CN117056864A - 一种管道漏损预警方法及系统 - Google Patents

Abstract

本发明实施例提供一种管道漏损预警方法及系统，属于管道监控技术领域。该方法包括：获取对管道进行监控获得的第一监测数据；构建管道对应的三维模型；获得利用三维模型对管道进行虚拟监控获得的第二监测数据；对第二监测数据进行可信度分析确定第二监测数据对应的分析结果；根据分析结果将第一监测数据和第二监测数据进行关联融合，获得管道对应的融合监测数据；利用管道漏损预警模型对融合监测数据进行异常预测，获得融合监测数据对应的目标异常类型；根据目标异常类型确定管道对应的目标处理策略。解决了管道数据可能存在信号获取困难、噪声较多等导致管道漏损对应的预测预警能力受到限制的问题，提高了管道预警的准确性，降低了损失。

Description

一种管道漏损预警方法及系统

技术领域

本发明涉及管道监控技术领域，尤其涉及一种管道漏损预警方法及系统。

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。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。

现有技术中大多采用传感器对管道状况进行监测，从而通过对实时监测获得的传感数据对管道对应的异常状况进行判断，但是在对获取管道的传感数据时可能存在信号获取困难、噪声较多等问题，从而导致管道漏损对应的预测预警能力受到限制，获得的异常判断结果无法满足实际需求，使得现有技术中对管道漏损预警的效果差强人意。

发明内容

本发明实施例的主要目的在于提供一种管道漏损预警方法及系统，旨在解决现有技术中获取管道的传感数据可能存在信号获取困难、噪声较多等问题，导致管道漏损对应的预测预警能力受到限制，获得的异常判断结果无法满足实际需求的问题。

第一方面，本发明实施例提供一种管道漏损预警方法，包括：

获取通过传感器对所述管道进行实时监控获得的第一监测数据；

构建所述管道对应的三维模型；

获得利用所述三维模型对所述管道进行虚拟监控获得的第二监测数据；

对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果；

当所述分析结果满足预设条件时，则将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据；

利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型；

根据所述目标异常类型确定所述管道对应的目标处理策略；

所述管道漏损预警模型包括多个目标神经元；

所述异常判断模块在所述利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型过程中，执行：

获取训练数据以及所述训练数据对应的所述管道漏损预警模型；

计算所述管道漏损预警模型中所述目标神经元与所述融合监测数据对应的最小距离信息；

计算所述管道漏损预警模型中所述目标神经元与所述训练数据对应的最大距离信息；

根据所述最小距离信息和所述最大距离信息确定所述融合监测数据对应的距离阈值；

根据所述距离阈值确定所述融合监测数据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漏损预警系统，包括：

数据获取模块，用于获取通过传感器对所述管道进行实时监控获得的第一监测数据；

三维构建模块，用于构建所述管道对应的三维模型；

虚拟数据获取模块，用于获得利用所述三维模型对所述管道进行虚拟监控获得的第二监测数据；

数据分析模块，用于对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果；

数据融合模块，用于当所述分析结果满足预设条件时，则将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据；

