CN115795373A - 一种管道泄漏监测方法、系统、电子设备及存储介质 - Google Patents
一种管道泄漏监测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115795373A CN115795373A CN202310093625.6A CN202310093625A CN115795373A CN 115795373 A CN115795373 A CN 115795373A CN 202310093625 A CN202310093625 A CN 202310093625A CN 115795373 A CN115795373 A CN 115795373A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- vibration data
- data
- leakage
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 45
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 239000002245 particle Substances 0.000 claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000000546 chi-square test Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000007906 compression Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供一种管道泄漏监测方法、系统、电子设备及存储介质，方法包括：获取Lora网关上传的管道振动数据；将管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；基于粒子群优化算法和训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；基于管道泄漏检测模型对预测样本进行检测。本发明将管道振动数据归一化处理后转换为训练样本和预测样本，并基于粒子群优化算法以及训练样本对支持向量机进行训练，得到管道泄漏检测模型，并基于管道泄漏检测模型对预设样本进行检测，从而得到目标管道的泄漏状态，从而还可以基于泄漏状态进行预警，进而进一步的提高了振动检测管道泄漏的及时性以及预警准确性。
Description
技术领域
本发明涉及管道监测技术领域，更具体地，涉及一种管道泄漏监测方法、系统、电子设备及存储介质。
背景技术
输水管道泄漏给工业供水和农业灌溉系统带来巨大的麻烦。管道泄漏造成了水资源严重浪费，同时也可能引起二次污染，影响供水质量。造成管道泄漏的原因有很多，例如管道的老化、腐蚀、人为损坏以及阀门的快速关闭或打开而导致过大压力等。管道漏失检测技术在日常供水，能源系统以及能源输送中有着重要的作用，主要针对输水管道进行泄漏方面的故障排查，不仅能够减少资源浪费，而且能够降低对环境的影响。
目前针对管道泄漏检测技术有很多，主要分为声学测漏和振动测漏两类方法。由于管道上的声学传感器位置不易确定，且安静状态下的侧漏误差较大，因此当前主流的研究方向是振动测漏。因此，如何进一步提高振动检测管道泄漏的及时性是亟待解决的问题。
发明内容
本发明针对现有技术中存在的技术问题，提供一种管道泄漏监测方法、系统、电子设备及存储介质，用以解决如何进一步提高振动检测管道泄漏的及时性的问题。
根据本发明的第一方面，提供了一种管道泄漏监测方法，包括：
获取Lora网关上传的管道振动数据；
将所述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；
基于粒子群优化算法和所述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；
基于所述管道泄漏检测模型对所述预测样本进行检测。
在上述技术方案的基础上，本发明还可以作出如下改进。
优选的，所述获取Lora网关上传的管道振动数据的步骤之前，包括：
Lora网关向无线传感单元发送唤醒指令，所述唤醒指令包括对时信息，所述无线传感单元包括通信模块、加速度传感器和主控制器；
所述通信模块基于所述对时信息唤醒所述主控制器，所述主控制器通过所述加速度传感器获取管道振动数据，并通过所述通信模块发送至所述Lora网关。
优选的，所述主控制器通过所述加速度传感器获取管道振动数据的步骤之后，包括：
所述主控制器对所述管道振动数据进行特征提取，并将提取到的特征数据设定为所述管道振动数据，所述特征提取的步骤包括时域特征提取和频域特征提取。
优选的，所述时域特征提取，包括：提取所述管道振动数据中的时域平均值X1、时域方差值X2和时域峰峰值X3。
优选的，所述时域平均值X1为：
所述时域方差值X2为：
所述时域峰峰值X3为：
其中，m为所述管道振动数据的数量，
为序号，
为第
个管道振动数据，
为管道振动数据的最大值，
为管道振动数据的最小值。
