CN117332324A - 管道漏损检测方法、装置、电子设备及存储介质 - Google Patents

管道漏损检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117332324A
CN117332324A CN202311246248.1A CN202311246248A CN117332324A CN 117332324 A CN117332324 A CN 117332324A CN 202311246248 A CN202311246248 A CN 202311246248A CN 117332324 A CN117332324 A CN 117332324A
Authority
CN
China
Prior art keywords
data
pipeline leakage
pipeline
sample
leakage
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.)
Pending
Application number
CN202311246248.1A
Other languages
English (en)
Inventor
林恩
张延武
郑超
王超
靳慧斌
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.)
Eslink Computing Hangzhou Co ltd
Jinka Water Technology Co ltd
Original Assignee
Eslink Computing Hangzhou Co ltd
Jinka Water 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 Eslink Computing Hangzhou Co ltd, Jinka Water Technology Co ltd filed Critical Eslink Computing Hangzhou Co ltd
Priority to CN202311246248.1A priority Critical patent/CN117332324A/zh
Publication of CN117332324A publication Critical patent/CN117332324A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本申请提供一种管道漏损检测方法、装置、电子设备及存储介质，该方法包括：获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据；对多个管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个管道漏损数据各自对应的分段时间序列；将多个管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个管道漏损数据各自对应的特征抽取结果；将多个管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到管道漏损检测模型输出的多个管道漏损数据各自对应的管道漏损检测结果。用以解决相关技术中的管道泄漏检测方案存在检测精度低下，导致水资源浪费和经济损失的问题。

Description

管道漏损检测方法、装置、电子设备及存储介质
技术领域
本申请涉及管道检测技术，尤其涉及一种管道漏损检测方法、装置、电子设备及存储介质。
背景技术
目前，供水管网中存在的水管泄露问题(例如，跑水、冒水、滴水、漏水)造成了大量的水资源浪费和经济损失，甚至还会对人民的生命健康产生不利影响，因此，如何对管道泄漏进行准确检测和定位具有重要的社会意义和经济价值。
目前管道泄漏检测主要分为基于硬件和基于软件的方法。
基于硬件的方法主要依靠硬件设备，如光纤传感、探地雷达、内窥机器人等。但是，基于硬件的方法，硬件设备成本居高不下，并且在安装、部署等方面还存在诸多限制。
基于软件的方法目前广泛使用的是瞬变流分析的方法。但是，瞬变流分析由于比较依赖于目标管道系统或者模型的先验信息，而这类信息较难以完整获取，限制了此类方法的实际应用。
随着计算能力的提升和深度学习技术的快速发展，基于数据驱动的管道泄漏检测与定位算法得到了广泛研究和应用，成为目前解决漏损检测问题的主要技术趋势。但是，基于数据驱动的管道泄漏检测目前在检测精度等方面还有大量的提升空间。
发明内容
本申请提供一种管道漏损检测方法、装置、电子设备及存储介质，用以解决相关技术中的管道泄漏检测方案存在检测精度低下，导致水资源浪费和经济损失的问题，实现提升管道泄漏检测的检测精度，以避免水资源浪费和经济损失的技术效果。
一方面，本申请提供一种管道漏损检测方法，所述方法包括：
获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据；
对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列；
将多个所述管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个所述管道漏损数据各自对应的特征抽取结果；
将多个所述管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果。
一种可选的实施方式中，
所述管道漏损检测模型至少采用如下训练样本训练得到：多个样本管道漏损数据对应的样本特征抽取结果，以及所述样本特征抽取结果对应的样本管道漏损检测结果；
所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果，包括如下至少之一：是否产生泄漏和/或损坏、泄漏位置、泄漏量和摩阻系数，其中，所述泄漏位置、泄漏量和摩阻系数是由所述管道漏损检测模型中的多层感知机预测得到的。
一种可选的实施方式中，所述对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
对多个所述管道漏损数据中各自的时间变化序列，进行快递傅里叶变换，得到多个所述管道漏损数据各自的快递傅里叶变换结果；
根据所述多个所述管道漏损数据各自的快递傅里叶变换结果，确定所述多个所述管道漏损数据各自的功率谱图；
根据所述多个所述管道漏损数据各自的功率谱图，对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列。
一种可选的实施方式中，根据所述多个所述管道漏损数据各自的功率谱图，对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
确定多个所述管道漏损数据各自的功率谱图上的功率值；
对多个所述管道漏损数据各自的功率谱图上的功率值，分别进行排序处理，以基于排序结果选取多个所述管道漏损数据各自对应的N个频率；
基于多个所述管道漏损数据各自对应的N个频率，对多个所述管道漏损数据中各自的时间变化序列进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，其中，每个所述分段时间序列以一个所述频率为主导。
另一方面，本申请提供一种管道漏损检测模型的训练方法，所述方法包括：
确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果；
对多个所述样本管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述样本管道漏损数据各自对应的样本分段时间序列；
将多个所述样本管道漏损数据各自对应的样本分段时间序列，分别进行特征学习处理，对应得到多个所述样本管道漏损数据各自对应的样本特征抽取结果；
基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到所述管道漏损检测模型。
一种可选的实施方式中，确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果，包括：
通过对所述样本管道的管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，以构建得到所述样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果。
一种可选的实施方式中，基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到所述管道漏损检测模型，包括：
基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，构造得到训练集、测试集和验证集；
采用误差反向传播算法，基于所述训练集对所述初始神经网络模型进行迭代训练，以确定所述管道漏损检测模型的各个参数值；
在迭代训练过程中，基于所述验证集评估所述管道漏损检测模型的性能，以根据过程性能评估结果对所述管道漏损检测模型进行调整；
在迭代训练结束后，基于所述测试集评估所述管道漏损检测模型的性能，得到所述管道漏损检测模型的最终性能评估结果。
另一方面，本申请提供一种管道漏损检测装置，所述装置包括：
获取模块，用于获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据；
第一处理模块，用于对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列；
第二处理模块，用于将多个所述管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个所述管道漏损数据各自对应的特征抽取结果；
确定模块，用于将多个所述管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果，其中，所述管道漏损检测模型的训练样本至少包括：多个样本管道漏损数据对应的样本特征抽取结果，以及所述样本特征抽取结果对应的样本管道漏损检测结果。
另一方面，本申请提供一种电子设备，包括：处理器，以及与上述处理器连接的存储器；上述存储器存储计算机执行指令；上述处理器执行上述存储器存储的计算机执行指令，以实现如任一项上述的方法。
另一方面，本申请提供一种计算机可读存储介质，上述计算机可读存储介质中存储有计算机执行指令，上述计算机执行指令被处理器执行时用于实现如任一项上述的方法。
另一方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现任一项上述的方法。
本申请提供的管道漏损检测方法、装置、电子设备及存储介质，通过获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据；对多个管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个管道漏损数据各自对应的分段时间序列；将多个管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个管道漏损数据各自对应的特征抽取结果；将多个管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到管道漏损检测模型输出的多个管道漏损数据各自对应的管道漏损检测结果。
通过上述实施例，可以解决相关技术中的管道泄漏检测方案存在检测精度低下，导致水资源浪费和经济损失的问题，实现提升管道泄漏检测的检测精度，以避免水资源浪费和经济损失的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请实施例所提供的一种管道漏损检测方法的流程示意图；
图2为本申请实施例提供的一种可选的管道漏损检测方法的流程示意图；
图3是本申请实施例所提供的一种可选的管道漏损数据对应的功率谱图；
图4是本申请实施例所提供的一种可选的管道漏损数据对应的功率谱图；
图5是本申请实施例所提供的一种管道漏损检测模型的训练方法的流程示意图；
图6为本申请实施例提供的一种管道漏损检测装置的结构框图；
图7为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先对本申请所涉及的名词进行解释：
Transformer是一种基于注意力机制的序列模型，最初应用于机器翻译任务。与传统的循环神经网络(RNN)和卷积神经网络(CNN)不同，Transformer仅使用自注意力机制(self-attention)来处理输入序列和输出序列，因此可以并行计算，极大地提高了计算效率。
ReLU(Rectifying Linear Units)是深度学习中最常用的激活函数之一,具有简单、高效等优点,使用广泛。
MaxPooling2D：是深度神经网络中的一种常用的下采样操作，通常用于卷积神经网络(CNN)中。MaxPooling2D用于减小特征图的空间大小，以便减少模型的参数数量并缩小计算量。
Dropout：是指深度学习训练过程中,对于神经网络训练单元,按照一定的概率将其从网络中移除,注意是暂时的移除。
目前，供水管网中存在的水管泄露问题(例如，跑水、冒水、滴水、漏水)造成了大量的水资源浪费和经济损失，甚至还会对人民的生命健康产生不利影响，因此，如何对管道泄漏进行准确检测和定位具有重要的社会意义和经济价值。
目前管道泄漏检测主要分为基于硬件和基于软件的方法。
基于硬件的方法主要依靠硬件设备，如光纤传感、探地雷达、内窥机器人等。但是，基于硬件的方法虽然检测精度高，但成本居高不下，并且在安装、部署等方面还存在诸多限制。
基于软件的方法目前广泛使用的是瞬变流分析的方法。但是，瞬变流分析由于比较依赖于目标管道系统或者模型的先验信息，而这类信息较难以完整获取，限制了此类方法的实际应用。
随着算力的提升和深度学习技术的快速发展，基于数据驱动的管道泄漏检测与定位算法得到了广泛研究和应用，成为目前解决漏损检测问题的主要技术趋势。但是，基于数据驱动的管道泄漏检测目前在模型建立、检测精度等方面还有大量的提升空间。
本申请的发明人，正是针对目前水网管道漏损检测中存在的泄漏信号较为复杂，噪声影响大，特征较难选取，导致检测精度降低等问题，由于管道漏损数据是典型的时间序列数据，水压数据会随着时间的变化而变化。因此，时序信息对该类数据的分析具有极其重要的影响。目前，深度学习模型被广泛用于时序分析任务中，例如循环神经网络(RNN)、时序卷积网络(TCN)和Transformer。然而，RNN和TCN主要关注捕捉临近时刻之间的变化，在长期时序关系上的建模能力不足。
Transformer虽然在建模长期时序关系上具有优势，但仅仅依靠离散时间点之间的注意力机制难以反映出时序信息的本质特征。考虑到供水管网数据是由多个复杂的内外因影响下，由多种不同状态相互叠加而生成的复杂时间序列，因此，本申请的发明人提出了基于注意力机制的序列模型Transformer的分时多频谱数据分割与时序特征融合的供水管网漏损检测方法，该方法能更好地表征时序数据的短时和长时依赖关系，在对泄漏信息进行分类预测的过程中，可以提升98％以上的精度。
本申请提供的管道漏损检测方法，旨在解决现有技术的如上技术问题。下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1是本申请实施例所提供的一种管道漏损检测方法的流程示意图，如图1所示，该方法包括：
S101，获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据。
S102，对多个上述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述管道漏损数据各自对应的分段时间序列。
S103，将多个上述管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个上述管道漏损数据各自对应的特征抽取结果。
S104，将多个上述管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到上述管道漏损检测模型输出的多个上述管道漏损数据各自对应的管道漏损检测结果。
如图2所示，本申请实施例为实现管道漏损检测，提出了一种分时多频谱数据分割方案，将多个管道漏损数据中各自复杂的时间变化序列，分割成多个分段时间序列，该分段时间序列可以理解为由一种频率占主导地位的简单时间序列，在对该分段时间序列进行进一步的特征学习处理时，即可无依赖关系。
可选的，分时多频谱数据分割处理是指将时间变化序列按照不同的频率进行划分，以便捕捉不同频率下的数据特征。
可选的，特征学习处理是指使用深度学习方法，如卷积神经网络、长短期记忆网络等，对分段时间序列进行自动特征提取。
本申请实施例，通过对多个管道漏损数据进行分时多频谱数据分割处理和特征学习处理，可以有效地提取管道漏损的特征信息，降低数据的维度和噪声，增强数据的可区分性。
一种示例中，预先训练得到的管道漏损检测模型是指使用已有的样本管道漏损数据和样本管道漏损检测结果，对神经网络模型进行训练和优化，以提高其泛化能力。可选的，上述管道漏损检测模型至少采用如下训练样本训练得到：多个样本管道漏损数据对应的样本特征抽取结果，以及上述样本特征抽取结果对应的样本管道漏损检测结果。
本申请实施例，通过使用预先训练得到的管道漏损检测模型，可以快速地对待检测管道进行漏损检测，输出多个管道漏损数据对应的检测结果，提高检测的准确性和效率。
作为一种可选的实施例，图2中所示的特征图学习模块具体可以包括：两个二维2D卷积层、两个激活函数ReLU层、两个池化MaxPool2d层和两个丢弃dropout层，可选的但不限于此的实施例中，两个卷积层的参数分别为(1,3,128)和(1,3,256)，池化层的窗口大小为2，丢弃层的丢弃率为0.5。
一种可选的实施例中，上述管道漏损检测模型输出的多个上述管道漏损数据各自对应的管道漏损检测结果，包括如下至少之一：
是否产生泄漏和/或损坏、泄漏位置、泄漏量和摩阻系数，其中，上述泄漏位置、泄漏量和摩阻系数是由上述管道漏损检测模型中的多层感知机预测得到的。
上述示例中，通过使用多层感知机作为管道漏损检测模型的核心组件，可以利用其强大的非线性拟合能力，对复杂的管道漏损数据进行预测，输出泄漏位置、泄漏量和摩阻系数等重要参数。该非线性拟合能力是指一种能够逼近任意复杂函数的能力。
可选的，上述多层感知机可以是由多个神经元层组成的预测组件。
可选的，上述泄漏位置、泄漏量和摩阻系数等重要参数是指反映管道漏损程度和影响因素的物理量。
采用本申请实施例，基于上述管道漏损检测模型输出多个管道漏损数据各自对应的管道漏损检测结果，可以更全面地反映管道的漏损状况，提高检测的可靠性和实用性。
具体的，通过输出是否产生泄漏和/或损坏，可以快速地判断管道是否存在漏损问题，避免不必要的开挖和修复，节约成本和时间。通过输出泄漏位置、泄漏量和摩阻系数，可以准确地定位和量化管道的漏损程度和影响因素，为管道的维护和优化提供依据和参考。通过使用多层感知机作为管道漏损检测模型中的预测组件，可以利用其强大的非线性拟合能力，对复杂的管道漏损数据进行预测，输出泄漏位置、泄漏量和摩阻系数等重要参数。
另一种可选的实施示例中，上述对多个上述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述管道漏损数据各自对应的分段时间序列，包括：
S201，对多个上述管道漏损数据中各自的时间变化序列，进行快递傅里叶变换，得到多个上述管道漏损数据各自的快递傅里叶变换结果。
S202，根据上述多个上述管道漏损数据各自的快递傅里叶变换结果，确定上述多个上述管道漏损数据各自的功率谱图。
S203，根据上述多个上述管道漏损数据各自的功率谱图，对多个上述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述管道漏损数据各自对应的分段时间序列。
通过对多个管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，可以有效地将时间序列数据转换为频域数据，以便提取管道漏损的频率特征，增强数据的可区分性，还样可以使得数据的特征不仅包括时间上的变化，还包括频率上的变化，从而更好地反映管道漏损的特性和规律。
通过对多个上述管道漏损数据中各自的时间变化序列，进行快速傅里叶变换，可以快速地计算出多个管道漏损数据各自的频谱图，反映出不同频率下的信号强度，以便分析管道漏损的频率成分。这样可以使得数据的特征能够在频域上进行量化和可视化，从而更容易地发现管道漏损的频率特征和异常情况。
通过根据功率谱图，对多个管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，可以根据不同频率下的功率值，将时间序列数据划分为不同的段落，以便捕捉不同频率下的数据特征。这样可以使得数据的特征能够在时间上进行细化和区分，从而更准确地反映管道漏损的动态过程和影响因素。
一种可选的实施例中，管道漏损数据中各自的时间变化序列x(t),其时间t取值为t＝0,1,2,3…T，T为时间长度，进行快递傅里叶变换，得到快递傅里叶变换结果：X＝FFT(x(t)),X表示快递傅里叶变换结果，包含频率、幅度等数据，FFT表示快速傅里叶变换。
根据上述快递傅里叶变换，计算出的快递傅里叶变换结果X，绘制得到该管道漏损数据对应的功率谱图如图3所示，其中，横坐标为频率(HZ)，纵坐标为功率(即幅度的平方)。
另一种示例中，根据上述多个上述管道漏损数据各自的功率谱图，对多个上述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述管道漏损数据各自对应的分段时间序列，包括：
S301，确定多个上述管道漏损数据各自的功率谱图上的功率值；
S302，对多个上述管道漏损数据各自的功率谱图上的功率值，分别进行排序处理，以基于排序结果选取多个上述管道漏损数据各自对应的N个频率；
S303，基于多个上述管道漏损数据各自对应的N个频率，对多个上述管道漏损数据中各自的时间变化序列进行分时多频谱数据分割处理，以得到多个上述管道漏损数据各自对应的分段时间序列，其中，每个上述分段时间序列以一个上述频率为主导。
从图3所示的频谱图中可以看出，按功率值由大到小排序，以基于排序结果选取多个上述管道漏损数据各自对应的N个频率。其中，N可以为预先设定或者自主选定的整数值。在本申请实施例中，N采用如下方式取值：
设X表示快递傅里叶变换结果，用Amp表示X的幅度，则该信号的能量(功率)Power可表示为：
Power＝Amp(X)2；
当Power(N)/Power>＝80％时，即可确定该N值，其中，Power(N)表示在功率值由大到小的排列结果中，选取前N个功率后获得的总能量。也即：当选取的能量占总能量的80％以上时，该信号已经包含了原始信号的最主要和最核心的信息，该N值随之确定。
之后采用数字带通滤波器，将x(t)分别进行滤波，获得滤波后的一组信号x(i)(t),i＝1…N。其中，x(i)(t)表示第i次滤波后的时序信号。通过上述步骤，共获得N段时序信号，每段信号均以某一频率为主导，可以保证每个分段时间序列具有较高的信噪比和较低的冗余度。
采用本申请上述实施例，通过根据多个管道漏损数据各自的功率谱图，对多个管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，可以有效地将时间序列数据按照不同的频率进行划分，以便提取管道漏损的频率特征，增强数据的可区分性。通过确定多个管道漏损数据各自的功率谱图上的功率值，可以反映出不同频率下的信号强度，以便分析管道漏损的频率成分。通过对多个管道漏损数据各自的功率谱图上的功率值，分别进行排序处理，以基于排序结果选取多个管道漏损数据各自对应的N个频率，基于多个管道漏损数据各自对应的N个频率，对多个管道漏损数据中各自的时间变化序列进行分时多频谱数据分割处理，以得到多个管道漏损数据各自对应的分段时间序列。
一种示例中，上述管道漏损检测方法还包括：
S401，通过对样本管道的管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，以构建得到上述样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果。
S402，对多个上述样本管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述样本管道漏损数据各自对应的样本分段时间序列。
S403，将多个上述样本管道漏损数据各自对应的样本分段时间序列，分别进行特征学习处理，对应得到多个上述样本管道漏损数据各自对应的样本特征抽取结果。
S404，基于多个样本管道漏损数据对应的样本特征抽取结果和上述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到上述管道漏损检测模型。
一种示例中，上述样本管道漏损数据可以采用输水管道泄漏模型确定，具体结构为水库－管道－阀门(RPV)系统，这是当前管道泄漏检测研究经典布置之一，如图4所示，上游恒定水位H0为30m，管道总长度L为1000m，管道直径D为0.1m，管道初始流量Q0为0.0025m3/s，恒定摩阻系数为0.0302，压力波的传播速度为1000m/s。
一种可选的实施例中，利用IAB(Instantaneous Acceleration－Based)模型对管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，构建了58581个不同泄漏情况下的样本管道漏损数据。
本申请实施例中，通过对样本管道的管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，可以有效地生成多个样本管道漏损数据和样本管道漏损检测结果，以便用于训练和优化管道漏损检测模型，提高其泛化能力和适应性；还可以使得管道漏损检测模型能够根据实际的管道漏损情况进行学习和调整，从而更好地适应不同的管道类型和环境条件。
之后，通过对多个样本管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，可以有效地将时间序列数据转换为频域数据，以便提取管道漏损的频率特征，增强数据的可区分性。并且，使得样本管道漏损数据能够反映出不同频率下的信号特征，从而更容易地区分不同的漏损情况。
进一步地，通过将多个样本管道漏损数据各自对应的样本分段时间序列，分别进行特征学习处理，可以有效地使用深度学习方法，如卷积神经网络、长短期记忆网络等，对分段时间序列进行自动特征提取，得到多个样本管道漏损数据各自对应的样本特征抽取结果。通过上述方式使得样本管道漏损数据能够利用深度学习技术，自动地学习并逼近复杂的管道漏损数据与检测结果之间的关系，提高特征的精度和稳定性。
最后，基于多个样本管道漏损数据对应的样本特征抽取结果和样本管道漏损检测结果，对初始神经网络模型进行迭代训练，可以有效地使用神经网络模型，如多层感知机、支持向量机等，对管道漏损数据进行分类或回归，得到管道漏损检测模型，上述方式得到的管道漏损检测模型能够利用神经网络模型的强大的非线性拟合能力，对复杂的管道漏损数据进行预测，输出泄漏位置、泄漏量和摩阻系数等重要参数。
作为一种可选的实施例，基于多个样本管道漏损数据对应的样本特征抽取结果和上述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到上述管道漏损检测模型，包括：
基于多个样本管道漏损数据对应的样本特征抽取结果和上述样本管道漏损检测结果，构造得到训练集、测试集和验证集；
采用误差反向传播算法，基于上述训练集对上述初始神经网络模型进行迭代训练，以确定上述管道漏损检测模型的各个模型参数值；
在迭代训练过程中，基于上述验证集评估上述管道漏损检测模型的性能，以根据过程性能评估结果对上述管道漏损检测模型进行调整；
在迭代训练结束后，基于上述测试集评估上述管道漏损检测模型的性能，以根据最终性能评估结果对上述管道漏损检测模型进行调整，得到上述管道漏损检测模型。
本申请实施例中，训练集经过特征学习模块进行处理之后，直接调用已经预训练好的Transformer网络模型，其中，该网络模型中串联一个2层的多层感知机MLP，通过Softmax进行预测输出。可选的，本申请实施例中，可以8:1:1的比例构造训练集、测试集和验证集，训练集用于模型训练，从而确定网络模型的各参数值。这样，可以有效地将样本数据划分为不同的子集，以便用于训练、测试和验证神经网络模型，提高其泛化能力和适应性。
通过基于多个样本管道漏损数据对应的样本特征抽取结果和样本管道漏损检测结果，对初始神经网络模型进行迭代训练，可以使得管道漏损检测模型能够利用神经网络模型的强大的非线性拟合能力，对复杂的管道漏损数据进行预测，输出泄漏位置、泄漏量和摩阻系数等重要参数。
一种可选的示例中，训练过程采用误差反向传播算法不断进行权重的更新迭代，在迭代过程中，使损失函数值达到最小。本申请实施例具体可以选择使用交叉熵损失函数进行优化迭代。即：
其中，loss为网络迭代过程中的交叉熵损失，p(x)为真实的概率，q(x)为模型实际输出概率。
通过采用误差反向传播算法，基于训练集对初始神经网络模型进行迭代训练，以确定管道漏损检测模型的各个模型参数值，可以有效地使用一种优化算法，根据训练数据和预期输出，不断地调整神经网络模型的权重和偏置等参数，以最小化预测误差。
此外，本申请实施例使用验证集评估管道漏损检测模型的性能，在训练过程中根据实际情况对管道漏损检测模型进行调整，以提高管道漏损检测模型的性能；测试集用于对管道漏损检测模型最终性能的评估。
通过在迭代训练过程中，基于验证集评估管道漏损检测模型的性能，以根据过程性能评估结果对管道漏损检测模型进行调整，可以有效地使用一种评估方法，根据验证数据和预期输出，不断地监控神经网络模型的表现，以防止过拟合或欠拟合等问题。在迭代训练结束后，基于测试集评估管道漏损检测模型的性能，以根据最终性能评估结果对管道漏损检测模型进行调整，得到管道漏损检测模型，可以有效地使用一种评估方法，根据测试数据和预期输出，最终地确定神经网络模型的优劣，以保证其在未知数据上的表现。
一种可选的实施例汇中，可以利用精确率P、召回率R、F1值(F1值是一个常用指标，具体是精确率和召回率的调和均值)等3个指标对管道漏损检测模型进行评估。其中，精确率P为真实为正样本预测为正样本占所有预测为正样本的比例，召回率R为真实为正样本预测为正样本占实际正样本的比例，F1值综合考虑了精确率和召回率两个评价指标，其范围为[0，1]，当值越接近1则说明管道漏损检测模型的分类能力越好。各评价指标的计算公式如下:
上式中，TP为真实为正样本，预测为正样本；FP为真实为负样本，预测为正样本；FN为真实为正样本，预测为负样本；TN指的是真实为负样本，预测为负样本。
本申请实施例，还提供了一种管道漏损检测模型的训练方法的实施例，图5是本申请实施例所提供的一种管道漏损检测模型的训练方法的流程示意图，如图5所示，上述方法包括：
S501，确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果。
S502，对多个上述样本管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述样本管道漏损数据各自对应的样本分段时间序列。
S503，将多个上述样本管道漏损数据各自对应的样本分段时间序列，分别进行特征学习处理，对应得到多个上述样本管道漏损数据各自对应的样本特征抽取结果。
S504，基于多个样本管道漏损数据对应的样本特征抽取结果和上述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到上述管道漏损检测模型。
一种可选的实施例中，上述确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果，包括：
通过对上述样本管道的管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，以构建得到上述样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果。
一种示例中，上述样本管道漏损数据可以采用输水管道泄漏模型，结构为水库－管道－阀门(RPV)系统，这是当前管道泄漏检测研究经典布置之一，如图4所示，上游恒定水位H0为30m，管道总长度L为1000m，管道直径D为0.1m，管道初始流量Q0为0.0025m3/s，恒定摩阻系数为0.0302，压力波的传播速度为1000m/s。，利用IAB(InstantaneousAcceleration－Based)模型对管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，构建了58581个不同泄漏情况下的样本数据。
本申请实施例中，通过对样本管道的管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，可以有效地生成多个样本管道漏损数据和样本管道漏损检测结果，以便用于训练和优化管道漏损检测模型，提高其泛化能力和适应性；还可以使得管道漏损检测模型能够根据实际的管道漏损情况进行学习和调整，从而更好地适应不同的管道类型和环境条件。
进一步地，通过对多个样本管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，可以有效地将时间序列数据转换为频域数据，以便提取管道漏损的频率特征，增强数据的可区分性。并且，使得样本管道漏损数据能够反映出不同频率下的信号特征，从而更容易地区分不同的漏损情况。并且，通过上述步骤对样本管道漏损数据进行预处理，以便进行特征学习处理。
更进一步地，通过将多个样本管道漏损数据各自对应的样本分段时间序列，分别进行特征学习处理，可以有效地使用深度学习方法，如卷积神经网络、长短期记忆网络等，对分段时间序列进行自动特征提取，得到多个样本管道漏损数据各自对应的样本特征抽取结果。通过上述方式使得样本管道漏损数据能够利用深度学习技术，自动地学习并逼近复杂的管道漏损数据与检测结果之间的关系，提高特征的精度和稳定性。
最后，基于多个样本管道漏损数据对应的样本特征抽取结果和样本管道漏损检测结果，对初始神经网络模型进行迭代训练，可以有效地使用神经网络模型，如多层感知机、支持向量机等，对管道漏损数据进行分类或回归，得到管道漏损检测模型，上述方式得到的管道漏损检测模型能够利用神经网络模型的强大的非线性拟合能力，对复杂的管道漏损数据进行预测，输出泄漏位置、泄漏量和摩阻系数等重要参数。
作为一种可选的实施例，基于多个样本管道漏损数据对应的样本特征抽取结果和上述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到上述管道漏损检测模型，包括：
S701，基于多个样本管道漏损数据对应的样本特征抽取结果和上述样本管道漏损检测结果，构造得到训练集、测试集和验证集；
S702，采用误差反向传播算法，基于上述训练集对上述初始神经网络模型进行迭代训练，以确定上述管道漏损检测模型的各个模型参数值；
S703，在迭代训练过程中，基于上述验证集评估上述管道漏损检测模型的性能，以根据过程性能评估结果对上述管道漏损检测模型进行调整；
S704，在迭代训练结束后，基于上述测试集评估上述管道漏损检测模型的性能，以根据最终性能评估结果对上述管道漏损检测模型进行调整，得到上述管道漏损检测模型。
通过上述实施例，对上述管道漏损检测模型进行实时调制、更新，可以有效地使得管道漏损检测模型能够根据实时的管道运行数据进行学习和调整，从而更好地适应管道的变化和漏损的发生，提高其检测的准确性和实时性。这一步骤是为了使得管道漏损检测模型能够及时地反映出管道运行状态的变化，以便对可能出现的漏损进行预警和处理。
此外，还可以有效地利用在线学习方法，如增量学习、迁移学习等，对管道漏损检测模型进行动态优化，以便在不丢失原有知识的基础上，快速地适应新的数据和任务。使得管道漏损检测模型能够在不断地接收新数据的同时，不断地更新自身的参数和结构，以便提高其泛化能力和适应性。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
根据本申请的一个或多个实施例，提供了一种管道漏损检测装置，图6为本申请实施例提供的一种管道漏损检测装置的结构框图，如图6所示，上述装置包括：
获取模块601，用于获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据；
第一处理模块602，用于对多个上述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述管道漏损数据各自对应的分段时间序列；
第二处理模块603，用于将多个上述管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个上述管道漏损数据各自对应的特征抽取结果；
确定模块604，用于将多个上述管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到上述管道漏损检测模型输出的多个上述管道漏损数据各自对应的管道漏损检测结果。
根据本申请的一个或多个实施例，上述管道漏损检测模型的训练样本至少包括：多个样本管道漏损数据对应的样本特征抽取结果，以及上述样本特征抽取结果对应的样本管道漏损检测结果；
上述管道漏损检测模型输出的多个上述管道漏损数据各自对应的管道漏损检测结果，包括如下至少之一：是否产生泄漏和/或损坏、泄漏位置、泄漏量和摩阻系数，其中，上述泄漏位置、泄漏量和摩阻系数是由上述管道漏损检测模型中的多层感知机预测得到的。
根据本申请的一个或多个实施例，上述第一处理模块，包括：
变换处理单元，用于对多个上述管道漏损数据中各自的时间变化序列，进行快递傅里叶变换，得到多个上述管道漏损数据各自的快递傅里叶变换结果；
确定单元，用于根据上述多个上述管道漏损数据各自的快递傅里叶变换结果，确定上述多个上述管道漏损数据各自的功率谱图；
分割处理单元，用于根据上述多个上述管道漏损数据各自的功率谱图，对多个上述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述管道漏损数据各自对应的分段时间序列。
根据本申请的一个或多个实施例，分割处理单元，包括：
确定子单元，用于确定多个上述管道漏损数据各自的功率谱图上的功率值；
排序子单元，用于对多个上述管道漏损数据各自的功率谱图上的功率值，分别进行排序处理，以基于排序结果选取多个上述管道漏损数据各自对应的N个频率；
分割子单元，用于基于多个上述管道漏损数据各自对应的N个频率，对多个上述管道漏损数据中各自的时间变化序列进行分时多频谱数据分割处理，以得到多个上述管道漏损数据各自对应的分段时间序列，其中，每个上述分段时间序列以一个上述频率为主导。
根据本申请的一个或多个实施例，上述管道漏损检测装置还包括：
模拟模块，用于通过对样本管道的管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，以构建得到上述样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果；
分割处理模块，用于对多个上述样本管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个上述样本管道漏损数据各自对应的样本分段时间序列；
特征学习模块，用于将多个上述样本管道漏损数据各自对应的样本分段时间序列，分别进行特征学习处理，对应得到多个上述样本管道漏损数据各自对应的样本特征抽取结果；
训练模块，用于基于多个样本管道漏损数据对应的样本特征抽取结果和上述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到上述管道漏损检测模型。
根据本申请的一个或多个实施例，上述训练模块，包括：
构造单元，用于基于多个样本管道漏损数据对应的样本特征抽取结果和上述样本管道漏损检测结果，构造得到训练集、测试集和验证集；
训练单元，用于采用误差反向传播算法，基于上述训练集对上述初始神经网络模型进行迭代训练，以确定上述管道漏损检测模型的各个参数值；
验证单元，用于在迭代训练过程中，基于上述验证集评估上述管道漏损检测模型的性能，以根据过程性能评估结果对上述管道漏损检测模型进行调整；
测试单元，用于在迭代训练结束后，基于上述测试集评估上述管道漏损检测模型的性能，得到上述管道漏损检测模型的最终性能评估结果。
在示例性实施例中，本申请实施例还提供了一种电子设备，包括：处理器，以及与上述处理器连接的存储器；
上述存储器存储计算机执行指令；
上述处理器执行上述存储器存储的计算机执行指令，以实现如任一项上述的方法。
在示例性实施例中，本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质中存储有计算机执行指令，上述计算机执行指令被处理器执行时用于实现如任一项上述的方法。
在示例性实施例中，本申请实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现任一项上述的方法。
为了实现上述实施例，本申请实施例还提供了一种电子设备。参考图7，其示出了适于用来实现本申请实施例的电子设备700的结构示意图，该电子设备700可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、消息收发设备，游戏控制台，医疗设备，健身设备，个人数字助理(Personal DigitalAssistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(Portable Media Player，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(Read Only Memory，简称ROM)702中的程序或者从存储装置708加载到随机访问存储器(Random Access Memory，简称RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本申请实施例的方法中限定的上述功能。
需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质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装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行装置或设备使用或与指令执行装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种管道漏损检测方法，其特征在于，所述方法包括：
获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据；
对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列；
将多个所述管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个所述管道漏损数据各自对应的特征抽取结果；
将多个所述管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果。
2.根据权利要求1所述的方法，其特征在于，
所述管道漏损检测模型至少采用如下训练样本训练得到：多个样本管道漏损数据对应的样本特征抽取结果，以及所述样本特征抽取结果对应的样本管道漏损检测结果；
所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果，包括如下至少之一：是否产生泄漏和/或损坏、泄漏位置、泄漏量和摩阻系数，其中，所述泄漏位置、泄漏量和摩阻系数是由所述管道漏损检测模型中的多层感知机预测得到的。
3.根据权利要求1所述的方法，其特征在于，所述对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
对多个所述管道漏损数据中各自的时间变化序列，进行快递傅里叶变换，得到多个所述管道漏损数据各自的快递傅里叶变换结果；
根据所述多个所述管道漏损数据各自的快递傅里叶变换结果，确定所述多个所述管道漏损数据各自的功率谱图；
根据所述多个所述管道漏损数据各自的功率谱图，对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列。
4.根据权利要求3所述的方法，其特征在于，根据所述多个所述管道漏损数据各自的功率谱图，对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
确定多个所述管道漏损数据各自的功率谱图上的功率值；
对多个所述管道漏损数据各自的功率谱图上的功率值，分别进行排序处理，以基于排序结果选取多个所述管道漏损数据各自对应的N个频率；
基于多个所述管道漏损数据各自对应的N个频率，对多个所述管道漏损数据中各自的时间变化序列进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，其中，每个所述分段时间序列以一个所述频率为主导。
5.一种管道漏损检测模型的训练方法，其特征在于，所述方法包括：
确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果；
对多个所述样本管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述样本管道漏损数据各自对应的样本分段时间序列；
将多个所述样本管道漏损数据各自对应的样本分段时间序列，分别进行特征学习处理，对应得到多个所述样本管道漏损数据各自对应的样本特征抽取结果；
基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到所述管道漏损检测模型。
6.根据权利要求5所述的方法，其特征在于，确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果，包括：
通过对所述样本管道的管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，以构建得到所述样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果。
7.根据权利要求5所述的方法，其特征在于，基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到所述管道漏损检测模型，包括：
基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，构造得到训练集、测试集和验证集；
采用误差反向传播算法，基于所述训练集对所述初始神经网络模型进行迭代训练，以确定所述管道漏损检测模型的各个参数值；
在迭代训练过程中，基于所述验证集评估所述管道漏损检测模型的性能，以根据过程性能评估结果对所述管道漏损检测模型进行调整；
在迭代训练结束后，基于所述测试集评估所述管道漏损检测模型的性能，得到所述管道漏损检测模型的最终性能评估结果。
8.一种管道漏损检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据；
第一处理模块，用于对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列；
第二处理模块，用于将多个所述管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个所述管道漏损数据各自对应的特征抽取结果；
确定模块，用于将多个所述管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果，其中，所述管道漏损检测模型的训练样本至少包括：多个样本管道漏损数据对应的样本特征抽取结果，以及所述样本特征抽取结果对应的样本管道漏损检测结果。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至4中任一项所述的管道漏损检测方法，或者权利要求5至7中任一项所述的管道漏损检测模型的训练方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6中任一项所述的管道漏损检测方法，或者权利要求5至7中任一项所述的管道漏损检测模型的训练方法。
CN202311246248.1A 2023-09-25 2023-09-25 管道漏损检测方法、装置、电子设备及存储介质 Pending CN117332324A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311246248.1A CN117332324A (zh) 2023-09-25 2023-09-25 管道漏损检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311246248.1A CN117332324A (zh) 2023-09-25 2023-09-25 管道漏损检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117332324A true CN117332324A (zh) 2024-01-02

Family

ID=89289502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311246248.1A Pending CN117332324A (zh) 2023-09-25 2023-09-25 管道漏损检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117332324A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648594A (zh) * 2024-01-29 2024-03-05 长沙市海图科技有限公司 一种城市安全燃气管网缺陷识别与管理方法
CN118312726A (zh) * 2024-05-30 2024-07-09 中铁四局集团有限公司 探地雷达数据实时评估方法及系统、训练方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648594A (zh) * 2024-01-29 2024-03-05 长沙市海图科技有限公司 一种城市安全燃气管网缺陷识别与管理方法
CN117648594B (zh) * 2024-01-29 2024-04-05 长沙市海图科技有限公司 一种城市安全燃气管网缺陷识别与管理方法
CN118312726A (zh) * 2024-05-30 2024-07-09 中铁四局集团有限公司 探地雷达数据实时评估方法及系统、训练方法及系统

Similar Documents

Publication Publication Date Title
Guo et al. Leakage detection in water distribution systems based on time–frequency convolutional neural network
CN111860573B (zh) 模型训练方法、图像类别检测方法、装置和电子设备
Yang et al. Novel leakage detection by ensemble 1DCNN-VAPSO-SVM in oil and gas pipeline systems
CN117332324A (zh) 管道漏损检测方法、装置、电子设备及存储介质
US10460747B2 (en) Frequency based audio analysis using neural networks
CN105546352A (zh) 基于声音信号的天然气管道微泄漏检测方法
Sony et al. Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network
CN116805061B (zh) 基于光纤传感的泄漏事件判断方法
Campos et al. Nonlinear wave ensemble averaging in the Gulf of Mexico using neural networks
Wang et al. Pipeline leak detection method based on acoustic-pressure information fusion
Ma et al. A novel broad learning system based leakage detection and universal localization method for pipeline networks
CN117275209B (zh) 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
CN115949891B (zh) 一种lng加气站智能控制系统及其控制方法
Tijani et al. Gene expression programming based mathematical modeling for leak detection of water distribution networks
Bohorquez et al. Stochastic resonance enhancement for leak detection in pipelines using fluid transients and convolutional neural networks
CN113125135A (zh) 旋转机械的故障诊断方法、存储介质及电子设备
CN113886181A (zh) 应用于AIOps故障预警的动态阈值预测方法、设备及介质
CN117171657A (zh) 风力发电设备故障诊断方法、装置、电子设备及存储介质
CN111365624A (zh) 一种输卤管道泄漏检测的智能终端与方法
Zhao et al. Liquid-filled pipeline leak detection and localization based on multi-scale residual networks
CN109945075B (zh) 一种供水管道泄漏程度检测方法及装置
Zhang et al. The method for determining optimal analysis length of vibration data based on improved multiscale permutation entropy
CN115391746A (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
CN117009801A (zh) 一种流量预测模型训练方法、检测方法、系统及存储介质
Yang et al. Research on pattern recognition method of blockage signal in pipeline based on LMD information entropy and ELM

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