CN112857658B - 一种基于云平台的压力检测*** - Google Patents

一种基于云平台的压力检测*** Download PDF

Info

Publication number
CN112857658B
CN112857658B CN202110043936.2A CN202110043936A CN112857658B CN 112857658 B CN112857658 B CN 112857658B CN 202110043936 A CN202110043936 A CN 202110043936A CN 112857658 B CN112857658 B CN 112857658B
Authority
CN
China
Prior art keywords
pressure
pipe network
trapezoidal fuzzy
value
pressure sensor
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
CN202110043936.2A
Other languages
English (en)
Other versions
CN112857658A (zh
Inventor
杨艳
严平
叶文芊
周大森
周恒瑞
柏小颖
葛红
马海波
丁晓红
张利兵
李亚洲
马从国
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.)
Digo Software Co ltd
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110043936.2A priority Critical patent/CN112857658B/zh
Publication of CN112857658A publication Critical patent/CN112857658A/zh
Application granted granted Critical
Publication of CN112857658B publication Critical patent/CN112857658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C19/00—Electric signal transmission systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L12/40006—Architecture of a communication node
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明公开了一种基于云平台的压力检测***由管网参数检测平台和管网压力大数据处理子***组成，管网参数检测***平台负责检测管网参数检测与管理，管网参数保存到云平台，管网管理人员可从移动端APP实时查看云平台管网参数；管网压力大数据处理子实现对管网的压力进行预测和分类；本发明有效解决了现有管网检测***没有根据管网参数变化的非线性、大滞后和管网面积大参数变化复杂等对管网安全的影响，没有对管网参数进行预测和对管网安全进行预警，从而极大的影响管网的安全管理问题。

Description

一种基于云平台的压力检测***
技术领域
本发明涉及管网压力安全检测自动化技术领域，具体涉及一种基于云平台的压力检测***。
背景技术
管网在运输的时候需要承受一定量的压力，那就是管网内部的气压或者水压。如果管网出现破裂现象，那么管网的压力会飞快下降，而压力降低的程度和管网的破裂程度是呈正相关的，所以工作人员需要实时地监测好管网的压力大小，这样可以更好地发现管网的异常现象。监测管网压力的时候，需要及时地处理和分析好管网压力数据，这样才可以更好地解决好管网的压力问题，便于工作人员要找到有效的管网问题整改措施。
不断地健全和发展好城市管网的信息库，合理地收集好管网中的信息和数据，高效地整合好管网的不同信息和参数，有助于后期的管网问题的分析与管理工作，实现管网数据信息共享，借助云计算技术加以分析和判断，从而建立完整全面的管网信息管理***，相关的企业、自来水厂或者部门可以使用电脑和手机等多种方式进行管网信息的查询与管理活动。以检测管网压力为例，发明一种基于云平台的压力检测***对管网的压力进行检测，提高管网压力检测的准确性和可靠性。
发明内容
本发明提供了一种基于云平台的压力检测***，本发明有效解决了现有管网检测***没有根据管网参数变化的非线性、大滞后和管网面积大参数变化复杂等对管网安全的影响，没有对管网参数进行预测和对管网安全进行预警，从而极大的影响管网的安全管理问题。
本发明通过以下技术方案实现：
一种基于云平台的压力检测***由管网参数检测平台和管网压力大数据处理子***组成，管网参数检测***平台负责检测管网参数检测与管理，管网参数保存到云平台，管网管理人员可从移动端APP实时查看云平台管网参数；管网压力大数据处理子***包括多个参数检测模型、检测参数融合模型和管网压力安全分类器，实现对管网的压力进行预测和分类，一种基于云平台的压力检测***实现了对管网参数参数的远程监测和智能化安全管理功能。
本发明进一步技术改进方案是：
管网参数检测平台由检测节点、网关节点、现场监控端、云平台以及移动端App，网关节点为检测节点、网关节点、现场监控端、移动端APP和云平台之间建立双向传输信息，云平台将管网信息储存在云平台的数据库中，有效地解决了大量数据下传至智能移动设备中而导致占用大量空间的问题。管网参数检测平台结构如图1所示。
本发明进一步技术改进方案是：
管网压力大数据处理子***包括多个参数检测模型、检测参数融合模型和管网压力安全分类器，多个参数检测模型输出的多个压力梯形模糊数作为检测参数融合模型的输入，检测参数融合模型输出的压力梯形模糊数融合值作为管网压力安全分类器的1个按拍延迟线TDL输入，管网压力安全分类器输出的梯形模糊数代表管网压力安全等级值；管网压力大数据处理子***结构见图2。
本发明进一步技术改进方案是：
参数检测模型设计
参数检测模型由压力传感器、1个按拍延迟线TDL(Tapped Delay Line)、多个动态递归小波神经网络模型、多个GM(1,1)灰色预测模型、多个积分回路和自联想神经网络模型组成，由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为自联想神经网络模型的2个对应输入；压力传感器的输出作为按拍延迟线TDL的输入，按拍延迟线TDL输出的一段时间的压力传感器值分别作为多个动态递归小波神经网络模型的输入，每个动态递归小波神经网络模型输出分别作为对应的每个GM(1,1)灰色预测模型的输入，每个GM(1,1)灰色预测模型的输出分别作为对应的积分回路输入和自联想神经网络模型的1个对应输入，自联想神经网络模型输出的梯形模糊数代表一段时间压力传感器值大小的梯形模糊数预测值，其中梯形模糊数为[a,b,c,d],a、b、c和d分别代表压力传感器输出的最小值、极小值、极大值和最大值，由[a,b,c,d]构成在一段时间内参数检测模型输出压力传感器值的梯形模糊数值，自联想神经网络模型输出作为参数检测模型输出，参数检测模型输出为一段时间的压力传感器的压力梯形模糊数预测值。
本发明进一步技术改进方案是：
检测参数融合模型
1、一段时间多个参数检测模型输出的压力梯形模糊数值构成压力传感器的时间序列压力梯形模糊数值阵列，同一时刻所有压力梯形模糊数值的平均值构成时间序列压力梯形模糊数值阵列的正理想值，同一时刻所有压力梯形模糊数值与正理想值距离最大的梯形模糊数值构成时间序列压力梯形模糊数值阵列的负理想值，每个压力传感器的时间序列压力梯形模糊数值的负理想值距离除以该压力传感器的时间序列压力梯形模糊数值的负理想值距离与该压力传感器的时间序列压力梯形模糊数值的正理想值距离的和得到的商为该压力传感器的时间序列压力梯形模糊数值的距离相对贴近度，每个压力传感器的时间序列压力梯形模糊数值的距离相对贴近度除以所有压力传感器的时间序列压力梯形模糊数值的距离相对贴近度的和得到的商为该压力传感器的时间序列压力梯形模糊数值的距离融合权重。
2、每个压力传感器的时间序列压力梯形模糊数值的正灰色关联度除以该压力传感器的时间序列压力梯形模糊数值的正灰色关联度与该压力传感器的时间序列压力梯形模糊数值的负灰色关联度的和得到的商为该压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度；每个压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度除以所有压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度的和得到的商为该压力传感器的时间序列压力梯形模糊数值的灰色关联度融合权重。
3、每个压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重分别构成均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重，由均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重按照从小到大排序组成该压力传感器的时间序列压力梯形模糊数值的梯形模糊数融合权重，每个压力传感器的时间序列压力梯形模糊数值与该压力传感器的时间序列压力梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有压力传感器的时间序列梯形模糊数融合值。
4、每个压力传感器的时间序列压力梯形模糊数值的负理想值的特征为该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的负理想值的距离，每个压力传感器的时间序列压力梯形模糊数值的正理想值距离的特征为该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值的距离。
5、每个压力传感器的时间序列压力梯形模糊数值的正灰色关联度的特征为该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值的灰色关联度，压力传感器的时间序列压力梯形模糊数值的负灰色关联度的特征为该压力传感器的时间序列压力梯形模糊数值与时间序列参数测量传感的梯形模糊数阵列的负理想值的灰色关联度。
