CN114118202A - 一种城市地下综合管廊异常事件预警方法 - Google Patents
一种城市地下综合管廊异常事件预警方法 Download PDFInfo
- Publication number
- CN114118202A CN114118202A CN202111182973.8A CN202111182973A CN114118202A CN 114118202 A CN114118202 A CN 114118202A CN 202111182973 A CN202111182973 A CN 202111182973A CN 114118202 A CN114118202 A CN 114118202A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- pipe gallery
- fusion
- early warning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 80
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000011897 real-time detection Methods 0.000 claims abstract description 7
- 230000007774 longterm Effects 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000001364 causal effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 239000000779 smoke Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 5
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 4
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- -1 heat supply Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
一种城市地下综合管廊异常事件预警方法，包括：通过管廊传感设备获取目标属性数据；使用卡尔曼滤波对同质数据传感器数据做数据级融合；利用数据级融合的结果，通过已改进并训练好的TS‑Transformer模型对未来管廊数据做预测；使用D‑S证据理论对数据级融合的结果及预测出的数据做决策级融合；利用决策级融合结果并行实现实时检测及预警分析。所提出的二级数据融合模型能够有效降低管廊数据的冗余性和不确定性；所提出的预测模型解决了传统基于RNN的时序预测模型不能并行训练以及难以处理长期时间依赖的问题。所提出的异常事件预警方法，不仅能够实时检测管廊中是否发生异常事件，还可以提前预警可能出现的事故，有效降低管廊重大事故风险、减少经济损失。
Description
技术领域
本发明涉及城市地下管廊智能运维领域，具体涉及一种城市地下 综合管廊异常事件预警方法。
背景技术
城市地下综合管廊是城市管理的地下神经中枢，集电力、通讯、 燃气、供热、给排水等工程管线于一体，是保障城市正常运行的重要 基础设施和“生命线”，更是城市建设的百年大计。不断有学者及各 地方政府响应国家号召，对地下综合管廊信息化和智能化建设提出一 系列指导意见和规范措施。
尽管随着国家大力支持，地下综合管廊的智慧建设愈发引起人们 的重视，当前城市地下综合管廊在智能运维方面依然存在一些问题： 突发事件响应能力不足，运维人员施工过程存在较大隐患；缺乏基于 全面感知的智能化运维平台，管线运维需要消耗大量人力物力。已有 的智慧运维解决办法也存在一些缺陷：1、基于视频监控的运维系统 依然需要人工长时间监视屏幕，难免存在疏忽错漏；2、基于传感器 设备的异常事件预警系统方面，通常根据已采集的数据进行实时检 测，存在一定的滞后性，且在最终预警阶段仅使用单一传感器数据， 不仅虚警率及漏警率高、难以做出高效准确的决策，还造成大量传感 器数据的浪费。因此，针对当前管廊运维存在的问题，需要结合物联 网的特性，对基于多源信息融合的城市地下综合管廊预警系统相关技 术进行研究，以提高突发事件响应能力、减轻运维人员工作负担、保 障运维人员的安全工作环境。
发明内容
本发明针对现有管廊智能运维解决方案中存在的技术问题，提供 一种基于多源信息融合的城市地下综合管廊异常事件预警方法。提出 了适用于地下综合管廊的二级数据融合模型，使用卡尔曼滤波 (Kalman Filter,KF)算法做数据级融合、D-S证据理论做决策级融合， 能够综合利用来自管廊中部署的大量传感器所采集的数据，降低数据 的冗余性和不确定性、消除数据的二义性，有效降低预警阶段的漏警 率及误警率。此外，使用基于Transformer的深度学习模型用于对未来 管廊环境中的数据做预测，解决了传统基于RNN的时序预测模型不能 并行训练及难以处理长期时间依赖的缺点，并将其嵌入到管廊数据融 合模型中。最终，利用数据级融合的结果和预测出的数据，结合D-S 证据理论做决策级融合，对管廊环境进行实时状态监测及未来态势的 预警分析，不仅可以实时检测管廊中是否发生异常事件，还可以在事 故出现前采取行动，有效降低管廊重大事故的风险、减少经济损失。
一种城市地下综合管廊异常事件预警方法，包括如下步骤：
步骤1，通过管廊中部署的各种传感设备以及无线通讯设备获取 目标属性的传感器数据；
步骤2，使用卡尔曼滤波技术，结合传感器可信度，对同质数据 传感器数据进行一级数据融合，即数据级融合；
步骤3，利用一级数据融合的结果，通过已构建并训练好的 TS-Transformer模型对未来管廊数据做预测；
步骤4，使用D-S证据理论对一级数据融合的结果及 TS-Transformer模型预测出的数据做二级数据融合，即决策级融合；
步骤5，利用二级数据融合的结果，同时进行实时检测及预警分 析。
进一步地，步骤1中，传感器类型包括温度传感器、湿度传感器、 CO传感器、CH4传感器、H2S传感器、烟雾传感器、光照传感器， 不同类型传感器数据的组合用于不同异常事件的检测。
进一步地，步骤2中，一级数据融合时，假设有n个同质传感器 同时监测管廊内某目标属性，计算n个同质传感器的可信度，作为卡 尔曼滤波融合阶段的权重参考；选取定长时间内的n个传感器数据， 分别计算其方差，方差越小代表其数据波动程度越低，相应时间内传 感器所采集的数据越稳定，在使用卡尔曼滤波进行数据融合时该传感 器采集的数据所占权重就应该越高，基于方差可信度的传感器权重计 算由如下公式进行：
卡尔曼滤波融合阶段由如下公式进行：
其中
为先验估值，Wi为传感器置信度获得的权重，Kk为卡尔 曼增益，H为转移矩阵，Zk为实际观测值。
最终获得n个同质传感器数据的融合结果，用于二级数据融合及 TS-Transformer做预测。
进一步地，步骤3中，使用改进后的Transformer深度学习模型， 即TS-Transformer模型进行管廊数据预测，TS-Transformer模型具体 构建流程包括：
步骤3-1，基于Transformer模型，使用Transformer模型中的多 头注意力机制捕获序列中的长期时间依赖；
步骤3-2，为避免极端天气等事件带来的影响，在注意力机制中 计算Q和K时，使用因果卷积代替线性变换，用以捕获时间序列中 的局部信息，添加因果卷积后的自注意力层；
步骤3-3，舍弃原Transformer模型中的Decoder部分而替换成全 连接层，以加速模型训练及预测速度；最后用RELU作为激活函数对 模型进行训练；
步骤3-4，通过多个attention层的堆叠使模型的预测效果达到最 高。
进一步地，步骤4中，二级数据融合使用一级融合的结果作为输 入，通过D-S证据理论进行决策级融合，用于最终的预警报警。
进一步地，步骤4中，使用D-S证据理论做二级数据融合，其流 程为：针对不同的目标事件，建立相应的识别框架；根据各传感器测 量数据获得基本概率分配BPA；利用BPA进行概率分配函数正交和， 即证据的组合；根据各类证据的组合，最终获得待检测目标事件的决 策结果。
进一步地，将TS-Transformer模型嵌入到二级数据融合模型中， 同时进行实时检测和预警分析。
本发明达到的有益效果为：本发明提供的城市地下综合管廊异常 事件预警方法，首先构建适用于地下综合管廊的二级数据融合模型， 保障了传感器数据的精确度及可信度，然后通过TS-Transformer模型 预测管廊未来数据并将其嵌入到二级数据融合模型中，克服了传统基 于RNN的时序预测模型不能并行训练及难以处理长期时间依赖的缺 点，既能实现管廊传感器数据的实时性异常检测，也可以较为准确地 对未来可能发生的异常事件作出预警，提高了管廊内突发事件的响应 能力，减轻了运维人员工作负担、保障了检修人员人身安全，最大限 度地降低管廊灾害损失，实现城市地下综合管廊的智能运维。此外，所述方法通用性强、成本低，适合广泛推广使用。
附图说明
图1是本发明实施中本异常事件预警方法的流程图。
图2是本发明实施中二级数据融合模型总体结构图。
图3是本发明实施中二级数据融合模型中数据级融合流程图。
图4是本发明实施中二级数据融合模型中决策级融合流程图。
图5是本发明实施中TS-Transformer模型基本结构图。
图6是本发明实施中TS-Transformer模型中加入因果卷积后的 Attention层示例图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明实施方式的流程如图1所示，所描述实施方式包括：
S1，通过管廊中部署的各种传感设备，以5G或GPRS等方式获 取目标属性的传感器数据；
S2，使用卡尔曼滤波技术，结合传感器可信度，对同质数据传感 器数据进行一级数据融合，即数据级融合；
S3，利用一级数据融合的结果，通过已构建并训练好的 TS-Transformer模型对未来管廊数据做预测；
S4，使用D-S证据理论对一级数据融合的结果及TS-Transformer 预测出的数据做二级数据融合，即决策级融合；
S5，利用二级数据融合的结果，同时进行实时检测及预警分析。
具体地，所提出二级数据融合模型结构如图2所示，其中，一级 数据融合为针对监测同一目标属性的同质传感器间的数据融合，也称 数据级融合，具体的传感器类型有：温度传感器、湿度传感器、CO(一 氧化碳)传感器、CH4(甲烷)传感器、H2S(硫化氢)传感器、烟雾传感 器、光照传感器等，不同类型传感器数据的组合可以用于不同异常的 检测，其中，[烟雾传感器、CO传感器、温度传感器、光照传感器] 所采集的数据集合用于管廊火灾预警；[湿度传感器、温度传感器、 湿度传感器、CO传感器、CH4传感器、H2S传感器]所采集的数据集 合用于管廊环境质量评估；湿度传感器数据可单独用于防止管廊内湿 度过大引起的管线短路问题。二级数据融合使用一级融合的结果作为 输入，通过D-S证据理论进行决策级融合，用于最终的预警报警。
一级数据融合流程如图3所示，包括：
(1)假设有n个同质传感器同时监测管廊内某目标属性，计算n 个同质传感器的可信度，作为卡尔曼滤波融合阶段的权重参考。本发 明做法为：选取定长时间内的n个传感器数据，分别计算其方差Di, 方差越小代表其数据波动程度越低，相应时间内传感器所采集的数据 越稳定，在使用卡尔曼滤波进行数据融合时该传感器采集的数据所占 权重就应该越高，基于方差可信度的传感器权重计算由如下公式进 行：
使用卡尔曼滤波算法，结合所求得的传感器可信度，对n个同质 传感器数据进行融合，使用卡尔曼滤波技术对所采集的数据进行一级 数据融合，即数据级融合。由于管廊内部环境影响及传感器自身测量 误差，单一传感器往往难以精确地描述被测目标对象的属性，进而影 响后期数据挖掘及分析的精确度。而通过部署多个传感器用于监测同 一目标属性，可以提高待处理管廊数据的准确性和可靠性，有效降低 后期预警报警阶段的漏警率及误警率。流程如下：
①计算先验估值，由如下公式进行：
由于管廊内部所监测的多为气体、温度等较为稳定的数据，且传 感器采样频率控制在每30s-1min采样一次，相邻采样点间变化较小， 所以此处将A设为1，且无外部控制u，因此将B设为0。
②计算先验误差协方差矩阵：
此处Q为过程噪声符合的协方差矩阵。
③计算各传感器卡尔曼增益：
此处R为测量噪声符合的协方差矩阵。
④计算后验估值，即最终融合结果：
式中
为先验估值，Wi为传感器置信度获得的权重，Kk为卡尔 曼增益，H为转移矩阵，Zk为实际观测值。
⑤更新各传感器误差协方差矩阵，用于下一次迭代计算：
(2)最终获得n个同质传感器数据的融合结果，用于二级数据融 合及TS-Transformer做预测。
二级数据融合流程如图4所示，包括：
(1)针对不同的目标事件，建立相应的识别框架 H＝{H1,H2,..,Hk}。
具体地，管廊火灾预警系统的识别框架H＝{明火，阴燃火，无火}， 管廊内湿度预警系统将湿度分为三个区间建立湿度等级识别框架 H＝{干燥，湿，较湿}，管廊环境质量评估系统的识别框架H＝{好， 一般，差，恶劣}。
(2)根据各传感器测量数据获得基本概率分配(BPA)，其中，BPA 需要满足：
m:2H→[0,1]，
其中，m为H的基本概率分配函数，A为H的子集。
(3)利用BPA进行概率分配函数正交和，即证据的组合；
式中，A和B都为焦元，
为合成后的基本概率分配。
(4)根据各类证据的组合，最终获得待检测目标事件的决策结 果。
基于Transformer的深度学习模型结构如图5所示，此处为避免 与原始Transformer模型混淆，将修改后的Transformer模型命名为 TS-Transformer(TimeSeries Transformer)，详细包括：
(1)基于Transformer模型，使用Transformer中的多头注意力机 制(Multi-HeadSelfAttention)捕获序列中的长期时间依赖，详细描述 如下：
假设每个时间步的目标值zt服从概率分布l(ztθt)，使用多头注意 力机制计算当前时间步的隐状态，再计算概率分布的参数θt，最后通 过最大化对数似然估计
来学习网络参数。因为使用了注意 力机制，从而不需要像LSTM模型那样进行地柜，而是一次性计算 所有时间步的θt，如图5所示。
(2)为避免极端天气等事件带来的影响，使用因果卷积(causal convolution)，从而使得自注意力机制能够捕获局部信息。
时间序列中通常会有一些异常点，一个观测值是否应该被视作异 常相当程度上取决于它所处的上下文环境。而原有的Transformer中 注意力机制在计算序列内部不同位置的关系时，并没有考虑各个位置 所处的局域环境，这会使预测容易受异常值的干扰，而如果在计算自 注意力机制时，使用卷积代替Q和K，就可以引入局部信息，其示 意图如图6所示。
(3)舍弃原Transformer中的Decoder部分以加速模型训练及预 测速度；最后用RELU作为激活函数对模型进行训练。
在将目标属性特征向量输入至TS-Transformer模型中并对应输 出相应预测数据后，所述方法还包括：
在已有TS-Transformer模型中SelfAttention层基础之上，增加一 层与第一层结构相同的新层作为第二层，其中，第二层中以第一层 SelfAttention的输出作为输入；
对增加新层次后的TS-Transformer模型进行训练优化；
在第二层上逐层增加新的层次并进行训练，直到TS-Transformer 模型性能不再提升；
由最终TS-Transformer模型得出的管廊内相应目标属性预测值 作为最终预测结果。
异常事件包括管廊内部火灾、管廊内环境质量过差、管廊内湿度 过高，分别可能造成的结果为：管廊重大灾害事故、威胁检修人员人 身安全、湿度过大引起的线路短路。针对所述三类异常事件，需要选 用的数据集合为：[烟雾传感器数据、CO传感器数据、温度传感器数 据、光照传感器数据]，[湿度传感器数据、温度传感器数据、湿度传 感器数据、CO传感器数据、CH4传感器数据、H2S传感器数据]，[湿 度传感器数据]。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以 上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容 所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。
Claims (7)
1.一种城市地下综合管廊异常事件预警方法，其特征在于：所述方法包括如下步骤：
步骤1，通过管廊中部署的各种传感设备以及无线通讯设备获取目标属性的传感器数据；
步骤2，使用卡尔曼滤波技术，结合传感器可信度，对同质数据传感器数据进行一级数据融合，即数据级融合；
步骤3，利用一级数据融合的结果，通过已构建并训练好的TS-Transformer模型对未来管廊数据做预测；
步骤4，使用D-S证据理论对一级数据融合的结果及TS-Transformer模型预测出的数据做二级数据融合，即决策级融合；
步骤5，利用二级数据融合的结果，同时进行实时检测及预警分析。
2.根据权利要求1所述的一种城市地下综合管廊异常事件预警方法，其特征在于：步骤1中，传感器类型包括温度传感器、湿度传感器、CO传感器、CH4传感器、H2S传感器、烟雾传感器、光照传感器，不同类型传感器数据的组合用于不同异常事件的检测。
3.根据权利要求1所述的一种城市地下综合管廊异常事件预警方法，其特征在于：步骤2中，一级数据融合时，假设有n个同质传感器同时监测管廊内某目标属性，计算n个同质传感器的可信度，作为卡尔曼滤波融合阶段的权重参考；选取定长时间内的n个传感器数据，分别计算其方差，方差越小代表其数据波动程度越低，相应时间内传感器所采集的数据越稳定，在使用卡尔曼滤波进行数据融合时该传感器采集的数据所占权重就应该越高，基于方差可信度的传感器权重计算由如下公式进行：
卡尔曼滤波融合阶段由如下公式进行：
其中
为先验估值，Wi为传感器置信度获得的权重，Kk为卡尔曼增益，H为转移矩阵，Zk为实际观测值。
最终获得n个同质传感器数据的融合结果，用于二级数据融合及TS-Transformer做预测。
4.根据权利要求1所述的一种城市地下综合管廊异常事件预警方法，其特征在于：步骤3中，使用改进后的Transformer深度学习模型，即TS-Transformer模型进行管廊数据预测，TS-Transformer模型具体构建流程包括：
步骤3-1，基于Transformer模型，使用Transformer模型中的多头注意力机制捕获序列中的长期时间依赖；
步骤3-2，为避免极端天气等事件带来的影响，在注意力机制中计算Q和K时，使用因果卷积代替线性变换，用以捕获时间序列中的局部信息，添加因果卷积后的自注意力层；
步骤3-3，舍弃原Transformer模型中的Decoder部分而替换成全连接层，以加速模型训练及预测速度；最后用RELU作为激活函数对模型进行训练；
