CN116625438B - 燃气管网安全在线监测系统及其方法 - Google Patents
燃气管网安全在线监测系统及其方法 Download PDFInfo
- Publication number
- CN116625438B CN116625438B CN202310915180.5A CN202310915180A CN116625438B CN 116625438 B CN116625438 B CN 116625438B CN 202310915180 A CN202310915180 A CN 202310915180A CN 116625438 B CN116625438 B CN 116625438B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature vector
- pipe network
- vector
- distribution flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 352
- 230000004927 fusion Effects 0.000 claims description 50
- 238000005457 optimization Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 239000000284 extract Substances 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- F17D5/02—Preventing, monitoring, or locating loss
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
公开了一种燃气管网安全在线监测系统及其方法。其首先获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值，接着，对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征，然后，基于所述多参数时序关联特征，确定被监测燃气管网是否存在异常。这样，可以在进行燃气管网的压力值、温度值和配气流量值的采集之后，加入数据的处理和分析算法来自动对于燃气管网的压力值、温度值和配气流量值进行时序的协同分析，从而对于被监测燃气管网是否存在异常进行有效检测。
Description
技术领域
本公开涉及燃气管网领域，且更为具体地，涉及一种燃气管网安全在线监测系统及其方法。
背景技术
燃气管网是城市能源供应的重要组成部分，但由于管网的复杂性和长期使用导致的老化等问题，燃气泄漏和安全事故时有发生。因此，对于燃气管网的安全监测尤为重要。
传统的燃气管网监测方法主要依靠人工巡检和定期检修，这种方法存在效率低下、成本高昂和监测盲区等问题。随着物联网技术和大数据分析的发展，基于在线监测的燃气管网安全系统逐渐成为一种趋势。
然而，传统的燃气管网监测方案通常只在少数关键位置设置监测点，无法全面监测到整个燃气管网，这会导致在管网其他区域发生异常时，无法及时发现和处理。并且，传统的监测方案需要人工巡检监测点，这不仅费时费力，而且容易出现遗漏和误判，对于大规模和复杂的燃气管网来说，人工巡检的效率和准确性都存在一定的局限性。
目前，也有一些方案对于燃气管网的各个参数数据进行阈值监测以全面检测到燃气管网出现的问题，但是，由于各个数据之间存在着相互的关联关系，单一的数据超阈值监测方式易出现遗漏和误判，并不能够较好地检测出燃气管网所存在的异常情况，增加了事故发生的风险。
因此，期望一种优化的燃气管网安全在线监测系统。
发明内容
有鉴于此，本公开提出了一种燃气管网安全在线监测系统及其方法，可以在进行燃气管网的压力值、温度值和配气流量值的采集之后，加入数据的处理和分析算法来自动对于燃气管网的压力值、温度值和配气流量值进行时序的协同分析，从而对于被监测燃气管网是否存在异常进行有效检测。
根据本公开的一方面，提供了一种燃气管网安全在线监测系统，其包括：
数据采集模块，用于获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值；
数据时序分析模块，用于对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征；以及
燃气管网异常检测模块，用于基于所述多参数时序关联特征，确定被监测燃气管网是否存在异常。
在上述燃气管网安全在线监测系统中，所述数据时序分析模块，包括：
管网参数时序排列单元，用于将所述多个预定时间点的压力值、温度值和配气流量值分别按照时间维度排列为压力时序输入向量、温度时序输入向量和配气流量时序输入向量；
管网参数时序变化特征提取单元，用于通过基于深度神经网络模型的时序特征提取器分别对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行特征提取以得到压力时序特征向量、温度时序特征向量和配气流量时序特征向量；
管网参数时序协同关联编码单元，用于对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行时序关联特征提取以得到管网参数间时序关联特征向量；以及
多参数特征融合单元，用于融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量以得到多参数融合特征向量作为所述多参数时序关联特征。
在上述燃气管网安全在线监测系统中，所述深度神经网络模型为一维卷积神经网络模型。
在上述燃气管网安全在线监测系统中，所述管网参数时序协同关联编码单元，用于：
将所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量排列为多参数时序矩阵后通过基于卷积神经网络模型的管网参数特征提取器以得到所述管网参数间时序关联特征向量。
在上述燃气管网安全在线监测系统中，所述多参数特征融合单元，包括：
参数特征优化子单元，用于分别对所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行特征分布优化以得到优化压力时序特征向量、优化温度时序特征向量、优化配气流量时序特征向量和优化管网参数间时序关联特征向量；以及
优化特征融合子单元，用于融合所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量以得到所述多参数融合特征向量。
在上述燃气管网安全在线监测系统中，所述参数特征优化子单元，包括：
加权因数计算二级子单元，用于分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到多个加权因数；以及
加权优化二级子单元，用于将所述多个加权因数作为加权系数分别对相应的所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行加权优化以得到所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量。
在上述燃气管网安全在线监测系统中，所述加权因数计算二级子单元，用于：
以如下优化公式分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到所述多个加权因数；
其中，所述优化公式为：
其中，是所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中第/>个特征向量，/>是所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中第/>个特征向量的第/>个位置的特征值，/>是初始多参数融合特征向量，/>是所述初始多参数融合特征向量的第/>个位置的特征值，/>为以2为底的对数函数，且/>是加权超参数，/>是所述多个加权因数中第/>个加权因数。
在上述燃气管网安全在线监测系统中，所述燃气管网异常检测模块，用于：
将所述多参数融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测燃气管网是否存在异常。
根据本公开的另一方面，提供了一种燃气管网安全在线监测方法，其包括：
获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值；
对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征；以及
基于所述多参数时序关联特征，确定被监测燃气管网是否存在异常。
在上述燃气管网安全在线监测方法中，对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征，包括：
将所述多个预定时间点的压力值、温度值和配气流量值分别按照时间维度排列为压力时序输入向量、温度时序输入向量和配气流量时序输入向量；
通过基于深度神经网络模型的时序特征提取器分别对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行特征提取以得到压力时序特征向量、温度时序特征向量和配气流量时序特征向量；
对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行时序关联特征提取以得到管网参数间时序关联特征向量；以及
融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量以得到多参数融合特征向量作为所述多参数时序关联特征。
根据本公开的实施例，其首先获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值，接着，对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征，然后，基于所述多参数时序关联特征，确定被监测燃气管网是否存在异常。这样，可以在进行燃气管网的压力值、温度值和配气流量值的采集之后，加入数据的处理和分析算法来自动对于燃气管网的压力值、温度值和配气流量值进行时序的协同分析，从而对于被监测燃气管网是否存在异常进行有效检测。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的燃气管网安全在线监测系统的框图。
图2示出根据本公开的实施例的燃气管网安全在线监测系统中所述数据时序分析模块的框图。
图3示出根据本公开的实施例的燃气管网安全在线监测系统中所述多参数特征融合单元的框图。
图4示出根据本公开的实施例的燃气管网安全在线监测系统中所述参数特征优化子单元的框图。
图5示出根据本公开的实施例的燃气管网安全在线监测方法的流程图。
图6示出根据本公开的实施例的燃气管网安全在线监测方法的架构示意图。
图7示出根据本公开的实施例的燃气管网安全在线监测系统的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
如本公开和权利要求书中所示，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元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
针对上述技术问题，本公开的技术构思为在进行燃气管网的压力值、温度值和配气流量值的采集之后，加入数据的处理和分析算法来自动对于燃气管网的压力值、温度值和配气流量值进行时序的协同分析，从而对于被监测燃气管网是否存在异常进行有效检测。这样，能够避免人工检测带来的低效率和精准度不高的问题，以实现智能化地燃气管网监测，同时也能够利用数据之间的协同关联关系来提高检测的精准度，以便及时预警和采取措施，防止事故的发生。
图1示出根据本公开的实施例的燃气管网安全在线监测系统的框图示意图。如图1所示，根据本公开实施例的燃气管网安全在线监测系统100，包括：数据采集模块110，用于获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值；数据时序分析模块120，用于对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征；以及，燃气管网异常检测模块130，用于基于所述多参数时序关联特征，确定被监测燃气管网是否存在异常。
具体地，在本公开的技术方案中，首先，获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值。接着，考虑到由于所述压力值、所述温度值和所述配气流量值在时间维度上都具有着时序的动态变化规律，也就是说，所述压力值、所述温度值和所述配气流量值在时间维度上的各个预定时间点之间都具有着时序的协同关联关系。因此，在本公开的技术方案中，进一步将所述多个预定时间点的压力值、温度值和配气流量值分别按照时间维度排列为压力时序输入向量、温度时序输入向量和配气流量时序输入向量，以此来分别整合所述压力值、所述温度值和所述配气流量值的时序分布信息，以利于后续进行这些参数数据的时序协同关联特征刻画和燃气管网的监测。应可以理解，数据采集模块110负责获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值，具体的获取方式可能会因系统的具体实现而有所不同，例如可以通过传感器采集，可以在燃气管网中安装传感器，通过这些传感器实时采集管网的压力、温度和配气流量数据；也可以使用数据记录仪来记录管网的压力、温度和配气流量数据，这些数据记录仪可以定期或按需连接到管网上，将数据存储在本地或通过网络传输到数据采集模块；或者，也可以通过与SCADA（Supervisory Control and Data Acquisition）系统进行通信来获取管网的实时数据。
然后，将所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器进行特征挖掘，以分别提取出所述压力值、所述温度值和所述配气流量值在时间维度上的时序关联特征分布信息，从而得到压力时序特征向量、温度时序特征向量和配气流量时序特征向量。
进一步地，为了能够有效捕捉到所述压力值、所述温度值和所述配气流量值之间在时间维度上更深层次的时序协同关联关系，在本公开的技术方案中，将所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量排列为多参数时序矩阵后，再通过使用在隐含关联提取方面具有优异表现性能的基于卷积神经网络模型的管网参数特征提取器来进行所述多参数时序矩阵的特征挖掘，以提取出所述压力值的时序变化特征、所述温度值的时序变化特征和所述配气流量值的时序变化特征之间在时间维度和样本维度上的更深层次的关联特征信息，从而得到管网参数间时序关联特征向量。
继而，再融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量，以此来融合所述压力时序变化特征信息、所述温度时序变化特征信息、所述配气流量时序变化特征信息以及所述管网参数间时序关联特征信息以得到多参数融合特征向量。这样，能够利用这些参数数据之间的关联性和相互作用来更准确地描述管网的状态，以提高对管网状态的判断能力和异常监测能力。
相应地，如图2所示，所述数据时序分析模块120，包括：管网参数时序排列单元121，用于将所述多个预定时间点的压力值、温度值和配气流量值分别按照时间维度排列为压力时序输入向量、温度时序输入向量和配气流量时序输入向量；管网参数时序变化特征提取单元122，用于通过基于深度神经网络模型的时序特征提取器分别对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行特征提取以得到压力时序特征向量、温度时序特征向量和配气流量时序特征向量；管网参数时序协同关联编码单元123，用于对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行时序关联特征提取以得到管网参数间时序关联特征向量；以及，多参数特征融合单元124，用于融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量以得到多参数融合特征向量作为所述多参数时序关联特征。应可以理解，通过深度神经网络模型，可以从压力、温度和配气流量的时序数据中提取出有用的特征，这些特征可以帮助理解管网参数的变化趋势和规律；通过时序协同关联编码单元，可以捕捉到不同管网参数之间的时序关联特征，从而更好地理解它们之间的相互作用和影响；通过将不同参数的时序特征融合在一起，可以提供更全面和综合的管网参数时序关联特征，这有助于更好地分析和预测管网的运行状态和性能。换言之，该数据时序分析模块可以提供更深入的管网参数分析和预测能力，有助于改善管网的运行效率和可靠性。
其中，所述深度神经网络模型为一维卷积神经网络模型。值得一提的是，一维卷积神经网络（1D CNN）是一种用于处理序列数据的神经网络模型，与传统的卷积神经网络（CNN）不同，一维卷积神经网络主要用于处理具有时间或序列结构的数据，例如文本、音频和时间序列数据。一维卷积神经网络模型的核心组件是一维卷积层，它通过在输入序列上滑动一个卷积核（一维滤波器）来提取特征。卷积核的大小和步幅可以调整，以捕捉不同尺度的特征。通过多个卷积核的并行操作，一维卷积神经网络可以学习到不同层次的抽象特征。在卷积层之后，通常会添加池化层来减小特征图的尺寸，并减少模型的参数数量，常用的池化操作包括最大池化和平均池化。最后，通过全连接层和激活函数，一维卷积神经网络可以将提取到的特征映射到最终的输出类别或预测结果。
更具体地，所述管网参数时序协同关联编码单元123，用于：将所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量排列为多参数时序矩阵后通过基于卷积神经网络模型的管网参数特征提取器以得到所述管网参数间时序关联特征向量。应可以理解，卷积神经网络（Convolutional Neural Network，简称CNN）是一种用于处理具有网格结构数据的深度学习模型。在燃气管网安全在线监测系统中，所述管网参数时序协同关联编码单元123使用卷积神经网络模型作为管网参数特征提取器。具体来说，将压力、温度和配气流量的时序数据排列为一个多参数时序矩阵，然后通过卷积神经网络模型对这个矩阵进行处理。卷积神经网络通过使用卷积层、池化层和全连接层等组件，可以自动学习输入数据中的特征。在时间序列分析中，卷积神经网络可以捕捉到不同时间步之间的局部关联和全局关联，从而提取出有用的时序关联特征。通过使用卷积神经网络模型作为管网参数特征提取器，系统可以从多参数时序矩阵中提取出管网参数间的时序关联特征向量，这些特征向量可以用于后续的异常检测和分析，帮助确定管网是否存在异常情况。卷积神经网络在燃气管网安全在线监测系统中起到了重要的作用。
更具体地，如图3所示，所述多参数特征融合单元124，包括：参数特征优化子单元1241，用于分别对所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行特征分布优化以得到优化压力时序特征向量、优化温度时序特征向量、优化配气流量时序特征向量和优化管网参数间时序关联特征向量；以及，优化特征融合子单元1242，用于融合所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量以得到所述多参数融合特征向量。
特别地，在本公开的技术方案中，融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量得到所述多参数融合特征向量，并将所述多参数融合特征向量通过分类器进行分类时，考虑到所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量分别表达压力值、温度值和配气流量值的时序局部关联特征，而所述管网参数间时序关联特征向量表达压力值、温度值和配气流量值的时序-样本交叉维度局部关联特征，由于源数据和特征表示上的差异，各个特征向量在特征融合并分类时，需要考虑域转移差异来进行特征融合，从而提升特征融合效果。
基于此，本公开的申请人对于所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中的每个向量，例如记为，其中/>，以及初始多参数融合特征向量，例如记为/>，计算其可转移特征的量化的可转移性感知因数。
相应地，如图4所示，所述参数特征优化子单元1241，包括：加权因数计算二级子单元12411，用于分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到多个加权因数；以及，加权优化二级子单元12412，用于将所述多个加权因数作为加权系数分别对相应的所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行加权优化以得到所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量。
更具体地，所述加权因数计算二级子单元12411，用于：以如下优化公式分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到所述多个加权因数；其中，所述优化公式为：
其中，是所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中第/>个特征向量，/>是所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中第/>个特征向量的第/>个位置的特征值，/>是初始多参数融合特征向量，/>是所述初始多参数融合特征向量的第/>个位置的特征值，/>为以2为底的对数函数，且/>是加权超参数，/>是所述多个加权因数中第/>个加权因数。
这里，所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来估计特征空间域到分类目标域的域不确定性，且由于该域不确定性估计可以用于标识已经在域间转移的特征表示，因此通过以该因数来作为权重分别对所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行加权，就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移，从而量化地感知不同特征向量中的可转移特征的可转移性，以实现域间自适应的特征融合。这样，能够实现智能化地燃气管网监测，同时也能够利用燃气管网的各参数数据之间的协同关联关系来提高检测的精准度，以便及时预警和采取措施，防止事故的发生。
接着，进一步将所述多参数融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测燃气管网是否存在异常。也就是，在本公开的技术方案中，分类器的分类标签包括第一标签和第二标签，其中第一标签表示为被监测燃气管网存在异常，第二标签表示为被监测燃气管网不存在异常，其中，所述分类器通过软最大值函数来确定所述多参数融合特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监测燃气管网是否存在异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被监测燃气管网是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监测燃气管网是否存在异常”的语言文本意义。应可以理解，在本公开的技术方案中，所述分类器的分类标签为被监测燃气管网是否存在异常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于被监测燃气管网是否存在异常进行有效检测，以便及时预警和采取措施，防止事故的发生。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，所述燃气管网异常检测模块130，用于：将所述多参数融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测燃气管网是否存在异常。更具体地，所述燃气管网异常检测模块130，包括：全连接编码单元，用于使用所述分类器的全连接层对所述多参数融合特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
值得一提的是，全连接层（Fully Connected Layer）是神经网络中的一种常见层类型，也被称为密集连接层或全连接层。在全连接层中，每个神经元都与前一层的所有神经元相连接。这意味着该层中的每个神经元都接收前一层所有神经元的输出，并通过权重进行加权求和，然后通过激活函数进行非线性转换。全连接编码是指使用全连接层对输入数据进行编码，将输入数据映射到一个低维特征空间。在燃气管网异常检测中，全连接编码单元使用全连接层对多参数融合特征向量进行编码，将其转换为编码分类特征向量。编码分类特征向量可以捕捉到输入数据中的关键特征，并且在后续的分类过程中起到重要作用。全连接编码的作用是降低数据维度，并提取出最具有代表性的特征。通过全连接编码，可以减少输入数据的维度，从而减少模型的复杂性和计算量。此外，全连接编码还可以帮助提取输入数据中的重要特征，使得分类器能够更好地区分正常情况和异常情况。在燃气管网异常检测中，全连接编码单元将多参数融合特征向量通过全连接层进行编码，得到编码分类特征向量。然后，编码分类特征向量将被输入到分类器的Softmax分类函数中，以得到分类结果，表示被监测燃气管网是否存在异常。通过全连接编码和Softmax分类函数的组合，可以实现对燃气管网异常的准确检测和分类。
综上，基于本公开实施例的燃气管网安全在线监测系统100被阐明，其可以在进行燃气管网的压力值、温度值和配气流量值的采集之后，加入数据的处理和分析算法来自动对于燃气管网的压力值、温度值和配气流量值进行时序的协同分析，从而对于被监测燃气管网是否存在异常进行有效检测。
如上所述，根据本公开实施例的所述燃气管网安全在线监测系统100可以实现在各种终端设备中，例如具有燃气管网安全在线监测算法的服务器等。在一个示例中，燃气管网安全在线监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该燃气管网安全在线监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该燃气管网安全在线监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该燃气管网安全在线监测系统100与该终端设备也可以是分立的设备，并且该燃气管网安全在线监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5示出根据本公开的实施例的燃气管网安全在线监测方法的流程图。图6示出根据本公开的实施例的燃气管网安全在线监测方法的系统架构的示意图。如图5和图6所示，根据本公开实施例的燃气管网安全在线监测方法，其包括：S110，获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值；S120，对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征；以及，S130，基于所述多参数时序关联特征，确定被监测燃气管网是否存在异常。
在一种可能的实现方式中，对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征，包括：将所述多个预定时间点的压力值、温度值和配气流量值分别按照时间维度排列为压力时序输入向量、温度时序输入向量和配气流量时序输入向量；通过基于深度神经网络模型的时序特征提取器分别对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行特征提取以得到压力时序特征向量、温度时序特征向量和配气流量时序特征向量；对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行时序关联特征提取以得到管网参数间时序关联特征向量；以及，融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量以得到多参数融合特征向量作为所述多参数时序关联特征。
这里，本领域技术人员可以理解，上述燃气管网安全在线监测方法中的各个步骤的具体操作已经在上面参考图1到图4的燃气管网安全在线监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图7示出根据本公开的实施例的燃气管网安全在线监测系统的应用场景图。如图7所示，在该应用场景中，首先，获取被监测燃气管网在预定时间段内多个预定时间点的压力值（例如，图7中所示意的D1）、温度值（例如，图7中所示意的D2）和配气流量值（例如，图7中所示意的D3），然后，将所述多个预定时间点的压力值、温度值和配气流量值输入至部署有燃气管网安全在线监测算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述燃气管网安全在线监测算法对所述多个预定时间点的压力值、温度值和配气流量值进行处理以得到用于表示被监测燃气管网是否存在异常的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种燃气管网安全在线监测系统，其特征在于，包括：
数据采集模块，用于获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值；
数据时序分析模块，用于对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征；以及
燃气管网异常检测模块，用于基于所述多参数时序关联特征，确定被监测燃气管网是否存在异常；
其中，所述数据时序分析模块，包括：
管网参数时序排列单元，用于将所述多个预定时间点的压力值、温度值和配气流量值分别按照时间维度排列为压力时序输入向量、温度时序输入向量和配气流量时序输入向量；
管网参数时序变化特征提取单元，用于通过基于深度神经网络模型的时序特征提取器分别对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行特征提取以得到压力时序特征向量、温度时序特征向量和配气流量时序特征向量；
管网参数时序协同关联编码单元，用于对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行时序关联特征提取以得到管网参数间时序关联特征向量；以及
多参数特征融合单元，用于融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量以得到多参数融合特征向量作为所述多参数时序关联特征；
其中，所述多参数特征融合单元，包括：
参数特征优化子单元，用于分别对所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行特征分布优化以得到优化压力时序特征向量、优化温度时序特征向量、优化配气流量时序特征向量和优化管网参数间时序关联特征向量；以及
优化特征融合子单元，用于融合所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量以得到所述多参数融合特征向量；
其中，所述参数特征优化子单元，包括：
加权因数计算二级子单元，用于分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到多个加权因数；以及
加权优化二级子单元，用于将所述多个加权因数作为加权系数分别对相应的所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行加权优化以得到所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量；
其中，所述加权因数计算二级子单元，用于：
以如下优化公式分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到所述多个加权因数；
其中，所述优化公式为：
其中，是所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中第/>个特征向量，/>是所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中第/>个特征向量的第/>个位置的特征值，/>是初始多参数融合特征向量，/>是所述初始多参数融合特征向量的第/>个位置的特征值，/>为以2为底的对数函数，且/>是加权超参数，/>是所述多个加权因数中第/>个加权因数；
其中，所述燃气管网异常检测模块，用于：
将所述多参数融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测燃气管网是否存在异常；
其中，所述分类器通过软最大值函数来确定所述多参数融合特征向量属于哪个分类标签。
2.根据权利要求1所述的燃气管网安全在线监测系统，其特征在于，所述深度神经网络模型为一维卷积神经网络模型。
3.根据权利要求2所述的燃气管网安全在线监测系统，其特征在于，所述管网参数时序协同关联编码单元，用于：
将所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量排列为多参数时序矩阵后通过基于卷积神经网络模型的管网参数特征提取器以得到所述管网参数间时序关联特征向量。
4.一种燃气管网安全在线监测方法，其特征在于，包括：
获取被监测燃气管网在预定时间段内多个预定时间点的压力值、温度值和配气流量值；
对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征；以及
基于所述多参数时序关联特征，确定被监测燃气管网是否存在异常；
其中，对所述多个预定时间点的压力值、温度值和配气流量值进行时序关联分析以得到多参数时序关联特征，包括：
将所述多个预定时间点的压力值、温度值和配气流量值分别按照时间维度排列为压力时序输入向量、温度时序输入向量和配气流量时序输入向量；
通过基于深度神经网络模型的时序特征提取器分别对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行特征提取以得到压力时序特征向量、温度时序特征向量和配气流量时序特征向量；
对所述压力时序输入向量、所述温度时序输入向量和所述配气流量时序输入向量进行时序关联特征提取以得到管网参数间时序关联特征向量；以及
融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量以得到多参数融合特征向量作为所述多参数时序关联特征；
其中，融合所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量以得到多参数融合特征向量作为所述多参数时序关联特征，包括：
分别对所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行特征分布优化以得到优化压力时序特征向量、优化温度时序特征向量、优化配气流量时序特征向量和优化管网参数间时序关联特征向量；以及
融合所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量以得到所述多参数融合特征向量；
其中，融合所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量以得到所述多参数融合特征向量，包括：分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到多个加权因数；以及
将所述多个加权因数作为加权系数分别对相应的所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量进行加权优化以得到所述优化压力时序特征向量、所述优化温度时序特征向量、所述优化配气流量时序特征向量和所述优化管网参数间时序关联特征向量；
其中，分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到多个加权因数，包括：
