本發(fā)明涉及供水系統(tǒng)，具體為一種基于dma分區(qū)管理技術的城市管路漏損監(jiān)測系統(tǒng)。

背景技術：

1、城市供水管網(wǎng)是城市基礎設施的重要組成部分，供水管網(wǎng)在長期運行過程中，由于自然老化、腐蝕、外力破壞、施工質(zhì)量等多種因素的影響，常常會發(fā)生漏損現(xiàn)象。漏損不僅造成了寶貴水資源的浪費，還可能引發(fā)地面塌陷、供水中斷等嚴重問題，對城市的正常運行和居民的生活產(chǎn)生負面影響。

2、傳統(tǒng)的供水管網(wǎng)漏損檢測方法主要依賴于人工巡檢和被動檢測。人工巡檢方法耗時費力，效率低下，難以及時發(fā)現(xiàn)和修復漏損。而被動檢測方法，如聲波檢測、紅外檢測等，雖然在一定程度上提高了漏損檢測的效率，但仍然存在檢測范圍有限、精度不高、受環(huán)境干擾大等問題。此外，這些方法往往只能在漏損已經(jīng)發(fā)生并造成一定后果后才能檢測到，無法實現(xiàn)早期預警和主動防控。

3、近年來，隨著物聯(lián)網(wǎng)(iot)、大數(shù)據(jù)和人工智能技術的快速發(fā)展，智能供水管網(wǎng)監(jiān)測系統(tǒng)逐漸成為研究和應用的熱點。這些系統(tǒng)通過在管網(wǎng)中布置各種傳感器，實時采集流量、壓力、噪聲等數(shù)據(jù)，并利用先進的數(shù)據(jù)分析和處理技術，對管網(wǎng)的運行狀態(tài)進行實時監(jiān)控和分析，實現(xiàn)了漏損的早期檢測和定位。然而，現(xiàn)有的智能監(jiān)測系統(tǒng)在實際應用中仍存在一些問題和挑戰(zhàn)。首先，數(shù)據(jù)處理和分析算法的復雜性和計算量較大，可能導致實時性不足。其次，漏損檢測和定位的精度有待進一步提高，特別是在復雜的城市供水管網(wǎng)中，如何精確、快速地定位漏點仍然是一個難題。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提供了一種基于dma分區(qū)管理技術的城市管路漏損監(jiān)測系統(tǒng)，通過高效、精準的監(jiān)控和分析，實現(xiàn)城市供水管網(wǎng)漏損的早期檢測和精確定位的問題。

2、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：一種基于dma分區(qū)管理技術的城市管路漏損監(jiān)測系統(tǒng)，包括：

3、數(shù)據(jù)收集模塊，用于采集dma分區(qū)內(nèi)流量計、壓力傳感器和水聽器的數(shù)據(jù)；

4、數(shù)據(jù)預處理模塊，用于對所述數(shù)據(jù)進行預處理；

5、時間序列分析模塊，用于對預處理后的數(shù)據(jù)進行季節(jié)性和趨勢分解以及非線性時間序列分析；

6、漏損檢測模塊，包括隨機森林回歸模型和基于密度的局部異常因子檢測算法，用于預測和檢測漏損；

7、噪聲分析定位模塊，用于通過水聽器的噪聲數(shù)據(jù)分析確定管段漏點的具體位置；

8、實時預測報警模塊，用于實時處理數(shù)據(jù)并在檢測到漏損時觸發(fā)報警。

9、優(yōu)選的，所述數(shù)據(jù)收集模塊用于收集來自各種傳感設備的數(shù)據(jù)，所述傳感器包括：

10、流量傳感器，位于每個dma分區(qū)的入口和出口，用于測量經(jīng)過特定管段的水流量，以監(jiān)控區(qū)域內(nèi)的水流動態(tài)，數(shù)據(jù)類型包括瞬時流量和累計流量；

11、壓力傳感器，安裝在關鍵管段，包括分區(qū)入口、出口和潛在高風險區(qū)域，用于實時監(jiān)控水壓變化，便于早期識別系統(tǒng)中的異常壓力波動；

12、水聽器，部署在已知及潛在漏點附近的管段，用于捕捉由水流引起的聲音信號，以便于后續(xù)的漏損定位分析；

13、輔助傳感設備，包括但不限于溫度傳感器、水質(zhì)監(jiān)測設備，用于提供環(huán)境和水質(zhì)數(shù)據(jù)，支持對漏損檢測的環(huán)境因素分析。

14、優(yōu)選的，所述數(shù)據(jù)預處理模塊包括：

15、數(shù)據(jù)清洗單元，用于剔除非工作時間的數(shù)據(jù)、糾正明顯的錯誤讀數(shù)和填補缺失值；

16、數(shù)據(jù)標準化單元，用于將不同來源和范圍的數(shù)據(jù)標準化到統(tǒng)一的比例；

17、特征工程單元，用于從原始數(shù)據(jù)中提取有助于漏損檢測和預測的關鍵特征，包括從流量和壓力時間序列數(shù)據(jù)中提取統(tǒng)計特征、時間特征以及頻域特征。

18、優(yōu)選的，所述時間序列分析模塊包括：

19、季節(jié)性和趨勢分解單元，用于對時間序列數(shù)據(jù)進行季節(jié)性和趨勢分解，以識別數(shù)據(jù)中的周期性和長期變化模式，采用以下公式進行分解：

20、yt＝tt+st+rt

21、其中，yt代表在時間點t的觀測值，tt是趨勢分量，st是季節(jié)性分量，rt是剩余分量；

22、非線性時間序列分析單元，采用非線性自回歸移動平均模型，用于模擬和預測時間序列數(shù)據(jù)，采用以下模型公式：

23、

24、其中，c是常數(shù)項，φi是自回歸系數(shù)，θj是移動平均系數(shù)，∈t是時間點t的誤差項，p和q分別表示自回歸和移動平均模型的階數(shù)。

25、優(yōu)選的，所述漏損檢測模塊包括隨機森林回歸模型，用于預測漏損概率和影響范圍，所述模型通過歷史數(shù)據(jù)進行訓練，并計算各特征的重要性。

26、優(yōu)選的，所述漏損檢測模塊的局部異常因子檢測算法包括：

27、為每個觀測點計算局部可達密度，用于測量觀測點的局部密度，公式如下：

28、

29、其中，x是當前數(shù)據(jù)點，nk(x)是x點的k個最近鄰點集合，reach-distk(x,o)是點x與其鄰點o的可達距離；

30、基于上述局部可達密度，為每個數(shù)據(jù)點計算局部異常因子，用于識別相對于其鄰近點的異常程度，公式如下：

31、

32、其中，lrdk(o)是鄰點o的局部可達密度，lrdk(x)是數(shù)據(jù)點x的局部可達密度，該比值越大，說明點x越可能是異常點。

33、優(yōu)選的，所述噪聲分析定位模塊包括：

34、噪聲特征提取單元，利用傅里葉變換將時間域的噪聲信號轉(zhuǎn)換到頻域進行分析，公式如下：

35、

36、其中，x(t)代表時間t處的噪聲信號強度，f是頻率，x(f)是對應頻率f的復頻域表示；

37、噪聲模式識別單元，采用改進的k-means聚類算法對頻域中的噪聲數(shù)據(jù)進行分類，以識別特定的漏水噪聲模式，首先計算各噪聲樣本到各類中心的距離，然后更新類中心，重復迭代直至滿足收斂條件；

38、定位漏點單元，利用安裝在不同地點的多個水聽器收集到的噪聲數(shù)據(jù)通過三角測量法定位漏點，使用以下公式：

39、

40、其中，(xi,yi)為第i個水聽器記錄的漏點信號坐標，n是水聽器的數(shù)量，location表示根據(jù)收集到的噪聲數(shù)據(jù)計算得到的漏點平均坐標。

