管网状态智能评估系统及其方法

技术领域

本申请涉及智能评估领域，且更为具体地，涉及一种管网状态智能评估系统及其方法。

背景技术

随着城市化进程的不断加速，供水管网的规模和复杂度不断增加，传统的人工巡检方法已经无法满足对供水管网状态的实时监测和评估需求。

因此，期待一种优化的管网状态评估方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种管网状态智能评估系统及其方法，其综合利用管网中多个管段的压力值和流量值，并结合深度学习和人工智能技术来现对供水管网状态的实时监测和评估，以优化供水管网的运行方式，提高供水效率。同时，能够减少对传统人工巡检的依赖，提高工作效率，降低巡检成本。

根据本申请的一个方面，提供了一种管网状态智能评估方法，其包括：在待评估供水管网的合适位置处安装多个压力传感器和多个流量传感器；接收由所述多个压力传感器和所述多个流量传感器采集的所述待评估供水管网中多个管段的压力值和流量值；基于所述多个管段的压力值和流量值与所述多个管段之间的连通关系提取多模态关联特征矩阵；以及基于所述多模态关联特征矩阵，确定所述待评估供水管网的运行状态是否存在异常。

根据本申请的另一方面，提供了一种管网状态智能评估系统，其包括：信息采集模块，用于在待评估供水管网的合适位置处安装多个压力传感器和多个流量传感器；信息接收模块，用于接收由所述多个压力传感器和所述多个流量传感器采集的所述待评估供水管网中多个管段的压力值和流量值；关联特征提取模块，用于基于所述多个管段的压力值和流量值与所述多个管段之间的连通关系提取多模态关联特征矩阵；以及状态评估模块，用于基于所述多模态关联特征矩阵，确定所述待评估供水管网的运行状态是否存在异常。

与现有技术相比，本申请提供的一种管网状态智能评估系统及其方法，其综合利用管网中多个管段的压力值和流量值，并结合深度学习和人工智能技术来现对供水管网状态的实时监测和评估，以优化供水管网的运行方式，提高供水效率。同时，能够减少对传统人工巡检的依赖，提高工作效率，降低巡检成本。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的管网状态智能评估方法的流程图。

图2为根据本申请实施例的管网状态智能评估方法的系统架构图。

图3为根据本申请实施例的管网状态智能评估方法的子步骤S3的流程图。

图4为根据本申请实施例的管网状态智能评估方法的子步骤S31的流程图。

图5为根据本申请实施例的管网状态智能评估系统的框图。

图6为根据本申请实施例的管网状态智能评估方法的场景示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

随着城市化进程的不断加速，供水管网的规模和复杂度不断增加，传统的人工巡检方法已经无法满足对供水管网状态的实时监测和评估需求。因此，期待一种优化的管网状态评估方案。

在本申请的技术方案中，提出了一种管网状态智能评估方法。图1为根据本申请实施例的管网状态智能评估方法的流程图。图2为根据本申请实施例的管网状态智能评估方法的系统架构图。如图1和图2所示，根据本申请的实施例的管网状态智能评估方法，包括步骤：S1，在待评估供水管网的合适位置处安装多个压力传感器和多个流量传感器；S2，接收由所述多个压力传感器和所述多个流量传感器采集的所述待评估供水管网中多个管段的压力值和流量值；S3，基于所述多个管段的压力值和流量值与所述多个管段之间的连通关系提取多模态关联特征矩阵；以及，S4，基于所述多模态关联特征矩阵，确定所述待评估供水管网的运行状态是否存在异常。

具体地，在步骤S1中，在待评估供水管网的合适位置处安装多个压力传感器和多个流量传感器。供水管网是指由水源、输水管道、配水管道、消防水源、水池、水塔、水泵房、水表等构成的一套系统，用于将水源地的水输送到城市、乡村等地方供人们生活、工业生产和消防用水等。供水管网的主要功能是输送、储存、分配和调节水资源，保证城市、乡村等地方的水资源供应，满足人们生活、工业生产和消防用水等需求。

压力传感器是一种测量压力的传感器，它将压力转换为电信号输出。压力传感器通常由感应元件和信号处理电路两部分组成。感应元件可以将压力转换为电信号，信号处理电路则可以将感应元件输出的电信号进行放大、滤波、线性化等处理，以便于使用者进行读取和分析。压力传感器广泛应用于工业自动化、汽车、医疗设备、气象、环保等领域。

流量传感器是一种用于测量流体或气体流量的传感器。它们可以通过多种方式进行测量，包括通过测量压力差、热传导或声波传感器等。流量传感器通常用于监测和控制工业过程中的流量。

根据本申请的实施例，将多个压力传感器和多个流量传感器分别放置在管道的特定位置来采集所述多个管段的压力值和流量值。值得一提的是，为了使得数据获取和传输的过程更加自动化，可以使用物联网等技术将数据传输到云平台等数据管理系统，从而实现对水管网数据的完整管理。特别地，在确定需要安装传感器的位置时，要进行现场勘测和分析。在选择传感器安装位置时，需要考虑供水管网的结构和特点，以及需要监测的参数范围。

具体地，在步骤S2中，接收由所述多个压力传感器和所述多个流量传感器采集的所述待评估供水管网中多个管段的压力值和流量值。也就是，将所述多个压力传感器和所述多个流量传感器采集的所述待评估供水管网中多个管段的压力值和流量值接收的数据信息进行整理。

相应地，在一种可能的实现方式中，可通过以下步骤接收由所述多个压力传感器和所述多个流量传感器采集的所述待评估供水管网中多个管段的压力值和流量值，例如：安装多个压力传感器和多个流量传感器，以收集待评估供水管网中多个管段的压力值和流量值；将传感器采集到的数据传输到数据采集系统中；对传输的数据进行处理和清洗，以去除噪声和无效数据；对压力传感器和流量传感器采集到的数据进行时间同步，以确保它们在相同的时间点上采集到数据；使用压力传感器和流量传感器采集到的数据计算每个管段的平均压力和流量值；将计算出的平均压力和流量值存储到数据库中，以便后续的评估和分析；使用统计学方法和机器学习算法对数据进行分析和建模，以评估供水管网的性能和预测管道故障；根据分析结果，及时采取措施来修复管道故障和提高供水管网的性能。

具体地，在步骤S3中，基于所述多个管段的压力值和流量值与所述多个管段之间的连通关系提取多模态关联特征矩阵。特别地，在本申请的一个具体示例中，如图3所示，所述步骤S3，包括：S31，基于深度卷积神经网络模型对所述多个管段的压力值和流量值进行参数关联与融合以得到多参数融合特征矩阵；S32，基于所述多个管段之间的连通关系提取连通逻辑拓扑特征矩阵；以及，S33，融合所述多参数融合特征矩阵和所述连通逻辑拓扑特征矩阵以得到所述多模态关联特征矩阵。

更具体地，所述S31，基于深度卷积神经网络模型对所述多个管段的压力值和流量值进行参数关联与融合以得到多参数融合特征矩阵。特别地，在本申请的一个具体示例中，如图4所示，所述S31，包括：S311，将所述多个管段的压力值和流量值按照管段样本维度排列为压力输入向量和流量输入向量；S312，将所述压力输入向量和所述流量输入向量分别通过包含第一卷积层和第二卷积层的管段间参数关联特征提取器以得到压力关联特征向量和流量关联特征向量；以及，S313，使用高斯密度图来融合所述压力关联特征向量和所述流量关联特征向量以得到所述多参数融合特征矩阵。

相应地，所述S311，将所述多个管段的压力值和流量值按照管段样本维度排列为压力输入向量和流量输入向量。其中，接着将所述多个管段的压力值和流量值按照管段样本维度排列为压力输入向量和流量输入向量。其中，每个样本对应一个管段。通过这样的方式，使每个管段的各类数据转换为结构化的数据，从而可以有效地应用机器学习算法进行建模。

相应地，在一种可能的实现方式中，可通过以下步骤将所述多个管段的压力值和流量值按照管段样本维度排列为压力输入向量和流量输入向量，例如：收集多个管段的压力值和流量值数据；将每个管段的压力值和流量值按照时间顺序排列，形成一个二维矩阵；将每个管段的二维矩阵按照管段的顺序排列，形成一个三维张量；对于每个管段的三维张量，将其中的每个二维矩阵按照样本维度排列，形成一个二维矩阵；将每个管段的二维矩阵按照管段的顺序排列，形成一个新的三维张量；将每个管段的三维张量按照时间顺序排列，形成一个四维张量；对于压力输入向量，将四维张量中的每个二维矩阵的所有行向量按照时间顺序排列，形成一个一维行向量；对于流量输入向量，将四维张量中的每个二维矩阵的所有列向量按照时间顺序排列，形成一个一维列向量；将压力输入向量和流量输入向量作为模型的输入，进行后续的分析和处理。

相应地，所述S312，将所述压力输入向量和所述流量输入向量分别通过包含第一卷积层和第二卷积层的管段间参数关联特征提取器以得到压力关联特征向量和流量关联特征向量。在本申请的技术方案中，由于压力和流量输入向量在管道网络中的空间位置存在相关性，且这种空间相关性在不同区域内呈现不同的特征，因此，在本申请的技术方案中，期待利用使用不同尺度的一维卷积核来对所述压力输入向量和所述流量输入向量分别进行多尺度的卷积编码来提取其所蕴含的多尺度空间隐含关联特征分布。也就是，将所述压力输入向量和所述流量输入向量分别通过包含第一卷积层和第二卷积层的管段间参数关联特征提取器以得到压力关联特征向量和流量关联特征向量。

在本申请的一个具体示例中，将所述压力输入向量和所述流量输入向量分别通过包含第一卷积层和第二卷积层的管段间参数关联特征提取器以得到压力关联特征向量和流量关联特征向量，包括：将所述压力输入向量和所述流量输入向量分别输入所述管段间参数关联特征提取器的第一卷积层以得到所述第一邻域尺度压力关联特征向量和所述第一邻域尺度流量关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述压力输入向量和所述流量输入向量分别输入所述管段间参数关联特征提取器的第二卷积层以得到所述第二邻域尺度压力关联特征向量和所述第二邻域尺度流量关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度压力关联特征向量和所述第一邻域尺度流量关联特征向量分别与所述第二邻域尺度压力关联特征向量和所述第二邻域尺度流量关联特征向量进行级联以得到所述压力关联特征向量和所述流量关联特征向量。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式将所述压力输入向量和所述流量输入向量分别通过包含第一卷积层和第二卷积层的管段间参数关联特征提取器以得到压力关联特征向量和流量关联特征向量，例如：对于压力输入向量，首先将其输入到包含第一卷积层和第二卷积层的管段间参数关联特征提取器中；在第一卷积层中，使用一组卷积核对输入的压力向量进行卷积操作，得到一组卷积特征图；将卷积特征图输入到第二卷积层中，再次使用一组卷积核对其进行卷积操作，得到一组更高级别的卷积特征图；对于流量输入向量，同样将其输入到包含第一卷积层和第二卷积层的管段间参数关联特征提取器中；在第一卷积层中，使用一组卷积核对输入的流量向量进行卷积操作，得到一组卷积特征图；将卷积特征图输入到第二卷积层中，再次使用一组卷积核对其进行卷积操作，得到一组更高级别的卷积特征图；将压力和流量的高级别卷积特征图进行拼接，得到一个综合的特征向量；最后，使用全连接层对综合特征向量进行处理，得到压力关联特征向量和流量关联特征向量。

相应地，所述S313，使用高斯密度图来融合所述压力关联特征向量和所述流量关联特征向量以得到所述多参数融合特征矩阵。考虑到在实际场景中，压力数据和流量数据彼此关联、相互影响。为了构建它们之间的关联关系，在本申请的技术方案中，使用高斯密度图来融合所述压力关联特征向量和所述流量关联特征向量以得到多参数融合特征矩阵。其中，高斯密度图能够有效地描述数据集中特征之间的关系及其相关性。在这里，压力和流量是相互影响的物理量，高斯密度图可以很好地捕捉压力特征和流量特征之间相关性。

特别地，在本申请的一个具体示例中，所述S313，包括:使用高斯密度图来融合所述压力关联特征向量和所述流量关联特征向量以得到初始多参数融合特征矩阵；以及,对所述初始多参数融合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述多参数融合特征矩阵。

根据本申请的实施例，使用高斯密度图来融合所述压力关联特征向量和所述流量关联特征向量以得到初始多参数融合特征矩阵，包括：使用高斯密度图以如下公式来融合所述压力关联特征向量和所述流量关联特征向量以得到所述初始多参数融合特征矩阵；其中，所述公式为：

高斯密度图是一种用于可视化二维数据分布的图形，也称为热力图或密度图。它通过在二维平面上绘制一组点的密度分布来展示数据的分布情况。在高斯密度图中，每个数据点都被视为一个高斯分布，然后将所有的高斯分布叠加在一起，形成一个平滑的密度分布曲面。这个曲面上的每个点的颜色深浅表示该点周围数据点的密度值，颜色越深表示密度越大，颜色越浅表示密度越小。

根据本申请的实施例，对所述初始多参数融合特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以获得所述多参数融合特征矩阵。应可以理解，在使用高斯密度图来融合所述压力关联特征向量和所述流量关联特征向量得到所述多参数融合特征矩阵时，因为所述多参数融合特征矩阵是在所述压力关联特征向量和所述流量关联特征向量的均值特征向量的基础上通过所述压力关联特征向量和所述流量关联特征向量的逐位置方差矩阵进行行方差分布的展开得到的，因此所述多参数融合特征矩阵可以看作为各个行特征向量的局部特征集合组成的全局特征集合。并且，考虑到所述压力关联特征向量和所述流量关联特征向量的每个位置的特征值均在所述多个管段的压力值和流量值的整体时序分布内表达特定的局部时序特征，因此所述均值特征向量也具有参数时序关联分布关系。这样，所述多参数融合特征矩阵可以看作为各个行特征向量之间除了具有相互关联的邻域分布关系外，还具有对应于所述均值特征向量的所表达的参数时序分布信息的多源信息关联关系。因此，为了提升所述多参数融合特征矩阵的整体关联分布表达效果，本申请的申请人对所述多参数融合特征矩阵的每个位置的特征值

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式来基于深度卷积神经网络模型对所述多个管段的压力值和流量值进行参数关联与融合以得到多参数融合特征矩阵，例如：将原始的压力值和流量值数据进行归一化处理，使其数值范围在0到1之间，以便于神经网络模型的训练和优化；数据结构化处理：将归一化后的压力值和流量值数据按照时间顺序进行排列，并将其组成多维度的输入向量，以便于神经网络模型对其进行时序编码和特征提取；设计一个深度卷积神经网络模型，包括多个卷积层、池化层和全连接层，用于对输入的压力值和流量值数据进行时序编码和特征提取。其中，卷积层用于提取局部特征，池化层用于降低特征维度，全连接层用于将特征映射到输出空间；使用已标注的压力值和流量值数据集对神经网络模型进行训练，以优化模型参数和提高模型的泛化能力；在神经网络模型训练完成后，可以使用模型对压力值和流量值进行预测，并将预测结果与原始数据进行比较，从而得到压力值和流量值之间的参数关联关系。然后，可以将关联关系应用于压力值和流量值的融合，得到多参数融合特征矩阵；将多参数融合特征矩阵应用于管道流动状态的监测和控制，可以实现对管道流量和压力等多个参数的实时监测和控制，从而提高管道的安全性和效率。

更具体地，所述S32，基于所述多个管段之间的连通关系提取连通逻辑拓扑特征矩阵。特别地，在本申请的一个具体示例中，所述S32，包括：构造所述多个管段的连通逻辑拓扑矩阵，其中，所述连通逻辑拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个管段之间是否连通；将所述连通逻辑拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述连通逻辑拓扑特征矩阵。

根据本申请的实施例，构造所述多个管段的连通逻辑拓扑矩阵，其中，所述连通逻辑拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个管段之间是否连通。考虑到在针对管网的运行状态评估过程中，各个管段之间的连通关系对于整个管网的运行状态分析至关重要。为此，在本申请的技术方案中，先构造所述多个管段的连通逻辑拓扑矩阵，其中，所述连通逻辑拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个管段之间是否连通。也就是，通过构造所述连通逻辑拓扑矩阵以更好地呈现管网的物理结构特征。

拓扑位置是指在一个拓扑结构中，某个节点或元件所处的位置。拓扑位置通常是相对的，即某个节点或元件的位置是相对于其他节点或元件而言的。

根据本申请的实施例，将所述连通逻辑拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述连通逻辑拓扑特征矩阵。将所述连通逻辑拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到连通逻辑拓扑特征矩阵。其中，卷积神经网络是一种被广泛应用的神经网络模型，擅长于对图像等高维数据进行处理。在供水管网的状态评估的应用中，为能够捕捉管网之间的空间拓扑特征，以便更好地分析其运行状态和特性，利用卷积神经网络模型构建拓扑特征提取器，以此来对连通逻辑拓扑矩阵进行卷积处理并从中提取拓扑特征。

