供热管线检测方法、装置、系统及非易失性存储介质 |
|||||||
| 申请号 | CN202410028581.3 | 申请日 | 2024-01-08 | 公开(公告)号 | CN117847446A | 公开(公告)日 | 2024-04-09 |
| 申请人 | 天翼电信终端有限公司; | 发明人 | 崔凯; 谈磊; 邹正敏; | ||||
| 摘要 | 本 申请 公开了一种供 热管 线检测方法、装置、系统及非易失性存储介质。其中，该方法包括：获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据；确定红外传感数据中的异常数据；依据红外热成像检测终端的 位置 信息确定异常数据对应的故障类型；在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令。本申请解决了由于相关技术中采用人工巡检的方式导致在对供热管线进行检查时容易误判漏检并且效率低的技术问题。 | ||||||
| 权利要求 | 1.一种供热管线检测方法，其特征在于，包括： |
||||||
| 说明书全文 | 供热管线检测方法、装置、系统及非易失性存储介质技术领域背景技术[0002] 相关技术中在对供热管线进行检查时，常用的技术手段是人工巡检，这种方式的问题在于只能依靠工作人员自身经验来判断是否出现故障，并且各个检测设备采集的数据无法实时汇总分析，导致在对供热管线进行检查时容易出现误判、漏判、效率低下等问题。 [0003] 针对上述的问题，目前尚未提出有效的解决方案。发明内容 [0004] 本申请实施例提供了一种供热管线检测方法、装置、系统及非易失性存储介质，以至少解决由于相关技术中采用人工巡检的方式导致在对供热管线进行检查时容易误判漏检并且效率低的技术问题。 [0005] 根据本申请实施例的一个方面，提供了一种供热管线检测方法，包括：获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据；确定红外传感数据中的异常数据；依据红外热成像检测终端的位置信息确定异常数据对应的故障类型；在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令。 [0006] 可选地，依据红外热成像检测终端的位置信息确定异常数据对应的故障类型的步骤包括：依据位置信息确定待检测供热管线所在区域中的目标电缆；通过电缆监控系统获取目标电缆的电缆温度数据，其中，电缆监控系统包括：敷设在目标电缆中的分布式测温光纤，集中监控服务器；在电缆温度数据异常的情况下，确定异常数据对应的故障类型为电缆故障；在电缆温度数据正常的情况下，确定异常数据对应的故障类型为待检测供热管线发生故障。 [0007] 可选地，在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令的步骤之前，供热管线检测方法还包括：将红外传感数据转换为数字网格格式；对转换为数字网格格式后的红外传感数据进行小波变换滤波处理；采用小波边缘提取的方式在红外传感数据中确定与异常数据对应的边缘点的位置信息；依据边缘点的位置信息确定故障位置信息。 [0008] 可选地，对转换为数字网格格式后的红外传感数据进行小波变换滤波处理的步骤包括：确定预设阈值，其中，预设阈值用于区分红外传感数据中的噪声数据和有效数据；依据预设阈值对转换为数字网格格式后的红外传感数据进行小波变换滤波处理，消除红外传感数据中的噪声数据。 [0009] 可选地，确定红外传感数据中的异常数据的步骤包括：将红外传感数据输入到供热管线异常数据检测模型中，并获取供热管线异常数据检测模型输出的异常检测结果，其中，异常检测结果中包括异常数据。 [0010] 可选地，供热管线异常数据检测模型通过以下方式进行训练：获取供热管线的历史工作数据，其中，历史工作数据包括以下至少之一：供热管线的温度，供热管线的压力，供热管线的流量；依据预设规则从历史工作数据中提取特征工作数据；将特征工作数据划分为训练数据集，验证数据集和测试数据集，并依据为训练数据集，验证数据集和测试数据集对预设卷积神经网络模型进行训练，得到供热管线异常数据检测模型。 [0011] 可选地，确定红外传感数据中的异常数据的步骤包括：确定待检测供热管线在正常运行时对应的温度取值范围；依据温度取值范围在红外传感数据中确定异常温度点，其中，异常温度点为异常数据。 [0012] 可选地，依据故障的故障位置信息生成复检指令或者维修指令的步骤包括：确定与故障位置信息对应的巡检对象信息；确定与故障类型对应的预设故障处理预案；依据预设故障处理预案和故障位置信息，生成并发送复检指令或者维修指令至巡检对象信息对应的目标巡检对象。 [0013] 根据本申请实施例的另一方面，还提供了一种供热管线检测系统，包括：红外热成像检测终端，云端服务器，通信网络，其中，云端服务器，用于获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据；确定红外传感数据中的异常数据；依据红外热成像检测终端的位置信息确定异常数据对应的故障类型；在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令；红外热成像检测终端包括：手持式红外热成像检测终端，自动巡检式红外热成像检测终端。 [0015] 根据本申请实施例的另一方面，还提供了一种供热管线检测装置，包括：第一处理模块，用于获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据；第二处理模块，用于确定红外传感数据中的异常数据；第三处理模块，用于依据红外热成像检测终端的位置信息确定异常数据对应的故障类型；第四处理模块，用于在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令。 [0016] 根据本申请实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质中存储有程序，其中，在程序运行时控制非易失性存储介质所在设备执行供热管线检测方法。 [0018] 在本申请实施例中，采用获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据；确定红外传感数据中的异常数据；依据红外热成像检测终端的位置信息确定异常数据对应的故障类型；在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令的方式，通过由云端服务器获取检测终端采集的数据并确定其中的异常数据，进而依据异常数据和位置信息确定故障类型，达到了自动判断供热管线是否故障的目的，从而实现了提高供热管线故障检测的准确率和检测效率的技术效果，进而解决了由于相关技术中采用人工巡检的方式导致在对供热管线进行检查时容易误判漏检并且效率低的技术问题。附图说明 [0019] 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中： [0020] 图1是根据本申请实施例提供的一种供热管线检测系统的结构示意图； [0021] 图2是根据本申请实施例提供的一种云端服务器及红外热成像检测终端的结构示意图； [0022] 图3是根据本申请实施例提供的一种供热管线检测方法的流程示意图； [0023] 图4是根据本申请实施例提供的一种供热管线检测流程的流程示意图； [0024] 图5是根据本申请实施例提供的一种供热管线检测装置的结构示意图； [0025] 图6是根据本申请实施例提供的一种电子设备的结构示意图。 具体实施方式[0026] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。 [0027] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。 [0028] 为了更好地理解本申请实施例，以下将本申请实施例中涉及的技术术语解释如下： [0029] 云网端协同：来自于中国电信提出的云网融合战略，网是基础、云为核心、终端是用户操作和数据采集来源，通过云网端协同实现按使用场景的数据采集、应用加载、终端管控、网络协同等用户随选综合信息服务。 [0030] 云计算服务：云计算服务指通过网络以按需、易扩展的方式获得所需服务，也是指通过互联网提供的计算资源和数据存储服务。它可以让用户在不需要购买、安装和维护硬件设备的情况下，使用各种软件应用程序和数据存储服务，可以帮助用户在任何地方、任何时间访问和使用计算资源和数据存储服务。云服务包括公有云(Public Cloud)服务、私有云(Private Cloud)服务和混合云(Hybird Cloud)服务。 [0031] 5G网络：5G网络是指采用第五代移动通信技术构建的蜂窝无线通信网络，它能够实现更快的数据传输、更低的延迟和更稳定的网络连接。5G NR中定义了三大使用场景，包括增强型移动宽带(eMBB)、海量机器类通信(mMTC)和超高可靠性低时延通信(URLLC)。 [0032] 红外热成像：红外线是频率介于微波与可见光之间的电磁波，频率为0.3THz～400THz，对应真空中波长在1mm至750nm之间，是频率比红光低的非可见光。红外热成像设备是指利用红外线的物理特性，通过测量目标物体的红外辐射，经过光电转换、信号处理等手段，将目标物体的热分布数据转换成视频图像的设备。红外热成像是新兴技术，广泛应用于军事、医学、工业检测、车载成像等领域。 [0033] 供热管网是城市重要基础设置，而供热管道日常检测、跑冒滴漏等问题一直是城市供热企业面临的痛点问题，供热管道漏水不仅造成水资源的浪费、水处理成本和耗电量增加，加速设备老化，企业供热成本上升，无法保障用户正常供热，还存在巨大的安全隐患，造成路面塌陷，人员及财产损失，危害巨大。 [0034] 传统供热管道日常检修和测漏主要是采用人工巡检方式，由维护工程师手持红外检测仪进行供热管网测漏。 [0035] 目前相关技术中的城市供热管网检测方式主要存在以下问题： [0036] 1、城市供热管网缺乏云网端协同的系统和智能化检测方法。 [0037] 2、城市供热管网通常采用单机版红外热成像检测仪，前端设备缺乏智能户联网能力。 [0038] 1)单机设备与供热运营中心之间缺乏数据连接实时交互能力，检测采集数据无法进行有效实时处理，检测响应效率低； [0039] 2)运营中心云对前端检测设备缺乏管控，无连接协议、设备管理能力，无法实现设备检测能力升级，前端检测依赖设备本身，云侧能力与端侧能力无法协同。 [0040] 3、供热管线日常检测严重依赖人工经验，存在误判、漏判、效率低下。 [0041] 为了解决上述问题，本申请实施例中提供了相关的解决方案，以下详细说明。 [0042] 根据本申请实施例，提供了一种供热管线检测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。 [0043] 本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。例如在如图1所示的供热管线检测系统中执行。如图1所示，该系统包括：红外热成像检测终端10，通信网络12，云端服务器14，其中，云端服务器14，用于获取红外热成像检测终端10通过通信网络12转发的红外传感数据，其中，红外传感数据为红外热成像检测终端10在待检测供热管线所在区域中采集的数据；确定红外传感数据中的异常数据；依据红外热成像检测终端10的位置信息确定异常数据对应的故障类型；在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令；红外热成像检测终端10包括：手持式红外热成像检测终端10，自动巡检式红外热成像检测终端10。 [0044] 上述通信网络12可以是地面通信网络12或者卫星通信网络12，例如为5G蜂窝通信网络12等。通信网络12可以为前端检测设备提供联网链路，提供Embb大带宽能力，实时双向数据传输，OTA升级链路。 [0045] 上述红外热成像检测终端10用于红外传感数据采集。并且在本申请的一些实施例中，如图2所示，红外热成像检测终端10中设置有通信模块，卫星定位模块，开源操作系统和云桌面统一传输协议。红外热成像检测终端10中的通信模块可以为5G通信模块，定位模块可以是卫星定位导航模块，系统为开源OS。 [0046] 在本申请实施例所提供的供热管线检测系统中，各类用于生成检测数据的AI算力模型通过云端统一调度配置，软硬解耦，随需配置。终端检测采集的数据则通过通信网络12和应用程序实时与云端服务器14对接。 [0047] 在上述运行环境下，本申请实施例提供了一种供热管线检测方法，如图3所示，该方法包括如下步骤： [0048] 步骤S302，获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据； [0049] 在步骤S302所提供的技术方案中，红外热成像检测终端可以联网并定位工作位置，之后与云中心交互，通过5G网络和云桌面传输协议调用云中心中的检测应用程序、热成像AI算法等自动生成检测数据回传云中心。 [0050] 步骤S304，确定红外传感数据中的异常数据； [0051] 在步骤S304所提供的技术方案中，确定红外传感数据中的异常数据的步骤包括：将红外传感数据输入到供热管线异常数据检测模型中，并获取供热管线异常数据检测模型输出的异常检测结果，其中，异常检测结果中包括异常数据。 [0052] 在本申请的一些实施例中，供热管线异常数据检测模型通过以下方式进行训练：获取供热管线的历史工作数据，其中，历史工作数据包括以下至少之一：供热管线的温度，供热管线的压力，供热管线的流量；依据预设规则从历史工作数据中提取特征工作数据；将特征工作数据划分为训练数据集，验证数据集和测试数据集，并依据为训练数据集，验证数据集和测试数据集对预设卷积神经网络模型进行训练，得到供热管线异常数据检测模型。 [0053] 具体地，可以采用如下方式来构建供热管线异常数据检测模型： [0054] 第一步，收集供热管线的相关数据，如温度、压力、流量等，并对这些数据进行预处理，包括数据清洗、去噪、归一化等，以便后续算法分析。 [0055] 第二步，根据供热管线的特点和实际需求，选择合适的特征进行提取和构造，以供后续算法使用。如基于温度和压力的时序数据，提取统计特征、频域特征等。 [0056] 第三步，将数据集划分为训练集、验证集和测试集。通常采用70％的数据作为训练集，15％的数据作为验证集，15％的数据作为测试集。使用深度学习框架(如TensorFlow、PyTorch等)搭建CNN模型。其中，CNN模型通常由多个卷积层、池化层和全连接层组成。卷积层用于提取特征，池化层用于降低特征维度，全连接层用于输出最终的预测结果。使用训练集对CNN模型进行训练，通过反向传播算法更新模型的权重和偏置，使得模型的预测结果与真实标签更加接近。使用验证集评估训练得到的模型的性能。根据模型在验证集上的表现，调整模型的超参数，如学习率、卷积核大小、池化窗口大小等。 [0057] 第四步，利用训练好的模型对新数据进行预测和分析，可以实时监测供热管线的运行状态，预测故障风险，并识别出潜在的问题。例如，通过对温度异常的检测和分析，可以发现供热管线中的漏水或堵塞等问题。 [0058] 第五步，当预测出供热管线存在故障风险或潜在问题，系统可以及时发出预警信息，通知相关人员进行处理。同时，根据预测结果，制定相应的措施，如检修、维护或更换管线等，以避免故障的发生或进一步扩大。 [0059] 第六步，根据实际应用中的反馈信息和数据，对算法模型进行优化和更新，以提高预测准确性和可靠性。例如，可以不断收集新的数据来更新模型，改进特征提取方法，或者尝试新的机器学习或深度学习算法，以适应不同的供热管线情况和环境变化。 [0060] 作为一种可选地实施方式，确定红外传感数据中的异常数据的步骤包括：确定待检测供热管线在正常运行时对应的温度取值范围；依据温度取值范围在红外传感数据中确定异常温度点，其中，异常温度点为异常数据。 [0061] 具体地，被检测供热管线的温度可以体现管线的红外辐射能，具体计算公式如下： [0062] P＝δζT4 [0063] 上述公式中，P‑辐射能，W/cm2，δ为玻尔兹曼常数，单位为5.673×10‑12W/(cm2·K4)；ζ‑普通物体的辐射率；T‑物体表面的热力学温度，单位为K。 [0064] 另外不同材质的供热管线的材料热传导模型如下： [0065] [0067] 作为一种可选地实施方式，红外热成像检测终端可以根据上述两个公式检测供热管线的红外辐射能，进而确定管线的温度。另外按照《城镇供热管网设计规范》CJJ34‑2010规范要求，城镇供热系统一般为“供热热水介质设计压力小于或等于2.5MPa，设计温度小于或等于200℃；供热蒸汽介质设计压力小于或等于1.6MPa，设计温度小于或等于350℃。其中热水热力网，以热电厂或大型区域锅炉房为热源时，设计供水温度可取110℃～150℃，回水温度不应高于70℃。”当供热管道发生漏水时，会使漏水点上方地表与周围地表环境产生一定的温度差异，利用红外热成像仪显示的温度和红外图像来定位温度异常点，然后再利用其他辅助手段进行确认，判定是否由于漏水引起。通过大量收集温度异常数据和图像，排除假异常，就可以利用红外成像仪进行热力管道的漏水检测。 [0068] 步骤S306，依据红外热成像检测终端的位置信息确定异常数据对应的故障类型； [0069] 在步骤S306所提供的技术方案中，依据红外热成像检测终端的位置信息确定异常数据对应的故障类型的步骤包括：依据位置信息确定待检测供热管线所在区域中的目标电缆通过电缆监控系统获取目标电缆的电缆温度数据，其中，电缆监控系统包括：敷设在目标电缆中的分布式测温光纤，集中监控服务器；在电缆温度数据异常的情况下，确定异常数据对应的故障类型为电缆故障；在电缆温度数据正常的情况下，确定异常数据对应的故障类型为待检测供热管线发生故障。 [0070] 具体地，由于红外成像仪利用热成像原理进行监测，因此，其在检测时易受外界环境影响，例如，在电缆敷设和供热管道的敷设区域存在交叉时，在交叉区域由于电缆故障也会产生发热现象，因此，在检测到温度异常点的情况下，确定红外成像仪的实时位置；从云端获取该实时位置处的电缆敷设信息，并在该实时位置处电缆和供热管道存在重合区域的情况下，确定是电缆异常导致异常还是供热管道异常。 [0071] 作为一种可选地实施方式，可以让云端服务器和电缆监控系统进行通信，获取此处电缆温度数据，其中，电缆监控系统中至少包括：敷设在高压电缆上的分布式测温光纤来感应电力电缆的实时温度变化，并将所述电力电缆温度数据传送给集中监控计算机；集中监控计算机根据所述温度数据确定所述电力电缆是否故障。在确定电缆故障的情况下，确定当前异常的原因不是热力管道异常。在确定电缆无故障的情况下，确定当前异常的原因是热力管道异常。 [0072] 在本申请的一些实施例中，在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令的步骤之前，供热管线检测方法还包括：将红外传感数据转换为数字网格格式；对转换为数字网格格式后的红外传感数据进行小波变换滤波处理；采用小波边缘提取的方式在红外传感数据中确定与异常数据对应的边缘点的位置信息；依据边缘点的位置信息确定故障位置信息。 [0073] 作为一种可选地实施方式，对转换为数字网格格式后的红外传感数据进行小波变换滤波处理的步骤包括：确定预设阈值，其中，预设阈值用于区分红外传感数据中的噪声数据和有效数据；依据预设阈值对转换为数字网格格式后的红外传感数据进行小波变换滤波处理，消除红外传感数据中的噪声数据。 [0074] 具体地，由于噪声等影响，红外热成像所产生的结果不会形成明显的边界，无法确定异常的准确位置，因此需要进行去噪。例如，将热成像指数反射成果(正射)，转换为数字网格格式，也就是坐标中点对点的温度值的格式，进行网格化处理。