CN115899595A - 一种智慧燃气管道防腐优化方法、物联网系统及存储介质 - Google Patents
一种智慧燃气管道防腐优化方法、物联网系统及存储介质 Download PDFInfo
- Publication number
- CN115899595A CN115899595A CN202310216731.9A CN202310216731A CN115899595A CN 115899595 A CN115899595 A CN 115899595A CN 202310216731 A CN202310216731 A CN 202310216731A CN 115899595 A CN115899595 A CN 115899595A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- gas
- pipeline
- platform
- gas 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000005536 corrosion prevention Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000005260 corrosion Methods 0.000 claims abstract description 379
- 230000007797 corrosion Effects 0.000 claims abstract description 377
- 230000008439 repair process Effects 0.000 claims abstract description 154
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000007689 inspection Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 36
- 230000007613 environmental effect Effects 0.000 claims description 20
- 239000011248 coating agent Substances 0.000 claims description 12
- 238000000576 coating method Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 12
- 239000007789 gas Substances 0.000 description 340
- 238000011156 evaluation Methods 0.000 description 64
- 238000007726 management method Methods 0.000 description 60
- 230000000875 corresponding effect Effects 0.000 description 52
- 230000003628 erosive effect Effects 0.000 description 24
- 238000012549 training Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 19
- 239000003973 paint Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009193 crawling Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000011247 coating layer Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 231100000279 safety data Toxicity 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L58/00—Protection of pipes or pipe fittings against corrosion or incrustation
- F16L58/02—Protection of pipes or pipe fittings against corrosion or incrustation by means of internal or external coatings
- F16L58/04—Coatings characterised by the materials used
- F16L58/10—Coatings characterised by the materials used by rubber or plastics
- F16L58/1009—Coatings characterised by the materials used by rubber or plastics the coating being placed inside the pipe
- F16L58/1027—Coatings characterised by the materials used by rubber or plastics the coating being placed inside the pipe the coating being a sprayed layer
-
- 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
- F17D5/00—Protection or supervision of installations
-
- 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
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Acoustics & Sound (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Robotics (AREA)
Abstract
本说明书实施例提供了一种智慧燃气管道防腐优化方法、物联网系统及存储介质,该方法通过基于智慧燃气管道防腐优化物联网系统的智慧燃气安全管理平台实现,该方法包括:获取燃气管网中的燃气管道的巡检数据,巡检数据包括燃气监测数据;基于巡检数据,确定燃气管道的管壁的腐蚀情况;基于管壁的腐蚀情况,确定修复方案。
Description
技术领域
本说明书涉及物联网技术和燃气管道防腐领域,特别涉及一种智慧燃气管道防腐优化方法、物联网系统及存储介质。
背景技术
燃气主要通过管道运输,随着燃气的普及,日常燃气需求越来越大,由于燃气管道常常铺设于地表之下,燃气管道可能因为地下环境因素的腐蚀而导致漏气,从而可能会发生爆炸、火灾等事故,进而造成人员的伤亡和财产的损失。为了确保供气的安全,燃气管道的腐蚀问题应该受到重视。
因此,希望提出一种燃气管道防腐的优化方法,有效控制燃气管道的腐蚀,高效处理管道腐蚀问题并进行修复,提高燃气管道的安全性能。
发明内容
本说明书发明内容包括一种智慧燃气管道防腐优化方法,所述方法包括:获取燃气管网中的燃气管道的巡检数据,巡检数据包括燃气监测数据;基于巡检数据,确定燃气管道的管壁的腐蚀情况;基于管壁的腐蚀情况,确定修复方案。
本说明书发明内容包括一种智慧燃气管道防腐优化物联网系统,所述智慧燃气管道防腐优化物联网系统的智慧燃气安全管理平台被配置为执行以下操作,包括:获取燃气管网中的燃气管道的巡检数据,巡检数据包括燃气监测数据;基于巡检数据,确定燃气管道的管壁的腐蚀情况;基于管壁的腐蚀情况,确定修复方案。
本说明书发明内容包括一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行智慧燃气管道防腐优化方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的基于智慧燃气管道防腐优化物联网系统的示意图;
图2是根据本说明书一些实施例所示的智慧燃气管道防腐优化方法的示例性流程图;
图3是根据本说明书一些实施例所示的确定管壁腐蚀情况的示意图;
图4是根据本说明书一些实施例所示的确定第二预估腐蚀区域的腐蚀特征的示意图;
图5是根据本说明书一些实施例所示的确定修复方案示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和组成部分,而这些步骤和组成部分不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或组成部分。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于智慧燃气管道防腐优化物联网系统的示意图。
如图1所示,智慧燃气管道防腐优化物联网系统100包括智慧燃气用户平台、智慧燃气服务平台、智慧燃气安全管理平台、智慧燃气管网设备传感网络平台和智慧燃气管网设备对象平台。
在一些实施例中,可以通过实施本说明书中披露的智慧燃气管道防腐优化物联网系统100来确定燃气管道是否被腐蚀,以及腐蚀情况,并进一步确定被腐蚀的燃气管道的修复方案。
智慧燃气安全管理平台可以指统筹、协调各功能平台之间的联系和协作,汇聚着物联网全部的信息,为物联网运行体系提供感知管理和控制管理功能的平台。智慧燃气安全管理平台可以获取燃气管道的管壁的腐蚀情况和防腐处理方案等信息。在一些实施例中,智慧燃气安全管理平台可以用于执行智慧燃气管道防腐优化方法。有关智慧燃气管道防腐优化方法的更多内容可参见图1中的相关描述。
在一些实施例中,智慧燃气安全管理平台包括智慧燃气管网安全管理分平台和智慧燃气数据中心。在一些实施例中,智能燃气管网安全管理分平台与智慧燃气数据中心双向交互,智慧燃气管网安全管理分平台可以对数据进行存储、处理和/或传输,并可以进一步将处理的数据汇总到智慧燃气数据中心。智慧燃气数据中心基于汇总后的数据进行分析处理并存储,再上传数据至上层的智慧燃气服务平台以及下发数据到下层的智慧燃气管网设备传感网络平台。在一些实施例中,智慧燃气安全管理平台可以将腐蚀情况以及修复方案传输至智慧燃气数据中心;智慧燃气数据中心将腐蚀情况以及修复方案传输至智慧燃气服务平台;智慧燃气服务平台将腐蚀情况以及修复方案传输至智慧燃气用户平台。
在一些实施例中,智慧燃气管网安全管理分平台可以包括多个安全管理模块,例如,管网巡线安全管理模块、安全应急管理模块、管网风险评估管理模块、管网地理信息管理模块、管网设备安全检测模块等。其中,管网巡线安全管理模块可以查阅管网的巡检数据以及管网异常信息,为安全应急管理模块制定安全应急方案提供数据支持;安全应急管理模块可以根据官网设备的安全风险,制定应急处理计划,如,防腐处理方案等;管网风险评估管理模块可以根据预设模型,结合管网运行数据、管网基础数据进行管网安全风险评估,并根据评估情况进行安全分级,结合地理信息系统(GIS)进行三维可视化管理;管网地理信息管理模块可以实时查看管线以及设备的地理信息和自身属性信息,为现场作业提供数据支持;管网设备安全监测模块可以查阅智慧燃气管网设备对象平台中设备运行的历史安全数据和当前安全数据。在一些实施例中,智慧燃气管网安全管理分平台还可以包括管网燃气泄漏监测模块、场站巡检安全管理模块、场站燃气泄漏监测模块、场站设备安全监测模块、管网仿真管理模块等,具体可根据实际需求确定。
在一些实施例中,智慧燃气安全管理平台可以向下与智慧燃气管网设备传感网络平台进行交互,下发获取巡检数据的指令至智慧燃气管网设备传感网络平台并接收智慧燃气管网设备传感网络平台上传的燃气管道的巡检数据。在一些实施例中,智慧燃气安全管理平台可以向上与智慧燃气服务平台进行交互,接收智慧燃气服务平台下发的获取巡检数据等查询指令并上传腐蚀情况以及修复方案的相关数据至智慧燃气服务平台。
智慧燃气用户平台可以是用于与用户进行交互的平台。在一些实施例中,智慧燃气用户平台可以被配置为终端设备,例如,终端设备可以包括移动设备、平板计算机等或其任意组合。在一些实施例中,智慧燃气用户平台可以用于将燃气管道的管壁的腐蚀情况和修复方案等信息反馈给用户。
在一些实施例中,智慧燃气用户平台可以包括燃气用户分平台和监管用户分平台。燃气用户分平台面向燃气用户,为用户提供巡检数据和修复方案等,其中,燃气用户是指使用燃气的用户;监管用户分平台面向监管用户,对整个燃气管道防腐优化物联网系统的运行进行监管,其中,监管用户是指安全部门的用户。
在一些实施例中,燃气用户分平台可以与智慧用气服务分平台对应及交互。在一些实施例中,监管用户分平台可以与智慧监管服务分平台对应及交互,获取安全监管需求的服务。在一些实施例中,智慧燃气用户平台可以向下与智慧燃气服务平台进行双向交互,下发获取巡检数据等指令至智慧燃气服务平台并接收智慧燃气服务平台上传的巡检数据等。
智慧燃气服务平台可以是用于接收和传输数据和/或信息的平台。智慧燃气服务平台可以将巡检数据发送至智慧燃气用户平台。
在一些实施例中,智慧燃气服务平台包括智慧用气服务分平台和智慧监管服务分平台。智慧用气服务分平台对应于燃气用户分平台,为燃气使用用户提供监测燃气管道的管壁的腐蚀情况的服务等。智慧监管服务分平台对应于监管用户分平台,为燃气监管用户提供安全监管的服务。
在一些实施例中,智慧燃气服务平台可以向下与智慧燃气安全管理平台进行交互,下发获取巡检数据等指令至智慧燃气数据中心并接收智慧燃气数据中心上传的巡检数据等。在一些实施例中,智慧燃气服务平台可以向上与智慧燃气用户平台进行交互,接收用户平台下发的获取巡检数据等指令并上传巡检数据至智慧燃气用户平台。
智慧燃气管网设备传感网络平台可以是对传感通信进行管理的功能平台。智慧燃气传感网络平台可以被配置为通信网络和网关。
在一些实施例中,智慧燃气管网设备传感网络平台可以包括网络管理、协议管理、指令管理、数据解析等模块以实现前述对传感通信进行管理的功能。
在一些实施例中,智慧燃气管网设备传感网络平台可以向下与智慧燃气管网设备对象平台进行交互,下发获取巡检数据指令至智慧燃气管网设备对象平台并接收智慧燃气管网设备对象平台上传的巡检数据;智慧燃气管网设备传感网络平台可以向上与智慧燃气安全管理平台进行交互,接收智慧燃气数据中心下发的获取巡检数据的指令并上传巡检数据至智慧燃气数据中心。
智慧燃气管网设备对象平台可以是感知信息生成和控制信息执行的功能平台,可以包括监测装置。在一些实施例中,智慧燃气管网设备对象平台用于获取巡检数据,并通过智慧燃气管网设备传感网络平台传递至智慧燃气安全管理平台。
燃气管网设备对象平台可以被配置为多种设备,例如,管网设备和监测设备等。管网设备可以包括调压设备、燃气门站压缩机、燃气流量计、阀控设备、温度计、气压计等;监测设备可以包括巡检机器人、爬行机器人、温度传感器和PH值传感器等。
在一些实施例中,智慧燃气管网设备对象平台可以向上与智慧燃气管网设备传感网络平台进行交互,接收智慧燃气管网设备传感网络平台下发的获取巡检数据指令并上传巡检数据至智慧燃气管网设备传感网络平台。
本说明书的一些实施例中,通过以上方式,利用燃气监测的相关数据来确定每个区域的管道腐蚀情况,并制定修复管道腐蚀的修复方案,从而让业务人员迅速对管道腐蚀情况作出应对措施,及时修复管道,保证燃气的正常运输。
图2是根据本说明书一些实施例所示的智慧燃气管道防腐优化方法的示例性流程图。在一些实施例中,流程200可以由智慧燃气安全管理平台执行。流程200可以包括以下步骤:
步骤210,获取燃气管网中的燃气管道的巡检数据,巡检数据包括燃气监测数据。
巡检数据可以是对燃气管道进行巡查、监测后获得的数据。在一些实施例中,巡检数据可以包括燃气管网中不同点位的燃气监测数据、燃气深入检测数据等。其中,点位可以包括燃气管网中安装有监测设备的位置。
燃气监测数据可以指对燃气管网中燃气管道的不同点位进行监测得到的数据。在一些实施例中,燃气监测数据可以包括各个点位对应的燃气特征值。燃气特征值可以包括温度、压强、压力等。其中,温度可以指燃气管网的燃气管道不同点位内部的温度。
在一些实施例中,巡检数据还可以包括燃气管道深入检测数据。燃气管道深入检测数据可以指通过传感检测和图像识别的方法监测到的燃气管道特征数据。关于燃气管道深入检测数据的详细内容可以参见本说明书其他内容的描述,例如,图3。
在一些实施例中,智慧燃气安全管理平台可以获取燃气管道的巡检数据。智慧燃气安全管理平台可以通过管道固定点位的燃气监测装置监测燃气特征值。在一些实施例中,燃气监测装置可以通过厚度检测和图像识别等方式获得燃气监测数据。厚度检测可以获取厚度检测数据,图像识别可以获取图像检测数据,关于厚度检测数据、图像检测数据的详细内容可以参见本说明书其他内容的描述,例如,图3。
步骤220,基于巡检数据,确定燃气管道的管壁的腐蚀情况。
管壁的腐蚀情况可以指管道被腐蚀的表现。在一些实施例中,管壁的腐蚀情况可以包括被腐蚀的状态、类型等。被腐蚀的状态可以包括是否发生腐蚀、被腐蚀的区域、被腐蚀的程度等。例如:被腐蚀的区域可以是内壁涂层或外壁涂层。被腐蚀的程度可以包括产生裂痕、产生严重裂痕等。被腐蚀的类型可以是被不同物质影响形成的腐蚀,例如:内涂层受天然气影响的腐蚀、外涂层受土壤影响的腐蚀、内外涂层均受到管道热胀冷缩影响的腐蚀、受压力影响的腐蚀等。
在一些实施例中,智慧燃气安全管理平台可以基于燃气管网当前监测数据,确定一个或多个点位的腐蚀情况,进而确定一个或多个腐蚀区域。例如,可以基于燃气管网历史监测数据和历史腐蚀情况构建参考数据库,参考数据库中包含多个参考向量,每个参考向量至少包括参考环境单元特征、燃气管网历史监测数据,每个参考向量对应一种历史腐蚀情况;基于燃气管网当前位置的环境单元特征、当前监测数据与参考数据库中的向量进行匹配;根据相似度最高的参考向量对应的历史腐蚀情况预估当前腐蚀情况;若确定存在腐蚀,则基于预估存在腐蚀的区域确定为腐蚀区域。
在一些实施例中,智慧燃气安全管理平台还可以根据巡检数据构建管道图;基于巡检数据管道图,通过腐蚀概率预测模型确定燃气管道内各管道的腐蚀概率;基于各管道的腐蚀概率,确定预估腐蚀区域;对至少一个预估腐蚀区域进行厚度检测和图像识别,获取燃气深度检测数据;基于燃气监测数据和燃气深度检测数据,确定一个或多个预估腐蚀区域的腐蚀特征。关于根据管道图确定腐蚀情况的详细内容,可以详见本说明书其他内容的描述,例如图3。
步骤230,基于管壁的腐蚀情况,确定修复方案。
修复方案可以指针对管道的腐蚀情况制定的解决方案。在一些实施例中,修复方案可以包括修复路径或者修复物质。修复路径可以是修复机器人进行修复时途经的管道,以图5所示的管道图为例,修复路径可以是节点1-节点2-节点3的路线。修复物质可以和修复材料品类和数量相关,修复物质的品类可以是防腐涂料,修复物质的量可以是修复机器人携带的防腐涂料的量。有关确定修复方案的更多内容可参见本说明书图5及其相关描述。
