CN116108604A - 一种供水管网异常检测方法、系统、设备及存储介质 - Google Patents
一种供水管网异常检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116108604A CN116108604A CN202310389080.3A CN202310389080A CN116108604A CN 116108604 A CN116108604 A CN 116108604A CN 202310389080 A CN202310389080 A CN 202310389080A CN 116108604 A CN116108604 A CN 116108604A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- monitoring
- distribution
- network
- node
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 105
- 238000009826 distribution Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012546 transfer Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Mechanical Engineering (AREA)
- Pipeline Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种供水管网异常检测方法、系统、设备及存储介质，本发明属于管网异常检测技术领域，方法包括：获取GIS信息并根据GIS信息获取管网拓扑结构；建立管网水力模型并进行模型参数优化；通过管网水力模型计算得到表征管网监测节点传递变化的代价函数；获取管网所有监测节点的监测分布；通过管网监测历史数据获得管网所有监测节点的预测分布；计算得到节点监测值向量与预测值向量之间的Wasserstein相似度；根据Wasserstein相似度进行管网异常判断。本发明通过计算实测值分布与预测值分别之间的Wasserstein相似度来判别管网内是否有异常发生，提高了管网异常检测的准确性和可靠性。
Description
技术领域
本发明属于管网监测技术领域，具体涉及一种供水管网异常检测方法、系统、设备及存储介质。
背景技术
供水管网水力沿管网的损失、压力随流体在具有摩擦阻力的管道内流动而变化等等具有物理传递特性网络一旦在某处出现异常，则会遵循物理规律在网络中传递出去，因此，在供水管网的异常检测中，应该考虑物理网络的传递特性。
然而现有管网异常检测中，无论是基于传统信号处理方法，还是基于机器学习的方法，通常是事先根据每个节点的历史数据，通过信号处理或机器学习方法，预测出各网络节点物理量的预测值，之后将实测值与预测值作为两个向量，最后通过计算两个向量之间的相似度度量进行异常判断。当所得相似度低于某个阈值时，就可以判定有可能发生了异常，而没有考虑管网中节点与节点之间的关联性以及管网的传递特性，从而导致管网异常检测的可靠性和精度较低。
发明内容
为了解决现有管网异常检测技术存在可靠性和精度较差的问题，本发明提供了一种供水管网异常检测方法、系统、设备及存储介质。本发明将管网各监测点的物理量进行归一化之后，通过计算实测值分布与预测值分别之间的Wasserstein相似度来判别管网内是否有异常发生，提高了管网异常检测的准确性和可靠性，为管网维护决策提供技术支撑和数据支撑。
本发明通过下述技术方案实现：
一种供水管网异常检测方法，包括：
通过管网GIS系统获取GIS信息并根据所述GIS信息获取管网拓扑结构；
根据所述管网拓扑结构，建立管网水力模型并进行模型参数优化；
通过所述管网水力模型计算得到表征管网监测节点传递变化的代价函数；
获取管网所有监测节点的监测分布；
通过管网监测历史数据获得管网所有监测节点的预测分布；
基于所述代价函数、监测分布和预测分布，计算得到节点监测值向量与预测值向量之间的Wasserstein相似度；
根据所述Wasserstein相似度进行管网异常判断。
作为优选实施方式，本发明的GIS信息包括管网空间数据以及管网属性数据；
根据所述管网空间数据和管网属性数据，建立管线、管点以及沿线设备，形成管网拓扑结构。
作为优选实施方式，本发明的对模型参数进行优化，具体为：
以预测值与实测值之间的误差函数作为目标函数；
将基于所述管网水力模型构建的连续性方程、压降方程、虚环方程以及能量方程作为约束条件，对所述目标函数进行求解，从而得到模型参数最优值。
作为优选实施方式，本发明的代价函数的计算方式具体为：
以管网中一监测节点作为异常节点，通过所述管网水力模型计算得到其余监测节点处的压力变化值，以此作为异常节点到其余节点的代价函数。
作为优选实施方式，本发明对管网中个监测节点的监测值进行归一化处理，所述归一化处理过程具体为：
将管网中所有监测节点的监测值求和作为总监测值；
将管网中各个监测节点的监测值分别除于所述总监测值，得到各个监测节点的监测值的概率分布，作为监测分布。
作为优选实施方式，本发明对于管网中各监测节点，利用LSTM方法获取其预测值，并进行归一化处理，所述归一化处理过程具体为：
将管网中所有监测节点的预测值求和作为总预测值；
将管网中各个监测节点的预测值分别除于所述总预测值，得到各个监测节点的预测值的概率分布，作为预测分布。
作为优选实施方式，本发明利用下式计算得到实测分布与预测分布之间的Wasserstein距离：
；
式中，为联合分布，且满足，以及；为监测节点的实测值，为监测节点的预测值，为监测节点到监测节点的代价函数。
第二方面，本发明提出了一种供水管网异常检测系统，包括：
数据获取模块，通过管网GIS系统获取GIS信息并根据所述GIS信息获取管网拓扑结构；
模型构建模块，根据所述管网拓扑结构，建立管网水力模型并进行模型参数优化；
传递特性计算模块，通过所述管网水力模型计算得到表征管网监测节点传递变化的代价函数；
实测模块，用于获取管网所有监测节点的监测分布；
预测模块，通过管网监测历史数据获得管网所有监测节点的预测分布；
相似度计算模块，基于所述代价函数、监测分布和预测分布，计算得到节点监测值向量与预测值向量之间的Wasserstein相似度；
异常判断模块，根据所述Wasserstein相似度进行管网异常判断。
第三方面，本发明提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明所述方法的步骤。
第四方面，本发明提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述方法的步骤。
本发明具有如下的优点和有益效果：
本发明通过管网水力模型计算得到表征管网中监测节点传递变化的代价函数，然后基于代价函数、实测分布和预测分布计算得到节点监测值向量与预测值向量之间的Wasserstein相似度，从而实现管网异常的快速准确检测。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的系统原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：
供水管网漏损检测问题的本质是利用压力监测站点所采集到的压力进行分析，以判断在分区内是否有漏损情况发生，然而在实际应用中，由于压力传感设备的布设密度等限制因素，无法直接获得全部节点的压力信息，因此只能依赖于有限得到监测点压力值来对是否产生漏损进行判断，如果在管网某节点处发生渗漏，由于管网的传递特性该渗漏会影响到分区内周围节点的压力值，而针对管网这种具备物理传递特性的网络，传统的异常检测技术没有考虑网络物理传递特性，从而导致管网中节点异常检测的可靠性和准确性较差，基于此，本实施例提出了一种供水管网异常检测方法，本实施例提出的检测方法通过获取异常节点到其与各监测节点的代价函数，并获得监测分布以及预测分布，最后基于代价函数、监测分布以及预测分布计算得到Waasserstein距离，根据该距离来判断网络中是否存在异常，从而实现管网异常节点快速可靠的检测。
具体如图1所示，本实施例提出的检测方法包括如下步骤：
步骤1，获取GIS信息并根据GIS信息获取管网拓扑结构。
步骤2，根据管网拓扑结构，建立管网水力模型并进行模型参数优化。
步骤3，通过管网水力模型计算得到表征管网中监测节点传递变化的代价函数。
步骤4，获得管网所有监测节点的监测分布。
步骤5，通过历史数据获得管网所有监测节点的预测分布。
步骤6，基于代价函数、监测分布和预测分布，计算得到节点监测值向量与预测值向量之间的Wasserstein相似度。
步骤7，根据Wasserstein相似度，判断管网是否存在异常。
一种可选的实施方式，通过管网GIS系统获取GIS信息，其中，GIS信息包括管网空间数据以及管网属性数据，管网空间数据包括了管网所处的地理位置信息等，而管网属性数据包括了管网材质、阀门、变径、三通、四通等管网与设备数据等。通过综合管网空间数据和管网属性数据，建立管线、管点以及沿线设备，最终形成管网拓扑结构。
一种可选的实施方式，对管网水力模型的参数进行优化，可通过建立最优化目标函数，例如针对各节点压力和管段流量，将预测值与实测值之间的误差函数作为目标函数，管网参数作为需要优化的模型参数，将基于管网水力模型构建的连续性方程、压降方程、虚环方程以及能量方程作为约束条件，对目标函数进行求解，例如梯度下降方法，粒子群方法，蚁群方法等等，从而得到模型参数最优值。
一种可选的实施方式，获取管网中所有压力监测节点，其中是所有压力监测节点的集合。任意给定分区内节点，假定此节点为唯一水源，通过水力模型计算其余各监测节点，，处的压力变化值（可由源处的压力值减去各节点处的水头损失求得），以此作为从节点到节点间的代价函数；通过该过程可以得到管网中所有监测节点间的代价函数。需要说明的是，和并不一定相同。
一种可选的实施方式，对于管网中各压力监测节点，将各压力监测节点的监测值进行归一化，具体将所有监测节点的压力值求和作为总压力值，然后将各监测节点的压力值分别除于该总压力值，这样可以得到各个监测节点的实测值的概率分布，即为实测分布向量。
一种可选的实施方式，对于管网中各压力监测节点，利用LSTM等通用深度学习方法获得其预测值，并进行归一化，具体将所有监测节点的预测值求和作为总压力值，然后将各监测节点的预测值分别处于该总压力值，这样可以得到各个监测节点的预测值的概率分布，即为预测分布向量。
一种可选的实施方式，根据获取的实测分布、预测分布，以及代价函数，计算得到实测分布向量与预测分布向量之间的Wasserstein距离值：
其中表示一个联合分布，且必须满足，以及，即联合分布对应的两个边际分布分别为和。给定源分布（即实测分布）和目标分布（即预测分布），以及代价函数后，Wasserstein距离的物理含义就是在所有的联合分布中寻找使得上式最小的那个联合分布，就是以最小代价将源分布转移成了目标分布。该距离可通过求解线性最优化问题获得。
一种可选的实施方式，根据的值来判断管网中是否存在异常，具体的，如果，则判断有异常，否则认为没有发生异常。的取值可以通过使用物理量模型模拟软件的仿真结果学习到。
本实施例还提出了一种供水管网异常检测系统，具体如图2所示，该系统包括：
数据获取模块，用于获取GIS信息并根据GIS信息获取管网拓扑结构；
模型构建模块，根据管网拓扑结构，建立管网水力模型并进行模型参数优化；
传递特性计算模块，通过管网水力模型计算得到表征管网中监测节点传递变化的代价函数；
实测模块，用于获取管网所有监测节点的监测分布；
预测模块，基于历史数据，采用机器学习算法得到管网所有监测节点的预测分布；
相似度计算模块，基于代价函数、监测分布和预测分布，计算得到节点监测值向量与预测值向量之间的Wasserstein相似度；
异常判定模块，根据Wasserstein相似度，判断管网是否存在异常。
本实施例还提出了一种计算机设备，用于执行本实施例的上述方法。
计算机设备包括处理器、内存储器和系统总线；内存储器和处理器在内的各种设备组件连接到系统总线上。处理器是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如，程序状态信息)的物理设备。系统总线可以为以下几种类型的总线结构中的任意一种，包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过系统总线进行数据通信。其中内存储器包括只读存储器(ROM)或闪存，以及随机存取存储器(RAM)，RAM通常是指加载了操作系统和计算机程序的主存储器。
计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中选择，计算机可读介质是指可以通过计算机设备访问的任何可利用的介质，包括移动的和固定的两种介质。例如，计算机可读介质包括但不限于，闪速存储器(微型SD卡)，CD-ROM，数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备，或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口（局域网LAN接口）与网络终端相连接。局域网(LAN)是指在有限区域内，例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼，互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。
应当指出的是，其它包括比计算机设备更多或更少的子系统的计算机系统也能适用于发明。
如上面详细描述的，适用于本实施例的计算机设备能执行多维空间视界搜索方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此，实现本实施例并不限于任何特定硬件电路和软件的组合。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种供水管网异常检测方法，其特征在于，包括：
通过管网GIS系统获取GIS信息并根据所述GIS信息获取管网拓扑结构；
根据所述管网拓扑结构，建立管网水力模型并进行模型参数优化；
通过所述管网水力模型计算得到表征管网监测节点传递变化的代价函数；
获取管网所有监测节点的监测分布；
通过管网监测历史数据获得管网所有监测节点的预测分布；
基于所述代价函数、监测分布和预测分布，计算得到节点监测值向量与预测值向量之间的Wasserstein相似度；
根据所述Wasserstein相似度进行管网异常判断。
2.根据权利要求1所述的一种供水管网异常检测方法，其特征在于，所述GIS信息包括管网空间数据以及管网属性数据；
根据所述管网空间数据和管网属性数据，建立管线、管点以及沿线设备，形成管网拓扑结构。
3.根据权利要求1所述的一种供水管网异常检测方法，其特征在于，对模型参数进行优化，具体为：
以预测值与实测值之间的误差函数作为目标函数；
将基于所述管网水力模型构建的连续性方程、压降方程、虚环方程以及能量方程作为约束条件，对所述目标函数进行求解，从而得到模型参数最优值。
4.根据权利要求1所述的一种供水管网异常检测方法，其特征在于，代价函数的计算方式具体为：
以管网中一监测节点作为异常节点，通过所述管网水力模型计算得到其余监测节点处的压力变化值，以此作为异常节点到其余节点的代价函数。
5.根据权利要求1所述的一种供水管网异常检测方法，其特征在于，对管网中个监测节点的监测值进行归一化处理，所述归一化处理过程具体为：
将管网中所有监测节点的监测值求和作为总监测值；
将管网中各个监测节点的监测值分别除于所述总监测值，得到各个监测节点的监测值的概率分布，作为监测分布。
6.根据权利要求1所述的一种供水管网异常检测方法，其特征在于，对于管网中各监测节点，利用LSTM方法获取其预测值，并进行归一化处理，所述归一化处理过程具体为：
将管网中所有监测节点的预测值求和作为总预测值；
将管网中各个监测节点的预测值分别除于所述总预测值，得到各个监测节点的预测值的概率分布，作为预测分布。
7.根据权利要求1-6任一项所述的一种供水管网异常检测方法，其特征在于，利用下式计算得到实测分布与预测分布之间的Wasserstein距离值：
；
式中，为联合分布，且满足，以及；为监测节点的实测值，为监测节点的预测值，为监测节点到监测节点的代价函数。
8.一种供水管网异常检测系统，其特征在于，包括：
数据获取模块，通过管网GIS系统获取GIS信息并根据所述GIS信息获取管网拓扑结构；
模型构建模块，根据所述管网拓扑结构，建立管网水力模型并进行模型参数优化；
传递特性计算模块，通过所述管网水力模型计算得到表征管网监测节点传递变化的代价函数；
实测模块，用于获取管网所有监测节点的监测分布；
预测模块，通过管网监测历史数据获得管网所有监测节点的预测分布；
相似度计算模块，基于所述代价函数、监测分布和预测分布，计算得到节点监测值向量与预测值向量之间的Wasserstein相似度；
异常判断模块，根据所述Wasserstein相似度进行管网异常判断。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310389080.3A CN116108604B (zh) | 2023-04-13 | 2023-04-13 | 一种供水管网异常检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310389080.3A CN116108604B (zh) | 2023-04-13 | 2023-04-13 | 一种供水管网异常检测方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116108604A true CN116108604A (zh) | 2023-05-12 |
| CN116108604B CN116108604B (zh) | 2023-06-20 |
Family
ID=86267630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310389080.3A Active CN116108604B (zh) | 2023-04-13 | 2023-04-13 | 一种供水管网异常检测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116108604B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116593065A (zh) * | 2023-07-14 | 2023-08-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
| CN117435901A (zh) * | 2023-12-19 | 2024-01-23 | 深圳市博控科技有限公司 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180181111A1 (en) * | 2015-06-29 | 2018-06-28 | Suez Groupe | Method for detecting anomalies in a water distribution system |
| CN113588179A (zh) * | 2021-06-24 | 2021-11-02 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
| CN113704942A (zh) * | 2021-09-03 | 2021-11-26 | 清华大学 | 供水管网未知节点压力估计方法、装置及计算机系统 |
| WO2023284060A1 (zh) * | 2021-07-12 | 2023-01-19 | 浙江大学 | 一种基于地理三维信息的污水管网流量不确定性分析方法 |
-
2023
- 2023-04-13 CN CN202310389080.3A patent/CN116108604B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180181111A1 (en) * | 2015-06-29 | 2018-06-28 | Suez Groupe | Method for detecting anomalies in a water distribution system |
| CN113588179A (zh) * | 2021-06-24 | 2021-11-02 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
| WO2023284060A1 (zh) * | 2021-07-12 | 2023-01-19 | 浙江大学 | 一种基于地理三维信息的污水管网流量不确定性分析方法 |
| CN113704942A (zh) * | 2021-09-03 | 2021-11-26 | 清华大学 | 供水管网未知节点压力估计方法、装置及计算机系统 |
Non-Patent Citations (3)
| Title |
|---|
| YIBING LI: "Fault diagnosis of rotating machinery based on combination of Wasserstein generative adversarial networks and long short term memory fully convolutional network", 《MEASUREMENT》, vol. 191, pages 110826 * |
| 刘铭: "基于深度学习的集中供热管网泄漏故障诊断", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 1, pages 038 - 2294 * |
| 宋琪: "复杂管网泄漏诊断及基于神经网络的定位研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 1, pages 038 - 2170 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116593065A (zh) * | 2023-07-14 | 2023-08-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
