CN116994418A - 管道安全预警方法及系统 - Google Patents

管道安全预警方法及系统 Download PDF

Info

Publication number
CN116994418A
CN116994418A CN202311257712.7A CN202311257712A CN116994418A CN 116994418 A CN116994418 A CN 116994418A CN 202311257712 A CN202311257712 A CN 202311257712A CN 116994418 A CN116994418 A CN 116994418A
Authority
CN
China
Prior art keywords
data
target
target object
determining
sensor
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
Application number
CN202311257712.7A
Other languages
English (en)
Other versions
CN116994418B (zh
Inventor
杨文明
曾文权
赵自力
蔡毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Lichuang Information Technology Co ltd
Original Assignee
Guangdong Lichuang Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Lichuang Information Technology Co ltd filed Critical Guangdong Lichuang Information Technology Co ltd
Priority to CN202311257712.7A priority Critical patent/CN116994418B/zh
Publication of CN116994418A publication Critical patent/CN116994418A/zh
Application granted granted Critical
Publication of CN116994418B publication Critical patent/CN116994418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
    • G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Alarm Systems (AREA)

Abstract

本发明实施例提供管道安全预警方法及系统，属于管道监控技术领域。该方法包括：利用第一传感器对目标对象进行实时监测获得目标对象对应的第一监测数据和利用第二传感器对目标对象进行实时监测获得目标对象对应的第二监测数据；根据第一监测数据确定目标对象对应的第一目标数据，以及根据第二监测数据确定目标对象对应的第二目标数据；根据第一目标数据和第二目标数据确定第一传感器和第二传感器对应的关联关系；根据关联关系确定目标对象对应的第一异常数据；根据第一异常数据确定目标对象对应的目标异常类型；根据目标异常类型确定目标对象对应的目标预警策略；将预警策略发送至目标终端，以使得目标终端根据预警策略进行预警操作。

