一种供水管网漏损管理系统

技术领域

本发明属于供水管网技术领域；具体是一种供水管网漏损管理系统。

背景技术

城市供水管网是城市建设重要的基础设施，是赖以生存和发展的物质基础，在其维护管理过程中，供水管网存在漏损情况，严重的经常发生爆管等大面积漏损事故，导致供水漏损损失量大，不仅浪费水资源，而且对市民的日常生活、工厂企业的生产运转及供水企业的社会和经济效益造成较大影响。

发明内容

本发明的目的在于提供一种供水管网漏损管理系统，解决检测供水管网漏损困难的问题。

本发明的目的可以通过以下技术方案实现：

一种供水管网漏损管理系统，包括检测模块、服务器、定位模块、施工模块、储存模块、分析模块和预测模块；所述检测模块用于实时检测供水管网漏损情况，将整个供水管网划分为若干个检测片区，并在每个检测片区的初始端和末端设置流量检测单元，获得每个检测片区的初始端和末端的流量差值，设置流量差值红线，在每个检测片区的初始端设置探查单元，探查单元用于在检测片区的初始端发送检测球，当检测片区的初始端和末端的流量差值超过流量差值红线时，将对应的检测片区进行标记，生成探查信号，将探查信号发送到服务器，服务器控制标记检测片区内的探查单元发送检测球，并实时追踪检测球位置，当检测球移动出管道范围时，对检测球路径与管道路径进行比对，获得管道漏点，将管道漏点标记为待检测点，将待检测点位置发送到服务器；所述定位模块用于对待检测点的位置进行确认，并将确认后的位置标记为施工点。

进一步地，所述施工模块用于将施工点标记到地图上，并对标记到地图上的点检进行分析，获取施工点位置，将待检测点位置标记到地图上，获取标记到地图上点的信息，将标记到地图上点的信息进行汇总。

进一步地，所述分析模块用于分析供水管网的漏损原因，获取供水管网维修部位信息，分析漏损原因，将相同的漏损原因进行汇总，按照不同的管道进行分类。

进一步地，所述预测模块用于对供水管网的漏损进行预测，实时获取供水管网的检测数据、使用时长和工作环境，整合并标记为输入数据；获取预测模型；将输入数据输入至预测模型获取输出结果并标记为预测标签，预测标签即为输入数据对应的状态标签；将预测标签发送至储存模块。

进一步地，所述预测模型的获取方法是通过储存模块获取供水管网历史数据；管道漏损包括材质漏损和施工漏损；为供水管网历史数据设置状态标签；所述状态标签包括A、B和C，当状态标签为A时，表示供水管网正常，当状态标签为B时，表示供水管网发生材质漏损，当状态标签为C时，表示供水管网发生施工漏损，构建人工智能模型，所述人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；将供水管网历史数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集；所述设定比例包括2：1：1、3：2：1和3：1：1；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为预测模型；通过处理器将预测模型分别发送至储存模块和预测模块。

进一步地，定位模块对待检测点的位置进行确认的方法是获取待检测点的位置信息和检测人员信息，将检测人员标记为i，获取检测人员的工作状态，检测人员的工作状态包括忙碌状态和空闲状态，将检测人员的工作状态标记为Pi，获取检测人员与待检测点之间的距离，将检测人员与待检测点之间的距离标记为Li，根据公式Qi＝λ*(b1*Pi+1)/(b2*Li+1)获取得到优先值Qi，将优先值Qi按照由大到小的顺序进行排列，并派遣优先值Qi排列第一的检测人员进行检测。

