CN117668737A - 一种管道检测数据故障预警查验方法以及相关装置 - Google Patents

Abstract

本发明实施例提供一种管道检测数据故障预警查验方法以及相关装置，属于管道监测技术领域。该方法包括：获得管道对应的监测数据，并对监测数据进行数据波动检测，获得监测数据对应的异常波动向量；对异常波动向量利用异常分类模型进行异常识别，获得异常波动向量对应的异常识别分布；根据异常识别分布获得异常波动向量对应的分类确定结果；根据分类确定结果确定管道对应的异常类型，当异常类型为未知类型时，获得异常波动向量对应的监测位置；控制无人机到达监测位置，并利用无人机获得管道在监测位置对应的监测图像；对监测图像进行异常监测，获得管道在监测位置对应的预警查验结果。

Description

一种管道检测数据故障预警查验方法以及相关装置

技术领域

本发明涉及管道监测技术领域，尤其涉及一种管道检测数据故障预警查验方法以及相关装置。

背景技术

管道检测安全是指对管道系统进行完整的检测和评估，以确保管道运行的安全，并识别潜在的风险和故障点，为安全运行提供保障。在管道运行过程中，由于管道内部环境的不断变化，可能会出现管道氧化、腐蚀、破损等问题，而这些问题可能会对管道系统造成安全隐患，甚至导致灾难性后果。因此，对管道进行定期检测和评估，及时发现和解决问题，是保障管道安全的重要措施。

现有的管道检测故障预警查验常常会在发现异常后人工去现场进行具体的预警结果查验，这种方式存在一些问题。首先，人工现场查验需要时间和人力资源，无法快速响应管道异常情况，延误了对潜在风险的识别和处理。其次，当检测到未知异常时，无法进一步获得对应的解决方案，从而导致管道安全问题得不到及时解决，扩大了管道损失。

发明内容

本发明实施例的主要目的在于提供一种管道检测数据故障预警查验方法以及相关装置，旨在解决相关技术中在对管道监测过程中人工现场查验需要时间和人力资源，无法快速响应管道异常情况，延误了对潜在风险的识别和处理，以及当检测到未知异常时，无法进一步获得对应的解决方案，从而导致管道安全问题得不到及时解决，扩大了管道损失的问题。

第一方面，本发明实施例提供一种管道检测数据故障预警查验方法，包括：

获得所述管道对应的监测数据，并对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量；

对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布；

根据所述异常识别分布获得所述异常波动向量对应的分类确定结果；

根据所述分类确定结果确定所述管道对应的异常类型，当所述异常类型为未知类型时，获得所述异常波动向量对应的监测位置；

控制无人机到达所述监测位置，并利用所述无人机获得所述管道在所述监测位置对应的监测图像；

对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

第二方面，本发明实施例提供一种管道检测数据故障预警查验装置，包括：

数据处理模块，用于获得所述管道对应的监测数据，并对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量；

异常识别模块，用于对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布；

分类确定模块，用于根据所述异常识别分布获得所述异常波动向量对应的分类确定结果；

异常处理模块，用于根据所述分类确定结果确定所述管道对应的异常类型，当所述异常类型为未知类型时，获得所述异常波动向量对应的监测位置；

图像监测模块，用于控制无人机到达所述监测位置，并利用所述无人机获得所述管道在所述监测位置对应的监测图像；

预警查验模块，用于对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

第三方面，本发明实施例还提供一种终端设备，所述终端设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，实现如本发明说明书提供的任一项管道检测数据故障预警查验方法的步骤。

第四方面，本发明实施例还提供一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明说明书提供的任一项管道检测数据故障预警查验方法的步骤。

本发明实施例提供一种管道检测数据故障预警查验方法以及相关装置，该方法包括：获得管道对应的监测数据，并对监测数据进行数据波动检测，获得监测数据对应的异常波动向量，进而对异常波动向量利用异常分类模型进行异常识别，获得异常波动向量对应的异常识别分布；从而根据异常识别分布获得异常波动向量对应的分类确定结果；进而根据分类确定结果确定管道对应的异常类型，当异常类型为未知类型时，获得异常波动向量对应的监测位置，进而控制无人机到达监测位置，并利用无人机获得管道在监测位置对应的监测图像；最后对监测图像进行异常监测，获得管道在监测位置对应的预警查验结果。本申请对监测数据进行数据波动检测，从而可获得监测数据对应的异常波动向量，进而对异常波动向量利用异常分类模型进行异常识别，从而可获得管道对应的异常类型，进而解决了相关技术中对管道监测过程中人工现场查验需要时间和人力资源，无法快速响应管道异常情况，延误了对潜在风险的识别和处理的问题。再者，本申请中在获得管道对应的异常类型后，当异常类型为未知类型时，获得异常波动向量对应的监测位置，进而控制无人机到达监测位置，并利用无人机获得管道在监测位置对应的监测图像；最后对监测图像进行异常监测，获得管道在监测位置对应的预警查验结果，进一步解决了相关技术中当检测到未知异常时，无法进一步获得对应的解决方案，从而导致管道安全问题得不到及时解决，扩大了管道损失的问题。该方法提高了管道异常的处理效率，并且提高了对未知异常的响应，为后续解决未知异常提供良好的支撑。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。