Description

管道安全预警方法及系统
技术领域
本发明涉及管道监控技术领域，尤其涉及管道安全预警方法及系统。
背景技术
管道运输作为与铁路、公路、航空、水运并驾齐驱的五大运输业之一，在我国国民经济和国防工业发展中发挥着越来越重要的作用。据统计我国的油田管道穿孔率为0.66次（Km/A）左右大中型城市自来水的损失率为10％左右。而且由于站间距较长、巡线密度等方面原因,往往难以及时发现并找到泄漏事故地点，致损失扩大并增加了酿成危险事故的隐患。
现有技术中采用管内流量状况检测法，可以进行实时监测是管线泄漏监控方法发展的主流，对于由于管道破裂和大量偷窃行为有较好的监测和定位效果。但对于渗漏和小量盗油行为往往不容易发现和定位，进而致损失扩大，增加了酿成危险事故的隐患。因此，现有技术中对于管道发生异常的初期无法快速进行定位，进而导致更大的损失。
发明内容
本发明实施例的主要目的在于提供一种管道安全预警方法及系统，旨在解决现有技术中在对管道进行实时监测时，对于由于管道破裂和大量偷窃行为有较好的监测和定位效果。但对于渗漏和小量盗油行为往往不容易发现和定位，进而致损失扩大，增加了酿成危险事故的隐患的问题。也即，现有技术中无法在管道异常初期迅速发现，导致损失扩大的问题。
第一方面，本发明实施例提供一种管道安全预警方法，包括：
利用第一传感器对目标对象进行实时监测获得所述目标对象对应的第一监测数据和利用第二传感器对所述目标对象进行实时监测获得所述目标对象对应的第二监测数据；
根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据；
根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系；
根据所述关联关系确定所述目标对象对应的第一异常数据；
根据所述第一异常数据确定所述目标对象对应的目标异常类型；
根据所述目标异常类型确定所述目标对象对应的目标预警策略；
将所述预警策略发送至目标终端，以使得所述目标终端根据所述预警策略进行预警操作；
所述根据所述第一异常数据确定所述目标对象对应的目标异常类型，包括：
对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据；
对所述第二监测数据利用所述灰度关联法进行数据分析确定所述目标对象对应的第三异常数据；
根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型。
第二方面，本发明实施例还提供一种管道安全预警系统，其特征在于，包括：
数据采集模块，用于利用第一传感器对目标对象进行实时监测获得所述目标对象对应的第一监测数据和利用第二传感器对所述目标对象进行实时监测获得所述目标对象对应的第二监测数据；
数据处理模块，用于根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据；
关系建立模块，用于根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系；
异常判断模块，用于根据所述关联关系确定所述目标对象对应的第一异常数据；
类型确定模块，用于根据所述第一异常数据确定所述目标对象对应的目标异常类型；
策略获取模块，用于根据所述目标异常类型确定所述目标对象对应的目标预警策略；
策略处理模块，用于将所述预警策略发送至目标终端，以使得所述目标终端根据所述预警策略进行预警操作；
所述类型确定模块在所述根据所述第一异常数据确定所述目标对象对应的目标异常类型过程中，执行：
对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据；
对所述第二监测数据利用所述灰度关联法进行数据分析确定所述目标对象对应的第三异常数据；
根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型。
本发明实施例提供一种管道安全预警方法及系统，其中，该方法包括：利用第一传感器对目标对象进行实时监测获得目标对象对应的第一监测数据和利用第二传感器对目标对象进行实时监测获得目标对象对应的第二监测数据；根据第一监测数据确定目标对象对应的第一目标数据，以及根据第二监测数据确定目标对象对应的第二目标数据；根据第一目标数据和第二目标数据确定第一传感器和第二传感器对应的关联关系，进而根据关联关系确定目标对象对应的第一异常数据；根据第一异常数据确定目标对象对应的目标异常类型；根据目标异常类型确定目标对象对应的目标预警策略；将预警策略发送至目标终端，以使得目标终端根据预警策略进行预警操作。解决了现有技术中在对管道进行实时监测时，对于由于管道破裂和大量偷窃行为有较好的监测和定位效果。但对于渗漏和小量盗油行为往往不容易发现和定位，进而致损失扩大，增加了酿成危险事故的隐患的问题。从而提高了管道异常检测的精准度和灵敏度，进而可以在管道异常初期发现管道异常，从而快速执行异常策略，进而进一步降低损失，以及降低安全隐患。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
图1为本发明实施例提供的一种管道安全预警方法的流程示意图；
图2为图1中的管道安全预警方法的子步骤S102的流程示意图；
图3为本发明实施例提供的一种管道安全预警系统的模块示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本发明实施例提供一种管道安全预警方法及系统。其中，该管道安全预警方法可应用于终端设备中，该终端设备可以平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。该终端设备可以是服务器，也可以是服务器集群。
下面结合附图，对本发明的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本发明实施例提供的一种管道安全预警方法的流程示意图。
如图1所示，该管道安全预警方法包括步骤S101至步骤S107。
