断丝预测模型构建和预应力钢筒混凝土管的断丝预测方法与流程

1.本发明涉及大数据分析技术领域，具体涉及一种断丝预测模型构建和预应力钢筒混凝土管的断丝预测方法。


背景技术：

2.随着经济的快速发展和城市化的加速推进，城市供水需求不断加大，与此同时，为保证城市中的水资源供给，城市的供水管网系统也越来越庞大。城市居民生活的供水安全与城市的供水管网系统有着密切关联。由于预应力钢筒混凝土管(pccp)其公道的复合结构、承受内外压较高、接头密封性好、抗震能力强和施工方便快捷等特性，广泛应用于长间隔输水干线和城市供水工程。但pccp管道随着使用年限增加，会出现断丝等风险，需定期检测断丝情况，及时采取措施。一旦不能及时察觉和维修造成的损失难以估量，不仅难以保障城市的用水安全，并可能会对供水管道沿线居民生活和当地生态环境造成巨大影响。
3.目前对于pccp管道断丝的研究与应用主要集中在pccp监测和断丝检测等相关方面，当管道发生断丝后，通过相关检测设备及时确定断丝位置，然后对断丝管道进行维护，更多的是在检测原理上的研究，缺少对于断丝发生前的提前预测。


技术实现要素：

4.因此，本发明要解决的技术问题在于克服现有检测方法缺少对于断丝发生前的提前预测的缺陷，从而提供一种断丝预测模型构建和预应力钢筒混凝土管的断丝预测方法、装置及电子设备。
5.根据第一方面，本发明实施例公开了一种断丝预测模型构建方法，包括：获取预应力钢筒混凝土管中发生断丝的多个目标管节的历史断丝数据，所述历史断丝数据包括发生断丝的目标管节的使用时长、断丝时间以及位置信息；根据所述多个目标管节的位置信息对所述多个目标管节进行分段处理并根据每一管段中包含的目标管节对应的断丝时间进行断丝数据统计得到每一管段对应的断丝数据统计结果，所述断丝数据统计结果包括每一管段对应的位置信息、包含的目标管节的断丝时间、使用时长以及断丝数量；根据所述断丝数据统计结果对预设模型进行训练直至满足预设训练条件，得到预应力钢筒混凝土管的断丝预测模型。
6.本发明提供的断丝预测模型构建方法，通过对获取到的多个目标管节的历史断丝数据进行统计得到每一管段对应的断丝数据统计结果，利用每一管段对应的断丝数据统计结果对预设模型进行训练，得到断丝预测模型，利用该断丝预测模型可以实现对预应力钢筒混凝土管的断丝数量的预测，后续可以利用该断丝预测模型预测的预应力钢筒混凝土管的断丝数量对发生断丝的管节进行提前干预。
7.可选地，所述根据所述断丝数据统计结果对预设模型进行训练直至满足预设训练条件，得到预应力钢筒混凝土管的断丝预测模型，包括：采用预设插值法对断丝数据统计结果进行扩充处理，得到扩充数据；利用所述扩充数据对所述预测模型进行训练。
8.通过上述方法，将断丝数据统计结果进行扩充处理，得到的扩充数据的数据特征更具有普适性，且更满足训练预设模型时对数据量的要求。
9.可选地，所述预设插值法包括三次插值法。
10.采用三次插值法对断丝数据统计结果进行扩充，得到的扩充数据可以产生整体上光滑的曲线。由于容易产生较剧烈的波动，使得曲线的最高点比最高的节点还高，曲线的最低点比最低的节点还低，达到扩充后的数据相互独立，接近真实的数据情况。
11.可选地，所述预设模型包括宽度回声状态网络模型。
12.宽度回声状态是由宽度学习系统结合回声状态网络而成，具有宽度学习增量算法的优势，对于因新增训练数据或新增隐藏层节点而变化的权重，宽度回声网络可以快速地利用这些数据更新原有的模型，从而学习到更接近实际的规律。
13.根据第二方面，本发明实施例还公开了一种预应力钢筒混凝土管的断丝预测方法，包括：获取待预测预应力钢筒混凝土管段的使用数据，所述使用数据包括所述管段所处位置信息以及包含的目标管节的起始使用时间；将所述使用数据输入到利用如第一方面或第一方面任一可选实施方式所述的断丝预测模型构建方法构建得到的预应力钢筒混凝土管的断丝预测模型；根据所述断丝预测模型的输出结果确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量。
14.本发明提供的预应力钢筒混凝土管的断丝预测方法，通过将获取到的预应力钢筒混凝土管段的使用数据输入到预应力钢筒混凝土管的断丝预测模型中，根据输出结果确定待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量，实现了对预应力钢筒混凝土管的断丝预测，改变了断丝监测在检测原理上的研究，实现断丝的自动精准预测，更容易满足城市供水需求。
