CN116772944A - 配气站的智能监控系统及其方法 - Google Patents
配气站的智能监控系统及其方法 Download PDFInfo
- Publication number
- CN116772944A CN116772944A CN202311077142.3A CN202311077142A CN116772944A CN 116772944 A CN116772944 A CN 116772944A CN 202311077142 A CN202311077142 A CN 202311077142A CN 116772944 A CN116772944 A CN 116772944A
- Authority
- CN
- China
- Prior art keywords
- pressure
- temperature
- time sequence
- correlation
- global
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010219 correlation analysis Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 229
- 238000005457 optimization Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012098 association analyses Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 120
- 230000002159 abnormal effect Effects 0.000 description 27
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 26
- 239000003345 natural gas Substances 0.000 description 13
- 238000007726 management method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Abstract
本发明公开了一种配气站的智能监控系统及其方法，其获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值；对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力‑温度时序关联特征；基于所述压力‑温度时序关联特征，确定被监控配气站的运行状态是否正常。通过这样的方式，能够避免人工介入引起的低效率和低精准度的问题，从而实现对配气站运行状态的智能监控和预警，提高配气站的运行效率和安全性。
Description
技术领域
本发明涉及智能化监控技术领域，尤其涉及一种配气站的智能监控系统及其方法。
背景技术
配气站是用于调节和分配天然气或其他气体的设施，通常用于向工业、商业和居民用户提供燃气供应。配气站的安全运行关系到城市的能源供应和居民的生活质量，为了确保配气站的正常运行和安全性，需要对于配气站进行安全监测以及时发现潜在的故障、泄漏或其他安全隐患。
然而，传统的监控系统通常依赖于人工巡视和手动记录数据，这种方式需要耗费大量的时间和人力资源，并且无法实现对配气站状态的实时监测。同时，由于人为因素的存在，手动记录的数据可能存在误差和不准确性。此外，传统监控系统通常需要操作员对数据进行人工分析和判断，这种方式容易受主观因素影响，导致对配气站异常情况的漏判或误判。并且，人工判断也存在一定的局限性，无法处理大量数据和复杂模式的分析。
因此，期望一种配气站的智能监控系统。
发明内容
本发明提供一种配气站的智能监控系统及其方法，其获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值；对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征；基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常。通过这样的方式，能够避免人工介入引起的低效率和低精准度的问题，从而实现对配气站运行状态的智能监控和预警，提高配气站的运行效率和安全性。
本发明还提供了一种配气站的智能监控系统，其包括：数据采集模块，用于获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值；数据时序关联分析模块，用于对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征；配气站运行状态监测模块，用于基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常。
在上述配气站的智能监控系统中，所述数据时序关联分析模块，包括：数据时序排列单元，用于将所述多个预定时间点的压力值和温度值按照时间维度排列为压力时序输入向量和温度时序输入向量；数据参数间局部时序关联特征提取单元，用于对所述压力时序输入向量和温度时序输入向量进行局部时序关联特征提取以得到多个压力-温度局部时序关联矩阵；数据时序全局上下文编码单元，用于对所述多个压力-温度局部时序关联矩阵进行全局关联特征分析以得到全局压力-温度时序上下文关联特征向量作为所述压力-温度时序关联特征。
在上述配气站的智能监控系统中，所述数据参数间局部时序关联特征提取单元，包括：向量切分子单元，用于对所述压力时序输入向量和所述温度时序输入向量进行向量切分以得到多个压力局部时序输入向量和多个温度局部时序输入向量；压力-温度局部时序关联编码单元，用于分别计算所述多个压力局部时序输入向量和所述多个温度局部时序输入向量中每组对应的压力局部时序输入向量和温度局部时序输入向量之间的压力-温度局部时序关联矩阵以得到多个压力-温度局部时序关联矩阵；压力-温度局部时序关联特征提取单元，用于将所述多个压力-温度局部时序关联矩阵分别通过基于卷积神经网络模型的关联特征提取器以得到所述多个压力-温度局部时序关联特征向量。
在上述配气站的智能监控系统中，所述数据时序全局上下文编码单元，用于：将所述多个压力-温度局部时序关联特征向量通过基于转换器模块的时序上下文编码器以得到所述全局压力-温度时序上下文关联特征向量。
在上述配气站的智能监控系统中，所述配气站运行状态监测模块，包括：特征分布优化单元，用于对所述全局压力-温度时序上下文关联特征向量进行特征分布优化以得到优化全局压力-温度时序上下文关联特征向量；运行状态检测单元，用于将所述优化全局压力-温度时序上下文关联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控配气站的运行状态是否正常。
在上述配气站的智能监控系统中，所述特征分布优化单元，包括：级联子单元，用于将所述多个压力-温度局部时序关联特征向量进行级联以得到压力-温度局部时序级联特征向量；自适应点学习优化子单元，用于对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量。
在上述配气站的智能监控系统中，所述自适应点学习优化子单元，用于：以如下优化公式对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量；其中，所述优化公式为：其中，/>是所述压力-温度局部时序级联特征向量，/>是所述全局压力-温度时序上下文关联特征向量，/>是所述全局压力-温度时序上下文关联特征向量的转置向量，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是特征向量/>和/>的全局特征均值，且特征向量/>和/>均为行向量，/>为按位置点乘，/>为按位置加法，/>表示协方差矩阵，/>是所述优化全局压力-温度时序上下文关联特征向量。
在上述配气站的智能监控系统中，所述运行状态检测单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化全局压力-温度时序上下文关联特征向量进行全连接编码以得到编码分类特征向量；以及分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本发明还提供了一种配气站的智能监控方法，其包括：获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值；对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征；基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常。
在上述配气站的智能监控方法中，基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常，包括：对全局压力-温度时序上下文关联特征向量进行特征分布优化以得到优化全局压力-温度时序上下文关联特征向量；将所述优化全局压力-温度时序上下文关联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控配气站的运行状态是否正常；在上述配气站的智能监控方法中，对全局压力-温度时序上下文关联特征向量进行特征分布优化以得到优化全局压力-温度时序上下文关联特征向量，包括：将多个压力-温度局部时序关联特征向量进行级联以得到压力-温度局部时序级联特征向量；对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量；在上述配气站的智能监控方法中，对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量，包括：以如下优化公式对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量；其中，所述优化公式为：其中，/>是所述压力-温度局部时序级联特征向量，/>是所述全局压力-温度时序上下文关联特征向量，是所述全局压力-温度时序上下文关联特征向量的转置向量，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是特征向量/>和/>的全局特征均值，且特征向量/>和/>均为行向量，/>为按位置点乘，/>为按位置加法，表示协方差矩阵，/>是所述优化全局压力-温度时序上下文关联特征向量。
在上述配气站的智能监控方法中，对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征，包括：将所述多个预定时间点的压力值和温度值按照时间维度排列为压力时序输入向量和温度时序输入向量；对所述压力时序输入向量和温度时序输入向量进行局部时序关联特征提取以得到多个压力-温度局部时序关联矩阵，对所述多个压力-温度局部时序关联矩阵进行全局关联特征分析以得到全局压力-温度时序上下文关联特征向量作为所述压力-温度时序关联特征。
与现有技术相比，本发明提供一种配气站的智能监控系统及其方法，其能够避免人工介入引起的低效率和低精准度的问题，从而实现对配气站运行状态的智能监控和预警，提高配气站的运行效率和安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在附图中：图1为本发明实施例中提供的一种配气站的智能监控系统的框图。
图2为本发明实施例中提供的一种配气站的智能监控系统中所述数据时序关联分析模块的框图。
图3为本发明实施例中提供的一种配气站的智能监控方法的流程图。
图4为本发明实施例中提供的一种配气站的智能监控方法的系统架构的示意图。
图5为本发明实施例中提供的一种配气站的智能监控系统的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
配气站是用于调节和分配天然气或其他气体的设施，通常用于向工业、商业和居民用户提供燃气供应，是天然气供应链中的重要环节，负责将从天然气输送管道中接收的高压天然气转换为适合用户使用的低压气体。
配气站的主要功能包括压力调节、流量控制和气体分配。当高压天然气进入配气站时，首先经过压力调节装置，将其压力降低到适合用户使用的低压。然后，通过流量控制装置，根据用户的需求调节气体的流量。最后，配气站将低压气体分配到不同的管道网络中，以供应给工业、商业和居民用户。
为了确保配气站的安全运行和供应可靠性，配气站通常配备了各种安全设备和监测系统。例如，配气站会安装压力传感器、温度传感器和流量计等传感器，实时监测气体的状态和运行参数。此外，配气站还会配备自动阀门、泄漏检测装置、火焰探测器等安全设备，以便及时应对潜在的故障、泄漏或火灾等安全隐患。
配气站的安全运行对于城市的能源供应和居民的生活质量至关重要。通过合理的设计、科学的管理和有效的监测系统，可以确保配气站的正常运行，并及时发现和处理潜在的故障和安全隐患，以保障供气的稳定性和安全性。
传统的配气站监控系统通常采用人工巡视和手动记录数据的方式进行监测和管理。传统配气站监控系统的工作流程包括：1.人工巡视：操作员定期巡视配气站的各个设备和管道，检查其运行状态和安全性。这包括观察压力表、温度计的读数，检查阀门、管道和设备是否正常运行，并进行目视检查以发现潜在的问题和异常情况。
2.手动记录数据：操作员根据巡视结果和设备读数，手动记录配气站的压力、温度和其他相关数据。这些数据通常以纸质或电子表格的形式记录下来，用于后续分析和报告。
3.人工分析和判断：操作员根据手动记录的数据进行分析和判断，判断配气站是否存在异常情况。这需要操作员具备一定的经验和专业知识，以便准确判断问题的严重程度和采取相应的措施。
4.报警和维修：如果操作员发现配气站存在异常情况或潜在的安全隐患，他们将触发相应的报警，并采取必要的维修和处理措施。报警通常通过电话、对讲机或其他通信方式通知相关人员，以便及时采取行动。
传统的配气站监控系统中人工巡视需要耗费大量的时间和人力资源，尤其对于大型的配气站来说，工作量较大。手动记录的数据可能存在误差和不准确性，受到操作员主观因素的影响。人工分析和判断容易受到操作员个人经验和主观因素的影响，导致对配气站异常情况的漏判或误判。传统监控系统无法实时监测配气站的运行状态，只能依赖人工巡视和手动记录的方式，无法及时发现潜在的故障和安全隐患。
传统的配气站监控系统在效率、准确性和实时监测能力方面存在一些不足之处，因此需要引入智能监控系统来提高监测效率和准确性，实现对配气站运行状态的实时监测和预警。
因此，在本申请中提供一种配气站的智能监控系统。
在本发明的一个实施例中，图1为本发明实施例中提供的一种配气站的智能监控系统的框图。如图1所示，根据本发明实施例的配气站的智能监控系统100，包括：数据采集模块110，用于获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值；数据时序关联分析模块120，用于对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征；配气站运行状态监测模块130，用于基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常。
在所述数据采集模块110中，确保正确配置和连接传感器设备，以确保准确获取配气站的压力和温度数据。同时，考虑数据采集的频率和时间点，以满足监测需求和系统资源的合理利用。通过实时获取配气站的压力和温度数据，可以提供准确的运行状态信息，为后续的时序关联分析和运行状态监测提供数据基础。
在所述数据时序关联分析模块120中，采用适当的时序分析方法，如时间序列分析、相关性分析等，对多个预定时间点的压力和温度数据进行关联分析，以获取压力-温度时序关联特征。通过时序关联分析，可以揭示配气站压力和温度之间的关系，发现异常模式和趋势，为后续的运行状态监测提供有价值的特征。
在所述配气站运行状态监测模块130中，基于压力-温度时序关联特征，建立合适的运行状态监测模型，如机器学习算法、规则引擎等。模型需要经过训练和验证，并设置合适的阈值或规则来判断配气站的运行状态是否正常。通过智能监控系统对配气站的运行状态进行实时监测，可以及时发现异常情况和潜在故障，提供预警和报警功能，有助于及时采取措施进行修复和维护，提高配气站的可靠性和安全性。
