水路状态监测系统

技术领域

本公开属于工程监测技术领域，涉及水路状态监测系统。

背景技术

针对工程用水系统，基于水循环实现对机械设备的散热以及满足工程用水需求等。

工程用水系统的状态监测对于机械设备或者工程项目的实施具有关键影响。目前对于工程用水系统的散热能力、流阻等性能进行实验测试的方式通常采用的测试系统往往只能监测单一信息，如温度、压力等，而且其可监测流量值范围小，无法适应大流量监测范围的要求。另外，现有的工程监测方式通常以人工监测为主，不能实现实时性、有效性。而比较先进的实时在线监测系统，存在应用场合单一、扩展性差、再研发成本高以及无法硬件升级等问题，无法满足多种场合的监测需求。

发明内容

(一)要解决的技术问题

本公开提供了水路状态监测系统，以至少部分解决以上所提出的技术问题。

(二)技术方案

本公开的一个方面提供了水路状态监测系统。上述水路状态监测系统包括：至少一个流量监测系统。每个流量监测系统包括：监测终端。上述监测终端包括：用于设置于待测系统进水管路上的第一温度传感器、第一压力传感器、并联设置的M个具有不同流量测试范围的流量计和与M个流量计的测量范围分别对应的M个流量阀，M≥2，以及用于设置于待测系统出水管路上的第二温度传感器和第二压力传感器。

根据本公开的实施例，每个流量监测系统还包括：单片机和通信模块，单片机用于处理监测终端采集的数据。

根据本公开的实施例，水路状态监测系统还包括：监测数据服务器。上述监测数据服务器包括水路状态分析模块，水路状态分析模块用于根据单片机处理后的数据确定待测系统的水路状态是否正常。其中，根据单片机处理后的数据确定待测系统的水路状态是否正常包括：将单片机处理后的数据与预设区间进行对比，确定单片机处理后的数据是否落入预设区间；如果单片机处理后的数据落入预设区间，则确定待测系统的水路状态正常；如果单片机处理后的数据在预设区间之外，则确定待测系统的水路状态故障。

根据本公开的实施例，水路状态分析模块还用于在水路状态故障的情况下确定故障原因。

根据本公开的实施例，监测数据服务器中预先存储有采用极限学习机算法训练机器学习网络得到的学习模型，学习模型的输入为故障现象数据集，学习模型的输出为故障原因；其中，水路状态分析模块用于将水路状态故障情况下的单片机处理后的数据进行归一化处理后输入至学习模型，进而输出故障原因。

根据本公开的实施例，学习模型的矩阵表达式为：

Hβ＝J+E，

其中，在学习网络的训练过程中，

G(a

其中，f

通过利用最近相邻匹配算法，将训练过程中学习网络的输出结果与已知故障类型进行匹配，得到学习模型的误差值，当学习模型的误差值在预设范围内，视为训练完成。

根据本公开的实施例，监测数据服务器还包括：故障预警模块，用于在确定待测系统的水路状态故障的情况下发出故障提示；以及显示模块，用于在确定待测系统的水路状态故障的情况下显示故障原因。

根据本公开的实施例，当流量监测系统为两个以上时，流量监测系统包括主监测系统和至少一个辅助监测系统，主监测系统的监测终端与至少一个辅助监测系统的监测终端设置于不同管段。其中，不同管段为水源系统与待测系统之间的管路上的不同管段，和/或，不同管段为待测系统中具有循环水连通的多组相邻设备之间的不同管段。

根据本公开的实施例，辅助监测系统的单片机用于处理辅助监测系统的监测终端采集到的数据，得到第一处理数据；辅助监测系统的通信模块用于将第一处理数据发送给主监测系统的通信模块。主监测系统的单片机用于处理主监测系统的监测终端采集到的数据，得到第二处理数据；主监测系统的单片机还用于整合第一处理数据和第二处理数据，以得到第三处理数据。

根据本公开的实施例，每个流量监测系统还包括：主供电系统，用于对流量监测系统进行供电；以及备用电源，用于在主供电系统发生断电的情况下对流量监测系统进行供电。

(三)有益效果

从上述技术方案可以看出，本公开提供的水路状态监测系统，具有以下有益效果：

(1)通过在待测系统进水管路上设置第一温度传感器、第一压力传感器和多个并联的流量计和流量阀，在待测系统出水管路上设置第二温度传感器和第二压力传感器，M个流量计和M个流量阀构成了M条不同流量的进水检测支路，能够同时采集到进、出水管路上的温度和压力信息，能够利用上述信息进行水路状态监测，而且针对不同流量的待测系统具有广泛的适用性，该水路状态监测系统具有较大范围流量监测能力，能够同时测试温度及压力。