15.可选地，根据所述断丝预测模型的输出结果确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量之后，所述方法还包括：根据回归模型评价指标对所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量进行评价，确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量对应的误差值。
16.通过上述方法，确定了待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量对应的误差值，便于对预测结果的准确性进行评价。
17.根据第三方面，本发明实施例还公开了一种断丝预测模型构建装置，包括：第一获取模块，用于获取预应力钢筒混凝土管中发生断丝的多个目标管节的历史断丝数据，所述历史断丝数据包括发生断丝的目标管节的使用时长、断丝时间以及位置信息；确定模块，用于根据所述多个目标管节的位置信息对所述多个目标管节进行分段处理并根据每一管段中包含的目标管节对应的断丝时间进行断丝数据统计得到每一管段对应的断丝数据统计结果，所述断丝数据统计结果包括每一管段对应的位置信息、包含的目标管节的断丝时间、使用时长以及断丝数量；训练模块，用于根据所述断丝数据统计结果对预设模型进行训练直至满足预设训练条件，得到预应力钢筒混凝土管的断丝预测模型。
18.根据第四方面，本发明实施例还公开了一种预应力钢筒混凝土管的断丝预测装置，包括：第二获取模块，用于获取待预测预应力钢筒混凝土管段的使用数据，所述使用数据包括所述管段所处位置信息以及包含的目标管节的起始使用时间；预测模块，用于将所述使用数据输入到利用如第一方面或第一方面任一可选实施方式所述的断丝预测模型构
建方法构建得到的预应力钢筒混凝土管的断丝预测模型；输出模块，根据所述断丝预测模型的输出结果确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量。
19.根据第五方面，本发明实施例还公开了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面或第一方面任一可选实施方式所述的断丝预测模型构建方法的步骤，或者执行如第二方面或第二方面任一可选实施方式所述的预应力钢筒混凝土管的断丝预测方法的步骤。
20.根据第六方面，本发明实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式所述的断丝预测模型构建方法的步骤，或者实现如第二方面或第二方面任一可选实施方式所述的预应力钢筒混凝土管的断丝预测方法的步骤。
附图说明
21.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本发明实施例中断丝预测模型构建方法的一个具体示例的流程图；
23.图2为本发明实施例中断丝预测模型构建方法的一个具体示例的示意图；
24.图3为本发明实施例中断丝预测模型构建方法的一个具体示例的示意图；
25.图4为本发明实施例中预应力钢筒混凝土管的断丝预测方法的一个具体示例的流程图；
26.图5为本发明实施例中预应力钢筒混凝土管的断丝预测方法的一个具体示例的示意图；
27.图6为本发明实施例中断丝预测模型构建装置的一个具体示例的原理框图；
28.图7为本发明实施例中预应力钢筒混凝土管的断丝预测装置的一个具体示例的原理框图；
29.图8为本发明实施例中电子设备的一个具体示例图。
具体实施方式
30.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
31.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
32.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
33.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
34.本发明实施例公开了一种预应力钢筒混凝土管的断丝预测方法，如图1所示，该方法包括如下步骤：
35.步骤101，获取预应力钢筒混凝土管中发生断丝的目标管节的历史断丝数据，所述历史断丝数据包括发生断丝的目标管节的使用时长、断丝时间以及位置信息。
