CN117272071B - 一种基于人工智能的流动管道泄露预警方法及系统 - Google Patents
一种基于人工智能的流动管道泄露预警方法及系统 Download PDFInfo
- Publication number
- CN117272071B CN117272071B CN202311560545.3A CN202311560545A CN117272071B CN 117272071 B CN117272071 B CN 117272071B CN 202311560545 A CN202311560545 A CN 202311560545A CN 117272071 B CN117272071 B CN 117272071B
- Authority
- CN
- China
- Prior art keywords
- leakage
- tangent plane
- humidity
- pipeline
- adjacent point
- 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 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 20
- 230000035515 penetration Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000003204 osmotic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mechanical Engineering (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及管道泄露检测领域，更具体地，本发明涉及一种基于人工智能的流动管道泄露预警方法及系统。所述方法包括：计算管道泄露时间，确定检测间距；获得第一切面的湿度矩阵和第二切面的湿度矩阵；通过两次聚类后的结果构建第一切面泄露临近点集合和第二切面泄露临近点集合；对第一切面泄露临近点集合和第二切面泄露临近点集合进行局部最优匹配，以获得同一泄露范围集合；计算同一泄露范围集合内所有点的距离，获得管道泄露评价，从而获得多个管道的管道泄露评价集合；比较管道泄露评价集合中的最大值与修正后的预警值以生成判断结果，根据判断结果生成预警结果。通过本发明的技术方案，能够完成对管道泄露点的准确预警。
Description
技术领域
本发明一般地涉及管道泄露检测领域。更具体地，本发明涉及一种基于人工智能的流动管道泄露预警方法及系统。
背景技术
在现代工业生产和日常生活中，流动管道系统的应用遍布各个领域，涵盖供应水、燃气、油品以及各种化工原料或产品的输送。这些复杂的管道网络对于经济发展与生活秩序维护具有重要作用。然而，由于各种自然因素和人为因素，这些管道系统存在泄漏风险。一旦发生泄漏，可能导致严重的经济损失，甚至引发环境污染和安全事故。因此，如何有效地预防和检测管道泄漏问题，尤其是能够实现早期发现和预警，已成为当前技术领域所需要探讨和解决的重大问题。
现有技术中，传统泄露检测方法主要依赖于传感器和规则，这些方法受到多种因素的限制。首先，传感器网络通常有限，难以覆盖整个管道系统，导致部分区域难以监测。其次，规则和门槛设定困难，容易导致误报或漏检。此外，传统方法难以应对复杂多变的环境，例如气象变化导致土壤环境湿度的改变，导致预警的准确度低。
发明内容
为解决上述一个或多个技术问题，本发明提出计算管道泄露时间，确定检测间距；获得第一切面的湿度矩阵和第二切面的湿度矩阵；通过两次聚类后的结果构建第一切面泄露临近点集合和第二切面泄露临近点集合；对第一切面泄露临近点集合和第二切面泄露临近点集合进行局部最优匹配，以获得同一泄露范围集合；计算同一泄露范围集合内所有点的距离，获得管道泄露评价，从而获得多个管道的管道泄露评价集合；比较管道泄露评价集合中的最大值与修正后的预警值以生成判断结果，根据判断结果生成预警结果。为此，本发明在如下的多个方面中提供方案。
