基于智能学习的管道泄漏监测方法与流程

本发明属于管道监测，特别是涉及一种基于智能学习的管道泄漏监测方法。

背景技术：

1、对于管道泄漏监测技术，现有的技术手段基本上是采用对管道压力和流量的监测来查看管道压力和流量是否发生变化，一般情况下，管道内的介质都是在相对恒定的压力和流量下输送，一旦发生泄漏，则管道内的压力和流量就会发生变化，此时，通过分析流量和压力的相对变化，就能知道管道是否发生泄漏。这种方法对于漏点明显的监测点具有很好的监测作用，但是，当管道发生滴漏时，这种方案并不能有效的获取漏点。

技术实现思路

1、有鉴于此，本发明的主要目的在于提供一种基于智能学习的管道泄漏监测方法。

2、发明采用的技术方案如下：

3、基于智能学习的管道泄漏监测方法，包括如下步骤：

4、在待测管道的前后两端分别设置压力传感器和流量传感器；

5、通过采集及追踪模块分别对待测管道前后两端的压力信号和流量信号进行实时采样，并保持对压力信号和流量信号在缓存单元中进行以采样时间作为参照的连续性缓存，当采样区间达到设定范围后，分别将连续性缓存的压力信号和流量信号导入存储模块进行贴标存储；

6、将处理模块耦合至存储模块，设定存储模块的时间基准与处理模块同步，跨两个及以上的采样区间加载贴标存储的压力信号和流量信号形成管道压力反应的压力特征曲线和管道介质流量反应的流量特征曲线；

7、通过数据变换网络分别对所述压力特征曲线和所述流量特征曲线按照设定的放大倍数进行多维放大，得到多个维度的压力放大曲线和多个维度的流量放大曲线；

8、将多个维度的压力放大曲线和多个维度的流量放大曲线分别对应的输入压力分析模型和流量分析模型，通过压力分析模型获取每一维度中压力放大曲线的压力尖峰分布，并对跨多个维度的压力尖峰分布进行多级判断并推定，以确定管道压力是否出现异常；通过流量分析模型分别获取每一维度中流量放大曲线的流量尖峰分布，并对跨多个维度的流量尖峰分布进行多级判断并推定，以确定管道流量是否出现异常。

9、进一步地，将管道均匀的划分为若干段待测管道，将每一段待测管道进行标定，得到标定码，并将待测管道的前后两端分别设置的压力传感器和流量传感器以所述标定码建立独立的传输路径连接到中继器；

10、在所述中继器中依据所述传输路径构建多个缓存单元，所述缓存单元在中继器内设置的采集及追踪模块发出的采集指令下分别对待测管道前后两端的压力信号和流量信号进行实时采样，并保持对压力信号和流量信号在缓存单元中进行以采样时间作为参照的连续性缓存。

11、进一步地，所述中继器连接至数据服务器；

12、并设定中继器的第一时钟芯片与数据服务器内的第二时钟芯片的时间基准一致，使得设置在数据服务器内的存储模块、处理模块和中继器中的缓存单元具有相同的时钟基准。

13、进一步地，所述数据变换网络具有：

14、可编程控制器以及以可编程控制器为运行载体的变换程序；

15、所述可编程控制器通过设定变换程序中的变换参数对所述压力特征曲线和/或所述流量特征曲线进行多维放大。

16、进一步地，所述变换程序中设置有阶梯型设定的变换参数，每一变换参数用于控制变换程序的一种变换模式，且对应的，每一种变换模式表示为由若干个放大器串联组成的变换单元，多个变换模式对应的变换单元构成并列的放大网络，其中，多个变换单元耦合至融合单元中，所述融合单元用于将多个变换单元得到的所述压力特征曲线和/或所述流量特征曲线以时间作为参照进行同步输出。

17、进一步地，所述压力分析模型具有：

18、第一逻辑控制单元，所述第一逻辑控制单元具有第一逻辑控制器，该第一逻辑控制器耦合至多个变换单元，所述第一逻辑控制器用于根据变换单元对应的设置多个第一同步控制线程；

19、多个第一捕捉单元，每一个第一捕捉单元用于对应一个第一同步控制线程，在第一逻辑控制器的控制下通过第一同步控制线程获取同步输出的多个所述压力特征曲线对应的压力尖峰分布和对应的尖峰宽度；

20、压力推定部，用于推定同步输出的多个所述压力特征曲线对应的压力尖峰分布和对应的尖峰宽度是否在对应第一设定阈值之内，若均在，则说明管道压力未出现异常，若两个及以上的压力特征曲线对应的压力尖峰分布和对应的尖峰宽度不在对应第一设定阈值之内，则说明管道压力异常。

21、进一步地，所述压力推定部具有多个并列设置的压力推定单元，且每一压力推定单元用于根据对应的压力特征曲线的压力尖峰分布和尖峰宽度与对应第一设定阈值进行比较，以判断是否超出第一设定阈值。

22、进一步地，所述流量分析模型具有：

23、第二逻辑控制单元，所述第二逻辑控制单元具有第二逻辑控制器，该第二逻辑控制器耦合多个变换单元，所述第二逻辑控制器用于根据变换单元对应的设置多个第二同步控制线程；

24、多个第二捕捉单元，每一个第二捕捉单元用于对应一个第二同步控制线程，在第二逻辑控制器的控制下通过第二同步控制线程获取同步输出的多个所述流量特征曲线对应的流量尖峰分布和对应的尖峰宽度；

25、流量推定部，用于推定同步输出的多个所述流量特征曲线对应的流量尖峰分布和对应的尖峰宽度是否在对应第二设定阈值之内，若均在，则说明管道流量未出现异常，若至少两个及以上流量特征曲线对应的流量尖峰分布和对应的尖峰宽度不在对应第二设定阈值之内，则说明管道压力异常。

26、进一步地，所述流量推定部具有多个并列设置的流量推定单元，且每一流量推定单元用于根据对应的流量特征曲线的流量尖峰分布和尖峰宽度与对应第二设定阈值进行比较，以判断是否超出第二设定阈值。

27、本申请通过将管道划分为若干段待测管道，并监测每一段待测管道流量和压力的数据变化，精确根据压力和流量的数据变化来分析待测管道是否发生异常，能够快速的判断出待测管道的位置。

28、本申请在进行流量信号或者压力信号处理时，采用跨多个采样区间的压力信号和流量信号形成管道压力反应的压力特征曲线和管道介质流量反应的流量特征曲线，且通过数据变换网络分别对所述压力特征曲线和所述流量特征曲线按照设定的放大倍数进行多维放大，得到多个维度的压力放大曲线和多个维度的流量放大曲线，通过对所述压力特征曲线和所述流量特征曲线进行多维放大，能够分析出压力和流量的微小变化。

技术特征：

1.基于智能学习的管道泄漏监测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于智能学习的管道泄漏监测方法，其特征在于，将管道均匀的划分为若干段待测管道，将每一段待测管道进行标定，得到标定码，并将待测管道的前后两端分别设置的压力传感器和流量传感器以所述标定码建立独立的传输路径连接到中继器；

3.根据权利要求2所述的基于智能学习的管道泄漏监测方法，其特征在于，所述中继器连接至数据服务器；

4.根据权利要求1所述的基于智能学习的管道泄漏监测方法，其特征在于，所述数据变换网络具有：

5.根据权利要求4所述的基于智能学习的管道泄漏监测方法，其特征在于，所述变换程序中设置有阶梯型设定的变换参数，每一变换参数用于控制变换程序的一种变换模式，且对应的，每一种变换模式表示为由若干个放大器串联组成的变换单元，多个变换模式对应的变换单元构成并列的放大网络，其中，多个变换单元耦合至融合单元中，所述融合单元用于将多个变换单元得到的所述压力特征曲线和/或所述流量特征曲线以时间作为参照进行同步输出。

6.根据权利要求1所述的基于智能学习的管道泄漏监测方法，其特征在于，所述压力分析模型具有：

7.根据权利要求6所述的基于智能学习的管道泄漏监测方法，其特征在于，所述压力推定部具有多个并列设置的压力推定单元，且每一压力推定单元用于根据对应的压力特征曲线的压力尖峰分布和尖峰宽度与对应第一设定阈值值进行比较，以判断是否超出第一设定阈值。

8.根据权利要求1所述的基于智能学习的管道泄漏监测方法，其特征在于，所述流量分析模型具有：

9.根据权利要求8所述的基于智能学习的管道泄漏监测方法，其特征在于，所述流量推定部具有多个并列设置的流量推定单元，且每一流量推定单元用于根据对应的流量特征曲线的流量尖峰分布和尖峰宽度与对应第二设定阈值进行比较，以判断是否超出第二设定阈值。

技术总结本发明属于管道监测技术领域，提供了一种基于智能学习的管道泄漏监测方法，包括如下步骤：在待测管道的前后两端分别设置压力传感器和流量传感器；通过采集及追踪模块分别对待测管道的前后两端的压力信号和流量信号进行实时采样，跨两个及以上的采样区间加载贴标存储的压力信号和流量信号形成管道压力反应的压力特征曲线和管道介质流量反应的流量特征曲线；通过数据变换网络分别对所述压力特征曲线和所述流量特征曲线按照设定的放大倍数进行多维放大，能够分析出压力和流量的微小变化。技术研发人员：吴庆涛,董孟,周红霞受保护的技术使用者：西安东方宏业科技股份有限公司技术研发日：技术公布日：2024/6/5