36.示例性地，目标管节的预应力钢筒混凝土管(pccp)可以是任意管节的pccp管，目标管节的使用时长可以是目标管节从开始使用到该目标管节发生断丝的时间段，可以通过断丝检测设备确定pccp管断丝的位置和断丝的时间，目标管节的位置信息可以包括但不限于目标管节的地理位置信息和空间分布信息。本技术实施例中，由于pccp管节断丝的发生趋势跟所处环境的土壤、水质、水压以及该管节的使用时长等因素有关，当使用时长相同，且每个管节的长度较短，则相近的管节由于所处环境类似会具有相似的断丝发生趋势。pccp的管节编号表示管节的空间排布顺序，可以通过pccp管节编号来表征管节在的地理位置信息和空间分布信息。
37.步骤102，根据所述多个目标管节的位置信息对所述多个目标管节进行分段处理并根据每一管段中包含的目标管节对应的断丝时间进行断丝数据统计得到每一管段对应的断丝数据统计结果，所述断丝数据统计结果包括每一管段对应的位置信息、包含的目标管节的断丝时间、使用时长以及断丝数量。
38.示例性地，分段处理的过程可以包括但不限于根据目标管节的位置信息将目标管节中不同节数的管节划分为一个管段，本技术实施例中，相近管节由于所处环境类似而具有类似的断丝发生趋势，为了从空间分布上分析断丝规律，同时也为了增大数据量，分别按不同节数的管节为一段，并按预设时间段为单位汇总断丝数量，预设时间段可以包括但不限于一个月，以统计管节断丝数量的规律，例如，对58个管节分别按5个管节、3个管节和8个管节为一段划分，分别得到12段、19段、7段，共计38段的管段在每个月的断丝数据统计结果。
39.步骤103，根据所述断丝数据统计结果对预设模型进行训练直至满足预设训练条件，得到预应力钢筒混凝土管的断丝预测模型。
40.示例性地，本技术实施例对预设模型的类型不做限定，只要通过训练得到的预应力钢筒混凝土管的断丝预测模型可以有效、可靠地实现断丝预测即可，预设训练条件可以包括但不限于模型的训练参数(如损失值、训练次数)达到阈值。
41.本发明提供的预应力钢筒混凝土管的断丝预测方法，通过对获取到的目标管节的历史断丝数据进行统计得到每一管段对应的断丝数据统计结果，利用每一管段对应的断丝数据统计结果对预设模型进行训练，得到断丝预测模型，利用该断丝预测模型可以实现对预应力钢筒混凝土管的断丝数量的预测，后续可以利用该断丝预测模型预测的预应力钢筒
混凝土管的断丝数量对发生断丝的管节进行提前干预。
42.作为本发明一个可选实施方式，所述根据所述断丝数据统计结果对预设模型进行训练直至满足预设训练条件，得到预应力钢筒混凝土管的断丝预测模型，包括：采用预设插值法对断丝数据统计结果进行扩充处理，得到扩充数据；利用所述扩充数据对所述预测模型进行训练。
43.示例性地，本技术实施例对预设插值法的具体类型不做限定，只要能够有效、可靠地实现对断丝数据统计结果的扩充处理即可。将断丝数据统计结果进行扩充处理，得到的扩充数据的数据特征更具有普适性，且更满足训练预设模型时对数据量的要求。
44.作为本发明一个可选实施方式，所述预设插值法包括三次插值法。
45.示例性地，断丝数据统计结果是有限的，考虑预设模型对于数据量的要求以及数据特征的普适性，需要将断丝数据统计结果扩充到较大容量。获取到的历史断丝数据中，各个管节的数据都不会受到其它管节的影响，每一个管节的断丝数据都是独立的，所以断丝数据统计结果中各个管段之间的断丝数据也是独立的，所以不能采用每两个数据间均匀插入一定的数量的数据的方法对断丝数据统计结果进行扩充，因为新插入的数据不一定位于两个数据之间，为了使得扩充后的数据更接近真实的数据，所以采用三次插值法(cubic插值法)对断丝数据统计结果进行扩充处理。采用三次插值法对断丝数据统计结果进行扩充，得到的扩充数据可以产生整体上光滑的曲线。由于容易产生较剧烈的波动，使得曲线的最高点比最高的节点还高，曲线的最低点比最低的节点还低，达到扩充后的数据相互独立，接近真实的数据情况。
46.本技术实施例中，cubic插值方法就是求一个三次的方程，把已知的断丝数据统计结果对应的数据分为一个一个的小区间，再将数据拟合到曲线上去。假设共有n+1个数据，第一个数据为x0＝a，第n+1个数据为xn＝b，把数据区间[a，b]分为n个区间[x0，x1]，[x1，x2]，
……
[x
n-1
，xn]，三次样条函数方程定义如式(1)所示，其中ai、bi、ci以及di表示待定系数：
[0047]
yi＝ai+bix+cix2+dix3ꢀꢀ
(1)
[0048]
三次样条函数s(x)需满足以下三个条件：
[0049]
1、在每个分段小区间[xi，x
i+1
]上，s(x)＝si(x)是一个三次方程；
[0050]
2、满足插值条件：si(x)＝yi(i＝0，1，2...n)；
[0051]
3、s(x)的一阶、二阶导数存在且连续，使曲线光滑。
[0052]
