[发明专利]一种基于多源数据的供热管道泄露检测方法、系统及设备

权利要求书

1.一种基于多源数据的供热管道泄露检测方法，其特征在于，包括以下步骤：

步骤1，获取供热管道泄露的历史多源数据；

步骤2，根据获取的历史多源数据构建深度学习网络模型；

步骤3，利用构建得到的深度学习网络模型对待测供热管道进行泄露检测。

2.根据权利要求1所述的一种基于多源数据的供热管道泄露检测方法，其特征在于，步骤1中，所述历史多源数据包括温度数据、压力数据、流量数据、振动数据和声波检测数据中的一种或多种。

3.根据权利要求1所述的一种基于多源数据的供热管道泄露检测方法，其特征在于，步骤2中，根据获取的历史多源数据构建深度学习网络模型，具体方法是：

将获取得到的历史多源数据进行预处理，得到数据集信息；

构建深度学习网络，并利用数据集信息对深度学习网络进行训练，得到深度学习网络模型。

4.根据权利要求1或3所述的一种基于多源数据的供热管道泄露检测方法，其特征在于，所述度学习网络模型包括输入层、卷积层、池化层、卷积层、池化层、卷积层、池化层、全连接层、全连接层和输出层，其中，输入层用于将输入的数据进行统一，卷积层用于对统一后的数据进行特征提取；池化层用于对卷积层卷积后的特征数据进行降维处理；卷积层用于对池化层降维后的特征数据卷积，进行特征提取；池化层用于对卷积层卷积后的特征数据进行降维处理；卷积层用于对池化层降维后的特征数据卷积，进行特征提取；池化层用于对卷积层卷积后的特征数据进行降维处理；全连接层用于连接池化层输出的所有特征，设置ReLU函数为激活函数；全连接层与全连接层的神经元全连接，设置ReLU函数为激活函数；输出层与全连接层的神经元全连接，用于对输出结果进行二分类。

5.根据权利要求3所述的一种基于多源数据的供热管道泄露检测方法，其特征在于，将获取得到的历史多源数据进行预处理，得到数据集信息，具体方法是：

对获取得到的历史多源数据依次进行数据清洗、数据转换、规范数据和数据标记处理，得到数据集信息。

6.根据权利要求5所述的一种基于多源数据的供热管道泄露检测方法，其特征在于，采用聚类分析、关联分析或时间序列分析方法对历史多源数据进行数据清洗，得到清洗后的数据。

7.根据权利要求3所述的一种基于多源数据的供热管道泄露检测方法，其特征在于，并利用数据集信息对深度学习网络进行训练，得到深度学习网络模型，具体方法是：

步骤201、将构建的深度学习网络所有的参数和权重值进行初始化；

步骤202、将数据集信息及其标注输入至构建的深度学习网络；

步骤203、通过空间转换完成特征对齐；

步骤204、通过自适应的池化方法提取全局特征信息；

步骤205、采用Softmax函数处理和张量整形得到输出结果；

步骤206、重复步骤202～步骤205，直至训练轮数达到设定值，得到训练好的深度学习网络。

8.根据权利要求1所述的一种基于多源数据的供热管道泄露检测方法，其特征在于，步骤3中，利用构建得到的深度学习网络模型对待测供热管道进行泄露检测，具体方法是：

步骤301，输入待测供热管道的数据集信息；

步骤302、从步骤301中的数据集信息中分割出疑似泄露数据信息；

步骤303、将疑似泄露数据信息输入到训练好的深度学习网络中，进行待测供热管道泄露识别，获得泄露或非泄露的识别结果。

9.一种基于多源数据的供热管道泄露检测系统，其特征在于，包括：

数据获取单元，用于获取供热管道泄露的历史多源数据；

模型构建单元，用于根据获取的历史多源数据构建深度学习网络模型；

检测单元，用于利用构建得到的深度学习网络模型对待测供热管道进行泄露检测。

10.一种基于多源数据的供热管道泄露检测设备，包括处理器、以及能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述方法的步骤。