然后再利用小波变换算法进行在频率下的滤波，对不同方向角度的条纹、条带干扰进行处理，根据不同的条纹程度调节滤波因子，以尽可能不影响原始数据的情况下，去掉条纹干扰。 [0075] 在本申请的一些实施例中，以小波变换为基础的去噪方法是把含噪信号放在二维平面上，利用信号和噪声表现出来的截然不同的特性进行分时分频处理，在理论上，此方法不但能够获得较高的信噪比，而且能够保持良好的分辨率。阈值选取是离散小波去噪的最重要步骤，在去噪过程中，小波阈值δ起到了决定性作用；如果阈值太小，则施加阈值后小波系数将包含过多的噪声分量，达不到去噪的效果；反之，阈值过大，则会去除了有用的成分，造成失真。作为一种可选地实施方式，可以采用统一阈值法来区分噪声和有效成分。 [0076] 利用小波边缘提取方式对小波去噪后的图像进行边缘提取；对提取的边缘点进行直线拟合和坐标提取，得到各边缘点的坐标信息；通过计算红外信号的梯度矢量的模局部极大值即可得到图像边缘位置，完成边缘提取。 [0077] 步骤S308，在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令。 [0078] 在步骤S308所提供的技术方案中，依据故障的故障位置信息生成复检指令或者维修指令的步骤包括：确定与故障位置信息对应的巡检对象信息确定与故障类型对应的预设故障处理预案；依据预设故障处理预案和故障位置信息，生成并发送复检指令或者维修指令至巡检对象信息对应的目标巡检对象。 [0080] 在本申请的一些实施例中还提供了一种如图4所示的巡检流程，包括如下步骤： [0081] 步骤S402，云端服务器向手持检测设备或自动巡检机器人发送巡检任务； [0082] 步骤S404，云端服务器配置手持检测设备或自动巡检机器人所使用的热成像AI算法和检测应用程序； [0083] 步骤S406，获取手持检测设备或自动巡检机器人通过通信网络上传的检测点的检测数据； [0084] 步骤S408，根据检测数据确定检测点是否故障。 [0085] 具体地，在确定故障后可下发官网维护工单。在确定未发生故障后，可派发新的巡检任务。 [0086] 通过采用获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据；确定红外传感数据中的异常数据；依据红外热成像检测终端的位置信息确定异常数据对应的故障类型；在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令的方式，通过由云端服务器获取检测终端采集的数据并确定其中的异常数据，进而依据异常数据和位置信息确定故障类型，达到了自动判断供热管线是否故障的目的，从而实现了提高供热管线故障检测的准确率和检测效率的技术效果，进而解决了由于相关技术中采用人工巡检的方式导致在对供热管线进行检查时容易误判漏检并且效率低的技术问题。 [0087] 本申请实施例提供了一种供热管线检测装置，图5是该装置的结构示意图。如图5所示，该装置包括：第一处理模块50，用于获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据；第二处理模块52，用于确定红外传感数据中的异常数据；第三处理模块54，用于依据红外热成像检测终端的位置信息确定异常数据对应的故障类型；第四处理模块56，用于在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令。 [0088] 在本申请的一些实施例中，第二处理模块52确定红外传感数据中的异常数据的步骤包括：将红外传感数据输入到供热管线异常数据检测模型中，并获取供热管线异常数据检测模型输出的异常检测结果，其中，异常检测结果中包括异常数据。 [0089] 在本申请的一些实施例中，供热管线异常数据检测模型通过以下方式进行训练：获取供热管线的历史工作数据，其中，历史工作数据包括以下至少之一：供热管线的温度，供热管线的压力，供热管线的流量；依据预设规则从历史工作数据中提取特征工作数据；将特征工作数据划分为训练数据集，验证数据集和测试数据集，并依据为训练数据集，验证数据集和测试数据集对预设卷积神经网络模型进行训练，得到供热管线异常数据检测模型。 [0090] 在本申请的一些实施例中，第二处理模块52确定红外传感数据中的异常数据的步骤包括：确定待检测供热管线在正常运行时对应的温度取值范围；依据温度取值范围在红外传感数据中确定异常温度点，其中，异常温度点为异常数据。 [0091] 在本申请的一些实施例中，第三处理模块54依据红外热成像检测终端的位置信息确定异常数据对应的故障类型的步骤包括：依据位置信息确定待检测供热管线所在区域中的目标电缆；通过电缆监控系统获取目标电缆的电缆温度数据，其中，电缆监控系统包括：敷设在目标电缆中的分布式测温光纤，集中监控服务器；在电缆温度数据异常的情况下，确定异常数据对应的故障类型为电缆故障；在电缆温度数据正常的情况下，确定异常数据对应的故障类型为待检测供热管线发生故障。 [0092] 在本申请的一些实施例中，在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令的步骤之前，供热管线检测装置还用于：将红外传感数据转换为数字网格格式对转换为数字网格格式后的红外传感数据进行小波变换滤波处理；采用小波边缘提取的方式在红外传感数据中确定与异常数据对应的边缘点的位置信息；依据边缘点的位置信息确定故障位置信息。 [0093] 在本申请的一些实施例中，供热管线检测装置对转换为数字网格格式后的红外传感数据进行小波变换滤波处理的步骤包括确定预设阈值，其中，预设阈值用于区分红外传感数据中的噪声数据和有效数据；依据预设阈值对转换为数字网格格式后的红外传感数据进行小波变换滤波处理，消除红外传感数据中的噪声数据。 [0094] 需要说明的是，上述供热管线检测装置中的各个模块可以是程序模块(例如是实现某种特定功能的程序指令集合)，也可以是硬件模块，对于后者，其可以表现为以下形式，但不限于此：上述各个模块的表现形式均为一个处理器，或者，上述各个模块的功能通过一个处理器实现。 [0095] 本申请实施例提供了一种非易失性存储介质。非易失性存储介质中存储有程序，其中，在程序运行时执行如下供热管线检测方法：获取红外热成像检测终端通过通信网络转发的红外传感数据，其中，红外传感数据为红外热成像检测终端在待检测供热管线所在区域中采集的数据；确定红外传感数据中的异常数据；依据红外热成像检测终端的位置信息确定异常数据对应的故障类型；在确定故障类型为待检测供热管线发生故障的情况下，依据故障的故障位置信息生成复检指令或者维修指令。 [0096] 图6示出了一种用于实现供热管线检测方法的电子设备的硬件结构示意图，该电子设备可以是计算机终端或移动设备。如图6所示，电子设备60可以包括一个或多个(图中采用602a、602b，……，602n来示出)处理器602(处理器602可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器604、以及用于通信功能的传输模块606。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图6所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备60还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。 [0097] 应当注意到的是上述一个或多个处理器602和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到电子设备60中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。 [0098] 存储器604可用于存储应用软件的软件程序以及模块，如本申请实施例中的供热管线检测方法对应的程序指令/数据存储装置，处理器602通过运行存储在存储器604内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的供热管线检测方法。存储器604可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器604可进一步包括相对于处理器602远程设置的存储器，这些远程存储器可以通过网络连接至电子设备60。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。 [0099] 传输装置606用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备60的通信供应商提供的无线网络。在一个实例中，传输装置606包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置606可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。 [0101] 在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。 [0102] 在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。 [0103] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。 [0104] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。 [0105] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。 [0106] 以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。 |
||||||
QQ群二维码
意见反馈
意见反馈