检测方法、装置、设备及存储介质与流程
本申请属于水务检测，尤其涉及一种检测方法、装置、设备及存储介质。
背景技术：
1、传统的水务监测系统主要依赖于人力巡检和简单的传感器数据采集，其存在数据采集不及时、数据质量不高、监测结果不准确等问题。这些问题导致无法及时发现和处理异常情况，进而影响城市水务系统的整体运行效率。在传统水务监测系统中，数据采集主要依赖于单一类型的传感器，数据处理方式相对简单，通常采用规则或经验模型进行数据分析和异常检测，但是这些方法都存在检测的准确性较低，且效率不高问题。
技术实现思路
1、针对上述问题，本申请实施例提供了一种检测方法、装置、设备及存储介质，能够提高对水务系统的检测的准确性。
2、本申请实施例提供了一种检测方法，包括：
3、获取城市水务系统中关键位置的传感器的第一检测数据；
4、对所述第一检测数据进行预处理，得到处理后的第一检测数据；
5、从处理后的第一检测数据中提取各个传感器对应的关键特征信息；
6、将所述关键特征信息和传感器的拓扑结构数据输入至预先建立的网络模型中确定各个关键位置的检测结果；
7、在存在目标关键位置的检测结果存在异常的情况下，输出预警信号。
8、在一些实施例中，所述关键特征信息包括：基于时间序列的特征数据，所述网络模型包括：转换器层、图神经网络层、融合层以及检测结果输出层，所述转换器层和所述图神经网络层的输出为所述融合层的输入，所述融合层的输出为所述检测结果输出层的输入，所述转换器层的输入包括：基于时间序列的特征数据，所述转换器层的输出包括编码后的特征，所述图神经网络层的输入包括：传感器的拓扑结构数据和基于时间序列的特征数据，所述图神经网络层的输出为每个传感器的更新特征数据，所述融合层用于将所述编码后的特征和所述更新特征数据进行融合得到融合特征，所述检测结果输出层用于基于所述融合特征输出检测结果。
9、在一些实施例中，所述图神经网络层引入有注意力机制和多头注意力，图神经网络层引入的注意力机制用于基于传感器的拓扑结构数据和基于时间序列的特征数据计算注意力系数，图神经网络层引入的多头注意力机制用于将所述注意力系数应用于图神经网络层中消息的传递过程中，以基于所述注意力系数更新各个传感器的更新特征数据。
10、在一些实施例中，所述时间序列的特征数据，包括：重金属含量、微生物浓度、水量、水流速度、水温和水压，计算注意力系数的第一计算公式包括：
11、；
12、其中，ij为传感器和传感器之间的注意力系数，为注意力机制中的训练参数向量，w 为特征变换矩阵，||表示向量连接操作，d为传感器和传感器之间的距离，n（）为传感器的邻居节点集合，x为传感器的特征矩阵，x包括重金属含量 chm、微生物浓度 fmb、水量q、水流速度 v、水温 t 和水压 p，邻接矩阵 a表示传感器之间的连接关系；
13、所述图神经网络层基于所述注意力系数采用第二计算公式更新各个传感器的更新特征数据，第二计算公式包括：
14、；其中，σ为激活函数，为第个注意力头的注意力系数，为第个注意力头的特征变换矩阵，h 为多头注意力的头数。
15、在一些实施例中，所述转换器层引入有双重自监督学习机制，所述转换器层引入的双重自监督学习机制用于将基于时间序列的特征数据加入位置编码，并基于加入有位置编码的特征数据进行双重自监督学习，其中，所述双重自监督学习包括：掩蔽特征预测任务和邻域特征预测任务，所述掩蔽特征预测任务用于将加入有位置编码的特征数据进行随机掩蔽并预测被掩蔽的特征值，所述邻域特征预测任务用于预测传感器的邻居节点的特征表示，所述转换器层的损失函数包括：所述邻域特征预测任务的损失和所述掩蔽特征预测任务的损失。
16、在一些实施例中，所述方法还包括：
17、获取所述城市水务系统中备选监测点的第二检测数据，其中，所述第二检测数据包括：重金属含量、水温和水流量；
18、基于所述第二检测数据采用第三计算公式从所述备选监测点中确定所述目标监测点，以基于所述目标监测点确定关键位置，其中，所述第三计算公式包括：
19、
20、其中， loptimal为最优监测点位置，n 为备选监测点的数量，为第个监测点的水量，为第个监测点的重金属含量，为第个监测点与城市水务系统中心之间的距离，为第个监测点的水温，α和β为经验系数。
21、在一些实施例中，所述检测信息包括：异常类型、异常位置和异常程度，在存在目标关键位置的检测结果存在异常的情况下，输出预警信号，包括：
22、在存在目标关键位置的检测结果存在异常的情况下，基于所述异常类型、异常位置和异常程度确定处理建议；
23、将所述异常类型、异常位置和处理建议发送给所述目标关键位置对应的管理人员。
24、本申请实施例提供一种检测装置，包括：
25、获取模块，用于获取城市水务系统中关键位置的传感器的第一检测数据；
26、预处理模块，用于对所述第一检测数据进行预处理，得到处理后的第一检测数据；
27、提取模块，用于从处理后的第一检测数据中提取各个传感器对应的关键特征信息；
28、确定模块，用于将所述关键特征信息和传感器的拓扑结构数据输入至预先建立的网络模型中确定各个关键位置的检测结果；
29、输出模块，用于在存在目标关键位置的检测结果存在异常的情况下，输出预警信号。
30、本申请实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
31、本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
32、本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得电子设备执行上述任一项所述的方法。
33、本申请实施例提供的一种检测方法，通过获取城市水务系统中关键位置的传感器的第一检测数据；对所述第一检测数据进行预处理，得到处理后的第一检测数据；从处理后的第一检测数据中提取各个传感器对应的关键特征信息；将所述关键特征信息和传感器的拓扑结构数据输入至预先建立的网络模型中确定各个关键位置的检测结果；在存在目标关键位置的检测结果存在异常的情况下，输出预警信号，能够提高对水务系统的检测的准确性。
技术特征：
1.一种检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述关键特征信息包括：基于时间序列的特征数据，所述网络模型包括：转换器层、图神经网络层、融合层以及检测结果输出层，所述转换器层和所述图神经网络层的输出为所述融合层的输入，所述融合层的输出为所述检测结果输出层的输入，所述转换器层的输入包括：基于时间序列的特征数据，所述转换器层的输出包括编码后的特征，所述图神经网络层的输入包括：传感器的拓扑结构数据和基于时间序列的特征数据，所述图神经网络层的输出为每个传感器的更新特征数据，所述融合层用于将所述编码后的特征和所述更新特征数据进行融合得到融合特征，所述检测结果输出层用于基于所述融合特征输出检测结果。
3.根据权利要求2所述的方法，其特征在于，所述图神经网络层引入有注意力机制和多头注意力，图神经网络层引入的注意力机制用于基于传感器的拓扑结构数据和基于时间序列的特征数据计算注意力系数，图神经网络层引入的多头注意力机制用于将所述注意力系数应用于图神经网络层中消息的传递过程中，以基于所述注意力系数更新各个传感器的更新特征数据。
4.根据权利要求3所述的方法，其特征在于，所述时间序列的特征数据，包括：重金属含量、微生物浓度、水量、水流速度、水温和水压，计算注意力系数的第一计算公式包括：
5.根据权利要求2所述的方法，其特征在于，所述转换器层引入有双重自监督学习机制，所述转换器层引入的双重自监督学习机制用于将基于时间序列的特征数据加入位置编码，并基于加入有位置编码的特征数据进行双重自监督学习，其中，所述双重自监督学习包括：掩蔽特征预测任务和邻域特征预测任务，所述掩蔽特征预测任务用于将加入有位置编码的特征数据进行随机掩蔽并预测被掩蔽的特征值，所述邻域特征预测任务用于预测传感器的邻居节点的特征表示，所述转换器层的损失函数包括：所述邻域特征预测任务的损失和所述掩蔽特征预测任务的损失。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述检测结果包括：异常类型、异常位置和异常程度，在存在目标关键位置的检测结果存在异常的情况下，输出预警信号，包括：
8.一种检测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
技术总结
本申请实施例提供的一种检测方法、装置、设备及存储介质，通过获取城市水务系统中关键位置的传感器的第一检测数据；对所述第一检测数据进行预处理，得到处理后的第一检测数据；从处理后的第一检测数据中提取各个传感器对应的关键特征信息；将所述关键特征信息和传感器的拓扑结构数据输入至预先建立的网络模型中确定各个关键位置的检测结果；在存在目标关键位置的检测结果存在异常的情况下，输出预警信号，能够提高对水务系统的检测的准确性。
技术研发人员：姚朋铖,陈嘉缙,张元朋,马志军
受保护的技术使用者：中电科新型智慧城市研究院有限公司
技术研发日：
技术公布日：2024/9/23