BR112017000076B1 - Método para detectar anomalias em uma rede de distribuição, em particular, de água potável - Google Patents
Método para detectar anomalias em uma rede de distribuição, em particular, de água potável Download PDFInfo
- Publication number
- BR112017000076B1 BR112017000076B1 BR112017000076-8A BR112017000076A BR112017000076B1 BR 112017000076 B1 BR112017000076 B1 BR 112017000076B1 BR 112017000076 A BR112017000076 A BR 112017000076A BR 112017000076 B1 BR112017000076 B1 BR 112017000076B1
- Authority
- BR
- Brazil
- Prior art keywords
- network
- anomaly
- time
- current vector
- vector
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
- G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Alarm Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Emergency Alarm Devices (AREA)
Abstract
A invenção diz respeito a uma rede de distribuição provida com sensores. O método inclui as seguintes etapas: adquirir para cada sensor uma série temporal de medições físicas separadas por intervalos de tempo; definir janelas de tempo, cada qual correspondendo a uma pluralidade de intervalos de tempo sucessivos; extrair características operacionais de cada série temporal em cada janela de tempo; formar, para cada janela de tempo, pelo menos um vetor atual tendo como coordenadas as características operacionais, dados estruturais relativos à rede e características temporárias específicas para a janela de tempo; comparar o vetor atual com vetores anteriores, correspondentes a janelas de tempo anteriores, e no qual as características conjunturais e dados estruturais são similares àqueles do vetor atual; e reportar uma anomalia se o vetor atual diferir significativamente dos vetores anteriores.
Description
[0001] A presente invenção diz respeito a um método para detectar anomalias em uma rede de distribuição, em particular, que distribui um fluido Newtoniano, e, mais particularmente, a uma rede para suprir água potável.
[0002] Desempenho operacional está no coração do gerenciamento de sistemas para suprir água potável. O nível de desempenho de redes para transportar e distribuir água potável pode ser substancialmente melhorado em virtude de ferramentas para detectar e localizar anomalias hidráulicas.
[0003] A invenção pode ser usada em qualquer rede de fluido Newtoniano, por exemplo, redes de aquecimento urbano e redes de condicionamento de ar.
[0004] Quanto à detecção de anomalias, métodos para detectar anomalias com base em técnicas de estatística, tal como análise da vazão mínima em um distrito da rede, são conhecidos e amplamente usados por operadores de redes de água potável. Esses métodos nem sempre permitem que a anomalia seja caracterizada ou localizada.
[0005] Métodos de detecção baseados em modelos hidráulicos são também conhecidos. Esses métodos, que são baseados em equações hidráulicas, usam um modelo da rede, que nem sempre está disponível. Detecção e localização de anomalia combinam ferramentas matemáticas e medições físicas, por meio disso implicando a instalação de uma densidade adequada de instrumentos de medição.
[0006] O objetivo da invenção é fornecer um método para detectar anomalias que é altamente efetivo, ainda sendo pouco exigente em termos de dados de entrada e relativamente econômico em termos de potência de processamento computacional.
[0007] De acordo com a invenção, o método para detectar anomalias em uma rede de distribuição, em particular, que distribui um fluido Newtoniano, e, mais particularmente, a uma rede para suprir água potável, a rede de distribuição sendo equipada com sensores, em cujo método uma série temporal de medições físicas separadas por intervalos de tempo é adquirida para cada sensor, é caracterizado pelas seguintes etapas: - definir janelas de tempo cada qual correspondendo a uma pluralidade de intervalos de tempo; - extrair características operacionais de cada série temporal em cada janela de tempo; - formar pelo menos um vetor atual, para cada janela de tempo, tendo para coordenadas as características operacionais, dados estruturais relativos à rede e características conjunturais específicas para a janela de tempo; - comparar o vetor atual com vetores anteriores correspondentes às janelas de tempo anteriores e às características conjunturais e dados estruturais dos quais são similares àqueles do vetor atual; e - sinalizar uma anomalia em casos onde o vetor atual é significativamente dissimilar aos ditos vetores anteriores.
[0008] Para a comparação do vetor atual com os vetores anteriores, um parâmetro de sensibilidade é definido correspondente a um grau mínimo de dissimilaridade além do que o vetor atual é qualificado como significativamente dissimilar.
[0009] O intervalo de tempo entre duas medições de uma série temporal é, por exemplo, alguns minutos, por exemplo, 3 minutos.
[0010] Uma janela de tempo é tipicamente um dia ou uma semana. Assim, uma série temporal tipicamente compreende muitas medições. É vantajosamente possível implementar o método para janelas de tempo de diferentes durações.