在一些实施例中,智慧燃气安全管理平台可以通过所处环境相似的管道节点的修复方案来确定管道修复方案。例如:节点1和节点2所处的区域土壤、温度等环境因素相似,可以用节点1的修复方案确定节点2的修复方案。
在一些实施例中,智慧燃气安全管理平台可以基于管壁的腐蚀情况,确定修复操作。例如,响应于燃气管道内壁腐蚀情况满足修复条件(如,腐蚀情况为二级腐蚀),则协调相关燃气管道暂停工作,从而为管道修复提供时间。
在一些实施例中,智慧燃气安全管理平台还可以响应于管壁的腐蚀情况满足第一预设条件,控制修复机器人进入管道内部,根据修复方案修复管道。
在一些实施例中,智慧燃气安全管理平台还可以根据第二预设条件生成多条候选修复路径,通过多轮迭代确定目标修复路径。更多详细内容可参见本说明书图5中的相关描述。
本说明书的一个实施例通过智慧燃气管道防腐优化物联网系统细致清晰的平台分工,有效地掌握并控制了管道的腐蚀情况,根据管道腐蚀情况制定合适的修复方案,提高了管道腐蚀问题处理和修复的效率,保障了管道供气的安全。
图3是根据本说明书一些实施例所示的确定管壁腐蚀情况的示意图。如图3所示,流程300可以包括以下内容。
在一些实施例中,巡检数据还包括燃气深入检测数据。如图3所示,基于巡检数据,确定管壁的腐蚀情况,包括:基于巡检数据310构建燃气管网的第一管道图;基于第一管道图,确定燃气管道的腐蚀概率330;基于燃气管道的腐蚀概率330,确定一个或多个预估管道腐蚀区域340;对一个或多个预估管道腐蚀区域340进行深入巡检,获取燃气管道深入检测数据312;基于燃气监测数据311和燃气管道深入检测数据312,确定一个或多个预估管道腐蚀区域的腐蚀特征350。
第一管道图可以指燃气管道铺设的示意图,用于表征燃气管道特征、分布及环境情况。第一管道图中包括节点和边,第一管道图可以反映第一管道连接关系320。
在一些实施例中,智慧燃气安全管理平台可以基于巡检数据310确定第一管道图的节点和边,并以此构建第一管道图。
节点对应燃气管道的每一个预设点,预设点可以包括管道分界点(如拐点等)或监测装置安装点,其中,节点可以包括对应监测装置安装点的第一类节点和对应管道分界点的第二类节点。如图3所示,第一类节点A可以通过实心圆点表示,第二类节点B可以通过空心圆点表示。其中,第一类节点的特征可以包括巡检数据,第二类节点的特征可以为空。
边对应节点间的燃气管道。燃气管道可以指连通节点之间的通道。如图3所示,边可以指连通节点A和节点B之间的燃气管道。边可以根据与燃气管道结构设计有关的图纸确定。
在一些实施例中,第一管道图的边可以是有向边,有向边的方向可以表示燃气流动方向。如图3所示,节点A和节点B之间的连线为有向边,表示燃气由节点B流到节点A。
第一管道图的边特征可以包括燃气流动方向、管道特征、环境单元特征序列。管道特征可以指与燃气管道自身性质有关的特征。管道特征可以包括连接两个节点之间的管道的长度、管道的内径、管壁材料等。环境单元特征可以指任意两个节点之间的单位管道所在的环境的特征。例如,可以将任意两个节点之间的任意一条管道分为若干段,一段即为一个单位管道,环境单元特征可以包括该条管道对应的若干段单位管道所处的环境特征。
在一些实施中,环境单元特征可以用环境单元特征序列表示。环境单元特征序列可以指该条管道对应的若干段单位管道所处的环境特征组成的序列。例如,环境单元特征序列可以为(,,,…,),表示对应的管道包括n段单位管道,第段单位管道对应的环境特征为环境特征向量。其中,每个环境特征向量至少可以包括表征温度、湿度等特征的元素。在一些实施例中,每个环境特征向量中的元素还可以包括根据燃气管道所处的环境确定的特征,例如,若燃气管道外是空气,则环境特征向量中的元素可以包括与空气情况相关的特征,如,空气流速、空气压强等;若燃气管道外是土壤,则环境特征向量中的元素可以包括与土壤相关的特征,如,土壤密度、土壤酸碱度等。
腐蚀概率330可以指燃气管道被腐蚀的可能性。腐蚀概率330可以通过0-1之间的数字来表示。当腐蚀概率330越高,对应的燃气管道被腐蚀的可能性越高。
在一些实施例中,腐蚀概率330可以通过腐蚀概率预测模型331确定。
在一些实施例中,智慧燃气安全管理平台可以通过腐蚀概率预测模型331确定腐蚀概率330。在一些实施例中,腐蚀概率预测模型331可以对第一管道图进行处理,确定第一管道图中各个边对应的燃气管道的腐蚀概率330。腐蚀概率预测模型331可以为机器学习模型,例如,图神经网络模型(GNN,Graph Neural Network)。
在一些实施例中,腐蚀概率预测模型331输入为第一管道图,输出为第一管道图的各个边的腐蚀概率330。在一些实施例中,腐蚀概率预测模型331的输入中,第一管道图的节点特征可以为各个节点的燃气监测数据。
在一些实施例中,腐蚀概率预测模型331可以通过训练得到。例如,向初始腐蚀概率预测模型输入多个带有标签的训练样本,基于标签和初始腐蚀概率预测模型的对应输出分别构建损失函数,基于损失函数对初始腐蚀概率预测模型的参数进行迭代更新,直到满足预设条件时模型训练完成,其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,训练样本可以包括多个第一样本管道图,标签可以为第一样本管道图中各个边对应的历史腐蚀情况。在一些实施例中,标签可以通过人工进行标注获取。
预估管道腐蚀区域通常可以指基于当前燃气管道巡检数据确定的可能存在腐蚀的区域。例如,预估管道腐蚀区域可以包括燃气管道上的腐蚀概率满足腐蚀阈值要求的区域。腐蚀阈值要求可以为腐蚀概率大于腐蚀阈值。腐蚀阈值可以人工设定。例如,燃气管道A的腐蚀概率为80%,燃气管道B的腐蚀概率为30%,腐蚀阈值为50%,则,燃气管道A为预估管道腐蚀区域。
燃气管道深入检测数据312可以指对预估管道腐蚀区域进行深度检测得到的数据。在一些实施例中,燃气管道深入检测数据312可以包括厚度检测数据和图像检测数据等。厚度检测数据可以指预估管道腐蚀区域的燃气管道的厚度。图像检测数据可以指预估管道腐蚀区域的燃气管道内部的图像。
在一些实施例中,可以通过厚度检测仪获取厚度检测数据。在一些实施例中,可以通过厚度检测仪从燃气管道外部对该燃气管道的多个第一预设位点进行测量,获取厚度检测数据。第一预设位点可以人工设置。第一预设位点可以基于前述单位管道的端点确定,例如,每一个第一预设位点可以为任意单位管道两个端点中的任意一个。
在一些实施例中,可以通过爬行机器人获取图像检测数据。在一些实施例中,通过控制爬行机器人进入管道内部,对预估管道腐蚀区域的内壁的多个第二预设位点进行图像拍摄获取图像检测数据。第二预设位点可以人工设置。第二预设位点可以根据前述单位管道的端点确定,例如,每一个第二预设位点可以为任意单位管道两个端点中的一个。第二预设位点可以和第一预设位点相同。
腐蚀特征可以指预估管道腐蚀区域中发生腐蚀的具体位置的特征。在一些实施例中,腐蚀特征可以包括腐蚀类型、腐蚀程度等。
腐蚀类型可以指基于燃气管道管壁涂层损坏情况及管壁暴露情况划分的腐蚀的类型。例如,腐蚀类型可以包括一级类型、二级类型。二级类型对应的腐蚀比一级类型对应的腐蚀较为严重。例如,一级类型对应的燃气管道的腐蚀区域的涂层存在裂纹或部分缺失,但管道壁未暴露或部分暴露,即还未被腐蚀透,二级类型对应的燃气管道的腐蚀区域的涂层存在大面积缺失,管道壁暴露在外。
腐蚀程度可以指对燃气管道腐蚀的程度。腐蚀程度可以通过腐蚀面积占整个燃气管道的面积的比值来表示。腐蚀程度也可以通过发生腐蚀处的管壁减少的厚度和腐蚀前的厚度的比值来表示。
在一些实施例中,腐蚀程度可以用于确定修复机器人携带的防腐涂料的量,更多详细内容可参见本说明书图5中的相关描述。
在一些实施例中,腐蚀程度可以用于确定修复路径的第二评价值,更多详细内容可参见本说明书图5中的相关描述。
在一些实施例中,智慧燃气安全管理平台可以预设数据库,数据库中包括至少一个历史腐蚀向量,每一个历史腐蚀向量可以包括历史燃气监测数据、历史燃气管道深入检测数据以及对应的历史腐蚀特征。可以基于当前预估管道腐蚀区域对应的燃气监测数据、燃气管道深入检测数据确定对应的当前腐蚀向量,通过比较当前腐蚀向量和历史腐蚀向量之间的相似度,将相似度最高的历史腐蚀向量对应的历史腐蚀特征作为当前腐蚀向量对应的腐蚀特征。
在一些实施例中,一个或多个预估管道腐蚀区域340包括第一预估腐蚀区域和第二预估腐蚀区域。在一些实施例中,确定一个或多个预估管道腐蚀区域的腐蚀特征350可以包括:基于第一预估腐蚀区域的燃气管道深入检测数据312,确定第一预估腐蚀区域的腐蚀类型及腐蚀程度;基于燃气管网的第二管道图,通过腐蚀特征预测模型确定第二预估腐蚀区域的腐蚀类型及腐蚀程度。
第一预估腐蚀区域可以指通过仪器可以进行检测获取深入检测数据的预估管道腐蚀区域。在一些实施例中,仪器可以包括厚度检测仪、爬行机器人等。
在一些实施例中,处理器可以通过预设数据库来确定第一预估腐蚀区域的腐蚀特征。在一些实施例中,处理器可以通过腐蚀特征确定模型确定第一预估腐蚀区域的腐蚀特征。
在一些实施例中,智慧燃气安全管理平台可以通过腐蚀特征确定模型确定第一预估腐蚀区域的腐蚀特征。在一些实施例中,腐蚀特征确定模型的输入可以包括第一预估腐蚀区域的燃气监测数据311、燃气管道深入检测数据312,输出可以包括第一预估腐蚀区域的腐蚀类型和腐蚀程度。腐蚀特征确定模型可以为机器学习模型,例如,深度神经网络模型。
在一些实施例中,腐蚀特征确定模型可以通过训练得到。例如,向初始腐蚀特征确定模型输入多个带有标签的训练样本,基于标签和初始腐蚀特征确定模型的对应输出分别构建损失函数,基于损失函数对初始腐蚀特征确定模型的参数进行迭代更新,直到满足预设条件时模型训练完成,其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,训练样本可以包括多个训练数据,每个训练数据包括第一样本腐蚀区域的历史燃气监测数据、历史燃气管道深入检测数据,标签可以为对应的腐蚀特征。在一些实施例中,标签可以通过人工进行标注获取。
第二预估腐蚀区域可以指无法通过仪器进行检测获取燃气管道深入检测数据的预估管道腐蚀区域。例如,第二预估腐蚀区域对应的燃气管道部分比较狭窄,难以通行,爬行机器人不适合进入。再例如,第二预估腐蚀区域对应的燃气管道部分的气压、温度较高,爬行机器人不适合进入。再例如,第二预估腐蚀区域对应的燃气管道部分埋放的位置较深,无法使用厚度检测仪进行厚度检测,以上情况都可以导致无法获取燃气管道深入检测数据。在一些实施例中,第一个腐蚀区域和第二预估腐蚀区域可以在同一个燃气管道上。
当无法获取预估管道腐蚀区域的燃气管道深入检测数据时,处理器可以基于第二管道图通过腐蚀特征预测模型来预测第二预估腐蚀区域的腐蚀特征。关于第二管道图和腐蚀特征预测模型的详细内容可以参见本说明书其他内容的描述,例如,图4。
在一些情况下,可能由于可移动的检测仪器(机器人)成本较高,或者数量较少,或者对于有些燃气管道所在的区域,检测仪器无法或不方便进入,通过本说明书的一些实施例,可以基于当前的巡检数据确定出腐蚀概率较大的预估管道腐蚀区域后,减少了需要检测的范围,进一步地,再控制检测仪器进入预估管道腐蚀区域所在的环境中进行检测。
通过本说明书的一些实施例,通过第二管道图,实现了基于可检测的燃气管道的巡检数据,对难以测量的第二预估腐蚀区域的腐蚀特征的预测,减少了检测时仪器的使用量和使用区域,降低了检测的难度。其中,通过使用腐蚀特征确定模型可以提高预测的腐蚀特征的准确率。
图4是根据本说明书一些实施例所示的确定第二预估腐蚀区域的腐蚀特征的示意图。如图4所示,流程400包括以下内容。
在一些实施例中,智慧燃气安全管理平台可以基于第二管道图通过腐蚀特征预测模型确定第二预估腐蚀区域的腐蚀特征。
第二管道图包括节点和边,可以用于反映第二管道连接关系450,节点反映装设有燃气监测装置的位置(如图4中的实心节点453)和/或未装设有燃气监测装置的位置(如图4中的空心节点454),边反映燃气管道;其中,节点的特征至少包括燃气监测装置的监测数据,边的特征至少包括燃气管道的燃气流动方向、管道特征、环境特征,以及第一预估腐蚀区域的腐蚀类型及腐蚀程度。
如图4所示,智慧燃气安全管理平台可以通过巡检数据确定第二管道图对应的节点特征430和边特征440,并以此构建第二管道图。
第二管道图对应的节点对应燃气管道的每一个预设点,预设点可以包括管道分界点(如,拐点等)或监测装置安置点,其中,第二管道图的节点可以包括对应监测装置安置点的第一类节点和对应管道分界点的第二类节点,如图4所示,实心圆点可以表示第一类节点,空心圆点可以表示第二类节点。在一些实施例中,针对同一区域确定管道图时,该区域第二管道图中的节点可以和第一管道图中的节点相同。
第二管道图中的边对应节点间的燃气管道。在一些实施例中,针对同一区域确定管道图时,该区域第二管道图中的边的数量和位置可以和该区域第一管道图中的边的数量和位置相同。在一些实施例中,第二管道图对应的边特征440可以包括燃气流动方向441、管道特征442、环境单元特征序列443、腐蚀类型和腐蚀程度444。其中,腐蚀类型和腐蚀程度444为第一预估腐蚀区域对应的腐蚀类型和腐蚀程度。燃气流动方向441、管道特征442、环境单元特征序列443可以参考第一管道图中的说明。在一些实施例中,第二管道图中的边可以包括第一类边和第二类边。其中,第一类边用实线表示,可以代表第一预估腐蚀区域所在的燃气管道,如图4中的边451。第二类边用虚线表示,可以代表第二预估腐蚀区域所在的燃气管道,如图4中的边452。
在一些实施例中,第二管道图中的边特征还可以包括燃气管道的固有置信度445,固有置信度445可以基于置信度预测模型420确定,腐蚀特征预测模型460还用于对固有置信度445进行更新,以获得第二预估腐蚀区域的预测置信度480。
固有置信度445可以指根据燃气管网中其他燃气管道腐蚀情况预测的目标燃气管道腐蚀特征的可能性。在一些实施例中,固有置信度445可以指能够根据第一预估腐蚀区域的腐蚀特征确定第二预估腐蚀区域的腐蚀特征的可能性。当固有置信度越高,则表明根据第一预估腐蚀区域的腐蚀特征确定第二预估腐蚀区域的腐蚀特征的可能性就越高,预测得到的第二预估腐蚀区域的腐蚀特征的可信度就越高。
在一些实施例中,固有置信度445可以相关于第一预估腐蚀区域与当前第二预估腐蚀区域之间的距离411、燃气管道复杂程度412等。
第一预估腐蚀区域与当前第二预估腐蚀区域之间的距离411可以指第一预估腐蚀区域的中心到第二预估腐蚀区域中心所通过的管道的距离和。例如,第一预估腐蚀区域中心到节点A的距离为1m,节点A到当前第二预估腐蚀区域中心的距离为2m,则第一预估腐蚀区域与当前第二预估腐蚀区域之间的距离为3m。当第一预估腐蚀区域与当前第二预估腐蚀区域之间的距离411越长,则表明第一预估腐蚀区域的腐蚀特征可能难以对当前第二预估腐蚀区域产生影响,则固有置信度较低。
燃气管道复杂程度412可以基于燃气管网的边数量、节点数、平均每个节点的分支数等确定。例如,燃气管道复杂程度可以和燃气管网的边数量、节点数、平均每个节点的分支数呈正相关。在一些实施例中,当燃气管道复杂程度412越高,则固有置信度越低。
在一些实施例中,智慧燃气安全管理平台可以通过置信度预测模型420确定固有置信度445。在一些实施例中,置信度预测模型420的输入为第一预估腐蚀区域与当前第二预估腐蚀区域之间的距离411、燃气管道复杂程度412,输出为固有置信度445。置信度预测模型420可以为机器学习模型,例如,深度神经网络模型。
在一些实施例中,置信度预测模型420可以基于至少一个第一预估腐蚀区域与当前第二预估腐蚀区域的距离确定固有置信度。其中,第一预估腐蚀区域与当前第二预估腐蚀区域之间的距离411可以用向量表示,例如,向量(D1,D2,D3,D4)可以表示四个不同的第一预估腐蚀区域与当前第二预估腐蚀区域之间的距离。
在一些实施例中,置信度预测模型420可以通过训练得到。例如,向初始置信度预测模型输入多个带有标签的训练样本,基于标签和初始置信度预测模型的对应输出分别构建损失函数,基于损失函数对初始置信度预测模型的参数进行迭代更新,直到满足预设条件时模型训练完成,其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,训练样本可以包括至少一个样本第一预估腐蚀区域与历史第二预估腐蚀区域之间的距离、历史燃气管道复杂程度,标签可以为历史第二预估腐蚀区域是否存在腐蚀。若存在腐蚀情况则标记为1,若不存在腐蚀情况则标记为0。训练样本可以基于历史数据确定。在一些实施例中,标签可以通过人工进行标注获取。
本说明书一些实施例中,通过置信度预测模型确定固有置信度,可以反映通过第一预估腐蚀区域预测第二预估腐蚀区域是否存在腐蚀的准确性,有利于更准确地确定第二预估腐蚀区域存在腐蚀的可能性,进而确定更合适的修复计划。
在一些实施例中,置信度预测模型420的输入还可以包括燃气监测数据饱和度413,燃气监测数据饱和度413基于燃气监测节点的数量和燃气监测节点在燃气管网中的分散程度确定。
燃气监测数据饱和度413可以指燃气监测数据的数据量的饱和程度。燃气监测数据的数据量越多,则燃气监测数据饱和度越高,则对应的固有置信度越高。
燃气监测节点在燃气管网中的分散程度可以指燃气监测节点(即第一类节点)在燃气管网中的分布范围。燃气监测节点在燃气管网中的分散程度越高,燃气监测节点的燃气监测节点的数量越多,表明不会只集中收集燃气管网中某一部分的燃气监测数据,则对应的饱和度越高。
本说明书一些实施例中,将燃气监测数据饱和度作为置信度预测模型的输入,充分考虑燃气监测数据以及燃气监测节点的数量,有利于获得更准确的置信度预测结果,提高模型的精确性。
在一些实施例中,智慧燃气安全管理平台可以通过腐蚀特征预测模型460确定第二预估腐蚀区域的腐蚀特征470。在一些实施例中,腐蚀特征预测模型460可以对第二管道图进行处理,确定第二预估腐蚀区域的腐蚀特征470。腐蚀特征预测模型可以为机器学习模型,例如,图神经网络模型。
在一些实施例中,腐蚀特征预测模型460输入为第二管道图,输出为第二预估腐蚀区域的腐蚀特征470,包括腐蚀类型和腐蚀程度。根据前述内容,第二管道图中包括节点特征430和边特征440,其中,边特征440中包括腐蚀类型和腐蚀程度444,对于第一类边该特征可根据实际情况设置,对于第二类边该特征可设置为预设值(如,0),然后基于腐蚀特征预测模型的预测结果对第二类边的腐蚀类型进行更新。
在一些实施例中,腐蚀特征预测模型460可以基于初始腐蚀特征预测模型和多个带有标签的训练样本,通过训练得到。训练的方式可参见前述置信度预测模型的训练。
在一些实施例中,训练样本可以包括多个第二样本管道图,标签可以为第二样本管道图中第二样本腐蚀区域的历史腐蚀类型和历史腐蚀程度。在一些实施例中,标签可以通过人工进行标注获取。
预测置信度480可以指对第二预估腐蚀区域进行预测得到的置信度。
在一些实施例中,当第二管道图中的边特征还包括第二预估腐蚀区域的固有置信度445时,则腐蚀特征预测模型460的输入包括固有置信度445,输出则包括预测置信度480。