(2)监测数据服务器能够根据单片机处理后的数据确定待测系统的水路状态是否正常，在水路状态故障的情况下还可以进一步确定/诊断故障原因，利用极限学习机\算法训练机器学习网络得到的学习模型，所需样本量少，计算速度快，避免了类似神经网络的大量迭代计算和参数设定；此外，利用最近相邻匹配算法，匹配成功率较高；将可视化的故障判断进行了量化处理，实现了快速、高效且较为准确地识别故障原因。

(3)通过将多个流量监测系统的监测终端设置于不同管段，例如多个不同管段为水源系统与待测系统之间的管路上的不同管段，和/或，不同管段为待测系统中具有循环水连通的多组相邻设备之间的不同管段，能够实时且细化地监测出待测系统外部输入管路中水路状态存在故障的管段或待测系统内部水路状态存在故障的设备之间的管段，以便及时且准确地进行问题定位、排查和解决，上述流量监测系统能够用于不同的监测环境中，而且可实现大面积、长距离的实时监测。

附图说明

图1为根据本公开一实施例所示的监测终端的布置示意图。

图2为根据本公开一实施例所示的水路状态监测系统的结构框图。

图3为根据本公开一实施例所示的流量监测系统的结构框图。

图4为根据本公开一实施例所示的一个监测终端所处的布置场合示意图。

图5为根据本公开一实施例所示的多个监测终端所处的布置场合示意图。

图6为根据本公开另一实施例所示的多个监测终端所处的布置场合示意图。

图7为根据本公开一实施例所示的监测数据服务器的结构框图。

【符号说明】

1-监测终端；

1a-第一监测终端； 1b-第二监测终端；

111-第一温度传感器； 112-第一压力传感器；

1131-第一流量计； 1141-第一流量阀；

1132-第二流量计； 1142-第二流量阀；

1133-第三流量计； 1143-第三流量阀；

21-待测系统进水管路； 22-待测系统出水管路；

3-单片机； 4-通信模块；

5-主供电系统； 6-备用电源。

7-水源系统；

8-待测系统；

81-第一设备； 82-第二设备；

83-第三设备；

9-监测数据服务器；

90-学习模型构建模块； 91-存储模块；

92-水路状态分析模块； 93-故障预警模块；

94-显示模块。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

本公开的第一个示例性实施例提供了一种水路状态监测系统。

图1为根据本公开一实施例所示的监测终端的布置示意图。图2为根据本公开一实施例所示的水路状态监测系统的结构框图。

参照图1和图2所示，本公开实施例的水路状态监测系统包括：至少一个流量监测系统。每个流量监测系统包括：监测终端1。上述监测终端1包括：用于设置于待测系统进水管路21上的第一温度传感器111、第一压力传感器112、并联设置的M个具有不同流量测试范围的流量计和与M个流量计的测量范围分别对应的M个流量阀，M≥2，以及用于设置于待测系统出水管路22上的第二温度传感器121和第二压力传感器122。

本实施例中，以M＝3作为示例，三个并联设置的流量计分别描述为第一流量计1131、第二流量计1132和第三流量计1133，设置于第一流量计1131所在支路上的流量阀称为第一流量阀1141，设置于第二流量计1132所在支路上的流量阀称为第二流量阀1142，设置于第三流量计1133所在支路上的流量阀称为第三流量阀1143。本实施例中的三个流量计分别具有不同的流量测试范围，例如第一流量计1131、第二流量计1132和第三流量计1133分别用于测试小流量、中流量和大流量范围，可以根据实际需要进行不同流量计测试量程的选择。流量阀的设置有助于维持进水管路和出水管路中的流量维持恒定或者维持在预定区间，避免超出流量计的量程。

图3为根据本公开一实施例所示的流量监测系统的结构框图。

根据本公开的实施例，参照图3所示，每个流量监测系统除了包括监测终端1之外，还包括：单片机3和通信模块4，单片机3用于处理监测终端采集的数据。

进一步的，参照图3所示，每个流量监测系统还包括：主供电系统5，用于对流量监测系统进行供电；以及备用电源6，用于在主供电系统5发生断电的情况下对流量监测系统进行供电。上述主供电系统5和备用电源6均用于对单片机3和通信模块4进行供电。监测终端1与单片机3之间可以通过通信模块4进行数据交互传输。

图4为根据本公开一实施例所示的一个监测终端所处的布置场合示意图。

根据本公开的实施例，参照图4所示，流量监测系统包括一个监测终端1，该监测终端1设置于水源系统7和待测系统8之间的管路上，例如第一温度传感器111和第一压力传感器112设置于水源系统7的出水口和待测系统8的进水口之间的管路上，3个具有不同流量测试范围的流量计和与上述3个流量计的测量范围分别对应的3个流量阀形成3个流量监测支路，第二温度传感器121和第二压力传感器122设置于水源系统7的进水口和待测系统8的出水口之间的管路上。

图5为根据本公开一实施例所示的多个监测终端所处的布置场合示意图。图6为根据本公开另一实施例所示的多个监测终端所处的布置场合示意图。

根据本公开的实施例，当流量监测系统为两个以上时，流量监测系统包括主监测系统和至少一个辅助监测系统，主监测系统的监测终端与至少一个辅助监测系统的监测终端设置于不同管段。其中，不同管段为水源系统与待测系统之间的管路上的不同管段，和/或，不同管段为待测系统中具有循环水连通的多组相邻设备之间的不同管段。

在一实施例中，参照图5所示，示意了两个流量监测系统的监测终端，分别描述为第一监测终端1a和第二监测终端1b，第一监测终端1a和第二监测终端1b设置于水源系统7与待测系统8之间的管路上的不同管段。

在另一实施例中，参照图6所示，第一监测终端1a和第二监测终端1b设置于待测系统8中具有循环水连通的多组相邻设备之间的不同管段，例如，图6示例了待测系统8中有三个设备存在循环水连通，三个设备分别描述为第一设备81、第二设备82和第三设备83，这三个设备形成了两组相邻设备，相邻的第一设备81与第二设备82之间的管段设置有第一监测终端1a，相邻的第二设备82与第三设备83之间的管段设置有第二监测终端1b。

通过将多个流量监测系统的监测终端设置于不同管段，例如多个不同管段为水源系统与待测系统之间的管路上的不同管段，和/或，不同管段为待测系统中具有循环水连通的多组相邻设备之间的不同管段，能够实时且细化地监测出待测系统外部输入管路中水路状态存在故障的管段或待测系统内部水路状态存在故障的设备之间的管段，以便及时且准确地进行问题定位、排查和解决，上述流量监测系统能够用于不同的监测环境中，而且可实现大面积、长距离的实时监测。

根据本公开的实施例，辅助监测系统的单片机用于处理辅助监测系统的监测终端采集到的数据，得到第一处理数据。

辅助监测系统的通信模块用于将第一处理数据发送给主监测系统的通信模块。

主监测系统的单片机用于处理主监测系统的监测终端采集到的数据，得到第二处理数据。

在一些实施例中，处理监测终端采集到的数据的方式例如是将预设时间段内的数据平滑处理，并剔除突变值，避免由于外界环境突然波动导致的数据异常，使得处理后的数据能够较为准确地表征待测系统出水管路和待测系统进水管路的压力、温度和流量值。

主监测系统的单片机还用于整合第一处理数据和第二处理数据，以得到第三处理数据。

整合第一处理数据和第二处理数据的方式包括对第一处理数据和第二处理数据求算术平均数得到第三处理数据；或者对第一处理数据和第二处理数据求加权平均数得到第三处理数据；或者将第一处理数据和第二处理数据作为矩阵的元素，合并得到矩阵形式的第三处理数据。

在本实施例中，主监测系统和各辅助监测系统可以组成局域网，达到系统的可扩展功能，实现大面积、长距离的实时在线监测需求。

根据本公开的实施例，参照图2所示，水路状态监测系统还包括：监测数据服务器9。

图7为根据本公开一实施例所示的监测数据服务器的结构框图。

参照图7所示，上述监测数据服务器9包括：水路状态分析模块92。水路状态分析模块92用于根据单片机处理后的数据确定待测系统的水路状态是否正常。

其中，根据单片机处理后的数据确定待测系统的水路状态是否正常包括：将单片机处理后的数据与预设区间进行对比，确定单片机处理后的数据是否落入预设区间；如果单片机处理后的数据落入预设区间，则确定待测系统的水路状态正常；如果单片机处理后的数据在预设区间之外，则确定待测系统的水路状态故障。