[0011] Durante uma janela de tempo, os parâmetros medidos pelos sensores, cujos parâmetros constitui a série temporal, passam por variações, por exemplo, em função de parâmetros conjunturais tal como a hora do dia, o dia da semana, a estação, o tempo, etc., em função de dados estruturais da rede, tal como, por exemplo, fechamento de uma válvula ou parada de uma bomba, e também em função de uma ou mais anomalias na rede.
[0012] De acordo com a invenção, um vetor tendo dimensões representativas da série temporal, dimensões representativas dos parâmetros conjunturais e dimensões representativas dos dados estruturais é formado.
[0013] A ideia por trás da invenção é que se as dimensões representativas dos parâmetros conjunturais e dados estruturais foram adequadamente escolhidos, vetores tendo substancialmente as mesmas coordenadas com relação às suas dimensões conjunturais e estruturais devem também ter substancialmente as mesmas coordenadas com relação às suas dimensões operacionais. No caso contrário, uma anomalia é sinalizada.
[0014] Por causa do número tipicamente grande dos valores numéricos em cada série temporal, o método teria de processar vetores tendo um número muito grande de dimensões se todos esses valores numéricos forem cada qual uma coordenada de uma respectiva dimensão do vetor. Assim, uma outra ideia por trás da invenção consiste em extrair características de cada série temporal, e então em usar essas características para coordenadas do vetor.
[0015] As características extraídas da série temporal podem compreender frequências máxima, mínimas e/ou médias, e/ou ainda elementares em particular obtidas por decomposição da série temporal na série de Fourier. Certos parâmetros conjunturais ou dados estruturais, por exemplo, a temperatura ambiente ou o estado de uma válvula, podem também ser disponíveis na forma de séries temporais que são processadas a fim de extrair delas características que formarão as coordenadas do vetor no lugar de medições ou dados brutos.
[0016] Para a extração dessas características, série temporal de medições pode ainda ser agregada. É, por exemplo, possível adicionar consumos conhecidos de leituras de medição remotas e assim obter uma única medição total, ou ainda uma série temporal de consumos totais, por exemplo, uma medição por dia no caso de uma janela de tempo de uma semana.
[0017] Vantajosamente, certas características conjunturais são baseadas pelo menos em parte em hipóteses resultantes de experiência. Por exemplo, tendências no consumo de água de um indivíduo privado em função da hora do dia, do dia da semana, da estação, temperatura externa, chuva, o número de ocupantes da habitação, etc. podem ser conhecidas.
[0018] Em uma modalidade vantajosa, em caso de uma anomalia, o vetor atual é comparado com pelo menos um vetor precedente com características conjunturais e dados estruturais similares, e características operacionais tão próximas quanto possível daquelas do vetor atual, e pelo menos uma característica operacional que difere bastante entre o vetor atual e o dito pelo menos um vetor precedente é sinalizada.
[0019] Preferivelmente, situações que surgem em pelo menos uma anomalia sendo sinalizada são processadas por um pacote de software que caracteriza anomalia. Um pacote de software como esse funciona muito mais efetivamente quando ele processa apenas situações selecionadas como anormais, além disso, com informação já disponível com respeito aos parâmetros (ou coordenadas do vetor) tendo um valor anormal.
[0020] O resultado, anomalia de um vetor ou anomalia de rede determinada após processamento por um pacote de software de caracterização como indicado anteriormente, é preferivelmente distribuído com referência a uma escala de severidade de anomalia.
[0021] Tendo quantificado a severidade da anomalia, em caso de uma pluralidade de anomalias simultâneas, é possível priorizar as anomalias relativas a um uma outra em função de sua urgência e/ou em função da magnitude da intervenção corretiva correspondente.
[0022] Em uma modalidade preferida, um vetor sem anomalia é classificado no mesmo compartimento de memória como outros vetores substancialmente equivalentes, e cada vez que um vetor atual é calculado, o compartimento de memória contendo os vetores anteriores que se assemelham ao máximo ao dito vetor atual é examinado, e o vetor atual é comparado apenas com os vetores anteriores deste compartimento. A potência de processamento exigida e o tempo gasto para obter resultados são assim diminuídos.
[0023] Um novo compartimento de memória é criado para um vetor, se suas coordenadas conjunturais e/ou coordenadas correspondentes a dados estruturais da rede não corresponderem a um compartimento existente. Por exemplo, tempo excepcionalmente frio para um mês de verão pode dar origem a criação de um novo compartimento.
[0024] É vantajoso analisar a variação com o tempo dos vetores de um dado compartimento e fornecer informação sobre a variação na rede. É assim, por exemplo, possível detectar vazamentos que são inicialmente pequenos, mas tendem a piorar e são sujeitos a ficar grandes, ao passo que simplesmente buscando o vetor mais similar no compartimento não revelará o vazamento piorando, uma vez que o vetor precedente mais recente parecerá muito similar e levará a conclusão de que nenhuma anomalia está presente.
[0025] Em uma versão ainda mais vantajosa, as variações nos vários compartimentos são comparadas e informação é provida que distingue a variação devido ao estado da rede da variação devida às consequências dos parâmetros conjunturais na rede. Por exemplo, um consumo que aumenta apenas nos dias quentes indica uma variação nos hábitos de consumidores, em vez de uma rede cada vez mais contaminada por vazamentos.
[0026] Para diminuir intensidade de recurso de processamento e refinar os resultados, é muito vantajoso fornecer para cada janela de tempo uma pluralidade de vetores, cada qual correspondendo a um respectivo sub-rede que forma parte da rede. Assim, vetores menores são processados e chances adicionais são ganhas para localizar anomalias mais facilmente.
[0027] No caso de detecção de uma anomalia o vetor atual é analisado comparativamente com vetores anormais relativamente recentes a fim de fornecer uma indicação de uma taxa de variação da anomalia e/ou de uma ligação entre a anomalia e pelo menos um parâmetro conjuntural e/ou dados estruturais.
[0028] No caso de uma anomalia, anomalias comparáveis que dão origem a um diagnóstico podem também ser procuradas entre os vetores anteriores a fim de fornecer um pré-diagnóstico para a causa da anomalia atual.
[0029] De acordo com a invenção, em uma etapa de iniciação, é vantajosamente possível carregar uma memória com vetores formados de registros relativos à rede.
[0030] Os componentes de um vetor preferivelmente incluem pelo menos um componente com relação às reclamações de consumidores supridos pela rede, por exemplo, reclamações a respeito de vazão, pressão, gosto, etc.
[0031] Outras particularidades e vantagens da invenção ficarão mais claramente aparentes a partir da seguinte descrição, que diz respeito a exemplos não limitantes, dados com referência à Figura 1, que mostra um fluxograma das principais etapas do exemplo descrito. Observação preliminar
[0032] A descrição seguinte deve ser considerada fornecendo uma descrição de qualquer particularidade que ela contém, a dita particularidade possivelmente sendo considerada separadamente de outras particularidades desta, mesmo aquelas que formam parte do mesmo parágrafo ou da mesma frase, e fornecendo uma descrição de qualquer combinação de tais particularidades, desde que uma particularidade como essa ou combinação de particularidades seja distintivo da tecnologia anterior e tenha um efeito técnico, quer separadamente quer em combinação com os conceitos apresentados anteriormente, e independentemente se esta particularidade é expressa nos mesmos termos desta descrição ou em termos relativamente gerais. Definições
[0033] Entidade: Rede de água potável ou componente do sistema para suprir água potável, por exemplo, distritos de água ou instrumentos de medição/sensores. Uma ou mais série temporal são associadas com uma entidade.
[0034] Série temporal: Sequência finita de dados escalares indexados no tempo, no geral espaçados por uma duração constante.
[0035] Classificação: A menos que de outra forma especificada, designa o processo que faz com que isso seja designado a um estado de uma entidade, uma classe conhecida que dá origem ao pré-estabelecimento de ações na parte do operador da rede.
[0036] Geração de classificação (agrupamento): A menos que de outra forma especificada, designa o processo que leva a um grupo de estados anteriores sendo associado com um estado de uma entidade, a fim de determinar o caráter anormal ou novo do mesmo.
[0037] Medição: Esta é a estimativa do valor de uma quantidade em unidades correspondentes, esses valores formando uma série temporal distribuída por um sistema de aquisição de dados. Uma medição é associada com um componente elementar particular da rede de água potável (segmento ou seção para uma medição de vazão, nó para uma medição de pressão, reservatórios para uma medição de nível).
[0038] Dados da leitura remota: Série de leituras de medição, as ditas leituras sendo feitas com uma dada periodicidade e teletransmitidas, por exemplo, pelo menos uma vez ao dia.
[0039] Característica: Formação escalar ou vetorial de uma peça de informação que é relevante para o contexto estudado, aqui o estado da rede em uma dada janela de tempo. Princípios
[0040] Nesta modalidade, a invenção implementa os seguintes princípios:
[0041] Pré-processar o sinal usando métodos da tecnologia anterior permitindo que ele seja almofadado e limpo de ruído.
[0042] Produzir um vetor de características do estado operacional de uma entidade para uma dada janela de tempo. Isso é feito agregando:
[0043] características extraídas basicamente da série temporal da entidade por métodos de composição/processamento do sinal; e
[0044] características resultantes de indicadores de desempenho da indústria e dados conjunturais.
[0045] Usar algoritmos de classificação e agrupamento implementando técnicas de aprendizagem de máquina, esses algoritmos sendo aplicados nos vetores característicos das entidades para uma dada janela de tempo. Isto então permite que os estados das entidades (tal como representado pelos vetores característicos) sejam colocados em categorias conhecidas pelos operadores de redes, a fim de classificar as situações e priorizar as ações corretivas a ser realizadas. Os algoritmos de classificação/agrupamento são treinados com funções de custo e restrições operacionais quanto ao gerenciamento da rede, por exemplo, o pessoal disponível para uma simples operação de manutenção, o tempo exigido para montar uma equipe para uma operação mais complexa, o atraso esperado entre a data de aparecimento de uma anomalia e a data de sua detecção, etc.
[0046] Usar opcionalmente dados contextuais que influenciam a operação da entidade para descrever seu estado.
[0047] Usar algoritmos de detecção/classificação de anomalia implementando técnicas de aprendizagem de máquina treinados/otimizados usando critérios expressando restrições operacionais dos operadores de redes. Esses algoritmos são aplicados nos vetores característicos. Dados de entrada e parâmetro: três conjuntos de dados:
[0048] Os dados estruturais consistem em dados descrevendo a infraestrutura da rede e peças instaladas de equipamento (válvulas, sensores, bombas, etc.).
[0049] Os parâmetros de implementação do método são estabelecidos automaticamente em uma fase preparatória, automatizada por si mesma a fim de tornar o restabelecimento possível quando o sistema detecta uma perda de desempenho ou uma variação em sua infraestrutura.
[0050] Os dados operacionais resultam de todos os sistemas de medição presentes na rede. Quando eles são disponíveis, esses dados também incluirão, inter alia, dados de consumo lidos remotamente, reclamações e intervenções do cliente tendo um efeito sobre o comportamento da rede. Métodos elementares (Vide Figura 1) Processamento de série temporal de medições
[0051] Esses métodos permitem que série temporal de medições que são opcionalmente almofadadas, suavizadas/limpas de ruído sejam obtidas. As séries temporais resultantes são então prontas para ser usadas como dados de entrada dos algoritmos de extração de característica.
[0052] Séries são também combinadas nos sinais agregados. Por exemplo, a soma algébrica da série temporal de vazões de entrada/saída de um distrito de água pode ser convertida em uma série de consumo do distrito de água.
[0053] A série pode também ser convertida (por exemplo, padronizada) par atender as necessidades de certos algoritmos usados nas fases de extração de característica. Extração de características resultantes da decomposição do sinal
[0054] Este método consiste em usar a série temporal limpa/suavizada de antemão como descrito anteriormente, a fim de extrair dele informação relevante permitindo que o estado de uma entidade seja operacionalmente caracterizado. É uma questão de produzir informação sumarizando a estrutura da série (decomposição de Fourier, decomposição de ondeletas, decomposição nos seus principais componentes, etc.) diminuindo ao mesmo tempo a complexidade da mesma a fim de concentrar na porção mais relevante dos sinais.
[0055] As várias bases de decomposição são avaliadas periodicamente a fim de monitorar o desempenho dos algoritmos e atualizar as bases quando estas forem consideradas não bastante seletivas (supervisão).
[0056] As saídas desses algoritmos são, portanto, vetores de características sumarizando cada sinal em uma janela de tempo definida pelo operador da rede. Extração de características da indústria
[0057] A construção de características da indústria de uma localização é automatizada e baseada em:
[0058] um sistema referencial de características estabelecido da experiência passada para redes de diferentes tipos; e
[0059] uma observação da estrutura e comportamento da rede alvejada.
[0060] A construção pode, por exemplo, ser baseada em cálculo de mínimo de um parâmetro em uma dada janela de tempo, a observação da periodicidade de ciclos de enchimento/esvaziamento dos reservatórios, o nível médio de consumo de metros lidos remotamente em função de seu segmento do consumidor, etc.
[0061] Algoritmos para avaliar o estado operacional da entidade - regime operacional
[0062] De acordo com uma modalidade particularidade importante da invenção, para descrever o estado operacional da rede, dados resultantes de perícia da indústria são combinados com aqueles resultantes de métodos para decompor o sinal.
[0063] Esses dados enriquecem um ao outro e distribuem como saída para cada entidade um vetor que caracteriza completamente um estado operacional desta entidade para a rede em questão.
[0064] Usando vetores característicos, o estado operacional da entidade em questão em um dado momento em uma dada janela de tempo, ou seu "regime", pode ser caracterizado. Ele pode então ser comparado com os estados anteriores, ou como os estados de outras entidades, e classificado dependendo dos critérios operacionais, implicando ações a ser realizadas. Para realizar esta categorização, ferramentas de aprendizado de máquina tais como ferramentas de classificação e agrupamento podem ser implementadas.