6、乘积组合权重的特征为每个压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该压力传感器的时间序列压力梯形模糊数值融合的乘积组合权重。
本发明进一步技术改进方案是：
管网压力安全分类器
管网压力安全分类器由1个按拍延迟线TDL(Tapped Delay Line)、3个ESN神经网络模型和T-S模糊神经网络分类器组成，检测参数融合模型输出的压力梯形模糊数融合值作为管网压力安全分类器的1个按拍延迟线TDL输入，按拍延迟线TDL输出的一段时间的压力梯形数融合值分别作为3个ESN神经网络模型的输入，3个ESN神经网络模型输出的3个压力梯形模糊数作为T-S模糊神经网络分类器的输入，T-S模糊神经网络分类器输出的梯形模糊数代表管网压力安全等级值；根据管网压力安全的工程实践，T-S模糊神经网络分类器把管网压力安全分为一般安全、比较安全、很安全、不安全和很不安全对应不同的5个不同的梯形模糊数，构建5个梯形模糊数与管网压力安全的5种程度等级的对应关系表，计算T-S模糊神经网络分类器输出的梯形模糊数与代表5种管网压力安全等级的5个梯形数的相似度，其中相似度最大的梯形模糊数对应的管网压力安全等级确定为该管网压力安全等级。
本发明与现有技术相比，具有以下明显优点：
一、本发明的动态递归小波神经网络模型与普通静态小波神经网络的区别在于动态递归小波神经网络模型具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能,从而增强对管网压力参数演化轨迹的跟踪精度以确保更好的预测精度；在动态递归小波神经网络模型的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络模型的动态逼近能力和提高管网压力预测的精确度。
二、本发明ESN神经网络模型将网络隐层设计成一个具有很多神经元组成的稀疏网络，通过调整网络内部权值的特性达到记忆数据的功能，其内部的动态储备池包含了大量稀疏连接的神经元，蕴含***的运行状态，并具有短期记忆功能，通过预设ESN神经网络模型内部连接权值矩阵的谱半径来保证储备池内部递归网络的稳定性，提高了预测管网压力的稳定性和精确度。
三、本发明ESN神经网络模型当前时刻储备池状态对前一时刻状态具有继承性，对管网压力的历史数据具有短暂的记忆特性，研究结果表明具备历史记忆性的ESN神经网络模型具有较好的预测效果。ESN神经网络具备高精度、高准确率、高时效性和稳定性的特点，可作为一种快速有效预测管网压力的手段；ESN神经网络模型作为一种新型动态递归神经网络，采用了线性回归的方法建立模型，规避了传统神经网络收敛速度慢和易陷入局部最小的问题，简化了训练过程的复杂程度，实现了高效预测管网压力的目的。
四、本发明自联想神经网络输入的管网压力预测值的高维参数空间中提取了反映***结构的最具代表性的低维子空间，同时有效地滤去了管网压力输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现管网压力数据的解压缩，将前面压缩的信息还原到各个管网压力参数值，从而实现各管网压力输入数据的重构，提高预测管网的梯形模糊数的精确性和稳定性。
五、本发明管网压力安全等级分类的科学性和可靠性，本专利的T-S模糊神经网络分类器给管网压力安全等级分类，根据管网压力安全控制的工程实践经验，通过T-S模糊神经网络分类器将影响管网压力安全大小量化为安全等级，通过梯形模糊数将管网压力安全分为五种等级，把管网压力安全5种安全等级分别为一般安全、比较安全、很安全、不安全和很不安全对应5个不同的梯形模糊数，计算T-S模糊神经网络分类器输出的梯形模糊数与代表5种管网压力安全等级的5个梯形模糊数的相似度，其中相似度最大的梯形模糊数对应的安全等级确定为该管网压力安全等级，实现对管网压力安全等级分类的动态性能和科学分类。
六、本发明由于通过多个积分回路联引入压力参数预测值的一次和二次变化量，在非线性参数的时间序列预测中应用自联想神经网络模型根据被检测参数的预测值以及变化量的影响把被检测参数转换为梯形模糊数具有更好的预测精度和自适应能力，提高自联想神经网络模型的泛化能力。
附图说明
图1为本发明管网参数检测平台；
图2为本发明管网压力安全大数据处理子***；
图3为本发明检测参数模型；
图4为本发明检测节点；
图5为本发明网关节点；
图6为本发明现场监控端软件。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
一、***总体功能的设计
本发明实现对管网参数进行检测，该***由管网参数采集平台和管网压力大数据处理子***两部分组成。管网参数采集平台包括管网参数的检测节点、网关节点、现场监控端、云平台和移动端App组成，检测节点和网关节点之间通过构建CAN通信网络来实现检测节点和网关节点之间的通信；检测节点将检测的管网参数通过网关节点的RS232接口发送给现场监控端并对传感器数据进行理和对管网压力进行预测；网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现管网参数的双向传输，网关节点与现场监控端之间通过RS232接口实现管网信息的双向传输。移动App端为管理人员提供实时管网数据，警告管理，历史数据的查询，满足管网参数数据信息的便捷可视化，所有来自检测节点的传感器采集的数据都已上传至云平台的数据库中，管理人员通过移动端APP可通过远程查看当前的管网信息。移动App端具有管网信息显示模块、信息查询模块和对管网参数趋势分析与图表展示。云平台实现用户管理、管网数据管理、管网数据实时监测、设备管理和报警等功能组成。云平台主要负责处理、存储、分析和显示接收到管网参数。云平台与用户的交互主要是通过网页端和移动设备端，网页端功能的齐全与移动端便捷化操作最大化地实现了云平台与用户高效的交互，用户管理为管理者提供注册账号、登陆账号、更改账号信息的管理操作；数据管理为用户提供了历史数据查询、数据分类管理的操作；实时监测功能将参数处理成可视化数据，可通过直方图或折线图易分析的方式呈现数据的变化。管网参数采集平台结构见图1所示。
二、检测节点设计
检测节点由压力、流量、流速和位移传感器以及对应的4个调理电路、STM32单片机和CAN总线接口组成，主要用于采集管网检测点数据信息，该检测点的管网数据信息将通过检测节点的CAN总线接口和网关节点的NB-Io T模块传输给云平台实现与移动端APP进行实时的交互；通过网关节点的CAN总线接口和RS232接口传输给现场监控端。
三、网关节点设计
网关节点由CAN总线接口、NB-IoT模块、STM32单片机和RS232接口组成，通过CAN总线接口和RS232接口实现检测节点和控制节点与现场监控端之间的数据的双向传输，通过CAN总线接口、NB-IoT模块、RS232接口实现云平台、移动端APP、检测节点和现场监控端之间的双向传输。
四、现场监控端软件的设计
