一种基于卷积神经网络的窨井监测装置及方法 |
|||||||
申请号 | CN202410400652.8 | 申请日 | 2024-04-03 | 公开(公告)号 | CN117990162A | 公开(公告)日 | 2024-05-07 |
申请人 | 河北工程大学; | 发明人 | 程楠; 陈文龙; 张峥; 何立新; 雷晓辉; 龙岩; 段清; 王二朋; 张宏洋; 郭图南; | ||||
摘要 | 本 发明 公开了一种基于 卷积神经网络 的窨井监测装置及方法,涉及窨井监测技术领域,该装置包括窨井,窨井的顶端设置有立柱,立柱的一侧设置有窨井盖,窨井盖的顶端与底端分别设置有安全监控单元与数据 感知 单元,且数据感知单元安装于窨井的 侧壁 ,立柱的内部设置有 数据处理 单元,立柱的顶端设置有 太阳能 供电单元,数据处理单元的顶端且贯穿立柱设置有通信单元。本发明通过设置数据感知单元使得能够将各类 传感器 集多功能多模式为一体,实现感知井下液位变化,实时监测管网流量、甲烷浓度等功能,对窨井内部管道 水 流情况进行精确监测,为后续的处理分析提供决策 基础 ,实现对排水系统的智能化调度。 | ||||||
权利要求 | 1.一种基于卷积神经网络的窨井监测装置,包括窨井(1),所述窨井(1)的顶端设置有立柱(2),其特征在于,所述立柱(2)的一侧设置有窨井盖(3),所述窨井盖(3)的顶端与底端分别设置有安全监控单元(8)与数据感知单元(4),且所述数据感知单元(4)安装于所述窨井(1)的侧壁,所述立柱(2)的内部设置有数据处理单元(5),所述立柱(2)的顶端设置有太阳能供电单元(6),所述数据处理单元(5)的顶端且贯穿所述立柱(2)设置有通信单元(7)。 |
||||||
说明书全文 | 一种基于卷积神经网络的窨井监测装置及方法技术领域[0001] 本发明涉及窨井监测技术领域,具体来说,涉及一种基于卷积神经网络的窨井监测装置及方法。 背景技术[0002] 随着城市化进程的加速,城市基础设施的建设和维护成为了重要的任务,其中,窨井作为城市基础设施的重要组成部分,其安全和功能性的保障对于城市的正常运行至关重要,窨井通常指的是地下的储水设施或者是用于通风、下降到地下空间(如地下室、隧道等)的竖井。在现代城市基础设施中,窨井可能指的是地下管线的检修井、通风井、排水井等,它们对于城市的排水系统、通信线路的布设和维护都非常重要。 [0003] 在安全监测和管理领域,窨井的安全一直是城市管理的一个重点,然而传统的窨井监控方式存在着许多问题,如监控不全面,维护困难等,因此亟需对窨井监控内的监测方案进行研究。 [0004] 同时目前传统的窨井存在着机械化程度低,管道淤积堵塞、破损漏损完全靠人为排查判定,浪费人力物力,且无法达到实时监测,导致实时监测体系不完善,设备感知有限,且设备日常检修运维困难,不能及时监测到管道内的有害气体,可能会危害到检修人员身体健康。 [0005] 针对相关技术中的问题,目前尚未提出有效的解决方案。 发明内容[0007] (二)技术方案本发明采用的具体技术方案如下: 根据本发明的一个方面,提供了一种基于卷积神经网络的窨井监测装置,包括窨 井,窨井的顶端设置有立柱,立柱的一侧设置有窨井盖,窨井盖的顶端与底端分别设置有安全监控单元与数据感知单元,且数据感知单元安装于窨井的侧壁,立柱的内部设置有数据处理单元,立柱的顶端设置有太阳能供电单元,数据处理单元的顶端且贯穿立柱设置有通信单元。 [0008] 进一步的,为了使得能够将各类传感器集多功能多模式为一体,实现感知井下液位变化,实时监测管网流量、甲烷浓度等功能,对窨井内部管道水流情况进行精确监测,为后续的处理分析提供决策基础,实现对排水系统的智能化调度,数据感知单元包括安装于窨井内部侧壁的传感器外壳,传感器外壳的内部底端设置有浊度传感器,浊度传感器的顶端设置有pH值传感器,浊度传感器的底端连接有水质传感器;数据感知单元还包括安装于传感器外壳顶端的钟罩型外壳,钟罩型外壳的内部设置有气体传感器,气体传感器的一侧设置有液位传感器,液位传感器的一侧设置有影像传感器,且影像传感器安装于钟罩型外壳的外侧。 [0009] 进一步的,为了避免在进行监测的过程中出现断电情况,太阳能供电单元包括安装于立柱顶端的光伏控制器,光伏控制器的外侧设置有若干组太阳能电池板,立柱的一侧设置有光伏控制器连接的储能胶体蓄电池。 [0010] 进一步,为了使得能够保证传感器外壳与钟罩型外壳内部的传感器整体具有较强的耐腐蚀性,以更好的防止被污染,有效保证测量精确度,立柱为镀锌钢管材质,且立柱的内部为中空结构,传感器外壳与钟罩型外壳均为聚丙烯防水材质。 [0011] 进一步的,数据处理单元用于对数据感知单元采集完成的数据实施处理与分析操作,根据预设算法生成决策指令对窨井内进行状态预测;数据处理单元包括数据收集标记模块、数据划分处理模块、处理模型建立模块、部署监测实施模块及报警决策处理模块; 数据收集标记模块,用于收集数据感知单元采集完成的窨井内部的参数数据,并 根据时间点对参数数据实施时间标记操作,参数数据包括水质数据、气体浓度数据、水流量数据及影像数据; 数据划分处理模块,用于将标记完成的参数数据按照预设比例划分为训练集、验 证集与测试集; 处理模型建立模块,用于利用参数数据与卷积神经网络技术建立处理模型实现窨 井内部异常情况的预测; 部署监测实施模块,用于将处理模型输入至指定的窨井监测区域内对窨井内的情 况进行预测; 报警决策处理模块,用于利用预测结果与阈值实施对比操作,根据对比结果判断 窨井内是否存在异常情况并采用对应的措施。 [0012] 进一步的,利用参数数据与卷积神经网络技术建立处理模型实现窨井内部异常情况的预测包括:利用滑动搜索与时间点标记方式从测试集中选取向量构建具有时间特性的输入 矩阵; 将输入矩阵与卷积神经网络相结合建立处理模型,并采用优化算法与训练集对模 型参数实施优化; 利用验证集对优化完成的处理模型进行仿真输出窨井的预测结果; 其中,利用滑动搜索与时间点标记方式从测试集中选取向量构建具有时间特性的 输入矩阵包括: 根据测试集选取窨井监测的异常情况的特征向量与处理模型的输出异常类别,并 对特征向量进行异常值去除与归一化处理; 设定滑动搜索的长度值并根据时间标记的结果将特征向量进行顺序,根据滑动长 度值进行滑动操作; 根据操作结果获取时间标记内的时序特征,并对滑动窗口标记时间戳获取重叠的 子集序列; 遍历所有特征向量的子集序列并组合为样本集,将样本集与对应的异常类别作为 输入矩阵。 [0013] 进一步的,将输入矩阵与卷积神经网络相结合建立处理模型,并采用优化算法与训练集对模型参数实施优化包括:将输入矩阵作为输入变量,对应的异常类别作为输出变量,并利用卷积神经网络 中卷积层捕捉若干输入变量之间的非线性关系; 利用全连接层对输入变量的非线性关系进行组合,并利用池化层选取最大值得到 异常类别的输出模型; 判断输出模型的损失函数并利用优化算法对模型参数进行更新得到处理模型,利 用训练集建立模型评价标准判断模型参数优化的结果; 当优化结果大于标准值时,则表示优化通过,并保存模型参数获得处理模型,当优化结果小于标准值时,则表示优化未通过并继续进行参数优化直至优化结果大于标准值。 [0014] 进一步的,安全监控单元用于利用物联网技术设计远程自动监控模型对窨井盖实施监控操作,并分析窨井盖是否存在异常状况判断数据感知单元的稳定性;安全监控单元包括监控数据采集模块、数据传输接收模块、监控框架设计模块、异常状况判断模块、警报设计生成模块及监控集成连接模块; 监控数据采集模块,用于在窨井盖的顶端侧壁安装声音传感器采集窨井盖在预设 距离内的声音数据; 数据传输接收模块,用于利用分贝放大方式建立感知架构并导入物联网体系设计 正常监控情况下的声音模板,声音模板包括窨井盖预设距离内的敲击噪音声与搬运移动声; 监控框架设计模块,用于根据声音模板在感知架构内添加自动更新监控权值功 能,利用声音模板与声音数据分析适应度函数建立自动监控模型; 异常状况判断模块,用于在自动监控模型内输入预设的声音数据,并根据输出结 果判断窨井盖在处于异常状况下声音模板的状态; 警报设计生成模块,用于根据窨井盖的异常状况分析数据感知单元的稳定性,并 利用稳定性结果设定对应的警报提醒模式; 监控集成连接模块,用于将自动监控系统与声音传感器实施集成连接操作,根据 实时声音数据分析窨井盖是否存在异常状况,并依据分析结果判断数据感知单元的稳定性。 [0015] 进一步的,根据声音模板在感知架构内添加自动更新监控权值功能,利用声音模板与声音数据分析适应度函数建立自动监控模型包括:将设计完成的声音模板内的数据通过谱质心方式实施转换操作得到特征向量,并 利用预设的监测需求定义适应度函数评估特征向量与声音模板之间的匹配程度; 将匹配程度传送至感知架构内构造自动监控模型,运用关联分析算法结合自动监 控模型判断预先设定声音数据的适应度得分; 根据适应度得分结果制定权值更新规则,并基于更新规则在感知架构内添加自动 更新监控权值功能。 [0016] 进一步的,将匹配程度传送至感知架构内构造自动监控模型,运用关联分析算法结合自动监控模型判断预先设定声音数据的适应度得分包括:将匹配程度封装为预设的传输格式按照预设的通信协议传送至感知架构内,感知 架构接收来自各匹配程度数据; 基于感知架构预设监控框架并结合匹配程度建立风险因素集作为样本,并设定样 本与风险因素集的数量; 根据风险因素集构建表达框架描述属于风险状态时的样本状态,并求取样本的粗 糙隶属度判断风险因素的占据比例; 根据每组风险因素的占据比例与预设的理想值判断两者之间的适应程度,运用适 应程度构建识别框架,并将监控框架、表达框架与识别框架合并构造自动监控模型; 将预先设定的声音数据输入至自动监控模型内得到风险占据比例与适应值,并运 用关联分析算法感知不同风险占据比例下声音数据的适应度得分。 [0017] 根据本发明的另一个方面,还提供了一种基于卷积神经网络的窨井监测方法,该基于卷积神经网络的窨井监测方法包括以下步骤:S1、在窨井的内部安装数据感知单元采集窨井内部的参数数据,并传输至数据处 理单元处; S2、数据处理单元对采集到的参数数据进行处理和分析,利用处理模型监测窨井 内部是否存在异常情况; S3、利用安全监控单元远程自动监控窨井盖预设距离内的情况,判断是否存在异 常情况影响数据感知单元的稳定性; S4、通信单元将数据处理单元与安全监控单元的监测结果上传至云平台,并利用 云平台将监测结果发布至移动端与电脑端。 [0018] (三)有益效果与现有技术相比,本发明提供了基于卷积神经网络的窨井监测装置及方法,具备 以下有益效果: (1)本发明通过设置数据感知单元使得能够将各类传感器集多功能多模式为一 体,实现感知井下液位变化,实时监测管网流量、甲烷浓度等功能,对窨井内部管道水流情况进行精确监测,为后续的处理分析提供决策基础,实现对排水系统的智能化调度。 [0019] (2)本发明通过设置数据处理单元对数据感知单元采集完成的数据实施处理与分析操作,根据预设算法生成决策指令对窨井进行状态预测,在窨井中安装感知设备,利用井下液位计可感知井下液位变化,建立液位分析模型,利用流量计实时监测管网流量,同时利用沼气监测仪检测管网环境中的甲烷浓度,预防甲烷气体风险等,通过大数据分析技术对实时监测的数据进行预测分析,对管道内水流情况进行精确监测,提高排水系统改造决策的科学性与运行管理水平。 [0020] (3)本发明通过设置安全监控单元通过在窨井盖顶端安装声音实时监控模型实时监测窨井附近的声音状态,并根据声音状态判断窨井附近是否存在异常情况,从而实现对潜在危险或安全问题的早期识别,避免出现人为盗窃破坏对窨井内部的各类传感器造成影响,降低窨井内部监测的准确性。 [0022] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。 [0023] 图1是根据本发明实施例的基于卷积神经网络的窨井监测装置的结构示意图;图2是图1中A处的局部放大图; 图3是图1中B处的局部放大图; 图4是图1中C处的局部放大图; 图5是根据本发明实施例的基于卷积神经网络的窨井监测装置中数据处理单元的 原理框图; 图6是根据本发明实施例的基于卷积神经网络的窨井监测装置中安全监控单元的 原理框图; 图7是根据本发明实施例的基于卷积神经网络的窨井监测装置的控制原理图; 图8是根据本发明实施例的基于卷积神经网络的窨井监测装置中数据处理技术的 流程示意图; 图9是根据本发明实施例的基于卷积神经网络的窨井监测方法的流程图。 [0024] 图中:1、窨井;2、立柱;3、窨井盖;4、数据感知单元;401、传感器外壳;402、浊度传感器; 403、pH值传感器;404、水质传感器;405、钟罩型外壳;406、气体传感器;407、液位传感器; 408、影像传感器;5、数据处理单元;501、数据收集标记模块;502、数据划分处理模块;503、处理模型建立模块;504、部署监测实施模块;505、报警决策处理模块;6、太阳能供电单元; 601、光伏控制器;602、太阳能电池板;603、储能胶体蓄电池;7、通信单元;8、安全监控单元; 801、监控数据采集模块;802、数据传输接收模块;803、监控框架设计模块;804、异常状况判断模块;805、警报设计生成模块;806、监控集成连接模块;9、市电供电单元;10、云平台;11、电脑端;12、移动端。 具体实施方式[0025] 为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。 [0026] 根据本发明的实施例,提供了一种基于卷积神经网络的窨井监测装置及方法。 [0027] 现结合附图和具体实施方式对本发明进一步说明,如图1至图8所示,根据本发明实施例的基于卷积神经网络的窨井监测装置,包括窨井1,窨井1的顶端设置有立柱2,立柱2的一侧设置有窨井盖3,窨井盖3的顶端与底端分别设置有安全监控单元8与数据感知单元4,且数据感知单元4安装于窨井1的侧壁,立柱2的内部设置有数据处理单元5,立柱2的顶端设置有太阳能供电单元6,数据处理单元5的顶端且贯穿立柱2设置有通信单元7。 [0028] 如图7所示,需要解释说明的是,本发明在使用时还包括市电供电单元9,市电供电单元9包括电源转换模块给监控系统供电,通信单元7为NB‑loT无线数据上传装置,具有云计算数据中心存储数据功能,并传输数据给电脑端11与移动端12。 [0029] 立柱2用于安装太阳能供电单元6与数据处理单元5,镀锌钢管材质,中间空,同时使电缆穿过立柱2到达数据感知单元4、数据处理单元5,电缆用于连接数据感知单元4、太阳能供电单元6、市电供电单元9、通信单元7,为各设备供电,并将监控信号传输至智能测量设备。 [0030] 双电源工作原理,在天气较好时,使用太阳能供电单元6进行发电,维持窨井1内各数据感知单元4及智能测量传感器的日常运行,数据感知单元4可收集采集窨井1内流量、液位、甲烷浓度等数据变化参数及影像上传至数据处理单元5,在阴雨天气可由智能测量传感器切换市电供电单元9为整个监测设备供电,实现整个装置的双电源供电方案。 [0031] 太阳能供电单元6和市电供电单元9给监控系统供电,在不同状况下进行实时转化,太阳能供电单元6可以用于远离市区的偏远地区,可以实现对整个地下管网检测的全面覆盖。 [0032] 在一个实施例中,对于上述数据感知单元4来说,数据感知单元4包括安装于窨井1内部侧壁的传感器外壳401,传感器外壳401的内部底端设置有浊度传感器402,浊度传感器402的顶端设置有pH值传感器403,浊度传感器402的底端连接有水质传感器404;数据感知单元4还包括安装于传感器外壳401顶端的钟罩型外壳405,钟罩型外壳405的内部设置有气体传感器406,气体传感器406的一侧设置有液位传感器407,液位传感器407的一侧设置有影像传感器408,且影像传感器408安装于钟罩型外壳405的外侧,从而使得能够将各类传感器集多功能多模式为一体,实现感知井下液位变化,实时监测管网流量、甲烷浓度等功能,对窨井1内部管道水流情况进行精确监测,为后续的处理分析提供决策基础,实现对排水系统的智能化调度。 [0033] 具体的,数据感知单元4安装位于窨井1的侧面,影像传感器408、液位传感器407、气体传感器406位于窨井1的顶部,且影像传感器408安装于钟罩型外壳405的外侧,用于收集窨井1内状态的影像,并将收集的影像传输至数据处理单元5,且液位传感器407采用超声波测距技术,精确地测量窨井1内的液位高度,当液位高度超过预设值时,装置会自动启动报警功能。 [0034] 气体传感器406采用沼气检测仪,检测管网环境中的甲烷浓度,预防甲烷气体过量发生爆炸,当气体浓度超过预设值时,装置会自动启动报警功能,浊度传感器402用于检测污水的酸碱度和浊度,水质传感器404漂浮在窨井1附近管道中,用于水量较小时收集污水,更好的为pH值传感器403和浊度传感器402提供数据。 [0035] 在一个实施例中,对于上述太阳能供电单元6来说,太阳能供电单元6包括安装于立柱2顶端的光伏控制器601,光伏控制器601的外侧设置有若干组太阳能电池板602,立柱2的一侧设置有光伏控制器601连接的储能胶体蓄电池603,从而使得能够为数据处理单元5补充电源,避免其在进行监测的过程中出现断电的情况。 [0036] 具体的,太阳能供电单元6位于窨井1的一侧,位于整个装置的最高处,距离地面3.5米。 [0037] 在一个实施例中,对于上述立柱2来说,立柱2为镀锌钢管材质,且立柱2的内部为中空结构,传感器外壳401与钟罩型外壳405均为聚丙烯防水材质,从而使得能够保证传感器外壳401与钟罩型外壳405内部的传感器整体具有较强的耐腐蚀性,以更好的防止被污染,有效保证测量精确度。 [0038] 在一个实施例中,数据处理单元5用于对数据感知单元4采集完成的数据实施处理与分析操作,根据预设算法生成决策指令对窨井1内进行状态预测。 [0039] 其中数据处理单元5具有双电源切换功能,其内部设置微处理器,可以对收集到的数据进行实时处理和分析,根据预设的算法生成决策指令,包括双核ARM处理器、FGPA、存储器、模拟和数字I/O、以及以太网、CAN、USB、232/485等通讯接口,并集成4G通讯模块,并且智能测量设备用于太阳能供电单元6和市电供电单元9之间双电源的切换,确保整个装置的动力电源充足。 [0040] 数据处理单元5包括数据收集标记模块501、数据划分处理模块502、处理模型建立模块503、部署监测实施模块504及报警决策处理模块505。 [0041] 数据收集标记模块501,用于收集数据感知单元4采集完成的窨井1内部的参数数据,并根据时间点对参数数据实施时间标记操作,参数数据包括水质数据、气体浓度数据、水流量数据及影像数据。 [0042] 具体的,收集数据感知单元4采集完成的窨井1内部的参数数据,并根据时间点对参数数据实施时间标记操作包括:使用数据感知单元4收集窨井1内部的各项参数数据,并采集到的数据发送至存储 设备,同时在数据采集时,需要对每个数据点进行时间标记。 [0043] 在数据上附加时间戳,通常是在数据采集的同一时刻进行,将带有时间标记的数据存储在数据库或其他存储系统中,以便于后续的数据分析和处理。 [0044] 利用多种数据感知模块收集窨井1内的水质、气体浓度和流量数据以及影像,数据标记时间,可以跟踪数据随时间的变化,对数据进行清洗、去噪和标准化,将数据组织成时间序列的格式,对窨井1内影像进行筛选与预处理,为窨井1内不同时间点的数据添加标签,指示数据状态,如正常、异常、发出警报等,其中阈值条件与历史数据分析进行对比,偏差在5%以内为正常,超出5%为异常,当超过20%时发出警报,甲烷的最高允许浓度为1%,超过1%即发出警报。 [0045] 数据划分处理模块502,用于将标记完成的参数数据按照预设比例划分为训练集、验证集与测试集,通常按照70%训练,15%验证,15%测试的比例进行划分。 [0046] 处理模型建立模块503,用于利用参数数据与卷积神经网络技术建立处理模型实现窨井1内部异常情况的预测。 [0047] 具体的,搭建深度学习框架并根据时空相关性构建模型,设计适合处理多通道数据的CNN架构,其中每个通道对应于水质、气体浓度和流量,构建卷积层、池化层和全连接层,采用残差卷积神经网络(ResNet)方法提取数据特征信息和分类,采用卷积长短记忆神经网络(ConvLSTM)方法将窨井1内数据特征信息转化为水质、气体浓度和流量;卷积神经网络包括卷积层,卷积层中卷积核大小为3×3×3。 [0048] 其中,利用参数数据与卷积神经网络技术建立处理模型实现窨井1内部异常情况的预测包括:利用滑动搜索与时间点标记方式从测试集中选取向量构建具有时间特性的输入 矩阵。 [0049] 需要解释说明的是,利用滑动搜索与时间点标记方式从测试集中选取向量构建具有时间特性的输入矩阵包括:根据测试集选取窨井1监测的异常情况的特征向量与处理模型的输出异常类别, 并对特征向量进行异常值去除与归一化处理; 设定滑动搜索的长度值并根据时间标记的结果将特征向量进行顺序,根据滑动长 度值进行滑动操作; 根据操作结果获取时间标记内的时序特征,并对滑动窗口标记时间戳获取重叠的 子集序列; 遍历所有特征向量的子集序列并组合为样本集,将样本集与对应的异常类别作为 输入矩阵。 [0050] 将输入矩阵与卷积神经网络相结合建立处理模型,并采用优化算法与训练集对模型参数实施优化。 [0051] 需要解释说明的是,将输入矩阵与卷积神经网络相结合建立处理模型,并采用优化算法与训练集对模型参数实施优化包括:将输入矩阵作为输入变量,对应的异常类别作为输出变量,并利用卷积神经网络 中卷积层捕捉若干输入变量之间的非线性关系; 利用全连接层对输入变量的非线性关系进行组合,并利用池化层选取最大值得到 异常类别的输出模型; 判断输出模型的损失函数并利用优化算法对模型参数进行更新得到处理模型,利 用训练集建立模型评价标准判断模型参数优化的结果; 当优化结果大于标准值时,则表示优化通过,并保存模型参数获得处理模型,当优化结果小于标准值时,则表示优化未通过并继续进行参数优化直至优化结果大于标准值。 [0052] 利用验证集对优化完成的处理模型进行仿真输出窨井1的预测结果。 [0053] 使用训练集对处理模型进行训练,基于模型输出与真实值之间的误差,深度学习神经网络会通过反向传播算法更新模型参数,直至损失误差达到最小,通过综合比较训练期和验证期的误差,选取出最优模型,使用验证集评估模型的性能,计算准确率、召回率、F1分数等性能指标,根据验证结果,调整模型的超参数以优化性能,如学习率、批处理大小和迭代次数,使用测试集最终评估模型的性能,确保模型在新数据上的泛化效果良好。 [0054] 部署监测实施模块504,用于将处理模型输入至指定的窨井监测区域内对窨井1内的情况进行预测。 [0055] 报警决策处理模块505,用于利用预测结果与阈值实施对比操作,根据对比结果判断窨井1内是否存在异常情况并采用对应的措施。 [0056] 具体的,部署训练好的处理模型到窨井1系统中,进行实时监测和分析。实时监测窨井1内的数据,将其输入到处理模型中进行预测,并设置阈值,当模型检测到异常情况时触发警报,通知相关人员或自动采取应急措施,根据模型的输出,采取相应的决策,如关闭窨井、调整流量或执行水质净化等。 [0057] 安全监控单元8用于利用物联网技术设计远程自动监控模型对窨井盖3实施监控操作,并分析窨井盖3是否存在异常状况判断数据感知单元4的稳定性。 [0058] 安全监控单元8包括监控数据采集模块801、数据传输接收模块802、监控框架设计模块803、异常状况判断模块804、警报设计生成模块805及监控集成连接模块806。 [0059] 监控数据采集模块801,用于在窨井盖3的顶端侧壁安装声音传感器采集窨井盖3在预设距离内的声音数据。 [0060] 具体的,在窨井盖3的顶端侧壁安装声音传感器采集窨井盖3在预设距离内的声音数据包括:根据安装目的选取适用于监测非法开启窨井盖3的声音传感器,并结合安装需求 采购必要的安装支架、防护罩、连接线缆等配件和设备。 [0061] 在窨井盖3的顶端侧壁选择合适的位置进行声音传感器的安装,确保可以有效捕捉到预设距离内的声音。 [0062] 数据传输接收模块802,用于利用分贝放大方式建立感知架构并导入物联网体系设计正常监控情况下的声音模板,声音模板包括窨井盖3预设距离内的敲击噪音声与搬运移动声。 [0063] 具体的,利用分贝放大方式建立感知架构并导入物联网体系设计正常监控情况下的声音模板包括:根据分贝放大技术设计感知架构的总体框架,包括数据采集、处理、存储、分析和响应等部分,并将感知架构与物联网设备集成确保数据的顺畅流动和处理。 [0064] 在监控区域部署能够进行声音分贝放大的传感器设备,根据监控需求采集正常情况下的声音数据作为基准模板,并对采集到的声音数据进行分贝放大处理,以提高其在低噪声环境下的识别准确性。 [0065] 从放大后的声音数据中提取关键特征,如频率、节奏、音高等,并根据正常监控情况下的声音特征建立声音模板。 [0066] 将声音传感器设备接入物联网平台,实现数据的实时上传确定物联网设备和平台间的数据通讯协议。 [0067] 监控框架设计模块803,用于根据声音模板在感知架构内添加自动更新监控权值功能,利用声音模板与声音数据分析适应度函数建立自动监控模型。 [0068] 具体的,根据声音模板在感知架构内添加自动更新监控权值功能,利用声音模板与声音数据分析适应度函数建立自动监控模型包括:将设计完成的声音模板内的数据通过谱质心方式实施转换操作得到特征向量,并 利用预设的监测需求定义适应度函数评估特征向量与声音模板之间的匹配程度; 将匹配程度传送至感知架构内构造自动监控模型,运用关联分析算法结合自动监 控模型判断预先设定声音数据的适应度得分。 [0069] 其中,将匹配程度传送至感知架构内构造自动监控模型,运用关联分析算法结合自动监控模型判断预先设定声音数据的适应度得分包括:将匹配程度封装为预设的传输格式按照预设的通信协议传送至感知架构内,感知 架构接收来自各匹配程度数据; 基于感知架构预设监控框架并结合匹配程度建立风险因素集作为样本,并设定样 本与风险因素集的数量; 根据风险因素集构建表达框架描述属于风险状态时的样本状态,并求取样本的粗 糙隶属度判断风险因素的占据比例。 [0070] 其中,粗糙隶属度的计算公式为:; 式中,L表示粗糙隶属度,A表示样本的条件属性,具体为第i个样本的第k的风险因素的条件属性,x表示风险因素,card表示集合的基数,即集合中元素的数量,具体为A的基数,也就是A中元素的个数。 [0071] 根据每组风险因素的占据比例与预设的理想值判断两者之间的适应程度,运用适应程度构建识别框架,并将监控框架、表达框架与识别框架合并构造自动监控模型;其中,适应程度的计算公式为: ; 式中,Q表示适应程度,rik表示第i个样本的样本状态,xik表示第i个样本的第k个风险因素,x0k表示对应的第k个风险因素的理想值,C表示匹配程度。 [0072] 将预先设定的声音数据输入至自动监控模型内得到风险占据比例与适应值,并运用关联分析算法感知不同风险占据比例下声音数据的适应度得分。 [0073] 根据适应度得分结果制定权值更新规则,并基于更新规则在感知架构内添加自动更新监控权值功能。 [0074] 异常状况判断模块804,用于在自动监控模型内输入预设的声音数据,并根据输出结果判断窨井盖3在处于异常状况下声音模板的状态。 [0075] 具体的,在自动监控模型内输入预设的声音数据,并根据输出结果判断窨井盖3在处于异常状况下声音模板的状态包括:将声音模板作为比较的基准,并收集并分析窨井盖3在各种预设异常状态下的声 音数据,包括被敲击、移动或破坏的声音建立异常状态下的声音模板。 [0076] 将异常状态下的声音模板输入至训练好的自动监控模型中,模型分析输入的声音数据,并与预设的正常和异常声音模板进行比较,识别其状态。 [0077] 根据模型的输出结果,判断当前窨井盖3的状态,如果声音数据与异常模板匹配,则判定为异常状态;如果与正常模板匹配,则判定为正常状态。 [0078] 警报设计生成模块805,用于根据窨井盖3的异常状况分析数据感知单元4的稳定性,并利用稳定性结果设定对应的警报提醒模式。 [0079] 具体的,根据窨井盖3的异常状况分析数据感知单元4的稳定性,并利用稳定性结果设定对应的警报提醒模式包括:确保从窨井盖3的实时监控中收集到足够的异常状况数据,包括声音传感器数据,并利用自动监控模型识别和分类收集到的数据中的异常状况,确定其类型和严重程度。 [0080] 基于异常状况数据判断窨井盖3的状态,并根据其状态数据评估数据感知单元4的稳定性,例如窨井盖3被移动则表示数据感知单元4会暴露于外界,窨井盖3被移动则表示数据感知单元4存在掉落至窨井1内部的风险。 [0081] 根据稳定性分析的结果,定义不同的警报级别,包括轻微不稳定触发预警,中度不稳定触发警报,重度不稳定触发紧急响应。 [0082] 监控集成连接模块806,用于将自动监控系统与声音传感器实施集成连接操作,根据实时声音数据分析窨井盖3是否存在异常状况,并依据分析结果判断数据感知单元4的稳定性。 [0083] 具体的,将自动监控系统与声音传感器实施集成连接操作,根据实时声音数据分析窨井盖3是否存在异常状况,并依据分析结果判断数据感知单元4的稳定性包括:确保声音传感器与自动监控系统的物理连接正确无误,包括电源、数据线等,在具体使用时声音传感器实时捕获窨井盖3周围的声音数据,并将数据发送到监控模型。 [0084] 监控模型对收集到的声音数据进行预处理以识别是否存在异常声音模式,如撬动、敲击等,基于异常声音识别结果判断窨井盖3是否处于异常状态判断数据感知单元4的稳定性,确保系统的高效性和可靠性。 [0085] 因此,通过在窨井盖3顶端安装声音实时监控模型,监测窨井1附近的声音状态,并根据声音状态判断是否存在异常情况,可以实时捕捉到异常声音,如人为破坏、非法开启窨井盖3的声音,从而实现对潜在危险或安全问题的早期识别,通过及时检测到异常声音,可以快速响应,采取措施防止或减少窨井盖3及内部传感器被盗或破坏的风险。 [0086] 如图9所示,根据本发明的另一个实施例,还提供了一种基于卷积神经网络的窨井监测方法,该基于卷积神经网络的窨井监测方法包括以下步骤:S1、在窨井1的内部安装数据感知单元4采集窨井1内部的参数数据,并传输至数据处理单元5处; S2、数据处理单元5对采集到的参数数据进行处理和分析,利用处理模型监测窨井 1内部是否存在异常情况; S3、利用安全监控单元8远程自动监控窨井盖3预设距离内的情况,判断是否存在 异常情况影响数据感知单元4的稳定性; S4、通信单元7将数据处理单元5与安全监控单元8的监测结果上传至云平台10,并利用云平台10将监测结果发布至移动端12与电脑端11。 [0087] 综上所述,借助于本发明的上述技术方案,本发明通过设置数据感知单元4使得能够将各类传感器集多功能多模式为一体,实现感知井下液位变化,实时监测管网流量、甲烷浓度等功能,对窨井1内部管道水流情况进行精确监测,为后续的处理分析提供决策基础,实现对排水系统的智能化调度。本发明通过设置数据处理单元5对数据感知单元4采集完成的数据实施处理与分析操作,根据预设算法生成决策指令对窨井1内进行状态预测。本发明通过设置太阳能供电单元6使得能对整体监测装置提供稳定的电源,在电量耗尽时补充电源,避免其在进行监测的过程中出现断电的情况。本发明提供的窨井监测设备集多功能多模式为一体,同时具有感知井下液位变化,实时监测管网流量,甲烷浓度等功能,通过大数据分析技术对实时监测的数据进行预测分析,对管道内水流情况进行精确监测,提高排水系统改造决策的科学性与系统的运行管理水平,实现对排水系统的智能化调度。本发明通过设置安全监控单元8通过在窨井盖3顶端安装声音实时监控模型实时监测窨井1附近的声音状态,并根据声音状态判断窨井1附近是否存在异常情况,从而实现对潜在危险或安全问题的早期识别,避免出现人为盗窃破坏对窨井1内部的各类传感器造成影响,降低窨井1内部监测的准确性。 [0088] 在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;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,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。 |