图1为本发明实施例提供的一种管道检测数据故障预警查验方法的流程示意图；

图2为本发明实施例提供的一种管道检测数据故障预警查验装置的模块结构示意图；

图3为本发明实施例提供的一种终端设备的结构示意框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

本发明实施例提供一种管道检测数据故障预警查验方法以及相关装置。其中，该管道检测数据故障预警查验方法可应用于终端设备中，该终端设备可以平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。该终端设备可以为服务器，也可以为服务器集群。

下面结合附图，对本发明的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1，图1为本发明实施例提供的一种管道检测数据故障预警查验方法的流程示意图。

如图1所示，该管道检测数据故障预警查验方法包括步骤S101至步骤S106。

步骤S101、获得所述管道对应的监测数据，并对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量。

示例性地，利用人工查验的方式对管道进行数据监测，获得管道对应的监测数据。或者，利用传感器进行实时监测的方式对管道进行数据监测，从而获得管道对应的监测数据，其中，传感器可以是温度传感器、压力传感器等等。

可选地，本申请对数据监测的方式不做具体限制，用户可根据实际需求自行选择。

示例性地，获得需要监测的监测数据后，对监测数据进行预处理。预处理包括数据清洗、去除异常值、填充缺失值等，进而确保监测数据的质量和完整性。

示例性地，对预处理后的监测数据利用标准差、方差、均值偏差、震荡指标等方法计算数据的波动程度，进而将获得的波动程度与设置的阈值进行比较，从而来判断监测数据中的异常波动。当检测到监测数据的波动超过阈值时，将该数据点标记为异常，并记录下相应的异常波动向量。异常波动向量是有关异常数据点的附加信息，可以包括时间戳、具体数值、异常位置等。

在一些实施方式中，所述对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量，包括：确定所述监测数据对应的数据维度、监测宽度以及所述监测数据对应的监测步长；根据所述监测宽度和所述数据维度确定滑动窗口，并根据所述滑动窗口在所述监测数据中移动，获得所述监测数据对应的目标数据；对所述目标数据进行误差计算，获得所述目标数据对应的目标误差；将所述目标误差进行概率映射，获得所述目标数据对应的异常波动率；根据所述异常波动率确定所述监测数据对应的所述异常波动向量。

示例性地，确定监测数据的数据维度，即每个数据点所包含的特征或属性数量。监测数据可以包括温度信息、压力信息、传输速度信息等等，然后，确定监测宽度，即用于计算目标数据的滑动窗口的大小。最后，确定监测步长，即滑动窗口在监测数据中移动的步幅。基于确定的监测宽度和数据维度，创建一个滑动窗口。滑动窗口是一个移动的窗口，大小与监测宽度相等，用于从监测数据中提取目标数据。将滑动窗口应用于监测数据，从每个滑动窗口中提取目标数据。目标数据可以是任何想要监测的特征，如数据点本身或数据的某种变换。

示例性地，计算目标数据与参考数据之间的差异或计算相邻目标数据之间的偏差，进而获得目标数据对应地目标误差。进而利用统计方法或机器学习算法将目标误差进行概率映射，以获取目标数据对应的异常波动率。从而基于计算得到的异常波动率，确定监测数据对应的异常波动向量。异常波动向量可以为包含该目标数据对应的异常波动率以及该目标数据相邻数据对应的异常波动率共同组成异常波动向量。

例如，目标数据m对应的异常波动率为vm，则目标数据m-1对应的异常波动率为v(m-1)，目标数据m-2对应的异常波动率为v(m-2)依次类推，目标数据m+1对应的异常波动率为v(m+1)，目标数据m+2对应的异常波动率为v(m+2)，进而根据上述异常波动率组成目标数据m对应的异常波动向量为[...，v(m-2)，v(m-1)，vm，v(m+1)，v(m+2)，...]。