步骤3-4，通过多个attention层的堆叠使模型的预测效果达到最高。
5.根据权利要求1所述的一种城市地下综合管廊异常事件预警方法，其特征在于：步骤4中，二级数据融合使用一级融合的结果作为输入，通过D-S证据理论进行决策级融合，用于最终的预警报警。
6.根据权利要求1所述的一种城市地下综合管廊异常事件预警方法，其特征在于：步骤4中，使用D-S证据理论做二级数据融合，其流程为：针对不同的目标事件，建立相应的识别框架；根据各传感器测量数据获得基本概率分配BPA；利用BPA进行概率分配函数正交和，即证据的组合；根据各类证据的组合，最终获得待检测目标事件的决策结果。
7.根据权利要求1所述的一种城市地下综合管廊异常事件预警方法，其特征在于：将TS-Transformer模型嵌入到二级数据融合模型中，同时进行实时检测和预警分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111182973.8A CN114118202A (zh) | 2022-01-17 | 2022-01-17 | 一种城市地下综合管廊异常事件预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111182973.8A CN114118202A (zh) | 2022-01-17 | 2022-01-17 | 一种城市地下综合管廊异常事件预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114118202A true CN114118202A (zh) | 2022-03-01 |
Family
ID=80441899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111182973.8A Pending CN114118202A (zh) | 2022-01-17 | 2022-01-17 | 一种城市地下综合管廊异常事件预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118202A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638557A (zh) * | 2022-05-18 | 2022-06-17 | 浙江建设职业技术学院 | 城市综合管廊运行数据的采集方法与装置 |
| CN115081741A (zh) * | 2022-07-21 | 2022-09-20 | 西南石油大学 | 一种基于神经网络的天然气计量检定智能预测的方法 |
| CN115496127A (zh) * | 2022-08-22 | 2022-12-20 | 佳源科技股份有限公司 | 一种基于管廊环境的多传感器融合判定方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020015277A1 (zh) * | 2018-07-20 | 2020-01-23 | 国电南瑞科技股份有限公司 | 一种基于全景信息的弧光故障识别装置及方法 |
| CN111797572A (zh) * | 2020-07-06 | 2020-10-20 | 中国矿业大学(北京) | 一种城市事故灾害演化模拟及风险预测预警方法 |
| WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
| CN113869562A (zh) * | 2021-09-10 | 2021-12-31 | 中铁二十局集团有限公司 | 异常事件响应等级确定方法、装置、设备及可读存储介质 |
-
2022
- 2022-01-17 CN CN202111182973.8A patent/CN114118202A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020015277A1 (zh) * | 2018-07-20 | 2020-01-23 | 国电南瑞科技股份有限公司 | 一种基于全景信息的弧光故障识别装置及方法 |
| WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
| CN111797572A (zh) * | 2020-07-06 | 2020-10-20 | 中国矿业大学(北京) | 一种城市事故灾害演化模拟及风险预测预警方法 |
| CN113869562A (zh) * | 2021-09-10 | 2021-12-31 | 中铁二十局集团有限公司 | 异常事件响应等级确定方法、装置、设备及可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638557A (zh) * | 2022-05-18 | 2022-06-17 | 浙江建设职业技术学院 | 城市综合管廊运行数据的采集方法与装置 |
| CN115081741A (zh) * | 2022-07-21 | 2022-09-20 | 西南石油大学 | 一种基于神经网络的天然气计量检定智能预测的方法 |
| CN115496127A (zh) * | 2022-08-22 | 2022-12-20 | 佳源科技股份有限公司 | 一种基于管廊环境的多传感器融合判定方法及系统 |
| CN115496127B (zh) * | 2022-08-22 | 2023-10-24 | 佳源科技股份有限公司 | 一种基于管廊环境的多传感器融合判定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114118202A (zh) | 一种城市地下综合管廊异常事件预警方法 | |
| CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
| US20170171692A1 (en) | Sensor node, controller node, sensor network system, and operation method thereof | |
| CN109408686A (zh) | 一种地下综合管廊大数据可视化系统及方法 | |
| KR101445045B1 (ko) | 통합관제센터의 통합관제서비스를 이용한 수위경고 시스템 및 방법 | |
| CN110135564A (zh) | 基于边缘计算的煤矿瓦斯传感器数据异常检测方法 | |
| KR20210155217A (ko) | 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법 | |
| Vinothini et al. | IoT based flood detection and notification system using decision tree algorithm | |
| CN110163184A (zh) | 智能化视频监控系统及方法 | |
| CN116027146A (zh) | 配电电缆网多状态分布式无源感知监测方法、装置和设备 | |
| CN117150298B (zh) | 基于深度学习的地铁fas火灾报警系统的调试方法 | |
| CN115965246A (zh) | 一种岩溶塌陷灾害的预警分析方法 | |
| CN117558124A (zh) | 一种基于多源信息深度融合的通道运行状态推演预测方法 | |
| CN118410428A (zh) | 一种地铁隧道自动化监测方法、系统、设备和介质 | |
| CN117601143B (zh) | 基于多传感器融合的智能巡检机器人及方法 | |
| CN117455235A (zh) | 风险处理方法、处理装置、电子设备和存储介质 | |
| Hong et al. | Evaluation of disaster-bearing capacity for natural gas pipeline under third-party damage based on optimized probabilistic neural network | |
| CN104809205A (zh) | 一种在线河网时空异常事件检测方法 | |
| CN116610991A (zh) | 多模态数据融合的隧道灾害风险智能识别方法及其应用 | |
| CN116028852A (zh) | 一种基于bp神经网络和d-s证据理论的地下道路火灾检测方法 | |
| CN116013047A (zh) | 基于图注意力网络和长短期记忆网络的浓雾短临趋势预警系统与方法 | |
| Zhou et al. | Risk index assessment for urban natural gas pipeline leakage based on artificial neural network | |
| CN112032567A (zh) | 一种埋地燃气管道泄漏危险度预测系统 | |
| CN106647563B (zh) | 一种采油现场安全监控装置 | |
| KR102703456B1 (ko) | 지중 송전 경로 탐지 및 관리 시스템 |
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 |