CN114910125A - 一种基于AR和IoT的管道监测系统及方法 - Google Patents
一种基于AR和IoT的管道监测系统及方法 Download PDFInfo
- Publication number
- CN114910125A CN114910125A CN202210518103.1A CN202210518103A CN114910125A CN 114910125 A CN114910125 A CN 114910125A CN 202210518103 A CN202210518103 A CN 202210518103A CN 114910125 A CN114910125 A CN 114910125A
- Authority
- CN
- China
- Prior art keywords
- data
- pipeline
- module
- monitoring
- server
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011521 glass Substances 0.000 claims abstract description 44
- 239000000725 suspension Substances 0.000 claims abstract description 20
- 238000004821 distillation Methods 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 15
- 230000007797 corrosion Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000009877 rendering Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 230000001413 cellular effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004210 cathodic protection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B15/00—Suppression or limitation of noise or interference
- H04B15/005—Reducing noise, e.g. humm, from the supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于AR和IoT的管道监测系统及方法，系统包括服务器、监测节点、AR眼镜；服务器，用于接收监测节点数据、混合现实眼镜视频监控数据和员工反馈数据；监测节点设置在管道内，实时将收集的管道监测数据进行预处理后，通过网络发送到服务器中；AR眼镜和服务器通过网络进行通信；AR眼镜用于获取悬空手势，并根据悬空手势从服务器获取对应的管道数据并显示。本发明将AR和IoT相结合，可以使一线员工通过混合现实眼镜和悬空的手势操作查询管道数据，能第一时间获取管道内信息，管道监测系统也可以通过混合现实眼镜获取固定位监控无法获取到的管道部分视频影像信息。
Description
技术领域
本发明属于管道安全技术领域，涉及一种管道监测系统及方法，特别涉及一种基于AR(增强现实)和IoT(物联网)的管道监测系统及方法。
背景技术
在传统工业生产中，处于一线生产中的工人，往往无法及时获取管道中的信息，发现管道中的问题。在没有配置管道监测系统的工厂中，管道的安全主要依靠一线工人的判断，而一线工人往往只能在管道出现明显异常的声光电热等现象后，才能发现问题。在配置了流体管道监测系统的工厂中，则是通过管道监测系统控制台员工发现问题，然后再反馈给一线工人。因此一线工人对管道中情况的了解仍然存在着明显的滞后性。对于很多需要24小时运作的高风险流体管道而言，一线工人无法及时获取管道信息是存在生产和安全隐患，因此一线工人能第一时间掌握管道内的信息是非常重要的。
发明内容
为了解决上述技术问题，本发明提供了的一种基于AR和IoT的管道监测系统及方法。
本发明的系统所采用的技术方案是：一种基于AR和IoT的管道监测系统，包括服务器、监测节点、AR眼镜；
所述服务器，用于接收监测节点数据、混合现实眼镜视频监控数据和员工反馈数据；
所述监测节点设置在管道内，包括阴保电压电流传感器、腐蚀传感器、流量传感器、压力传感器、管道内外温度传感器、管道PH值传感器和管道实时监控设备；所述监测节点实时将收集的管道监测数据进行预处理后，通过网线、蓝牙或者蜂窝的窄带物联网NBIoT网络将预处理结果发送到服务器中；
所述AR眼镜和服务器通过蜂窝的窄带物联网NB IoT网络进行通信；
所述AR眼镜用于获取悬空手势，并根据所述悬空手势从所述服务器获取对应的管道数据并显示。
