CN114673246B - 一种污水管道防堵塞测量方法及其测量系统 - Google Patents

一种污水管道防堵塞测量方法及其测量系统 Download PDF

Info

Publication number
CN114673246B
CN114673246B CN202210344418.9A CN202210344418A CN114673246B CN 114673246 B CN114673246 B CN 114673246B CN 202210344418 A CN202210344418 A CN 202210344418A CN 114673246 B CN114673246 B CN 114673246B
Authority
CN
China
Prior art keywords
neural network
time
state data
real
pipeline
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
Application number
CN202210344418.9A
Other languages
English (en)
Other versions
CN114673246A (zh
Inventor
林海幂
王士星
唐锦源
田青青
张铠
罗大辉
李建辰
段开泰
王思威
邓利平
彭舸
张勇
李先正
王琪
谢启航
苏婉琳
冉化
郑学军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Construction Co of China Railway No 8 Engineering Group Co Ltd
Chengdu Industry and Trade College
Original Assignee
Construction Co of China Railway No 8 Engineering Group Co Ltd
Chengdu Industry and Trade College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Construction Co of China Railway No 8 Engineering Group Co Ltd, Chengdu Industry and Trade College filed Critical Construction Co of China Railway No 8 Engineering Group Co Ltd
Priority to CN202210344418.9A priority Critical patent/CN114673246B/zh
Publication of CN114673246A publication Critical patent/CN114673246A/zh
Application granted granted Critical
Publication of CN114673246B publication Critical patent/CN114673246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E03—WATER SUPPLY; SEWERAGE
    • E03F—SEWERS; CESSPOOLS
    • E03F7/00—Other installations or implements for operating sewer systems, e.g. for preventing or indicating stoppage; Emptying cesspools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • E—FIXED CONSTRUCTIONS
    • E03—WATER SUPPLY; SEWERAGE
    • E03F—SEWERS; CESSPOOLS
    • E03F2201/00—Details, devices or methods not otherwise provided for
    • E03F2201/20—Measuring flow in sewer systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种污水管道防堵塞测量方法及其测量系统，其包括传感器节点、神经网络分析模块和云计算平台，传感器节点用于实时采集污水管道内流体通过时的介电常数，并发送给神经网络分析模块，神经网络分析模块可得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；云计算平台包含数据库、神经网络预测模块和API接口，数据库用于存放接收到的实时状态数据，神经网络预测模块可预测出管道内流体未来设定时间内发生堵塞的概率，API接口用于实时状态数据和预测结果发送给客户端；本方案实现实时在线监测楼宇污水管道内流体的堵塞情况，完善了智慧城市的楼宇污水管道数据信息。

Description

一种污水管道防堵塞测量方法及其测量系统
技术领域
本发明涉及防堵塞测量技术领域，具体涉及一种污水管道防堵塞测量方法及其测量系统。
背景技术
楼宇污水管道大多是隐蔽工程，随着时间的推移，楼宇污水管道壁附着力增大、杂物淤积、房屋沉降等原因，造成楼宇污水管道经常出现堵塞、反水的问题，轻则要采用人工或机械进行疏通，且在原因不明以及经过人工或机械疏通后还不能解决的情况下，必须对楼宇排污系统进行重新改造，这不仅会影响居民的正常生活秩序，破坏原有的园林景观绿化等，甚至会产生不必要的纠纷。
发明内容
针对上述现有技术的不足，本发明提供了一种污水管道防堵塞测量方法及其测量系统，为楼宇污水管道的堵塞提供预测性维护，解决了楼宇污水管道堵塞发现不及时的问题。
为实现上述目的，本发明所采用的技术方案为：
提供一种污水管道防堵塞测量方法，其特征在于，包括以下步骤：
S1：接收传感器节点采集的楼宇污水管道内流体通过时管道内流体的介电常数；
S2：将实时采集的介电常数输入神经网络分析模块，计算出表示管道内流体流动状态的实时状态数据；
S3：将预设时间段内的若干历史状态数据输入神经网络预测模块，预测出管道内流体未来设定时间内发生堵塞的概率；
S4：将实时状态数据和预测结果发送给客户端。
提供一种污水管道防堵塞测量系统，其包括传感器节点、神经网络分析模块和云计算平台，传感器节点用于实时采集楼宇污水管道内流体通过时的介电常数，并发送给神经网络分析模块，神经网络分析模块用于对实时采集的介电常数进行分析和推理，并得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；云计算平台包含数据库、神经网络预测模块和API接口，数据库用于存放接收到的实时状态数据，神经网络预测模块用于对数据库内的预设时间段内的若干历史状态数据进行分析和推理，并预测出管道内流体未来设定时间内发生堵塞的概率，API接口用于实时状态数据和预测结果发送给客户端。
进一步地，神经网络分析模块和神经网络预测模块均包括卷积层、循环神经层和全连接层，卷积层用于将实时采集的介电常数或历史状态数据映射到隐层特征空间，循环神经层用于将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，并得出当前时间管道的实时状态数据或未来设定时间内管道发生堵塞的概率。
本发明的有益效果为：本发明通过传感器节点获取测量数据，并通过神经网络分析模块分析出管道内流体的实时状态数据，同时神经网络预测模块可根据一段时间内累计的历史数据，预测楼宇污水管道未来的堵塞情况，输出堵塞的报警信息或预警信息值客户端，并通过传感器节点给出定位，实现自动实时监测区域内各楼栋每个单元的污水管道，完善了智慧城市的楼宇污水管道数据信息，其自动化程度高，实用性强。
附图说明
图1为本方案的的污水管道防堵塞测量系统的组成图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本方案的污水管道防堵塞测量系统包括传感器节点、神经网络分析模块和云计算平台，传感器节点用于实时采集楼宇污水管道内流体通过时的介电常数，并发送给神经网络分析模块，神经网络分析模块用于对实时采集的介电常数进行分析和推理，并得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；云计算平台包含数据库、神经网络预测模块和API接口，数据库用于存放接收到的实时状态数据，神经网络预测模块用于对数据库内的预设时间段内的若干历史状态数据进行分析和推理，并预测出管道内流体未来设定时间内发生堵塞的概率，API接口用于实时状态数据和预测结果发送给客户端。
神经网络分析模块和神经网络预测模块均包括卷积层、循环神经层和全连接层，卷积层用于将实时采集的介电常数或历史状态数据映射到隐层特征空间，循环神经层用于将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，并得出当前时间管道的实时状态数据或未来设定时间内管道发生堵塞的概率。
提供一种污水管道防堵塞测量系统的测量方法，其包括以下步骤：
S1：传感器节点通过高精度电容测量技术实时采集楼宇污水管道内流体通过时的介电常数，即电容值，并将实时采集的介电常数传递给神经网络分析模块；
S2：神经网络分析模块通过卷积层、循环神经层和全连接层对实时采集的介电常数进行逐层分析和推理，卷积层将实时采集的介电常数映射到隐层特征空间，循环神经层将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，最终得出表示管道内流体堵塞情况的实时状态数据，并传递给云计算平台；
S3：云计算平台通过数据库将接收到的实时状态数据进行存放后，并将预设时间段内的历史数据传递给神经网络预测模块；
S4：神经网络预测模块通过卷积层、循环神经层和全连接层对预设时间段内的历史数据进行进一步的逐层分析和推理，卷积层将历史数据映射到隐层特征空间，循环神经层将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，预测出管道内流体未来设定时间内发生堵塞的概率；
S5：云计算平台通过API接口将实时状态数据和预测结果推送至客户端。
其中神经网络分析模块的训练方法为：
S11：获取历史介电常数数据，将历史介电常数数据序列分为第一正常值、第一预警值和第一报警值，并进行标注；
S12：将标注后的数据分为训练集和验证集；
S13：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络分析模块进行训练；
S14：采用验证集数据对训练完成后的神经网络分析模块进行验证；
S15：若验证成功，则训练完成；若验证失败，则重复步骤S11，直至验证成功。
其中神经网络预测模块的训练方法为：
S21：获取历史状态数据序列，将历史状态数据序列分为第二正常值、第二预警值和第二报警值，并进行标注；
S22：将标注后的数据分为训练集和验证集；
S23：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络预测模块进行训练；
S24：采用验证集数据对训练完成后的神经网络预测模块进行验证；
S25：若验证成功，则训练完成；若验证失败，则重复步骤S21，直至验证成功。
其中步骤S13和S23中误差最小的判断准则公式为：
其中，x为神经网络分析模块或神经网络预测模块中输出的运算结果，t为历史介电常数数据或历史状态数据序列的验证集标注数据，x与t均为N维向量。
具体实施时，本方案优选卷积层的网络模型为：
其中，k为实时采集的介电常数或实时状态数据，*为卷积运算符，input为归一化后实时采集的介电常数或历史状态数据，weig ts为卷积核权重，bias为输出偏移，Ni为处理批次数，Cin为传感器输出信号通道数，Cout为网络输出通道数，out1为网络输出，即隐层特征空间的特征序列。
本方案优选循环神经层的网络模型为：
Ht＝f(Wih*out1+bih+Whh*h(t-1)+Bhh)
其中Ht为t时刻的特征序列的特征值，Wih为输入权重矩阵，Whh为状态转移矩阵，h(t-1)为t-1时刻的网络状态，bih和Bhh均为偏移量，out1为卷积层的输出张量，f为神经网络的激活函数。
本方案优选全连接层的网络模型为：
y＝f(Ht*AT+b)
其中，Ht为循环神经层的输出张量，AT为权重矩阵，b为偏移量，f为神经网络的激活函数，y为神经网络回归线性的运算输出结果，即当前时间管道的状态数据或未来设定时间内管道发生堵塞的概率。
本方案优选传感器节点采用电容传感器极板，其工作原理为：目标物体和传感器极板构成了振荡电路。当目标物体成分、容量发生变化时，极板间电容出现变化改变振荡电路工作频率，通过测量振荡电路工作频率推算目标物体成分和容量。
综上所述，本方案的污水管道防堵塞测量方法及其测量系统可实现实时在线监测楼宇污水管道内流体的堵塞情况，完善了智慧城市的楼宇污水管道数据信息。