本发明的有益效果：通过检测模块实时检测供水管网漏损情况，及时发现可疑漏水点，做好应对措施，在每个检测片区的初始端和末端设置流量检测单元，可以有效的了解到水量差，进一步的判断有没有漏损，每个检测片区的初始端设置探查单元，探查单元用于在检测片区的初始端发送检测球，被发送的检测球可以是一个也可以是多个，检测球可以被定位，随供水管网内的水流动，有漏水点时，检测球的直径很小，将会从漏水点流出管道，直接确定漏水点的大致范围，极大的降低工作人员的查找难度，提高工作效率，通过定位模块对待检测点的位置进行确认，并将确认后的位置标记为施工点，方便后续的漏损维修；通过施工模将施工点标记到地图上，并对标记到地图上的点检进行分析，将待检测点位置标记到地图上，将标记到地图上点的信息进行汇总，管理人员可以带着汇总的信息到有关部门请求施工维修，帮助管理人员规划维修事宜，方便管理人员携带获取的数据去关部门请求施工维修，通过分析模块分析供水管网的漏损原因，将相同的漏损原因进行汇总，按照不同的管道进行分类，根据分类后的漏损原因可以发现某条管道因为使用时间过长，频繁发生漏损，需要对该管道进行改建，当发现某个施工队施工的管道频繁发生管道漏损，则证明该施工队施工质量差，可以进行索赔，对该施工队施工的管道进行排查；通过预测模块对供水管网的漏损进行预测，提前了解可能发生的漏损，做好应对措施，降低损失。

附图说明

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，下面将对实施例或现有技术描述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。

图1为本发明原理框图。

具体实施方式

下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

如图1所示，一种供水管网漏损管理系统，包括检测模块、服务器、定位模块、施工模块、储存模块、分析模块和预测模块；

检测模块用于实时检测供水管网漏损情况，将整个供水管网划分为若干个检测片区，并在每个检测片区的初始端和末端设置流量检测单元，用于检测检测片区的初始端和末端的水体流量，获得每个检测片区的初始端和末端的流量差值，设置流量差值红线，流量差值红线根据管网漏损规范、政策和实际实况有专家组讨论设置，在每个检测片区的初始端设置探查单元，探查单元用于在检测片区的初始端发送检测球，被发送的检测球可以是一个也可以是多个，检测球可以被定位，随供水管网内的水流动，有漏水点时，检测球的直径很小，将会从漏水点流出管道，优选的，检测球还可以被替换成其他可以被追踪的对人体无害的物体或液体，当检测片区的初始端和末端的流量差值超过流量差值红线时，将对应的检测片区进行标记，生成探查信号，将探查信号发送到服务器，服务器控制标记检测片区内的探查单元发送检测球，并实时追踪检测球位置，当检测球移动出管道范围时，对检测球路径与管道路径进行比对，获得管道漏点，将管道漏点标记为待检测点，将待检测点位置发送到服务器；

定位模块用于对待检测点的位置进行确认，并将确认后的位置标记为施工点，具体方法包括以下步骤：

步骤S11：获取待检测点的位置信息和检测人员信息，检测人员信息包括姓名、联系方式、年龄和工龄，将检测人员标记为i，其中i＝1、2、……、n，n为正整数；

步骤S12：获取检测人员的工作状态，检测人员的工作状态包括忙碌状态和空闲状态，将检测人员的工作状态标记为Pi，获取检测人员与待检测点之间的距离，将检测人员与待检测点之间的距离标记为Li，将检测人员、检测人员的工作状态和检测人员与待检测点之间的距离进行去除量纲取其数值计算；

步骤S13：根据公式Qi＝λ*(b1*Pi+1)/(b2*Li+1)获取得到优先值Qi，其中，b1、b2均为比例系数，取值范围为0≤b1≤1，0

步骤S14：将优先值Qi按照由大到小的顺序进行排列，并派遣优先值Qi排列第一的检测人员进行检测；

施工模块用于将施工点标记到地图上，并对标记到地图上的点检进行分析，获取施工点位置，将待检测点位置标记到地图上，获取标记到地图上点的信息，包括周边建筑情况、环境情况、道路情况，建筑情况是周边有没有住人、有没有商铺、施工时对住户和商铺的影响，环境情况是属于城市内还是城市外、施工时对环境的影响，道路情况是人流量、施工时对交通的影响，将标记到地图上点的信息进行汇总，管理人员可以带着汇总的信息到有关部门请求施工维修；

分析模块用于分析供水管网的漏损原因，获取供水管网维修部位信息，供水管网维修部位信息包括管道材质、管道壁厚、使用年限，分析漏损原因，漏损原因包括管道材质问题、管道施工质量问题和人为破坏，管道使用时间过长，管道厚度降低，容易发生管道漏损，管道施工质量差时，容易在管道交接处容易漏水，还有可能是附近施工人为破坏，通过观察漏损部位可以了解到漏损原因，将相同的漏损原因进行汇总，按照不同的管道进行分类，因为管道有不同的型号、不同的施工时期，对管道的编号不同，因此可以根据不同的管道进行分类，根据分类后的漏损原因可以发现某条管道因为使用时间过长，频繁发生漏损，需要对该管道进行改建，当发现某个施工队施工的管道频繁发生管道漏损，则证明该施工队施工质量差，可以进行索赔，对该施工队施工的管道进行排查；

预测模块用于对供水管网的漏损进行预测，实时获取供水管网的检测数据、使用时长和工作环境，整合并标记为输入数据；供水管网的检测数据包括水压、水体流量、管道壁厚，供水管网的使用时长是从管道交付使用至今使用的时长，供水管网的工作环境是管道设置在地上还是地下、土壤酸碱性、管道上方人流量；获取预测模型；将输入数据输入至预测模型获取输出结果并标记为预测标签，预测标签即为输入数据对应的状态标签；将预测标签发送至储存模块；

进一步的，预测模型的获取方法具体包括以下步骤：

步骤S21：通过储存模块获取供水管网历史数据；供水管网历史数据包括发生管道漏水时前N日供水管网的检测数据、使用时长和工作环境；管道漏损包括材质漏损和施工漏损，材质漏损就是因为管道使用时长过长导致管道材质不达标，施工漏损就是因为管道施工的质量不达标，其中N为比例系数，且N≥3；

步骤S22：为供水管网历史数据设置状态标签；状态标签包括A、B和C，当状态标签为A时，表示供水管网正常，当状态标签为B时，表示供水管网发生材质漏损，当状态标签为C时，表示供水管网发生施工漏损；

步骤S23：构建人工智能模型；人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；将供水管网历史数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集；设定比例包括2：1：1、3：2：1和3：1：1；

步骤S24：通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为预测模型；通过处理器将预测模型分别发送至储存模块和预测模块；

一种供水管网漏损管理系统的使用方法，具体使用方法包括以下步骤：

步骤一：检测供水管网中可能的漏损点；

通过检测模块实时检测供水管网漏损情况，将整个供水管网划分为若干个检测片区，并在每个检测片区的初始端和末端设置流量检测单元，获得每个检测片区的初始端和末端的流量差值，设置流量差值红线，在每个检测片区的初始端设置探查单元，探查单元用于在检测片区的初始端发送检测球，当检测片区的初始端和末端的流量差值超过流量差值红线时，将对应的检测片区进行标记，生成探查信号，将探查信号发送到服务器，服务器控制标记检测片区内的探查单元发送检测球，并实时追踪检测球位置，当检测球移动出管道范围时，对检测球路径与管道路径进行比对，获得管道漏点，将管道漏点标记为待检测点，将待检测点位置发送到服务器；

步骤二：对供水管网中可能的漏损点进行确认定位；

获取待检测点的位置信息和检测人员信息，检测人员信息包括姓名、联系方式、年龄和工龄，将检测人员标记为i，获取检测人员的工作状态，将检测人员的工作状态标记为Pi，获取检测人员与待检测点之间的距离，将检测人员与待检测点之间的距离标记为Li，根据公式Qi＝λ*(b1*Pi+1)/(b2*Li+1)获取得到优先值Qi，将优先值Qi按照由大到小的顺序进行排列，并派遣优先值Qi排列第一的检测人员进行检测；将施工点标记到地图上，并对标记到地图上的点检进行分析，获取施工点位置，将待检测点位置标记到地图上，获取标记到地图上点的信息，将标记到地图上点的信息进行汇总，管理人员可以带着汇总的信息到有关部门请求施工维修；

步骤三：分析供水管网的漏损原因，获取供水管网维修部位信息，分析漏损原因，管道使用时间过长，管道厚度降低，容易发生管道漏损，管道施工质量差时，容易在管道交接处容易漏水，还有可能是附近施工人为破坏，通过观察漏损部位可以了解到漏损原因，将相同的漏损原因进行汇总，按照不同的管道进行分类，因为管道有不同的型号、不同的施工时期，对管道的编号不同，因此可以根据不同的管道进行分类，根据分类后的漏损原因可以发现某条管道因为使用时间过长，频繁发生漏损，需要对该管道进行改建，当发现某个施工队施工的管道频繁发生管道漏损，则证明该施工队施工质量差，可以进行索赔，对该施工队施工的管道进行排查；

