CN115034735A - 天然气能量计量图像数据分级管理物联网***和方法 - Google Patents
天然气能量计量图像数据分级管理物联网***和方法 Download PDFInfo
- Publication number
- CN115034735A CN115034735A CN202210387598.9A CN202210387598A CN115034735A CN 115034735 A CN115034735 A CN 115034735A CN 202210387598 A CN202210387598 A CN 202210387598A CN 115034735 A CN115034735 A CN 115034735A
- Authority
- CN
- China
- Prior art keywords
- platform
- data
- management
- self
- image data
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 112
- 239000003345 natural gas Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005259 measurement Methods 0.000 title claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000007726 management method Methods 0.000 claims description 199
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000007906 compression Methods 0.000 description 8
- 230000006835 compression Effects 0.000 description 7
- 238000013529 biological neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/82—Miscellaneous aspects
- H04L47/826—Involving periods of time
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种天然气能量计量图像数据分级管理物联网***和方法，所述对象平台和传感网络平台均包括平台自管理和平台分级管理，对象平台，用于采集图像数据，所述对象平台包括对象平台自管理模块和对象平台分级管理模块，所述对象平台自管理模块用于自闭环设备自我监控，所述对象平台分级管理模块用于向所述传感网络平台发送响应数据，并接收所述传感网络平台的管理数据；管理平台，用于接收向传感网络平台的响应数据并向传感网络平台发送管理数据。本发明通过在对象平台和传感网络平台设置自闭环监控的方式，得到自闭环计量结果，并定期通过自闭环计量结果来对分级管理计量结果进行核查，避免对错误数据的长期采用。
Description
技术领域
本发明涉及天然气能量计量领域，具体是一种天然气能量计量图像数据分级管理物联网***和方法。
背景技术
天然气作为一种优质、高效、清洁的能源和重要的化工原料，在世界各国均得到普遍重视和优先利用，在能源结构中占的比例达到35％。随着天然气作为环保能源地位的不断上升，对天然气进行准确、公平和公正的计量工作是对天然气进行科学管理的一项重要技术工作，关系到多方利益。同时，天然气作为燃料，它的实际价值应该是它的热值而非体积，国外的天然气计量方式普遍采用能量计量的方法，所以难免在与其它国家进行天然气贸易交接过程中产生不必要的争端，因此如何保障天然气能量计算的研究有着非常重要的意义。
由于天然气管道内的气体状态并不是时刻相同的，所以对应时间和天然气在响应时间内的环境状态便尤为重要，若采用的天然气计量数据在一定的时间段内存在误差，那么发生能量计算误差的概率也会大幅提高，能量计算的结果会与真实值出现较大的偏差，对于能量计量来说会产生较大的损失。
发明内容
本发明的目的在于克服现有技术在图像数据在传输的过程中由于间歇性的网络堵塞、丢包等不易发觉的数据丢失导致实际计算数据发生变化的不足，提供了一种天然气能量计量图像数据分级管理物联网***和方法，通过在对象平台和传感网络平台设置自闭环监控的方式，得到自闭环计量结果，并定期通过自闭环计量结果来对分级管理计量结果进行核查，避免对错误数据的长期采用。
本发明的目的主要通过以下技术方案实现：
天然气能量计量图像数据分级管理物联网***，包括对象平台、传感网络平台和管理平台，所述对象平台和管理平台通过传感网络平台进行通信连接，所述对象平台和传感网络平台均包括平台自管理和平台分级管理，所述平台自管理和平台分级管理相互独立，其中，
对象平台，用于采集图像数据，所述对象平台包括对象平台自管理模块和对象平台分级管理模块，所述对象平台自管理模块用于自闭环设备自我监控，所述对象平台分级管理模块用于向所述传感网络平台发送响应数据，并接收所述传感网络平台的管理数据；
传感网络平台，包括网络自管理模块和网络分级管理模块，所述网络自管理模块用于压缩并存储所述响应数据和管理数据，所述网络分级管理模块用于接收对象平台的响应数据并发送给管理平台并接收管理平台的管理数据发送给对象平台；
管理平台，用于接收向传感网络平台的响应数据并向传感网络平台发送管理数据。
目前，由于天然气设备采集到的各项数据都需要汇总到管理平台进行统一的能量计量计算，这样导致数据传输的种类以及数量都会很庞大，特别是对采集到的图像数据，在传输过程中很容易发生堵塞或者丢包的问题，所以在得到相关的图像数据后会影响到管理平台的能量计量计算，本发明中的图像数据主要关系到设备或管道环境相关的数据，是天然气能量计量计算的辅助信息，在能量计量计算的过程中，由于数据采集对外界环境的感知较为敏感，为此，使用条件的变化也会引起天然气计量误差的出现。一般情况下，当天然气在运输过程中出现流速变化或是气体压力突然变化等情况时，管道振动或噪音会影响计量结果的准确性，不仅如此，管道杂质和脏污堆积也会对计量结果造成不利影响，本发明中的图像数据能够反映出管道振动、管道形变状态以及管道堆积或腐蚀变化等方面的问题，利用这些图像数据能够有效的修正天然气能量计量计算结果，这关系到天然气能量计量计算的准确性，所以需要获取到准确的图像数据。
本发明中的图像数据包括管道图像数据和设备图像数据，管道图像数据涉及到管道振动信息，管道变形信息，管道堵塞信息以及管道腐蚀信息等；设备图像数据主要涉及到各个计量相关设备的状态信息与工作状态反应。特别是本发明中的管道图像数据能够有效的辅助获得更加准确的天然气能量计量结果。
本发明中采用平台自管理和平台分级管理的方式来对对象平台和传感网络平台进行管理，这样不仅保留了分级下辖管理的方式，也通过同步的自管理保障了信息的完整性，这样通过两种数据的同步和验证便能够有效的保障所得到的管道图像数据的准确性，从而保障天然气能量计量计算的准确性。本发明中的对象平台中的对象平台自管理模块用于自闭环设备自我监控，在对象平台采集到管道图像数据后，会将管道图像数据分别发送给对象平台自管理模块和对象平台分级管理平台，使得管道图像数据分别进入自闭环和分级传输，通过在对象平台和传感网络平台设置自闭环监控的方式，得到自闭环计量结果，并定期通过自闭环计量结果来对分级管理计量结果进行核查，避免对错误数据的长期采用。
进一步的，在所述对象平台采集到图像数据后，所述对象平台自管理模块对所述图像数据进行小波分解，将分解后的数据进行二值化处理得到二值化数据，将所述二值化数据按照时间序列进行排列；
将所述二值化数据按照时间序列输入BP神经网络，以对应时刻的状态数据作为BP神经网络的输出值，通过训练得到自封闭管理模型。
进一步的，利用集成经验模态分解将图像数据的时间序列信号分解为一系列本征模函数和一个剩余信息；
基于分解后的时间序列，分别建立三层BP神经网络结构并利用遗传算法优化神经网络的初始权值和阈值，在利用遗传算法对BP神经网络的初始权值和阈值进行优化时，以训练误差为遗传算法的适应度函数，寻找出最优的个体对BP神经网络各层神经元进行初始化，然后进行网络训练；
对每个时间序列的二值化数据进行叠加，得到所述BP神经网络的输入值。
本发明中采用的BP神经网络通过人工神经网络构建，人工神经网络是基于生物神经网络原理建立起来的一种具有信息处理能力的算法数学模型，与生物神经网络相似，人工神经网络的基本单元也是神经元，在一个神经元结构中，通常具有多个输入和一个输出，每一个输入都有相应的权重，通过加权求和结果作用于传递函数得到该神经元的输出，再传递给下一个神经元结构，大量的神经元相互连接便形成了神经网络。本发明中的小波分解能够将管道图像数据分解为低频信息和高频信息两部分，低频信息变化缓慢，高频信息变化迅速，整理得到分解后的基础数据，将分解后的数据进行二值化处理得到二值化数据，将所述二值化数据按照时间序列进行排列，本发明中的时间序列分析模型包括：自回归模型、滑动平均模型以及自回归滑动平均模型，非平稳时间序列分析模型常用求和自回归滑动平均模型等现有的时间序列模型。
进一步的，所述BP神经网络在进行运算时主要包括信息的正向传递和误差的反向传播两个过程，在信息正向传递过程中，信息从输入层进入，经过隐含层处理后由输出层输出，当输出层输出的结果与期望的结果相差很大时，则进行误差的反向传播过程。在BP神经网络在进行运算时主要包括信息的正向传递和误差的反向传播两个过程，在信息正向传递过程中，信息从输入层进入，经过隐含层处理后由输出层输出，当输出层输出的结果与期望的结果相差很大时，则进行误差的反向传播过程，此过程先计算期望结果与输出结果的误差，然后从输出层开始经过隐藏层最后回到输入层，并在这个过程中逐一调整每个连接的权重，通过多次信息正向传递与误差反向传播，不断调节各连接权重，直到输出结果满足误差精度要求或进行次数达到预定次数，此时停止神经网络的训练学习。
进一步的，所述网络自管理模块包括存储单元，所述响应数据在发送到网络自管理模块中以后加入时间戳成为自闭环数据，所述存储单元用于维护一个数据队列，所述数据队列用于存储一段自闭环数据，所述网络自管理模块在所述数据队列存储满以后按照时间戳的先后顺序将所述自闭环数据进行压缩储存。
单纯的对自闭环数据进行排序能够在一定程度上缓解自闭环数据的拥堵，但是当短时间内大量的自闭环数据涌入的时候，还是会造成数据传输的堵塞，本发明中采用构建存储单元的方式，有效的建立一个数据队列，通过数据队列的整合，使得所述自闭环数据能够有效的按照时间戳的顺序进行压缩，而由于存在数据队列，也避免了同一时间有大量自闭环数据涌入的情况，从而减轻了压缩自闭环数据的负担，所述数据队列能够使得自闭环数据的压缩更加有序，也避免了压缩时自闭环数据的丢失。
进一步的，以接收相邻的两则自闭环数据的时间戳的间隔为真实时间差，在压缩一则自闭环数据以后等待真实时间差后再压缩下一则自闭环数据。
本发明为了能够避免自闭环数据压缩的时候数据传输的拥堵，在压缩一则自闭环数据以后等待真实时间差后再压缩下一则自闭环数据，从而使得自闭环数据的压缩，以及管理平台对响应数据的接收都更加流畅，也侧面有效避免了响应数据发送时的堵塞现象。
进一步的，以压缩第一则自闭环数据的时间戳为起点，后续压缩所述自闭环数据的时间按照自闭环数据的时间戳与起点之间的时间差计算。
本发明不以两则自闭环数据之间的间隔时间作为标准当做数据发送的时间间隔，有效的避免了间隔时间的计量误差，而通过以压缩第一则自闭环数据的时间戳为起点，后续压缩所述自闭环数据的时间按照自闭环数据的时间戳与起点之间的时间差计算的方式，消除了每一则自闭环数据与之前的自闭环数据之间间隔的时间误差，从而得到更加流畅的数据传送，也能更加有效的避免数据通道的拥堵以及丢包现象。
进一步的，所述对象平台分级管理模块与所述网络分级管理模块连接，所述网络分级管理模块与所述管理平台连接；
对象平台将采集的图像数据分别发送给所述对象平台分级管理模块和所述对象平台自管理模块，所述对象平台分级管理模块中的管道图像数据在进行二值化处理后形成响应数据发送给传感网络平台，所述网络自管理模块对所述响应数据进行备份，并通过网络分级管理模块将响应数据发送给管理平台，所述管理平台接收到响应数据并根据响应数据向对象平台下发管理数据。
本发明中的对象平台分级管理模块与所述网络分级管理模块作为管理平台的执行端，只能接收管理数据的指令并进行执行，将搜集到的信息通过响应数据的方式反馈给所述管理平台，达到分级执行统筹管理的目的，通过本发明中对象平台分级管理模块与所述网络分级管理模块的分级执行，使得相关信息的采集需求能够被及时满足，通过管理平台的及时调整能够及时改变获取信息的方向，从而达到更加有效的进行天然气能量计量计算的目的。
进一步的，还包括服务平台和用户平台，所述管理平台包含能量计量管理***，所述能量计量管理***对接收到的响应数据进行综合分析处理，通过所述服务平台向用户平台传递用户需求信息，并通过所述传感网络平台向对象平台下达控制指令。
天然气能量计量图像数据分级管理物联网方法，包括以下步骤：
S1：采用根据所述的天然气能量计量图像数据分级管理物联网***采集图像数据；
S2：对图像数据进行自闭环管理和分级管理；
S3：通过自闭环管理和分级管理的同步处理，分别得到自闭环计量结果和分级计量结果；
S4：分别计算得到自闭环能量计量结果和分级能量计量结果。
在本发明中，所述自闭环能量计量结果和分级能量计量结果所需数据能够通过现有技术中的天然气能量计量设备进行采集，本发明中特别说明图像数据，以图像数据为基准修正计算出的自闭环能量计量结果和分级能量计量结果，从而得到更加准确的天然气能量计量结果，本发明中采用自闭环能量计量结果和分级能量计量结果双线计算，能够有效的达到互相验证结果的目的。
综上所述，本发明与现有技术相比具有以下有益效果：
(1)本发明在对象平台采集到管道图像数据后，会将管道图像数据分别发送给对象平台自管理模块和对象平台分级管理平台，使得管道图像数据分别进入自闭环和分级传输，通过在对象平台和传感网络平台设置自闭环监控的方式，得到自闭环计量结果，并定期通过自闭环计量结果来对分级管理计量结果进行核查，避免对错误数据的长期采用。
(2)本发明不以两则自闭环数据之间的间隔时间作为标准当做数据发送的时间间隔，有效的避免了间隔时间的计量误差，而通过以压缩第一则自闭环数据的时间戳为起点，后续压缩所述自闭环数据的时间按照自闭环数据的时间戳与起点之间的时间差计算的方式，消除了每一则自闭环数据与之前的自闭环数据之间间隔的时间误差，从而得到更加流畅的数据传送，也能更加有效的避免数据通道的拥堵以及丢包现象。
(3)本发明中对象平台分级管理模块与所述网络分级管理模块的分级执行，使得相关信息的采集需求能够被及时满足，通过管理平台的及时调整能够及时改变获取信息的方向，从而达到更加有效的进行天然气能量计量计算的目的。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：
如图1所示，本实施例涉及天然气能量计量图像数据分级管理物联网***，包括对象平台、传感网络平台和管理平台，所述对象平台和管理平台通过传感网络平台进行通信连接，所述对象平台和传感网络平台均包括平台自管理和平台分级管理，所述平台自管理和平台分级管理相互独立，其中，
对象平台，用于采集图像数据，所述对象平台包括对象平台自管理模块和对象平台分级管理模块，所述对象平台自管理模块用于自闭环设备自我监控，所述对象平台分级管理模块用于向所述传感网络平台发送响应数据，并接收所述传感网络平台的管理数据；
传感网络平台，包括网络自管理模块和网络分级管理模块，所述网络自管理模块用于压缩并存储所述响应数据和管理数据，所述网络分级管理模块用于接收对象平台的响应数据并发送给管理平台并接收管理平台的管理数据发送给对象平台；
管理平台，用于接收向传感网络平台的响应数据并向传感网络平台发送管理数据。
本实施例中的图像数据包括管道图像数据和设备图像数据，管道图像数据涉及到管道振动信息，管道变形信息，管道堵塞信息以及管道腐蚀信息等；设备图像数据主要涉及到各个计量相关设备的状态信息与工作状态反应，本实施例中主要以管道图像数据为例进行说明。
本实施例中采用平台自管理和平台分级管理的方式来对对象平台和传感网络平台进行管理，这样不仅保留了分级下辖管理的方式，也通过同步的自管理保障了信息的完整性，所述平台自管理和平台分级管理的数据不互通，这样通过两种数据的同步和验证便能够有效的保障所得到的管道图像数据的准确性，从而保障天然气能量计量计算的准确性。本发明中的对象平台中的对象平台自管理模块用于自闭环设备自我监控，在对象平台采集到管道图像数据后，会将管道图像数据分别发送给对象平台自管理模块和对象平台分级管理平台，使得管道图像数据分别进入自闭环和分级传输，通过在对象平台和传感网络平台设置自闭环监控的方式，得到自闭环计量结果，并定期通过自闭环计量结果来对分级管理计量结果进行核查，避免对错误数据的长期采用。
在本实施例中以管道图像数据中的管道振动相关数据为例进行研究，由于管道振动的影响会对天然气流量、天然气流速等数据采集的结果造成影响，使得采集到的天然气流量和天然气流速随着管道振动的幅度会产生一定的误差，但是这种数据误差可以通过计算的方式进行修正，本实施例中获取的管道图像数据通过图像采集的方式获取管道的振动信息，并在后续处理中将图像信息转化为管道振幅和振动频率的数据信息代入计算，从而达到修正天然气能量计量计算结果的目的。
本实施例在进行***搭建之前通过采集多组管道图像数据所获得的管道振动信息，比对真实的天然气能量计算结果和不考虑管道振动因素计算得到的天然气能量计算结果，获得管道振动和天然气能量计算结果之间的误差关系，通过误差关系能够得到管道振动与天然气能量计算结果的修正值，当正式运营的时候，通过代入管道图像数据所获取的管道振动信息以及相对应的修正值，便能够有效的修正天然气能量计算结果，从而得到更加准确的天然气能量计量计算结果。
在所述对象平台采集到管道图像数据后，所述对象平台自管理模块对所述管道图像数据进行小波分解，将分解后的数据进行二值化处理得到二值化数据，将所述二值化数据按照时间序列进行排列；
将所述二值化数据按照时间序列输入BP神经网络，以对应时刻的状态数据作为BP神经网络的输出值，通过训练得到自封闭管理模型。
在本实施例中对管道图像数据的二值化处理能够将管道振动的具体振幅和振动频率解析出来，并通过二值化数据直观的发现管道振动的具体情况，从而使得管道图像数据能够辅助修正天然气能量计算结果。
进一步的，利用集成经验模态分解将管道图像数据的时间序列信号分解为一系列本征模函数和一个剩余信息；
基于分解后的时间序列，分别建立三层BP神经网络结构并利用遗传算法优化神经网络的初始权值和阈值，在利用遗传算法对BP神经网络的初始权值和阈值进行优化时，以训练误差为遗传算法的适应度函数，寻找出最优的个体对BP神经网络各层神经元进行初始化，然后进行网络训练；
对每个时间序列的二值化数据进行叠加，得到所述BP神经网络的输入值。
在本实施例的网络训练后，获得所述自封闭管理模型，所述自封闭管理模型能够有效的加强自闭环数据的传输效率和识别效率，能够使得数据在自管理时更加顺畅。
本实施例中将时间序列信号分解为本征模函数和一个剩余信息的方式，因为任何时候一个信号都可以包含若干个本征模函数，如果本征模函数之间相互重叠，便会形成复合信号。本征模函数表征了数据的内在振动模式，所以通过将管道图像数据的时间序列信号分解为一系列本征模函数和一个剩余信息，能够有效地反映出环境信息的稳定状态，从而获得更加准确的环境信息，达到提高天然气能量计算的准确性的目的。
进一步的，所述BP神经网络在进行运算时主要包括信息的正向传递和误差的反向传播两个过程，在信息正向传递过程中，信息从输入层进入，经过隐含层处理后由输出层输出，当输出层输出的结果与期望的结果相差很大时，则进行误差的反向传播过程。
由于所述传感网络平台的网络自管理模块和网络分级管理模块在接收响应数据的时候是同时接收的，所以响应数据在进入网络自管理模块和网络分级管理模块前很容易拥堵在一起，本实施例为了能够避免自闭环数据压缩的时候数据传输的拥堵，在压缩一则自闭环数据以后等待真实时间差后再压缩下一则自闭环数据，由于进入网络自管理模块和网络分级管理模块的响应数据是相同的，由于压缩过程需要的时间是大于直接发送的，所以等待压缩后再将同步进行网络分级管理模块的响应数据发送和网络自管理模块的存储压缩，从而能够使得进入网络自管理模块和网络分级管理模块的响应数据进度保持一致，避免网络分级管理模块的传输速度远大于网络自管理模块的压缩速度，另一方面也能够使得自闭环数据的压缩，以及管理平台对响应数据的接收都更加流畅。
进一步的，所述网络自管理模块包括存储单元，所述存储单元用于维护一个数据队列，所述数据队列用于存储一段自闭环数据，所述自闭环数据中包含时间戳，所述网络自管理模块在所述数据队列存储满以后按照时间戳的先后顺序将所述自闭环数据进行压缩储存。
以接收相邻的两则自闭环数据的时间戳的间隔为真实时间差，在压缩一则自闭环数据以后等待真实时间差后再压缩下一则自闭环数据。
以压缩第一则自闭环数据的时间戳为起点，后续压缩所述自闭环数据的时间按照自闭环数据的时间戳与起点之间的时间差计算。
本实施例中采用构建存储单元的方式，有效的建立一个数据队列，通过数据队列的整合，使得所述自闭环数据能够有效的按照时间戳的顺序进行压缩，而由于存在数据队列，也避免了同一时间有大量自闭环数据涌入的情况，从而减轻了压缩自闭环数据的负担，所述数据队列能够使得自闭环数据的压缩更加有序，也避免了压缩时自闭环数据的丢失。
