排水管网的故障检测方法、设备、服务器及存储介质技术

本申请实施例提供一种排水管网的故障检测方法、设备、服务器及存储介质。在排水管网的故障检测方法中，可采集排水管网中的监测节点的液位时间序列，并可根据液位时间序列识别当前节点的异常事件类型。确定异常事件类型后，可采用与异常事件类型对应的故障诊断算法，对当前节点的液位时间序列以及邻居节点对应的液位时间序列进行水力特征匹配，得到当前节点对应的故障诊断结果。基于这种实施方式，可智能化地对排水管网中的待监测的节点进行故障检测，降低了对人力的依赖，有利于高效、准确地对排水管网进行故障排查，从而有利于辅助排水管网的运维养护。管网的运维养护。管网的运维养护。

【技术实现步骤摘要】
排水管网的故障检测方法、设备、服务器及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种排水管网的故障检测方法、设备、服务器及存储介质。

技术介绍

[0002]随着城市化进程的加速，城市人口和人类活动的增加，导致现有的较低设计标准的地下排水管网系统运行负荷随之增大，排水管网出现异常的概率也随之增高。排水管网频繁出现异常，将引发城市运行安全和环境问题。目前仍旧缺乏一种有效的识别排水管网异常的方法。

技术实现思路

[0003]本申请实施例的多个方面提供一种排水管网的故障检测方法、设备、服务器及存储介质，用以对排水管网的故障进行智能识别，提升管网运维养护效率。
[0004]本申请实施例提供一种排水管网的故障检测方法，包括：获取在排水管网中的当前节点采集到的第一液位时间序列；根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型；采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配，得到所述当前节点对应的故障诊断结果；所述邻居节点的液位时间序列包括：所述当前节点的上游节点对应的第二液位时间序列，和/或，所述当前节点的下游节点对应的第三液位时间序列。
[0005]本申请实施例还提供一种服务器，包括：存储器、处理器以及通信组件；所述存储器，用于存储一条或多条计算机指令；所述处理器，用于执行一条或多条计算机指令，以用于执行本申请实施例提供的方法中的步骤。
[0006]本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被执行时能够实现本申请实施例提供方法中的步骤。
[0007]在本申请实施例中，可采集排水管网中的监测节点的液位时间序列，并可根据液位时间序列识别当前节点的异常事件类型。确定异常事件类型后，可采用与异常事件类型对应的故障诊断算法，对当前节点的液位时间序列以及邻居节点对应的液位时间序列进行水力特征匹配，得到当前节点对应的故障诊断结果。基于这种实施方式，可智能化地对排水管网中的待监测的节点进行故障检测，降低了对人力的依赖，有利于高效、准确地对排水管网进行故障排查，从而有利于辅助排水管网的运维养护。
附图说明
[0008]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本申请一示例性实施例提供的一种排水管网的故障检测系统的结构示意
图；图2为本申请一示例性实施例提供的排水管网的故障检测算法的流程框图；图3为本申请一示例性实施例提供的一种排水管网的故障检测方法的流程示意图；图4为本申请一示例性实施例提供的一种服务器的结构示意图。
具体实施方式
[0009]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0010]随着城市化进程的加速，城市人口和人类活动的增加，导致现有的较低设计标准的地下排水管网系统运行负荷随之增大，排水管网出现异常的概率也随之增高。排水管网频繁出现异常，将引发城市运行安全和环境问题。目前，通常是在排水管网出现问题后再通过人工进行故障排查以及维修等，这种方式一方面实时性较差，且难以处理广域范围内的管网问题，另一方面也无法降低排水管网故障造成的不良影响。
[0011]针对上述技术问题，本申请的一些示例性实施例提供了一种解决方案，以下部分将结合附图进行详细说明。
[0012]图1为本申请一示例性实施例提供的一种排水管网的故障检测系的结构示意图，如图1所示，排水管网故障检测系统100主要包括：物联网设备10以及服务器20。其中，物联网设备10的数量可以为多个，可分别安装在排水管网中的多个待监测的节点（即监测节点），每个监测节点可安装一个或者多个物联网设备。
[0013]其中，该物联网设备10可实现为用于检测液位的液位传感器，包括但不限于接触式液位传感器（例如压力传感器）以及非接触式液位传感器（超声波液位变送器，雷达液位变送器）、双探头混合传感器（压力+超声波）中的至少一种，本实施例不做限制。
[0014]在本实施例中，物联网设备10主要用于采集其所在监测节点的液位数据，并通过物联网上传至服务器20。其中，物联网设备10可按照设定的采集频率采集节点的液位数据，也可在节点的液位变化超出指定范围时采集液位数据，本实施例不做限制。
[0015]其中，服务器20可实现为常规服务器设备或云服务器设备，本实施例不做限制。在一些实施例中，为便于进行分布式计算，服务器20可实现为位于云平台中的云服务器。基于云服器可对排水管故障检测算法进行容器化部署，从而实现分布式并行计算。
[0016]在本实施例中，服务器20主要用于接收物联网设备10发送的液位数据，并根据接收到的液位数据对排水管网的故障状态进行检测。
[0017]在一些实施例中，服务器20接收到物联网设备10发送的液位数据之后，为便于后续计算，可对接收到的液位数据进行数据清洗、过滤等预处理操作，从而得到规范的液位时间序列。液位时间序列是指将液位值按照其对应的检测时间先后顺序进行排列得到的数列。在每次进行故障检测时，服务器20可采用滑动窗口从预处理后的液位时间序列中选取部分时间段内的液位时间序列参与计算。
[0018]排水管网包括多个待监测的节点，服务器20可根据在每个节点采集到的液位时间
序列对每个节点的故障状态进行检测。以下将以待监测的任一节点（即下文的当前节点）为例进行示例性说明。
[0019]以当前节点为例，当前节点安装的物联网设备可采集得到当前节点的液位时间序列。为便于描述和区分，将当前节点的液位时间序列描述为第一液位时间序列。
[0020]服务器20获取排水管网中的当前节点的第一液位时间序列后，可根据第一液位时间序列进行异常类型识别，得到当前节点的异常事件类型。其中，异常事件是指未知的反常状态的事件，可认为是一种疑似故障；排水管网中的异常事件可以有多种类型，例如疑似淤堵的类型、疑似突发堵塞的类型、疑似漏水的类型等等。在本实施例中，采用异常事件类型来描述识别到的异常事件的类型。
[0021]其中，根据液位时间序列进行异常类型识别时，服务器20可基于无监督学习的算法执行异常类型识别，也可基于有监督学习的算法执行异常类型识别，本实施例不做限制。
[0022]当服务器20识别出当前节点的异常事件类型时，可认为当前节点存在该类型的疑似故障。为进一步对疑似故障进行诊断，服务器20可采用与异常事件类型对应的故障诊断算法，对第一液位时间序列以及当前节点的邻居节点对应的液位时间序列进行水力特征匹配，得到当前节点对应的故障诊断结果。其中，该邻居节点的液位时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种排水管网的故障检测方法，其特征在于，包括：获取在排水管网中的当前节点采集到的第一液位时间序列；根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型；采用与所述异常事件类型对应的故障诊断算法，对所述第一液位时间序列以及所述当前节点的邻居节点的液位时间序列进行水力特征匹配，得到所述当前节点对应的故障诊断结果；所述邻居节点的液位时间序列包括：所述当前节点的上游节点对应的第二液位时间序列，和/或，所述当前节点的下游节点对应的第三液位时间序列。2.根据权利要求1所述的方法，其特征在于，得到所述当前节点的故障识别结果之后，还包括：若所述故障诊断结果指示所述当前节点与所述下游节点之间的管道存在故障，则通过所述排水管网的水动力模型，对所述当前节点以及所述下游节点之间的管道进行故障假定计算，以确定所述当前节点与所述下游节点之间的故障管道；将所述故障管道的信息发送至指定的终端设备，以进行故障提示。3.根据权利要求1所述的方法，其特征在于，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型，包括：对所述第一液位时间序列进行拐点检测；若从所述第一液位时间序列中检测到拐点，则确定所述当前节点对应的异常事件型为突发管道堵塞类型。4.根据权利要求3所述的方法，其特征在于，对所述第一液位时间序列进行拐点检测，包括：将所述第一液位时间序列划分为多个子序列；计算所述第一液位时间序列的损失函数以及所述多个子序列各自的损失函数；根据所述第一液位时间序列的损失函数与所述多个子序列各自的损失函数的差值，计算所述多个子序列的信号差异；若所述子序列的信号差异大于设定惩罚值，则确定所述第一液位时间序列中存在拐点。5.根据权利要求1所述的方法，其特征在于，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型，包括：对所述第一液位时间序列进行时序分解，得到所述当前节点的液位趋势；若所述当前节点的液位趋势呈持续上涨趋势，则确定所述当前节点的异常事件类型为长期淤堵类型。6.根据权利要求5所述的方法，其特征在于，确定所述当前节点的异常事件类型为长期淤堵类型之后，还包括：根据所述当前节点的液位的上涨趋势变化量与管径的比例，确定所述当前节点对应的淤堵等级。7.根据权利要求1所述的方法，其特征在于，根据所述第一液位时间序列进行异常类型识别，得到所述当前节点的异常事件类型，包括：将所述第一液位时间序列以及所述第三液位时间序列输入深度学习模型；基于深度学习模型，对所述第一液位时间序列以及所述第三液位时间序列进行特征提
取；根据所述提取到的特征，计算所述当前节点以及所述下游节点之间的管道属于至少一种异常事件类型的概率；所述至少一种异常事件类型包括：突发堵塞事件以及不同等级的长期淤堵事件中的至少一种；根据所述当前节点以及所述下游节点之间的管...

【专利技术属性】
技术研发人员：谢娟，吴叶俊，
申请(专利权)人：阿里云计算有限公司，
类型：发明
国别省市：