Claims (4)

1.一种污水管道防堵塞测量方法，其特征在于，包括以下步骤：
S1：接收传感器节点采集的楼宇污水管道内流体通过时管道内流体的介电常数；
S2：将实时采集的介电常数输入神经网络分析模块，计算出表示管道内流体流动状态的实时状态数据；
S3：将预设时间段内的若干历史状态数据输入神经网络预测模块，预测出管道内流体未来设定时间内发生堵塞的概率；
S4：将实时状态数据和预测结果发送给客户端；
所述神经网络分析模块和神经网络预测模块均包括：
卷积层，用于将实时采集的介电常数或管道历史状态数据映射到隐层特征空间，其网络模型为：
其中，k为实时采集的介电常数或实时状态数据，*为卷积运算符，input为归一化后实时采集的介电常数或历史状态数据，weights为卷积核权重，bias为输出偏移，Ni为处理批次数，Cin为传感器输出信号通道数，Cout为网络输出通道数，out1为网络输出，即隐层特征空间的特征序列；
循环神经层，用于将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，其网络模型为：
Ht＝f(Wih*out1+bih+Whh*h(t-1)+Bhh)
其中，Ht为t时刻的特征序列的特征值，Wih为输入权重矩阵，Whh为状态转移矩阵，h(t-1)为t-1时刻的网络状态，bih和Bhh均为偏移量，out1为卷积层的输出张量，f为神经网络的激活函数；
全连接层用于将循环神经层提取出的特征值进行线性回归，其网络模型为：
y＝f(Ht*AT+b)
其中，Ht为循环神经层的输出张量，AT为权重矩阵，b为偏移量，f为神经网络的激活函数，y为神经网络回归线性的运算输出结果，即当前时间管道的状态数据或未来设定时间内管道发生堵塞的概率；
所述神经网络分析模块的训练方法包括：
S11：获取历史介电常数数据，将历史介电常数数据序列分为第一正常值、第一预警值和第一报警值，并进行标注；
S12：将标注后的数据分为训练集和验证集；
S13：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络分析模块进行训练；
S14：采用验证集数据对训练完成后的神经网络分析模块进行验证；
S15：若验证成功，则训练完成；若验证失败，则重复步骤S11，直至验证成功；
所述神经网络预测模块的训练方法包括：
S21：获取历史状态数据序列，将历史状态数据序列分为第二正常值、第二预警值和第二报警值，并进行标注；
S22：将标注后的数据分为训练集和验证集；
S23：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络预测模块进行训练；
S24：采用验证集数据对训练完成后的神经网络预测模块进行验证；
S25：若验证成功，则训练完成；若验证失败，则重复步骤S21，直至验证成功。
2.根据权利要求1所述的污水管道防堵塞测量系统的测量方法，其特征在于，所述误差最小的判断准则公式为：
其中，x为神经网络分析模块或神经网络预测模块中输出的运算结果，t为历史介电常数数据或历史状态数据序列的验证集标注数据，x与t均为N维向量。
3.一种应用于权利要求1-2任一项所述的污水管道防堵塞测量方法的测量系统，其特征在于，包括：
传感器节点，用于实时采集楼宇污水管道内流体通过时的介电常数，并发送给神经网络分析模块；
神经网络分析模块，用于对实时采集的介电常数进行分析和推理，并得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；
云计算平台，用于存储接收到的实时状态数据，并将预设时间段内的若干历史状态数据进行分析和推理，预测楼宇污水管道内未来设定时间内发生堵塞的概率，之后将污水管道内流体的实时状态数据和预测结果发送给客户端。
4.根据权利要求3所述的测量系统，其特征在于，所述云计算平台包括：
数据库，用于存放接收到的实时状态数据；
神经网络预测模块，用于对数据库内的预设时间段内的若干历史状态数据进行分析和推理，并预测出管道内流体未来设定时间内发生堵塞的概率；
API接口，用于实时状态数据和预测结果发送给客户端。
CN202210344418.9A 2022-03-31 2022-03-31 一种污水管道防堵塞测量方法及其测量系统 Active CN114673246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210344418.9A CN114673246B (zh) 2022-03-31 2022-03-31 一种污水管道防堵塞测量方法及其测量系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210344418.9A CN114673246B (zh) 2022-03-31 2022-03-31 一种污水管道防堵塞测量方法及其测量系统

Publications (2)

Publication Number Publication Date
CN114673246A CN114673246A (zh) 2022-06-28
CN114673246B true CN114673246B (zh) 2024-07-02

Family

ID=82076186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210344418.9A Active CN114673246B (zh) 2022-03-31 2022-03-31 一种污水管道防堵塞测量方法及其测量系统

Country Status (1)

Country Link
CN (1) CN114673246B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2618171A (en) * 2022-09-20 2023-11-01 Stormharvester Ipr Ltd Anomaly detection in wastewater networks
WO2024061986A1 (en) * 2022-09-20 2024-03-28 Stormharvester IPR Limited Anomaly detection for wastewater assets with pumps in wastewater networks
CN116523146B (zh) * 2023-06-30 2023-09-26 天津蓝天环科环境科技股份有限公司 一种基于神经网络的医院污水量预测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106090627A (zh) * 2016-06-12 2016-11-09 南京大学 一种基于电容法的排水管堵塞检测方法与装置
CN110841143A (zh) * 2019-10-22 2020-02-28 江苏爱朋医疗科技股份有限公司 一种用于预测输液管路状态的方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3795775B2 (ja) * 2001-07-16 2006-07-12 株式会社山武 下水流入量予測装置および方法、サーバ装置
CN109725366B (zh) * 2018-11-23 2021-03-02 北京建筑大学 雨水堵塞点的定位方法及系统
US20210088369A1 (en) * 2019-09-24 2021-03-25 Ads Llc Blockage detection using machine learning
CN110888857B (zh) * 2019-10-14 2023-11-07 平安科技（深圳）有限公司 基于神经网络的数据标签生成方法、装置、终端及介质
CN110929359B (zh) * 2019-11-20 2023-09-22 合肥泽众城市智能科技有限公司 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
CA3102495A1 (en) * 2019-12-11 2021-06-11 Can-Explore Inc. System and method for performing automated inspection of a sewer line using machine learning
CN112783940B (zh) * 2020-12-31 2023-06-09 广州大学 基于图神经网络的多源时序数据故障诊断方法和介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106090627A (zh) * 2016-06-12 2016-11-09 南京大学 一种基于电容法的排水管堵塞检测方法与装置
CN110841143A (zh) * 2019-10-22 2020-02-28 江苏爱朋医疗科技股份有限公司 一种用于预测输液管路状态的方法及系统

Also Published As

Publication number Publication date
CN114673246A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN114673246B (zh) 一种污水管道防堵塞测量方法及其测量系统
CN111694879B (zh) 一种多元时间序列异常模式预测方法及数据采集监控装置
US10387590B2 (en) Techniques for iterative reduction of uncertainty in water distribution networks
Romano et al. Automated detection of pipe bursts and other events in water distribution systems
US20210116076A1 (en) Anomaly detection in pipelines and flowlines
CN111310968A (zh) 一种基于互信息的lstm神经网络循环水文预报方法
JP2019527413A (ja) 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法
CN112418557B (zh) 基于云服务的数据分析和预测系统及方法
CN114611778B (zh) 一种基于入库流量的水库水位预警方法及系统
US20220082409A1 (en) Method and system for monitoring a gas distribution network operating at low pressure
CN113723716B (zh) 一种客流分级预警异常告警方法、设备及存储介质
CN110555477A (zh) 一种市政设施故障预测方法及装置
CN115031776A (zh) 一种排水管网淤积监测分析的方法
CN113987908A (zh) 基于机器学习方法的天然气管网泄漏预警方法
CN112413414A (zh) 一种供热管网泄漏的综合检测方法
Kutyłowska Prediction of failure frequency of water-pipe network in the selected city
CN113282577B (zh) 污水管网的监测方法、装置、电子设备及存储介质
CN113468804B (zh) 一种基于矩阵束和深度神经网络的地下管道识别方法
JP7450309B1 (ja) Ａｉ管路劣化予測システム、ａｉ管路劣化予測方法及びａｉ管路劣化予測プログラム
US20230332976A1 (en) Systems and methods for improved pipeline leak detection
CN116484219A (zh) 一种基于门控图神经网络的供水管网水质异常污染源识别方法
Nguyen et al. Deep learning for construction emission monitoring with low-cost sensor network
CN112097125B (zh) 一种基于自适应校核的供水管网爆管侦测及定位方法
Quevedo et al. Sensor data validation and reconstruction
Huu et al. Development of warning and predicting system for quality of air in smart cities using RNN

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