管网淤堵分析方法、装置、计算机设备及存储介质与流程

1.本技术涉及人工智能领域，尤其涉及一种管网淤堵分析方法、装置、计算机设备及存储介质。


背景技术：

2.在城镇的建设过程中，排水管网的建设必不可少，排水管网一直是排水体系的重中之重，由于排水管网运算污水的特殊性，导致其有很大的淤堵风险。淤堵来源主要有污水中自带的垃圾、污泥和外部异物穿入等几大原因。管网一旦淤堵，原有的排水能力就会受到限制，造成附件污水无法正常运输，检查井高水位甚至溢流，污染居民生活环境和市容市貌，并且要在的还有可能对管网结果造成破坏影响。在现有技术中，常基于gis对拓扑关系的呈现和监测设备的数据监测展示，其仅在管网被完全堵住时，才能被察觉，因此，如何对管网的淤堵情况提前进行分析和预警成为了亟待解决的问题。


技术实现要素：

3.本技术提供了一种管网淤堵分析方法、装置、计算机设备及存储介质，以解决现有技术中，如何对管网的淤堵情况提前进行分析和预警的问题。
4.为解决上述问题，本技术提供了一种管网淤堵分析方法，包括：
5.获取管网的基础数据以及实时监测数据；
6.根据所述基础数据和实时监测数据，利用淤堵分析模型进行分析处理，得到所述管网对应的淤堵高度，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；
7.基于所述管网对应基础数据中的历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级；
8.根据所述管网的淤堵等级进行分级告警。
9.进一步的，所述获取管网的基础数据包括：
10.向预设知识库发送调用请求，所述调用请求携带验签令牌；
11.接收所述知识库返回的验签结果，并在验签结果为通过时，调用所述预设知识库中的所述基础数据，所述验签结果为所述知识库根据所述验签令牌进行rsa非对称加密方式验证得到。
12.进一步的，所述根据所述基础数据和实时监测数据，利用淤堵分析模型进行分析处理，得到所述管网对应的淤堵高度包括：
13.根据所述管网下各管道的基础数据确定对应的预设范围，将所述实时监控数据与对应的预设范围进行比较判断；
14.将在所述预设范围之外的所述实时监控数据输入所述淤堵分析模型中进行分析处理，得到所述管网对应的淤堵高度。
15.进一步的，在所述基于所述管网对应基础数据中的历史缺陷、实时监测数据和淤
堵高度，确定所述管网的淤堵等级之前，还包括：
16.根据所述历史缺陷中各缺陷点对应的历史淤堵情况，对各所述缺陷点以降序进行排序；
17.根据所述排序，对各所述缺陷点赋以对应的风险权重。
18.进一步的，所述基于所述管网对应基础数据中的历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级包括：
19.根据所述历史缺陷、实时监测数据和淤堵高度，利用风险预测模型，确定所述管网下各管道的风险等级，所述风险预测模型基于反向传播神经网络训练得到；
20.将带有风险权重的各所述缺陷点与所述管道进行匹配，确定各所述管道的风险权重；
21.将各所述管道对应的所述风险等级和风险权重相加，得到所述管网下各所述管道的淤堵等级。
22.进一步的，所述根据所述历史缺陷、实时监测数据和淤堵高度，利用风险预测模型，确定所述管网下各管道的风险等级包括：
23.根据所述历史缺陷和淤堵高度，确定所述管网的第一液位；
24.根据所述第一液位和实时监测数据，利用风险预测模型预测未来预设时间内各所述管道的第二液位和流速的变化趋势；
25.基于所述第二液位和流速的变化趋势，确定各所述管道的风险等级。
26.进一步的，在所述根据所述管网的淤堵等级进行分级告警之后，还包括：
27.接收对所述淤堵高度对应的真实淤堵深度的反馈；
28.根据所述真实淤堵深度，对所述淤堵分析模型进行再训练。
29.为了解决上述问题，本技术还提供一种管网淤堵分析装置，所述装置包括：
30.获取模块，用于获取管网的基础数据以及实时监测数据；
31.高度计算模块，用于根据所述基础数据和实时监测数据，利用淤堵分析模型进行分析处理，得到所述管网对应的淤堵高度，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；
32.等级确定模块，用于基于所述管网对应基础数据中的历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级；
33.告警模块，用于根据所述管网的淤堵等级进行分级告警。
34.为了解决上述问题，本技术还提供一种计算机设备，包括：
35.至少一个处理器；以及，
36.与所述至少一个处理器通信连接的存储器；其中，
37.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的管网淤堵分析方法。
38.为了解决上述问题，本技术还提供一种非易失性的计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的管网淤堵分析方法。
39.根据本技术实施例提供的一种管网淤堵分析方法、装置、计算机设备及存储介质，与现有技术相比至少具有以下有益效果：
40.通过获取管网的基础数据以及实时检测，利用淤堵分析模型对所述基础数据和实时检测数据进行分析处理，得到所述管网对应的淤堵高度，通过利用模型来对管网中的淤堵高度做出判断，提高了准确度以及处理效率，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；再基于所述管网对应基础数据中历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级，根据所述管网的淤堵等级进行分级告警，实现了便于人员能够实时掌握管网的淤堵情况，且进行分级告警，便于后续处理人员确定处理各淤堵点的优先级。
附图说明
41.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图做一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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。
42.图1为本技术一实施例提供的管网淤堵分析方法的流程示意图；
43.图2为本技术一实施例提供的管网淤堵分析装置的模块示意图；
44.图3为本技术一实施例的计算机设备的结构示意图。
具体实施方式
45.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”“第二”等是用于区别不同对象，而不是用于描述特定顺序。
46.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是是相同的实施例，也不是与其它实施例相互排斥的独立的或备选的实施例。本领域技术人员显式地或隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
47.本技术提供一种管网淤堵分析方法。参照图1所示，图1为本技术一实施例提供的管网淤堵分析方法的流程示意图。
48.在本实施例中，管网淤堵分析方法包括：
49.s1、获取管网的基础数据以及实时监测数据；
50.具体的，在本技术中，所述管网即排水管网，排水管网用于运输污水，其基础数据包括整个排水管网的整个排布，排水管网下各排水管道的参数，所述排水管道的参数包括管长、管径等，以及各排水管道对应的历史缺陷，所述历史缺陷可为历史的淤堵情况，所述历史的淤堵情况可能已被处理，也可能未被处理；所述实时监测数据包括检测排水管网下各排水管道的流量、流速以及液位等实时数据。
51.上述的管网的基础数据可从数据库中进行获取，或由人工进行输入；对于实时监测数据由设置在排水管网下各排水管道的传感器进行采集并上传。
52.进一步的，所述获取各企业数据包括：
53.向预设知识库发送调用请求，所述调用请求携带验签令牌；
54.接收所述知识库返回的验签结果，并在验签结果为通过时，调用所述预设知识库中的所述基础数据，所述验签结果为所述知识库根据所述验签令牌进行rsa非对称加密方式验证得到。
55.具体的，由于管网的基础数据，可能会涉及城市安全问题，所以对于异常数据都会保存至预设数据库中，所以在获取基础数据，数据库会进行验签步骤，以保证数据的安全，避免泄露数据等问题。
56.通过验签调用的方式，来保证数据的安全，避免出现泄漏数据的情况。
57.s2、根据所述基础数据和实时监测数据，利用淤堵分析模型进行分析处理，得到所述管网对应的淤堵高度，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；
58.具体的，水动力模型为描述水流受力与运动相互关系的数学模型。依据流体力学基本方程，建立数学模型，对流动水的动力过程进行数值模拟。逻辑回归模型为一种广义的线性回归分析模型。通过将逻辑回归模型与水动力模型相结合并对结合后的模型进行训练，得到淤堵分析模型，再利用基础数据和实时监测数据进行分析处理，得到所述排水管网下各排水管道的淤堵高度，所述淤堵高度具体为各排水管道可能的淤堵障碍物高度。
