【技术实现步骤摘要】
本申请涉及管道检测技术，尤其涉及一种管道漏损检测方法、装置、电子设备及存储介质。
技术介绍
1、目前，供水管网中存在的水管泄露问题(例如，跑水、冒水、滴水、漏水)造成了大量的水资源浪费和经济损失，甚至还会对人民的生命健康产生不利影响，因此，如何对管道泄漏进行准确检测和定位具有重要的社会意义和经济价值。
2、目前管道泄漏检测主要分为基于硬件和基于软件的方法。
3、基于硬件的方法主要依靠硬件设备，如光纤传感、探地雷达、内窥机器人等。但是，基于硬件的方法，硬件设备成本居高不下，并且在安装、部署等方面还存在诸多限制。
4、基于软件的方法目前广泛使用的是瞬变流分析的方法。但是，瞬变流分析由于比较依赖于目标管道系统或者模型的先验信息，而这类信息较难以完整获取，限制了此类方法的实际应用。
5、随着计算能力的提升和深度学习技术的快速发展，基于数据驱动的管道泄漏检测与定位算法得到了广泛研究和应用，成为目前解决漏损检测问题的主要技术趋势。但是，基于数据驱动的管道泄漏检测目前在检测精度等方面还有大量的提升空间。
技术实现思路
1、本申请提供一种管道漏损检测方法、装置、电子设备及存储介质，用以解决相关技术中的管道泄漏检测方案存在检测精度低下，导致水资源浪费和经济损失的问题，实现提升管道泄漏检测的检测精度，以避免水资源浪费和经济损失的技术效果。
2、一方面，本申请提供一种管道漏损检测方法，所述方法包括：
3、获取待检测管道在多种不同泄漏
4、对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列；
5、将多个所述管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个所述管道漏损数据各自对应的特征抽取结果；
6、将多个所述管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果。
7、一种可选的实施方式中，
8、所述管道漏损检测模型至少采用如下训练样本训练得到：多个样本管道漏损数据对应的样本特征抽取结果，以及所述样本特征抽取结果对应的样本管道漏损检测结果；
9、所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果，包括如下至少之一：是否产生泄漏和/或损坏、泄漏位置、泄漏量和摩阻系数，其中，所述泄漏位置、泄漏量和摩阻系数是由所述管道漏损检测模型中的多层感知机预测得到的。
10、一种可选的实施方式中，所述对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
11、对多个所述管道漏损数据中各自的时间变化序列，进行快递傅里叶变换，得到多个所述管道漏损数据各自的快递傅里叶变换结果；
12、根据所述多个所述管道漏损数据各自的快递傅里叶变换结果，确定所述多个所述管道漏损数据各自的功率谱图；
13、根据所述多个所述管道漏损数据各自的功率谱图，对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列。
14、一种可选的实施方式中，根据所述多个所述管道漏损数据各自的功率谱图，对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
15、确定多个所述管道漏损数据各自的功率谱图上的功率值；
16、对多个所述管道漏损数据各自的功率谱图上的功率值，分别进行排序处理，以基于排序结果选取多个所述管道漏损数据各自对应的n个频率；
17、基于多个所述管道漏损数据各自对应的n个频率，对多个所述管道漏损数据中各自的时间变化序列进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，其中，每个所述分段时间序列以一个所述频率为主导。
18、另一方面，本申请提供一种管道漏损检测模型的训练方法，所述方法包括：
19、确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果；
20、对多个所述样本管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述样本管道漏损数据各自对应的样本分段时间序列；
21、将多个所述样本管道漏损数据各自对应的样本分段时间序列，分别进行特征学习处理，对应得到多个所述样本管道漏损数据各自对应的样本特征抽取结果；
22、基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到所述管道漏损检测模型。
23、一种可选的实施方式中，确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果，包括：
24、通过对所述样本管道的管道末端阀门处的瞬变压力波的衰减和畸变过程进行模拟，以构建得到所述样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果。
25、一种可选的实施方式中，基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到所述管道漏损检测模型，包括：
26、基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，构造得到训练集、测试集和验证集；
27、采用误差反向传播算法，基于所述训练集对所述初始神经网络模型进行迭代训练，以确定所述管道漏损检测模型的各个参数值；
28、在迭代训练过程中，基于所述验证集评估所述管道漏损检测模型的性能，以根据过程性能评估结果对所述管道漏损检测模型进行调整；
29、在迭代训练结束后，基于所述测试集评估所述管道漏损检测模型的性能，得到所述管道漏损检测模型的最终性能评估结果。
30、另一方面，本申请提供一种管道漏损检测装置，所述装置包括：
31、获取模块，用于获取待检测管道在多种不同泄漏情况下对应的多个管道漏损数据；
32、第一处理模块，用于对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列；
33、第二处理模块，用于将多个所述管道漏损数据各自对应的分段时间序列，分别进行特征学习处理，对应得到多个所述管道漏损数据各自对应的特征抽取结果；
34、确定模块，用于将多个所述管道漏损数据各自对应的特征抽取结果，输入预先训练得到的管道漏损检测模型，以得到所述管道漏损检测模型输出的多个所述管道漏损数据各自对应的管道漏损检测结果，其中，所述管道漏损检测模型的训练样本至少包括本文档来自技高网...
【技术保护点】
1.一种管道漏损检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，所述对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
4.根据权利要求3所述的方法，其特征在于，根据所述多个所述管道漏损数据各自的功率谱图，对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
5.一种管道漏损检测模型的训练方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，确定样本管道在多种不同泄漏情况下的多个样本管道漏损数据和样本管道漏损检测结果，包括：
7.根据权利要求5所述的方法，其特征在于，基于多个样本管道漏损数据对应的样本特征抽取结果和所述样本管道漏损检测结果，对初始神经网络模型进行迭代训练，得到所述管道漏损检测模型，包括：
8.一种管道漏损检测装置，其特征在于，
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器连接的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6中任一项所述的管道漏损检测方法，或者权利要求5至7中任一项所述的管道漏损检测模型的训练方法。
...【技术特征摘要】
1.一种管道漏损检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，所述对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
4.根据权利要求3所述的方法，其特征在于，根据所述多个所述管道漏损数据各自的功率谱图，对多个所述管道漏损数据中各自的时间变化序列，分别进行分时多频谱数据分割处理，以得到多个所述管道漏损数据各自对应的分段时间序列，包括：
5.一种管道漏损检测模型的训练方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，确定样本管...
【专利技术属性】
技术研发人员：林恩，张延武，郑超，王超，靳慧斌，
申请(专利权)人：金卡水务科技有限公司，
类型：发明
国别省市：
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。