[0065] No caso de classificação, um processo de aprendizado terá permitido de antemão, usando dados históricos marcados com os vários estados e grupos de formação possíveis, que uma função discriminativa (classificadora) tenha sido treinada, por meio disso permitindo que o grupo ao qual o novo estado pertence seja automaticamente determinado.
[0066] Esta função discriminativa pode ser obtida otimizando critérios de qualidade, por exemplo, uma função de inércia em um modo não supervisionado ou o substituto de um erro de classificação em um modo supervisionado.
[0067] No caso onde dados históricos marcados não são disponíveis, técnicas de geração de classificação (agrupamento) permitem que os estados sejam agrupados dependendo de critérios de similaridade e assim aqueles que pertencem a menores categorias representadas sejam identificados.
[0068] Este último será de interesse para o operador da rede uma vez que ele indica um comportamento que está fora do ordinário. O operador pode então focar sua atenção nesta entidade. Algoritmos de detecção de anomalia
[0069] Algoritmos de detecção de anomalia são aplicados nos vetores de caracterização do estado. É uma questão de caracterizar um evento que está em andamento ou que terminou recentemente. O tipo de evento corresponde a uma categoria de eventos seguido pelos operadores de redes de água potável (vazamentos, queda de pressão, falha do sensor, anomalia de consumo, etc.).
[0070] Os algoritmos de detecção são iniciados em paralelo e seus resultados são agregados a fim de identificar entidades com um comportamento anormal. Eles foram treinados de antemão usando conjuntos de dados históricos, a fim de adaptar seus parâmetros às restrições operacionais da rede. Particularidades corolárias
[0071] O conjunto consistindo nos componentes descritos anteriormente pode ser conectado no sistema de informação técnica do operador de um sistema para suprir água potável. Cada fonte disponível de dados é então conectada no algoritmo de extração de característica que é dedicado a isso. O conjunto pode ser ativado regularmente na frequência de aquisição de dados. A janela de tempo na qual a análise é realizada é ajustável pelo usuário. É, no entanto, apropriado usar, como uma primeira abordagem, janelas de tempo de 24 horas e 7 dias.
[0072] Nessas condições, a caracterização do estado operacional da rede e a detecção de anomalia associada são muito mais pertinentes do que com os métodos convencionalmente usados, e a efetividade operacional é consideravelmente melhorada por meio disso.
[0073] Na fase de diagnóstico de eventos de rede passados, com propósitos de revisão do desempenho operacional, por exemplo, o método permite que seja economizado tempo considerável discriminando situações passadas reais.
[0074] A combinação de características relacionadas ao sinal e características da indústria melhora a robustez da detecção de anomalia.
[0075] O ajuste da sensibilidade do algoritmo, isto é, o equilíbrio entre o número de detecções corretas e o número de anomalias para cada entidade, permite que, por exemplo, a detecção de cada tipo de anomalia seja adaptada à capacidade de o operador planejar e realizar ações corretivas. Modalidade do exemplo: Decomposição de cloro e sinal do exemplo
[0076] O uso de um método de decomposição de sinal, tal como uma decomposição de ondeletas ou Fourier, nos sinais relacionados a uma rede de água potável permite que os vários componentes (intra- e inter-dia) desses sinais sejam isolados. Um algoritmo cognitivo para analisar esses componentes, em relação a perícia da indústria, resulta no campo de definição de operação normal da rede sendo identificado. Isso permite que, quando novos sinais são disponíveis, mudanças significantes na natureza desses componentes sejam detectadas.
[0077] Assim, uma divergência significante observada pode ser interpretada como um indicador de comportamento anormal. Um segundo conjunto de algoritmos de pesquisa pode então ser executado. Por exemplo, um algoritmo para classificação com base nos vetores de características (incluindo reclamações do cliente por exemplo) pode ajudar a definir o nível de risco atingido.
[0078] Esta abordagem pode ser aplicada para monitorar qualidade da água usando todos os pontos de medição disponíveis em uma rede de água potável para identificar estruturas escondidas e detectar, por exemplo, anomalias em concentração de cloro residual, quer em conjunto ou não com outros parâmetros de qualidade. As reclamações do cliente usadas então relacionam com o gosto da água.
Claims (19)
1. Método para detectar anomalias em uma rede de distribuição, em particular, de distribuição de um fluido Newtoniano e, mais particularmente, uma rede para suprimento de água potável, a rede de distribuição sendo equipada com sensores, em cujo método adquire-se para cada sensor uma série temporal de medições físicas separadas por intervalos de tempo, caracterizado pelas seguintes etapas: - definir janelas de tempo, cada qual correspondendo a uma pluralidade de intervalos de tempo; - extrair características operacionais de cada série temporal em cada janela de tempo; - formar, para cada janela de tempo, pelo menos um vetor atual tendo como coordenadas as características operacionais, dados estruturais relativos à rede e características conjunturais específicas para a janela de tempo; - comparar o vetor atual com vetores anteriores correspondentes às janelas de tempo anteriores, cujas características conjunturais e dados estruturais são similares àqueles do vetor atual; e - sinalizar uma anomalia em casos onde o vetor atual é significativamente dissimilar aos ditos vetores anteriores, em que um vetor sem anomalia é classificado no mesmo compartimento de memória de outros vetores substancialmente equivalentes e, cada vez que um vetor atual é calculado, o compartimento de memória contendo os vetores anteriores que mais se assemelham ao dito vetor atual é pesquisado, e o vetor atual é comparado apenas com os vetores anteriores deste compartimento.
2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que, para a comparação do vetor atual com os vetores anteriores, uma sensibilidade definindo um grau mínimo de dissimilaridade é ajustada de maneira que o vetor atual seja qualificado como significativamente dissimilar.
3. Método de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que, para a extração das características, séries temporais de medições sãoagregadas.
4. Método de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato de que as características conjunturais são pelo menos em parte baseadas em hipóteses resultantes de experiência.
5. Método de acordo com qualquer uma das reivindicações 1 a 4, caracterizado pelo fato de que, em caso de anomalia, o vetor atual é comparado com pelo menos um vetor precedente tendo características conjunturais similares e características operacionais tão próximas quanto possível daquelas do vetor atual, e pelo menos uma característica operacional que difere bastante entre o vetor atual e o dito pelo menos um vetor precedente é sinalizada.
6. Método de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo fato de que o resultado é distribuído com referência a uma escala de severidade da anomalia.
7. Método de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo fato de que, em caso de uma pluralidade de anomalias simultâneas, as anomalias são priorizadas em função de sua urgência e/ou em função da magnitude da intervenção corretiva correspondente.
8. Método de acordo com a reivindicação 1, caracterizado pelo fato de que um novo compartimento de memória é criado para um vetor, se suas coordenadas conjunturais e/ou coordenadas correspondentes a dados estruturais da rede não corresponderem a qualquer compartimento existente.
9. Método de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo fato de que a variação com o tempo dos vetores de um dado compartimento é analisada, e informação sobre a variação na rede é fornecida.
10. Método de acordo com a reivindicação 9, caracterizado pelo fato de que as variações nos diferentes compartimentos são comparadas, e informação é fornecida que distingue a variação devido ao estado da rede da variação devido às consequências dos parâmetros conjunturais na rede.
11. Método de acordo com qualquer uma das reivindicações 1 a 10, caracterizado pelo fato de que, para cada janela de tempo, uma pluralidade de vetores é fornecida, cada qual correspondendo a uma respectiva sub-rede que forma parte da rede.
12. Método de acordo com qualquer uma das reivindicações 1 a 11, caracterizado pelo fato de que as características extraídas das séries temporais compreendem máximas, mínimas e/ou médias.
13. Método de acordo com qualquer uma das reivindicações 1 a 12, caracterizado pelo fato de que as características extraídas das séries temporais compreendem frequências elementares em particular obtidas por decomposição das séries temporais em séries de Fourier.
14. Método de acordo com qualquer uma das reivindicações 1 a 13, caracterizado pelo fato de que, no caso de detecção de uma anomalia, o vetor atual é analisado comparativamente com os vetores anteriores a fim de fornecer uma indicação de uma taxa de variação da anomalia e/ou de uma ligação entre a anomalia e pelo menos um parâmetro conjuntural e/ou dado estrutural.
15. Método de acordo com qualquer uma das reivindicações 1 a 14, caracterizado pelo fato de que, em uma etapa de iniciação, uma memória é carregada com vetores reconstituídos de arquivos relativos à rede.
16. Método de acordo com qualquer uma das reivindicações 1 a 15, caracterizado pelo fato de que é implementado simultaneamente para janelas de tempo de diferentes durações.
17. Método de acordo com qualquer uma das reivindicações 1 a 16, caracterizado pelo fato de que os componentes de um vetor incluem as reclamações de consumidores supridas pela rede.
18. Método de acordo com qualquer uma das reivindicações 1 a 17, caracterizado pelo fato de que situações que fazem com que pelo menos uma anomalia sendo sinalizada são processadas por um pacote de software que caracteriza anomalia.
19. Método de acordo com qualquer uma das reivindicações 1 a 18, caracterizado pelo fato de que, em caso de uma anomalia, anomalias comparáveis que dão origem a um diagnóstico são procuradas entre vetores anteriores a fim de fornecer, para a causa da anomalia atual, um pré-diagnóstico similar ao diagnóstico anterior.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1457209A FR3024260B1 (fr) | 2014-07-25 | 2014-07-25 | Procede pour detecter des anomalies dans un reseau de distribution, en particulier d'eau potable |
FR1457209 | 2014-07-25 | ||
PCT/IB2015/055583 WO2016012972A1 (fr) | 2014-07-25 | 2015-07-23 | Procede pour detecter des anomalies dans un reseau de distribution, en particulier d'eau potable |
Publications (2)
Publication Number | Publication Date |
---|---|
BR112017000076A2 BR112017000076A2 (pt) | 2017-11-14 |
BR112017000076B1 true BR112017000076B1 (pt) | 2022-05-24 |
Family
ID=51610353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR112017000076-8A BR112017000076B1 (pt) | 2014-07-25 | 2015-07-23 | Método para detectar anomalias em uma rede de distribuição, em particular, de água potável |
Country Status (11)
Country | Link |
---|---|
US (1) | US10571358B2 (pt) |
EP (1) | EP3172548B1 (pt) |
CN (1) | CN106796157A (pt) |
AU (1) | AU2015293548B9 (pt) |
BR (1) | BR112017000076B1 (pt) |
CA (1) | CA2954812C (pt) |
CL (1) | CL2017000173A1 (pt) |
ES (1) | ES2703573T3 (pt) |
FR (1) | FR3024260B1 (pt) |
MX (1) | MX2017001102A (pt) |
WO (1) | WO2016012972A1 (pt) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4215884A1 (en) | 2013-03-15 | 2023-07-26 | Mueller International, LLC | Systems for measuring properties of water in a water distribution system |
US11041839B2 (en) | 2015-06-05 | 2021-06-22 | Mueller International, Llc | Distribution system monitoring |
FR3071920B1 (fr) * | 2017-09-29 | 2020-11-06 | Suez Groupe | Detection et caracterisation ameliorees d'anomalies dans un continuum d'eau |
WO2019063648A1 (fr) | 2017-09-29 | 2019-04-04 | Suez Groupe | Detection et caracterisation ameliorees d'anomalies dans un continuum d'eau |
WO2020125929A1 (en) * | 2018-12-17 | 2020-06-25 | Huawei Technologies Co., Ltd. | Apparatus and method for detecting an anomaly among successive events and computer program product therefor |
US11288111B2 (en) * | 2019-04-18 | 2022-03-29 | Oracle International Corporation | Entropy-based classification of human and digital entities |
FR3110724B1 (fr) * | 2020-05-25 | 2024-03-01 | Suez Groupe | Détection améliorée de changement de composition physico-chimique d’un liquide |
US11725366B2 (en) | 2020-07-16 | 2023-08-15 | Mueller International, Llc | Remote-operated flushing system |
US11761807B2 (en) | 2020-12-01 | 2023-09-19 | Honeywell International Inc. | Gas meter architecture |
US11815388B2 (en) | 2020-12-01 | 2023-11-14 | Honeywell International Inc. | Method and system for timely detecting gas pressure irregularities using a gas meter in a power efficient manner |
CN113077357B (zh) * | 2021-03-29 | 2023-11-28 | 国网湖南省电力有限公司 | 电力时序数据异常检测方法及其填补方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2863827B2 (ja) * | 1995-12-28 | 1999-03-03 | 工業技術院長 | ガス漏洩検知システム |
WO2005090928A1 (en) * | 2004-03-22 | 2005-09-29 | Rubicon Research Pty Ltd | Loss detection system for open channel networks |
JP4822990B2 (ja) * | 2006-09-07 | 2011-11-24 | 株式会社東芝 | 漏水監視システム |
US7920983B1 (en) * | 2010-03-04 | 2011-04-05 | TaKaDu Ltd. | System and method for monitoring resources in a water utility network |
CN101871834A (zh) * | 2010-04-23 | 2010-10-27 | 北京中科通视科技有限公司 | 一种无线远程漏水探测设备与系统 |
EP2477020A1 (fr) * | 2011-01-17 | 2012-07-18 | Clevergas Holding S.A. | Système de détection de fuite de fluide. |
ITRM20110151A1 (it) * | 2011-03-28 | 2012-09-29 | Giovanni Gregori | Metodo per la caratterizzazione quantitativa dinamica dell invecchiamento di un materiale solido. |
US8341106B1 (en) * | 2011-12-07 | 2012-12-25 | TaKaDu Ltd. | System and method for identifying related events in a resource network monitoring system |
JP5756767B2 (ja) * | 2012-02-29 | 2015-07-29 | 株式会社日立製作所 | 漏水検知装置 |
-
2014
- 2014-07-25 FR FR1457209A patent/FR3024260B1/fr active Active
-
2015
- 2015-07-23 EP EP15762729.0A patent/EP3172548B1/fr active Active
- 2015-07-23 BR BR112017000076-8A patent/BR112017000076B1/pt active IP Right Grant