本发明的方法所采用的技术方案是：一种基于AR和IoT的管道监测方法，包括以下步骤：
步骤1：监测节点实时将收集的管道监测数据进行预处理，并通过网络发送到服务器中；
步骤2：服务器对数据进行分析、预测和存储；
所述服务器对数据进行分析预测，具体实现包括以下子步骤：
步骤2.1：从服务器数据库读取数据，将数据进行正则化和归一化处理，使用小波协方差变换对数据的噪声进行消除；
小波变换公式为：
其中，a为尺度参数，t为平移参数，
表述尺度函数，τ为小波变换的平滑中心；
步骤2.2：使用xgboost对数据进行特征筛选，使用xgboost进行建模，计算每个特征的Gain值和分裂次数Fscore，将Fscore＝0||Gain<0.4的特征进行过滤；
步骤2.3：将xgboost筛选后特征后的数据，输入到Informer网络模型中，将数据X进行累加生成新数据序列Y，将Y输入到建立的时间单序列的灰色网络模型中；
步骤2.4：使用NSGA-Ⅱ对灰色网络模型和Informer网络模型预测结果进行融合，得到最终预测数据；
步骤3：AR眼镜获取悬空手势，并根据所述悬空手势从所述服务器获取对应的管道数据并显示。
本发明的有益效果在于：本发明将AR和IoT相结合，可以使一线员工通过混合现实眼镜和悬空的手势操作查询管道数据，能第一时间获取管道内信息，管道监测系统也可以通过混合现实眼镜获取固定位监控无法获取到的管道部分视频影像信息。
附图说明
图1是本发明实施例的系统原理框图；
图2是本发明实施例的数据预测流程图；
图3是本发明实施例的改进Informer网络模型结构图；
图4是本发明实施例的为改进Informer网络模型编码器模块结构图；
图5是本发明实施例的AR眼镜与管道监测管理平台的交互系统原理框图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种基于AR和IoT的管道监测系统，包括服务器、监测节点、AR眼镜；
服务器，用于接收监测节点数据、混合现实眼镜视频监控数据和员工反馈数据；
监测节点设置在管道内，包括阴保电压电流传感器、腐蚀传感器、流量传感器、压力传感器、管道内外温度传感器、管道PH值传感器和管道实时监控设备；监测节点实时将收集的管道监测数据进行预处理后，通过网线、蓝牙或者蜂窝的窄带物联网NB IoT网络将预处理结果发送到服务器中；
AR眼镜和服务器通过蜂窝的窄带物联网NB IoT网络进行通信；
AR眼镜用于获取悬空手势，并根据悬空手势从服务器获取对应的管道数据并显示。
本实施例的服务器，由于其需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性方面要求高。
本实施例的服务器，具有提供需要响应服务请求、计算服务并且保障服务的能力；所述服务器由处理器、主板、硬盘、内存、网络通讯、系统总线构成；
本实施例的服务器，需要沿管道分布各个监控节点，各个节点根据管道设施、管道类型等布置。监测包括但不限于腐蚀监测、压力监测、流量监测、应变监测、温度监测、视频监测。管道监测系统将管道现场的监测传感器组织结构成一个整体，并将各个监测传感器数据整理发送至管道监测系统的数据库，为接下来管道的监控诊断，定位和分类管道威胁提供数据支撑。管道传输生产任务进行时受环境因素影响，可能会产生不同程度的生产隐患，在管道监测系统构建中需结合周边环境特征，对管道进行全面监测设计。管道监控节点作为测量节点，配合后台管道监测系统用来对整个管道范围内实时监测，定位和分类多种威胁。
本实施例的服务器，具有分析数据的功能包括但不限于数据查询、预警报警数据查询、预警报警提示、数据预测、系统评估等功能。
本实施例的服务器为局域网内或是云端两种不同服务器的任意一种。所述服务器提供有文件服务，数据库服务，应用程序服务，WEB服务、录制服务和音频沟通的功能。
本实施例的监测节点，实时收集管道监测传感器参数数据和管道监测视频监控数据，并将所述管道监测传感器参数数据进行预处理后，通过网线、蓝牙或者蜂窝的窄带物联网NB IoT网络将预处理结果发送到管道监测系统后台服务器中，为管道异常事件(例如泄露，爆炸或腐蚀事件)等管道监测系统的评估和预测提供基础数据。
本实施例的监测节点的监测传感器包括阴保电压电流传感器、腐蚀传感器、流量传感器、压力传感器、管道内外温度传感器、管道PH值传感器(当管道内传输液体时使用)。
本实施例的阴保电压电流传感器用于阴极保护参数的检测，管道使用牺牲阳极的阴极保护法进行腐蚀防护，电压电流是管道管理维护中必不可少的参数，可用于管道电位、电流、绝缘性能的测试，也可用于覆盖层检漏及交直流干扰的测试。
本实施例的腐蚀传感器用于监测管道腐蚀程度，管道腐蚀速率，能及时了解管线的腐蚀速率，对其腐蚀状态进行评价，并对可能发生腐蚀失效的各种环境进行预警。
本实施例的流量传感器用于监测管道内流体流量，管道内的流量是反应管道的运输状态的重要条件之一，如果管道内流量瞬间增大或者瞬间减小，都表明了管道出现了问题，快速定位故障点，有利于查找管道故障原因，为管道的抢修和管道故障的排除提供依据。