现场监控端是一台工业控制计算机，现场监控端主要实现对管网参数进行采集和管网压力预测以及管网压力分类，实现与检测节点的信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和管网压力安全大数据处理子***。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用***的Mscomm通信控件来设计通讯程序，现场监控端软件功能如附图4所示。管网压力安全大数据处理子***见图2所示，管网压力安全大数据处理子***包括包括多个参数检测模型、检测参数融合模型和管网压力安全分类器，设计过程如下：
1、参数检测模型设计
参数检测模型由压力传感器、1个按拍延迟线TDL(Tapped Delay Line)、多个动态递归小波神经网络模型、多个GM(1,1)灰色预测模型、多个积分回路和自联想神经网络模型组成，由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为自联想神经网络模型的2个对应输入；压力传感器的输出作为按拍延迟线TDL的输入，按拍延迟线TDL输出的一段时间的压力传感器值作为多个动态递归小波神经网络模型的输入，每个动态递归小波神经网络模型输出分别作为对应的GM(1,1)灰色预测模型的输入，每个GM(1,1)灰色预测模型的输出分别作为对应的积分回路输入和自联想神经网络模型的1个对应输入，自联想神经网络模型输出的梯形模糊数代表一段时间压力传感器值大小的梯形模糊数，其中梯形模糊数为[a,b,c,d],a、b、c和d分别代表压力传感器输出的最小值、极小值、极大值和最大值，由[a,b,c,d]构成在一段时间内参数检测模型输出压力传感器值的梯形模糊数值，参数检测模型输出为一段时间的压力传感器的压力梯形模糊数预测值。动态递归小波神经网络和GM(1,1)灰色预测模型的设计如下：
A、动态递归小波神经网络模型设计
本发明的动态递归小波神经网络模型与普通静态小波神经网络的区别在于动态递归小波神经网络模型具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能,从而增强对管网参数演化轨迹的跟踪精度以确保更好的预测精度；第一关联层节点用来存储隐含层节点在前一时刻相点的状态,下一时刻再传递给隐含层节点；第二关联层节点是用来存储输出层节点在前一时刻相点的状态,下一时刻再传递给隐含层节点；隐含层和输出层的神经元的反馈信息都会影响动态递归小波神经网络模型预测的动态处理能力，两个关联层都属于动态递归小波神经网络模型内部的状态反馈,形成动态递归小波神经网络模型的递归性所特有的动态记忆性能，提高动态递归小波神经网络模型的准确性和动态性能；在动态递归小波神经网络模型的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络模型的动态逼近能力和提高管网压力预测的精度。小波神经网络WNN(Wavelet Neural Networks)理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络，小波神经网络中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号可以表示为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，小波神经网络预测模型输出层预测值的计算公式为：
Figure BDA0002896426890000091
公式中ωij输入层i节点和隐含层j节点间的连接权值，
Figure BDA0002896426890000092
为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的动态递归小波神经网络模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使动态递归小波神经网络模型输出不断逼近期望输出。TDL输出的一段时间压力传感器值作为动态递归小波神经网络模型输入，动态递归小波神经网络模型输出作为GM(1,1)灰色预测模型的输入。
B、GM(1,1)灰色预测模型设计
GM(1,1)灰色预测模型的建模过程是将无规律的动态递归小波神经网络模型输出的压力预测值原始数据进行累加，得到规律性比较强的生成序列后进行建模，由生成模型得到的数据再进行累减得到原始数据的预测值，然后进行预测。假设要预测参数的原始数列为：
x(0)＝(x(0)(1),x(0)(2),…x(0)(n)) (2)
一阶累加后生成新的序列为：x(1)＝(x(1)(1),x(1)(2),…x(1)(n)) (3)
其中：
Figure BDA0002896426890000101
则x(1)序列具有指数增长的规律，即满足一阶线性微分方程：
Figure BDA0002896426890000102
公式中a成为发展灰数，它反映x(1)和x(0)的发展趋势；u为内生控制灰数，反映了数据之间的变化关系。解上式的微分方程得到x(1)的预测值为：
Figure BDA0002896426890000103
通过下公式的累减还原，得到原始序列x(0)的灰色预测模型为：
Figure BDA0002896426890000104
通过构建灰色预测GM(1,1)模型，可以实现对本专利动态递归小波神经网络模型输出的压力传感器预测值的再预测，构建对应动态递归小波神经网络模型输出值的GM(1,1)灰色预测模型。
C、自联想神经网络设计
本发明的多个GM(1,1)灰色预测模型输出作为对应的自联想神经网络的输入，该自联想神经网络输出的是管网压力的梯形模糊数；自联想神经网络(Auto-associativeneural network,AANN)，一种特殊结构的前馈神经网络，自联想神经网络结构包括一个输入层,一定数量的隐含层和一个输出层。首先通过输入层、映射层以及瓶颈层实现了管网压力输入数据信息的压缩，从自联想神经网络输入的管网压力的高维参数空间中提取了反映***结构的最具代表性的低维子空间，同时有效地滤去了管网压力输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现管网压力数据的解压缩，将前面压缩的信息还原到各个管网压力参数值，从而实现各管网压力输入数据的重构。为了达到管网压力信息压缩的目的，自联想神经网络瓶颈层节点数目明显小于输入层，又为了防止形成输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲,自联想神经网络的隐含层第一层叫作映射层，映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是自联想神经网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系,它使自联想神经网络对管网压力信号进行编码和压缩得到输入压力传感器预测数据的相关模型,并在瓶颈层后进行解码和解压缩以产生管网压力预测值输入信号的估计值；隐含层第三层或最后一层叫做解映射层,解映射层的节点传递函数是通常是非线性的S型函数，自联想神经网用误差反向传播算法来训练。
2、检测参数融合模型设计
①、构建压力传感器的时间序列压力梯形模糊数值阵列
一段时间多个压力传感器的参数检测模型输出的梯形模糊数值构成压力传感器的时间序列压力梯形模糊数值阵列，设有n个压力传感器和m个时刻的nm个压力梯形模糊数值构成n行和m列的压力传感器的时间序列梯形模糊数阵列，设不同时刻同一压力梯形模糊数值为Aij(t),Aij(t+1),…,Aij(m)，则所有压力传感器的时间序列梯形模糊数阵列为：
Figure BDA0002896426890000121
②、计算压力传感器的时间序列压力梯形模糊数值的距离融合权重
同一时刻所有压力梯形模糊数值的平均值构成时间序列压力梯形模糊数值阵列的正理想值，时间序列压力梯形模糊数值阵列的正理想值为：
Figure BDA0002896426890000122
同一时刻所有压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值距离最大的梯形模糊数值构成时间序列压力梯形模糊数值阵列的负理想值，时间序列压力梯形模糊数值阵列的负理想值为：
Figure BDA0002896426890000123
压力传感器的时间序列压力梯形模糊数值的正理想值距离是每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值距离为：
Figure BDA0002896426890000124
每个压力传感器的时间序列压力梯形模糊数值的负理想值距离是每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的负理想值距离为：
Figure BDA0002896426890000125
每个压力传感器的时间序列压力梯形模糊数值的负理想值距离除以该压力传感器的时间序列压力梯形模糊数值的负理想值距离与该压力传感器的时间序列压力梯形模糊数值的正理想值距离的和得到的商为每个压力传感器的时间序列压力梯形模糊数值距离的相对贴近度，公式为：
Figure BDA0002896426890000131
通过(12)公式计算可以知道，每个压力传感器的时间序列压力梯形模糊数值距离的相对贴近度越大，则该压力传感器的时间序列压力梯形模糊数值离正理想值的相对距离就越接近，否则该压力传感器的时间序列压力梯形模糊数值离正理想值的相对距离就越远，根据这个原理确定每个压力传感器的时间序列压力梯形模糊数值距离的相对贴近度除以所有压力传感器的时间序列压力梯形模糊数值距离的相对贴近度的和得到的商为每个压力传感器的时间序列压力梯形模糊数值的距离融合权重为：
Figure BDA0002896426890000132
③、计算压力传感器的时间序列压力梯形模糊数值的灰色关联度融合权重
每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值的灰色关联度为：
Figure BDA0002896426890000133
通过计算每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值的灰色关联度，可以构建每个压力传感器的时间序列压力梯形模糊数值的灰色关联度矩阵：
Figure BDA0002896426890000134
根据公式(15)可以得到每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值之间的灰色关联度，如下公式所示：
Figure BDA0002896426890000135
同理，每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的负理想值的灰色关联度为，定义如下公式：
Figure BDA0002896426890000141
同理，通过计算每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的负理想值的灰色关联度，可以构建每个压力传感器的时间序列压力梯形模糊数值的灰色关联度矩阵：
Figure BDA0002896426890000142
根据公式(18)可以得到每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的负理想值之间的灰色关联度，如下公式所示：
Figure BDA0002896426890000143
每个压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值之间的灰色关联度除以该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值之间的灰色关联度相加该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的负理想值之间的灰色关联度的和得到的商为该压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度为：
Figure BDA0002896426890000144
通过(20)公式计算可以知道，每个压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度越大，则该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值的形状相似度相差就越小，否则该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值的形状相似度相差就越大，根据这个原理确定每个压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度除以所有压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度的和得到的商为该压力传感器的时间序列压力梯形模糊数值的灰色关联度融合权重为：
Figure BDA0002896426890000151
④、计算多个压力传感器的时间序列压力梯形模糊数值的融合值
根据每个压力传感器的时间序列压力梯形模糊数值的距离融合权重αi和灰色关联度融合权重βi，求取均方根组合权重γi，显然γi与αi、βi和都应尽可能接近，根据最小相对信息熵原理有：
Figure BDA0002896426890000152
用拉格朗日乘子法解上述优化问题得：
Figure BDA0002896426890000153
根据公式(23)可以知每个压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根占所有压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根和的比为该压力传感器的时间序列压力梯形模糊数值融合的均方根组合权重。
单独运用一种方法得到压力传感器数据融合权重均会导致结果存在一定的局限性，本专利运用博弈论的方法将不同压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重进行综合集成，该方法主要是为了缩小不同方法得到的各个基本权重与最终得到的组合权重之间的偏差，使得各个方法所确定的权重在相互竞争的关系中比较协调，进而寻求比较均衡的结果，保证所确定的指标组合权重更加科学合理。为了使得到的组合权重更具有科学性和客观性，可使用L种不同的方法对各指标进行赋权，这样可以构造一个基本的权重集，使用L种方法对指标进行赋权，由此构造一个基本的权重集ui＝{ui1,ui2,…,uin},i＝1,2,…,L，我们记这L个向量的任意线性组合为：