根据本公开的实施例，水路状态分析模块92还用于在水路状态故障的情况下确定故障原因。

根据本公开的实施例，监测数据服务器9中预先存储有采用极限学习机算法训练机器学习网络得到的学习模型。参照图7所示，监测数据服务器9包括：存储模块91，该存储模块91中存储有学习模型。学习模型的输入为故障现象数据集，学习模型的输出为故障原因。

水路状态分析模块92用于将水路状态故障情况下的单片机处理后的数据进行归一化处理后输入至学习模型，进而输出故障原因。

在本实施例中，根据水路状态故障情况下的单片机处理后的数据构建故障现象数据集。所述单片机包括：主监测系统的单片机和辅助主监测系统的单片机。

继续参照图7所示，上述监测数据服务器9除了包括水路状态分析模块92之外，还包括：学习模型构建模块90，上述学习模型构建模块90用于构建学习模型，构建学习模型的过程为：采用极限学习机算法训练机器学习网络，以得到学习模型。

监测数据服务器9搜集待测系统8的故障现象和故障原因，然后归一化得到训练样本数据集。根据训练样本数据集，采用ELM算法对学习网络进行训练，得到学习模型。

设训练样本数据集为(X，J)，X表示故障现象样本数据集，J表示故障原因数据集。根据训练样本数据集(X，J)可以训练学习网络的权重，构建得到的学习网络的输出方程即为学习模型。

根据本公开的实施例，由于构建的单隐层神经网络不能以零误差逼近数据样本，故对应于学习网络的输出和实际输出J之间也会伴随误差，因此学习模型的矩阵表达式为：

Hβ＝J+E， (1)

其中，在学习网络的训练过程中，

G(a

G(a

其中，f

矩阵表达式中的H、β、J和E分别满足以下表达式：

其中，H为隐层输出矩阵；J为故障原因样本数据集；E为误差矩阵；β为权重矩阵；a

阵元素

通过利用最近相邻匹配算法，将训练过程中学习网络的输出结果与已知故障类型进行匹配，得到学习模型的误差值，当学习模型的误差值在预设范围内，视为学习模型训练完成。如果学习模型的误差值不在允许范围内，则返回采用ELM算法对学习网络继续进行训练。

在一实施例中，最近相邻匹配算法中进行匹配的公式为：

s

监测数据服务器能够根据单片机处理后的数据确定待测系统的水路状态是否正常，在水路状态故障的情况下还可以进一步确定/诊断故障原因，利用极限学习机(ELM)算法训练机器学习网络得到的学习模型，所需样本量少，计算速度快，避免了类似神经网络的大量迭代计算和参数设定；此外，利用最近相邻匹配算法，匹配成功率较高；将可视化的故障判断进行了量化处理，实现了快速、高效且较为准确地识别故障原因。

本公开的实施例中，可以通过扩大训练过程中的样本数据容量进一步提高模型的准确度。

根据本公开的实施例，参照图7所示，监测数据服务器9还包括：故障预警模块93和显示模块94。故障预警模块93用于在确定待测系统的水路状态故障的情况下发出故障提示。显示模块94用于在确定待测系统的水路状态故障的情况下显示故障原因。

综上所述，本公开的实施例提供了一种水路状态监测系统，通过在待测系统进水管路上设置第一温度传感器、第一压力传感器和多个并联的流量计和流量阀，在待测系统出水管路上设置第二温度传感器和第二压力传感器，M个流量计和M个流量阀构成了M条不同流量的进水检测支路，能够同时采集到进、出水管路上的温度和压力信息，能够利用上述信息进行水路状态监测，而且针对不同流量的待测系统具有广泛的适用性，该水路状态监测系统具有较大范围流量监测能力，能够同时测试温度及压力。

说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。

再者，单词“包含”或“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且，在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。

除非存在技术障碍或矛盾，本公开的上述各种实施方式可以自由组合以形成另外的实施例，这些另外的实施例均在本公开的保护范围中。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。