本实施例的压力传感器用于管道内压力检测，管道中的压力反映管道的运输状态是否良好，如果管道中的压力瞬间增大或者瞬间减小，都表明了管道出现了问题，快速定位故障点，有利于查找管道故障原因，为管道的抢修和管道故障的排除提供依据。
本实施例的管道内外温度传感器，用于检测管道内外的温度情况。管道内输送物质复杂，管道内流动液体温度是事实变化的，对管道内壁腐蚀影响因素大，管道外温度为管道外环境重要参数，影响管道外壁腐蚀情况。
本实施例的管道PH值传感器用于检测管道内PH值，当管道内传输液体时，很多化工产品的生产对PH值有要求，同时在废水排出时对PH值的检测也必不可少。
本实施例的混合现实眼镜为AR眼镜，通过无线方式进行通讯，即通过蓝牙或者蜂窝的窄带物联网NB IoT网络技术与管道监测系统后台服务器进行通讯，向服务器发送和接收数据。
本发明还提供了一种基于AR和IoT的管道监测方法，包括以下步骤：
步骤1：监测节点实时将收集的管道监测数据进行预处理，并通过网络发送到服务器中；
请见图2，本实施例中监测节点实时将收集的管道监测数据进行预处理，具体实现包括以下子步骤：
步骤1.1：对缺失数据进行填充；
通过临近点数据进行补充；临近点数据，为上一个时间点发送的数据；
步骤1.2：对数据格式标准化，确定小数位数，确定数值范围；
步骤1.3：数据压缩，连续若干条相同数据只存储一条。
步骤2：服务器对数据进行分析、预测和存储；
服务器对数据进行分析预测，具体实现包括以下子步骤：
步骤2.1：从服务器数据库读取数据，将数据进行正则化和归一化处理，使用小波协方差变换对数据的噪声进行消除；
小波变换公式为：
其中，a为尺度参数，t为平移参数，
表述尺度函数，τ为小波变换的平滑中心；
步骤2.2：使用xgboost对数据进行特征筛选，使用xgboost进行建模，计算每个特征的Gain值和分裂次数Fscore，将Fscore＝0||Gain<0.4的特征进行过滤；
步骤2.3：将xgboost筛选后特征后的数据，输入到改进Informer网络模型中，将数据X进行累加生成新数据序列Y，将Y输入到建立的时间单序列的灰色网络模型中；
请见图3和图4，本实施例采用的改进Informer网络模型，包括编码器模块和解码器模块两个部分；
编码器模块，包括第一层多头概率稀疏自注意力模块、第一层改进自注意力蒸馏模块、第二层多头概率稀疏自注意力模块、第二层改进自注意力蒸馏模块和多层叠加模块；
本实施例的第一层改进自注意力蒸馏模块和第二层改进自注意力蒸馏模块，首先将输入数据进行一维卷积，再通过ELU激活函数激活最后使用软池化层，即softpool进行池化，对数据进行压缩减少维度；
本实施例的第一层多头概率稀疏自注意力模块从输入数据中筛选出query，然后输入到第一层改进自注意力蒸馏模块；第一层改进自注意力蒸馏模块，首先将输入数据进行一维卷积，再通过ELU激活函数激活最后使用软池化层，即softpool进行池化，对数据进行压缩减少维度；第二层多头概率稀疏自注意力模块从输入数据中筛选出query，然后输入到第二层改进自注意力蒸馏模块；第二层改进自注意力蒸馏模块，首先将输入数据进行一维卷积，再通过ELU激活函数激活最后使用软池化层，即softpool进行池化，对数据进行压缩减少维度；多层叠加模块，第二层对多头稀疏自注意力模块和第二层改进自注意力蒸馏模块输出结果进行累加，提高系统鲁棒性；
解码器包括隐藏多头概率稀疏自注意力模块、多头注意力模块和全连接层；隐藏多头概率稀疏自注意力模块，接收输入数据并处理，并将结果输入到多头注意力模块；多头注意力模块，将编码器的最终输出结果和多头概率稀疏自注意力模块输出结果进行结合，最终经全连接层调整数据输出维度，得到预测结果。
本实施例采用的灰色网络模型，包括累加生成模块、GM(1，1)模型生成模块和检验预测值模块；
累加生成模块，将输入结果X进行累加，得到新数据集Y；GM(1，1)模型为一阶微分方程；检验预测值模块，将数据集Y输入到GM(1，1)模型中得到预测结果，通过计算预测值的后验差比得到离散度。
本实施例的灰色网络模型和改进Informer网络模型，构成灰色-改进Informer组合网络模型，该组合网络模型为训练好的网络模型；
训练过程中采用的适应度函数分别为：
其中，f1、f2分别代表预测前最后一个训练阶段预测值的均方根误差与后验差比值，y(i)表示输入参数i表示次序，
表示带方向的输入参数i表示次序，m表示输入参数的个数，ε(i)表示预测值i表示次序，
表示预测值平均值，
表示输入参数的平均值；
依据实际值与预测值之间的差值依据误差倒数法对NSGA-Ⅱ的权值分配方案进行优化，优化目标为得到使组合模型预测值的均方根误差与后验差比值最小的权值分配方案。
步骤2.4：使用NSGA-Ⅱ对灰色网络模型和改进Informer网络模型预测结果进行融合，得到最终预测数据；
步骤3：AR眼镜获取悬空手势，并根据悬空手势从服务器获取对应的管道数据并显示。
