CN109643335A - 用于建模、分析、检测和监测流体网络的系统和方法 - Google Patents

用于建模、分析、检测和监测流体网络的系统和方法 Download PDF

Info

Publication number
CN109643335A
CN109643335A CN201780053134.1A CN201780053134A CN109643335A CN 109643335 A CN109643335 A CN 109643335A CN 201780053134 A CN201780053134 A CN 201780053134A CN 109643335 A CN109643335 A CN 109643335A
Authority
CN
China
Prior art keywords
node
sensor
fluid network
fluid
network
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.)
Granted
Application number
CN201780053134.1A
Other languages
English (en)
Other versions
CN109643335B (zh
Inventor
詹尼弗·F·舒马赫
萨贝·塔格瓦伊扬
罗纳德·D·耶西
安德鲁·P·博尼法斯
尼古拉斯·G·阿梅尔
布洛克·A·哈勃
古尔尚·戈尔纳瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
3M Innovative Properties Co
Original Assignee
3M Innovative Properties Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 3M Innovative Properties Co filed Critical 3M Innovative Properties Co
Publication of CN109643335A publication Critical patent/CN109643335A/zh
Application granted granted Critical
Publication of CN109643335B publication Critical patent/CN109643335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了系统和方法，所述系统和方法用于最佳地确定流体网络中的传感器或基础设施放置，用于确定所述流体网络中的感兴趣的异常，以及用于确定流体网络中的传感器覆盖，其基于由有向图表示的所述流体网络的模型。

Description

用于建模、分析、检测和监测流体网络的系统和方法
技术领域
本公开涉及建模、分析、监测和检测流体网络的方法和系统。
背景技术
诸如水网络的流体网络可能会遇到影响可用性和质量的问题，包括缓慢或快速泄漏、运输基础设施的腐蚀、污染等。在这些难题对基础设施、水质或健康产生重大影响之前，可能无法发现和解决这些问题。一个示例是2014年1月的埃尔克河化学品溢出，其中约有300,000名居民受到影响并且122人因污染而住院。
发明内容
期望能够在早期或实时检测流体网络中的问题(例如，管道涂层问题、泄漏/裂缝、污染等)，并能够通过预测问题/难题可能发生的时间和地点来抢先行动，而不是之后反应。
在一个方面，本公开描述了一种最佳地确定流体网络中的传感器或基础设施放置的方法。该方法包括创建流体网络的模型。该模型包括i)表示设置在该流体网络中的流体基础设施的多个有向连接节点，以及ii)定位在该流体网络中的一个或多个所选位置处的一个或多个传感器。该方法还包括将所述模型表示为与设置在该流体网络外部的处理器相关联的矩阵数据结构，经由该处理器分析该矩阵以评估该模型的每个节点是否满足一个或多个可定位性标准。分析该矩阵包括解释和执行与该处理器相关的多个指令。确定该流体网络中的传感器或基础设施放置。
在另一方面中，本公开描述了一种系统，该系统包括定位在流体网络中的一个或多个所选位置处的一个或多个传感器。传感器被配置成在相应位置处从流体网络收集数据。处理器设置在该流体网络的外部。该处理器被配置成从该传感器接收数据并基于该流体网络的模型分析该数据。该模型包括表示设置在该流体网络中的流体基础设施的多个有向连接节点。与该处理器相关联的多个指令可由该处理器解释和执行以分析该数据并确定该流体网络内的传感器放置。
在另一个方面中，本公开描述了一种确定流体网络中感兴趣的异常的方法。该方法包括提供设置在该流体网络中的一个或多个所选位置处的一个或多个传感器。传感器被配置成在相应位置处从流体网络收集数据。该方法还包括在一个或多个位置处经由一个或多个传感器收集来自流体网络的数据，经由处理器接收来自传感器的数据，以及基于流体网络模型经由处理器分析数据。该模型表示为与处理器相关联的有向图。有向图包括多个有向连接的节点，其中在两个相邻节点之间添加一个或多个假想节点。
在另一个方面中，本公开描述了一种确定流体网络中的传感器覆盖的方法。该方法包括创建流体网络的模型。该模型包括表示设置在该流体网络中的流体基础设施的多个有向连接节点。该方法还包括将该模型表示为与设置在该流体网络外部的处理器相关联的矩阵数据结构，以及经由该处理器分析该矩阵以评估每个节点是否满足一个或多个可定位性标准。分析该矩阵包括解释和执行与该处理器相关的多个指令。该方法还包括将每个节点分配给定位区域、检测区域和不可达区域中的一个。
在本公开的示例性实施方案中获取各种意料不到的结果和优点。本公开的示例性实施方案的这种优点包括早期或实时检测和确定流体网络中的难题/问题，包括预测流体网络中的可能问题/难题的抢先行动，最佳传感器或流体基础设施放置等。
已总结本公开的示例性实施方案的各种方面和优点。上面的发明内容并非旨在描述本公开的当前某些示例性实施方案的每个例示的实施方案或每种实施方式。下面的附图和具体实施方式更具体地举例说明了使用本文所公开的原理的某些优选实施方案。
附图说明
结合附图考虑本公开的各种实施方案的以下详细描述可更全面地理解本公开，其中：
图1是根据一个实施方案的检测流体网络中的感兴趣的异常的方法的流程图。
图2示出了根据一个实施方案的用于检测流体网络中的感兴趣的异常的系统的框图。
图3A示出了根据一个实施方案的设置有传感器的流体网络的示意图。
图3B示出了根据另一个实施方案的设置有传感器的流体网络的示意图。
图4A示出了根据一个实施方案的表示流体网络的有向图。
图4B是根据一个实施方案的最佳地确定流体网络中的传感器放置的方法的流程图。
图4C示出了根据一个实施方案的在所选位置处设置有传感器的图4A的有向图。
图4D示出了在所选位置处设置有传感器的图4C的有向图的重新格式化版本。
图5A示出了根据一个实施方案的表示在所选位置处放置传感器的流体网络的有向图。
图5B示出了图5A的有向图的重新格式化版本。
图5C示出了根据一个实施方案的在图5B的模型中将相邻节点分组为节点集。
图5D示出了根据一个实施方案的通过添加流体路径的对图5B的流体网络的修改。
图6A示出了根据一个实施方案的确定流体网络中的传感器覆盖的方法的流程图。
图6B示出了根据一个实施方案的分成定位区域、检测区域和不可达区域的流体网络的图示。
图6C示出了根据另一个实施方案的分成定位区域、检测区域和不可达区域的流体网络的图示。
图6D示出了根据另一个实施方案的分成定位区域、检测区域和不可达区域的流体网络的图示。
图7示出了根据一个实施方案的表示通过添加假想节点而修改的流体网络的有向图。
图8A示出了根据一个实施方案的用于确定潜在污染源的流体网络的模型。
图8B示出了根据另一个实施方案的用于确定潜在污染源的流体网络的模型。
图8C示出了根据另一个实施方案的用于确定潜在污染源的流体网络的模型。
在附图中，相似的附图标号指示相似的元件。虽然可不按比例绘制的上面标识的附图阐述了本公开的各种实施方案，但还可想到如在具体实施方式中所提到的其它实施方案。在所有情况下，本公开以示例性实施方案的表示的方式而非通过表述限制来描述当前所公开的公开内容。应当理解，本领域的技术人员可想出许多其它修改和实施方案，这些修改和实施方案落在本公开的范围和实质内。
具体实施方式
本公开提供了方法和系统以能够在早期或实时检测流体网络中的问题(例如，管道涂层问题、泄漏、裂缝、污染等)，并能够抢先行动，包括预测流体网络中可能发生问题/难题的时间和地点。本文描述的流体网络可以包括流体分配、处理和/或收集网络，诸如例如水管道分配网络、水处理系统、下水道系统、诸如河流和支流的天然水道、气体线路分配网络(例如，甲烷或丙烷)、油管道分配网络等。本文描述的方法和系统可以解决流体网络中难以检测的问题，其中可能无法找到缓慢泄漏、运输基础设施腐蚀或污染问题，直到其对基础设施、水质或健康产生重大影响。
图1示出了监测流体网络中的感兴趣的异常的方法100的流程图。在110处，为流体网络提供一个或多个传感器。传感器可以是能够收集与流体网络的一个或多个参数有关的数据的任何类型的传感器，该参数诸如例如是消毒剂浓度、污染物浓度、流体压力、流体流速、温度、电导率、过滤器的使用或预测的寿命终止等。示例性传感器包括来自加拿大金斯敦的Endetec Veolia的KAPTATM3000-AC4。传感器可以位于流体网络内的各个位置处。例如，可以将传感器提供给商业水过滤器、住宅区(例如，冰箱)、公共场所(例如，水喷泉)等。本公开提供了关于如何确定流体网络中的最佳传感器放置的方法以及如何基于对流体网络建模来确定流体网络中传感器覆盖的方法，该方法将在下面进一步描述。然后方法100前进至120。
在120处，处理器指示传感器收集数据。处理器可以位于流体网络外的远程计算机(例如，服务器或云)中。在一些实施方案中，可以为分布在流体网络中的过滤器提供传感器，并且由传感器收集的数据可以指示相应过滤器的状态。在一些实施方案中，可以指示每个传感器在初始时间收集数据，该数据可以作为初始值存储在数据库中。然后方法100前进至130。
在130处，所收集的数据从传感器传递并由处理器接收。数据可以经由适当的技术例如Wi-Fi、蓝牙、低功耗蓝牙(BLE)、蜂窝、以太网等直接或间接传输。所收集的数据可以从传感器实时传递，或者在以后日期传递以提供流体网络的回顾性指示。还可以规则的时间间隔或基于上下文情况的适配的时间表收集数据。例如，在可能已经损坏流体网络的风暴之后，或者当预测过滤器接近寿命终止时，能够以相对较高的频率收集或传递数据。然后方法100前进至140。
在140处，由处理器分析所接收的数据以生成结果。在一些实施方案中，可以基于流体网络的模型来分析所接收的数据。在一些实施方案中，流体网络的模型可以包括表示设置在流体网络中的流体基础设施的有向连接的节点。节点可以作为部分顺序集来排序，其中节点的顺序可以根据节点之间的流体流方向而改变。例如，流体流方向可以在一些节点处存在“使用”波动的地方改变。模型可以是流体网络的表示，包括例如有向无环图(DAG)。流体网络的表示(例如，有向无环图)可以由处理器存储或处理为矩阵数据结构，诸如例如邻接矩阵、可达性矩阵等。
在一些实施方案中，与流体网络相关的历史数据或其他数据可以与来自传感器的接收的实时数据组合并由处理器分析。此类其他类型的数据可以包括例如流体网络中的先前问题/难题(例如，破损、更换等)、天气(雷暴、洪水等，可能是某些地区中的流体网络受损的原因)、温度、压力或电导率变化、以及报告的损坏(例如，倒下的树、电线及其与流体网络损坏的相关性)。在一些实施方案中，可以进行基线测量以确定是否存在任何初始污染，诸如在安装流体基础设施期间引入的污染。在一些实施方案中，可以根据时间、地理等分析与流体网络相关的来自传感器的历史数据以导出异常模式。数据可以存储在例如与处理器相关联的数据库中或云中。所生成的结果包括例如分析报告、警告、警报等。方法100然后前进至150。
在150处，基于对数据的分析，经由处理器或操作者/用户确定流体网络中是否存在感兴趣的异常。感兴趣的可能异常可能包括，例如，污染，基础设施故障，流体泄漏，温度、压力或电导率的升高或下降，或它们的组合等。在一些实施方案中，处理器还可以确定流体网络内的异常的可能位置。当流体网络中存在异常时，方法100前进至160以生成例如以警报、警告、报告等形式的输出。当流体网络中没有异常时，方法100前进返回至120。在一些实施方案中，输出可以包括通过基于年限、大小、使用等对流体网络进行分类来预测未来的流体网络难题/问题，例如基于类似环境的管道故障。在一些实施方案中，输出可以包括经由网络特征的显著差异(例如，正检测到模型中的新“节点”)确定某人是否从流体网络窃取资源。在一些实施方案中，输出可以用于基于其所服务的基础设施来提供水采购、关闭和/或转移的优先级。例如，如果检测到污染，可将清洁水优先重新沿路线传送到医院而不是其他基础设施。在一些实施方案中，可以通过将房主过滤器使用与其邻居进行比较来向房主提供输出(例如，以确定水健康问题是否定位于房屋)。
图2示出了根据一个实施方案的用于通过实施例如方法100来确定流体网络10中的感兴趣的异常的检测系统200。流体网络10可以包括流体分配、处理和/或收集网络，诸如例如水管道分配网络、水处理系统、水收集网络、下水道系统、诸如河流和支流的天然水道、气体线路分配网络(例如，甲烷或丙烷)、油管道分配网络等。为流体网络10内的各种位置提供一个或多个传感器12。