在一个实施例中，包括步骤：根据获取的预设时间内的水量差计算管道泄露时间；基于所述管道泄露时间计算渗透半径，根据所述渗透半径确定检测间距；将管道横截面外圈的外边沿划分为第一弧长与第二弧长，所述第一弧长与所述第二弧长能够构成一个完整的管道横截面外圈的外边沿；获得所述第一弧长的第一切面和所述第二弧长的第二切面，并基于所述检测间距与预设步长对所述第一切面和所述第二切面分别采集多位置的土壤湿度数据，获得所述第一切面的湿度矩阵和所述第二切面的湿度矩阵；利用预设的第一聚类模型对所述第一切面的湿度矩阵进行聚类获得第一切面泄露湿度矩阵，并利用预设的第一聚类模型对所述第二切面的湿度矩阵进行聚类获得第二切面泄露湿度矩阵；利用预设的第二聚类模型对所述第一切面泄露湿度矩阵进行聚类获得第一切面泄露临近点矩阵，从而构建第一切面泄露临近点集合，并利用预设的第二聚类模型对所述第二切面泄露湿度矩阵进行聚类获得第二切面泄露临近点矩阵，从而构建第二切面泄露临近点集合；对所述第一切面泄露临近点集合和所述第二切面泄露临近点集合进行局部最优匹配，以获得同一泄露范围集合；计算所述同一泄露范围集合内所有样本点的距离，获得管道泄露评价；获得多个管道的所述管道泄露评价，以获得管道泄露评价集合；比较所述管道泄露评价集合中的最大值与修正后的预设预警值以生成判断结果，根据所述判断结果生成预警信号。
在一个实施例中，所述渗透半径满足表达式：
其中，为渗透系数，/>为渗透率，/>为管道泄露时间，/>为渗透半径。
在一个实施例中，构建第一切面泄露临近点集合包括：
将所述第一切面泄露湿度矩阵输入K均值聚类模型中，距离函数满足表达式：
其中，为空间距离约束，/>和/>为所述第一切面泄露湿度矩阵任意两个检测点的湿度值，/>表示所述任意两个检测点的实际距离。
更新聚类簇个数，每更新一次，聚类簇个数加一，设定聚类簇内方差约束条件，所述聚类簇内方差约束条件满足关系式：
其中，表示约束条件，/>表示泄露湿度矩阵内的湿度值集合构成的聚类簇，/>表示第1个聚类簇，/>表示第2个聚类簇，/>表示第/>个聚类簇。
遍历所述第一切面泄露湿度矩阵内所有检测点，直至约束条件最小完成聚类，获得完成聚类时的所有聚类簇，并保留各个聚类簇的中心点以构建所述第一切面泄露临近点矩阵；提取所述第一切面泄露临近点矩阵，获得所述第一切面泄露临近点集合。
在一个实施例中，对所述第一切面泄露临近点集合和所述第二切面泄露临近点集合进行局部最优匹配，以获得同一泄露范围集合包括步骤：比较所述第一切面泄露临近点集合和所述第二切面泄露临近点集合内的样本个数，若不相等，对样本个数少的集合进行补零，使所述第一切面泄露临近点集合和所述第二切面泄露临近点集合的长度相等；对第一切面泄露临近点集合和第二切面泄露临近点集合进行匹配，匹配过程满足关系式：
其中，为损失函数，/>为所述第一切面泄露临近点集合内任意一点，/>为所述第二切面泄露临近点集合内任意一点，/>为/>与/>的距离，/>表示共有/>个距离，/>表示第/>个距离。
响应于损失函数最小，完成局部最优匹配，并根据获得同一泄露范围集合。
在一个实施例中，所述管道泄露评价满足关系式：
其中，为第一切面/>点的管道泄露评价，/>为所述第一切面与第二切面的采样位置的距离，/>和/>分别为同一泄露范围内第一切面和第二切面相对应的两点的湿度值，/>为所述两点组成的向量，/>为水平向量。
在一个实施例中，所述修正后的预警值满足关系式：
其中，为修正后的预警值，/>为修正前的预警值，/>为所述同一泄露范围集合对应的湿度值集合，/>为所述同一泄露范围集合对应的环境湿度值集合。
本发明具有如下的有益效果：
通过对管道的切面构建湿度矩阵，并根据多个位置的检测结果，通过聚类排除环境湿度对检测预警结果的误差影响，提高检测结果的准确度，通过后续环境湿度改变不断修正预警阈值，能够减少误报警的情况，并且能够准确的寻找到管道发生泄露的范围，缩小检修范围，提高检修的工作效率。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本发明实施例基于一种基于人工智能的流动管道泄露预警方法的流程图；
图2本发明实施例基于一种基于人工智能的流动管道泄露预警方法的采样位置和检测间距的示意图；
图3是本发明实施例基于一种基于人工智能的流动管道泄露预警方法的采样步长与采样深度点的示意图；
图4是本发明实施例基于一种基于人工智能的流动管道泄露预警系统的示意图。
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。
应当理解，当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明提供了一种基于人工智能的流动管道泄露预警方法。如图1所示，一种基于人工智能的流动管道泄露预警方法包括步骤S1-S6，以下具体说明。
S1，计算管道泄露时间，确定检测间距。
具体的，通过水流输出终端服务器记录预设时间段内输出的水量大小，在输水管道两端安装一个超声流量计，记录预设时间段内通过的水量/>，那么在预设时间内的水量差/>，若水量差不为0时，则说明管道存在泄露。
将管道长度与管道内水流速度的比值作为预设时间，记录首次出现泄露的预设时间的起始值至当前时刻的时间间隔作为管道泄露时间；若管道发生泄漏，管道内的压力存在差异，从而使流速受到的影响也不同，即压力越大，流速损失越大，因此判断泄露开始的时间点也不同。
基于管道泄露时间计算渗透半径，从而确定检测间距。对管道下部的土层进行采样，并利用土样进行渗透实验，得到土层中的渗透系数和渗透率/>，那么渗透半径满足表达式：
其中，为渗透系数，/>为渗透率，/>为管道泄露时间，/>为渗透半径。
如图2所示，为管道俯视图中的采样位置和检测间距的示意图。根据渗透直径为检测间隔，对管道土层进行湿度采样。
S2，获得第一切面的湿度矩阵和第二切面的湿度矩阵。
具体的，将管道横截面外圈的外边沿划分为第一弧长与第二弧长，第一弧长与第二弧长能够构成一个完整的管道横截面外圈的外边沿，通过第一弧长获得第一切面，通过第二弧长获得第二切面，第一切面和第二切面是互相平行。
如图3所示，基于第一切面与第二切面，通过预设的采样深度与预设的采样步长，在管道的第一切面和第二切面分别采集多位置的土壤湿度数据，其中，采样深度点的标准为管道剖面直径与第一切面和第二切面的两个交点位置，且管道剖面直径与第一切面和第二切面同时垂直。示例性的，本发明采样深度设置为基于采样深度点上下两侧各1米，采样步长设置为5厘米。每个采样位置上包含40个采样点，在每个采样点采集一个湿度数据，构建第一切面的湿度矩阵和第二切面的湿度矩阵，每个矩阵均为40行列的矩阵。
S3，通过两次聚类后的结果构建第一切面泄露临近点集合和第二切面泄露临近点集合。
具体的，分别利用预设的第一聚类模型对第一切面的湿度矩阵进行聚类，示例性的，所述第一聚类模型可以为SVM(Support Vector Machine，支持向量机)、层次聚类、DBSCAN(基于密度聚类)和K均值聚类等，本发明采用K均值聚类作为第一聚类模型，设置聚类簇个数为2，距离函数为/>，其中，/>和/>均为第一切面的湿度矩阵内任意两点的湿度值，得到两个聚类簇，将簇内均值最小的聚类簇记为环境湿度簇，标记环境湿度簇内所有样本，并在第一切面的湿度矩阵内删除标记点，从而获得第一切面泄露湿度矩阵。
分别利用预设的第二聚类模型对第一切面泄露湿度矩阵进行聚类，示例性的，本发明采用K均值聚类作为第二聚类模型，设定聚类簇个数为2，距离函数满足表达式：
其中，为空间距离约束，/>和/>为第一切面泄露湿度矩阵中任意两个检测点的湿度值，/>表示所述任意两个检测点的实际距离。
更新聚类簇个数，更新方式为/>值每次加1，设定聚类簇内方差约束条件，聚类簇内方差约束条件满足关系式：
其中，表示约束条件，/>表示泄露湿度矩阵内的湿度值集合构成的聚类簇，/>表示第1个聚类簇，/>表示第2个聚类簇，/>表示第/>个聚类簇。
遍历第一切面泄露湿度矩阵内所有检测点，直至约束条件最小完成聚类，获得完成聚类的所有聚类簇，并保留各个聚类簇的中心点以构建第一切面泄露临近点矩阵。
提取第一切面泄露临近点矩阵内的泄露临近点，获得第一切面泄露临近点集合。
遍历步骤S3，同样能够获得第二切面泄露临近点集合。
通过第一次聚类能够消除环境湿度对寻找泄露临近点时的影响，在第二次聚类时，输入项中不包含环境点，全部为受到泄露影响的采样点，因此第二次聚类输出的聚类中心点即为最靠近泄露中心的采样点。
S4，对第一切面泄露临近点集合和第二切面泄露临近点集合进行局部最优匹配，以获得同一泄露范围集合。
具体的，基于获得的第一切面泄露临近点集合和第二切面泄露临近点集合，进行两集合局部最优匹配。
由于第一切面泄露临近点集合和第二切面泄露临近点集合内的样本个数存在不相等的情况，导致这种情况的原因为泄漏点在该临近点附近或是泄露的水量太小，导致泄露影响范围较小。
比较第一切面泄露临近点集合和第二切面泄露临近点集合内的样本个数，若不相等，对样本个数少的集合进行补零，使第一切面泄露临近点集合和第二切面泄露临近点集合的长度相等。
匹配过程满足关系式：
其中，为损失函数，/>为所述第一切面泄露临近点集合内任意一点，/>为所述第二切面泄露临近点集合内任意一点，/>为/>与/>的距离，/>表示共有/>个距离，/>表示第/>个距离。
响应于损失函数最小，完成局部最优匹配，并根据匹配结果获得同一泄露范围集合。
同一泄露范围集合表示为，其中，可以存在互不相等的情况，/>代表矩阵中的位置对应的检测点，相等的情况表示第一切面和第二切面泄露范围位置是相互平行的，不相等的情况表示管道在第一切面和第二切面泄露范围位置是随机的。
S5，计算同一泄露范围集合内所有点的距离，获得管道泄露评价，从而获得多个管道的管道泄露评价集合。
具体的，计算同一泄露范围集合内所有点的距离。设置水平向量，向量方向为垂直于管道的水平方向上，长度为1的向量。将同一泄露范围集合内的各个点对，分别组成新的向量，得到向量集/>，每个向量对应一个泄露范围，管道泄露评价满足关系式：
其中，为第一切面/>点的管道泄露评价，/>为所述第一切面与第二切面的采样位置的距离，/>和/>分别为同一泄露范围内第一切面和第二切面相对应的两点的湿度值，/>为所述两点组成的向量，/>为水平向量，当/>越大则说明第一切面/>点泄露范围越严重。
获得多个管道的管道泄露评价，以获得管道泄露评价集合。
S6，比较管道泄露评价集合中的最大值与修正后的预警值以生成判断结果，根据判断结果生成预警结果。
具体的，由于环境湿度会影响预警值，即环境湿度越大，造成管道泄露评价集合中的最大值于真实情况偏离，因此需要提供预警值修正系数，对预警值进行修正，修正后的预警值满足关系式：
其中，为修正后的预警值，/>为修正前的预警值，/>为所述同一泄露范围集合对应的湿度值集合，/>为所述同一泄露范围集合对应的环境湿度值集合，/>为均值计算。
若管道泄露评价集合中的最大值大于修正后的预警值，判断管道发生泄露，提醒工作人员关闭水闸，检修管道。
本发明实施例还公开一种基于人工智能的流动管道泄露预警系统，参照图4，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明的一种基于人工智能的流动管道泄露预警方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM (Resistive RandomAccess Memory)、动态随机存取存储器DRAM (Dynamic Random Access Memory)、静态随机存取存储器SRAM (Static Random-Access Memory）、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM (High-BandwidthMemory)、混合存储立方HMC (Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的流动管道泄露预警方法，其特征在于，包括步骤：
根据获取的预设时间内的水量差计算管道泄露时间；
基于所述管道泄露时间计算渗透半径，根据所述渗透半径确定检测间距；
将管道横截面外圈的外边沿划分为第一弧长与第二弧长，所述第一弧长与所述第二弧长能够构成一个完整的管道横截面外圈的外边沿；
获得所述第一弧长的第一切面和所述第二弧长的第二切面，并基于所述检测间距与预设步长对所述第一切面和所述第二切面分别采集多位置的土壤湿度数据，获得所述第一切面的湿度矩阵和所述第二切面的湿度矩阵；
利用预设的第一聚类模型对所述第一切面的湿度矩阵进行聚类获得第一切面泄露湿度矩阵，并利用预设的第一聚类模型对所述第二切面的湿度矩阵进行聚类获得第二切面泄露湿度矩阵；
利用预设的第二聚类模型对所述第一切面泄露湿度矩阵进行聚类获得第一切面泄露临近点矩阵，从而构建第一切面泄露临近点集合，并利用预设的第二聚类模型对所述第二切面泄露湿度矩阵进行聚类获得第二切面泄露临近点矩阵，从而构建第二切面泄露临近点集合；
对所述第一切面泄露临近点集合和所述第二切面泄露临近点集合进行局部最优匹配，以获得同一泄露范围集合；
计算所述同一泄露范围集合内所有样本点的距离，获得管道泄露评价；
获得多个管道的所述管道泄露评价，以获得管道泄露评价集合；
比较所述管道泄露评价集合中的最大值与修正后的预设预警值以生成判断结果，根据所述判断结果生成预警信号；
所述渗透半径满足表达式：
其中，为渗透系数，/>为渗透率，/>为管道泄露时间，/>为渗透半径。
2.根据权利要求1所述的一种基于人工智能的流动管道泄露预警方法，其特征在于，构建第一切面泄露临近点集合包括：
将所述第一切面泄露湿度矩阵输入K均值聚类模型中，距离函数满足表达式：
其中，为空间距离约束，/>和/>为所述第一切面泄露湿度矩阵任意两个检测点的湿度值，/>表示所述任意两个检测点的实际距离；
更新聚类簇个数，每更新一次，聚类簇个数加一，设定聚类簇内方差约束条件，所述聚类簇内方差约束条件满足关系式：
其中，表示约束条件，/>表示泄露湿度矩阵内的湿度值集合构成的聚类簇，/>表示第1个聚类簇，/>表示第2个聚类簇，/>表示第/>个聚类簇；
遍历所述第一切面泄露湿度矩阵内所有检测点，直至约束条件最小完成聚类，获得完成聚类时的所有聚类簇，并保留各个聚类簇的中心点以构建所述第一切面泄露临近点矩阵；
提取所述第一切面泄露临近点矩阵，获得所述第一切面泄露临近点集合。
3.根据权利要求1所述的一种基于人工智能的流动管道泄露预警方法，其特征在于，对所述第一切面泄露临近点集合和所述第二切面泄露临近点集合进行局部最优匹配，以获得同一泄露范围集合包括步骤：
比较所述第一切面泄露临近点集合和所述第二切面泄露临近点集合内的样本个数，若不相等，对样本个数少的集合进行补零，使所述第一切面泄露临近点集合和所述第二切面泄露临近点集合的长度相等；
对第一切面泄露临近点集合和第二切面泄露临近点集合进行匹配，匹配过程满足关系式：
其中，为损失函数，/>为所述第一切面泄露临近点集合内任意一点，/>为所述第二切面泄露临近点集合内任意一点，/>为/>与/>的距离，/>表示共有/>个距离，/>表示第/>个距离；
响应于损失函数最小，完成局部最优匹配，并根据匹配结果获得同一泄露范围集合。
4.根据权利要求1所述的一种基于人工智能的流动管道泄露预警方法，其特征在于，所述管道泄露评价满足关系式：
其中，为第一切面/>点的管道泄露评价，/>为所述第一切面与第二切面的采样位置的距离，/>和/>分别为同一泄露范围内第一切面和第二切面相对应的两点的湿度值，/>为所述两点组成的向量，/>为水平向量。
5.根据权利要求1所述的一种基于人工智能的流动管道泄露预警方法，其特征在于，所述修正后的预警值满足关系式：
其中，为修正后的预警值，/>为修正前的预警值，/>为所述同一泄露范围集合对应的湿度值集合，/>为所述同一泄露范围集合对应的环境湿度值集合，/>为均值计算。
6.一种基于人工智能的流动管道泄露预警系统，其特征在于，包括：
处理器；以及存储器，其存储有用于一种基于人工智能的流动管道泄露预警方法的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据权利要求1-5的任意一项所述的一种基于人工智能的流动管道泄露预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560545.3A CN117272071B (zh) | 2023-11-22 | 2023-11-22 | 一种基于人工智能的流动管道泄露预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560545.3A CN117272071B (zh) | 2023-11-22 | 2023-11-22 | 一种基于人工智能的流动管道泄露预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117272071A CN117272071A (zh) | 2023-12-22 |
| CN117272071B true CN117272071B (zh) | 2024-02-13 |
Family
ID=89208466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311560545.3A Active CN117272071B (zh) | 2023-11-22 | 2023-11-22 | 一种基于人工智能的流动管道泄露预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272071B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480705A (zh) * | 2017-07-24 | 2017-12-15 | 厦门快商通科技股份有限公司 | 一种自来水管漏水检测方法 |
| CN110748801A (zh) * | 2019-11-05 | 2020-02-04 | 深圳汉光电子技术有限公司 | 管道泄漏检测方法、装置及系统 |
| CN111445110A (zh) * | 2020-03-05 | 2020-07-24 | 深圳供电局有限公司 | 基于电缆沟道的环境风险决策方法、装置、计算机设备 |
| KR20200125384A (ko) * | 2019-04-25 | 2020-11-04 | 울산대학교 산학협력단 | 실시간 튜브 누설 상태 인지 방법 및 시스템 |
| KR102226871B1 (ko) * | 2020-10-26 | 2021-03-10 | 인천대학교 산학협력단 | 수도 관망 내에서의 누수 심각도 여부를 모니터링하는 인공지능 기반의 누수 모니터링 장치 및 그 동작 방법 |
| CN114245337A (zh) * | 2021-12-17 | 2022-03-25 | 吉林大学 | 一种基于图卷积网络的供水管网泄露定位传感器布置方法 |
| CN115597799A (zh) * | 2022-11-25 | 2023-01-13 | 广东采日能源科技有限公司（Cn） | 液冷储能集装箱的漏液检测方法、装置及系统 |
| CN116296130A (zh) * | 2023-01-13 | 2023-06-23 | 中国建筑第七工程局有限公司 | 一种用于基坑渗漏检测的预警系统 |
| CN116928608A (zh) * | 2023-08-15 | 2023-10-24 | 唐山曹妃甸热力有限公司 | 一种热力管道泄漏检测方法、装置、设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160356666A1 (en) * | 2015-06-02 | 2016-12-08 | Umm Al-Qura University | Intelligent leakage detection system for pipelines |
| IL253638A0 (en) * | 2017-07-24 | 2017-09-28 | Shalom Swissa Shai | Leak detection system |
| GB2599653B (en) * | 2020-10-06 | 2023-05-03 | Indusenz As | Apparatus, system and method for monitoring external properties of plant equipment and/or pipe work |
| US20230204166A1 (en) * | 2021-12-29 | 2023-06-29 | Petróleo Brasileiro S.A. - Petrobras | Observation system, location and identification of damage in pipelines |
-
2023
- 2023-11-22 CN CN202311560545.3A patent/CN117272071B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480705A (zh) * | 2017-07-24 | 2017-12-15 | 厦门快商通科技股份有限公司 | 一种自来水管漏水检测方法 |
| KR20200125384A (ko) * | 2019-04-25 | 2020-11-04 | 울산대학교 산학협력단 | 실시간 튜브 누설 상태 인지 방법 및 시스템 |
| CN110748801A (zh) * | 2019-11-05 | 2020-02-04 | 深圳汉光电子技术有限公司 | 管道泄漏检测方法、装置及系统 |
| CN111445110A (zh) * | 2020-03-05 | 2020-07-24 | 深圳供电局有限公司 | 基于电缆沟道的环境风险决策方法、装置、计算机设备 |
| KR102226871B1 (ko) * | 2020-10-26 | 2021-03-10 | 인천대학교 산학협력단 | 수도 관망 내에서의 누수 심각도 여부를 모니터링하는 인공지능 기반의 누수 모니터링 장치 및 그 동작 방법 |
| CN114245337A (zh) * | 2021-12-17 | 2022-03-25 | 吉林大学 | 一种基于图卷积网络的供水管网泄露定位传感器布置方法 |
| CN115597799A (zh) * | 2022-11-25 | 2023-01-13 | 广东采日能源科技有限公司（Cn） | 液冷储能集装箱的漏液检测方法、装置及系统 |
| CN116296130A (zh) * | 2023-01-13 | 2023-06-23 | 中国建筑第七工程局有限公司 | 一种用于基坑渗漏检测的预警系统 |
| CN116928608A (zh) * | 2023-08-15 | 2023-10-24 | 唐山曹妃甸热力有限公司 | 一种热力管道泄漏检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 城市供水管网泄漏报警系统研究;赵洁;中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅱ辑;1-73 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117272071A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104063588B (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法 | |
| CN113963514B (zh) | 一种油气化管道一体化监测预警系统 | |
| CN103198437B (zh) | 一种电网量测数据和电网模型纠错方法及装置 | |
| CN115759378A (zh) | 一种基于数字孪生的大坝安全分析预警系统及方法 | |
| US10746900B2 (en) | System and method for pipeline management | |
| CN111706785B (zh) | 一种天然气枝状管网泄漏管段识别方法 | |
| CN109697333B (zh) | 管线探测数据库的检测方法、装置以及电子设备 | |
| CN108898252A (zh) | 一种全国对流层大气折射率剖面的预测方法 | |
| CN109058771A (zh) | 基于样本生成和间隔Markov特征的管道异常检测方法 | |
| CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
| CN116108604A (zh) | 一种供水管网异常检测方法、系统、设备及存储介质 | |
| CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
| Li et al. | Fast detection and localization of multiple leaks in water distribution network jointly driven by simulation and machine learning | |
| CN114387332B (zh) | 一种管道测厚方法及装置 | |
| CN117272071B (zh) | 一种基于人工智能的流动管道泄露预警方法及系统 | |
| CN104182456B (zh) | 一种基于mrs‑mm目标匹配模型的空间实体增量提取方法 | |
| CN117331017A (zh) | 一种三相四线电能表错接线研判方法及系统 | |
| CN114969068B (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
| CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
| Feng et al. | Modeling and calculation of dent based on pipeline bending strain | |
| AU2021101888A4 (en) | System and method for corrosion prediction in oil and gas pipeline | |
| CN104504489A (zh) | 一种海底油气管道的风险管理系统和方法 | |
| CN109408604B (zh) | 输电线路关联天气因素数据网格化处理方法、装置及系统 | |
| CN109002590B (zh) | 一种确定漏点生长函数的方法 | |
| Wu et al. | Real-time data visualization method for oil pipeline monitoring based on Internet of Things |
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 |