本实施例中AR眼镜获取悬空手势，具体实现包括以下子步骤：
步骤3.1：AR眼镜实时向服务器传输视频数据；
步骤3.2：当用户进行虚拟点击操作时，向后台服务器发送识别指令；
步骤3.3：当操作是点击虚拟按钮时，即认为是点击操作进行按钮预设操作；当操作是非点击虚拟按钮操作时，对后续视频连续帧进行动态手势捕捉；
步骤3.4：后台云服务器对视频数据进行动态手势捕捉，通过机器学习识别手掌；
步骤3.5：当识别到用户的手掌或手指时通过坐标变换，确定手掌中手指的运动轨迹，通过运动轨迹判断操作类型，确定是拖拽、放大、缩小还是旋转操作；
步骤3.6：AR眼镜内置IoT应用依据操作进行对应图像渲染显示。
请参阅图5，本实施例中一线人员佩戴混合现实眼镜，该混合现实眼镜的显示界面上显示相应的选择菜单，一线员工通过悬空手势选择希望查看的管道数据，该混合现实眼镜运行预置的IoT程序，实现对用户的操作手势的识别，同时混合现实眼镜实时发送混合现实眼镜所拍摄到的视频监控画面，并向一线人员展示接收到的服务器反馈结果。
在本实施例中，改进Informer模型中使用softpool，即软池化方式代替Informer模型中的maxpool最大池化，有效的降低了算法运行时间和计算数据量。
在本实施例中，混合现实眼镜和管道监测后台服务器通过蜂窝的窄带物联网NBIoT网络进行通信。NB IoT技术是基于蜂窝的窄带物联网(Narrow Band Internet ofThings，NB IoT)，万物互联网络的一个重要分支。NB IoT构建于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络，以降低部署成本、实现平滑升级。具有覆盖广、连接多、速率低、成本低、功耗低、架构优等特点。NB IOT使用License频段，可采取带内、保护带或独立载波等三种部署方式，与现有网络共存。
在本实施例中，一线员工通过悬空手势选择需要查看的管道数据，则混合现实眼镜识别一线员工的选择查看管道数据的悬空手势，并向管道监测系统后台服务器发送该请求。
在本实施例中，一线员工所获取的管道数据包括但不限于，服务器获取到的当前查看管道的阴保电压电流传感器、腐蚀传感器、流量压力测试仪、管道应力应变传感器、管道内外温度传感器、管道外环境土壤传感器、管道PH值传感器的实时数据和，同时也能获取当前管道的历史数据，可对比查看在前一天或前一段时间相同生产任务的实时对比结果(该实时对比指不同天，同时同分同秒的对比结果数据)，也可调取任意历史时间的数据进行对比。
在本实施例中，管道监测系统后台服务器获取请求后，首先对信息进行校验确认是许可设备和许可用户发送的数据，在通过确认后向混合现实眼镜发送一线员工请求的数据。混合现实眼镜接收到反馈结果后，通过内置在混合现实眼镜中的IoT程序将数据展示在一线员工眼前。
在本实施例中，在混合现实眼镜开启后，会建立与管道监测系统后台服务器的连接。在通过认证后管道监测系统后台服务器会实时接收混合现实眼镜获取到的实时视频监控画面，同时一线员工通过悬空手势选择到预置IoT程序的反馈功能，将员工的个人判断以语音方式向服务器发送反馈信息。
在本实施例中，管道监测系统后台服务器在接收到一线员工的反馈信息后，会将管道现场实时接收到的监测传感器、视频监控信息和一线员工的反馈信息组成一个整体，并将这些数据整理后发送至管道监测系统后台服务器的数据库中，并对数据进行分析处理，判断是否已经出现了异常情况，以及预测是否会出现异常，并将预测结果存储到数据库中。
本发明中的监控节点，配合后台管道监测系统用来对整个管道范围内实时监测，定位和分类多种威胁，安全性高，适用范围广。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于AR和IoT的管道监测系统，其特征在于：包括服务器、监测节点、AR眼镜；
所述服务器，用于接收监测节点数据、混合现实眼镜视频监控数据和员工反馈数据；
所述监测节点设置在管道内，包括阴保电压电流传感器、腐蚀传感器、流量传感器、压力传感器、管道温度传感器、管道PH值传感器和管道实时监控设备；所述监测节点实时将收集的管道监测数据进行预处理后，通过网络发送到服务器中；
所述AR眼镜和服务器通过网络进行通信；
所述AR眼镜用于获取悬空手势，并根据所述悬空手势从所述服务器获取对应的管道数据并显示。
2.一种基于AR和IoT的管道监测方法，其特征在于，包括以下步骤：
步骤1：监测节点实时将收集的管道监测数据进行预处理，并通过网络发送到服务器中；
步骤2：服务器对数据进行分析、预测和存储；
所述服务器对数据进行分析预测，具体实现包括以下子步骤：
步骤2.1：从服务器数据库读取数据，将数据进行正则化和归一化处理，使用小波协方差变换对数据的噪声进行消除；
小波变换公式为：
其中，a为尺度参数，t为平移参数，
表述尺度函数，τ为小波变换的平滑中心；