41、優(yōu)選的，所述實時預測報警模塊包括：

42、實時數(shù)據(jù)處理單元，使用流處理框架實現(xiàn)數(shù)據(jù)的清洗、處理和分析；

43、報警系統(tǒng)，當預測的漏損概率或lof得分超過閾值時，觸發(fā)報警，并通過短信、郵件或app通知維護人員。

44、本發(fā)明還提供一種基于dma分區(qū)管理技術的城市管路漏損監(jiān)測方法，包括以下步驟：

45、采集dma分區(qū)內(nèi)流量計、壓力傳感器和水聽器的數(shù)據(jù)；

46、對所述數(shù)據(jù)進行清洗、標準化和特征工程處理；

47、對預處理后的數(shù)據(jù)進行季節(jié)性和趨勢分解以及非線性時間序列分析；

48、通過隨機森林回歸模型和基于密度的局部異常因子檢測算法預測和檢測漏損；

49、利用水聽器的噪聲數(shù)據(jù)通過傅里葉變換和改進的k-means聚類算法進行噪聲特征提取和模式識別；

50、利用三角測量法定位漏點；

51、實時處理數(shù)據(jù)并在檢測到漏損時觸發(fā)報警，通過短信、郵件或app通知維護人員。

52、本發(fā)明還提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時，實現(xiàn)如上述的方法。

53、本發(fā)明還提供一種存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上述的方法。

54、本發(fā)明提供了一種基于dma分區(qū)管理技術的城市管路漏損監(jiān)測系統(tǒng)。具備以下有益效果：

55、1、本發(fā)明通過引入隨機森林回歸模型和基于密度的局部異常因子檢測算法，能夠高效、準確地預測和檢測漏損事件。隨機森林回歸模型利用歷史數(shù)據(jù)進行訓練，能夠精確預測未來的流量和壓力變化，提供可靠的漏損預測依據(jù)。而局部異常因子檢測算法通過分析數(shù)據(jù)點的局部密度差異，實時識別潛在的異常點，有效減少了誤報和漏報的發(fā)生，從而顯著提高了漏損檢測的準確性。

56、2、本發(fā)明的實時預測報警模塊在檢測到漏損事件時，能夠立即觸發(fā)報警并通知維護人員。通過短信、郵件或app等多種方式發(fā)送報警信息，確保維護人員能夠及時收到通知并采取行動。這一實時報警機制不僅能夠在漏損發(fā)生的第一時間發(fā)出預警，減少水資源的浪費和管道損壞的風險，還大大提高了系統(tǒng)的響應速度和維護效率。

57、3、本發(fā)明通過噪聲分析定位模塊，能夠利用水聽器的噪聲數(shù)據(jù)，通過傅里葉變換和改進的k-means聚類算法進行噪聲特征提取和模式識別，結(jié)合三角測量法精確計算漏點位置。多點噪聲采集和三角測量法的結(jié)合，使得系統(tǒng)能夠準確定位漏水點，快速指導維護人員進行修復，減少了不必要的開挖和維修成本，提高了管道維護的效率和精度。

58、4、本發(fā)明的時間序列分析模塊通過對數(shù)據(jù)的季節(jié)性和趨勢分解以及非線性時間序列分析，揭示了數(shù)據(jù)的內(nèi)在規(guī)律，并為漏損檢測提供了可靠的預測依據(jù)。季節(jié)性和趨勢分解幫助識別數(shù)據(jù)中的周期性變化和長期趨勢，而非線性時間序列分析則用于建模和預測復雜的時間依賴結(jié)構(gòu)。這種全面的數(shù)據(jù)處理和分析方法，使得系統(tǒng)能夠更高效地進行漏損檢測和預測，提高了供水系統(tǒng)的運營效率。

59、5、本發(fā)明通過高效的漏損檢測和精確定位，能夠顯著減少因漏損導致的水資源浪費和管道維護成本。實時預測和報警機制確保了漏損事件在發(fā)生的第一時間得到處理，減少了漏損對供水系統(tǒng)的影響。此外，精確的漏點定位和高效的維修指導，使得維護工作更加有針對性和高效，進一步降低了維護成本和資源浪費。