检测系统200包括传感器12、计算部件226以及一个或多个输入/输出装置216。传感器12可以是能够收集与流体网络的一个或多个参数有关的数据的任何类型的传感器，该参数例如是消毒剂浓度、污染物浓度、流体压力、流体流速、温度、电导率、过滤器的使用或预测的寿命终止等。示例性传感器可以包括无源、无线传感器。传感器12可以包括射频识别(RFID)，其可以识别各个流体基础设施(例如，过滤器)及其相关信息(例如，尺寸、型号、使用、安装时间、状态等)。
在一些实施方案中，流体网络10可以是设置有水过滤系统的水网络，该水过滤系统包括水过滤器和/或其他水过滤、分离和/或纯化产品。水过滤系统用于减少污染物，诸如例如氯和/或氯胺、颗粒、铅等。可以为水过滤器提供传感器12以跟踪水过滤器的使用/寿命终止。
在图2的实施方案中，计算部件226包括处理器212和存储器214。计算部件226在功能上连接到传感器12，从传感器12接收与流体网络10相关的信号或数据，并分析所接收的信号/数据以产生结果，包括例如分析报告、警告、警报等。在一些实施方案中，从传感器12接收的数据可以存储在存储器214中。在一些实施方案中，可以创建模型以表示流体网络10。该模型可以包括表示流体网络的流体基础设施的有向连接节点。该模型可以包括例如有向图或部分有序集，其作为以邻接矩阵形式的数据存储在存储器214中。处理器212可以通过解释和执行来自与处理器212相关联的软件程序的指令来分析模型。
存储器214存储信息。在一些实施方案中，存储器214可以存储用于执行本文所述的方法或过程的指令。在一些实施方案中，与流体网络或流体网络的模型相关的数据可以预存储在存储器214中。
存储器214可包括任何易失性或非易失性存储元件。示例可包括随机存取存储器(RAM)(诸如同步动态随机存取存储器(SDRAM))、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦可编程只读存储器(EEPROM)和闪存。示例还可包括硬盘、磁带、磁或光数据存储介质、光盘(CD)、数字通用盘(DVD)、蓝光盘和全息数据存储介质。数据也可以存储在云计算环境中。
处理器212可包括例如一个或多个通用微处理器、专门设计的处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、离散逻辑的集合和/或任何类型的能够执行本文所述技术的处理装置。在一些实施方案中，处理器212(或本文所述的任何其它处理器)可以被描述为计算装置。在一些实施方案中，存储器214可被配置成存储由处理器212执行以进行本文所述的过程或方法的程序指令(例如，软件指令)。在其它实施方案中，本文所述的过程或方法可以由处理器212的专门编程的电路来执行。在一些实施方案中，处理器212因此可以被配置成执行用于分析与本文描述的流体网络相关的数据的技术。处理器212(或本文所述的任何其它处理器)可包括一个或多个处理器。
输入/输出装置216可包括被配置成从用户或其它装置输入或向用户或其它装置输出信息的一个或多个装置。在一些实施方案中，输入/输出装置216可以呈现用户界面218，其中用户可以控制对流体网络的评估。例如，用户界面218可包括用于向用户呈现视觉信息的显示屏。在一些实施方案中，显示屏包括触敏显示器。在一些实施方案中，用户界面218可包括用于向用户呈现信息的一个或多个不同类型的装置。用户界面218可包括例如任何数量的视觉(例如，显示装置、灯等)、听觉(例如，一个或多个扬声器)和/或触觉(例如，键盘、触摸屏或鼠标)反馈装置。在一些实施方案中，输入/输出装置216可以表示显示屏(例如，液晶显示器或发光二极管显示器)和/或打印机(例如，印刷装置或用于将指令输出到印刷装置的部件)中的一者或多者。在一些实施方案中，输入/输出装置116可以被配置成接受或接收由处理器112执行以进行本文所述的实施方案的程序指令(例如，软件指令)。
检测系统200还可包括其它部件，并且包括处理器212、存储器214和输入/输出装置216在内的所示部件中的任一者的功能可以分布在多个部件和独立装置(诸如例如，计算机)上。系统200可被配置成工作站、台式计算装置、笔记本电脑、平板电脑、移动计算装置或任何其它合适的计算装置或计算装置的集合。系统200可以在本地网络上运行或者被托管在云计算环境中。图2所示的部件仅仅是为了解释本公开的各个方面而示出，并且部件的添加或移除对于本领域技术人员将是显而易见的。
检测系统200允许用户实时确定流体网络中的异常。在一些实施方案中，可以基于流体网络的模型，经由处理器实时自动分析来自流体网络的所收集的数据以生成供输出的结果。检测系统200还允许用户预测流体网络将来可能具有的可能问题/难题。
图3A示出了根据一个实施方案的作为示例性流体网络的水管道网络10的图示。从水源2供应水。各种流体基础设施3通过水管道4连接。在水管道网络10中的选定位置A至G处提供传感器。传感器可以在功能上连接到检测系统(诸如图2的系统200)的处理器，并且被配置成在网络10中的各个位置处收集数据，该数据然后可被传输到检测系统的处理器以进行分析。基于从位置A-G接收的传感器数据，检测系统的处理器可以分析该数据并确定位置A-C、F和G具有“良好”的水状况，而在所示的示例中，位置D和E具有“不良”水状况。处理器还可以基于网络10的模型确定异常(例如，突发/污染)的可能原因可以位于网络10中的位置B和D之间的位置31处。
图3B示出了作为另一个示例性流体网络的水管道网络10'的图示。水从水源2'供应到水管道网络10'。各种流体基础设施3'通过水管道4'连接。各种流体基础设施3'可以由有向连接的节点表示，其中箭头对应于流体网络中的流体流方向。例如，位于节点A、节点B和节点C处的流体基础设施是有向连接的，如左侧插图所示，其中节点C是节点A与节点B之间的依赖性连接，并且因此节点A和节点B不是依赖性(d)-分离的。节点C被定义为从节点A到节点B的路径中的d分离器。
在本公开中，创建模型以表示各种流体网络。流体网络的模型可以包括表示设置在流体网络中的流体基础设施的有向连接的节点。流体网络内的流体流的特性(诸如，流动方向、流速)可以通过流量传感器测量，或者基于诸如管尺寸、长度等因素使用流体动力学来导出。在一些实施方案中，模型可以是流体网络的表示，包括例如有向无环图(DAG)。流体网络的表示(例如，有向无环图)可以由处理器存储或处理为矩阵数据结构矩阵，诸如例如邻接矩阵、可达性矩阵等。
图4A示出了根据一个实施方案的流体网络的模型20。在模型20中，各种流体基础设施由节点1至节点17表示。例如，节点1可以表示水源。节点1-17有向连接以形成有向图，该有向图是部分有序集。图4A中的箭头对应于流体网络中的流体流方向。应当理解，流体网络可以由各种有向图表示。流体网络的有向图可以进一步由矩阵数据结构(诸如例如，邻接矩阵、可达性矩阵等)表示。矩阵数据结构可以由处理器存储和/或分析。
本公开提供了经由处理器(诸如图2的处理器212)分析流体网络的模型的方法。在一些实施方案中，可以分析模型或模型的表示以评估节点或节点集是否满足一个或多个可定位性标准。在一些实施方案中，可定位性标准可以包括，例如对于给定节点或节点集，评估在给定节点或节点集的下游是否设置了具有相对于给定节点或节点集不共享任何d分离器的相应路径的至少两个传感器。当给定节点满足可定位性标准时，不向给定节点提供传感器。当给定节点不满足可定位性标准时，向给定节点提供一个或多个传感器。可以解释和执行与处理器相关联的指令以分析模型或模型的表示。上述分析过程可以包括动态编程，包括从模型表示中的最低级别开始的自下而上的方法，如图4B所示的一个实施方案进一步说明的。
图4B是根据一个实施方案的用于最佳地确定流体网络中的传感器放置的方法300的流程图。在310处，由模型表示流体网络。该模型可以是例如有向图，诸如图4A中所示的有向图20。有向图可以是其中节点以不同级别排序的部分顺序集。然后，方法300前进至320。在320处，评估处于模型的最低级别的一个或多个节点或节点集以在330处确定节点或节点集是否满足可定位性标准，例如对于给定节点或节点集，评估在给定节点或节点集的下游是否设置了具有相对于给定节点或节点集不共享任何d分离器的相应路径的至少两个传感器。当节点或节点集满足定位标准时，方法300前进至340。当节点或节点集不满足可定位性标准时，方法300前进至350。在340处，将传感器添加到节点或节点集，并且用添加的传感器更新模型(例如，有向图)。在350处，以相同的方式评估处于相同级别或上级别的下一个模式或模式集。该过程继续，直到评估处于流体网络的最高级别处的节点。
将图4B的方法300应用于由图4A的模型20表示的流体网络产生了如图4C-D所示的结果。评估从最低级别开始，例如，有向图20中的节点16或节点17。发现了节点16和节点17不满足可定位标准。节点16或节点17下游没有传感器。分别在节点16和节点17处添加传感器，并且利用节点16和节点17处添加的传感器更新有向图20。然后，可以评估下一级别的节点14或节点15。发现了节点14和节点15满足可定位标准。在节点16和节点17下游有两个传感器，并且从节点14和节点15到节点16和节点17处的两个传感器的相应路径不共享任何d分离器。将不向节点14和节点15提供传感器。这种自下而上的方法继续进行，并且可以评估每个节点。发现节点11-13、节点8、节点9和节点1-7满足标准，并且不向这些节点提供传感器。节点10不满足可定位性标准。从节点10到节点16和节点17处的两个传感器的相应路径(例如，10-13-14-16和10-13-15-17)可以共享d分离器(例如，节点13)。向节点10提供传感器并更新有向图20。
在传感器放置在节点16、节点17和节点10处的情况下，足以覆盖整个流体网络。也就是说，通过分析来自位于节点10、节点16和节点17处的传感器的数据，检测系统的处理器可以明确地确定流体网络中的每个节点处的状态。图4D示出了在所选位置处设置有传感器的图4C的有向图的重新格式化版本。在一些实施方案中，当流体网络中存在异常时，处理器可以通过分析传感器数据明确地确定异常的位置。例如，当传感器数据指示节点11、节点14和节点16具有污染并且剩余节点没有污染时，处理器可以确定污染的原因位于节点11处。
当流体网络需要n个传感器来完全覆盖流体网络时，网络的复杂性指数可以表示为所需传感器数量n与流体网络中的节点数量的比率。例如，图4A的流体网络20的复杂性指数是3/17。
应当理解，在一些实施方案中，可以在评估之前将模型的一个或多个节点分组为相应的节点集。例如，图4A的节点14和节点15可以被分组为可以被评估的单个节点集。每个节点集可以包括一个或多个相邻节点，并且可以与图4B-C中所示的相同方式评估每个节点集，以确定节点集或节点和节点集的组合是否满足可定位性标准。
图5A示出了根据另一个实施方案的流体网络的模型30。流体网络由有向图表示。节点1可以表示水源。可以类似于图4A-D所示的对于模型20的方式分析模型30。模型30包括74个节点，其中32个节点不满足可定位标准，并且为32个节点(例如，图5A中的带圆圈的节点)提供传感器以完全覆盖整个流体网络30。图5A的流体网络30的复杂性指数是32/74。图5B示出了在所选位置处设置有传感器的图5A的有向图的重新格式化版本。