59.在本技术中，所述水动力模型具体为一维水动力模型，所述逻辑回归模型用于对一维水动力模型进行实时调参；具体的，由于水动力模型在计算时，输入参数为具体数值，即只能计算固定的淤堵高度，但在现实情况中，由于管网中水的冲刷，淤堵点可能会移动，所以此时计算出淤堵高度不准确；所以在将水动力模型与逻辑回归模型相结合后，可实现根据管网中水流方向实时计算淤堵高度，通过逻辑回归模型对水动力模型进行实时调参来，实现计算实时的淤堵高度。根据所述逻辑回归模型根据基础数据和实时监测数据，来对水动力模型进行实时调参。
60.由于水动力模型为数学模型，所以此处仅需对逻辑回归模型进行训练即可，具体根据历史基础数据和历史检测数据来对逻辑回归模型进行训练，得到对应的参数，水动力模型利用所述参数进行计算，得到对应的淤堵高度，将淤堵高度与对应的真实淤堵高度进行比较，并将比较结果反馈至逻辑回归模型，以调整逻辑回归模型中的参数，直至最终利用历史基础数据和历史检测数据，通过逻辑回归模型和水动力模型得到的淤堵高度与对应的真实淤堵高度差值小于预设数值。
61.进一步的，所述根据所述基础数据和实时监测数据，利用淤堵分析模型进行分析处理，得到所述管网对应的淤堵高度包括：
62.根据所述管网下各管道的基础数据确定对应的预设范围，将所述实时监控数据与对应的预设范围进行比较判断；
63.将在所述预设范围之外的所述实时监控数据输入所述淤堵分析模型中进行分析处理，得到所述管网对应的淤堵高度。
64.具体的，在不同的管径大小尺寸下，某一液位高度、流量和流速关系有参数测算关系，在所述基础数据中的管径下，当实际采集到的任一检测因子有参数偏离的情况时，即可提升关注度怀疑存在淤堵，随后对怀疑存在淤堵点的地方，根据采集到的检测数据，计算出可能的淤堵障碍物高度，即淤堵高度。
65.所述预设范围为对管网的历史检测数据进行统计得到，对于不同基础数据下的管径对应有不同的预设范围。
66.通过对管网中的可能存在淤堵的地方，进行淤堵高度的计算，便于后续该处的淤堵等级进行确定。
67.s3、基于所述管网对应基础数据中的历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级；
68.具体的，所述历史缺陷按照管网缺陷国标，分为结构性缺陷和功能性缺陷，并由1-4级的严重程度划分，和实时监测数据以及前述得到的淤堵高度，来确定所述管网的淤堵等级。
69.进一步的，在所述基于所述管网对应基础数据中的历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级之前，还包括：
70.根据所述历史缺陷中各缺陷点对应的历史淤堵情况，对各所述缺陷点以降序进行排序；
71.根据所述排序，对各所述缺陷点赋以对应的风险权重。
72.具体的，在根据实时监测数据，确定实时管网下各管道的淤堵等级之前，利用基础数据中的历史缺陷中各缺陷点的历史淤堵情况，也即各管道的历史淤堵高度，对各所述缺陷点以降序进行排序，根据所述排序，对各所述缺陷点赋以对应的风险权重，通过赋于风险权重的大小，以表明各管道历史淤堵高度的高低，对于风险权重高的缺陷点，即需引起高度重视。所述历史缺陷分为各缺陷点对应的历史淤堵情况以及根据国标认定的管网缺陷等级。
73.根据历史淤堵情况来对各管道赋以权重，使后续在处理该管道时，对风险权重高的管道加以重视，并在后续结合风险权重进行淤堵等级的判断。
74.再进一步的，所述基于所述管网对应基础数据中的历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级包括：
75.根据所述历史缺陷、实时监测数据和淤堵高度，利用风险预测模型，确定所述管网下各管道的风险等级，所述风险预测模型基于反向传播神经网络训练得到；
76.将带有风险权重的各所述缺陷点与所述管道进行匹配，确定各所述管道的风险权重；
77.将各所述管道对应的所述风险等级和风险权重相加，得到所述管网下各所述管道的淤堵等级。
78.具体的，利用所述历史缺陷、实时监测数据和淤堵高度，来利用风险预测模型，确定所述管网下各管道的风险等级。例如目前历史缺陷为已经存在1级淤积缺陷，所述实时监测数据中的管道流速较无缺陷的管道流速慢了一定比例，并且实时监控数据中在一段时间内流速仍然有下降趋势，并且由于淤堵高度，实时监控数据中的液位也在升高，根据历史缺陷、淤堵程度以及实时监测数据的变化趋势，所述风险预测模型演算出具体变化趋势的时效，结合时效的快慢，得到所述管道对应的风险等级；
79.通过将带有风险权重的各所述缺陷点与所述管道匹配，以使各所述管道带有其对应的风险权重，通过将各所述管道对应的风险等级和风险权重，来确定所述管网下各所述管道的淤堵等级。