对应的,在腐蚀特征预测模型460的训练样本中还包括第二预估腐蚀区域的历史固有置信度,对应的标签可以包括第二预估腐蚀区域是否存在腐蚀,若存在腐蚀标记为1,不存在腐蚀标记为0。
在一些实施例中,预测置信度可以用于确定修复机器人携带的防腐涂料的量,更多详细内容可参见图5中的相关描述。
在一些实施例中,预测置信度可以用于确定修复路径的第三评价值,更多详细内容可参见图5中的相关描述。
本说明书一些实施例中,通过腐蚀特征预测模型对第二管道图进行处理,可以考虑到节点与边之间的联系,准确分析节点特征的变化,使预测结果更准确。同时,通过腐蚀特征预测模型确定第二预估腐蚀区域的腐蚀特征,可以增加模型的泛用性,使得模型适用于区域腐蚀情况不可检测的场景。进一步地,模型同步输出预测的置信度,可以反映出对模型预测的准确度的估计,有助于决策人员进行进一步判断。
图5是根据本说明书一些实施例所示的确定修复方案示意图。
在一些实施例中,基于管壁的腐蚀情况确定管道修复方案可以包括:响应于管壁的腐蚀情况满足第一预设条件,控制修复机器人进入管道内部,根据修复方案修复管道。
第一预设条件可以指预先设定好需要修复的最低管壁腐蚀情况。在一些实施例中,第一预设条件可以指对腐蚀特征设定的条件。在一些实施例中,第一预设条件可以指需要修复对应的预设腐蚀类型和最小腐蚀程度。在一些实施例中,第一预设条件可以包括腐蚀类型为二级腐蚀,对应的最小腐蚀程度为80%。
满足第一预设条件是指腐蚀情况大于或者等于第一预设条件。例如,第一预设条件包括腐蚀类型为二级腐蚀,对应的最小腐蚀程度为80%时,则当管壁的腐蚀类型为二级腐蚀,腐蚀程度为90%,为满足第一预设条件。
在一些实施例中,管道的腐蚀情况可以包括管道的腐蚀类型和腐蚀程度,管道的腐蚀类型和腐蚀程度可以通过腐蚀特征预测模型确定。有关腐蚀特征预测模型的更多内容可参见图4中的相关描述。
如图5所示,修复过程500可以包括带有涂料的机器人按照修复路线通过腐蚀区域管道中的不同节点对管道进行修复。带有涂料的机器人可以是修复机器人。修复机器人是指能够修复预估管道腐蚀区域的机器。在一些实施例中,修复机器人可以携带涂料。在一些实施例中,修复机器人可以按照设定的修复路径在管道中行动。
修复方案可以指对燃气管道进行修复的方案。修复方案可以包括修复机器人携带的防腐涂料的量、修复机器人的修复路径。
在一些实施例中,修复机器人携带的防腐涂料的量与预估管道腐蚀区域的数量和腐蚀程度相关。
在一些实施例中,预估管道腐蚀区域数量越多,腐蚀区域的腐蚀程度越大,则修复机器人携带的防腐涂料的量越大。
在一些实施例中,修复机器人携带的涂料的量还可以相关于腐蚀特征预测模型输出的预测置信度。
在一些实施例中,当预测置信度越低,则表明预测得到的第二预估腐蚀区域的腐蚀特征的可信度就越低,为了使修复机器人在修复时能够携带足够量的涂料,因此可以适当增加修复机器人携带的涂料的量。关于腐蚀特征预测模型、预测置信度的详细可以参见本说明书其他内容的描述,例如,图4。
本说明书一些实施例中,基于腐蚀特征预测模型输出的预测置信度确定机器人携带的防腐涂料的量,避免了由于机器人携带的涂料过多造成的浪费,降低了机器人修复管道的成本,也避免了机器人携带的涂料过少导致需要进行多次修复的问题,提高了修复效率。
本说明书中的实施例可以让修复机器人准备充足的涂料,提高修复的效率,防止因涂料不足导致修复进度受阻的情况。
在一些实施例中,修复方案可以包括修复机器人的修复路径,智慧燃气管道防腐优化方法还可以包括:基于第二预设条件生成多条候选修复路径,通过多轮迭代确定目标修复路径。
修复路径可以指修复机器人进行修复时的行动路线。在一些实施例中,路线的规划可以包括:生成多条候选修复路径,通过多轮迭代确定目标修复路径。
第二预设条件可以指候选修复路径需要满足的条件。在一些实施例中,第二预设条件可以为不大于预设的最大路径长度。预设的最大路径长度可以人工设置。
候选修复路径是指根据第二预设条件随机生成的多条路径。候选修复路径通常可以包括至少部分满足第一预设条件的管道及管道间的路径。
在一些实施例中,智慧燃气安全管理平台可以构建燃气管网示意图,基于燃气管网示意图确定候选修复路径。在一些实施例中,燃气管网示意图可以根据燃气管道间的拓扑结构构建,至少可以包括燃气管道间的连接关系。
在一些实施例中,智慧燃气安全管理平台可以基于预设的管道分段规则将每条燃气管道分为若干个段,并基于腐蚀特征预测模型的预测结果对燃气管道的是否存在腐蚀及其腐蚀特征进行标注。其中,预设的管道分段规则可以是基于固定管道长度进行分段,例如,每5米分为一段。
在一些实施例中,燃气管网示意图可以基于第二管道图确定。例如,将腐蚀特征模型输出的腐蚀类型及腐蚀程度作为边特征更新到第二管道图中,获得更新后的第二管道图,将更新后的第二管道图作为燃气管网示意图。
在一些实施例中,智慧燃气安全管理平台可以基于燃气管网示意图,根据预设的最大路径长度,随机生成多条路径,且每条路径不大于最大路径长度,将随机生成的多条路径作为候选修复路径。
在一些实施例中,可以基于多条候选修复路径,通过多轮迭代确定目标修复路径。
在一些实施例中,智慧燃气安全管理平台可以在每一轮迭代中,基于评价值对前述多条候选修复路径进行筛选,获得筛选后的候选修复路径。例如,针对候选修复路径中的每一个,智慧燃气安全管理平台可以计算其对应的评价值,将评价值大于预设阈值的候选修复路径作为筛选后的候选修复路径。其中,预设阈值可以根据实际需求人为确定。
在一些实施例中,评价值至少可以包括第一评价值和第二评价值。在一些实施例中,评价值还可以包括第三评价值。有关评价值的详细内容可参见本说明书后文的相关描述。
在一些实施例中,每一轮迭代中,对于筛选后的候选修复路径,都可以基于当前路径生成迭代后的候选修复路径。在一些实施例中,对于每条筛选后的候选修复路径,可以任选当前路径中的一个子路径,该子路径包括一个子起点和一个子终点,并将该子路径替换成具有相同子起点和子终点的其他路径,得到一条迭代后的候选修复路径。例如,当前候选修复路径A包括节点1、节点2、节点3、节点4、节点5,可以按照候选修复路径中所经历节点的顺序将候选修复路径表示为,路径A:节点1→节点2→节点3→节点4→节点5,以子路径“节点2→节点3→节点4”作为当前子路径,与当前子路径具有相同子起点和子终点的其他路径还可以包括另外两条路径“节点2→节点6→节点4”和“节点2→节点7→节点8→节点4”,则任选一条替换路径A中的子路径部分,则得到两条迭代后的候选修复路径,即“节点1→节点2→节点6→节点4→节点5”和“节点1→节点2→节点7→节点8→节点4→节点5”。
本说明书一些实施例中,智慧燃气安全管理平台通过改变筛选后的候选修复方案中子路径经过的节点,生成迭代后的候选修复路径,可以提高确定目标修复路径的效率。
在一些实施例中,智慧燃气安全管理平台可以基于评价值大小从候选修复路径和/或筛选后的候选修复路径中确定进入下一轮的候选修复路径,例如,将评价值大于预设阈值的候选修复路径和/或筛选后的候选修复路径作为进入下一轮的候选修复路径,或将评价值按从大到小排序,将排序靠前的若干个确定为进入下一轮的候选修复路径等。通过多轮迭代,确定若干个迭代后的候选修复路径。在一些实施例中,迭代结束的条件可以包括迭代更新的次数已经达到预设次数阈值、评价参数达到预设参数阈值、评价参数在连续的两次迭代前后的差值小于预设差值阈值中的至少一种。预设条件可以通过用户预先设定。
在一些实施例中,智慧燃气安全管理平台可以基于每条迭代后的候选修复路径的评价值确定目标修复路径。例如,基于每条候选修复路径的评价值确定出最优评价值对应的候选修复路径,作为修复机器人的目标修复路径。候选修复路径的评价值可以表征候选修复路径的综合性能。例如,修复成本、修复效率等的综合评价值。
在一些实施例中,可以优先选择评价值较高的候选修复路径作为目标修复路径。在一些实施例中,候选修复路径的评价值可以包括第一评价值和第二评价值。
第一评价值可以指基于无效路径确定的候选修复路径的评价值。无效路径可以指修复机器人经过的但无需进行涂料修复的管道对应的路径。在一些实施例中,第一评价值可以相关于无效路径长度。在一些实施例中,第一评价值可以负相关于无效路径长度。例如,无效路径长度越短,对应的第一评价值越高。在一些实施例中,第一评价值可以通过公式(1)确定:
(1)
其中,为第一评价值,为无效路径长度,、均为系数,具体可根据实际需求确定,例如,、。
第二评价值可以指基于路径中所经过腐蚀区域确定的候选修复路径的评价值。在一些实施例中,第二评价值可以相关于腐蚀区域。在一些实施例中,候选修复路径中所经过的腐蚀区域的腐蚀程度越高,则候选修复路径的评价值越高。在一些实施例中,第二评价值可以等于候选修复路径覆盖的腐蚀区域的腐蚀程度之和。腐蚀程度的详细内容可以参见本说明书的其他内容的描述,例如,图3。
在一些实施例中,对第二评价值中的腐蚀程度求和时,可以基于气源距离加权。
第二评价值可以指表征每条候选修复路径修复效率的数据。例如,基于某一条候选修复路径修复的管道腐蚀程度越高,则该候选修复路径对应的修复效率越高。候选修复路径修复的管道腐蚀程度可以是候选修复路径中能够修复的管道的腐蚀程度之和。例如,候选修复路径A中能够修复的管道包括燃气管道1和燃气管道2,对应的腐蚀程度分别为0.5和0.6,候选修复路径B中能够修复的包括燃气管道3和燃气管道4,对应的腐蚀程度分别为0.2和0.4,则候选修复路径A修复的管道腐蚀程度为1.1,候选修复路径B修复的管道腐蚀程度为0.6,候选修复路径A对应的修复效率更高。在一些实施例中,第二评价值可以基于气源距离确定的权重对候选覆盖的腐蚀区域腐蚀程度加权求和确定。