具体地，本申请提供一种基于局部窗口的数据处理方法，从而更好地捕获监测数据的局部特征，进而计算目标数据对应的目标误差，从而可帮助识别异常情况或异常波动。再者，利用异常波动向量可以提供对异常数据的特征描述和标记，使进一步的分析和处理更加方便和准确。

在一些实施方式中，所述将所述目标误差进行概率映射，获得所述目标数据对应的异常波动率，包括：根据所述目标误差获得所述目标数据对应的误差平均值；根据所述误差平均值进行概率映射，获得所述目标数据对应的所述异常波动率：其中，根据下列公式获得所述异常波动率：

；

表示第t个所述滑动窗口对应的所述异常波动率，/>表示第t个所述目标误差，表示所述误差平均值。

示例性地，获得目标数据对应的相邻数据的误差值，进而将相邻数据的误差值和目标误差之间进行平均值计算，获得目标数据对应的误差平均值，进而将误差平均值根据下列公式进行概率映射获得目标数据对应的异常波动率：

；

表示第t个所述滑动窗口对应的所述异常波动率，/>表示第t个所述目标误差，表示所述误差平均值。

示例性地，当目标误差为0时，则异常波动率为0，则反映出该过程中监测数据在窗口内始终在正常范围内波动，其管道运行正常，当目标误差等于误差平均值时，则异常波动率为(1-e^-1)/(1+e^-1)=0.462，则可知当目标误差远大于误差平均值时，则异常波动率越靠近1，则当前管道对应的监测数据越不稳定，则反映出管道当前可能处于异常状态，进而反映出管道中的异常因素导致管道出现波动加剧，可以较好的反映出目标数据对应的异常波动率。

步骤S102、对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布。

示例性地，使用支持向量机（SVM）、神经网络、决策树等构建分类模型，进而使用标记为各个异常类型的样本数据训练模型，从而获得对应的异常分类模型。

示例性地，将异常波动向量输入已训练好的异常分类模型中进行预测和分类。异常分类模型将输出一个异常分数，表示输入异常波动向量是属于各个异常地概率，通常是一个 [0,1] 的实数值。

示例性地，获得异常波动向量属于各个异常以及各个异常对应地概率之后，确定异常识别分布。异常识别分布是异常波动向量的概率密度分布，为异常识别模型在不同异常分数阈值下的表现。其可以反映异常识别模型对不同类型异常数据的鉴别能力。

在一些实施方式中，所述异常分类模型为多分类器，所述对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布，包括：将所述异常波动向量利用所述多分类器进行异常识别，获得所述异常波动向量在所述多分类器中各个分支下的第一概率；对所述第一概率进行求取均值，获得所述异常波动向量对应的第二概率，并根据所述第二概率确定所述异常波动向量对应的所述异常识别分布。

示例性地，多分类器可以是一组单独的分类器，每个分类器对应一个特定的异常类别。常见的多分类器模型包括随机森林、朴素贝叶斯、k最近邻算法等。将异常波动向量输入每个分类器中进行预测和分类。每个分类器将输出一个分类概率，表示输入波动向量属于该类别的概率。获取每个分类器输出的第一概率，即每个分类器对应分支下的概率分数。这些第一概率表示异常波动向量在每个分类器中被标记为相应类别的概率。将第一概率进行均值计算，即对每个分类器输出的第一概率进行平均。均值可以提供异常波动向量在所有分类器中被标记为异常的平均概率。根据均值计算得到的异常概率，确定异常波动向量对应的第二概率。第二概率表示输入波动向量被多分类器同时标记为异常的概率。

示例性地，根据第二概率，确定异常波动向量对应的异常识别分布。可以设置阈值来将不同的概率范围划分为不同的异常级别，如低概率可能为正常、中概率可能为轻微异常、高概率可能为严重异常。

示例性地，通过将异常波动向量输入多分类器，可以获得异常波动向量在各个分类器中的第一概率。通过求取这些第一概率的均值，可以得到异常波动向量的第二概率，用于表示输入波动向量被多分类器同时标记为异常的概率。根据第二概率，可以确定异常波动向量对应的异常识别分布，提供异常级别的预测和分类。

此外，在建立异常分类模型时，需要设置分类类别中包括未知类型，以保证异常分类地准确性，进而通过设置未知类型提高异常分类模型的容错性。在实际使用过程中，可能会出现一些未知的异常情况，这些异常不属于预定义的异常类别。如果模型没有考虑到未知类型，那么在遇到未知异常时，可能会将其误分类为已知异常类别，导致分类结果不准确。通过设置未知异常类型，可以将这些未知类型归为一个统一的类别，避免将其错误地分类到其他已知异常类别中。

再者，设置未知异常类型可以增强模型的可扩展性。在实际应用中，新的异常情况可能会随时出现，并且可能无法事先预知。通过将未知异常归到一个单独的类别中，可以让模型具备处理新的异常情况的能力。当出现新的异常类型时，无需对模型进行重训练，只需将其归为未知异常类型即可，从而提高了模型的灵活性和适应性。

步骤S103、根据所述异常识别分布获得所述异常波动向量对应的分类确定结果。

示例性地，根据之前的步骤，获得异常波动向量对应的异常识别分布。异常识别分布是异常波动向量的概率密度分布，反映了异常波动向量被标记为不同异常级别的概率。进而根据异常识别分布，在一定的阈值设定下，确定异常波动向量的分类确定结果。

示例性地，根据具体情况，合理设置异常波动向量的阈值。阈值可以根据业务需求和性能要求进行优化和调整。较低的阈值可能会导致更多的异常被检测出来，但也可能引入更多的误报。较高的阈值可能会导致更少的异常被检测出来，但也可能造成漏报。

在一些实施方式中，所述根据所述异常识别分布获得所述异常波动向量对应的分类确定结果，包括：根据所述异常识别分布进行信息熵计算，获得分类类型对应的置信度；根据所述置信度获得所述异常波动向量对应的分类确定结果。

示例性地，异常识别分布包括将目标数据判定为已知异常类型对应地概率，进而利用异常识别分布进行信息熵计算，进而将计算结果确定为对应地该已知异常类型对应地置信度，当对应地置信度大于预设置信度时，则将该置信度对应地已知类型确定为异常波动向量对应的分类确定结果。

示例性地，异常识别分布中包括目标数据属于各个异常类型对应地概率信息，当利用信息熵确定各个概率信息对应地置信度后，获得置信度大于预设置信度对应地异常类型，进而确定分类确定结果。

步骤S104、根据所述分类确定结果确定所述管道对应的异常类型，当所述异常类型为未知类型时，获得所述异常波动向量对应的监测位置。

示例性地，获得分类确定结果后，分类确定结果中可能包含多个置信度大于预设置信度对应地异常类型，进而将分类确定结果中置信度最大时对应地异常类型确定为管道对应地异常类型。

示例性地，当监测到目标数据中存在异常，但是该异常对应地异常类型为已知异常时，则直接根据已知异常对应地策略对管道进行修复，或者将对应地策略发送至相关用户进行处理，以减少管道发生异常造成地损失。也即，当异常类型为已知类型时，同样获得异常波动向量对应的监测位置，进而获得已知类型对应地目标策略，进而将监测位置和目标策略发送给目标用户，以使得目标用户在监测位置上根据目标策略对管道进行异常修复。

如，已知异常为管道渗漏、管道盗窃等等，则当监测到目标数据对应地异常类型为管道渗漏时，则获得目标数据对应地采集位置，则将发生渗漏地采集位置发送给相关用户，以使得相关用户根据相应策略进行管道修复，进而解决了相关技术中在对管道监测过程中人工现场查验需要时间和人力资源，无法快速响应管道异常情况，延误了对潜在风险的识别和处理地问题。

示例性地，当监测到目标数据中存在异常，但是该异常不属于已知异常中地任意一个异常时，也即确定目标数据对应地异常类型为未知类型。该未知异常可能是新的、罕见的异常情况或者从未出现过地异常情况，则获得异常波动向量对应的监测位置。

步骤S105、控制无人机到达所述监测位置，并利用所述无人机获得所述管道在所述监测位置对应的监测图像。

示例性地，使用远程控制或预设飞行路径，控制无人机前往所需的监测位置。此外，无人机飞行时需要考虑航行的安全性和稳定性，可利用GPS和飞行控系统来实现位置控制。

示例性地，当无人机在到达监测位置后，利用无人机上搭载的相机或其他传感器设备，获取所需的管道在监测位置对应的监测图像。这些监测图像可以用于后续的管道状况分析和检测。

此外，利用无人机进行管道监测可以避免人工巡检的风险，特别是在环境危险或难以到达的区域。无人机可以代替人工巡检，保障人员安全。并且避免了由于异常类型判定错误造成地人力资源浪费。再者利用无人机可以实现对管道的实时监测，以便及时发现潜在的问题或异常情况。这能够提前预警并采取相应的措施，避免因管道问题引发更大的损失。