步骤2.2：使用xgboost对数据进行特征筛选，使用xgboost进行建模，计算每个特征的Gain值和分裂次数Fscore，将Fscore＝0||Gain＜0.4的特征进行过滤；
步骤2.3：将xgboost筛选后特征后的数据，输入到Informer网络模型中，将数据X进行累加生成新数据序列Y，将Y输入到建立的时间单序列的灰色网络模型中；
步骤2.4：使用NSGA-Ⅱ对灰色网络模型和Informer网络模型预测结果进行融合，得到最终预测数据；
步骤3：AR眼镜获取悬空手势，并根据所述悬空手势从所述服务器获取对应的管道数据并显示。
3.根据权利要求2所述的基于AR和IoT的管道监测方法，其特征在于：步骤1中所述监测节点实时将收集的管道监测数据进行预处理，具体实现包括以下子步骤：
步骤1.1：对缺失数据进行填充；
通过临近点数据进行补充；所述临近点数据，为上一个时间点发送的数据；
步骤1.2：对数据格式标准化，确定小数位数，确定数值范围；
步骤1.3：数据压缩，连续若干条相同数据只存储一条。
4.根据权利要求2所述的基于AR和IoT的管道监测方法，其特征在于：步骤2.3中，所述Informer网络模型，包括编码器模块和解码器模块两个部分；
所述编码器模块，包括第一层多头概率稀疏自注意力模块、第一层改进自注意力蒸馏模块、第二层多头概率稀疏自注意力模块、第二层改进自注意力蒸馏模块和多层叠加模块；
所述第一层改进自注意力蒸馏模块和第二层改进自注意力蒸馏模块，首先将输入数据进行一维卷积，再通过ELU激活函数激活最后使用软池化层，即softpool进行池化，对数据进行压缩减少维度；
所述第一层多头概率稀疏自注意力模块从输入数据中筛选出query，然后输入到所述第一层改进自注意力蒸馏模块；所述第一层改进自注意力蒸馏模块，首先将输入数据进行一维卷积，再通过ELU激活函数激活最后使用软池化层，即softpool进行池化，对数据进行压缩减少维度；所述第二层多头概率稀疏自注意力模块从输入数据中筛选出query，然后输入到所述第二层改进自注意力蒸馏模块；所述第二层改进自注意力蒸馏模块，首先将输入数据进行一维卷积，再通过ELU激活函数激活最后使用软池化层，即softpool进行池化，对数据进行压缩减少维度；所述多层叠加模块，第二层对多头稀疏自注意力模块和第二层改进自注意力蒸馏模块输出结果进行累加，提高系统鲁棒性；
所述解码器包括隐藏多头概率稀疏自注意力模块、多头注意力模块和全连接层；所述隐藏多头概率稀疏自注意力模块，接收输入数据并处理，并将结果输入到多头注意力模块；所述多头注意力模块，将编码器的最终输出结果和多头概率稀疏自注意力模块输出结果进行结合，最终经全连接层调整数据输出维度，得到预测结果。
5.根据权利要求2所述的基于AR和IoT的管道监测方法，其特征在于：步骤2.3中，所述灰色网络模型，包括累加生成模块、GM(1，1)模型生成模块和检验预测值模块；
所述累加生成模块，将输入结果X进行累加，得到新数据集Y；所述GM(1，1)模型为一阶微分方程；所述检验预测值模块，将数据集Y输入到GM(1，1)模型中得到预测结果，通过计算预测值的后验差比得到离散度。
6.根据权利要求2所述的基于AR和IoT的管道监测方法，其特征在于：步骤2.3中，所述灰色网络模型和Informer网络模型，构成灰色-Informer组合网络模型，该组合网络模型为训练好的网络模型；
训练过程中采用的适应度函数分别为：
其中，f1、f2分别代表预测前最后一个训练阶段预测值的均方根误差与后验差比值，y(i)表示输入参数i表示次序，
表示带方向的输入参数i表示次序，m表示输入参数的个数，ε(i)表示预测值i表示次序，
表示预测值平均值，
表示输入参数的平均值；
依据实际值与预测值之间的差值依据误差倒数法对NSGA-Ⅱ的权值分配方案进行优化，优化目标为得到使组合模型预测值的均方根误差与后验差比值最小的权值分配方案。
7.根据权利要求2-6任意一项所述的基于AR和IoT的管道监测方法，其特征在于：步骤3中所述AR眼镜获取悬空手势，具体实现包括以下子步骤：
步骤3.1：AR眼镜实时向服务器传输视频数据；
步骤3.2：当用户进行虚拟点击操作时，向后台服务器发送识别指令；
步骤3.3：当操作是点击虚拟按钮时，即认为是点击操作进行按钮预设操作；当操作是非点击虚拟按钮操作时，对后续视频连续帧进行动态手势捕捉；
步骤3.4：后台云服务器对视频数据进行动态手势捕捉，通过机器学习识别手掌；
步骤3.5：当识别到用户的手掌或手指时通过坐标变换，确定手掌中手指的运动轨迹，通过运动轨迹判断操作类型，确定是拖拽、放大、缩小还是旋转操作；
步骤3.6：AR眼镜内置IoT应用依据操作进行对应图像渲染显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210518103.1A CN114910125A (zh) | 2022-05-12 | 2022-05-12 | 一种基于AR和IoT的管道监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210518103.1A CN114910125A (zh) | 2022-05-12 | 2022-05-12 | 一种基于AR和IoT的管道监测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114910125A true CN114910125A (zh) | 2022-08-16 |