以如下优化公式分别计算所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量的可转移特征的量化的可转移性感知因数以得到所述多个加权因数；
其中，所述优化公式为：
其中，是所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中第/>个特征向量，/>是所述压力时序特征向量、所述温度时序特征向量、所述配气流量时序特征向量和所述管网参数间时序关联特征向量中第/>个特征向量的第/>个位置的特征值，/>是初始多参数融合特征向量，/>是所述初始多参数融合特征向量的第/>个位置的特征值，/>为以2为底的对数函数，且/>是加权超参数，/>是所述多个加权因数中第/>个加权因数；
其中，将所述多参数融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测燃气管网是否存在异常；
其中，所述分类器通过软最大值函数来确定所述多参数融合特征向量属于哪个分类标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310915180.5A CN116625438B (zh) | 2023-07-25 | 2023-07-25 | 燃气管网安全在线监测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310915180.5A CN116625438B (zh) | 2023-07-25 | 2023-07-25 | 燃气管网安全在线监测系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116625438A CN116625438A (zh) | 2023-08-22 |
| CN116625438B true CN116625438B (zh) | 2023-12-01 |
Family
ID=87613881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310915180.5A Active CN116625438B (zh) | 2023-07-25 | 2023-07-25 | 燃气管网安全在线监测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116625438B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116781430B (zh) * | 2023-08-24 | 2023-12-01 | 克拉玛依市燃气有限责任公司 | 用于燃气管网的网络信息安全系统及其方法 |
| CN116832588B (zh) * | 2023-08-25 | 2024-02-02 | 湖北鼎信成套设备有限公司 | 酸再生烟气净化装置及其方法 |
| CN116777608A (zh) * | 2023-08-25 | 2023-09-19 | 北京佳格天地科技有限公司 | 基于大数据的农业金融风险监管系统、方法及存储介质 |
| CN116772944B (zh) * | 2023-08-25 | 2023-12-01 | 克拉玛依市燃气有限责任公司 | 配气站的智能监控系统及其方法 |
| CN117111661B (zh) * | 2023-08-31 | 2024-05-24 | 杭州泰龙净化设备工程有限公司 | 生产车间集中控制系统及方法 |
| CN117148165B (zh) * | 2023-09-15 | 2024-04-12 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其系统 |
| CN117151649B (zh) * | 2023-09-15 | 2024-02-23 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控系统及方法 |
| CN117254593B (zh) * | 2023-09-25 | 2024-05-03 | 安徽南瑞继远电网技术有限公司 | 基于云边协同的电网巡视作业智慧管控平台及其方法 |
| CN117222069B (zh) * | 2023-10-12 | 2024-04-30 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
| CN117251718B (zh) * | 2023-11-20 | 2024-02-13 | 吉林省拓达环保设备工程有限公司 | 基于人工智能的智能曝气管理系统 |
| CN117601143A (zh) * | 2023-11-23 | 2024-02-27 | 中建新疆建工集团第三建设工程有限公司 | 基于多传感器融合的智能巡检机器人及方法 |
| CN117388893B (zh) * | 2023-12-11 | 2024-03-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196872A (zh) * | 2007-11-19 | 2008-06-11 | 清华大学 | 基于压力和声波信息融合的泄漏检测定位方法 |
| CN107884475A (zh) * | 2017-10-18 | 2018-04-06 | 常州大学 | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 |
| CN108224097A (zh) * | 2018-01-30 | 2018-06-29 | 北京建筑大学 | 一种天然气管道泄漏报警系统和检测方法 |
| CN112904756A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种管网大数据检测系统 |
| CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
| CN115081673A (zh) * | 2022-05-05 | 2022-09-20 | 国家石油天然气管网集团有限公司 | 一种油气管道的异常预测方法、装置、电子设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11704912B2 (en) * | 2020-06-16 | 2023-07-18 | Ford Global Technologies, Llc | Label-free performance evaluator for traffic light classifier system |
-
2023
- 2023-07-25 CN CN202310915180.5A patent/CN116625438B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196872A (zh) * | 2007-11-19 | 2008-06-11 | 清华大学 | 基于压力和声波信息融合的泄漏检测定位方法 |
| CN107884475A (zh) * | 2017-10-18 | 2018-04-06 | 常州大学 | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 |
| CN108224097A (zh) * | 2018-01-30 | 2018-06-29 | 北京建筑大学 | 一种天然气管道泄漏报警系统和检测方法 |
| CN112904756A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种管网大数据检测系统 |
| CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
| CN115081673A (zh) * | 2022-05-05 | 2022-09-20 | 国家石油天然气管网集团有限公司 | 一种油气管道的异常预测方法、装置、电子设备及介质 |
Non-Patent Citations (7)
| Title |
|---|
| 一种基于时序分析异常数据的跌倒行为监测方法;王忠民;张新平;梁琛;;计算机应用研究(03);全文 * |
| 地下管线监测系统振动信号识别研究;黄培;;办公自动化(03);全文 * |
| 基于小波包熵与AFSA-SVM的压力管道泄漏识别;袁晶凤;;工业安全与环保(02);全文 * |
| 基于深度门控循环单元神经网络的刀具磨损状态实时监测方法;陈启鹏;谢庆生;袁庆霓;黄海松;魏琴;李宜汀;;计算机集成制造系统(07);全文 * |
| 基于神经网络的数据融合算法在管道缺陷损伤识别上的应用;王庆红;车威威;王子文;;全面腐蚀控制(11);全文 * |
| 基于过程信息融合的管线泄漏诊断;秦先勇;张来斌;王朝晖;梁伟;;中国石油大学学报(自然科学版)(04);全文 * |
| 深度学习神经网络在管道故障诊断中的应用研究;王新颖;宋兴帅;杨泰旺;;安全与环境工程(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116625438A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
| WO2021042935A1 (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 | |
| CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
| CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
| CN117113218A (zh) | 可视化的数据分析系统及其方法 | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
| CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
| CN115081673A (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 | |
| CN117856442A (zh) | 一种基于大数据的电力设备远程监测系统及方法 | |
| CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
| Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems | |
| Yan et al. | Confident learning-based Gaussian mixture model for leakage detection in water distribution networks | |
| CN116730226B (zh) | 悬臂起重机的安全智能监管系统及其方法 | |
| CN117272246B (zh) | 基于多元回归模型的变压器声纹故障诊断方法及系统 | |
| CN117520993B (zh) | 电驱动桥试验系统及其方法 | |
| CN116649850B (zh) | 一种智能洗地机控制系统 | |
| Malik et al. | Automated system for concrete damage classification identification using Naïve-Bayesian classifier | |
| Santos et al. | Application of artificial inteligence for the diagnosis of deffects in surge arresters using thermal images | |
| CN117668753A (zh) | 基于产业园设备性能分析系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |