CN117072891A - 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 - Google Patents
一种无异常样本下的输氢管网实时智能泄漏监测定位方法 Download PDFInfo
- Publication number
- CN117072891A CN117072891A CN202311322876.3A CN202311322876A CN117072891A CN 117072891 A CN117072891 A CN 117072891A CN 202311322876 A CN202311322876 A CN 202311322876A CN 117072891 A CN117072891 A CN 117072891A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- leakage
- monitoring
- real
- positioning
- 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 53
- 238000000034 method Methods 0.000 title claims abstract description 47
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 46
- 239000001257 hydrogen Substances 0.000 title claims abstract description 46
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 150000002431 hydrogen Chemical class 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 239000000243 solution Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种无异常样本下的输氢管网实时智能泄漏监测定位方法,具体为:首先建立氢气管网运行压力数据集,根据氢气管网中管道及传感器位置生成邻接矩阵,构建关系图,应用图注意力神经网络进行关系图的空间特征及节点特征学习,再输入全连接神经网络预测压力值,同时应用变分贝叶斯推理模拟空间特征中节点依赖权重的不确定性,并迭代更新模型参数使损失函数最小化,得到最优模型与变分贝叶斯推理的变分分布;基于最优模型开展实时泄漏监测,并根据节点依赖权重的不确定性方差进行泄漏定位。本发明突破了构建无异常样本下深度学习智能监测定位模型的难题,实现了具备场景普适性的高精度的输氢管网泄漏监测及定位。
Description
技术领域
本发明涉及输氢管网泄漏实时在线无人化、智能化监测溯源技术,属于氢气管网泄漏无人化、智能化监测方法领域,具体地说是一种基于变分推理及图注意力网络的,在无任何异常样本下仍具备高精度、高鲁棒的输氢管网实时智能泄漏监测定位方法。
背景技术
氢能热值高、洁净环保,是21世纪新能源的重要组成部分。管道输送是目前最安全高效的输运方式之一,但输配管网结构复杂,氢气易燃易爆易扩散,一旦发生管道泄漏,可能造成大量人员伤亡和财产损失。因此,输氢管网的实时智能泄漏监测定位技术对氢气安全输送及氢气泄漏应急决策至关重要。在现有的管道泄漏监测和定位方法中,利用管道不同位置的传感器采集的压力、流量和温度等过程监测时间序列数据进行泄漏检测和定位,是最具有成本效益的方法,但是传统的基于模型的管道泄漏监测溯源方法需要依靠参数假定,而真实管网环境中的泄漏特征具有高度非线性特征,导致基于模型的泄漏监测方法的泄漏警报的误报率、漏报率高。机器学习技术可挖掘复杂数据之间的非线性关系,机器学习技术特别是深度学习技术已经在管道泄漏监测任务中表现出良好的检测效率和准确性。目前的智能监测及定位技术需要大量的具有泄漏标签的数据开展模型训练,从而识别泄漏标签定义的泄漏场景,但是真实环境下的泄漏场景具有不可预测性,不可能收集到充足的泄漏样本数据来训练模型,因此,现有的智能监测方法是基于特定泄漏场景的泄漏监测模型,不具备场景普适性,在真实场景泄漏检测中的准确性低,鲁棒性差。
鉴于输氢管网泄漏的危害与现有的泄漏监测及定位方式的缺陷,亟需发明一种无异常样本下, 具备高精度、高鲁棒的输氢管网实时智能泄漏监测定位方法,实现真实场景管道泄漏无人化、智能化监测与泄漏位置溯源,为管网内氢气输送提供安全保障。
发明内容
本发明提供一种无异常样本下的输氢管网实时智能泄漏监测定位方法,用以解决现有技术中的缺陷。
本发明通过以下技术方案予以实现:一种无异常样本下的输氢管网实时智能泄漏监测定位方法,具体包括以下步骤:
步骤 S1、数据集构建:基于氢气管网运行模拟实验,建立管网输送压力数据集;
步骤 S2、关系图构建:根据氢气管网中管道及传感器位置生成邻接矩阵,构建关系图;
步骤 S3、特征学习:应用图注意力神经网络进行关系图的空间特征及节点特征学习,应用全连接神经网络根据学习到的特征预测压力值;
步骤 S4、不确定性模拟:应用变分贝叶斯推理模拟空间特征中节点依赖关系的不确定性;
步骤 S5、迭代更新:迭代更新模型参数使损失函数最小化,得到最优模型与变分贝叶斯推理的变分分布;
步骤 S6、泄漏监测与溯源:基于最优模型预测的压力值开展实时泄漏监测,并根据节点之间依赖关系的不确定性方差定位泄漏点。
如上所述的一种无异常样本下的输氢管网实时智能泄漏监测定位方法,步骤S1所述数据集构建,基于管道氢气管网运行模拟实验,建立氢气管网运行压力数据集。
优选地,步骤S2所述关系图构建,基于氢气管网中的管道和传感器的分布位置生成邻接矩阵,构建以传感器为节点,管道为边的管网关系图。
优选地,步骤S3所述特征学习,应用图注意力网络,基于邻接矩阵学习节点与邻接节点的空间依赖特征与节点嵌入向量,生成邻接节点的依赖权重,并与节点嵌入向量聚合生成节点特征,再输入全连接神经网络预测实时压力值。
优选地,步骤S4所述不确定性模拟,应用变分贝叶斯推理的方法模拟图注意力网络学习到的邻接节点依赖权重的概率密度,得到依赖权重的变分分布。
优选地,步骤S5所述迭代更新,迭代更新模型参数使损失函数最小化,得到最优模型及变分贝叶斯推理的依赖权重的后验分布。
优选地,步骤S6所述泄漏监测与溯源,将测试集数据输入最优模型生成压力预测值,计算压力预测值与观察值之间的偏差,并进行实时泄漏监测,同时根据邻接节点的依赖权重的不确定性方差进行泄漏点定位。
本发明的有益效果为:本发明采用图注意力深度学习网络挖掘传感器监测的压力序列之间的空间依赖关系,同时利用变分贝叶斯推理模拟这种依赖关系的不确定性,进一步根据空间特征学习节点特征,检测泄漏时刻,并根据不确定性开展泄漏溯源,识别出发生泄漏的管道位置;本发明通过图注意力网络学习传感器之间的空间特征生成依赖权重,并应用变分贝叶斯推理模拟依赖权重的不确定性,突破了构建无异常样本下深度学习智能监测定位模型的难题,实现了具备场景普适性的高精度的输氢管网泄漏监测及定位。
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介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1是一种无异常样本下的输氢管网实时智能泄漏监测定位方法流程图。
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,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作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。
实施例一:本发明实施例提供了一种无异常样本下的输氢管网实时智能泄漏监测定位方法,具体包括以下步骤:
步骤 S1、数据集构建:基于氢气管网运行模拟实验,建立管网输送压力数据集;
步骤 S2、关系图构建:根据氢气管网中管道及传感器位置生成邻接矩阵,构建关系图;
步骤 S3、特征学习:应用图注意力神经网络进行关系图的空间特征及节点特征学习,应用全连接神经网络根据学习到的特征预测压力值;
步骤 S4、不确定性模拟:应用变分贝叶斯推理模拟空间特征中节点依赖关系的不确定性;
步骤 S5、迭代更新:迭代更新模型参数使损失函数最小化,得到最优模型与变分贝叶斯推理的变分分布;
步骤 S6、泄漏监测与溯源:基于最优模型预测的压力值开展实时泄漏监测,并根据节点之间依赖关系的不确定性方差定位泄漏点。
其中,步骤S1所述数据集构建,基于管道氢气管网运行模拟实验,建立氢气管网运行压力数据集。
步骤S2所述关系图构建,基于氢气管网中的管道和传感器的分布位置生成邻接矩阵,构建以传感器为节点,管道为边的管网关系图。
步骤S3所述特征学习,应用图注意力网络,基于邻接矩阵学习节点与邻接节点的空间依赖特征与节点嵌入向量,生成邻接节点的依赖权重,并与节点嵌入向量聚合生成节点特征,再输入全连接神经网络预测实时压力值。
步骤S4所述不确定性模拟,应用变分贝叶斯推理的方法模拟图注意力网络学习到的邻接节点依赖权重的概率密度,得到依赖权重的变分分布。
步骤S5所述迭代更新,迭代更新模型参数使损失函数最小化,得到最优模型及变分贝叶斯推理的依赖权重的后验分布。
步骤S6所述泄漏监测与溯源,将测试集数据输入最优模型生成压力预测值,计算压力预测值与观察值之间的偏差,并进行实时泄漏监测,同时根据邻接节点的依赖权重的不确定性方差进行泄漏点定位。
实施例二:本发明实施例提供了一种无异常样本下的输氢管网实时智能泄漏监测定位方法,具体包括以下步骤:
步骤S1、数据集构建:开展管道氢气管网泄漏模拟实验,采集不同运行压力下管网中压力传感器所在管道的压力数据,并对不同泄漏工况下采集到的时序数据标注标签,应用最大、最小归一化进行数据归一化处理,建立氢气管网运行压力数据集,将正常状态下的无标签样本集划分为训练集(80%)与验证集(20%),将有标签的正常状态样本与不同泄漏位置下的样本作为测试集。
步骤S2、关系图构建:基于氢气管网中的管道连接和传感器的分布位置生成邻接矩阵,其中/>代表传感器i到传感器j的管道不存在;/>代表传感器i到传感器j的管道存在。构建以传感器为节点,管道为边的管网关系图/>,其中/>代表图中的节点,即传感器,/>代表节点之间的边,即传感器之间的管道。
步骤S3、特征学习:应用图注意力网络,以邻接矩阵为基础,学习输入的压力传感器采集到的序列数据之间的空间依赖行为,生成节点对邻接节点的依赖权重,并与节点初始特征向量进一步聚合生成节点特征向量,将节点特征向量输入全连接神经网络预测实时压力值。具体过程如下:
在监测时刻t,压力传感器i在时间窗s内采集到的压力序列为,将压力序列输入线性特征嵌入层,得到节点i(即压力传感器i)的嵌入向量/>,如下所示:
(1)
其中,m 为传感器的数量,/>为线性特征嵌入神经网络层中的超参数。
将嵌入向量输入图注意力网络,应用图注意力网络中的注意力机制和图网络学习,生成节点与邻接节点/>之间的依赖权重/>计算过程如下所示:
(2)
(3)
(4)
式中,是注意力机制中的超参数矩阵,/>是图神经网络层中的超参数矩阵,/>代表矩阵串联聚合,/>代表节点/>和节点/>的初始特征向量,/>、/>是激活函数,/>代表节点/>和节点/>的注意力系数。
根据节点对邻接节点的依赖权重聚合节点嵌入向量与邻接节点的嵌入向量,生成学习到的节点特征,计算过程如下所示:
(5)
式中,代表t时刻节点/>的节点特征向量,/>代表节点/>的邻接节点的集合。
将所有节点的特征向量表示为集合h:
(6)
然后将h输入全连接神经网络层预测实时的压力值,计算过程如下所示:
(7)
其中,为模型预测的全部压力传感器的压力值,/>,/>代表全连接神经网络层,/>为全连接神经网络层中的超参数。
步骤S4、不确定性模拟:应用变分贝叶斯推理模拟图注意力网络学习到的邻接节点依赖权重的概率密度,得到依赖权重的后验分布,具体过程如下。
假定,根据贝叶斯理论,概率/>可以表示为:
(8)
其中表示线性特征嵌入层和图注意力网络中的超参数,/>。
对数概率密度可以表示为:
(9)
其中,是/>在/>下的条件概率,/>是假设的w的先验概率,/>是边际概率。
根据变分贝叶斯推理,存在一个与近似的变分分布/>,应用KL散度来代表/>与/>的相似性:
(10)
通过最小化与/>之间的KL散度,可以找到/>。由于/>是由数据集确定的常数,并且KL散度是大于等于0的,最小化/>与/>之间的KL散度也就相当于最大化公式右侧第二项,即/>的/>似然函数的证据下界,ELBO:
(11)
其中右侧第一项是的期望,右侧第二项是/>和/>的KL散度。
这样,变分分布可以通过最大化/>的期望和最小化/>和/>的KL散度找到。
最大化的期望即最小化真实压力值和预测的压力值之间的均方误差:
(12)
假设,/>,则/>和/>的KL散度可以表示为:
(13)
其中代表预先定义的丢弃概率值,/>为优化的变分参数,/>,/>和/>是常数。
根据以上公式,我们可以通过最大化期望项和最小化/>和/>的KL散度来建立模型的损失函数:
(14)
其中,是构建的深度学习模型。
步骤S5、迭代更新:迭代更新模型参数使损失函数最小化,利用SGD梯度下降的优化算法,不断最小化损失函数优化模型,得到最优模型,及与给定的集合下的后验分布/>近似的变分分布/>。
步骤S6、泄漏监测与溯源:利用最优模型得到压力预测值,计算压力预测值与观察值之间的偏差,并进行实时泄漏监测,同时根据邻接节点的依赖权重的不确定性方差进行泄漏溯源,具体过程如下。
根据变分分布,可以在新的测试集合/>通过/>得到/>:
(15)
进一步利用核密度估计法可以得到依赖权重的概率密度函数,通过蒙特卡洛抽样从变分分布中采样超参数/>,可以计算出大量的依赖权重值,相应的可以得到预测的压力值:
(16)
其中,为采样数,/>是在第/>次采样下权重为/>得到的预测压力值。
根据传感器在第/>次采样下的预测压力值/>与真实值/>,可以得到比例偏差:
(17)
计算次采样下的比例偏差均值作为传感器/>的偏差/>:
(18)
通过计算全部传感器的偏差最大值,可以找到时刻/>有最大偏差的传感器/>。进一步对/>传感器的全部采样下的比例偏差值/>排序,计算中位数/>:
(19)
其中是排序后的第/>个偏差值。
将验证集中无异常数据产生的传感器的最大偏差作为正常状态的偏差阈值,并通过比较/>与/>判断在时刻/>系统是否处于异常状态,生成泄漏监测结果/>。
(20)
其中代表时刻/>处于正常状态,/>代表时刻/>处于异常状态。
在次采样下可以得到泄漏监测结果的分布/>,如下所示:
(21)
其中代表异常的采样数量,/>。
得到泄漏检测结果后进一步进行泄漏点定位,计算在连续异常的时间段内,传感器/>具有最大偏差的时刻的数量/>:
(22)
比较全部传感器的值,得到具有最大/>值的传感器/>,然后求传感器/>对邻接传感器/>的依赖权重的标准差/>,如下所示:
(23)
计算标准差最大的依赖权重,如下所示:
(24)
其中,代表对传感器/>依赖权重波动最大的传感器。
由此,可以判断出泄漏点位于传感器与传感器/>之间的管道,实现泄漏定位。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种无异常样本下的输氢管网实时智能泄漏监测定位方法,具体包括以下步骤:
步骤 S1、数据集构建:基于氢气管网运行模拟实验,建立管网输送压力数据集;
步骤 S2、关系图构建:根据氢气管网中管道及传感器位置生成邻接矩阵,构建关系图;
步骤 S3、特征学习:应用图注意力神经网络进行关系图的空间特征及节点特征学习,应用全连接神经网络根据学习到的特征预测压力值;
步骤 S4、不确定性模拟:应用变分贝叶斯推理模拟空间特征中节点依赖关系的不确定性;
步骤 S5、迭代更新:迭代更新模型参数使损失函数最小化,得到最优模型与变分贝叶斯推理的变分分布;
步骤 S6、泄漏监测与溯源:基于最优模型预测的压力值开展实时泄漏监测,并根据节点之间依赖关系的不确定性方差定位泄漏点。
2.根据权利要求1所述的一种无异常样本下的输氢管网实时智能泄漏监测定位方法,步骤S1所述数据集构建,基于管道氢气管网运行模拟实验,建立氢气管网运行压力数据集。
3.根据权利要求1所述的一种无异常样本下的输氢管网实时智能泄漏监测定位方法,步骤S2所述关系图构建,基于氢气管网中的管道和传感器的分布位置生成邻接矩阵,构建以传感器为节点,管道为边的管网关系图。
4.根据权利要求1所述的一种无异常样本下的输氢管网实时智能泄漏监测定位方法,步骤S3所述特征学习,应用图注意力网络,基于邻接矩阵学习节点与邻接节点的空间依赖特征与节点嵌入向量,生成邻接节点的依赖权重,并与节点嵌入向量聚合生成节点特征,再输入全连接神经网络预测实时压力值。
5.根据权利要求1所述的一种无异常样本下的输氢管网实时智能泄漏监测定位方法,步骤S4所述不确定性模拟,应用变分贝叶斯推理的方法模拟图注意力网络学习到的邻接节点依赖权重的概率密度,得到依赖权重的变分分布。
6.根据权利要求1所述的一种无异常样本下的输氢管网实时智能泄漏监测定位方法,步骤S5所述迭代更新,迭代更新模型参数使损失函数最小化,得到最优模型及变分贝叶斯推理的依赖权重的后验分布。
7.根据权利要求1所述的一种无异常样本下的输氢管网实时智能泄漏监测定位方法,步骤S6所述泄漏监测与溯源,将测试集数据输入最优模型生成压力预测值,计算压力预测值与观察值之间的偏差,并进行实时泄漏监测,同时根据邻接节点的依赖权重的不确定性方差进行泄漏点定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322876.3A CN117072891B (zh) | 2023-10-13 | 2023-10-13 | 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322876.3A CN117072891B (zh) | 2023-10-13 | 2023-10-13 | 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117072891A true CN117072891A (zh) | 2023-11-17 |
CN117072891B CN117072891B (zh) | 2024-01-12 |
Family
ID=88704554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311322876.3A Active CN117072891B (zh) | 2023-10-13 | 2023-10-13 | 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117072891B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117675961A (zh) * | 2023-11-28 | 2024-03-08 | 江苏慧铭信息科技有限公司 | 一种通讯传输数据管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201214108D0 (en) * | 2012-08-07 | 2012-09-19 | Atmos Wave Ltd | A method of identifying leaks in a fluid carrying conduit |
CN111611677A (zh) * | 2019-02-22 | 2020-09-01 | 杜书勇 | 用于管道运行和完整性管理的风险计算建模系统和方法 |
CN112460495A (zh) * | 2020-11-14 | 2021-03-09 | 武汉众智鸿图科技有限公司 | 面向漏损监测定位的监测点布局方法及系统 |
WO2022167870A2 (en) * | 2021-02-08 | 2022-08-11 | Vanmok Inc. | Prediction of pipeline column separations |
CN115962428A (zh) * | 2022-12-30 | 2023-04-14 | 中国石油大学(华东) | 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 |
CN116164241A (zh) * | 2023-02-24 | 2023-05-26 | 中国矿业大学(北京) | 一种瓦斯抽采管网泄漏故障智能检测方法 |
-
2023
- 2023-10-13 CN CN202311322876.3A patent/CN117072891B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201214108D0 (en) * | 2012-08-07 | 2012-09-19 | Atmos Wave Ltd | A method of identifying leaks in a fluid carrying conduit |
CN111611677A (zh) * | 2019-02-22 | 2020-09-01 | 杜书勇 | 用于管道运行和完整性管理的风险计算建模系统和方法 |
CN112460495A (zh) * | 2020-11-14 | 2021-03-09 | 武汉众智鸿图科技有限公司 | 面向漏损监测定位的监测点布局方法及系统 |
WO2022167870A2 (en) * | 2021-02-08 | 2022-08-11 | Vanmok Inc. | Prediction of pipeline column separations |
CN115962428A (zh) * | 2022-12-30 | 2023-04-14 | 中国石油大学(华东) | 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 |
CN116164241A (zh) * | 2023-02-24 | 2023-05-26 | 中国矿业大学(北京) | 一种瓦斯抽采管网泄漏故障智能检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117675961A (zh) * | 2023-11-28 | 2024-03-08 | 江苏慧铭信息科技有限公司 | 一种通讯传输数据管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117072891B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11507049B2 (en) | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
Sedano et al. | A soft computing method for detecting lifetime building thermal insulation failures | |
CN117072891B (zh) | 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 | |
CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
Zhang et al. | Adaptive spatio-temporal graph convolutional neural network for remaining useful life estimation | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
Zhang et al. | Real-time pipeline leak detection and localization using an attention-based LSTM approach | |
CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
CN108615098B (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
CN111664823B (zh) | 基于介质热传导系数差异的均压电极垢层厚度检测方法 | |
Shravani et al. | A machine learning approach to water leak localization | |
CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN115962428A (zh) | 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 | |
CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
CN116484219A (zh) | 一种基于门控图神经网络的供水管网水质异常污染源识别方法 | |
Tylman et al. | Fully automatic AI-based leak detection system | |
Ahmed et al. | Assessing the impact of borehole field data on AI-based deep learning models for heating and cooling prediction | |
Zhao et al. | Knowledge-Informed Uncertainty-Aware Machine Learning for Time Series Forecasting of Dynamical Engineered Systems | |
Hu et al. | Deep learning-based burst location with domain adaptation across different sensors in water distribution networks | |
CN116906839B (zh) | 融合物理测量和软测量的热力管线安全智能监测预警方法 | |
Liu et al. | Residual Analysis Based Fault Detection Method for Regulating Valves |
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 |