80.例如，现有管道1、2、3，所述管道1、2、3都连接至同一节点构成一简单的管网，管道1、2、3在过去分别存在0.5m、0.6m和0.7m的历史淤堵情况，通过对管道1、2、3进行排序并加权，分别得到管道1、2、3对应的风险权重0.8、1、1.2；并且后续根据管道1、2、3对应的历史缺陷、实时监测数据和淤堵高度，利用风险预测模型确定对应的风险等级，得到管道1、2、3风险等级为3、1、2，在本技术实施例中，可将管道1、2、3对应的风险权重和风险等级相加，得到淤堵等级3.8、2、3.2。
81.反向传播神经网络简称为bp(back propagation)网络，它是一种具有三层或三层以上的多层神经网络，每一层都由若干个神经元组成。
82.通过利用风险预测模型确定各管道的风险等级，并根据风险等级和风险权重进行结合，得到对应的淤堵等级，实现对淤堵等级的准确预测。
83.又进一步的，所述根据所述历史缺陷、实时监测数据和淤堵高度，利用风险预测模型，确定所述管网下各管道的风险等级包括：
84.根据所述历史缺陷和淤堵高度，确定所述管网的第一液位；
85.根据所述第一液位和实时监测数据，利用风险预测模型预测未来预设时间内各所述管道的第二液位和流速的变化趋势；
86.基于所述第二液位和流速的变化趋势，确定各所述管道的风险等级。
87.具体的，所述历史缺陷为按照管网缺陷国标，分为结构性缺陷和功能性缺陷，并由1-4级的严重程度划分，及按照国家标准进行划分。例如当所述管网中穿入一定的树枝时，由于传感器等检测装置不易识别出，且单独的树枝卡在管网中对管网中污水的流速和液位的影响不太；但当树枝处有污泥或垃圾等淤堵时，结合着树枝的影响，此处的淤堵很可能会快速加重。
88.所以首先根据历史缺陷和前述得到的淤堵高度，确定所述管网的第一液位，也可间接等于管网受到历史缺陷和淤堵高度同时影响下的，且水流通下的最小液位；根据所述第一液位和实时监测数据，利用风险预测模型预测未来预设时间内各所述管道第二液位和流速的变化趋势；所述第二液位即所述管道内的未来预测液位。
89.基于所述第二液位和流速的变化趋势，确定各所述管道的风险等级。
90.例如当所述第二液位呈下降趋势且所述流速呈上升趋势，其风险等级为0；
91.当所述第二液位呈下降趋势，且所述流速同样呈下降趋势，其风险为0；
92.当所述第二液位呈缓慢上升趋势，且所述流速同样呈下降趋势，其风险等级为2级，所述缓慢上升，即在预设时间内，预测得到所述第二液位仅增长0.2m以下的高度；
93.当所述第二液位呈缓慢上升趋势，且所述流速同样呈上升趋势，其风险等级为1级；
94.当所述第二液位呈快速上升趋势，且所述流速同样呈上升趋势时，其风险等级为3级；所述快速上升，即在预设时间内，预测得到所述第二液位增长0.2m及以上的高度；
95.当所述第二液位呈快速上升趋势，且所述流速呈下降趋势时，其风险等级为4级
96.具体数值可自由设定。
97.通过利用风险预测模型来预测管道未来预设时间内的第二液位和流速变化趋势，并根据第二液位和流速变化趋势来确定管道风险等级，提高了处理效率以及准确率。
98.s4、根据所述管网的淤堵等级进行分级告警。
99.具体的，根据所述管网的淤堵等级进行分级告警，以给相关人员不同的重视程度。
100.例如当所述管网的淤堵等级为0-1时，对应的告警等级为1级，并在前端对应管道处进行绿色展示，对应结论为存在风险但不影响管网运行；
101.当所述管网的淤堵等级为1-2时，对应的告警等级为2级，并在前端对应管道处进行蓝色展示，对应结论为低液位时影响管网运行，需视情况清理；
102.后续具体不再详细说明，可根据实际情况进行设定。
103.相关人员根据告警展示和结论，可安排有关工作人员前往对应的管道进行清淤处理。
104.进一步的，在所述根据所述管网的淤堵等级进行分级告警之后，还包括：
105.接收对所述淤堵高度对应的真实淤堵深度的反馈；
106.根据所述真实淤堵深度，对所述淤堵分析模型进行再训练。
107.具体的，由于根据告警，会安排有关工作人员前往对应的管道进行清淤处理，所以在清淤前，有关工作人员还对淤堵的真实深度进行测量并反馈到线上，根据反馈的损失真实淤堵深度，对所述淤堵分析模型进行再训练，以优化所述淤堵分析模型，使其在后续的分析中，得到的结果能更加贴近实际值。
108.通过利用反馈数据来对淤堵分析模型进行再训练，实现对淤堵分析模型的调优，提高模型的处理效果。
109.需要强调的是，为了进一步保证数据的私密性和安全性，所述基础数据的所有数据还可以存储于一区块链的节点中。
110.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