在一些实施例中,当基于第二评价值中的腐蚀程度求和计算第二评价值时,可以将候选修复路径划分为多段子路径,并基于每段子路径的气源距离确定每段子路径的权重,基于每段子路径的权重和每段子路径对应修复的燃气管道的腐蚀程度确定第二评价值。例如,候选修复路径中包括燃气管道1和燃气管道2,对应的腐蚀程度分别为0.5和0.6,对应的权重分别为0.9和0.1,则第二评价值为0.5*0.9+0.6*0.1=0.51。
子路径的气源距离可以指从气源点出发到当前子路径对应的腐蚀区域的距离。当子路径的气源距离越短,即越接近气源,则该子路径的对应的燃气管道内燃气流速越快、温度越高、传输压力越大,因此,气源距离越短的子路径的对应的管道承受的压力越大,越容易发生问题,则对应的权重就越低。
本说明书的一些实施例中,基于气源距离进行加权,通过考虑气源距离对作业安全的影响,可以更好地保证修复机器人进行作业时的安全性。
在一些实施例中,智慧燃气安全管理平台可以基于第一评价值和第二评价值确定每条候选路径的评价值。例如,基于第一评价值和第二评价值的加权和确定每条候选路径的评价值,加权的权重可以基于实际需求人为确定。
在一些实施例中,候选修复路径的评价值还包括:第三评价值。第三评价值可以基于腐蚀特征预测模型输出的预测置信度得到。关于预测置信度的详细内容可以参见本说明书其他部分的描述,例如,图4。
第三评价值可以指基于预测置信度确定的候选修复路径的评价值。
在一些实施例中,第三评价值可以等于预测置信度。
在一些实施例中,智慧燃气安全管理平台可以基于第一评价值、第二评价值和第三评价值确定每条候选路径的评价值。例如,基于第一评价值、第二评价值和第三评价值的加权和确定条候选路径的评价值,加权的权重可以基于实际需求人为确定。
通过基于腐蚀特征预测模型输出的预测置信度可以快速掌握管道腐蚀情况,管道腐蚀越严重的,经过该管道的路径越优先。这样的方式可以提高管道修复的效率。
本说明书一些实施例中,候选修复路径的评价值越大,处理的优先级越高,使修复方案充分考虑燃气管道的管壁的腐蚀情况带来的亟待修复程度,优化了修复方案的修复路径。
本说明书一些实施例中,通过确定候选修复路径来执行修复方案,可以在提高修复效率的同时,节省能耗。
在一些实施例中,机器人可以通过吸盘或磁性材料等结构,吸附在管道内壁,并进行行走。行走可以基于远程控制,也可以基于提前设置好的内置程序,自动行走。在一些实施例中,可以在燃气管道内外安装有红外装置、摄像头等,用于探测管道内壁的情况,例如,可以用于探测燃气管道内壁腐蚀情况。在一些实施例中,可以在燃气管道内外安装有传感器,用于监测管道内的燃气压力、流量流速、温度等。
在一些实施例中,修复机器人可以通过喷涂设备(例如,喷头等装置)释放装载的涂料,喷射或者涂抹在燃气管道的管壁。
通过确定合理的修复方案,派遣修复机器人进行修复操作的方式可以提高修复效率,并能在及时掌握管道整体情况的同时采取合适的应对方式,高效便捷地修复管道。
本说明书实施例之一还提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行智慧燃气管道防腐优化方法。
应当注意的是,上述有关流程的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
应当注意的是,上述有关流程的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种智慧燃气管道防腐优化方法,其特征在于,所述方法基于智慧燃气管道防腐优化物联网系统的智慧燃气安全管理平台执行,所述方法包括:
获取燃气管网中的燃气管道的巡检数据,所述巡检数据包括燃气监测数据;
基于所述巡检数据,确定所述燃气管道的管壁的腐蚀情况;
基于所述管壁的腐蚀情况,确定修复方案。
2.如权利要求1所述的智慧燃气管道防腐优化方法,其特征在于,所述智慧燃气管道防腐优化物联网系统还包括智慧燃气用户平台、智慧燃气服务平台、智慧燃气管网设备传感网络平台和智慧燃气管网设备对象平台,所述智慧燃气安全管理平台包括智慧燃气管网安全管理分平台和智慧燃气数据中心,所述智慧燃气管网对象平台用于获取所述巡检数据,并通过所述智慧燃气管网传感网络平台传递至所述智慧燃气安全管理平台,所述智慧燃气用户平台包括燃气用户分平台和监管用户分平台;
所述智慧燃气服务平台包括智慧用气服务分平台和智慧监管服务分平台;
所述方法还包括:
将所述腐蚀情况以及所述修复方案传输至所述智慧燃气数据中心;
所述智慧燃气数据中心将所述腐蚀情况以及所述修复方案传输至所述智慧燃气服务平台;
所述智慧燃气服务平台将所述腐蚀情况以及所述修复方案传输至所述智慧燃气用户平台。
3.如权利要求1所述的智慧燃气管道防腐优化方法,其特征在于,所述巡检数据还包括燃气深入检测数据,所述基于所述巡检数据,确定所述燃气管道的管壁的腐蚀情况包括:
基于所述巡检数据构建所述燃气管网的第一管道图;
基于所述第一管道图,确定所述燃气管道的腐蚀概率;
基于所述燃气管道的腐蚀概率,确定一个或多个预估管道腐蚀区域;
对至少一个所述预估管道腐蚀区域进行深入巡检,获取燃气管道深入检测数据;
基于所述燃气监测数据和所述燃气管道深入检测数据,确定一个或多个所述预估管道腐蚀区域的腐蚀特征。
4.如权利要求3所述的智慧燃气管道防腐优化方法,其特征在于,所述腐蚀特征包括腐蚀类型和腐蚀程度,所述预估管道腐蚀区域包括第一预估腐蚀区域和第二预估腐蚀区域,所述确定一个或多个所述预估管道腐蚀区域的腐蚀特征包括:
基于所述第一预估腐蚀区域的深入检测数据,确定所述第一预估腐蚀区域的腐蚀类型及腐蚀程度;
基于所述燃气管网的第二管道图,通过腐蚀特征预测模型确定所述第二预估腐蚀区域的腐蚀类型及腐蚀程度。
5.如权利要求4所述的智慧燃气管道防腐优化方法,其特征在于,所述第二管道图包括节点和边,所述节点反映燃气管道分界处和/或燃气监测装置的位置,所述边反映所述燃气管道;其中,所述节点的特征至少包括所述燃气监测装置的监测数据,所述边的特征至少包括所述燃气管道的燃气流动方向、管道特征、环境特征,以及所述第一预估腐蚀区域的腐蚀类型及腐蚀程度;
所述边的特征还包括所述燃气管道的固有置信度,所述固有置信度基于置信度预测模型确定,所述腐蚀特征预测模型还用于对所述固有置信度进行更新,以获得所述第二预估腐蚀区域的预测置信度。
6.如权利要求1所述的智慧燃气管道防腐优化方法,其特征在于,所述基于所述管壁的腐蚀情况,确定修复方案还包括:
响应于所述管壁的腐蚀情况满足第一预设条件,控制修复机器人进入管道内部,根据所述修复方案修复管道。
7.如权利要求6所述的智慧燃气管道防腐优化方法,其特征在于,所述修复方案包括所述修复机器人携带的防腐涂料的量,所述修复机器人携带的防腐涂料的量与预估管道腐蚀区域的数量和腐蚀程度相关。
8.如权利要求6所述的智慧燃气管道防腐优化方法,其特征在于,所述修复方案还包括所述修复机器人的修复路径,所述方法还包括:
基于第二预设条件生成多条候选修复路径,通过多轮迭代确定目标修复路径。
9.一种智慧燃气管道防腐优化物联网系统,其特征在于,所述物联网系统包括智慧燃气安全管理平台、智慧燃气用户平台、智慧燃气服务平台、智慧燃气管网设备传感网络平台和智慧燃气管网设备对象平台,所述智慧燃气安全管理平台包括智慧燃气管网安全管理分平台和智慧燃气数据中心,所述智慧燃气管网对象平台用于获取所述巡检数据,并通过所述智慧燃气管网传感网络平台传递至所述智慧燃气安全管理平台,所述智慧燃气用户平台包括燃气用户分平台和监管用户分平台,所述智慧燃气服务平台包括智慧用气服务分平台和智慧监管服务分平台;
所述智慧燃气安全管理平台被配置为执行以下操作:
获取燃气管网中的燃气管道的巡检数据,所述巡检数据包括燃气监测数据;
基于所述巡检数据,确定所述燃气管道的管壁的腐蚀情况;
基于所述管壁的腐蚀情况,确定修复方案。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1所述的智慧燃气管道防腐优化方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310216731.9A CN115899595B (zh) | 2023-03-08 | 2023-03-08 | 一种智慧燃气管道防腐优化方法、物联网系统及存储介质 |
US18/317,909 US11982613B2 (en) | 2023-03-08 | 2023-05-15 | Methods and internet of things (IOT) systems for corrosion protection optimization of pipeline of smart gas |
US18/632,259 US20240255414A1 (en) | 2023-03-08 | 2024-04-10 | Method and internet of things (iot) system for corrosion supervision of gas pipeline |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310216731.9A CN115899595B (zh) | 2023-03-08 | 2023-03-08 | 一种智慧燃气管道防腐优化方法、物联网系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115899595A true CN115899595A (zh) | 2023-04-04 |