优选的，所述频域特征提取，包括：通过傅里叶变换将所述管道振动数据变换至频率，并计算所述管道振动数据的频域平均值Fx和Fy。
优选的，所述基于所述管道泄漏检测模型对所述预测样本进行检测的步骤之后，包括：
当检测结果为发生泄漏时，获取所述管道振动数据对应的无线传感单元，基于所述无线传感单元的信息发送预警信息。
根据本发明的第二方面，提供一种管道泄漏监测系统，包括：
数据获取模块，用于获取Lora网关上传的管道振动数据；
样本处理模块，用于将所述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；
模型训练模块，用于基于粒子群优化算法和所述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；
样本检测模块，用于基于所述管道泄漏检测模型对所述预测样本进行检测。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现上述第一方面中任一管道泄漏监测方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现上述第一方面中任一管道泄漏监测方法的步骤。
本发明提供的一种管道泄漏监测方法、系统、电子设备及存储介质，方法包括：获取Lora网关上传的管道振动数据；将上述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；基于粒子群优化算法和上述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；基于上述管道泄漏检测模型对上述预测样本进行检测。本发明通过获取Lora网关上传的管道振动数据，并对归一化处理后的管道振动数据转换为训练样本和预测样本，并基于粒子群优化算法以及训练样本对支持向量机进行训练，得到管道泄漏检测模型，并基于上述管道泄漏检测模型对上述预设样本进行检测，从而实现对管道振动数据检测，得到目标管道的泄漏状态，从而还可以基于上述泄漏状态进行预警，进而进一步的提高了振动检测管道泄漏的及时性以及预警准确性。
附图说明
图1为本发明提供的一种管道泄漏监测方法流程图；
图2为本发明提供的无线传感单元硬件架构的示意图；
图3为本发明提供的无线传感单元工作流程的示意图；
图4为本发明提供的数据上传流程示意图；
图5为本发明提供的应用层工作流程示意图；
图6为本发明提供的管道泄漏监测方法试验设备简图；
图7为本发明提供的一种管道泄漏监测系统结构示意图；
图8为本发明提供的一种可能的电子设备的硬件结构示意图；
图9为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明提供的一种管道泄漏监测方法流程图，如图1所示，方法包括：
步骤S100：获取Lora网关上传的管道振动数据；
需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信及程序运行功能的计算机终端设备，例如：电脑、平板电脑等；也可以是具有相同相似功能的服务器设备，还可以是具有相似功能的云服务器，本实施例对此不做限制。为了便于理解，本实施例及下述各实施例将以服务器设备为例进行说明。
可以理解的是，上述Lora网关可以是用于将数据从采集端发送至服务器端，上述采集端可以是一种无线传感单元，上述Lora网关与无线传感单元通过USR私有协议实现自由组网、自动为入网节点分配信道，实现对感知层无线传感单元的管理、状态显示，确保数据安全可靠的上传。网关与服务器之间的数据上传基于MQTT、Socket等数据协议。
进一步的，所述获取Lora网关上传的管道振动数据的步骤之前，包括：
步骤S001：Lora网关向无线传感单元发送唤醒指令，所述唤醒指令包括对时信息，所述无线传感单元包括通信模块、加速度传感器和主控制器；
步骤S002：所述通信模块基于所述对时信息唤醒所述主控制器，所述主控制器通过所述加速度传感器获取管道振动数据，并通过所述通信模块发送至所述Lora网关。
可以理解的是，上述Lora网关会定时唤醒上述无线传感单元（Lora模块），同时Lora模块根据传入的对时信息校正RTC定时器，然后唤醒MCU(主控制器)获取传感器数据并处理，最后通过Lora（通信模块）上传至网关。为了降低功耗，在数据上传结束后设备立即进入休眠状态，等待网关下一次唤醒。
进一步的，所述主控制器通过所述加速度传感器获取管道振动数据的步骤之后，包括：
步骤S003：所述主控制器对所述管道振动数据进行特征提取，并将提取到的特征数据设定为所述管道振动数据，所述特征提取的步骤包括时域特征提取和频域特征提取。
进一步的，所述时域特征提取，包括：提取所述管道振动数据中的时域平均值X1、时域方差值X2和时域峰峰值X3。
所述时域平均值X1为：
所述时域方差值X2为：
所述时域峰峰值X3为：
其中，m为所述管道振动数据的数量，
为序号，
为第
个管道振动数据，
为管道振动数据的最大值，
为管道振动数据的最小值。
进一步的，所述频域特征提取，包括：通过傅里叶变换将所述管道振动数据变换至频率，并计算所述管道振动数据的频域平均值Fx和Fy。
