CN112833336A - 一种面向楼宇间供水管道泄漏的监测方法和*** - Google Patents

一种面向楼宇间供水管道泄漏的监测方法和*** Download PDF

Info

Publication number
CN112833336A
CN112833336A CN202110013473.5A CN202110013473A CN112833336A CN 112833336 A CN112833336 A CN 112833336A CN 202110013473 A CN202110013473 A CN 202110013473A CN 112833336 A CN112833336 A CN 112833336A
Authority
CN
China
Prior art keywords
network
leakage
water supply
graph
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110013473.5A
Other languages
English (en)
Inventor
许明
胡鹏伟
罗辛
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.)
Vanguard Smart Life Technology Shenzhen Co ltd
Original Assignee
Vanguard Smart Life Technology Shenzhen 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 Vanguard Smart Life Technology Shenzhen Co ltd filed Critical Vanguard Smart Life Technology Shenzhen Co ltd
Priority to CN202110013473.5A priority Critical patent/CN112833336A/zh
Publication of CN112833336A publication Critical patent/CN112833336A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D1/00—Pipe-line systems
    • F17D1/08—Pipe-line systems for liquids or viscous products
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种面向楼宇供水管道泄漏的监测方法和***，涉及计算机数据处理领域和传感器监测领域。本发明中的***功能主要由以下五部分组成：供水管网数据处理模块、供水管网网络图模型构建模块、深度图模型识别泄漏模块、泄漏位置搜索定位模块以及全供水网络实时监控平台模块。包括以下步骤：步骤一，收集不同尺寸规格的管道在不同水压和不同连接结构下的管内实时数据；步骤二，对整个供水管网建立网络图；步骤三，基于深度图模型，在网络图中寻找存在于两个传感器之间的漏点；步骤四，基于得到判断结果，结合当前网络状态迅速定位漏水位置；步骤五，将各传感器的实时数据、历史数据及实时监测状态整合与平台中以供展示。

Description

一种面向楼宇间供水管道泄漏的监测方法和***
技术领域
本发明涉及计算机数据处理技术领域，特别涉及到大规模社交网络中的交友推荐问题。本发明公开了一种面向楼宇间供水管道泄漏的监测方法和***，涉及计算机数据处理领域和传感器监测领域，特别涉及到大规模楼宇供水管道泄漏识别的问题。
背景技术
目前，水务行业在供水网络的事故和泄漏监测场景下仍然依赖传统的检测方法。其中相对可靠的一种方式是基于声学或电声学相关数据的。例如，通过监听在供水管道壁上的泄漏噪声进行分析的监测方法。更先进的有针对传感器信号分析频谱，结合芯片处理器构建的应力波泄漏监测方法。这一系列的方法都需要借助外部设备增强信号，包括听漏棒、检漏饼和无线电捡漏仪等。从检测的形式来说，当前主要有主动监测和被动监测两种方式。主动监测方式实际上就是设置先进仪器实时的监测管道内的状态，主要依靠机器的能力实现主动监测。这一类方法通过减少人力降低了维护成本，但在监测准确度方面表现较差。被动监测方法主要是由人主导，借助工具定期检查管道状态，结合人的经验可以保证较高的准确率。但是由于无法实时监测，通常在发现漏点时已经了发生较大的水资源损失。此外，由于场景中节点过多，目前所有的方式都难以处理区域子供水管道里的漏点监测。
发明内容
针对上述缺陷和不足，本发明的目的在于提供一种面向楼宇间供水管道泄漏的监测方法和***，从架设在供水网络节点上的传感器采集多种信号，建立管道图网络，基于深度图模型实时监测管道中漏水位置，将监测结果在平台上展示，从而满足在拥有大规模节点的供水子网络中监测漏点的需求。
本发明通过以下技术方案来实现：
本发明公开了一种面向楼宇间供水管道泄漏的监测方法和***，包括以下步骤：
步骤一，收集不同尺寸规格的管道在不同水压和不同连接结构下的管内实时数据，在节点设置传感器收集管道内的多种信号；
步骤二，对整个供水管网建立网络图，应用图论将每个传感器视为节点，用传感器上的多个信号表达点，传感器之间的管道视为边，用实际的管长管径表达边；
步骤三，将漏点发现问题作为图中的链接预测问题，基于深度图模型，寻找图中两个点之间的链接，即在网络图中寻找存在于两个传感器之间的漏点，最终达到可以识别出不同型号管道在不同水压情况下的泄漏特征；
步骤四，基于得到判断结果，结合当前网络状态迅速定位漏水位置；
步骤五，将各传感器的实时数据、历史数据及实时监测状态整合与平台中以供展示。
步骤一所述的收集不同型号的管道在不同水压和不同连接结构下的管内实时数据，是通过在供水子管道下的每个楼宇节点设置多信号传感器实现。收集到的数据用以满足训练大规模供水管道网络图的需求。
步骤二所述的对整个供水管网建立网络图，实际上是将每个传感器视为图网络中的点，将两个传感器之间实际的连接管道视为边。用传感器上的信号数据计算点的表达，用实际的连接管道信息计算边的表达。
步骤三四所述的将漏点发现问题作为图中的链接预测问题，是将城市供水网络抽象成一个网络图，将泄漏点的出现抽象成网络中两个点之间出现连接。针对链接预测问题，步骤三使用提出卷积图模型寻找图中任意两个点之间是否有连接。最终达到可以识别出管道泄漏的特征
步骤四所述的结合当前网络状态迅速定位漏水位置，是将发现的两点连接定位回图网络，追溯两个点所代表的传感器，并显示出两点之间的管道发生泄漏；
步骤五所述的是一个可视化的***，在平时显示整个供水管网的运行状态，而发生泄漏的时候快速定位泄漏位置并提醒水务***管理者。
本发明还公开了一种面向楼宇间供水管道泄漏的监测***，该***包括：
供水管网数据提取模块，从大规模供水管网的海量传感器和管道中收取日常数据；
图网络构建模块，对前一个模块中得到的数据加以清洗整理，然后进行点和边的计算构建图网络；
漏点监测模块，以前一个模块构建的供水管道图网络为基础，训练基于图卷积网络的模型，通过计算图中节点之间链接存在的可能性监测子管网中是否有漏水点以及泄漏发生在图网络中的哪两个节点之间；
漏点定位模块，根据前一模块得到的图网络中漏水位置，通过对照真实管网中的楼宇位置，定位出供水管道中的具体泄漏的位置；
管网状态展示模块，以一套可视化的管理平台显示真实供水管网的状态，实时展示各个节点的监测结果，并在发生泄漏时即时显示在平台之上提醒水务管理者。
与现有技术相比，本发明具有以下有益的技术效果：
本发明公开的一种面向楼宇间供水管道泄漏的监测方法，从以下方面解决现有技术在面向大规模供水子管网泄漏监测时的缺陷：在场景设计中，以整个供水管网为标准，监测两个楼宇节点之间的漏点，这保留了真实环境信息。在模型设计过程中，利用节点上的传感器为点，实际的管道信息为边，将监测漏点问题抽象为图网络上链接预测问题；在模型实现过程中，引入图卷积网络概念，优化监测漏点任务。