更具体地，将所述连通逻辑拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述连通逻辑拓扑特征矩阵，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述连通逻辑拓扑特征矩阵，所述作为过滤器的卷积神经网络的第一层的输入为所述连通逻辑拓扑矩阵。

卷积神经网络模型包括输入层、卷积层、激活层、池化层和输出层。其中，卷积层通过滑动一个卷积核（也称为过滤器）在输入层上提取特征，形成特征图（Feature Map）。卷积层通常需要指定卷积核的数量、大小、步长和填充方式等参数。例如，可以定义两个卷积核，大小为3x3，步长为1，使用零填充。激活层用于在卷积层输出的结果中引入非线性。通常，ReLU函数被广泛应用于卷积神经网络中，其数学表达式为：f(x)=max(0,x)。池化层用于减小数据的维度，常用的池化方法为最大池化（Max-Pooling），即从特征图中选出固定大小的区域，取其中最大的值作为该区域的特征。值得注意的是，在本申请的所述卷积神经网络模型中，最后一层池化层对输入的特征图进行沿通道维度的全局均值池化操作，最终的输出结果为所述连通逻辑拓扑特征矩阵。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述多个管段之间的连通关系提取连通逻辑拓扑特征矩阵，例如：确定管段之间的连通关系，可以通过管道的布局图或者实际的管道连接情况来确定；根据连通关系，建立管段之间的拓扑关系矩阵，其中每个元素表示两个管段之间是否相邻或者连通；对拓扑关系矩阵进行处理，得到连通逻辑拓扑特征矩阵。这个矩阵描述了管段之间的连通关系，并且可以用于后续的分析和建模；可以使用一些图论算法来对连通逻辑拓扑特征矩阵进行分析，比如最短路径算法、最大流算法等等；最后，可以根据连通逻辑拓扑特征矩阵来进行管道系统的优化和调整，以提高系统的效率和稳定性。

更具体地，所述S33，融合所述多参数融合特征矩阵和所述连通逻辑拓扑特征矩阵以得到所述多模态关联特征矩阵。也就是，融合所述多参数融合特征矩阵和所述连通逻辑拓扑特征矩阵以得到多模态关联特征矩阵。这样，使得所述多模态关联特征矩阵同时包含参数之间的关联特征分布模式和管网的空间拓扑特征分布信息，具有更为出色的特征表征能力。

相应地，在一种可能的实现方式中，可通过以下步骤融合所述多参数融合特征矩阵和所述连通逻辑拓扑特征矩阵以得到所述多模态关联特征矩阵，例如：首先，将多参数融合特征矩阵和连通逻辑拓扑特征矩阵进行拼接，得到一个大的特征矩阵；接着，对特征矩阵进行归一化处理，以便不同特征之间的权重可以被平等地考虑；然后，使用线性变换或非线性变换的方法，将特征矩阵映射到一个更高维的空间中，以增强特征之间的相关性；接下来，使用卷积神经网络或循环神经网络等方法，对特征矩阵进行时序编码，以捕捉特征之间的时序关系；最后，将时序编码后的特征矩阵与原始特征矩阵进行拼接，并使用神经网络模型对其进行训练，以得到最终的多模态关联特征矩阵。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式来基于所述多个管段的压力值和流量值与所述多个管段之间的连通关系提取多模态关联特征矩阵，例如：收集多个管段的压力值和流量值数据，并记录它们之间的连通关系。这些数据可以通过传感器或其他设备进行采集和记录；对收集到的数据进行预处理，包括数据清洗、去噪、归一化等操作，以确保数据的质量和可靠性；根据具体问题的需要，确定适合的特征提取方法。例如，可以使用局部邻域时序关联特征提取方法来提取时序特征向量，并使用文本语义关联特征的表达方式和一些优化方法，提高语义匹配特征矩阵的表达效果和泛化能力；根据所选择的特征提取方法，对每个管段的压力值和流量值进行特征提取，并将它们组合成一个特征向量；将所提取的特征向量组成一个矩阵，其中每一行代表一个管段的特征向量，每一列代表一个特征维度。然后，根据管道之间的连通关系，构建一个关联矩阵，其中每个元素代表两个管段之间的关联程度；将所构建的关联矩阵与特征矩阵相乘，得到一个多模态关联特征矩阵，其中每行代表一个管段的多模态关联特征向量，每列代表一个关联维度；将所得到的多模态关联特征矩阵应用于具体问题中，例如，可以将其用于管道的状态监测和预测，或用于多尺度电力审计问题的解决等。