智能监控系统自动采集数据并进行分析，减少了人工巡视和手动记录的工作量，提高了监测效率。智能监控系统通过自动数据采集和分析，减少了人为因素对数据的影响，提高了数据的准确性和可靠性。智能监控系统能够实时监测配气站的运行状态，并通过预设的规则或模型提供及时的预警和报警功能，有助于快速响应异常情况并采取相应措施。通过时序关联分析和运行状态监测，智能监控系统可以发现潜在的故障模式和异常趋势，提供有益的信息用于故障诊断和维修决策。
具体地，所述数据采集模块110，用于获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值。针对上述技术问题，本申请的技术构思为通过传感器采集配气站在多个时间点的压力和温度传感数据，并在后端引入数据处理和分析算法来进行配气站的压力值和温度值的关联分析，以此来自动识别配气站的运行状态和异常情况，并生成相应的报警信息。通过这样的方式，能够避免人工介入引起的低效率和低精准度的问题，从而实现对配气站运行状态的智能监控和预警，提高配气站的运行效率和安全性。
具体地，在本申请的技术方案中，首先，获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值。通过获取配气站在预定时间段内的压力值和温度值，可以建立一个基准数据集，用于后续的运行状态监测和分析。这些基准数据可以反映正常运行状态下的压力和温度范围，作为判断异常情况的依据。
通过对多个预定时间点的压力值和温度值进行时序关联分析，可以发现异常模式和趋势。例如，如果压力值或温度值在某个时间点出现异常偏离基准范围的情况，可能表示配气站存在故障或异常情况。
基于时序关联特征和异常检测结果，可以对被监控配气站的运行状态进行评估。通过与预设的运行状态模型或规则进行比较，判断配气站的运行状态是否正常。如果运行状态被评估为异常，系统可以触发相应的预警或报警。
当被监控配气站的运行状态被确定为异常时，可以进一步利用时序关联特征和异常模式分析，进行故障诊断和维修决策。根据异常情况的特征和趋势，可以判断可能的故障类型，并采取相应的维修措施，以恢复配气站的正常运行。
获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值对最后确定被监控配气站的运行状态是否正常起到了至关重要的作用。它提供了基础数据、异常检测、运行状态评估和故障诊断的依据，帮助实现实时监测和预警，并支持及时采取维修措施，确保配气站的安全和可靠运行。
具体地，所述数据时序关联分析模块120，用于对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征。图2为本发明实施例中提供的一种配气站的智能监控系统中所述数据时序关联分析模块的框图，如图2所示， 所述数据时序关联分析模块120，包括：数据时序排列单元121，用于将所述多个预定时间点的压力值和温度值按照时间维度排列为压力时序输入向量和温度时序输入向量；数据参数间局部时序关联特征提取单元122，用于对所述压力时序输入向量和温度时序输入向量进行局部时序关联特征提取以得到多个压力-温度局部时序关联矩阵；数据时序全局上下文编码单元123，用于对所述多个压力-温度局部时序关联矩阵进行全局关联特征分析以得到全局压力-温度时序上下文关联特征向量作为所述压力-温度时序关联特征。
首先，将多个预定时间点的压力值和温度值按照时间维度排列，形成压力时序输入向量和温度时序输入向量，这样可以将时间序列数据转换为向量表示，便于后续的关联分析。然后，对压力时序输入向量和温度时序输入向量进行局部时序关联特征提取。这可以包括一些方法，如时间序列分析、滑动窗口、自相关分析等。通过这些方法，可以从局部时间窗口中提取出压力和温度之间的关联特征。接着，将得到的局部时序关联特征组合起来，形成多个压力-温度局部时序关联矩阵。每个矩阵代表了一个时间窗口内压力和温度的关联情况，可以捕捉到局部的时序关联模式。然后，对多个压力-温度局部时序关联矩阵进行全局关联特征分析。这可以包括一些方法，如相关性分析、主成分分析等。通过这些方法，可以从多个局部时序关联矩阵中提取出全局压力-温度时序上下文关联特征向量。最后，得到的全局压力-温度时序上下文关联特征向量作为压力-温度时序关联特征，这些特征可以用于判断压力和温度之间的关联程度、异常模式和趋势，从而评估被监控配气站的运行状态。
应可以理解，通过将压力和温度数据按照时间维度排列，并进行局部和全局的关联特征提取，可以充分利用时间序列数据中的信息，挖掘出压力和温度之间的时序关联特征。
通过局部时序关联特征提取和全局关联特征分析，可以捕捉到不同时间窗口内压力和温度的关联模式，包括瞬时变化、周期性变化等，从而更全面地了解压力和温度之间的关系。
通过将局部时序关联特征和全局关联特征结合起来，可以得到更具表达能力的压力-温度时序关联特征。这些特征可以更准确地描述压力和温度的关联情况，为后续的运行状态监测和故障诊断提供更有价值的信息。
对于所述数据时序排列单元121，接着，考虑到由于所述被监控配气站的压力值和温度值不仅都在时间维度上有着各自的动态变化规律性，而且这两者之间的时序协同关联关系能够更好地反映出所述被监控配气站的运行状态情况。因此，需要对于所述被监控配气站的压力值和温度值进行时序协同的关联特征分析来进行配气站的运行状态监测。具体地，首先，将所述多个预定时间点的压力值和温度值按照时间维度排列为压力时序输入向量和温度时序输入向量，以此来分别整合所述压力值和所述温度值在时间维度上的时序分布信息，有利于后续对于这两者之间的时序关联特征进行有效捕捉。
对于所述数据参数间局部时序关联特征提取单元122，包括：向量切分子单元，用于对所述压力时序输入向量和所述温度时序输入向量进行向量切分以得到多个压力局部时序输入向量和多个温度局部时序输入向量；压力-温度局部时序关联编码单元，用于分别计算所述多个压力局部时序输入向量和所述多个温度局部时序输入向量中每组对应的压力局部时序输入向量和温度局部时序输入向量之间的压力-温度局部时序关联矩阵以得到多个压力-温度局部时序关联矩阵；压力-温度局部时序关联特征提取单元，用于将所述多个压力-温度局部时序关联矩阵分别通过基于卷积神经网络模型的关联特征提取器以得到所述多个压力-温度局部时序关联特征向量。
在配气站的运行过程中，配气站的压力值和温度值可能监测的时间过长，数据量过大，而配气站的运行状态可能会随时间发生变化。也就是说，不同时间段内的压力和温度可能具有不同的趋势和变化模式，同时，配气站的压力和温度在时间维度上的不同时间段内会存在不同的局部时序动态关联特征。因此，在本申请的技术方案中，需要进一步对所述压力时序输入向量和所述温度时序输入向量进行向量切分以得到多个压力局部时序输入向量和多个温度局部时序输入向量。通过将时序输入向量切分为多个局部时序输入向量，可以更好地捕捉每个局部时序区域的数据特征信息和动态变化关联信息。例如，某个区域可能存在较高的压力波动或温度变化，而其他区域可能相对稳定。通过切分向量，可以针对不同的局部特征进行分析和处理，以便可以更精细地观察和分析这些变化。
然后，分别计算所述多个压力局部时序输入向量和所述多个温度局部时序输入向量中每组对应的压力局部时序输入向量和温度局部时序输入向量之间的压力-温度局部时序关联矩阵以得到多个压力-温度局部时序关联矩阵。相应地，在本申请的一个具体示例中，可以将每组对应的所述压力局部时序输入向量和所述温度局部时序输入向量进行向量相乘以得到所述压力-温度局部时序关联矩阵。这样，能够建立所述压力值和所述温度值在时序上的关联关系，有利于对于所述压力值和所述温度值的时序协同关联变化情况进行分析，以进行配气站的运行状态监测。
进一步地，使用在局部隐含关联特征提取方面具有优异表现性能的基于卷积神经网络模型的关联特征提取器来分别进行所述多个压力-温度局部时序关联矩阵的特征挖掘，以此来分别提取出所述各个局部时序上的有关于温度值和压力值之间的时序协同关联特征分布信息，从而得到多个压力-温度局部时序关联特征向量。这样，能够更为有效地捕捉到有关于所述压力值和所述温度值之间在时间维度上的局部细节关联特征信息，从而有利于发现配气站的运行状态细微变化和波动情况。
对于所述数据时序全局上下文编码单元123，用于：将所述多个压力-温度局部时序关联特征向量通过基于转换器模块的时序上下文编码器以得到所述全局压力-温度时序上下文关联特征向量。
接着，还考虑到由于所述压力值和所述温度值之间在时序全局上有着各自的变化趋势以及相互的协同关联关系，也就是说，所述各个压力-温度局部时序关联矩阵中的有关于压力和温度之间在时序片段中的局部时序关联特征信息在所述预定时间段内的全局时序上有着关联关系。因此，为了能够进一步提高对于配气站的运行状态监测的精准度，在本申请的技术方案中，进一步将所述多个压力-温度局部时序关联特征向量通过基于转换器模块的时序上下文编码器中进行编码，以提取出各个局部时序中有关于所述被监测配气站的压力值和温度值之间的局部时序协同关联特征基于时序全局的上下文关联特征信息，从而得到全局压力-温度时序上下文关联特征向量。
其中，时序上下文编码器是基于转换器模块的一种组件，用于将多个压力-温度局部时序关联特征向量转化为全局压力-温度时序上下文关联特征向量。时序上下文编码器通常采用一种编码器-解码器结构，其中编码器负责将局部特征向量进行编码，而解码器则用于生成全局特征向量。
编码器是时序上下文编码器的核心部分，它负责将局部特征向量进行编码，捕捉到特征之间的时序上下文关系。编码器通常采用一种注意力机制，可以对不同时间步的特征进行加权，以便更好地捕捉到全局的时序关联特征。编码器可以采用基于注意力机制的循环神经网络（如Transformer、LSTM等）或卷积神经网络（如1D卷积网络）等结构。
解码器是时序上下文编码器的另一部分，它负责将编码器的输出转化为全局压力-温度时序上下文关联特征向量。解码器可以采用一些降维或聚合操作，如池化、平均或最大值等，以获得一个维度较低的全局特征向量。
时序上下文编码器的作用是将局部时序关联特征向量转化为全局特征向量，从而提取出更全面的压力-温度时序关联特征。它能够捕捉到不同时间步之间的关联关系，综合局部特征并生成具有更高层次表达能力的全局特征。这样的特征向量可以更好地描述压力和温度的时序关联模式，为智能监控系统提供更准确、全面的运行状态判断依据。
具体地，所述配气站运行状态监测模块130，用于基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常。包括：特征分布优化单元，用于对所述全局压力-温度时序上下文关联特征向量进行特征分布优化以得到优化全局压力-温度时序上下文关联特征向量；运行状态检测单元，用于将所述优化全局压力-温度时序上下文关联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控配气站的运行状态是否正常。
在本申请的一个实施例中，所述特征分布优化单元，包括：级联子单元，用于将所述多个压力-温度局部时序关联特征向量进行级联以得到压力-温度局部时序级联特征向量；自适应点学习优化子单元，用于对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量。
特别地，在本申请的技术方案中，将所述多个压力-温度局部时序关联特征向量通过基于转换器模块的时序上下文编码器得到所述全局压力-温度时序上下文关联特征向量时，所述基于转换器的上下文编码器会对所述压力-温度局部时序关联特征向量表达的局部时域内的压力-温度局部时域全关联特征进行跨局部时域的全局时域上下文关联编码，因此，其也会在一定程度上偏离局部时域内的压力-温度关联特征表达，由此期望通过所述多个压力-温度局部时序关联特征向量的局部时域内的压力-温度关联特征表达来优化所述全局压力-温度时序上下文关联特征向量。
这里，本申请的申请人考虑到所述多个压力-温度局部时序关联特征向量与所述全局压力-温度时序上下文关联特征向量之间的非齐次的逐点对应性，也就是，所述压力-温度局部时序关联特征向量表达局部时域内的基于所述卷积神经网络模型的卷积核尺度的局部压力-温度关联特征，而所述全局压力-温度时序上下文关联特征向量表达局部时域间的全局部时域尺度的全局时域关联特征，因此对所述多个压力-温度局部时序关联特征向量级联得到的压力-温度局部时序级联特征向量，例如记为和所述全局压力-温度时序上下文关联特征向量，例如记为/>进行非齐次希尔伯特面上空间自适应点学习，来对所述全局压力-温度时序上下文关联特征向量进行优化，表示为：以如下优化公式对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量；其中，所述优化公式为：/>其中，/>是所述压力-温度局部时序级联特征向量，/>是所述全局压力-温度时序上下文关联特征向量，是所述全局压力-温度时序上下文关联特征向量的转置向量，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是特征向量/>和/>的全局特征均值，且特征向量/>和/>均为行向量，/>为按位置点乘，/>为按位置加法，表示协方差矩阵，/>是所述优化全局压力-温度时序上下文关联特征向量。
这样，通过以非齐次的吉尔伯特空间度量对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量/>之间的向量点关联进行一维卷积，可以针对所述压力-温度局部时序级联特征向量/>和所述全局压力-温度时序上下文关联特征向量/>的高维特征表示的特征流形在高维特征空间内具有的非轴对齐（non-axisalignment）特性，在基于希尔伯特空间的流形收敛超平面的面上空间向着超平面进行自适应点学习，并以面向所述压力-温度局部时序级联特征向量/>和所述全局压力-温度时序上下文关联特征向量/>各自分布收敛方向的空中度量（aerial measurement）为修正，提升了所述压力-温度局部时序级联特征向量/>和所述全局压力-温度时序上下文关联特征向量/>间的非齐次逐点融合性，从而提升优化后的全局压力-温度时序上下文关联特征向量/>的融合表达效果，以改进其通过分类器得到的分类结果的准确性。这样，能够自动化地对于配气站的运行状态进行实时监测，以及时有效地识别出配气站异常情况，并生成相应的报警信息，通过这样的方式，能够实现对配气站运行状态的智能监控和预警，提高配气站的运行效率和安全性。
在本申请的一个实施例中，所述运行状态检测单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化全局压力-温度时序上下文关联特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
继而，再将所述全局压力-温度时序上下文关联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控配气站的运行状态是否正常。也就是说，将所述被监测配气站的压力和温度的时序全局关联特征信息来进行分类，以此来进行该配气站的运行状态监测，从而能够及时有效地识别配气站的运行状态和异常情况，并生成相应的报警信息。
综上，基于本发明实施例的配气站的智能监控系统100被阐明，通过传感器采集配气站在多个时间点的压力和温度传感数据，并在后端引入数据处理和分析算法来进行配气站的压力值和温度值的关联分析，以此来自动识别配气站的运行状态和异常情况，并生成相应的报警信息。通过这样的方式，能够避免人工介入引起的低效率和低精准度的问题，从而实现对配气站运行状态的智能监控和预警，提高配气站的运行效率和安全性。
如上所述，根据本发明实施例的配气站的智能监控系统100可以实现在各种终端设备中，例如用于配气站的智能监控的服务器等。在一个示例中，根据本发明实施例的配气站的智能监控系统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，该配气站的智能监控系统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，该配气站的智能监控系统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，该配气站的智能监控系统100与该终端设备也可以是分立的设备，并且该配气站的智能监控系统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。
在本申请的一个实施例中，提供一种燃气泄漏监测管理平台，其包括：商业报警器，完成所有商业燃气报警器的自检反馈、异常状态报警、电源监测、联动电磁阀状态反馈、天然气浓度检测等功能。
居民报警器，完成所有居民燃气报警器的自检反馈、异常状态报警、电源监测、联动电磁阀或机械手状态反馈、天然气浓度检测等功能。
阀井报警器，完成所有阀井燃气报警器的自检反馈、异常状态报警、电源监测、联动电磁阀状态反馈、天然气浓度检测等功能。
配气站报警器，完成所有配气站的燃气报警器的自检反馈、异常状态报警、电源监测、联动电磁阀状态反馈、天然气浓度检测等功能。
加气站报警器，完成所有加气站的燃气报警器的自检反馈、异常状态报警、电源监测、联动电磁阀状态反馈、天然气浓度检测等功能。
调压柜报警器，完成所有调压柜的燃气报警器的自检反馈、异常状态报警、电源监测、联动电磁阀状态反馈、天然气浓度检测等功能。
隐患管理，隐患上报-----系统报警自动出单/巡检发现出单；隐患派单------ B/S派单/APP派单；隐患处理接单------移动端接单；处理流程监督------流程从派单、接单、处理、完成情况，均有需要记录，设置监督报警，逾期未处理可在系统平台报警提醒；处理过程记录------能记录所有流程过程和结果；处理完成验收------隐患处理完毕，属地验收记录、拍照等留痕；隐患关闭---------隐患处理完毕后关闭隐患，形成闭环管理；统计分析---------能统计隐患种类、数量、处理进度等；工作考核--------管理部门可根据处理进度和处理结果，对有关单位或个人进行考核。
通知管理，短信管理--------发生异常时，能用短信通知用户、属地单位等；微信推送--------发生异常时，能用微信通知用户、属地单位等。
设备管理，关阀控制------可以远程控制关阀；检定管理------可以记录检定日期，到期或邻近到期时提醒用户和管理部门；设备自检------可以查看设备自检状态，确定设备是否处于正常运行；设备总览------可以对所有设备进行分类显示，并显示其主要信息。
统计分析，能统计出所有报警器的状态，并可以按分类显示。
历史记录，能查看每个报警器的历史数据。
报表管理，能按甲方要求生成所需报表。
设备资料，能上传设备资料、说明书、培训资料等，支持各种主要文本和视频的上传。
GIS定位，发生报警时或异常时，能快速定位所需要查看的用户位置。
图3为本发明实施例中提供的一种配气站的智能监控方法的流程图。图4为本发明实施例中提供的一种配气站的智能监控方法的系统架构的示意图。如图3和图4所示，一种配气站的智能监控方法，包括：210，获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值；220，对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征；230，基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常。
具体地，在所述配气站的智能监控方法中，对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征，包括：将所述多个预定时间点的压力值和温度值按照时间维度排列为压力时序输入向量和温度时序输入向量；对所述压力时序输入向量和温度时序输入向量进行局部时序关联特征提取以得到多个压力-温度局部时序关联矩阵对所述多个压力-温度局部时序关联矩阵进行全局关联特征分析以得到全局压力-温度时序上下文关联特征向量作为所述压力-温度时序关联特征。
本领域技术人员可以理解，上述配气站的智能监控方法中的各个步骤的具体操作已经在上面参考图1到图2的配气站的智能监控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5为本发明实施例中提供的一种配气站的智能监控系统的应用场景图。如图5所示，在该应用场景中，首先，获取被监控配气站在预定时间段内多个预定时间点的压力值（例如，如图5中所示意的C1）和温度值（例如，如图5中所示意的C2）；然后，将获取的压力值和温度值输入至部署有配气站的智能监控算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于配气站的智能监控算法对所述压力值和所述温度值进行处理，以确定被监控配气站的运行状态是否正常。
以上所述的具体实施例，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例而已，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 (7)
1.一种配气站的智能监控系统，其特征在于，包括：数据采集模块，用于获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值；数据时序关联分析模块，用于对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征；配气站运行状态监测模块，用于基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常；其中，所述配气站运行状态监测模块，包括：特征分布优化单元，用于对全局压力-温度时序上下文关联特征向量进行特征分布优化以得到优化全局压力-温度时序上下文关联特征向量；运行状态检测单元，用于将所述优化全局压力-温度时序上下文关联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控配气站的运行状态是否正常；其中，所述特征分布优化单元，包括：级联子单元，用于将多个压力-温度局部时序关联特征向量进行级联以得到压力-温度局部时序级联特征向量；自适应点学习优化子单元，用于对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量；其中，所述自适应点学习优化子单元，用于：以如下优化公式对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量；其中，所述优化公式为：其中，/>是所述压力-温度局部时序级联特征向量，/>是所述全局压力-温度时序上下文关联特征向量，/>是所述全局压力-温度时序上下文关联特征向量的转置向量，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是特征向量/>和/>的全局特征均值，且特征向量/>和/>均为行向量，/>为按位置点乘，/>为按位置加法，/>表示协方差矩阵，/>是所述优化全局压力-温度时序上下文关联特征向量。
2.根据权利要求1所述的配气站的智能监控系统，其特征在于，所述数据时序关联分析模块，包括：数据时序排列单元，用于将所述多个预定时间点的压力值和温度值按照时间维度排列为压力时序输入向量和温度时序输入向量；数据参数间局部时序关联特征提取单元，用于对所述压力时序输入向量和温度时序输入向量进行局部时序关联特征提取以得到多个压力-温度局部时序关联矩阵；数据时序全局上下文编码单元，用于对所述多个压力-温度局部时序关联矩阵进行全局关联特征分析以得到全局压力-温度时序上下文关联特征向量作为所述压力-温度时序关联特征。
3.根据权利要求2所述的配气站的智能监控系统，其特征在于，所述数据参数间局部时序关联特征提取单元，包括：向量切分子单元，用于对所述压力时序输入向量和所述温度时序输入向量进行向量切分以得到多个压力局部时序输入向量和多个温度局部时序输入向量；压力-温度局部时序关联编码单元，用于分别计算所述多个压力局部时序输入向量和所述多个温度局部时序输入向量中每组对应的压力局部时序输入向量和温度局部时序输入向量之间的压力-温度局部时序关联矩阵以得到多个压力-温度局部时序关联矩阵；压力-温度局部时序关联特征提取单元，用于将所述多个压力-温度局部时序关联矩阵分别通过基于卷积神经网络模型的关联特征提取器以得到所述多个压力-温度局部时序关联特征向量。
4.根据权利要求3所述的配气站的智能监控系统，其特征在于，所述数据时序全局上下文编码单元，用于：将所述多个压力-温度局部时序关联特征向量通过基于转换器模块的时序上下文编码器以得到所述全局压力-温度时序上下文关联特征向量。
5.根据权利要求4所述的配气站的智能监控系统，其特征在于，所述运行状态检测单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化全局压力-温度时序上下文关联特征向量进行全连接编码以得到编码分类特征向量；以及分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.一种配气站的智能监控方法，其特征在于，包括：获取被监控配气站在预定时间段内多个预定时间点的压力值和温度值；对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征；基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常；其中，基于所述压力-温度时序关联特征，确定被监控配气站的运行状态是否正常，包括：对全局压力-温度时序上下文关联特征向量进行特征分布优化以得到优化全局压力-温度时序上下文关联特征向量；将所述优化全局压力-温度时序上下文关联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控配气站的运行状态是否正常；其中，对全局压力-温度时序上下文关联特征向量进行特征分布优化以得到优化全局压力-温度时序上下文关联特征向量，包括：将多个压力-温度局部时序关联特征向量进行级联以得到压力-温度局部时序级联特征向量；对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量；其中，对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量，包括：以如下优化公式对所述压力-温度局部时序级联特征向量和所述全局压力-温度时序上下文关联特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局压力-温度时序上下文关联特征向量；其中，所述优化公式为：其中，/>是所述压力-温度局部时序级联特征向量，/>是所述全局压力-温度时序上下文关联特征向量，/>是所述全局压力-温度时序上下文关联特征向量的转置向量，/>，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，/>和/>分别是特征向量/>和/>的全局特征均值，且特征向量/>和/>均为行向量，/>为按位置点乘，/>为按位置加法，/>表示协方差矩阵，/>是所述优化全局压力-温度时序上下文关联特征向量。
7.根据权利要求6所述的配气站的智能监控方法，其特征在于，对所述多个预定时间点的压力值和温度值进行时序协同关联分析以得到压力-温度时序关联特征，包括：将所述多个预定时间点的压力值和温度值按照时间维度排列为压力时序输入向量和温度时序输入向量；对所述压力时序输入向量和温度时序输入向量进行局部时序关联特征提取以得到多个压力-温度局部时序关联矩阵对所述多个压力-温度局部时序关联矩阵进行全局关联特征分析以得到全局压力-温度时序上下文关联特征向量作为所述压力-温度时序关联特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311077142.3A CN116772944B (zh) | 2023-08-25 | 2023-08-25 | 配气站的智能监控系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311077142.3A CN116772944B (zh) | 2023-08-25 | 2023-08-25 | 配气站的智能监控系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116772944A true CN116772944A (zh) | 2023-09-19 |
| CN116772944B CN116772944B (zh) | 2023-12-01 |
Family
ID=87993543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311077142.3A Active CN116772944B (zh) | 2023-08-25 | 2023-08-25 | 配气站的智能监控系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116772944B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930042A (zh) * | 2023-09-19 | 2023-10-24 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
| CN117102988A (zh) * | 2023-10-16 | 2023-11-24 | 杭州泓芯微半导体有限公司 | 一种无心磨床及其控制方法 |
| CN117138455A (zh) * | 2023-10-31 | 2023-12-01 | 克拉玛依曜诚石油科技有限公司 | 液体的自动过滤系统及其方法 |
| CN117254593A (zh) * | 2023-09-25 | 2023-12-19 | 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 |
| CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110077916A1 (en) * | 2009-09-30 | 2011-03-31 | International Business Machines Corporation | Method of Distributing a Random Variable Using Statistically Correct Spatial Interpolation Continuously With Spatially Inhomogeneous Statistical Correlation Versus Distance, Standard Deviation, and Mean |
| US20120130678A1 (en) * | 2009-08-31 | 2012-05-24 | Mitsubishi Heavy Industries, Ltd. | Wind turbine monitoring device, method, and program |
| US20120290879A1 (en) * | 2009-08-28 | 2012-11-15 | Hisae Shibuya | Method and device for monitoring the state of a facility |
| 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 |
| CN110232481A (zh) * | 2019-06-17 | 2019-09-13 | 重庆仲澜科技有限公司 | 基于mqpso的天然气管网多目标优化调度方法 |
| US20200089874A1 (en) * | 2018-09-17 | 2020-03-19 | General Electric Company | Local and global decision fusion for cyber-physical system abnormality detection |
| US20200099707A1 (en) * | 2018-09-21 | 2020-03-26 | General Electric Company | Hybrid feature-driven learning system for abnormality detection and localization |
| CN112214868A (zh) * | 2020-08-31 | 2021-01-12 | 河海大学常州校区 | 一种高空作业平台臂架变幅振动特性的研究方法 |
| CN112561736A (zh) * | 2020-12-23 | 2021-03-26 | 四川轻化工大学 | 智能变电站继电器保护装置故障诊断系统和方法 |
| EP3876169A1 (de) * | 2020-03-06 | 2021-09-08 | Robert Bosch GmbH | Vorverarbeitungsverfahren zur bereitstellung homogener datenblöcke |
| WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技（深圳）有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
| US20220067759A1 (en) * | 2020-08-31 | 2022-03-03 | The Regents Of The University Of Michigan | Flow data prediction and abnormality detection |
| CN114155485A (zh) * | 2021-11-26 | 2022-03-08 | 北京微链道爱科技有限公司 | 基于3d视觉的智慧社区智能安防监测管理系统 |
| 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 |
| CN114444790A (zh) * | 2022-01-19 | 2022-05-06 | 天津大学 | 基于稳态特征构图的燃气轮机上多种测点时序预测方法 |
| CN114611460A (zh) * | 2022-02-08 | 2022-06-10 | 阿里巴巴（中国）有限公司 | 数据处理方法、装置、设备和存储介质 |
| CN115356434A (zh) * | 2022-07-14 | 2022-11-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
| CN115909171A (zh) * | 2022-12-19 | 2023-04-04 | 浙江金汇华特种耐火材料有限公司 | 钢包透气砖生产方法及其系统 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测系统及其方法 |
| CN116086790A (zh) * | 2023-04-11 | 2023-05-09 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池高压阀的性能检测方法及其系统 |
| CN116150566A (zh) * | 2023-04-20 | 2023-05-23 | 浙江浙能迈领环境科技有限公司 | 船舶燃料供应安全监测系统及其方法 |
| CN116306248A (zh) * | 2023-02-17 | 2023-06-23 | 广东工业大学 | 基于时空非线性误差补偿模型的锂电池温度场预测方法 |
| CN116373732A (zh) * | 2023-04-06 | 2023-07-04 | 重庆赛力斯新能源汽车设计院有限公司 | 车辆指示灯的控制方法及系统 |
| CN116454772A (zh) * | 2023-06-14 | 2023-07-18 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
| CN116485041A (zh) * | 2023-06-14 | 2023-07-25 | 天津生联智慧科技发展有限公司 | 一种燃气数据的异常检测方法及装置 |
| CN116597635A (zh) * | 2023-05-18 | 2023-08-15 | 杭州新立仪表有限公司 | 无线通讯智能燃气表控制器及其控制方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
-
2023
- 2023-08-25 CN CN202311077142.3A patent/CN116772944B/zh active Active
Patent Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120290879A1 (en) * | 2009-08-28 | 2012-11-15 | Hisae Shibuya | Method and device for monitoring the state of a facility |
| US20120130678A1 (en) * | 2009-08-31 | 2012-05-24 | Mitsubishi Heavy Industries, Ltd. | Wind turbine monitoring device, method, and program |
| US20110077916A1 (en) * | 2009-09-30 | 2011-03-31 | International Business Machines Corporation | Method of Distributing a Random Variable Using Statistically Correct Spatial Interpolation Continuously With Spatially Inhomogeneous Statistical Correlation Versus Distance, Standard Deviation, and Mean |
| 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 |
| US20200089874A1 (en) * | 2018-09-17 | 2020-03-19 | General Electric Company | Local and global decision fusion for cyber-physical system abnormality detection |
| US20200099707A1 (en) * | 2018-09-21 | 2020-03-26 | General Electric Company | Hybrid feature-driven learning system for abnormality detection and localization |
| CN110232481A (zh) * | 2019-06-17 | 2019-09-13 | 重庆仲澜科技有限公司 | 基于mqpso的天然气管网多目标优化调度方法 |
| EP3876169A1 (de) * | 2020-03-06 | 2021-09-08 | Robert Bosch GmbH | Vorverarbeitungsverfahren zur bereitstellung homogener datenblöcke |
| CN112214868A (zh) * | 2020-08-31 | 2021-01-12 | 河海大学常州校区 | 一种高空作业平台臂架变幅振动特性的研究方法 |
| US20220067759A1 (en) * | 2020-08-31 | 2022-03-03 | The Regents Of The University Of Michigan | Flow data prediction and abnormality detection |
| WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技（深圳）有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
| CN112561736A (zh) * | 2020-12-23 | 2021-03-26 | 四川轻化工大学 | 智能变电站继电器保护装置故障诊断系统和方法 |
| CN114155485A (zh) * | 2021-11-26 | 2022-03-08 | 北京微链道爱科技有限公司 | 基于3d视觉的智慧社区智能安防监测管理系统 |
| 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 |
| CN114444790A (zh) * | 2022-01-19 | 2022-05-06 | 天津大学 | 基于稳态特征构图的燃气轮机上多种测点时序预测方法 |
| CN114611460A (zh) * | 2022-02-08 | 2022-06-10 | 阿里巴巴（中国）有限公司 | 数据处理方法、装置、设备和存储介质 |
| CN115356434A (zh) * | 2022-07-14 | 2022-11-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
| CN115909171A (zh) * | 2022-12-19 | 2023-04-04 | 浙江金汇华特种耐火材料有限公司 | 钢包透气砖生产方法及其系统 |
| CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测系统及其方法 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN116306248A (zh) * | 2023-02-17 | 2023-06-23 | 广东工业大学 | 基于时空非线性误差补偿模型的锂电池温度场预测方法 |
| CN116373732A (zh) * | 2023-04-06 | 2023-07-04 | 重庆赛力斯新能源汽车设计院有限公司 | 车辆指示灯的控制方法及系统 |
| CN116086790A (zh) * | 2023-04-11 | 2023-05-09 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池高压阀的性能检测方法及其系统 |
| CN116150566A (zh) * | 2023-04-20 | 2023-05-23 | 浙江浙能迈领环境科技有限公司 | 船舶燃料供应安全监测系统及其方法 |
| CN116597635A (zh) * | 2023-05-18 | 2023-08-15 | 杭州新立仪表有限公司 | 无线通讯智能燃气表控制器及其控制方法 |
| CN116454772A (zh) * | 2023-06-14 | 2023-07-18 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
| CN116485041A (zh) * | 2023-06-14 | 2023-07-25 | 天津生联智慧科技发展有限公司 | 一种燃气数据的异常检测方法及装置 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
Non-Patent Citations (4)
| Title |
|---|
| 娄建楼;李燕;王琦;孙博;贾俊奇;: "基于改进堆栈降噪自编码器的锅炉设备在线监测数据清洗方法", 计算机集成制造系统, no. 12 * |
| 崔岩巍;: "LNG气化储配站智能控制系统研究", 自动化应用, no. 08 * |
| 桑海泉;谷海波;康荣学;: "压缩天然气(CNG)加气站安全监控系统", 中国安全科学学报, no. 11 * |
| 石宪;钱玉良;: "基于改进深度信念网络的燃气轮机故障诊断", 上海电力大学学报, no. 02 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930042A (zh) * | 2023-09-19 | 2023-10-24 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
| CN116930042B (zh) * | 2023-09-19 | 2023-12-01 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
| CN117254593A (zh) * | 2023-09-25 | 2023-12-19 | 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 |
| CN117102988A (zh) * | 2023-10-16 | 2023-11-24 | 杭州泓芯微半导体有限公司 | 一种无心磨床及其控制方法 |
| CN117102988B (zh) * | 2023-10-16 | 2024-01-05 | 杭州泓芯微半导体有限公司 | 一种无心磨床及其控制方法 |
| CN117138455A (zh) * | 2023-10-31 | 2023-12-01 | 克拉玛依曜诚石油科技有限公司 | 液体的自动过滤系统及其方法 |
| CN117138455B (zh) * | 2023-10-31 | 2024-02-27 | 克拉玛依曜诚石油科技有限公司 | 液体的自动过滤系统及其方法 |
| CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
| CN117618708B (zh) * | 2024-01-26 | 2024-04-05 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116772944B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116772944B (zh) | 配气站的智能监控系统及其方法 | |
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| CN103246265B (zh) | 机电设备检测维护方法 | |
| CN105893700A (zh) | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 | |
| US11526827B2 (en) | Non-intrusive workflow assessment (NIWA) for manufacturing optimization | |
| CN105225979A (zh) | 一种半导体器件制程预测系统和方法 | |
| CN106917742B (zh) | 一种空压机节能量监测系统及节能量远程审核方法 | |
| CN116625438A (zh) | 燃气管网安全在线监测系统及其方法 | |
| CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
| CN109557869A (zh) | 一种火电机组碳排放在线监测管理系统 | |
| CN105758661B (zh) | 一种锅炉受热面寿命评估系统和方法 | |
| US20230167950A1 (en) | Methods for safety management of compressors in smart gas pipeline network and internet of things systems thereof | |
| CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
| CN113532598B (zh) | 智能水表在线故障检测调节系统 | |
| CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
| CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
| CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
| CN113486950B (zh) | 一种智能管网漏水检测方法及系统 | |
| CN113128707A (zh) | 一种配电自动化终端态势风险评估方法 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
| CN109032214A (zh) | 一种计算机机房安全报警系统 | |
| CN109213119A (zh) | 基于在线学习的复杂工业关键部件故障预测方法及系统 | |
| CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
| CN115146703A (zh) | 基于多模型的燃煤机组宽负荷下炉膛壁温在线监测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |