CN117648594A - 一种城市安全燃气管网缺陷识别与管理方法 - Google Patents
一种城市安全燃气管网缺陷识别与管理方法 Download PDFInfo
- Publication number
- CN117648594A CN117648594A CN202410115498.XA CN202410115498A CN117648594A CN 117648594 A CN117648594 A CN 117648594A CN 202410115498 A CN202410115498 A CN 202410115498A CN 117648594 A CN117648594 A CN 117648594A
- Authority
- CN
- China
- Prior art keywords
- gas pipeline
- defect
- gas
- representing
- signal
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 380
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 174
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 230000007797 corrosion Effects 0.000 claims abstract description 8
- 238000005260 corrosion Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 47
- 238000001914 filtration Methods 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 44
- 238000013507 mapping Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及燃气管网缺陷识别的技术领域,公开了一种城市安全燃气管网缺陷识别与管理方法,所述方法包括:加载混合导波信号对燃气管道进行激励,采集燃气管道产生的回波信号并进行预处理;对预处理后的回波信号进行特征提取;构建燃气管网缺陷识别模型,对燃气管道缺陷识别特征向量对应的燃气管道缺陷类型进行识别,基于回波信号强度进行燃气管道缺陷位置定位,对燃气管道缺陷位置进行修复管理。本发明提取表征燃气管道所产生回波信号的冲击因子、燃气管道的缺陷深度以及燃气管道的腐蚀程度的燃气管道缺陷识别特征向量,结合燃气管道距离,对燃气管道缺陷识别特征向量进行聚类以及映射处理,实现燃气管道的缺陷类型识别以及缺陷位置定位。
Description
技术领域
本发明涉及燃气管网缺陷识别的技术领域,尤其涉及一种城市安全燃气管网缺陷识别与管理方法。
背景技术
燃气管网是城市能源供应的重要组成部分,其运行状态和安全性对于保障居民生活和城市发展至关重要。然而,由于管网的长期使用和自然环境的影响,管道上会出现各种缺陷,如腐蚀、裂纹、变形等,这些缺陷可能导致泄漏、爆炸等严重事故的发生。因此,及时发现和识别燃气管网的缺陷,对于确保燃气管网的安全运行具有重要意义。传统的燃气管网缺陷识别方法主要依赖于人工巡检和定期检测,这种方法存在以下问题:一是人工巡检效率低,需要耗费大量人力物力进行巡检,而且人工巡检过程中容易忽略一些细小的缺陷;二是定期检测周期长,无法及时发现管道的隐患,容易造成事故的发生;三是缺乏实时监测手段,只能在特定时间点进行检测,无法对管道的实时状态进行监测。针对上述问题,本发明提出一种城市安全燃气管网缺陷识别与管理方法,通过与地图信息相结合实现对燃气管网的实时检测与定位。
发明内容
有鉴于此,本发明提供了一种城市安全燃气管网缺陷识别与管理方法,目的在于:1)利用混合导波信号对燃气管道的缺陷位置进行激励,产生回波信号,其中回波信号表征了缺陷位置的缺陷信息,并对回波信号进行奇偶次交替滤波的滤波处理,充分过滤噪音信号,得到回波信号在不同滤波次数的滤波结果以及滤波结果的能量信息,选取蕴含能量信息最高的滤波结果作为预处理后的回波信号,并结合希尔伯特变换对回波信号进行有效分解处理,对有效分解结果进行特征提取,构成燃气管道的燃气管道缺陷识别特征向量,所提取燃气管道缺陷识别特征向量表征燃气管道所产生回波信号的冲击因子、燃气管道的缺陷深度以及燃气管道的腐蚀程度,实现燃气管网中燃气管道的缺陷信息提取;2)结合不同燃气管道之间的燃气管道缺陷识别特征向量差异以及燃气管道距离,对燃气管道缺陷识别特征向量进行聚类处理,对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量所对应燃气管道的燃气管道缺陷类型识别结果,实现燃气管道的缺陷类型识别,并基于回波信号强度进行燃气管道缺陷位置定位以及修复管理。
为实现上述目的,本发明提供的一种城市安全燃气管网缺陷识别与管理方法,包括以下步骤:
S1:加载混合导波信号对燃气管道进行激励,采集燃气管道产生的回波信号并进行预处理,得到预处理后的回波信号;
S2:对预处理后的回波信号进行特征提取,得到燃气管道缺陷识别特征向量;
S3:构建燃气管网缺陷识别模型,对燃气管道缺陷识别特征向量对应的燃气管道缺陷类型进行识别,所述燃气管网缺陷识别模型以缺陷识别特征向量为输入,以燃气管道缺陷类型为输出,其中改进的高斯混合模型为所述燃气管网缺陷识别模型的具体实施方法;
S4:根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位,并对燃气管道缺陷位置进行修复管理。
作为本发明的进一步改进方法:
可选地,所述S1步骤中加载混合导波信号对燃气管道进行激励,包括:
加载混合导波信号,并将混合导波信号发送到燃气管道中对燃气管道的缺陷位置进行激励,产生回波信号,采集燃气管道产生的回波信号并进行预处理,得到预处理后的回波信号,其中所加载的混合导波信号形式为:
;
;
其中:表示所加载的混合导波信号,t表示混合导波信号的时序信息;
f表示混合导波信号的初始频率;
B表示混合导波信号的带宽,A表示混合导波信号的时宽;
表示窗函数。在本发明实施例中,存在多个混合导波信号发射位置。
可选地,所述S1步骤中采集燃气管道产生的回波信号并进行预处理,包括:
采集燃气管道产生的回波信号并进行预处理,其中所采集第n条燃气管道的回波信号为,,N表示燃气管网中燃气管道的总数,表示回波信号的时序信息,回波信号的预处理流程为:
S11:对回波信号进行傅里叶变换处理,其中傅里叶变换处理的公式为:
;
其中:表示回波信号在频率u下的傅里叶变换处理结果,j表示虚数单位,e表示自然常数;
S12:对傅里叶变换处理结果进行交替滤波处理,其中交替滤波处理公式为:
;
其中:表示傅里叶变换处理结果的第m次交替滤波结果,,M表示预设的最大交替滤波次数;在本发明实施例中,;
表示预设的滤波半径;
S13:计算得到不同交替滤波结果的权值,其中的权值为:
;
其中:表示以自然常数为底的指数函数;
表示的权值;
S14:选取权值最大的交替滤波结果作为傅里叶变换处理结果的滤波值;
S15:将滤波值重构为信号形式,得到预处理后的回波信号:
;
其中:表示第n条燃气管道的预处理后的回波信号。
可选地,所述S2步骤中对预处理后的回波信号进行特征提取,包括:
对预处理后的回波信号进行特征提取,其中回波信号的特征提取流程为:
S21:对回波信号进行多尺度分解,得到回波信号在V个尺度的分解结果:
;
其中:表示回波信号在第v个尺度的分解结果;
S22:对每个尺度的分解结果进行希尔伯特变换,其中分解结果的希尔波特变换公式为:
;
其中:表示分解结果的希尔波特变换结果,表示时延信息;
S23:计算得到每个尺度的分解结果的希尔伯特能量,保留希尔伯特能量最大的分解结果,作为回波信号的有效分解结果,其中分解结果的希尔伯特能量为:,,r表示时序信息中的任意时间,表示分解结果在r时间的希尔伯特变换结果;
S24:对有效分解结果进行特征提取,构成第n条燃气管道的燃气管道缺陷识别特征向量:;
;
;
;
其中:表示有效分解结果中的最大值;
表示有效分解结果的长度;
表示第n条燃气管道的燃气管道缺陷识别特征向量,依次表征第n条燃气管道所产生回波信号的冲击因子、燃气管道的缺陷深度以及燃气管道的腐蚀程度。
可选地,所述S21步骤中对回波信号进行多尺度分解,包括:
S211:将回波信号作为待分解信号,设置当前分解尺度为v,v的初始值为1,最大值为V;
S212:获取待分解信号的所有局部极值点,包括极小值点和极大值点;
S213:利用三次样条插值方法分别对极小值点集合以及极大值点集合进行插值处理,计算上下包络线的均值,得到均值信号,并计算待分解信号与均值信号的差值信号;
S214:若差值信号的零点数与局部极值点总数的差值小于等于1,且差值信号的上下包络线均值均为0,则差值信号作为回波信号在分解尺度v上的分解结果,并令v=v+1,将作为待分解信号,返回步骤S212,直到v=V;否则令差值信号为待分解信号,返回步骤S212。
可选地,所述S3步骤中构建燃气管网缺陷识别模型,包括:
构建燃气管网缺陷识别模型,利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,所述燃气管网缺陷识别模型以缺陷识别特征向量为输入,以燃气管道缺陷类型为输出,其中燃气管网缺陷识别模型包括输入层、特征向量聚类层、高斯映射层以及输出层;
输入层用于接收燃气管网中所有燃气管道对应的燃气管道缺陷识别特征向量;
特征向量聚类层用于对燃气管道缺陷识别特征向量进行聚类处理,得到若干聚类簇;
高斯映射层用于对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量的燃气管道缺陷类型识别结果。
可选地,所述S3步骤中利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,包括:
利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,其中燃气管道缺陷类型识别的流程为:
S31:输入层接收燃气管网中所有燃气管道对应的燃气管道缺陷识别特征向量;
S32:特征向量聚类层对燃气管道缺陷识别特征向量进行聚类处理,得到K个聚类簇,其中聚类处理流程为:
S321:计算得到不同燃气管道缺陷识别特征向量之间的距离,其中燃气管道缺陷识别特征向量与之间的距离为:
;
其中:表示燃气管道缺陷识别特征向量与之间的距离;
表示第n条燃气管道的中心与第z条燃气管道的中心之间的燃气管道距离,所述燃气管道距离表示由燃气管道中心到达另一个燃气管道中心,所经过的最短燃气管道长度;
S322:计算得到未聚类的燃气管道缺陷识别特征向量的局部密度,其中燃气管道缺陷识别特征向量的局部密度为:
;
其中:表示燃气管道缺陷识别特征向量的局部密度;表示预设的距离阈值;
S323:按照局部密度降序对当前未聚类的燃气管道缺陷识别特征向量进行排序,选取局部密度最大的燃气管道缺陷识别特征向量作为聚类中心;
S324:计算聚类中心与其他未聚类的燃气管道缺陷识别特征向量之间的距离,若距离小于预设的距离阈值,则将未聚类的燃气管道缺陷识别特征向量与聚类中心作为同一聚类簇下的若干燃气管道缺陷识别特征向量;
S325:返回步骤S322,直到不存在未聚类的燃气管道缺陷识别特征向量;
S33:计算不同聚类簇中所有燃气管道缺陷识别特征向量的均值,其中第k个聚类簇中所有燃气管道缺陷识别特征向量的均值为,;
S34:高斯映射层对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量所对应燃气管道的燃气管道缺陷类型识别结果,其中第k个聚类簇的燃气管道缺陷识别特征向量的高斯函数映射公式为:
;
;
其中:表示第k个聚类簇的燃气管道缺陷识别特征向量的高斯函数映射结果;
表示第k个聚类簇中燃气管道缺陷识别特征向量在第q种燃气管道缺陷类型的概率值,Q表示燃气管道缺陷类型的类型总数;
表示第k个聚类簇中所有燃气管道缺陷识别特征向量的标准差;
表示第q种燃气管道缺陷类型的标准燃气管道缺陷识别特征向量。在本发明实施例中,第1种燃气管道缺陷类型表示不存在燃气管道缺陷,对该类型的燃气管道不进行缺陷位置定位以及修复管理。
可选地,所述S4步骤中根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位以及修复管理,包括:
根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位以及修复管理,其中第n条燃气管道的缺陷位置定位流程为:
S41:获取所采集第n条燃气管道的预处理后回波信号;
S42:计算得到预处理后回波信号的信号强度,其中信号强度的计算公式为:
;
其中:表示预处理后回波信号的初始频率;
表示预处理后回波信号的信号强度;
S43:根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位,其中第n条燃气管道的缺陷位置定位结果为:
;
其中:表示第n条燃气管道的缺陷位置定位结果,即表示第n条燃气管道中与最近混合导波信号发射位置的距离为的管道位置;
表示第n条燃气管道的燃气管道缺陷类型;
表示燃气管道缺陷类型的缺陷回波信号衰减系数;
表示第n条燃气管道的管道长度;
S44:根据燃气管道缺陷位置定位结果以及燃气管道缺陷类型,对第n条燃气管道进行修复管理。
为了解决上述问题,本发明提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及
处理器,执行所述存储器中存储的指令以实现上述所述的城市安全燃气管网缺陷识别与管理方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的城市安全燃气管网缺陷识别与管理方法。
相对于现有技术,本发明提出一种城市安全燃气管网缺陷识别与管理方法,该技术具有以下优势:
首先,本方案提出一种信号滤波处理以及缺陷信息提取方法,采集燃气管道产生的回波信号并进行预处理,其中所采集第n条燃气管道的回波信号为,,N表示燃气管网中燃气管道的总数,表示回波信号的时序信息,回波信号的预处理流程为:对回波信号进行傅里叶变换处理,其中傅里叶变换处理的公式为:
;
其中:表示回波信号在频率u下的傅里叶变换处理结果,j表示虚数单位,e表示自然常数;对傅里叶变换处理结果进行交替滤波处理,其中交替滤波处理公式为:
;
其中:表示傅里叶变换处理结果的第m次交替滤波结果,,M表示预设的最大交替滤波次数;表示预设的滤波半径;计算得到不同交替滤波结果的权值,其中的权值为:
;
其中:表示以自然常数为底的指数函数;表示的权值;选取权值最大的交替滤波结果作为傅里叶变换处理结果的滤波值;将滤波值重构为信号形式,得到预处理后的回波信号:
;
其中:表示第n条燃气管道的预处理后的回波信号。本方案利用混合导波信号对燃气管道的缺陷位置进行激励,产生回波信号,其中回波信号表征了缺陷位置的缺陷信息,并对回波信号进行奇偶次交替滤波的滤波处理,充分过滤噪音信号,得到回波信号在不同滤波次数的滤波结果以及滤波结果的能量信息,选取蕴含能量信息最高的滤波结果作为预处理后的回波信号,并结合希尔伯特变换对回波信号进行有效分解处理,对有效分解结果进行特征提取,构成燃气管道的燃气管道缺陷识别特征向量,所提取燃气管道缺陷识别特征向量表征燃气管道所产生回波信号的冲击因子、燃气管道的缺陷深度以及燃气管道的腐蚀程度,实现燃气管网中燃气管道的缺陷信息提取。
同时,本方案提出一种燃气管道的缺陷识别方法,利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,其中燃气管道缺陷类型识别的流程为:输入层接收燃气管网中所有燃气管道对应的燃气管道缺陷识别特征向量;特征向量聚类层对燃气管道缺陷识别特征向量进行聚类处理,得到K个聚类簇,其中聚类处理流程为:计算得到不同燃气管道缺陷识别特征向量之间的距离,其中燃气管道缺陷识别特征向量与之间的距离为:
;
其中:表示燃气管道缺陷识别特征向量与之间的距离;表示第n条燃气管道的中心与第z条燃气管道的中心之间的燃气管道距离,所述燃气管道距离表示由燃气管道中心到达另一个燃气管道中心,所经过的最短燃气管道长度;计算得到未聚类的燃气管道缺陷识别特征向量的局部密度,其中燃气管道缺陷识别特征向量的局部密度为:
;
其中:表示燃气管道缺陷识别特征向量的局部密度;表示预设的距离阈值;按照局部密度降序对当前未聚类的燃气管道缺陷识别特征向量进行排序,选取局部密度最大的燃气管道缺陷识别特征向量作为聚类中心;计算聚类中心与其他未聚类的燃气管道缺陷识别特征向量之间的距离,若距离小于预设的距离阈值,则将未聚类的燃气管道缺陷识别特征向量与聚类中心作为同一聚类簇下的若干燃气管道缺陷识别特征向量,直到不存在未聚类的燃气管道缺陷识别特征向量;计算不同聚类簇中所有燃气管道缺陷识别特征向量的均值,其中第k个聚类簇中所有燃气管道缺陷识别特征向量的均值为,;高斯映射层对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量所对应燃气管道的燃气管道缺陷类型识别结果,其中第k个聚类簇的燃气管道缺陷识别特征向量的高斯函数映射公式为:
;
;
其中:表示第k个聚类簇的燃气管道缺陷识别特征向量的高斯函数映射结果;表示第k个聚类簇中燃气管道缺陷识别特征向量在第q种燃气管道缺陷类型的概率值,Q表示燃气管道缺陷类型的类型总数;表示第k个聚类簇中所有燃气管道缺陷识别特征向量的标准差;表示第q种燃气管道缺陷类型的标准燃气管道缺陷识别特征向量。本方案结合不同燃气管道之间的燃气管道缺陷识别特征向量差异以及燃气管道距离,对燃气管道缺陷识别特征向量进行聚类处理,对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量所对应燃气管道的燃气管道缺陷类型识别结果,实现燃气管道的缺陷类型识别,并基于回波信号强度进行燃气管道缺陷位置定位以及修复管理。
有益效果
1)利用混合导波信号对燃气管道的缺陷位置进行激励,产生回波信号,其中回波信号表征了缺陷位置的缺陷信息,并对回波信号进行奇偶次交替滤波的滤波处理,充分过滤噪音信号,得到回波信号在不同滤波次数的滤波结果以及滤波结果的能量信息,选取蕴含能量信息最高的滤波结果作为预处理后的回波信号,并结合希尔伯特变换对回波信号进行有效分解处理,对有效分解结果进行特征提取,构成燃气管道的燃气管道缺陷识别特征向量,所提取燃气管道缺陷识别特征向量表征燃气管道所产生回波信号的冲击因子、燃气管道的缺陷深度以及燃气管道的腐蚀程度,实现燃气管网中燃气管道的缺陷信息提取。
2)结合不同燃气管道之间的燃气管道缺陷识别特征向量差异以及燃气管道距离,对燃气管道缺陷识别特征向量进行聚类处理,对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量所对应燃气管道的燃气管道缺陷类型识别结果,实现燃气管道的缺陷类型识别,并基于回波信号强度进行燃气管道缺陷位置定位以及修复管理。
附图说明
图1为本发明一实施例提供的一种城市安全燃气管网缺陷识别与管理方法的流程示意图;
图2为本发明一实施例提供的实现城市安全燃气管网缺陷识别与管理方法的电子设备的结构示意图。
图中:1电子设备,10处理器,11存储器,12程序,13通信接口。
具体实施方式
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种城市安全燃气管网缺陷识别与管理方法。所述城市安全燃气管网缺陷识别与管理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述城市安全燃气管网缺陷识别与管理方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例
S1:加载混合导波信号对燃气管道进行激励,采集燃气管道产生的回波信号并进行预处理,得到预处理后的回波信号。
所述S1步骤中加载混合导波信号对燃气管道进行激励,包括:
加载混合导波信号,并将混合导波信号发送到燃气管道中对燃气管道的缺陷位置进行激励,产生回波信号,采集燃气管道产生的回波信号并进行预处理,得到预处理后的回波信号,其中所加载的混合导波信号形式为:
;
;
其中:
表示所加载的混合导波信号,t表示混合导波信号的时序信息;
f表示混合导波信号的初始频率;
B表示混合导波信号的带宽,A表示混合导波信号的时宽;
表示窗函数。
所述S1步骤中采集燃气管道产生的回波信号并进行预处理,包括:
采集燃气管道产生的回波信号并进行预处理,其中所采集第n条燃气管道的回波信号为,,N表示燃气管网中燃气管道的总数,表示回波信号的时序信息,回波信号的预处理流程为:
S11:对回波信号进行傅里叶变换处理,其中傅里叶变换处理的公式为:
;
其中:
表示回波信号在频率u下的傅里叶变换处理结果,j表示虚数单位,e表示自然常数;
S12:对傅里叶变换处理结果进行交替滤波处理,其中交替滤波处理公式为:
;
其中:
表示傅里叶变换处理结果的第m次交替滤波结果,,M表示预设的最大交替滤波次数;在本发明实施例中,;
表示预设的滤波半径;
S13:计算得到不同交替滤波结果的权值,其中的权值为:
;
其中:
表示以自然常数为底的指数函数;
表示的权值;
S14:选取权值最大的交替滤波结果作为傅里叶变换处理结果的滤波值;
S15:将滤波值重构为信号形式,得到预处理后的回波信号:
;
其中:
表示第n条燃气管道的预处理后的回波信号。
S2:对预处理后的回波信号进行特征提取,得到燃气管道缺陷识别特征向量。
所述S2步骤中对预处理后的回波信号进行特征提取,包括:
对预处理后的回波信号进行特征提取,其中回波信号的特征提取流程为:
S21:对回波信号进行多尺度分解,得到回波信号在V个尺度的分解结果:
;
其中:
表示回波信号在第v个尺度的分解结果;
S22:对每个尺度的分解结果进行希尔伯特变换,其中分解结果的希尔波特变换公式为:
;
其中:
表示分解结果的希尔波特变换结果,表示时延信息;
S23:计算得到每个尺度的分解结果的希尔伯特能量,保留希尔伯特能量最大的分解结果,作为回波信号的有效分解结果,其中分解结果的希尔伯特能量为:,,r表示时序信息中的任意时间,表示分解结果在r时间的希尔伯特变换结果;
S24:对有效分解结果进行特征提取,构成第n条燃气管道的燃气管道缺陷识别特征向量:
;
;
;
;
其中:
表示有效分解结果中的最大值;
表示有效分解结果的长度;
表示第n条燃气管道的燃气管道缺陷识别特征向量,依次表征第n条燃气管道所产生回波信号的冲击因子、燃气管道的缺陷深度以及燃气管道的腐蚀程度。
所述S21步骤中对回波信号进行多尺度分解,包括:
S211:将回波信号作为待分解信号,设置当前分解尺度为v,v的初始值为1,最大值为V;
S212:获取待分解信号的所有局部极值点,包括极小值点和极大值点;
S213:利用三次样条插值方法分别对极小值点集合以及极大值点集合进行插值处理,计算上下包络线的均值,得到均值信号,并计算待分解信号与均值信号的差值信号;
S214:若差值信号的零点数与局部极值点总数的差值小于等于1,且差值信号的上下包络线均值均为0,则差值信号作为回波信号在分解尺度v上的分解结果,并令v=v+1,将作为待分解信号,返回步骤S212,直到v=V;否则令差值信号为待分解信号,返回步骤S212。
S3:构建燃气管网缺陷识别模型,对燃气管道缺陷识别特征向量对应的燃气管道缺陷类型进行识别,所述燃气管网缺陷识别模型以缺陷识别特征向量为输入,以燃气管道缺陷类型为输出。
所述S3步骤中构建燃气管网缺陷识别模型,包括:
构建燃气管网缺陷识别模型,利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,所述燃气管网缺陷识别模型以缺陷识别特征向量为输入,以燃气管道缺陷类型为输出,其中燃气管网缺陷识别模型包括输入层、特征向量聚类层、高斯映射层以及输出层;
输入层用于接收燃气管网中所有燃气管道对应的燃气管道缺陷识别特征向量;
特征向量聚类层用于对燃气管道缺陷识别特征向量进行聚类处理,得到若干聚类簇;
高斯映射层用于对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量的燃气管道缺陷类型识别结果。
所述S3步骤中利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,包括:
利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,其中燃气管道缺陷类型识别的流程为:
S31:输入层接收燃气管网中所有燃气管道对应的燃气管道缺陷识别特征向量;
S32:特征向量聚类层对燃气管道缺陷识别特征向量进行聚类处理,得到K个聚类簇,其中聚类处理流程为:
S321:计算得到不同燃气管道缺陷识别特征向量之间的距离,其中燃气管道缺陷识别特征向量与之间的距离为:
;
其中:
表示燃气管道缺陷识别特征向量与之间的距离;
表示第n条燃气管道的中心与第z条燃气管道的中心之间的燃气管道距离,所述燃气管道距离表示由燃气管道中心到达另一个燃气管道中心,所经过的最短燃气管道长度;
S322:计算得到未聚类的燃气管道缺陷识别特征向量的局部密度,其中燃气管道缺陷识别特征向量的局部密度为:
;
其中:
表示燃气管道缺陷识别特征向量的局部密度;表示预设的距离阈值;
S323:按照局部密度降序对当前未聚类的燃气管道缺陷识别特征向量进行排序,选取局部密度最大的燃气管道缺陷识别特征向量作为聚类中心;
S324:计算聚类中心与其他未聚类的燃气管道缺陷识别特征向量之间的距离,若距离小于预设的距离阈值,则将未聚类的燃气管道缺陷识别特征向量与聚类中心作为同一聚类簇下的若干燃气管道缺陷识别特征向量;
S325:返回步骤S322,直到不存在未聚类的燃气管道缺陷识别特征向量;
S33:计算不同聚类簇中所有燃气管道缺陷识别特征向量的均值,其中第k个聚类簇中所有燃气管道缺陷识别特征向量的均值为,;
S34:高斯映射层对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量所对应燃气管道的燃气管道缺陷类型识别结果,其中第k个聚类簇的燃气管道缺陷识别特征向量的高斯函数映射公式为:
;
;
其中:
表示第k个聚类簇的燃气管道缺陷识别特征向量的高斯函数映射结果;
表示第k个聚类簇中燃气管道缺陷识别特征向量在第q种燃气管道缺陷类型的概率值;
表示第k个聚类簇中所有燃气管道缺陷识别特征向量的标准差;
表示第q种燃气管道缺陷类型的标准燃气管道缺陷识别特征向量。
S4:根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位,并对燃气管道缺陷位置进行修复管理。
所述S4步骤中根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位以及修复管理,包括:
根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位以及修复管理,其中第n条燃气管道的缺陷位置定位流程为:
S41:获取所采集第n条燃气管道的预处理后回波信号;
S42:计算得到预处理后回波信号的信号强度,其中信号强度的计算公式为:
;
其中:
表示预处理后回波信号的初始频率;
表示预处理后回波信号的信号强度;
S43:根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位,其中第n条燃气管道的缺陷位置定位结果为:
;
其中:
表示第n条燃气管道的缺陷位置定位结果,即表示第n条燃气管道中与最近混合导波信号发射位置的距离为的管道位置;
表示第n条燃气管道的燃气管道缺陷类型;
表示燃气管道缺陷类型的缺陷回波信号衰减系数;
表示第n条燃气管道的管道长度;
S44:根据燃气管道缺陷位置定位结果以及燃气管道缺陷类型,对第n条燃气管道进行修复管理。
实施例2:
如图2所示,是本发明一实施例提供的实现城市安全燃气管网缺陷识别与管理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现城市安全燃气管网缺陷识别与管理的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图2示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
加载混合导波信号对燃气管道进行激励,采集燃气管道产生的回波信号并进行预处理,得到预处理后的回波信号;
对预处理后的回波信号进行特征提取,得到燃气管道缺陷识别特征向量;
构建燃气管网缺陷识别模型,对燃气管道缺陷识别特征向量对应的燃气管道缺陷类型进行识别;
根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位,并对燃气管道缺陷位置进行修复管理。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种城市安全燃气管网缺陷识别与管理方法,其特征在于,所述方法包括:
S1:加载混合导波信号对燃气管道进行激励,采集燃气管道产生的回波信号并进行预处理,得到预处理后的回波信号;
S2:对预处理后的回波信号进行特征提取,得到燃气管道缺陷识别特征向量;
S3:构建燃气管网缺陷识别模型,对燃气管道缺陷识别特征向量对应的燃气管道缺陷类型进行识别,所述燃气管网缺陷识别模型以缺陷识别特征向量为输入,以燃气管道缺陷类型为输出;
S4:根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位,并对燃气管道缺陷位置进行修复管理。
2.如权利要求1所述的城市安全燃气管网缺陷识别与管理方法,其特征在于,所述步骤S1包括:
加载混合导波信号,并将混合导波信号发送到燃气管道中对燃气管道的缺陷位置进行激励,产生回波信号,采集燃气管道产生的回波信号并进行预处理,得到预处理后的回波信号,其中所加载的混合导波信号形式为:
;
;
其中:表示所加载的混合导波信号,t表示混合导波信号的时序信息;
f表示混合导波信号的初始频率;
B表示混合导波信号的带宽,A表示混合导波信号的时宽;
表示窗函数。
3.如权利要求2所述的城市安全燃气管网缺陷识别与管理方法,其特征在于,所述S1步骤中采集燃气管道产生的回波信号并进行预处理,包括:
采集燃气管道产生的回波信号并进行预处理,其中所采集第n条燃气管道的回波信号为,,N表示燃气管网中燃气管道的总数,表示回波信号的时序信息,回波信号的预处理流程为:
S11:对回波信号进行傅里叶变换处理,其中傅里叶变换处理的公式为:
;
其中:表示回波信号在频率u下的傅里叶变换处理结果,j表示虚数单位,e表示自然常数;
S12:对傅里叶变换处理结果进行交替滤波处理,其中交替滤波处理公式为:
;
其中:表示傅里叶变换处理结果的第m次交替滤波结果,,M表示预设的最大交替滤波次数;
表示预设的滤波半径;
S13:计算得到不同交替滤波结果的权值,其中的权值为:
;
其中:表示以自然常数为底的指数函数;
表示的权值;
S14:选取权值最大的交替滤波结果作为傅里叶变换处理结果的滤波值;
S15:将滤波值重构为信号形式,得到预处理后的回波信号:
;
其中:表示第n条燃气管道的预处理后的回波信号。
4.如权利要求3所述的城市安全燃气管网缺陷识别与管理方法,其特征在于,所述S2步骤中对预处理后的回波信号进行特征提取,包括:
对预处理后的回波信号进行特征提取,其中回波信号的特征提取流程为:
S21:对回波信号进行多尺度分解,得到回波信号在V个尺度的分解结果:
;
其中:表示回波信号在第v个尺度的分解结果;
S22:对每个尺度的分解结果进行希尔伯特变换,其中分解结果的希尔波特变换公式为:
;
其中:表示分解结果的希尔波特变换结果,表示时延信息;
S23:计算得到每个尺度的分解结果的希尔伯特能量,保留希尔伯特能量最大的分解结果,作为回波信号的有效分解结果,其中分解结果的希尔伯特能量为:,,r表示时序信息中的任意时间,表示分解结果在r时间的希尔伯特变换结果;
S24:对有效分解结果进行特征提取,构成第n条燃气管道的燃气管道缺陷识别特征向量:;
;
;
;
其中:表示有效分解结果中的最大值;
表示有效分解结果的长度;
表示第n条燃气管道的燃气管道缺陷识别特征向量,依次表征第n条燃气管道所产生回波信号的冲击因子、燃气管道的缺陷深度以及燃气管道的腐蚀程度。
5.如权利要求4所述的城市安全燃气管网缺陷识别与管理方法,其特征在于,所述S21步骤中对回波信号进行多尺度分解,包括:
S211:将回波信号作为待分解信号,设置当前分解尺度为v,v的初始值为1,最大值为V;
S212:获取待分解信号的所有局部极值点,包括极小值点和极大值点;
S213:利用三次样条插值方法分别对极小值点集合以及极大值点集合进行插值处理,计算上下包络线的均值,得到均值信号,并计算待分解信号与均值信号的差值信号;
S214:若差值信号的零点数与局部极值点总数的差值小于等于1,且差值信号的上下包络线均值均为0,则差值信号作为回波信号在分解尺度v上的分解结果,并令v=v+1,将作为待分解信号,返回步骤S212,直到v=V;否则令差值信号为待分解信号,返回步骤S212。
6.如权利要求1所述的城市安全燃气管网缺陷识别与管理方法,其特征在于,所述步骤S3包括:
构建燃气管网缺陷识别模型,利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,所述燃气管网缺陷识别模型以缺陷识别特征向量为输入,以燃气管道缺陷类型为输出,其中燃气管网缺陷识别模型包括输入层、特征向量聚类层、高斯映射层以及输出层;
输入层用于接收燃气管网中所有燃气管道对应的燃气管道缺陷识别特征向量;
特征向量聚类层用于对燃气管道缺陷识别特征向量进行聚类处理,得到若干聚类簇;
高斯映射层用于对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量的燃气管道缺陷类型识别结果。
7.如权利要求6所述的城市安全燃气管网缺陷识别与管理方法,其特征在于,所述S3步骤中利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,包括:
利用燃气管网缺陷识别模型对燃气管道缺陷识别特征向量进行燃气管道缺陷类型识别,其中燃气管道缺陷类型识别的流程为:
S31:输入层接收燃气管网中所有燃气管道对应的燃气管道缺陷识别特征向量;
S32:特征向量聚类层对燃气管道缺陷识别特征向量进行聚类处理,得到K个聚类簇,其中聚类处理流程为:
S321:计算得到不同燃气管道缺陷识别特征向量之间的距离,其中燃气管道缺陷识别特征向量与之间的距离为:
;
其中:表示燃气管道缺陷识别特征向量与之间的距离;
表示第n条燃气管道的中心与第z条燃气管道的中心之间的燃气管道距离,所述燃气管道距离表示由燃气管道中心到达另一个燃气管道中心,所经过的最短燃气管道长度;
S322:计算得到未聚类的燃气管道缺陷识别特征向量的局部密度,其中燃气管道缺陷识别特征向量的局部密度为:
;
其中:表示燃气管道缺陷识别特征向量的局部密度;表示预设的距离阈值;
S323:按照局部密度降序对当前未聚类的燃气管道缺陷识别特征向量进行排序,选取局部密度最大的燃气管道缺陷识别特征向量作为聚类中心;
S324:计算聚类中心与其他未聚类的燃气管道缺陷识别特征向量之间的距离,若距离小于预设的距离阈值,则将未聚类的燃气管道缺陷识别特征向量与聚类中心作为同一聚类簇下的若干燃气管道缺陷识别特征向量;
S325:返回步骤S322,直到不存在未聚类的燃气管道缺陷识别特征向量;
S33:计算不同聚类簇中所有燃气管道缺陷识别特征向量的均值,其中第k个聚类簇中所有燃气管道缺陷识别特征向量的均值为,;
S34:高斯映射层对聚类后的燃气管道缺陷识别特征向量进行高斯函数映射,得到不同聚类簇中燃气管道缺陷识别特征向量在不同燃气管道缺陷类型的概率值,选取概率值最高的燃气管道缺陷类型作为聚类簇中燃气管道缺陷识别特征向量所对应燃气管道的燃气管道缺陷类型识别结果,其中第k个聚类簇的燃气管道缺陷识别特征向量的高斯函数映射公式为:
;
;
其中:表示第k个聚类簇的燃气管道缺陷识别特征向量的高斯函数映射结果;
表示第k个聚类簇中燃气管道缺陷识别特征向量在第q种燃气管道缺陷类型的概率值,Q表示燃气管道缺陷类型的类型总数;
表示第k个聚类簇中所有燃气管道缺陷识别特征向量的标准差;
表示第q种燃气管道缺陷类型的标准燃气管道缺陷识别特征向量。
8.如权利要求3所述的城市安全燃气管网缺陷识别与管理方法,其特征在于,所述步骤S4包括:
根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位,并对燃气管道缺陷位置进行修复管理,其中第n条燃气管道的缺陷位置定位流程为:
S41:获取所采集第n条燃气管道的预处理后回波信号;
S42:计算得到预处理后回波信号的信号强度,其中信号强度的计算公式为:
;
其中:表示预处理后回波信号的初始频率;
表示预处理后回波信号的信号强度;
S43:根据识别到的燃气管道缺陷类型,基于回波信号强度进行燃气管道缺陷位置定位,其中第n条燃气管道的缺陷位置定位结果为:
;
其中:表示第n条燃气管道的缺陷位置定位结果;
表示第n条燃气管道的燃气管道缺陷类型;
表示燃气管道缺陷类型的缺陷回波信号衰减系数;
表示第n条燃气管道的管道长度;
S44:根据燃气管道缺陷位置定位结果以及燃气管道缺陷类型,对第n条燃气管道进行修复管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115498.XA CN117648594B (zh) | 2024-01-29 | 2024-01-29 | 一种城市安全燃气管网缺陷识别与管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115498.XA CN117648594B (zh) | 2024-01-29 | 2024-01-29 | 一种城市安全燃气管网缺陷识别与管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648594A true CN117648594A (zh) | 2024-03-05 |
CN117648594B CN117648594B (zh) | 2024-04-05 |
Family
ID=90049832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410115498.XA Active CN117648594B (zh) | 2024-01-29 | 2024-01-29 | 一种城市安全燃气管网缺陷识别与管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648594B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5907100A (en) * | 1997-06-30 | 1999-05-25 | Gas Research Institute | Method and system for detecting and displaying defects in piping |
CN101762633A (zh) * | 2008-12-25 | 2010-06-30 | 中国石油天然气股份有限公司 | 一种管道本体缺陷快速检测方法 |
CN102537669A (zh) * | 2010-12-23 | 2012-07-04 | 中国石油天然气股份有限公司 | 一种基于超声导波聚焦的管道缺陷检测方法和系统 |
CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 |
CN108680643A (zh) * | 2018-03-29 | 2018-10-19 | 东莞理工学院 | 一种新式超声导波检测方法 |
CN109188409A (zh) * | 2018-10-24 | 2019-01-11 | 重庆大学 | 一种基于Chirp码的正交稀疏字典设计方法 |
CN110470742A (zh) * | 2019-04-25 | 2019-11-19 | 西安交通大学 | 一种管道弯头缺陷的精确检测方法 |
CN111781276A (zh) * | 2020-06-16 | 2020-10-16 | 东莞理工学院 | 基于分维数的钢轨超声导波缺陷识别与定位方法及装置 |
CN112149508A (zh) * | 2020-08-25 | 2020-12-29 | 江苏大学 | 基于剪切波特性融合用于焊缝缺陷回波信号特征提取稀疏表示的方法 |
CN114689691A (zh) * | 2022-03-29 | 2022-07-01 | 天津大学 | 一种自动提取波导结构中超声导波频散曲线的方法 |
CN115266947A (zh) * | 2022-06-22 | 2022-11-01 | 中国石油大学(华东) | 一种聚乙烯燃气管道超声纵向导波激励装置及检测方法 |
US20230184720A1 (en) * | 2018-06-18 | 2023-06-15 | Petróleo Brasileiro S.A. - Petrobras | Method and system for inspection of joints in composite pipes and of composite repairs in metallic pipelines |
CN117332324A (zh) * | 2023-09-25 | 2024-01-02 | 金卡水务科技有限公司 | 管道漏损检测方法、装置、电子设备及存储介质 |
-
2024
- 2024-01-29 CN CN202410115498.XA patent/CN117648594B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5907100A (en) * | 1997-06-30 | 1999-05-25 | Gas Research Institute | Method and system for detecting and displaying defects in piping |
CN101762633A (zh) * | 2008-12-25 | 2010-06-30 | 中国石油天然气股份有限公司 | 一种管道本体缺陷快速检测方法 |
CN102537669A (zh) * | 2010-12-23 | 2012-07-04 | 中国石油天然气股份有限公司 | 一种基于超声导波聚焦的管道缺陷检测方法和系统 |
CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 |
CN108680643A (zh) * | 2018-03-29 | 2018-10-19 | 东莞理工学院 | 一种新式超声导波检测方法 |
US20230184720A1 (en) * | 2018-06-18 | 2023-06-15 | Petróleo Brasileiro S.A. - Petrobras | Method and system for inspection of joints in composite pipes and of composite repairs in metallic pipelines |
CN109188409A (zh) * | 2018-10-24 | 2019-01-11 | 重庆大学 | 一种基于Chirp码的正交稀疏字典设计方法 |
CN110470742A (zh) * | 2019-04-25 | 2019-11-19 | 西安交通大学 | 一种管道弯头缺陷的精确检测方法 |
CN111781276A (zh) * | 2020-06-16 | 2020-10-16 | 东莞理工学院 | 基于分维数的钢轨超声导波缺陷识别与定位方法及装置 |
CN112149508A (zh) * | 2020-08-25 | 2020-12-29 | 江苏大学 | 基于剪切波特性融合用于焊缝缺陷回波信号特征提取稀疏表示的方法 |
CN114689691A (zh) * | 2022-03-29 | 2022-07-01 | 天津大学 | 一种自动提取波导结构中超声导波频散曲线的方法 |
CN115266947A (zh) * | 2022-06-22 | 2022-11-01 | 中国石油大学(华东) | 一种聚乙烯燃气管道超声纵向导波激励装置及检测方法 |
CN117332324A (zh) * | 2023-09-25 | 2024-01-02 | 金卡水务科技有限公司 | 管道漏损检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
左浩,邢娇,康敬东,惠记庄: "薄壁结构损伤识别的超声导波多模态融合成像方法", 《西安交通大学学报》, 30 April 2023 (2023-04-30), pages 88 - 96 * |
梁灏然: "基于Duffing系统随机共振特性的聚脲防腐管道小缺陷导波检测研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》, 5 January 2023 (2023-01-05), pages 1 - 84 * |
Also Published As
Publication number | Publication date |
---|---|
CN117648594B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492103B (zh) | 标签信息获取方法、装置、电子设备及计算机可读介质 | |
CN110019782A (zh) | 用于输出文本类别的方法和装置 | |
CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
CN115600824B (zh) | 一种碳排放的预警方法及装置、存储介质、电子设备 | |
CN116934098A (zh) | 一种技术性贸易措施风险量化评估方法 | |
CN117648594B (zh) | 一种城市安全燃气管网缺陷识别与管理方法 | |
CN118210670A (zh) | 日志异常检测方法、装置、电子设备及存储介质 | |
CN112214770B (zh) | 恶意样本的识别方法、装置、计算设备以及介质 | |
CN114048816A (zh) | 一种图神经网络数据采样方法、装置、设备及存储介质 | |
CN116011998B (zh) | 一种退役电池回收分类处理方法及装置 | |
CN115796231B (zh) | 一种时态分析的超短期风速预测方法 | |
CN115831219B (zh) | 一种质量预测方法、装置、设备及存储介质 | |
CN115620235A (zh) | 一种包裹复检方法、装置、设备及存储介质 | |
CN114312930A (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN116862303B (zh) | 城市内涝隐患分级及评估方法 | |
CN115758636B (zh) | 基于物联网的供水管网水质监测方法及装置 | |
CN117074628B (zh) | 一种多传感器空气质量检测设备故障定位方法 | |
CN115373369B (zh) | 车辆故障诊断系统及方法 | |
CN117894341B (zh) | 一种发动机异常节奏噪声识别方法、装置、设备和介质 | |
CN111242522B (zh) | 任务监控方法、装置、设备及其存储介质 | |
CN115937652A (zh) | 一种地下管线识别方法、装置、设备及存储介质 | |
CN116614422B (zh) | 一种北斗授时协议安全分析方法 | |
CN118351562A (zh) | 一种工单附图检测方法、装置、电子设备及存储介质 | |
CN118365951A (zh) | 船舶识别模型建立及船舶识别方法、装置及电子设备 |
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 |