Family
ID=82766349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210518103.1A Pending CN114910125A (zh) | 2022-05-12 | 2022-05-12 | 一种基于AR和IoT的管道监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114910125A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081741A (zh) * | 2022-07-21 | 2022-09-20 | 西南石油大学 | 一种基于神经网络的天然气计量检定智能预测的方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105938613A (zh) * | 2016-06-27 | 2016-09-14 | 锐创（唐山）生态建筑科技有限公司 | 一种基于bim和vr智慧城市管网综合平台及其管理方法和构建方法 |
| CN106230879A (zh) * | 2016-07-11 | 2016-12-14 | 湖南新基源节能环保科技有限公司 | 一种基于物联网及互联网技术的管网监管云系统 |
| CN106897817A (zh) * | 2017-01-22 | 2017-06-27 | 朗坤智慧科技股份有限公司 | 一种基于增强现实的施工进度可视化管理系统及方法 |
| JP2017151585A (ja) * | 2016-02-23 | 2017-08-31 | 三菱電機株式会社 | 管路管理システム及び表示端末 |
| CN207409006U (zh) * | 2017-10-30 | 2018-05-25 | 成都极致空觉科技有限公司 | 一种基于增强现实技术的巡更设备 |
| CN108090574A (zh) * | 2018-01-05 | 2018-05-29 | 中邮建技术有限公司 | 一种基于增强现实技术的智慧城市信息化管理系统 |
| CN109165329A (zh) * | 2018-07-09 | 2019-01-08 | 中兵勘察设计研究院有限公司 | 一种融合增强现实和物联网的地下管网智能管控技术及系统 |
| CN109246195A (zh) * | 2018-08-13 | 2019-01-18 | 孙琤 | 一种融合增强现实、虚拟现实的管网智能管控方法及系统 |
| CN208722033U (zh) * | 2018-10-25 | 2019-04-09 | 阳光学院 | 一种基于窄带物联网的城市供排水管网智能监测系统 |
| CN110083910A (zh) * | 2019-04-19 | 2019-08-02 | 西安交通大学 | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 |
| CN112561371A (zh) * | 2020-12-23 | 2021-03-26 | 上海新共赢信息科技有限公司 | 一种调取确定方法、装置、电子设备及存储介质 |
| CN112669484A (zh) * | 2020-12-15 | 2021-04-16 | 北京无线电计量测试研究所 | 一种地下管网监测系统和方法 |
| CN213236990U (zh) * | 2020-06-29 | 2021-05-18 | 上海旗鳐海洋技术有限公司 | 一种基于nb iot的管道监测平台 |
| CN113110221A (zh) * | 2021-04-29 | 2021-07-13 | 上海智大电子有限公司 | 一种管廊系统的综合智能监控方法及系统 |
| WO2021217867A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安科技（深圳）有限公司 | 基于XGBoost的数据分类方法、装置、计算机设备及存储介质 |
| CN113778144A (zh) * | 2021-09-10 | 2021-12-10 | 东莞市钢锐精密五金有限公司 | 一种氮气弹簧管路（nb-iot）物联网智能监测保护系统 |
| CN215416752U (zh) * | 2021-05-31 | 2022-01-04 | 徐兴国 | Ar智能巡检系统 |