步骤S200：将所述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；
步骤S300：基于粒子群优化算法和所述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；
步骤S400：基于所述管道泄漏检测模型对所述预测样本进行检测。
进一步的，所述基于所述管道泄漏检测模型对所述预测样本进行检测的步骤之后，包括：
步骤S500：当检测结果为发生泄漏时，获取所述管道振动数据对应的无线传感单元，基于所述无线传感单元的信息发送预警信息。
需要说明的是，上述检测结果包括发生泄漏和未发生泄漏，当未发生泄漏时，上述服务器继续通过上述Lora网关获取管道振动数据保持持续性对管道的泄漏状态检测，当发生泄漏时，则可以获取上述管道振动数据对应发送数据的无线传感单元的设备信息，其设备信息包括安装位置等，并基于上述安装位置信息向相关值守人员发送预警信息。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种管道泄漏监测方法。方法包括：获取Lora网关上传的管道振动数据；将上述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；基于粒子群优化算法和上述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；基于上述管道泄漏检测模型对上述预测样本进行检测。本发明通过获取Lora网关上传的管道振动数据，并对归一化处理后的管道振动数据转换为训练样本和预测样本，并基于粒子群优化算法以及训练样本对支持向量机进行训练，得到管道泄漏检测模型，并基于上述管道泄漏检测模型对上述预设样本进行检测，从而实现对管道振动数据检测，得到目标管道的泄漏状态，从而还可以基于上述泄漏状态进行预警，进而进一步的提高了振动检测管道泄漏的及时性以及预警准确性。
在一种可能的实施例方式中，本发明为了解决背景技术中的问题，还设计了一种由低功耗的物联网传感设备获取管道振动信息的系统，并采用支持向量机和多智能体技术对数据进行分析，从而获得管道泄漏状态的方法。
其中，系统的总体架构分为3层，首先，最底层是感知层，由多个用于前端信息获取和预处理的无线传感模块所组成。其次是网络层，用于上下层之间的数据传输和控制。最上层为应用层，该层主要是通过智能计算和机器学习方法对传感器信息进行特征处理，从而得到泄漏状态。另外，该设备采用了分布式计算的方法对前端感知层所获取的数据进行压缩，可以在保证数据可靠性和处理实时性的基础上，为降低物联网通讯模块功耗和服务复杂度提供了重要支持。
具体的，感知层处于系统的最底层，由无线传感单元组成，主要功能包括数据采集和预处理功能、底层与上层的信息交互。中间层为网络层，该层基于Lora网络协议同底层无线传感单元进行信息交互，同时可利用Wi-Fi、NB-IOT等无线通讯协议与上层应用层进行网络连接。可以说本层的主要目的是打通感知层和应用层的信息交互通道。应用层处于系统最上层，其主要工作是利用本文所阐述的算法对来自底层的数据进行最终处理，完成管道泄漏判断、预测、预警、数据存储，以及人机交互等工作。
上述感知层的无线传感单元，是具有一定数据里处理能力的无线传感单元，其硬件架构图参见图2，图2为本发明提供的无线传感单元硬件架构的示意图，在图2中，上述无线传感单元由加速度传感器和主控制器、通信模块和电源4个部分组成；在满足低功耗的要求下，无线传感单元集成了数据采集、底层数据预处理、数据上传以及系统对时等多个功能。
具体的，当管道出现泄漏时，管道泄漏状态会直接在振动信息中得到反映，因此每个无线传感单元首先通过三轴加速度传感器获取三个轴向的管道振动信息。三轴加速度传感器采用了一个MEMS传感器（Freescale公司，MMA8451Q），能够有效满足本设计中的低功耗（供应电源电流最低6μA，最大165μA）、绝对误差可达±1.22×10-4g，并且可以利用传感器中内嵌的CPU实现前端信号的基本处理工作。根据管道振动特性以及本设计的功耗需求，使用超低功耗嵌入式CPU（意法半导体公司，STM32L053C8T6）以800Hz采样速率获取振动数据。该CPU对采样数据进行预处理后，通过Lora无线模块与Lora网关进行连接后，传输给应用层。本Lora模块（USR-IOT公司，WH-L101，发送时电流125mA）与网关之间按照USR私有协议进行信息交互。
此无线传感单元满足小型化。其主板主体尺寸为75mm*44mm，大小近似三个可乐瓶盖。该无线传感单元的安装也十分方便，将主板与电池固定在模具中之后，只需拧紧2个螺丝就可完成一个无线传感单元的布置。
在本实施例中，通过多种方式降低无线传感单元的功耗。首先，选用了低功耗的硬件设备满足设计需求。然后，在CPU中对振动数据进行了特征压缩处理降低上传数据量。最后，通过如图3所示无线传感单元的工作流程，协调感知层工作周期，尽可能地降低功耗。网关会定时唤醒Lora模块，同时Lora模块根据传入的对时信息校正RTC定时器，然后唤醒MCU获取传感器数据并处理，最后通过Lora上传至网关。为了降低功耗，在数据上传结束后设备立即进入休眠状态，等待网关下一次唤醒。综合考虑管道泄漏的可能性以及泄漏损失，设备运行周期为10min，其中不到1%的时间为工作状态。这种工作模式下，设备的平均电流功耗为8uA/h，正常使用的情况下，可运行数年。
具体的，网络层可以是基于Lora网关作为网络层的核心，实现数据上传功能。网关与无线传感单元通过USR私有协议实现自由组网、自动为入网节点分配信道，实现对感知层无线传感单元的管理、状态显示，确保数据安全可靠的上传。网关与应用层之间的数据上传基于MQTT、Socket等数据协议。
数据上传流程如图4所示，可分为两部分：管道振动信息上传至网关，网关数据汇总上传至云平台。MCU将处理好的振动数据通过串口打包发送到Lora模块，添加协议后通过Lora无线上传至网关。等待该网关对包含的所有无线传感单元上传的数据处理完成后，通过移动网络或互联网等方式发送到应用层。
具体的，应用层可以是使用SVM对云端储存的管道振动状态进行数据分析，预测管道状态。当分析结果为管道泄漏时，向无线传感单元下达采集时域信号命令，用于互相关定位，缩小泄漏点的排查范围。上述应用层则根据无线传感单元预先设定的唯一ID来锁定管道泄漏的位置信息，直接警告用户，以便做出及时的处理，减少水资源浪费。此过程如图5所示。
在上述管道状态振动状态进行数据分析的步骤，可以是上述应用层对感知层获取的管道振动信息进行数据分析，预测现实状况下管道泄漏的可能状态。在管道泄漏技术中，通常采用机器学习方法，其中支持向量机和人工神经网络表现较为突出。本实施例中采取支持向量机算法检测管道泄漏情况。管道振动数据经归一化处理后，将样本空间划分成两部分（一组为训练样本、另一组为预测样本）进行分类器训练与识别。
支持向量机在训练前的参数选取（惩罚因子c和核函数参数gamma）会影响模型最终的分类识别结果。不同的参数组合，得到识别效果不同的模型。因此，支持向量机的优化问题可看作参数组合的寻优问题。找到最优的惩罚因子C和核函数参数gamma组合是提高模型识别准确率的关键。本实施例综合考虑后利用粒子群优化算法来对SVM的模型进行优化。优化过程可用以下公式来表示：
其中，
，
，d表示矢量的维度；
表示所有粒子的最优位置；
表示第i个粒子的速度；
表示第i个粒子历史最优位置；
表示第i个粒子的位置；k表示迭代器的次数；
,
是在区间[0,1]内的两个随机数，用于表示种群的多样性；
表示惯性权重；
为认知因子，
为社会学习因子，统称为学习因子，一般使用默认值2。
将粒子群优化算法后的参数和训练样本一起送入支持向量机中训练，得到训练模型。最终，通过预测样本评价训练器性能，为应用层的管道泄漏检测提供支持。
本实施例中，通过将上述管道泄漏监测方法具体化成感知层、网络层以及应用层，从而建立了一种管道泄漏监测系统，进而实现对管道振动数据检测，得到目标管道的泄漏状态，从而还可以基于上述泄漏状态进行预警，进而进一步的提高了振动检测管道泄漏的及时性以及预警准确性。
在一种可能的实施例方式中，上述无线传感单元的底层数据预处理的功能，可以是对上传的管道振动数据做数据压缩处理。由于在一个有2000无线传感单元的网络下，每年感知层获取的数据包总量大于10亿。如果不对单个数据包的大小加以限制，一方面会使云平台服务变得更加复杂，另一方面会大量增加感知层无限传感单元的功耗。因此，在本实施例中可以采用分布式计算的方式对管道振动数据进行压缩处理。
上述分布式计算的方式可以是开始于无线传感单元获取管道振动信息，再经过简单处理，提取有效特征，终止于向网关上传数据。中间的提取信息处理过程由无线传感单元的CPU来完成，上述分布式计算的方式也可以认为是一种云边端的计算方式，其具体方式为：
为了得到具有代表性的特征数据，对管道在两种状态下的振动信号的分析是必不可少的。分别对管道两种状态下的振动信号进行分析，提取时域和频域中效果较好的特征来作为特征压缩处理的结果。
其中，时域特征提取可以是时域上提取管道振动信息的时域平均值X1、时域方差值X2和时域峰峰值X3，具体计算为：
所述时域方差值X2为：
所述时域峰峰值X3为：
其中，m为所述管道振动数据的数量，
为序号，
为第
个管道振动数据，
为管道振动数据的最大值，
为管道振动数据的最小值。
其中，频域特征提取可以是通过傅里叶变换将时域信号变换到频域，在通过计算不同轴向上的管道振动数据的频域平均值Fx和Fy。其计算为：
其中，公式6为标准的傅里叶变换公式，n为所述管道振动数据的数量，i为序号，
为第i个管道振动数据。
在上述数据预处理之后，将上述5个特征作为一个新的特征组上传至网关，进而发送至应用层进行数据分析。
本实施例中，在保证特征信息有效的前提下将原始512字节的数据减少到5字节。对于无线传感单元，在CPU中特征提取的操作将产生额外的功耗。然而上传数据的减少意味着传输功耗降低，缩短整个设备的运行时间。
在一种可能的实施例方式中，本实施例为了对上述管道泄漏监测方法进行验证，还提供了一套实验装置，其装置参见图6，图6为本发明提供的管道泄漏监测方法试验设备简图；左面虚线框中内容为管壁振动加速度信号测量端的实验装置，其中水箱的容量为25L，水泵的功率为305W，管道使用PVC材料，管道外径为26.9mm，内径21.3mm，左侧管道无漏孔，右侧管道设置一个直径为2mm的漏孔，测量管段以及两端连接的软管，每段长度约1m。当对管道正常情况进行测量时，只需打开图中中间的两个阀门，关闭图中右侧的两个阀门；相反，当对管道存在泄漏情况进行测量时，关闭中间的阀门，打开右侧的阀门即可。在实验过程中我们利用电脑来模拟云平台，通过串口通信实现无线传感单元与电脑之间的通信，代替应用层。红色的线代表数据流，管道采集到的原始振动数据经硬件MCU进行特征量压缩，无线传感单元将压缩后的特征量上传到Lora网关，再由Lora网关上传到电脑来进行管道泄漏分析。实验中使用MATLAB(2020b)和Anaconda3进行实验数据分析。
在上述实验装置中，两个无线传感单元分别为输水管道两侧收集管道振动数据，该数据通过串口发送到计算机进行数据分析。在数据收集过程中水泵的流速、传感单元的位置、阀门的大小、管道的倾斜程度都多次改变，来模拟实际情况。实验中采样频率为800Hz，采样点数为512个。
在通过上述实验装置进行实验时，考虑到特征的质量会很大程度上的影响SVM分类器的训练结果，因此对泄漏和未泄漏两种状态下的信号进行分析。在实验中发现泄漏状态下在Y轴上管道振动幅值与未泄漏时差异较大。此外在X轴和Y轴上差异较小。在未泄漏时管道振动信号的频域能量相对集中在50~150Hz之间。然而在发生泄漏时，Y轴上振动信号的频谱能量相对分散。因此，管道在两种状态下特征存在着一定的差异。
通过上述的比较，只能观察到在Y轴上两种状态下的振动信息差异较大。进一步，提取三个轴振动数据的时域和频域统计特征进行比较，选取最有效的特征作为SVM分类器的输入。其中，时域统计特征包含平均值（F1）、绝对平均值（F2）、方差（F3）、均方幅值（F4）、均方根值（F5）、峰峰值（F6）；频域统计特征包含平均频率（F7）、重心频率（F8）、均方频率（F9）、频谱均方根值（F10）、频率偏度（F11）、幅值偏度（F12），计算公式如表1所示。然后根据卡方检验公式（9）计算每个特征值与管道状态样本标签之间的相关性系数，其中计算值越大说明相关性越高。
表1.特征计算公式
其中，
表示振动数据时域信息，
表示振动数据频域信息，F表示频率值。
其中，卡方检验公式为：
其中，fi为i水平的观察频数，n为总频数，
为i水平的观察频数。
根据卡方检验的结果可知，Y轴上振动数据的时域平均值卡方检验结果最高，达到7.83142，该特征与管道状态之间有很大的相关性，同时，综合所有特征结果来看，X轴上特征数据卡方检验水平最高，提取的大多数特征在两种状态下都存在一定的辨识度。其次，就是Z轴上的检验结果，仅有4个特征上存在明显差异，其他特征辨识度很低。
最终为了提取出最有效的特征值组合，在全部特征中和每个轴向上选取12个特征中的8个，共4组特征，进行SVM分类器的训练。为了简化过程，在特征选取时只根据特征卡方检验结果进行选择，不考虑不同特征之间组合带来的影响。
在本实施例模型训练中，生成了75组实验数据(36组未泄漏数据和39组泄漏数据)，其中45组被选为训练集，30组被选为预测集。之后，使用Matlab工具箱(libsvm)来实现分类。
首先，使用粒子群算法找到最合适的SVM超参数。四个特征组在200次参数寻优后的适应度值分别为82.2（混合特征组）、80.0（X轴特征组）、53.3（Y轴特征组）、73.3（Z轴特征组）。其中，混合特征组和X轴特征组优化结果优于Y轴和Z轴。
进一步验证四种组合的优化结果，将PSO优化后的参数和训练集带入到SVM分类器中进行训练。在上述训练结果中给出了参数优化后四种特征组合的预测结果。其中‘1’表示泄漏，‘-1’表示未泄漏，‘o’表示实际管道状态，‘*’表示预测管道状态。混合特征组（a）、X轴特征组（b）、Y轴特征组（c）、Z轴特征组（d）的测试准确率分别为83.3333%、83.3333%、53.3333%、66.6667%。因此，上述统计特征可以应用于实际管道泄漏预测中，并且混合特征组和X轴特征组此两组特征结果优于Y轴特征组和Z轴特征组。同时，Y轴特征组对于未泄漏状态极度不敏感。为了避免PSO优化参数过小以及得到更好的特征组合，在这8个特征的基础上，进一步对选取的特征进行分析。
进一步的，在一种可能的实验中，给出不同数量特征下的模型预测结果。（每个数量下的特征组训练10次，预测结果取平均值）。其中，混合特征组和Y轴特征组上（两个组的第一个特征相同，都为Y轴振动信号的时域平均值）的第一个特征预测结果达到高。但随着特征的增加，Y轴特征组的预测结果相对较低，而混合特征组的模型预测结果一直保持在四个特征组中的第一位。同时，混合特征组在特征数量为5时，达到预测精度的最大值。表2使出了不同数量特征下最优的模型预测结果。可看出混合特征组在模型预测结果中占据了极大的优势。
表2.不同数量特征下模型预测精确度最高值
在一种可能的实施例方式中，上述特征压缩的效果的实验可以是，选取300个节点模块轮询上传，通信距离为1500m，采用3.125Kbps的通信速率并且考虑到信号空中耗时为200ms，分别对512字节的原始加速度数据和压缩后5字节的特征量数据进行耗时计算（时长计算依据官方文件）。图中可以看出发送512字节耗时694秒，5字节耗时170秒，数据上传结束后无线传感单元会进入低功耗模式，耗时不同可以侧面反映出模块耗能不同，发送时间越长耗能越大，因此采取特征量压缩可以大大减少无线传感单元的电量消耗。
本实施例中，通过无线传感单元获取管道振动数据，并经过预处理后通过Lora通信上传至云端（服务器端），上述信息作为SVM分类器的输入，以确定无线传感器单元所在的管道状态，进一步发现泄漏后再通过泄漏噪声相关性来确定泄漏位置，从而大大的增加了泄漏预警的可靠性。
请参阅图7，图7为本发明实施例提供的一种管道泄漏监测系统结构图示意图，如图7所示，一种管道泄漏监测系统，包括数据获取模块100、样本处理模块200、模型训练模块300和样本检测模块400，其中：
数据获取模块100，用于获取Lora网关上传的管道振动数据；样本处理模块200，用于将所述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；模型训练模块300，用于基于粒子群优化算法和所述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；样本检测模块400，用于基于所述管道泄漏检测模型对所述预测样本进行检测。
可以理解的是，本发明提供的一种管道泄漏监测系统与前述各实施例提供的管道泄漏监测方法相对应，管道泄漏监测系统的相关技术特征可参考管道泄漏监测方法的相关技术特征，在此不再赘述。
请参阅图8，图8为本发明实施例提供的电子设备的实施例示意图。如图8所示，本发明实施例提供了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：
获取Lora网关上传的管道振动数据；将上述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；基于粒子群优化算法和上述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；基于上述管道泄漏检测模型对上述预测样本进行检测。
请参阅图9，图9为本发明提供的一种计算机可读存储介质的实施例示意图。如图9所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：
获取Lora网关上传的管道振动数据；将上述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；基于粒子群优化算法和上述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；基于上述管道泄漏检测模型对上述预测样本进行检测。
本发明实施例提供的一种管道泄漏监测方法、系统及存储介质，方法包括：获取Lora网关上传的管道振动数据；将上述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；基于粒子群优化算法和上述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；基于上述管道泄漏检测模型对上述预测样本进行检测。本发明通过获取Lora网关上传的管道振动数据，并对归一化处理后的管道振动数据转换为训练样本和预测样本，并基于粒子群优化算法以及训练样本对支持向量机进行训练，得到管道泄漏检测模型，并基于上述管道泄漏检测模型对上述预设样本进行检测，从而实现对管道振动数据检测，得到目标管道的泄漏状态，从而还可以基于上述泄漏状态进行预警，进而进一步的提高了振动检测管道泄漏的及时性以及预警准确性。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种管道泄漏监测方法，其特征在于，所述方法包括：
获取Lora网关上传的管道振动数据；
将所述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；
基于粒子群优化算法和所述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；
基于所述管道泄漏检测模型对所述预测样本进行检测。
2.根据权利要求1所述的管道泄漏监测方法，其特征在于，所述获取Lora网关上传的管道振动数据的步骤之前，包括：
Lora网关向无线传感单元发送唤醒指令，所述唤醒指令包括对时信息，所述无线传感单元包括通信模块、加速度传感器和主控制器；
所述通信模块基于所述对时信息唤醒所述主控制器，所述主控制器通过所述加速度传感器获取管道振动数据，并通过所述通信模块发送至所述Lora网关。
3.根据权利要求2所述的管道泄漏监测方法，其特征在于，所述主控制器通过所述加速度传感器获取管道振动数据的步骤之后，包括：
所述主控制器对所述管道振动数据进行特征提取，并将提取到的特征数据设定为所述管道振动数据，所述特征提取的步骤包括时域特征提取和频域特征提取。
4.根据权利要求3所述的管道泄漏监测方法，其特征在于，所述时域特征提取，包括：提取所述管道振动数据中的时域平均值X1、时域方差值X2和时域峰峰值X3。
5.根据权利要求4所述的管道泄漏监测方法，其特征在于，所述时域平均值X1为：
所述时域方差值X2为：
所述时域峰峰值X3为：
其中，m为所述管道振动数据的数量，
为序号，
为第
个管道振动数据，
为管道振动数据的最大值，
为管道振动数据的最小值。
6.根据权利要求3所述的管道泄漏监测方法，其特征在于，所述频域特征提取，包括：通过傅里叶变换将所述管道振动数据变换至频率，并计算所述管道振动数据的频域平均值Fx和Fy。
7.根据权利要求1所述的管道泄漏监测方法，其特征在于，所述基于所述管道泄漏检测模型对所述预测样本进行检测的步骤之后，包括：
当检测结果为发生泄漏时，获取所述管道振动数据对应的无线传感单元，基于所述无线传感单元的信息发送预警信息。
8.一种管道泄漏监测系统，其特征在于，包括
数据获取模块，用于获取Lora网关上传的管道振动数据；
样本处理模块，用于将所述管道振动数据进行归一化处理后，将处理结果划分为训练样本和预测样本；
模型训练模块，用于基于粒子群优化算法和所述训练样本，对待训练支持向量机进行训练，得到管道泄漏检测模型；
样本检测模块，用于基于所述管道泄漏检测模型对所述预测样本进行检测。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的管道泄漏监测方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的管道泄漏监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310093625.6A CN115795373A (zh) | 2023-02-10 | 2023-02-10 | 一种管道泄漏监测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310093625.6A CN115795373A (zh) | 2023-02-10 | 2023-02-10 | 一种管道泄漏监测方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115795373A true CN115795373A (zh) | 2023-03-14 |
Family
ID=85430743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310093625.6A Pending CN115795373A (zh) | 2023-02-10 | 2023-02-10 | 一种管道泄漏监测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115795373A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116464918A (zh) * | 2023-05-06 | 2023-07-21 | 江苏省特种设备安全监督检验研究院 | 管道泄漏检测方法、系统及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108626582A (zh) * | 2018-05-18 | 2018-10-09 | 昆明理工大学 | 一种基于LoRa的自发电供热管道实时测漏装置 |
| CN110081224A (zh) * | 2019-06-03 | 2019-08-02 | 秦皇岛凡尔科技有限公司 | 一种基于物联网的管道泄漏检测控制系统 |
| CN211260377U (zh) * | 2019-09-06 | 2020-08-14 | 陕西拓普索尔电子科技有限责任公司 | 一种具有漏水检测功能的管道监测系统 |
| CN211902392U (zh) * | 2020-02-25 | 2020-11-10 | 国家能源集团宁夏煤业有限责任公司 | 基于物联网技术的煤矿管道漏水定位系统和温湿度传感器 |
| CN112001600A (zh) * | 2020-07-31 | 2020-11-27 | 华中科技大学 | 一种基于svm和ds理论的渗漏水风险监测方法 |
| CN112240487A (zh) * | 2019-07-17 | 2021-01-19 | 南京邮电大学 | 一种基于lora的供水管网泄漏探测定位系统 |
| CN115640511A (zh) * | 2022-12-24 | 2023-01-24 | 武汉商启网络信息有限公司 | 一种基于支持向量机的管道泄露检测方法及装置 |
-
2023
- 2023-02-10 CN CN202310093625.6A patent/CN115795373A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108626582A (zh) * | 2018-05-18 | 2018-10-09 | 昆明理工大学 | 一种基于LoRa的自发电供热管道实时测漏装置 |
| CN110081224A (zh) * | 2019-06-03 | 2019-08-02 | 秦皇岛凡尔科技有限公司 | 一种基于物联网的管道泄漏检测控制系统 |
| CN112240487A (zh) * | 2019-07-17 | 2021-01-19 | 南京邮电大学 | 一种基于lora的供水管网泄漏探测定位系统 |