步骤四：对供水管网的漏损进行预测，实时获取供水管网的检测数据、使用时长和工作环境，整合并标记为输入数据；获取预测模型；将输入数据输入至预测模型获取输出结果并标记为预测标签，预测标签即为输入数据对应的状态标签；将预测标签发送至储存模块；

所述预测模型的获取方法是通过储存模块获取供水管网历史数据；管道漏损包括材质漏损和施工漏损；为供水管网历史数据设置状态标签；所述状态标签包括A、B和C，当状态标签为A时，表示供水管网正常，当状态标签为B时，表示供水管网发生材质漏损，当状态标签为C时，表示供水管网发生施工漏损，构建人工智能模型，所述人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；将供水管网历史数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集；所述设定比例包括2：1：1、3：2：1和3：1：1；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为预测模型；通过处理器将预测模型分别发送至储存模块和预测模块。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况设定。

本发明在使用时，检测供水管网中可能的漏损点；通过检测模块实时检测供水管网漏损情况，将整个供水管网划分为若干个检测片区，并在每个检测片区的初始端和末端设置流量检测单元，获得每个检测片区的初始端和末端的流量差值，设置流量差值红线，在每个检测片区的初始端设置探查单元，探查单元用于在检测片区的初始端发送检测球，当检测片区的初始端和末端的流量差值超过流量差值红线时，将对应的检测片区进行标记，生成探查信号，将探查信号发送到服务器，服务器控制标记检测片区内的探查单元发送检测球，并实时追踪检测球位置，当检测球移动出管道范围时，对检测球路径与管道路径进行比对，获得管道漏点，将管道漏点标记为待检测点，将待检测点位置发送到服务器；

对供水管网中可能的漏损点进行确认定位；获取待检测点的位置信息和检测人员信息，检测人员信息包括姓名、联系方式、年龄和工龄，将检测人员标记为i，获取检测人员的工作状态，将检测人员的工作状态标记为Pi，获取检测人员与待检测点之间的距离，将检测人员与待检测点之间的距离标记为Li，根据公式Qi＝λ*(b1*Pi+1)/(b2*Li+1)获取得到优先值Qi，将优先值Qi按照由大到小的顺序进行排列，并派遣优先值Qi排列第一的检测人员进行检测；将施工点标记到地图上，并对标记到地图上的点检进行分析，获取施工点位置，将待检测点位置标记到地图上，获取标记到地图上点的信息，将标记到地图上点的信息进行汇总，管理人员可以带着汇总的信息到有关部门请求施工维修；

分析供水管网的漏损原因，获取供水管网维修部位信息，分析漏损原因，管道使用时间过长，管道厚度降低，容易发生管道漏损，管道施工质量差时，容易在管道交接处容易漏水，还有可能是附近施工人为破坏，通过观察漏损部位可以了解到漏损原因，将相同的漏损原因进行汇总，按照不同的管道进行分类，因为管道有不同的型号、不同的施工时期，对管道的编号不同，因此可以根据不同的管道进行分类，根据分类后的漏损原因可以发现某条管道因为使用时间过长，频繁发生漏损，需要对该管道进行改建，当发现某个施工队施工的管道频繁发生管道漏损，则证明该施工队施工质量差，可以进行索赔，对该施工队施工的管道进行排查；

对供水管网的漏损进行预测，实时获取供水管网的检测数据、使用时长和工作环境，整合并标记为输入数据；通过储存模块获取供水管网历史数据；管道漏损包括材质漏损和施工漏损；为供水管网历史数据设置状态标签；所述状态标签包括A、B和C，当状态标签为A时，表示供水管网正常，当状态标签为B时，表示供水管网发生材质漏损，当状态标签为C时，表示供水管网发生施工漏损，构建人工智能模型，所述人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；将供水管网历史数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集；所述设定比例包括2：1：1、3：2：1和3：1：1；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为预测模型；通过处理器将预测模型分别发送至储存模块和预测模块，将输入数据输入至预测模型获取输出结果并标记为预测标签，预测标签即为输入数据对应的状态标签；将预测标签发送至储存模块。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。