步骤S101、利用第一传感器对目标对象进行实时监测获得所述目标对象对应的第一监测数据和利用第二传感器对所述目标对象进行实时监测获得所述目标对象对应的第二监测数据。
示例性地，目标对象为管道段，利用第一传感器和第二传感器对管道段进行实时监控，从而获得管道段内部的运行状态。
例如，第一传感器为图像传感器，通过图像传感器对目标对象的内部进行实时监控获得第一监测数据。如管道段为油气管道时，则根据图像传感器获取预设位置下的图像，从而根据该预设位置下的图像实现对油气管道的监控。第二传感器为速度传感器，从而通过速度传感器对目标对象的内容进行实时监控获得第二监测数据。
可选地，本申请中对于第一传感器和第二传感器的类型不做具体限制，可根据实际需求进行选择。
步骤S102、根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据。
示例性地，不同传感器下获得的第一监测数据和第二监测数据，当目标对象处于运行状态正常时，则在目标对象的同一数据类型下，将第一监测数据进行数据转换后得到的第一目标数据以及将第二监测数据进行数据转换后得到的第二目标数据后，则第一目标数据和第二目标数据之间将保持近似状态。
例如，通过第一监测数据获得目标对象的流速信息作为第一目标数据，以及根据第二监测数据获得目标对象的流速信息作为第二目标数据。
在一实施例中，所述根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据，具体地，参照图2，步骤S102包括：子步骤S1021至子步骤S1024。
子步骤S1021、获得所述第一传感器的第一传感参数与所述目标对象的第一传输参数的第一对应关系。
示例性地，确定目标对象的第一传输参数，所述第一传输参数用于表征目标对象在进行运输时的运动参数信息。
例如，第一传输参数为传输速度或者在预设时间的传输距离。
示例性地，获得第一传感器的第一传感参数，所述第一传感参数用于为后续获取目标对象对应的第一传输参数提供支撑。
示例性地，根据第一传感器的第一传感参数与目标对象的第一传输参数建立第一对应关系。
子步骤S1022、根据所述第一对应关系将所述第一监测数据进行数据转换，获得所述目标对象对应的第一目标数据。
示例性地，将第一监测数据根据第一对应关系进行数据转换，从而将第一监测数据转换为目标对象在第一传输参数下的第一目标数据。
子步骤S1023、获得所述第二传感器的第二传感参数与所述目标对象的第二传输参数的第二对应关系。
示例性地，确定目标对象的第二传输参数，所述第二传输参数用于表征目标对象在进行运输时的运动参数信息。
例如，第二传输参数为传输速度或者在预设时间的传输距离。
示例性地，获得第二传感器的第二传感参数，所述第二传感参数用于为后续获取目标对象对应的第二传输参数提供支撑。
示例性地，根据第二传感器的第二传感参数与目标对象的第二传输参数建立第二对应关系。
子步骤S1024、根据所述第二对应关系将所述第二监测数据进行数据转换，获得所述目标对象对应的第二目标数据。
示例性地，将第二监测数据根据第二对应关系进行数据转换，从而将第二监测数据转换为目标对象在第二传输参数下的第二目标数据。
示例性地，第一传输参数和第二传输参数可以相同也可以不同，当第一传输参数和第二传输参数不同时，第一传输参数和第二传输参数也可相互转换。
步骤S103、根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系。
示例性地，将第一传感器下的第一监测数据转换为第一目标数据以及将第二传感器下的第二监测数据转换为第二目标数据后，由于第一传感器和第二传感器在进行实时监测时具有不同的采集精度和采集角度，因此，第一传输参数下的第一目标数据和第二传输参数下的第二目标数据存在偏差，但是目标对象正常运转时，则第一目标数据和第二目标数据具有固定的关联关系，该关联关系可通过神经网络的方式进行学习，也即可将第一目标数据输入至神经网络中获得匹配的第二目标数据，从而获得第一目标数据和第二目标数据之间的关联关系。
在一些实施方式中，所述根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系，包括：确定所述第一传输参数和所述第二传输参数之间的映射关系；根据所述映射关系确定所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系。
示例性地，第一传输参数和第二传输参数不同，但是第一传输参数和第二传输参数存在映射关系。
例如，第一传输参数为目标对象中传输物体的流速，第二传输参数为目标对象中传输物体对应的流量，则流量和流速之间存在映射关系，如流速乘以目标对象的横截面则可获得流量，进而获得第一传输参数和第二传输参数之间的映射关系。
示例性地，获得第一传输参数和第二传输参数之间的映射关系后，考虑第一传感器和第二传感器在分别获得监测数据后存在误差，则利用第一目标数据和第二目标数据对映射关系进行调整，从而获得真实数据下第一传感器和第二传感器之间的关联关系。
例如，第一传输参数和第二传输参数之间的映射关系为A=BS，其中，A表示第一传输参数，B表示第二传输参数，S表示第一传输参数和第二传输参数之间的映射关系。考虑到第一传感器和第二传感器在数据采集时的偏差问题，现将A=BS转换为A=CBS，则利用第一目标数据和第二目标数据对C进行学习，从而获得第一传感器和第二传感器之间的关联关系。
在一些实施方式中，所述根据所述映射关系确定所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系，包括：将所述第一目标数据根据所述映射关系确定所述第二传感器对应的第三目标数据；根据所述第三目标数据和所述第二目标数据确定所述第一目标数据和所述第二目标数据之间的补偿误差；根据所述映射关系和所述补偿误差确定所述第一传感器和所述第二传感器对应的关联关系。
示例性地，将第一目标数据根据映射关系进行求解获得第二传感器在理想状态下应该对应的第三目标数据，进而将第三目标数据和第二目标数据进行比较，从而确定第一目标数据和第二目标数据之间的补偿误差，将映射关系和补偿误差进行结合，从而确定第一传感器和第二传感器之间对应的关联关系。
