CN114252142A - 地热管道异常状态的大数据定位监测方法、系统及计算机可读介质 - Google Patents
地热管道异常状态的大数据定位监测方法、系统及计算机可读介质 Download PDFInfo
- Publication number
- CN114252142A CN114252142A CN202111553287.7A CN202111553287A CN114252142A CN 114252142 A CN114252142 A CN 114252142A CN 202111553287 A CN202111553287 A CN 202111553287A CN 114252142 A CN114252142 A CN 114252142A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- data
- monitoring
- pipeline
- abnormal state
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种地热管道异常状态的大数据定位监测方法、系统及计算机可读介质,包括以下步骤:对管道进行分段测量,沿管道径向选取多个测点位置,采集不同监测时刻下测点位置的振幅数据;对振幅数据进行降维处理,得到振幅‑时间,振幅‑空间二维数据,得到两个散射波之间的相位差;当相位差超过设定的预设门槛值时,发生异常,则对振幅数据通过滑动窗口‑离群值的算法进行处理,判断异常发生位置。在统计模式识别框架下,提出一种基于滑动窗口‑离群值分析的振幅时‑空大数据分析方法,仅利用分布式振幅监测数据的本身特征即可实现管道异常状态的智能化识别。该方法是一种无监督的人工智能大数据处理方法,在埋地管道异常状态监测中具有良好的应用前景。
Description
技术领域
本发明涉及管道检测技术领域,尤其涉及一种地热管道异常状态的大数据定位监测方法、系统及计算机可读介质。
背景技术
埋地管道不但长期受运行和环境荷载的作用,而且受到材料老化、振动疲劳、腐蚀效应、第三方活动等灾变因素的影响,极易发生损伤破坏。监测管道完整性是管理的重要环节,但是由于埋地管道属于隐蔽工程,巡线检测难度大、效率低,因此发展埋地管道异常状态的实时在线监测技术成为当前的研究热点。
目前,管道监测领域引入了分布式光纤传感技术,其通过沿管道布设的光纤传感器来探测侵入介质导致的振幅异常,从而实现定位,属于一种直接的物理监测方法,避免了负压波或泄漏声技术需要进行参数反演的缺陷,具有成本低、响应敏捷的优点。但是,这种方法存在着一定的问题。监测产生大量的振幅时-空大数据,处理该种数据将花费大量时间。
发明内容
针对上述缺陷或不足,本发明的目的在于提供一种一种地热管道异常状态的大数据定位监测方法、系统及计算机可读介质。
为达到以上目的,本发明的技术方案为:
一种地热管道异常状态的大数据定位监测方法,包括以下步骤:
1)、对管道进行分段测量,沿管道径向选取多个测点位置,采集不同监测时刻下测点位置的振幅数据;
2)、对振幅数据进行降维处理,得到振幅-时间,振幅-空间二维数据,得到两个散射波之间的相位差;
3)、当相位差超过设定的预设门槛值时,发生异常,则对振幅数据通过滑动窗口-离群值的算法进行处理,判断异常发生位置。
所述步骤2)具体包括:
2.1、获取振幅时-空大数据H:
其中,H为监测振幅的时-空大数据矩阵,维数为(c+1)×m;xi(i=1,2,…,m)为沿传感器路径分布的测点位置,共m个测点;tj(j=0,1,…,c)为测量时刻,共(c+1)个测量时刻;tc为当前时刻;
2.2、获取背向瑞利散射波的振幅e(t):
2.4、获得光功率p(t'):
p(t')=|e(t')|2=pa(t')+pb(t')
其中,pa(t')表示各独立后向散射中心的光功率总和,pb(t')为具有锯齿状波纹的后向散射瑞利光干涉产生的光功率总和;当锯齿纹波由cos2πv(τi-τj)产生时,两个散射波之间的相位差为Δij:
Δij=cos2πv(τi-τj)=4πvn(li-lj)。
所述对振幅数据通过滑动窗口-离群值的算法进行处理,判断异常发生位置包括:
采用tc+1~tc+k时刻的监测数据计算非一致性指标,若计算结果均连续性地超过门槛值,则侵入报警,并根据离群值的测点坐标xi确定侵入位置,若仅个别数据超过门槛值,后续计算结果均在群内,则窗口继续向前滑动;其中,所述k为异常状态诊断窗口的采样数,取值小于S。
一种地热管道异常状态的大数据定位监测系统,其特征在于,包括采集监控模块、数据处理模块、以及分析模块,其中,
所述采集监控模块用于,对管道进行分段测量,沿管道径向选取多个测点位置,采集不同监测时刻下测点位置的振幅数据;
所述数据处理模块用于,对振幅数据进行降维处理,得到振幅-时间,振幅-空间二维数据,得到两个散射波之间的相位差;
所述分析模块用于,当相位差超过设定的预设门槛值时,发生异常,则对振幅数据通过滑动窗口-离群值的算法进行处理,判断异常发生位置。
