【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...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。