例如，如所示，将第一目标数据根据映射关系进行求解，获得第三目标数据/>，从而根据计算第三目标数据/>和第二目标数据B之间的补偿误差/>，进而将补偿误差和映射关系进行线性或非线性进行拟合获得第一传感器和第二传感器之间的关联关系。
步骤S104、根据所述关联关系确定所述目标对象对应的第一异常数据。
示例性地，关联关系用于表征目标对象在正常运转状态下第一传感器和第二传感器之间的数据转换关系。则当目标对象发生异常时，则获得的第一传感器对应的第一监测数据和第二传感器对应的第二监测数据之间不再满足关联关系，进而可获得目标对象对应的第一异常数据。
在一些实施方式中，所述根据所述关联关系确定所述目标对象对应的第一异常数据，包括：获取所述第一传感器对所述目标对象进行实时监测获得的第三监测数据和获取所述第二传感器对所述目标对象进行实时监测获得的第四监测数据；根据所述第三监测数据和所述关联关系确定所述目标对象对应的目标监测数据；根据所述目标监测数据和所述第四监测数据确定所述目标对象对应的第一异常数据。
示例性地，实时获取第一传感器对目标对象进行监测获得的第三监测数据和获取第二传感器对目标对象进行实时监测获得的第四监测数据。利用第三监测数据和关联关系进行数据转换获得目标对象在正常情况下第二传感数据应该对应的目标监测数据。当目标监测数据和第四监测数据之间的数据差值大于预设值时，则确定此时采集得到的目标对象的监测数据为第一异常数据。
可选地，还可在实时获取第一传感器对目标对象进行监测获得的第三监测数据和获取第二传感器对目标对象进行实时监测获得的第四监测数据之后，将第四监测数据和关联关系进行数据转换获得目标对象在正常情况下第一传感数据应该对应的目标监测数据，当目标监测数据和第三监测数据之间的数据差值大于预设值时，则确定此时采集得到的目标对象的监测数据为第一异常数据。
步骤S105、根据所述第一异常数据确定所述目标对象对应的目标异常类型。
示例性地，根据历史监测数据建立异常类型分类模型，从而将第一异常数据输入至异常类型分类模型中将概率值最大时对应的异常类型作为目标异常类型。
在一些实施方式中，所述根据所述第一异常数据确定所述目标对象对应的目标异常类型，包括：对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据；对所述第二监测数据利用所述灰度关联法进行数据分析确定所述目标对象对应的第三异常数据；根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型。
示例性地，根据第一监测数据进行数据拟合获得目标对象在第一传感器下的灰度关联关系，从而根据灰度关联关系对目标对象的后续时间下的第一传感数据进行预测，当预测结果与真实结果偏差较大时，则将偏差较大的数据作为第二异常数据。
示例性地，根据第二监测数据进行数据拟合获得目标对象在第二传感器下的灰度关联关系，从而根据灰度关联关系对目标对象的后续时间下的第二传感数据进行预测，当预测结果与真实结果偏差较大时，则将偏差较大的数据作为第三异常数据。
示例性地，将第一异常数据、第二异常数据以及第三异常数据进行特征融合，从而获得融合特征，进而根据将融合特征输入异常类型分类模型中进行异常类型分类，从而获得目标对象对应的目标异常类型。
在一些实施方式中，所述对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据，包括：将所述第一监测数据进行相邻数据累加获得所述第一监测数据对应的累加数据；对所述累加数据进行相邻均值处理得到均值数据；根据所述第一监测数据和所述均值数据建立灰度模型，根据所述灰度模型获得所述第一监测数据对应的发展趋势变量和历史控制变量；根据所述发展趋势变量和所述历史控制变量确定所述第一监测数据对应的时间变化序列；根据所述时间变化序列确定所述目标对象在预设时间下对应的预测数据；根据所述预测数据和真实数据确定所述目标对象对应的第二异常数据；其中，所述根据所述第一监测数据和所述均值数据建立灰度模型，根据所述灰度模型获得所述第一监测数据对应的发展趋势变量和历史控制变量，根据下式获得：
；
v(k)表示第k天的第一监测数据，z(k)表示第k天的所述均值数据，a表示所述发展趋势变量，b表示历史控制变量；
其中，所述时间变化序列根据下式获得：
；
其中，v(1)表示第1天的第一监测数据，a表示所述发展趋势变量，b表示历史控制变量，表示时间变化序列。
示例性地，将第一监测数据按照采集时间从左到右依次排列，进而将相邻数据累加，每个采集时间t下的监测数据为，也即当前采集时间下的监测数据为采集时间之前全部监测数据之和，进而获得第一监测数据对应的累加数据；对累加数据进行相邻均值处理得到均值数据/>，其中，nun是指累加采集时间的数量；进而根据第一监测数据和均值数据建立灰度模型/>，从而将获得第一监测数据带入到灰度模型/>中获得发展趋势变量a和历史控制变量b。
示例性地，根据发展趋势变量和历史控制变量确定第一监测数据对应的时间变化序列；进而将预设时间k带入到时间变化序列中获得目标对象在预设时间下对应的预测数据/>；进而根据预测数据和第一传感器下的真实数据进行对比，当两者差值大于预设值时则确定采集得到的监测数据为目标对象对应的第二异常数据。
可选地，在获得目标对象对应的第三异常数据时，可采用与第二异常数据相同的方式，具体请参考第二异常数据的获取方式，本申请不再赘述。
在一些实施方式中，所述根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型，包括：根据所述第一异常数据确定所述目标对象对应的异常类型以及所述异常类型对应的第一概率信息；根据所述第二异常数据确定所述目标对象对应的所述异常类型对应的第二概率信息；根据所述第三异常数据确定所述目标对象对应的所述异常类型对应的第三概率信息；融合所述异常类型对应的所述第一概率信息、所述第二概率信息以及所述第三概率信息确定所述目标对象对应的目标异常类型。
示例性地，根据第一异常数据进行异常分类获得目标对象对应的异常类型以及异常类型对应的第一概率信息，根据第二异常数据进行异常分类获得目标对象对应的异常类型以及异常类型对应的第二概率信息以及根据第三异常数据进行异常分类获得目标对象对应的异常类型以及异常类型对应的第三概率信息。
示例性地，在利用第一异常数据、第二异常数据或者第三异常数据进行异常分类时获得地异常类型相同但是各个异常类型对应地概率信息不同。故而将第一概率信息、第二概率信息以及第三概率信息根据各个异常数据地权重信息进行融合获得各个异常类型对应地融合概率信息，从而根据融合概率信息确定目标对象对应的目标异常类型。
在一些实施方式中，所述融合所述异常类型对应的所述第一概率信息、所述第二概率信息以及所述第三概率信息确定所述目标对象对应的目标异常类型，包括：根据所述第一概率信息、所述第二概率信息进行概率融合，获得融合概率信息；根据所述融合概率信息和所述第三概率信息再次进行概率融合，获得目标概率信息；根据所述目标概率信息确定所述目标对象对应的目标异常类型；其中，所述根据所述第一概率信息、所述第二概率信息进行概率融合，获得融合概率信息，根据下式进行计算：
Pr(a)=(P1(a)*P2(a))/(1-k)
a表示异常类型，Pr(a)表示异常类型a对应地融合概率信息，P1(a)表示异常类型a对应地第一概率信息，P2(a)表示异常类型a对应地第二概率信息，k表示各个不同异常类型对应的概率信息进行交叉相乘之和。
示例性地，异常类型包括类型1、类型2和类型3，则第一概率信息包括P1(类型1)、P1(类型2)以及P1(类型3)，第二概率信息包括P2(类型1)、P2(类型2)以及P2(类型3)，第三概率信息包括P3(类型1)、P3(类型2)以及P3(类型3)，将第一概率信息和第二概率信息进行融合后可知，优先计算k，其中k为各个不同异常类型对应的概率信息进行交叉相乘之和，则P1(类型1)分别与P2(类型2)和P2(类型3)进行相乘，P1(类型2)分别与P2(类型1)和P2(类型3)进行相乘，P1(类型3)分别与P2(类型1)和P2(类型2)进行相乘，进而获得k=P1(类型1)*P2(类型2）+P1(类型1)*P2(类型2）+P1(类型2)*P2(类型1)+P1(类型2)*P2(类型3)+P1(类型3）*P2(类型1）+P1(类型3)*P2(类型2)。
示例性地，在获得第一概率信息和第二概率信息进行融合时地k值后，计算a为类型1下的融合概率Pr(类型1)=(P1(类型1)*P2(类型1))/(1-k)，a为类型2或类型3以此类推。
示例性地，在获得第一概率信息和第二概率信息的融合概率信息后，将融合概率信息作为第一概率信息，将第三概率信息作为第二概率信息继续按照上述方法进行概率融合，从而获得目标概率信息，进而将目标概率信息中概率值最大时对应的异常类型作为目标异常类型。
步骤S106、根据所述目标异常类型确定所述目标对象对应的目标预警策略。
示例性地，建立异常类型和预警策略映射表，从而在获得目标异常类型后，根据目标异常类型从映射表中获得目标对象对应的目标预警策略。
步骤S107、将所述预警策略发送至目标终端，以使得所述目标终端根据所述预警策略进行预警操作。
示例性地，将预警策略发送至与之关联地目标终端，并在目标终端中进行提醒，使得对应地责任人根据预警策略执行对应地预警操作，从而可快速发现目标对象的异常，从而提高了管道异常检测的精准度和灵敏度，进而可以在管道异常初期发现管道异常，从而快速执行异常策略，进而进一步降低损失，以及降低安全隐患。
请参阅图3，图3为本发明实施例提供的一种管道安全预警系统的模块示意性框图。
如图3所示，管道安全预警系统200包括数据采集模块201、数据处理模块202、关系建立模块203、异常判断模块204、类型确定模块205、策略获取模块206、策略处理模块207，其中，数据采集模块201，用于利用第一传感器对目标对象进行实时监测获得所述目标对象对应的第一监测数据和利用第二传感器对所述目标对象进行实时监测获得所述目标对象对应的第二监测数据；数据处理模块202，用于根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据；关系建立模块203，用于根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系；异常判断模块204，用于根据所述关联关系确定所述目标对象对应的第一异常数据；类型确定模块205，用于根据所述第一异常数据确定所述目标对象对应的目标异常类型；策略获取模块206，用于根据所述目标异常类型确定所述目标对象对应的目标预警策略；策略处理模块207，用于将所述预警策略发送至目标终端，以使得所述目标终端根据所述预警策略进行预警操作。
在一些实施方式中，数据处理模块202在所述根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据过程中，执行：
获得所述第一传感器的第一传感参数与所述目标对象的第一传输参数的第一对应关系；
根据所述第一对应关系将所述第一监测数据进行数据转换，获得所述目标对象对应的第一目标数据；
获得所述第二传感器的第二传感参数与所述目标对象的第二传输参数的第二对应关系；
根据所述第二对应关系将所述第二监测数据进行数据转换，获得所述目标对象对应的第二目标数据。
在一些实施方式中，关系建立模块203在所述根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系过程中，执行：
确定所述第一传输参数和所述第二传输参数之间的映射关系；
根据所述映射关系确定所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系。
在一些实施方式中，关系建立模块203在所述根据所述映射关系确定所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系过程中，执行：
将所述第一目标数据根据所述映射关系确定所述第二传感器对应的第三目标数据；
