CN114370612A - 基于随机森林模型的供水管道状态监测方法 - Google Patents
基于随机森林模型的供水管道状态监测方法 Download PDFInfo
- Publication number
- CN114370612A CN114370612A CN202210061890.1A CN202210061890A CN114370612A CN 114370612 A CN114370612 A CN 114370612A CN 202210061890 A CN202210061890 A CN 202210061890A CN 114370612 A CN114370612 A CN 114370612A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- water supply
- random forest
- forest model
- leakage
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pipeline Systems (AREA)
Abstract
本发明公开了基于随机森林模型的供水管道状态监测方法,属于供水管网漏损检测技术领域,具体方法包括:步骤一:获取管道分布图,根据获取的管道分布图设置若干个管道检测点;步骤二:设置采集时间段,在采集时间段内通过管道检测点实时采集管道信息;步骤三:对采集的管道振动加速度进行快速傅里叶变换,获得管道振动频谱,提取管道振动频谱中的频域特征,通过对供水管网采集的多源物理量水压、管道振动、管道环境温度和湿度信号进行特征分析,更加全面的对供水管网的漏损进行检测;通过对随机森林模型进行训练,实现对当前供水管网的状态分类,得出管道状态与特征之间的关系,方便根据不同的状态分类有针对性的对不同管道进行处理。
Description
技术领域
本发明属于供水管网漏损检测技术领域,具体是基于随机森林模型的供水管道状态监测方法。
背景技术
供水管网是城市市政基础建设重要组成部分,直接影响城市供水安全,是现代社会的血脉。城市管网的健康状态对于城市的供水保障具有重要意义,供水管网漏损不仅会造成水资源浪费、水环境污染,还会引发公共环境危害。但由于当前老旧管网错综复杂,供水管网运行状态是否正常,是否存在漏损风险,是否存在漏损,都需要进行检测;因此目前需要一种基于随机森林模型的供水管道状态监测方法,用于解决供水管网漏损检测的问题。
发明内容
为了解决上述方案存在的问题,本发明提供了基于随机森林模型的供水管道状态监测方法。
本发明的目的可以通过以下技术方案实现:
基于随机森林模型的供水管道状态监测方法,具体方法包括:
步骤一:获取管道分布图,根据获取的管道分布图设置若干个管道检测点;
步骤二:设置采集时间段,在采集时间段内通过管道检测点实时采集管道信息;管道信息包括管道压力、管道振动加速度、管道环境温度和湿度;
步骤三:对采集的管道振动加速度进行快速傅里叶变换,获得管道振动频谱,提取管道振动频谱中的频域特征,频域特征包括基波幅值、三次谐波幅值、频谱平均值、频谱标准差;
步骤四:建立随机森林模型,将管道压力、频域特征、管道环境温度和湿度整合为森林输入数据,将森林输入数据输入到随机森林模型中,获得对应的供水管网状况。
进一步地,供水管网状况包括正常无漏损、存在漏损风险或轻微漏损、低漏损、中度漏损和严重漏损。
进一步地,根据获取的管道分布图设置若干个管道检测点的方法包括:
识别管道分布图中各个管道的长度、尺寸和材质信息,建立管道检测点匹配表,将识别的管道尺寸和材质信息输入到管道检测点匹配表中进行匹配获得对应的检测装置;
获取当前管网中具备设置检测装置的管道区域,标记为安装区域,将安装区域标记在管道分布图中,获取检测装置的最佳检测范围区间,根据管道分布图中各个安装区域位置和检测装置的最佳检测范围区间确定检测装置的安装位置,将安装位置标记为管道检测点。
进一步地,建立管道检测点匹配表的方法包括:
获取具有的检测装置,采集各个检测装置适用的管道类型,标记为目标分类,获取管网中存在的管道尺寸和材质,根据获取的管道尺寸和材质与目标分类进行匹配,将管道打上对应的目标分类标签,将管道尺寸、材质和对应的目标分类标签整合到统计表中,将统计表标记为管道检测点匹配表。
进一步地,设置采集时间段的方法包括:
步骤SA1:设置初始段;
步骤SA2:获取初始段相邻的两个单位时间跨度内Pi的较小值,将对应的单位时间跨度标记为待合并段,计算初始段与待合并段合并后的车流量L,当L<K时,完成初始段与待合并段的合并,获得新的初始段;反之不进行合并,重新在剩余的单位时间跨度中任选一个Pi<K的单位时间跨度作为新的初始段;
步骤SA3:循环步骤SA2,直到所有的单位时间跨度均参与过与初始段的合并计算;
步骤SA4:获得若干个合并后的初始段,标记为待选段,设置最短采集时间,将待选段时间跨度大于最短采集时间的标记为采集时间段。
进一步地,设置初始段的方法包括:
根据管道分布图获取管网上方的道路分布图,获取道路分布图中各条道路前N天各时段的车流量信息,建立单位模型,将获取的前N天各时段的车流量信息输入到单位模型中,获得单位时间跨度,根据单位时间跨度将一天的时间划分为n份,n为正整数,计算每个单位时间跨度内的车流量,标记为Pi,i=1、2、……、n,设置允许车流量K,从n个单位时间跨度中任选一个Pi<K的单位时间跨度作为初始段。
进一步地,对转换的管道振动频谱进行修正,具体修正方法包括:
获取各个管道检测点处的管道信息,根据获得的管道信息设置模拟装置,当管道检测点开始采集管道振动加速度时,生成修正信号,将修正信号发送给模拟装置,当模拟装置接收到修正信号时,检测自身产生的模拟振动加速度,对检测的模拟振动加速度进行快速傅里叶变换,获得模拟振动频谱,建立修正模型,获取对应时间管道检测点采集的管道振动频谱,将管道振动频谱和对应的模拟振动频谱输入到修正模型中,获得对应的修正管道振动频谱。
进一步地,建立随机森林模型的方法包括:
根据供水管网状况设置5种状态标签,包括01、02、03、04和05,分别对应正常无漏损、存在漏损风险或轻微漏损、低漏损、中度漏损和严重漏损;采集大量的历史森林输入数据,为每组历史森林输入数据匹配对应的供水管网状态标签,将历史森林输入数据和对应的供水管网状态标签整合为训练集和校验集;
基于CNN网络或DNN网络建立初始随机森林模型,通过训练集对初始随机森林模型进行训练,将训练成功后的初始随机森林模型通过校验集进行校验,将校验成功的初始随机森林模型标记为随机森林模型。
与现有技术相比,本发明的有益效果是:
通过对供水管网采集的多源物理量水压、管道振动、管道环境温度和湿度信号进行特征分析,更加全面的对供水管网的漏损进行检测;通过对随机森林模型进行训练,实现对当前供水管网的状态分类,得出管道状态与特征之间的关系,方便根据不同的状态分类有针对性的对不同管道进行处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图;
图2为本发明正常管道振动加速度时间幅值图;
图3为本发明正常管道振动加速度频率能量图;
图4为本发明异常管道振动加速度时间幅值图;
图5为本发明异常管道振动加速度频率能量图。
具体实施方式
下面将结合实施例对本发明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。
如图1至图5所示,基于随机森林模型的供水管道状态监测方法,具体方法包括:
步骤一:获取管道分布图,根据获取的管道分布图设置若干个管道检测点;
步骤二:设置采集时间段,在采集时间段内通过管道检测点实时采集管道信息;管道信息包括管道压力、管道振动加速度、管道环境温度和湿度;
步骤三:对采集的管道振动加速度进行快速傅里叶变换,获得管道振动频谱,提取管道振动频谱中的频域特征,频域特征包括基波幅值、三次谐波幅值、频谱平均值、频谱标准差;
步骤四:建立随机森林模型,将管道压力、频域特征、管道环境温度和湿度整合为森林输入数据,将森林输入数据输入到随机森林模型中,获得对应的供水管网状况。
供水管网状况包括正常无漏损、存在漏损风险或轻微漏损、低漏损、中度漏损和严重漏损。
根据获取的管道分布图设置若干个管道检测点的方法包括:
识别管道分布图中各个管道的长度、尺寸和材质信息,建立管道检测点匹配表,将识别的管道尺寸和材质信息输入到管道检测点匹配表中进行匹配获得对应的检测装置;
获取当前管网中具备设置检测装置的管道区域,标记为安装区域,因为有的管道区域是不具备安装检测装置的,因此需要进行筛选,将安装区域标记在管道分布图中,获取检测装置的最佳检测范围区间,根据管道分布图中各个安装区域位置和检测装置的最佳检测范围区间确定检测装置的安装位置,将安装位置标记为管道检测点。
检测装置的最佳检测范围区间是根据检测装置的性能进行设置的,还可以由专家组根据实际管道情况进行调整。
根据管道分布图中各个安装区域位置和检测装置的最佳检测范围区间确定检测装置的安装位置的方式为:根据管道分布图中各个安装区域位置和检测装置的最佳检测范围区间,利用当前的数学算法即可得出不同的安装方案,再根据经济指标选择安装方案即可,从而确定安装位置。
建立管道检测点匹配表的方法包括:
获取具有的检测装置,检测装置为现有的可以检测本申请中需要采集的数据即可,采集各个检测装置适用的管道类型,标记为目标分类,获取管网中存在的管道尺寸和材质,根据获取的管道尺寸和材质与目标分类进行匹配,将管道打上对应的目标分类标签,将管道尺寸、材质和对应的目标分类标签整合到统计表中,将统计表标记为管道检测点匹配表。
设置采集时间段的方法包括:
步骤SA1:根据管道分布图获取管网上方的道路分布图,获取道路分布图中各条道路前N天各时段的车流量信息,其中N为正整数,具体数据由专家组根据实际的交通信息进行设置;建立单位模型,将获取的前N天各时段的车流量信息输入到单位模型中,获得单位时间跨度,根据单位时间跨度将一天的时间划分为n份,n为正整数,计算每个单位时间跨度内的车流量,标记为Pi,i=1、2、……、n,设置允许车流量K,从n个单位时间跨度中任选一个Pi<K的单位时间跨度作为初始段;
步骤SA2:获取初始段相邻的两个单位时间跨度内Pi的较小值,将对应的单位时间跨度标记为待合并段,计算初始段与待合并段合并后的车流量L,当L<K时,完成初始段与待合并段的合并,获得新的初始段;反之不进行合并,重新在剩余的单位时间跨度中任选一个Pi<K的单位时间跨度作为新的初始段;
步骤SA3:循环步骤SA2,直到所有的单位时间跨度均参与过与初始段的合并计算;
步骤SA4:获得若干个合并后的初始段,标记为待选段,设置最短采集时间,最短采集时间是根据管道检测点的数据采集能力进行设置的,将待选段时间跨度大于最短采集时间的标记为采集时间段。
单位模型是基于CNN网络或DNN网络进行建立,并获取大量的历史车流量信息,为获取的历史车流量信息设置对应的单位时间跨度,将历史车流量信息和对应的单位时间跨度整合为单位训练集,通过单位训练集进行训练。
在一个实施例中,对转换的管道振动频谱进行修正,具体修正方法包括:
获取各个管道检测点处的管道信息,管道信息包括型号、直径、材质等信息;根据获得的管道信息设置模拟装置,模拟装置是基于控制变量法设置的相当于对应没有震动时的管道装置,就是设置一个与对应管道工作条件相同的装置,用于检测车辆通过时的管道振动加速度,即为当没有车辆通过时,模拟装置是检测不到管道振动加速度的;当管道检测点开始采集管道振动加速度时,生成修正信号,将修正信号发送给模拟装置,当模拟装置接收到修正信号时,检测自身产生的模拟振动加速度,对检测的模拟振动加速度进行快速傅里叶变换,获得模拟振动频谱,建立修正模型,获取对应时间管道检测点采集的管道振动频谱,将管道振动频谱和对应的模拟振动频谱输入到修正模型中,获得对应的修正管道振动频谱。
修正模型是基于CNN网络或DNN网络进行建立,并获取大量的模拟振动频谱和对应的管道振动频谱,为模拟振动频谱和管道振动频谱设置对应的修正管道振动频谱,将模拟振动频谱、管道振动频谱和修正管道振动频谱整合为修正训练数据,通过修正训练数据进行训练。
对采集的管道振动加速度进行快速傅里叶变换,获得管道振动频谱的过程中计算频谱特征的方法包括:
引用香农定理,信息是用来消除随机不确定性的东西,对于机器学习中的决策树而言,如果带分类的事物集合可以划分为多个类别当中,则某个类(xi)的信息可以定义如下:
I(x)用来表示随机变量的信息,p(xi)指是当xi发生时的概率。
熵是用来度量不确定性的,当熵越大,X=xi的不确定性越大,反之越小。对于机器学习中的分类问题而言,熵越大即这个类别的不确定性更大,反之越小。
在一个实施例中,提取管道振动频谱中的频域特征可以采用现有的频域特征提取方法进行提取。
建立随机森林模型的方法包括:
根据供水管网状况设置5种状态标签,包括01、02、03、04和05,分别对应正常无漏损、存在漏损风险或轻微漏损、低漏损、中度漏损和严重漏损;采集大量的历史森林输入数据,为每组历史森林输入数据匹配对应的供水管网状态标签,将历史森林输入数据和对应的供水管网状态标签整合为训练集和校验集;
基于CNN网络或DNN网络建立初始随机森林模型,通过训练集对初始随机森林模型进行训练,将训练成功后的初始随机森林模型通过校验集进行校验,将校验成功的初始随机森林模型标记为随机森林模型。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:获取管道分布图,根据获取的管道分布图设置若干个管道检测点;设置采集时间段,在采集时间段内通过管道检测点实时采集管道信息;对采集的管道振动加速度进行快速傅里叶变换,获得管道振动频谱,提取管道振动频谱中的频域特征,建立随机森林模型,将管道压力、频域特征、管道环境温度和湿度整合为森林输入数据,将森林输入数据输入到随机森林模型中,获得对应的供水管网状况。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于随机森林模型的供水管道状态监测方法,其特征在于,具体方法包括:
步骤一:获取管道分布图,根据获取的管道分布图设置若干个管道检测点;
步骤二:设置采集时间段,在采集时间段内通过管道检测点实时采集管道信息;管道信息包括管道压力、管道振动加速度、管道环境温度和湿度;
步骤三:对采集的管道振动加速度进行快速傅里叶变换,获得管道振动频谱,提取管道振动频谱中的频域特征,频域特征包括基波幅值、三次谐波幅值、频谱平均值、频谱标准差;
步骤四:建立随机森林模型,将管道压力、频域特征、管道环境温度和湿度整合为森林输入数据,将森林输入数据输入到随机森林模型中,获得对应的供水管网状况。
2.根据权利要求1所述的基于随机森林模型的供水管道状态监测方法,其特征在于,供水管网状况包括正常无漏损、存在漏损风险或轻微漏损、低漏损、中度漏损和严重漏损。
3.根据权利要求1所述的基于随机森林模型的供水管道状态监测方法,其特征在于,根据获取的管道分布图设置若干个管道检测点的方法包括:
识别管道分布图中各个管道的长度、尺寸和材质信息,建立管道检测点匹配表,将识别的管道尺寸和材质信息输入到管道检测点匹配表中进行匹配获得对应的检测装置;
获取当前管网中具备设置检测装置的管道区域,标记为安装区域,将安装区域标记在管道分布图中,获取检测装置的最佳检测范围区间,根据管道分布图中各个安装区域位置和检测装置的最佳检测范围区间确定检测装置的安装位置,将安装位置标记为管道检测点。
4.根据权利要求3所述的基于随机森林模型的供水管道状态监测方法,其特征在于,建立管道检测点匹配表的方法包括:
获取具有的检测装置,采集各个检测装置适用的管道类型,标记为目标分类,获取管网中存在的管道尺寸和材质,根据获取的管道尺寸和材质与目标分类进行匹配,将管道打上对应的目标分类标签,将管道尺寸、材质和对应的目标分类标签整合到统计表中,将统计表标记为管道检测点匹配表。
5.根据权利要求1所述的基于随机森林模型的供水管道状态监测方法,其特征在于,设置采集时间段的方法包括:
步骤SA1:设置初始段;
步骤SA2:获取初始段相邻的两个单位时间跨度内Pi的较小值,将对应的单位时间跨度标记为待合并段,计算初始段与待合并段合并后的车流量L,当L<K时,完成初始段与待合并段的合并,获得新的初始段;反之不进行合并,重新在剩余的单位时间跨度中任选一个Pi<K的单位时间跨度作为新的初始段;
步骤SA3:循环步骤SA2,直到所有的单位时间跨度均参与过与初始段的合并计算;
步骤SA4:获得若干个合并后的初始段,标记为待选段,设置最短采集时间,将待选段时间跨度大于最短采集时间的标记为采集时间段。
6.根据权利要求5所述的基于随机森林模型的供水管道状态监测方法,其特征在于,设置初始段的方法包括:
根据管道分布图获取管网上方的道路分布图,获取道路分布图中各条道路前N天各时段的车流量信息,建立单位模型,将获取的前N天各时段的车流量信息输入到单位模型中,获得单位时间跨度,根据单位时间跨度将一天的时间划分为n份,n为正整数,计算每个单位时间跨度内的车流量,标记为Pi,i=1、2、……、n,设置允许车流量K,从n个单位时间跨度中任选一个Pi<K的单位时间跨度作为初始段。
7.根据权利要求1所述的基于随机森林模型的供水管道状态监测方法,其特征在于,对转换的管道振动频谱进行修正,具体修正方法包括:
获取各个管道检测点处的管道信息,根据获得的管道信息设置模拟装置,当管道检测点开始采集管道振动加速度时,生成修正信号,将修正信号发送给模拟装置,当模拟装置接收到修正信号时,检测自身产生的模拟振动加速度,对检测的模拟振动加速度进行快速傅里叶变换,获得模拟振动频谱,建立修正模型,获取对应时间管道检测点采集的管道振动频谱,将管道振动频谱和对应的模拟振动频谱输入到修正模型中,获得对应的修正管道振动频谱。
8.根据权利要求1所述的基于随机森林模型的供水管道状态监测方法,其特征在于,建立随机森林模型的方法包括:
根据供水管网状况设置5种状态标签,包括01、02、03、04和05,分别对应正常无漏损、存在漏损风险或轻微漏损、低漏损、中度漏损和严重漏损;采集大量的历史森林输入数据,为每组历史森林输入数据匹配对应的供水管网状态标签,将历史森林输入数据和对应的供水管网状态标签整合为训练集和校验集;
基于CNN网络或DNN网络建立初始随机森林模型,通过训练集对初始随机森林模型进行训练,将训练成功后的初始随机森林模型通过校验集进行校验,将校验成功的初始随机森林模型标记为随机森林模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210061890.1A CN114370612B (zh) | 2022-01-19 | 2022-01-19 | 基于随机森林模型的供水管道状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210061890.1A CN114370612B (zh) | 2022-01-19 | 2022-01-19 | 基于随机森林模型的供水管道状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114370612A true CN114370612A (zh) | 2022-04-19 |
CN114370612B CN114370612B (zh) | 2022-10-14 |
Family
ID=81145157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210061890.1A Active CN114370612B (zh) | 2022-01-19 | 2022-01-19 | 基于随机森林模型的供水管道状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114370612B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382100A (zh) * | 2023-06-05 | 2023-07-04 | 中特检管道工程(北京)有限公司 | 一种油气管道检测控制系统及控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678481A (zh) * | 2016-03-25 | 2016-06-15 | 清华大学 | 一种基于随机森林模型的管线健康状态评估方法 |
CN109034641A (zh) * | 2018-08-10 | 2018-12-18 | 中国石油大学(北京) | 管道缺陷预测方法及装置 |
CN111520615A (zh) * | 2020-04-28 | 2020-08-11 | 清华大学 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
CN111538297A (zh) * | 2020-03-17 | 2020-08-14 | 衢州学院 | 一种基于web的交互式三维可视化平台 |
CN111853555A (zh) * | 2020-07-07 | 2020-10-30 | 杭州电子科技大学 | 一种基于动态过程的供水管网暗漏识别方法 |
CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
CN113446519A (zh) * | 2021-09-01 | 2021-09-28 | 蘑菇物联技术(深圳)有限公司 | 用于确定管网泄漏程度的方法、电子设备和存储介质 |
CN113705609A (zh) * | 2021-07-26 | 2021-11-26 | 天津中油能源科技股份有限公司 | 一种油气管道风险判定模型的构建方法和装置 |
-
2022
- 2022-01-19 CN CN202210061890.1A patent/CN114370612B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678481A (zh) * | 2016-03-25 | 2016-06-15 | 清华大学 | 一种基于随机森林模型的管线健康状态评估方法 |
CN109034641A (zh) * | 2018-08-10 | 2018-12-18 | 中国石油大学(北京) | 管道缺陷预测方法及装置 |
CN111538297A (zh) * | 2020-03-17 | 2020-08-14 | 衢州学院 | 一种基于web的交互式三维可视化平台 |
CN111520615A (zh) * | 2020-04-28 | 2020-08-11 | 清华大学 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
CN111853555A (zh) * | 2020-07-07 | 2020-10-30 | 杭州电子科技大学 | 一种基于动态过程的供水管网暗漏识别方法 |
CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
