一种污水管道防堵塞测量方法及其测量系统与流程

1.本发明涉及防堵塞测量技术领域，具体涉及一种污水管道防堵塞测量方法及其测量系统。


背景技术：

2.楼宇污水管道大多是隐蔽工程，随着时间的推移，楼宇污水管道壁附着力增大、杂物淤积、房屋沉降等原因，造成楼宇污水管道经常出现堵塞、反水的问题，轻则要采用人工或机械进行疏通，且在原因不明以及经过人工或机械疏通后还不能解决的情况下，必须对楼宇排污系统进行重新改造，这不仅会影响居民的正常生活秩序，破坏原有的园林景观绿化等，甚至会产生不必要的纠纷。


技术实现要素：

3.针对上述现有技术的不足，本发明提供了一种污水管道防堵塞测量方法及其测量系统，为楼宇污水管道的堵塞提供预测性维护，解决了楼宇污水管道堵塞发现不及时的问题。
4.为实现上述目的，本发明所采用的技术方案为：
5.提供一种污水管道防堵塞测量方法，其特征在于，包括以下步骤：
6.s1：接收传感器节点采集的楼宇污水管道内流体通过时管道内流体的介电常数；
7.s2：将实时采集的介电常数输入神经网络分析模块，计算出表示管道内流体流动状态的实时状态数据；
8.s3：将预设时间段内的若干历史状态数据输入神经网络预测模块，预测出管道内流体未来设定时间内发生堵塞的概率；
9.s4：将实时状态数据和预测结果发送给客户端。
10.提供一种污水管道防堵塞测量系统，其包括传感器节点、神经网络分析模块和云计算平台，传感器节点用于实时采集楼宇污水管道内流体通过时的介电常数，并发送给神经网络分析模块，神经网络分析模块用于对实时采集的介电常数进行分析和推理，并得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；云计算平台包含数据库、神经网络预测模块和api接口，数据库用于存放接收到的实时状态数据，神经网络预测模块用于对数据库内的预设时间段内的若干历史状态数据进行分析和推理，并预测出管道内流体未来设定时间内发生堵塞的概率，api接口用于实时状态数据和预测结果发送给客户端。
11.进一步地，神经网络分析模块和神经网络预测模块均包括卷积层、循环神经层和全连接层，卷积层用于将实时采集的介电常数或历史状态数据映射到隐层特征空间，循环神经层用于将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，并得出当前时间管道的实时状态数据或未来设定时间内管道发生堵塞的概率。
12.本发明的有益效果为：本发明通过传感器节点获取测量数据，并通过神经网络分
析模块分析出管道内流体的实时状态数据，同时神经网络预测模块可根据一段时间内累计的历史数据，预测楼宇污水管道未来的堵塞情况，输出堵塞的报警信息或预警信息值客户端，并通过传感器节点给出定位，实现自动实时监测区域内各楼栋每个单元的污水管道，完善了智慧城市的楼宇污水管道数据信息，其自动化程度高，实用性强。
附图说明
13.图1为本方案的的污水管道防堵塞测量系统的组成图。
具体实施方式
14.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
15.如图1所示，本方案的污水管道防堵塞测量系统包括传感器节点、神经网络分析模块和云计算平台，传感器节点用于实时采集楼宇污水管道内流体通过时的介电常数，并发送给神经网络分析模块，神经网络分析模块用于对实时采集的介电常数进行分析和推理，并得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；云计算平台包含数据库、神经网络预测模块和api接口，数据库用于存放接收到的实时状态数据，神经网络预测模块用于对数据库内的预设时间段内的若干历史状态数据进行分析和推理，并预测出管道内流体未来设定时间内发生堵塞的概率，api接口用于实时状态数据和预测结果发送给客户端。
16.神经网络分析模块和神经网络预测模块均包括卷积层、循环神经层和全连接层，卷积层用于将实时采集的介电常数或历史状态数据映射到隐层特征空间，循环神经层用于将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，并得出当前时间管道的实时状态数据或未来设定时间内管道发生堵塞的概率。
17.提供一种污水管道防堵塞测量系统的测量方法，其包括以下步骤：
18.s1：传感器节点通过高精度电容测量技术实时采集楼宇污水管道内流体通过时的介电常数，即电容值，并将实时采集的介电常数传递给神经网络分析模块；
19.s2：神经网络分析模块通过卷积层、循环神经层和全连接层对实时采集的介电常数进行逐层分析和推理，卷积层将实时采集的介电常数映射到隐层特征空间，循环神经层将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，最终得出表示管道内流体堵塞情况的实时状态数据，并传递给云计算平台；
20.s3：云计算平台通过数据库将接收到的实时状态数据进行存放后，并将预设时间段内的历史数据传递给神经网络预测模块；
21.s4：神经网络预测模块通过卷积层、循环神经层和全连接层对预设时间段内的历史数据进行进一步的逐层分析和推理，卷积层将历史数据映射到隐层特征空间，循环神经层将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循
环神经层提取出的特征值进行线性回归，预测出管道内流体未来设定时间内发生堵塞的概率；
22.s5：云计算平台通过api接口将实时状态数据和预测结果推送至客户端。
23.其中神经网络分析模块的训练方法为：
24.s11：获取历史介电常数数据，将历史介电常数数据序列分为正常值、预警值和报警值，并进行标注；
25.s12：将标注后的数据分为训练集和验证集；
26.s13：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络分析模块进行训练；
27.s14：采用验证集数据对训练完成后的神经网络分析模块进行验证；
28.s15：若验证成功，则训练完成；若验证失败，则重复步骤s11，直至验证成功。
29.其中神经网络预测模块的训练方法为：
30.s21：获取历史状态数据序列，将历史状态数据序列分为正常值、预警值和报警值，并进行标注；
31.s22：将标注后的数据分为训练集和验证集；
32.s23：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络预测模块进行训练；
33.s24：采用验证集数据对训练完成后的神经网络预测模块进行验证；
34.s25：若验证成功，则训练完成；若验证失败，则重复步骤s21，直至验证成功。
35.其中步骤s13和s23中误差最小的判断准则公式为：
[0036][0037]
其中，x为神经网络分析模块或神经网络预测模块中输出的运算结果，t为历史介电常数数据或历史状态数据序列的验证集标注数据，x与t均为n维向量。
[0038]
具体实施时，本方案优选卷积层的网络模型为：
[0039][0040]
其中，*为卷积运算符，input为归一化后实时采集的介电常数或历史状态数据，weig ts为卷积核权重，bias为输出偏移；(ni,c
in
,l)为输入张量尺寸，(ni,c
out
,l)为输出张量尺寸，ni为处理批次数，c
in
为传感器输出信号通道数，c
out
为网络输出通道数，l为处理信号序列长度，out1为网络输出，即隐层特征空间的特征序列。
[0041]
本方案优选循环神经层的网络模型为：
[0042]ht
＝f(wi*out1+bi+w*
(t-1)
+b)
[0043]
其中h
t
为t时刻的特征序列的特征值，w
ih
为输入权重矩阵，w
hh
为状态转移矩阵，h
(t-1)
为t-1时刻的网络状态，b
ih
和b
hh
均为偏移量，out1为卷积层的输出张量，f为神经网络的激活函数。
[0044]
本方案优选全连接层的网络模型为：
[0045]
y＝f(h
t
*a
t
+b)
[0046]
其中，h
t
为循环神经层的输出张量，a
t
为权重矩阵，b为偏移量，f为神经网络的激活函数，y为神经网络回归线性的运算输出结果，即当前时间管道的状态数据或未来设定时间内管道发生堵塞的概率。
[0047]
本方案优选传感器节点采用电容传感器极板，其工作原理为：目标物体和传感器极板构成了振荡电路。当目标物体成分、容量发生变化时，极板间电容出现变化改变振荡电路工作频率，通过测量振荡电路工作频率推算目标物体成分和容量。
[0048]
综上所述，本方案的污水管道防堵塞测量方法及其测量系统可实现实时在线监测楼宇污水管道内流体的堵塞情况，完善了智慧城市的楼宇污水管道数据信息。