CN115899595B CN115899595B (zh) | 2023-05-23 |
Family
ID=85733749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310216731.9A Active CN115899595B (zh) | 2023-03-08 | 2023-03-08 | 一种智慧燃气管道防腐优化方法、物联网系统及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (2) | US11982613B2 (zh) |
CN (1) | CN115899595B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485066A (zh) * | 2023-06-25 | 2023-07-25 | 成都秦川物联网科技股份有限公司 | 基于gis的智慧燃气安全巡线管理方法和物联网系统 |
CN116629580A (zh) * | 2023-07-19 | 2023-08-22 | 成都秦川物联网科技股份有限公司 | 基于gis的智慧燃气安全隐患项管理方法和物联网系统 |
CN117973877A (zh) * | 2024-03-29 | 2024-05-03 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气物联网的燃气管井安全管理方法与系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132026B (zh) | 2023-10-26 | 2024-01-12 | 成都秦川物联网科技股份有限公司 | 一种基于智慧燃气平台的燃气损耗管控方法与物联网系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006183274A (ja) * | 2004-12-27 | 2006-07-13 | Yamaguchi Univ | 下水管網における下水管損傷予測方法及び予測装置 |
CN108916531A (zh) * | 2018-06-28 | 2018-11-30 | 沈阳理工大学 | 一种适用于石油管道腐蚀区检测及实时修复的机器人 |
US20180365555A1 (en) * | 2016-12-22 | 2018-12-20 | Naveed Aslam | Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection |
CN110705176A (zh) * | 2019-09-02 | 2020-01-17 | 北京市燃气集团有限责任公司 | 燃气管道剩余寿命预测方法和装置 |
CN111104989A (zh) * | 2019-12-31 | 2020-05-05 | 北京讯腾智慧科技股份有限公司 | 燃气管道腐蚀预测方法和装置 |
CN112883538A (zh) * | 2020-12-29 | 2021-06-01 | 浙江中控技术股份有限公司 | 一种埋地原油管道的腐蚀预测系统及方法 |
CN113011636A (zh) * | 2021-02-22 | 2021-06-22 | 北京市煤气热力工程设计院有限公司 | 城市热水供热管网水锤参数预测方法及装置 |
WO2021133265A1 (en) * | 2019-12-27 | 2021-07-01 | Ptt Exploration And Production Public Company Limited | A method and system for predicting pipeline corrosion |
CN113167413A (zh) * | 2018-12-20 | 2021-07-23 | 贝克休斯能源科技英国有限公司 | 管道缺陷监测 |
CN114140625A (zh) * | 2022-01-30 | 2022-03-04 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法、系统、设备与计算机可读存储介质 |
CN114565185A (zh) * | 2022-03-28 | 2022-05-31 | 北京化工大学 | 基于多源数据的腐蚀速率预测系统 |
CN115111537A (zh) * | 2022-08-24 | 2022-09-27 | 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 |
CN115614678A (zh) * | 2022-12-16 | 2023-01-17 | 成都秦川物联网科技股份有限公司 | 智慧燃气管道电化学腐蚀评估方法和物联网系统、介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9182081B2 (en) * | 2008-06-30 | 2015-11-10 | Bp Corporation North America Inc. | Rapid data-based data adequacy procedure for pipeline integrity assessment |
US7941282B2 (en) * | 2008-08-01 | 2011-05-10 | Bp Exploration Operating Company Limited | Estimating worst case corrosion in a pipeline |
TN2017000140A1 (en) * | 2014-10-12 | 2018-10-19 | Vincent Darrell L | Apparatus and method for assembling measuring and monitoring integrity of mechanical pipe joints. |
CN111156425B (zh) * | 2020-01-15 | 2021-04-20 | 中国石油化工股份有限公司 | 管道状态监测方法、装置及系统 |
KR102396452B1 (ko) * | 2021-02-02 | 2022-05-12 | 모바일 엔트로피 주식회사 | 비대면 도시가스 안전점검 서비스 제공 시스템 |
CN115545231A (zh) * | 2022-10-11 | 2022-12-30 | 成都秦川物联网科技股份有限公司 | 智慧燃气管道安全监测方法、物联网系统、装置及介质 |
-
2023
- 2023-03-08 CN CN202310216731.9A patent/CN115899595B/zh active Active
- 2023-05-15 US US18/317,909 patent/US11982613B2/en active Active
-
2024
- 2024-04-10 US US18/632,259 patent/US20240255414A1/en active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006183274A (ja) * | 2004-12-27 | 2006-07-13 | Yamaguchi Univ | 下水管網における下水管損傷予測方法及び予測装置 |
US20180365555A1 (en) * | 2016-12-22 | 2018-12-20 | Naveed Aslam | Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection |
CN108916531A (zh) * | 2018-06-28 | 2018-11-30 | 沈阳理工大学 | 一种适用于石油管道腐蚀区检测及实时修复的机器人 |
CN113167413A (zh) * | 2018-12-20 | 2021-07-23 | 贝克休斯能源科技英国有限公司 | 管道缺陷监测 |
CN110705176A (zh) * | 2019-09-02 | 2020-01-17 | 北京市燃气集团有限责任公司 | 燃气管道剩余寿命预测方法和装置 |
WO2021133265A1 (en) * | 2019-12-27 | 2021-07-01 | Ptt Exploration And Production Public Company Limited | A method and system for predicting pipeline corrosion |
CN111104989A (zh) * | 2019-12-31 | 2020-05-05 | 北京讯腾智慧科技股份有限公司 | 燃气管道腐蚀预测方法和装置 |
CN112883538A (zh) * | 2020-12-29 | 2021-06-01 | 浙江中控技术股份有限公司 | 一种埋地原油管道的腐蚀预测系统及方法 |