| CN116593065B (zh) * | 2023-07-14 | 2023-09-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
| CN117435901A (zh) * | 2023-12-19 | 2024-01-23 | 深圳市博控科技有限公司 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
| CN117435901B (zh) * | 2023-12-19 | 2024-03-08 | 深圳市博控科技有限公司 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116108604B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116108604B (zh) | 一种供水管网异常检测方法、系统、设备及存储介质 | |
| CN109474472B (zh) | 一种基于全对称多胞体滤波的故障检测方法 | |
| US9582775B2 (en) | Techniques for iterative reduction of uncertainty in water distribution networks | |
| CN111664823B (zh) | 基于介质热传导系数差异的均压电极垢层厚度检测方法 | |
| WO2021082478A1 (zh) | 空调系统能耗预测方法及装置 | |
| CN110207784A (zh) | 变压器油位告警方法、装置及终端设备 | |
| Vrachimis et al. | Leakage detection and localization in water distribution systems: A model invalidation approach | |
| CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
| CN113191074A (zh) | 一种用于数据中心的机房供电参数检测方法 | |
| Ma et al. | A real-time method to detect the leakage location in urban water distribution networks | |
| CN113486950B (zh) | 一种智能管网漏水检测方法及系统 | |
| CN116663747B (zh) | 一种基于数据中心基础设施的智能预警方法及系统 | |
| CN117171596A (zh) | 一种压力变送器的在线监测方法及系统 | |
| CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
| CN111412391B (zh) | 一种管网泄漏检测方法及系统 | |
| CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
| CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN117310361A (zh) | 一种基于智能感知和设备画像的配电网故障巡检定位方法 | |
| Cardell-Oliver et al. | Designing sensor networks for leak detection in water pipeline systems | |
| CN115561259A (zh) | 碳化硅涂层石墨盘的性能测试方法及相关装置 | |
| CN117413273A (zh) | 用于监控封闭空间环境的方法、装置和计算机存储介质 | |
| Fuentes Jr et al. | Leak detection in water distribution networks via pressure analysis using a machine learning ensemble | |
| CN112988529A (zh) | 一种基于机器学习进行数据库系统性能预测的方法及系统 | |
| CN110309599A (zh) | 一种方位测量融合与多目标定位方法 | |
| CN114563045B (zh) | 一种医院后勤系统的检测方法、装置、电子设备及介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231105 Address after: 201109 floor 1, building 5, No. 951, Jianchuan Road, Minhang District, Shanghai Patentee after: Rongwan Technology (Shanghai) Co.,Ltd. Address before: No. 2 Futoushan Road, Chenghua District, Chengdu, Sichuan Province, 610000 Patentee before: Sichuan aoconvex Environmental Protection Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |