CN112424599A - 流体中的物理-化学参数传感器的经改进的放置 - Google Patents
流体中的物理-化学参数传感器的经改进的放置 Download PDFInfo
- Publication number
- CN112424599A CN112424599A CN201980045698.XA CN201980045698A CN112424599A CN 112424599 A CN112424599 A CN 112424599A CN 201980045698 A CN201980045698 A CN 201980045698A CN 112424599 A CN112424599 A CN 112424599A
- Authority
- CN
- China
- Prior art keywords
- sensors
- locations
- network
- sensor
- candidate
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 50
- 239000000126 substance Substances 0.000 title description 4
- 238000000034 method Methods 0.000 claims description 98
- 230000002349 favourable effect Effects 0.000 claims description 33
- 238000012986 modification Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 66
- 238000001514 detection method Methods 0.000 abstract description 53
- 238000005259 measurement Methods 0.000 abstract description 26
- 238000004422 calculation algorithm Methods 0.000 abstract description 18
- 230000002068 genetic effect Effects 0.000 abstract description 12
- 230000035772 mutation Effects 0.000 abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 94
- 238000011109 contamination Methods 0.000 description 67
- 238000012544 monitoring process Methods 0.000 description 27
- 239000000523 sample Substances 0.000 description 25
- 238000005457 optimization Methods 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 19
- 239000000243 solution Substances 0.000 description 14
- 238000011144 upstream manufacturing Methods 0.000 description 13
- 239000000356 contaminant Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000004088 simulation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000003651 drinking water Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 235000020188 drinking water Nutrition 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 101100004286 Caenorhabditis elegans best-5 gene Proteins 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- 230000000254 damaging effect Effects 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 230000032912 absorption of UV light Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 235000012206 bottled water Nutrition 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 231100000167 toxic agent Toxicity 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
- E03B7/00—Water main or service pipe systems
- E03B7/07—Arrangement of devices, e.g. filters, flow controls, measuring devices, siphons or valves, in the pipe systems
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
- E03B7/00—Water main or service pipe systems
- E03B7/02—Public or like main pipe systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明旨在通过以下操作将传感器放置在流体分布网络中:通过模拟网络操作场景;通过确定传感器位置的候选集合;通过确定每种场景下每个传感器的测量结果以及对相关联的异常的检测;通过将分数归于传感器位置的每个候选集合,表示放置在该集合位置中的传感器完成任务的能力。最后,使用所谓的遗传算法来修改候选集合,直到验证了停止标准为止。所述遗传算法能够例如包括交叉或突变候选集合。
Description
技术领域
本发明涉及流体分布网络的领域,诸如水或气体分布网络。更具体地,本发明涉及确定允许测量物理化学流体数据的传感器的最佳位置。
背景技术
水分布网络可能受到影响水质的众多异常的影响。例如,可能由回流或连接错误、由规则地沉积在管道中并突然恢复悬浮的物质颗粒、由与网络的构成材料的反应、或者由细菌再生长现象的细菌而故意引入(恶意行为)或意外引入的各种污染物而使水污染。为了防止可能由污染而导致的破坏效果,或者更普遍地说,由于水质下降而可能导致用户不适(颜色、味道、气味等的变化),重要的是要尽快并且准确地检测和表征影响水质的任何事件。影响水质的问题也可能发生在天然水系中,诸如湖泊、池塘或河流的水域或水道或者天然水域或水道的集合。这些系统可能受到例如意外污染或藻类的异常生长的影响,这会严重破坏其状况并且妨碍其使用(饮用水、沐浴水等)。
水分布网络还能够看到发生其他异常,诸如泄漏、压力过高或压力过低、阀门位置不正确等。其他流体分布网络(诸如气体分布网络或油管道网络)可能会受到异常(例如过压或泄漏)的影响,需要纠正措施。
在使用所连接的传感器的情况下,能够显著增加在流体分布网络中检测异常的有效性。这样的传感器允许在网络的一点处测量流体的一个或多个物理化学参数(压力、速度、浊度、pH等),并且这些参数值被本地分析或者传输到服务器以用于分析。因此,能够自动地检测流体分布网络的异常或污染,并且能够立即采取纠正或预防动作。由本申请的申请人提交的法国专利申请号1763286描述了一种基于连续水体中的物理化学参数的测量来检测连续水体中的异常的设备。
流体分布网络中的异常可能出现在网络的各个点处。例如,水分布网络中的污染可能出现在蓄水池(reservoir)中到网络的入口点处,但是也可能出现在网络的另一点处,例如可能触发回流的工厂。以这种方式产生的污染就其性质而言,仅有在至少一个传感器已经能够检测到参数的异常变化时,亦即当污染已经到达该传感器时,才能被检测到。无法检测到污染是非常成问题的,特别是对于饮用水分布网络而言,这可能会影响网络用户的健康。其还可能导致不影响用户健康的问题,并且通常需要采取有疗效和有害动作以确保服务的连续性。
能够通过增加水分布网络中的传感器的数量来改善对异常的检测。然而,这些传感器的购买和使用是昂贵的,特别是对于其维护而言。因此,重要的是要在尽可能少的传感器数量的情况下,尽可能快速地对水分布网络的最大可能部分进行异常检测。因此,传感器的合适布置是必不可少的,以利用有限数量的传感器来实现对异常的令人满意的检测。
在水分布网络中对给定数量的传感器的最佳放置的问题是极其复杂的组合问题。实际上,不能够在标准尺寸的水分布网络上(例如,在城镇或区域的规模上)测试所有解决方案,因为对传感器位置的所有可能组合进行详尽的测试需要太大而无法在实践中实现的计算能力。
Cheifetz,N.、Sandraz,A.C.、Feliers,C.、Gilbert,D.、Piller,O.和Heim,V.(2017),A greedy algorithm for the positioning of quality sensors in a largewater distribution network,Techniques Sciences Méthodes,(11),55-63,提出了使用所谓的“贪婪”算法在水分布网络中放置传感器,亦即,通过迭代地将给定数量的传感器一个接一个地放置在认为与已经放置的传感器组合为最佳的位置上。尽管其允许使用有限的计算能力来获得相当令人满意的传感器放置,但是该算法通常不允许获得传感器的最佳放置。实际上,一旦放置了传感器,就不再质疑其位置,即使该位置(基于先前放置的传感器的位置被认为是最佳的)对于更多数量的传感器而言不再如此。