111.通过获取管网的基础数据以及实时检测，利用淤堵分析模型对所述基础数据和实时检测数据进行分析处理，得到所述管网对应的淤堵高度，通过利用模型来对管网中的淤堵高度做出判断，提高了准确度以及处理效率，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；再基于所述管网对应基础数据中历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级，根据所述管网的淤堵等级进行分级告警，实现了便于人员能够实时掌握管网的淤堵情况，且进行分级告警，便于后续处理人员确定处理各淤堵点的优先级。
112.本实施例还提供一种管网淤堵分析装置，如图2所示，是本技术管网淤堵分析装置的功能模块图。
113.本技术所述管网淤堵分析装置100可以安装于电子设备中。根据实现的功能，所述管网淤堵分析装置100可以包括获取模块101、高度计算模块102、等级确定模块103以及告警模块104。本技术所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
114.在本实施例中，关于各模块/单元的功能如下：
115.获取模块101，用于获取管网的基础数据以及实时监测数据；
116.进一步的，所述获取模块包括请求发送子模块和数据调用子模块；
117.请求发送子模块，用于向预设知识库发送调用请求，所述调用请求携带验签令牌；
118.数据调用子模块，用于接收所述知识库返回的验签结果，并在验签结果为通过时，调用所述预设知识库中的所述基础数据，所述验签结果为所述知识库根据所述验签令牌进行rsa非对称加密方式验证得到。
119.通过请求发送子模块和数据调用子模块的配合，通过验签调用的方式，保证了数据的安全，避免出现泄漏的情况。
120.高度计算模块102，用于根据所述基础数据和实时监测数据，利用淤堵分析模型进行分析处理，得到所述管网对应的淤堵高度，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；
121.进一步的，所述高度计算模块102包括比较子模块和计算子模块；
122.所述比较子模块，用于根据所述管网下各管道的基础数据确定对应的预设范围，将所述实时监控数据与对应的预设范围进行比较判断；
123.所述计算子模块，用于将在所述预设范围之外的所述实时监控数据输入所述淤堵分析模型中进行分析处理，得到所述管网对应的淤堵高度。
124.通过比较子模块和计算子模块的配合，对管网中的可能存在淤堵的地方，进行淤堵高度的计算，便于后续该处的淤堵等级进行确定。
125.等级确定模块103，用于基于所述管网对应基础数据中的历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级；
126.进一步的，所述管网淤堵分析装置100包括排序模块和赋值模块；
127.所述排序模块，用于根据所述历史缺陷中各缺陷点对应的历史淤堵情况，对各所述缺陷点以降序进行排序；
128.所述赋值模块，用于根据所述排序，对各所述缺陷点赋以对应的风险权重。
129.通过所述排序模块和赋值模块的配合，根据历史淤堵情况来对各管道赋以权重，使后续在处理该管道时，对风险权重高的管道加以重视，并在后续结合风险权重进行淤堵等级的判断。
130.再进一步的，所述等级确定模块103包括风险等级确定子模块、匹配子模块和淤堵等级确定子模块；
131.所述风险等级确定子模块用于根据所述历史缺陷、实时监测数据和淤堵高度，利用风险预测模型，确定所述管网下各管道的风险等级，所述风险预测模型基于反向传播神经网络训练得到；
132.所述匹配子模块，用于将带有风险权重的各所述缺陷点与所述管道进行匹配，确定各所述管道的风险权重；
133.所述淤堵等级确定子模块，用于将各所述管道对应的所述风险等级和风险权重相加，得到所述管网下各所述管道的淤堵等级。
134.通过所述风险等级确定子模块、匹配子模块和淤堵等级确定子模块的配合，利用风险预测模型确定各管道的风险等级，并根据风险等级和风险权重进行结合，得到对应的淤堵等级，实现对淤堵等级的准确预测。
135.又进一步的，所述风险等级确定子模块还包括第一液位确定单元、预测单元以及
风险确定单元；
136.所述第一液位确定单元，用于根据所述历史缺陷和淤堵高度，确定所述管网的第一液位；
137.所述预测单元，用于根据所述第一液位和实时监测数据，利用风险预测模型预测未来预设时间内各所述管道的第二液位和流速的变化趋势；
138.所述风险确定单元，用于基于所述第二液位和流速的变化趋势，确定各所述管道的风险等级。
139.通过第一液位确定单元、预测单元以及风险确定单元的配合，利用风险预测模型来预测管道未来预设时间内的第二液位和流速变化趋势，并根据第二液位和流速变化趋势来确定管道风险等级，提高了处理效率以及准确率。
140.告警模块104，用于根据所述管网的淤堵等级进行分级告警。
141.进一步的，所述告警模块104包括反馈接收模块和再训练模块；
142.所述反馈接收模块，用于接收对所述淤堵高度对应的真实淤堵深度的反馈；
143.所述再训练模块，用于根据所述真实淤堵深度，对所述淤堵分析模型进行再训练。
144.通过反馈接收模块和再训练模块的配合，利用反馈数据来对淤堵分析模型进行再训练，实现对淤堵分析模型的调优，提高模型的处理效果。
145.通过采用上述装置，所述管网淤堵分析装置100通过获取模块101、高度计算模块102、等级确定模块103以及告警模块104的配合使用，通过获取管网的基础数据以及实时检测，利用淤堵分析模型对所述基础数据和实时检测数据进行分析处理，得到所述管网对应的淤堵高度，通过利用模型来对管网中的淤堵高度做出判断，提高了准确度以及处理效率，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；再基于所述管网对应基础数据中历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级，根据所述管网的淤堵等级进行分级告警，实现了便于人员能够实时掌握管网的淤堵情况，且进行分级告警，便于后续处理人员确定处理各淤堵点的优先级。
146.本技术实施例还提供一种计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。
147.所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
148.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
149.所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存
储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如管网淤堵分析方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
150.所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述管网淤堵分析方法的计算机可读指令。
151.所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
152.本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例管网淤堵分析方法的步骤，通过获取管网的基础数据以及实时检测，利用淤堵分析模型对所述基础数据和实时检测数据进行分析处理，得到所述管网对应的淤堵高度，通过利用模型来对管网中的淤堵高度做出判断，提高了准确度以及处理效率，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；再基于所述管网对应基础数据中历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级，根据所述管网的淤堵等级进行分级告警，实现了便于人员能够实时掌握管网的淤堵情况，且进行分级告警，便于后续处理人员确定处理各淤堵点的优先级。
153.本技术实施例还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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的管网淤堵分析方法的步骤，通过获取管网的基础数据以及实时检测，利用淤堵分析模型对所述基础数据和实时检测数据进行分析处理，得到所述管网对应的淤堵高度，通过利用模型来对管网中的淤堵高度做出判断，提高了准确度以及处理效率，所述淤堵分析模型基于水动力模型与逻辑回归模型相结合并进行训练得到；再基于所述管网对应基础数据中历史缺陷、实时监测数据和淤堵高度，确定所述管网的淤堵等级，根据所述管网的淤堵等级进行分级告警，实现了便于人员能够实时掌握管网的淤堵情况，且进行分级告警，便于后续处理人员确定处理各淤堵点的优先级。
154.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
155.本技术上述实施例的管网淤堵分析装置、计算机设备、计算机可读存储介质具有与上述实施例的管网淤堵分析方法相同的技术效果，在此不作展开。
156.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。