在一些实施方案中，可以在评估之前首先将模型30的节点分组到相应的节点集中。图5C示出了一些相邻节点被分组到相同节点集32中(例如，在同一圆圈内)。以此方式，与图5B相比，完全覆盖整个流体网络所需的传感器的数量可以从32减少到15。权衡是当确定一个特定节点集是异常的原因时，它可不告知特定节点集内的异常的显式位置(例如，哪个节点)。
在一些实施方案中，可以修改流体网络以减少完全覆盖流体网络所需的传感器的数量。如图5D所示，可以添加一个或多个流体连接34(例如，管道)以有向地、流体地连接由节点表示的流体基础设施。当在图5D中添加流体连接34时，与图5B相比，完全覆盖整个流体网络所需的传感器的数量可以从32减少到11。
本公开还提供了确定流体网络中的传感器覆盖的方法。方法可以包括建立流体网络的模型。该模型可以包括表示设置在流体网络中的流体基础设施的有向连接节点。一个或多个传感器可以定位在流体网络中的一个或多个所选位置处。模型或模型的表示可以存储在例如处理器中。可以经由处理器分析模型或其表示以评估每个节点是否满足一个或多个可定位性标准。可定位标准可以包括，例如对于给定节点，评估在给定节点下游是否存在具有相对于给定节点不共享任何d分离器的相应路径的至少两个传感器。
基于评估的结果，可以将模型的节点分配给定位区域、检测区域和不可达区域中的一个。定位区域是指流体网络中的可以明确确定异常位置(例如，在特定节点处)的区域。检测区域是指流体网络中的可以检测到与异常相关的数据/信号，但是异常的确切位置是未知的区域。不可达区域是指流体网络中的不能获得与异常相关的信息的区域。当给定节点满足可定位性标准时，给定节点被分配给定位区域，并且当给定节点不满足可定位性标准时，给定节点被分配给检测区域或不可达区域。
当给定节点不满足可定位性标准时，可以进一步评估给定节点以确定传感器是否位于给定节点处或给定节点的下游。如果没有传感器位于给定节点处或给定节点下游，则将与给定节点相对应的区域分配给不可达区域，否则将其分配给检测区域。
在一些实施方案中，可以通过使用关于诸如高级马尔可夫链方法的可达性的合适算法来执行给定节点与其他节点之间的路径的评估。在Golnari等人的“使用回避和运输击中时间度量的可达性问题中的节点的枢轴效应(Pivotality of Nodes in ReachabilityProblems Using Avoidance and Transit Hitting Time Metrics)”，2015年5月的关于为实践者简化复杂网络的第7期研讨会中描述了示例性马尔可夫链方法。应当理解，路径的评估可以通过任何其他合适的算法来执行。
在一些实施方案中，可以分析传感器的灵敏度(例如，测量污染浓度或其变化的灵敏度)和吸收概率矩阵Q，以确定至少一些节点的污染水平的最小可检测浓度。流体网络的吸收概率矩阵Q将在下面进一步描述。
图6A是根据一个实施方案的确定流体网络中的传感器覆盖的方法400的流程图。在410处，由模型表示流体网络。该模型可以是例如有向图，诸如图4A中所示的有向图20。有向图可以是其中节点以不同级别排序的部分顺序集。然后，方法400前进至420。在420处，评估处于模型的最低级别的一个或多个节点或节点集以在430处确定节点或节点集是否满足可定位性标准，例如对于给定节点或节点集，评估在给定节点或节点集的下游是否设置了具有相对于给定节点或节点集不共享任何d分离器的相应路径的至少两个传感器。
当节点或节点集满足定位标准时，方法400前进至440。当节点或节点集不满足可定位性标准时，方法400前进至450。在440处，将节点或节点集分配给定位区域。然后，方法400前进至480。
在450处，进一步评估节点或节点集以确定在节点或节点集处或在较低级别(即，节点或节点集的下游)处存在传感器。当存在位于节点或节点集处或其下游的传感器时，方法400前进至460。在460处，将节点或节点集分配给检测区域。当不存在位于节点或节点集处或其下游的传感器时，方法400前进至470。在470处，将节点或节点集分配给不可达区域。然后，方法400前进至480。
在480处，以相同的方式评估处于模型中的相同级别或上级别的下一个模式或模式集。该过程继续，直到评估处于流体网络的最高级别处的节点。
通过将图6A的方法400应用于由图4A的模型20表示的流体网络，在图6B中示出结果。如图6B所示，将传感器分别提供给节点10和节点16。评估从最低级别开始，例如，有向图20中的节点16或节点17。发现了节点16不满足可定位标准。节点16下游没有传感器。进一步评估节点16以确定在节点16处或其下游是否存在传感器。传感器定位在节点16处。节点16被分配给检测区域。以相同的方式评估节点17。发现了节点17不满足可定位标准。节点17下游没有传感器。进一步评估节点17以确定在节点17处或其下游是否存在传感器。没有传感器定位在节点17处或其下游。节点17被分配到不可达区域。然后，可以评估下一级别的节点14或节点15。发现了节点14和节点15不满足可定位标准。节点16处下游仅有一个传感器。节点14和节点15被分别分配给检测区域。这种自下而上的方法继续进行，并且可以评估每个节点。发现了节点1、节点3和节点6各自满足可定位标准并被分配给定位区域。例如，对于节点3，从节点3到节点16处的传感器的通过3-5-9-12-14-16的一条路径和从节点3到节点10处另一个传感器的通过3-6-10的一条路径不共享任何d分离器，并且节点3满足可定位性标准。其他节点被分配给检测区域。在传感器放置在节点10和节点16处的情况下，流体网络20被部分地覆盖，并且被分成定位区域、检测区域和不可到达区域。通过分析来自位于节点10和节点16的传感器的数据，检测系统的处理器可以(i)如果异常源位于定位区域内，则明确确定异常的位置，并且(ii)如果异常源位于检测区域内，则检测异常的发生。
图6C示出了根据一个实施方案的模型40的图示，其中节点分别被分配给定位区域61、检测区域62和不可达区域63。除了传感器的数量和它们的位置不同之外，图6A的模型40与图5B的模型30相同。为图5B中的流体网络提供传感器，使得整个流体网络被完全覆盖，而在图6C中，流体网络被部分覆盖，并且节点被分配给定位区域、检测区域和不可达区域中的一个。
图6D示出了根据另一个实施方案的模型50的图示，其中节点分别被分配给定位区域61、检测区域62和不可达区域63。除了传感器的数量和它们的位置不同之外，图6B的模型50与图6C的模型40相同。在图6D中，流体网络被部分覆盖，并且节点被分配给定位区域、检测区域和不可达区域中的一个。与图6C相比，当传感器的数量和/或位置改变时，相应地改变节点到不同区域的分配。
本公开还提供了检测和定位流体网络中感兴趣的异常的方法。异常可以是例如污染、基础设施故障等。当污染在流体网络的定位区域内发生时，该方法可以确定污染水平及其位置(例如，在流体网络的哪个节点)。该方法可以进一步检测其他节点(例如，流体网络的检测区域中的节点)处的污染的发生/存在并且识别流体网络内的高风险的位置。
方法可以包括，例如，提供设置在流体网络中的一个或多个所选位置处的一个或多个传感器。传感器被配置成在相应位置处从流体网络收集数据。可以经由一个或多个传感器从设置有一个或多个传感器的一个或多个位置处的流体网络收集数据。所收集的数据可以包括异常发生之前和之后的传感器测量值。然后可以从传感器接收数据，并且基于流体网络的模型经由处理器分析数据。模型可以包括有向连接的节点。在一些实施方案中，可以在两个相邻节点之间添加一个或多个假想节点，以基于该模型生成污染物浓度或浓度变化的谐波函数。
图7示出了根据一个实施方案的通过添加假想节点或衰减节点来对流体网络建模的方法。简化流体网络的模型包括有向连接到节点3的节点1和节点2。假想节点4和假想节点5分别添加在节点1和节点3以及节点2和节点3之间。在没有假想节点的情况下，污染物(例如氯)的浓度可以表示为：
C3＝(q13d13C1+q23d23C2)/(q13+q23)…(1a)
其中Ci是节点i处污染物的浓度，qij是从节点i到j的流体流速，dij是从节点i到j的污染衰减参数。
上述公式(1a)不是谐波的，并且可有不存在、不是唯一的或低效的解决方案。
通过添加假想节点(例如，节点0、节点4和节点5)，可以将流体网络的真实节点(例如，节点1-3)处的污染水平(例如，氯水平)计算为一个或多个谐波函数。污染衰减d在假想节点0处设置为零。然后，例如，C4可以表示为：
C4＝(C1d13+C0(1-d13))/d13+(1-d13)…(1b)
其然后可以归纳为谐波函数：
C4＝C1d13…(1c)
然后可以为剩余节点导出该公式以获得谐波扩散模型。给定这种谐波扩散模型，并遵循Dirichlet原理，当已知源(起始节点和具有传感器的任何节点)处的污染水平(例如，氯水平)时，可以发现所有真实节点的污染水平。
假想节点或衰减节点处的污染水平可以设置为大约零。在一些实施方案中，当确定污染源的位置和中心时，流体网络的其他节点(例如，流体网络的检测区域中的节点)的污染水平可以通过下式来计算：
Cinterior＝QCboundary…(2)
其中Cinterior是除污染源外的所有节点污染水平的矢量，Cboundary是污染源处的污染水平的矢量，并且Q是可通过转移概率矩阵来确定的吸收概率矩阵。转移概率矩阵可以从由权重构成的邻接矩阵确定，该权重代表流体网络中的流体流和污染衰减。转移概率矩阵被进一步划分以表示内部源和边界源。本领域技术人员可以针对特定流体网络求解吸收概率矩阵Q。
在一些实施方案中，具有假想节点的流体网络模型可以用于基于由某些节点处的传感器收集的数据来确定一个或多个污染源的位置，其可以进一步用于估计其他节点处的污染水平和/或识别高风险污染的位置。
在一些实施方案中，对于相对简单的流体网络，通过将每个节点单独考虑为其中假定污染水平作为潜在污染源的边界节点并将这些建模值与传感器测量值进行比较，可以确定污染源的位置。对于相对复杂的流体网络，由于网络的复杂性，该方法可能难以实现。
在一些实施方案中，通过在流体网络的下游位置放置至少两个传感器，在异常事件之前和之后分析来自传感器的数据，并对节点的初始非异常状态建模，可以确定污染源的位置。然后可以使用本领域已知的拟合估计方法(诸如最小二乘法)来获得吸收概率矩阵和异常源处的污染水平。
在一些实施方案中，可以分析来自传感器的数据以计算流体网络的检测区域内的节点处的污染水平。上面已经讨论了将节点分配给检测区域的方法。例如，参见图6B，可以通过确定吸收概率矩阵Q来计算节点处的污染水平。可以进一步分析数据以基于计算的节点处的污染水平来定位一个或多个潜在污染源。基于潜在污染源的信息，可以进一步估计流体网络中其他节点处的污染水平。
图8A-C示出了如何利用流体网络中的不同量的传感器来确定污染源的位置。在图8A中，一个传感器位于节点82处，并且在节点82处测量污染水平。使用上面讨论的模型和污染物定位方法，流体网络的节点可以分别被分配给定位区域、检测区域和不可达区域。可以计算检测区域内的节点的污染水平以确定潜在的污染源。在这种情况下，十个节点(例如，图8A中具有正方形的节点)被识别为潜在污染源，并且用其相应污染水平标记。在图8B中，两个传感器分别位于节点83a和节点83b处。类似地，可以获得检测区域内的节点的污染水平。在这种情况下，四个节点已经被识别为潜在的污染源，并且用其相应污染水平标记。在图8C中，三个传感器分别位于节点84a、节点84b和节点84c处。在这种情况下，污染源的位置被确定为在节点88处。在图8A-B中，可以基于计算的污染水平和传感器位置确定对定位节点的子集的污染，而在图8C中，所描述的方法可以精确地定位具有污染源的节点。
除非另外指明，否则本说明书和实施方案中所使用的表达量或成分、性质测量等的所有数字在所有情况下均应理解成由术语“约”来修饰。因此，除非有相反的说明，否则在上述说明书和所附实施方案列表中示出的数值参数可根据本领域的技术人员利用本公开的教导内容寻求获得的期望属性而变化。最低程度上说，并且在不试图将等同原则的应用限制到受权利要求书保护的实施方案的范围内的情况下，至少应根据所报告的数值的有效数位并通过应用惯常的四舍五入法来解释每个数值参数。
在不脱离本公开实质和范围的情况下，可对本公开的示例性实施方案进行各种修改和更改。因此，应当理解，本公开的实施方案并不限于以下描述的示例性实施方案，而应受权利要求书及其任何等同物中示出的限制因素控制。
示例性实施方案列表
以下列出示例性实施方案。应当理解，可以组合列表I、II、III和IV中的任何实施方案。
实施方案列表I：
实施方案1是一种最佳地确定流体网络中的传感器或基础设施放置的方法，所述方法包括：
创建所述流体网络的模型，其中所述模型包括i)表示设置在所述流体网络中的流体基础设施的多个有向连接节点，以及ii)定位在所述流体网络中的一个或多个所选位置处的一个或多个传感器；
将所述模型表示为与处理器相关联的矩阵数据结构，其中所述处理器设置在所述流体网络外部；
经由所述处理器分析所述矩阵以评估所述模型的每个节点是否满足一个或多个可定位性标准，其中分析所述矩阵包括解释和执行与所述处理器相关的多个指令；以及
基于分析所述矩阵的结果来确定所述流体网络中的所述传感器或基础设施放置。
实施方案2是根据实施方案1所述的方法，其中所述模型包括一个或多个有向无环图(DAG)，并且所述矩阵包括可达性矩阵。
实施方案3是根据实施方案1或2所述的方法，其中分析所述矩阵包括动态编程，所述动态编程包括从所述矩阵中的最低级别开始的自下而上的方法。
实施方案4是根据实施方案1-3中任一实施方案所述的方法，其中分析所述模型的每个节点是否满足一个或多个可定位性标准，所述一个或多个可定位性标准包括对于给定节点，评估在所述给定节点下游是否设置了具有相对于所述给定节点不共享任何d分离器的相应路径的至少两个传感器。
实施方案5是根据实施方案1-4中任一实施方案所述的方法，其中确定所述传感器或基础设施放置包括当给定节点不满足所述可定位性标准时，向所述给定节点提供传感器，并且当所述给定节点满足所述可定位性标准时，不向所述给定节点提供传感器。
实施方案6是根据实施方案1-5中任一实施方案所述的方法，其中确定所述传感器或基础设施放置包括确定用于覆盖所述整个流体网络的传感器的最小数量。
实施方案7是根据实施方案6所述的方法，其中确定所述传感器或基础设施放置包括将所述流体网络的复杂性指数确定为所需传感器的最小数量与节点数量的比率。
实施方案8是根据实施方案1-7中任一实施方案所述的方法，其中创建所述模型还包括将所述模型的多个相邻节点分组为节点集。
实施方案9是根据实施方案1-8中任一实施方案所述的方法，其中确定所述传感器或基础设施放置包括在所述流体网络中的所述节点之间添加一个或多个流体路径以减小传感器的数量。
实施方案列表II：
实施方案1是一种确定流体网络中的感兴趣的异常的方法，所述方法包括：
提供设置在所述流体网络中的一个或多个所选位置处的一个或多个传感器，其中所述传感器被配置成在所述相应位置处从所述流体网络收集数据；
在一个或多个位置处经由一个或多个传感器收集来自流体网络的数据；
经由处理器接收来自传感器的数据；以及
基于流体网络模型经由处理器分析数据，其中模型表示为与处理器相关联的有向图，有向图包括多个有向连接的节点，其中在两个相邻节点之间添加一个或多个假想节点。
实施方案2是根据实施方案1所述的方法，其中所述异常与所述流体网络中的污染或基础设施故障相关。
实施方案3是根据实施方案1或2所述的方法，其中分析所述数据还包括计算所述流体网络中的检测区域中的一个或多个节点处的污染水平。
实施方案4是根据实施方案3所述的方法，其中计算所述多个节点处的所述污染水平还包括确定吸收概率矩阵Q。
实施方案5是根据实施方案3或4所述的方法，其中分析所述数据还包括基于计算的所述第一节点处的污染水平来定位一个或多个污染源。
实施方案6是根据实施方案3、4或5所述的方法，其中基于一个或多个可定位性标准确定所述检测区域，所述一个或多个可定位性标准包括对于给定节点，评估在所述给定节点下游是否设置了具有相对于所述给定节点不共享任何d分离器的相应路径的至少两个传感器。
实施方案7是根据实施方案1-6中任一实施方案所述的方法，其中所述模型是谐波模型，并且所述流体网络中的污染物浓度水平表示为谐波函数。
实施方案8是根据实施方案7所述的方法，其中所述污染浓度水平包括氯水平。
实施方案9是根据实施方案1-8中任一实施方案所述的方法，其中所述有向图还包括连接到所述一个或多个假想节点的第二假想节点。
实施方案列表III：
实施方案1是一种确定流体网络中的传感器覆盖的方法，所述方法包括：
创建所述流体网络的模型，其中所述模型包括表示设置在所述流体网络中的流体基础设施的多个有向连接节点，以及定位在所述流体网络中的一个或多个所选位置处的一个或多个传感器；
将所述模型表示为与处理器相关联的矩阵数据结构，其中所述处理器设置在所述流体网络外部；
经由所述处理器分析所述矩阵以评估每个节点是否满足一个或多个可定位性标准，其中分析所述矩阵包括解释和执行与所述处理器相关的多个指令；以及
将每个节点分配给定位区域、检测区域和不可达区域中的一个。
实施方案2是根据实施方案1所述的方法，其中所述模型是包括一个或多个有向无环图(DAG)的图形模型。
实施方案3是根据实施方案1或2所述的方法，其中分析每个节点是否满足一个或多个可定位性标准包括经由所述多个指令评估一对节点之间的路径以确定所述路径是否穿过中间节点。
实施方案4是根据实施方案3所述的方法，其中评估所述路径包括经由多个指令实现高级马尔可夫链方法。
实施方案5是根据实施方案1-4中任一实施方案所述的方法，其中分析每个节点是否满足一个或多个可定位性标准，所述一个或多个可定位性标准包括对于给定节点，经由多个指令评估，在所述给定节点下游是否存在具有相对于所述给定节点不共享任何d分离器的相应路径的至少两个传感器。
实施方案6是根据实施方案1-5中任一实施方案所述的方法，其中当给定节点满足所述可定位性标准时，所述给定节点被分配给所述定位区域，并且当所述给定节点不满足所述可定位性标准时，所述给定节点被分配给所述检测区域或所述不可达区域。
实施方案7是根据实施方案6所述的方法，其中当所述给定节点不满足所述可定位性标准时，进一步评估所述给定节点以确定传感器是否位于所述给定节点的下游，当没有传感器位于下游时，将所述给定节点分配给所述不可达区域，否则将所述给定节点分配给所述检测区域。
实施方案8是根据实施方案1-7中任一实施方案所述的方法，其还包括确定每个节点的污染水平的最小可检测浓度。
实施方案9是根据实施方案8所述的方法，其中确定所述最小可检测浓度包括分析分布在所述流体网络中的传感器的灵敏度和吸收概率矩阵。
实施方案列表IV：
实施方案1是一种系统，所述系统包括：
一个或多个传感器，所述一个或多个传感器定位在流体网络中的一个或多个所选位置处，其中所述传感器被配置成在所述相应位置处从所述流体网络收集数据；和
处理器，所述处理器设置在所述流体网络外部，其中所述处理器被配置成从所述传感器接收所述数据，并基于所述流体网络的模型分析所述数据，其中所述模型包括表示设置在所述流体网络中的流体基础设施的多个有向连接节点，以及定位在所述一个或多个所选位置处的一个或多个传感器；和
多个指令，所述多个指令与所述处理器相关联，其中所述多个指令能够由所述处理器解释和执行以分析所述数据并确定所述流体网络内的传感器放置。
实施方案2是根据实施方案1所述的系统，其中所述流体网络包括水网络。
实施方案3是根据实施方案1或2所述的系统，其中所述流体网络的所述流体基础设施包括一个或多个水过滤器。
实施方案4是根据实施方案3所述的系统，其中所述多个传感器包括设置有所述水过滤器的一个或多个过滤器传感器。
实施方案5是根据实施方案1-4中任一实施方案所述的系统，其中来自所述传感器的所述数据与消毒剂浓度、污染物浓度、压力或流速中的一个或多个参数相关。
实施方案6是根据实施方案1-5中任一实施方案所述的系统，其中所述数据与所述流体网络的改变或损坏相关。
实施方案7是根据实施方案1-6中任一实施方案所述的系统，所述系统还包括与所述处理器相关联的数据库，其中来自所述传感器的所述数据存储在所述数据库中。
实施方案8是根据实施方案7所述的系统，其中所述数据库还包括与所述流体网络的所述模型相关的历史数据。
实施方案9是根据实施方案1-8中任一实施方案所述的系统，所述系统还包括显示器。
实施方案10是实施方案1-9中任一实施方案所述的系统，其中所述模型包括一个或多个有向无环图(DAG)。
整个本说明书中提及的“一个实施方案”、“某些实施方案”、“一个或多个实施方案”或“实施方案”，无论在术语“实施方案”前是否包括术语“示例性的”都意指结合该实施方案描述的特定特征、结构、材料或特性包括在本公开的某些示例性实施方案中的至少一个实施方案中。因此，在整个本说明书的各处出现的表述如“在一个或多个实施方案中”、“在某些实施方案中”、“在一个实施方案中”或“在实施方案中”不一定是指本公开的某些示例性实施方案中的同一实施方案。此外，特定特征、结构、材料或特性可在一个或多个实施方案中以任何合适的方式组合。
虽然本说明书已经详细地描述了某些示例性实施方案，但是应当理解，本领域的技术人员在理解上述内容后，可很容易地想到这些实施方案的更改、变型和等同物。因此，应当理解，本公开不应不当地受限于以上示出的示例性实施方案。特别地，如本文所用，用端值表述的数值范围旨在包括该范围内所包含的所有数值(例如，1至5包括1、1.5、2、2.75、3、3.80、4和5)。另外，本文所用的所有数字都被认为是被术语“约”修饰。
此外，对各种示例性实施方案进行了描述。这些实施方案以及其他实施方案均在如下权利要求书的范围内。

Claims (19)

1.一种最佳地确定流体网络中的传感器或基础设施放置的方法，所述方法包括：
创建所述流体网络的模型，其中所述模型包括i)表示设置在所述流体网络中的流体基础设施的多个有向连接节点，以及ii)定位在所述流体网络中的一个或多个所选位置处的一个或多个传感器；
将所述模型表示为与处理器相关联的矩阵数据结构，其中所述处理器设置在所述流体网络外部；
经由所述处理器分析所述矩阵以评估所述模型的每个节点是否满足一个或多个可定位性标准，其中分析所述矩阵包括解释和执行与所述处理器相关的多个指令；以及
基于分析所述矩阵的结果来确定所述流体网络中的所述传感器或基础设施放置。
2.根据权利要求1所述的方法，其中所述模型包括一个或多个有向无环图(DAG)，并且所述矩阵包括可达性矩阵。
3.根据权利要求1所述的方法，其中分析所述矩阵包括动态编程，所述动态编程包括从所述矩阵中的最低级别开始的自下而上的方法。
4.根据权利要求1所述的方法，其中分析所述模型的每个节点是否满足一个或多个可定位性标准，所述一个或多个可定位性标准包括对于给定节点，评估在所述给定节点下游是否设置了具有相对于所述给定节点不共享任何d分离器的相应路径的至少两个传感器。
5.根据权利要求1所述的方法，其中确定所述传感器或基础设施放置包括当给定节点不满足所述可定位性标准时，向所述给定节点提供传感器，并且当所述给定节点满足所述可定位性标准时，不向所述给定节点提供传感器。
6.根据权利要求1所述的方法，其中确定所述传感器或基础设施放置包括确定用于覆盖所述整个流体网络的传感器的最小数量。
7.根据权利要求6所述的方法，其中确定所述传感器或基础设施放置包括将所述流体网络的复杂性指数确定为所需传感器的所述最小数量与所述节点数量的所述比率。
8.根据权利要求1所述的方法，其中创建所述模型还包括将所述模型的多个相邻节点分组为节点集。
9.根据权利要求1所述的方法，其中确定所述传感器或基础设施放置包括在所述流体网络中的所述节点之间添加一个或多个流体路径以减小所述传感器数量。
10.一种系统，所述系统包括：
一个或多个传感器，所述一个或多个传感器定位在流体网络中的一个或多个所选位置处，其中所述传感器被配置成在所述相应位置处从所述流体网络收集数据；和
处理器，所述处理器设置在所述流体网络外部，其中所述处理器被配置成从所述传感器接收所述数据，并基于所述流体网络的模型分析所述数据，其中所述模型包括表示设置在所述流体网络中的流体基础设施的多个有向连接节点，以及定位在所述一个或多个所选位置处的一个或多个传感器；和
多个指令，所述多个指令与所述处理器相关联，其中所述多个指令能够由所述处理器解释和执行以分析所述数据并确定所述流体网络内的传感器放置。
11.根据权利要求10所述的系统，其中所述流体网络包括水网络。
12.根据权利要求10所述的系统，其中所述流体网络的所述流体基础设施包括一个或多个水过滤器。
13.根据权利要求12所述的系统，其中所述多个传感器包括设置有所述水过滤器的一个或多个过滤器传感器。
14.根据权利要求10所述的系统，其中来自所述传感器的所述数据与消毒剂浓度、污染物浓度、压力或流速中的一个或多个参数相关。
15.根据权利要求10所述的系统，其中所述数据与所述流体网络的改变或损坏相关。
16.根据权利要求10所述的系统，所述系统还包括与所述处理器相关联的数据库，其中来自所述传感器的所述数据存储在所述数据库中。
17.根据权利要求16所述的系统，其中所述数据库还包括与所述流体网络的所述模型相关的历史数据。
18.根据权利要求10所述的系统，所述系统还包括显示器。
19.根据权利要求10所述的系统，其中所述模型包括一个或多个有向无环图(DAG)。
CN201780053134.1A 2016-08-31 2017-07-31 用于建模、分析、检测和监测流体网络的系统和方法 Active CN109643335B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662381854P 2016-08-31 2016-08-31
US62/381,854 2016-08-31
PCT/US2017/044727 WO2018044462A1 (en) 2016-08-31 2017-07-31 Systems and methods for modeling, analyzing, detecting, and monitoring fluid networks

