CN116502896B - 一种基于bim+gis技术的泵站智能控制方法及*** - Google Patents
一种基于bim+gis技术的泵站智能控制方法及*** Download PDFInfo
- Publication number
- CN116502896B CN116502896B CN202310749849.8A CN202310749849A CN116502896B CN 116502896 B CN116502896 B CN 116502896B CN 202310749849 A CN202310749849 A CN 202310749849A CN 116502896 B CN116502896 B CN 116502896B
- Authority
- CN
- China
- Prior art keywords
- pump station
- data
- bim
- key
- maintenance 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.)
- Active
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012423 maintenance Methods 0.000 claims abstract description 87
- 238000005065 mining Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 60
- 230000006399 behavior Effects 0.000 claims description 48
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000007418 data mining Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012790 confirmation Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000009412 basement excavation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了本申请提供的一种基于BIM+GIS技术的泵站智能控制方法及***,属于泵站技术领域。该基于BIM+GIS技术的泵站智能控制方法,其利用GIS技术和BIM技术对泵站进行可视化管理,并根据历史数据进行分析挖掘,通过随机生成数据,丰富样本数量,提高后续预测精度,挖掘导致泵站故障的关键参数,确定与当前工况条件下最接近的近邻预测当前工况条件下的故障风险等级,能够更加高效的预判故障风险,无需等待人工逐级确认,可以预先指定维修方案。
Description
技术领域
本发明涉及泵站技术领域。具体涉及一种基于BIM+GIS技术的泵站智能控制方法及***。
背景技术
传统泵站***运行监控直观可视化不够,影响安全运行检修效率。一般故障确认的过程依次为故障检测、故障点定位、故障设备和构件的参数。一方面的二维显示方式直观化程度低,只能简略显示设备的平面位置,无法查看设备具体形态;另一方面传统监视***信息集成化程度低,一些设备和构件的属性信息散布在各种文件中。当故障发生后,检修人员查阅档案资料才能确定故障点位置、获取故障设备信息,这一过程比较耗费时间,并很容易受过时信息的影响,导致泵站运行效率较低。
发明内容
本发明的目的在于针对现有技术的不足之处,提供一种基于BIM+GIS技术的泵站智能控制方法及***,充分利用BIM和GIS技术,可视化地管理泵站水务工作,根据既往历史数据对当前工况进行分析,预测当前工况的故障风险,提高泵站运行效率。
为此,本申请提供一种基于BIM+GIS技术的泵站智能控制方法,包括
获取泵站位置的GIS数据,将GIS数据处理成地形图和建筑要素平面图,构成GIS三维模型;
利用BIM技术构建泵站立体化模型,对各结构进行编码,形成BIM三维模型,且对BIM三维模型和GIS三维模型的同一属性数据一一对应关联,同一属性数据包括融合故障风险等级预测属性;
其中,融合故障风险等级预测属性通过以下方式获取:
获取泵站历史维护数据和泵站历史监测数据,以及故障风险等级数据;
生成多组泵站维护数据和泵站监测数据,并预测对应的故障风险等级;
基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据;
以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理;
获取当前泵站关键维护数据和泵站关键监测数据,确定与当前工况条件下最接近的近邻以确定当前工况条件下的故障风险等级。
在一些具体实施方式中,生成多组泵站维护数据和泵站监测数据的数据组,并预测对应的故障风险等级,具体为:
;
其中,为泵站历史维护数据,/>为求和边界下限,/>为第/>个已知故障风险等级,为第/>个数据组,/>为故障风险等级数据。
在一些具体实施方式中,基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据,具体计算公式为:
;
其中,为故障量化值,/>为影响参数数量,/>为故障发生事件,/>为影响参数/>对故障发生/>所作贡献的量化值, />为分布在影响参数 />内的故障持续时间,/>为任一时间段的故障持续总时间,/>为该任一时间段内含有影响参数/>的故障持续时间,为该任一时间段的时间长度。