由于数据区间端点已知且确定，则si(x)在区间两端点的一阶导数为边界值a和b，如公式(2)和公式(3)所示，同时还可列出si(x)、一阶导s
′i(x)和二阶导s
″i(x)，如公式(4)、公式(5)和公式(6)所示。
[0053]s′i(x)＝a
ꢀꢀ
(2)
[0054]s′i(xn)＝b
ꢀꢀ
(3)
[0055]
si(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3ꢀꢀ
(4)
[0056]s′i(x)＝bi+2ci(x-xi)+3di(x-xi)2ꢀꢀ
(5)
[0057]s″i(x)＝2ci+6di(x-xi)
ꢀꢀ
(6)
[0058]
通过上式的运算即可以计算出三次函数方程中的4个未知数ai、bi、ci以及di，从而可以插入数据将数据拟合到曲线。使用cubic插值方法扩充断丝数据统计结果，扩充后的数
据既可反映pccp管的断丝趋势规律，又可加大数据量以满足后续模型的训练需求。
[0059]
作为本发明一个可选实施方式，所述预设模型包括宽度回声状态网络模型。
[0060]
示例性地，宽度回声状态网络模型(besn)是由宽度学习系统结合回声状态网络模型(esn)结合而成，具有宽度学习增量算法的优势，对于因新增训练数据或新增隐藏层节点而变化的权重，宽度回声网络可以快速地利用这些数据更新原有的模型，从而学习到更接近实际的规律。本技术实施例中，基于扩充数据中管节的断丝时间和断丝数量的映射关系，建立besn网络模型，并对该模型进行训练。besn网络模型有输入层、映射层、强化层以及输出层组成，模型结构定义为：映射层神经元个数为n，强化层中esn单元个数为m，输入变量如式(7)所示，其中u(t)表示输入的变量，u1(t)，u2(t)，...，um(t)表示输入的共m组变量：
[0061]
u(t)＝[u1(t)，u2(t)，...，um(t)]
t
ꢀꢀ
(7)
[0062]
映射层的表达式如式(8)所述，其中，z1，z2，...，zn表示映射层中的n组映射节点，表达式与输入变量的形式相似：
[0063]
z＝[z1，z2，...，zn]
ꢀꢀ
(8)
[0064]
强化层的表达式如式(9)所示，其中，φi为线性或非线性激活函数，w
ei
与β
ei
分别是随机权重和偏置，zi为映射层中第i组映射节点：
[0065]
zi＝φi(xw
ei
+β
ei
)
ꢀꢀ
(9)
[0066]
将n组映射层节点拼接为zn＝[z1，z2，...，zn]，用hj表示含有r个神经元的第j组增强层节点，则有：
[0067]hj
＝ξj(znw
hi
+β
hj
)
ꢀꢀ
(10)
[0068]
式(10)中，ξj是非线性激活函数，w
hi
和β
hj
分别是随机权重和偏置，将m组增强节点拼接为hm＝[h1，h2，...，hm]，记作a＝[zn|hm]，a表示映射层节点和增强层节点的组合，besn网络模型的输出y如式(11)所示，其中，w
out
表示输出权值矩阵：
[0069]
y＝[z1，z2，...zn|h1，h2，...hm]w
out
＝[zn|hm]w
out
＝aw
out
ꢀꢀ
(11)
[0070]
由于w
ei
、β
ei
、w
hi
、β
hj
随机产生并在训练过程中保持不变，网络需要学习的权重只有输出权值wm。每一个样本输入到besn网络之后，先通过映射层通过全连接的学习方式，对原始数据进行训练学习，再将输出输入到强化层，强化层的每一个神经单元都是回声状态网络单元，每一个回声状态网络单元的储备池更新过程如式(12)所示，每一个回声状态网络单元的输出如式(13)所示，回声状态网络单元的输出权值矩阵计算如式(14)所示。
[0071]
x(t+1)＝(1-α)x(t)+αf(w
in
u(t)+wx(t))
ꢀꢀ
(12)
[0072]
y(t+1)＝g(w
out
x(t+1))
ꢀꢀ
(13)
[0073]wout
＝(x
t
x)-1
x
tyꢀꢀ
(14)
[0074]
式(12)、(13)、(14)中，x是储备池状态，y是回声状态网络的输出，w
in
是输入与储备池连接的权值矩阵，w是储备池内部的连接权值矩阵，w
out
是储备池与输出连接的权值矩阵，α是比例系数，f和g分别是储备池单元的激活函数和输出单元的激活函数，t表示断丝时间。第i个esn单元的所有状态构成hi，x表示储备池状态矩阵，y表示模型的真实输出。
[0075]
本技术实施例中，为了提升数据预测的精准度，将回声状态网络(esn)更改为宽度回声状态网络通过映射函数将输入数据生成第一特征映射节点，继而传输到第二特征节点，回声状态网络(esn)的网络图如图2所示，宽度回声状态网络模型(besn)的网络图如图3所示。依此类推，提取特征向量并进行特征稀疏化和非线性映射，再将输出输入到强化层，
强化层的每一个神经单元都是回声状态网络单元(esn)，回声状态网络中的储备池用来处理输入信息，多个强化层神经单元可以对输入强化层的信息进行并行处理，进而获得更加丰富的状态信息。输出层通过计算由储备池的状态与映射层输出数据的线性关系得到输出权重。网络训练过程通过映射层和强化层并行更新和记录状态信息，将时间序列数据的变化记录到映射层与强化层的状态信息之中，最后，通过输出层的线性拟合关系计算状态信息与真实输出之间的关系，得到输出权重，网络训练完成。
[0076]
本发明实施例还公开了一种预应力钢筒混凝土管的断丝预测方法，如图4所示，所述方法包括如下步骤：
[0077]
步骤201，获取待预测预应力钢筒混凝土管段的使用数据，所述使用数据包括所述管段所处位置信息以及包含的目标管节的起始使用时间。
[0078]
示例性地，待预测预应力钢筒混凝土管段可以是任一预测预应力钢筒混凝土管段，使用数据包括该管段的所处位置信息和起始使用时间，本技术实施例中，pccp管节编号可以用来表征管节在的地理位置信息和空间分布信息，获取待预测预应力钢筒混凝土管段对应的管节编号可以确定该管段的所处位置信息。
[0079]
步骤202，将所述使用数据输入到利用如上述实施例中所述的断丝预测模型构建方法构建得到的预应力钢筒混凝土管的断丝预测模型。
[0080]
步骤203，根据所述断丝预测模型的输出结果确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量。
[0081]
示例性地，将使用数据输入到通过上述实施例断丝预测模型构建方法构建得到的预应力钢筒混凝土管的断丝预测模型，根据输出结果可以确定待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量。本技术实施例中，假设将各个管节(管段)最新检测断丝数据及截止到当前月份之前的12个月数据输入到训练好的断丝预测模型中，模型可自动计算得出各个管节未来1-6个月的断丝数量，可以通过预测曲线图查看预测结果，其中12段的pccp管的断丝数量预测结果如图5所示，其中“实线”表示真实断丝数据(real)，“虚线”表示利用besn网络预测得到的断丝数据(besn_predict)。
[0082]
本发明提供的预应力钢筒混凝土管的断丝预测方法，通过将获取到的预应力钢筒混凝土管段的使用数据输入到预应力钢筒混凝土管的断丝预测模型中，根据输出结果确定待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量，实现了对预应力钢筒混凝土管的断丝预测，改变了断丝监测在检测原理上的研究，实现断丝的自动精准预测，更容易满足城市供水需求。
[0083]
作为本发明一个可选实施方式，根据所述断丝预测模型的输出结果确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量之后，所述方法还包括：根据回归模型评价指标对所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量进行评价，确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量对应的误差值。
[0084]
示例性地，回归评价指标可以包括但不限于均方根误差(rmse)、均方误差(mse)、平方绝对百分比误差(smape)以及平均绝对误差(mae)，具体的计算公式如下：
[0085][0086][0087][0088][0089]
式(14)、(15)、(16)以及(17)中，n表示样本数，表示第k个预测值，y(k)表示第k个真实值，当rmse、mse、smape和mae越小，则预测误差越小，表示模型拟合能力越好。本技术实施例中，假设将各个管节(管段)最新检测断丝数据及截止到当前月份之前的12个月数据输入到训练好的断丝预测模型中，模型可自动计算得出各个管节未来1-6个月的断丝数量，根据回归评价指标对计算得出各个管节未来1-6个月的断丝数量进行误差评估，其中12段的pccp管的断丝数量预测结果的误差评估结果如下表1所示。
[0090]
表1 12段pccp断丝数量预测结果评价指标
[0091][0092]
本发明实施例还公开了一种断丝预测模型构建装置，如图6所示，该装置包括：第一获取模块301，用于获取预应力钢筒混凝土管中发生断丝的目标管节的历史断丝数据，所述历史断丝数据包括发生断丝的目标管节的使用时长、断丝时间以及位置信息；确定模块302，用于根据所述多个目标管节的位置信息对所述多个目标管节进行分段处理并根据每一管段中包含的目标管节对应的断丝时间进行断丝数据统计得到每一管段对应的断丝数据统计结果，所述断丝数据统计结果包括每一管段对应的位置信息、包含的目标管节的断丝时间、使用时长以及断丝数量；训练模块303，用于根据所述断丝数据统计结果对预设模型进行训练直至满足预设训练条件，得到预应力钢筒混凝土管的断丝预测模型。
[0093]
本发明提供的断丝预测模型构建装置，通过对获取到的目标管节的历史断丝数据进行统计得到每一管段对应的断丝数据统计结果，利用每一管段对应的断丝数据统计结果对预设模型进行训练，得到断丝预测模型，利用该断丝预测模型可以实现对预应力钢筒混凝土管的断丝数量的预测，后续可以利用该断丝预测模型预测的预应力钢筒混凝土管的断丝数量对发生断丝的管节进行提前干预。
[0094]
作为本发明一个可选实施方式，所述训练模块，包括：采用预设插值法对断丝数据统计结果进行扩充处理，得到扩充数据；利用所述扩充数据对所述预测模型进行训练。
[0095]
作为本发明一个可选实施方式，所述预设插值法包括三次插值法。
[0096]
作为本发明一个可选实施方式，所述预设模型包括宽度回声状态网络模型。
[0097]
本发明实施例还公开了一种预应力钢筒混凝土管的断丝预测装置，如图7所示，所述装置包括：第二获取模块501，用于获取待预测预应力钢筒混凝土管段的使用数据，所述使用数据包括所述管段所处位置信息以及包含的目标管节的起始使用时间；预测模块502，用于将所述使用数据输入到利用如第一方面或第一方面任一可选实施方式所述的断丝预测模型构建方法构建得到的预应力钢筒混凝土管的断丝预测模型；输出模块503，根据所述断丝预测模型的输出结果确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量。
[0098]
作为本发明一个可选实施方式，所述预应力钢筒混凝土管的断丝预测装置装置还包括：评价模块，用于根据回归模型评价指标对所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量进行评价，确定所述待预测预应力钢筒混凝土管段发生断丝时的时间以及断丝数量对应的误差值。
[0099]
本发明实施例还提供了一种电子设备，如图8所示，该电子设备可以包括处理器401和存储器402，其中处理器401和存储器402可以通过总线或者其他方式连接，图8中以通过总线连接为例。
[0100]
处理器401可以为中央处理器(central processing unit，cpu)。处理器401还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0101]
存储器402作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的预应力钢筒混凝土管的断丝预测方法对应的程序指令/模块。处理器401通过运行存储在存储器402中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的断丝预测模型构建方法，或实现上述方法实施例中的预应力钢筒混凝土管的断丝预测方法。
[0102]
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器401所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至处理器401。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0103]
所述一个或者多个模块存储在所述存储器402中，当被所述处理器401执行时，执行如图1所示实施例中的断丝预测模型构建方法，或执行如图4所示的预应力钢筒混凝土管的断丝预测方法。
[0104]
上述电子设备具体细节可以对应参阅图1或图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0105]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0106]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。