Publications (2)

Publication Number Publication Date
CN109643335A true CN109643335A (zh) 2019-04-16
CN109643335B CN109643335B (zh) 2023-07-25

Family

ID=61301507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780053134.1A Active CN109643335B (zh) 2016-08-31 2017-07-31 用于建模、分析、检测和监测流体网络的系统和方法

Country Status (4)

Country Link
US (1) US11200352B2 (zh)
EP (1) EP3507725A4 (zh)
CN (1) CN109643335B (zh)
WO (1) WO2018044462A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306289A (zh) * 2023-03-21 2023-06-23 中国科学院空间应用工程与技术中心 一种基于多源域自适应的机电设备跨域剩余寿命预测方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3507665A4 (en) 2016-08-31 2020-03-18 3M Innovative Properties Company SYSTEMS AND METHODS FOR MODELING, ANALYSIS, DETECTION AND MONITORING OF FLUID ARRAYS
EP3507761A4 (en) * 2016-08-31 2020-05-20 3M Innovative Properties Company SYSTEMS AND METHODS FOR MODELING, ANALYZING, DETECTING AND MONITORING FLUID NETWORKS
CN111295592B (zh) 2017-11-03 2022-08-23 3M创新有限公司 用于电力网络中的异常检测的系统和方法
CN112131771B (zh) * 2020-09-18 2022-10-11 重庆长安汽车股份有限公司 一种汽车发动机的气门油封机油泄漏量的预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140163916A1 (en) * 2012-12-10 2014-06-12 International Business Machines Corporation Techniques for Iterative Reduction of Uncertainty in Water Distribution Networks
CN104303153A (zh) * 2012-03-22 2015-01-21 洛斯阿拉莫斯国家安全股份有限公司 用于异常子图检测、异常/更改检测和网络态势感知的路径扫描

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2272895A (en) 1994-03-22 1995-10-09 Intelligent Monitoring Systems Detecting and classifying contaminants in water
US8958917B2 (en) 1998-12-17 2015-02-17 Hach Company Method and system for remote monitoring of fluid quality and treatment
CN101365928A (zh) 2003-09-22 2009-02-11 金炯胤 用于结构健康监测的传感器和系统
CA2630303A1 (en) * 2005-11-16 2007-05-24 Sensicore, Inc. Systems and methods for fluid quality sensing, data sharing and data visualization
GB2469508C (en) * 2009-04-16 2012-08-29 Aircom Internat Modelling apparatus and method
US9494480B2 (en) 2009-08-11 2016-11-15 Michael Edward Klicpera Water use monitoring apparatus
KR101044293B1 (ko) 2009-10-30 2011-06-29 주식회사 엔타시스 다중 전압 도메인의 전력 배선망에서의 전원/접지 패드의 위치 및 개수를 최적화하는 방법
US20120013483A1 (en) 2010-07-17 2012-01-19 Jung Sungeun Water Supply Maintenance System
US8619657B2 (en) * 2011-05-20 2013-12-31 Arnab Das Cost optimization of wireless-enabled metering infrastructures
US8930150B2 (en) 2012-02-01 2015-01-06 International Business Machines Corporation Leak detection in a fluid distribution network
US20130262068A1 (en) * 2012-03-28 2013-10-03 International Business Machines Corporation Sensor placement for leakage location in liquid distribution networks
CN102855526A (zh) 2012-08-29 2013-01-02 毛振刚 突发水污染事件监控预警系统
CN103808907A (zh) 2012-11-14 2014-05-21 无锡津天阳激光电子有限公司 一种水环境物联网方法与装置
US10012055B2 (en) * 2013-01-24 2018-07-03 Schlumberger Technology Corporation Analysis of surface networks for fluids
CA2909902C (en) * 2013-04-19 2018-03-13 Gutermann Ag Method for evaluating acoustic sensor data in a fluid carrying network and evaluation unit
CN103322416B (zh) 2013-06-24 2015-06-17 东北大学 管道微弱泄漏检测装置及基于模糊双曲混沌模型检测方法
US20150095000A1 (en) 2013-10-02 2015-04-02 Nec Laboratories America, Inc. Optimal sensor and actuator deployment for system design and control
CN103838959A (zh) 2013-12-18 2014-06-04 国网上海市电力公司 偏最小二乘回归应用于配电网谐波源定位与检测中的方法
CN103939749B (zh) 2014-04-28 2016-08-24 东北大学 基于大数据的输油管网泄漏智能自适应监控系统及方法
CN104061443B (zh) 2014-07-01 2016-03-23 北京昊科航科技有限责任公司 管道安全预警与泄漏监测报警方法
JP6334417B2 (ja) 2015-01-13 2018-05-30 株式会社東芝 センサ配置位置選択装置、漏水量推定装置、漏水診断システム、漏水診断方法及びコンピュータプログラム
EP3334511A1 (en) 2015-08-14 2018-06-20 3M Innovative Properties Company Electronic sensor having electrical contacts for direct monitoring of filter media within a filtration system
EP3666358A1 (en) 2015-08-14 2020-06-17 3M Innovative Properties Co. Identification of filter media within a filtration system
EP3334509B1 (en) 2015-08-14 2020-03-18 3M Innovative Properties Company Electromagnetic sensor for active monitoring of filter media within a filtration system
EP3507761A4 (en) 2016-08-31 2020-05-20 3M Innovative Properties Company SYSTEMS AND METHODS FOR MODELING, ANALYZING, DETECTING AND MONITORING FLUID NETWORKS
EP3507665A4 (en) 2016-08-31 2020-03-18 3M Innovative Properties Company SYSTEMS AND METHODS FOR MODELING, ANALYSIS, DETECTION AND MONITORING OF FLUID ARRAYS

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104303153A (zh) * 2012-03-22 2015-01-21 洛斯阿拉莫斯国家安全股份有限公司 用于异常子图检测、异常/更改检测和网络态势感知的路径扫描
US20140163916A1 (en) * 2012-12-10 2014-06-12 International Business Machines Corporation Techniques for Iterative Reduction of Uncertainty in Water Distribution Networks

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
T. Y. BERGER-WOLF 等: "discrete sensor placement problems in distribution networks", 《MATHEMATICAL AND COMPUTER MODELLING》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306289A (zh) * 2023-03-21 2023-06-23 中国科学院空间应用工程与技术中心 一种基于多源域自适应的机电设备跨域剩余寿命预测方法
CN116306289B (zh) * 2023-03-21 2023-10-03 中国科学院空间应用工程与技术中心 一种基于多源域自适应的机电设备跨域剩余寿命预测方法

Also Published As

Publication number Publication date
EP3507725A4 (en) 2020-05-06
US20190228116A1 (en) 2019-07-25
CN109643335B (zh) 2023-07-25
EP3507725A1 (en) 2019-07-10
US11200352B2 (en) 2021-12-14
WO2018044462A1 (en) 2018-03-08

Similar Documents

Publication Publication Date Title
CN109661627A (zh) 用于建模、分析、检测并监测流体网络的系统和方法
CN109643335A (zh) 用于建模、分析、检测和监测流体网络的系统和方法
CN109643432A (zh) 用于建模、分析、检测并监测流体网络的系统和方法
Zhang et al. Leakage zone identification in large-scale water distribution systems using multiclass support vector machines
Wu et al. Water loss detection via genetic algorithm optimization-based model calibration
TWI502299B (zh) 監視水事業體網路之資源的系統及方法
US20130332397A1 (en) Method for locating a leak in a fluid network
US9053519B2 (en) System and method for analyzing GIS data to improve operation and monitoring of water distribution networks
Aksela et al. Leakage detection in a real distribution network using a SOM
Mounce et al. Pattern matching and associative artificial neural networks for water distribution system time series data analysis
Qi et al. Better understanding of the capacity of pressure sensor systems to detect pipe burst within water distribution networks
De Oliveira et al. Detection of patterns in water distribution pipe breakage using spatial scan statistics for point events in a physical network
Wan et al. Literature review of data analytics for leak detection in water distribution networks: A focus on pressure and flow smart sensors
Romano et al. Evolutionary algorithm and expectation maximization strategies for improved detection of pipe bursts and other events in water distribution systems
Shuang et al. Review of the quantitative resilience methods in water distribution networks
US20220082409A1 (en) Method and system for monitoring a gas distribution network operating at low pressure
Zanfei et al. Novel approach for burst detection in water distribution systems based on graph neural networks
TW201626315A (zh) 用於原位分類代表網格病狀嚴重性之感測器反應資料模式的系統與方法
CN116503975A (zh) 基于智慧燃气gis的安全隐患处置方法和物联网系统
Weeraddana et al. Long-term pipeline failure prediction using nonparametric survival analysis
Masud Rana et al. Contaminant spread forecasting and confirmatory sampling location identification in a water-distribution system
JP2014054151A (ja) 輸送ネットワークのグラフ構造構築装置、グラフ構造構築システム、グラフ構造構築方法及びグラフ構造構築プログラム
CN116484219A (zh) 一种基于门控图神经网络的供水管网水质异常污染源识别方法
Zamenian et al. Systematic approach for asset management of urban water pipeline infrastructure systems
Kirstein et al. Simplification of water distribution network simulation by topological clustering–investigation of its potential use in Copenhagen's water supply monitoring and contamination contingency plans

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
GR01 Patent grant
GR01 Patent grant