异常判断模块，用于利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型；

策略确定模块，用于根据所述目标异常类型确定所述管道对应的目标处理策略；

所述管道漏损预警模型包括多个目标神经元；

所述异常判断模块在所述利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型过程中，执行：

获取训练数据以及所述训练数据对应的所述管道漏损预警模型；

计算所述管道漏损预警模型中所述目标神经元与所述融合监测数据对应的最小距离信息；

计算所述管道漏损预警模型中所述目标神经元与所述训练数据对应的最大距离信息；

根据所述最小距离信息和所述最大距离信息确定所述融合监测数据对应的距离阈值；

根据所述距离阈值确定所述融合监测数据对应的目标异常类型。

本发明实施例提供一种管道漏损预警方法及系统，其中，该方法包括获取通过传感器对管道进行实时监控获得的第一监测数据；构建管道对应的三维模型；获得利用三维模型对管道进行虚拟监控获得的第二监测数据；对第二监测数据进行可信度分析确定第二监测数据对应的分析结果；当分析结果满足预设条件时，则将第一监测数据和第二监测数据进行关联融合，获得管道对应的融合监测数据；利用管道漏损预警模型对融合监测数据进行异常预测，获得融合监测数据对应的目标异常类型；根据目标异常类型确定管道对应的目标处理策略。解决了现有技术中获取管道的传感数据可能存在信号获取困难、噪声较多等问题，导致管道漏损对应的预测预警能力受到限制，获得的异常判断结果无法满足实际需求的问题。提高了管道对应的监测数据的质量，保证了后续进行异常判断的可信度，从而提高了管道漏损的预测预警能力。

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漏损预警方法的流程示意图；

图2为图1中的管道漏损预警方法的子步骤S104的流程示意图；

图3为本发明实施例提供的一种管道漏损预警系统的模块结构示意框图。

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漏损预警方法及系统。其中，该管道漏损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。该终端设备可以为服务器，也可以为服务器集群。

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漏损预警方法的流程示意图。

如图1所示，该管道漏损预警方法包括步骤S101至步骤S107。

步骤S101、获取通过传感器对所述管道进行实时监控获得的第一监测数据。

示例性地，为实现对管道的实时监控，则可在管道周围安装传感器，从而通过接收传感器监测的数据确定为管道进行实时监控对应的第一监测数据。

例如，在管道周围安装深度图像采集传感器，进而确定第一监测数据为深度图像数据。或者，在管道周围安装声音采集传感器，进而确定第一监测数据为声音数据。

示例性地，为确保对管道监控的准确性，可在管道周围设置多个类型传感器，如第一传感器和第二传感器，通过利用第一传感器和第二传感器从多个角度实现对管道的实时监控，从而将第一传感器对应的监测数据和第二传感器对应的监测数据共同作为管道对应的第一监测数据。

例如，第一传感器为图像传感器，第二传感器为声音传感器，从而将图像传感器获得的图像数据和声音传感器获得的声音数据作为第一监测数据。

可选地，本申请对传感器的类型不做具体限制，用户可根据实际需求自行选择。

步骤S102、构建所述管道对应的三维模型。

示例性地，获取管道对应的管道类型，根据管道类型进行3D模拟获得三维模型，将三维模型与通过传感器对管道进行实时监测获得的监测数据进行联动，以使得三维模型能够真实反映出管道的现状。

例如，利用传感器对管道周围的环境进行监测获得管道周围环境的湿度和温度，从而根据湿度和温度调整三维模型中虚拟管道的变化。以及利用流速传感器获得管道内物体的流速，从而控制三维模型中虚拟管道的变化，进而将管道的真实数据应用于虚拟管道中，从而通过虚拟管道来反映出真实管道的变化。

在一些实施方式中，所述构建所述管道对应的三维模型，包括：获取对所述管道进行监控得到的历史监测数据；根据所述历史监测数据确定所述管道对应的状态约束；根据所述状态约束确定所述管道对应的三维模型。

示例性地，获取管道对应的历史监测数据，历史监测数据包括第一传感数据和第二传感数据，通过对第一传感数据和第二传感数据进行数据关联性分析，获得第一传感数据和第二传感数据之间的状态约束，从而将该状态约束应用于管道对应的三维模型，从而为后续通过三维模型获得第一传感器对应的第一预测数据和第二传感器对应的第二预测数据提供保证。

示例性地，通过管道对应的历史监测数据确定管道对应的状态约束，所述状态约束用于表征所述管道在多种传感器监测下获得的多种监测数据之间的相互约束，从而使得在通过三维模型进行虚拟管道监测时，获得的监测数据更接近于真实数据。

步骤S103、获得利用所述三维模型对所述管道进行虚拟监控获得的第二监测数据。

示例性地，通过三维模型对管道进行虚拟监控，从而获得通过三维模型进行预测得到的第二监测数据。其中，第二监测数据和第一监测数据为一一对应关系。

如，第一监测数据分别为时刻t下的传感器A对应的第一传感器数据和时刻t下的传感器B对应的第二传感器数据，则第二监测数据分别为时刻t下的传感器A对应的虚拟传感器A对应的第一虚拟传感器数据和时刻t下的传感器B对应的虚拟传感器B对应的第二虚拟传感器数据。