在一些具体实施方式中,以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理,具体为:
根据显性行为,确定当前泵站关键维护数据的相似度,基于相似度确定当前泵站关键维护数据最接近的近邻,其中相似度公式为:
;
表示当前工况条件下的泵站关键维护数据/>和泵站关键维护数据/>的相似度,/>和/>分别表示泵站关键维护数据/>和泵站关键维护数据/>对当前工况条件下的故障风险等级, />和/>表示泵站关键维护数据/>和泵站关键维护数据/>已知故障风险等级的均值,/>表示泵站关键维护数据/>和泵站关键维护数据/>已知故障风险等级的交集, />和/>分别表示泵站关键维护数据/>和泵站关键维护数据/>的故障风险等级的数据集;
根据隐藏行为,确定当前工况条件下的泵站关键监测数据的相似度,基于相似度确定当前泵站关键监测数据最接近的近邻,其中,相似度公式为:
假设泵站关键监测数据具有n个关键参数,则
;
其中,泵站关键监测数据x´的位向量为 (x´ 1 , x´ 2 ,…, x´ n),泵站关键监测数据y´的位向量为(y´ 1,y´ 2,…,y´ n);
基于显性行为和隐藏行为确定融合条件下相似度,公式为:
;
其中,γ为修正系数,γ∈(0,1);
基于融合条件下相似度确定最优近邻,并预测故障风险等级,其中,故障风险等级预测公式为:
;
表示当前工况预测的故障风险等级,/>和/>表示两个工况的故障风险等级的均值,/>为/>的绝对值。
在一些具体实施方式中,泵站历史维护数据包括泵站建造时间、泵站主要设备剩余使用时间以及泵站维修数据。
在一些具体实施方式中,泵站历史监测数据包括水位、流量、运行电流、进水排水估算流量、管道压力以及管道流量。
本申请另提供一种基于BIM+GIS技术的泵站智能控制***,包括
GIS模块,用于获取泵站位置的GIS数据,将GIS数据处理成地形图和建筑要素平面图,构成GIS三维模型;
BIM模块,用于利用BIM技术构建泵站立体化模型,对各结构进行编码,形成BIM三维模型,且对BIM三维模型和GIS三维模型的同一属性数据一一对应关联,同一属性数据包括融合故障风险等级预测属性;
其中,融合故障风险等级预测属性通过以下方式获取:
获取泵站历史维护数据和泵站历史监测数据,以及故障风险等级数据;
生成多组泵站维护数据和泵站监测数据,并预测对应的故障风险等级;
基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据;
以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理;
获取当前泵站关键维护数据和泵站关键监测数据,确定与当前工况条件下最接近的近邻以确定当前工况条件下的故障风险等级。
在一些具体实施方式中,生成多组泵站维护数据和泵站监测数据的数据组,并预测对应的故障风险等级,具体为:
;
其中,为泵站历史维护数据,/>为求和边界下限,/>为第/>个已知故障风险等级,为第/>个数据组,/>为故障风险等级数据。
在一些具体实施方式中,基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据,具体计算公式为:
;
其中,为故障量化值,/>为影响参数数量,/>为故障发生事件,/>为影响参数/>对故障发生/>所作贡献的量化值, />为分布在影响参数 />内的故障持续时间,/>为任一时间段的故障持续总时间,/>为该任一时间段内含有影响参数/>的故障持续时间,为该任一时间段的时间长度。
在一些具体实施方式中,以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理,具体为:
根据显性行为,确定当前泵站关键维护数据的相似度,基于相似度确定当前泵站关键维护数据最接近的近邻,其中相似度公式为:
;
表示当前工况条件下的泵站关键维护数据/>和泵站关键维护数据/>的相似度,/>和/>分别表示泵站关键维护数据/>和泵站关键维护数据/>对当前工况条件下的故障风险等级, />和/>表示泵站关键维护数据/>和泵站关键维护数据/>已知故障风险等级的均值,/>表示泵站关键维护数据/>和泵站关键维护数据/>已知故障风险等级的交集, />和/>分别表示泵站关键维护数据/>和泵站关键维护数据/>的故障风险等级的数据集;
根据隐藏行为,确定当前工况条件下的泵站关键监测数据的相似度,基于相似度确定当前泵站关键监测数据最接近的近邻,其中,相似度公式为:
假设泵站关键监测数据具有n个关键参数,则
;
其中,泵站关键监测数据x´的位向量为 (x´ 1 , x´ 2 ,…, x´ n),泵站关键监测数据y´的位向量为(y´ 1,y´ 2,…,y´ n);
基于显性行为和隐藏行为确定融合条件下相似度,公式为:
;
其中,γ为修正系数,γ∈(0,1);
基于融合条件下相似度确定最优近邻,并预测故障风险等级,其中,故障风险等级预测公式为:
;
表示当前工况预测的故障风险等级,/>和/>表示两个工况的故障风险等级的均值,/>为/>的绝对值。
在一些具体实施方式中,泵站历史维护数据包括泵站建造时间、泵站主要设备剩余使用时间以及泵站维修数据。
在一些具体实施方式中,泵站历史监测数据包括水位、流量、运行电流、进水排水估算流量、管道压力以及管道流量。
本申请提供的基于BIM+GIS技术的泵站智能控制方法,其利用GIS技术和BIM技术对泵站进行可视化管理,并根据历史数据进行分析挖掘,通过随机生成数据,丰富样本数量,提高后续预测精度,挖掘导致泵站故障的关键参数,确定与当前工况条件下最接近的近邻预测当前工况条件下的故障风险等级,能够更加高效的预判故障风险,无需等待人工逐级确认,可以预先指定维修方案。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种基于BIM+GIS技术的泵站智能控制方法的流程图。
实施方式
本下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
请参考图1,其示出了根据本公开的基于BIM+GIS技术的泵站智能控制方法的一个实施例的流程。
如图1所示,该基于BIM+GIS技术的泵站智能控制方法包括以下步骤:
步骤100:获取泵站位置的GIS数据,将GIS数据处理成地形图和建筑要素平面图,构成GIS三维模型。
步骤200:利用BIM技术构建泵站立体化模型,对各结构进行编码,形成BIM三维模型,且对BIM三维模型和GIS三维模型的同一属性数据一一对应关联,同一属性数据包括融合故障风险等级预测属性。
其中,融合故障风险等级预测属性通过以下方式获取:
获取泵站历史维护数据和泵站历史监测数据,以及故障风险等级数据。
在这里,泵站历史维护数据包括泵站建造时间、泵站主要设备剩余使用时间以及泵站维修数据等。泵站历史监测数据包括水位、流量、运行电流、进水排水估算流量、管道压力以及管道流量等。故障风险等级可以根据每个泵站的实际情况进行设定。
生成多组泵站维护数据和泵站监测数据,并预测对应的故障风险等级。
泵站发生故障的数据一般较少,样本数量有限,如果仅以实际样本数据进行分析,其分析结果可能与实际偏差较大。
在这里,可以利用下述公式对随机生成的数据进行故障风险等级预测。
;
其中,为泵站历史维护数据,/>为求和边界下限,/>为第/>个已知故障风险等级,为第/>个数据组,/>为故障风险等级数据。
基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据。
在这里,具体计算公式为:
;
其中,为故障量化值,/>为影响参数数量,/>为故障发生事件,/>为影响参数/>对故障发生/>所作贡献的量化值, />为分布在影响参数 />内的故障持续时间,/>为任一时间段的故障持续总时间,/>为该任一时间段内含有影响参数/>的故障持续时间,为该任一时间段的时间长度。
以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理。
获取当前泵站关键维护数据和泵站关键监测数据,确定与当前工况条件下最接近的近邻以确定当前工况条件下的故障风险等级。
本申请提供的基于BIM+GIS技术的泵站智能控制方法,其利用GIS技术和BIM技术对泵站进行可视化管理,并根据历史数据进行分析挖掘,通过随机生成数据,丰富样本数量,提高后续预测精度,挖掘导致泵站故障的关键参数,确定与当前工况条件下最接近的近邻预测当前工况条件下的故障风险等级,能够更加高效的预判故障风险,无需等待人工逐级确认,可以预先指定维修方案。
本申请提供一种基于BIM+GIS技术的泵站智能控制***,包括
GIS模块,用于获取泵站位置的GIS数据,将GIS数据处理成地形图和建筑要素平面图,构成GIS三维模型;
BIM模块,用于利用BIM技术构建泵站立体化模型,对各结构进行编码,形成BIM三维模型,且对BIM三维模型和GIS三维模型的同一属性数据一一对应关联,同一属性数据包括融合故障风险等级预测属性;
其中,融合故障风险等级预测属性通过以下方式获取:
获取泵站历史维护数据和泵站历史监测数据,以及故障风险等级数据;
生成多组泵站维护数据和泵站监测数据,并预测对应的故障风险等级;
基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据;
以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理;
获取当前泵站关键维护数据和泵站关键监测数据,确定与当前工况条件下最接近的近邻以确定当前工况条件下的故障风险等级。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (7)
1.一种基于BIM+GIS技术的泵站智能控制方法,其特征在于,
获取泵站位置的GIS数据,将GIS数据处理成地形图和建筑要素平面图,构成GIS三维模型;
利用BIM技术构建泵站立体化模型,对各结构进行编码,形成BIM三维模型,且对BIM三维模型和GIS三维模型的同一属性数据一一对应关联,同一属性数据包括融合故障风险等级预测属性;
其中,融合故障风险等级预测属性通过以下方式获取:
获取泵站历史维护数据和泵站历史监测数据,以及故障风险等级数据;
生成多组泵站维护数据和泵站监测数据,并预测对应的故障风险等级;
基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据;
以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理;
获取当前泵站关键维护数据和泵站关键监测数据,确定与当前工况条件下最接近的近邻以确定当前工况条件下的故障风险等级。
2.如权利要求1所述的基于BIM+GIS技术的泵站智能控制方法,其特征在于:生成多组泵站维护数据和泵站监测数据的数据组,并预测对应的故障风险等级,具体为:
;
其中,为泵站历史维护数据,/>为求和边界下限,/>为第/>个已知故障风险等级,/>为第个数据组,/>为故障风险等级数据。
3.如权利要求2所述的基于BIM+GIS技术的泵站智能控制方法,其特征在于,基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据,具体计算公式为:
;
其中,为故障量化值,/>为影响参数数量,/>为故障发生事件,/>为影响参数对故障发生事件/>所作贡献的量化值, />为分布在影响参数 />内的故障持续时间,/>为任一时间段的故障持续总时间,/>为该任一时间段内含有影响参数/>的故障持续时间,为该任一时间段的时间长度。
4.如权利要求1所述的基于BIM+GIS技术的泵站智能控制方法,其特征在于,以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理,具体为:
根据显性行为,确定当前泵站关键维护数据的相似度,基于相似度确定当前泵站关键维护数据最接近的近邻,其中相似度公式为:
;
表示当前工况条件下的泵站关键维护数据/>和泵站关键维护数据/>的相似度,/>和/>分别表示泵站关键维护数据/>和泵站关键维护数据/>对当前工况条件下的故障风险等级, />和/>表示泵站关键维护数据/>和泵站关键维护数据/>已知故障风险等级的均值,表示泵站关键维护数据/>和泵站关键维护数据/>已知故障风险等级的交集, />和/>分别表示泵站关键维护数据/>和泵站关键维护数据/>的故障风险等级的数据集;
根据隐藏行为,确定当前工况条件下的泵站关键监测数据的相似度,基于相似度确定当前泵站关键监测数据最接近的近邻,其中,相似度公式为:
假设泵站关键监测数据具有n个关键参数,则
;
其中,泵站关键监测数据x´的位向量为 (x´ 1 , x´ 2 ,…, x´ n),泵站关键监测数据y´的位向量为(y´ 1,y´ 2,…,y´ n);
基于显性行为和隐藏行为确定融合条件下相似度,公式为:
;
其中,γ为修正系数,γ∈(0,1);
基于融合条件下相似度确定最优近邻,并预测故障风险等级,其中,故障风险等级预测公式为:
;
表示当前工况预测的故障风险等级,/>和/>表示两个工况的故障风险等级的均值,/>为/>的绝对值。
5.如权利要求1所述的基于BIM+GIS技术的泵站智能控制方法,其特征在于,泵站历史维护数据包括泵站建造时间、泵站主要设备剩余使用时间以及泵站维修数据。
6. 如权利要求1所述的基于BIM+GIS技术的泵站智能控制方法,其特征在于,泵站历史监测数据包括水位、流量、运行电流、进水排水估算流量、管道压力以及管道流量。
7.基于BIM+GIS技术的泵站智能控制***,其特征在于,包括
GIS模块,用于获取泵站位置的GIS数据,将GIS数据处理成地形图和建筑要素平面图,构成GIS三维模型;
BIM模块,用于利用BIM技术构建泵站立体化模型,对各结构进行编码,形成BIM三维模型,且对BIM三维模型和GIS三维模型的同一属性数据一一对应关联,同一属性数据包括融合故障风险等级预测属性;
其中,融合故障风险等级预测属性通过以下方式获取:
获取泵站历史维护数据和泵站历史监测数据,以及故障风险等级数据;
生成多组泵站维护数据和泵站监测数据,并预测对应的故障风险等级;
基于上述数据挖掘导致故障的参数数值并转化为反映故障的量化值,确定各参数对故障发生作用大小,以此挖掘导致故障的泵站关键维护数据和泵站关键监测数据;
以泵站关键维护数据作为显性行为,以泵站关键监测数据作为隐藏行为,将显性行为和隐藏行为进行数字向量化处理;
获取当前泵站关键维护数据和泵站关键监测数据,确定与当前工况条件下最接近的近邻以确定当前工况条件下的故障风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310749849.8A CN116502896B (zh) | 2023-06-25 | 2023-06-25 | 一种基于bim+gis技术的泵站智能控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310749849.8A CN116502896B (zh) | 2023-06-25 | 2023-06-25 | 一种基于bim+gis技术的泵站智能控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502896A CN116502896A (zh) | 2023-07-28 |
CN116502896B true CN116502896B (zh) | 2023-09-19 |
Family
ID=87325069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310749849.8A Active CN116502896B (zh) | 2023-06-25 | 2023-06-25 | 一种基于bim+gis技术的泵站智能控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502896B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600095A (zh) * | 2016-07-27 | 2017-04-26 | 中国特种设备检测研究院 | 一种基于可靠性的维修评估方法 |
CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
CN110827404A (zh) * | 2019-11-07 | 2020-02-21 | 中水三立数据技术股份有限公司 | 一种泵站全景监控预警***及其方法 |
CN111336100A (zh) * | 2020-04-10 | 2020-06-26 | 中国恩菲工程技术有限公司 | 水泵故障诊断*** |
CN111882177A (zh) * | 2020-07-08 | 2020-11-03 | 上海嘉实(集团)有限公司 | 压力排水***的故障检修方法、服务端、用户终端及介质 |
KR20210040861A (ko) * | 2020-07-20 | 2021-04-14 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 고장 예측 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 |
CN113608470A (zh) * | 2021-08-04 | 2021-11-05 | 苏州思萃融合基建技术研究所有限公司 | 基于bim信息平台的雨水防洪泵站状态监测方法及装置 |
CN113901227A (zh) * | 2021-08-27 | 2022-01-07 | 广西电网有限责任公司南宁供电局 | 一种基于知识图谱的电网设备的关系分析方法及*** |
CN114139264A (zh) * | 2021-12-02 | 2022-03-04 | 中国建筑设计研究院有限公司 | 基于bim+gis技术的建筑水***信息化智慧运维*** |
CN114880733A (zh) * | 2022-07-05 | 2022-08-09 | 广东青藤环境科技有限公司 | 智慧水务水力模型数据处理方法及装置 |
CN115053795A (zh) * | 2022-06-10 | 2022-09-16 | 甘肃水务节水科技发展有限责任公司 | 用于灌溉***的数据测控的方法及终端 |
CA3169126A1 (en) * | 2021-07-27 | 2023-01-27 | Qualitrol Company Llc | Systems and methods for ai-assisted electrical power grid fault analysis |
CN115760073A (zh) * | 2022-12-02 | 2023-03-07 | 国网福建省电力有限公司经济技术研究院 | 一种基于bim模型的变电站设备维护***和方法 |
-
2023
- 2023-06-25 CN CN202310749849.8A patent/CN116502896B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600095A (zh) * | 2016-07-27 | 2017-04-26 | 中国特种设备检测研究院 | 一种基于可靠性的维修评估方法 |
CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
CN110827404A (zh) * | 2019-11-07 | 2020-02-21 | 中水三立数据技术股份有限公司 | 一种泵站全景监控预警***及其方法 |
CN111336100A (zh) * | 2020-04-10 | 2020-06-26 | 中国恩菲工程技术有限公司 | 水泵故障诊断*** |
CN111882177A (zh) * | 2020-07-08 | 2020-11-03 | 上海嘉实(集团)有限公司 | 压力排水***的故障检修方法、服务端、用户终端及介质 |
KR20210040861A (ko) * | 2020-07-20 | 2021-04-14 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 고장 예측 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 |
CA3169126A1 (en) * | 2021-07-27 | 2023-01-27 | Qualitrol Company Llc | Systems and methods for ai-assisted electrical power grid fault analysis |
CN113608470A (zh) * | 2021-08-04 | 2021-11-05 | 苏州思萃融合基建技术研究所有限公司 | 基于bim信息平台的雨水防洪泵站状态监测方法及装置 |
CN113901227A (zh) * | 2021-08-27 | 2022-01-07 | 广西电网有限责任公司南宁供电局 | 一种基于知识图谱的电网设备的关系分析方法及*** |
CN114139264A (zh) * | 2021-12-02 | 2022-03-04 | 中国建筑设计研究院有限公司 | 基于bim+gis技术的建筑水***信息化智慧运维*** |
CN115053795A (zh) * | 2022-06-10 | 2022-09-16 | 甘肃水务节水科技发展有限责任公司 | 用于灌溉***的数据测控的方法及终端 |
CN114880733A (zh) * | 2022-07-05 | 2022-08-09 | 广东青藤环境科技有限公司 | 智慧水务水力模型数据处理方法及装置 |
CN115760073A (zh) * | 2022-12-02 | 2023-03-07 | 国网福建省电力有限公司经济技术研究院 | 一种基于bim模型的变电站设备维护***和方法 |
Non-Patent Citations (3)
Title |
---|
基于大数据的在线学习预警机制设计;王林丽;《中国优秀博硕士学术论文全文数据库(硕士)社会科学Ⅱ辑》(第10期);1-163 * |
基于神经网络的瓦斯抽放泵故障监测方法研究;葛津铭;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》(第2期);1-92 * |
泵闸工程运维管理***的研究与设计;陈冰等;《水利信息化》(第05期);50-53 * |
Also Published As
Publication number | Publication date |
---|---|
CN116502896A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Digital twin and its application in transportation infrastructure | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
Zhang et al. | Bayesian-network-based safety risk analysis in construction projects | |
Nielsen et al. | Computational framework for risk-based planning of inspections, maintenance and condition monitoring using discrete Bayesian networks | |
CA3094707A1 (en) | Predicting pipe failure | |
Du et al. | Advances in intellectualization of transportation infrastructures | |
CN108615098B (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
Wu et al. | A dynamic decision approach for risk analysis in complex projects | |
Assad et al. | Data mining algorithms for water main condition prediction—comparative analysis | |
Edward et al. | Survival function in the analysis of the factors influencing the reliability of water wells operation | |
CN116502896B (zh) | 一种基于bim+gis技术的泵站智能控制方法及*** | |
CN116644954B (zh) | 抽蓄工程施工安全风险智能化决策方法 | |
Fauzi et al. | The prediction of remaining useful life (rul) in oil and gas industry using artificial neural network (ann) algorithm | |
CN115660413B (zh) | 一种用于污染场地地下水的风险管控*** | |
Wenner et al. | smartBRIDGE Hamburg: A digital twin to optimise infrastructure maintenance | |
Vekaria et al. | Using artificial intelligence for water pipeline infrastructure asset management | |
Bien | Expert Functions in Bridge Management Systems | |
CN105678053A (zh) | 一种基于数据挖掘的在役油管柱腐蚀失效预测方法 | |
Hallaji et al. | A digital twin framework for enhancing predictive maintenance of pumps in wastewater treatment plants | |
Urlainis et al. | BIM-BASED SEISMIC RISK ASSESSMENT FRAMEWORK FOR INFRASTRUCTURE SYSTEMS | |
CN117744926B (zh) | 一种制冷机房装配式管道的施工管理方法及*** | |
Tan et al. | Integrated Sensor Fusion Device with an Optimized Mathematical Model to Monitor Civil Engineering Structures | |
CN118195838B (zh) | 基于监管物联网的燃气管廊耐久性安全监控方法与*** | |
Rota et al. | Proactive Maintenance Strategy Based on Resilience Empowerment for Complex Buildings | |
Wang et al. | Probability risk assessment approach for sequential, prior and trigger-dependent multi-state systems based on DBNs |
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 |