| CN211260377U (zh) * | 2019-09-06 | 2020-08-14 | 陕西拓普索尔电子科技有限责任公司 | 一种具有漏水检测功能的管道监测系统 |
| CN211902392U (zh) * | 2020-02-25 | 2020-11-10 | 国家能源集团宁夏煤业有限责任公司 | 基于物联网技术的煤矿管道漏水定位系统和温湿度传感器 |
| CN112001600A (zh) * | 2020-07-31 | 2020-11-27 | 华中科技大学 | 一种基于svm和ds理论的渗漏水风险监测方法 |
| CN115640511A (zh) * | 2022-12-24 | 2023-01-24 | 武汉商启网络信息有限公司 | 一种基于支持向量机的管道泄露检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘浩 等: "一种基于物联网技术的管道漏失检测电路设计" * |
| 周步祥 等, 机械工业出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116464918A (zh) * | 2023-05-06 | 2023-07-21 | 江苏省特种设备安全监督检验研究院 | 管道泄漏检测方法、系统及存储介质 |
| CN116464918B (zh) * | 2023-05-06 | 2023-10-10 | 江苏省特种设备安全监督检验研究院 | 管道泄漏检测方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109357167B (zh) | 一种燃气管道漏点检测装置及检测方法 | |
| CN104061445B (zh) | 一种基于神经网络的管道泄漏检测方法 | |
| EP3637328A1 (en) | Refrigerant leak detection method and device for air conditioner | |
| CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
| CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
| CN107085904B (zh) | 基于单分类svm的森林火险等级判定方法及系统 | |
| CN115795373A (zh) | 一种管道泄漏监测方法、系统、电子设备及存储介质 | |
| CN111414694A (zh) | 一种基于fcm和bp算法的污水监测系统及其建立方法 | |
| CN107013813A (zh) | 一种供水管道泄露量估算系统及方法 | |
| CN104463359A (zh) | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 | |
| CN110912737A (zh) | 一种基于混合模型的动态感知性能预告警方法 | |
| CN105320834B (zh) | 基于电器使用状态的人数计算方法及其监控系统 | |
| CN102937320B (zh) | 用于智能空调的健康保护方法 | |
| CN110231447A (zh) | 水质异常检测的方法、装置及终端设备 | |
| CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
| CN109920192A (zh) | 火灾报警方法、系统及计算机可读存储介质 | |
| EP2431877A3 (en) | System and method for modeling conditional dependence for anomaly detection in machine condition monitoring | |
| WO2021169464A1 (zh) | 养殖场风险预测方法、装置、设备及存储介质 | |
| CN109088747A (zh) | 云计算系统中资源的管理方法和装置 | |
| CN109633448A (zh) | 识别电池健康状态的方法、装置和终端设备 | |
| CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
| CN115290140A (zh) | 一种智慧园区环境监测方法、系统、设备及存储介质 | |
| CN107687994A (zh) | 空气检测系统及方法 | |
| CN103246814A (zh) | 一种基于K-means建模的个人用电设备状态识别方法 | |
| CN112070317A (zh) | 酒店空调能耗预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230314 |
|
| RJ01 | Rejection of invention patent application after publication |