(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210518103.1 (22)申请日 2022.05.12 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 邹承明　程晟　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 肖明洲 (51)Int.Cl. G01D 21/02(2006.01) H04L 43/04(2022.01) H04B 15/00(2006.01) (54)发明名称 一种基于AR和IoT的管道监测系统及方法 (57)摘要 本发明公开了一种基于AR和IoT的管道监测 系统及方法， 系统包括服务器、 监测节点、 AR眼 镜； 服务器， 用于接收监测节点数据、 混合现实眼 镜视频监控 数据和员工 反馈数据； 监测节点设置 在管道内， 实时将收集的管道 监测数据进行预处 理后， 通过网络发送到服务器中； AR眼镜和服务 器通过网络进行通信； AR眼镜用于获取悬空手 势， 并根据悬空手势从服务器获取对应的管道数 据并显示。 本发明将AR和IoT相结合， 可以使 一线 员工通过混合现实眼镜和悬空的手势操作查询 管道数据， 能第一时间获取管道内信息， 管道监 测系统也可以通过混合现实眼镜获取固定位监 控无法获取到的管道部分视频影 像信息。 权利要求书3页 说明书6页 附图4页 CN 114910125 A 2022.08.16 CN 114910125 A 1.一种基于AR和I oT的管道监测系统， 其特 征在于： 包括 服务器、 监测节点、 AR眼镜； 所述服务器， 用于 接收监测节点数据、 混合现实眼镜 视频监控数据和员工反馈数据； 所述监测节点设置在管道内， 包括阴保电压电流传感器、 腐蚀传感器、 流量传感器、 压 力传感器、 管道温度传感器、 管道P H值传感器和管道实时监控设备； 所述监测节点 实时将收 集的管道监测数据进行 预处理后， 通过网络发送到服 务器中； 所述AR眼镜和服 务器通过网络进行通信； 所述AR眼镜用于获取悬空手势， 并根据 所述悬空手势从所述服务器获取对应的管道数 据并显示。 2.一种基于AR和I oT的管道监测方法， 其特 征在于， 包括以下步骤： 步骤1： 监测节点实时将收集的管道监测数据进行预处理， 并通过网络发送到服务器 中； 步骤2： 服 务器对数据进行分析、 预测 和存储； 所述服务器对数据进行分析 预测， 具体实现包括以下子步骤： 步骤2.1： 从服务器数据库读取数据， 将数据进行正则化和归一化处理， 使用小波协方 差变换对数据的噪声 进行消除； 小波变换公式为： 其中， a为尺度参数， t为平 移参数， 表述尺度函数， τ 为小 波变换的平 滑中心； 步骤2.2： 使用xgboost对数据进行特征筛选， 使用xgboost进行建模， 计算每个特征的 Gain值和分裂次数 Fscore， 将Fscore＝0| |Gain＜0.4的特 征进行过滤； 步骤2.3： 将xgboost筛选后特征后的数据， 输入到Informer网络模型中， 将数据X进行 累加生成新数据 序列Y， 将Y 输入到建立的时间单序列的灰色网络模型中； 步骤2.4： 使用NSGA ‑Ⅱ对灰色网络模型和Informer网络模型预测结果进行融合， 得到 最终预测数据； 步骤3： AR眼镜获取悬空手势， 并根据所述悬空手势从所述服务器获取对应的管道数据 并显示。 3.根据权利 要求2所述的基于AR和IoT的管道监测方法， 其特征在于： 步骤1中所述监测 节点实时将收集的管道监测数据进行 预处理， 具体实现包括以下子步骤： 步骤1.1： 对缺失数据进行填充； 通过临近点数据进行补充； 所述临近点数据， 为上一个时间点发送的数据； 步骤1.2： 对数据格式标准 化， 确定小数位数， 确定数值范围； 步骤1.3： 数据压缩， 连续若干条相同数据只存 储一条。 4.根据权利要求2所述的基于AR和IoT的管道监测方法， 其特征在于： 步骤2.3中， 所述 Informer网络模型， 包括编码器模块和解码器模块两个部分； 所述编码器模块， 包括第一层多头概率稀疏自注意力模块、 第一层改进自注意力蒸馏 模块、 第二层多头概 率稀疏自注意力模块、 第二层改进自注意力蒸馏模块和多层叠加模块； 所述第一层改进自注意力蒸馏模块和第 二层改进自注意力蒸馏模块， 首先将输入数据 进行一维卷积， 再通过ELU激活函数激活最后使用软池化层， 即softpool进行池化， 对数据权　利　要　求　书 1/3 页 2 CN 114910125 A 2进行压缩 减少维度； 所述第一层多头概率稀疏自注意力模块从输入数据中筛选出query， 然后输入到所述 第一层改进自注意力蒸馏模块； 所述第一层改进自注意力蒸馏模块， 首先将输入数据进行 一维卷积， 再通过ELU激活函数激活最后使用软池化层， 即softpool进行池化， 对数据进行 压缩减少维度； 所述第二层 多头概率稀疏自注意力模块 从输入数据中筛选出qu ery， 然后输 入到所述第二层改进自注意力蒸馏模块； 所述第二层改进自注意力蒸馏模块， 首先将输入 数据进行一维卷积， 再通过ELU激活函数激活最后使用软池化层， 即softpool进行池化， 对 数据进行压缩减少维度； 所述多层叠加模块， 第二层对多头稀疏自注意力模块和第二层改 进自注意力蒸馏模块输出 结果进行累加， 提高系统鲁棒 性； 所述解码器包括 隐藏多头概率稀疏自注意力模块、 多头注意力模块和全连接层； 所述 隐藏多头概率稀疏自注意力模块， 接收输入数据并处理， 并将结果输入到多头注意力模块； 所述多头注意力模块， 将编 码器的最 终输出结果和多头概率稀疏自注意力模块输出结果进 行结合， 最终经全连接层调整数据输出维度， 得到预测结果。 5.根据权利要求2所述的基于AR和IoT的管道监测方法， 其特征在于： 步骤2.3中， 所述 灰色网络模型， 包括累加生成模块、 GM(1， 1)模型生成模块和检验预测值模块； 所述累加生成模块， 将输入结果X进行累加， 得到新数据集Y； 所述GM(1， 1)模型为一阶 微分方程； 所述检验 预测值模块， 将数据集Y输入到 GM(1， 1)模型中得到预测结果， 通过计算 预测值的后验差比得到 离散度。 6.根据权利要求2所述的基于AR和IoT的管道监测方法， 其特征在于： 步骤2.3中， 所述 灰色网络模 型和Informer网络模型， 构成灰色 ‑Informer组合网络模 型， 该组合网络模 型为 训练好的网络模型； 训练过程中采用的适应度函数分别为： 其中， f1、 f2分别代表 预测前最后一个训练阶段预测值的均方根误差与后验差比值， y(i) 表示输入参数i表示次序， 表示带方向的输入参数i表示次序， m表示输入参数的个数， ε(i)表示预测值 i表示次序， 表示预测值平均值， 表示输入参数的平均值； 依据实际值与预测值之间的差值依据误差倒数法对NSGA ‑Ⅱ的权值分配方案进行优 化， 优化目标为得到使组合模型 预测值的均方根 误差与后验差比值 最小的权值分配方案 。 7.根据权利 要求2‑6任意一项所述的基于A R和IoT的管道监测方法， 其特征在于： 步骤3 中所述AR眼镜获取 悬空手势， 具体实现包括以下子步骤： 步骤3.1： AR眼镜实时向服 务器传输 视频数据； 步骤3.2： 当用户进行虚拟点击操作时， 向后台服 务器发送 识别指令； 步骤3.3： 当操作是点击虚拟按钮时， 即认为是点击操作进行按钮预设操作； 当操作是 非点击虚拟按 钮操作时， 对后续视频 连续帧进行动态手势捕捉； 步骤3.4： 后台云服 务器对视频 数据进行动态手势捕捉， 通过机器学习识别手掌；权　利　要　求　书 2/3 页 3 CN 114910125 A 3