CN117606577B - 一种再生水和自来水切换流量实时监测方法及系统 - Google Patents

一种再生水和自来水切换流量实时监测方法及系统 Download PDF

Info

Publication number
CN117606577B
CN117606577B CN202410086690.0A CN202410086690A CN117606577B CN 117606577 B CN117606577 B CN 117606577B CN 202410086690 A CN202410086690 A CN 202410086690A CN 117606577 B CN117606577 B CN 117606577B
Authority
CN
China
Prior art keywords
data
water flow
water
signal
switching
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
Application number
CN202410086690.0A
Other languages
English (en)
Other versions
CN117606577A (zh
Inventor
许斌
刘潇雨
刘莉
翟晓亮
杨楠
王建昌
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.)
Qingdao Haiwan Reclaimed Water Co ltd
Original Assignee
Qingdao Haiwan Reclaimed Water 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 Qingdao Haiwan Reclaimed Water Co ltd filed Critical Qingdao Haiwan Reclaimed Water Co ltd
Priority to CN202410086690.0A priority Critical patent/CN117606577B/zh
Publication of CN117606577A publication Critical patent/CN117606577A/zh
Application granted granted Critical
Publication of CN117606577B publication Critical patent/CN117606577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D3/00—Arrangements for supervising or controlling working operations
    • F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
    • 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
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G01F1/66—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by measuring frequency, phase shift or propagation time of electromagnetic or other waves, e.g. using ultrasonic flowmeters
    • G01F1/667—Arrangements of transducers for ultrasonic flowmeters; Circuits for operating ultrasonic flowmeters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
    • 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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mechanical Engineering (AREA)
  • Electromagnetism (AREA)
  • Measuring Volume Flow (AREA)

Abstract

本发明涉及水流量监测技术领域，尤其涉及一种再生水和自来水切换流量实时监测方法及系统。该方法包括以下步骤：获取管道水流实时监测数据；对管道水流实时监测数据进行水流类型识别，以生成水流类型数据，水流类型数据包括自来水管道水流数据及再生水管道水流数据；利用传感器对自来水管道水流数据进行脉冲超声波发射处理，生成自来水流信号波形数据；对自来水流信号波形数据进行离散化处理，以生成自来水流信号序列数据；对自来水流信号序列数据进行水流动态特征分析，以生成自来水流动态特征数据；对自来水流动态特征数据进行信号频率分析，生成自来水流信号频率数据。本发明实现了高效的水流量切换。

Description

一种再生水和自来水切换流量实时监测方法及系统
技术领域
本发明涉及水流量监测技术领域，尤其涉及一种再生水和自来水切换流量实时监测方法及系统。
背景技术
随着环境保护和资源利用的重要性日益凸显，再生水作为一种可再生资源得到了广泛应用，在许多应用领域，如工业生产、农业灌溉和城市供水等，再生水与传统的自来水被同时使用，然而，再生水和自来水的水质特性和供水方式存在差异，因此在使用过程中需要进行准确监测和控制以确保水质安全和供水可靠性，目前，再生水和自来水的切换流量实时监测方法及系统已成为一个重要的研究领域，传统的监测方法主要依赖于人工观察和离线水质分析，存在着监测不及时、切换效率不高的问题，因此，为了满足实时监测和自动控制的需求，需要一种智能化的再生水和自来水切换流量监测方法及系统。
发明内容
本发明为解决上述技术问题，提出了一种再生水和自来水切换流量实时监测方法及系统，以解决至少一个上述技术问题。
本发明提供一种再生水和自来水切换流量实时监测方法，包括以下步骤：
步骤S1：获取管道水流实时监测数据；对管道水流实时监测数据进行脉冲超声波发射处理，生成自来水流信号波形数据；
步骤S2：对自来水流信号波形数据进行水流动态特征分析，以生成自来水流动态特征数据；
步骤S3：对自来水流动态特征数据进行水流量切换决策分析，构建自来水切换策略；
步骤S4：对管道水流实时监测数据进行电磁场拟合，构建再生水动态电磁场模型；
步骤S5：通过再生水动态电磁场模型进行水流量切换决策分析，构建再生水切换引擎；
步骤S6：利用自来水切换策略及再生水切换引擎进行神经网络建模，构建水流量切换神经网络模型。
本发明通过实时监测数据提供了管道水流的实时状态信息，为后续的水流分析和决策提供基础数据，通过脉冲超声波发射处理，生成的自来水流信号波形数据具有更高的精度和准确性，可以更好地反映水流的动态特性，水流动态特征数据提供了自来水流的关键特征信息，如流速、流量、压力等，可以用于进一步的水流量切换决策和优化分析，通过对水流信号波形数据进行分析，可以提取出水流的动态特征，为后续的决策和优化提供数据支持，自来水切换策略根据水流动态特征数据进行决策分析，可以实现根据实时需求切换自来水的流量，以满足不同水流需求，利用水流动态特征数据进行决策分析，可以提高自来水系统的效率和灵活性，实现对水流的精确控制，通过电磁场拟合，可以对管道水流实时监测数据进行建模，构建再生水的动态电磁场，再生水动态电磁场模型可以反映再生水的特性和变化，为后续的水流量切换决策和优化提供基础数据，利用再生水动态电磁场模型进行水流量切换决策分析，可以实现根据实时需求切换再生水的流量，以满足不同水流需求，再生水切换引擎基于再生水动态电磁场模型数据，可以提供精确的水流量切换策略，提高再生水系统的效率和灵活性，水流量切换神经网络模型可以根据再生水动态电磁场模型数据进行优化分析，实现水流量的自适应调节，通过神经网络模型的训练和优化，可以进一步提高再生水系统的水流量切换效果，提供更加智能和高效的水流量管理方案。
在本说明书中，提供一种再生水和自来水切换流量实时监测系统，用于执行如上所述的再生水和自来水切换流量实时监测方法，包括：
信号波形模块，用于获取管道水流实时监测数据；对管道水流实时监测数据进行脉冲超声波发射处理，生成自来水流信号波形数据；
信号序列模块，用于对自来水流信号波形数据进行水流动态特征分析，以生成自来水流动态特征数据；
频率峰值模块，用于对自来水流动态特征数据进行水流量切换决策分析，构建自来水切换策略；
动态电磁场模块，用于对管道水流实时监测数据进行电磁场拟合，构建再生水动态电磁场模型；
电磁相位模块，用于通过再生水动态电磁场模型进行水流量切换决策分析，构建再生水切换引擎；
神经网络构建模块，利用自来水切换策略及再生水切换引擎进行神经网络建模，构建水流量切换神经网络模型。
本发明通过信号波形模块可以获取管道水流的实时监测数据，这些数据可以用于后续的处理和分析。通过对实时监测数据进行处理，可以对水流进行类型识别，即区分自来水管道水流和再生水管道水流，从而生成水流类型数据，提供不同水流类型的信息。信号序列模块对信号波形数据经过离散化处理后，转化为离散的水流信号序列数据，使得数据更易于分析和处理，对自来水流信号序列数据进行分析，提取水流的动态特征数据，例如振幅、频率、周期等，用于后续的分析和决策。频率峰值模块对自来水流动态特征数据进行频率分析，以获取信号的频率信息，即水流信号频率数据。基于频率分析结果，计算出信号的频率峰值数据，即频率峰值模块输出的数据，用于后续的水流量切换决策分析。根据预设的自来水水流频率阈值，对信号频率峰值数据进行分析，构建自来水切换策略，用于判断何时进行再生水和自来水的切换，动态电磁场模块通过动态电磁场模块对再生水管道水流数据进行电磁感应检测，以获取再生水的电磁感应数据。对再生水电磁感应数据进行电导信号特征分析，提取出再生水的电导信号特征数据，用于后续的分析和决策。通过对电导信号特征数据进行电磁场拟合，构建再生水的动态电磁场，为后续的电磁相位计算提供基础。电磁相位模块利用再生水动态电磁场模型对再生水管道水流数据进行电磁相位范围计算，生成再生水的电磁相位范围数据。基于预设的再生水电磁相位范围阈值，对电磁相位范围数据进行分析，构建再生水切换引擎，用于判断何时进行再生水和自来水的切换。神经网络构建模块对自适应自来水切换策略及自适应再生水切换引擎进行水流量自适应优化分析，以构建自适应切换优化决策数据。利用深度神经网络对自适应切换优化决策数据进行建模，构建水流量切换的神经网络模型，用于实现对再生水和自来水切换流量的实时监测和预测。
附图说明
图1为本发明一种再生水和自来水切换流量实时监测方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种再生水和自来水切换流量实时监测方法及系统。所述再生水和自来水切换流量实时监测方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供了一种再生水和自来水切换流量实时监测方法，包括以下步骤：
步骤S1：获取管道水流实时监测数据；对管道水流实时监测数据进行脉冲超声波发射处理，生成自来水流信号波形数据；
步骤S2：对自来水流信号波形数据进行水流动态特征分析，以生成自来水流动态特征数据；
步骤S3：对自来水流动态特征数据进行水流量切换决策分析，构建自来水切换策略；
步骤S4：对管道水流实时监测数据进行电磁场拟合，构建再生水动态电磁场模型；
步骤S5：通过再生水动态电磁场模型进行水流量切换决策分析，构建再生水切换引擎；
步骤S6：利用自来水切换策略及再生水切换引擎进行神经网络建模，构建水流量切换神经网络模型。
本发明通过实时监测数据提供了管道水流的实时状态信息，为后续的水流分析和决策提供基础数据，通过脉冲超声波发射处理，生成的自来水流信号波形数据具有更高的精度和准确性，可以更好地反映水流的动态特性，水流动态特征数据提供了自来水流的关键特征信息，如流速、流量、压力等，可以用于进一步的水流量切换决策和优化分析，通过对水流信号波形数据进行分析，可以提取出水流的动态特征，为后续的决策和优化提供数据支持，自来水切换策略根据水流动态特征数据进行决策分析，可以实现根据实时需求切换自来水的流量，以满足不同水流需求，利用水流动态特征数据进行决策分析，可以提高自来水系统的效率和灵活性，实现对水流的精确控制，通过电磁场拟合，可以对管道水流实时监测数据进行建模，构建再生水的动态电磁场，再生水动态电磁场模型可以反映再生水的特性和变化，为后续的水流量切换决策和优化提供基础数据，利用再生水动态电磁场模型进行水流量切换决策分析，可以实现根据实时需求切换再生水的流量，以满足不同水流需求，再生水切换引擎基于再生水动态电磁场模型数据，可以提供精确的水流量切换策略，提高再生水系统的效率和灵活性，水流量切换神经网络模型可以根据再生水动态电磁场模型数据进行优化分析，实现水流量的自适应调节，通过神经网络模型的训练和优化，可以进一步提高再生水系统的水流量切换效果，提供更加智能和高效的水流量管理方案。
在一实施例中，步骤S1具体为：获取管道水流实时监测数据；对管道水流实时监测数据进行水流类型识别，以生成水流类型数据，水流类型数据包括自来水管道水流数据及再生水管道水流数据；利用传感器对自来水管道水流数据进行脉冲超声波发射处理，生成自来水流信号波形数据；
步骤S2具体为：对自来水流信号波形数据进行离散化处理，以生成自来水流信号序列数据；对自来水流信号序列数据进行水流动态特征分析，以生成自来水流动态特征数据；
步骤S3具体为：对自来水流动态特征数据进行信号频率分析，生成自来水流信号频率数据；对自来水流信号频率数据进行频率峰值计算，以生成信号频率峰值数据；基于预设的自来水水流频率阈值对信号频率峰值数据进行水流量切换决策分析，构建自来水切换策略；
步骤S4具体为：对再生水管道水流数据进行电磁感应检测，生成再生水电磁感应数据；对再生水电磁感应数据进行电导信号特征分析，生成再生水电导信号特征数据；对再生水电导信号特征数据进行电磁场拟合，构建再生水动态电磁场模型；
步骤S5具体为：通过再生水动态电磁场模型对再生水管道水流数据进行电磁相位范围计算，生成再生水电磁相位范围数据；基于预设的再生水电磁相位范围阈值对再生水电磁相位范围数据进行水流量切换决策分析，构建再生水切换引擎；
步骤S6具体为：对自来水切换策略及再生水切换引擎进行水流量自适应优化分析，以构建自适应切换优化决策数据；利用深度神经网络对自适应切换优化决策数据进行神经网络建模，构建水流量切换神经网络模型。
本发明通过实时监测管道水流数据，能够及时获取水流信息，实现对水流的动态监测和控制，水流类型识别可以区分自来水和再生水，并为后续的切换流量监测和控制提供基础数据，利用传感器对自来水管道水流进行脉冲超声波发射处理，可以获取自来水流的波形数据，为后续的特征分析和频率计算提供基础，通过离散化处理水流信号波形数据，将连续的波形数据转化为离散的序列数据，方便后续的分析和处理，对自来水流动态特征进行分析，可以提取出水流的关键特征，例如流速、压力变化等，为后续的频率分析和切换决策提供依据，通过信号频率分析，可以获取自来水流的频率特征，进一步了解水流的变化情况，频率峰值计算可以确定自来水流的主要频率成分，为后续的切换决策提供依据，基于预设的频率阈值，对信号频率峰值数据进行分析，判断当前水流是否符合切换条件，从而构建自来水切换策略，通过电磁感应检测，可以获取再生水管道水流的电磁感应数据，从而了解水流的电导特性，对电磁感应数据进行特征分析，可以提取出再生水的电导特征，为后续的相位范围计算和切换引擎构建提供依据，通过电磁场拟合，可以建立再生水的动态电磁场模型，进一步理解再生水的特性和变化情况，利用再生水动态电磁场模型进行电磁相位范围计算，可以确定再生水的相位特征，了解再生水的变化情况，基于预设的电磁相位范围阈值，对相位范围数据进行分析，判断当前再生水流是否符合切换条件，从而构建再生水切换引擎，通过对自适应切换策略和切换引擎进行优化分析，可以进一步提升水流切换的效果和性能，构建自适应切换优化决策数据，为后续的决策过程提供准确的参考和指导，利用深度神经网络对自适应切换优化决策数据进行建模，可以实现更加智能和高效的水流量切换，提高系统的自适应性和优化能力。
本发明实施例中，参考图1所述，为本发明一种再生水和自来水切换流量实时监测方法的步骤流程示意图，在本实例中，所述再生水和自来水切换流量实时监测方法的步骤包括：
步骤S1：获取管道水流实时监测数据；对管道水流实时监测数据进行水流类型识别，以生成水流类型数据，水流类型数据包括自来水管道水流数据及再生水管道水流数据；利用传感器对自来水管道水流数据进行脉冲超声波发射处理，生成自来水流信号波形数据；
本实施例中，在自来水管道和再生水管道中安装合适的水流监测传感器，以便实时监测水流数据。传感器通过测量水流的特定参数（如流速、流量、压力等）来获取管道水流实时监测数据。这些数据可以通过传感器接口或其他数据采集系统进行记录和存储。利用机器学习算法、模式识别技术或规则-based 方法，对提取的特征进行分析和分类，以识别出自来水管道和再生水管道的水流类型。通过传感器接收反射信号，并记录下脉冲超声波发射处理后的自来水流信号波形数据。对采集到的波形数据进行滤波、增益调整和时域/频域分析等处理步骤，以获得更准确的自来水流信号特征。
步骤S2：对自来水流信号波形数据进行离散化处理，以生成自来水流信号序列数据；对自来水流信号序列数据进行水流动态特征分析，以生成自来水流动态特征数据；
本实施例中，根据信号的采样频率，确定采样率，即每秒采集的数据点数。常用的采样频率为每秒1000个或更高。根据需要的时间分辨率，确定采样窗口的长度。窗口长度较短可以提供更高的时间分辨率，但丢失一些低频信息；窗口长度较长可以提供更多的频率信息，但丧失一些快速变化的细节。将采样窗口应用于水流信号波形数据，从起始位置开始，以一定的步长滑动窗口，对每个窗口内的数据进行采样，在每个采样窗口内，提取关键的数据点或特征，如振幅、能量、频率等。这些数据点将形成水流信号序列数据。使用傅里叶变换或其他频域分析方法，将水流信号序列数据转换为频域表示，提取频域特征，如频谱分布、主频成分等。这些特征反映了水流信号中不同频率分量的贡献。通过计算差分、一阶或二阶导数等方法，从水流信号序列数据中提取动态特征，如变化速率、趋势、波动性等。这些特征描述了水流的动态变化特性。
步骤S3：对自来水流动态特征数据进行信号频率分析，生成自来水流信号频率数据；对自来水流信号频率数据进行频率峰值计算，以生成信号频率峰值数据；基于预设的自来水水流频率阈值对信号频率峰值数据进行水流量切换决策分析，构建自来水切换策略；
本实施例中，将自来水流动态特征数据转化为频域表示，通过应用FFT等频谱估计方法，将信号从时域转换为频域，得到自来水流信号频率数据，在频率数据中，寻找具有最高幅值的频率峰值。这可以通过寻找频谱数据中的极大值点或通过应用峰值检测算法（如基于阈值或局部极大值的方法）来实现，从频率数据中提取峰值的频率值，作为信号频率峰值数据。可以选择提取单个主要峰值或多个峰值，具体取决于需求和分析目的，根据自来水水流量切换的需求和特定应用场景，预设自来水水流频率阈值。该阈值可根据实际情况和先前的数据分析进行设定，将信号频率峰值数据与预设的频率阈值进行比较。根据频率峰值高于或低于阈值的情况，进行水流量切换决策分析，基于频率峰值数据和水流量切换决策分析结果，构建自来水切换策略。例如，如果频率峰值高于阈值，表示自来水流量正常，切换到自来水供水；如果频率峰值低于阈值，表示自来水流量不足，切换到再生水水源供水，根据切换策略中的决策结果，执行相应的切换操作。
步骤S4：对再生水管道水流数据进行电磁感应检测，生成再生水电磁感应数据；对再生水电磁感应数据进行电导信号特征分析，生成再生水电导信号特征数据；对再生水电导信号特征数据进行电磁场拟合，构建再生水动态电磁场模型；
本实施例中，将电磁感应设备安装在再生水管道上，确保设备与水流充分接触，并能够准确地测量电磁感应信号，使用电磁感应设备采集再生水管道中的电磁感应信号。这些信号包含了水流通过管道时产生的电磁感应特征。对采集到的电磁感应数据进行预处理和滤波，去除噪声和干扰。然后，从处理后的数据中提取关键特征，如电磁感应信号的振幅、频率等。从电磁感应数据中提取电导信号。电导信号是电磁感应数据中与水流电导率相关的部分。对电导信号进行特征计算，包括平均值、峰值、波动性等。这些特征提供了关于再生水电导率的信息。使用适当的拟合算法（如曲线拟合、多项式拟合等）对电导信号特征数据进行拟合，以构建再生水的动态电磁场模型。拟合过程将根据电导信号特征数据的变化趋势，生成描述电磁场动态变化的数学模型。
步骤S5：通过再生水动态电磁场模型对再生水管道水流数据进行电磁相位范围计算，生成再生水电磁相位范围数据；基于预设的再生水电磁相位范围阈值对再生水电磁相位范围数据进行水流量切换决策分析，构建再生水切换引擎；
本实施例中，从再生水动态电磁场模型中提取电磁相位数据。电磁相位是电磁场振荡的相对位置和变化情况。根据提取的电磁相位数据，计算电磁相位的范围。相位范围表示振荡的最大相位差值，反映了再生水管道水流的变化情况，对计算得到的电磁相位范围数据进行预处理和滤波，去除噪声和不必要的波动。从处理后的数据中提取关键特征，如平均值、峰值、波动性等，以描述再生水电磁相位范围的特征。根据再生水流量切换的需求和特定应用场景，预设再生水电磁相位范围阈值。该阈值可根据实际情况和先前的数据分析进行设定。将再生水电磁相位范围数据与预设的相位范围阈值进行比较。根据相位范围高于或低于阈值的情况，进行水流量切换决策分析。基于相位范围数据和水流量切换决策分析结果，构建再生水切换引擎。例如，如果相位范围高于阈值，表示再生水流量正常，不必要进行水切换，如果相位范围低于阈值，表示再生水流量不足，切换到自来水水源供水。
步骤S6：对自适应自来水切换策略及自适应再生水切换引擎进行水流量自适应优化分析，以构建自适应切换优化决策数据；利用深度神经网络对自适应切换优化决策数据进行神经网络建模，构建水流量切换神经网络模型。
本实施例中，评估当前使用的自适应自来水切换策略及自适应再生水切换引擎的性能。分析切换策略在不同情况下的表现，如峰值时段、供水稳定性等。基于评估结果，构建自适应切换优化决策数据，包括自来水和再生水切换时机、切换频率等。选择合适的深度神经网络架构，如多层感知机（Multilayer Perceptron）或卷积神经网络（ConvolutionalNeural Network）等。使用训练集对神经网络模型进行训练，通过反向传播算法调整网络参数，使其能够准确地学习和预测自适应切换优化决策。使用验证集对训练得到的模型进行验证，评估其性能并进行调优，包括调整网络结构、优化超参数等。
本实施例中，参考图2所述，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：获取管道水流实时监测数据；
步骤S12：对管道水流实时监测数据进行水流类型识别，以生成水流类型数据，水流类型数据包括自来水管道水流数据及再生水管道水流数据；
步骤S13：利用传感器对自来水管道水流数据进行脉冲超声波发射处理，获取脉冲超声信号数据；
步骤S14：对脉冲超声信号数据进行信号峰谷周期分析，生成信号峰谷周期数据；
步骤S15：对信号峰谷周期数据进行波形形态识别，得到信号波形形态数据；
步骤S16：对信号波形形态数据进行水流波动变形分析，生成自来水流信号波形数据。
本发明通过获取管道水流实时监测数据，可以及时获得水流的相关信息，包括流量、压力、温度等参数，从而实现对水流的实时监测和控制，水流类型识别可以区分自来水和再生水，从而为后续的切换流量监测和控制提供基础数据，对于水资源管理和优化利用来说，准确识别水流类型非常重要，通过脉冲超声波发射处理，可以获取自来水管道水流的脉冲超声信号数据，这些信号数据包含了自来水流的波形信息，可以用于进一步分析和判断水流的特征，通过信号峰谷周期分析，可以提取出自来水流信号中的峰值和谷值，并计算出它们之间的周期，这些周期数据反映了自来水流的波动情况，有助于进一步了解水流的动态特征，通过波形形态识别，可以对自来水流信号的波形形态进行分类和判断，不同的波形形态代表了不同的水流状态，例如稳定流、尖峰流等，有助于进一步分析水流的特性和变化，通过水流波动变形分析，可以分析自来水流信号的波形变化情况，包括振幅、周期、形状等方面的变化，这些波形数据提供了自来水流的详细特征，有助于进一步了解水流的动态变化和波动情况。
本实施例中，在自来水管道和再生水管道上安装合适的传感器设备，用于实时监测水流数据，传感器可以包括流量计、压力传感器、温度传感器等，通过传感器设备获取管道水流的实时监测数据，传感器会测量并记录水流的各项参数，如流量、压力、温度等，并输出对应的数据，对管道水流实时监测数据进行预处理，包括数据清洗、去噪等操作，确保数据质量和准确性，基于预处理后的管道水流数据，使用合适的算法或分类模型进行水流类型识别，该步骤可以根据不同特征或参数，将水流数据分为自来水管道水流数据和再生水管道水流数据，并生成对应的水流类型数据，通过传感器设备对自来水管道水流数据进行脉冲超声波发射处理，这种处理方式通常涉及将超声波信号发送到水流中，并通过接收器接收返回的超声波信号，接收器将返回的超声波信号转换为电信号，并将其采集为脉冲超声信号数据，这些数据包含了水流中超声波的特征和传播信息，对脉冲超声信号数据进行分析，提取其中的峰值和谷值，并计算它们之间的周期，这些周期数据反映了水流中的波动情况，于信号峰谷周期数据，进行波形形态的识别和分析，这可以涉及使用特定的算法或模型来识别不同的波形形态，如平稳、周期性、不规则等，利用信号波形形态数据，进行水流波动和变形的分析，这可以涉及检测和描述水流中的各种波动和变形情况，如尖峰、波动幅度等，根据波动变形分析的结果，生成自来水流信号波形数据，描述了水流信号的波动和变形特征。
本实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对自来水流信号波形数据进行离散化处理，生成自来水流信号离散矢量数据；
步骤S22：根据信号峰谷周期数据对自来水流信号离散矢量数据进行间隔采样处理，以生成自来水流信号序列数据；
步骤S23：对自来水流信号序列数据进行频域转换，以生成自来水流序列频域数据；
步骤S24：对自来水流序列频域数据进行水流时序分析，以生成自来水流时序序列数据；
步骤S25：对自来水流时序序列数据进行水流动态特征分析，以生成自来水流动态特征数据。
本发明通过离散化处理自来水流信号波形数据，将连续的波形数据转换为离散的矢量数据，这样处理可以减少数据的复杂性，并为后续的数据分析和处理提供更方便的基础，通过根据信号峰谷周期数据进行间隔采样处理，可以从自来水流信号离散矢量数据中提取出关键的数据点，形成水流信号序列数据，这样处理可以进一步简化数据，提取出水流信号的重要特征，方便后续的分析和处理，通过对自来水流信号序列数据进行频域转换，可以将时域数据转换为频域数据，频域数据反映了水流信号在不同频率上的能量分布情况，有助于分析水流的频域特征和频率成分，为后续的分析提供更多信息，通过水流时序分析，可以对自来水流序列频域数据进行进一步处理，提取出水流的时域特征和时序序列数据，时序序列数据反映了水流信号的变化规律和趋势，有助于了解水流的动态特性和变化趋势，通过水流动态特征分析，可以对自来水流时序序列数据进行深入分析，提取出水流的动态特征，这些动态特征包括流速变化、流量波动、压力变化等，可以帮助理解自来水流的动态性和变化情况，这些特征数据对于监测和评估水流的稳定性、可靠性以及切换流量的实时监测非常有用。
本实施例中，将水流信号波形数据进行离散化处理，这可以涉及对连续的波形数据进行采样或量化，将其转换为离散的数值表示，使用适当的采样率或量化方法，对水流信号波形数据进行处理，将其转换为一系列离散的数据点，这些数据点构成了水流信号的离散矢量数据，根据信号峰谷周期数据，对水流信号离散矢量数据进行间隔采样处理，这意味着根据信号峰谷周期的时间间隔，选择合适的离散矢量数据进行采样，形成水流信号的序列数据，对自来水流信号序列数据进行频域转换，将其从时域转换为频域，常用的频域转换方法包括傅里叶变换或小波变换，根据频域转换的结果，生成自来水流序列频域数据，这些数据展示了自来水流信号在不同频率上的能量分布和频谱特征，基于自来水流序列频域数据，进行时序分析，这可以涉及检测和描述水流信号在时间上的变化趋势、周期性和规律性等，对自来水流时序序列数据进行动态特征分析，这可以涉及提取和计算各种动态特征，如平均值、方差、斜度、峰度等，以描述自来水流信号的动态变化特征，根据动态特征分析的结果，生成自来水流动态特征数据，这些数据提供了关于自来水流信号动态特性的详细信息。
本实施例中，参考图4所述，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：对自来水流动态特征数据进行频带间功率分布分析，以生成信号频带功率分布数据；
步骤S32：对信号频带功率分布数据进行高次谐波分量分析，得到信号高次谐波数据；
步骤S33：对信号高次谐波数据进行信号频率分析，生成自来水流信号频率数据；
步骤S34：利用脉冲超声波信号频率峰值计算公式对自来水流信号频率数据进行频率峰值计算，以生成信号频率峰值数据；
步骤S35：基于预设的自来水水流频率阈值对信号频率峰值数据进行比较，当预设的自来水水流频率阈值大于信号频率峰值数据时，进行水流量切换决策分析，构建自来水切换策略。
本发明通过对自来水流动态特征数据进行频带间功率分布分析，可以将信号在不同频带上的功率分布情况提取出来，这样的分析可以帮助了解自来水流信号在不同频带上的能量分布情况，为后续的分析和判断提供重要依据，通过对信号频带功率分布数据进行高次谐波分量分析，可以进一步提取出信号中的高次谐波成分，高次谐波分量反映了信号中频率较高的成分，这些成分与异常或特定的水流情况相关，通过分析高次谐波数据，可以更细致地了解自来水流信号的频谱特征，通过对信号高次谐波数据进行信号频率分析，可以提取出自来水流信号的频率特征，频率数据反映了信号中的主要频率成分，这对于区分不同水流状态和异常情况非常重要，通过分析频率数据，可以获得自来水流信号在不同频段上的频率特征，为后续的分析和判断提供基础，通过利用脉冲超声波信号频率峰值计算公式，可以计算自来水流信号频率数据中的频率峰值，频率峰值是信号中最显著的频率成分，它的变化可以反映出自来水流的特定特征或状态，通过计算频率峰值数据，可以定量地描述自来水流信号的主要频率峰值特征，为后续的分析和判断提供参考依据，通过比较预设的自来水水流频率阈值和信号频率峰值数据，可以判断当前自来水流的频率状态是否符合预期，这样的比较可以帮助进行水流量切换决策分析，即判断是否需要切换到再生水流量，当预设的自来水水流频率阈值大于信号频率峰值数据，说明自来水水压或者水流量过低，需要切换成再生水管道供水，确保水流质量和供水的稳定性。
本实施例中，对自来水流动态特征数据进行频带间功率分布分析。这可以涉及将动态特征数据进行频带划分，并计算每个频带内的功率分布情况。根据频带间功率分布分析的结果，生成信号频带功率分布数据。这些数据反映了自来水流信号在不同频带上的功率分布情况。对信号频带功率分布数据进行高次谐波分量分析。这可以涉及检测和提取信号中存在的高次谐波成分，这些成分是基频的倍数。根据高次谐波分量分析的结果，得到信号的高次谐波数据。这些数据表示了信号中存在的高次谐波成分及其相对强度。对信号高次谐波数据进行频率分析。这可以涉及检测和计算高次谐波成分的频率，即每个高次谐波的频率值。根据频率分析的结果，生成自来水流信号的频率数据。这些数据提供了关于信号高次谐波成分的频率信息。利用脉冲超声波信号频率峰值计算公式，对自来水流信号频率数据进行峰值计算。这可以涉及寻找频率数据中的最高峰值或主要峰值。根据频率峰值计算的结果，生成信号的频率峰值数据。这些数据表示了自来水流信号中最显著的频率峰值。将预设的自来水水流频率阈值与信号频率峰值数据进行比较。当预设的自来水水流频率阈值大于信号频率峰值数据，说明自来水水压或者水流量过低，需要切换成再生水管道供水，确保水流质量和供水的稳定性。
本实施例中，步骤S34脉冲超声波信号频率峰值计算公式具体为：
；
其中，为信号频率峰值，为脉冲超声波信号的波长，为脉冲超声波信号的 时间宽度，为脉冲超声波信号的振幅，为自来水的声波传播衰减系数，为自来水中声 波信号的散射系数，为自来水声波信号粘性阻力的大小，为超声波信号在介质中的传播 时间，为脉冲超声波信号振幅，为脉冲超声波信号的脉宽。
本发明通过表示脉冲超声波信号的波长与时间宽度的比值，这个比值反 映了波形信号的周期性特征。通过将波长除以时间宽度，可以得到信号的频率，/T 表示脉 冲超声波信号的振幅的倒数。振幅的倒数可以用来表示信号的幅度衰减情况。在某些情况 下，振幅与频率之间存在反比关系。波长和时间宽度参数表示脉冲超声波信号在时间和空 间上的特征。通过考虑波长和时间宽度，可以对信号的周期性和波形进行分析，从而了解脉 冲超声波信号的形态特征。通过引入衰减系数的平方项，考虑声波在自来水中的传播衰减 情况。衰减系数的存在会影响信号频率峰值的计算结果。通过除以总体平方根，可以调整信 号的频率峰值，使其更准确地反映声波在自来水中的传播特性。通过考 虑信号传播过程中的相位变化情况。相位变化可以由信号在水中传播时的路径差、反射、折 射等因素引起。通过引入这一项，可以修正相位变化，确保计算得到的频率峰值对相位变化 具有准确的描述。公式中的声波粘性阻力参数表示声波在水中遇到的粘性阻力大小。通过 考虑声波粘性阻力，可以了解声波在水中的能量耗散情况，从而分析声波在自来水中的传 播衰减过程，超声波传播时间参数表示声波从发射到接收的时间间隔。通过考虑超声波传 播时间，可以确定信号传播的路径长度和时间延迟，从而分析声波在自来水中的传播速度 和时间特性。公式考虑波长和时间宽度的比值、振幅的倒数、衰减系数、材料特性以及信号 的相位变化等因素，以确保计算得到的频率峰值更准确地反映脉冲超声波信号在介质中的 特性。
本实施例中，步骤S4包括以下步骤：
步骤S41：对再生水管道水流数据进行电磁感应检测，生成再生水电磁感应数据；
步骤S42：再生水电磁感应数据进行电导信号特征分析，生成再生水电导信号特征数据；
步骤S43：对再生水电导信号特征数据进行瞬时电导率响应分析，生成瞬时电导率响应数据；
步骤S44：对瞬时电导率响应数据进行电磁强度计算，以生成再生水电磁强度数据；
步骤S45：根据再生水电磁强度数据对再生水电导信号特征数据进行电磁场拟合，构建再生水动态电磁场模型。
本发明通过对再生水管道水流数据进行电磁感应检测，可以获取再生水中的电磁信号，这些电磁信号可以反映再生水中的电导率、电磁场分布等信息，通过分析电磁感应数据，可以获取再生水管道水流的电磁特性，为后续的分析和判断提供重要依据，通过对再生水电磁感应数据进行电导信号特征分析，可以提取再生水中的电导信号特征，电导信号特征包括电导率的变化趋势、峰值、波形等信息，这些特征可以反映再生水中的离子含量、溶解物质浓度等特性，通过分析电导信号特征数据，可以定量地描述再生水的电导特性，为后续的分析和判断提供参考依据，通过对再生水电导信号特征数据进行瞬时电导率响应分析，可以获取再生水的瞬时电导率响应信息，瞬时电导率响应反映了再生水中电导率的瞬时变化情况，例如随着时间的推移，电导率是否稳定，是否存在突变等，通过分析瞬时电导率响应数据，可以了解再生水的临时性特征，为后续的分析和判断提供参考依据，通过对瞬时电导率响应数据进行电磁强度计算，可以计算再生水中的电磁强度，电磁强度反映了再生水中电磁场的强度和分布情况，这对于了解再生水管道中的电磁环境非常重要，通过计算电磁强度数据，可以定量地描述再生水的电磁特性，为后续的分析和判断提供基础，通过根据再生水电磁强度数据对再生水电导信号特征数据进行电磁场拟合，可以构建再生水的动态电磁场模型，动态电磁场模型可以描述再生水管道中的电磁环境，并将其与电导信号特征数据相结合，这样的分析可以帮助了解再生水中电磁场与电导特征的关系，为后续的分析和判断提供更全面的信息。
本实施例中，安装适当的电磁感应传感器或探头在再生水管道中，确保能够准确地测量电磁信号，可以选择感应线圈、磁场传感器等设备，将传感器或探头连接到数据采集系统，以便实时或定期获取再生水管道中的电磁信号数据，在数据采集系统中设置适当的采样率和采样时长，以确保获取足够的数据用于分析，对电磁感应数据进行预处理，包括去除噪声、滤波等，以提高数据质量和准确性，对预处理后的数据进行电导信号特征分析，可以计算电导率、电导强度、电导变化率等指标，以描述再生水管道中的电导特征，对特征数据进行瞬时电导率响应分析，这可以涉及检测电导率的变化趋势和速率，可以使用差分方程、滑动窗口等方法来计算瞬时电导率的变化，基于分析结果，生成瞬时电导率响应数据，该数据反映了再生水电导率的瞬时变化情况，根据电磁感应定律，计算再生水管道中的电磁强度，可以使用合适的电磁场计算方法，如有限元法或有限差分法，基于电磁强度数据，对电导信号特征数据进行电磁场拟合，可以使用适当的数学模型和算法，如回归分析、插值方法等，构建再生水动态电磁场模型，该场描述了再生水管道中电磁强度和电导特征的关系及其变化。
本实施例中，步骤S45的具体步骤为：
步骤S451：对再生水电导信号特征数据进行电磁分布分析，生成电磁分布数据；
步骤S452：根据再生水电磁强度数据对电磁分布数据进行磁场强度分布分析，以生成磁场强度分布图；
步骤S453：对再生水电导信号特征数据进行电磁衰减演化，生成电磁衰减规律；
步骤S454：对磁场强度分布图进行动态时频分析，生成动态磁场强度分布图；
步骤S455：利用电磁衰减规律对动态磁场强度分布图进行电磁场拟合，构建再生水动态电磁场模型。
本发明通过对再生水电导信号特征数据进行电磁分布分析，可以了解再生水管道中电磁场的分布情况，电磁分布数据反映了再生水管道中电磁场的强度和空间分布特征，例如电磁场的均匀性、梯度变化等，这些数据有助于评估再生水管道中的电磁环境，提供重要的参考信息，通过根据再生水电磁强度数据对电磁分布数据进行磁场强度分布分析，可以获得再生水管道中磁场强度的分布情况，磁场强度分布图显示了磁场强度在空间上的变化情况，这对于了解再生水管道中的磁场分布特征非常重要，通过分析磁场强度分布图，可以定量地描述再生水的磁场特性，为后续的分析和判断提供基础，通过对再生水电导信号特征数据进行电磁衰减演化分析，可以揭示再生水管道中电磁信号的衰减规律，电磁衰减规律反映了电磁信号在再生水管道中的传播和衰减情况，例如随距离的增加，电磁信号的衰减程度等，通过分析电磁衰减规律，可以了解再生水管道中电磁信号的传播特性，为后续的分析和判断提供重要依据，通过对磁场强度分布图进行动态时频分析，可以获得再生水管道中磁场强度随时间变化的情况，动态磁场强度分布图显示了磁场强度在时间和频率上的变化特征，这对于了解再生水管道中磁场强度的动态变化非常重要，通过分析动态磁场强度分布图，可以进一步了解再生水管道中磁场的时变特性，为后续的分析和判断提供更详细的信息，通过利用电磁衰减规律对动态磁场强度分布图进行电磁场拟合，可以构建再生水的动态电磁场模型，动态电磁场模型结合了再生水管道中的电磁衰减规律和磁场强度分布图的时变特性，可以更精确地描述再生水管道中的电磁场变化情况，该模型可以用于实时监测再生水和自来水切换流量时的电磁场变化，提供对再生水管道中电磁环境的细致分析。
本实施例中，基于电磁感应原理和特征数据，进行电磁分布分析，可以使用数学模型和算法来推导出再生水管道中电磁场的分布情况，分析得到再生水管道中电磁场的分布数据，可以是电磁场强度、电场分布、磁场分布等，基于电磁感应原理和电磁强度数据，进行磁场强度分布分析，可以使用适当的数学模型和算法来计算磁场强度在再生水管道中的分布情况，根据分析结果，生成磁场强度分布图，该图展示了再生水管道中磁场强度的空间分布情况，进行电磁衰减演化分析，这可以涉及电磁信号的衰减速率、衰减距离等特征，可以使用适当的数学模型和算法来计算电磁信号在再生水管道中的衰减规律，根据分析结果，生成电磁衰减规律，该规律描述了再生水管道中电磁信号衰减的变化趋势，进行动态时频分析，可以使用适当的信号处理方法，如傅里叶变换、小波变换等，来分析磁场强度分布随时间的变化情况，根据分析结果，生成动态磁场强度分布图，该图展示了再生水管道中磁场强度随时间变化的情况，基于电磁衰减规律，对动态磁场强度分布图进行电磁场拟合，可以使用适当的数学模型和算法，如回归分析、插值方法等，构建再生水动态电磁场模型，该场描述了再生水管道中电磁场强度和电导特征的关系，以及随时间变化的情况，这可以提供关于再生水管道中水的质量和特性的重要信息。
本实施例中，步骤S5的具体步骤为：
步骤S51：通过再生水动态电磁场模型对再生水管道水流数据进行电流频率计算，以生成电流频率数据；
步骤S52：基于电流频率数据对再生水动态电磁场模型进行电磁振幅分析，生成电磁振幅数据；
步骤S53：对电磁振幅数据进行波动趋势分析，以生成电磁振幅波动趋势数据；
步骤S54：对电磁振幅波动趋势数据进行电磁相位范围计算，生成再生水电磁相位范围数据；
步骤S55：基于预设的再生水电磁相位范围阈值对再生水电磁相位范围数据进行比较，当预设的再生水电磁相位阈值大于或等于再生水电磁相位范围数据时，进行水流量切换决策分析，构建再生水切换引擎。
本发明通过再生水动态电磁场模型对再生水管道水流数据进行电流频率计算，可以获得再生水管道中水流的电流频率信息，电流频率数据反映了再生水管道中水流的频率特性，例如水流的周期性变化、频率成分等，通过基于电流频率数据对再生水动态电磁场模型进行电磁振幅分析，可以得到再生水管道中电磁振幅的变化情况，电磁振幅数据反映了再生水管道中电磁场振幅的强弱程度，用于描述电磁场的振幅特性，通过分析电磁振幅数据，可以了解再生水管道中电磁场的强度变化，进一步揭示再生水和自来水切换流量引起的电磁场变化情况，通过对电磁振幅数据进行波动趋势分析，可以获得再生水管道中电磁振幅的波动趋势信息，电磁振幅波动趋势数据反映了电磁场振幅在时间上的变化趋势，例如振幅的增减、波动的频率和幅度等，通过分析电磁振幅波动趋势数据，可以判断再生水和自来水切换流量对电磁场振幅的影响程度，以及对管道中水流的稳定性和流量变化的敏感性，通过对电磁振幅波动趋势数据进行电磁相位范围计算，可以获得再生水管道中电磁相位的范围信息，再生水电磁相位范围数据描述了电磁场振幅波动的相位变化情况，例如相位的变化范围、相位的稳定性等，通过分析再生水电磁相位范围数据，可以进一步评估再生水和自来水切换流量对电磁场相位的影响，以及判断管道中水流的相位稳定性和流量变化的特征，基于预设的再生水电磁相位范围阈值，对再生水电磁相位范围数据进行比较，可以判断再生水管道中水流的相位稳定性和流量变化情况是否满足预设的阈值要求，再生水电磁相位范围数据超过预设的阈值，说明再生水水压或水流量过低，需要切换成自来水管道供水，确保水流质量和供水的稳定性。
本实施例中，利用再生水动态电磁场模型，对水流数据进行电流频率计算，电流频率可以通过分析水流中电磁场的变化情况来得到，可以使用适当的数学方法和信号处理技术来提取电流频率信息，生成电流频率数据，该数据描述了再生水管道中水流的频率特征，利用电流频率数据，对再生水动态电磁场模型进行电磁振幅分析，可以通过计算电磁场在不同频率上的振幅值来得到电磁振幅数据，使用适当的数学方法和信号处理技术，如快速傅里叶变换（FFT）等，对电流频率数据进行频谱分析，以获取电磁振幅信息，利用电磁振幅数据，进行波动趋势分析，可以通过计算电磁振幅数据的变化率、波动幅度等指标来分析其波动趋势，使用适当的统计方法和算法，如移动平均、标准差等，对电磁振幅数据进行波动趋势分析，生成电磁振幅波动趋势数据，该数据描述了再生水管道中电磁场振幅的波动情况，利用电磁振幅波动趋势数据，计算电磁相位的范围，电磁相位范围可以表示电磁场振幅的相位变化范围，使用适当的数学方法和算法，如最大值和最小值计算，来计算电磁振幅波动趋势数据的相位范围，将预设的再生水电磁相位阈值与生成的再生水电磁相位范围数据进行比较，如果预设的再生水电磁相位阈值大于或等于再生水电磁相位范围数据，则表示电磁相位的变化在可接受范围内，当再生水电磁相位范围数据超过预设的阈值，说明再生水水压或水流量过低，需要切换成自来水管道供水，确保水流质量和供水的稳定性。
本实施例中，步骤S6的具体步骤为：
步骤S61：对自来水切换策略及再生水切换引擎进行水流量自适应优化分析，以构建自适应切换优化决策数据；
步骤S62：对自适应切换优化决策数据进行交互可视化处理，生成自适应切换优化决策可视化视图；
步骤S63：对自适应切换优化决策可视化视图进行膨胀卷积，以生成卷积决策可视化视图；
步骤S64：利用深度神经网络对卷积决策可视化视图进行神经网络建模，构建水流量切换神经网络模型。
本发明通过对自适应自来水切换策略和自适应再生水切换引擎进行水流量自适应优化分析，可以针对实际情况对切换策略和切换引擎进行改进和优化。这样可以提高再生水和自来水切换流量的效率和准确性，优化切换决策的准确性和稳定性。通过对自适应切换优化决策数据进行交互可视化处理，可以将决策数据以可视化的形式呈现，使得相关的信息更加直观和易于理解。通过可视化视图，用户可以直观地了解自适应切换优化决策的结果，例如切换策略的性能指标、切换引擎的参数设置等。通过对自适应切换优化决策可视化视图进行膨胀卷积处理，可以突出决策视图中的关键特征和区域。膨胀卷积是一种图像处理技术，可以将图像中的边缘和纹理特征进行增强，以提高对图像特征的识别和理解能力。通过生成卷积决策可视化视图，可以更清晰地显示自适应切换优化决策中的重要信息和决策依据，帮助用户更好地分析和评估切换决策的有效性和合理性。通过利用深度神经网络对卷积决策可视化视图进行建模，可以构建水流量切换的神经网络模型。深度神经网络是一种机器学习算法，具有强大的模式识别和学习能力。通过训练神经网络模型，可以从卷积决策可视化视图中学习到切换决策的模式和规律。实现对水流量切换的实时监测和预测，提供准确的切换决策支持。神经网络模型可以根据历史数据和实时输入进行推断和预测，以实现对再生水和自来水切换流量的实时监测和控制。
本实施例中，运用适当的数据分析方法和技术，如统计分析、回归分析等，对水流量数据和性能指标数据进行分析，以评估当前的切换策略和引擎的性能，根据分析结果，确定需要进行优化的方面和可调整的参数，进行水流量自适应优化分析，通过调整自适应切换策略和自适应再生水切换引擎的参数，以达到优化水流量的目标，构建自适应切换优化决策数据，记录优化后的切换策略和引擎参数，以及相应的性能指标数据，根据数据的特点和需求，选择合适的可视化方法和图表类型，如折线图、柱状图、散点图等，以展示自适应切换优化决策数据，创建交互式可视化视图，使用户能够根据需要进行数据筛选、放大缩小、交互操作等，以更好地理解和分析数据，在可视化视图中显示自适应切换优化决策数据的关键信息和趋势，以便用户能够直观地观察和理解优化结果，应用膨胀卷积操作，使用合适的卷积核对可视化视图进行处理，膨胀卷积可以突出图像中的边缘和细节信息，调整卷积核的参数和大小，以获得最佳的卷积效果，生成卷积决策可视化视图，该视图强调了自适应切换优化决策可视化视图中的边缘和细节，使决策信息更加明确和突出，设计深度神经网络模型，可以选择适合问题的网络结构，如卷积神经网络（CNN）或循环神经网络（RNN）等，将数据集划分为训练集和测试集，用于训练和评估神经网络模型的性能，使用训练集对深度神经网络模型进行训练，通过迭代优化模型的参数，使其能够准确地预测水流量切换结果，使用测试集评估训练好的模型的性能，包括准确度、精确度等指标，根据评估结果对模型进行调优，可以调整网络结构、超参数等，以进一步提高模型的性能，完成神经网络建模后，可以将该模型应用于实际的水流量切换决策中，根据卷积决策可视化视图预测最佳的水流量切换策略。
在本实施例中，还提供一种再生水和自来水切换流量实时监测系统，用于执行如上所述的再生水和自来水切换流量实时监测方法，包括：
信号波形模块，用于获取管道水流实时监测数据；对管道水流实时监测数据进行脉冲超声波发射处理，生成自来水流信号波形数据；
信号序列模块，用于对自来水流信号波形数据进行水流动态特征分析，以生成自来水流动态特征数据；
频率峰值模块，用于对自来水流动态特征数据进行水流量切换决策分析，构建自来水切换策略；
动态电磁场模块，用于对管道水流实时监测数据进行电磁场拟合，构建再生水动态电磁场模型；
电磁相位模块，用于通过再生水动态电磁场模型进行水流量切换决策分析，构建再生水切换引擎；
神经网络构建模块，利用自来水切换策略及再生水切换引擎进行神经网络建模，构建水流量切换神经网络模型。
本发明通过信号波形模块可以获取管道水流的实时监测数据，这些数据可以用于后续的处理和分析。通过对实时监测数据进行处理，可以对水流进行类型识别，即区分自来水管道水流和再生水管道水流，从而生成水流类型数据，提供不同水流类型的信息。信号序列模块对信号波形数据经过离散化处理后，转化为离散的水流信号序列数据，使得数据更易于分析和处理，对自来水流信号序列数据进行分析，提取水流的动态特征数据，例如振幅、频率、周期等，用于后续的分析和决策。频率峰值模块对自来水流动态特征数据进行频率分析，以获取信号的频率信息，即水流信号频率数据。基于频率分析结果，计算出信号的频率峰值数据，即频率峰值模块输出的数据，用于后续的水流量切换决策分析。根据预设的自来水水流频率阈值，对信号频率峰值数据进行分析，构建自来水切换策略，用于判断何时进行再生水和自来水的切换，动态电磁场模块通过动态电磁场模块对再生水管道水流数据进行电磁感应检测，以获取再生水的电磁感应数据。对再生水电磁感应数据进行电导信号特征分析，提取出再生水的电导信号特征数据，用于后续的分析和决策。通过对电导信号特征数据进行电磁场拟合，构建再生水的动态电磁场，为后续的电磁相位计算提供基础。电磁相位模块利用再生水动态电磁场模型对再生水管道水流数据进行电磁相位范围计算，生成再生水的电磁相位范围数据。基于预设的再生水电磁相位范围阈值，对电磁相位范围数据进行分析，构建再生水切换引擎，用于判断何时进行再生水和自来水的切换。神经网络构建模块对自适应自来水切换策略及自适应再生水切换引擎进行水流量自适应优化分析，以构建自适应切换优化决策数据。利用深度神经网络对自适应切换优化决策数据进行建模，构建水流量切换的神经网络模型，用于实现对再生水和自来水切换流量的实时监测和预测。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种再生水和自来水切换流量实时监测方法，其特征在于，包括以下步骤：
步骤S1：获取管道水流实时监测数据；对管道水流实时监测数据进行脉冲超声波发射处理，生成自来水流信号波形数据；其中，步骤S1具体为：
步骤S11：获取管道水流实时监测数据；
步骤S12：对管道水流实时监测数据进行水流类型识别，以生成水流类型数据，水流类型数据包括自来水管道水流数据及再生水管道水流数据；
步骤S13：利用传感器对自来水管道水流数据进行脉冲超声波发射处理，获取脉冲超声信号数据；
步骤S14：对脉冲超声信号数据进行信号峰谷周期分析，生成信号峰谷周期数据；
步骤S15：对信号峰谷周期数据进行波形形态识别，得到信号波形形态数据；
步骤S16：对信号波形形态数据进行水流波动变形分析，生成自来水流信号波形数据；
步骤S2：对自来水流信号波形数据进行水流动态特征分析，以生成自来水流动态特征数据；其中，步骤S2具体为：
步骤S21：对自来水流信号波形数据进行离散化处理，生成自来水流信号离散矢量数据；
步骤S22：根据信号峰谷周期数据对自来水流信号离散矢量数据进行间隔采样处理，以生成自来水流信号序列数据；
步骤S23：对自来水流信号序列数据进行频域转换，以生成自来水流序列频域数据；
步骤S24：对自来水流序列频域数据进行水流时序分析，以生成自来水流时序序列数据；
步骤S25：对自来水流时序序列数据进行水流动态特征分析，以生成自来水流动态特征数据；
步骤S3：对自来水流动态特征数据进行水流量切换决策分析，构建自来水切换策略；
步骤S4：对管道水流实时监测数据进行电磁场拟合，构建再生水动态电磁场模型；
步骤S5：通过再生水动态电磁场模型进行水流量切换决策分析，构建再生水切换引擎；
步骤S6：利用自来水切换策略及再生水切换引擎进行神经网络建模，构建水流量切换神经网络模型。
2.根据权利要求1所述的再生水和自来水切换流量实时监测方法，其特征在于，步骤S3具体为：对自来水流动态特征数据进行信号频率分析，生成自来水流信号频率数据；对自来水流信号频率数据进行频率峰值计算，以生成信号频率峰值数据；基于预设的自来水水流频率阈值对信号频率峰值数据进行水流量切换决策分析，构建自来水切换策略；
步骤S4具体为：对再生水管道水流数据进行电磁感应检测，生成再生水电磁感应数据；对再生水电磁感应数据进行电导信号特征分析，生成再生水电导信号特征数据；对再生水电导信号特征数据进行电磁场拟合，构建再生水动态电磁场模型；
步骤S5具体为：通过再生水动态电磁场模型对再生水管道水流数据进行电磁相位范围计算，生成再生水电磁相位范围数据；基于预设的再生水电磁相位范围阈值对再生水电磁相位范围数据进行水流量切换决策分析，构建再生水切换引擎；
步骤S6具体为：对自来水切换策略及再生水切换引擎进行水流量自适应优化分析，以构建自适应切换优化决策数据；利用深度神经网络对自适应切换优化决策数据进行神经网络建模，构建水流量切换神经网络模型。
3.根据权利要求2所述的再生水和自来水切换流量实时监测方法，其特征在于，步骤S3包括以下步骤：
步骤S31：对自来水流动态特征数据进行频带间功率分布分析，以生成信号频带功率分布数据；
步骤S32：对信号频带功率分布数据进行高次谐波分量分析，得到信号高次谐波数据；
步骤S33：对信号高次谐波数据进行信号频率分析，生成自来水流信号频率数据；
步骤S34：利用脉冲超声波信号频率峰值计算公式对自来水流信号频率数据进行频率峰值计算，以生成信号频率峰值数据；
步骤S34中的脉冲超声波信号频率峰值计算公式具体为：
；
其中，为信号频率峰值，/>为脉冲超声波信号的波长，/>为脉冲超声波信号的时间宽度，/>为脉冲超声波信号的振幅，/>为自来水的声波传播衰减系数，/>为自来水中声波信号的散射系数，/>为自来水声波信号粘性阻力的大小，/>为超声波信号在介质中的传播时间，/>为脉冲超声波信号振幅，/>为脉冲超声波信号的脉宽；
步骤S35：基于预设的自来水水流频率阈值对信号频率峰值数据进行比较，当预设的自来水水流频率阈值大于信号频率峰值数据时，进行水流量切换决策分析，构建自来水切换策略。
4.根据权利要求2所述的再生水和自来水切换流量实时监测方法，其特征在于，步骤S4包括以下步骤：
步骤S41：对再生水管道水流数据进行电磁感应检测，生成再生水电磁感应数据；
步骤S42：再生水电磁感应数据进行电导信号特征分析，生成再生水电导信号特征数据；
步骤S43：对再生水电导信号特征数据进行瞬时电导率响应分析，生成瞬时电导率响应数据；
步骤S44：对瞬时电导率响应数据进行电磁强度计算，以生成再生水电磁强度数据；
步骤S45：根据再生水电磁强度数据对再生水电导信号特征数据进行电磁场拟合，构建再生水动态电磁场模型。
5.根据权利要求4所述的再生水和自来水切换流量实时监测方法，其特征在于，步骤S45包括以下步骤：
步骤S451：对再生水电导信号特征数据进行电磁分布分析，生成电磁分布数据；
步骤S452：根据再生水电磁强度数据对电磁分布数据进行磁场强度分布分析，以生成磁场强度分布图；
步骤S453：对再生水电导信号特征数据进行电磁衰减演化，生成电磁衰减规律；
步骤S454：对磁场强度分布图进行动态时频分析，生成动态磁场强度分布图；
步骤S455：利用电磁衰减规律对动态磁场强度分布图进行电磁场拟合，构建再生水动态电磁场模型。
6.根据权利要求2所述的再生水和自来水切换流量实时监测方法，其特征在于，步骤S5包括以下步骤：
步骤S51：通过再生水动态电磁场模型对再生水管道水流数据进行电流频率计算，以生成电流频率数据；
步骤S52：基于电流频率数据对再生水动态电磁场模型进行电磁振幅分析，生成电磁振幅数据；
步骤S53：对电磁振幅数据进行波动趋势分析，以生成电磁振幅波动趋势数据；
步骤S54：对电磁振幅波动趋势数据进行电磁相位范围计算，生成再生水电磁相位范围数据；
步骤S55：基于预设的再生水电磁相位范围阈值对再生水电磁相位范围数据进行比较，当预设的再生水电磁相位阈值大于或等于再生水电磁相位范围数据时，进行水流量切换决策分析，构建再生水切换引擎。
7.根据权利要求2所述的再生水和自来水切换流量实时监测方法，其特征在于，步骤S6包括以下步骤：
步骤S61：对自来水切换策略及再生水切换引擎进行水流量自适应优化分析，以构建自适应切换优化决策数据；
步骤S62：对自适应切换优化决策数据进行交互可视化处理，生成自适应切换优化决策可视化视图；
步骤S63：对自适应切换优化决策可视化视图进行膨胀卷积，以生成卷积决策可视化视图；
步骤S64：利用深度神经网络对卷积决策可视化视图进行神经网络建模，构建水流量切换神经网络模型。
8.一种再生水和自来水切换流量实时监测系统，其特征在于，用于执行如权利要求1所述的再生水和自来水切换流量实时监测方法，包括：
信号波形模块，用于获取管道水流实时监测数据；对管道水流实时监测数据进行脉冲超声波发射处理，生成自来水流信号波形数据；
信号序列模块，用于对自来水流信号波形数据进行水流动态特征分析，以生成自来水流动态特征数据；
频率峰值模块，用于对自来水流动态特征数据进行水流量切换决策分析，构建自来水切换策略；
动态电磁场模块，用于对管道水流实时监测数据进行电磁场拟合，构建再生水动态电磁场模型；
电磁相位模块，用于通过再生水动态电磁场模型进行水流量切换决策分析，构建再生水切换引擎；
神经网络构建模块，利用自来水切换策略及再生水切换引擎进行神经网络建模，构建水流量切换神经网络模型。
CN202410086690.0A 2024-01-22 2024-01-22 一种再生水和自来水切换流量实时监测方法及系统 Active CN117606577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410086690.0A CN117606577B (zh) 2024-01-22 2024-01-22 一种再生水和自来水切换流量实时监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410086690.0A CN117606577B (zh) 2024-01-22 2024-01-22 一种再生水和自来水切换流量实时监测方法及系统

Publications (2)

Publication Number Publication Date
CN117606577A CN117606577A (zh) 2024-02-27
CN117606577B true CN117606577B (zh) 2024-04-09

Family

ID=89944680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410086690.0A Active CN117606577B (zh) 2024-01-22 2024-01-22 一种再生水和自来水切换流量实时监测方法及系统

Country Status (1)

Country Link
CN (1) CN117606577B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118010116A (zh) * 2024-04-09 2024-05-10 潍坊奥博仪表科技发展有限公司 一种抗干扰的超声波流量计量方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5272646A (en) * 1991-04-11 1993-12-21 Farmer Edward J Method for locating leaks in a fluid pipeline and apparatus therefore
CN202533127U (zh) * 2012-03-14 2012-11-14 司占博 无电源自发电远传水表装置
CN103900650A (zh) * 2012-12-25 2014-07-02 威海震宇智能科技有限公司 超声波自来水表
CN203929137U (zh) * 2014-06-10 2014-11-05 上海至信实业股份有限公司 一种电磁测量水表
CN105043509A (zh) * 2015-05-22 2015-11-11 重庆川仪自动化股份有限公司 液体超声波流量计的检测方法及检测系统
CN205077571U (zh) * 2015-11-06 2016-03-09 王良 节水型抽水马桶
CN205224157U (zh) * 2015-12-11 2016-05-11 重庆财信合同能源管理有限公司 一种室内多水源动态切换设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5272646A (en) * 1991-04-11 1993-12-21 Farmer Edward J Method for locating leaks in a fluid pipeline and apparatus therefore
CN202533127U (zh) * 2012-03-14 2012-11-14 司占博 无电源自发电远传水表装置
CN103900650A (zh) * 2012-12-25 2014-07-02 威海震宇智能科技有限公司 超声波自来水表
CN203929137U (zh) * 2014-06-10 2014-11-05 上海至信实业股份有限公司 一种电磁测量水表
CN105043509A (zh) * 2015-05-22 2015-11-11 重庆川仪自动化股份有限公司 液体超声波流量计的检测方法及检测系统
CN205077571U (zh) * 2015-11-06 2016-03-09 王良 节水型抽水马桶
CN205224157U (zh) * 2015-12-11 2016-05-11 重庆财信合同能源管理有限公司 一种室内多水源动态切换设备

Also Published As

Publication number Publication date
CN117606577A (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN117606577B (zh) 一种再生水和自来水切换流量实时监测方法及系统
CN112395959B (zh) 基于音频特征的电力变压器故障预测与诊断方法及系统
Yang et al. Remaining useful life prediction of ultrasonic motor based on Elman neural network with improved particle swarm optimization
Kamarthi et al. Flank wear estimation in turning through wavelet representation of acoustic emission signals
CN111442827B (zh) 一种变压器绕组振动的光纤无源在线监测系统
US10565699B2 (en) Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning
Duan et al. A hybrid EMD-AR model for nonlinear and non-stationary wave forecasting
Lv et al. High-order synchroextracting transform for characterizing signals with strong AM-FM features and its application in mechanical fault diagnosis
CN103033567A (zh) 一种基于导波的管道缺陷信号识别方法
CN116933044B (zh) 一种供电数据智能处理方法及系统
CN103235953B (zh) 一种光纤分布式扰动传感器模式识别的方法
CN114720764B (zh) 一种基于电表实时监测数据的谐波分析方法及系统
KR20180058113A (ko) 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법
CN117150216B (zh) 一种电力数据回归分析方法及系统
CN104376306A (zh) 基于滤波器组的光纤传感系统侵犯识别分类方法及分类器
CN103203670B (zh) 基于最大信息熵与方向散度的磨削颤振预测方法
CN107576380A (zh) 一种面向φ‑otdr技术的三维振动信号分类方法
CN117674993B (zh) 光纤网络的运行状态检测系统及方法
Gildish et al. Vibration-based rotation speed estimation for Industrial IoT
KR102219900B1 (ko) 노이즈 제거기술(ncdm)을 이용한 부분방전위치 검출시스템 및 방법
CN116699400A (zh) 一种发电机转子短路故障监测系统、方法及可读存储介质
CN116337946A (zh) 一种基于gru神经网络模型的原油含水率测量装置及方法
Song et al. Nonstationary dynamic stochastic error analysis of fiber optic gyroscope based on optimized Allan variance
CN115221769B (zh) 一种故障预测方法、系统、电子设备和存储介质
Jaradat et al. Demand response for residential uses: A data analytics approach

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