在此基础上，所述对象平台分级管理模块与所述网络分级管理模块连接，所述网络分级管理模块与所述管理平台连接；
对象平台将采集的图像数据分别发送给所述对象平台分级管理模块和所述对象平台自管理模块，所述对象平台分级管理模块中的管道图像数据在进行二值化处理后形成响应数据发送给传感网络平台，所述网络自管理模块对所述响应数据进行备份，并通过网络分级管理模块将响应数据发送给管理平台，所述管理平台接收到响应数据并根据响应数据向对象平台下发管理数据。
进一步的，还包括服务平台和用户平台，所述管理平台包含能量计量管理***，所述能量计量管理***对接收到的响应数据进行综合分析处理，通过所述服务平台向用户平台传递用户需求信息，并通过所述传感网络平台向对象平台下达控制指令。
如图1所示，本实施例还涉及天然气能量计量图像数据分级管理物联网方法，包括以下步骤：
S1：采用根据所述的天然气能量计量图像数据分级管理物联网***采集管道图像数据；
S2：对管道图像数据进行自闭环管理和分级管理；
S3：通过自闭环管理和分级管理的同步处理，分别得到自闭环计量结果和分级计量结果；
S4：分别计算得到自闭环能量计算结果和分级能量计算结果。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.天然气能量计量图像数据分级管理物联网***，包括对象平台、传感网络平台和管理平台，所述对象平台和管理平台通过传感网络平台进行通信连接，其特征在于，所述对象平台和传感网络平台均包括平台自管理和平台分级管理，所述平台自管理和平台分级管理相互独立，其中，
对象平台，用于采集图像数据，所述对象平台包括对象平台自管理模块和对象平台分级管理模块，所述对象平台自管理模块用于自闭环设备自我监控，所述对象平台分级管理模块用于向所述传感网络平台发送响应数据，并接收所述传感网络平台的管理数据；
传感网络平台，包括网络自管理模块和网络分级管理模块，所述网络自管理模块用于压缩并存储所述响应数据和管理数据，所述网络分级管理模块用于接收对象平台的响应数据并发送给管理平台并接收管理平台的管理数据发送给对象平台；
管理平台，用于接收向传感网络平台的响应数据并向传感网络平台发送管理数据。
2.根据权利要求1所述的天然气能量计量图像数据分级管理物联网***，其特征在于，在所述对象平台采集到图像数据后，所述对象平台自管理模块对所述图像数据进行小波分解，将分解后的数据进行二值化处理得到二值化数据，将所述二值化数据按照时间序列进行排列；
将所述二值化数据按照时间序列输入BP神经网络，以对应时刻的状态数据作为BP神经网络的输出值，通过训练得到自封闭管理模型。
3.根据权利要求2所述的天然气能量计量图像数据分级管理物联网***，其特征在于，利用集成经验模态分解将图像数据的时间序列信号分解为一系列本征模函数和一个剩余信息；
基于分解后的时间序列，分别建立三层BP神经网络结构并利用遗传算法优化神经网络的初始权值和阈值，在利用遗传算法对BP神经网络的初始权值和阈值进行优化时，以训练误差为遗传算法的适应度函数，寻找出最优的个体对BP神经网络各层神经元进行初始化，然后进行网络训练；
对每个时间序列的二值化数据进行叠加，得到所述BP神经网络的输入值。
4.根据权利要求3所述的天然气能量计量图像数据分级管理物联网***，其特征在于，所述BP神经网络在进行运算时主要包括信息的正向传递和误差的反向传播两个过程，在信息正向传递过程中，信息从输入层进入，经过隐含层处理后由输出层输出，当输出层输出的结果与期望的结果相差很大时，则进行误差的反向传播过程。
5.根据权利要求1所述的天然气能量计量图像数据分级管理物联网***，其特征在于，所述网络自管理模块包括存储单元，所述响应数据在发送到网络自管理模块中以后加入时间戳成为自闭环数据，所述存储单元用于维护一个数据队列，所述数据队列用于存储一段自闭环数据，所述网络自管理模块在所述数据队列存储满以后按照时间戳的先后顺序将所述自闭环数据进行压缩储存。
6.根据权利要求5所述的天然气能量计量图像数据分级管理物联网***，其特征在于，以接收相邻的两则自闭环数据的时间戳的间隔为真实时间差，在压缩一则自闭环数据以后等待真实时间差后再压缩下一则自闭环数据。
7.根据权利要求5所述的天然气能量计量图像数据分级管理物联网***，其特征在于，以压缩第一则自闭环数据的时间戳为起点，后续压缩所述自闭环数据的时间按照自闭环数据的时间戳与起点之间的时间差计算。
8.根据权利要求1所述的天然气能量计量图像数据分级管理物联网***，其特征在于，所述对象平台分级管理模块与所述网络分级管理模块连接，所述网络分级管理模块与所述管理平台连接；
对象平台将采集的图像数据分别发送给所述对象平台分级管理模块和所述对象平台自管理模块，所述对象平台分级管理模块中的图像数据在进行二值化处理后形成响应数据发送给传感网络平台，所述网络自管理模块对所述响应数据进行备份，并通过网络分级管理模块将响应数据发送给管理平台，所述管理平台接收到响应数据并根据响应数据向对象平台下发管理数据。
9.根据权利要求8所述的天然气能量计量图像数据分级管理物联网***，其特征在于，还包括服务平台和用户平台，所述管理平台包含能量计量管理***，所述能量计量管理***对接收到的响应数据进行综合分析处理，通过所述服务平台向用户平台传递用户需求信息，并通过所述传感网络平台向对象平台下达控制指令。
10.天然气能量计量图像数据分级管理物联网方法，其特征在于，包括以下步骤：
S1：采用根据权利要求1～9任意一项所述的天然气能量计量图像数据分级管理物联网***采集图像数据；
S2：对图像数据进行自闭环管理和分级管理；
S3：通过自闭环管理和分级管理的同步处理，分别得到自闭环计量结果和分级计量结果；
S4：分别计算得到自闭环能量计算结果和分级能量计算结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210387598.9A CN115034735B (zh) | 2022-04-13 | 2022-04-13 | 天然气能量计量图像数据分级管理物联网***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210387598.9A CN115034735B (zh) | 2022-04-13 | 2022-04-13 | 天然气能量计量图像数据分级管理物联网***和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115034735A true CN115034735A (zh) | 2022-09-09 |
| CN115034735B CN115034735B (zh) | 2024-07-05 |
Family
ID=83118882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210387598.9A Active CN115034735B (zh) | 2022-04-13 | 2022-04-13 | 天然气能量计量图像数据分级管理物联网***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034735B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101645136A (zh) * | 2009-08-26 | 2010-02-10 | 福州欣创摩尔电子科技有限公司 | 图像识别检测*** |
| CN102611454A (zh) * | 2012-01-29 | 2012-07-25 | 上海锅炉厂有限公司 | 一种实时历史数据动态无损压缩方法 |
| CN107809457A (zh) * | 2017-09-20 | 2018-03-16 | 成都秦川物联网科技股份有限公司 | 基于复合物联网的水量数据传输方法及物联网*** |
| CN110460656A (zh) * | 2019-08-01 | 2019-11-15 | 哈工大机器人（合肥）国际创新研究院 | 一种工业环保物联网远程监测云平台 |
-
2022
- 2022-04-13 CN CN202210387598.9A patent/CN115034735B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101645136A (zh) * | 2009-08-26 | 2010-02-10 | 福州欣创摩尔电子科技有限公司 | 图像识别检测*** |
| CN102611454A (zh) * | 2012-01-29 | 2012-07-25 | 上海锅炉厂有限公司 | 一种实时历史数据动态无损压缩方法 |
| CN107809457A (zh) * | 2017-09-20 | 2018-03-16 | 成都秦川物联网科技股份有限公司 | 基于复合物联网的水量数据传输方法及物联网*** |
| CN110460656A (zh) * | 2019-08-01 | 2019-11-15 | 哈工大机器人（合肥）国际创新研究院 | 一种工业环保物联网远程监测云平台 |
Non-Patent Citations (1)
| Title |
|---|
| 陶依贝: "基于激光三角法的传送带物料体积流量测量方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 05, 15 May 2019 (2019-05-15), pages 005 - 136 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115034735B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106156810B (zh) | 通用机器学习算法模型训练方法、***和计算节点 | |
| CN107463633A (zh) | 一种基于eemd‑神经网络的实时数据异常值检测方法 | |
| CN110705807B (zh) | 基于现场数据的半导体生产质量预测方法及*** | |
| CN109993364A (zh) | 一种天然气用气量的预测方法及装置 | |
| CN104036139B (zh) | 一种移动对象轨迹监测方法 | |
| CN110858973A (zh) | 小区网络流量预测方法及装置 | |
| CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及*** | |
| US20220203637A1 (en) | Machine learning for splice improvement | |
| CN103186575A (zh) | 一种传感数据的聚类分析方法和*** | |
| CN114066073A (zh) | 电网负荷预测方法 | |
| CN116029435A (zh) | 一种生猪设施养殖环境舒适度预警*** | |
| CN112434789A (zh) | 一种用于边缘视频分析的分布式神经网络模型划分方法 | |
| CN115760213A (zh) | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 | |
| CN116051037A (zh) | 基于数据分析的项目进度监管*** | |
| CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
| CN111198979A (zh) | 一种用于对输变电可靠性评估大数据进行清洗的方法及*** | |
| CN115034735A (zh) | 天然气能量计量图像数据分级管理物联网***和方法 | |
| CN103281555A (zh) | 基于半参考评估的视频流业务QoE客观评估方法 | |
| Ko et al. | Homotopy-based training of NeuralODEs for accurate dynamics discovery | |
| CN117234165A (zh) | 一种基于计算机视觉的自动化流水线控制***和控制方法 | |
| CN113092083A (zh) | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 | |
| CN111626324A (zh) | 基于边缘计算的海底观测网数据异构解析集成方法 | |
| CN110490244A (zh) | 一种数据处理方法及装置 | |
| CN116865851A (zh) | 一种多维度的光纤运行质量监测方法及*** | |
| CN115982555A (zh) | 一种基于模糊信息粒化和动态神经网络的沉降预测方法 |
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 |