CN113011636A (zh) * | 2021-02-22 | 2021-06-22 | 北京市煤气热力工程设计院有限公司 | 城市热水供热管网水锤参数预测方法及装置 |
CN114140625A (zh) * | 2022-01-30 | 2022-03-04 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法、系统、设备与计算机可读存储介质 |
CN114565185A (zh) * | 2022-03-28 | 2022-05-31 | 北京化工大学 | 基于多源数据的腐蚀速率预测系统 |
CN115111537A (zh) * | 2022-08-24 | 2022-09-27 | 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 |
CN115614678A (zh) * | 2022-12-16 | 2023-01-17 | 成都秦川物联网科技股份有限公司 | 智慧燃气管道电化学腐蚀评估方法和物联网系统、介质 |
Non-Patent Citations (2)
Title |
---|
董绍华;王联伟;费凡;周永涛;谭春波;: "油气管道完整性管理体系", 油气储运 * |
袁赓;王树刚;黄一;: "基于马尔可夫链的埋地燃气钢管管壁腐蚀预测", 哈尔滨工业大学学报 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485066A (zh) * | 2023-06-25 | 2023-07-25 | 成都秦川物联网科技股份有限公司 | 基于gis的智慧燃气安全巡线管理方法和物联网系统 |
CN116485066B (zh) * | 2023-06-25 | 2023-08-29 | 成都秦川物联网科技股份有限公司 | 基于gis的智慧燃气安全巡线管理方法和物联网系统 |
US11954628B2 (en) | 2023-06-25 | 2024-04-09 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things systems for smart gas safety inspection routes based on geographic information system (GIS) |
CN116629580A (zh) * | 2023-07-19 | 2023-08-22 | 成都秦川物联网科技股份有限公司 | 基于gis的智慧燃气安全隐患项管理方法和物联网系统 |
CN116629580B (zh) * | 2023-07-19 | 2023-10-13 | 成都秦川物联网科技股份有限公司 | 基于gis的智慧燃气安全隐患项管理方法和物联网系统 |
US12007075B2 (en) | 2023-07-19 | 2024-06-11 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things (IoT) systems for managing smart gas safety hazard items based on geographic information systems |
CN117973877A (zh) * | 2024-03-29 | 2024-05-03 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气物联网的燃气管井安全管理方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115899595B (zh) | 2023-05-23 |
US20230280264A1 (en) | 2023-09-07 |
US11982613B2 (en) | 2024-05-14 |
US20240255414A1 (en) | 2024-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115899595B (zh) | 一种智慧燃气管道防腐优化方法、物联网系统及存储介质 | |
Zaman et al. | A review of leakage detection strategies for pressurised pipeline in steady-state | |
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
Zhang et al. | Leakage zone identification in large-scale water distribution systems using multiclass support vector machines | |
CN114222956A (zh) | 用于将网络化的传感器放置在一设施内以用于逃逸性排放监测的系统及方法 | |
US20230221207A1 (en) | Methods and internet of things systems for determining gas leakages based on smart gas | |
Romano et al. | Geostatistical techniques for approximate location of pipe burst events in water distribution systems | |
CN115587640B (zh) | 智慧燃气管道清管安全管理方法、物联网系统及介质 | |
US20220082409A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
CN115127037B (zh) | 一种供水管网漏损定位方法及系统 | |
CN116485066B (zh) | 基于gis的智慧燃气安全巡线管理方法和物联网系统 | |
CN113128709B (zh) | 一种供水管网漏损管理系统 | |
CN118195838B (zh) | 基于监管物联网的燃气管廊耐久性安全监控方法与系统 | |
Idachaba et al. | Current technologies and the applications of data analytics for crude oil leak detection in surface pipelines | |
Momeni et al. | A proof-of-concept study for hydraulic model-based leakage detection in water pipelines using pressure monitoring data | |
Moczulski et al. | A methodology of leakage detection and location in water distribution networks—The case study | |
Agathokleous et al. | Real-time monitoring of water distribution networks | |
Ferreira et al. | Leak detection and location in a real water distribution network using a model-based technique | |
Suresh et al. | Mobile sensor networks for leak and backflow detection in water distribution systems | |
CN115493093A (zh) | 一种基于力学仿真的蒸汽供热管网漏损定位方法及系统 | |
Rolle et al. | Data-driven leak detection and localization using LPWAN and Deep Learning | |
US20220196512A1 (en) | Detection of a leakage in a supply grid | |
Snider et al. | A flexible, leak crew focused localization model using a maximum coverage search area algorithm | |
Rathi | A critical review of leakage detection strategies including pressure and water quality sensor placement in water distribution systems–sole and integrated approaches for leakage and contamination intrusion | |
Png | A Leak Localisation System In Water Distributed Network Using Machine Learning |
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 |