步骤S106、对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

示例性地，获取无人机所拍摄的监测图像，进而对获取的监测图像进行预处理，包括但不限于去噪、图像增强和标定等操作，以提高后续异常检测算法的准确性和鲁棒性。进而利用基于深度学习的卷积神经网络对监测图像进行异常识别。基于深度学习的卷积神经网络对监测图像进行识别，检测得到监测图像对应的异常类型是否为已知类型，如已知类型包括管道破损、渗漏、腐蚀等。

也即，异常分类模型对目标数据对应的异常类型的判断结果为错误判定，进而可根据监测图像得出的已知类型，获得该已知类型对应的目标策略，进而将目标策略和监测位置发送为目标用户，以使得目标用户在监测位置上根据目标策略对管道进行异常修复。也即，根据监测位置对应的监测图像进行异常查验得到的预警查验结果为之前判定结果错误。从而减少了人工直接去监测位置进行查验的人力损失，并可快速获得预警查验结果，进而减少了管道异常的损失。

示例性地，当根据监测位置对应的监测图像进行异常查验得到的预警查验结果为之前判定结果正确。也即监测位置对应的异常类型为未知类型，则需进一步判定监测位置对应的新的异常类型，进而以解决该监测位置的异常问题。进一步判定监测位置对应的新的异常类型可根据专家对监测图像的判断以确定对应的异常类型，也可继续利用多种传感器对监测位置的监测数据进行采集分析，直至确定监测位置对应的新的异常类型。

示例性地，通过无人机到达监测位置采集监测图减少了人工直接去监测位置进行查验的人力损失，并可快速获得预警查验结果，有助于及时发现管道异常情况，提升管道安全性和维护效率。

在一些实施方式中，所述对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果，包括：对所述监测图像进行下采样得到低分辨率图像，并对所述低分辨率图像进行空间分割和相似切割获得对应的相似区域；根据熵排序对所述相似区域重新组合，获得对应的相似立方体；对所述相似立方体进行局部邻域滤波，获得所述相似立方体对应的降噪立方体；对所述降噪立方体进行逆标准化，获得所述监测图像对应的滤波图像；对所述滤波图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

示例性地，通过对监测图像进行下采样得到低分辨率图像，进而减少计算复杂度，并且在一定程度上可以简化问题的复杂性。从而对低分辨率图像进行空间分割和相似切割，可以将图像分割成不同的区域并找到相似的部分。这有助于识别图像中的重复模式或相似结构，为后续处理提供基础。

示例性地，通过计算每个相似区域的熵值，并进行排序，可以重新组合这些区域，以便更有效地处理重复或相似的图像部分，从而降低数据冗余性。进而将排好序的相似区域组合成相似立方体，这一步骤可以帮助理解图像中的结构和模式，并对这些结构进行更有针对性的处理。

示例性地，对相似立方体进行局部邻域滤波获得降噪立方体，以帮助去除噪声和保留图像中重要的局部信息，并提高图像质量和准确性。进而针对经过处理的降噪立方体进行逆标准化，以还原出滤波后的图像，这一步骤有助于恢复图像的细节和特征。最后，对滤波后的滤波图像进行异常监测来识别图像中的异常情况，如管道中的损坏、渗漏等以及对管道中异常类型为未知类型时进行地信息确认，从而提高管道安全性和事故预防能力。

示例性地，对监测图像获取更具代表性的相似立方体，并通过滤波得到降噪的图像，这有助于降低噪声干扰，凸显管道图像中的重要特征和细节，从而提高预警检测的准确性和灵敏度。这将有助于提前发现管道问题，减少安全隐患，并在维护和预防措施上提供更有力的决策支持。

在一些实施方式中，所述获得所述管道在所述监测位置对应的预警查验结果之后，所述方法还包括：当所述预警查验结果与所述异常类型一致时，则根据所述监测数据进行数据模拟，获得所述异常类型对应的模拟数据；利用所述监测数据和所述模拟数据对所述异常分类模型进行增量训练，获得更新后的所述异常分类模型；当所述预警查验结果与所述异常类型不一致时，则利用所述监测数据对所述异常分类模型进行增量训练，获得更新后的所述异常分类模型。

示例性地，当异常类型为未知类型时，但预警查验结果表明该监测位置根据监测图像得到的结果为异常类型为已知类型时，也即预警查验结果与异常类型不一致时，则使用监测数据和监测数据对应的已知类型进行训练。将监测数据与监测数据对应的已知类型的原有的训练集进行合并，作为新的训练数据集，进而对异常分类模型进行增量训练，从而减少异常分类模型的错分率。

示例性地，当异常类型为未知类型时，但预警查验结果表明该监测位置根据监测图像得到的结果为异常类型仍为未知类型时，也即，预警查验结果与异常类型一致的情况时，则在获得监测数据对应的新的异常类型后，根据新的异常类型的发生特点以及根据监测数据的特征进行数据模拟，生成模拟数据，使其具有新的异常类型对应的特征。进而将生成的模拟数据与监测数据结合，作为训练集，对异常分类模型进行增量训练。增量训练是在原有训练模型的基础上，增加新的异常类型并使用新的数据进行训练，从而更新该异常分类模型。

通过上述步骤，可以实现根据预警查验结果和异常类型对异常分类模型进行增量训练，得到更新后的异常分类模型。

具体地，通过不同情况的处理方式，能够根据预警查验结果对异常分类模型进行精细调整，进而提高异常分类模型的鲁棒性和适应性。从而提高管道异常监测和预警的可靠性和效果。

此外，本申请中只在当监测数据对应的异常类型为未知类型时，通过无人机进行探测，从而可减少异常检测时间，进而及时解决管道异常。

请参阅图2，图2为本申请实施例提供的一种管道检测数据故障预警查验装置200，该管道检测数据故障预警查验装置200包括数据处理模块201、异常识别模块202、分类确定模块203、异常处理模块204、图像监测模块205、预警查验模块206，其中，数据处理模块201，用于获得所述管道对应的监测数据，并对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量；异常识别模块202，用于对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布；分类确定模块203，用于根据所述异常识别分布获得所述异常波动向量对应的分类确定结果；异常处理模块204，用于根据所述分类确定结果确定所述管道对应的异常类型，当所述异常类型为未知类型时，获得所述异常波动向量对应的监测位置；图像监测模块205，用于控制无人机到达所述监测位置，并利用所述无人机获得所述管道在所述监测位置对应的监测图像；预警查验模块206，用于对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

在一些实施方式中，数据处理模块201在所述对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量过程中，执行：

确定所述监测数据对应的数据维度、监测宽度以及所述监测数据对应的监测步长；

根据所述监测宽度和所述数据维度确定滑动窗口，并根据所述滑动窗口在所述监测数据中移动，获得所述监测数据对应的目标数据；

对所述目标数据进行误差计算，获得所述目标数据对应的目标误差；

将所述目标误差进行概率映射，获得所述目标数据对应的异常波动率；

根据所述异常波动率确定所述监测数据对应的所述异常波动向量。

在一些实施方式中，数据处理模块201在所述将所述目标误差进行概率映射，获得所述目标数据对应的异常波动率过程中，执行：

根据所述目标误差获得所述目标数据对应的误差平均值；

根据所述误差平均值进行概率映射，获得所述目标数据对应的所述异常波动率：

其中，根据下列公式获得所述异常波动率：

；

表示第t个所述滑动窗口对应的所述异常波动率，/>表示第t个所述目标误差，表示所述误差平均值。

在一些实施方式中，所述异常分类模型为多分类器，异常识别模块202在所述对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布过程中，执行：

将所述异常波动向量利用所述多分类器进行异常识别，获得所述异常波动向量在所述多分类器中各个分支下的第一概率；

对所述第一概率进行求取均值，获得所述异常波动向量对应的第二概率，并根据所述第二概率确定所述异常波动向量对应的所述异常识别分布。

在一些实施方式中，分类确定模块203在所述根据所述异常识别分布获得所述异常波动向量对应的分类确定结果过程中，执行：

根据所述异常识别分布进行信息熵计算，获得分类类型对应的置信度；

根据所述置信度获得所述异常波动向量对应的分类确定结果。

在一些实施方式中，预警查验模块206在所述对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果过程中，执行：

对所述监测图像进行下采样得到低分辨率图像，并对所述低分辨率图像进行空间分割和相似切割获得对应的相似区域；

根据熵排序对所述相似区域重新组合，获得对应的相似立方体；

对所述相似立方体进行局部邻域滤波，获得所述相似立方体对应的降噪立方体；

对所述降噪立方体进行逆标准化，获得所述监测图像对应的滤波图像；

对所述滤波图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

在一些实施方式中，预警查验模块206在所述获得所述管道在所述监测位置对应的预警查验结果之后过程中，还执行：

当所述预警查验结果与所述异常类型一致时，则根据所述监测数据进行数据模拟，获得所述异常类型对应的模拟数据；

利用所述监测数据和所述模拟数据对所述异常分类模型进行增量训练，获得更新后的所述异常分类模型；

当所述预警查验结果与所述异常类型不一致时，则利用所述监测数据对所述异常分类模型进行增量训练，获得更新后的所述异常分类模型。

在一些实施方式中，管道检测数据故障预警查验装置200可应用于终端设备。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的管道检测数据故障预警查验装置200的具体工作过程，可以参考前述管道检测数据故障预警查验方法实施例中的对应过程，在此不再赘述。

请参阅图3，图3为本发明实施例提供的一种终端设备的结构示意性框图。

如图3所示，终端设备300包括处理器301和存储器302，处理器301和存储器302通过总线303连接，该总线比如为I2C（Inter-integrated Circuit）总线。

具体地，处理器301用于提供计算和控制能力，支撑整个终端设备的运行。处理器301可以是中央处理单元 (Central Processing Unit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

具体地，存储器302可以是Flash芯片、只读存储器 (ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明实施例方案相关的部分结构的框图，并不构成对本发明实施例方案所应用于其上的终端设备的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的管道检测数据故障预警查验方法。

在一实施例中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：

获得所述管道对应的监测数据，并对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量；

对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布；

根据所述异常识别分布获得所述异常波动向量对应的分类确定结果；

根据所述分类确定结果确定所述管道对应的异常类型，当所述异常类型为未知类型时，获得所述异常波动向量对应的监测位置；

控制无人机到达所述监测位置，并利用所述无人机获得所述管道在所述监测位置对应的监测图像；

对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

在一些实施方式中，处理器301在所述对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量过程中，执行：

确定所述监测数据对应的数据维度、监测宽度以及所述监测数据对应的监测步长；

根据所述监测宽度和所述数据维度确定滑动窗口，并根据所述滑动窗口在所述监测数据中移动，获得所述监测数据对应的目标数据；

对所述目标数据进行误差计算，获得所述目标数据对应的目标误差；

将所述目标误差进行概率映射，获得所述目标数据对应的异常波动率；

根据所述异常波动率确定所述监测数据对应的所述异常波动向量。

在一些实施方式中，处理器301在所述将所述目标误差进行概率映射，获得所述目标数据对应的异常波动率过程中，执行：

根据所述目标误差获得所述目标数据对应的误差平均值；

根据所述误差平均值进行概率映射，获得所述目标数据对应的所述异常波动率：

其中，根据下列公式获得所述异常波动率：

；

表示第t个所述滑动窗口对应的所述异常波动率，/>表示第t个所述目标误差，表示所述误差平均值。

在一些实施方式中，所述异常分类模型为多分类器，处理器301在所述对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布过程中，执行：

将所述异常波动向量利用所述多分类器进行异常识别，获得所述异常波动向量在所述多分类器中各个分支下的第一概率；

对所述第一概率进行求取均值，获得所述异常波动向量对应的第二概率，并根据所述第二概率确定所述异常波动向量对应的所述异常识别分布。

在一些实施方式中，处理器301在所述根据所述异常识别分布获得所述异常波动向量对应的分类确定结果过程中，执行：

根据所述异常识别分布进行信息熵计算，获得分类类型对应的置信度；

根据所述置信度获得所述异常波动向量对应的分类确定结果。

在一些实施方式中，处理器301在所述对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果过程中，执行：

对所述监测图像进行下采样得到低分辨率图像，并对所述低分辨率图像进行空间分割和相似切割获得对应的相似区域；

根据熵排序对所述相似区域重新组合，获得对应的相似立方体；

对所述相似立方体进行局部邻域滤波，获得所述相似立方体对应的降噪立方体；

对所述降噪立方体进行逆标准化，获得所述监测图像对应的滤波图像；

对所述滤波图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

在一些实施方式中，处理器301在所述获得所述管道在所述监测位置对应的预警查验结果之后过程中，还执行：

当所述预警查验结果与所述异常类型一致时，则根据所述监测数据进行数据模拟，获得所述异常类型对应的模拟数据；

利用所述监测数据和所述模拟数据对所述异常分类模型进行增量训练，获得更新后的所述异常分类模型；

当所述预警查验结果与所述异常类型不一致时，则利用所述监测数据对所述异常分类模型进行增量训练，获得更新后的所述异常分类模型。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端设备的具体工作过程，可以参考前述管道检测数据故障预警查验方法实施例中的对应过程，在此不再赘述。

本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明实施例说明书提供的任一项管道检测数据故障预警查验方法的步骤。

其中，所述存储介质可以是前述实施例所述的终端设备的内部存储单元，例如所述终端设备的硬盘或内存。所述存储介质也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

应当理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，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、方法、物品或者系统不仅包括那些要素，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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。

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。以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种管道检测数据故障预警查验方法，其特征在于，所述方法包括：

获得所述管道对应的监测数据，并对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量；

对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布；

根据所述异常识别分布获得所述异常波动向量对应的分类确定结果；

根据所述分类确定结果确定所述管道对应的异常类型，当所述异常类型为未知类型时，获得所述异常波动向量对应的监测位置；

控制无人机到达所述监测位置，并利用所述无人机获得所述管道在所述监测位置对应的监测图像；

对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量，包括：

确定所述监测数据对应的数据维度、监测宽度以及所述监测数据对应的监测步长；

根据所述监测宽度和所述数据维度确定滑动窗口，并根据所述滑动窗口在所述监测数据中移动，获得所述监测数据对应的目标数据；

对所述目标数据进行误差计算，获得所述目标数据对应的目标误差；

将所述目标误差进行概率映射，获得所述目标数据对应的异常波动率；

根据所述异常波动率确定所述监测数据对应的所述异常波动向量。

3.根据权利要求2所述的方法，其特征在于，所述将所述目标误差进行概率映射，获得所述目标数据对应的异常波动率，包括：

根据所述目标误差获得所述目标数据对应的误差平均值；

根据所述误差平均值进行概率映射，获得所述目标数据对应的所述异常波动率：

其中，根据下列公式获得所述异常波动率：

；

表示第t个所述滑动窗口对应的所述异常波动率，/>表示第t个所述目标误差，/>表示所述误差平均值。

4.根据权利要求1所述的方法，其特征在于，所述异常分类模型为多分类器，所述对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布，包括：

将所述异常波动向量利用所述多分类器进行异常识别，获得所述异常波动向量在所述多分类器中各个分支下的第一概率；

对所述第一概率进行求取均值，获得所述异常波动向量对应的第二概率，并根据所述第二概率确定所述异常波动向量对应的所述异常识别分布。

5.根据权利要求1所述的方法，其特征在于，所述根据所述异常识别分布获得所述异常波动向量对应的分类确定结果，包括：

根据所述异常识别分布进行信息熵计算，获得分类类型对应的置信度；

根据所述置信度获得所述异常波动向量对应的分类确定结果。

6.根据权利要求1所述的方法，其特征在于，所述对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果，包括：

对所述监测图像进行下采样得到低分辨率图像，并对所述低分辨率图像进行空间分割和相似切割获得对应的相似区域；

根据熵排序对所述相似区域重新组合，获得对应的相似立方体；

对所述相似立方体进行局部邻域滤波，获得所述相似立方体对应的降噪立方体；

对所述降噪立方体进行逆标准化，获得所述监测图像对应的滤波图像；

对所述滤波图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

7.根据权利要求1中所述的方法，其特征在于，所述获得所述管道在所述监测位置对应的预警查验结果之后，所述方法还包括：

当所述预警查验结果与所述异常类型一致时，则根据所述监测数据进行数据模拟，获得所述异常类型对应的模拟数据；

利用所述监测数据和所述模拟数据对所述异常分类模型进行增量训练，获得更新后的所述异常分类模型；

当所述预警查验结果与所述异常类型不一致时，则利用所述监测数据对所述异常分类模型进行增量训练，获得更新后的所述异常分类模型。

8.一种管道检测数据故障预警查验装置，其特征在于，包括：

数据处理模块，用于获得所述管道对应的监测数据，并对所述监测数据进行数据波动检测，获得所述监测数据对应的异常波动向量；

异常识别模块，用于对所述异常波动向量利用异常分类模型进行异常识别，获得所述异常波动向量对应的异常识别分布；

分类确定模块，用于根据所述异常识别分布获得所述异常波动向量对应的分类确定结果；

异常处理模块，用于根据所述分类确定结果确定所述管道对应的异常类型，当所述异常类型为未知类型时，获得所述异常波动向量对应的监测位置；

图像监测模块，用于控制无人机到达所述监测位置，并利用所述无人机获得所述管道在所述监测位置对应的监测图像；

预警查验模块，用于对所述监测图像进行异常监测，获得所述管道在所述监测位置对应的预警查验结果。

9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器；

所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的管道检测数据故障预警查验方法。

10.一种计算机存储介质，用于计算机存储，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的管道检测数据故障预警查验方法的步骤。