Figure BDA0002896426890000161
为了在可能的权重向量u中找到最满意的
Figure BDA0002896426890000162
我们将L个线性组合系数λk进行优化，使得u与各个uk的离差极小化。这样便导出了下面的对策模型：
Figure BDA0002896426890000163
根据矩阵的微分性质可知，式(25)的最优化一阶导数条件为
Figure BDA0002896426890000164
可转化为线性方程组并运用Mathmatica计算，求得(λ1,λ2,…λL)后归一化处理，代入(24)式，得到博弈论组合权重：
Figure BDA0002896426890000165
根据压力传感器的时间序列压力梯形模糊数值的距离融合权重αi和灰色关联度融合权重βi进行线性组合得到该压力传感器的时间序列压力梯形模糊数值融合的线性组合权重θi，公式为：
θi＝ααi+ββi (27)
根据每个压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该压力传感器的时间序列压力梯形模糊数值融合的乘积组合权重，公式为：
Figure BDA0002896426890000171
根据公式(23)、(26)、(27)和公式(28)得到该压力传感器的时间序列压力梯形模糊数值融合的梯形模糊数融合权重为wi：
wi＝[min(θi,γi,νi,σi),κi,Oi,max(θi,γi,νi,σi)] (29)
其中κi，Oi分别为4个组合权重θi，γi，νi，σi中从大到小排序的第3个数和第2个数。
从公式(29)可以知每个压力传感器的时间序列压力梯形模糊数值的均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重按照从小到大排序组成该压力传感器的时间序列压力梯形模糊数值的梯形模糊数融合权重。根据同一时刻每个压力传感器的时间序列压力梯形模糊数值与该压力传感器的时间序列压力梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有压力传感器的时间序列梯形模糊数融合值为：
Figure BDA0002896426890000172
3、管网压力安全分类器设计
管网压力安全分类器由1个按拍延迟线TDL(Tapped Delay Line)、3个ESN神经网络模型和T-S模糊神经网络分类器组成，检测参数融合模型输出的压力梯形模糊数融合值作为管网压力安全分类器的1个按拍延迟线TDL输入，按拍延迟线TDL输出的一段时间的压力梯形数融合值分别作为3个ESN神经网络模型的输入，3个ESN神经网络模型输出的3个压力梯形模糊数作为T-S模糊神经网络分类器的输入，T-S模糊神经网络分类器输出的梯形模糊数代表管网压力安全等级值。ESN神经网络模型和T-S模糊神经网络分类器设计如下：
A、ESN神经网络模型设计
ESN神经网络(Echo state network，ESN)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性***辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:
Figure BDA0002896426890000181
式中W为神经网络的状态变量，Win为神经网络的输入变量；Wback为神经网络的输出状态变量连接权矩阵；x(n)表示神经网络的内部状态；Wout为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵；
Figure BDA0002896426890000182
为神经网络的输出偏差或可以代表噪声；f＝f[f1,f2,…,fn]为“储备池”内部神经元的n个激活函数；fi为双曲正切函数；fout为ESN神经网络模型的ε个输出函数。ESN神经网络模型输出为压力梯形模糊数融合值的预测值。
B、T-S模糊神经网络分类器设计
(1)、前件网络。第1层为输入层，该层的节点数为n。第2层为模糊化层，对输入数据进行模糊化，各神经元执行相应的隶属度函数
Figure BDA0002896426890000183
第3层为模糊规则层。第4层的结点数为m，该层实现归一化计算。
(2)、后件网络。第1层是输入层，其中第0个节点的输入值x0＝1，它的作用是提供模糊规则后件的常数项。第2层有m个节点，它的作用是计算每一条规则后件：
Figure BDA0002896426890000184
第3层计算***输出：
Figure BDA0002896426890000191
通过网络学习算法调整第2层的隶属度函数的中心值cj和宽度bj以及后件网络的连接权pjk，为了简化起见，将参数pjk固定，这时每条规则的后件在简化结构中变成了一层的连接权。该简化结构与常规模型的T-S模糊神经网络模型具有完全相同的结构，可套用常规模型计算结果。T-S模糊神经网络分类器输出的梯形模糊数表示管网压力安全等级值；根据管网压力安全的工程实践，T-S模糊神经网络分类器把管网压力安全分为一般安全、比较安全、很安全、不安全和很不安全对应不同的5个不同的梯形模糊数，构建5个梯形模糊数与管网压力安全的5种程度等级的对应关系表，计算T-S模糊神经网络分类器输出的梯形模糊数与代表5种管网压力安全等级的5个梯形数的相似度，其中相似度最大的梯形模糊数对应的管网压力安全等级确定为该管网压力安全等级，管网压力安全等级与梯形模糊数的对应关系如下，见表1。
表1管网压力安全等级与梯形模糊数对应关系表
序号 安全等级 梯形模糊数
1 一般安全 (0.0，0.05，0.15，0.3)
2 比较安全 (0.1，0.15，0.3,0.4)
3 很安全 (0.3，0.35，0.45，0.7)
4 不安全 (0.6，0.75，0.8,0.9)
5 很不安全 (0.8，0.85,0.9,1.0)
五、一种基于云平台的压力检测***的设计举例
根据基于云平台的压力检测***的实际状况，***布置了管网参数采集平台的检测节点、网关节点和现场监控端的平面布置安装图，其中检测节点的传感器根据检测的需要均衡布置在管网的各个方位，通过该***实现对管网参数进行采集。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种基于云平台的压力检测***，其特征在于：所述检测***由管网参数检测平台和管网压力大数据处理子***组成，管网参数检测***平台负责检测管网参数检测与管理，管网参数保存到云平台，管网管理人员可从移动端APP实时查看云平台管网参数；管网压力大数据处理子***实现对管网的压力进行预测和分类；
所述管网压力大数据处理子***包括多个参数检测模型、检测参数融合模型和管网压力安全分类器，多个参数检测模型输出的多个压力梯形模糊数作为检测参数融合模型的输入，检测参数融合模型输出的压力梯形模糊数融合值作为管网压力安全分类器的按拍延迟线TDL输入，管网压力安全分类器输出的梯形模糊数代表管网压力安全等级值；
所述参数检测模型包括压力传感器、按拍延迟线TDL、动态递归小波神经网络模型、GM（1,1）灰色预测模型、积分回路和自联想神经网络模型，由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为自联想神经网络模型的对应输入；压力传感器的输出作为按拍延迟线TDL的输入，按拍延迟线TDL输出的一段时间的压力传感器值分别作为多个动态递归小波神经网络模型的输入，每个动态递归小波神经网络模型输出分别作为对应的每个GM（1,1）灰色预测模型的输入，每个GM（1,1）灰色预测模型的输出分别作为对应的积分回路输入和自联想神经网络模型的对应输入，自联想神经网络模型输出的梯形模糊数代表一段时间压力传感器值大小的梯形模糊数预测值，自联想神经网络模型输出作为参数检测模型输出。
2.根据权利要求1所述的一种基于云平台的压力检测***，其特征在于：所述检测参数融合模型的一段时间多个参数检测模型输出的压力梯形模糊数值构成压力传感器的时间序列压力梯形模糊数值阵列，同一时刻所有压力梯形模糊数值的平均值构成时间序列压力梯形模糊数值阵列的正理想值，同一时刻所有压力梯形模糊数值与正理想值距离最大的梯形模糊数值构成时间序列压力梯形模糊数值阵列的负理想值，每个压力传感器的时间序列压力梯形模糊数值的负理想值距离除以该压力传感器的时间序列压力梯形模糊数值的负理想值距离与该压力传感器的时间序列压力梯形模糊数值的正理想值距离的和得到的商为该压力传感器的时间序列压力梯形模糊数值的距离相对贴近度，每个压力传感器的时间序列压力梯形模糊数值的距离相对贴近度除以所有压力传感器的时间序列压力梯形模糊数值的距离相对贴近度的和得到的商为该压力传感器的时间序列压力梯形模糊数值的距离融合权重；
每个压力传感器的时间序列压力梯形模糊数值的正灰色关联度除以该压力传感器的时间序列压力梯形模糊数值的正灰色关联度与该压力传感器的时间序列压力梯形模糊数值的负灰色关联度的和得到的商为该压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度；每个压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度除以所有压力传感器的时间序列压力梯形模糊数值的灰色关联度相对贴近度的和得到的商为该压力传感器的时间序列压力梯形模糊数值的灰色关联度融合权重。
3.根据权利要求2所述的一种基于云平台的压力检测***，其特征在于：所述每个压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重分别构成均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重，由均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重按照从小到大排序组成该压力传感器的时间序列压力梯形模糊数值的梯形模糊数融合权重，每个压力传感器的时间序列压力梯形模糊数值与该压力传感器的时间序列压力梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有压力传感器的时间序列梯形模糊数融合值。
4.根据权利要求2所述的一种基于云平台的压力检测***，其特征在于：所述每个压力传感器的时间序列压力梯形模糊数值的负理想值为该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的负理想值的距离；所述每个压力传感器的时间序列压力梯形模糊数值的正理想值距离为该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值的距离。
5.根据权利要求2所述的一种基于云平台的压力检测***，其特征在于：所述每个压力传感器的时间序列压力梯形模糊数值的正灰色关联度为该压力传感器的时间序列压力梯形模糊数值与时间序列压力梯形模糊数值阵列的正理想值的灰色关联度；所述压力传感器的时间序列压力梯形模糊数值的负灰色关联度为该压力传感器的时间序列压力梯形模糊数值与时间序列参数测量传感的梯形模糊数阵列的负理想值的灰色关联度。
6.根据权利要求3所述的一种基于云平台的压力检测***，其特征在于：所述乘积组合权重为每个压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有压力传感器的时间序列压力梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该压力传感器的时间序列压力梯形模糊数值融合的乘积组合权重。
7.根据权利要求1所述的一种基于云平台的压力检测***，其特征在于：所述管网压力安全分类器包括按拍延迟线TDL、ESN神经网络模型和T-S模糊神经网络分类器，检测参数融合模型输出的压力梯形模糊数融合值作为管网压力安全分类器的按拍延迟线TDL输入，按拍延迟线TDL输出的一段时间的压力梯形数融合值分别作为ESN神经网络模型的输入， ESN神经网络模型输出的压力梯形模糊数作为T-S模糊神经网络分类器的输入，T-S模糊神经网络分类器输出的梯形模糊数代表管网压力安全等级值。
8.根据权利要求7所述的一种基于云平台的压力检测***，其特征在于：所述T-S模糊神经网络分类器把管网压力安全分为一般安全、比较安全、很安全、不安全和很不安全对应不同的5个不同的梯形模糊数，构建5个梯形模糊数与管网压力安全的5种程度等级的对应关系表，计算T-S模糊神经网络分类器输出的梯形模糊数与代表5种管网压力安全等级的5个梯形数的相似度，其中相似度最大的梯形模糊数对应的管网压力安全等级确定为该管网压力安全等级。
9.根据权利要求1所述的一种基于云平台的压力检测***，其特征在于：所述管网参数采集平台包括管网参数的检测节点、网关节点、现场监控端、云平台和移动端App，检测节点和网关节点之间通过构建CAN通信网络来实现检测节点和网关节点之间的通信；检测节点将检测的管网参数通过网关节点的通信接口发送给现场监控端并对传感器数据进行理和对管网压力进行预测；网关节点通过通信模块与云平台之间和云平台通过无线网络与移动端App之间实现管网参数的双向传输，网关节点与现场监控端之间通过通信接口实现管网信息的双向传输；移动端App为管理人员提供实时管网数据，满足管网信息的便捷可视化，所有来自检测节点的传感器采集的数据都已上传至云平台的数据库中，管理人员通过移动端APP可通过远程查看当前的管网信息。
CN202110043936.2A 2021-01-13 2021-01-13 一种基于云平台的压力检测*** Active CN112857658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110043936.2A CN112857658B (zh) 2021-01-13 2021-01-13 一种基于云平台的压力检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110043936.2A CN112857658B (zh) 2021-01-13 2021-01-13 一种基于云平台的压力检测***