其特征在于,所述采集监控模块包括:光纤传感器和数据采集模块。
一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述方案中任一项所述的地热管道异常状态的大数据定位监测方法。
与现有技术比较,本发明的有益效果为:
本发明提供了一种地热管道异常状态的大数据定位监测方法、系统及计算机可读介质,在统计模式识别框架下,提出一种基于滑动窗口-离群值分析的振幅时-空大数据分析方法,仅利用分布式振幅监测数据的本身特征即可实现管道异常状态的智能化识别。结果表明:在管道完好的状态下,该方法不会发生误报警的情况,而管道一旦发生泄漏、侵入等异常状态,该方法能够快速识别异常事件,并对异常位置进行精准定位。该方法是一种无监督的人工智能大数据处理方法,在埋地管道异常状态监测中具有良好的应用前景。
附图说明
图1是本发明地热管道异常状态的大数据定位监测方法流程图;
图2是本发明地热管道异常状态的大数据定位监测方法异常处理图;
图3是本发明地热管道异常状态的大数据定位监测系统结构图;
图4是本发明地热管道异常状态的大数据定位监测采集模块结构图。
具体实施方式
下面将结合附图对本发明做详细描述,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,都属于本发明的保护范围。
如图1所示,一种地热管道异常状态的大数据定位监测方法,包括以下步骤:
S1、对管道进行分段测量,沿管道径向选取多个测点位置,采集不同监测时刻下测点位置的振幅数据;
本发明中,是采用光纤传感器负责采集数据,数据采集为管道安装及验收完成后,采用分布式光纤监测系统进行管道地下水侵入在线监测,实时获取管道沿途的分布式振幅监测数据。
埋地管道地下水侵入分布式光纤监测系统所获得的振幅时-空大数据可以用矩阵形式表示:
式中,H为监测振幅的时-空大数据矩阵,维数为(c+1)×m;xi(i=1,2,…,m)为沿传感器路径分布的测点位置,共m个测点;tj(j=0,1,…,c)为测量时刻,共(c+1)个测量时刻;tc为当前时刻。
S2、对振幅数据进行降维处理,得到振幅-时间,振幅-空间二维数据,得到两个散射波之间的相位差;
该过程具体包括:
2.1、获取振幅时-空大数据H:
其中,H为监测振幅的时-空大数据矩阵,维数为(c+1)×m;xi(i=1,2,…,m)为沿传感器路径分布的测点位置,共m个测点;tj(j=0,1,…,c)为测量时刻,共(c+1)个测量时刻;tc为当前时刻;
2.2、获取背向瑞利散射波的振幅e(t):
2.4、获得光功率p(t'):
p(t')=|e(t')|2=pa(t')+pb(t')
其中,pa(t')表示各独立后向散射中心的光功率总和,pb(t')为具有锯齿状波纹的后向散射瑞利光干涉产生的光功率总和;当锯齿纹波由cos2πv(τi-τj)产生时,两个散射波之间的相位差为Δij:
Δij=cos2πv(τi-τj)=4πvn(li-lj)。
需要说明的是,本发明是第一个目的是获取光纤对于监测管道振幅情况的数据。目的是该振幅数据是本发明对于管道异常状态判断的关键数据。具体是通过光纤的瑞利散射原理,由于干扰效应,能检测出光纤不同位置的瑞利散射光,从而得到背向瑞利散射波的振幅。
本发明的第二个目的是对振幅时-空数据进行降维处理,将该三维数据降为振幅-时间,振幅-空间这两种二维数据,目的是对数据降维处理,减少其复杂度,方便对该数据进行分析。
实现本发明的第二个目的的技术方案是:将采集到的振幅时-空数据构造振幅-时间数据时,舍弃掉空间位置数据,构造振幅-空间数据时,舍弃掉时间数据。
S3、当相位差超过设定的预设门槛值时,发生异常,则对振幅数据通过滑动窗口-离群值的算法进行处理,判断异常发生位置。
具体处理方法如图2所示,包括:
采用tc+1~tc+k时刻的监测数据计算非一致性指标,若计算结果均连续性地超过门槛值,则侵入报警,并根据离群值的测点坐标xi确定侵入位置,若仅个别数据超过门槛值,后续计算结果均在群内,则窗口继续向前滑动;其中,所述k为异常状态诊断窗口的采样数,取值小于S。
另外,如图3所示,本发明还提供了一种地热管道异常状态的大数据定位监测系统,包括采集监控模块1、数据处理模块2、以及分析模块3,其中,
所述采集监控模块1用于,对管道进行分段测量,沿管道径向选取多个测点位置,采集不同监测时刻下测点位置的振幅数据;
所述数据处理模块2用于,对振幅数据进行降维处理,得到振幅-时间,振幅-空间二维数据,得到两个散射波之间的相位差;
所述分析模块3用于,当相位差超过设定的预设门槛值时,发生异常,则对振幅数据通过滑动窗口-离群值的算法进行处理,判断异常发生位置。
需要说明的是,如图4所示,本实施例中所述采集监控模块1包括:光纤传感器和数据采集模块。管道安装及验收完成后,采用分布式光纤监测系统进行管道地下水侵入在线监测,实时获取管道沿途的分布式振幅监测数据。
进一步地,本发明还包括一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述方案中所述的地热管道异常状态的大数据定位监测方法。
对于本领域技术人员而言,显然能了解到上述具体事实例只是本发明的优选方案,因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动,体现的仍是本发明的原理,实现的仍是本发明的目的,均属于本发明所保护的范围。
Claims (8)
1.一种地热管道异常状态的大数据定位监测方法,其特征在于,包括以下步骤:
1)、对管道进行分段测量,沿管道径向选取多个测点位置,采集不同监测时刻下测点位置的振幅数据;
2)、对振幅数据进行降维处理,得到振幅-时间,振幅-空间二维数据,得到两个散射波之间的相位差;
3)、当相位差超过设定的预设门槛值时,发生异常,则对振幅数据通过滑动窗口-离群值的算法进行处理,判断异常发生位置。
2.根据权利要求1所述的地热管道异常状态的大数据定位监测方法,其特征在于,所述步骤2)具体包括:
2.1、获取振幅时-空大数据H:
其中,H为监测振幅的时-空大数据矩阵,维数为(c+1)×m;xi(i=1,2,…,m)为沿传感器路径分布的测点位置,共m个测点;tj(j=0,1,…,c)为测量时刻,共(c+1)个测量时刻;tc为当前时刻;
2.2、获取背向瑞利散射波的振幅e(t):
2.4、获得光功率p(t'):
p(t')=|e(t')|2=pa(t')+pb(t')
其中,pa(t')表示各独立后向散射中心的光功率总和,pb(t')为具有锯齿状波纹的后向散射瑞利光干涉产生的光功率总和;当锯齿纹波由cos2πv(τi-τj)产生时,两个散射波之间的相位差为Δij:
Δij=cos2πv(τi-τj)=4πvn(li-lj)。
3.根据权利要求1所述的地热管道异常状态的大数据定位监测方法,其特征在于,所述对振幅数据通过滑动窗口-离群值的算法进行处理,判断异常发生位置包括:
如果ZTc,i未超过门槛值,则系统为异常状态,窗口tc向前滑动,重复步骤3.1-3.4;
如果ZTc,i超过门槛值,则表明tc时刻的监测数据有疑似离群值,窗口不再滑动,进行提醒异常显示。
5.根据权利要求3或4所述的地热管道异常状态的大数据定位监测方法,其特征在于,如果ZTc,i超过门槛值,则表明tc时刻的监测数据有疑似离群值步骤后,还包括:
采用tc+1~tc+k时刻的监测数据计算非一致性指标,若计算结果均连续性地超过门槛值,则侵入报警,并根据离群值的测点坐标xi确定侵入位置,若仅个别数据超过门槛值,后续计算结果均在群内,则窗口继续向前滑动;其中,所述k为异常状态诊断窗口的采样数,取值小于S。
6.一种地热管道异常状态的大数据定位监测系统,其特征在于,包括采集监控模块(1)、数据处理模块(2)、以及分析模块(3),其中,
所述采集监控模块(1)用于,对管道进行分段测量,沿管道径向选取多个测点位置,采集不同监测时刻下测点位置的振幅数据;
所述数据处理模块(2)用于,对振幅数据进行降维处理,得到振幅-时间,振幅-空间二维数据,得到两个散射波之间的相位差;
所述分析模块(3)用于,当相位差超过设定的预设门槛值时,发生异常,则对振幅数据通过滑动窗口-离群值的算法进行处理,判断异常发生位置。
7.根据权利要求6所述的地热管道异常状态的大数据定位监测系统,其特征在于,所述采集监控模块(1)包括:光纤传感器和数据采集模块。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的地热管道异常状态的大数据定位监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553287.7A CN114252142A (zh) | 2021-12-17 | 2021-12-17 | 地热管道异常状态的大数据定位监测方法、系统及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553287.7A CN114252142A (zh) | 2021-12-17 | 2021-12-17 | 地热管道异常状态的大数据定位监测方法、系统及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114252142A true CN114252142A (zh) | 2022-03-29 |
Family
ID=80795694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111553287.7A Pending CN114252142A (zh) | 2021-12-17 | 2021-12-17 | 地热管道异常状态的大数据定位监测方法、系统及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114252142A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554010A (zh) * | 2024-01-09 | 2024-02-13 | 祥源智联(南京)科技有限公司 | 基于公共管廊安全的振动监测系统及方法 |