根据所述第三目标数据和所述第二目标数据确定所述第一目标数据和所述第二目标数据之间的补偿误差；
根据所述映射关系和所述补偿误差确定所述第一传感器和所述第二传感器对应的关联关系。
在一些实施方式中，异常判断模块204在所述根据所述关联关系确定所述目标对象对应的第一异常数据过程中，执行：
获取所述第一传感器对所述目标对象进行实时监测获得的第三监测数据和获取所述第二传感器对所述目标对象进行实时监测获得的第四监测数据；
根据所述第三监测数据和所述关联关系确定所述目标对象对应的目标监测数据；
根据所述目标监测数据和所述第四监测数据确定所述目标对象对应的第一异常数据。
在一些实施方式中，类型确定模块205在所述根据所述第一异常数据确定所述目标对象对应的目标异常类型过程中，执行：
对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据；
对所述第二监测数据利用所述灰度关联法进行数据分析确定所述目标对象对应的第三异常数据；
根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型。
在一些实施方式中，类型确定模块205在对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据过程中，执行：
将所述第一监测数据进行相邻数据累加获得所述第一监测数据对应的累加数据；
对所述累加数据进行相邻均值处理得到均值数据；
根据所述第一监测数据和所述均值数据建立灰度模型，根据所述灰度模型获得所述第一监测数据对应的发展趋势变量和历史控制变量；
根据所述发展趋势变量和所述历史控制变量确定所述第一监测数据对应的时间变化序列；
根据所述时间变化序列确定所述目标对象在预设时间下对应的预测数据；
根据所述预测数据和真实数据确定所述目标对象对应的第二异常数据；
其中，所述根据所述第一监测数据和所述均值数据建立灰度模型，根据所述灰度模型获得所述第一监测数据对应的发展趋势变量和历史控制变量，根据下式获得：
；
v(k)表示第k天的第一监测数据，z(k)表示第k天的所述均值数据，a表示所述发展趋势变量，b表示历史控制变量；
其中，所述时间变化序列根据下式获得：
；
其中，v(1)表示第1天的第一监测数据，a表示所述发展趋势变量，b表示历史控制变量，表示时间变化序列。
在一些实施方式中，类型确定模块205在所述根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型过程中，执行：
根据所述第一异常数据确定所述目标对象对应的异常类型以及所述异常类型对应的第一概率信息；
根据所述第二异常数据确定所述目标对象对应的所述异常类型对应的第二概率信息；
根据所述第三异常数据确定所述目标对象对应的所述异常类型对应的第三概率信息；
融合所述异常类型对应的所述第一概率信息、所述第二概率信息以及所述第三概率信息确定所述目标对象对应的目标异常类型。
在一些实施方式中，类型确定模块205在所述融合所述异常类型对应的所述第一概率信息、所述第二概率信息以及所述第三概率信息确定所述目标对象对应的目标异常类型过程中，执行：
根据所述第一概率信息、所述第二概率信息进行概率融合，获得融合概率信息；
根据所述融合概率信息和所述第三概率信息再次进行概率融合，获得目标概率信息；
根据所述目标概率信息确定所述目标对象对应的目标异常类型；
其中，所述根据所述第一概率信息、所述第二概率信息进行概率融合，获得融合概率信息，根据下式进行计算：
Pr(a)=(P1(a)*P2(a))/(1-k)；
a表示异常类型，Pr(a)表示异常类型a对应地融合概率信息，P1(a)表示异常类型a对应地第一概率信息，P2(a)表示异常类型a对应地第二概率信息，k表示各个不同异常类型对应的概率信息进行交叉相乘之和。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的管道安全预警系统的具体工作过程，可以参考前述管道安全预警方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明实施例说明书提供的任一项管道安全预警方法的步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
应当理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.管道安全预警方法，其特征在于，所述方法包括：
利用第一传感器对目标对象进行实时监测获得所述目标对象对应的第一监测数据和利用第二传感器对所述目标对象进行实时监测获得所述目标对象对应的第二监测数据；
根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据；
根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系；
根据所述关联关系确定所述目标对象对应的第一异常数据；
根据所述第一异常数据确定所述目标对象对应的目标异常类型；
根据所述目标异常类型确定所述目标对象对应的目标预警策略；
将所述预警策略发送至目标终端，以使得所述目标终端根据所述预警策略进行预警操作；
所述根据所述第一异常数据确定所述目标对象对应的目标异常类型，包括：
对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据；
对所述第二监测数据利用所述灰度关联法进行数据分析确定所述目标对象对应的第三异常数据；
根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据，包括：
获得所述第一传感器的第一传感参数与所述目标对象的第一传输参数的第一对应关系；
根据所述第一对应关系将所述第一监测数据进行数据转换，获得所述目标对象对应的第一目标数据；
获得所述第二传感器的第二传感参数与所述目标对象的第二传输参数的第二对应关系；
根据所述第二对应关系将所述第二监测数据进行数据转换，获得所述目标对象对应的第二目标数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系，包括：
确定所述第一传输参数和所述第二传输参数之间的映射关系；
根据所述映射关系确定所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系。
4.根据权利要求3所述的方法，其特征在于，所述根据所述映射关系确定所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系，包括：
将所述第一目标数据根据所述映射关系确定所述第二传感器对应的第三目标数据；
根据所述第三目标数据和所述第二目标数据确定所述第一目标数据和所述第二目标数据之间的补偿误差；
根据所述映射关系和所述补偿误差确定所述第一传感器和所述第二传感器对应的关联关系。
5.根据权利要求1所述的方法，其特征在于，所述根据所述关联关系确定所述目标对象对应的第一异常数据，包括：
获取所述第一传感器对所述目标对象进行实时监测获得的第三监测数据和获取所述第二传感器对所述目标对象进行实时监测获得的第四监测数据；
根据所述第三监测数据和所述关联关系确定所述目标对象对应的目标监测数据；
根据所述目标监测数据和所述第四监测数据确定所述目标对象对应的第一异常数据。
6.根据权利要求1所述的方法，其特征在于，所述对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据，包括：
将所述第一监测数据进行相邻数据累加获得所述第一监测数据对应的累加数据；
对所述累加数据进行相邻均值处理得到均值数据；
根据所述第一监测数据和所述均值数据建立灰度模型，根据所述灰度模型获得所述第一监测数据对应的发展趋势变量和历史控制变量；
根据所述发展趋势变量和所述历史控制变量确定所述第一监测数据对应的时间变化序列；
根据所述时间变化序列确定所述目标对象在预设时间下对应的预测数据；
根据所述预测数据和真实数据确定所述目标对象对应的第二异常数据；
其中，所述根据所述第一监测数据和所述均值数据建立灰度模型，根据所述灰度模型获得所述第一监测数据对应的发展趋势变量和历史控制变量，根据下式获得：
；
v(k)表示第k天的第一监测数据，z(k)表示第k天的所述均值数据，a表示所述发展趋势变量，b表示历史控制变量；
其中，所述时间变化序列根据下式获得：
；
其中，v(1)表示第1天的第一监测数据，a表示所述发展趋势变量，b表示历史控制变量，表示时间变化序列。
7.根据权利要求1所述的方法，其特征在于，所述根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型，包括：
根据所述第一异常数据确定所述目标对象对应的异常类型以及所述异常类型对应的第一概率信息；
根据所述第二异常数据确定所述目标对象对应的所述异常类型对应的第二概率信息；
根据所述第三异常数据确定所述目标对象对应的所述异常类型对应的第三概率信息；
融合所述异常类型对应的所述第一概率信息、所述第二概率信息以及所述第三概率信息确定所述目标对象对应的目标异常类型。
8.根据权利要求7所述的方法，其特征在于，所述融合所述异常类型对应的所述第一概率信息、所述第二概率信息以及所述第三概率信息确定所述目标对象对应的目标异常类型，包括：
根据所述第一概率信息、所述第二概率信息进行概率融合，获得融合概率信息；
根据所述融合概率信息和所述第三概率信息再次进行概率融合，获得目标概率信息；
根据所述目标概率信息确定所述目标对象对应的目标异常类型；
其中，所述根据所述第一概率信息、所述第二概率信息进行概率融合，获得融合概率信息，根据下式进行计算：
Pr(a)=(P1(a)*P2(a))/(1-k)；
a表示异常类型，Pr(a)表示异常类型a对应地融合概率信息，P1(a)表示异常类型a对应地第一概率信息，P2(a)表示异常类型a对应地第二概率信息，k表示各个不同异常类型对应的概率信息进行交叉相乘之和。
9.管道安全预警系统，其特征在于，包括：
数据采集模块，用于利用第一传感器对目标对象进行实时监测获得所述目标对象对应的第一监测数据和利用第二传感器对所述目标对象进行实时监测获得所述目标对象对应的第二监测数据；
数据处理模块，用于根据所述第一监测数据确定所述目标对象对应的第一目标数据，以及根据所述第二监测数据确定所述目标对象对应的第二目标数据；
关系建立模块，用于根据所述第一目标数据和所述第二目标数据确定所述第一传感器和所述第二传感器对应的关联关系；
异常判断模块，用于根据所述关联关系确定所述目标对象对应的第一异常数据；
类型确定模块，用于根据所述第一异常数据确定所述目标对象对应的目标异常类型；
策略获取模块，用于根据所述目标异常类型确定所述目标对象对应的目标预警策略；
策略处理模块，用于将所述预警策略发送至目标终端，以使得所述目标终端根据所述预警策略进行预警操作；
所述类型确定模块在所述根据所述第一异常数据确定所述目标对象对应的目标异常类型过程中，执行：
对所述第一监测数据利用灰度关联法进行数据分析确定所述目标对象对应的第二异常数据；
对所述第二监测数据利用所述灰度关联法进行数据分析确定所述目标对象对应的第三异常数据；
根据所述第一异常数据、所述第二异常数据以及所述第三异常数据确定所述目标对象对应的目标异常类型。
CN202311257712.7A 2023-09-27 2023-09-27 管道安全预警方法及系统 Active CN116994418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311257712.7A CN116994418B (zh) 2023-09-27 2023-09-27 管道安全预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311257712.7A CN116994418B (zh) 2023-09-27 2023-09-27 管道安全预警方法及系统

Publications (2)

Publication Number Publication Date
CN116994418A true CN116994418A (zh) 2023-11-03
CN116994418B CN116994418B (zh) 2023-12-26

Family

ID=88534202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311257712.7A Active CN116994418B (zh) 2023-09-27 2023-09-27 管道安全预警方法及系统

Country Status (1)

Country Link
CN (1) CN116994418B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275209A (zh) * 2023-11-22 2023-12-22 广东力创信息技术有限公司 一种基于分布式光纤声波传感的监测预警方法以及相关装置
CN117494030A (zh) * 2024-01-02 2024-02-02 广东力创信息技术有限公司 基于分布式光纤声波传感的异常事件识别方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050131652A1 (en) * 2003-12-03 2005-06-16 Corwin Wallace D. Remote monitoring system
CN111724594A (zh) * 2020-06-15 2020-09-29 青岛海信网络科技股份有限公司 一种安全预警方法和装置
CN114358121A (zh) * 2021-12-02 2022-04-15 国网浙江省电力有限公司金华供电公司 基于变电站设备的监测方法、装置和终端设备
GB202205619D0 (en) * 2021-08-07 2022-06-01 Kelly Andrew Leslie A system and method for determining safety information for a hidden or vulnerable occupant of a structure
WO2022117041A1 (zh) * 2020-12-03 2022-06-09 杭州海康微影传感科技有限公司 一种火情检测方法、装置、系统及电子设备
CN114607947A (zh) * 2022-05-13 2022-06-10 广东力创信息技术有限公司 管道泄露的自动监控方法及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050131652A1 (en) * 2003-12-03 2005-06-16 Corwin Wallace D. Remote monitoring system
CN111724594A (zh) * 2020-06-15 2020-09-29 青岛海信网络科技股份有限公司 一种安全预警方法和装置
WO2022117041A1 (zh) * 2020-12-03 2022-06-09 杭州海康微影传感科技有限公司 一种火情检测方法、装置、系统及电子设备
GB202205619D0 (en) * 2021-08-07 2022-06-01 Kelly Andrew Leslie A system and method for determining safety information for a hidden or vulnerable occupant of a structure
CN114358121A (zh) * 2021-12-02 2022-04-15 国网浙江省电力有限公司金华供电公司 基于变电站设备的监测方法、装置和终端设备
CN114607947A (zh) * 2022-05-13 2022-06-10 广东力创信息技术有限公司 管道泄露的自动监控方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李阳: "基于M-SPRT的长输管道泄漏检测与定位的研究及实现", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技Ⅰ辑 》, no. 09, pages 13 - 38 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275209A (zh) * 2023-11-22 2023-12-22 广东力创信息技术有限公司 一种基于分布式光纤声波传感的监测预警方法以及相关装置
CN117275209B (zh) * 2023-11-22 2024-02-02 广东力创信息技术有限公司 一种基于分布式光纤声波传感的监测预警方法以及相关装置
CN117494030A (zh) * 2024-01-02 2024-02-02 广东力创信息技术有限公司 基于分布式光纤声波传感的异常事件识别方法及相关装置
CN117494030B (zh) * 2024-01-02 2024-03-19 广东力创信息技术有限公司 基于分布式光纤声波传感的异常事件识别方法及相关装置

Also Published As

Publication number Publication date
CN116994418B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN116994418B (zh) 管道安全预警方法及系统
CN110909822B (zh) 一种基于改进的高斯过程回归模型的卫星异常检测方法
CN117056864B (zh) 一种管道漏损预警方法及系统
CN112348237B (zh) 一种动态钻井数据异常趋势检测方法
CN111460392B (zh) 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统
CN115640915B (zh) 一种智慧燃气管网压缩机安全管理方法和物联网系统
CN110941648A (zh) 基于聚类分析的异常数据识别方法、系统和存储介质
KR102169791B1 (ko) 철도차량 주요부품 및 시스템 진단장치
CN111897705A (zh) 服务状态处理、模型训练方法、装置、设备和存储介质
CN114429308A (zh) 一种基于大数据的企业安全风险评估方法及系统
CN113252544A (zh) 一种炼油装置腐蚀监测系统和方法
CN117193088B (zh) 一种工业设备监控方法、装置以及服务器
CN112380073B (zh) 一种故障位置的检测方法、装置及可读存储介质
US11580087B2 (en) Blockchain generation system and method for operating the same
WO2015039693A1 (en) Method and system for data quality assessment
CN117421616A (zh) 一种矿山竖井井筒检测系统及方法
US11193920B2 (en) Method for the automated in-line detection of deviations of an actual state of a fluid from a reference state of the fluid on the basis of statistical methods, in particular for monitoring a drinking water supply
US20140188772A1 (en) Computer-implemented methods and systems for detecting a change in state of a physical asset
CN112819262A (zh) 存储器、工艺管道检维修决策方法、装置和设备
CN115239138A (zh) 一种森林火灾动态风险评估方法及装置
CN112231849B (zh) 基于nest和sprt融合算法的轴温故障检测方法
CN113837703B (zh) 一种物流运单承运信息量化防重实时自动核验法
CN117932279B (zh) 一种基于深度学习的船舶工况在线识别分析方法及系统
CN116703037B (zh) 一种基于道路施工的监控方法及装置
CN112307090B (zh) 基于隧道安全数据的检测方法及系统

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