CN117370818B - 基于人工智能的供排水管网智能诊断方法及智慧环保系统 - Google Patents
基于人工智能的供排水管网智能诊断方法及智慧环保系统 Download PDFInfo
- Publication number
- CN117370818B CN117370818B CN202311649818.1A CN202311649818A CN117370818B CN 117370818 B CN117370818 B CN 117370818B CN 202311649818 A CN202311649818 A CN 202311649818A CN 117370818 B CN117370818 B CN 117370818B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- pipe network
- sensing monitoring
- network
- monitoring data
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 466
- 238000012544 monitoring process Methods 0.000 claims abstract description 344
- 238000009826 distribution Methods 0.000 claims abstract description 229
- 238000005065 mining Methods 0.000 claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 100
- 238000013528 artificial neural network Methods 0.000 claims description 72
- 230000000694 effects Effects 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 24
- 230000005764 inhibitory process Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 31
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 79
- 235000019580 granularity Nutrition 0.000 description 66
- 230000005856 abnormality Effects 0.000 description 11
- 230000001953 sensory effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000013526 transfer learning Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于人工智能的供排水管网智能诊断方法及智慧环保系统。通过本发明,将拟进行故障诊断处理的供排水管网传感监测数据报告通过异常状态挖掘网络分析,生成待分析异常管网单元分布关系网和对应的待诊断异常传感监测状态语义变量,进而细化为异常传感监测局部状态语义变量,并结合历史经验证的数据进行联动分析,这整个流程提升了故障检测的精确度与效率。通过智能化地对实时数据进行解析并与历史案例相对照,能够快速锁定潜在故障区域,预测故障原因。这种方法使得故障处理更加主动和具有预防性,有助于减少供排水系统的停机时间、降低维修成本,并且长期来看,可以有效延长管网设施的使用寿命。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种基于人工智能的供排水管网智能诊断方法及智慧环保系统。
背景技术
随着城市化进程的加快,供排水管网系统在城市基础设施中发挥着越来越重要的作用。然而,随着管网年限的增长和复杂度的提升,故障和异常状态的出现频率也相应增高。传统的供排水管网故障检测方法主要依赖于定期巡检或者是用户报告等被动方式,这些方法往往效率低下,不能实时准确地定位故障和预测故障原因,导致了处理故障的响应时间长,修复成本高,且容易造成资源浪费和环境污染。
近年来,随着物联网技术的发展,供排水管网系统开始广泛部署传感器,通过监测数据可以实时掌握管网运行状况。然而,如何有效地分析海量监测数据、及时发现异常状态并进行故障诊断,仍然是一个亟待解决的技术问题。为了克服上述问题,开发一种新的智能诊断方法显得尤为迫切和必要。
发明内容
本发明至少提供一种基于人工智能的供排水管网智能诊断方法及智慧环保系统。
本发明的技术方案是通过如下至少部分实施例实现的。
一种基于人工智能的供排水管网智能诊断方法,应用于智慧环保系统,所述方法包括:
将拟进行故障诊断处理的供排水管网传感监测数据报告录入异常状态挖掘网络,得到所述供排水管网传感监测数据报告对应的待分析异常管网单元分布关系网以及所述供排水管网传感监测数据报告对应的待诊断异常传感监测状态语义变量;
依据所述待分析异常管网单元分布关系网以及所述待诊断异常传感监测状态语义变量,得到所述供排水管网传感监测数据报告的异常传感监测局部状态语义变量;
将所述供排水管网传感监测数据报告的异常传感监测局部状态语义变量以及已认证供排水管网传感监测数据报告的异常传感监测局部状态语义变量进行故障诊断联动分析,得到供排水管网故障诊断观点。
优选的,所述异常状态挖掘网络的调试方法包括:
将第一供排水管网传感监测数据报告案例录入完成调试的第一神经网络进行异常传感监测状态语义变量挖掘,得到所述第一供排水管网传感监测数据报告案例二元组应的第一异常管网单元分布关系网,以及所述第一供排水管网传感监测数据报告案例二元组应的第一异常传感监测状态语义变量;
将第二供排水管网传感监测数据报告案例录入待调试的第二神经网络进行异常传感监测状态语义变量挖掘,得到所述第二供排水管网传感监测数据报告案例二元组应的第二异常管网单元分布关系网,以及所述第二供排水管网传感监测数据报告案例二元组应的第二异常传感监测状态语义变量;其中,所述第一供排水管网传感监测数据报告案例以及所述第二供排水管网传感监测数据报告案例皆通过对目标供排水管网传感监测数据报告案例进行文本细粒度更新得到,且所述第一供排水管网传感监测数据报告案例的第一文本细粒度大于所述第二供排水管网传感监测数据报告案例的第二文本细粒度;
依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数;
依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数;
依据所述分布关系代价函数以及所述状态语义代价函数对所述待调试的第二神经网络进行调试处理,得到用于挖掘异常传感监测状态语义变量的异常状态挖掘网络。
优选的,所述第一异常管网单元分布关系网的文本细粒度为所述第一文本细粒度,所述第二异常管网单元分布关系网的文本细粒度为所述第二文本细粒度;
所述依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数,包括:
对所述第一异常管网单元分布关系网进行特征投影,得到所述第二文本细粒度的异常管网单元映射关系网;所述异常管网单元映射关系网中的各异常管网单元在所述第一异常管网单元分布关系网中的对应位置中满足设定活跃度要求;
确定至少一个联动异常管网单元二元组;所述联动异常管网单元二元组中包括所述异常管网单元映射关系网中的第一异常管网单元,以及所述第二异常管网单元分布关系网中的第二异常管网单元,所述第一异常管网单元在所述异常管网单元映射关系网中的分布特征与所述第二异常管网单元在所述第二异常管网单元分布关系网中的分布特征一致,且所述第一异常管网单元对应的活跃性评价值大于所述第二异常管网单元对应的活跃性评价值;
依据所述至少一个联动异常管网单元二元组中所述第一异常管网单元的活跃性评价值与所述第二异常管网单元的活跃性评价值的评价值区别,确定所述分布关系代价函数。
优选的,所述第一文本细粒度为所述第二文本细粒度的设定倍数;所述对所述第一异常管网单元分布关系网进行特征投影,得到所述第二文本细粒度的异常管网单元映射关系网,包括:
确定所述第一异常管网单元分布关系网中的至少一个目标文本掩码框;每个目标文本掩码框中包括设定个数的异常管网单元;所述设定个数为所述设定倍数的平方;
确定所述每个目标文本掩码框中的目标异常管网单元;所述目标异常管网单元的活跃性评价值不小于所述每个目标文本掩码框中其他异常管网单元的活跃性评价值;
依据所述每个目标文本掩码框的目标异常管网单元,得到所述异常管网单元映射关系网。
优选的,所述依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数,包括:
确定每个联动异常管网单元二元组中的第一异常管网单元在所述第一异常管网单元分布关系网中的第一分布特征数据,以及确定所述每个联动异常管网单元二元组中的第二异常管网单元在所述第二异常管网单元分布关系网中的第二分布特征数据;
依据所述第一异常传感监测状态语义变量以及所述第一分布特征数据,确定所述第一异常管网单元对应的第一异常管网单元状态向量;
依据所述第二异常传感监测状态语义变量以及所述第二分布特征数据,确定所述第二异常管网单元确定的第二异常管网单元状态向量;
依据所述第一异常管网单元状态向量以及所述第二异常管网单元状态向量的状态向量区别,确定所述状态语义代价函数。
优选的,所述第一异常管网单元分布关系网包括多个阶段对应的第一异常管网单元分布关系网,所述第二异常管网单元分布关系网包括多个阶段对应的第二异常管网单元分布关系网;不同阶段对应的第一异常管网单元分布关系网的文本细粒度不同,不同阶段对应的第二异常管网单元分布关系网的文本细粒度不同;
所述依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数,包括:
将每个阶段对应的第一异常管网单元分布关系网以及所述每个阶段对应的第二异常管网单元分布关系网进行分布代价处理,得到所述每个阶段对应的分布代价数据;
依据所述多个阶段分别对应的分布代价数据,确定所述分布关系代价函数。
优选的,所述第一异常传感监测状态语义变量包括多个阶段对应的第一异常传感监测状态语义变量,所述第二异常传感监测状态语义变量包括多个阶段对应的第二异常传感监测状态语义变量;不同阶段对应的第一异常传感监测状态语义变量的文本细粒度不同,不同阶段对应的第二异常传感监测状态语义变量的文本细粒度不同;
所述依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数,包括:
将每个阶段对应的第一异常传感监测状态语义变量以及所述每个阶段对应的第二异常传感监测状态语义变量进行状态代价处理,得到所述每个阶段对应的状态代价数据;
依据所述多个阶段分别对应的状态代价数据,确定所述状态语义代价函数。
优选的,所述第二供排水管网传感监测数据报告案例包括多个报告案例调试二元组,每个报告案例调试二元组中包括初始传感监测数据报告案例以及牵涉传感监测数据报告案例,所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的积极调试案例或者消极调试案例;
所述依据所述分布关系代价函数以及所述状态语义代价函数对所述待调试的第二神经网络进行调试处理,得到用于挖掘异常传感监测状态语义变量的异常状态挖掘网络,包括:
依据所述初始传感监测数据报告案例对应的第二异常管网单元分布关系网以及所述初始传感监测数据报告案例对应的第二异常传感监测状态语义变量,确定初始异常传感监测状态语义变量;
依据所述牵涉传感监测数据报告案例对应的第二异常管网单元分布关系网以及所述牵涉传感监测数据报告案例对应的第二异常传感监测状态语义变量,确定牵涉异常传感监测状态语义变量;
依据所述初始异常传感监测状态语义变量以及所述牵涉异常传感监测状态语义变量生成联合代价指标;
在所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的积极调试案例的基础上,依据所述联合代价指标确定第一联合代价数据;
在所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的消极调试案例的基础上,依据所述联合代价指标以及噪声代价数据确定第二联合代价数据;所述噪声代价数据用于过滤存在噪声的消极调试案例的调试代价;
依据所述分布关系代价函数、所述状态语义代价函数、所述第一联合代价数据或所述第二联合代价数据对所述待调试的第二神经网络进行调试处理,得到所述异常状态挖掘网络。
优选的,所述目标供排水管网传感监测数据报告案例包括多个供排水管网传感监测数据报告案例;所述依据所述联合代价指标确定第一联合代价数据,包括:
对所述多个供排水管网传感监测数据报告案例进行二元组生成,得到多个供排水管网传感监测数据报告案例二元组;
对每个供排水管网传感监测数据报告案例二元组中的第一传感监测数据报告案例进行报告文本优化,得到第一传感监测数据报告优化案例;
对所述每个供排水管网传感监测数据报告案例二元组中的第二传感监测数据报告案例进行报告文本优化,得到第二传感监测数据报告优化案例;
依据所述每个供排水管网传感监测数据报告案例二元组所对应的第一传感监测数据报告优化案例以及所述第二传感监测数据报告优化案例,生成过拟合抑制代价;所述过拟合抑制代价反映在所述第一传感监测数据报告案例与所述第二传感监测数据报告案例类似的基础上,所述第一传感监测数据报告优化案例以及所述第二传感监测数据报告优化案例也类似;
依据所述联合代价数据以及所述过拟合抑制代价生成所述第一联合代价数据。
一种智慧环保系统,包括:处理器、存储器以及网络接口;所述处理器与所述存储器、所述网络接口相连;所述网络接口用于提供数据通信功能,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行上述方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时执行上述方法。
一种计算机程序产品,包括计算机程序或计算机可执行指令,所述计算机程序或计算机可执行指令被处理器执行时,实现上述方法。
本发明将拟进行故障诊断处理的供排水管网传感监测数据报告通过异常状态挖掘网络分析,生成待分析异常管网单元分布关系网和对应的待诊断异常传感监测状态语义变量,进而细化为异常传感监测局部状态语义变量,并结合历史经验证的数据进行联动分析,这整个流程提升了故障检测的精确度与效率。通过智能化地对实时数据进行解析并与历史案例相对照,能够快速锁定潜在故障区域,预测故障原因。这种方法使得故障处理更加主动和具有预防性,有助于减少供排水系统的停机时间、降低维修成本,并且长期来看,可以有效延长管网设施的使用寿命。
进一步地,本发明在调试得到针对第一文本细粒度的供排水管网传感监测数据报告的第一神经网络的前提下,基于迁移学习,指示针对第二文本细粒度的供排水管网传感监测数据报告的第二神经网络进行调试,第一文本细粒度大于第二文本细粒度,并且分别在供排水管网传感监测数据报告的异常管网单元识别以及异常传感监测状态语义变量挖掘两个维度进行指示调试,基于分布关系代价函数以及状态语义代价函数对第二神经网络进行调试,使得针对低文本细粒度的供排水管网传感监测数据报告的第二神经网络能够掌握针对高文本细粒度的第一神经网络的运行能力;从而在对低文本细粒度的供排水管网传感监测数据报告进行异常传感监测局部状态语义变量挖掘时,在确保时效性的前提下,实现了通过高文本细粒度的供排水管网传感监测数据报告的运行能力提升异常传感监测局部状态语义变量挖掘的精度,能够快速、准确低实现异常传感监测局部状态语义变量的挖掘,从而为之后的故障诊断联动分析提供准确、可信的分析依据。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本发明的技术方案。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本发明的实施例,并与说明书一起用于说明本发明的技术方案。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例所提供的一种智慧环保系统的示意图。
图2示出了本发明实施例所提供的一种基于人工智能的供排水管网智能诊断方法的流程图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
图1示出了本发明实施例所提供的一种智慧环保系统的示意图,智慧环保系统100包括处理器110、存储器120以及网络接口130。所述处理器110与所述存储器120、所述网络接口130相连。进一步地,所述网络接口130用于提供数据通信功能,所述存储器120用于存储程序代码,所述处理器110用于调用所述程序代码,以执行基于人工智能的供排水管网智能诊断方法。
智慧环保系统是一种先进的人工智能平台,旨在通过自动化和智能化手段提高环境监测和管理的效率。它结合了物联网技术、大数据分析和深度学习,以便对环境中的各种异常状态进行实时监测、预测和响应。
智慧环保系统的示例性系统组成如下:
1)传感网络:部署在城市供排水系统等关键位置的传感器,用于收集各种监测数据,如水质参数、流量、压力等;
2)数据处理中心:负责收集传感网络的数据,并进行初步的清洗和格式化,为后续分析准备数据;
3)深度学习模块:包含多个神经网络(例如第一神经网络和第二神经网络),用于学习和识别异常状态的特征;
4)调试和优化引擎:根据给定的代价函数和调试案例,自动调整深度学习模块中神经网络的参数;
5)用户界面:使得环保人员能够与系统交互,查看监测数据报告,以及调整监测策略。
智慧环保系统的系统功能和步骤执行如下:
1)数据收集:通过传感网络实时收集供排水管网的监测数据,包括不同粒度和阶段的数据;
2)异常检测:利用深度学习模块分析收集到的数据,识别可能的异常状态,如水质突变或压力异常;
3)性能评估:使用分布关系代价函数和状态语义代价函数评估异常检测结果的准确性,生成调试案例;
4)智能调试:通过调试和优化引擎根据积极和消极调试案例来调整神经网络,改进异常状态挖掘网络的性能;
5)结果反馈:将调试后的监测结果和推荐行动反馈给环保人员,支持决策制定和快速响应。
智慧环保系统的优势:
1)实时监测:系统能够24/7不间断地监测环境状况,快速发现问题;
2)预测能力:利用深度学习算法,系统不仅能够检测当前的异常,还能预测未来可能出现的环境风险;
3)自我优化:系统通过持续学习和自我调整,不断提升监测和预警的准确性;
4)减少误报:调试过程中考虑噪声和误导信息,有助于减少错误报警,提高报告的可靠性;
5)用户友好:界面简洁直观,便于环保人员操作和获取所需信息
图2是示出可以实现本发明的实施例的基于人工智能的供排水管网智能诊断方法的流程示意图,基于人工智能的供排水管网智能诊断方法可以通过图1所示的智慧环保系统100实现,基于人工智能的供排水管网智能诊断方法示例性地包括步骤110-步骤130。
步骤110、将拟进行故障诊断处理的供排水管网传感监测数据报告录入异常状态挖掘网络,得到所述供排水管网传感监测数据报告对应的待分析异常管网单元分布关系网以及所述供排水管网传感监测数据报告对应的待诊断异常传感监测状态语义变量。
步骤120、依据所述待分析异常管网单元分布关系网以及所述待诊断异常传感监测状态语义变量,得到所述供排水管网传感监测数据报告的异常传感监测局部状态语义变量。
步骤130、将所述供排水管网传感监测数据报告的异常传感监测局部状态语义变量以及已认证供排水管网传感监测数据报告的异常传感监测局部状态语义变量进行故障诊断联动分析,得到供排水管网故障诊断观点。
为了更好地说明步骤110的过程,可以通过一个例子来进行阐述。
例如,有一份供排水管网的传感监测数据报告,该报告包含以下信息:
传感器ID:S1、S2、S3……Sn;
监测时间点:T1、T2、T3……Tm;
监测参数:水压(P)、流量(Q)、水质参数(如PH值);
参数读数:各个时间点各个传感器的具体数值。
在步骤110中,需要对这份报告进行处理,以发现可能存在的异常状态。
在上述内容的基础上,异常状态挖掘网络是一个专门设计用于识别异常模式和关联的网络。它可以基于机器学习或规则引擎来构建,其目标是自动检测数据中可能指示问题的信号。异常状态挖掘网络可以是一个深度学习模型,它被训练识别供排水系统中正常运行与异常状况之间的差异。例如,它可能已经学会了正常水压和流量的范围,并能够识别出超出这些范围的读数。
进一步地,就待分析异常管网单元分布关系网而言,在得到异常状态后,将其与管网中的实际物理位置相关联,形成一个单元分布关系网,它展示了哪些管网单元显示异常,并可能指出这些异常之间是否存在某种关联。
例如,传感器S3和S4连续记录到低于正常水压值的情况,而它们位于相同的分支管网上,异常管网单元分布关系网就会将这两个单元关联起来,提示可能存在共同的故障源。
就待诊断异常传感监测状态语义变量而言,所谓的“语义变量”是指对传感监测数据进行抽象化,转换为有意义的描述性标签或者指标,它们描述了监测到的异常状态的特征。
例如,对于监测到的低水压状态,语义变量可能包括“低水压”、“持续时间超过5分钟”、“影响相邻两个传感器”等描述性信息。这些语义变量使得异常状态不仅仅是数字读数,而是具有可解释性的状态描述。
将报告录入异常状态挖掘网络后,该异常状态挖掘网络将基于输入数据输出待分析的异常管网单元分布关系网和待诊断的异常传感监测状态语义变量。这些输出将作为下一步分析的基础,帮助进一步确定异常状态的局部性质,并为最终的故障诊断提供依据。
在本发明实施例中,待分析异常管网单元分布关系网和待诊断异常传感监测状态语义变量是供排水管网智能诊断系统中的两个重要概念。下面将通过例子来进一步解释这两个概念。
待分析异常管网单元分布关系网:在供排水管网中,每个管网单元(如管段、阀门、接头等)都可能出现各种问题,例如泄漏、堵塞或腐蚀。这些异常单元可能会影响到其周围的其他单元,并形成一个复杂的“关系网”。这个关系网可以用来表示异常单元之间的空间分布以及它们可能产生的相互影响。
例如在一个供水管网中,有几个管段因为老化而出现微小泄露。这些泄露本身可能不大,但是如果它们集中在某个区域内,就可能表明该区域的管道整体处于风险状态。
通过收集各个传感器提供的数据,可以绘制出一个“热力图”,在这张图上,频繁出现问题的区域会以更亮的颜色显示,类似于热力的集中表示。这样,运维人员就能直观地看到异常集中的区域,并对那些区域优先进行检查和维护。
待诊断异常传感监测状态语义变量指的是用于描述传感器监测状态的一组特征变量。这些变量反映了传感器记录的数据与正常情况相比是否存在异常,并帮助确定具体的异常类型。
在同一供水管网中,可能安装了流速传感器、压力传感器和水质传感器。当发生泄漏时,流速传感器可能会记录到流速的降低,压力传感器可能会监测到压力的突然下降,而水质传感器可能会检测到水质参数的异常变化。
每个传感器监测到的数据都可以转换成语义变量,例如:“流速下降幅度”、“压力跌落速率”和“水质参数偏差”。这些变量就构成了一组用于智能诊断的特征,可以输入到机器学习模型中进行分析,以识别和预测管网的异常状态。
可见,待分析异常管网单元分布关系网通过热力图的形式直观地展示了异常单元在管网中的分布情况,而待诊断异常传感监测状态语义变量则通过将传感器数据转换成易于理解和分析的特征变量,来帮助系统判断当前的监测状态是否异常以及异常的可能性。这两个概念在智能诊断技术中相辅相成,共同提升了管网的监控和维护效率。
在步骤120中,将关注在具体的、局部的传感监测状态上,这意味着会专注于特定传感器或一组传感器在管网特定区域内监测到的异常情况,并将其转化为描述性的语义变量。
在步骤110中,已经通过异常状态挖掘网络识别了一些潜在的异常管网单元,并获取了相关的待诊断异常传感监测状态语义变量。例如,可能发现某个街区下的水压持续异常低(异常状态挖掘网络得出的结果)。
进入步骤120时,将这些信息进一步深化,从而获得更加精确的“局部状态语义变量”。这里的“局部”强调的是对异常情况进行更加细致的地理位置和影响范围的划分。根据前面得到的异常管网单元分布关系网,可以定义以下几种局部状态语义变量:
1)局部水压下降:若传感器S5和S6记录的水压比正常值低10%,并且这种情况在过去24小时内持续存在,可以定义一个局部状态语义变量为“连续24小时内S5和S6监测到的水压下降10%”;
2)局部流量波动:如果传感器S7在短时间内(如30分钟内)监测到流量快速上升和下降的现象,超出正常波动范围,那么一个局部状态语义变量可能是“S7监测到非常规流量波动”;
3)局部水质变化:如果传感器S8突然记录到水质参数(如PH值、浊度)的显著变化,而这与其他监测点的数据形成对比,则相应的局部状态语义变量为“S8监测到水质参数异常变化”。
通过这样的处理,每个异常状态不仅被标记和识别,而且被赋予了明确的地理位置和相关性描述,使得异常现象更容易被理解和追踪。在得到这些局部状态语义变量之后,就可以进入步骤130进行更进一步的故障诊断联动分析。
在步骤130中,目标是利用已经诊断和验证过的历史数据来辅助当前的故障诊断。
已认证供排水管网传感监测数据报告(参考报告):这些报告包含了过去已经确认并解决的故障案例。它们为当前的诊断提供了重要的参考信息,因为它们包含了历史上发生的各种问题以及相应的诊断结果。
在之前的一次事件中,流量传感器记录到异常的流量降低,通过进一步的检查,确认了一个管道段发生了破裂。这个已解决故障的详细报告(包括传感器数据、故障定位、原因分析等)被存档,并被认证为一个有价值的参考案例。
是指将当前的异常情况与历史的参考案例进行比较和关联分析,以便找出可能的故障模式和原因。
当前的监测数据显示,与之前提到的流量传感器类似,某个区域的压力传感器也记录到了压力的持续下降。系统将这一新的异常状态的局部语义变量与历史案例中的变量进行对比分析。如果发现压力下降的模式与历史上某次破裂事件非常相似,那么系统就会提高该情况为同类型故障的预警级别。
供排水管网故障诊断观点:最后,通过联动分析得出的结果形成了针对当前故障的诊断观点。这些观点是基于数据分析得到的结论,它们可以是具体的故障位置、可能的原因、建议的检查或维护措施等。
比如,当前的故障诊断观点指出,根据压力下降的模式和历史案例的匹配度,很可能是管道A区发生了破裂。系统还可能推荐立即关闭相应的阀门,并派遣工作人员去现场进行检查。
步骤130是一个整合和分析的过程,它将当前的异常监测数据与过去的经验结合起来,提高故障诊断的准确性和效率。通过这种方式,不仅能够快速定位和处理当前的问题,还能够积累宝贵的知识库,为未来的故障诊断和预防提供支持。
以上是对步骤110-步骤130中每个步骤的介绍,下面通过一个完整的示例来对步骤110-步骤130所记载的技术方案进行介绍。
一个城市的供排水管理部门利用人工智能技术来监控和维护其庞大的管网系统。安装了成千上万个传感器,实时监测各种参数,如水压、流量和水质等。
首先,在步骤120中,在某个时间点,系统自动收集了所有传感器的数据,并生成了一份包含这些信息的传感监测数据报告。该报告显示,几个位于市中心区域的传感器记录到了异常低的水压值。
将这份报告录入异常状态挖掘网络后,该网络分析这些数据,并确定了这些异常低水压值可能指示着一个泄漏事件。挖掘网络进一步产生了一个“待分析异常管网单元分布关系网”,突出了市中心地区的几个街区为高风险区域,并标注了受影响的具体管段。同时,它还生成了一组“待诊断异常传感监测状态语义变量”,例如“连续24小时内S5和S6监测到的水压下降10%”。
接下来,在步骤120中,系统使用这些信息来定义更详细的“异常传感监测局部状态语义变量”。例如,它可能确定一个特定的传感器S5在过去48小时内持续记录到的水压值是正常范围的80%,而且这种现象只在早上8点到9点之间发生。此时,局部状态语义变量可以被定义为:“S5在早高峰期间监测到的水压持续为正常水平的80%”。
最后,在步骤130中,系统将利用这些局部状态语义变量进行故障诊断联动分析。系统会比较当前的局部状态语义变量与历史数据或已认证的异常模式。假设历史数据显示,类似水压下降的现象曾经与附近建筑施工活动有关。系统可能会推断,当前的水压下降可能与正在进行的新施工项目有关。
根据这种分析,系统可能会生成一个故障诊断观点,提示维护团队到特定位置进行检查,并考虑是否与施工单位沟通,以调查是否存在管道损坏。
应用步骤110-步骤130,将拟进行故障诊断处理的供排水管网传感监测数据报告通过异常状态挖掘网络分析,生成待分析异常管网单元分布关系网和对应的待诊断异常传感监测状态语义变量,进而细化为异常传感监测局部状态语义变量,并结合历史经验证的数据进行联动分析,这整个流程提升了故障检测的精确度与效率。通过智能化地对实时数据进行解析并与历史案例相对照,能够快速锁定潜在故障区域,预测故障原因。这种方法使得故障处理更加主动和具有预防性,有助于减少供排水系统的停机时间、降低维修成本,并且长期来看,可以有效延长管网设施的使用寿命。
在一些可选的实施例中,上述异常状态挖掘网络的调试方法包括步骤210-步骤250。
步骤210、将第一供排水管网传感监测数据报告案例录入完成调试的第一神经网络进行异常传感监测状态语义变量挖掘,得到所述第一供排水管网传感监测数据报告案例二元组应的第一异常管网单元分布关系网,以及所述第一供排水管网传感监测数据报告案例二元组应的第一异常传感监测状态语义变量。
步骤220、将第二供排水管网传感监测数据报告案例录入待调试的第二神经网络进行异常传感监测状态语义变量挖掘,得到所述第二供排水管网传感监测数据报告案例二元组应的第二异常管网单元分布关系网,以及所述第二供排水管网传感监测数据报告案例二元组应的第二异常传感监测状态语义变量。其中,所述第一供排水管网传感监测数据报告案例以及所述第二供排水管网传感监测数据报告案例皆通过对目标供排水管网传感监测数据报告案例进行文本细粒度更新得到,且所述第一供排水管网传感监测数据报告案例的第一文本细粒度大于所述第二供排水管网传感监测数据报告案例的第二文本细粒度。
步骤230、依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数。
步骤240、依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数。
步骤250、依据所述分布关系代价函数以及所述状态语义代价函数对所述待调试的第二神经网络进行调试处理,得到用于挖掘异常传感监测状态语义变量的异常状态挖掘网络。
上述可选的实施例描述了一个使用迁移学习来调试神经网络的过程,特别是针对异常状态挖掘网络在供排水管网传感监测数据中的应用。现在将逐步解释相关名词并通过一个具体例子来理解整个方案。
第一/第二供排水管网传感监测数据报告案例:指用于训练或调试神经网络的具体案例数据,其中包含了供排水管网的监测数据以及可能的异常信息。
文本细粒度更新:这是指将原始监测数据报告案例进行更新,使其更加详尽(细粒度大)或者更加概括(细粒度小),以适应不同深度学习模型的需求。
分布关系代价函数与状态语义代价函数:在神经网络调试过程中,用于衡量预测结果与实际情况差异的函数。分布关系代价函数衡量的是异常单元分布关系网的差异,而状态语义代价函数衡量的是异常传感监测状态语义变量的差异。
例如,一个城市A的供排水管理部门已经开发并成功部署了一个神经网络模型(称为第一神经网络),用于从其供排水管网的传感器数据中挖掘异常状态。该网络已经通过大量历史数据的训练得到了良好的效果。
现在,另一个城市B也希望利用类似的技术来监控它们的供排水系统。由于城市B的管网条件、环境因素等可能与城市A有所不同,无法直接使用城市A的网络模型,但可以通过迁移学习来调整模型,以适应城市B的特定情况。
城市B的管理部门首先收集了一批供排水管网传感监测数据,并形成了一份详尽的报告案例。这份报告案例被输入到城市A的第一神经网络中,该网络能够准确地从中挖掘出异常传感监测状态语义变量,并构建出第一异常管网单元分布关系网。
然后,城市B制作了一个粗糙版的报告案例,包含较少的细节,输入到一个新的、未调试完成的第二神经网络中(准备用于城市B)。第二网络尝试挖掘异常状态,生成第二异常管网单元分布关系网和第二异常传感监测状态语义变量。
接下来,比较两个异常管网单元分布关系网之间的差异,并定义一个分布关系代价函数,用来衡量两个网络输出的分布关系网之间的相似度。
同样地,还需要比较两组异常传感监测状态语义变量之间的差异,并定义一个状态语义代价函数,用于衡量两个网络在状态语义层面的输出差异。
最后,使用这两个代价函数来调整第二神经网络的参数,直到第二网络在城市B的数据上表现出与第一网络相当的准确度。调整完成后,城市B就拥有了自己的异常状态挖掘网络,可以有效地从其供排水管网的传感器数据中检测异常状态。
通过这个迁移学习调试过程,城市B不仅节省了大量的数据收集和模型训练时间,还利用了城市A的经验来提高自己的监测系统的准确性和可靠性。
此外,应用上述可选的实施例,在调试得到针对第一文本细粒度的供排水管网传感监测数据报告的第一神经网络的前提下,基于迁移学习,指示针对第二文本细粒度的供排水管网传感监测数据报告的第二神经网络进行调试,第一文本细粒度大于第二文本细粒度,并且分别在供排水管网传感监测数据报告的异常管网单元识别以及异常传感监测状态语义变量挖掘两个维度进行指示调试,基于分布关系代价函数以及状态语义代价函数对第二神经网络进行调试,使得针对低文本细粒度的供排水管网传感监测数据报告的第二神经网络能够掌握针对高文本细粒度的第一神经网络的运行能力;从而在对低文本细粒度的供排水管网传感监测数据报告进行异常传感监测局部状态语义变量挖掘时,在确保时效性的前提下,实现了通过高文本细粒度的供排水管网传感监测数据报告的运行能力提升异常传感监测局部状态语义变量挖掘的精度,能够快速、准确低实现异常传感监测局部状态语义变量的挖掘,从而为之后的故障诊断联动分析提供准确、可信的分析依据。
在一些示例下,所述第一异常管网单元分布关系网的文本细粒度为所述第一文本细粒度,所述第二异常管网单元分布关系网的文本细粒度为所述第二文本细粒度。基于此,步骤230中的依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数,包括步骤231-步骤233。
步骤231、对所述第一异常管网单元分布关系网进行特征投影,得到所述第二文本细粒度的异常管网单元映射关系网;所述异常管网单元映射关系网中的各异常管网单元在所述第一异常管网单元分布关系网中的对应位置中满足设定活跃度要求。
步骤232、确定至少一个联动异常管网单元二元组;所述联动异常管网单元二元组中包括所述异常管网单元映射关系网中的第一异常管网单元,以及所述第二异常管网单元分布关系网中的第二异常管网单元,所述第一异常管网单元在所述异常管网单元映射关系网中的分布特征与所述第二异常管网单元在所述第二异常管网单元分布关系网中的分布特征一致,且所述第一异常管网单元对应的活跃性评价值大于所述第二异常管网单元对应的活跃性评价值。
步骤233、依据所述至少一个联动异常管网单元二元组中所述第一异常管网单元的活跃性评价值与所述第二异常管网单元的活跃性评价值的评价值区别,确定所述分布关系代价函数。
在上述实施例中,涉及将来自两种不同文本细粒度数据的异常管网单元分布关系进行比较并整合的问题。这一过程旨在通过迁移学习来调试第二神经网络,使其能够在处理较为概括性的数据(低文本细粒度)时达到高文本细粒度网络的性能水平。本发明实施例先解释相关名词,然后再通过一个具体例子来介绍上述方案。
文本细粒度:指的是数据的详尽程度,或者说数据的分辨率。在供排水管网监测的背景下,高文本细粒度可能意味着包含了更多时间点、更多传感器读数的数据;而低文本细粒度则可能意味着数据被简化,只保留了核心的信息。
异常管网单元分布关系网:这是一种表征异常情况在供排水管网中分布的模型或结构,它指出哪些区域或管段可能存在问题。
特征投影:将一个高维度特征空间(如高文本细粒度数据)映射到另一个低维度特征空间(如低文本细粒度数据)的过程。
联动异常管网单元二元组:由两个异常管网单元组成的配对,其中一个来自高文本细粒度数据,另一个来自低文本细粒度数据,这两个异常管网单元在各自的分布关系网中具有一致的分布特征。
活跃性评价值:用于衡量异常管网单元重要性或异常程度的指标,活跃性越高,表明该单元的异常状态越可能对整个供排水系统造成影响。
分布关系代价函数:在优化算法中用于衡量两个不同文本细粒度数据之间异常分布关系差异的函数。
假设有两份报告:Report A和Report B。Report A是高文本细粒度的,包含每分钟的数据读数;Report B是低文本细粒度的,仅包含每小时的平均读数。
步骤231涉及特征投影:对Report A的异常管网单元分布关系网进行特征投影,使其适应Report B的低文本细粒度。通过这种方式,创建了一个“异常管网单元映射关系网”,在这个映射关系网中,每个异常管网单元都满足设定的活跃度要求,并与原始Report A中的位置一致。
步骤232涉及联动异常管网单元二元组的确定:接下来,识别出至少一个联动异常管网单元二元组,每个二元组包含一个来自异常管网单元映射关系网的异常单元(基于Report A),以及一个来自Report B的异常管网单元分布关系网的异常单元。这两个单元的分布特征是一致的,但是前者的活跃性评价值大于后者。
步骤233涉及分布关系代价函数的确定:最后,根据至少一个联动异常管网单元二元组中两个异常管网单元的活跃性评价值差异来定义分布关系代价函数。这个函数将帮助在调试过程中优化第二神经网络的性能,以便更好地反映异常单元的真实分布。
通过上述步骤,最终能够调整第二神经网络,使其即使在处理低文本细粒度的数据时,也能有效地检测和分析异常状态,从而为供排水管网的运营和维护提供了强大的支持。
在一些可能的实施例中,所述第一文本细粒度为所述第二文本细粒度的设定倍数。基于此,步骤231中的对所述第一异常管网单元分布关系网进行特征投影,得到所述第二文本细粒度的异常管网单元映射关系网,包括步骤2311-步骤2313。
步骤2311、确定所述第一异常管网单元分布关系网中的至少一个目标文本掩码框;每个目标文本掩码框中包括设定个数的异常管网单元;所述设定个数为所述设定倍数的平方。
步骤2312、确定所述每个目标文本掩码框中的目标异常管网单元;所述目标异常管网单元的活跃性评价值不小于所述每个目标文本掩码框中其他异常管网单元的活跃性评价值。
步骤2313、依据所述每个目标文本掩码框的目标异常管网单元,得到所述异常管网单元映射关系网。
步骤231和它的子步骤2311-2313详细描述了一个从高文本细粒度数据到低文本细粒度数据的转换过程。下面是对相关名词的解释以及一个详细的例子。
目标文本掩码框:这可以理解为一种过滤器,用于选择或突出显示重要的数据区域。在这个上下文中,它帮助确定哪些异常管网单元在分布关系网中最重要。
活跃性评价值:是对异常管网单元活跃程度的量化,可以基于各种因素来评估,例如异常的频率、强度或影响范围。
异常管网单元映射关系网:经过转换后的异常管网单元分布关系网,适配于低文本细粒度的数据表示。
例如,城市A有一个非常复杂的供排水管网,已经开发了第一神经网络来监控每分钟的水流量、压力和质量等多个参数。此网络的异常状态挖掘能力极其精细,可以定位到特定街道的特定时间点上的异常活动,这相当于高文本细粒度。
而城市B则希望使用类似技术,但由于资源限制,只能收集每小时的平均数据,因此需要一个适应低文本细粒度数据的第二神经网络。
步骤2311涉及目标文本掩码框的确定:这一步骤涉及在高细粒度的分布关系网中定义目标文本掩码框。例如,如果第二神经网络的文本细粒度是第一神经网络的1/4,那么每个掩码框可能包含16(4的平方)个高细粒度异常管网单元。
步骤2312涉及目标异常管网单元的确定:接下来,在每个目标文本掩码框内部,确定哪个异常管网单元的活跃性评价值最高。比如,在一个掩码框中,某个异常单元频繁地报告异常水质问题,其活跃性评价值可能就会高于其他单元。
步骤2313涉及异常管网单元映射关系网的得到:最后,依据这些目标异常管网单元,构建新的映射关系网。在城市B的场景下,该映射关系网将反映出在较低细粒度下最活跃的异常管网单元。
城市A的第一神经网络检测到某条街道在工作日早上8:00至9:00之间水压持续偏低。利用步骤2311-步骤2313,选取这个时间段内所有相关的异常管网单元,并将其压缩到一个小时级别的掩码框内。然后,在这个掩码框内,找到最活跃的异常单元--也就是频繁报告异常的单元,并在城市B的异常管网单元映射关系网中标记出来。这样,城市B的第二神经网络就可以用少量的数据来有效地监测和预警类似的异常状态,且调试后的模型仍然能够提供有用的洞察。
在一些可选的设计思路中,步骤240所描述的依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数,包括步骤241-步骤244。
步骤241、确定每个联动异常管网单元二元组中的第一异常管网单元在所述第一异常管网单元分布关系网中的第一分布特征数据,以及确定所述每个联动异常管网单元二元组中的第二异常管网单元在所述第二异常管网单元分布关系网中的第二分布特征数据。
步骤242、依据所述第一异常传感监测状态语义变量以及所述第一分布特征数据,确定所述第一异常管网单元对应的第一异常管网单元状态向量。
步骤243、依据所述第二异常传感监测状态语义变量以及所述第二分布特征数据,确定所述第二异常管网单元确定的第二异常管网单元状态向量。
步骤244、依据所述第一异常管网单元状态向量以及所述第二异常管网单元状态向量的状态向量区别,确定所述状态语义代价函数。
在上述设计思路中,关注的是两个不同文本细粒度数据的异常状态的比对,并以此来构建一个评价函数,这有助于调整神经网络,以便更准确地识别和理解异常状态。本发明实施例先逐步解释相关名词,然后通过详细的方案举例来深入理解整个过程。
异常传感监测状态语义变量:指从传感器监测数据中提取出的,具有特定意义并能够代表或反映异常状态的变量。例如,在供排水系统中,压力突然下降可能就是一种异常传感监测状态语义变量。
分布特征数据:异常管网单元在分布关系网中所呈现的数据特性,如频率、持续时间、强度等,这些特征可以用来描述异常状态的模式和趋势。
异常管网单元状态向量:结合了异常传感监测状态语义变量与分布特征数据的向量表示,用于描述异常管网单元的整体状态。
状态语义代价函数:在优化算法中用于衡量两个不同文本细粒度数据之间状态语义差异的函数,旨在帮助改进第二神经网络以更准确地捕获和理解异常状态。
例如,在管理供排水管网时遇到了两个城市:城市A和城市B。城市A的数据具有高文本细粒度,包括密集的每分钟监测记录;而城市B的数据则具有低文本细粒度,只提供了每小时的平均读数。
步骤241涉及分布特征数据确定:对于城市A中已识别的每个异常管网单元,会收集其分布特征数据(第一分布特征数据),如在某段时间内异常事件发生的次数、持续时间和强度。对于城市B中对应的异常管网单元,同样收集其分布特征数据(第二分布特征数据),尽管数据的粒度较低,但仍能提供一定的异常模式信息。
步骤242涉及第一异常管网单元状态向量确定:接下来,结合城市A的异常传感监测状态语义变量(例如水压下降)和第一分布特征数据,生成每个异常管网单元的状态向量(第一异常管网单元状态向量)。这个向量全面反映了每个异常单元的状态特征。
步骤243涉及第二异常管网单元状态向量确定:类似地,利用城市B的异常传感监测状态语义变量(例如流量异常增加)和第二分布特征数据,生成相应的异常管网单元状态向量(第二异常管网单元状态向量)。
步骤244涉及状态语义代价函数确定:最后,比较第一和第二异常管网单元状态向量之间的区别,并据此定义状态语义代价函数。这个函数反映了城市A和城市B在异常状态识别上的差异,并将用于指导城市B神经网络的调试过程。
例如,城市A中的一个异常管网单元通常在清晨5点至6点之间由于工厂排放导致化学需氧量(COD)浓度突然升高。在城市A的神经网络中捕获了这种模式,并通过分布特征数据和状态语义变量,如COD浓度的峰值和波动频率,构建了一个详细的状态向量。
现在,希望城市B的神经网络也能识别出类似的模式。由于城市B的数据粒度较低,无法直接观察到每分钟的变化,但依然可以从每小时的数据中提取COD浓度的平均峰值和波动范围等信息,以形成第二状态向量。
通过比较这两个状态向量,特别是在异常事件发生期间的差异,来定义状态语义代价函数。如果发现城市B的神经网络无法准确反映异常状态(如未能捕获COD浓度的快速变化),会使用状态语义代价函数来调整网络参数,直至城市B的网络能够像城市A的网络那样准确地识别和响应这种异常事件。
通过上述步骤,最终能够调整第二神经网络,使其即使在处理低文本细粒度的数据时,也能有效地检测和分析异常状态,从而为供排水管网的运营和维护提供了强大的支持。
在一些示例中,所述第一异常管网单元分布关系网包括多个阶段对应的第一异常管网单元分布关系网,所述第二异常管网单元分布关系网包括多个阶段对应的第二异常管网单元分布关系网;不同阶段对应的第一异常管网单元分布关系网的文本细粒度不同,不同阶段对应的第二异常管网单元分布关系网的文本细粒度不同。基于此,步骤230中的依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数,包括步骤230a-步骤230b。
步骤230a、将每个阶段对应的第一异常管网单元分布关系网以及所述每个阶段对应的第二异常管网单元分布关系网进行分布代价处理,得到所述每个阶段对应的分布代价数据。
步骤230b、依据所述多个阶段分别对应的分布代价数据,确定所述分布关系代价函数。
在上述示例中,面临的是如何在不同阶段对供排水管网进行异常监测并对数据细粒度进行适应性调整的问题。在多阶段监测的情况下,每个阶段可能有不同的数据收集策略和分析需求,导致第一异常管网单元分布关系网和第二异常管网单元分布关系网在不同阶段具有不同的文本细粒度。步骤230a和230b详细描述了这些不同阶段的分布关系如何比较,并通过分布代价处理来定义一个整体的分布关系代价函数。
阶段对应的异常管网单元分布关系网:在特定时间段内,异常状态在供排水管网中的分布情况,这可能与日常变化、季节性波动或特殊事件相关联。
分布代价处理:一个计算过程,用于评估两个不同文本细粒度数据之间异常分布的差异性,这个过程会产生量化的代价数据,反映了分布差异的大小。
分布代价数据:从分布代价处理过程中得到的数值结果,它衡量了不同阶段的第一异常管网单元分布关系网与第二异常管网单元分布关系网之间的差异。
分布关系代价函数:结合多个阶段的分布代价数据而形成的函数,它能够为整个迁移学习过程提供一个统一的优化目标。
例如,在研究一个城市的供排水系统,该系统包含复杂的管网,随着时间变化(如季节更替、节假日等)面临不同的运营挑战。第一神经网络针对高文本细粒度的数据(例如,夏季时的每分钟读数)已经建立了详尽的异常管网单元分布关系网,能够捕捉细微的异常模式。另一方面,第二神经网络需要能够使用低文本细粒度的数据(例如,冬季时的每小时平均读数)来完成相同任务。
步骤230a涉及分布代价处理:在这一步骤中,分别对每个季节或阶段所对应的第一和第二异常管网单元分布关系网进行分布代价处理。例如,夏季时由于空调使用增加,水压可能出现不同的异常模式;冬季则可能因为供暖导致不同的异常。每个季节都要比较高细粒度和低细粒度的数据,计算它们之间的分布差异,并得到分布代价数据。
步骤230b涉及确定分布关系代价函数:接下来,基于每个阶段得到的分布代价数据,定义一个分布关系代价函数。这个函数能够综合各个阶段的差异信息,为调试第二神经网络提供指导。如果某个阶段的分布代价数据较高,表明那个阶段的低细粒度数据与高细粒度数据差异较大,可能需要特别关注。
城市的供排水管理部门想要根据夏季、秋季、冬季和春季四个季节来分析和预测水质异常事件。发现,在夏季和冬季,由于气温变化引起的居民用水模式改变,水质异常模式也随之不同。
在夏季,第一神经网络可以利用每分钟的数据来准确地识别和定位异常,但这需要大量的计算资源。第二神经网络则需要依靠每小时的数据来做出类似判断,但其初始性能远不如第一神经网络。
通过步骤230a的分布代价处理,可以计算出夏季和冬季在不同时间粒度上的异常分布差异,并获得分布代价数据。然后在步骤230b中,将这些数据汇总到分布关系代价函数中,这帮助了解哪些季节或阶段最需要调整第二神经网络以提高其在低文本细粒度数据上的表现。
例如,如果夏季的分布代价数据显示高细粒度和低细粒度数据之间有显著差异,那么可能就需要对第二神经网络在夏季的表现进行优化。这可能涉及重新训练网络的某些层,或者引入新的数据处理技术,使得即使在低文本细粒度的条件下,第二神经网络也能准确地检测和预警夏季特有的异常水质问题。
在一些示例中,所述第一异常传感监测状态语义变量包括多个阶段对应的第一异常传感监测状态语义变量,所述第二异常传感监测状态语义变量包括多个阶段对应的第二异常传感监测状态语义变量;不同阶段对应的第一异常传感监测状态语义变量的文本细粒度不同,不同阶段对应的第二异常传感监测状态语义变量的文本细粒度不同。基于此,步骤240所描述的依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数,包括步骤240a-步骤240b。
步骤240a、将每个阶段对应的第一异常传感监测状态语义变量以及所述每个阶段对应的第二异常传感监测状态语义变量进行状态代价处理,得到所述每个阶段对应的状态代价数据。
步骤240b、依据所述多个阶段分别对应的状态代价数据,确定所述状态语义代价函数。
在这个示例中,涉及的是如何使用多个阶段对应的异常传感监测状态语义变量来构建一个函数,该函数能够衡量两个不同文本细粒度下数据的差异。通过这种方式,可以调整和优化神经网络,以便它们能更好地识别和响应各种异常情况。
多阶段异常传感监测状态语义变量:这些变量分阶段捕获了随时间发生变化的异常状态的信息。每个阶段可能聚焦于异常事件的不同方面或特性,例如初始阶段、持续阶段、恢复阶段等。
状态代价处理:为每个阶段的异常传感监测状态语义变量计算一个数值,反映该阶段状态与某个参考状态(标准或期望状态)之间的偏差。
状态代价数据:状态代价处理得到的数值,它提供了一个量化的指标来表示在特定阶段中状态的异常程度。
状态语义代价函数:一个综合多个阶段的状态代价数据的函数,用于评估整体的状态语义差异,并作为神经网络调整的依据。
例如,在监测一个城市的供排水系统,这个系统有三个阶段的监测:早上的峰值流量阶段、下午的稳定流量阶段和夜间的低流量阶段。每个阶段都有其特定的异常传感监测状态语义变量,比如压力、流速、水质参数等,而且每个阶段的文本细粒度可能会有所不同。
步骤240a涉及状态代价处理:在早上峰值流量阶段,注意到压力降低的现象,因此定义了一个异常状态语义变量来监测压力的变化。根据这个变量的读数,可以计算出一个状态代价,即实际读数与预期正常压力之间的偏差。在下午稳定流量阶段,可能更关注水质参数,如COD或氨氮含量,同样地,可以计算出相应的状态代价。夜间低流量阶段,可能会关注流速的变化,如果监测到异常的流速降低,也会产生相应的状态代价。每个阶段的状态代价都基于该阶段特定的异常传感监测状态语义变量进行计算,考虑到每个阶段的文本细粒度可能不同,状态代价的计算方法也需要适当调整以匹配数据粒度。
步骤240b涉及状态语义代价函数的确定:接着,结合所有阶段的状态代价数据来构建状态语义代价函数。这个函数将评估不同阶段的累积偏差,并为提供一个整体的指标,指示供排水系统的异常状态的严重性。
城市A的监控系统记录了一个月内每天三个不同阶段的压力数据,高文本细粒度的数据使得异常检测十分敏感。而城市B由于资源限制,只能监测到每天三个时段的平均压力值,低文本细粒度的数据导致了一些细节上的损失。
当尝试将城市A的监测系统迁移到城市B时,步骤240a要求首先针对每个阶段的异常传感监测状态语义变量进行状态代价处理。计算每个阶段的异常状态与正常状态的偏差,并生成状态代价数据。
然后,在步骤240b中,将这些状态代价数据整合,形成状态语义代价函数。如果发现城市B的监测系统无法有效地捕获异常状态,那么就需要调整神经网络的参数,直到状态语义代价函数显示出两个城市的系统在异常状态检测方面具有可比性。
通过这种方法,即使在文本细粒度较低的情况下,城市B的监测系统也能够有效地检测到异常状态,从而确保供排水系统的有效运行和及时的异常响应。
在一些示例中,所述第二供排水管网传感监测数据报告案例包括多个报告案例调试二元组,每个报告案例调试二元组中包括初始传感监测数据报告案例以及牵涉传感监测数据报告案例,所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的积极调试案例或者消极调试案例。基于此,步骤250中的依据所述分布关系代价函数以及所述状态语义代价函数对所述待调试的第二神经网络进行调试处理,得到用于挖掘异常传感监测状态语义变量的异常状态挖掘网络,包括步骤251-步骤256。
步骤251、依据所述初始传感监测数据报告案例对应的第二异常管网单元分布关系网以及所述初始传感监测数据报告案例对应的第二异常传感监测状态语义变量,确定初始异常传感监测状态语义变量。
步骤252、依据所述牵涉传感监测数据报告案例对应的第二异常管网单元分布关系网以及所述牵涉传感监测数据报告案例对应的第二异常传感监测状态语义变量,确定牵涉异常传感监测状态语义变量。
步骤253、依据所述初始异常传感监测状态语义变量以及所述牵涉异常传感监测状态语义变量生成联合代价指标。
步骤254、在所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的积极调试案例的基础上,依据所述联合代价指标确定第一联合代价数据。
步骤255、在所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的消极调试案例的基础上,依据所述联合代价指标以及噪声代价数据确定第二联合代价数据;所述噪声代价数据用于过滤存在噪声的消极调试案例的调试代价。
步骤256、依据所述分布关系代价函数、所述状态语义代价函数、所述第一联合代价数据或所述第二联合代价数据对所述待调试的第二神经网络进行调试处理,得到所述异常状态挖掘网络。
上述示例涉及如何通过一系列详细的步骤来优化一个用于监测供排水管网异常状态的第二神经网络。这个过程涉及到从初始的传感监测数据报告案例出发,并考虑牵涉到的积极或消极调试案例,以此为基础构建和应用不同的代价函数来指导神经网络的调整。下面将详细解释相关名词,并结合具体的步骤提供一个丰富的方案示例。
报告案例调试二元组:这是由两部分组成的一对案例:初始传感监测数据报告案例和牵涉传感监测数据报告案例。前者是未经优化处理的原始数据,后者是经过特定方式(积极或消极)调整后的数据。
积极调试案例/消极调试案例:积极调试案例指的是对初始案例进行调整,使得性能改进的实例;而消极调试案例则指导致性能下降的调整实例。
联合代价指标:结合了多种评估标准(如分布关系代价和状态语义代价)的指标,用于衡量调试案例的总体效果。
噪声代价数据:专门用来评估和减少消极调试案例中噪声带来的影响的代价数据。
异常状态挖掘网络:经过调试处理后的第二神经网络,它能更加精确地识别和理解异常传感监测状态语义变量。
例如,某城市的供排水管理部门希望优化其现有的异常监测系统--第二神经网络。有一批初始传感监测数据报告案例,包含了各种异常情况的记录。同时,还创建了一些调试案例,其中既包括改善监测性能的积极调试案例,也包括那些可能引入误导信息或噪声的消极调试案例。
步骤251涉及确定初始异常传感监测状态语义变量:首先,基于初始报告案例的数据,确定了第二异常管网单元分布关系网以及与之对应的状态语义变量,比如流速变化、压力下降等。
步骤252涉及确定牵涉异常传感监测状态语义变量:接着,针对每个牵涉到的调试案例,无论是积极还是消极,也识别了相应的异常管网单元分布关系网和状态语义变量。
步骤253涉及生成联合代价指标:然后,使用初始和牵涉到的状态语义变量来生成一个联合代价指标,该指标将作为衡量调试效果好坏的综合标准。
步骤254涉及确定第一联合代价数据:对于积极调试案例,根据联合代价指标计算第一联合代价数据,这反映了积极调试对网络性能的正向影响。
步骤255涉及确定第二联合代价数据:对于消极调试案例,结合联合代价指标和噪声代价数据来确定第二联合代价数据,确保调试过程不会被噪声干扰。
步骤256涉及进行神经网络的调试处理:最后,利用上述获得的所有代价数据,包括分布关系代价函数和状态语义代价函数,来指导第二神经网络的调试。这个过程可能涉及权重的调整、层的增加或删除,或者学习率的变化,目的是最小化代价函数并最大化网络的性能。
城市的供排水系统在夏季遭受到蓝藻水华的影响,导致水质监测出现异常。收集了初始的监测数据,并构建了不同的调试案例,其中一些成功地降低了错误报警的频率(积极调试),而其他一些则由于传感器故障导致了错误信息的增加(消极调试)。
通过上述步骤,逐步筛选出提升网络性能的策略,并淘汰那些引入噪声的调整。这一过程不断迭代,直到第二神经网络能够稳定地在低文本细粒度的数据上准确识别出蓝藻水华等异常状态。调试后的异常状态挖掘网络在真实运营环境中表现良好,提高了城市供排水系统的可靠性和安全性。
在一些示例中,所述目标供排水管网传感监测数据报告案例包括多个供排水管网传感监测数据报告案例。基于此,步骤254中的依据所述联合代价指标确定第一联合代价数据,包括步骤2541-步骤2545。
步骤2541、对所述多个供排水管网传感监测数据报告案例进行二元组生成,得到多个供排水管网传感监测数据报告案例二元组。
步骤2542、对每个供排水管网传感监测数据报告案例二元组中的第一传感监测数据报告案例进行报告文本优化,得到第一传感监测数据报告优化案例。
步骤2543、对所述每个供排水管网传感监测数据报告案例二元组中的第二传感监测数据报告案例进行报告文本优化,得到第二传感监测数据报告优化案例。
步骤2544、依据所述每个供排水管网传感监测数据报告案例二元组所对应的第一传感监测数据报告优化案例以及所述第二传感监测数据报告优化案例,生成过拟合抑制代价;所述过拟合抑制代价反映在所述第一传感监测数据报告案例与所述第二传感监测数据报告案例类似的基础上,所述第一传感监测数据报告优化案例以及所述第二传感监测数据报告优化案例也类似。
步骤2545、依据所述联合代价数据以及所述过拟合抑制代价生成所述第一联合代价数据。
这个示例涉及如何通过分析和比较多个供排水管网传感监测数据报告案例来生成联合代价数据,并特别关注如何避免过拟合的问题。过拟合通常发生在机器学习模型或数据处理算法太过适应特定的数据集而失去了泛化能力的情况。以下是相关名词的解释以及步骤2541至步骤2545的详细介绍。
供排水管网传感监测数据报告案例:一个包含了一系列由供排水系统的传感器所收集的数据和相应分析报告的实例。每个案例可能包含了不同事件或时间段的数据。
二元组生成:将两个相关的供排水管网传感监测数据报告案例配对,形成一个包含两个案例的组合,用于后续的比较和分析。
报告文本优化:对传感监测数据报告进行改进的过程,可能包括清洗数据、选择最有信息量的特征、改善报告的表述等,以提高报告的准确性和可读性。
过拟合抑制代价:一个衡量标准,用来确定优化过的报告案例在保持类似性的同时,是否避免了对原始数据的过度拟合。它可以帮助评估优化后的报告是否具有足够的泛化能力。
第一联合代价数据:综合考虑多方面因素(如分布关系代价、状态语义代价、过拟合抑制代价等)计算得出的一个数值,用来评价整个优化流程的有效性。
例如,一个大型城市的供排水管理部门希望通过分析历史的监测数据来优化其未来的响应策略。已经收集了多个不同时间段和不同地点的传感监测数据报告案例。
步骤2541涉及二元组生成:首先,从收集到的报告案例中选取相关联的案例对,例如将去年夏季和今年夏季的报告案例配对,以此生成多个二元组。这种配对有助于比较不同时间段的变化和趋势。
步骤2542涉及第一传感监测数据报告优化:对于每个二元组中的第一传感监测数据报告案例,通过引入数据清洗、特征选择等优化技术来提高报告质量。这样的优化可能包括消除噪声数据、突出关键指标、改进文本描述等。
步骤2543涉及第二传感监测数据报告优化:类似地,对于二元组中的第二传感监测数据报告案例,也执行相同的报告文本优化步骤,确保报告的可靠性和有效性。
步骤2544涉及生成过拟合抑制代价:随后,比较每个二元组对应的第一和第二传感监测数据报告优化案例,评估优化后的报告在相似性上的表现,并计算出过拟合抑制代价。这个过程确保了报告在尽量保持一致性的同时,没有丢失其泛化能力。
步骤2545涉及生成第一联合代价数据:最后,结合之前的联合代价数据和新计算的过拟合抑制代价,生成第一联合代价数据。这个数据反映了整体优化效果的好坏,同时强调了泛化能力的重要性。
例如,对过去五年中每个季节的供排水系统进行了监测,并生成了相应的报告案例。现在,希望通过优化这些报告来提升未来监测活动的准确性和效率。按照步骤2541生成了春季与春季、夏季与夏季等的报告案例二元组。然后,依据步骤2542和步骤2543,对每个季节的报告进行了文本优化,这包括使用高级的数据分析方法提炼关键信息,以及使用更加清晰和精确的语言撰写报告。接着,在步骤2544中,对优化后的报告进行了比较,确保了即使在不同的季节,优化后的报告仍然能够保持一致的质量和风格,同时防止了对特定数据集的过拟合。最终,在步骤2545中,通过联合多个季节的代价数据和过拟合抑制代价,生成了第一联合代价数据。这个数据帮助确认优化工作的成功,并为今后如何改进监测和报告策略提供了依据。通过这种方法,能够更有效地监测供排水系统,并迅速响应潜在的问题,从而保障城市供水安全和环境健康。
基于上述相同或相似的技术构思,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时执行基于人工智能的供排水管网智能诊断方法。
基于上述相同或相似的技术构思,本发明实施例还提供了一种计算机程序产品,包括计算机程序或计算机可执行指令,所述计算机程序或计算机可执行指令被处理器执行时,实现基于人工智能的供排水管网智能诊断方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明相关内容所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种基于人工智能的供排水管网智能诊断方法,其特征在于,应用于智慧环保系统,所述方法包括:
将拟进行故障诊断处理的供排水管网传感监测数据报告录入异常状态挖掘网络,得到所述供排水管网传感监测数据报告对应的待分析异常管网单元分布关系网以及所述供排水管网传感监测数据报告对应的待诊断异常传感监测状态语义变量;
依据所述待分析异常管网单元分布关系网以及所述待诊断异常传感监测状态语义变量,得到所述供排水管网传感监测数据报告的异常传感监测局部状态语义变量;
将所述供排水管网传感监测数据报告的异常传感监测局部状态语义变量以及已认证供排水管网传感监测数据报告的异常传感监测局部状态语义变量进行故障诊断联动分析,得到供排水管网故障诊断观点;
所述异常状态挖掘网络的调试方法包括:
将第一供排水管网传感监测数据报告案例录入完成调试的第一神经网络进行异常传感监测状态语义变量挖掘,得到所述第一供排水管网传感监测数据报告案例二元组应的第一异常管网单元分布关系网,以及所述第一供排水管网传感监测数据报告案例二元组应的第一异常传感监测状态语义变量;
将第二供排水管网传感监测数据报告案例录入待调试的第二神经网络进行异常传感监测状态语义变量挖掘,得到所述第二供排水管网传感监测数据报告案例二元组应的第二异常管网单元分布关系网,以及所述第二供排水管网传感监测数据报告案例二元组应的第二异常传感监测状态语义变量;其中,所述第一供排水管网传感监测数据报告案例以及所述第二供排水管网传感监测数据报告案例皆通过对目标供排水管网传感监测数据报告案例进行文本细粒度更新得到,且所述第一供排水管网传感监测数据报告案例的第一文本细粒度大于所述第二供排水管网传感监测数据报告案例的第二文本细粒度;
依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数;
依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数;
依据所述分布关系代价函数以及所述状态语义代价函数对所述待调试的第二神经网络进行调试处理,得到用于挖掘异常传感监测状态语义变量的异常状态挖掘网络。
2.如权利要求1所述的方法,其特征在于,所述第一异常管网单元分布关系网的文本细粒度为所述第一文本细粒度,所述第二异常管网单元分布关系网的文本细粒度为所述第二文本细粒度;
所述依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数,包括:
对所述第一异常管网单元分布关系网进行特征投影,得到所述第二文本细粒度的异常管网单元映射关系网;所述异常管网单元映射关系网中的各异常管网单元在所述第一异常管网单元分布关系网中的对应位置中满足设定活跃度要求;
确定至少一个联动异常管网单元二元组;所述联动异常管网单元二元组中包括所述异常管网单元映射关系网中的第一异常管网单元,以及所述第二异常管网单元分布关系网中的第二异常管网单元,所述第一异常管网单元在所述异常管网单元映射关系网中的分布特征与所述第二异常管网单元在所述第二异常管网单元分布关系网中的分布特征一致,且所述第一异常管网单元对应的活跃性评价值大于所述第二异常管网单元对应的活跃性评价值;
依据所述至少一个联动异常管网单元二元组中所述第一异常管网单元的活跃性评价值与所述第二异常管网单元的活跃性评价值的评价值区别,确定所述分布关系代价函数。
3.如权利要求2所述的方法,其特征在于,所述第一文本细粒度为所述第二文本细粒度的设定倍数;所述对所述第一异常管网单元分布关系网进行特征投影,得到所述第二文本细粒度的异常管网单元映射关系网,包括:
确定所述第一异常管网单元分布关系网中的至少一个目标文本掩码框;每个目标文本掩码框中包括设定个数的异常管网单元;所述设定个数为所述设定倍数的平方;
确定所述每个目标文本掩码框中的目标异常管网单元;所述目标异常管网单元的活跃性评价值不小于所述每个目标文本掩码框中其他异常管网单元的活跃性评价值;
依据所述每个目标文本掩码框的目标异常管网单元,得到所述异常管网单元映射关系网。
4.如权利要求2所述的方法,其特征在于,所述依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数,包括:
确定每个联动异常管网单元二元组中的第一异常管网单元在所述第一异常管网单元分布关系网中的第一分布特征数据,以及确定所述每个联动异常管网单元二元组中的第二异常管网单元在所述第二异常管网单元分布关系网中的第二分布特征数据;
依据所述第一异常传感监测状态语义变量以及所述第一分布特征数据,确定所述第一异常管网单元对应的第一异常管网单元状态向量;
依据所述第二异常传感监测状态语义变量以及所述第二分布特征数据,确定所述第二异常管网单元确定的第二异常管网单元状态向量;
依据所述第一异常管网单元状态向量以及所述第二异常管网单元状态向量的状态向量区别,确定所述状态语义代价函数。
5.如权利要求1所述的方法,其特征在于,所述第一异常管网单元分布关系网包括多个阶段对应的第一异常管网单元分布关系网,所述第二异常管网单元分布关系网包括多个阶段对应的第二异常管网单元分布关系网;不同阶段对应的第一异常管网单元分布关系网的文本细粒度不同,不同阶段对应的第二异常管网单元分布关系网的文本细粒度不同;
所述依据所述第一异常管网单元分布关系网以及所述第二异常管网单元分布关系网进行分布关系比对,得到分布关系代价函数,包括:
将每个阶段对应的第一异常管网单元分布关系网以及所述每个阶段对应的第二异常管网单元分布关系网进行分布代价处理,得到所述每个阶段对应的分布代价数据;
依据所述多个阶段分别对应的分布代价数据,确定所述分布关系代价函数。
6.如权利要求1所述的方法,其特征在于,所述第一异常传感监测状态语义变量包括多个阶段对应的第一异常传感监测状态语义变量,所述第二异常传感监测状态语义变量包括多个阶段对应的第二异常传感监测状态语义变量;不同阶段对应的第一异常传感监测状态语义变量的文本细粒度不同,不同阶段对应的第二异常传感监测状态语义变量的文本细粒度不同;
所述依据所述第一异常传感监测状态语义变量以及所述第二异常传感监测状态语义变量进行状态语义比对,得到状态语义代价函数,包括:
将每个阶段对应的第一异常传感监测状态语义变量以及所述每个阶段对应的第二异常传感监测状态语义变量进行状态代价处理,得到所述每个阶段对应的状态代价数据;
依据所述多个阶段分别对应的状态代价数据,确定所述状态语义代价函数。
7.如权利要求1所述的方法,其特征在于,所述第二供排水管网传感监测数据报告案例包括多个报告案例调试二元组,每个报告案例调试二元组中包括初始传感监测数据报告案例以及牵涉传感监测数据报告案例,所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的积极调试案例或者消极调试案例;
所述依据所述分布关系代价函数以及所述状态语义代价函数对所述待调试的第二神经网络进行调试处理,得到用于挖掘异常传感监测状态语义变量的异常状态挖掘网络,包括:
依据所述初始传感监测数据报告案例对应的第二异常管网单元分布关系网以及所述初始传感监测数据报告案例对应的第二异常传感监测状态语义变量,确定初始异常传感监测状态语义变量;
依据所述牵涉传感监测数据报告案例对应的第二异常管网单元分布关系网以及所述牵涉传感监测数据报告案例对应的第二异常传感监测状态语义变量,确定牵涉异常传感监测状态语义变量;
依据所述初始异常传感监测状态语义变量以及所述牵涉异常传感监测状态语义变量生成联合代价指标;
在所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的积极调试案例的基础上,依据所述联合代价指标确定第一联合代价数据;
在所述牵涉传感监测数据报告案例为所述初始传感监测数据报告案例的消极调试案例的基础上,依据所述联合代价指标以及噪声代价数据确定第二联合代价数据;所述噪声代价数据用于过滤存在噪声的消极调试案例的调试代价;
依据所述分布关系代价函数、所述状态语义代价函数、所述第一联合代价数据或所述第二联合代价数据对所述待调试的第二神经网络进行调试处理,得到所述异常状态挖掘网络。
8.如权利要求7所述的方法,其特征在于,所述目标供排水管网传感监测数据报告案例包括多个供排水管网传感监测数据报告案例;所述依据所述联合代价指标确定第一联合代价数据,包括:
对所述多个供排水管网传感监测数据报告案例进行二元组生成,得到多个供排水管网传感监测数据报告案例二元组;
对每个供排水管网传感监测数据报告案例二元组中的第一传感监测数据报告案例进行报告文本优化,得到第一传感监测数据报告优化案例;
对所述每个供排水管网传感监测数据报告案例二元组中的第二传感监测数据报告案例进行报告文本优化,得到第二传感监测数据报告优化案例;
依据所述每个供排水管网传感监测数据报告案例二元组所对应的第一传感监测数据报告优化案例以及所述第二传感监测数据报告优化案例,生成过拟合抑制代价;所述过拟合抑制代价反映在所述第一传感监测数据报告案例与所述第二传感监测数据报告案例类似的基础上,所述第一传感监测数据报告优化案例以及所述第二传感监测数据报告优化案例也类似;
依据所述联合代价指标以及所述过拟合抑制代价生成所述第一联合代价数据。
9.一种智慧环保系统,其特征在于,包括:处理器、存储器以及网络接口;所述处理器与所述存储器、所述网络接口相连;所述网络接口用于提供数据通信功能,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649818.1A CN117370818B (zh) | 2023-12-05 | 2023-12-05 | 基于人工智能的供排水管网智能诊断方法及智慧环保系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649818.1A CN117370818B (zh) | 2023-12-05 | 2023-12-05 | 基于人工智能的供排水管网智能诊断方法及智慧环保系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117370818A CN117370818A (zh) | 2024-01-09 |
CN117370818B true CN117370818B (zh) | 2024-02-09 |
Family
ID=89398810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311649818.1A Active CN117370818B (zh) | 2023-12-05 | 2023-12-05 | 基于人工智能的供排水管网智能诊断方法及智慧环保系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370818B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117927880B (zh) * | 2024-03-22 | 2024-05-24 | 南京南大智慧城市规划设计股份有限公司 | 一种管网漏水诊断的智能检测定位方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200074652A (ko) * | 2018-12-17 | 2020-06-25 | 김홍규 | 스마트팩토리 데이터 관리 및 플랫폼 서비스를 위한 장치 |
CN113494939A (zh) * | 2021-04-15 | 2021-10-12 | 浙江工商大学 | 一种农村生活污水分散式监测方法 |
KR20220063928A (ko) * | 2020-11-11 | 2022-05-18 | 인천대학교 산학협력단 | 수도 관망 내에서의 누수 여부를 모니터링하는 누수 모니터링 장치 및 그 동작 방법 |
CN115293507A (zh) * | 2022-07-04 | 2022-11-04 | 中国电力科学研究院有限公司 | 面向电网调度运行管理的态势知识图谱构建方法及系统 |
CN115910066A (zh) * | 2022-09-15 | 2023-04-04 | 平湖市通用电气安装有限公司 | 用于区域配电网的智能调度指挥与运营系统 |
CN116028646A (zh) * | 2023-02-09 | 2023-04-28 | 云南电网有限责任公司红河供电局 | 一种基于机器学习的电网调度领域知识图谱构建方法 |
CN116108699A (zh) * | 2023-04-07 | 2023-05-12 | 南京宇图时空科技有限公司 | 城市排水管网预警系统、预警方法及计算机可读存储介质 |
CN116228871A (zh) * | 2023-05-08 | 2023-06-06 | 山东齐芯智控科技有限公司 | 一种供热管网运行状态智能监测系统 |
CN116307673A (zh) * | 2022-09-09 | 2023-06-23 | 苏交科集团股份有限公司 | 一种用于城市生命线的地下管网交互风险预警系统 |
CN116302841A (zh) * | 2023-04-13 | 2023-06-23 | 银川兴诚电子科技有限公司 | 一种工业物联网安全监测方法及系统 |
CN116414948A (zh) * | 2023-05-06 | 2023-07-11 | 沈阳润扬网络科技有限公司 | 基于云数据和人工智能的异常数据挖掘方法及软件产品 |
KR102554715B1 (ko) * | 2023-04-06 | 2023-07-13 | 주식회사 엠아이소프트 | 상하수도 시설의 현장계측 데이터의 홀딩, 예외상황, 복합상황에 대한 웹 알람 통합서비스를 지원하는 시스템 및 방법 |
CN116557787A (zh) * | 2023-07-11 | 2023-08-08 | 杭州国辰智企科技有限公司 | 管网状态智能评估系统及其方法 |
CN116976359A (zh) * | 2023-09-22 | 2023-10-31 | 太仓市律点信息技术有限公司 | 在线业务会话的异常检测报告分析方法、服务器及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3223095B1 (en) * | 2016-03-22 | 2024-03-06 | Siemens Energy Global GmbH & Co. KG | Method and apparatus for optimizing diagnostics of rotating equipment |
US10776191B2 (en) * | 2017-11-30 | 2020-09-15 | International Business Machines Corporation | Anomaly detection in a sensor network |
-
2023
- 2023-12-05 CN CN202311649818.1A patent/CN117370818B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200074652A (ko) * | 2018-12-17 | 2020-06-25 | 김홍규 | 스마트팩토리 데이터 관리 및 플랫폼 서비스를 위한 장치 |
KR20220063928A (ko) * | 2020-11-11 | 2022-05-18 | 인천대학교 산학협력단 | 수도 관망 내에서의 누수 여부를 모니터링하는 누수 모니터링 장치 및 그 동작 방법 |
CN113494939A (zh) * | 2021-04-15 | 2021-10-12 | 浙江工商大学 | 一种农村生活污水分散式监测方法 |
CN115293507A (zh) * | 2022-07-04 | 2022-11-04 | 中国电力科学研究院有限公司 | 面向电网调度运行管理的态势知识图谱构建方法及系统 |
CN116307673A (zh) * | 2022-09-09 | 2023-06-23 | 苏交科集团股份有限公司 | 一种用于城市生命线的地下管网交互风险预警系统 |
CN115910066A (zh) * | 2022-09-15 | 2023-04-04 | 平湖市通用电气安装有限公司 | 用于区域配电网的智能调度指挥与运营系统 |
CN116028646A (zh) * | 2023-02-09 | 2023-04-28 | 云南电网有限责任公司红河供电局 | 一种基于机器学习的电网调度领域知识图谱构建方法 |
KR102554715B1 (ko) * | 2023-04-06 | 2023-07-13 | 주식회사 엠아이소프트 | 상하수도 시설의 현장계측 데이터의 홀딩, 예외상황, 복합상황에 대한 웹 알람 통합서비스를 지원하는 시스템 및 방법 |
CN116108699A (zh) * | 2023-04-07 | 2023-05-12 | 南京宇图时空科技有限公司 | 城市排水管网预警系统、预警方法及计算机可读存储介质 |
CN116302841A (zh) * | 2023-04-13 | 2023-06-23 | 银川兴诚电子科技有限公司 | 一种工业物联网安全监测方法及系统 |
CN116414948A (zh) * | 2023-05-06 | 2023-07-11 | 沈阳润扬网络科技有限公司 | 基于云数据和人工智能的异常数据挖掘方法及软件产品 |
CN116228871A (zh) * | 2023-05-08 | 2023-06-06 | 山东齐芯智控科技有限公司 | 一种供热管网运行状态智能监测系统 |
CN116557787A (zh) * | 2023-07-11 | 2023-08-08 | 杭州国辰智企科技有限公司 | 管网状态智能评估系统及其方法 |
CN116976359A (zh) * | 2023-09-22 | 2023-10-31 | 太仓市律点信息技术有限公司 | 在线业务会话的异常检测报告分析方法、服务器及介质 |
Non-Patent Citations (4)
Title |
---|
An Integrated BIM-GIS Method for Planning of Water Distribution System;Linlin Zhao 等;《International Journal of Geo-Information》;1-22 * |
Deep Learning-assisted automated sewage pipe defect detection for urban water environment management;Lianpeng Sun 等;《Science of the Total Environment》;1-12 * |
咸潮情景影响下城市供水系统弹性能力评估研究;刘健;黄文杰;;《现代城市研究》(第09期);32-40 * |
基于机器学习的供水管网爆管诊断方法研究与实现;杨桃;《中国优秀硕士学位论文全文数据库工程科技II辑》;C038-580 * |
Also Published As
Publication number | Publication date |
---|---|
CN117370818A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vercruyssen et al. | Semi-supervised anomaly detection with an application to water analytics | |
CN108596229B (zh) | 在线异常的监测诊断方法和系统 | |
EP2472467B1 (en) | System and method for monitoring resources in a water utility network | |
Mounce et al. | Pattern matching and associative artificial neural networks for water distribution system time series data analysis | |
CN108345282B (zh) | 一种基于人工智能的泵站运行异常诊断方法及系统 | |
CN117370818B (zh) | 基于人工智能的供排水管网智能诊断方法及智慧环保系统 | |
CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
Wan et al. | Literature review of data analytics for leak detection in water distribution networks: A focus on pressure and flow smart sensors | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
GB2507184A (en) | Anomaly event classification in a network of pipes for resource distribution | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
CN117287640B (zh) | 供水风险的预警方法、装置、设备及存储介质 | |
Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
Xing et al. | Streaming sensor data validation in networked infrastructure systems through synergic auto and cross similarity discovery and analysis | |
Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
CN113551157B (zh) | 基于传感器网络的油气数据采集系统及方法 | |
Chao | Anomaly detection for natural gas regulator stations | |
Zhao et al. | Burst detection in district metering areas using flow subsequences clustering–reconstruction analysis | |
CN118111058A (zh) | 空调系统故障诊断和预测性健康管理方法及设备 | |
CN118014185A (zh) | 一种基于大数据的市政管网健康度在线监测系统 | |
CN117669366A (zh) | 一种融合气温的供水管网安全风险动态评估方法 | |
AU2011221399A1 (en) | System and method for monitoring resources in a water utility network | |
CN118016268A (zh) | 一种基于人工智能的智慧医疗系统 |
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 |