CN114510994A - 城市地下燃气泄漏识别模型的训练方法及装置 - Google Patents
城市地下燃气泄漏识别模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114510994A CN114510994A CN202111642977.XA CN202111642977A CN114510994A CN 114510994 A CN114510994 A CN 114510994A CN 202111642977 A CN202111642977 A CN 202111642977A CN 114510994 A CN114510994 A CN 114510994A
- Authority
- CN
- China
- Prior art keywords
- methane concentration
- sequence
- real
- gas leakage
- target
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本公开提出一种城市地下燃气泄漏识别模型的训练方法、装置、电子设备及存储介质,其中方法包括:基于获取的待标注的第一甲烷浓度序列,确定出甲烷浓度发生异常变化时对应的目标段甲烷浓度序列,以对目标段甲烷浓度序列进行特征提取,得到甲烷浓度变化特征,再从真实燃气泄漏案例库中,匹配对应的目标真实甲烷浓度序列,并确定目标段甲烷浓度序列的标签数据,以将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库并对燃气泄漏识别模型进行训练,由此,基于目标段真实甲烷浓度序列以及对应的标签数据,以训练燃气泄漏识别模型,提高了对燃气泄漏的识别精度,扩充了真实燃气泄漏案例库的标签,同时降低了人工标注的成本。
Description
技术领域
本公开涉及人工智能物联网领域与燃气安全领域,尤其涉及一种城市地下燃气泄漏识别模型的训练方法、装置、电子设备及存储介质。
背景技术
目前,地下燃气管网仍是城市重要组成部分,对城市燃气的智能监控至关重要。相关技术中,通过分析甲烷浓度与温度的相关性来识别燃气是否泄漏,例如,甲烷浓度与温度的相关系数,但该方法会出现大量误报和漏报。
发明内容
本公开的目的旨在至少在一定程度上解决上述技术问题之一。
为此,本公开的第一个目的在于提出一种城市地下燃气泄漏识别模型的训练方法,基于获取的待标注的第一甲烷浓度序列,确定出甲烷浓度发生异常变化时对应的目标段甲烷浓度序列,以对目标段甲烷浓度序列进行特征提取,得到甲烷浓度变化特征,再从真实燃气泄漏案例库中,匹配对应的目标真实甲烷浓度序列,并确定目标段甲烷浓度序列的标签数据,以将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库并对燃气泄漏识别模型进行训练,由此,基于目标段真实甲烷浓度序列以及对应的标签数据,以训练燃气泄漏识别模型,提高了对燃气泄漏的识别精度,扩充了真实燃气泄漏案例库的标签,同时降低了人工标注的成本。
本公开的第二个目的在于提出一种城市地下燃气泄漏识别模型的训练装置。
本公开的第三个目的在于提出一种电子设备。
本公开的第四个目的在于提出一种计算机可读存储介质。
本公开的第五个目标在于提出一种计算机程序产品。
为达上述目的,本公开第一方面实施例提出了一种城市地下燃气泄漏识别模型的训练方法,包括:从时序数据库中,获取待标注的第一甲烷浓度序列;从所述第一甲烷浓度序列中,确定出甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列;对所述目标段甲烷浓度序列进行特征提取,以得到甲烷浓度变化特征;从真实燃气泄漏案例库中,获取与所述甲烷浓度变化特征匹配的目标真实甲烷浓度序列;将所述目标真实甲烷浓度序列所对应的燃气泄漏标签作为所述目标段甲烷浓度序列的标签数据;将所述目标段甲烷浓度序列以及对应的标签数据添加到所述真实燃气泄漏案例库,以得到更新后的真实燃气泄漏案例库;根据所述更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
本公开实施例的城市地下燃气泄漏识别模型的训练方法,基于获取的待标注的第一甲烷浓度序列,确定出甲烷浓度发生异常变化时对应的目标段甲烷浓度序列,以对目标段甲烷浓度序列进行特征提取,得到甲烷浓度变化特征,再从真实燃气泄漏案例库中,匹配对应的目标真实甲烷浓度序列,并确定目标段甲烷浓度序列的标签数据,以将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库并对燃气泄漏识别模型进行训练,由此,基于目标段真实甲烷浓度序列以及对应的标签数据,以训练燃气泄漏识别模型,提高了对燃气泄漏的识别精度,扩充了真实燃气泄漏案例库的标签,同时降低了人工标注的成本。
为达上述目的,本公开第二方面实施例提出了一种城市地下燃气泄漏识别模型的训练装置,包括:第一获取模块,用于从时序数据库中,获取待标注的第一甲烷浓度序列;确定模块,用于从所述第一甲烷浓度序列中,确定出甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列;提取模块,用于对所述目标段甲烷浓度序列进行特征提取,以得到甲烷浓度变化特征;第二获取模块,用于从真实燃气泄漏案例库中,获取与所述甲烷浓度变化特征匹配的目标真实甲烷浓度序列;生成模块,用于将所述目标真实甲烷浓度序列所对应的燃气泄漏标签作为所述目标段甲烷浓度序列的标签数据;添加模块,用于将所述目标段甲烷浓度序列以及对应的标签数据添加到所述真实燃气泄漏案例库,以得到更新后的真实燃气泄漏案例库;第一训练模块,用于根据所述更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
本公开实施例的城市地下燃气泄漏识别模型的训练装置,基于获取的待标注的第一甲烷浓度序列,确定出甲烷浓度发生异常变化时对应的目标段甲烷浓度序列,以对目标段甲烷浓度序列进行特征提取,得到甲烷浓度变化特征,再从真实燃气泄漏案例库中,匹配对应的目标真实甲烷浓度序列,并确定目标段甲烷浓度序列的标签数据,以将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库并对燃气泄漏识别模型进行训练,由此,基于目标段真实甲烷浓度序列以及对应的标签数据,以训练燃气泄漏识别模型,提高了对燃气泄漏的识别精度,扩充了真实燃气泄漏案例库的标签,同时降低了人工标注的成本。
为达上述目的,本公开第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的城市地下燃气泄漏识别模型的训练方法。
为达上述目的,本公开第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的城市地下燃气泄漏识别模型的训练方法。
本公开第五方面实施例提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的城市地下燃气泄漏识别模型的训练方法。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本公开一个实施例的城市地下燃气泄漏识别模型的训练方法的流程示意图;
图2为根据本公开一个实施例的燃气监测数据流接入的技术流程图;
图3为根据本公开一个实施例的甲烷浓度异常变化的单元片段示例图;
图4为根据本公开一个实施例的真实燃气泄漏切片示例图;
图5为根据本公开一个实施例的基于AIoT技术的城市地下燃气泄漏分析识别流程图;
图6为根据本公开另一个实施例的城市地下燃气泄漏识别模型的训练方法的流程示意图;
图7为根据本公开一个实施例的城市地下燃气泄漏识别模型的训练装置的流程示意图;
图8为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的城市地下燃气泄漏识别模型的训练方法、装置、电子设备及存储介质。
图1为根据本公开一个实施例的城市地下燃气泄漏识别模型的训练方法的流程示意图。如图1所示,主要包括以下步骤:
步骤101,从时序数据库中,获取待标注的第一甲烷浓度序列。
其中,时序数据库可以存储城市地下燃气管网智能硬件设备采集的燃气相关数据。
作为一种示例性的实施方式,可在城市地下燃气管网中的燃气管段附近的窨井中设置智能硬件设备,并通过智能硬件设备对燃气管段周围的燃气情况进行监测,并将燃气相关数据发送至燃气大数据基础平台,该燃气打数据平台将所接收到的燃气相关数据保存至时序数据库TDengine中。
其中,燃气相关数据可以包括燃气动态监测数据和燃气静态数据,其中,燃气动态监测数据可以包括时间、甲烷浓度、温度、湿度、设备状态但不仅限于此。燃气静态数据可以包括窨井编号、窨井类型、窨井地址、设备编号、安装日期但不仅限于此。
具体地,如图2所示,可以将燃气动态监测数据中的本地.xls文件、本地数据CSV文件以及本地Kafaka数据输入到高吞吐量的分布式发布订阅消息系统Kafka集群进行处理,将燃气动态监测数据转换为同一数据类型的数据传输到实时计算框架Flink中进行运算,以存储到关系型数据库Mysql以及以时序数据库中,同时将燃气静态监测数据中的时序数据库TDengine的历史数据输入到离线计算框架flink中进行处理,以将处理后燃气静态数据传输并存储到时序数据库中,且TDengine的历史数据还可以结合远程字典服务Redis,将TDengine的历史数据经过实时计算框架Flink中进行计算,以存储到关系型数据库Mysql中。
步骤102,从第一甲烷浓度序列中,确定出甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列。
在本公开实施例中,按照预设风险等级对应的甲烷浓度区间,对所述第一甲烷浓度序列进行分段,以得到多段甲烷浓度序列,并结合各段甲烷浓度序列的风险等级变化情况,来确定甲烷浓度是否发生变化,并在确定甲烷浓度发生变化的情况下,可确定甲烷异常变化所对应的目标段甲烷浓度序列。
其中,甲烷浓度达到一定风险等级对应的报警等级,例如,可以将甲烷浓度在1%以下的序列,设置为不报警、将甲烷浓度在1%-4%之间的序列,设置为三级报警、将甲烷浓度在4%-10%之间的序列,设置为二级报警、将甲烷浓度在10%以上的序列,设置为一级报警,具体地,可以将第一甲烷浓度数值按[0-1%]、[1-4%]、[4-10%]、[10%--]的区间进行替换,依次替换为0、1、2、3等不同的风险等级,并获得编码后的数据列,从而针对不同的编码数据列,根据不同风险等级进行切分,以获得风险等级分别是0、1、2、3的子片段。
具体地,针对不同分线等级的0、1、2、3的子片段,分别对不同等级的子片段进行划分,例如,划分子片段过程可以为,先判断每一个子片段中是否存在毛刺,若毛刺出现的数量小于阈值,将这些毛刺划归到大部分采样点对应的风险等级,若毛刺出现的数量大于阈值,按毛刺对应的风险等级作为独立的子切片,例如,毛刺数量的阈值可以为5个,但不仅限于此。
其中,可以基于大部分甲烷浓度数值处于同一风险等级的采样点,将少量数值不属于这一风险等级的采样点确定为毛刺。
可以理解的是,在确定毛刺对应的独立子切片后,对每一个子片段进行切分,具体为,将处于不同风险等级的数值按风险等级切分,将处于相同风险等级的数值按时间阈值切分,如果相邻采样点时间间隔大于时间阈值,切分为不同的子切片,否则按一个子切片处理,其中,时间阈值可以为1天,但不仅限于此。
综上,通过对第一甲烷浓度序列进行分段后的多段甲烷浓度序列进行不同风险等级的划分,并确定不同风险等级对应的子切片,再基于最高风险等级所对应的第一候选段甲烷浓度序列的结束时间,以及风险等级为零,开始时间在第一目标段甲烷浓度序列的开始时间之前,且与第一候选段甲烷浓度序列的开始时间最近的第二候选段甲烷浓度序列对应的开始时间,以得到甲烷浓度异常变化的单元片段示例图,如图3所示,从而可以将甲烷浓度异常变化的单元片段的一段作为目标段甲烷浓度序列,例如,将图3中风险对应的甲烷浓度序列作为目标段甲烷浓度序列,但不仅限于此。
步骤103,对目标段甲烷浓度序列进行特征提取,以得到甲烷浓度变化特征。
步骤104,从真实燃气泄漏案例库中,获取与甲烷浓度变化特征匹配的目标真实甲烷浓度序列。
在本公开实施例中,真实燃气泄漏案例库列中任意一个真实甲烷浓度序列的获取方式可以为,从时序数据库中,获取不同于第一甲烷浓度序列的第二甲烷浓度,并按照预设风险等级对应的甲烷浓度区间,对第二甲烷浓度序列进行分段,以得到多段甲烷浓度序列,对于多段甲烷浓度序列中,获取维修人员针对甲烷浓度序列所确认的燃气泄漏的时间点,并将该时间点作为甲烷浓度发生异常变化所对应的结束时间,并从多段甲烷浓度序列中,获取风险等级为零,位于结束时间之前,且开始时间距结束时间最近的第三候选段甲烷浓度序列,以将多段甲烷浓度序列中,位于第三候选段甲烷序列的开始时间,与结束时间之间的各段甲烷浓度序列,作为真实甲烷浓度序列。
其中,维修人员针对甲烷浓度序列所确认的时间点,如图4所示,其中,图4中的散点为不同时间点各自对应的甲烷浓度值,竖线为维修人员标注的确认燃气泄漏的时间点。
在本公开的另一些实施例中,为了提高获取与甲烷浓度变化特征匹配的目标真实甲烷浓度序列的效率,对于真实燃气泄漏案例库列中任意一个真实甲烷浓度序列,可对真实甲烷浓度序列进行特征提取,并将所提取到的甲烷浓度变化特征保存至与真实燃气泄漏案例库列对应的特征库中。
在一些实施例中,上述特征库还可以包括真实甲烷浓度序列所对应的业务特征、设备个性化指标,以及对应的基本特征和编码特征,以更精确的匹配甲烷浓度变化特征相同的目标真实甲烷浓度序列。
在一些实施例中,还可以结合第一甲烷浓度序列,确定该第一甲烷浓度序列所对应的基本特征。其中,第一甲烷浓度序列所对应的基本特征包括甲烷浓度最大值、平均值和分位数。
在一些实施实施中,时序数据库中还保存了与真实甲烷浓度序列对应的温度序列以及湿度序列。
为了方便基于温度序列以及湿度序列各自对应的特征进行处理处理,上述特征库中还可以保存温度序列以及湿度序列各自对应的基本特征。
其中,温度序列的基本特征可以包括:温度最大值、均值、分位数,但不仅限于此。
其中,湿度序列的基本特征可以包括:、湿度最大值、均值、分位数,但不仅限于此
在一些实施例中,上述真实甲烷浓度序列是由位于所述第三候选段甲烷序列的开始时间,与所述结束时间之间的各段甲烷浓度序列组成的,还可以基于对组成真实甲烷浓度序列的各段甲烷浓度序列进行特征提取,以得到所述真实甲烷浓度序列的编码特征。
其中,真实甲烷浓度序列的编码特征可以包括子切片分段数量、分段风险等级、分段最小持续时长,分段最大持续时长、分段最小持续时长对应的浓度等级、分段最大持续时长对应的浓度等级,最大浓度等级,分段波动性与趋势性、是否存在脉冲、脉冲程度,但不仅限于此。
其中,上述特征库还可以保存业务特征和设备个性化指标,以方便后续查询和使用业务特征以及设备个性化指标等信息。
其中,业务特征可以包括周期性,例如,白天与黑夜甲烷浓度水平、早中晚与其他时间段甲烷浓度水平、不同月份甲烷浓度水平。
设备个性化指标可以包括不同窨井历史发生过的燃气泄漏数量、沼气发展过程的数量、不同窨井甲烷浓度异常变化数量,但不仅限于此。
步骤105,将目标真实甲烷浓度序列所对应的燃气泄漏标签作为目标段甲烷浓度序列的标签数据。
其中,目标真实甲烷浓度序列所对应的燃气泄漏标签可以是由人工对目标真实甲烷浓度序列进行标签标注的。
其中,还可以人工对目标真实甲烷浓度序列中的泄露进行标记,例如,如图4所示,
步骤106,将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库,以得到更新后的真实燃气泄漏案例库。
在本实施例中,对应待标注的目标段甲烷浓度序列,结合真实燃气泄漏案例库中与目标段甲烷浓度序列匹配的目标真实甲烷浓度序列所对应的燃气泄漏标签,准确确定出该目标段甲烷浓度序列所对应的标签数据,由此,无需人工对待标注的目标段甲烷浓度序列进行标签标注,即可准确确定出目标段甲烷浓度序列以及对应的标签数据,并实现了对真实燃气泄漏案例库的扩充的同时,可降低人工标注的成本。
步骤107,根据更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
本公开提出一种城市地下燃气泄漏识别模型的训练方法,基于获取的待标注的第一甲烷浓度序列,确定出甲烷浓度发生异常变化时对应的目标段甲烷浓度序列,以对目标段甲烷浓度序列进行特征提取,得到甲烷浓度变化特征,再从真实燃气泄漏案例库中,匹配对应的目标真实甲烷浓度序列,并确定目标段甲烷浓度序列的标签数据,以将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库并对燃气泄漏识别模型进行训练,由此,基于目标段真实甲烷浓度序列以及对应的标签数据,以训练燃气泄漏识别模型,提高了对燃气泄漏的识别精度,扩充了真实燃气泄漏案例库的标签,同时降低了人工标注的成本。
基于上述实施例的基础上,为了进一步提高获取满足要求的燃气泄漏模型的效率,在未对真实燃气泄漏案例库进行扩充之前,还可以结合真实燃气泄漏案例库中已有的人工标注的真实燃气泄漏案例库对燃气泄漏识别模型进行训练。也就是说,在根据更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练之前,还可以根据真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
在本公开实施例中,为了可以准确对城市地下燃气泄漏识别,在训练好燃气泄漏识别模型之后,针对可城市地下中每个监测点,可该监测点所监测到的甲烷浓度序列输入到燃气泄漏识别模型中进行识别,根据识别结果可以确定监测点是否处于燃气泄露状态。也就是说,根据识别结果确定该监测点是否发生燃气泄漏。
在一些实施例中,基于人工智能物联网(Artificial Intelligence&Internet ofThings,AIoT)对城市地下燃气泄漏识别模型的训练方法可以如图5所示,下面结合图5对训练过程进行示例性描述:
具体地,可从燃气大数据基础平台中获取城市地下燃气管网中的燃气管段附近的窨井中设置智能硬件设备监测的数据源,并将数据源中的时序数据和标签数据传输到kafka集群中进行数据类型转换,再将同一数据类型的数据输入到离线计算框架flink进行处理,从而存储到时序数据库TDengine中,再从时序数据库TDengine中的获取历史时序数据和历史标注数据,根据甲烷浓度对应的风险等级,对获取历史时序数据和历史标注数据进行编码,并按风险等级进行分段,以确定对应的事件库和案例库,在基于深度学习,对历史时序数据的分位数、均值等等本特征进行特征提取,以确定历史时序数据对应的甲烷浓度变化特征,从而基于机器学习分类算法,匹配与历史时序数据对应的甲烷浓度变化特征相同的历史标注数据,并获取该历史标注数据对应的标签数据,并将该标签数据作为历史时序数据对应的伪标签数据,以将该为标签数据添加到案例库中,最后基于半监督学习算法,利用历史标注数据以及对应的为标签数据训练燃气泄露识别模型,以精确的识别历史时序数据是否泄露,增加了案例库的伪标签,降低人工标注成本。
为了准确地确定甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列,如图6所示,图6为根据本公开另一个实施例的城市地下燃气泄漏识别模型的训练方法的流程示意图,图6所示,该方法还可以包括如下步骤:
步骤601,从时序数据库中,获取待标注的第一甲烷浓度序列。
步骤602,按照预设风险等级对应的甲烷浓度区间,对第一甲烷浓度序列进行分段,以得到多段甲烷浓度序列。
在本公开的实施例中,由于甲烷浓度是一个由安全状态发展到危险状态的变化过程,持续时长也不是完全一样的,因此需要识别甲烷浓度具有上升趋势或等级变化的甲烷浓度发展区间,可以根据燃气报警业务的预设风险等级来对甲烷浓度区间进行分段,但不仅限于此。
其中,预设的风险等级可以根据实际业务情况进行调整,该是实施例对此不做具体限定。
步骤603,对于多段甲烷浓度序列中,获取最高风险等级所对应的第一候选段甲烷浓度序列,并获取第一目标段甲烷浓度序列的结束时间。
在本公开实施例中,最高风险等级可以是中风险,但不仅限于此。
在本公开实施例中,第一目标段甲烷浓度序列的结束时间可以是最高风险等级发生下降位置的时间,但不仅限于此。
步骤604,从多段甲烷浓度序列中,获取风险等级为零,开始时间在第一目标段甲烷浓度序列的开始时间之前,且与第一候选段甲烷浓度序列的开始时间最近的第二候选段甲烷浓度序列。
在本公开实施例中,风险等级为零时可以是甲烷浓度为零的风险等级,但不仅限于此。
步骤605,将多段甲烷浓度序列中,位于第二候选段甲烷序列的开始时间,与第一候选段甲烷浓度序列的结束时间之间的各段甲烷浓度序列,作为甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列。
在本公开实施例中,位于第二候选段甲烷序列的开始时间,与第一候选段甲烷浓度序列的结束时间之间的各段甲烷浓度序列可以包括无风险、低风险、中风险各自所对应的一段甲烷浓度序列。也就是说,基于无风险、低风险、中风险各自所对应的一段甲烷浓度序列,形成甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列。
步骤606,对目标段甲烷浓度序列进行特征提取,以得到甲烷浓度变化特征。
其中,需要说明的是,关于步骤605至步骤606的具体实现方式,可参见上述实施例中的相关描述。
步骤607,从真实燃气泄漏案例库中,获取与甲烷浓度变化特征匹配的目标真实甲烷浓度序列。
在本公开实施例中,从真实燃气泄漏案例库中,获取与甲烷浓度变化特征匹配的目标真实甲烷浓度序列的一种实施方式可以为,对于真实燃气泄漏案例库中的任意一个真实甲烷浓度序列,将真实甲烷浓度序列对应的甲烷浓度变化特征与目标段甲烷浓度序列对应的目甲烷浓度变化特征进行匹配,如果真实甲烷浓度序列对应的甲烷浓度变化特征与目标段甲烷浓度序列对应的目甲烷浓度变化特征之间的匹配度大于预设匹配度阈值,则确定真实甲烷浓度序列与目标段甲烷浓度序列的甲烷浓度变化规律相同,并将真实甲烷浓度序列作为与甲烷浓度变化特征匹配的目标真实甲烷浓度序列。
如果真实甲烷浓度序列对应的甲烷浓度变化特征与目标段甲烷浓度序列对应的目甲烷浓度变化特征之间的匹配度小于预设匹配度阈值,则可以通过人工进行进一步判断。
步骤608,将目标真实甲烷浓度序列所对应的燃气泄漏标签作为目标段甲烷浓度序列的标签数据。
步骤609,将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库,以得到更新后的真实燃气泄漏案例库。
步骤610,根据更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
本公开提出一种城市地下燃气泄漏识别模型的训练方法,基于获取的待标注的第一甲烷浓度序列,按照预设风险等级对应的甲烷浓度区间,对第一甲烷浓度序列进行分段,以得到多段甲烷浓度序列,并获取最高风险等级所对应的第一候选段甲烷浓度序列,以及获取第一目标段甲烷浓度序列的结束时间,且获取风险等级为零,开始时间在第一目标段甲烷浓度序列的开始时间之前,且与第一候选段甲烷浓度序列的开始时间最近的第二候选段甲烷浓度序列,以将位于第二候选段甲烷序列的开始时间,与第一候选段甲烷浓度序列的结束时间之间的各段甲烷浓度序列,作为甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列,以对目标段甲烷浓度序列进行特征提取,得到甲烷浓度变化特征,再从真实燃气泄漏案例库中,匹配对应的目标真实甲烷浓度序列,并确定目标段甲烷浓度序列的标签数据,以将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库并对燃气泄漏识别模型进行训练,由此,基于目标段真实甲烷浓度序列以及对应的标签数据,以训练燃气泄漏识别模型,通过细粒度拆分甲烷浓度序列,实现了精确确定目标段真实甲烷浓度序列,提高了对燃气泄漏的识别精度。
图7为根据本公开一个实施例的城市地下燃气泄漏识别模型的训练装置的结构示意图。如图7所示,该城市地下燃气泄漏识别模型的训练装置700包括:第一获取模块701、确定模块702、提取模块703、第二获取模块704、生成模块705、添加模块706和第一训练模块707。
其中,第一获取模块701,用于从时序数据库中,获取待标注的第一甲烷浓度序列。
确定模块702,用于从第一甲烷浓度序列中,确定出甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列。
提取模块703,用于对目标段甲烷浓度序列进行特征提取,以得到甲烷浓度变化特征。
第二获取模块704,用于从真实燃气泄漏案例库中,获取与甲烷浓度变化特征匹配的目标真实甲烷浓度序列。
生成模块705,用于将目标真实甲烷浓度序列所对应的燃气泄漏标签作为目标段甲烷浓度序列的标签数据。
添加模块706,用于将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库,以得到更新后的真实燃气泄漏案例库。
第一训练模块707,用于根据更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
作为本公开实施例的一种可能实现方式,装置还包括:
第二训练模块,用于根据真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
作为本公开实施例的一种可能实现方式,确定模块702,具体用于:
按照预设风险等级对应的甲烷浓度区间,对甲烷浓度序列进行分段,以得到多段甲烷浓度序列。
对于多段甲烷浓度序列中,获取最高风险等级所对应的第一候选段甲烷浓度序列,并获取第一目标段甲烷浓度序列的结束时间。
从多段甲烷浓度序列中,获取风险等级为零,开始时间在第一目标段甲烷浓度序列的开始时间之前,且与第一候选段甲烷浓度序列的开始时间最近的第二候选段甲烷浓度序列。
将多段甲烷浓度序列中,位于第二候选段甲烷序列的开始时间,与第一候选段甲烷浓度序列的结束时间之间的各段甲烷浓度序列,作为甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列。
作为本公开实施例的一种可能实现方式,真实燃气泄漏案例库列中任意一个目标真实甲烷浓度序列,通过下述方式获取:
从时序数据库中,获取不同于第一甲烷浓度序列的第二甲烷浓度。
按照预设风险等级对应的甲烷浓度区间,对第二甲烷浓度序列进行分段,以得到多段甲烷浓度序列。
对于多段甲烷浓度序列中,获取维修人员针对甲烷浓度序列所确认的燃气泄漏的时间点,并将该时间点作为甲烷浓度发生异常变化所对应的结束时间。
从多段甲烷浓度序列中,获取风险等级为零,位于结束时间之前,且开始时间距结束时间最近的第三候选段甲烷浓度序列。
将多段甲烷浓度序列中,位于第三候选段甲烷序列的开始时间,与结束时间之间的各段甲烷浓度序列,作为目标真实甲烷浓度序列。
作为本公开实施例的一种可能实现方式,第二获取模块704,具体用于:
对于真实燃气泄漏案例库中的任意一个真实甲烷浓度序列,将真实甲烷浓度序列对应的甲烷浓度变化特征与目标段甲烷浓度序列对应的目甲烷浓度变化特征进行匹配。
如果真实甲烷浓度序列对应的甲烷浓度变化特征与目标段甲烷浓度序列对应的目甲烷浓度变化特征之间的匹配度大于预设匹配度阈值,则确定真实甲烷浓度序列与目标段甲烷浓度序列的甲烷浓度变化规律相同,并将真实甲烷浓度序列作为与甲烷浓度变化特征匹配的目标真实甲烷浓度序列。
本公开提出一种城市地下燃气泄漏识别模型的训练装置,基于获取的待标注的第一甲烷浓度序列,确定出甲烷浓度发生异常变化时对应的目标段甲烷浓度序列,以对目标段甲烷浓度序列进行特征提取,得到甲烷浓度变化特征,再从真实燃气泄漏案例库中,匹配对应的目标真实甲烷浓度序列,并确定目标段甲烷浓度序列的标签数据,以将目标段甲烷浓度序列以及对应的标签数据添加到真实燃气泄漏案例库并对燃气泄漏识别模型进行训练,由此,基于目标段真实甲烷浓度序列以及对应的标签数据,以训练燃气泄漏识别模型,提高了对燃气泄漏的识别精度,扩充了真实燃气泄漏案例库的标签,同时降低了人工标注的成本。
为了实现上述实施例,本公开还提出一种电子设备,图8为根据本公开一个实施例的电子设备的结构示意图。该电子设备包括:
存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。
处理器802执行所述程序时实现上述实施例中提供的城市地下燃气泄漏识别模型的训练方法。
进一步地,电子设备还包括:
通信接口803,用于存储器801和处理器802之间的通信。
存储器801,用于存放可在处理器802上运行的计算机程序。
存储器801可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器802,用于执行所述程序时实现上述实施例所述的城市地下燃气泄漏识别模型的训练方法。
如果存储器801、处理器802和通信接口803独立实现,则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器801、处理器802及通信接口803,集成在一块芯片上实现,则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
处理器802可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本公开实施例的一个或多个集成电路。
为了实现上述实施例,本公开提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的城市地下燃气泄漏识别模型的训练方法。
为了实现上述实施例,本公开提出一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的城市地下燃气泄漏识别模型的训练方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种城市地下燃气泄漏识别模型的训练方法,其特征在于,包括:
从时序数据库中,获取待标注的第一甲烷浓度序列;
从所述第一甲烷浓度序列中,确定出甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列;
对所述目标段甲烷浓度序列进行特征提取,以得到甲烷浓度变化特征;
从真实燃气泄漏案例库中,获取与所述甲烷浓度变化特征匹配的目标真实甲烷浓度序列;
将所述目标真实甲烷浓度序列所对应的燃气泄漏标签作为所述目标段甲烷浓度序列的标签数据;
将所述目标段甲烷浓度序列以及对应的标签数据添加到所述真实燃气泄漏案例库,以得到更新后的真实燃气泄漏案例库;
根据所述更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练之前,所述方法还包括:
根据所述真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对所述燃气泄漏识别模型进行训练。
3.根据权利要求1所述的方法,其特征在于,所述从所述第一甲烷浓度序列中,确定出甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列,包括:
按照预设风险等级对应的甲烷浓度区间,对所述第一甲烷浓度序列进行分段,以得到多段甲烷浓度序列;
对于所述多段甲烷浓度序列中,获取最高风险等级所对应的第一候选段甲烷浓度序列,并获取所述第一目标段甲烷浓度序列的结束时间;
从所述多段甲烷浓度序列中,获取风险等级为零,开始时间在所述第一目标段甲烷浓度序列的开始时间之前,且与所述第一候选段甲烷浓度序列的开始时间最近的第二候选段甲烷浓度序列;
将所述多段甲烷浓度序列中,位于所述第二候选段甲烷序列的开始时间,与所述第一候选段甲烷浓度序列的结束时间之间的各段甲烷浓度序列,作为甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列。
4.根据权利要求1所述的方法,其特征在于,所述真实燃气泄漏案例库列中任意一个真实甲烷浓度序列,通过下述方式获取:
从所述时序数据库中,获取不同于所述第一甲烷浓度序列的第二甲烷浓度;
按照预设风险等级对应的甲烷浓度区间,对所述第二甲烷浓度序列进行分段,以得到多段甲烷浓度序列;
对于所述多段甲烷浓度序列中,获取维修人员针对所述甲烷浓度序列所确认的时间点,并将该时间点作为甲烷浓度发生异常变化所对应的结束时间;
从所述多段甲烷浓度序列中,获取风险等级为零,位于所述结束时间之前,且开始时间距所述结束时间最近的第三候选段甲烷浓度序列;
将所述多段甲烷浓度序列中,位于所述第三候选段甲烷序列的开始时间,与所述结束时间之间的各段甲烷浓度序列,作为所述真实甲烷浓度序列。
5.根据权利要求1所述的方法,其特征在于,所述从真实燃气泄漏案例库中,获取与所述甲烷浓度变化特征匹配的目标真实甲烷浓度序列,包括:
对于所述真实燃气泄漏案例库中的任意一个真实甲烷浓度序列,将所述真实甲烷浓度序列对应的甲烷浓度变化特征与所述目标段甲烷浓度序列对应的目甲烷浓度变化特征进行匹配;
如果所述真实甲烷浓度序列对应的甲烷浓度变化特征与所述目标段甲烷浓度序列对应的目甲烷浓度变化特征之间的匹配度大于预设匹配度阈值,则确定所述真实甲烷浓度序列与所述目标段甲烷浓度序列的甲烷浓度变化规律相同,并将所述真实甲烷浓度序列作为与所述甲烷浓度变化特征匹配的目标真实甲烷浓度序列。
6.一种城市地下燃气泄漏识别模型的训练装置,其特征在于,包括:
第一获取模块,用于从时序数据库中,获取待标注的第一甲烷浓度序列;
确定模块,用于从所述第一甲烷浓度序列中,确定出甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列;
提取模块,用于对所述目标段甲烷浓度序列进行特征提取,以得到甲烷浓度变化特征;
第二获取模块,用于从真实燃气泄漏案例库中,获取与所述甲烷浓度变化特征匹配的目标真实甲烷浓度序列;
生成模块,用于将所述目标真实甲烷浓度序列所对应的燃气泄漏标签作为所述目标段甲烷浓度序列的标签数据;
添加模块,用于将所述目标段甲烷浓度序列以及对应的标签数据添加到所述真实燃气泄漏案例库,以得到更新后的真实燃气泄漏案例库;
第一训练模块,用于根据所述更新后的真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对燃气泄漏识别模型进行训练。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二训练模块,用于根据所述真实燃气泄漏案例库中各甲烷浓度序列以及对应的标签数据,对所述燃气泄漏识别模型进行训练。
8.根据权利要求6所述的装置,其特征在于,所述确定模块,具体用于:
按照预设风险等级对应的甲烷浓度区间,对所述第一甲烷浓度序列进行分段,以得到多段甲烷浓度序列;
对于所述多段甲烷浓度序列中,获取最高风险等级所对应的第一候选段甲烷浓度序列,并获取所述第一目标段甲烷浓度序列的结束时间;
从所述多段甲烷浓度序列中,获取风险等级为零,开始时间在所述第一目标段甲烷浓度序列的开始时间之前,且与所述第一候选段甲烷浓度序列的开始时间最近的第二候选段甲烷浓度序列;
将所述多段甲烷浓度序列中,位于所述第二候选段甲烷序列的开始时间,与所述第一候选段甲烷浓度序列的结束时间之间的各段甲烷浓度序列,作为甲烷浓度发生异常变化时所对应的目标段甲烷浓度序列。
9.根据权利要求6所述的装置,其特征在于,所述真实燃气泄漏案例库列中任意一个真实甲烷浓度序列,通过下述方式获取:
从所述时序数据库中,获取不同于所述第一甲烷浓度序列的第二甲烷浓度;
按照预设风险等级对应的甲烷浓度区间,对所述第二甲烷浓度序列进行分段,以得到多段甲烷浓度序列;
对于所述多段甲烷浓度序列中,获取维修人员针对所述甲烷浓度序列所确认的时间点,并将该时间点作为甲烷浓度发生异常变化所对应的结束时间;
从所述多段甲烷浓度序列中,获取风险等级为零,位于所述结束时间之前,且开始时间距所述结束时间最近的第三候选段甲烷浓度序列;
将所述多段甲烷浓度序列中,位于所述第三候选段甲烷序列的开始时间,与所述结束时间之间的各段甲烷浓度序列,作为所述真实甲烷浓度序列。
10.根据权利要求6所述的装置,其特征在于,所述第二获取模块,具体用于:
对于所述真实燃气泄漏案例库中的任意一个真实甲烷浓度序列,将所述真实甲烷浓度序列对应的甲烷浓度变化特征与所述目标段甲烷浓度序列对应的目甲烷浓度变化特征进行匹配;
如果所述真实甲烷浓度序列对应的甲烷浓度变化特征与所述目标段甲烷浓度序列对应的目甲烷浓度变化特征之间的匹配度大于预设匹配度阈值,则确定所述真实甲烷浓度序列与所述目标段甲烷浓度序列的甲烷浓度变化规律相同,并将所述真实甲烷浓度序列作为与所述甲烷浓度变化特征匹配的目标真实甲烷浓度序列。
11.一种电子设备,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的城市地下燃气泄漏识别模型的训练方法。
12.一种计算机可读存储介质,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中任一所述的城市地下燃气泄漏识别模型的训练方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642977.XA CN114510994A (zh) | 2021-12-29 | 2021-12-29 | 城市地下燃气泄漏识别模型的训练方法及装置 |
PCT/CN2022/142551 WO2023125586A1 (zh) | 2021-12-29 | 2022-12-27 | 城市地下燃气泄漏识别模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642977.XA CN114510994A (zh) | 2021-12-29 | 2021-12-29 | 城市地下燃气泄漏识别模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114510994A true CN114510994A (zh) | 2022-05-17 |
Family
ID=81547471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111642977.XA Pending CN114510994A (zh) | 2021-12-29 | 2021-12-29 | 城市地下燃气泄漏识别模型的训练方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114510994A (zh) |
WO (1) | WO2023125586A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125586A1 (zh) * | 2021-12-29 | 2023-07-06 | 北京辰安科技股份有限公司 | 城市地下燃气泄漏识别模型的训练方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160356666A1 (en) * | 2015-06-02 | 2016-12-08 | Umm Al-Qura University | Intelligent leakage detection system for pipelines |
CN107590516B (zh) * | 2017-09-16 | 2020-09-22 | 电子科技大学 | 基于光纤传感数据挖掘的输气管道泄漏检测识别方法 |
CN108870090B (zh) * | 2018-06-22 | 2020-07-14 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
CN112729688B (zh) * | 2021-01-12 | 2022-08-19 | 南京大学 | 基于振动和温度双参量的油气管道泄漏检测方法 |
CN114510994A (zh) * | 2021-12-29 | 2022-05-17 | 北京辰安科技股份有限公司 | 城市地下燃气泄漏识别模型的训练方法及装置 |
-
2021
- 2021-12-29 CN CN202111642977.XA patent/CN114510994A/zh active Pending
-
2022
- 2022-12-27 WO PCT/CN2022/142551 patent/WO2023125586A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125586A1 (zh) * | 2021-12-29 | 2023-07-06 | 北京辰安科技股份有限公司 | 城市地下燃气泄漏识别模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023125586A1 (zh) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114352947B (zh) | 一种燃气管道泄漏检测方法、系统、装置及存储介质 | |
CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
CN113259216B (zh) | 一种can总线信号解析方法及系统 | |
US20230366689A1 (en) | Methods and internet of things systems for jointly processing safety hazards based on smart gas geographic information systems | |
CN109507992B (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
CN117034143B (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
CN111583592A (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN114510994A (zh) | 城市地下燃气泄漏识别模型的训练方法及装置 | |
CN111813644A (zh) | 系统性能的评价方法、装置、电子设备和计算机可读介质 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN116311541B (zh) | 一种识别工人违规行为的智能巡检方法及系统 | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
CN115660513B (zh) | 一种基于水利工程渡槽变形的监测方法及系统 | |
CN112363465A (zh) | 一种专家规则集训练方法、训练器和工业设备预警系统 | |
CN114357185A (zh) | 一种基于知识图谱的制造业装备故障监测模型训练方法 | |
CN115865610A (zh) | 网络告警信息处理方法、装置及设备 | |
CN113657726A (zh) | 基于随机森林的人员的危险性分析方法 | |
CN116451885B (zh) | 一种供水管网健康度预测方法、装置及计算设备 | |
CN115391406B (zh) | 一种用于排水系统的数据流检修优化方法及系统 | |
CN114265955A (zh) | 一种基于诊断故障代码演变图谱的故障预测方法及装置 | |
CN117634006B (zh) | 基于bim技术的套管预埋工程管理系统及方法 |
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 |