CN117235672B - 一种基于多源数据的综合管廊故障诊断方法及装置 - Google Patents
一种基于多源数据的综合管廊故障诊断方法及装置 Download PDFInfo
- Publication number
- CN117235672B CN117235672B CN202311508754.3A CN202311508754A CN117235672B CN 117235672 B CN117235672 B CN 117235672B CN 202311508754 A CN202311508754 A CN 202311508754A CN 117235672 B CN117235672 B CN 117235672B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- humidity
- water
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 207
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 2
- 238000004891 communication Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008595 infiltration Effects 0.000 description 3
- 238000001764 infiltration Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 101100478633 Escherichia coli O157:H7 stcE gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 101150115529 tagA gene Proteins 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及综合管廊技术领域，提供一种基于多源数据的综合管廊故障诊断方法及装置，包括：获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积。本发明解决了现有综合管廊故障难以及时准确发现且不能准确评估故障面积的问题。
Description
技术领域
本发明涉及综合管廊技术领域，尤其涉及一种基于多源数据的综合管廊故障诊断方法及装置。
背景技术
综合管廊是城市基础设施建设的重要组成部分，通常用于集中布置各种工程管线，如电力、通信、燃气、水供、热力等。综合管廊具有许多优势，如降低地面开挖频率、减少交通影响、提高工程管线的安全性和维护效率等。由于综合管廊大多是地下结构，其内部环境相对复杂，对其结构质量和安全性的要求也相对较高。
综合管廊像其它地下工程一样，易遭到渗漏水问题的困扰。通常混凝土结构施工缺陷、外界水压过高、地表车辆震动荷载都是引起管廊渗漏水的原因。混凝土结构渗漏水故障是当前综合管廊最为常见的隐患类型。综合管廊渗漏水对综合管廊结构本体、金属构件及其内部入廊管线的影响程度与渗漏水的面积、水量以及分布位置有着非常密切的关系，如果综合管廊内出现渗漏都做封堵处理，会大大增加综合管廊的运营成本。因此需要开展综合管廊渗漏水故障的检测、判断和分析，以支撑渗漏水故障的有效治理，对于确保综合管廊和入廊管线运行安全、提高综合管廊运营效率、保护资产等方面有着非常重要的价值和意义。
现有的混凝土结构渗漏水故障检测的技术主要使用物联网硬件监测，而对多源数据融合很少关注。多源数据不能有效利用：现有的在结构渗漏方面的工作，包含多源数据，如温湿度传感器捕获的温湿度数据，水位监测器记录的水位值数据，和巡检机器人拍摄的图像，然后以往的工作只聚焦单一数据或仅使用两种数据，而对多源数据的如何有效利用一直没有很好的解决方法。尽管一些工作进行了结构渗漏的检测，然后检测的任务是单一的，不是综合性的，例如有些工作只能检测出是否有渗透水，而对其面积和程度的检测缺忽略了，因此导致管廊故障不能及时发现造成较大损失。
发明内容
本发明提供一种多源数据的综合管廊故障诊断方法及装置，用以解决现有综合管廊故障难以及时准确发现且不能准确评估故障面积的问题。
本发明提供一种基于多源数据的综合管廊故障诊断方法，包括：
获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积。
根据本发明提供的一种基于多源数据的综合管廊故障诊断方法，所述获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据，具体包括：
通过在综合管廊内多个位置设置温湿度传感器，通过所述温湿度传感器实时采集环境的温湿度数据；
在积水坑内设置水位传感器，通过所述水位传感器采集积水坑水位数据；
通过设置巡检机器人或沿线部署多个摄像头进行视频拍摄，获取视频图像数据。
根据本发明提供的一种基于多源数据的综合管廊故障诊断方法，将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果，具体包括：
通过预训练的温湿度预测模型对当前区域的温湿度进行预测，生成预测结果；
将所述预测结果与当前区域内实时测量的温湿度数据进行比对，判断预测结果与实时测量的温湿度数据之间的差值是否超出设定阈值，生成比对结果。
根据本发明提供的一种基于多源数据的综合管廊故障诊断方法，所述温湿度预测模型的训练方法为：
采集温湿度传感器的工作模式和温湿度数据，作为训练集和测试集；
使用循环神经网络与深度学习网络结合进行时序预测；
将训练集数据送至温湿度预测模型并采用均方差作为损失函数通过梯度下降法对温湿度预测模型进行训练；
完成训练后通过测试集进行测试对产生的偏差进行纠正，输出最终的温湿度预测模型。
根据本发明提供的一种基于多源数据的综合管廊故障诊断方法，根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域，具体包括：
基于所述比对结果，当温湿度数据差值呈现动态变化且差值越来越大的情况下；
结合所述集水坑水位数据判断是否超出预警值；
在集水坑水位数据超出预警值的情况下，则判断出现漏水区域。
根据本发明提供的一种基于多源数据的综合管廊故障诊断方法，所述对初步判断漏水区域的视频图像数据进行识别处理，具体包括：
将所述视频图像数据转换为分辨率统一的图像帧序列；
基于所述图像帧序列进行图像预处理，生成预处理图像；
基于所述预处理图像通过预设的渗漏区域检测模型进行图像检测，生成检测识别结果。
根据本发明提供的一种基于多源数据的综合管廊故障诊断方法，所述根据识别结果确定准确的漏水位置和漏水区域的面积，具体包括：
通过渗漏区域检测模型自动识别和检测图像中的渗漏部分，对图像中的每个像素或区域进行分类，确定是否属于渗漏区域；
对于确定的渗漏区域进行像素值分析，根据像素块面积和像素块数量计算漏水区域的面积。
本发明还提供一种基于多源数据的综合管廊故障诊断装置，所述装置包括：
数据获取模块，用于获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
预测比对模块，用于将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
初步漏水判断模块，用于根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
漏水面积计算模块，用于对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多源数据的综合管廊故障诊断方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多源数据的综合管廊故障诊断方法。
本发明提供的一种基于多源数据的综合管廊故障诊断方法及装置，通过预测的温湿度数据与实际温湿度数据进行比对并结合集水坑内的水位数据初步判断漏水位置，通过对视频图像进行处理精准识别漏水位置并能计算出漏水面积；为现代城市基础设施的运行和维护提供了强大的技术支持。该方法不仅能够实时、精确地检测、定位并评估渗漏等故障，更能够提前预警潜在风险，大大减少因故障造成的损失和影响。此外，该发明的运用还促进了运营效率的提高、维护成本的降低，并提高了公众对城市基础设施安全性的信心。在数字化、智能化日益成为城市发展主流的今天，此类融合多源数据的诊断模型方法将成为维护城市生命线的重要工具。
附图说明
为了更清楚地说明本发明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以简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于多源数据的综合管廊故障诊断方法的流程示意图之一；
图2是本发明提供的一种基于多源数据的综合管廊故障诊断方法的流程示意图之二；
图3是本发明提供的一种基于多源数据的综合管廊故障诊断方法的流程示意图之三；
图4是本发明提供的一种基于多源数据的综合管廊故障诊断方法的流程示意图之四；
图5是本发明提供的一种基于多源数据的综合管廊故障诊断方法的流程示意图之五；
图6是本发明提供的一种基于多源数据的综合管廊故障诊断方法的流程示意图之六；
图7是本发明提供的一种基于多源数据的综合管廊故障诊断方法的流程示意图之七;
图8是本发明提供的一种基于多源数据的综合管廊故障诊断装置的模块连接示意图；
图9是本发明提供的一种基于多源数据的综合管廊故障诊断装置诊断流程示意图；
图10是本发明提供的温湿度预测模型结构示意图；
图11是本发明提供的渗漏区域检测模型结构示意图；
图12是本发明提供的电子设备的结构示意图。
附图标记：
110：数据获取模块；120：预测比对模块；130：初步漏水判断模块；140：漏水面积计算模块；
1210：处理器；1220：通信接口；1230：存储器；1240：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
下面结合图1-图7描述本发明的一种基于多源数据的综合管廊故障诊断方法，包括：
S100、获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
S200、将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
S300、根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
S400、对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积。
本发明中，通过对漏水区域的准确定位和漏水面积计算，能够辅助技术发现综合管廊渗漏水隐患，并准确定位隐患位置，可以避免结构长时间受到腐蚀，并提高排查效率，确保结构的安全和稳定。通过对渗漏水隐患的状态及严重程度进行评估量化，能够有效找到影响范围，进行科学控制应对。渗水检测有助于预防和及时处理潜在问题，从而延长结构的使用寿命。及时检测和修复渗水，可以保护管廊内的设备和资产，避免损坏和更换的成本。通过定期检测和预防渗水，可以避免大规模的修复工程，从而节约维护成本。渗水可能会影响管廊的正常运营，通过检测和处理，可以确保连续稳定的运营，避免因渗水引起的服务中断。
获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据，具体包括：
S101、通过在综合管廊内多个位置设置温湿度传感器，通过所述温湿度传感器实时采集环境的温湿度数据；
S102、在积水坑内设置水位传感器，通过所述水位传感器采集积水坑水位数据；
S103、通过设置巡检机器人或沿线部署多个摄像头进行视频拍摄，获取视频图像数据。
通过对多源数据的获取，将多种类型的数据进行综合应用，能够更加准确地定位出综合管廊内漏水区域的位置并计算出漏水面积。
将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果，具体包括：
S201、通过预训练的温湿度预测模型对当前区域的温湿度进行预测，生成预测结果；
S202、将所述预测结果与当前区域内实时测量的温湿度数据进行比对，判断预测结果与实时测量的温湿度数据之间的差值是否超出设定阈值，生成比对结果。
温湿度预测模型的训练方法为：
S301、采集温湿度传感器的工作模式和温湿度数据，作为训练集和测试集；
S302、使用循环神经网络与深度学习网络结合进行时序预测；
S303、将训练集数据送至温湿度预测模型并采用均方差作为损失函数通过梯度下降法对温湿度预测模型进行训练；
完成训练后通过测试集进行测试对产生的偏差进行纠正，输出最终的温湿度预测模型。
在本发明中，利用时间序列分析方法如ARIMA、Prophet模型或深度学习模型RNN、LSTM来预测未来的温湿度，并与实际读数进行对比，以检测异常。在这里我们使用Seq2seq（循环神经网络）模型结合LSTM（深度学习模型）进行时序预测，其中LSTM可以被如RNN、GRU、Transform等替换，模型结构图如下图10。训练的目标是最小化预测值与实际值之间的损失函数，通常使用均方误差（Mean Squared Error，MSE）作为损失函数。训练可以使用梯度下降等优化算法完成。学习综合管廊中各个湿度传感器的模式，并使用该模型对每个传感器的温湿度进行预测，比较模型预测值与每个传感器真实的温湿度流量数据之间的偏差，即可捕获每个传感器的异常程度。
具体形式化上述温湿度预测模型，编码器输入温湿度输入序列，其中/>是输入序列的向量元素。上述LSTM的主要核心公式为：
其中是在时间步t 的输入。/>和/>分别是在时间步t的隐藏状态和单元状态。W和b是需要学习的权重和偏置项，/>是sigmoid激活函数，tanh是双曲正切激活函数。在解码器接收到的是生成的上下文向量c和一个特殊标记作为输入，然后逐步生成输出目标。
模型的输入为温湿度的序列，在经过Embedding层（嵌入层）的重新映射后作为模型的输入数据。Encoder层（编码器层）的最后一个LSTM Cell的输出将作为Decoder层第一个LSTM Cell的输入，Decoder层中的每个LSTM Cell后都连接一个全连接层以将其输出的隐含状态转换为预测的温湿度数据。
各层的具体模型参数设置如表1所示。
表1 时序预测模型各层参数
根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域，具体包括：
S401、基于所述比对结果，当温湿度数据差值呈现动态变化且差值越来越大的情况下；
S402、结合所述集水坑水位数据判断是否超出预警值；
S403、在集水坑水位数据超出预警值的情况下，则判断出现漏水区域。
本发明中，通过上述管廊内温湿度传感器的数据采集情况，通过正常的预测数值与目前的数值求差，当温度差值大于3℃，且湿度差值大于5%时，可判定为该区域该时刻温湿度异常，则判定该区域存在综合管廊结构渗漏水故障，并显示整个管廊中可能出现渗漏的区域。当温湿度差值呈现动态变化，且差值越来越大时，结合集水坑水位计检测到集水坑水位变化甚至超过预警值时，则初步判定该区域出现较大面积渗漏水或管廊内出现管道泄漏事故。
所述对初步判断漏水区域的视频图像数据进行识别处理，具体包括：
S501、将所述视频图像数据转换为分辨率统一的图像帧序列；
S502、基于所述图像帧序列进行图像预处理，生成预处理图像；
S503、基于所述预处理图像通过预设的渗漏区域检测模型进行图像检测，生成检测识别结果。
参考图11，本发明中实时捕获视频流，将实时视频流转换为分辨率统一的图像帧序列。将彩色图像转换为灰度图像，同时，应用中值滤波器、高斯滤波器或其他技术减少图像中的噪声。为了提高图像的对比度，采用直方图均衡化，使得渗漏区域和非渗漏区域之间的对比度变得更加明显。利用深度学习技术来进行图像分析。本发明设计一种基于金字塔型场景解析网络的渗漏区域检测模型，自动识别和检测图像中的渗漏部分，对图像中的每个像素或区域进行分类，确定它是否属于渗漏区域。
具体而言，首先使用卷积层来处理输入图像，提取局部的特征，形成特征映射：
其中是输出的特征映射，/>是输入特征映射，K是卷积核，b是偏置项。
预训练好的ResNet（残差神经网络）来构建残差块，它允许输入直接流到输出，从而帮助网络学习恒等映射。从而有助于减轻梯度消失问题，特别是在深度网络中，本发明采用ResNet50。
采用多尺度池化，在不同的区域尺寸上执行池化操作，以捕获不同尺度的信息，核大小分别为，/>，/>和/>；
其中是第k级池化的输出，/>，/>是第k级池化的宽度和高度，/>是输入的特征图。将不同尺度的池化输出进行上采样，使其尺寸与原始输入特征图相同。
针对池化的输出设计了空间注意力机制，通过一个1x1的卷积层计算每个位置的注意力分数，然后使用一个sigmoid函数将这些分数映射到0和1之间。这样可以得到一个与特征图同尺寸的注意力权重图。将注意力权重图与原始特征图逐像素相乘，来融合空间注意力信息。
进一步需要卷积层处理和优化特征图，最终通过一个分类头来进行像素级别的分类。进一步对检测到的渗漏区域进行分析，例如计算其面积、形状、位置等特征。这有助于估计渗漏的严重程度和可能的原因。
根据识别结果确定准确的漏水位置和漏水区域的面积，具体包括：
S601、通过渗漏区域检测模型自动识别和检测图像中的渗漏部分，对图像中的每个像素或区域进行分类，确定是否属于渗漏区域；
S602、对于确定的渗漏区域进行像素值分析，根据像素块面积和像素块数量计算漏水区域的面积。
本发明通过计算图像中渗水区域的质心或其它特征点，再与地图数据融合，实现精确定位，计算漏水面积。使用图像处理技术如边缘检测和区域增长算法来计算渗漏的几何特性，确定渗漏区域的边界。也可进一步结合人工经验，判断渗漏水的初步原因以支撑治理，如冷凝水问题、结构缝渗漏水、混凝土开裂渗漏水、混凝土蜂窝麻面渗漏水、盾构管片螺栓渗漏水和穿线套管渗漏水。根据渗漏面积、形状和位置，以及周围的设备和管道信息，采用风险评估模型，这里我们使用故障树分析 (FTA)，对渗漏的严重性进行评估，以判断渗漏水为局部湿渍或浸渗、滴漏或小股涌流、涌流或喷射水流、严重涌水中的哪类。
通过本发明提供的一种基于多源数据的综合管廊故障诊断方法，将预测的温湿度数据与实际温湿度数据进行比对并结合集水坑内的水位数据初步判断漏水位置，通过对视频图像进行处理精准识别漏水位置并能计算出漏水面积；为现代城市基础设施的运行和维护提供了强大的技术支持。该方法不仅能够实时、精确地检测、定位并评估渗漏等故障，更能够提前预警潜在风险，大大减少因故障造成的损失和影响。此外，该发明的运用还促进了运营效率的提高、维护成本的降低，并提高了公众对城市基础设施安全性的信心。在数字化、智能化日益成为城市发展主流的今天，此类融合多源数据的诊断模型方法将成为维护城市生命线的重要工具。
参考图8和图9，本发明还公开了一种基于多源数据的综合管廊故障诊断装置，所述装置包括：
数据获取模块110，用于获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
预测比对模块120，用于将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
初步漏水判断模块130，用于根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
漏水面积计算模块140，用于对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积。
其中，数据获取模块，通过在综合管廊内多个位置设置温湿度传感器，通过所述温湿度传感器实时采集环境的温湿度数据；
在积水坑内设置水位传感器，通过所述水位传感器采集积水坑水位数据；
通过设置巡检机器人或沿线部署多个摄像头进行视频拍摄，获取视频图像数据。
预测比对模块，通过预训练的温湿度预测模型对当前区域的温湿度进行预测，生成预测结果；
将所述预测结果与当前区域内实时测量的温湿度数据进行比对，判断预测结果与实时测量的温湿度数据之间的差值是否超出设定阈值，生成比对结果。
湿度预测模型的训练方法为：
采集温湿度传感器的工作模式和温湿度数据，作为训练集和测试集；
使用循环神经网络与深度学习网络结合进行时序预测；
降训练集数据送至温湿度预测模型并采用均方差作为损失函数通过梯度下降法对温湿度预测模型进行训练；
完成训练后通过测试集进行测试对产生的偏差进行纠正，输出最终的温湿度预测模型。
初步漏水判断模块，基于所述比对结果，当温湿度数据差值呈现动态变化且差值越来越大的情况下；
结合所述集水坑水位数据判断是否超出预警值；
在集水坑水位数据超出预警值的情况下，则判断出现漏水区域。
漏水面积计算模块，将所述视频图像数据转换为分辨率统一的图像帧序列；
基于所述图像帧序列进行图像预处理，生成预处理图像；
基于所述预处理图像通过预设的渗漏区域检测模型进行图像检测，生成检测识别结果。
通过渗漏区域检测模型自动识别和检测图像中的渗漏部分，对图像中的每个像素或区域进行分类，确定是否属于渗漏区域；
对于确定的渗漏区域进行像素值分析，根据像素块面积和像素块数量计算漏水区域的面积。
通过本发明提供的一种基于多源数据的综合管廊故障诊断装置，将预测的温湿度数据与实际温湿度数据进行比对并结合集水坑内的水位数据初步判断漏水位置，通过对视频图像进行处理精准识别漏水位置并能计算出漏水面积；为现代城市基础设施的运行和维护提供了强大的技术支持。该方法不仅能够实时、精确地检测、定位并评估渗漏等故障，更能够提前预警潜在风险，大大减少因故障造成的损失和影响。此外，该发明的运用还促进了运营效率的提高、维护成本的降低，并提高了公众对城市基础设施安全性的信心。在数字化、智能化日益成为城市发展主流的今天，此类融合多源数据的诊断模型方法将成为维护城市生命线的重要工具。
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行一种基于多源数据的综合管廊故障诊断方法，该方法包括：获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积。
此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种基于多源数据的综合管廊故障诊断方法，该方法包括：获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种基于多源数据的综合管廊故障诊断方法，该方法包括：获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种基于多源数据的综合管廊故障诊断方法，其特征在于，包括：
获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积；
其中，根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域，具体包括：
基于所述比对结果，当温湿度数据差值呈现动态变化且差值越来越大的情况下；
结合所述集水坑水位数据判断是否超出预警值；
在集水坑水位数据超出预警值的情况下，则判断出现漏水区域；
所述对初步判断漏水区域的视频图像数据进行识别处理，具体包括：
将所述视频图像数据转换为分辨率统一的图像帧序列；
基于所述图像帧序列进行图像预处理，生成预处理图像；
基于所述预处理图像通过预设的渗漏区域检测模型进行图像检测，生成检测识别结果；
所述渗漏区域检测模型使用卷积层来处理输入图像，提取局部的特征，形成特征映射：
；
其中是输出的特征映射，/>是输入特征映射，K是卷积核，b是偏置项；
预训练好的残差神经网络来构建残差块，允许输入直接流到输出，帮助网络学习恒等映射；
采用多尺度池化，在不同的区域尺寸上执行池化操作，以捕获不同尺度的信息，核大小分别为；
；
其中是第k级池化的输出，/>是第k级池化的宽度和高度，/>是输入的特征图，将不同尺度的池化输出进行上采样，使其尺寸与原始输入特征图相同；
基于池化的输出利用空间注意力机制，通过一个1x1的卷积层计算每个位置的注意力分数，使用一个sigmoid函数将这些分数映射到0和1之间，得到一个与特征图同尺寸的注意力权重图，将注意力权重图与原始特征图逐像素相乘，来融合空间注意力信息；
基于卷积层处理和优化特征图，最终通过一个分类头来进行像素级别的分类，进一步对检测到的渗漏区域进行分析；
所述根据识别结果确定准确的漏水位置和漏水区域的面积，具体包括：
通过基于金字塔型场景解析网络的渗漏区域检测模型自动识别和检测图像中的渗漏部分，对图像中的每个像素或区域进行分类，确定是否属于渗漏区域；
对于确定的渗漏区域进行像素值分析，根据像素块面积和像素块数量计算漏水区域的面积。
2.根据权利要求1所述的基于多源数据的综合管廊故障诊断方法，其特征在于，所述获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据，具体包括：
通过在综合管廊内多个位置设置温湿度传感器，通过所述温湿度传感器实时采集环境的温湿度数据；
在积水坑内设置水位传感器，通过所述水位传感器采集积水坑水位数据；
通过设置巡检机器人或沿线部署多个摄像头进行视频拍摄，获取视频图像数据。
3.根据权利要求1所述的基于多源数据的综合管廊故障诊断方法，其特征在于，将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果，具体包括：
通过预训练的温湿度预测模型对当前区域的温湿度进行预测，生成预测结果；
将所述预测结果与当前区域内实时测量的温湿度数据进行比对，判断预测结果与实时测量的温湿度数据之间的差值是否超出设定阈值，生成比对结果。
4.根据权利要求3所述的基于多源数据的综合管廊故障诊断方法，其特征在于，所述温湿度预测模型的训练方法为：
采集温湿度传感器的工作模式和温湿度数据，作为训练集和测试集；
使用循环神经网络与深度学习网络结合进行时序预测；
将训练集数据送至温湿度预测模型并采用均方差作为损失函数通过梯度下降法对温湿度预测模型进行训练；
完成训练后通过测试集进行测试对产生的偏差进行纠正，输出最终的温湿度预测模型。
5.一种基于多源数据的综合管廊故障诊断装置，其特征在于，所述装置包括：
数据获取模块，用于获取管廊内的温湿度数据、集水坑水位数据以及视频图像数据；
预测比对模块，用于将所述温湿度数据与预训练的温湿度预测模型的预测数据进行比对，生成比对结果；
初步漏水判断模块，用于根据所述比对结果并结合所述集水坑水位数据初步判断漏水区域；
基于所述比对结果，当温湿度数据差值呈现动态变化且差值越来越大的情况下；
结合所述集水坑水位数据判断是否超出预警值；
在集水坑水位数据超出预警值的情况下，则判断出现漏水区域；
漏水面积计算模块，用于对初步判断漏水区域的视频图像数据进行识别处理，根据识别结果确定准确的漏水位置和漏水区域的面积；
将所述视频图像数据转换为分辨率统一的图像帧序列；
基于所述图像帧序列进行图像预处理，生成预处理图像；
基于所述预处理图像通过预设的渗漏区域检测模型进行图像检测，生成检测识别结果；
所述渗漏区域检测模型使用卷积层来处理输入图像，提取局部的特征，形成特征映射：
；
其中是输出的特征映射，/>是输入特征映射，K是卷积核，b是偏置项；
预训练好的残差神经网络来构建残差块，允许输入直接流到输出，帮助网络学习恒等映射；
采用多尺度池化，在不同的区域尺寸上执行池化操作，以捕获不同尺度的信息，核大小分别为；
；
其中是第k级池化的输出，/>是第k级池化的宽度和高度，/>是输入的特征图，将不同尺度的池化输出进行上采样，使其尺寸与原始输入特征图相同；
基于池化的输出利用空间注意力机制，通过一个1x1的卷积层计算每个位置的注意力分数，使用一个sigmoid函数将这些分数映射到0和1之间，得到一个与特征图同尺寸的注意力权重图，将注意力权重图与原始特征图逐像素相乘，来融合空间注意力信息；
基于卷积层处理和优化特征图，最终通过一个分类头来进行像素级别的分类，进一步对检测到的渗漏区域进行分析；
通过基于金字塔型场景解析网络的渗漏区域检测模型自动识别和检测图像中的渗漏部分，对图像中的每个像素或区域进行分类，确定是否属于渗漏区域；
对于确定的渗漏区域进行像素值分析，根据像素块面积和像素块数量计算漏水区域的面积。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于多源数据的综合管廊故障诊断方法。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于多源数据的综合管廊故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508754.3A CN117235672B (zh) | 2023-11-14 | 2023-11-14 | 一种基于多源数据的综合管廊故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508754.3A CN117235672B (zh) | 2023-11-14 | 2023-11-14 | 一种基于多源数据的综合管廊故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235672A CN117235672A (zh) | 2023-12-15 |
| CN117235672B true CN117235672B (zh) | 2024-03-08 |
Family
ID=89095295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311508754.3A Active CN117235672B (zh) | 2023-11-14 | 2023-11-14 | 一种基于多源数据的综合管廊故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235672B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117806496B (zh) * | 2023-12-29 | 2024-05-28 | 安徽国智数据技术有限公司 | 基于虚拟现实技术的综合管廊动态虚拟巡检方法及系统 |
| CN117668762B (zh) * | 2024-01-31 | 2024-05-17 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446760A (zh) * | 2018-03-19 | 2018-08-24 | 国通广达（北京）技术有限公司 | 一种综合管廊内部湿度lstm预测方法及系统 |
| CN111899288A (zh) * | 2020-06-01 | 2020-11-06 | 上海大学 | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 |
| CN112650335A (zh) * | 2020-12-18 | 2021-04-13 | 山东盛帆蓝海电气有限公司 | 一种基于大数据挖掘的能耗智能管控系统及方法 |
| CN113324701A (zh) * | 2021-04-13 | 2021-08-31 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房漏水检测方法 |
| CN113487576A (zh) * | 2021-07-14 | 2021-10-08 | 中国科学院合肥物质科学研究院 | 一种基于通道注意力机制的虫害图像检测方法 |
| CN115564993A (zh) * | 2022-09-26 | 2023-01-03 | 盐城工学院 | 一种基于多尺度特征融合和注意力机制的唇纹图像分类算法 |
| CN219571659U (zh) * | 2023-05-09 | 2023-08-22 | 中国联合网络通信集团有限公司 | 一种管道漏水监测装置、空调系统和报警系统 |
| CN116778528A (zh) * | 2023-06-21 | 2023-09-19 | 深圳市华赛睿飞智能科技有限公司 | 一种基于无人机图像的人体解析网络训练方法、设备 |
| CN116778690A (zh) * | 2023-06-12 | 2023-09-19 | 武汉市市政道路排水工程有限公司 | 一种管廊渗漏水的监测报警方法及系统 |
-
2023
- 2023-11-14 CN CN202311508754.3A patent/CN117235672B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446760A (zh) * | 2018-03-19 | 2018-08-24 | 国通广达（北京）技术有限公司 | 一种综合管廊内部湿度lstm预测方法及系统 |
| CN111899288A (zh) * | 2020-06-01 | 2020-11-06 | 上海大学 | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 |
| CN112650335A (zh) * | 2020-12-18 | 2021-04-13 | 山东盛帆蓝海电气有限公司 | 一种基于大数据挖掘的能耗智能管控系统及方法 |
| CN113324701A (zh) * | 2021-04-13 | 2021-08-31 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房漏水检测方法 |
| CN113487576A (zh) * | 2021-07-14 | 2021-10-08 | 中国科学院合肥物质科学研究院 | 一种基于通道注意力机制的虫害图像检测方法 |
| CN115564993A (zh) * | 2022-09-26 | 2023-01-03 | 盐城工学院 | 一种基于多尺度特征融合和注意力机制的唇纹图像分类算法 |
| CN219571659U (zh) * | 2023-05-09 | 2023-08-22 | 中国联合网络通信集团有限公司 | 一种管道漏水监测装置、空调系统和报警系统 |
| CN116778690A (zh) * | 2023-06-12 | 2023-09-19 | 武汉市市政道路排水工程有限公司 | 一种管廊渗漏水的监测报警方法及系统 |
| CN116778528A (zh) * | 2023-06-21 | 2023-09-19 | 深圳市华赛睿飞智能科技有限公司 | 一种基于无人机图像的人体解析网络训练方法、设备 |
Non-Patent Citations (2)
| Title |
|---|
| Pyramid Scene Parsing Network;Zhao Hengshuang 等;《aiXiv:1612.01105》;20170427;全文 * |
| 基于回归模型的太阳能热水系统两种典型故障检测与诊断;阴元博;高岩;张磊;郭海豹;王斌;;湘潭大学自然科学学报;20170915(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235672A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117235672B (zh) | 一种基于多源数据的综合管廊故障诊断方法及装置 | |
| CN113469177B (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
| CN110254468B (zh) | 一种轨道表面缺陷智能在线检测装置及检测方法 | |
| US8761490B2 (en) | System and method for automated borescope inspection user interface | |
| WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| WO2019051961A1 (zh) | 一种管道检测方法、装置以及存储介质 | |
| WO2023082418A1 (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
| CN117173187B (zh) | 一种阀门故障智能检测系统 | |
| Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
| CN113075065A (zh) | 基于图像识别的深海管道裂纹扩展监测与可靠性评估系统 | |
| CN118135469B (zh) | 一种管道cctv缺陷识别方法、系统、设备及存储介质 | |
| Liu et al. | An approach for auto bridge inspection based on climbing robot | |
| CN117745945A (zh) | 一种基于ai的锅炉炉膛水冷壁管壁图像采集与处理系统 | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| Myrans et al. | Using Automatic Anomaly Detection to Identify Faults in Sewers:(027) | |
| CN111767815A (zh) | 一种隧道渗漏水识别方法 | |
| Li et al. | Surface Defect Detection and Evaluation Method of Large Wind Turbine Blades Based on an Improved Deeplabv3+ Deep Learning Model. | |
| Zhu et al. | Research on recognition algorithm of tunnel leakage based on image processing | |
| CN118379049B (zh) | 一种基于智能ai协同的通信管线维护系统 | |
| CN116309245B (zh) | 基于深度学习的地下排水管道缺陷智能检测方法与系统 | |
| CN118334024B (zh) | 一种棘轮补偿偏斜的检测方法 | |
| CN117710374B (zh) | 基于深度学习的跑冒滴漏检测方法、装置、设备及介质 | |
| CN117372919B (zh) | 一种第三方施工威胁物检测方法及装置 | |
| CN115861825B (zh) | 一种基于图像识别的2c检测方法 |
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 |