CN106796157A - 检测配送网络、特别是饮用水配送网络中的异常的方法 - Google Patents
检测配送网络、特别是饮用水配送网络中的异常的方法 Download PDFInfo
- Publication number
- CN106796157A CN106796157A CN201580039816.8A CN201580039816A CN106796157A CN 106796157 A CN106796157 A CN 106796157A CN 201580039816 A CN201580039816 A CN 201580039816A CN 106796157 A CN106796157 A CN 106796157A
- Authority
- CN
- China
- Prior art keywords
- vector
- network
- abnormal
- time window
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种装配有传感器的分配网络。方法的步骤包括:‑针对每个传感器获取由时间间隔分开的物理测量的时间序列,‑定义时间窗口,每个时间窗口对应于多个连续时间间隔,‑在每个时间窗口中从每个时间序列提取操作特征,‑针对每个时间窗口形成至少一个当前向量,所述至少一个当前向量把操作特征、与网络相关的结构数据以及时间窗口特有的形势特征作为坐标,‑将当前向量与对应于先前时间窗口的先前向量进行比较,并且先前向量的形势特征和结构数据与当前向量的形势特征和结构数据相似,以及‑在当前向量与所述先前向量显著不相似的情况下,指示异常。
Description
技术领域
本发明涉及一种用于检测配送网络,特别是牛顿流体的配送网络,更特别地饮用水供应网络中的异常的方法。
背景技术
操作性能处于饮用水供应系统管理的核心地位。借助在饮用水的运输及配送网络上的液压(hydraulic)异常的检测和定位工具,可以显著改善性能等级。
本发明可以被用于全部牛顿流体网络,例如供热和空气调节城市网络。
对于异常检测,已知被饮用水网络的运营者广泛使用的基于统计技术的异常检测方法,诸如网络区域的最小流率分析之类。这些方法并非总是允许表示异常的特征,也并非总是允许定位异常。
还已知基于液压模型的检测方法。这些基于液压方程式的方法使用网络的建模,所述建模并非总是可用的。异常的检测和定位将数学工具和物理测量结合起来,这意味着实施恰当的仪器密度。
发明内容
本发明的目的是提出一种异常检测方法,该异常检测方法性能良好,同时对输入数据要求很低并且在信息处理的能力方面相对节约。
根据本发明,一种用于检测配送网络中的异常的方法,特别是牛顿流体的配送网络,更特别地饮用水供应网络,所述配送网络装配有传感器,在所述方法中,针对每个传感器获取由时间间隔分开的物理测量结果的时间序列,其特征在于以下步骤:
-定义时间窗口,每个时间窗口对应于多个时间间隔,
-在每个时间窗口中从每个时间序列提取操作特征,
-针对每个时间窗口形成至少一个当前向量,所述至少一个当前向量把操作特征、与网络相关的结构数据以及时间窗口特有的形势特征作为坐标,
-将当前向量与对应于先前时间窗口的先前向量进行比较,并且先前向量的形势特征和结构数据与当前向量的形势特征和结构数据相似,
-在当前向量与所述先前向量显著不相似的情况下,指示异常。
为了将当前向量与先前向量进行比较,定义对应于最小不同程度的灵敏度参数,超过该灵敏度参数,当前向量被看作显著不相似。
时间序列的两个测量结果之间的时间间隔例如是数分钟,例如3分钟。
时间窗口典型地是一天或一周。因此,时间序列典型地包括多个测量结果。可以有利地针对不同持续时间的时间窗口同时实施所述方法。
在时间窗口期间,由传感器测量的并构成时间序列的参数经受变化,例如,根据诸如小时、一周中的天、季节、天气等之类的形势参数,根据例如阀门的闭合、泵的停止之类的网络的结构数据,并且还根据在网络上的一个或更多个异常而经受变化。
根据本发明,形成具有代表时间序列的维度、代表形势参数的维度、和代表结构数据的维度的向量。
本发明的基础思路是,如果代表形势参数以及结构数据的维度已经被恰当地选择,那么具有基本相同的针对形势和结构维度的坐标的向量应当也具有基本相同的针对操作维度的坐标。在相反情况下,指示异常。
考虑到在每个时间序列中典型地大量数字值,如果全部这些数字值中的每一个变为向量的相应维度的坐标,那么本方法应当处理具有非常大维度数目的向量。因此,本发明的另一个基础思路在于从每个时间序列提取特征,并随后为向量的坐标使用这些特征。
从时间序列提取的特征可以包括最大值、最小值和/或平均值、和/或甚至基本频率,所述基本频率特别地是通过将时间序列分解成傅里叶级数来获得的。一些形势参数或结构数据(例如环境温度或阀门的状态)还可以按时间序列的形式可用,所述时间序列被处理以便从中提取构成代替原始数据或测量结果的向量的坐标的特征。
为了特征提取,甚至可以聚合测量结果的时间序列。可以例如进行根据远程读取已知的消耗的叠加,并因此获得唯一总测量结果,或甚至总消耗的时间序列,例如在一周的时间窗口的情况下,按天的测量结果。
以有利的方式,一些形势特征至少部分地基于来自经验的假设。例如,可以设置针对个体的取决于小时、周中的天、季节、外部温度、降雨、住房的居住者的数目等的水消耗的趋势。
在有利的实施方式中,在异常情况下,将当前向量与具有相似的形势特征和结构数据并且操作特征也与当前向量尽可能接近的至少一个先前向量进行比较,并且指示至少一个操作特征,对于该操作特征,当前向量具有与所述至少一个先前向量相比的大偏差。
优选地,通过异常的特征表示软件来处理已经导致指示至少一个异常的情况。当这种软件进一步利用已经可用的关于具有异常值的参数(或向量的坐标)的信息仅处理被挑选作为异常的情况时,这种软件以非常高效率的方式运行。
结果,即在由上面指出的特征表示软件处理后确定的网络异常或向量异常,优选地参考异常的严重性等级被提供。
已经量化了异常严重性,在多个同时异常的情况下,可以根据其紧急性和/或根据相对应的校正介入的规模对异常相对于彼此赋予优先级。
在优选的实施方式中,没有异常的向量被分类到与基本等价的其他向量相同的存储器室中,并且每次计算了当前向量,就搜索包含与该当前向量最类似的之前的向量的存储器室,并且不将该当前向量与该室的先前向量进行比较。因此,减小了所需的处理能力以及获得结果的时延。
为其形势坐标和/或对应于网络的结构数据的坐标不与任何现存室相对应的向量创建新的存储器室。例如,对于夏季的月份,异乎寻常凉爽的天气可以导致创建新的室。
有利地,在时间上分析相同室的向量的演变,并提供关于网络的演变的信息。因此例如,可以检测初始轻微但是具有加重趋势并可能变得严重的泄漏,然而在室中最相似的向量的简单搜索检测不出增长的泄漏,因为最近的先前向量将表现得极为相似并将导致得出没有异常的结论。
在进一步改进的版本中,在不同的室中比较所述演变,并提供区别网络状态的演变与网络上的形势参数的后果的演变的信息。例如,仅在非常热的日子里增长的消耗指示消费者习惯的演变,而不是网络经受逐渐增长的泄漏。
为了减轻处理并精炼结果,非常有利地,针对每个时间窗口提供多个向量,多个向量中的每一个与分别形成网络的部分的子网络相对应。因此,处理更小的向量并给出了更容易地定位异常的额外的机会。
在检测到异常的情况下,比较地分析当前向量与可比近期的异常向量,从而提供针对异常演变速度以及/或者异常与至少一个形势参数和/或结构数据的联系的指示。
在异常情况下,还可以在先前向量中搜索已经导致诊断的可比较的异常,从而提供当前异常的原因的预诊断。
在初始化步骤时,有利地可以根据本发明用根据与网络相关的档案重新构成的向量加载存储器。
向量的分量优选地包括与由网络供应的消费者的抱怨(例如针对流率、压力、味道等)相关的至少一个分量。
附图说明
根据下面关于非限制性的例子并参考附图1的描述,本发明的其他特性及优点将变得更清楚,图1表示所描述的例子中的主要步骤的流程图。
具体实施方式
初步说明
接下来的描述是关于其包含的任何特性的描述,可以独立于其他特性考虑所述特性,即使这些特性形成相同段落或相同句子的部分,并且接下来的描述是关于这些特性的任何组合的描述,因此,无论与上面介绍的概念结合与否,这种特性或特性的组合是区别于现有技术的并提供了技术效果,并且该特性可以用本说明书中的相同术语或相对而言更一般的术语表达。
定义
实体:饮用水网络或饮用水供应系统的组件,例如液压区域或测量/传感器设备。一个实体与一个或更多个时间序列相关联。
时间序列:由时间索引的标量数据的有限序列,该序列通常被恒定的持续时间分隔开。
分类:在没有其他明确表示的情况下,表示使得向实体的状态分配已知类的过程,该已知类导致来自网络运营者的预定的动作。
分类生成(“簇”(clustering)):在没有其他明确表示的情况下,表示使得将实体的状态与一组先前状态相关联,以便确定异常特点或新特点的过程。
测量:是在相对应的单元中量值的评估,这些值形成由数据获取系统提供的时间序列。测量与饮用水网络的具体基本组件(对于流率测量的弧或段,对于压力测量的节点,对于水位测量的储罐)相关联。
远程读取的数据:对于流量计的消耗读数序列,所述数据在给定的周期被测量,并且例如每天至少一次被远程传送。
特征:构成对所研究的过程有意义的信息的标量或向量,此处,针对给定时间窗口的网络状态。
原理
在本发明的该实施方式中实施以下原理:
·借助现有技术的方法的信号预处理,该信号预处理允许从信号中补全或消除噪声。
·针对给定时间窗口的实体的运行状态的特征向量的产生。这是通过以下聚合实现的:
ο通过信号的分解/处理方法主要从实体的时间序列中提取的特征的聚合,
ο来自行业性能指数和形势数据的特征的聚合。
·来自于机器学习(machine learning)技术的分类算法和“簇”算法的使用,针对给定时间窗口所述算法被应用于实体的特征向量。这允许随后实体的状态(比如由特征向量表示的状态)被改编为网络运营者的已知类别,以便对这些情况分类并对要进行的校正动作赋予优先级。分类/簇算法在目标功能和网络管理的操作约束(例如,针对简单的维护操作的可用人员、用于为较复杂的操作设置队伍的期限、异常出现的日期和其检测的日期之间的期限等)上被调整。
·可选地使用影响实体运行的背景数据,用于明确实体状态的描述。
·来自机器学习(machine learning)技术的异常检测/评估(detection/scoring)算法的使用,所述算法借助响应于网络运营者的操作约束而被调整/优化。这些算法被应用于特征向量。
输入数据和参数选择:三个数据集合:
结构数据由网络的基础设施以及所安装的设备(阀门、传感器、泵等)的描述数据构成。
在准备阶段中方法的实施参数以自动的方式被调整,准备阶段自身是自动化的以便允许在系统检测到性能损失或其基础设施的演变时进行修正。
操作数据来自出现在网络上的所有测量系统。当数据可用时,这些数据还包括远程读取的消耗数据、客户抱怨以及对网络表现具有影响的介入。
基本方法(见图1)
测量的时间序列的预处理
这些方法允许获得在必要时补全、平滑/消除了噪声的测量的时间序列。所得到的时间序列随后准备好被用作特征提取算法的输入数据。
还实现了将序列组合成聚合信号。例如,液压区域的输入/输出流率的时间序列的代数和被转换为液压区域的消耗序列。
在特征提取阶段中,还可以针对所使用的算法中的一些算法的需求变换(例如,标准化)所述序列。
产生于信号分解的特征的提取
该方法包括使用如上面描述的预先消除/平滑了的时间序列,以便从中提取允许以运算的方式表示实体状态的特征的恰当信息。这涉及产生概括序列结构的信息(傅里叶分解,小波分解,主分量分解……),同时减小复杂度以便集中信号的恰当部分。
定期地评估分解的不同基础(base),以便追踪算法的性能并当所述基础被评估为不够精细时更新这些基础(监督)。
因此,这些算法的输出是概括由网络运营者定义的时间窗口中的每个信号的特征向量。
行业特征的提取
站点的行业特征的构造被自动化并且基于:
·根据不同类型的网络的经验建立的特征参考集,
·目标网络的表现和结构的观察。
所述构造例如可以基于针对给定时间窗口的参数的最小值的计算、储罐的充满/排空周期的定期性观察、取决于其消费者部分的远程流量计的平均消耗等级等。
实体的运行状态(运行状况)的评估算法
根据本发明的重要特性,为了描述网络的运行状态,将来自行业专门知识的数据与来自信号分解方法的数据结合起来。这些数据互相丰富,同时作为输出为每个实体给出全面地表示该实体的针对所考虑的网络的运行状态的特征的向量。
借助特征向量,在给定时间窗口中的给定时间,可以表示所考虑的实体的运行状态或状况。随后,该状态可以与先前状态或与其他实体的状态进行比较,并根据表明要进行的动作的操作准则被分类。为了实现该分类,可以实施诸如分类和簇之类的机器学习工具。
在分类的情况下,借助用可能的不同状态标记的并构成组的历史数据,学习过程将预先允许训练区分功能(分类),该功能允许自动地给出新状态所属的组。
该区分功能可以通过优化质量准则来获得,例如非监督模式中的惯性功能,或监督模式中的分类错误代理。
在缺少被标记的历史数据的情况下,分类生成(簇)技术允许根据相似性标准将状态分组,并且因此允许区分属于表示最少的类别的状态。
对于网络的运营者来说分类生成技术具有利处,因为其指示了按顺序排列的表现。运营者因此可以将其注意力专注于该实体。
异常检测算法
向状态的特征向量应用异常检测算法。其涉及表示正在发生的或在最近结束的事件的特征。事件的类型对应于由饮用水网络的运营者跟踪的事件(泄漏、压力下降、传感器故障、消耗异常等)的类别。
这些检测算法被并行地启动,并且其结果被聚合用于对具有异常表现的实体的区分。所述算法被预先地针对历史数据组调整,以便使其参数选择适应于网络的操作约束。
推理特性
由上文阐述的组件构成的集合可以被连接到饮用水供应系统的运营者的技术信息系统。随后,可用数据的每个源被连接到其专用的特征提取算法。根据数据获取频率,所述集合可以被规律地激活。在其上进行分析的时间窗口是可由用户调节的。不过,作为第一方法,使用24小时和7天的时间窗口是恰当的。
在这些条件下,网络的运行状态的特征表示以及相关联的异常检测与通常使用的方法相比,是更加恰当的,并且由此显著改善了运行效率。
在网络中发生的事件的诊断阶段中,例如为了操作总结的目的,所述方法通过对实际发生的情况进行区分从而允许节省大量的时间。
将与信号相关的特征和行业特征组合起来,改善异常检测的鲁棒性。
算法灵敏度的调节,即对于每个实体的准确检测的数量与异常数量之间的平衡,例如允许使每种类型的异常的检测与计划并进行校正动作的操作者的能力相适应。
实施例:氯与信号分解的例子
针对与饮用水网络相关的信号使用诸如小波分解或傅里叶分解之类的信号分解方法,允许分离这些信号的不同分量(一日内或不同日间)。这些分量的认知分析算法,与行业专门知识有关地使得识别网络的正常运行的定义范围。这允许在新的信号可用时,检测这些分量的性质中的显著变化。
因此,观察到的显著偏差可以被解释为非正常表现的标识符。随后可以执行搜索算法的第二集合。例如,基于特征向量(例如包括客户抱怨)的分类算法允许帮助定义所达到的风险等级。
通过使用在饮用水网络上的可用的测量点的集合,这种方法可以被应用于水质量的监督,以便无论在是否联合其他质量参数的情况下,识别隐藏的结构,并例如检测针对残留氯浓度的异常。所使用的客户抱怨因此与水的味道相关。
Claims (20)
1.一种用于检测配送网络中的异常的方法,特别是牛顿流体的配送网络,更特别地饮用水供应网络,所述配送网络装配有传感器,在所述方法中,针对每个传感器获取由时间间隔分开的物理测量结果的时间序列,其特征在于以下步骤:
-定义时间窗口,每个时间窗口对应于多个时间间隔,
-在每个时间窗口中从每个时间序列提取操作特征,
-针对每个时间窗口形成至少一个当前向量,所述至少一个当前向量把操作特征、与网络相关的结构数据以及时间窗口特有的形势特征作为坐标,
-将当前向量与对应于先前时间窗口的先前向量进行比较,并且先前向量的形势特征和结构数据与当前向量的形势特征和结构数据相似,以及
-在当前向量与所述先前向量显著不相似的情况下,指示异常。
2.根据权利要求1所述的方法,其特征在于,为了将当前向量与先前向量进行比较,调节定义最小不同程度的灵敏度,使得当前向量被认为显著不相似。
3.根据权利要求1或2所述的方法,其特征在于,为了提取特征,聚合测量结果的时间序列。
4.根据权利要求1至3之一所述的方法,其特征在于,形势特征至少部分地基于来自经验的假设。
5.根据权利要求1至4之一所述的方法,其特征在于,在异常情况下,将当前向量与具有相似的形势特征并且操作特征也与当前向量尽可能接近的至少一个先前向量进行比较,并且指示至少一个以下操作特征:对于该操作特征,当前向量具有与所述至少一个先前向量相比的大偏差。
6.根据权利要求1至5之一所述的方法,其特征在于,通过参考异常严重性等级来提供结果。
7.根据权利要求1至6之一所述的方法,其特征在于,在多个同时异常的情况下,根据其紧急性和/或根据相对应的校正介入的量值对异常赋予优先级。
8.根据权利要求1至7之一所述的方法,其特征在于,没有异常的向量被分类到与基本等价的其他向量相同的存储器室中,并且每次计算了当前向量,就搜索包含与该当前向量最类似的之前的向量的存储器室,并且仅将该当前向量与该室的先前向量进行比较。
9.根据权利要求8所述的方法,其特征在于,为以下向量创建新的存储器室:该向量的形势坐标和/或对应于网络的结构数据的坐标不与任何存在的室相对应。
10.根据权利要求1至9之一所述的方法,其特征在于,在时间上分析相同室的向量的演变,并提供关于网络的演变的信息。
11.根据权利要求10所述的方法,其特征在于,在不同的室中比较所述演变,并提供区别网络状态的演变与网络上的形势参数的后果的演变的信息。
12.根据权利要求1至11之一所述的方法,其特征在于,针对每个时间窗口提供多个向量,多个向量中的每一个与分别形成网络的部分的子网络相对应。
13.根据权利要求1至12之一所述的方法,其特征在于,从时间序列提取的特征包括最大值、最小值和/或平均值。
14.根据权利要求1至13之一所述的方法,其特征在于,从时间序列提取的特征包括基本频率,所述基本频率特别地是通过将时间序列分解成傅里叶级数来获得的。
15.根据权利要求1至14之一所述的方法,其特征在于,在检测到异常的情况下,比较地分析当前向量与先前向量,从而提供针对异常演变速度以及/或者异常与至少一个形势参数和/或结构数据的联系的指示。
16.根据权利要求1至15之一所述的方法,其特征在于,在初始化步骤时,用根据与网络相关的档案重新构成的向量加载存储器。
17.根据权利要求1至16之一所述的方法,其特征在于,对于不同持续时间的时间窗口同时地实施所述方法。
18.根据权利要求1至17之一所述的方法,其特征在于,向量的分量包括由网络供应的消费者的抱怨。
19.根据权利要求1至18之一所述的方法,其特征在于,通过异常的特征表示软件处理已经导致指示至少一个异常的情况。
20.根据权利要求1至19之一所述的方法,其特征在于,在异常情况下,在先前向量中搜索已经导致诊断的可比较的异常,从而针对当前异常的原因提供与之前诊断相似的预诊断。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1457209 | 2014-07-25 | ||
FR1457209A FR3024260B1 (fr) | 2014-07-25 | 2014-07-25 | Procede pour detecter des anomalies dans un reseau de distribution, en particulier d'eau potable |
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 (1)
Publication Number | Publication Date |
---|---|
CN106796157A true CN106796157A (zh) | 2017-05-31 |
Family
ID=51610353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580039816.8A Pending CN106796157A (zh) | 2014-07-25 | 2015-07-23 | 检测配送网络、特别是饮用水配送网络中的异常的方法 |
Country Status (11)
Country | Link |
---|---|
US (1) | US10571358B2 (zh) |
EP (1) | EP3172548B1 (zh) |
CN (1) | CN106796157A (zh) |
AU (1) | AU2015293548B9 (zh) |
BR (1) | BR112017000076B1 (zh) |
CA (1) | CA2954812C (zh) |
CL (1) | CL2017000173A1 (zh) |
ES (1) | ES2703573T3 (zh) |
FR (1) | FR3024260B1 (zh) |
MX (1) | MX2017001102A (zh) |
WO (1) | WO2016012972A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111406213A (zh) * | 2017-09-29 | 2020-07-10 | 苏伊士集团 | 对水的连续体中的异常的改进的检测和表征 |
CN113228006A (zh) * | 2018-12-17 | 2021-08-06 | 华为技术有限公司 | 检测连续事件中的异常的装置和方法及其计算机程序产品 |
CN113940034A (zh) * | 2019-04-18 | 2022-01-14 | 甲骨文国际公司 | 检测云用户的行为异常 |
Families Citing this family (8)
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 |
WO2019063648A1 (fr) | 2017-09-29 | 2019-04-04 | Suez Groupe | Detection et caracterisation ameliorees d'anomalies dans un continuum d'eau |
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 |
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 |
US11761807B2 (en) | 2020-12-01 | 2023-09-19 | Honeywell International Inc. | Gas meter architecture |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5866803A (en) * | 1995-12-28 | 1999-02-02 | Agency Of Industrial Science And Technology | Gas leakage detection system |
CN1938567A (zh) * | 2004-03-22 | 2007-03-28 | 鲁比康研究有限公司 | 用于开放式水道网络的损失检测系统 |
CN101449141A (zh) * | 2006-09-07 | 2009-06-03 | 株式会社东芝 | 漏水监视系统 |
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. |
CN102884407A (zh) * | 2010-03-04 | 2013-01-16 | 塔卡度有限公司 | 用于监控水设施网络中的资源的系统和方法 |
CN103292966A (zh) * | 2012-02-29 | 2013-09-11 | 株式会社日立制作所 | 漏水检测装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2014
- 2014-07-25 FR FR1457209A patent/FR3024260B1/fr active Active
-
2015
- 2015-07-23 US US15/328,520 patent/US10571358B2/en active Active
- 2015-07-23 ES ES15762729T patent/ES2703573T3/es active Active
- 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 CA CA2954812A patent/CA2954812C/fr active Active
- 2015-07-23 MX MX2017001102A patent/MX2017001102A/es active IP Right Grant
- 2015-07-23 CN CN201580039816.8A patent/CN106796157A/zh active Pending
- 2015-07-23 AU AU2015293548A patent/AU2015293548B9/en active Active
- 2015-07-23 WO PCT/IB2015/055583 patent/WO2016012972A1/fr active Application Filing
-
2017
- 2017-01-23 CL CL2017000173A patent/CL2017000173A1/es unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5866803A (en) * | 1995-12-28 | 1999-02-02 | Agency Of Industrial Science And Technology | Gas leakage detection system |
CN1938567A (zh) * | 2004-03-22 | 2007-03-28 | 鲁比康研究有限公司 | 用于开放式水道网络的损失检测系统 |
CN101449141A (zh) * | 2006-09-07 | 2009-06-03 | 株式会社东芝 | 漏水监视系统 |
CN102884407A (zh) * | 2010-03-04 | 2013-01-16 | 塔卡度有限公司 | 用于监控水设施网络中的资源的系统和方法 |
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. |
CN103292966A (zh) * | 2012-02-29 | 2013-09-11 | 株式会社日立制作所 | 漏水检测装置 |
Non-Patent Citations (1)
Title |
---|
陈玥: ""城市供水水质异常检测方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111406213A (zh) * | 2017-09-29 | 2020-07-10 | 苏伊士集团 | 对水的连续体中的异常的改进的检测和表征 |
CN111406213B (zh) * | 2017-09-29 | 2023-09-05 | 苏伊士国际公司 | 对水的连续体中的异常的改进的检测和表征 |
CN113228006A (zh) * | 2018-12-17 | 2021-08-06 | 华为技术有限公司 | 检测连续事件中的异常的装置和方法及其计算机程序产品 |
CN113940034A (zh) * | 2019-04-18 | 2022-01-14 | 甲骨文国际公司 | 检测云用户的行为异常 |
Also Published As
Publication number | Publication date |
---|---|
MX2017001102A (es) | 2017-09-29 |
EP3172548B1 (fr) | 2018-09-26 |
CA2954812C (fr) | 2022-08-16 |
AU2015293548B2 (en) | 2020-03-12 |
US20170212003A1 (en) | 2017-07-27 |
US10571358B2 (en) | 2020-02-25 |
WO2016012972A1 (fr) | 2016-01-28 |
BR112017000076A2 (pt) | 2017-11-14 |
AU2015293548B9 (en) | 2020-03-26 |
BR112017000076B1 (pt) | 2022-05-24 |
FR3024260A1 (fr) | 2016-01-29 |
EP3172548A1 (fr) | 2017-05-31 |
FR3024260B1 (fr) | 2016-07-29 |
CL2017000173A1 (es) | 2018-01-05 |
CA2954812A1 (fr) | 2016-01-28 |
AU2015293548A1 (en) | 2017-02-02 |
ES2703573T3 (es) | 2019-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106796157A (zh) | 检测配送网络、特别是饮用水配送网络中的异常的方法 | |
WO2022252505A1 (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
CN105182450B (zh) | 一种强对流天气短时预警系统 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN106681183B (zh) | 监测制造装置的方法、装置、系统与计算机可读储存媒介 | |
CN106707099A (zh) | 基于异常用电检测模型的监测定位方法 | |
CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN109858679A (zh) | 一种结合人机物的反窃电稽查监控系统及其工作方法 | |
CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
CN105987822A (zh) | 用于预测装备故障的方法和系统 | |
CN107423190B (zh) | 一种日志数据异常指向识别方法及装置 | |
Maere et al. | Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering | |
CN107273924A (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
US20170082988A1 (en) | Computer-implemented method and system for automatically monitoring and determining the status of entire process segments in a process unit | |
CA2960792A1 (en) | Apparatus and method for ensembles of kernel regression models | |
WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
CN107851294A (zh) | 大型运行系统的基于状态的预防维护装置及方法 | |
CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
CN117542169A (zh) | 基于大数据分析的自动化设备温度异常预警方法 | |
CN115856204A (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN111949496A (zh) | 一种数据检测方法及装置 | |
JP7451854B2 (ja) | 産業環境におけるエネルギー消費量を診断する方法、システム、及びコンピュータプログラム製品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230630 Address after: Paris France Applicant after: DEGREMONT Address before: Paris France Applicant before: SUEZ GROUPE |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |