[发明专利]基于深度学习的管道状态监测方法、装置及存储介质

说明书

本发明公开了一种基于深度学习的管道状态监测方法、装置及存储介质，所述方法包括：按照预设的时间间隔获取每条供水管道的状态数据，得到所有供水管道的状态数据集，并将所述状态数据集分为训练集和测试集；其中，所述状态数据包括压力值、流量值和压力差；将所述训练集输入到深度学习模型进行训练，得到训练好的深度学习模型；按照预设的时间间隔实时获取每条供水管道的实时状态数据，得到实时状态数据集；将所述实时状态数据集输入到所述训练好的深度学习模型，得到管道状态监测结果。本发明实施例基于现有的低频仪表设备对供水管道进行爆管识别和定位，检测精度高、误检率低，极大地提高了供水安全保障能力。

技术领域

本发明涉及管道状态监测技术领域，尤其涉及一种基于深度学习的管道状态监测方法、装置及存储介质。

背景技术

相关数据分析表明，以平均漏损率20％计算，中国水务企业一年的漏损水量为102亿吨。若以每吨水的供水成本1.5元计算，则每年因漏损造成的直接经济损失为154亿元。若以售水的每吨水价2元计算，则漏损水量的经济损失高达200亿元以上。此外，由于水压、流量过大等异常问题还会导致漏损量进一步加大，并大大降低供水管道的使用寿命。因此，在不采取大面积停水的情况下，对异常的供水管道进行定位，有助于最大程度地减少泄漏，避免诱发重大安全事故。

现有技术中大多采用低频拟稳态的压力、流量监测仪器、负压波法对供水管道进行监测，然而这些方法都需要采用高精度的高频传感器，在实际工程中极其不方便。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于深度学习的管道状态监测方法、装置及存储介质，基于现有的低频仪表设备对供水管道进行爆管识别和定位，检测精度高、误检率低，极大地提高了供水安全保障能力。

为了实现上述目的，本发明实施例提供了一种基于深度学习的管道状态监测方法，包括：

按照预设的时间间隔获取每条供水管道的状态数据，得到所有供水管道的状态数据集，并将所述状态数据集分为训练集和测试集；其中，所述状态数据包括压力值、流量值和压力差；

将所述训练集输入到深度学习模型进行训练，得到训练好的深度学习模型；其中，所述训练好的深度学习模型包括输入层、全连接层和输出层；

按照预设的时间间隔实时获取每条供水管道的实时状态数据，得到实时状态数据集；

将所述实时状态数据集输入到所述训练好的深度学习模型，得到管道状态监测结果。

作为上述方案的改进，所述按照预设的时间间隔获取每条供水管道的状态数据，得到所有供水管道的状态数据集，并将所述状态数据集分为训练集和测试集，具体包括：

按照预设的时间间隔采集每条管道的压力值和流量值其中，表示第n(n∈[1,N])条管道的第m压力值，表示第n(n∈[1,N])条管道的第m流量值；

按照预设的时间间隔分别计算每条管道的平均压力值其中，表示第n条管道的第m压力值的平均压力值；

根据所述压力值和所述平均压力值，计算得到每条供水管道的压力差其中，表示第n条管道的第m压力差；

按照预设的时间间隔获取每条供水管道的状态数据其中，则得到所有供水管道的状态数据集其中，

将所述状态数据集按照预设的比例分为训练集和测试集。

作为上述方案的改进，所述将所述状态数据集按照预设的比例分为训练集和测试集之前，还包括：

将所述状态数据集中的状态数据按照正常数据和异常数据进行标记分类。

作为上述方案的改进，所述将所述训练集输入到深度学习模型进行训练，得到训练好的深度学习模型，具体包括：

将所述训练集输入到深度学习模型进行训练；