步骤S104、对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果。

示例性地，第二监测数据为通过对管道进行虚拟后获得的监测数据，为保证后续对目标异常类型识别的准确性和可靠性，需要对第二监测数据进行可信度分析获得第二监测数据对应的分析结果。

例如，根据历史监测数据进行数据拟合获得拟合模型，通过拟合模型获得第二监测数据对应的时刻下的拟合数据，将拟合数据和第二监测数据计算误差，将误差和第二监测数据对应的可信度建立负相关关系；当误差越小时则确定第二监测数据对应的分析结果为可信度较高，当误差越大时则确定第二监测数据对应的分析结果为可信度较低。

此外，当误差超过预设值时，则确定第二监测数据对应的可信度为0，则确定第二监测数据对应的分析结果为可信度较低。

在一些实施方式中，所述对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果，具体地，参照图2，步骤S104包括：子步骤S1041至子步骤S1042。

子步骤S1041、将所述第一监测数据和所述第二监测数据进行相似度计算，获得相似度结果。

示例性地，利用数据表征的方式将第一监测数据和第二监测数据分别进行向量表达获得第一监测数据对应的第一向量和第二监测数据对应的第二向量。将第一向量和第二向量利用余弦相似度计算获得相似度结果。

可选地，在对第一监测数据和第二监测数据进行数据表征时可根据监测数据的类型选择对应的表征方式。例如，当第一监测数据或第二监测数据中包含离散数据时，则可以利用one-hot的方式进行数据表征；当第一监测数据中包含文本数据时，则可以利用word2vec的方式进行数据表征。本申请中对于数据表征的方式不做具体限制，可根据实际使用时的需求自行选择。

可选地，在计算第一监测数据和第二监测数据之间的相似度时可利用余弦相似度也可以用欧式距离等方式，本申请中对相似度计算方式不做具体限制，可根据实际使用时的需求自行选择。

子步骤S1042、根据所述相似度结果确定所述第二监测数据对应的分析结果。

示例性地，当相似度结果大于阈值时，则确定第二监测数据的分析结果为可行性满足需求；当相似度结果小于阈值时，则确定第二监测数据的分析结果为可行性不满足需求，也即通过虚拟管道获得的第二监测数据与第一监测数据具有较大差别，无法支撑后续的使用。

示例性地，当第二监测数据大于阈值时，也即第二监测数据和第一监测数据之间的相似度较大，也即虚拟管道可以模拟出真实管道的场景，也即可以实现利用第二监测数据对第一监测数据进行辅助，以减少第一监测数据中的噪声或者弥补第一监测数据中无法获得的数据特征，进而为后续的管道漏损预警提供更准确的输入，进而提高管道漏损预警的准确性。

示例性地，当第二监测数据小于阈值时，则虚拟管道进行模拟的结果偏离真实管道的状态，则无法直接将第二监测数据用于后续的管道漏损预警中。

步骤S105、当所述分析结果满足预设条件时，则将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据。

示例性地，当分析结果为可行性满足需求时，则将第一监测数据和第二监测数据进行关联融合，进而弥补第一监测数据中的不足，为后续管道漏损预警提供高质量的输入。

示例性地，将第一监测数据和第二监测数据进行加权求和从而获得管道对应的融合监测数据。其中加权求和的权重参数可以根据相似度结果确定。

在一些实施方式中，所述将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据，包括：计算所述第一监测数据和所述第二监测数据之间的误差值；根据所述误差值确定所述第一监测数据和所述第二监测数据之间对应的误差矩阵；确定误差阈值，根据所述误差阈值和所述误差矩阵确定所述第一监测数据和所述第二监测数据之间对应的关系矩阵；根据所述关系矩阵确定所述第一监测数据和所述第二监测数据之间对应的融合参数；根据所述融合参数确定所述管道对应的融合监测数据。

示例性地，将第一监测数据和第二监测数据进行相减，从而获得第一监测数据和第二监测数据之间的误差值，根据误差值进行计算获得误差值对应的误差矩阵，其中误差矩阵中每个值的计算方式为，其中err为第一监测数据和第二监测数据之间的误差值， u表示积分变量，范围为0至err。

例如，第一监测数据为Xi，第二监测数据为Xj，则err_ij为第一监测数据为Xi，第二监测数据为Xj之间的误差，则可获得误差矩阵中每个值为Aij=，其中，u表示积分变量，范围为0至err_ij。

示例性地，设置误差阈值B，将误差矩阵中每个Aij与误差阈值B进行比较，当Aij小于误差阈值B时，则确定关系矩阵中对应的Cij等于1，当Aij大于误差阈值B时，则确定关系矩阵中对应的Cij等于0，从而获得关系矩阵。

示例性地，获得关系矩阵中1所处的行数最多时对应的行信息，将行信息对应的第二监测数据作为目标监测数据。或者获得关系矩阵中行向量中1的数量大于预设数量时对应的行向量，并将多个行向量对应的第二监测数据作为目标监测数据。

例如，第一监测数据包括多个传感器的监测数据，第二监测数据包括与第一监测数据相同传感器数量的监测数据，也即第一监测数据和第二监测数据一一对应。则通过关系矩阵中的行向量对多个传感器的监测数据进行筛选获得第二监测数据对应的目标监测数据。

示例性地，获得目标监测数据对应的分布参数1和第一监测数据对应的分布参数2，进而将分布参数1和分布参数2进行融合获得融合参数，从而根据融合参数获得管道对应的融合监测数据。

例如，目标监测数据和第一监测数据均满足正态分布，则获得目标监测数据对应的期望1和方差1以及获得第一监测数据对应的期望2和方差2，则将第二目标监测数据和第一监测数据分别对应的期望和方差进行融合，从而确定第一监测数据和第二监测数据之间对应的融合参数；进而根据融合参数确定管道对应的融合监测数据。

步骤S106、利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型。

其中，所述管道漏损预警模型包括多个目标神经元；所述利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型，包括：获取训练数据以及所述训练数据对应的所述管道漏损预警模型；计算所述管道漏损预警模型中所述目标神经元与所述融合监测数据对应的最小距离信息；计算所述管道漏损预警模型中所述目标神经元与所述训练数据对应的最大距离信息；根据所述最小距离信息和所述最大距离信息确定所述融合监测数据对应的距离阈值；根据所述距离阈值确定所述融合监测数据对应的目标异常类型。

示例性地，管道漏损预警模型包括多个目标神经元，每个目标神经元经过训练数据进行训练得到，目标神经元中包括多个目标数据，目标数据为训练数据之一。计算目标神经元与融合监测数据对应的最小距离信息，也即将融合监测数据分别与目标神经元中的目标数据计算距离信息，并获得距离信息的最小值。

示例性地，计算管道漏损预警模型中目标神经元与训练数据对应的最大距离信息，也即将目标神经元中训练数据之间计算距离信息，并获得距离信息的最大值。此外，该最大距离信息与融合监测数据无关，因此，可将该结果作为固定值，当训练数据发生变化时，则该值才发生变化。

示例性地，将最小距离信息和最大距离信息进行比值计算，获得融合监测数据对应的距离阈值，进而将距离阈值与异常类型对应的阈值范围进行比较，从而确定融合监测数据对应的目标异常类型。

例如，当距离阈值大于1时，则确定融合监测数据对应的目标异常类型为异常数据，并且距离阈值越大表示融合监测数据的异常程度越大。

在一些实施方式中，管道漏损预测模型为异常分类模型，目标异常类型包括异常和非异常，异常分类模型包括神经网络层、softmax层；利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型，包括：根据下式计算融合监测数据对应的异常概率；

；

；

其中，p表示融合监测数据对应的异常概率；W1和b1表示神经网络层的参数，用于将融合监测数据映射为特征向量h；f表示神经网络层的激活函数；它对输入进行非线性变换；W2和b2表示softmax层的参数，用于将特征向量h映射为异常概率p；softmax表示softmax函数，用于将向量元素转化为概率形式；表示融合监测数据；根据所述融合监测数据对应的异常概率确定出所述融合监测数据对应的目标异常类型。

可以理解的是，将融合监测数据经过神经网络层进行特征融合获得融合特征向量，进而将融合特征向量经过softmax层进行异常分类，从而获得融合监测数据对应的目标异常类型。

在一些实施方式中，获取训练数据以及所述训练数据对应的所述管道漏损预警模型之前，所述方法还包括：确定所述管道漏损预警模型对应的初始模型参数；计算历史融合数据对应的条件熵，根据所述条件熵剔除所述训练数据对应的异常值，获得目标训练数据，其中，所述历史融合数据是指所述管道对应的历史融合监测数据；利用所述目标训练数据对所述管道漏损预警模型进行训练，调整所述初始模型参数，获得目标模型参数；根据所述目标模型参数确定所述管道漏损预警模型。

示例性地，获得训练数据，计算历史融合数据对应的条件熵，进而将条件熵加权和的最小值作为阈值，从而将高于该阈值的训练数据进行剔除获得目标训练数据。从而利用目标训练数据对管道漏损预警模型进行训练，进而不断调整初始模型参数，直至获得满足预设条件的目标模型参数，从而根据目标模型参数确定管道漏损预警模型。

在一些实施方式中，所述根据所述距离阈值确定所述融合监测数据对应的目标异常类型之后，所述方法还包括：获取所述第一监测数据对应的第一时刻；确定时间间隔，根据所述时间间隔确定所述第一时刻对应的第二时刻；获取所述第二时刻对应的第三监测数据；根据所述第三监测数据确定所述管道在所述第二时刻下对应的异常类型；根据状态转移矩阵和所述异常类型对所述目标异常类型进行修正，获得修正后的目标异常类型。

示例性地，获取第一监测数据对应的第一时刻t1，确定时间间隔为delt，则根据时间间隔确定第一时刻t1对应的第二时刻为t1-delt，进而根据第二时刻为t1-delt从历史监测数据中进行查询获得第二时刻对应的第三监测数据，并对第三监测数据进行管道漏损预警分析从而获得第二时刻下对应的异常类型。

示例性地，状态转移矩阵为监测数据对应的数据类型之间的相互转换的概率，例如，监测数据对应的数据类型包括数据正常、数据异常、数据严重异常，则若在此刻数据正常，下一刻数据异常的转移概率为0.3，若在此刻数据正常，下一刻数据严重异常的转移概率为0.6等等。其中计算各个数据类型相互转换的概率可根据统计法进行统计，从而获得各个数据类型相互转换的概率，进而获得状态转移矩阵。

示例性地，根据状态转移矩阵和第二时刻对应的异常类型对第一时刻对应的目标异常类型进行修正，从而获得修正后的目标异常类型。

例如，将状态转移矩阵中的概率信息与目标异常类型对应的概率值进行相乘，当相乘结果满足预设值时，则目标异常类型保持不变，若相乘结果不满足预设值，则将目标异常类型进行修正。

在一些实施方式中，对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果之后，所述方法还包括：当所述分析结果不满足预设条件时，调整所述管道对应的状态约束中的参数信息，获得调整后的状态约束；根据所述调整后的状态约束重新确定所述管道对应的三维模型。

示例性地，当对第二监测数据进行可信度分析确定第二监测数据对应的分析结果为可行性不满足需求时，则需要调整模拟管道传感器数据变化时对应的状态约束中的参数信息，从而获得调整后的状态约束；进而根据调整后的状态约束重新确定管道对应的三维模型，进而根据重新确定的三维模型获得对应的监测数据，进而根据重新获得监测数据继续进行可信度分析，直至分析结果满足预设条件。

例如，三维模型对应的状态约束为多维度函数f(a,b,t)，t表示实时监测的时间，a和b为状态约束中的参数，则将实时监测时间输入至f(t)中即可获得对应的监测数据，则当第二监测数据对应的分析结果为可行性不满足需求时，则重新调整多维度函数f(a,b,t)中a和b的参数值，进而获得新的多维度函数，并根据新的多维度函数重新获得实时监测时间t对应的监测数据，进而对重新获得的监测数据继续进行可信度分析，直至分析结果满足预设条件。

步骤S107、根据所述目标异常类型确定所述管道对应的目标处理策略。

示例性地，确定策略映射集，进而根据目标异常类型从策略映射集中获得管道对应的目标处理策略。

在一些实施方式中，所述根据所述目标异常类型确定所述管道对应的目标处理策略，包括：根据所述目标异常类型确定所述管道对应的危机程度；根据所述危机程度确定所述管道对应的目标处理策略。

示例性地，根据概率值将管道进行危机等级划分，从而在获得目标异常类型对应的异常概率值后，根据异常概率值与危险等级范围进行比较从而确定管道对应的危机程度，进而根据危机程度确定管道对应的目标处理策略，例如，对于高危程度的管道，可以立即采取紧急措施，如停用、修复或替换。对于低危程度的管道，可以采取定期维护和检查的策略，以确保其正常运行。

请参阅图3，图3为本发明实施例提供的一种管道漏损预警系统200的模块示意性框图。

如图3所示，管道漏损预警系统200包括数据获取模块201、三维构建模块202、虚拟数据获取模块203、数据分析模块204、数据融合模块205、异常判断模块206、策略确定模块207，其中，数据获取模块201，用于获取通过传感器对所述管道进行实时监控获得的第一监测数据；三维构建模块202，用于构建所述管道对应的三维模型；虚拟数据获取模块203，用于获得利用所述三维模型对所述管道进行虚拟监控获得的第二监测数据；数据分析模块204，用于对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果；数据融合模块205，用于当所述分析结果满足预设条件时，则将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据；异常判断模块206，用于利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型；所述管道漏损预警模型包括多个目标神经元；所述异常判断模块在所述利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型过程中，执行：获取训练数据以及所述训练数据对应的所述管道漏损预警模型；计算所述管道漏损预警模型中所述目标神经元与所述融合监测数据对应的最小距离信息；计算所述管道漏损预警模型中所述目标神经元与所述训练数据对应的最大距离信息；根据所述最小距离信息和所述最大距离信息确定所述融合监测数据对应的距离阈值；根据所述距离阈值确定所述融合监测数据对应的目标异常类型。策略确定模块207，用于根据所述目标异常类型确定所述管道对应的目标处理策略。

在一些实施方式中，三维构建模块202在所述构建所述管道对应的三维模型过程中，执行：

获取对所述管道进行监控得到的历史监测数据；

根据所述历史监测数据确定所述管道对应的状态约束；

根据所述状态约束确定所述管道对应的三维模型。

在一些实施方式中，数据分析模块204在所述对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果过程中，执行：

将所述第一监测数据和所述第二监测数据进行相似度计算，获得相似度结果；

根据所述相似度结果确定所述第二监测数据对应的分析结果。

在一些实施方式中，数据融合模块205在所述将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据过程中，执行：

计算所述第一监测数据和所述第二监测数据之间的误差值；

根据所述误差值确定所述第一监测数据和所述第二监测数据之间对应的误差矩阵；

确定误差阈值，根据所述误差阈值和所述误差矩阵确定所述第一监测数据和所述第二监测数据之间对应的关系矩阵；

根据所述关系矩阵确定所述第一监测数据和所述第二监测数据之间对应的融合参数；

根据所述融合参数确定所述管道对应的融合监测数据。

在一些实施方式中，所述管道漏损预测模型包括神经网络层、softmax层；异常判断模块206在所述利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型过程中，执行：

根据下式计算融合监测数据对应的异常概率；

；

；

其中，p表示融合监测数据对应的异常概率；W1和b1表示神经网络层的参数，用于将融合监测数据映射为特征向量h；f表示神经网络层的激活函数；它对输入进行非线性变换；W2和b2表示softmax层的参数，用于将特征向量h映射为异常概率p；softmax表示softmax函数，用于将向量元素转化为概率形式；表示融合监测数据；根据所述融合监测数据对应的异常概率确定出所述融合监测数据对应的目标异常类型。

在一些实施方式中，异常判断模块206在获取训练数据以及所述训练数据对应的所述管道漏损预警模型之前过程中，还执行：

确定所述管道漏损预警模型对应的初始模型参数；

计算历史融合数据对应的条件熵，根据所述条件熵剔除所述训练数据对应的异常值，获得目标训练数据，其中，所述历史融合数据是指所述管道对应的历史融合监测数据；

利用所述目标训练数据对所述管道漏损预警模型进行训练，调整所述初始模型参数，获得目标模型参数；

根据所述目标模型参数确定所述管道漏损预警模型。

在一些实施方式中，数据分析模块204在对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果之后过程中，还执行：当所述分析结果不满足预设条件时，调整所述管道对应的状态约束中的参数信息，获得调整后的状态约束；

根据所述调整后的状态约束重新确定所述管道对应的三维模型。

在一些实施方式中，异常判断模块206在所述根据所述距离阈值确定所述融合监测数据对应的目标异常类型之后过程中，还执行：

获取所述第一监测数据对应的第一时刻；

确定时间间隔，根据所述时间间隔确定所述第一时刻对应的第二时刻；

获取所述第二时刻对应的第三监测数据；

根据所述第三监测数据确定所述管道在所述第二时刻下对应的异常类型；

根据状态转移矩阵和所述异常类型对所述目标异常类型进行修正，获得修正后的目标异常类型。

在一些实施方式中，策略确定模块207在所述根据所述目标异常类型确定所述管道对应的目标处理策略过程中，执行：

根据所述目标异常类型确定所述管道对应的危机程度；

根据所述危机程度确定所述管道对应的目标处理策略。

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，上述描述的管道漏损预警系统的具体工作过程，可以参考前述管道漏损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漏损预警的方法的步骤。

其中，所述存储介质可以是前述实施例所述的XX终端设备的内部存储单元，例如所述XX终端设备的硬盘或内存。所述存储介质也可以是所述XX终端设备的外部存储设备，例如所述XX终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

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 (10)

1.一种管道漏损预警方法，其特征在于，所述方法包括：

获取通过传感器对所述管道进行实时监控获得的第一监测数据；

构建所述管道对应的三维模型；

获得利用所述三维模型对所述管道进行虚拟监控获得的第二监测数据；

对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果；

当所述分析结果满足预设条件时，则将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据；

利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型；

根据所述目标异常类型确定所述管道对应的目标处理策略；

所述管道漏损预警模型包括多个目标神经元；

所述利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型，包括：

获取训练数据以及所述训练数据对应的所述管道漏损预警模型；

计算所述管道漏损预警模型中所述目标神经元与所述融合监测数据对应的最小距离信息；

计算所述管道漏损预警模型中所述目标神经元与所述训练数据对应的最大距离信息；

根据所述最小距离信息和所述最大距离信息确定所述融合监测数据对应的距离阈值；

根据所述距离阈值确定所述融合监测数据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，所述构建所述管道对应的三维模型，包括：

获取对所述管道进行监控得到的历史监测数据；

根据所述历史监测数据确定所述管道对应的状态约束；

根据所述状态约束确定所述管道对应的三维模型。

3.根据权利要求1所述的方法，其特征在于，所述对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果，包括：

将所述第一监测数据和所述第二监测数据进行相似度计算，获得相似度结果；

根据所述相似度结果确定所述第二监测数据对应的分析结果。

4.根据权利要求1所述的方法，其特征在于，所述将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据，包括：

计算所述第一监测数据和所述第二监测数据之间的误差值；

根据所述误差值确定所述第一监测数据和所述第二监测数据之间对应的误差矩阵；

确定误差阈值，根据所述误差阈值和所述误差矩阵确定所述第一监测数据和所述第二监测数据之间对应的关系矩阵；

根据所述关系矩阵确定所述第一监测数据和所述第二监测数据之间对应的融合参数；

根据所述融合参数确定所述管道对应的融合监测数据。

5.根据权利要求1所述的方法，其特征在于，所述管道漏损预测模型包括神经网络层、softmax层；所述利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型，包括：

根据下式计算融合监测数据对应的异常概率；

；

；x表示融合监测数据；

其中，p表示融合监测数据对应的异常概率；W1和b1表示神经网络层的参数，用于将融合监测数据映射为特征向量h；f表示神经网络层的激活函数；它对输入进行非线性变换；W2和b2表示softmax层的参数，用于将特征向量h映射为异常概率p；softmax表示softmax函数，用于将向量元素转化为概率形式；

根据所述融合监测数据对应的异常概率确定出所述融合监测数据对应的目标异常类型。

6.根据权利要求1所述的方法，其特征在于，获取训练数据以及所述训练数据对应的所述管道漏损预警模型之前，所述方法还包括：

确定所述管道漏损预警模型对应的初始模型参数；

计算历史融合数据对应的条件熵，根据所述条件熵剔除所述训练数据对应的异常值，获得目标训练数据，其中，所述历史融合数据是指所述管道对应的历史融合监测数据；

利用所述目标训练数据对所述管道漏损预警模型进行训练，调整所述初始模型参数，获得目标模型参数；

根据所述目标模型参数确定所述管道漏损预警模型。

7.根据权利要求2所述的方法，其特征在于，对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果之后，所述方法还包括：

当所述分析结果不满足预设条件时，调整所述管道对应的状态约束中的参数信息，获得调整后的状态约束；

根据所述调整后的状态约束重新确定所述管道对应的三维模型。

8.根据权利要求5所述的方法，其特征在于，所述根据所述距离阈值确定所述融合监测数据对应的目标异常类型之后，所述方法还包括：

获取所述第一监测数据对应的第一时刻；

确定时间间隔，根据所述时间间隔确定所述第一时刻对应的第二时刻；

获取所述第二时刻对应的第三监测数据；

根据所述第三监测数据确定所述管道在所述第二时刻下对应的异常类型；

根据状态转移矩阵和所述异常类型对所述目标异常类型进行修正，获得修正后的目标异常类型。

9.根据权利要求1所述的方法，其特征在于，所述根据所述目标异常类型确定所述管道对应的目标处理策略，包括：

根据所述目标异常类型确定所述管道对应的危机程度；

根据所述危机程度确定所述管道对应的目标处理策略。

10.一种管道漏损预警系统，其特征在于，包括：

数据获取模块，用于获取通过传感器对所述管道进行实时监控获得的第一监测数据；

三维构建模块，用于构建所述管道对应的三维模型；

虚拟数据获取模块，用于获得利用所述三维模型对所述管道进行虚拟监控获得的第二监测数据；

数据分析模块，用于对所述第二监测数据进行可信度分析确定所述第二监测数据对应的分析结果；

数据融合模块，用于当所述分析结果满足预设条件时，则将所述第一监测数据和所述第二监测数据进行关联融合，获得所述管道对应的融合监测数据；

异常判断模块，用于利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型；

策略确定模块，用于根据所述目标异常类型确定所述管道对应的目标处理策略；

所述管道漏损预警模型包括多个目标神经元；

所述异常判断模块在所述利用管道漏损预警模型对所述融合监测数据进行异常预测，获得所述融合监测数据对应的目标异常类型过程中，执行：

获取训练数据以及所述训练数据对应的所述管道漏损预警模型；

计算所述管道漏损预警模型中所述目标神经元与所述融合监测数据对应的最小距离信息；

计算所述管道漏损预警模型中所述目标神经元与所述训练数据对应的最大距离信息；

根据所述最小距离信息和所述最大距离信息确定所述融合监测数据对应的距离阈值；

根据所述距离阈值确定所述融合监测数据对应的目标异常类型。