理单元、数据存储单元;
所述数据归一化处理单元用于对蒸汽管道数据获取模块采集到的温度数据归一化处理,形成归一化数据并存储至数据存储单元;所述数据存储单元用于存储归一化数据信息与图像数据,供系统中蒸汽泄漏预测模块调用;
所述数据归一化处理单元的输出端与所述数据存储单元的输入端相连接;所述数据存储单元的输出端与所述蒸汽泄漏预测模块的输入端相连接。
所述蒸汽泄漏预测模块包括模型构建单元、判断单元;
所述模型构建单元用于构建预测模型,对蒸汽管道偏移量进行计算,输出最终结果;所述判断单元用于获取蒸汽管道偏移量阈值,并基于当前偏移量与阈值的大小适配计算节点与传输路径;
所述模型构建单元的输出端与所述判断单元的输入端相连接;所述判断单元的输出端与所述边缘计算模块的输入端相连接。
所述模型构建单元包括:
调用数据分析模块中的图像数据;
获取蒸汽管道初始图像数据,利用相似度算法将调用数据不断与初始图像数据进行比对,设置蒸汽管道初始图像数据记为A,A={a1、a2、……、an};a1、a2、……、an为初始图像数据A中的各项特征;调用图像数据记为B,B={b1、b2、……、bn};b1、b2、……、bn为调用图像数据B中的各项特征;根据公式:
设置相似度距离阈值,记为Dmax,若D超出Dmax,则建立三维虚拟模型进行分析;若D未超出Dmax,则不作分析;
所述三维虚拟模型以蒸汽管道阀门为原点,蒸汽管道阀门所在竖直平面为Z轴,管道方向为X轴,同时垂直于X轴和Z轴的平面方向为Y轴;
在三维虚拟模型中构建虚拟位移量标杆,利用虚拟位移量标杆对蒸汽管道初始图像数据与超出相似度距离阈值的调用图像数据进行比对,计算得出蒸汽管道在三维虚拟模型中在X轴、Y轴和Z轴的管道中的热膨胀偏移量;
可分别记为:ux、uy、uz;
理想环境下可根据公式:
其中,L为蒸汽管道理想偏移量;
建立误差偏差值,记为M,则蒸汽管道偏移量为:
L1=L+M
其中,L1为蒸汽管道偏移量;
获取从初始正常状态到蒸汽管道泄漏状态之间的温度数据、时间数据,作为输入向量,记为s;
训练时,依次训练每一个弱分类器,并得到它们的权重值;
所有样本的初始权重相等,即:
对t=1,2,……,T依次训练每个弱分类器:
更新所有样本的权重:
其中,h为样本数量;
循环并构建最终的强分类器模型:
利用强分类器输出蒸汽管道偏移量的影响因素权重,记为G={g1、g2、……、gm};
所述影响因素记为集合RI={r1、r2、……、rm},其中m为影响因素数量;r1、r2、……、rm为影响因素的归一化数据类型,I为一时刻点;
构建蒸汽管道偏移量与影响因素之间的函数关系:
所述判断单元还包括:
构建蒸汽管道偏移量阈值Lmax,即在蒸汽管道偏移量达到阈值Lmax时,管道将存在泄露的风险;
若L1<Lmax,数据传输至云端服务器进行计算;
若L1>Lmax,转移至边缘节点进行计算,计算结果反馈至云端服务器。
所述边缘计算模块包括边缘节点计算单元、传输单元;
所述边缘节点计算单元用于构建边缘计算节点,对蒸汽管道按照区域进行监测;所述传输单元用于传输数据;
所述边缘节点计算单元的输出端与所述传输单元的输入端相连接。
所述数据传输时延分析模块包括处理记录单元、时延分析单元;
所述处理记录单元用于处理通信信道内传输的数据,并记录传输时间;所述时延分析单元用于对传输时间的延时性进行分析;
所述处理记录单元的输出端与所述时延分析单元的输入端相连接。
所述时延分析单元还包括:
获取任一边缘节点的实际时延时间,记为U1;
根据公式:
所述分配策略模块包括有边缘节点分配策略;
所述边缘节点分配策略包括:
第一时延单元,在初始的分配策略下,获取K1个边缘节点上传输数据任务的时延;
第一策略单元,基于第一时延单元确定的本轮在K1个边缘节点上传输数据任务的时延,获取本轮的时延最小值之和以及本轮对传输数据任务的分配策略;
第二时延单元,在本轮的时延时间偏差值超出阈值的情况下,针对每个边缘节点上的传输数据任务,确定下一轮在边缘节点上处理传输数据任务的时延;
第二策略单元,基于确定的下一轮在边缘节点上处理传输数据任务的时延,调整下一轮的传输数据任务的分配策略,获取下一轮K1个边缘节点上的时延最小值之和;
对比单元,将获取的下一轮K1个边缘节点上的时延最小值之和与时延时间偏差值阈值进行比较,若不满足阈值,则循环第二策略单元,直至满足阈值后,将此时的传输数据分配策略,作为后续的传输数据任务的分配策略。
在本实施例中:
对蒸汽管道及阀门进行监测;
调用监测图像数据;
获取蒸汽管道初始图像数据,利用相似度算法将调用数据不断与初始图像数据进行比对,设置蒸汽管道初始图像数据记为A,A={a1、a2、……、an};a1、a2、……、an为初始图像数据A中的各项特征,在本实施例中,取3种进行分析,分别为管道表面、管道内径、管道高度;调用图像数据记为B,B={b1、b2、……、bn};b1、b2、……、bn为调用图像数据B中的各项特征,在本实施例中,取3种进行分析,分别为管道表面、管道内径、管道高度;根据公式:
设置相似度距离阈值,记为Dmax,发现D超出Dmax,建立三维虚拟模型进行分析;
三维虚拟模型以蒸汽管道阀门为原点,蒸汽管道阀门所在竖直平面为Z轴,管道方向为X轴,同时垂直于X轴和Z轴的平面方向为Y轴;
在三维虚拟模型中构建虚拟位移量标杆,利用虚拟位移量标杆对蒸汽管道初始图像数据与超出相似度距离阈值的调用图像数据进行比对,计算得出蒸汽管道在三维虚拟模型中在X轴、Y轴和Z轴的管道中的热膨胀偏移量;
分别记为:ux、uy、uz;
建立误差偏差值,记为M,则蒸汽管道偏移量为:
其中,L1为蒸汽管道偏移量;
构建蒸汽管道偏移量的影响因素权重;
获取从初始正常状态到蒸汽管道泄漏状态之间的温度数据、时间数据,作为输入向量,记为s;
训练时,依次训练每一个弱分类器,并得到它们的权重值;
所有样本的初始权重相等,即:
对t=1,2,……,T依次训练每个弱分类器:
更新所有样本的权重:
其中,h为样本数量;
循环并构建最终的强分类器模型:
利用强分类器输出蒸汽管道偏移量的影响因素权重,记为G={g1、g2、……、gm};
选取时刻点I,影响因素记为集合RI={r1、r2、……、rm},构建蒸汽管道偏移量与影响因素之间的函数关系:
需要说明的是,在本文中,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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:该系统包括蒸汽管道数据获取模块、数据分析模块、蒸汽泄漏预测模块、边缘计算模块、数据传输时延分析模块、分配策略模块;
所述蒸汽管道数据获取模块用于获取蒸汽管道及阀门的监控数据,进行图像分析;所述数据分析模块用于对获取的数据进行归一化处理,并整理存储至数据存储单元;所述蒸汽泄漏预测模块用于根据数据分析模块的数据构建预测模型,对蒸汽泄漏的时间点进行预测;所述边缘计算模块用于搭建边缘计算节点,在一个或多个蒸汽管道处构建数据传输体系,并与云端服务器进行通信;所述数据传输时延分析模块用于分析数据传输过程中的时延情况,调整分配策略,以减小数据传输时延;所述分配策略模块用于更新数据传输的分配策略,确保蒸汽管道监测数据的传输时延满足预设水平;
所述蒸汽管道数据获取模块的输出端与所述数据分析模块的输入端相连接;所述数据分析模块的输出端与所述蒸汽泄漏预测模块的输入端相连接;所述蒸汽泄漏预测模块的输出端与所述边缘计算模块的输入端相连接;所述边缘计算模块的输出端与所述数据传输时延分析模块的输入端相连接;所述数据传输时延分析模块的输出端与所述分配策略模块的输入端相连接。
2.根据权利要求1所述的一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:所述蒸汽管道数据获取模块包括图像采样单元、温度采样单元;
所述图像采样单元用于采集蒸汽管道的图像状态,生成图像数据;所述温度采样单元用于采集蒸汽管道周围的温度数据;
所述图像采集单元的输出端与所述数据分析模块的输入端相连接;所述温度采样单元的输出端与所述数据分析模块的输入端相连接。
3.根据权利要求2所述的一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:所述数据分析模块包括数据归一化处理单元、数据存储单元;
所述数据归一化处理单元用于对蒸汽管道数据获取模块采集到的温度数据归一化处理,形成归一化数据并存储至数据存储单元;所述数据存储单元用于存储归一化数据信息与图像数据,供系统中蒸汽泄漏预测模块调用;
所述数据归一化处理单元的输出端与所述数据存储单元的输入端相连接;所述数据存储单元的输出端与所述蒸汽泄漏预测模块的输入端相连接。
4.根据权利要求3所述的一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:所述蒸汽泄漏预测模块包括模型构建单元、判断单元;
所述模型构建单元用于构建预测模型,对蒸汽管道偏移量进行计算,输出最终结果;所述判断单元用于获取蒸汽管道偏移量阈值,并基于当前偏移量与阈值的大小适配计算节点与传输路径;
所述模型构建单元的输出端与所述判断单元的输入端相连接;所述判断单元的输出端与所述边缘计算模块的输入端相连接。
5.根据权利要求4所述的一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:所述模型构建单元包括:
调用数据分析模块中的图像数据;
获取蒸汽管道初始图像数据,利用相似度算法将调用数据不断与初始图像数据进行比对,设置蒸汽管道初始图像数据记为A,A={a1、a2、……、an};a1、a2、……、an为初始图像数据A中的各项特征;调用图像数据记为B,B={b1、b2、……、bn};b1、b2、……、bn为调用图像数据B中的各项特征;根据公式:
设置相似度距离阈值,记为Dmax,若D超出Dmax,则建立三维虚拟模型进行分析;若D未超出Dmax,则不作分析;
所述三维虚拟模型以蒸汽管道阀门为原点,蒸汽管道阀门所在竖直平面为Z轴,管道方向为X轴,同时垂直于X轴和Z轴的平面方向为Y轴;
在三维虚拟模型中构建虚拟位移量标杆,利用虚拟位移量标杆对蒸汽管道初始图像数据与超出相似度距离阈值的调用图像数据进行比对,计算得出蒸汽管道在三维虚拟模型中在X轴、Y轴和Z轴的管道中的热膨胀偏移量;
可分别记为:ux、uy、uz;
理想环境下可根据公式:
其中,L为蒸汽管道理想偏移量;
建立误差偏差值,记为M,则蒸汽管道偏移量为:
L1=L+M
其中,L1为蒸汽管道偏移量;
获取从初始正常状态到蒸汽管道泄漏状态之间的温度数据、时间数据,作为输入向量,记为s;
训练时,依次训练每一个弱分类器,并得到它们的权重值;
所有样本的初始权重相等,即:
对t=1,2,……,T依次训练每个弱分类器:
更新所有样本的权重:
其中,h为样本数量;
循环并构建最终的强分类器模型:
利用强分类器输出蒸汽管道偏移量的影响因素权重,记为G={g1、g2、……、gm};
所述影响因素记为集合RI={r1、r2、……、rm},其中m为影响因素数量;r1、r2、……、rm为影响因素的归一化数据类型,I为一时刻点;
构建蒸汽管道偏移量与影响因素之间的函数关系:
6.根据权利要求5所述的一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:所述判断单元还包括:
构建蒸汽管道偏移量阈值Lmax,即在蒸汽管道偏移量达到阈值Lmax时,管道将存在泄露的风险;
若L1<Lmax,数据传输至云端服务器进行计算;
若L1>Lmax,转移至边缘节点进行计算,计算结果反馈至云端服务器。
7.根据权利要求1所述的一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:所述边缘计算模块包括边缘节点计算单元、传输单元;
所述边缘节点计算单元用于构建边缘计算节点,对蒸汽管道按照区域进行监测;所述传输单元用于传输数据;
所述边缘节点计算单元的输出端与所述传输单元的输入端相连接。
8.根据权利要求1所述的一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:所述数据传输时延分析模块包括处理记录单元、时延分析单元;
所述处理记录单元用于处理通信信道内传输的数据,并记录传输时间;所述时延分析单元用于对传输时间的延时性进行分析;
所述处理记录单元的输出端与所述时延分析单元的输入端相连接。
10.根据权利要求9所述的一种边缘计算的数字化蒸汽泄露监测数据传输系统,其特征在于:所述分配策略模块包括有边缘节点分配策略;
所述边缘节点分配策略包括:
第一时延单元,在初始的分配策略下,获取K1个边缘节点上传输数据任务的时延;
第一策略单元,基于第一时延单元确定的本轮在K1个边缘节点上传输数据任务的时延,获取本轮的时延最小值之和以及本轮对传输数据任务的分配策略;
第二时延单元,在本轮的时延时间偏差值超出阈值的情况下,针对每个边缘节点上的传输数据任务,确定下一轮在边缘节点上处理传输数据任务的时延;
第二策略单元,基于确定的下一轮在边缘节点上处理传输数据任务的时延,调整下一轮的传输数据任务的分配策略,获取下一轮K1个边缘节点上的时延最小值之和;
对比单元,将获取的下一轮K1个边缘节点上的时延最小值之和与时延时间偏差值阈值进行比较,若不满足阈值,则循环第二策略单元,直至满足阈值后,将此时的传输数据分配策略,作为后续的传输数据任务的分配策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111524265.8A CN113918354B (zh) | 2021-12-14 | 2021-12-14 | 边缘计算的数字化蒸汽泄露监测数据传输系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111524265.8A CN113918354B (zh) | 2021-12-14 | 2021-12-14 | 边缘计算的数字化蒸汽泄露监测数据传输系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113918354A true CN113918354A (zh) | 2022-01-11 |
CN113918354B CN113918354B (zh) | 2022-03-18 |
Family
ID=79249209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111524265.8A Active CN113918354B (zh) | 2021-12-14 | 2021-12-14 | 边缘计算的数字化蒸汽泄露监测数据传输系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113918354B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077933A (zh) * | 2022-01-13 | 2022-02-22 | 常州艾肯智造科技有限公司 | 蒸汽在线监测数据实时传输系统及方法 |
CN118129667A (zh) * | 2024-05-06 | 2024-06-04 | 艾肯(江苏)工业技术有限公司 | 一种基于超声检测的阀门泄漏检测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011141085A (ja) * | 2010-01-07 | 2011-07-21 | Chugoku Electric Power Co Inc:The | チューブリーク検出方法 |
CN107643147A (zh) * | 2017-09-18 | 2018-01-30 | 浙江国自机器人技术有限公司 | 一种蒸汽泄漏跟踪定位检测方法及装置 |
CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
CN111478312A (zh) * | 2019-11-20 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 一种提升电网稳定性的综合能源集群协调控制方法 |
CN113312183A (zh) * | 2021-07-30 | 2021-08-27 | 北京航空航天大学杭州创新研究院 | 面向深度神经网络的边缘计算方法 |
-
2021
- 2021-12-14 CN CN202111524265.8A patent/CN113918354B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011141085A (ja) * | 2010-01-07 | 2011-07-21 | Chugoku Electric Power Co Inc:The | チューブリーク検出方法 |
CN107643147A (zh) * | 2017-09-18 | 2018-01-30 | 浙江国自机器人技术有限公司 | 一种蒸汽泄漏跟踪定位检测方法及装置 |
CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
CN111478312A (zh) * | 2019-11-20 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 一种提升电网稳定性的综合能源集群协调控制方法 |
CN113312183A (zh) * | 2021-07-30 | 2021-08-27 | 北京航空航天大学杭州创新研究院 | 面向深度神经网络的边缘计算方法 |
Non-Patent Citations (2)
Title |
---|
MATHIAS SANTOS DE BRITO等: "Towards Programmable Fog Nodes in Smart Factories", 《2016 IEEE 1ST INTERNATIONAL WORKSHOPS ON FOUNDATIONS AND APPLICATIONS OF SELF SYSTEMS》 * |
苏华权等: "基于边缘计算的电网边缘侧设备缺陷智能识别模型研究", 《电力信息与通信技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077933A (zh) * | 2022-01-13 | 2022-02-22 | 常州艾肯智造科技有限公司 | 蒸汽在线监测数据实时传输系统及方法 |
CN114077933B (zh) * | 2022-01-13 | 2022-04-15 | 常州艾肯智造科技有限公司 | 蒸汽在线监测数据实时传输系统及方法 |
CN118129667A (zh) * | 2024-05-06 | 2024-06-04 | 艾肯(江苏)工业技术有限公司 | 一种基于超声检测的阀门泄漏检测系统及方法 |
CN118129667B (zh) * | 2024-05-06 | 2024-07-05 | 艾肯(江苏)工业技术有限公司 | 一种基于超声检测的阀门泄漏检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113918354B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113918354B (zh) | 边缘计算的数字化蒸汽泄露监测数据传输系统 | |
CN111651312B (zh) | 一种基于边缘计算的设备故障三级双向预警方法及系统 | |
CN107483473B (zh) | 一种云环境的低速拒绝服务攻击数据流检测方法 | |
CN111913803B (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
CN112563542B (zh) | 燃料电池在线检测方法及检测系统 | |
CN106533778A (zh) | 基于层级流介数的指控网络关键节点识别方法 | |
CN110572822A (zh) | 基于决策树的水下无线传感器网络中的信任更新方法 | |
CN112084461B (zh) | 一种基于历史洪水学习的knn实时校正方法 | |
CN112149967A (zh) | 基于复杂系统理论的电力通信网脆弱性评估方法和系统 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
CN109066651A (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN116170208A (zh) | 一种基于半监督isodata算法的网络入侵实时检测方法 | |
CN113408808B (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN109039797A (zh) | 基于强化学习的大流检测方法 | |
CN115017466B (zh) | 碳载量确定方法、装置、电子设备及存储介质 | |
CN113642230B (zh) | 基于机器学习的多目标复杂排水系统可调堰智能操控方法 | |
CN107995193B (zh) | 一种网络异常攻击的检测方法 | |
CN112565227B (zh) | 异常任务的检测方法和装置 | |
CN112504681B (zh) | 一种发动机文丘里积碳检测方法、装置、设备和存储介质 | |
CN114077933B (zh) | 蒸汽在线监测数据实时传输系统及方法 | |
CN107135126B (zh) | 基于子流分形指数的流量在线识别方法 | |
CN117992834B (zh) | 一种数据分析方法以及相关装置 | |
CN114996660B (zh) | 碳载量预测方法、装置、电子设备及存储介质 |
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 |