CN114091355B - 基于人工智能的城市管网缺陷位置定位分析系统及方法 - Google Patents

基于人工智能的城市管网缺陷位置定位分析系统及方法 Download PDF

Info

Publication number
CN114091355B
CN114091355B CN202210019409.2A CN202210019409A CN114091355B CN 114091355 B CN114091355 B CN 114091355B CN 202210019409 A CN202210019409 A CN 202210019409A CN 114091355 B CN114091355 B CN 114091355B
Authority
CN
China
Prior art keywords
area
sewage pipeline
rainwater
unit
defect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210019409.2A
Other languages
English (en)
Other versions
CN114091355A (zh
Inventor
张钊
许凌毅
王超
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.)
Shenzhen Water Engineering Testing Co Ltd
Original Assignee
Shenzhen Water Engineering Testing Co 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 Shenzhen Water Engineering Testing Co Ltd filed Critical Shenzhen Water Engineering Testing Co Ltd
Priority to CN202210019409.2A priority Critical patent/CN114091355B/zh
Publication of CN114091355A publication Critical patent/CN114091355A/zh
Application granted granted Critical
Publication of CN114091355B publication Critical patent/CN114091355B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Abstract

本发明公开了一种基于人工智能的城市管网缺陷位置定位分析系统及方法，属于城市管网缺陷位置定位分析技术领域。该系统包括城市区域分布模块、城市管网采集模块、异常排放点标记模块、机器学习分析模块、缺陷位置定位分析模块；所述城市区域分布模块的输出端与所述城市管网采集模块的输入端相连接；所述城市管网采集模块的输出端与所述异常排放点标记模块的输入端相连接；所述异常排放点标记模块的输出端与所述机器学习分析模块的输入端相连接；所述机器学习分析模块的输出端与所述缺陷位置定位分析模块的输入端相连接。还提供一种方法，能够实现城市管网中雨污水管道口的缺陷位置定位区域的智能化快速排查，提高排查效率，降低工作量。

Description

基于人工智能的城市管网缺陷位置定位分析系统及方法
技术领域
本发明涉及城市管网缺陷位置定位分析技术领域，具体为一种基于人工智能的城市管网缺陷位置定位分析系统及方法。
背景技术
随着城市发展，城市地下管网规模在不断扩大，大批地下管道铺设时间久远或接近使用年限，地下管线管理水平不高等问题凸显。管道长年受到输送介质腐蚀、工程建设及自然灾害等影响，排水管道事故急剧增加。
而在城市管网中，时常有污水入河的事件发生，因此雨污水管道口的排查至关重要，雨污水管道一旦渗漏将污染土质和地下水，管道堵塞会降低管道通水能力，甚至会使污水漫溢而污染环境；雨污水管网排水不畅，则会造成路面积水，影响交通；雨污水管道错接、乱接，则会造成大量污水入河，严重影响生态平衡，因此，需要定期雨污水管道检测，查缺补漏，确保公共排水安全，保障企业正常生产和居民正常生活有着重要意义。但是传统雨污水管道检测方法不仅成本比较高，且具有一定的缺陷，例如在排查过程中，无法及时精准的确定主要区域，主要依赖人工经验判断或者进行多次的机械设备探测，影响对管道的排查效率，在当前数字化管理的时代潮流中，已然落伍。
发明内容
本发明的目的在于提供一种基于人工智能的城市管网缺陷位置定位分析系统及方法，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：
一种基于人工智能的城市管网缺陷位置定位分析系统，该系统包括城市区域分布模块、城市管网采集模块、异常排放点标记模块、机器学习分析模块、缺陷位置定位分析模块；
所述城市区域分布模块用于构建城市区域，利用正方形网格式分割方法对城市区域进行分割，构建出网格区域；所述城市管网采集模块用于采集城市区域中的雨污水管道口，并获取雨污水管道口关键数据；所述异常排放点标记模块用于获取城市区域中出现的异常排放点，并获取能够连接到异常排放点的所有雨污水管道口，进行标记；所述机器学习分析模块用于根据训练集，利用机器学习构建雨污水管道口缺陷区域分析模型；所述缺陷位置定位分析模块用于根据雨污水管道口缺陷区域分析模型，快速定位分析雨污水管道口出现缺陷的区域；
所述城市区域分布模块的输出端与所述城市管网采集模块的输入端相连接；所述城市管网采集模块的输出端与所述异常排放点标记模块的输入端相连接；所述异常排放点标记模块的输出端与所述机器学习分析模块的输入端相连接；所述机器学习分析模块的输出端与所述缺陷位置定位分析模块的输入端相连接。
根据上述技术方案，所述城市区域分布模块包括城市区域构建单元、网格分割单元；
所述城市区域构建单元用于构建城市区域；所述网格分割单元用于根据正方形网格分割方式，对城市区域进行分割，构建网格区域；
所述城市区域构建单元的输出端与所述网格分割单元的输入端相连接；所述网格分割单元的输出端与所述城市管网采集模块的输入端相连接。
根据上述技术方案，所述城市管网采集模块包括信息采集单元、关键数据确立单元；
所述信息采集单元用于采集城市区域内的雨污水管道口位置数据；所述关键数据确立单元用于确立城市区域内所有雨污水管道口的关键数据；
所述关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况；
所述信息采集单元的输出端与所述异常排放点标记模块的输入端相连接；所述关键数据确立单元的输出端与所述异常排放点标记模块的输入端相连接。
根据上述技术方案，所述异常排放点标记模块包括异常点上报单元、标记单元；
所述异常点上报单元用于根据排查或举报数据，上报污水排放异常点；所述标记单元用于根据异常点位置，获取所有能够到达异常排放点的雨污水管道口，进行标记；
所述异常点上报单元的输出端与所述标记单元的输入端相连接；所述标记单元的输出端与所述机器学习分析模块的输入端相连接。
根据上述技术方案，所述机器学习分析模块包括模型训练单元、机器学习单元；
所述模型训练单元用于获取雨污水管道口关键数据，构架训练集，训练得出雨污水管道口缺陷区域分析模型；所述机器学习单元用于根据雨污水管道口缺陷区域分析模型进行机器学习，构建智能化排查；
所述模型训练单元的输出端与所述机器学习单元的输入端相连接；所述机器学习单元的输出端与所述缺陷位置定位分析模块的输入端相连接。
根据上述技术方案，所述缺陷位置定位分析模块包括缺陷分析单元、定位单元；
所述缺陷分析单元用于根据机器学习分析模块构建的模型作出缺陷分析结论；所述定位单元用于根据缺陷分析单元的结论定位高概率缺陷雨污水管道口，所述高概率缺陷雨污水管道口为模型分析下的高精度解；
所述缺陷分析单元的输出端与所述定位单元的输入端相连接。
一种基于人工智能的城市管网缺陷位置定位分析方法，该方法包括以下步骤：
S1、构建城市区域A，对城市区域A进行正方形网格式分割，构建网格区域，任意一网格区域边长不小于r，且网格区域内至少存在一处雨污水管道口；
S2、获取城市区域A内出现的异常排放点，对异常排放点所连接的所有雨污水管道口进行标记；
S3、获取城市区域A内的所有雨污水管道口关键数据，构建训练集，构建雨污水管道口缺陷区域分析模型；
S4、根据雨污水管道口缺陷区域分析模型，利用机器智能化，快速找到可能的雨污水管道错接、乱接或出现故障的网格区域。
根据上述技术方案，在步骤S3中，所述雨污水管道口关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况；
所述雨污水管道口区域类型包括居民区域与工业区域，其中，有超出b家工厂利用一雨污水管道口进行排放时，认定雨污水管道口所在区域为工业区域，其他为居民区域。
在上述技术方案中，对雨污水管道口的关键数据进行了分析，各关键数据都能够对雨污水管道口出现错接、乱接或故障带来一定影响，例如雨污水管道区域类型能够对污水的排放量造成影响，例如一异常排放点排放的污水量特别巨大，那么初步认定情况大概率为一个工业区域出现了问题，因为普通的居民区域很难造成大规模的污水排放；又比如雨污水管道口区域在时间T内的路面工程，由于各项路面工程均需要申报，因此数据可以直接获取，时间T作为一个可设置的系统参数，在时间T内若存在大量的路面工程，然后又出现了异常排放点，那么就存在在路面工程施工阶段，对雨污水管道口造成了破坏，各类因素数据聚总分析，最终就可以获得一个网格区域的最大可能值，就认定该区域为雨污水管道口缺陷区域，采用技术手段对其进行排查。
根据上述技术方案，在步骤S3中，还包括：
获取N个雨污水管道口关键数据，任一个雨污水管道口关键数据记为
Figure 100002_DEST_PATH_IMAGE001
，建立训练集
Figure 850544DEST_PATH_IMAGE002
；
Figure 100002_DEST_PATH_IMAGE003
；
Figure 935044DEST_PATH_IMAGE004
其中
Figure 100002_DEST_PATH_IMAGE005
代表雨污水管道口关键数据中任一个数据的归一化数据；
Figure 383342DEST_PATH_IMAGE006
代表类标记，当它等于+1时为正例，等于-1时为负例；
根据训练集构建雨污水管道口缺陷区域分析模型：
寻找分离超平面以获取雨污水管道口存在缺陷区域的分类平面；
设置超平面表示为：
Figure 22134DEST_PATH_IMAGE008
设置任一数据点
Figure 736450DEST_PATH_IMAGE001
到达超平面距离d：
Figure 754085DEST_PATH_IMAGE010
设支持向量到超平面的距离为
Figure 100002_DEST_PATH_IMAGE011
，可知任何正确分类的点到超平面的距离都应该大于或等于
Figure 638864DEST_PATH_IMAGE011
，即：
Figure 100002_DEST_PATH_IMAGE013
由于数据为线性不可分训练数据，构建松弛变量
Figure 296111DEST_PATH_IMAGE014
；
对每个松弛变量
Figure 100002_DEST_PATH_IMAGE015
，支付一个代价，表示为：
Figure 557328DEST_PATH_IMAGE016
+
Figure 100002_DEST_PATH_IMAGE017
其中C为惩罚参数，C＞0；
引入拉格朗日乘数
Figure 22944DEST_PATH_IMAGE018
，定义拉格朗日函数：
Figure 609783DEST_PATH_IMAGE020
其中，
Figure 100002_DEST_PATH_IMAGE021
为拉格朗日乘子向量；
根据拉格朗日对偶性，可得：
Figure 100002_DEST_PATH_IMAGE023
约束条件为：
Figure 100002_DEST_PATH_IMAGE025
Figure 100002_DEST_PATH_IMAGE027
获取最优解
Figure 960518DEST_PATH_IMAGE028
；
可得最优解
Figure 100002_DEST_PATH_IMAGE029
、
Figure 353322DEST_PATH_IMAGE030
，满足
Figure 100002_DEST_PATH_IMAGE031
，即为分离超平面；
由于数据为线性不可分训练数据，以核函数代替内积；
获得分类决策函数为：
Figure 100002_DEST_PATH_IMAGE033
其中，
Figure 266920DEST_PATH_IMAGE034
代表核函数，核函数设置为高斯核函数；
Figure 165606DEST_PATH_IMAGE036
根据分类决策函数对雨污水管道口缺陷区域进行分析，距离分离超平面越远的点代表分类越准确，即其对应的雨污水管道口存在缺陷的概率越大，进行标记，优先排查。
在上述技术方案中，以线性支持向量机为基础，一个点距离超平面的远近能够表示分类预测的确信程度。在超平面确定的情况下，距离能够相对地表示点到达超平面的远，在分类正确的情况下，距离越远，则代表确信度越高。在本申请中，借助这一思想，将分离超平面视作一个概率值，即通过训练数据集对分离超平面进行定义，进行分析，例如通过各关键数据对雨污水管道口进行分析，可得出各雨污水管道口在维度上的各个点的位置，分离超平面可定义为一个缺陷为百分之五十的概率，那么对所有点进行分析，其距离分离超平面越远，则代表其在这一平面上的置信度越高，就说明其存在缺陷的可能性越大，那么在出现问题的情况下，只要按照置信度的大小进行排查，就可以优先找到存在性缺陷的位置，利用这样的方式能够极大减少工作量，快速得出一个雨污水管道口出现缺陷的区域，重点排查。
与现有技术相比，本发明所达到的有益效果是：
本发明利用城市区域分布模块构建城市区域，利用正方形网格式分割方法对城市区域进行分割，构建出网格区域；利用城市管网采集模块采集城市区域中的雨污水管道口，并获取雨污水管道口关键数据；利用异常排放点标记模块获取城市区域中出现的异常排放点，并获取能够连接到异常排放点的所有雨污水管道口，进行标记；利用机器学习分析模块构建雨污水管道口缺陷区域分析模型；利用缺陷位置定位分析模块快速定位分析雨污水管道口出现缺陷的区域；本发明能够在城市区域内出现异常排放点时，利用机器学习方式快速得出雨污水管道口出现缺陷位置的定位区域，提高排查效率，降低高经验技术人种的需求量，同时避免人工主观错误，符合智能化发展观念。
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是本发明一种基于人工智能的城市管网缺陷位置定位分析系统及方法的流程示意图；
图2是本发明一种基于人工智能的城市管网缺陷位置定位分析方法的步骤示意图。
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-图2，本发明提供技术方案：
一种基于人工智能的城市管网缺陷位置定位分析系统，该系统包括城市区域分布模块、城市管网采集模块、异常排放点标记模块、机器学习分析模块、缺陷位置定位分析模块；
所述城市区域分布模块用于构建城市区域，利用正方形网格式分割方法对城市区域进行分割，构建出网格区域；所述城市管网采集模块用于采集城市区域中的雨污水管道口，并获取雨污水管道口关键数据；所述异常排放点标记模块用于获取城市区域中出现的异常排放点，并获取能够连接到异常排放点的所有雨污水管道口，进行标记；所述机器学习分析模块用于根据训练集，利用机器学习构建雨污水管道口缺陷区域分析模型；所述缺陷位置定位分析模块用于根据雨污水管道口缺陷区域分析模型，快速定位分析雨污水管道口出现缺陷的区域；
所述城市区域分布模块的输出端与所述城市管网采集模块的输入端相连接；所述城市管网采集模块的输出端与所述异常排放点标记模块的输入端相连接；所述异常排放点标记模块的输出端与所述机器学习分析模块的输入端相连接；所述机器学习分析模块的输出端与所述缺陷位置定位分析模块的输入端相连接。
所述城市区域分布模块包括城市区域构建单元、网格分割单元；
所述城市区域构建单元用于构建城市区域；所述网格分割单元用于根据正方形网格分割方式，对城市区域进行分割，构建网格区域；
所述城市区域构建单元的输出端与所述网格分割单元的输入端相连接；所述网格分割单元的输出端与所述城市管网采集模块的输入端相连接。
所述城市管网采集模块包括信息采集单元、关键数据确立单元；
所述信息采集单元用于采集城市区域内的雨污水管道口位置数据；所述关键数据确立单元用于确立城市区域内所有雨污水管道口的关键数据；
所述关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况；
所述信息采集单元的输出端与所述异常排放点标记模块的输入端相连接；所述关键数据确立单元的输出端与所述异常排放点标记模块的输入端相连接。
所述异常排放点标记模块包括异常点上报单元、标记单元；
所述异常点上报单元用于根据排查或举报数据，上报污水排放异常点；所述标记单元用于根据异常点位置，获取所有能够到达异常排放点的雨污水管道口，进行标记；
所述异常点上报单元的输出端与所述标记单元的输入端相连接；所述标记单元的输出端与所述机器学习分析模块的输入端相连接。
所述机器学习分析模块包括模型训练单元、机器学习单元；
所述模型训练单元用于获取雨污水管道口关键数据，构架训练集，训练得出雨污水管道口缺陷区域分析模型；所述机器学习单元用于根据雨污水管道口缺陷区域分析模型进行机器学习，构建智能化排查；
所述模型训练单元的输出端与所述机器学习单元的输入端相连接；所述机器学习单元的输出端与所述缺陷位置定位分析模块的输入端相连接。
所述缺陷位置定位分析模块包括缺陷分析单元、定位单元；
所述缺陷分析单元用于根据机器学习分析模块构建的模型作出缺陷分析结论；所述定位单元用于根据缺陷分析单元的结论定位高概率缺陷雨污水管道口，所述高概率缺陷雨污水管道口为模型分析下的高精度解；
所述缺陷分析单元的输出端与所述定位单元的输入端相连接。
一种基于人工智能的城市管网缺陷位置定位分析方法，该方法包括以下步骤：
S1、构建城市区域A，对城市区域A进行正方形网格式分割，构建网格区域，任意一网格区域边长不小于r，且网格区域内至少存在一处雨污水管道口；
S2、获取城市区域A内出现的异常排放点，对异常排放点所连接的所有雨污水管道口进行标记；
S3、获取城市区域A内的所有雨污水管道口关键数据，构建训练集，构建雨污水管道口缺陷区域分析模型；
S4、根据雨污水管道口缺陷区域分析模型，利用机器智能化，快速找到可能的雨污水管道错接、乱接或出现故障的网格区域。
在步骤S3中，所述雨污水管道口关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况；
所述雨污水管道口区域类型包括居民区域与工业区域，其中，有超出b家工厂利用一雨污水管道口进行排放时，认定雨污水管道口所在区域为工业区域，其他为居民区域。
在步骤S3中，还包括：
获取N个雨污水管道口关键数据，任一个雨污水管道口关键数据记为
Figure 735128DEST_PATH_IMAGE001
，建立训练集
Figure 744672DEST_PATH_IMAGE002
；
Figure 981618DEST_PATH_IMAGE003
；
Figure 785626DEST_PATH_IMAGE004
其中
Figure 108023DEST_PATH_IMAGE005
代表雨污水管道口关键数据中任一个数据的归一化数据；
Figure 655679DEST_PATH_IMAGE006
代表类标记，当它等于+1时为正例，等于-1时为负例；
根据训练集构建雨污水管道口缺陷区域分析模型：
寻找分离超平面以获取雨污水管道口存在缺陷区域的分类平面；
设置超平面表示为：
Figure 484482DEST_PATH_IMAGE008
设置任一数据点
Figure 459391DEST_PATH_IMAGE001
到达超平面距离d：
Figure 269085DEST_PATH_IMAGE010
设支持向量到超平面的距离为
Figure 620431DEST_PATH_IMAGE011
，可知任何正确分类的点到超平面的距离都应该大于或等于
Figure 894287DEST_PATH_IMAGE011
，即：
Figure 305677DEST_PATH_IMAGE013
由于数据为线性不可分训练数据，构建松弛变量
Figure 71507DEST_PATH_IMAGE014
；
对每个松弛变量
Figure 960966DEST_PATH_IMAGE015
，支付一个代价，表示为：
Figure 761432DEST_PATH_IMAGE016
+
Figure 202777DEST_PATH_IMAGE017
其中C为惩罚参数，C＞0；
引入拉格朗日乘数
Figure 596850DEST_PATH_IMAGE018
，定义拉格朗日函数：
Figure DEST_PATH_IMAGE037
其中，
Figure 883474DEST_PATH_IMAGE021
为拉格朗日乘子向量；
根据拉格朗日对偶性，可得：
Figure 275797DEST_PATH_IMAGE023
约束条件为：
Figure 622465DEST_PATH_IMAGE025
Figure 628467DEST_PATH_IMAGE027
获取最优解
Figure 859728DEST_PATH_IMAGE028
；
可得最优解
Figure 634786DEST_PATH_IMAGE029
、
Figure 293301DEST_PATH_IMAGE030
，满足
Figure 786599DEST_PATH_IMAGE031
，即为分离超平面；
由于数据为线性不可分训练数据，以核函数代替内积；
获得分类决策函数为：
Figure 821551DEST_PATH_IMAGE033
其中，
Figure 451115DEST_PATH_IMAGE034
代表核函数；
根据分类决策函数对雨污水管道口缺陷区域进行分析，距离分离超平面越远的点代表分类越准确，即其对应的雨污水管道口存在缺陷的概率越大，进行标记，优先排查。
在本实施例中：
根据市政排查，发现一污水异常排放点，对其进行分析：
构建城市区域，对城市区域进行正方形网格式分割，构建网格区域，任意一网格区域边长不小于r，且网格区域内至少存在一处雨污水管道口；
获取城市区域内N个雨污水管道口关键数据，任一个雨污水管道口关键数据记为
Figure 546110DEST_PATH_IMAGE001
，建立训练数据集
Figure 526705DEST_PATH_IMAGE002
；
Figure 99768DEST_PATH_IMAGE038
；
Figure 318260DEST_PATH_IMAGE003
；
Figure 723439DEST_PATH_IMAGE004
其中
Figure 801116DEST_PATH_IMAGE005
代表雨污水管道口关键数据中任一个数据,
Figure 302505DEST_PATH_IMAGE006
代表类标记，当它等于+1时为正例，为-1时为负例；
根据训练集构建雨污水管道口缺陷区域分析模型：
寻找分离超平面以获取雨污水管道口存在缺陷区域的分类平面；
设置超平面表示为：
Figure 47607DEST_PATH_IMAGE008
设置任一数据点
Figure 609038DEST_PATH_IMAGE001
到达超平面距离d：
Figure DEST_PATH_IMAGE039
其中，
Figure 501908DEST_PATH_IMAGE040
即可作为一个带符号的判别分类的判断条件；
可得到超平面关于任一数据点
Figure 541408DEST_PATH_IMAGE001
的几何间隔为：
Figure 141016DEST_PATH_IMAGE042
设支持向量到超平面的距离为
Figure 873349DEST_PATH_IMAGE011
，可知任何正确分类的点到超平面的距离都应该大于或等于
Figure 925619DEST_PATH_IMAGE011
，即：
Figure 768810DEST_PATH_IMAGE013
设置
Figure DEST_PATH_IMAGE043
；
Figure 816400DEST_PATH_IMAGE044
；
可得：
Figure 595000DEST_PATH_IMAGE046
对系数进行放缩处理可得：
Figure 262130DEST_PATH_IMAGE048
借助支持向量机数学算法，表示为：
Figure 784378DEST_PATH_IMAGE050
约束条件为：
Figure DEST_PATH_IMAGE051
0
Figure 686475DEST_PATH_IMAGE004
由于数据为线性不可分训练数据，对任一数据点
Figure 760610DEST_PATH_IMAGE001
引入松弛变量
Figure 521893DEST_PATH_IMAGE014
；
即新的约束条件为：
Figure DEST_PATH_IMAGE053
对每个松弛变量
Figure 441307DEST_PATH_IMAGE015
，支付一个代价，目标函数由
Figure 729069DEST_PATH_IMAGE016
变成
Figure 849472DEST_PATH_IMAGE016
+
Figure 488263DEST_PATH_IMAGE017
；
其中C为惩罚参数；
引入拉格朗日乘数
Figure 86735DEST_PATH_IMAGE018
，定义拉格朗日函数：
Figure 229003DEST_PATH_IMAGE037
其中，
Figure 51466DEST_PATH_IMAGE021
为拉格朗日乘子向量；
分别对a、b进行求导，可得：
Figure DEST_PATH_IMAGE055
Figure DEST_PATH_IMAGE057
代入
Figure 446063DEST_PATH_IMAGE058
，可得：
Figure 972859DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE061
对
Figure 438475DEST_PATH_IMAGE018
的极大为：
Figure DEST_PATH_IMAGE063
根据拉格朗日对偶性，可得：
Figure 759735DEST_PATH_IMAGE023
其中，约束条件为：
Figure 717327DEST_PATH_IMAGE025
设置惩罚参数C＞0；C值越大对误分类的惩处越大，当C为无穷大时，即成为了线性可分问题。
可得新的约束条件为：
Figure 313393DEST_PATH_IMAGE025
Figure 164675DEST_PATH_IMAGE027
并借助KKT条件，获取最优解
Figure 797781DEST_PATH_IMAGE028
；
可得最优解
Figure 632882DEST_PATH_IMAGE029
、
Figure 642426DEST_PATH_IMAGE030
，满足
Figure 754739DEST_PATH_IMAGE031
，即为分离超平面；
获得分类决策函数为：
Figure 948960DEST_PATH_IMAGE033
其中，
Figure 743128DEST_PATH_IMAGE034
代表核函数，核函数设置为高斯核函数；
Figure 556363DEST_PATH_IMAGE064
根据分类决策函数对雨污水管道口缺陷区域进行分析，距离分离超平面越远的点代表分类越准确，即其对应的雨污水管道口存在缺陷的概率越大，进行标记，优先排查。
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 (6)

1.一种基于人工智能的城市管网缺陷位置定位分析方法，其特征在于：该方法包括以下步骤：
S1、构建城市区域A，对城市区域A进行正方形网格式分割，构建网格区域，任意一网格区域边长不小于r，且网格区域内至少存在一处雨污水管道口；
S2、获取城市区域A内出现的异常排放点，对异常排放点所连接的所有雨污水管道口进行标记；
S3、获取城市区域A内的所有雨污水管道口关键数据，构建训练集，构建雨污水管道口缺陷区域分析模型；
S4、根据雨污水管道口缺陷区域分析模型，利用机器智能化，快速找到可能的雨污水管道错接、乱接或出现故障的网格区域，输出到维修端口，进行优先排查；
在步骤S3中，还包括：
获取N个雨污水管道口关键数据，任一个雨污水管道口关键数据记为
Figure DEST_PATH_IMAGE001
，建立训练 集
Figure 908086DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
；
Figure 631191DEST_PATH_IMAGE004
其中
Figure DEST_PATH_IMAGE005
代表雨污水管道口关键数据中任一个数据的归一化数据；
Figure 383247DEST_PATH_IMAGE006
代表类标记，当它等 于+1时为正例，等于-1时为负例；
根据训练集构建雨污水管道口缺陷区域分析模型：
寻找分离超平面以获取雨污水管道口存在缺陷区域的分类平面；
设置超平面表示为：
Figure 2447DEST_PATH_IMAGE008
设置任一数据点
Figure 925273DEST_PATH_IMAGE001
到达超平面距离d：
Figure 796277DEST_PATH_IMAGE010
设支持向量到超平面的距离为
Figure DEST_PATH_IMAGE011
，可知任何正确分类的点到超平面的距离都大于或 等于
Figure 655036DEST_PATH_IMAGE011
，即：
Figure DEST_PATH_IMAGE013
由于数据为线性不可分训练数据，构建松弛变量
Figure 851662DEST_PATH_IMAGE014
；
对每个松弛变量
Figure DEST_PATH_IMAGE015
，支付一个代价，表示为：
Figure 792942DEST_PATH_IMAGE016
+
Figure DEST_PATH_IMAGE017
其中C为惩罚参数，C＞0；
引入拉格朗日乘数
Figure 733216DEST_PATH_IMAGE018
，定义拉格朗日函数：
Figure 912394DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
为拉格朗日乘子向量；
根据拉格朗日对偶性，可得：
Figure DEST_PATH_IMAGE023
约束条件为：
Figure DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE027
获取最优解
Figure 670134DEST_PATH_IMAGE028
；
可得最优解
Figure DEST_PATH_IMAGE029
、
Figure 355500DEST_PATH_IMAGE030
，满足
Figure DEST_PATH_IMAGE031
，即为分离超平面；
由于数据为线性不可分训练数据，以核函数代替内积；
获得分类决策函数为：
Figure DEST_PATH_IMAGE033
其中，
Figure 489678DEST_PATH_IMAGE034
代表核函数；
根据分类决策函数对雨污水管道口缺陷区域进行分析，距离分离超平面越远的点代表分类越准确，即其对应的雨污水管道口存在缺陷的概率越大，进行标记，优先排查；
在步骤S3中，所述雨污水管道口关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况；
时间T作为一个设置的系统参数，在时间T内若存在大量的路面工程，然后又出现了异常排放点，就存在在路面工程施工阶段，对雨污水管道口造成了破坏，对雨污水管道口关键数据聚总分析，最终获得一个网格区域的最大可能值，则认定该区域为雨污水管道口缺陷区域，采用技术手段进行排查；
所述雨污水管道口区域类型包括居民区域与工业区域，其中，有超出b家工厂利用一雨污水管道口进行排放时，认定雨污水管道口所在区域为工业区域，其他为居民区域。
2.应用权利要求1所述的一种基于人工智能的城市管网缺陷位置定位分析方法的一种基于人工智能的城市管网缺陷位置定位分析系统，其特征在于：该系统包括城市区域分布模块、城市管网采集模块、异常排放点标记模块、机器学习分析模块、缺陷位置定位分析模块；
所述城市区域分布模块用于构建城市区域，利用正方形网格式分割方法对城市区域进行分割，构建出网格区域；所述城市管网采集模块用于采集城市区域中的雨污水管道口，并获取雨污水管道口关键数据；所述异常排放点标记模块用于获取城市区域中出现的异常排放点，并获取能够连接到异常排放点的所有雨污水管道口，进行标记；所述机器学习分析模块用于根据训练集，利用机器学习构建雨污水管道口缺陷区域分析模型；所述缺陷位置定位分析模块用于根据雨污水管道口缺陷区域分析模型，快速定位分析雨污水管道口出现缺陷的区域；
所述城市区域分布模块的输出端与所述城市管网采集模块的输入端相连接；所述城市管网采集模块的输出端与所述异常排放点标记模块的输入端相连接；所述异常排放点标记模块的输出端与所述机器学习分析模块的输入端相连接；所述机器学习分析模块的输出端与所述缺陷位置定位分析模块的输入端相连接；
所述城市区域分布模块包括城市区域构建单元、网格分割单元；
所述城市区域构建单元用于构建城市区域；所述网格分割单元用于根据正方形网格分割方式，对城市区域进行分割，构建网格区域；
所述城市区域构建单元的输出端与所述网格分割单元的输入端相连接；所述网格分割单元的输出端与所述城市管网采集模块的输入端相连接。
3.根据权利要求2所述的系统，其特征在于：所述城市管网采集模块包括信息采集单元、关键数据确立单元；
所述信息采集单元用于采集城市区域内的雨污水管道口位置数据；所述关键数据确立单元用于确立城市区域内所有雨污水管道口的关键数据；
所述关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况；
所述信息采集单元的输出端与所述异常排放点标记模块的输入端相连接；所述关键数据确立单元的输出端与所述异常排放点标记模块的输入端相连接。
4.根据权利要求2所述的系统，其特征在于：所述异常排放点标记模块包括异常点上报单元、标记单元；
所述异常点上报单元用于根据排查或举报数据，上报污水排放异常点；所述标记单元用于根据异常点位置，获取所有能够到达异常排放点的雨污水管道口，进行标记；
所述异常点上报单元的输出端与所述标记单元的输入端相连接；所述标记单元的输出端与所述机器学习分析模块的输入端相连接。
5.根据权利要求2所述的系统，其特征在于：所述机器学习分析模块包括模型训练单元、机器学习单元；
所述模型训练单元用于获取雨污水管道口关键数据，构架训练集，训练得出雨污水管道口缺陷区域分析模型；所述机器学习单元用于根据雨污水管道口缺陷区域分析模型进行机器学习，构建智能化排查；
所述模型训练单元的输出端与所述机器学习单元的输入端相连接；所述机器学习单元的输出端与所述缺陷位置定位分析模块的输入端相连接。
6.根据权利要求2所述的系统，其特征在于：所述缺陷位置定位分析模块包括缺陷分析单元、定位单元；
所述缺陷分析单元用于根据机器学习分析模块构建的模型作出缺陷分析结论；所述定位单元用于根据缺陷分析单元的结论定位高概率缺陷雨污水管道口，所述高概率缺陷雨污水管道口为模型分析下的高精度解；
所述缺陷分析单元的输出端与所述定位单元的输入端相连接。
CN202210019409.2A 2022-01-10 2022-01-10 基于人工智能的城市管网缺陷位置定位分析系统及方法 Active CN114091355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210019409.2A CN114091355B (zh) 2022-01-10 2022-01-10 基于人工智能的城市管网缺陷位置定位分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210019409.2A CN114091355B (zh) 2022-01-10 2022-01-10 基于人工智能的城市管网缺陷位置定位分析系统及方法

Publications (2)

Publication Number Publication Date
CN114091355A CN114091355A (zh) 2022-02-25
CN114091355B true CN114091355B (zh) 2022-06-17

Family

ID=80308425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210019409.2A Active CN114091355B (zh) 2022-01-10 2022-01-10 基于人工智能的城市管网缺陷位置定位分析系统及方法

Country Status (1)

Country Link
CN (1) CN114091355B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562060B (zh) * 2023-07-10 2023-11-21 中建安装集团有限公司 基于智慧城市的雨污管网数据分析系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678427A (zh) * 2016-02-04 2016-06-15 南京信息工程大学 一种基于gis的城市雨水管网密度计算方法
CN108038850A (zh) * 2017-12-08 2018-05-15 天津大学 一种基于深度学习的排水管道异常类型自动检测方法
CN109671071A (zh) * 2018-12-19 2019-04-23 南京市测绘勘察研究院股份有限公司 一种基于深度学习的地下管道缺陷定位及等级判定方法
CN110276145A (zh) * 2019-06-26 2019-09-24 天津神州海创科技有限公司 城市排水系统仿真建模与调度方法
CN110852318A (zh) * 2019-10-21 2020-02-28 武汉众智鸿图科技有限公司 一种排水管道缺陷精准定位方法及系统
CN110852458A (zh) * 2019-11-08 2020-02-28 重庆工商职业学院 一种基于大数据的城市管网监管方法
CN113269469A (zh) * 2021-06-21 2021-08-17 安徽金晥泵业科技股份有限公司 一种用于城市地下排水的管道远程监控系统
CN113641774A (zh) * 2021-08-13 2021-11-12 安徽天诚交通工程有限公司 一种数字城管网格化管理方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886433A (zh) * 2019-02-01 2019-06-14 常州大学 智能识别城市燃气管道缺陷的方法
EP3966728A4 (en) * 2019-05-07 2023-05-17 The Joan and Irwin Jacobs Technion-Cornell Institute SYSTEMS AND METHODS FOR DETECTING ANOMALIES IN CIVIL INFRASTRUCTURE USING CONTEXT-SENSITIVE SEMANTIC ARTIFICIAL VISION TECHNIQUES

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678427A (zh) * 2016-02-04 2016-06-15 南京信息工程大学 一种基于gis的城市雨水管网密度计算方法
CN108038850A (zh) * 2017-12-08 2018-05-15 天津大学 一种基于深度学习的排水管道异常类型自动检测方法
CN109671071A (zh) * 2018-12-19 2019-04-23 南京市测绘勘察研究院股份有限公司 一种基于深度学习的地下管道缺陷定位及等级判定方法
CN110276145A (zh) * 2019-06-26 2019-09-24 天津神州海创科技有限公司 城市排水系统仿真建模与调度方法
CN110852318A (zh) * 2019-10-21 2020-02-28 武汉众智鸿图科技有限公司 一种排水管道缺陷精准定位方法及系统
CN110852458A (zh) * 2019-11-08 2020-02-28 重庆工商职业学院 一种基于大数据的城市管网监管方法
CN113269469A (zh) * 2021-06-21 2021-08-17 安徽金晥泵业科技股份有限公司 一种用于城市地下排水的管道远程监控系统
CN113641774A (zh) * 2021-08-13 2021-11-12 安徽天诚交通工程有限公司 一种数字城管网格化管理方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器学习方法的直流电弧故障检测;丁鑫等;《传感器与微系统》;20171120(第11期);第124-126页 *

Also Published As

Publication number Publication date
CN114091355A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
Laucelli et al. Detecting anomalies in water distribution networks using EPR modelling paradigm
Younis et al. A probability model for investigating the trend of structural deterioration of wastewater pipelines
CN115545678A (zh) 一种基于水环境画像与污染物溯源的水质监测方法
CN114091355B (zh) 基于人工智能的城市管网缺陷位置定位分析系统及方法
CN111027730B (zh) 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法
CN108278491A (zh) 一种发现排水管网运行异常的方法以及系统
CN115577506B (zh) 污水管网问题预诊断及精准排查的方法
CN114444259A (zh) 一种雨污管网溯源追踪系统及方法
CN110929359A (zh) 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
CN111928120A (zh) 一种雨污管网监控系统
CN114662895A (zh) 管网综合风险评估方法及装置
CN107038287A (zh) 一种检查排水管网拓补结构关系的模型分析方法及介质
CN113739082B (zh) 一种基于多区域联合评估的供水管网漏损监测方法
CN112780953B (zh) 一种基于模式检测的独立计量区域管网漏损检测方法
CN114997555A (zh) 一种城镇排水管网系统污水收集效能问题诊断与整治技术方法
CN116502805B (zh) 基于围区水网提升量化评价模型的调度方案快速筛选方法
CN212620879U (zh) 一种市政污水管网健康状况的监控设备
CN116562060B (zh) 基于智慧城市的雨污管网数据分析系统及方法
CN116109174A (zh) 一种智能水务信息化处理平台
CN116029460A (zh) 一种基于大数据的市政建筑工程节水管理平台
CN115650327A (zh) 一种城镇污水系统旱天外水入流的剥离方法
CN115356260A (zh) 一种高水位运行管道健康状况高效检测方法
CN115162496A (zh) 一种基于智能化的市政排水管网智能在线监测分析管理系统
CN115660160A (zh) 一种污水管网排水智能优化系统及方法
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

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