| CN114065627A (zh) * | 2021-11-16 | 2022-02-18 | 北京百度网讯科技有限公司 | 温度异常检测方法、装置、电子设备和介质 |
| CN115081741A (zh) * | 2022-07-21 | 2022-09-20 | 西南石油大学 | 一种基于神经网络的天然气计量检定智能预测的方法 |
-
2022
- 2022-05-12 CN CN202210518103.1A patent/CN114910125A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017151585A (ja) * | 2016-02-23 | 2017-08-31 | 三菱電機株式会社 | 管路管理システム及び表示端末 |
| CN105938613A (zh) * | 2016-06-27 | 2016-09-14 | 锐创（唐山）生态建筑科技有限公司 | 一种基于bim和vr智慧城市管网综合平台及其管理方法和构建方法 |
| CN106230879A (zh) * | 2016-07-11 | 2016-12-14 | 湖南新基源节能环保科技有限公司 | 一种基于物联网及互联网技术的管网监管云系统 |
| CN106897817A (zh) * | 2017-01-22 | 2017-06-27 | 朗坤智慧科技股份有限公司 | 一种基于增强现实的施工进度可视化管理系统及方法 |
| CN207409006U (zh) * | 2017-10-30 | 2018-05-25 | 成都极致空觉科技有限公司 | 一种基于增强现实技术的巡更设备 |
| CN108090574A (zh) * | 2018-01-05 | 2018-05-29 | 中邮建技术有限公司 | 一种基于增强现实技术的智慧城市信息化管理系统 |
| CN109165329A (zh) * | 2018-07-09 | 2019-01-08 | 中兵勘察设计研究院有限公司 | 一种融合增强现实和物联网的地下管网智能管控技术及系统 |
| CN109246195A (zh) * | 2018-08-13 | 2019-01-18 | 孙琤 | 一种融合增强现实、虚拟现实的管网智能管控方法及系统 |
| CN208722033U (zh) * | 2018-10-25 | 2019-04-09 | 阳光学院 | 一种基于窄带物联网的城市供排水管网智能监测系统 |
| CN110083910A (zh) * | 2019-04-19 | 2019-08-02 | 西安交通大学 | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 |
| WO2021217867A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安科技（深圳）有限公司 | 基于XGBoost的数据分类方法、装置、计算机设备及存储介质 |
| CN213236990U (zh) * | 2020-06-29 | 2021-05-18 | 上海旗鳐海洋技术有限公司 | 一种基于nb iot的管道监测平台 |
| CN112669484A (zh) * | 2020-12-15 | 2021-04-16 | 北京无线电计量测试研究所 | 一种地下管网监测系统和方法 |
| CN112561371A (zh) * | 2020-12-23 | 2021-03-26 | 上海新共赢信息科技有限公司 | 一种调取确定方法、装置、电子设备及存储介质 |
| CN113110221A (zh) * | 2021-04-29 | 2021-07-13 | 上海智大电子有限公司 | 一种管廊系统的综合智能监控方法及系统 |
| CN215416752U (zh) * | 2021-05-31 | 2022-01-04 | 徐兴国 | Ar智能巡检系统 |
| CN113778144A (zh) * | 2021-09-10 | 2021-12-10 | 东莞市钢锐精密五金有限公司 | 一种氮气弹簧管路（nb-iot）物联网智能监测保护系统 |
| CN114065627A (zh) * | 2021-11-16 | 2022-02-18 | 北京百度网讯科技有限公司 | 温度异常检测方法、装置、电子设备和介质 |
| CN115081741A (zh) * | 2022-07-21 | 2022-09-20 | 西南石油大学 | 一种基于神经网络的天然气计量检定智能预测的方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHOU, HY等: "Informer Beyond Efficient Transformer for Long Sequence Time-Series Forecasting", 35TH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE, 31 December 2021 (2021-12-31), pages 1 - 14 * |