具体地，在步骤S4中，基于所述多模态关联特征矩阵，确定所述待评估供水管网的运行状态是否存在异常。特别地，在本申请的一个具体示例中，将所述多模态关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待评估供水管网的运行状态是否存在异常，更具体地，将所述多模态关联特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。也就是，利用分类器中的软最大值函数来进行分类处理，以将所述多模态关联特征矩阵映射至对应的分类标签中，即“待评估供水管网的运行状态存在异常”或“待评估供水管网的运行状态不存在异常”。在实际应用中，所述分类结果可以用于提示管网管理人员及时进行管道维修和管理决策，提高管网的可靠性和管理效率。

分类器是一种机器学习算法，用于将输入数据分成不同的类别。分类器的目标是学习一个从输入到输出的映射函数，使得输入数据可以被正确分类到已知的类别中。常见的分类器包括决策树、朴素贝叶斯、支持向量机、逻辑回归等。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述多模态关联特征矩阵，确定所述待评估供水管网的运行状态是否存在异常，例如：收集供水管网的各项数据，包括供水流量、水压、水温等多个指标，并将其转换为数值向量形式；对于每个指标，使用相应的模型进行特征提取，得到特征向量；将所有指标的特征向量拼接成一个多模态特征矩阵；对于每个时间片段，使用多模态关联特征提取方法，得到该时间片段的特征向量；将所有时间片段的特征向量组成特征矩阵；对于待评估的供水管网，使用同样的方法得到其特征矩阵；计算待评估供水管网的特征矩阵与历史数据的特征矩阵之间的相似度，可以使用余弦相似度或其他相似度度量方法；根据相似度的大小，判断待评估供水管网的运行状态是否存在异常。如果相似度较低，说明待评估供水管网的运行状态存在异常。

综上，根据本申请的实施例的管网状态智能评估方法被阐明，其综合利用管网中多个管段的压力值和流量值，并结合深度学习和人工智能技术来现对供水管网状态的实时监测和评估，以优化供水管网的运行方式，提高供水效率。同时，能够减少对传统人工巡检的依赖，提高工作效率，降低巡检成本。

根据本申请的实施例，还提供了一种管网状态智能评估系统。

图5为根据本申请实施例的管网状态智能评估系统的框图。如图5所述，根据本申请的实施例的管网状态智能评估系统300，包括：信息采集模块310，用于在待评估供水管网的合适位置处安装多个压力传感器和多个流量传感器；信息接收模块320，用于接收由所述多个压力传感器和所述多个流量传感器采集的所述待评估供水管网中多个管段的压力值和流量值；关联特征提取模块330，用于基于所述多个管段的压力值和流量值与所述多个管段之间的连通关系提取多模态关联特征矩阵；以及，状态评估模块340，用于基于所述多模态关联特征矩阵，确定所述待评估供水管网的运行状态是否存在异常。

如上所述，根据本申请实施例的管网状态智能评估系统300可以实现在各种无线终端中，例如具有管网状态智能评估算法的服务器等。在一种可能的实现方式中，根据本申请实施例的管网状态智能评估系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该管网状态智能评估系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该管网状态智能评估系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该管网状态智能评估系统300与该无线终端也可以是分立的设备，并且该管网状态智能评估系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图6为根据本申请实施例的管网状态智能评估方法的场景示意图。如图6所示，在该应用场景中，通过多个压力传感器（例如，如图6中所示意的Va，Vb，...Vc）获取所述待评估供水管网中多个管段的压力值；以及，通过多个流量传感器（例如，如图6中所示意的V1，V2，...，Vn）获取所述待评估供水管网中多个管段的流量值。接着，将上述数据输入至部署有用于管网状态智能评估算法的服务器（例如，图6中的S）中，其中，所述服务器能够以所述管网状态智能评估算法对上述输入的数据进行处理，以生成用于表示被所述待评估供水管网的运行状态是否存在异常的分类结果。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。