CN113705609A (zh) * | 2021-07-26 | 2021-11-26 | 天津中油能源科技股份有限公司 | 一种油气管道风险判定模型的构建方法和装置 |
CN113446519A (zh) * | 2021-09-01 | 2021-09-28 | 蘑菇物联技术(深圳)有限公司 | 用于确定管网泄漏程度的方法、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382100A (zh) * | 2023-06-05 | 2023-07-04 | 中特检管道工程(北京)有限公司 | 一种油气管道检测控制系统及控制方法 |
CN116382100B (zh) * | 2023-06-05 | 2023-08-01 | 中特检管道工程(北京)有限公司 | 一种油气管道检测控制系统及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114370612B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105241660B (zh) | 基于健康监测数据的高铁大型桥梁性能测试方法 | |
CN105182450B (zh) | 一种强对流天气短时预警系统 | |
CN104240455B (zh) | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 | |
CN113935439B (zh) | 排水管网的故障检测方法、设备、服务器及存储介质 | |
CN109379379A (zh) | 基于改进卷积神经网络的网络入侵检测方法 | |
CN110837866A (zh) | 基于XGBoost的电力二次设备缺陷程度评估方法 | |
CN107480705A (zh) | 一种自来水管漏水检测方法 | |
CN113538861B (zh) | 基于矿产地质勘查的地质灾害信息管理系统 | |
CN109213121A (zh) | 一种风机制动系统卡缸故障诊断方法 | |
CN110261746B (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
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 | |
CN114370612B (zh) | 基于随机森林模型的供水管道状态监测方法 | |
CN113340353B (zh) | 一种输电线路的监测方法、设备及介质 | |
CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
CN114519926A (zh) | 基于物联网的环保监测用仪表智能控制系统 | |
Wumaier et al. | Short-term forecasting method for dynamic traffic flow based on stochastic forest algorithm | |
Zhang et al. | Real-time burst detection based on multiple features of pressure data | |
CN104964736B (zh) | 基于时频特性最大期望分类的光纤入侵振源识别方法 | |
CN117368651A (zh) | 一种配电网故障综合分析系统及方法 | |
AU2021413008A1 (en) | Train compartment vibration monitoring method, vibration signal feature library establishment method and vibration signal feature library application method | |
CN115204688A (zh) | 排水系统健康性综合评价方法 | |
Mingyue et al. | A pipeline blockage identification model learning from unbalanced datasets based on random forest | |
CN101923605B (zh) | 铁路防灾风预警方法 |
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 |