本发明还公开了能够实现上述漏点监测方法的***，***功能主要由以下五个部分组成：供水管网数据提取模块、图网络构建模块、漏点监测模块、漏点定位模块和管网状态展示模块。首先，供水管网数据提取模块针对大规模供水管网中的多信号传感器数据，提取和存储数据。其次，图网络构建模块对得到的数据进行图计算机，将供水管网以图网络表示。然后，对于给定的图网络，应用图卷积方法进行节点间特征的提取，并建立一个解码矩阵，通过两个特征表示，计算两个节点间是否存在漏水点。接着我们将结果映射到真实场景指明管道泄漏位置。最后，利用可视化***将管道网络中各节点的状态即时展示。
附图说明
图1为本发明的使用场景图；
图2为***模型架构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清晰明白，以下参照附图并举实施例，对本发明作进一步详细说明。
本发明公开的一种面向楼宇间供水管道泄漏的监测***，其搭建场景如图1所示，其主要组成部件包括多信号传感器和自动管道阀门。监测***功能主要由以下五个部分组成：供水管网数据提取模块、图网络构建模块、漏点监测模块、漏点定位模块以及管网状态展示模块。
适用于大规模供水管道网络的漏水监测方法，包括以下步骤：
步骤一，收集多种规格的管道在不同水压和不同连接结构下的管内实时数据，在节点设置传感器收集管道内的多种信号；
步骤二，对整个供水管网建立网络图，以图论为基础将每个传感器视为节点，用传感器上的多个信号表达点，传感器之间的管道视为边，用实际的管长管径表达边；
步骤三，将漏点发现问题作为图中的链接预测问题，基于深度图模型，寻找图中两个点之间的链接，即在网络图中寻找存在于两个传感器之间的漏点，最终达到可以识别出不同型号管道在不同水压情况下的泄漏特征；
步骤四，基于得到模型判断结果，结合当前网络状态迅速定位漏水位置；
步骤五，将各传感器的实时数据、历史数据及实时监测状态整合与平台中以供展示。
本发明***整体结构如图2所示。对一个供水管网***而言，每个传感器所产生的信号和代表的区域显然是不同的。在真实场景下加上水压、管径和管长等因素的影响，两个传感器之间发生泄漏的特征表达不尽相同。因此，在大规模图网络中发现不同节点周边环境下的泄漏特征可以解决复杂供水管网场景下的漏点监测问题。
下面对各个模块进行具体的介绍：
1、供水管网数据提取模块
从大规模供水管网的海量传感器和管道中收取日常数据；
第一步，在一个供水管道场景下，为供水管网里的每一个楼宇子管网前添加多信号传感器。传感器可以获取的信号包括但不限于“瞬时流速”、“瞬时流量”、“压力”、“正向累积流量”、“正向累积流量”、“反向累积流量”以及“反向累积流量”。传感器设置为5-30秒为间隔采集数据，针对模型训练收集7*24小时的数据。日常监测时按设置的间隔时间向监测***提交采集到的数据。
第二步，以每两个传感器为单位，记录每对传感器之间的管径管长。
2、图网络构建模块
基于前一个模块收集到的大量传感器信号数据，将供水管网抽象成一个网络图结构，通过进行点和边的计算构建图网络。用G＝(V，E)来表示一个供水管网图，用V来表示管网中的节点，E表示所有节点之间连接的管道集合。为了计算出图中节点的位置特征，本模块使用两层图卷积神经网络进行训练，传播函数为下方的公式(1)：
Figure BDA0002886059410000041
其中
Figure BDA0002886059410000042
是节点i在第k层的特征向量，d(k)为第k层特征向量的维度描述。对于每一个节点，本模块使用了独热码对各个节点进行编号，可以得到一个特征值向量的稀疏矩阵
Figure BDA0002886059410000043
每一行代表特定节点的特征值向量。模型的训练过程就是将这一组特征值向量直接输入到图卷机网络中进行计算。通过公式(1)我们在每一个节点上建立不同的网络，同时在同一层上共享同一套关系矩阵，结合解码器模型
Figure BDA0002886059410000044
构成完整图网络模型。s(vi，vj)代表在构建的网络上，两点之间存在联系的概率的相对值。
最后用pij来表示节点点的链路存在概率：
pij＝prob((vi，vj)∈Epos)＝σ(s(vi，vj))，同时我们用于哥sigmoid函数把pij映射在0-1的区间上方便显示结果。
3、漏点监测模块
在本发明方法中，我们并没有直接将漏点监测看成原始的水流异常发现，而是将传感器上的信号视为图中节点的表达，将管长管径视为图中边的表达。在训练过程中，我们学习到的是放置在不同型号管道两侧的两个传感器在泄漏时是什么样的特征表达。因此，我们的漏点监测模块是以上一个模块构建的供水管道图网络为基础，训练基于图卷积网络的模型，通过计算图中节点之间链接存在的可能性监测子管网中是否有漏水点以及泄漏发生在图网络中的哪两个节点之间。也就是在实际场景中，模型实时计算传感器传回的信号以及相应的边信息，判断两个节点直接是否出现异常特征。
4、漏点定位模块
由于上述模块将管网抽象成图网络，因此本模块将监测到的结果转化为现实管网上的泄漏位置。通过对照真实管网中的楼宇位置，定位出供水管道中的具体泄漏的位置。同时，将图中的节点间链路信息转化为实际管网中泄漏状态传给下一模块。
5、管网状态展示模块
本模块包括状态显示功能，泄漏预警功能。实际上是由一套可视化的管理平台显示真实供水管网的状态，实时展示各个节点的监测结果，并在发生泄漏时即时显示在平台之上提醒水务管理者。
以上显示和描述了本发明的基本原理和主要特征以及本发明的特点。本发明不受上述实验特例的限制，上述实验特例和说明书中描述的只是说明本发明的原理，在不脱离本发明原理的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.一种面向楼宇间供水管道泄漏的监测方法和***，其包括以下步骤：
S1.服务器对供水管道泄漏监测装置发出收集信号指令，收集不同尺寸规格的管道在不同水压和不同连接结构下的管内实时数据，在节点设置传感器收集管道内的多种信号。
S2.供水管道泄漏监测装置对整个供水管网建立网络图，应用图论将每个传感器视为节点，用传感器上的多个信号表达点，传感器之间的管道视为边，用实际的管长管径表达边，最后获得管网的图表达。
S3.供水管道泄漏监测装置对管网的图表达进行预处理，并将漏点发现问题作为图中的链接预测问题，基于深度图模型，寻找图中两个点之间的链接，即在网络图中寻找存在于两个传感器之间的漏点，最终达到可以识别出不同型号管道在不同水压情况下的泄漏特征。
S4.供水管道泄漏监测装置基于得到的判断结果，结合当前网络状态迅速定位漏水位置。
S5.供水管道泄漏监测装置将各传感器的实时数据、历史数据及实时监测状态整合在***平台中以供展示。
2.根据权利要求1所述的一种面向楼宇间供水管道泄漏的监测方法和***，其特征在于，步骤S2是对整个供水管网建立网络图，而非基于单个传感器节点的信号建立模型。步骤S3是将漏点发现问题作为图中的链接预测问题，基于深度图模型，寻找图中两个点之间的链接。
3.一种根据权利要求1-2任意一种面向楼宇间供水管道泄漏的监测装置，其特征在于，包括供水管网数据提取模块、图网络构建模块、漏点监测模块、漏点定位模块和管网状态展示模块。其中：
所述供水管网数据提取模块和图网络构建模块相连接，供水管网数据提取模块从大规模供水管网的海量传感器和管道中收取日常数据，并将收集到的传感器信号数据传递给图网络构建模块。
所述图网络构建模块和漏点监测模块相连接,网络构建模块对前一个模块中得到的数据加以清洗整理，然后进行点和边的计算构建图网络，并将构建好的图网络传递给漏点监测模块。
所诉漏点监测模块和漏点定位模块相连接，漏点监测模块以前一个模块构建的供水管道图网络为基础，训练基于图卷积网络的模型，通过计算图中节点之间链接存在的可能性，监测子管网中是否有漏水点以及泄漏发生在图网络中的哪两个节点之间，并将计算结果传递给漏点定位模块。
所诉漏点定位模块和管网状态展示模块相连接，根据前一模块得到的图网络中漏水位置，通过对照真实管网中的楼宇位置，定位出供水管道中的具体泄漏的位置，并将结果传递到网状态展示模块。
所述管网状态展示模块以一套可视化的管理平台显示真实供水管网的状态，实时展示各个节点的监测结果，并在发生泄漏时即时显示在平台之上提醒水务管理者。
4.根据权利要求3所述的一种面向楼宇间供水管道泄漏的监测装置，其特征在于，将现有技术在面向大规模供水子管网泄漏监测时的缺陷以图模型技术解决。所述装置以整个供水管网为标准，监测两个楼宇节点之间的漏点，这保留了真实环境信息。在模型设计过程中，利用节点上的传感器为点，实际的管道信息为边，将监测漏点问题抽象为图网络上链接预测问题。并且在模型实现过程中，引入图卷积网络概念，优化监测漏点任务。
5.根据权利要求3所述一种基于面向楼宇间供水管道泄漏的监测方法和***的漏点监测装置，其特征在于，图网络构建模块对得到的数据进行图计算机，将供水管网以图网络表示。然后，对于给定的图网络，应用图卷积方法进行节点间特征的提取，并建立一个解码矩阵，通过两个特征表示，计算两个节点间是否存在漏水点。
CN202110013473.5A 2021-01-06 2021-01-06 一种面向楼宇间供水管道泄漏的监测方法和*** Pending CN112833336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110013473.5A CN112833336A (zh) 2021-01-06 2021-01-06 一种面向楼宇间供水管道泄漏的监测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110013473.5A CN112833336A (zh) 2021-01-06 2021-01-06 一种面向楼宇间供水管道泄漏的监测方法和***

Publications (1)

Publication Number Publication Date
CN112833336A true CN112833336A (zh) 2021-05-25

Family

ID=75926243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110013473.5A Pending CN112833336A (zh) 2021-01-06 2021-01-06 一种面向楼宇间供水管道泄漏的监测方法和***

Country Status (1)

Country Link
CN (1) CN112833336A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117927880A (zh) * 2024-03-22 2024-04-26 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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170308796A1 (en) * 2016-04-21 2017-10-26 Utopus Insights, Inc. System and method for forecasting leaks in a fluid-delivery pipeline network
CN109555979A (zh) * 2018-12-10 2019-04-02 清华大学 一种供水管网漏损监测方法
CN111412391A (zh) * 2019-01-04 2020-07-14 合肥暖流信息科技有限公司 一种管网泄漏检测方法及***
CN111536428A (zh) * 2020-05-13 2020-08-14 华北水利水电大学 一种基于大数据的管网漏损控制模型及其构建方法
CN111706785A (zh) * 2020-07-28 2020-09-25 西南石油大学 一种天然气枝状管网泄漏管段识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170308796A1 (en) * 2016-04-21 2017-10-26 Utopus Insights, Inc. System and method for forecasting leaks in a fluid-delivery pipeline network
CN109555979A (zh) * 2018-12-10 2019-04-02 清华大学 一种供水管网漏损监测方法
CN111412391A (zh) * 2019-01-04 2020-07-14 合肥暖流信息科技有限公司 一种管网泄漏检测方法及***
CN111536428A (zh) * 2020-05-13 2020-08-14 华北水利水电大学 一种基于大数据的管网漏损控制模型及其构建方法
CN111706785A (zh) * 2020-07-28 2020-09-25 西南石油大学 一种天然气枝状管网泄漏管段识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹峥等: "基于Elman神经网络的流体管道泄漏点检测定位", 《装备环境工程》 *
雷翠红等: "供热管网的二级BP神经网络泄漏故障诊断", 《哈尔滨工业大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117927880A (zh) * 2024-03-22 2024-04-26 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
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

Similar Documents

Publication Publication Date Title
CN110119851B (zh) 一种建筑机电***故障智能预测方法和***
CN109858140B (zh) 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法
CN110285330B (zh) 一种基于局部离群因子的水务网管网爆管检测方法
CN112036086A (zh) 燃气管线动态风险预警***
CN103678881B (zh) 一种基于人工免疫与证据理论相结合的复合故障诊断方法
CN107426019A (zh) 网络故障确定方法、计算机设备及计算机可读存储介质
CN116384277A (zh) 一种基于滤波器的多分支供水管漏损检测与定位方法、装置及***
CN112833336A (zh) 一种面向楼宇间供水管道泄漏的监测方法和***
CN113593605B (zh) 一种基于深度神经网络的工业音频故障监测***和方法
CN113569956A (zh) 一种基于ai算法的山火灾害勘查识别方法
CN110674240B (zh) 一种基于gis的电力设备分布式多级智能故障诊断***
CN111317953B (zh) 一种基于智能算法的消防用水管网漏水监测方法
CN117170304A (zh) 一种基于工业物联网的plc远程监测控制方法及***
JP4388044B2 (ja) 管路被害予測システム及び管路被害予測方法
CN116484219A (zh) 一种基于门控图神经网络的供水管网水质异常污染源识别方法
CN117313845A (zh) 一种基于知识图谱的电网故障检测辅助方法和***
CN111913619A (zh) 一种基于bim轻量化的消防数据读取及交互方法
CN114821486B (zh) 一种电力作业场景下人员识别方法
CN109388512A (zh) 针对大规模计算机集群异常程度的评估与分析***
CN113743015B (zh) 火灾场景数据获取方法、介质及电子设备
CN112097125B (zh) 一种基于自适应校核的供水管网爆管侦测及定位方法
CN110455370A (zh) 防汛抗旱远程遥测显示***
CN116545121B (zh) 用电安全隐患信息处理方法及用电***服务***
CN114722130B (zh) 一种基于gis***的数字海洋海底电缆状态监控方法
AU2021101981A4 (en) Sewage pipeline blockage and bottle neck detection using hybrid sensor and Geo-spatial data analysis

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210525

WD01 Invention patent application deemed withdrawn after publication