CN114413184B - 一种智能管道、智能管道管理系统及其测漏方法 - Google Patents
一种智能管道、智能管道管理系统及其测漏方法 Download PDFInfo
- Publication number
- CN114413184B CN114413184B CN202111662732.3A CN202111662732A CN114413184B CN 114413184 B CN114413184 B CN 114413184B CN 202111662732 A CN202111662732 A CN 202111662732A CN 114413184 B CN114413184 B CN 114413184B
- Authority
- CN
- China
- Prior art keywords
- layer
- hydraulic
- pipeline
- flow
- pipe
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000012806 monitoring device Methods 0.000 claims abstract description 27
- 239000010410 layer Substances 0.000 claims description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 45
- 238000010248 power generation Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 11
- 239000011241 protective layer Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 7
- 238000009530 blood pressure measurement Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 239000003989 dielectric material Substances 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000012530 fluid Substances 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 229920000642 polymer Polymers 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 229910013641 LiNbO 3 Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/18—Arrangements for supervising or controlling working operations for measuring the quantity of conveyed product
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Pipeline Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供一种智能管道、智能管道管理系统及其测漏方法，智能管道包括：管道本体和水力参数监测装置。水力参数监测装置设置于所述管道本体上，所述水力参数监测装置包括流量计和压力计。管理系统的云服务和所述水力参数监测装置数据连接。本申请的智能管道能够监测水力参数，并上传至云服务器，通过云服务器实时分析管道本体状态，判断管道本体是否发生泄漏，解决了现有地下管线运行状态的实时在线监测能力不足，缺乏全方位监测的问题。
Description
技术领域
本发明涉及地下管线技术领域，尤其涉及一种智能管道、智能管道管理系统及其测漏方法。
背景技术
目前城市管线数据管理缺失，由于缺少有效的监测手段，地下管线的管理工作存在较大困难，市政管理部门无法掌握地下管线的实时运行状态，不能对漏水、漏气等事故实施主动监测，只能被动地对地下管线事故做出反应。目前，地下管线运行状态的实时在线监测能力不足、缺乏全方位的监测机制问题逐渐凸显，急需采用信息化手段集合物联网技术，加强地下管线管理的规范化。
有鉴于此，特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种智能管道、智能管道管理系统及其测漏方法，能够实时监测管道本体状态，解决了现有地下管线运行状态的实时在线监测能力不足、缺乏全方位监测的问题。
为实现上述发明目的，本申请提供如下技术方案：
本申请第一目的在于提供一种智能管道，包括：
管道本体；
水力参数监测装置，所述水力参数监测装置设置于所述管道本体上，所述水力参数监测装置包括流量计和压力计。
可选的，所述管道本体由内至外依次设置内绝缘保护层、电路层和外绝缘保护层；
所述流量计包括流量测量电路，所述压力计包括压力测量电路，所述流量测量电路和所述压力测量电路均设置于所述电路层。
可选的，所述管道本体还包括设置于所述外绝缘保护层和电路层之间的修复层，所述修复层内填充有自修复材料。
可选的，智能管道还包括设置于所述管道本体上的电池模块和水流发电模块，水流发电模块部分延伸至所述管道本体的水流通通道内，所述发电模块和所述水力参数监测装置均电连接于所述电池模块。
可选的，智能管道还包括多个设置于所述管道本体上的RFID定位识别芯片，各所述RFID定位识别芯片沿所述管道本体的长度方向依次设置。
可选的，智能管道还包括主控模块和无线通信模块，主控模块分别电连接所述水力参数监测装置和无线通信模块。
本申请第二目的在于提供一种智能管道管理系统，包括：
上述的智能管道；
云服务器，所述云服务与所述水力参数监测装置通信连接，所述云服务器具有水力模型系统，所述水力模型系统用于根据水力参数监测装置检测的水力参数进行模型训练和/或判断管道是否漏水。
本申请第三目的在于提供智能管道管理系统的测漏方法，包括：
云服务器建立水力模型；
云服务器实时获取水力参数监测装置检测的水力参数；
云服务器将所述水力参数输入所述水力模型进行模型训练和/或判断管道本体是否漏水。
可选的，所述水力模型具有节点流量方程组、管段压降方程组和漏损点模型；
节点流量方程如下：
其中，qi为节点j关联管段流量，Qj为节点流量；
节点流量方程组如下：
其中，A为管网关联矩阵，q为管段流量列向量，Q为节点流量列向量；
管段压降方程如下：
其中，Fi为起点集合，Ti为终点集合，M为管段总数；
管段压降方程组如下：
漏损点模型如下：
其中，μ为空口流量系数，QL为漏损流量，AL为漏损面积，g为重力加速度，HL为漏损点水压；
云服务器根据漏损点模型的漏损流量QL判断是否漏水。
可选的，测漏方法还包括确定管道本体漏点位置的步骤：在管道本体两端连接声波测漏仪，通过分析声波在智能管道中的传播状态得出漏点的位置。
通过采用上述技术方案，使得本发明具有以下有益效果：
本申请的智能管道能够监测水力参数，并上传至云服务器，通过云服务器实时分析管道本体状态，判断管道本体是否发生泄漏，解决了现有地下管线运行状态的实时在线监测能力不足，缺乏全方位监测的问题。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本申请的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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附图。在附图中：
图1为智能管道管理系统工作示意图；
图2为智能管道管理系统的管道本体的截面图；
图3为智能管道的水力模型图；
图4为智能管道管理系统深度学习模型图；
图5为智能管道管理系统漏点定位检测图。
图中，1、管道本体；11、外绝缘保护层；12、修复层；13、电路层；14、内绝缘保护层；15、水流通道；2、水流发电模块；3、无线通信模块；4、流量计；5、主控模块；6、压力计；7、RFID定位识别芯片；8、云服务器。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，需要说明的是，术语本上”、“下”、本内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、装连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例一
参见图1和图2所示，本申请实施例一提供一种智能管道，包括：管道本体1和水力参数监测装置。水力参数监测装置设置于所述管道本体1上，所述水力参数监测装置包括流量计4和压力计6。本申请的智能管道能够监测水力参数，并上传至云服务器，通过云服务器实时分析管道本体状态，判断管道本体是否发生泄漏，解决了现有地下管线运行状态的实时在线监测能力不足，缺乏全方位监测的问题。
参见图2所示，所述管道本体1由内至外依次设置内绝缘保护层14、电路层13和外绝缘保护层11。所述流量计4包括流量测量电路，所述压力计6包括压力测量电路，所述流量测量电路和所述压力测量电路均设置于所述电路层13。
参见图2所示，所述管道本体1还包括设置于所述外绝缘保护层11和电路层13之间的修复层12，所述修复层12内填充有自修复材料。自修复材料采用新型高分子自修复材料，管道本体生产时注入到电路层13和外绝缘保护层11中，一旦管壁开裂自恢复材料就会释放出来，与水产生化学反应，固化后即可修复裂纹。
参见图1所示，在一种可能的实施方案中，智能管道还包括设置于所述管道本体1上的电池模块和水流发电模块2，水流发电模块2部分延伸至所述管道本体1的水流通道15内，所述水流发电模块2和所述水力参数监测装置均电连接于所述电池模块。水流发电模块2用于给智能管道的所有用电设备供电，采用水流发电的原理，输出电压为0-20V，输出电流0-150mA，压力范围0.15-1.5MPA，产生的电量存储到3000毫安时锂电池组中。
压力计6可以采用压电式压力传感器，原理基于压电效应。压电效应是某些电介质在沿一定方向上受到外力的作用而变形时，其内部会产生极化现象，同时在它的两个相对表面上出现正负相反的电荷。当外力去掉后，它又会恢复到不带电的状态，这种现象称为正压电效应。当作用力的方向改变时，电荷的极性也随之改变。相反，当在电介质的极化方向上施加电场，这些电介质也会发生变形，电场去掉后，电介质的变形随之消失，这种现象称为逆压电效应。压电式压力传感器的种类和型号繁多，按弹性敏感元件和受力机构的形式可分为膜片式和活塞式两类。膜片式主要由本体、膜片和压电元件组成。压电元件支撑于本体上，由膜片将被测压力传递给压电元件，再由压电元件输出与被测压力成一定关系的电信号。这种传感器的特点是体积小、动态特性好、耐高温等。本申请中压电元件的压电材料选用压电单晶体YZ-LiNbO3。
流量计4采用电磁感应原理，根据导电流体通过外加磁场时感生的电动势来测量导电流体流量。其结构主要由磁路系统、测量导管、电极、外壳、衬里和转换器等部分组成。磁路系统用来产生均匀的直流或交流磁场，测量导管作用是让被测导电性液体通过。电极用来引出和被测量成正比的感应电势信号，外壳用铁磁材料制成，是励磁线圈的外罩，并隔离外磁场的干扰。衬里用来增加测量导管的耐腐蚀性，防止感应电势被金属测量导管管壁短路。转换器作用就是将感应电势信号放大并转换成统一的标准信号并抑制主要的干扰信号。其任务是把电极检测到的感应电势信号Ex经放大转换成统一的标准直流信号。
在一种可能的实施方案中，智能管道还包括多个设置于所述管道本体1上的RFID定位识别芯片7，各所述RFID定位识别芯片7沿所述管道本体的长度方向依次设置。
RFID定位识别芯片7被集成到电路层13中，每隔20米放置一片。RFID定位识别芯片7存储了管道本体的基本信息。智能管道被埋到地下后，在地面上使用探测仪可以探测到芯片位置并读取到存储信息，进而实现对智能管道的精确定位。
参见图1所示，在一种可能的实施方案中，智能管道还包括主控模块5和无线通信模块3，主控模块5分别电连接所述水力参数监测装置和无线通信模块3，所述无线通信模块3能与管理系统的云服务器8通信连接，以上传数据。
如图1所示：智能管道可以用作城市地下管线中的供水管线，管道本体一般埋深在0-4米。实际工作时，水流通过水流发电模块2时，水流发电模块2通过水流发电的原理将产生的电能存储到3000毫安时锂电池组中，为整个管道本体供电。主控模块5可以采用低功耗的MCU芯片，主要用于采集压力计6的压力数据和流量计4的流量数据，然后通过无线通信模块3发送到云服务器8。压力计6可以采用压电式压力传感器，原理基于压电效应，当有水流流过时，能将压力转成电信号，进而得到压力值。流量计4采用应用电磁感应原理，根据导电流体通过外加磁场时感生的电动势来测量导电流体流量。RFID定位识别芯片7被集成到电路层13中，每隔20米放置一片。RFID定位识别芯片7存储了管道本体1的基本信息。智能管道被埋到地下后，在地面上使用探测仪可以探测到RFID定位识别芯片7位置并读取到存储信息(管材、管径、建设年代等)，进而实现对智能管道的精确定位。
图2是智能管道的管道本体的剖视图，管道本体一共有四层，依次为外绝缘保护层11、修复层12、电路层13、内绝缘保护层14。管道本体1的内外两层分别是内绝缘保护层14和外绝缘保护层11，起保护作用，同时确保管道本体耐腐蚀和耐高温。修复层12中填充的是新型高分子自修复材料，管道本体生产时注入到电路层13和外绝缘层保护层中，一旦管壁开裂自恢复材料就会释放出来，与水产生化学反应，固化后即可修复裂纹。电路层13中集成了智能管道用到的所有电路，包括压力测量电路、流量测量电路、RFID芯片电路和声波测漏电路。声波测漏电路用于连接声波测漏仪，以进行管道本体漏点位置的检测。
实施例二
参见图1所示，本申请实施二提供一种智能管道管理系统，包括云服务器8和上述实施例一中的智能管道。智能管道包括：管道本体1和水力参数监测装置。水力参数监测装置设置于所述管道本体1上，所述水力参数监测装置包括流量计4和压力计6。云服务器8和所述水力参数监测装置数据连接，所述云服务器8具有水力模型系统，所述水力模型系统用于根据水力参数监测装置检测的水力参数进行模型训练和/或判断管道本体是否漏水。
本申请的智能管道管理系统可构建水力模型，实时监测管道本体状态，通过深度学习算法判断管道本体是否发生泄漏，解决了现有地下管线运行状态的实时在线监测能力不足、缺乏全方位监测的问题。
其中，智能管道包括主控模块和无线通信模块，主控模块分别电连接所述水力参数监测装置和无线通信模块，无线通信模块则与云服务器8通信连接，以上传水力参数监测装置检测的水力参数。
实施例三
参见图3至图5所示，本申请实施例提供供上述实施例二中智能管道管理系统的测漏方法，包括：
云服务器建立水力模型；
云服务器实时获取水力参数监测装置检测的水力参数；
云服务器将所述水力参数输入所述水力模型进行模型训练和/或判断管道本体是否漏水。
智能管道水力模型拓扑图如图3所示，管道本体的水力模型可以用管网水力学基本方程组来表示，管网水力学基本方程组包括节点流量方程组和管段压降方程组。
对于节点流量方程组，节点流量守恒，即流入节点的流量之和应等于流出节点的流量之和；设定流量以流入节点为负、流出节点为正，按节点关联管段设定方向来定。节点流量方程：
其中，qi为节点j关联管段流量，Qj为节点流量；
管网节点流量方程组如下：
其中，A为管网关联矩阵，q为管段流量列向量，Q为节点流量列向量。
对于管段压降方程组，管段能量守恒，任意管段两端节点水头差应等于该管段压降。设定管段水头差以起点水头-终点水头，按管段设定方向来定。管段压降方程：
其中，Fi为起点集合，Ti为终点集合，M为管段总数；
管段压降方程组如下：
人工神经网络是采用计算机来模拟生物神经网络的结构和功能，由大量神经元构成的并行分布式系统。人工神经网络与供水管网在结构上有许多相似之处，两者都是由各个内部单元通过并联或串联形成一个相互制约的整体网络结构，通过调整系统内部各个“神经元”之间的相互作用可以达到系统输入变量和输出变量之间的最优化或平衡，因此，人工神经网络理论可用于供水管网水力模型的数值模拟。如图4所示，第一层和最后一层节点的输入输出为简单的线性关系，利用节点水量平衡方程和供水管网水量守恒关系保证各个节点和整个供水管网量守恒。
管线泄漏时，漏损点可建立数学模型，公式为：
其中，μ为空口流量系数，QL为漏损流量，AL为漏损面积，g为重力加速度，HL为漏损点水压；通过测量漏损流量的大小可推算出漏点的大小。
智能管道管理系统根据漏损点模型的漏损流量QL判断是否漏水。例如，判断漏损流量QL是否在超过设定阈值，若是，则判断管道本体存在漏水，否则判断管道本体不漏水。
智能管道实际工作时，实时监测管道本体的流量、压力等信息，并建立管网的水力模型，通过人工神经网络算法进行深度学习。通过大量基础数据的积累，组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。采用自下上升的非监督学习模式，就是从底层开始，一层一层地往顶层训练。采用无标定数据(有标定数据也可)分层训练各层参数，这一步可以看作是一个无监督训练过程，这也是和传统神经网络区别最大的部分，可以看作是特征学习过程。具体的，先用无标定数据训练第一层，训练时先学习第一层的参数，这层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层，由于模型容量的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到n-l层后，将n-l层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。最终建立管理管道本体各种状态的专家系统，使智能管道具有强大的分析处理能力。
测漏方法还包括确定管道本体漏点位置的步骤：在管道本体两端连接声波测漏仪，通过分析声波在智能管道中的传播状态得出漏点的位置。当智能管道发生大的泄漏时，在管道本体两端连接声波测漏仪，通过分析声波在到智能管道中的传播情况得出漏点的位置，如图5所示，98.5米的管道本体，声波信号在传输到距左边49.37米的地方发生了突变，这说明智能管道在距左边49.37米的地方有一个漏点，精确定位漏点的位置。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。
Claims (7)
1.一种智能管道管理系统的测漏方法，其特征在于，包括使用智能管道管理系统，所述智能管道管理系统包括：
智能管道，所述智能管道包括管道本体、水力参数监测装置，所述水力参数监测装置设置于所述管道本体上，所述水力参数监测装置包括流量计和压力计；
云服务器，所述云服务与所述水力参数监测装置通信连接，所述云服务器具有水力模型系统，所述水力模型系统用于根据水力参数监测装置检测的水力参数进行模型训练和/或判断管道是否漏水；
所述智能管道管理系统的测漏方法包括：
云服务器建立水力模型；
云服务器实时获取水力参数监测装置检测的水力参数；
云服务器将所述水力参数输入所述水力模型进行模型训练和/或判断管道本体是否漏水；
所述水力模型具有节点流量方程组、管段压降方程组和漏损点模型；
节点流量方程如下：
其中，qi为节点j关联管段流量，Qj为节点流量；
节点流量方程组如下：
其中，A为管网关联矩阵，q为管段流量列向量，Q为节点流量列向量；
管段压降方程如下：
其中，Fi为起点集合，Ti为终点集合，M为管段总数；
管段压降方程组如下：
漏损点模型如下：
其中，μ为空口流量系数，QL为漏损流量，AL为漏损面积，g为重力加速度，HL为漏损点水压；
云服务器根据漏损点模型的漏损流量QL判断是否漏水；
其中，云服务器将所述水力参数输入所述水力模型进行模型训练和/或判断管道本体是否漏水的步骤包括：
利用无标定数据分层训练各层参数，进行特征学习；
针对每一层，先用无标定数据训练该层参数，得到使得输出和输入差别最小的三层神经网络的隐层结构；
在学习得到第n-l层后，将其输出作为第n层的输入，继续训练第n层，依此类推，逐层训练各层参数；
利用训练得到的参数，根据漏损点模型的漏损流量QL进行漏水判断。
2.根据权利要求1所述的测漏方法，其特征在于，还包括确定管道本体漏点位置的步骤：在管道本体两端连接声波测漏仪，通过分析声波在智能管道中的传播状态得出漏点的位置。
3.根据权利要求1所述的测漏方法，其特征在于，所述管道本体由内至外依次设置内绝缘保护层、电路层和外绝缘保护层；
所述流量计包括流量测量电路，所述压力计包括压力测量电路，所述流量测量电路和所述压力测量电路均设置于所述电路层。
4.根据权利要求3所述的测漏方法，其特征在于，所述管道本体还包括设置于所述外绝缘保护层和电路层之间的修复层，所述修复层内填充有自修复材料。
5.根据权利要求1所述的测漏方法，其特征在于，还包括设置于所述管道本体上的电池模块和水流发电模块，水流发电模块部分延伸至所述管道本体的水流通通道内，所述发电模块和所述水力参数监测装置均电连接于所述电池模块。
6.根据权利要求1所述的测漏方法，其特征在于，还包括多个设置于所述管道本体上的RFID定位识别芯片，各所述RFID定位识别芯片沿所述管道本体的长度方向依次设置。
7.根据权利要求1所述的测漏方法，其特征在于，还包括主控模块和无线通信模块，主控模块分别电连接所述水力参数监测装置和无线通信模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111662732.3A CN114413184B (zh) | 2021-12-31 | 2021-12-31 | 一种智能管道、智能管道管理系统及其测漏方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111662732.3A CN114413184B (zh) | 2021-12-31 | 2021-12-31 | 一种智能管道、智能管道管理系统及其测漏方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114413184A CN114413184A (zh) | 2022-04-29 |
| CN114413184B true CN114413184B (zh) | 2024-01-02 |
Family
ID=81270875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111662732.3A Active CN114413184B (zh) | 2021-12-31 | 2021-12-31 | 一种智能管道、智能管道管理系统及其测漏方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114413184B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115111537B (zh) * | 2022-08-24 | 2022-11-18 | 北京云庐科技有限公司 | 用于确定燃气管网中泄漏点的位置的方法、装置和介质 |
| CN117072887A (zh) * | 2023-08-21 | 2023-11-17 | 四川吉石科技有限公司 | 一种污水管路监测系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104099053A (zh) * | 2013-04-10 | 2014-10-15 | 张一平 | 用于管道补漏和电缆修补及防护的可固化胶带 |
| CN107588329A (zh) * | 2017-08-25 | 2018-01-16 | 浙江钛合仪器有限公司 | 一种自来水管道实时监测系统 |
| CN109340583A (zh) * | 2018-11-23 | 2019-02-15 | 北京京能未来燃气热电有限公司 | 供热管网泄漏监测系统及方法 |
| CN111143992A (zh) * | 2019-12-25 | 2020-05-12 | 深圳市东深电子股份有限公司 | 一种供水管网水龄监测系统及方法 |
| CN112050019A (zh) * | 2020-09-24 | 2020-12-08 | 宁波华成阀门有限公司 | 一种具有警示功能的自修复型阀门 |
| CN112097126A (zh) * | 2020-09-18 | 2020-12-18 | 同济大学 | 一种基于深度神经网络的供水管网爆管管道精确识别方法 |
| CN112179584A (zh) * | 2020-09-23 | 2021-01-05 | 上海城市水资源开发利用国家工程中心有限公司 | 一种供水管道检漏设备的验证平台 |
| CN112565427A (zh) * | 2020-12-07 | 2021-03-26 | 北京无线电计量测试研究所 | 一种可透视智能管线巡检方法及系统 |
| CN112610903A (zh) * | 2020-12-10 | 2021-04-06 | 合肥学院 | 一种基于深度神经网络模型的给水管网泄漏定位方法 |
| CN112862063A (zh) * | 2020-12-31 | 2021-05-28 | 珠海横琴能源发展有限公司 | 一种基于深度信念网络的复杂管网泄漏定位方法 |
| CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
| CN113112126A (zh) * | 2021-03-22 | 2021-07-13 | 浙江和达科技股份有限公司 | 基于人工智能的供水管漏损预警方法及系统 |
| CN213872242U (zh) * | 2020-11-09 | 2021-08-03 | 马鞍山钢铁股份有限公司 | 一种漏点检测装置及装有漏点检测装置的供水管网 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3109042A1 (en) * | 2018-08-09 | 2020-02-13 | Tyler Randall Reece | Leak detection with artificial intelligence |
-
2021
- 2021-12-31 CN CN202111662732.3A patent/CN114413184B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104099053A (zh) * | 2013-04-10 | 2014-10-15 | 张一平 | 用于管道补漏和电缆修补及防护的可固化胶带 |
| CN107588329A (zh) * | 2017-08-25 | 2018-01-16 | 浙江钛合仪器有限公司 | 一种自来水管道实时监测系统 |
| CN109340583A (zh) * | 2018-11-23 | 2019-02-15 | 北京京能未来燃气热电有限公司 | 供热管网泄漏监测系统及方法 |
| CN111143992A (zh) * | 2019-12-25 | 2020-05-12 | 深圳市东深电子股份有限公司 | 一种供水管网水龄监测系统及方法 |
| CN112097126A (zh) * | 2020-09-18 | 2020-12-18 | 同济大学 | 一种基于深度神经网络的供水管网爆管管道精确识别方法 |
| CN112179584A (zh) * | 2020-09-23 | 2021-01-05 | 上海城市水资源开发利用国家工程中心有限公司 | 一种供水管道检漏设备的验证平台 |
| CN112050019A (zh) * | 2020-09-24 | 2020-12-08 | 宁波华成阀门有限公司 | 一种具有警示功能的自修复型阀门 |
| CN213872242U (zh) * | 2020-11-09 | 2021-08-03 | 马鞍山钢铁股份有限公司 | 一种漏点检测装置及装有漏点检测装置的供水管网 |
| CN112565427A (zh) * | 2020-12-07 | 2021-03-26 | 北京无线电计量测试研究所 | 一种可透视智能管线巡检方法及系统 |
| CN112610903A (zh) * | 2020-12-10 | 2021-04-06 | 合肥学院 | 一种基于深度神经网络模型的给水管网泄漏定位方法 |
| CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
| CN112862063A (zh) * | 2020-12-31 | 2021-05-28 | 珠海横琴能源发展有限公司 | 一种基于深度信念网络的复杂管网泄漏定位方法 |
| CN113112126A (zh) * | 2021-03-22 | 2021-07-13 | 浙江和达科技股份有限公司 | 基于人工智能的供水管漏损预警方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 《基于流量和压力数据分析的城市供水管网漏损定位研究》;吴杰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第第07期期);正文第038-557页 * |
| BP神经网络在管网漏失方面的应用;张晓云;吕谋;;环保科技(第06期);全文 * |
| 供水管网监测系统的设计与实现;高小伟;于莉楠;黎维彬;李铁军;;办公自动化(第S1期);全文 * |
| 城镇供水管网漏损控制技术探讨与展望;李蒲剑;高金良;张怀宇;张天天;;给水排水(第06期);全文 * |
| 银川市供水管网水力数学模型的建立及应用;张颖;;宁夏工程技术(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114413184A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114413184B (zh) | 一种智能管道、智能管道管理系统及其测漏方法 | |
| CN101761780B (zh) | 输气管道泄漏检测定位装置及其检测定位方法 | |
| CN107420743B (zh) | 一种智能城市燃气pe管网测控系统及测控方法 | |
| CN109555979A (zh) | 一种供水管网漏损监测方法 | |
| CN103939089B (zh) | 示踪器、包括该示踪器的钻井设备及使用方法 | |
| CN110231111A (zh) | 一种埋地管道非接触式应力实时监测方法 | |
| CN110749541B (zh) | 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 | |
| CN206740585U (zh) | 一种模拟高温高压地层的岩心自吸评价装置 | |
| CN203023812U (zh) | 一种基于无线传感网络的输油管道泄漏监测系统 | |
| CN101750136A (zh) | 一种基于管内磁场仿真数值计算的电磁流量计干标定方法 | |
| CN103575502A (zh) | 一种仿生射流表面流体摩擦阻力测试装置及减阻效果评价方法 | |
| CN107013812A (zh) | 一种三场耦合管道泄漏监测方法 | |
| CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
| CN107782785A (zh) | 一种地下管线安全性评估方法 | |
| CN109557126B (zh) | 一种土壤热物性参数和渗流参数的测量装置 | |
| Ai et al. | The use of shape accel array for deformation monitoring and parameter inversion of a 300 m ultrahigh rockfill dam | |
| Fu et al. | Cloud-based pipe corrosion monitoring using electromechanical impedance instrumented piezoelectric ring sensor | |
| CN211013961U (zh) | 地铁杂散电流腐蚀动态模拟实验系统 | |
| CN105874305A (zh) | 操作测量装置的方法 | |
| CN104458108B (zh) | 一种强磁场下液态金属管道流磁流体压降测量方法 | |
| CN103674310B (zh) | 一种基于油管表面温度测量的油温测量方法 | |
| CN104614438B (zh) | 一种智能排水管道裂缝监测系统及监测方法 | |
| CN209841608U (zh) | 基于磁致伸缩位移传感器灌溉水粘滞系数检测装置 | |
| CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
| CN106643871A (zh) | 一种疏水阀泄漏检测模块 |
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 |