| 周华等: "针对大型城市供水管网健康评估及修复指数模型的探索", 给水排水, 31 December 2021 (2021-12-31), pages 1 - 4 * |
| 杨瑞君等: "一种改进ＴＰＯＴ 的工控入侵检测方法", 小型微型计算机系统, 30 April 2022 (2022-04-30), pages 1 - 6 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081741A (zh) * | 2022-07-21 | 2022-09-20 | 西南石油大学 | 一种基于神经网络的天然气计量检定智能预测的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6942833B2 (ja) | クロスドメイン時系列データ変換装置、方法、およびシステム | |
| US10275402B2 (en) | Systems and methods to provide pipeline damage alerts | |
| US20190154469A1 (en) | Method and apparatus for pneumatically conveying particulate material including a user-visible iot-based classification and predictive maintenance system noting maintenance state as being acceptable, cautionary, or dangerous | |
| CA2689256C (en) | Remote monitoring systems and methods | |
| CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN110135564A (zh) | 基于边缘计算的煤矿瓦斯传感器数据异常检测方法 | |
| KR20210017637A (ko) | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 | |
| CN111368980A (zh) | 状态检测方法、装置、设备及存储介质 | |
| US20230388202A1 (en) | Methods and systems for inferred information propagation for aircraft prognostics | |
| CN114910125A (zh) | 一种基于AR和IoT的管道监测系统及方法 | |
| CN115640915A (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
| CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
| CN114143220A (zh) | 实时数据可视化平台 | |
| CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
| CN111400114A (zh) | 基于深度递归网络大数据计算机系统故障检测方法及系统 | |
| CN114882680A (zh) | 一种远程终端管理系统及方法 | |
| CN112801033A (zh) | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 | |
| CN116849643A (zh) | 基于神经网络的可穿戴设备进行跌倒检测的方法 | |
| CN114417741B (zh) | 一机一档设备数据管理及处理系统 | |
| Lenart et al. | Real-time monitoring and analyses of sensory data integrated into the BIM platform | |
| CN116258606A (zh) | 基于联邦学习算法的低压用户用电安全预警方法及装置 | |
| CN117091799B (zh) | 医用中心氧气供应安全智能立体监测方法及系统 | |
| US20230366843A1 (en) | Method and system for monitoring objects and equipment by thermal imaging and data analysis |
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 |