CN113935439A - 排水管网的故障检测方法、设备、服务器及存储介质 - Google Patents

排水管网的故障检测方法、设备、服务器及存储介质 Download PDF

Info

Publication number
CN113935439A
CN113935439A CN202111532983.XA CN202111532983A CN113935439A CN 113935439 A CN113935439 A CN 113935439A CN 202111532983 A CN202111532983 A CN 202111532983A CN 113935439 A CN113935439 A CN 113935439A
Authority
CN
China
Prior art keywords
liquid level
level time
current node
time sequence
node
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
Application number
CN202111532983.XA
Other languages
English (en)
Other versions
CN113935439B (zh
Inventor
谢娟
吴叶俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Cloud Computing Ltd
Original Assignee
Alibaba Cloud Computing Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Cloud Computing Ltd filed Critical Alibaba Cloud Computing Ltd
Priority to CN202111532983.XA priority Critical patent/CN113935439B/zh
Publication of CN113935439A publication Critical patent/CN113935439A/zh
Application granted granted Critical
Publication of CN113935439B publication Critical patent/CN113935439B/zh
Priority to PCT/CN2022/130462 priority patent/WO2023109370A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种排水管网的故障检测方法、设备、服务器及存储介质。在排水管网的故障检测方法中，可采集排水管网中的监测节点的液位时间序列，并可根据液位时间序列识别当前节点的异常事件类型。确定异常事件类型后，可采用与异常事件类型对应的故障诊断算法，对当前节点的液位时间序列以及邻居节点对应的液位时间序列进行水力特征匹配，得到当前节点对应的故障诊断结果。基于这种实施方式，可智能化地对排水管网中的待监测的节点进行故障检测，降低了对人力的依赖，有利于高效、准确地对排水管网进行故障排查，从而有利于辅助排水管网的运维养护。

Description

排水管网的故障检测方法、设备、服务器及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种排水管网的故障检测方法、设备、服务器及存储介质。
背景技术
随着城市化进程的加速，城市人口和人类活动的增加，导致现有的较低设计标准的地下排水管网系统运行负荷随之增大，排水管网出现异常的概率也随之增高。排水管网频繁出现异常，将引发城市运行安全和环境问题。目前仍旧缺乏一种有效的识别排水管网异常的方法。
发明内容
本申请实施例的多个方面提供一种排水管网的故障检测方法、设备、服务器及存储介质，用以对排水管网的故障进行智能识别，提升管网运维养护效率。
本申请实施例提供一种排水管网的故障检测方法，包括：获取在排水管网中的当前节点采集到的第一液位时间序列；根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型；采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配，得到所述当前节点对应的故障诊断结果；所述邻居节点的液位时间序列包括：所述当前节点的上游节点对应的第二液位时间序列，和/或，所述当前节点的下游节点对应的第三液位时间序列。
本申请实施例还提供一种服务器，包括：存储器、处理器以及通信组件；所述存储器，用于存储一条或多条计算机指令；所述处理器，用于执行一条或多条计算机指令，以用于执行本申请实施例提供的方法中的步骤。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被执行时能够实现本申请实施例提供方法中的步骤。
在本申请实施例中，可采集排水管网中的监测节点的液位时间序列，并可根据液位时间序列识别当前节点的异常事件类型。确定异常事件类型后，可采用与异常事件类型对应的故障诊断算法，对当前节点的液位时间序列以及邻居节点对应的液位时间序列进行水力特征匹配，得到当前节点对应的故障诊断结果。基于这种实施方式，可智能化地对排水管网中的待监测的节点进行故障检测，降低了对人力的依赖，有利于高效、准确地对排水管网进行故障排查，从而有利于辅助排水管网的运维养护。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一示例性实施例提供的一种排水管网的故障检测系统的结构示意图；
图2为本申请一示例性实施例提供的排水管网的故障检测算法的流程框图；
图3为本申请一示例性实施例提供的一种排水管网的故障检测方法的流程示意图；
图4为本申请一示例性实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
随着城市化进程的加速，城市人口和人类活动的增加，导致现有的较低设计标准的地下排水管网系统运行负荷随之增大，排水管网出现异常的概率也随之增高。排水管网频繁出现异常，将引发城市运行安全和环境问题。目前，通常是在排水管网出现问题后再通过人工进行故障排查以及维修等，这种方式一方面实时性较差，且难以处理广域范围内的管网问题，另一方面也无法降低排水管网故障造成的不良影响。
针对上述技术问题，本申请的一些示例性实施例提供了一种解决方案，以下部分将结合附图进行详细说明。
图1为本申请一示例性实施例提供的一种排水管网的故障检测系的结构示意图，如图1所示，排水管网故障检测系统100主要包括：物联网设备10以及服务器20。其中，物联网设备10的数量可以为多个，可分别安装在排水管网中的多个待监测的节点（即监测节点），每个监测节点可安装一个或者多个物联网设备。
其中，该物联网设备10可实现为用于检测液位的液位传感器，包括但不限于接触式液位传感器（例如压力传感器）以及非接触式液位传感器（超声波液位变送器，雷达液位变送器）、双探头混合传感器（压力+超声波）中的至少一种，本实施例不做限制。
在本实施例中，物联网设备10主要用于采集其所在监测节点的液位数据，并通过物联网上传至服务器20。其中，物联网设备10可按照设定的采集频率采集节点的液位数据，也可在节点的液位变化超出指定范围时采集液位数据，本实施例不做限制。
其中，服务器20可实现为常规服务器设备或云服务器设备，本实施例不做限制。在一些实施例中，为便于进行分布式计算，服务器20可实现为位于云平台中的云服务器。基于云服器可对排水管故障检测算法进行容器化部署，从而实现分布式并行计算。
在本实施例中，服务器20主要用于接收物联网设备10发送的液位数据，并根据接收到的液位数据对排水管网的故障状态进行检测。
在一些实施例中，服务器20接收到物联网设备10发送的液位数据之后，为便于后续计算，可对接收到的液位数据进行数据清洗、过滤等预处理操作，从而得到规范的液位时间序列。液位时间序列是指将液位值按照其对应的检测时间先后顺序进行排列得到的数列。在每次进行故障检测时，服务器20可采用滑动窗口从预处理后的液位时间序列中选取部分时间段内的液位时间序列参与计算。
排水管网包括多个待监测的节点，服务器20可根据在每个节点采集到的液位时间序列对每个节点的故障状态进行检测。以下将以待监测的任一节点（即下文的当前节点）为例进行示例性说明。
以当前节点为例，当前节点安装的物联网设备可采集得到当前节点的液位时间序列。为便于描述和区分，将当前节点的液位时间序列描述为第一液位时间序列。
服务器20获取排水管网中的当前节点的第一液位时间序列后，可根据第一液位时间序列进行异常类型识别，得到当前节点的异常事件类型。其中，异常事件是指未知的反常状态的事件，可认为是一种疑似故障；排水管网中的异常事件可以有多种类型，例如疑似淤堵的类型、疑似突发堵塞的类型、疑似漏水的类型等等。在本实施例中，采用异常事件类型来描述识别到的异常事件的类型。
其中，根据液位时间序列进行异常类型识别时，服务器20可基于无监督学习的算法执行异常类型识别，也可基于有监督学习的算法执行异常类型识别，本实施例不做限制。
当服务器20识别出当前节点的异常事件类型时，可认为当前节点存在该类型的疑似故障。为进一步对疑似故障进行诊断，服务器20可采用与异常事件类型对应的故障诊断算法，对第一液位时间序列以及当前节点的邻居节点对应的液位时间序列进行水力特征匹配，得到当前节点对应的故障诊断结果。其中，该邻居节点的液位时间序列包括：当前节点的上游节点对应的第二液位时间序列，和/或，当前节点的下游节点对应的第三液位时间序列。
例如，如图1所示，根据液位时间序列进行异常类型识别后，若识别到异常事件类型1，则采用故障诊断算法1进行进一步故障诊断；若识别到异常事件类型2，则可采用故障诊断算法2进行进一步故障诊断。
在本实施例中，一种异常事件类型可对应一种或者多种故障诊断算法，多种异常事件类型也可对应一种故障诊断算法，本实施例不做限制。故障诊断算法用于根据上下游节点的水力特征进行故障诊断。其中，水力特征，可包括上、下游节点的水力的流量特征、流速特征、液面高度特征等等，本实施例不做限制。当前节点发生不同类型的故障时，当前节点的水力特征与上游节点、下游节点的水力特征将具有明显不同，且满足设定条件。在后续实施例中，将对根据水力特征进行故障诊断的可选实施方式进行进一步说明，此处暂不赘述。
其中，故障诊断算法输出的当前节点的故障诊断结果可包括：当前节点与其下游节点之间存在某种类型的故障，或者，当前节点与其下游节点之间不存在故障。若当前节点与其下游节点之间存在某种类型的故障，则可进行故障预警提示，以便于及时进行运维管理。
在本实施例中，可采集排水管网中的监测节点的液位时间序列，并可根据液位时间序列识别当前节点的异常事件类型。确定异常事件类型后，可采用与异常事件类型对应的故障诊断算法，对当前节点的液位时间序列以及邻居节点对应的液位时间序列进行水力特征匹配，得到当前节点的故障诊断结果。基于这种实施方式，可智能化地对排水管网中的待监测的节点进行故障检测，降低了对人力的依赖，有利于高效、准确地对排水管网进行故障排查，从而有利于辅助排水管网的运维养护。
在本申请的上述以及下述各实施例中，通过对排水管网的淤堵模式进行分析后，可将排水管网的淤堵模式至少划分为突发堵塞模式以及不同等级的长期淤堵模式。其中，突发堵塞模式，可包括：由于非一次性用品（例如湿巾、婴儿尿布、硬纸等）进入管道导致的突发的管道堵塞。长期淤堵模式，可包括下水道中的油脂或其他沉淀物日积月累堆积形成的管道长期淤堵。长期淤堵模式具有不同的淤堵等级，淤堵等级可根据淤积物对管径的堵塞程度进行划分。例如，淤堵物堵塞20%的管径时，可划分淤堵等级为一级；淤堵物堵塞40%的管径时，可划分淤堵等级为三级；淤堵物堵塞60%的管径时，可划分淤堵等级为五级，不再赘述。
在本实施例中，根据液位时间序列进行异常类型识别时，可至少识别突发管道堵塞类型的异常事件以及不同等级的长期淤堵类型的异常事件。以下将结合图2以及不同的实施例进行示例性说明。
在一些可选的实施例A1中，服务器20根据当前节点的第一液位时间序列进行异常类型识别，得到当前节点的异常事件类型时，可对第一液位时间序列进行拐点检测。液位时间序列包含多个液位值，多个液位值按照其对应的采集时间进行排列，形成液位时间序列。其中，拐点指的是液位时间序列中，改变时间序列的上涨方向或者下降方向的液位值。若从第一液位时间序列中检测到拐点，则确定当前节点对应的异常事件型为突发管道堵塞类型。即，当前节点中的液位值的变化趋势出现突发上涨或者突发下降时，可认为当前节点可能发生了突发管道堵塞。
可选地，对第一液位时间序列进行拐点检测，包括：将第一液位时间序列划分为多个子序列，并计算第一液位时间序列的损失函数以及多个子序列各自的损失函数。其中，每个序列的损失函数可通过DTW（Dynamic Time Warping，动态时间规整）、soft-DTW、相对熵等损失函数进行计算，本实施例包含但不仅限于此。
接下来，可根据第一液位时间序列的损失函数与多个子序列各自的损失函数的差值，计算多个子序列的信号差异；若子序列的信号差异大于设定惩罚值，则确定第一液位时间序列中存在拐点。其中，该惩罚值为任意大于零的经验值，可根据实际需求进行设置，本实施例不做限制。以下将进行进一步示例性说明。
假设，第一液位时间序列为
Figure 269677DEST_PATH_IMAGE001
，对
Figure 484758DEST_PATH_IMAGE001
进行子序列划分，得到
Figure 573937DEST_PATH_IMAGE002
和
Figure 849277DEST_PATH_IMAGE003
两个子 序列。分别计算
Figure 277985DEST_PATH_IMAGE001
、
Figure 460704DEST_PATH_IMAGE002
以及
Figure 178125DEST_PATH_IMAGE003
的损失函数
Figure 307755DEST_PATH_IMAGE004
，得到
Figure 387706DEST_PATH_IMAGE005
、
Figure 147852DEST_PATH_IMAGE006
、
Figure 149306DEST_PATH_IMAGE007
。多个子序列 的信号差异
Figure 144944DEST_PATH_IMAGE008
可表示为：
Figure 954768DEST_PATH_IMAGE009
。其中，
Figure 948132DEST_PATH_IMAGE010
。若
Figure 233620DEST_PATH_IMAGE008
大于设定惩罚值，则确定
Figure 642735DEST_PATH_IMAGE001
中存在拐点。
基于本实施例提供的对液位时间序列进行拐点检测的方式，可根据当前节点检测到的液位时间序列，初步判断当前节点是否存在突发堵塞的疑似故障，并为后续的故障诊断提供数据支持。
在一些可选的实施例A2中，服务器20在根据第一液位时间序列进行异常类型识别，得到当前节点的异常事件类型时，可对第一液位时间序进行趋势周期检测。在进行趋势周期检测时，可对第一液位时间序列进行时序分解，得到当前节点的液位趋势；若当前节点的液位趋势呈持续上涨趋势，则确定当前节点的异常事件类型为长期淤堵类型。
其中，时序分解，是指从液位时间序列中分解出不同的分量。通过对管道的液位变 化进行分析可知，管道内的液位变化受季节、潮汐等周期性因素影响，也受雨水等输入因素 的影响。因此，可将液位时间序列{
Figure 900541DEST_PATH_IMAGE011
}视为一个加性模型（additive decomposition），y(t) 的模型表达式可以为：
Figure 127123DEST_PATH_IMAGE012
Figure 509694DEST_PATH_IMAGE013
其中，
Figure 784818DEST_PATH_IMAGE014
表示第
Figure 225026DEST_PATH_IMAGE015
种周期分量（seasonal component），
Figure 966717DEST_PATH_IMAGE016
，m为正整数；
Figure 430060DEST_PATH_IMAGE017
为趋势分量（trend-cycle component）、
Figure 305612DEST_PATH_IMAGE018
为残差分量（remainder component）。
基于上述模型表达式，在对液位时间序列进行时序分解时，可将液位时间序列中的周期分量、残差分量以及趋势分量分解出来，从而可在降低周期分量以及残差分量对液位趋势判断过程的影响的前提下，利用趋势分量对管道的状态进行识别。
在本实施例中，对排水管网的长期淤堵异常进行识别时，可对每个节点的较长时 间的历史液位数据进行分析。对大量的历史液位数据进行时序分解时，分解过程可包括：内 循环和外循环迭代分解，且外循环嵌套内循环的分解方式。其中，外循环分解主要用于计算 残差分量
Figure 538010DEST_PATH_IMAGE018
，并调节残差分量
Figure 450602DEST_PATH_IMAGE018
的权重。调节残差分量
Figure 463558DEST_PATH_IMAGE018
的权重时，可利用二次函数更新残 差分量
Figure 80484DEST_PATH_IMAGE018
的权重，从而减少液位时间序列中的离群点对内循环分解结果的影响。内循环分 解主要用于趋势拟合以及周期分量的计算。在内循环的过程中，可利用外循环分解生成的 残差权重，通过局部加权回归、低通滤波算法得到周期分量
Figure 839492DEST_PATH_IMAGE014
以及趋势分量
Figure 578778DEST_PATH_IMAGE018
。当外循环结 束后，可输出迭代分解后收敛的周期分量
Figure 751134DEST_PATH_IMAGE014
和趋势分量
Figure 843855DEST_PATH_IMAGE018
，并可通过检测收敛的趋势分量
Figure 50845DEST_PATH_IMAGE018
是否上升来判定节点是否存在长期淤积异常。
进一步可选地，服务器20确定当前节点的异常事件类型为长期淤堵类型之后，还可根据当前节点的液位的上涨趋势变化量与管径的比例，确定当前节点对应的淤堵等级。其中，淤堵等级用于表示管道的淤堵程度。该淤堵程度可以是从0%到100%划分得到的不同的模糊等级。例如，服务器20输出的故障诊断结果可以为：检测到长期淤堵事件，淤堵严重程度为管径的50%。
基于本实施例提供的对液位时间序列进行时序分解的方式，可根据当前节点检测到的液位时间序列，初步判断当前节点是否存在长期淤堵的疑似故障，并为后续的故障诊断提供数据支持。
上述实施例A1以及实施例A2介绍了采用无监督算法对异常事件类型进行识别的可选实施方式。除上述无监督算法之外，本申请实施例还提供了一种基于有监督算法进行异常事件类型识别的可选实施方式，以下将结合实施例A3进行示例性说明。
在一些可选的实施例A3中，服务器20在根据第一液位时间序列进行异常类型识别，得到当前节点的异常事件类型时，可将第一液位时间序列以及第三液位时间序列输入深度学习模型。基于深度学习模型，可对第一液位时间序列以及第三液位时间序列进行特征提取，并根据提取到的特征，计算当前节点以及其下游节点之间的管道属于至少一种异常事件类型的概率。计算得到当前节点以及及其下游节点之间的管道属于至少一种异常事件类型的概率后，可根据第一液位时间序列以及第三液位时间序列属于至少一种异常事件类型的概率，输出当前节点的异常事件类型。
在本实施例中，该至少一种异常事件类型包括：突发堵塞事件以及不同等级的长期淤堵事件中的至少一种。该深度学习模型可实现为用于将输入数据划分到至少一种类别的分类模型。
可选地，该深度学习模型可以包括但不限于：ResNet、EfficientNet、RegNet、ResNeSt、SKNet、ECAResNet、NFNet等模型或者上述模型变形后的模型，本实施例不做限制。
可选地，深度学习模型可根据从第一液位时间序列以及第三液位时间序列中学习到的特征，分别计算第一液位时间序列以及第三液位时间序列属于突发堵塞异常的概率以及属于不同级别的长期淤堵异常的概率。若突发堵塞异常的概率大于设定的概率阈值，则输出当前节点的异常事件类型为突发堵塞事件；若某一等级的长期淤堵异常的概率大于设定概率阈值，则输出当前节点的异常事件类型为某一等级的长期淤堵事件。
本实施例提供的深度学习模型可基于大量样本数据训练得到，以下将进行示例性说明。
可选地，服务器20可获取标注有对应的异常类型真值（Ground Truth）的液位序列样本；其中，液位序列样本包括：多组相邻上下游节点的液位趋势对比数据。
在本实施例中，液位序列样本可通过对排水管网中进行液位数据监测得到，或者可由排水管网的水动力模型模拟得到。
在一些实施例中，可在通过前述实施例A1以及实施例A2进行异常事件类型识别的过程中，不断积累物联网设备10采集到的液位时间序列，作为一部分液位序列样本。同时，采用排水管网的水动力模型对排水管网进行故障模拟，并对故障模拟状态下的液位进行采样得到液位时间序列，作为另一部液位序列样本。上述两种样本可相互补充，为深度学习模型的训练提供数据支撑。
对于深度学习模型而言，投入使用的初期阶段，由于训练样本不足，将导致深度学习模型的分类功能受到一定限制。在一些可选的实施例中，可从时间维度上将异常事件类型的识别过程划分为至少两个阶段：基于无监督算法进行识别的第一阶段以及基于有监督算法进行识别的第二阶段。从而，可在深度学习模型的性能未达到要求时，满足模式识别的需求并积累样本。
在第一阶段，可基于前述实施例A1以及A2，对任一节点的液位时间序列进行识别。在得到识别结果后，服务器20可将识别结果以及节点的液位时间序列发送给用户的终端设备，以使用户对识别结果进行确认。若用户确认识别结果与节点的真实故障情况匹配，则服务器20可自动根据识别结果对节点的液位时间序列进行打标。若用户确认识别结果与节点的真实故障情况不匹配，则用户可对节点的液位时间序列进行手动打标，从而获取较为真实、可靠的液位序列样本（即图2示意的用户确认的故障样本）。可选地，在对液位序列样本进行打标时，可将长期淤堵标签划分为多个不同淤堵等级的长期杜淤堵标签，并根据液位序列样本对应的实际淤堵情况，在液位序列样本上添加不同等级的长期淤堵异常的标签。从而，深度学习模型可学习不同等级的长期淤堵的管道的液位分布特征，并学习对不同等级的长期淤堵类型进行分类的能力。
在第一阶段执行的同时，服务器20可基于排水管网的水动力模型，模拟节点的故障，并采集故障状态下的液位数据，从而生成液位时间序列样本。水动力模型生成的液位时间序列样本，可由服务器20根据故障模拟采用的故障等级参数进行自动打标，得到图2示意的水动力模型模拟出的故障样本。例如，服务器20通过水动力模型对排水管网中的水管P1进行一级长期淤堵故障模拟时，可对水管P1在模拟的故障状态下的液位数据进行采样，得到水管P1的液位时间序列，并可在水管P1的液位时间序列上添加一级长期淤堵标签。
基于第一阶段积累得到的样本数据一级水动力模型模拟出的样本数据，服务器20可训练深度学习模型，并基于训练得到的深度学习模型执行第二阶段的识别任务。
在训练的过程中，服务器20可通过深度学习模型对液位序列样本进行特征提取，得到样本特征，并根据样本特征以及深度学习模型的参数进行异常预测，得到液位序列样本对应的异常类型预测结果。接下来，可根据异常类型预测结果与液位序列样本上标注的异常类型真值的误差，对深度学习模型进行训练，直至误差收敛到指定范围。
以深度学习模型实现为 ResNet为例，ResNet的训练过程可通过以下公式进行表达：
Figure 429874DEST_PATH_IMAGE019
Figure 27208DEST_PATH_IMAGE020
Figure 985937DEST_PATH_IMAGE021
Figure 844172DEST_PATH_IMAGE022
其中，
Figure 800626DEST_PATH_IMAGE023
和
Figure 744312DEST_PATH_IMAGE024
分别是ResNet中每层网络的权重向量和偏置向量；
Figure 241152DEST_PATH_IMAGE025
、
Figure 94839DEST_PATH_IMAGE026
、
Figure 284511DEST_PATH_IMAGE027
、
Figure 715493DEST_PATH_IMAGE028
分 别是ResNet的输入、第一个隐含层的输出、第二个隐含层的输出；
Figure 953707DEST_PATH_IMAGE029
是经过软阈值函数 (Soft-Thresholding)计算后的软阈值化结构，软阈值函数用于灵活设置特征取值区间；
Figure 724217DEST_PATH_IMAGE030
是相对CNN（Convolutional Neural Networks，卷积神经网络）增加的残差项，用于降 低多层训练过程中样本特征损失，并对时序数据进行降噪处理，从而应对排水管网中的不 确定性扰动，提升对特征的学习能力。
随着故障诊断不断进行，液位序列样本数量将不断增加，深度学习模型的分类准确性将随之提升。在训练的过程中，可将样本数据划分为训练集和测试集，并采用训练集的预测结果和测试集的训练结果进行交叉验证。在深度学习模型的损失收敛到指定范围后，可输出训练得到的结果模型，并基于结果模型执行第二阶段的异常事件类型的识别操作。
在上述实施方式中，在样本数据不足时，采用非监督学的算法进行异常事件类型的识别，并同步积累用于对深度学习模型进行训练的样本数据，可在监测初期满足异常事件的识别需求，并不断通过积累、学习提升异常事件的识别准确率。
在上述各实施例的基础上，服务器20在确定当前节点的异常事件类型后，可采用与异常事件类型对应的故障诊断算法，对第一液位时间序列以及当前节点的邻居节点对应的液位时间序列进行水力特征匹配。
以下将结合图2以及不同的异常事件类型进行进一步示例性说明。
在一些可选的实施例B1中，当前节点的异常事件为突发堵塞事件，则服务器20可执行上、下游监测节点的拐点存在判定与时序关系判定操作。
可选地，若当前节点的异常事件类型为突发堵塞事件，则服务器20可判断第二液位时间序列以及第三液位时间序列中是否存在拐点；若第二液位时间序列以及第三液位时间序列中均不存在拐点，则确定当前节点的故障诊断结果为当前节点与下游节点之间的管道存在突发堵塞故障。
若第二液位时间序列中存在拐点，但第三液位时间序列中不存在拐点，则服务器20可对比第二液位时间序列的拐点的出现时刻是否晚于第一液位时间序列的拐点的出现时刻；若第二液位时间序列的拐点的出现时刻晚于第一液位时间序列的拐点的出现时刻，则确定当前节点的故障诊断结果为突发堵塞故障。
可选地，若第二液位时间序列的拐点的出现时刻早于第一液位时间序列的拐点的出现时刻，则可确定当前节点的故障诊断结果为未出现异常，异常可能发生在上游节点。
在一些可选的实施例B2中，当前节点的异常事件为长期淤堵事件，则服务器20可执行当前节点及其下游监测节点的趋势对比判定操作。
可选地，若当前节点的异常事件类型为长期淤堵事件，则服务器20可对第一液位时间序列以及第三液位时间序列进行趋势对比；若第一液位时间序列的液位呈上升趋势，第三液位时间序列的液位无上升趋势，则确定当前节点的故障诊断结果为：当前节点与下游节点之间的管道存在长期淤堵故障。
如图2所示，服务器20可包括异常类型识别模块以及故障诊断定位模块。异常类型识别模块识别出异常事件类型时，可向故障诊断定位模块发送智能事件，例如疑似突发堵塞事件或疑似某种等级的长期淤堵事件。
故障诊断定位模块可根据智能事件对应的异常事件类型采用上述不同的判定方式进行故障诊断。故障诊断定位模块基于上述实施例记载的诊断过程确定诊断结果后，可对异常类型识别模块发送的智能事件进行更新。例如，若故障诊断定位模块经过上述诊断确定当前节点不存在突发堵塞故障，则可将异常类型识别模块识别到的疑似突发堵塞事件的状态更新为取消状态。若故障诊断定位模块诊断出当前节点存在突发堵塞故障，则可将异常类型识别模块识别到的疑似突发堵塞事件的状态更新为确认状态。
例如，若故障诊断定位模块经过上述诊断确定当前节点不存在某等级的长期淤堵故障，则可将异常类型识别模块识别到的疑似某等级的长期淤堵事件的状态更新为取消状态。若故障诊断定位模块诊断出当前节点存在某等级的长期淤堵故障，则可将异常类型识别模块识别到的疑似某等级的长期淤堵事件的状态更新为确认状态。
可选地，当智能事件的状态为确认状态时，服务器20还可通过设定的方式输出该智能事件。例如，可向用户的终端设备或者其他物联网设备（例如异常报警器）发送检测到突发堵塞事件或某等级的长期淤堵事件的提示消息，以提示用户进行运维。
在上述各实施例的基础上，服务器20在得到当前节点的故障识别结果之后，还可进一步进行故障定位。其中，故障定位是指从当前节点及其下游节点之间的管道中定位出存在故障的管道或者定位出管道中的故障段。
可选地，若确定当前节点及其下游节点之间的管道存在长期淤堵故障或者突发堵塞故障，则服务器20可通过当前节点及其下游节点之间的管道对应的水动力模型，对当前节点及其下游节点之间的管道进行故障假定计算，以确定当前节点及其下游节点之间的故障管道。
其中，水动力模型是通过对排水管网的物理结构进行建模得到的，用于对排水管网中的水动力进行模拟。水动力模型可通过管道的非稳定自由表面流动的质量和动量方程进行描述，如以下公式所示：
Figure 881529DEST_PATH_IMAGE031
Figure 940752DEST_PATH_IMAGE032
其中，
Figure 779395DEST_PATH_IMAGE033
为管道的横断面流动面积，
Figure 732307DEST_PATH_IMAGE034
为管道的水流量，
Figure 935887DEST_PATH_IMAGE035
为水头（单位重量的液体 所具有的机械能），
Figure 279143DEST_PATH_IMAGE036
重力加速度，
Figure 249373DEST_PATH_IMAGE037
为摩擦力坡度，
Figure 666579DEST_PATH_IMAGE038
为距离，
Figure 368956DEST_PATH_IMAGE039
为管道填充深度。在进行 任一管道的故障模拟时，可通过设置
Figure 261826DEST_PATH_IMAGE039
的值来设置故障等级。当
Figure 442271DEST_PATH_IMAGE039
的值较大时，管道的 填充深度较大，淤堵故障等级较高；当
Figure 979563DEST_PATH_IMAGE039
的值较小时，管道的填充深度较小，淤堵故障等 级较低。
基于上述水动力模型，可在确定当前节点与其下游节点之间的管道存在故障后， 在当前节点及其下游节点对应的管道范围内，通过设置
Figure 915158DEST_PATH_IMAGE039
来假定每一根管道的故障程 度，并采用水动力模型输出该管道在故障下的液位数据。将水动力模型输出的液位数据与 物联网设备在该管道采集到的液位的真实监测数据进行校验，即可判断对该管道的假定是 否正确。其中，校验方式可包括似然度对比、趋势对比等。若假定故障下模拟输出的液位数 据与物联网设备采集到的液位的真实监测数据不满足设定相似度条件，则可认为假定不正 确；若模拟出的液位数据与真实监测数据满足该设定相似度条件，则可认为假定正确。
若假定不正确，则可调整
Figure 233007DEST_PATH_IMAGE039
来修正假定的故障等级，并继续进行试算模拟，直至 假定故障下模拟输出的液位监测数据与物联网设备采集到的液位的真实监测数据的相似 度满足设定相似度条件。
当假定正确时，可确定该被执行故障模拟的管道为当前节点发生故障的管道，并 可根据
Figure 889247DEST_PATH_IMAGE039
参数确定故障等级。当前节点发生故障的管道，可包括一根管道也可能包括多 根管道。例如，在一些实施例中，水动力模型输出的故障定位结果为：淤堵位置在上游节点 的D1与下游节点D2之间的管道P1以及P2上，其中管道P1的淤堵等级为二级，P2的淤堵等级 为五级。
需要说明的是，基于水动力模型进行故障假定从而定位故障位置的方式，计算量较大。例如，当前节点所在范围内有20根管道，每个管道设定10个淤堵等级。在进行故障假定计算时，每根管道具有10的假定方案，20根管道将会有200个假定方案需要计算。若每个假定方案的计算耗时为1分钟，将需要200分钟时间进行计算，实时性较低。
为提升故障假定计算的效率并控制计算成本，在本实施例中，可采用分布式的计算方式，并行执行故障假定计算，从而降低故障假定计算所需的耗时。可选地，服务器20可实现为云平台提供的一台或者多台云服务器。每台云服务器上可运行多个容器（docker），每个容器中均可部署水动力模型。当基于水动力模型进行故障假定计算时，可在云平台上选择空闲或者负载压力较低的多个容器对多种假定方案进行分布式并行计算，从而快速得到故障假定结果。其中，用于故障诊断的中心管理器组件和用于获取监测节点的液位数据的代理组件（agent）可以运行在相同的容器也可以运行在不同的容器，本实施例不做限制。
基于上述实施例，在诊断排水管网中的监测节点存在故障后，通过水动力模型进行故障假定计算，可准确地进行故障定位，为排水管网的运维过程提供了决策依据。
除前述实施例记载的排水管网的故障检测系统之外，本申请实施例还提供一种排水管网的故障检测方法，以下将进行示例性说明。
图3为本申请一示例性实施例提供的排水管网检测方法的流程示意图，如图3所示，该方法包括：
步骤301、获取在排水管网中的当前节点采集到的第一液位时间序列。
步骤302、根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型。
步骤303、采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配，得到所述当前节点的故障诊断结果；所述邻居节点的液位时间序列包括：所述当前节点的上游节点对应的第二液位时间序列，和/或，所述当前节点的下游节点对应的第三液位时间序列。
在一些示例性的实施例中，得到所述当前节点的故障识别结果之后，还包括：若所述故障诊断结果指示所述当前节点与所述下游节点之间的管道存在故障，则通过所述排水管网的水动力模型，对所述当前节点以及所述下游节点之间的管道进行故障假定计算，以确定所述当前节点与所述下游节点之间的故障管道；将所述故障管道的信息发送至指定的终端设备，以进行故障提示。
在一些示例性的实施例中，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型的一种方式，可包括：对所述第一液位时间序列进行拐点检测；若从所述第一液位时间序列中检测到拐点，则确定所述当前节点对应的异常事件型为突发管道堵塞类型。
在一些示例性的实施例中，对所述第一液位时间序列进行拐点检测的一种方式，可包括：将所述第一液位时间序列划分为多个子序列；计算所述第一液位时间序列的损失函数以及所述多个子序列各自的损失函数；根据所述第一液位时间序列的损失函数与所述多个子序列各自的损失函数的差值，计算所述多个子序列的信号差异；若所述子序列的信号差异大于设定惩罚值，则确定所述第一液位时间序列中存在拐点。
在一些示例性的实施例中，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型的一种方式，可包括：对所述第一液位时间序列进行时序分解，得到所述当前节点的液位趋势；若所述当前节点的液位趋势呈持续上涨趋势，则确定所述当前节点的异常事件类型为长期淤堵类型。
在一些示例性的实施例中，确定所述当前节点的异常事件类型为长期淤堵类型之后，还包括：根据所述当前节点的液位的上涨趋势变化量与管径的比例，确定所述当前节点对应的淤堵等级。
在一些示例性的实施例中，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型的一种方式，可包括：将所述第一液位时间序列以及所述第三液位时间序列输入深度学习模型；基于深度学习模型，对所述第一液位时间序列以及所述第三液位时间序列进行特征提取；根据所述提取到的特征，计算所述当前节点以及所述下游节点之间的管道属于至少一种异常事件类型的概率；所述至少一种异常事件类型包括：突发堵塞事件以及不同等级的长期淤堵事件中的至少一种；根据所述当前节点以及所述下游节点之间的管道属于所述至少一种异常事件类型的概率，输出所述当前节点的异常事件类型。
在一些示例性的实施例中，基于深度学习模型，对所述第一液位时间序列以及所述第三液位时间序列进行特征提取之前，还包括：获取标注有异常类型真值的液位序列样本；所述液位序列样本包括：多组相邻上下游节点的液位趋势对比数据；所述液位序列样本通过监测所述排水管网的液位数据获取，和/或，由所述排水管网的水动力模型模拟得到；通过所述深度学习模型对所述液位序列样本进行特征提取，得到样本特征；根据所述样本特征以及所述深度学习模型的参数进行异常预测，得到所述液位序列样本对应的异常类型预测结果；根据所述异常类型预测结果与所述液位序列样本上标注的所述异常类型真值的误差，对所述深度学习模型进行训练，直至所述误差收敛到指定范围。
在一些示例性的实施例中，采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点对应的液位时间序列进行水力特征匹配的一种方式，可包括：若所述当前节点的异常事件类型为突发堵塞事件，判断所述第二液位时间序列以及所述第三液位时间序列中是否存在拐点；若所述第二液位时间序列以及所述第三液位时间序列中均不存在拐点，则确定所述当前节点的故障诊断结果为所述当前节点与所述下游节点之间的管道突发堵塞故障；若所述第二液位时间序列中存在拐点，所述第三液位时间序列中不存在拐点，则对比所述第二液位时间序列的拐点的出现时刻是否晚于所述第一液位时间序列的拐点的出现时刻；若所述第二液位时间序列的拐点的出现时刻晚于所述第一液位时间序列的拐点的出现时刻，则确定所述当前节点的故障诊断结果为所述当前节点与所述下游节点之间的管道存在突发堵塞故障。
在一些示例性的实施例中，采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间进行水力特征匹配的一种方式，可包括：若所述当前节点的异常事件类型为长期淤堵事件，则对所述第一液位时间序列以及所述第三液位时间序列进行趋势对比；若所述第一液位时间序列的液位呈上升趋势，所述第三液位时间序列的液位无上升趋势，则确定所述当前节点的故障诊断结果为所述当前节点与所述下游节点之间的管道存在长期淤堵故障。
在本实施例中，可采集排水管网中的监测节点的液位时间序列，并可根据液位时间序列识别当前节点的异常事件类型。确定异常事件类型后，可采用与异常事件类型对应的故障诊断算法，对当前节点的液位时间序列以及邻居游节点对应的液位时间序列进行水力特征匹配，得到当前节点的故障诊断结果。基于这种实施方式，可智能化地对排水管网中的待监测的节点进行故障检测，降低了对人力的依赖，有利于高效、准确地对排水管网进行故障排查，从而有利于辅助排水管网的运维养护。
需要说明的是，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如301、302等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤301至步骤304的执行主体可以为设备A；又比如，步骤301和302的执行主体可以为设备A，步骤303和304的执行主体可以为设备B；等等。
另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
图4为本申请一示例性实施例提供的服务器的结构示意图，如图4所示，该服务器可包括：存储器401、处理器402、通信组件403以及电源组件404。图4中仅示意性给出部分组件，并不意味着电子设备只包括图4所示组件。
存储器401可被配置为存储其它各种数据以支持在服务器20上的操作。这些数据的示例包括用于在服务器20上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
在本实施例中，存储器401用于存储一条或多条计算机指令。
处理器402，耦合至存储器401，用于执行存储器401中的一条或多条计算机指令，以用于：通过通信组件403获取在排水管网中的当前节点采集到的第一液位时间序列；根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型；采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配，得到所述当前节点的故障诊断结果；所述邻居节点的液位时间序列包括：所述当前节点的上游节点对应的第二液位时间序列，和/或，所述当前节点的下游节点对应的第三液位时间序列。
进一步可选地，处理器402在得到所述当前节点的故障识别结果之后，还用于：若所述故障诊断结果指示所述当前节点与所述下游节点之间的管道存在故障，则通过所述排水管网的水动力模型，对所述当前节点以及所述下游节点之间的管道进行故障假定计算，以确定所述当前节点与所述下游节点之间的故障管道；将所述故障管道的信息发送至指定的终端设备，以进行故障提示。
进一步可选地，处理器402在根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型时，具体用于：对所述第一液位时间序列进行拐点检测；若从所述第一液位时间序列中检测到拐点，则确定所述当前节点对应的异常事件型为突发管道堵塞类型。
进一步可选地，处理器402在对所述第一液位时间序列进行拐点检测时，具体用于：将所述第一液位时间序列划分为多个子序列；计算所述第一液位时间序列的损失函数以及所述多个子序列各自的损失函数；根据所述第一液位时间序列的损失函数与所述多个子序列各自的损失函数的差值，计算所述多个子序列的信号差异；若所述子序列的信号差异大于设定惩罚值，则确定所述第一液位时间序列中存在拐点。
进一步可选地，处理器402在根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型时，具体用于：对所述第一液位时间序列进行时序分解，得到所述当前节点的液位趋势；若所述当前节点的液位趋势呈持续上涨趋势，则确定所述当前节点的异常事件类型为长期淤堵类型。
进一步可选地，处理器402在确定所述当前节点的异常事件类型为长期淤堵类型之后，还用于：根据所述当前节点的液位的上涨趋势变化量与管径的比例，确定所述当前节点对应的淤堵等级。
进一步可选地，处理器402在根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型时，具体用于：将所述第一液位时间序列以及所述第三液位时间序列输入深度学习模型；基于深度学习模型，对所述第一液位时间序列以及所述第三液位时间序列进行特征提取；根据所述提取到的特征，计算所述当前节点以及所述下游节点之间的管道属于至少一种异常事件类型的概率；所述至少一种异常事件类型包括：突发堵塞事件以及不同等级的长期淤堵事件中的至少一种；根据所述当前节点以及所述下游节点之间的管道属于所述至少一种异常事件类型的概率，输出所述当前节点的异常事件类型。
进一步可选地，处理器402在基于深度学习模型，对所述第一液位时间序列以及所述第三液位时间序列进行特征提取之前，还用于：获取标注有异常类型真值的液位序列样本；所述液位序列样本包括：多组相邻上下游节点的液位趋势对比数据；所述液位序列样本通过监测所述排水管网的液位数据获取，和/或，由所述排水管网的水动力模型模拟得到；通过所述深度学习模型对所述液位序列样本进行特征提取，得到样本特征；根据所述样本特征以及所述深度学习模型的参数进行异常预测，得到所述液位序列样本对应的异常类型预测结果；根据所述异常类型预测结果与所述液位序列样本上标注的所述异常类型真值的误差，对所述深度学习模型进行训练，直至所述误差收敛到指定范围。
进一步可选地，处理器402在采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配时，具体用于：若所述当前节点的异常事件类型为突发堵塞事件，判断所述第二液位时间序列以及所述第三液位时间序列中是否存在拐点；若所述第二液位时间序列中不存在拐点，则确定所述当前节点的故障诊断结果为所述当前节点与所述下游节点之间的管道存在突发堵塞故障；若所述第二液位时间序列中存在拐点，所述第三液位时间序列中不存在拐点，则对比所述第二液位时间序列的拐点的出现时刻是否晚于所述第一液位时间序列的拐点的出现时刻；若所述第二液位时间序列的拐点的出现时刻晚于所述第一液位时间序列的拐点的出现时刻，则确定所述当前节点的故障诊断结果为所述当前节点与所述下游节点之间的管道存在突发堵塞故障。
进一步可选地，处理器402在采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配时，具体用于：若所述当前节点的异常事件类型为长期淤堵事件，则对所述第一液位时间序列以及所述第三液位时间序列进行趋势对比；若所述第一液位时间序列的液位呈上升趋势，所述第三液位时间序列的液位无上升趋势，则确定所述当前节点的故障诊断结果为所述当前节点与所述下游节点之间的管道存在长期淤堵故障。
其中，通信组件403被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G或5G，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件可基于近场通信（NFC）技术、射频识别（RFID）技术、红外数据协会（IrDA）技术、超宽带（UWB）技术、蓝牙（BT）技术和其他技术来实现。
其中，电源组件404，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
在本实施例中，可采集排水管网中的待监测的节点的液位时间序列，并可根据液位时间序列识别当前节点的异常事件类型。确定异常事件类型后，可采用与异常事件类型对应的故障诊断算法，对当前节点的液位时间序列以及上游节点对应的液位时间序列进行水力特征匹配，得到当前节点的故障诊断结果。基于这种实施方式，可智能化地对排水管网中的待监测的节点进行故障检测，降低了对人力的依赖，有利于高效、准确地对排水管网进行故障排查，从而有利于辅助排水管网的运维养护。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由服务器执行的方法实施例中各步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种排水管网的故障检测方法，其特征在于，包括：
获取在排水管网中的当前节点采集到的第一液位时间序列；
根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型；
采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配，得到所述当前节点对应的故障诊断结果；所述邻居节点的液位时间序列包括：所述当前节点的上游节点对应的第二液位时间序列，和/或，所述当前节点的下游节点对应的第三液位时间序列。
2.根据权利要求1所述的方法，其特征在于，得到所述当前节点的故障识别结果之后，还包括：
若所述故障诊断结果指示所述当前节点与所述下游节点之间的管道存在故障，则通过所述排水管网的水动力模型，对所述当前节点以及所述下游节点之间的管道进行故障假定计算，以确定所述当前节点与所述下游节点之间的故障管道；
将所述故障管道的信息发送至指定的终端设备，以进行故障提示。
3.根据权利要求1所述的方法，其特征在于，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型，包括：
对所述第一液位时间序列进行拐点检测；
若从所述第一液位时间序列中检测到拐点，则确定所述当前节点对应的异常事件型为突发管道堵塞类型。
4.根据权利要求3所述的方法，其特征在于，对所述第一液位时间序列进行拐点检测，包括：
将所述第一液位时间序列划分为多个子序列；
计算所述第一液位时间序列的损失函数以及所述多个子序列各自的损失函数；
根据所述第一液位时间序列的损失函数与所述多个子序列各自的损失函数的差值，计算所述多个子序列的信号差异；
若所述子序列的信号差异大于设定惩罚值，则确定所述第一液位时间序列中存在拐点。
5.根据权利要求1所述的方法，其特征在于，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型，包括：
对所述第一液位时间序列进行时序分解，得到所述当前节点的液位趋势；
若所述当前节点的液位趋势呈持续上涨趋势，则确定所述当前节点的异常事件类型为长期淤堵类型。
6.根据权利要求5所述的方法，其特征在于，确定所述当前节点的异常事件类型为长期淤堵类型之后，还包括：
根据所述当前节点的液位的上涨趋势变化量与管径的比例，确定所述当前节点对应的淤堵等级。
7.根据权利要求1所述的方法，其特征在于，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型，包括：
将所述第一液位时间序列以及所述第三液位时间序列输入深度学习模型；
基于深度学习模型，对所述第一液位时间序列以及所述第三液位时间序列进行特征提取；
根据所述提取到的特征，计算所述当前节点以及所述下游节点之间的管道属于至少一种异常事件类型的概率；所述至少一种异常事件类型包括：突发堵塞事件以及不同等级的长期淤堵事件中的至少一种；
根据所述当前节点以及所述下游节点之间的管道属于所述至少一种异常事件类型的概率，输出所述当前节点的异常事件类型。
8.根据权利要求7所述的方法，其特征在于，基于深度学习模型，对所述第一液位时间序列以及所述第三液位时间序列进行特征提取之前，还包括：
获取标注有异常类型真值的液位序列样本；所述液位序列样本包括：多组相邻上下游节点的液位趋势对比数据；所述液位序列样本通过监测所述排水管网的液位数据获取，和/或，由所述排水管网的水动力模型模拟得到；
通过所述深度学习模型对所述液位序列样本进行特征提取，得到样本特征；
根据所述样本特征以及所述深度学习模型的参数进行异常预测，得到所述液位序列样本对应的异常类型预测结果；
根据所述异常类型预测结果与所述液位序列样本上标注的所述异常类型真值的误差，对所述深度学习模型进行训练，直至所述误差收敛到指定范围。
9.根据权利要求1-8任一项所述的方法，其特征在于，采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配，包括：
若所述当前节点的异常事件类型为突发堵塞事件，判断所述第二液位时间序列以及所述第三液位时间序列中是否存在拐点；
若所述第二液位时间序列以及所述第三液位时间序列中均不存在拐点，则确定所述当前节点对应的故障诊断结果为所述当前节点与所述下游节点之间的管道存在突发堵塞故障；若所述第二液位时间序列中存在拐点，所述第三液位时间序列中不存在拐点，则对比所述第二液位时间序列的拐点的出现时刻是否晚于所述第一液位时间序列的拐点的出现时刻；
若所述第二液位时间序列的拐点的出现时刻晚于所述第一液位时间序列的拐点的出现时刻，则确定所述当前节点对应的故障诊断结果为所述当前节点与所述下游节点之间的管道存在突发堵塞故障。
10.根据权利要求1-8任一项所述的方法，其特征在于，采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配，包括：
若所述当前节点的异常事件类型为长期淤堵事件，则对所述第一液位时间序列以及所述第三液位时间序列进行趋势对比；
若所述第一液位时间序列的液位呈上升趋势，所述第三液位时间序列的液位无上升趋势，则确定所述当前节点对应的故障诊断结果为所述当前节点与所述下游节点之间的管道存在长期淤堵故障。
11.一种服务器，其特征在于，包括：存储器、处理器以及通信组件；
所述存储器，用于存储一条或多条计算机指令；
所述处理器，用于执行一条或多条计算机指令，以用于执行权利要求1-10任一项所述的方法中的步骤。
12.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被执行时能够实现权利要求1-10任一项所述的方法中的步骤。
CN202111532983.XA 2021-12-15 2021-12-15 排水管网的故障检测方法、设备、服务器及存储介质 Active CN113935439B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111532983.XA CN113935439B (zh) 2021-12-15 2021-12-15 排水管网的故障检测方法、设备、服务器及存储介质
PCT/CN2022/130462 WO2023109370A1 (zh) 2021-12-15 2022-11-08 排水管网的故障检测方法、设备、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111532983.XA CN113935439B (zh) 2021-12-15 2021-12-15 排水管网的故障检测方法、设备、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN113935439A true CN113935439A (zh) 2022-01-14
CN113935439B CN113935439B (zh) 2022-05-06

Family

ID=79289076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111532983.XA Active CN113935439B (zh) 2021-12-15 2021-12-15 排水管网的故障检测方法、设备、服务器及存储介质

Country Status (2)

Country Link
CN (1) CN113935439B (zh)
WO (1) WO2023109370A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611728A (zh) * 2022-03-09 2022-06-10 杭州青泓科技有限公司 污水管网堵塞监测方法及系统
CN115355939A (zh) * 2022-10-20 2022-11-18 北京清环智慧水务科技有限公司 城市排水管网的淤积分析方法及平台、信息控制中心设备
WO2023109370A1 (zh) * 2021-12-15 2023-06-22 阿里云计算有限公司 排水管网的故障检测方法、设备、服务器及存储介质
CN116956182A (zh) * 2023-09-21 2023-10-27 武汉华信数据系统有限公司 污水管网中的故障检测方法
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116539128B (zh) 2023-06-26 2023-11-17 成都秦川物联网科技股份有限公司 智慧燃气超声波计量仪表准确度诊断方法及物联网系统
CN116524415B (zh) * 2023-06-29 2023-11-24 成都考拉悠然科技有限公司 一种基于深度学习的计量管状态的检测方法及系统
CN117436700B (zh) * 2023-11-14 2024-04-12 山东和同信息科技股份有限公司 一种基于bim的新能源工程数据管理系统及方法
CN117236571B (zh) * 2023-11-14 2024-01-12 北京南天智联信息科技股份有限公司 一种基于物联网的规划方法和系统
CN118130745B (zh) * 2024-05-08 2024-07-05 芯视界（北京）科技有限公司 排水管网监测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103491651A (zh) * 2013-09-25 2014-01-01 河海大学 一种基于二叉树模型的异常/故障定位检测方法
WO2020102846A1 (en) * 2018-11-23 2020-05-28 The University Of Adelaide Method and system to analyse pipeline condition
CN112443763A (zh) * 2020-12-14 2021-03-05 福州大学 一种基于物联网平台的管网在线检测系统
CN113341813A (zh) * 2021-06-11 2021-09-03 上海天麦能源科技有限公司 一种城市燃气中低压管网检测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105065917B (zh) * 2015-08-24 2017-06-23 苏交科集团股份有限公司 城市排水管网在线检测方法
US10234077B1 (en) * 2015-09-18 2019-03-19 Nick Allen Pilcher Liquid evacuation system
CN108151791B (zh) * 2018-01-25 2023-09-19 上海水顿智能科技有限公司 一种分析管道淤积分布的方法
CN214075352U (zh) * 2020-11-24 2021-08-31 中建环能科技股份有限公司 一种反冲洗装置、孔板格栅系统及污水处理系统
CN113935439B (zh) * 2021-12-15 2022-05-06 阿里云计算有限公司 排水管网的故障检测方法、设备、服务器及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103491651A (zh) * 2013-09-25 2014-01-01 河海大学 一种基于二叉树模型的异常/故障定位检测方法
WO2020102846A1 (en) * 2018-11-23 2020-05-28 The University Of Adelaide Method and system to analyse pipeline condition
CN113348349A (zh) * 2018-11-23 2021-09-03 阿德莱德大学 分析管道状况的方法和系统
CN112443763A (zh) * 2020-12-14 2021-03-05 福州大学 一种基于物联网平台的管网在线检测系统
CN113341813A (zh) * 2021-06-11 2021-09-03 上海天麦能源科技有限公司 一种城市燃气中低压管网检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘文亮: "基于径向基神经网络的污水管网堵塞诊断方法", 《天津科技大学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023109370A1 (zh) * 2021-12-15 2023-06-22 阿里云计算有限公司 排水管网的故障检测方法、设备、服务器及存储介质
CN114611728A (zh) * 2022-03-09 2022-06-10 杭州青泓科技有限公司 污水管网堵塞监测方法及系统
CN114611728B (zh) * 2022-03-09 2023-02-28 杭州青泓科技有限公司 污水管网堵塞监测方法及系统
CN115355939A (zh) * 2022-10-20 2022-11-18 北京清环智慧水务科技有限公司 城市排水管网的淤积分析方法及平台、信息控制中心设备
CN115355939B (zh) * 2022-10-20 2023-01-31 北京清环智慧水务科技有限公司 城市排水管网的淤积分析方法及平台、信息控制中心设备
CN116956182A (zh) * 2023-09-21 2023-10-27 武汉华信数据系统有限公司 污水管网中的故障检测方法
CN116956182B (zh) * 2023-09-21 2023-12-26 武汉华信数据系统有限公司 污水管网中的故障检测方法
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统
CN117688505B (zh) * 2024-02-04 2024-04-19 河海大学 一种植被大范围区域化负异常的预测方法及系统

Also Published As

Publication number Publication date
WO2023109370A1 (zh) 2023-06-22
CN113935439B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN113935439B (zh) 排水管网的故障检测方法、设备、服务器及存储介质
Hu et al. Review of model-based and data-driven approaches for leak detection and location in water distribution systems
CN107949812B (zh) 用于检测配水系统中的异常的方法
Zhang et al. Leakage zone identification in large-scale water distribution systems using multiclass support vector machines
Wu et al. Burst detection in district metering areas using a data driven clustering algorithm
Laucelli et al. Detecting anomalies in water distribution networks using EPR modelling paradigm
Wang et al. Intelligent diagnosis method for rolling element bearing faults using possibility theory and neural network
Niu et al. Intelligent condition monitoring and prognostics system based on data-fusion strategy
Mounce et al. Pattern matching and associative artificial neural networks for water distribution system time series data analysis
US20160369777A1 (en) System and method for detecting anomaly conditions of sensor attached devices
Romano et al. Evolutionary algorithm and expectation maximization strategies for improved detection of pipe bursts and other events in water distribution systems
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
Rai et al. A novel health indicator based on the Lyapunov exponent, a probabilistic self-organizing map, and the Gini-Simpson index for calculating the RUL of bearings
Ko et al. A new auto-encoder-based dynamic threshold to reduce false alarm rate for anomaly detection of steam turbines
Wang et al. Study on wavelet neural network based anomaly detection in ocean observing data series
US20220082409A1 (en) Method and system for monitoring a gas distribution network operating at low pressure
CN112836758B (zh) 基于双层循环神经网络的独立计量区域管网漏损检测方法
Kammoun et al. Leak detection methods in water distribution networks: a comparative survey on artificial intelligence applications
CN107426019A (zh) 网络故障确定方法、计算机设备及计算机可读存储介质
Garðarsson et al. Graph-based learning for leak detection and localisation in water distribution networks
Gursel et al. Using artificial intelligence to detect human errors in nuclear power plants: A case in operation and maintenance
Assad et al. Data mining algorithms for water main condition prediction—comparative analysis
CN111695465A (zh) 基于压力波模式识别的管网故障诊断与定位方法及系统
Wang et al. Multiple leakage detection and isolation in district metering areas using a multistage approach
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40065680

Country of ref document: HK