-
2021
- 2021-12-17 CN CN202111553287.7A patent/CN114252142A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554010A (zh) * | 2024-01-09 | 2024-02-13 | 祥源智联(南京)科技有限公司 | 基于公共管廊安全的振动监测系统及方法 |
CN117554010B (zh) * | 2024-01-09 | 2024-03-12 | 祥源智联(南京)科技有限公司 | 基于公共管廊安全的振动监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898691B (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
Dao | On Wilcoxon rank sum test for condition monitoring and fault detection of wind turbines | |
CN109324241B (zh) | 一种变电站接地网腐蚀诊断预警方法及系统 | |
Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
CN116595327B (zh) | 水闸变形监测数据预处理系统及方法 | |
CN106645934A (zh) | 基于动态网格离群点的用电行为反窃电诊断方法和装置 | |
CN114252142A (zh) | 地热管道异常状态的大数据定位监测方法、系统及计算机可读介质 | |
CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
Zhang et al. | Timber damage identification using dynamic broad network and ultrasonic signals | |
He et al. | A trend-based method for the prediction of offshore wind power ramp | |
CN111412959A (zh) | 流量在线监测计算方法、监测仪以及监测系统 | |
CN108982106B (zh) | 一种快速检测复杂系统动力学突变的有效方法 | |
Bao et al. | Application of lightning spatio-temporal localization method based on deep LSTM and interpolation | |
Fu et al. | Automatic bolt tightness detection using acoustic emission and deep learning | |
Zhan et al. | A Novel Structural Damage Detection Method via Multisensor Spatial–Temporal Graph-Based Features and Deep Graph Convolutional Network | |
Zhang et al. | Fault diagnosis with bidirectional guided convolutional neural networks under noisy labels | |
CN111553226B (zh) | 一种基于遥感解译技术提取河流监测断面水面宽度的方法 | |
CN109101778B (zh) | 基于性能退化数据和寿命数据融合的Wiener过程参数估计方法 | |
CN113988259B (zh) | 基于vae-gru的火电机组运行参数的实时异常检测方法 | |
AU2021101888A4 (en) | System and method for corrosion prediction in oil and gas pipeline | |
CN115423810A (zh) | 一种风力发电机组叶片覆冰形态分析方法 | |
Vogt et al. | Multi-task distribution learning approach to anomaly detection of operational states of wind turbines | |
CN113339210A (zh) | 一种风电机组叶片覆冰监测方法、系统 | |
Harrouni | Using fractal dimension to evaluate wind gusts long-term persistence |
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 |