Publications (2)

Publication Number Publication Date
CN112857658A CN112857658A (zh) 2021-05-28
CN112857658B true CN112857658B (zh) 2022-06-07

Family

ID=76003522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110043936.2A Active CN112857658B (zh) 2021-01-13 2021-01-13 一种基于云平台的压力检测***

Country Status (1)

Country Link
CN (1) CN112857658B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916427A (zh) * 2021-09-18 2022-01-11 芜湖传方智能科技有限公司 基于NB-IoT技术的压力检测装置
CN114358244B (zh) * 2021-12-20 2023-02-07 淮阴工学院 基于物联网的压力大数据智能检测***
CN115268523B (zh) * 2022-09-29 2023-01-06 深圳天润控制技术股份有限公司 微压稳定装置及微压稳定输出方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539241A (zh) * 2009-05-07 2009-09-23 北京航空航天大学 一种管道泄漏监测网络的层级式多源数据融合方法
CN106600094A (zh) * 2016-07-14 2017-04-26 广州京维智能科技有限公司 一种基于供水管网动态模型的管道水质风险评价方法
CN108764540A (zh) * 2018-05-16 2018-11-06 杭州电子科技大学 基于并行lstm串联dnn的供水管网压力预测方法
CN109799700A (zh) * 2019-02-20 2019-05-24 广东工业大学 一种基于模糊神经网络的危化品运输预警***
CN109858126A (zh) * 2019-01-23 2019-06-07 北京市燃气集团有限责任公司 基于沉降监测的城市燃气管网安全监测预警方法和***
CN110580021A (zh) * 2019-09-10 2019-12-17 淮阴工学院 一种基于现场总线的粮仓环境安全智能监测***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539241A (zh) * 2009-05-07 2009-09-23 北京航空航天大学 一种管道泄漏监测网络的层级式多源数据融合方法
CN106600094A (zh) * 2016-07-14 2017-04-26 广州京维智能科技有限公司 一种基于供水管网动态模型的管道水质风险评价方法
CN108764540A (zh) * 2018-05-16 2018-11-06 杭州电子科技大学 基于并行lstm串联dnn的供水管网压力预测方法
CN109858126A (zh) * 2019-01-23 2019-06-07 北京市燃气集团有限责任公司 基于沉降监测的城市燃气管网安全监测预警方法和***
CN109799700A (zh) * 2019-02-20 2019-05-24 广东工业大学 一种基于模糊神经网络的危化品运输预警***
CN110580021A (zh) * 2019-09-10 2019-12-17 淮阴工学院 一种基于现场总线的粮仓环境安全智能监测***

Also Published As

Publication number Publication date
CN112857658A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112857658B (zh) 一种基于云平台的压力检测***
Fu et al. Condition monitoring of wind turbine gearbox bearing based on deep learning model
Nie et al. A novel hybrid model based on combined preprocessing method and advanced optimization algorithm for power load forecasting
CN105117602B (zh) 一种计量装置运行状态预警方法
CN112665656B (zh) 一种农产品生长环境大数据检测***
CN112904756B (zh) 一种管网大数据检测***
CN113627735B (zh) 工程建设项目安全风险的预警方法及***
CN115016276B (zh) 智能水分调节与环境参数物联网大数据***
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN111340282A (zh) 基于da-tcn的设备剩余使用寿命的估计方法及***
CN112881601B (zh) 一种基于云平台的水分检测***
CN115905938B (zh) 基于物联网储罐安全监测方法及***
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测***
CN112903929A (zh) 一种食品质量检测***
CN112911533B (zh) 一种基于移动端App的温度检测***
CN115128978A (zh) 物联网环境大数据检测与智能监控***
CN116259161B (zh) 一种电力故障预警***
CN117401578A (zh) 一种起重量称量信号智能管理***
CN116632834A (zh) 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN113722195B (zh) 基于ahp层级分析法的局域网运行评估***及方法
CN112911532B (zh) 一种基坑大数据检测***
Khalyasmaa et al. The analysis of efficiency of artificial intelligence methods application for an assessment of feasibility of scientific and technical decisions
CN114386672A (zh) 环境大数据物联网智能检测***
Li Energy consumption prediction of public buildings based on PCA-RF-AdaBoost

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
TR01 Transfer of patent right

Effective date of registration: 20221130

Address after: Room 206, Library Building, No. 83, Beijing North Road, Huai'an City, Jiangsu Province, 223001

Patentee after: Huai'an Dibago Software Technology Co.,Ltd.

Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road.

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240424

Address after: Room 509, 5th Floor, Youzhi Building, No. 29 Kejian Road, Jiangning District, Huai'an City, Jiangsu Province, 211100 (Jiangning High tech Park)

Patentee after: Digo Software Co.,Ltd.

Country or region after: China

Address before: Room 206, Library Building, No. 83, Beijing North Road, Huai'an City, Jiangsu Province, 223001

Patentee before: Huai'an Dibago Software Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right