- 2015-07-23 ES ES15762729T patent/ES2703573T3/es active Active
- 2015-07-23 WO PCT/IB2015/055583 patent/WO2016012972A1/fr active Application Filing
- 2015-07-23 CA CA2954812A patent/CA2954812C/fr active Active
- 2015-07-23 CN CN201580039816.8A patent/CN106796157A/zh active Pending
- 2015-07-23 MX MX2017001102A patent/MX2017001102A/es active IP Right Grant
- 2015-07-23 US US15/328,520 patent/US10571358B2/en active Active
- 2015-07-23 AU AU2015293548A patent/AU2015293548B9/en active Active
-
2017
- 2017-01-23 CL CL2017000173A patent/CL2017000173A1/es unknown
Also Published As
Publication number | Publication date |
---|---|
CA2954812C (fr) | 2022-08-16 |
ES2703573T3 (es) | 2019-03-11 |
EP3172548A1 (fr) | 2017-05-31 |
FR3024260B1 (fr) | 2016-07-29 |
AU2015293548B9 (en) | 2020-03-26 |
US10571358B2 (en) | 2020-02-25 |
US20170212003A1 (en) | 2017-07-27 |
CA2954812A1 (fr) | 2016-01-28 |
CL2017000173A1 (es) | 2018-01-05 |
FR3024260A1 (fr) | 2016-01-29 |
AU2015293548B2 (en) | 2020-03-12 |
MX2017001102A (es) | 2017-09-29 |
AU2015293548A1 (en) | 2017-02-02 |
CN106796157A (zh) | 2017-05-31 |
WO2016012972A1 (fr) | 2016-01-28 |
EP3172548B1 (fr) | 2018-09-26 |
BR112017000076A2 (pt) | 2017-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BR112017000076B1 (pt) | Método para detectar anomalias em uma rede de distribuição, em particular, de água potável | |
CN108027594B (zh) | 用于检测配水系统中的异常的方法 | |
Vercruyssen et al. | Semi-Supervised Anomaly Detection with an Application to Water Analytics. | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
US10599991B2 (en) | Parameter-dependent model-blending with multi-expert based machine learning and proxy sites | |
US20140278302A1 (en) | Computer-implemented method, a device, and a computer-readable medium for data-driven modeling of oil, gas, and water | |
BRPI1101199A2 (pt) | método e sistema computadorizado para monitorar uma rede de distribuição de água, e, método computadorizado para administrar uma rede de distribuição de água | |
AU2015315838A1 (en) | Apparatus and method for ensembles of kernel regression models | |
US20220082409A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
Sarrate et al. | Clustering techniques applied to sensor placement for leak detection and location in water distribution networks | |
JP2017002554A (ja) | 管路異常検知装置および方法 | |
Szega | Methodology of advanced data validation and reconciliation application in industrial thermal processes | |
US10156465B2 (en) | Method for detecting anomalies in a distribution network, in particular a water distribution network | |
Sankaranarayanan et al. | Missing data estimation and IoT‐based flyby monitoring of a water distribution system: Conceptual and experimental validation | |
Quevedo et al. | Temporal/spatial model-based fault diagnosis vs. Hidden Markov models change detection method: Application to the Barcelona water network | |
US20180259426A1 (en) | Evaluating black powder formation of hydrocarbon gas flowed through pipelines | |
US20240202664A1 (en) | Energy efficient collaboration for environmental social and governance (esg) data consolidation and validation in the metaverse | |
Liu et al. | An Algorithm of Auto‐Update Threshold for Singularity Analysis of Pipeline Pressure | |
McMillan et al. | Leakage Detection Framework using Domain-Informed Neural Networks and Support Vector Machines to Augment Self-Healing in Water Distribution Networks | |
Oluyomi et al. | Unsafe Events Detection in Smart Water Meter Infrastructure via Noise-Resilient Learning | |
BR102021026560A2 (pt) | Método de recuperação de sinais | |
BR112017028076B1 (pt) | Métodos e sistema para detectar anomalias em um sistema de distribuição de água e meio não transitório legível por computador | |
CN112836328A (zh) | 一种光伏功率异常数据识别方法及系统 | |
Liu et al. | Research Article An Algorithm of Auto-Update Threshold for Singularity Analysis of Pipeline Pressure | |
CN115146914A (zh) | 窃电行为的确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B06U | Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette] | ||
B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 23/07/2015, OBSERVADAS AS CONDICOES LEGAIS |
|
B25D | Requested change of name of applicant approved |
Owner name: VIGIE GROUP (FR) |
|
B25A | Requested transfer of rights approved |
Owner name: SUEZ INTERNATIONAL (FR) |