因此,需要一种方法,所述方法允许在水分布网络中最佳地放置给定数量的传感器,以便尽快地检测到水分布网络中的异常,而与异常的源无关。
更一般地,需要一种方法,所述方法允许在流体分布网络中最优地放置给定数量的传感器,以便优化对流体中的异常的检测。
发明内容
本发明通过以下操作来实现该目的:通过模拟将至少一些异常引入到流体中的场景;通过确定传感器位置的候选集合;通过确定在每个位置处和每个场景中的流体的参数的模拟值以及相关联的异常检测;通过将分数归于传感器位置的每个候选集合,表示放置在每个候选集合的位置处的传感器能够检测异常的效力。最后,能够使用所谓的遗传算法来修改候选集合,直到验证了停止标准为止。遗传算法能够例如包括交叉或突变候选集合。
对此,本发明描述了一种用于确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的方法,所述方法包括:针对输入参数的至少一个集合来获得针对时间步长集合在网络的点集合处的物理化学量的模拟值;获得多个传感器的位置的多个候选集合;迭代地进行以下操作直到停止标准被验证为止:针对位置的每个候选集合,至少根据多个传感器的位置处的物理化学量的模拟值来获得性能分数;修改传感器位置的多个候选集合,所述修改包括从以下项中选取的至少一项操作:保留具有最有利分数的位置的至少一个候选集合;添加通过对至少两个候选集合的位置的组合而定义的传感器位置的至少一个候选集合;添加通过对候选集合中的传感器的位置的修改而定义的传感器位置的至少一个候选集合;选择具有最有利分数的位置的候选集合。
在本说明书中,“多个集合”应当被理解为意指给定数量的传感器的网络中的位置的组合的集合。因此,优化旨在针对给定数量的传感器来确定最佳组合以获得最高性能分数。借助于修改多个集合的步骤,定义了待测试的多个组合,并且使其在每次迭代中演变。
停止标准是基于在每次迭代中在优化过程中评估的总体的性能水平的规则和独立补充规则的组合:-基于在每次迭代中测量的性能水平的规则:已经执行了一定数量的连续迭代而没有最佳集合的性能水平,例如,具有最佳性能水平的5%的总体,演变超过一定百分比。达到稳定水平——与性能水平无关的规则:达到预先设置的最大迭代次数。该最大迭代次数取决于问题的复杂度(当待优化的系统更复杂并且需要更多迭代时,其会增加)。
“最有利分数”是针对传感器位置的组合而计算的目标函数的值,所述目标函数提供了最能满足被分配给传感器放置的目标的结果。取决于各情况,针对传感器位置的不太有利的组合,最有利分数是大于目标函数的另一值的值。例如,如果分数对应于受传感器的组合保护的节点数量,则最有利分数将是最高分数,对应于受保护的传感器数量更多。另一方面,如果分数对应于尚未检测到异常或太晚检测到异常的节点数量,则最有利分数对应于最低值,并且因此对应于尚未检测到异常的节点的最低可能数量。能够基于一个或多个元素来计算分数:异常检测能力、及时检测异常的用户的数量、及时检测到异常的等效消耗、检测到异常的快速性、对用户有重大影响的一组异常的检测、传感器部署成本等。
遗传类型的算法包括通过使用从以下项中选取的一项或多项操作,在两次迭代之间修改候选集合:
-保留:保留具有最有利分数的候选的一部分,并且其余候选被消除;
-交叉:组合至少两个集合的传感器的位置。在其间执行交叉的集合能够是先前选择的集合;
-突变:例如随机地修改集合中的一个或多个传感器位置。
在所有情况下,使用遗传类型的算法修改传感器位置的候选集合允许实现对传感器的放置接近最佳放置。
所述方法呈现出相对低的算法复杂度(例如,所述方法比其他优化方法(诸如包括测试所有选项的“蛮力”方法)贪婪程度小得多),并且能够使用通用计算能力来执行,诸如个体计算机或服务器,其执行时间可能会有所不同,但是仍然合理。因此,能够在个人计算机上在数分钟到数小时内执行被应用于中等复杂度的网络的根据本发明的一种方法,而“蛮力”方法的执行将花费更长的时间,甚至在实践中,将无法在这样的计算机上执行。
所述方法适用于任意类型的流体分布网络。
所述方法允许将传感器放置在网络中,以较低的成本最优地检测异常。
所述方法利用有限数量的传感器确保了网络用户的安全水平。
在示例性实施例中,网络以图形形式来建模;所述图形的每个节点或弧由独有的标识符来标识;传感器的位置由所述图形的节点或弧的标识符来定义。
该表示允许简单并且有效地标识传感器的位置。
在示例性实施例中,输入参数的至少一个集合包括以至少一个时间步长在网络的至少一个点中对异常的引入。
有利地,这允许放置传感器以优化对网络中的异常的检测。
在示例性实施例中,性能分数是根据以下项来计算的:传感器的能力,所述传感器被放置在位置的候选集合中以通过确定至少一个异常到达网络的点集合的时间步长来检测所述至少一个异常;以及从以下项中选取的至少一个目标函数:集合中的在异常到达之前检测到所述异常的点的数量;集合中的在异常到达之前检测到所述异常的点的数量,由用户的数量或每个点的消耗进行加权;尚未检测到异常的点的数量;尚未检测到异常的点的数量,由用户的数量或每个点的消耗进行加权。
这允许传感器被最佳地放置,以便防止在具有强烈影响(例如,在蓄水池处)的异常在影响网络用户之前没有被检测到。
在示例性实施例中,所述性能分数是基于至少一个特性而计算的,所述至少一个特性是从候选集合的传感器的能力中选取的,以评估网络中的流体的质量指示符,以及传感器的部署成本。
这允许对传感器的放置被优化,以用于检测异常和其他目标,诸如遍及网络的子部分的流体质量的可追溯性、敏感位置的保护、或者限制署成本。
在示例性实施例中,至少一个传感器具有预先定义的位置。
这允许考虑预先存在的传感器的存在,并且相对于预先存在的传感器来优化对额外传感器的放置。
在示例性实施例中,放置传感器的点被限制为网络的点的子集。
这允许考虑不允许放置传感器的网络的某些点,并且相对于可能的放置点来优化对传感器的放置。能够基于网络的基础结构的先验知识,使用位点(site)检查来选择位点,并且使展现出过多约束或过高实现成本的位点无效。
在示例性实施例中,多个传感器的位置的多个候选集合的定义包括网络的关注点处的位置的定义。
这允许从第一次迭代开始,将传感器放置在敏感点处,诸如工业场地、与大量水购买或蓄水池出口互连的区域。这允许从第一次迭代开始就可以有效放置传感器。因此,所述方法能够更快地收敛到接近最佳值的解决方案,并且需要执行的计算复杂度较小。
在示例性实施例中,多个传感器的位置的多个候选集合的定义包括在连接到大于或等于预先定义的阈值的数量的弧的节点处的位置的定义。
这允许将传感器仅放置在连接到大于第一次迭代中的阈值的数量的弧的节点处(例如,连接到至少2、3或4个弧的节点)。从统计上讲,这些节点更有可能检测到异常的到达或者保护更多的下游节点。因此,从第一迭代开始,这允许对传感器的有效放置。因此,所述方法可能收敛到接近最优的解决方案,并且需要执行的计算复杂度较小。
在示例性实施例中,停止标准包括从以下项中选取的一个或多个条件:最大迭代次数;当前迭代与至少一个先前迭代中的最有利分数的比较,以及在当前迭代与至少一个先前迭代中的最有利分数之间的差小于或等于预先定义的阈值的情况下对停止标准的验证。
基于最大迭代次数的停止标准允许执行时间和所述方法所需的计算资源受到限制。
基于在当前迭代与先前迭代之间的最有利分数之间的比较的停止标准允许当在至少两个连续迭代之间的传感器的放置中的最优化增益变得微不足道时停止所述方法。一旦分数已经达到平稳状态,就可以执行较少的迭代次数。
在示例性实施例中,消除不具有最有利分数的位置的至少一个候选集合包括消除除了预先定义数量或预先定义比率的具有最有利分数的候选集合之外的所有候选集合;添加通过对至少两个候选集合的位置的组合而定义的传感器位置的至少一个候选集合,以及添加通过对候选集合中传感器的位置的修改而定义的传感器位置的至少一个候选集合加上等于被消除的候选集合数量的候选集合的数量。
这允许在迭代之间保留恒定数量的候选集合,并且在两次迭代之间保留给定数量的具有最有利分数的候选集合。因此,一次迭代中的集合中最有利分数必须至少等于前一次迭代中的最有利分数。此外,这使得能够保留具有良好性能水平的候选集合的池,这也将能够通过突变或交叉来生成具有良好性能水平的新候选。这允许方法更快地收敛。
在示例性实施例中,所述方法包括:分别针对多个预先定义数量的传感器对传感器的候选集合的定义、迭代修改以及选择。
这允许比较不同数量的传感器的性能水平。
在示例性实施例中,针对整数(n)个传感器,获得多个传感器的位置的多个候选集合是基于针对整数(n-m)个传感器具有最有利分数的位置的候选集合,其中,1≤m<n。
这允许将针对多个(n-m)传感器的最有效放置用作针对(n)个传感器的初始放置的基础,(n-m)个传感器的这种最有效放置为针对(n)个传感器的有效放置先验提供了良好的基础,其中,m是介于1与n之间的整数。
在示例性实施例中,所述方法包括:根据所述候选集合中的每个的分数和部署成本,选择针对多个预先定义数量的传感器具有最有利分数的候选集合之一。
这允许选择在部署成本与异常检测效率之间提供最佳权衡的传感器的数量。
本发明还描述了一种用于放置流体的一个或多个物理化学参数的多个传感器的方法,所述方法包括:确定流体传输网络中的位置集合,所述确定包括根据本发明的用于确定流体的一个或多个物理化学参数的多个传感器的位置集合的方法的步骤,以及将所述传感器放置在所述位置集合中。
本发明还描述了一种包括被存储在计算机可读介质上的程序代码指令的计算机程序产品,包括用于确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的处理器,所述计算机程序包括用于执行根据本发明的用于确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的方法的计算机可读编程单元。
本发明还描述了一种能够确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的设备,所述设备包括处理器,所述处理器被配置为执行根据本发明的用于确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的方法。
在示例性实施例中,所述设备能够是能够计算其最佳位置并且通过显示单元将其显示给用户的传感器,所述用户将通过考虑已经部署或者当前正在部署的所有传感器而将传感器定位在最佳位置。
附图说明
根据附图,在阅读以下作为非限制性示例给出的详细描述时,其他特征将变得显而易见,所述附图表示:
-图1表示能够根据本发明的方法放置的旨在检测水分布网络中的异常的探头的示例;
-图2表示根据本发明的用于放置传感器的方法的流程图;
-图3表示能够应用本发明的水分布网络的示例;
-图4表示根据本发明的一组实施例的流体分布网络中的异常检测的示例;
-图5表示根据本发明的一组实现方式的优化约束的定义的示例;
-图6表示用于放置传感器的不同测试场景的直方图的示例,其中示出受每种污染影响的水分布网络的节点的百分比;
-图7a、图7b、图7c和图7d分别表示仅为了检测污染通过本发明的实施例中用于放置传感器的方法在水分布网络中放置2个、5个、8个和11个传感器的四个示例;
-图8表示根据传感器数量通过根据本发明的方法放置在水分布网络中的传感器的百分比异常的检测的趋势;
-图9表示在水分布网络中的流量分布的示例;
-图10表示通过位于水分布网络的下游节点上的传感器进行水质监控的示例;
-图11a、图11b、图11c和图11d分别表示为了检测污染并且监控下游水质两者的目的通过本发明的实施例中用于放置传感器的方法在水分布网络中放置2个、5个、8个和11个传感器的四个示例;
-图12表示根据由根据本发明的方法放置的传感器的数量的组合的污染检测和水质监控分数的趋势。
具体实施方式
在下文的描述中,主要通过涉及在饮用水分布网络中检测污染和监控水质的传感器的优化放置的示例来说明根据本发明的方法。然而,本发明并不限于这些示例,并且能够被应用于传感器的放置以用于检测水网络中的其他异常,诸如泄漏和其他目的。本发明还能够被应用于传感器在诸如气体分布网络或油管道网络之类的其他流体分布网络中的优化放置。
图1表示能够通过根据本发明的方法放置的旨在检测水分布网络中的异常的探头的示例。
探头100旨在检测水分布网络中的异常。所述探头能够被放置在水分布网络中的任意位置处,例如饮用水生产厂的出口处、蓄水池出口处、消耗点处或者任何其他点处。申请人已经提交了涉及诸如探头100之类的探头的法国专利申请号1763286,所述探头使得能够确定在连续水体中发生的异常。
探头100例如通过一组传感器线缆120连接到水分布网络的管道130,或者直接连接到网络(插入),并且由电力110或电池来供电。
探头100能够包括水分布网络的物理量的一个或多个传感器。例如,探头100能够包括从以下传感器中选择的一个或多个传感器:氯浓度、温度、TOC(总有机碳)、UV 254(水对254nm波长紫外线的吸收)、电导率、pH、颜色、浊度、颗粒数、细菌数、溶解氧、叶绿素a、或者可以表征水的物理量的任何传感器。
因此,在本发明的一组实施例中,探头100允许在水分布网络的一点处执行对表示水质的参数集合进行测量。
在本发明的一组实施例中,探头100包括通信单元,以便传输嵌入式传感器的测量结果。例如,所述探头能够包括到服务器的有线或无线连接,以便将测量结果发送给被配置为检测水分布网络中的异常的服务器。探头100因此能够通过组合发送水消耗数据和传感器测量结果而耦合到发送远程读取消耗数据的智能水消耗传感器。
在本发明的一组实施例中,所述探头包括处理器,所述处理器被配置为根据传感器测量结果来检测和表征水分布网络中的异常。
例如,在法国专利申请号1763286中将提供由处理器检测和表征异常的示例。
尽管探头100表示水分布网络中的探头的示例,但是这样的探头也能够部署在自然环境中的水中,例如在湖泊、池塘、河流中或者在任何其他水生系统中,并且可能在不同的深度处。
诸如探头100之类的探头允许检测在水分布网络中的异常,诸如污染。然而,这些异常仅能够从由探头执行的测量中检测到。因此,在探头100上游生成的污染会影响用户而不被检测到。因此,对在网络中布置多个探头是重要的,以足够早地检测水分布网络中的污染来保护用户。然而,诸如探头100之类的探头具有不可忽视的生产、使用和维护成本。
本发明的一个目的是在水分布网络中提供对有限数量的探头的最佳放置,以便获得尽可能有效的异常检测,并且因此为用户提供良好的保护,同时保留合理的经济成本。更一般地,本发明的一个目的是将允许检测网络中异常的有限数量的传感器最佳地放置在流体分布网络中,以便以有限的操作成本获得最有效的异常检测。
图2表示根据本发明的用于放置传感器的方法的流程图。
方法200是一种用于确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的方法。所述流体分布网络能够例如是水或气体分布网络或油管道网络。
方法200基于输入参数210的至少一个集合。所述输入参数通过定义网络的初始状态以及修改所述网络的状态的参数,来允许定义模拟场景。因此,能够在时间步长集合内模拟网络的操作。修改网络的状态的参数能够对应于网络的常规操作(例如,在网络的某个点处的耗水情况),或者对应于给定时间步长的异常的引入。异常的引入能够以不同的方式来完成。例如,能够在与网络的关注点相对应的预定点处引入异常(例如,在工厂的出口处或消防栓处引入污染)。也能够在网络的不同点处随机地引入异常。异常能够与可变严重性项目相对应,诸如泄漏、超压或者对网络的偶然或故意(破坏)污染。
方法200包括针对输入参数210的至少一个集合来获得220针对时间步长集合在网络的点集合处的物理化学量的模拟值。因此,能够在不同的时间步长处模拟网络的操作,针对时间步长集合,在网络的不同点模拟不同的量(温度、pH、速度、浊度等)。能够在每次执行所述方法时进行模拟。也能够仅执行一次,例如在方法的初始化时或者在第一次迭代时,或者已经被预先计算。在这种情况下,仅需恢复模拟值即可获得网络在模拟情况下的行为。
方法200然后包括获得230多个传感器的位置的多个候选集合240。实际上,方法200旨在确定传感器集合的位置的最佳组合。如将在下文中所解释的,所述方法测试位置的不同候选集合,然后迭代地对其进行修改,以便一次又一次迭代地识别最有效的组合。
能够以不同的方式表示网络和传感器的位置。例如,能够以由节点和弧形成的图形的形式对网络进行建模。节点能够对应于流体的产生或消耗场所(即,蓄水池、消费者的分组、工厂等),并且弧能够对应于允许流体在节点之间输送的不同基础设施,例如管道。每个节点或弧都能够由独有的标识符来标识,然后能够通过传感器所在的节点或弧的标识符来定义传感器的位置。
获得230传感器位置集合使得能够具有针对传感器集合的初始位置集合。这些初始位置能够通过不同的方式来获得。
例如,至少一个传感器能够具有预先定义的位置。例如,其能够涉及已经被布置在网络中的传感器,其位置保持固定。因此,能够通过考虑已经存在的传感器来优化对额外传感器的定位。
传感器的位置也能够限于网络的点的子集,例如某些节点和/或弧。例如,这能够避免将传感器放置在难以接近的位置、传感器的部署成本太高的位置、没有布置传感器所必需空间的位置、或者不允许有足够传输水平的位置等。
在可能的放置点中,传感器例如能够最初随机地布置。也能够从网络的关注点(例如工厂、水厂等)定义位置,这些点表示最佳传感器放置的良好候选。
传感器也能够仅被放置在对应于用于优化的良好候选的点的子集中。这允许获得良好的性能水平,同时降低方法的复杂度。根据所寻求的目标,例如,良好的候选能够是仅具有高性能的点。
传感器还能够被放置在连接到大量弧的网络点处,例如,仅放置在连接到大于或等于预先定义阈值的多个弧的节点处。
能够组合这些不同类型的初始放置。也能够设想到获得初始传感器放置的其他方式。通常,期望传感器的初始放置允许来自传感器的测量结果尽可能有效地检测网络中发生的现象。
方法200包括迭代地获得针对传感器的候选集合的性能分数,以及使用遗传类型的算法对候选集合进行修改。
所述迭代然后包括针对位置的每个候选集合至少根据多个传感器的位置处的物理化学量的模拟值来获得250性能分数。所述性能分数允许基于传感器测量结果来确定传感器位置集合能够完成给定任务的点。
在本发明的一组实施例中,针对传感器位置直接获得物理化学量的模拟值,并且根据这些值来计算性能分数。
方法200还能够包括中间步骤,获得针对输入参数的每个集合的所述多个位置的每个候选集合的传感器测量结果的预测。针对每个场景和每个候选集,这允许模拟将由传感器执行的测量。所述测量能够被认为是“完美的”,亦即,传感器在每个时间步长处精确地测量在该时间步长处在传感器的位置处的参数值。也能够例如通过使用传感器测量模型来模拟传感器的缺陷。能够使用不同类型的模型,例如使用高斯噪声来表示测量误差、使用滑动窗口表示测量结果的时间粒度等。因此,能够使用比由传感器感知到的更为逼真的建模来优化对传感器的放置。
因此,能够通过计算测量结果、通过从网络上的物理化学参数的模拟值中选择测量结果、或者通过恢复预先计算的测量结果预测,来获得传感器测量结果预测。
因此,取决于所遵循的目标,能够以不同的方式来确定性能分数。能够根据表示要使用对传感器的适当放置进行优化的目标的目标函数来计算性能分数。所述目标函数能够例如反映传感器在污染物到达用户之前检测污染物的能力;传感器检测网络中的异常的能力;传感器评估网络中的流体质量指标的能力;传感器的部署成本;多种因素的组合,例如从先前指出的因素中选取的。通常,能够定义性能分数,以便允许以最低的可能部署成本获得最大的传感器效率。
在获得250性能分数的第一迭代的结尾,方法200包括对传感器位置的多个候选集合的修改。这种修改是通过所谓的遗传算法来执行的,亦即,通过从以下项中选取的至少一项操作来执行的:
-保留271具有最有利分数的位置的至少一个候选集合。这种所谓的选择操作在于保留最佳候选集合,亦即,已经获得最佳分数的那些集合。这使得能够确保在每次迭代中,候选集合中的最佳分数将至少与前一次迭代一样好。此外,这允许保留非常好的候选的池,随着迭代的进行,这将得到改善。在每次迭代中,未保留的候选将被新的候选替换,例如,通过以下操作;
-添加272通过对至少两个候选集合的位置的组合而定义的传感器位置的至少一个候选组。这种所谓的交叉操作在于组合从若干候选集合导出的位置。
-添加273通过对候选集合中传感器的位置的修改而定义的传感器位置的至少一个候选集合。这种所谓的突变操作在于随机地修改候选集合中至少一个传感器的位置。
因此,交叉和突变能够将等于未保留候选数量的候选者数量添加到集合中,以便保留恒定数量的候选。
能够以不同的方式组合不同的操作,从而为每次迭代生成一定百分比的候选。在本发明的一组实施例中,选择具有最佳分数的5%的候选,交叉具有中等分数的80%的候选,并且随机地突变剩余的15%。
从第二分数计算迭代开始,亦即,在至少对集合进行第一次修改之后,能够在计算分数之后验证对停止标准的验证260。能够在每次迭代或者仅某些迭代(例如,每两个迭代一次、每三个迭代一次等)中验证所述验证。也能够仅从给定数量的迭代(例如,从10、15、20次迭代)中验证对停止标准的验证。
所述停止标准能够基于一个或多个条件。例如,所述停止准则能够基于最大迭代次数。所述停止标准还能够基于在当前迭代中的最有利分数与至少一个先前迭代中的最有利分数之间的差异。在这种情况下,当在一个或多个连续迭代之后,最有利的分数不再改变或仅略微改变时,停止标准得到验证。
所述停止标准还能够基于这些条件的组合。例如,能够在达到最大迭代次数时和/或在一个或多个迭代后最有利分数不再改变时验证所述停止标准。
只要停止标准没有得到验证260,就执行候选集合的修改的新迭代以及分数计算。
当停止标准被验证260时,方法200包括选择290具有最有利分数的位置的候选集合。
因此,方法200允许获得传感器的位置的最佳集合,以便实现期望的功能(异常检测、监控流体质量的可追溯性等)。方法200具有以下优点:能够在合理的时间内利用通用计算能力来执行,同时识别最佳或准最佳的结果。
在本发明的一组实施例中,能够针对不同数量的传感器(例如,若干预先定义数量的传感器)来执行方法200。
在本发明的一组实施例中,针对不同数量的传感器独立地执行所述方法。
在本发明的一组实施例中,获得230初始位置的候选集合至少部分地基于为较少数量的传感器所选择的集合。例如,针对数量等于12的传感器的最佳集合用作具有13个或14个传感器的候选传感器的初始集合的基础。确实,能够假设将向其中添加数个传感器的最佳集合能够为大量传感器提供良好的第一候选。
然后,能够从针对不同数量的传感器的最佳候选中选择展现出性能分数与部署成本或传感器数量之间的最佳比率的传感器。
一旦确定了传感器的位置,就能够以不同的方式来完成其放置。因此,本发明还涉及一种用于将传感器放置在最佳位置的方法。在本发明的一组实施例中,传感器例如由操作员布置在最佳位置处。
在本发明的一组实施例中,传感器具有放置自身的能力。这是例如利用能够在网络中四处移动的自动传感器机器人的情况。能够以不同的方式来定位这样的传感器,例如使用GPS接收器、使用相对于固定无线电发射器的定位(相对于位置已知的3G、Wi-Fi等天线进行定位)。如果机器人配备有网络的地形图,并且能够例如使用相机识别网络所位于的位置,则这样的机器人也能够相对于网络的地图来定位。因此,传感器机器人能够通过考虑已经存在的传感器而自主地确定其最佳位置,并且自动地将其自身放置在那里。这提供了不需要操作员干预来放置传感器的优点。
一组传感器机器人也能够通过自动地相对于彼此放置在最佳位置处以网络模式来操作。此外,当网络中的情况变化时(例如,如果添加了新传感器,传感器被移动至另一网络,传感器故障等),传感器能够自动地重新计算其最佳位置,并且移动至该位置,而无需操作员的干预。
图3表示能够应用本发明的水分布网络的示例。
水分布网络300是城镇规模的网络。扇区300被包含在大型网络中,大约有25000个节点。该扇区由图3所表示的水力模型来描述,包括3305个节点(例如,表示消耗点的节点310、311、312、313)和3639个弧(例如,表示管道的弧320、321、322)。节点被连接到不同数量的管道。例如,节点311和312被连接到两个管道,而节点310和313被连接到三个管道。
能够通过使用水力模型通过连续的时间步长来模拟网络300的操作。具体地,能够在不同的时间步长处合并耗水量(例如,根据消耗简档假设),并且由此在每个时间步长处推导网络的节点处的压力和弧上的速度。根据可用性和操作员的意愿,选择的水力模型能够表示网络的中位消耗简档或极端值(诸如消耗峰值)。还能够从中推导出网络内的模拟时间段内的其他物理化学参数(诸如氯浓度、温度等)的趋势。
在本发明的一组实施例中,异常或污染能够被引入到网络的不同节点中。这些异常可能表示诸如意外污染或恶意行为之类的事件。
每个节点或弧能够由独有的标识符来表示。对传感器的放置能够通过向该传感器分配放置其节点或弧的独有的标识符来执行。
扇区300仅以非限制性示例的方式给出。因此,本发明能够被应用于许多其他网络,诸如不同大小的网络(地区大小、区域大小等的网络)、或者除了水分布网络之外的其他网络(油管道、天然气管道、天然气分布网络等)。
在下文的描述中,将通过用例来说明本发明,该用例包括将传感器最佳地放置在网络300中,目标是限制由水质快速下降引起的影响。可以通过快速检测来限制这些退化。其被称为污染,能够通过不同的方式在网络的任何节点上发生:
-故意引入有毒物质;
-客户(个体或行业)的回流;
-渗透和工作问题(再注满水、没有事先消毒、颗粒等);
-由于速度过快而导致生物膜大量释放,导致细菌和有机物增加;
-等等。
取决于污染物在网络中的位置,并且特别是当其发生时,污染物并不都具有相同的影响。水力建模允许通过数值模拟大量网络节点上的污染来考虑这些方面。因此,水力建模允许在理论上针对每种场景映射由不同污染引起的影响。对影响的这种映射使得能够确定最适合要安装在其中的传感器的节点的组合,并且限制或最好地检测这些影响。因此,本发明通过考虑到网络的水力行为,允许网络被有限数量的传感器尽可能均匀地覆盖。
在本发明的一组实施例中,通过在给定的时间步长处将具有给定浓度的污染物引入到数值模型中来模拟污染。还能够将具有无因次量浓度(例如100)的非反应性物质(示踪剂)引入数值模型中。能够根据不同的场景在不同点处引入不同的污染。除了污染(超压、细菌生长等)之外,还能够引入异常。在这种情况下,假设传感器能够检测到高于特定示踪剂浓度的污染。这对于放置诸如图1所示的传感器之类的传感器特别有效,所述传感器能够检测许多不同类型的污染。
根据不同场景,能够在网络的关键点或关注点(蓄水池、工厂等)注入异常,甚至随机地注入异常。能够针对与网络的不同点处的异常的发生相对应的一组场景来优化对传感器的放置。
在本发明的一组实施例中,在从严格连接到多于两个管道的节点之中随机选择的节点处引入异常。这些节点能够被称为高度连接的节点,并且通过连接到主分支线和辅分支线而很好地反映网络的结构。在从严格连接到多于两个管道的节点中随机选择的节点处引入异常,使得能够显著减少总体计算时间,同时保留大量场景以估计影响的分布。
因此,能够从对应于所选取的标准(例如,严格连接到多于两个管道的节点)的节点列表中随机地选择引入异常的节点,由其独有的标识符列出,例如,在以下表中:
表1-网络的高度连接节点的列表的示例
在模拟中,所引入的污染物或构成数字示踪剂的物质随后在网络中扩散。通过连续的时间步长,经由物理等式,无论是否发生反应,通过传播和稀释来计算物质或污染物的进展。
在本发明的一组实施例中,使用所谓的影响矩阵和所谓的检测矩阵来确定传感器检测污染的能力。所述影响矩阵包括每列的场景,以及每行的节点或网络点。其为每种场景(列)和所有点(行)提供了在对应模拟中污染到达节点的时间步长。其是基于传输时间来构造的,此后针对每个节点的污染的量都高于预先定义的值,例如10-6。在此,这是非常低的阈值,用于建模污染(甚至非常轻微的污染)都会给用户带来风险的事实。因此,即利用无限量的示踪剂,也可以接触节点。
下表提供了影响矩阵的示例,其中,每个时间步长表示10分钟。例如,第一行第二列的单元中的值“36”表示在第二场景中,污染在36×10=360分钟(6小时)后到达节点编号1。在此,值“144”对应于最大模拟时间步长(在该示例中为24h),此时污染仍未到达节点。
144 | 36 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 36 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 39 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 39 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 144 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 48 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 84 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 84 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 144 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 84 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 27 | 144 | 144 | 144 | 144 | 144 | 144 |
144 | 48 | 144 | 144 | 21 | 144 | 144 | 15 |
144 | 54 | 18 | 144 | 144 | 144 | 144 | 144 |
144 | 54 | 18 | 144 | 144 | 144 | 144 | 144 |
144 | 54 | 18 | 144 | 144 | 144 | 144 | 144 |
9 | 45 | 18 | 144 | 144 | 144 | 144 | 144 |
9 | 45 | 18 | 144 | 144 | 144 | 144 | 144 |
12 | 45 | 21 | 144 | 144 | 144 | 144 | 144 |
12 | 45 | 24 | 144 | 144 | 144 | 144 | 144 |
144 | 39 | 144 | 6 | 144 | 144 | 144 | 144 |
63 | 102 | 78 | 144 | 144 | 144 | 144 | 144 |
144 | 69 | 18 | 144 | 144 | 144 | 144 | 144 |
144 | 57 | 21 | 144 | 144 | 144 | 144 | 144 |
144 | 39 | 144 | 6 | 144 | 144 | 144 | 144 |
144 | 66 | 15 | 144 | 144 | 144 | 144 | 144 |
表2-影响矩阵的示例
影响矩阵的每一列是特定于每种场景的,并且影响时间保持恒定,而不管对传感器的放置如何。在本发明的一组实施例中,影响矩阵因此针对所有模拟场景被计算一次,或者已经被预先计算并且从文件读取,以便不必不必要地重新计算每个传感器放置处的污染的影响。在一个实施例中,一旦已经执行了影响矩阵的计算,则仅使用影响矩阵的场景的子集。例如,仅能够使用与具有某些属性的污染场景相对应的列:涉及最多节点或受影响的消耗等价物的场景,涉及位于两个阈值之间的受影响节点的百分比的节点,等等。在模拟所述场景之后,这仅允许考虑与试图被最小化的影响相对应的那些。
以类似于影响矩阵的方式来构造检测矩阵,但是指示对于给定节点检测到污染的时间步长。在本发明的一组实施例中,当在配备有传感器的节点处污染物或示踪剂的浓度高于预定义阈值时,检测到污染。例如,检测矩阵能够包括时间步长,在所述时间步长处已经由配备有传感器的上游节点检测到大于或等于1的浓度。这使得能够模拟这样的事实:即传感器的灵敏度有限,并且即使污染物仍具有影响,但是当污染物的浓度太低时,也可能无法检测到污染物。
根据本发明的不同实施例,能够根据污染的检测时间与到达时间之间的比较来建立许多目标函数。例如,目标函数能够包括最大化在污染到达之前针对其检测污染的节点的数量。相反,目标函数能够包括最小化尚未针对其检测到污染的点的数量。在这两种情况下,能够通过用户的数量或每个点的消耗来对点的数量进行加权。也能够将其除以污染场景的总数量,或者仅针对每个节点除以实际上影响每个节点的场景。
因此,检测矩阵与影响矩阵的比较允许针对传感器位置的给定集合和针对待构造的每种注入场景的受保护节点的列表。在本发明的一组实施例中,使用的约定是:如果传感器在污染到达其之前检测到污染,则针对场景来保护节点。该功能的优点是在检测速度与覆盖区的范围之间进行权衡,因为,在一方面,检测越快,影响就越小;而另一方面,在网络中进行检测的时间越晚并且可能越下游,则检测到的场景数量就越多(即,当污染在网络中心发生时,其将例如被网络下游而不是在网络上游的节点检测到;相反,位于上游的传感器在检测到上游污染时,将允许对网络的几乎所有节点执行该操作)。未检测到的每个场景的成本由节点和受影响的消耗来加权。
如果在给定的污染场景下针对节点的检测时间步长严格小于传播到该节点的时间步长,则该节点将因此被认为是受保护的。在本发明的一组实施例中,不是节点而是该节点的消耗被认为是受保护的,以考虑分布不一致性并且有利于具有重要消耗的节点。因此,所使用的目标函数是在所有情况下或者在以不同方式影响每个节点的场景集合下不受平均保护的消耗,其必须被最小化。
图3表示能够应用本发明的网络的示例,其以具有节点和弧的图形的形式来建模。然而,本发明并不限于该示例,并且本发明能够类似地应用于网络的其他表示,以优化传感器在异常到达网络的不同点之前检测到异常的能力。例如,能够定义2D网格划分,其中传感器的位置由2D坐标(x,y)来定义。类似地,能够使用3D网格划分,其中传感器的位置由3D坐标(x,y,z)来定义。
图4表示根据本发明的一组实施例的流体分布网络中的异常检测的示例。
图4的示例基于水分布网络的一部分400。
网络的部分400包括通过形成三个分支的弧链接的九个节点410、411、412、413、414、415、416、417、418。水的流动方向连续地从节点410到节点411、412、413,然后分别从节点413到节点414、415以及到节点416、417、418。网络的该部分400在节点417处配备有单个传感器。
在模拟场景中,在节点411处以时间步长注入420污染。该污染逐渐传播到节点412、413,然后一方面传播到节点414、415,并且另一方面传播到节点416、417、418。
因此,在没有传感器的情况下,针对节点411、412、413、414、415、416未检测到这种污染。另一方面,针对节点417由传感器检测到。针对节点418也检测到。实际上,一旦针对节点417检测到污染,就能够推断出该污染将影响下游节点,诸如节点418,并且由此推断出适当的纠正措施。监控工具还能够分析污染风险是否扩散到网络的其他区域中。
在本发明的一组实现方式中,用于传感器放置的性能分数是通过评估在污染到达之前检测到污染的节点以及在污染到达之后检测到污染或者根本未检测到污染的节点来确定的。例如,这能够通过以下操作来完成:为每个节点记录污染到达的时间步长和检测到污染的时间步长,并且将两者进行比较。例如,能够使用参考图3所定义的影响矩阵和检测矩阵。
在图4的示例中:
-针对节点411、412、413、414、415、416未检测到污染;
-针对节点417在污染到达之后检测到污染。实际上,就其性质而言,当执行并且处理指示污染的测量结果时,所述污染已经到达节点417;
-针对节点418在污染到达之前检测到污染。实际上,当基于节点417处的传感器的测量结果而检测到污染时,能够推断污染将到达节点418,甚至在污染到达之前,可能具有延时时间。
对传感器的放置允许或多或少有效地检测污染。在图4的示例中,传感器在节点412处的放置例如将允许在污染到达节点413、414、415、416、417、418之前检测到该污染。
遗传算法用于对传感器的放置使得能够迭代地定义对传感器的放置,从而允许针对网络的最大可能数量的点增加在异常到达之前检测到该异常的可能性,无论异常出现在何处。
通常,将遗传算法应用于与这种类型的异常检测相关联的传感器的放置具有定位传感器的效果,使得其在接触下游节点之前平均检测到污染:亦即,污染前沿比传感器更晚接触的节点的集合将受到保护。如果传感器在非常上游感知到污染,则可以保护网络的整个分支。
根据本发明的不同实施例,能够使用其他目标函数。例如,能够单独或组合地使用以下功能:
-最小化受污染网络的平均长度(如果管道位于两个受污染节点之间,则该管道被视为受污染);
-最小化节点集合中的受污染节点的子集(该子集通常能够包含“关键”或“敏感”节点,诸如与诸如医院、学校等敏感用户相对应的节点);
-最小化平均污染检测时间;
-最小化未检测到的污染场景的百分比。
该功能给出的结果与其他结果完全不同,因为引入污染的时间以及因此其影响并不重要。
图5表示根据本发明的一组实现方式的优化约束的定义的示例。
根据本发明的方法能够根据多个约束和目标而被参数化。例如,能够定义输入参数210。这些输入参数能够特别包括污染场景511和水力模型512。这些输入参数允许在每个场景中模拟220网络的操作。
值得注意地,输入参数210允许确定污染521的传播,以便获得表示针对每个节点的污染的到达时间的影响矩阵522。其还允许确定523在每个管道中的流量,以便获得针对节点的监控矩阵524,指示哪些节点彼此链接,并且确定节点是否允许在上游节点中监控水质。尤其参考图9和图10描述了这样的矩阵的构造。
根据本发明的方法还能够仅在网络的点的子集540上优化传感器的位置。这些点是从现有点541集合中选择的。
根据本发明的方法能够并入网络中已经提供和部署的装备,诸如:
-已经部署的水力传感器542;
-已经部署的质量传感器543;
-可用的测量室544:已经包括传感器的测量室能够被用于廉价地部署质量传感器;
-当前解决方案545,包括已经部署的质量传感器;
-预选节点546,包括待配备的节点,无论其是什么(敏感位点、蓄水池、网络入口等)。
根据本发明的方法还能够利用一个或多个目标函数530来参数化,所述目标函数指示通过对传感器的放置来监控的目标。这些目标函数允许在执行200根据本发明的用于放置传感器的方法时计算250性能分数。
因此,操作员能够分析550所获得的最佳放置解决方案,以检查其是否令人满意。在该解决方案为次最优的情况下,例如,如果放置点未保留,因为其不形成针对优化授权的点的子集的一部分,则操作员能够检测到该问题,由此能够检查传感器放置约束,并且在进行新的放置迭代之前,在必要时560对其进行修改。
图6表示直方图的示例,该直方图表示根据在扇区300上用于放置传感器的940个测试场景受污染影响的水分布网络的节点的百分比。
图6表示:
-在x轴610上,针对不同场景接触的节点的百分比;
-在y轴620上,与受影响的节点的每个百分比相对应的场景的数量。
因此,图6示出了受污染影响的节点的百分比取决于场景而高度变化:在多于250个场景中,在0与1%之间的节点受到影响632,而在20左右的场景中,超过80%的节点受到影响,并且几乎零个场景影响在20%与30%之间的节点630。
图7a、图7b、图7c和图7d分别表示仅为了检测污染而通过本发明的实施例中用于放置传感器的方法在水分布网络中放置2个、5个、8个和11个传感器的四个示例。
在该示例中,已经利用以下参数执行了根据本发明的用于优化对传感器的放置的方法。
在该示例中能够放置传感器的节点满足各种标准:
-其严格连接到两个以上的弧;
-其最小场景检测为5。这能够通过为每种场景确定能够检测污染的节点来实现。相反,能够为每个节点确定将能够检测到的污染场景的数量,并且预先选择能够针对大于预先定义阈值(例如5)的多个情景检测污染的节点;
-消除已经部署传感器或者不利于部署传感器的节点(需要过高投资的现场约束、对任何道路工程的约束、交通繁忙等)。
限制对某些节点的优化允许消除不能够放置传感器的节点和/或简化根据本发明的方法的问题和执行,同时将优化基于先验最有利的节点。然而,这些约束纯粹是通过非限制性示例给出的,并且可以使用其他约束。例如,最小场景检测数量可以取决于待测试的传感器的数量,以便适应问题的复杂度。
然后,连续地对范围从1到20的多个传感器执行优化。
通过从预选节点中随机地选择传感器,最初获得位置的多个候选集合,然后执行通过遗传算法的若干优化迭代。
在每次迭代中,根据传感器测量结果未覆盖的消耗百分比(即,识别针对其未检测到污染的节点,通过其相对消耗进行加权并且与节点的总数量相关,以获得针对其尚未检测到污染的消耗的百分比。该百分比越低,候选集合越好),为每个候选集合计算分数。
然后,根据分数,根据以下规则,应用遗传算法以修改每次迭代的多个候选集合:
-保留最佳的5%候选集合(选择精英);
-80%的中间候选集合彼此交叉,和/或与“精英”(最佳候选)交叉,以生成新的集合;
-获得最低良好分数的15%的候选集合突变,亦即其被随机地修改。
根据本发明的方法200的这种应用允许针对每个数量的传感器获得最佳放置。一旦对N个传感器执行了所述方法,则使用N个传感器的最佳解决方案用作优化N+1个传感器的基础。
因此,针对在1到20之间的多个传感器中的每个传感器获得最佳放置。
这些示例表明,通常,根据本发明的方法在网络上产生对传感器的相对均匀的放置,由此允许检测在任何点处发生的异常。本发明的一个优点是:在添加传感器之后,仅当该位置保持最佳时,才保留先前放置的传感器的位置。图7a至图7d就是这种情况:
-当传感器的数量增加710b、720b、710c、720c、710d、720d时,两个传感器710a、720a被保留;
-当传感器的数量改变为8(730c、740c、750c)或11(730d、740d、750d)时,将保留具有5个传感器的解决方案的额外三个传感器730c、740b、750b。
然而,与诸如“贪婪”算法之类的其他算法相反,在本发明中,如果添加新传感器使得先前放置的传感器的位置不是最佳的,则该位置将被修改。
图8表示根据传感器数量通过根据本发明的方法放置在水分布网络中的传感器的异常检测的百分比的趋势。
x轴810表示在先前描述的示例中放置在1到20之间的传感器的数量。y轴820表示被认为被覆盖的节点的百分比,亦即,在污染到达之前检测到污染的节点的百分比。
图8示出了传感器数量的增加最初允许显著的保护增益。随着部署的传感器数量的增加,与添加新传感器相关联的边际保护增益变得越来越不重要。因此,本发明允许根据目标覆盖率或根据覆盖/部署成本的百分比优化来选择传感器的最佳数量。
参考图7a至图7d和图8呈现的优化纯粹是通过非限制性示例给出的。本发明不限于这些示例,并且根据本发明的方法可以根据许多不同的约束来优化传感器的放置。
例如,在一些扇区中,仅能够对点的子集进行优化,以便最佳地利用现有基础结构。
能够通过在蓄水池的下游引入测量点来优化具有大尺寸的蓄水池的扇区,以便监控可能专门接触其的污染。这些点被认为是固定的,并且被包含在测试的传感器组合群组中。其具有检测蓄水池处的污染的作用。如果在测试的场景中未将蓄水池用作入侵点,则性能水平中来自这些点的输入为零。
包括医院的扇区能够生成为后者配备入口点的额外约束,所述入口点实际上是水力模型的消耗节点之一。在强制解决方案时针对优化考虑了这一点。因此,医院的点出现在优化过程中评估的组合集合中。通过检测位于医院上游并且能够接触其他点的污染场景,有助于检测性能水平。
能够通过对与这些位点相对应的模型的节点进行加权来优化具有若干敏感安装(即军事、工业和其他这样的安装)的另一扇区,以便在优化过程中对其进行优先化。因此,目标函数允许通过保护敏感位置免受污染,甚至通过将其权重设为1并且将所有其他权重设为0来进行保护,来放置传感器。
能够选择整体上或根据扇区以差异化的方式来优化网络的事实,因此允许更大的灵活性,并且适应现场约束和饮用水分布专业人员的专业知识。因此,与全局优化相比,所有扇区中按扇区进行优化使得能够减少计算时间。
因此,根据本发明的方法能够适用于非常不同的操作上下文,并且允许针对非常不同的目标实现最佳的传感器放置。用户能够基于他或她对所应用的网络的了解来配置根据本发明的方法。
图9表示在水分布网络中的流量分布的示例。
根据本发明的方法能够被用于优化用于检测异常或污染的传感器的放置。其也能够被用于其他目的,诸如优化水质监控。对此,能够基于包括确定在测量时水经过的节点数量的功能来计算被分配给传感器位置的每个候选集合的分数。这种类型的监控(被称为下游监控)能够依赖于流量分数矩阵的生成。对于节点集合,在不同的时间步长处计算在下游的每个相邻管道中经过的流量的百分比。
图9提供了流量分数的示例。图9图示了水的流动方向,以及每条管道中流动的流量分数。在该示例中,网络中的流量通常从左到右。每个管道上指示的数字指示从一个节点到另一节点的流量的分数。例如:
-对于一个单位,在节点910处输入的流量在管道911中被分成0.8(80%),而在管道912中被分成0.2(20%);
-对于一个单位,在节点920处输入的流量在管道921中被分为1(100%);
-对于一个单位,在节点930处输入的流量在管道931中分为0.3(30%),而在管道932中为0.7(70%)。
然后,在直接相邻的节点处的这种关系在整个网络中传播。在本发明的一组实施例中,如果两个节点中的一个节点接收到流过另一节点的大部分流量(>50%),则为这一对节点定义下游监控关系。以粗体显示的链接示出了被认为相互链接的节点。例如,节点910被视为链接到节点920,并且节点920被链接到位置930。如果50%的流量阈值提供了两个节点之间的链接的良好指示,则也能够使用其他阈值(40%、60%等)。
因此,对于图的每个节点,能够确定其链接到的上游节点的数量,亦即,接收到水所经过的节点的数量。还能够将节点分配给总体或关联的消耗。因此,可以为每个节点推断在该节点执行的质量监控将覆盖哪些总体或水消耗。
图10表示通过位于水分布网络的下游节点上的传感器监控水质的示例。
图10示出了由菱形包围的节点如何被认为由星形包围的节点跟踪。流量以符号形式表示,在该时间步长处突出了网络的结构和水力行为。
图10表示扇区300,其部分1000被表示为在图像下方被放大。在图10的示例中,当进入节点的流量的50%以上经过下一节点时,这些节点被迭代地链接。例如,节点1011链接到节点1012,节点1012本身链接到节点1013等,直到节点1010。因此,节点1011链接1014到节点1010。图10以菱形表示链接到彼此的所有节点,并且节点之间的链接由粗灰色线(诸如由线1014)表示。图10示出网络的大部分节点会聚到下游节点1010或下游节点1020。因此,该表示允许在给定的时间步长上更好地理解流量的结构和网络的水力行为。
因此,被放置在节点1010和1020处的传感器允许在网络的大部分上检查水质。
根据本发明的方法允许通过使用目标函数计算性能分数来放置传感器以最佳地监控水质,所述目标函数定义了节点被链接到的节点的数量,亦即,节点能够对其执行下游监控的节点的数量。这样的目标函数允许放置传感器,以便能够监控源自不同来源的水质,尤其是来自这些来源混合的不同区域的水质。通常,使用该目标函数放置的传感器还能够检测网络下游发生的污染。
该目标函数能够单独使用,或者能够与涉及异常或污染检测的目标函数组合使用。因此,用于下游监控的传感器的存在能够补充以污染检测的目标函数放置的传感器。这种组合也非常适合将网络细分为对应于来源或来源混合的小块水。
图11a、图11b、图11c和图11d分别表示为了检测污染并且监控水质通过本发明的实施例中用于放置传感器的方法在水分布网络中放置2个、5个、8个和11个传感器的四个示例。
除了以下点以外,传感器的放置以与图7a至图7d的示例相同的原理来执行。
如上所述,为了简化问题同时获得良好的性能水平,能够将传感器仅放置在网络节点的子集中。如参考图9和图10所解释的,允许针对下游监控污染的传感器的最佳放置的节点是链接到位于上游的网络的大量节点的节点。因此,能够在其上放置传感器的节点的子集能够包括根据参考图9定义的规则连接到上游的大于或等于预定义阈值的多个节点的节点。还能够考虑每个节点的消耗,并且在其上执行优化的节点子集能够包括连接到上游的多个节点的节点,这些节点对应于大于预定义阈值的消耗。
为了针对异常检测和下游监控联合地优化对传感器的放置,涉及预先选择形成用于异常检测的良好候选的节点和形成用于下游水质监控的良好候选的节点。例如,在其上执行优化的节点子集能够包括连接到上游大量节点(形成用于下游监控的良好候选)的节点,以及连接到大于预先定义阈值的多个弧的节点(形成用于异常检测的良好候选)。
在优化期间,基于组合的目标函数计算被分配给位置的每个候选集合的分数,等于目标异常的检测函数和目标水质监控函数的平均值,以便有利于允许良好异常检测和良好水质监控的位置的候选集合。
然后,根据分数,根据以下规则,应用遗传算法以修改每个迭代的多个候选集合:
-保留最佳的5%候选集合(选择精英);
-80%的中间候选集合彼此交叉,和/或与“精英”(保持的最佳候选)交叉,以生成新的集合;
-获得最低良好分数的15%的候选集合突变,亦即其被随机地修改。
根据本发明的方法200的这种应用允许针对每个数量的传感器获得最佳放置。一旦对N个传感器执行了所述方法,就使用N个传感器的最佳解决方案用作优化N+1个传感器的基础。
因此,为1到20之间的每个数量的传感器获得了最佳放置。
通过诸如圆圈1110a的圆圈分别针对2、5、8和11表示节点的放置。对于相同数量的传感器,此处的放置与对图7a至图7d所执行的放置不同。例如,在具有5个传感器的解决方案中,将传感器1120b放置在图7b中未放置任何传感器的区域中(具有5个传感器的解决方案仅用于污染检测)。该传感器1120b允许在网络的整个北部进行水质检测,并且因此允许图11b中所示的具有5个传感器的解决方案来获得用于“异常的检测+水质监控”组合的良好分数。
这些示例证明了本发明根据用户定义的目标提供最佳传感器放置的能力。因此,本发明适用于大量用例,并且允许根据大量不同标准来获得传感器的最佳放置。
图12表示根据由根据本发明的方法放置的传感器的数量的组合的污染检测和水质监控分数的趋势。
图12的曲线是根据与图8的曲线相同的原理来创建的:x轴1210表示放置的传感器数量,垂直轴1220表示最佳解决方案的性能分数,以百分比表示,并且在图11a至图11d的示例中,曲线1230表示根据传感器的数量的分数的趋势。
如上所述,在图11a至图11d的组合优化示例中,性能分数被计算为水质监控分数和异常检测分数的平均值。顶部曲线1240表示水质监控分数,而底部曲线1250表示异常检测分数。当添加新传感器时,能够通过增加水质监控分数和/或异常检测分数来增加总分数。例如,这里添加了第三和第四传感器,主要改善了水质监控分数1241、1242,而添加了第二、第五和第六传感器,主要改善了异常检测分数1251、1252、1253。
该示例证明了本发明通过改善一个或另一目标以获得最佳总分数,根据目标的组合最佳地布置传感器的能力。
上文的示例证明了本发明根据不同的目标标准优化传感器的放置的能力。然而,其仅通过示例的方式给出,并且决不以任何方式限制由所附权利要求书限定的本发明的范围。
Claims (17)
1.一种用于确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的方法(200),所述方法包括:
-针对输入参数(210)的至少一个集合来获得(220)针对时间步长集合在所述网络的点集合处的物理化学量的模拟值;
-获得(230)所述多个传感器的位置的多个候选集合(240);
-迭代地进行以下操作直到停止标准被验证(260)为止:
o针对位置的每个候选集合,至少根据在所述多个传感器的所述位置处的物理化学量的所述模拟值来获得(250)性能分数;
o修改(270)传感器位置的所述多个候选集合,所述修改包括从以下项中选取的至少一项操作:
·保留(271)具有最有利分数的位置的至少一个候选集合;
·添加(272)通过对至少两个候选集合的位置的组合而定义的所述传感器位置的至少一个候选集合;
·添加(273)通过对候选集合中传感器的位置的修改而定义的所述传感器位置的至少一个候选集合;
-选择(290)具有所述最有利分数的位置的所述候选集合。
2.根据权利要求1所述的方法,其中:
-所述网络是以图形形式来建模的;
-所述图形的每个节点或弧是由独有的标识符来标识的;
-传感器的所述位置是由所述图形的节点或弧的标识符来定义的。
3.根据权利要求1和2中的一项所述的方法,其中,输入参数(210)的集合中的至少一个集合包括以至少一个时间步长在所述网络的至少一个点中对异常的引入。
4.根据权利要求3所述的方法,其中,所述性能分数是根据以下项来计算的:所述传感器的能力,所述传感器被放置在位置的所述候选集合中以通过确定至少一个异常到达所述网络的点集合的时间步长来检测所述至少一个异常;以及从以下项中选取的至少一个目标函数:
-所述集合中在所述异常到达之前针对其检测到所述异常的点的数量;
-所述集合中在所述异常到达之前针对其检测到所述异常的点的数量,由用户的数量或每个点的消耗进行加权;
-尚未针对其检测到所述异常的点的数量;
-尚未针对其检测到所述异常的点的数量,由用户的数量或每个点的消耗进行加权。
5.根据权利要求1至4中的一项所述的方法,其中,所述性能分数是根据至少一个特性来计算的,所述至少一个特性是从候选集合的所述传感器的能力中选取的,以评估所述网络中所述流体的质量指示符,以及所述传感器的部署成本。
6.根据权利要求1至5中的一项所述的方法,其中,至少一个传感器具有预先定义的位置。
7.根据权利要求1至6中的一项所述的方法,其中,放置所述传感器的所述点被限制为所述网络的点的子集。
8.根据权利要求1至7中的一项所述的方法,其中,所述多个传感器的位置的所述多个候选集合的所述定义包括所述网络的关注点处的位置的定义。
9.根据权利要求1至8中的一项所述的从属于权利要求2的方法,其中,所述多个传感器的位置的所述多个候选集合的所述定义包括在被连接到大于或等于预先定义的阈值的数量的弧的节点处的位置的定义。
10.根据权利要求1至9中的一项所述的方法,其中,所述停止标准包括从以下项中选取的一个或多个条件:
-最大迭代次数;
-当前迭代与至少一个先前迭代中的最有利分数的比较,以及在所述当前迭代处与在所述至少一个先前迭代处的所述最有利分数之间的差小于或等于预先定义的阈值的情况下对所述停止标准的所述验证。
11.根据权利要求1至10中的一项所述的方法,其中:
-消除不具有所述最有利分数的位置的至少一个候选集合包括消除除了预先定义数量或预先定义比率的具有所述最有利分数的候选集合之外的所有候选集合;
-添加(272)通过对至少两个候选集合的位置的组合而定义的所述传感器位置的至少一个候选集合,以及添加(273)通过对候选集合中传感器的位置的修改而定义的所述传感器位置的至少一个候选集合加上等于被消除的候选集合的数量的候选集合的数量。
12.根据权利要求1至11中的一项所述的方法,包括:分别针对多个预先定义数量的传感器对传感器的候选集合的定义、迭代修改以及选择。
13.根据权利要求12所述的方法,其中,针对整数(n)个传感器来获得(230)所述多个传感器的位置的多个候选集合是基于针对整数(n-m)个传感器具有所述最有利分数的位置的候选集合,其中,1≤m<n。
14.根据权利要求12和13中的一项所述的方法,包括:根据所述候选集合中的每个候选集合的分数和部署成本,对针对所述多个预先定义数量的传感器具有所述最有利分数的所述候选集合中的一个候选集合的选择。
15.一种用于放置流体的一个或多个物理化学参数的多个传感器的方法,所述方法包括:
·确定流体传输网络中的位置集合,所述确定包括根据权利要求1至14中的一项所述的方法的步骤,以及
·将所述传感器放置在所述位置集合中。
16.一种包括被存储在计算机可读介质上的程序代码指令的计算机程序产品,包括用于确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的处理器,所述计算机程序包括用于执行根据权利要求1至14中的一项所述的方法的计算机可读编程单元。
17.一种能够确定流体传输网络中流体的一个或多个物理化学参数的多个传感器的位置集合的设备,所述设备包括处理器,所述处理器被配置为执行根据权利要求1至13中的一项所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862695370P | 2018-07-09 | 2018-07-09 | |
US62/695,370 | 2018-07-09 | ||
FR1859402A FR3083553B1 (fr) | 2018-07-09 | 2018-10-10 | Placement ameliore de capteurs de parametres physico-chimiques dans un fluide |
FR1859402 | 2018-10-10 | ||
PCT/EP2019/068254 WO2020011711A1 (fr) | 2018-07-09 | 2019-07-08 | Placement ameliore de capteurs de parametres physico-chimiques dans un fluide |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112424599A true CN112424599A (zh) | 2021-02-26 |
Family
ID=65685562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980045698.XA Pending CN112424599A (zh) | 2018-07-09 | 2019-07-08 | 流体中的物理-化学参数传感器的经改进的放置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11797897B2 (zh) |
EP (1) | EP3821239B1 (zh) |
CN (1) | CN112424599A (zh) |
AU (1) | AU2019301845A1 (zh) |
FR (1) | FR3083553B1 (zh) |
WO (1) | WO2020011711A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485202A (zh) * | 2023-04-25 | 2023-07-25 | 北京建工环境修复股份有限公司 | 一种基于物联网工业污染实时监测方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3114648B1 (fr) * | 2020-09-25 | 2023-06-23 | Veolia Environnement | Procédé de caractérisation de fuite |
CN114912852B (zh) * | 2022-07-18 | 2022-09-23 | 山东鑫亚装备制造有限公司 | 一种用于冷藏仓储箱的异常监测预警系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG187263A1 (en) * | 2010-07-27 | 2013-03-28 | Thales Sa | Method for optimally determining the characteristics and arrangement of a set of sensors for monitoring an area |
CN103366039A (zh) * | 2012-03-28 | 2013-10-23 | 国际商业机器公司 | 用于液体配送网络中的泄漏定位的传感器放置方法和系统 |
CN105426984A (zh) * | 2015-10-26 | 2016-03-23 | 中国地质大学(武汉) | 基于多粒子群优化算法的给水管网传感器布置优化方法 |
EP3112960A1 (en) * | 2015-06-29 | 2017-01-04 | SUEZ Groupe | Combined method for detecting anomalies in a water distribution system |
WO2018001627A1 (fr) * | 2016-06-30 | 2018-01-04 | Suez Groupe | Procede de controle de la concentration de bacteries dans un reseau de distribution d'eau |
US9964468B1 (en) * | 2014-12-08 | 2018-05-08 | Bentley Systems, Incorporated | Optimizing sensor placement for structural health monitoring |
CN108184241A (zh) * | 2017-12-19 | 2018-06-19 | 重庆工商大学 | 面向不同优先级目标的异构有向传感器网络节点调度方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8341106B1 (en) * | 2011-12-07 | 2012-12-25 | TaKaDu Ltd. | System and method for identifying related events in a resource network monitoring system |
US9582775B2 (en) * | 2012-12-10 | 2017-02-28 | International Business Machines Corporation | Techniques for iterative reduction of uncertainty in water distribution networks |
US10161749B1 (en) * | 2014-12-08 | 2018-12-25 | Bentley Systems, Incorporated | Optimizing water quality sensor placement for water distribution systems |
EP3507665A4 (en) * | 2016-08-31 | 2020-03-18 | 3M Innovative Properties Company | SYSTEMS AND METHODS FOR MODELING, ANALYSIS, DETECTION AND MONITORING OF FLUID ARRAYS |
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 |
-
2018
- 2018-10-10 FR FR1859402A patent/FR3083553B1/fr active Active
-
2019
- 2019-07-08 EP EP19736381.5A patent/EP3821239B1/fr active Active
- 2019-07-08 AU AU2019301845A patent/AU2019301845A1/en active Pending
- 2019-07-08 WO PCT/EP2019/068254 patent/WO2020011711A1/fr active Search and Examination
- 2019-07-08 US US17/258,739 patent/US11797897B2/en active Active
- 2019-07-08 CN CN201980045698.XA patent/CN112424599A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG187263A1 (en) * | 2010-07-27 | 2013-03-28 | Thales Sa | Method for optimally determining the characteristics and arrangement of a set of sensors for monitoring an area |
CN103366039A (zh) * | 2012-03-28 | 2013-10-23 | 国际商业机器公司 | 用于液体配送网络中的泄漏定位的传感器放置方法和系统 |
US9964468B1 (en) * | 2014-12-08 | 2018-05-08 | Bentley Systems, Incorporated | Optimizing sensor placement for structural health monitoring |
EP3112960A1 (en) * | 2015-06-29 | 2017-01-04 | SUEZ Groupe | Combined method for detecting anomalies in a water distribution system |
CN107949812A (zh) * | 2015-06-29 | 2018-04-20 | 苏伊士集团 | 用于检测配水系统中的异常的组合方法 |
CN108027594A (zh) * | 2015-06-29 | 2018-05-11 | 苏伊士集团 | 用于检测配水系统中的异常的方法 |
CN105426984A (zh) * | 2015-10-26 | 2016-03-23 | 中国地质大学(武汉) | 基于多粒子群优化算法的给水管网传感器布置优化方法 |
WO2018001627A1 (fr) * | 2016-06-30 | 2018-01-04 | Suez Groupe | Procede de controle de la concentration de bacteries dans un reseau de distribution d'eau |
CN108184241A (zh) * | 2017-12-19 | 2018-06-19 | 重庆工商大学 | 面向不同优先级目标的异构有向传感器网络节点调度方法 |
Non-Patent Citations (4)
Title |
---|
CHEIFETZ N. 等: "Un algorithme glouton pour le positionnement de capteurs qualité sur un grand réseau de distribution d"eau", 《TECHNIQUES SCIENCES METHODES》 * |
LECHGAR H. 等: "Artificial Intelligence (AI) Contribution to GIS in Optimal Positioning of Hydrophone Sensors Using Genetic Algorithm (Case Study: Water Network, Casablanca, Morocco)", 《PROCEEDINGS OF THE MEDITERRANEAN CONFERENCE ON INFORMATION &COMMUNICATION TECHNOLOGIES》 * |
朱诺: "《交通运输业与人工智能的深度融合—遗传算法在交通领域的应用》", 30 September 2017, 东北林业大学出版社 * |
钟鹏: "基于水环境监测的无线传感器网络覆盖研究及应用", 《全国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485202A (zh) * | 2023-04-25 | 2023-07-25 | 北京建工环境修复股份有限公司 | 一种基于物联网工业污染实时监测方法及系统 |
CN116485202B (zh) * | 2023-04-25 | 2024-03-08 | 北京建工环境修复股份有限公司 | 一种基于物联网工业污染实时监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020011711A1 (fr) | 2020-01-16 |
US11797897B2 (en) | 2023-10-24 |
FR3083553B1 (fr) | 2023-05-19 |
FR3083553A1 (fr) | 2020-01-10 |
US20210272028A1 (en) | 2021-09-02 |
AU2019301845A1 (en) | 2021-02-18 |
EP3821239A1 (fr) | 2021-05-19 |
EP3821239B1 (fr) | 2024-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Leakage zone identification in large-scale water distribution systems using multiclass support vector machines | |
Luo et al. | Multi-objective optimization of long-term groundwater monitoring network design using a probabilistic Pareto genetic algorithm under uncertainty | |
CN112424599A (zh) | 流体中的物理-化学参数传感器的经改进的放置 | |
Sambito et al. | Optimal water quality sensor positioning in urban drainage systems for illicit intrusion identification | |
Sattari et al. | Estimation of water quality parameters with data‐driven model | |
Qi et al. | Better understanding of the capacity of pressure sensor systems to detect pipe burst within water distribution networks | |
CN109643432B (zh) | 用于建模、分析、检测并监测流体网络的系统和方法 | |
Rathi et al. | A review of sensor placement objective metrics for contamination detection in water distribution networks | |
Chang et al. | Comparisons between a rule-based expert system and optimization models for sensor deployment in a small drinking water network | |
CN109661627A (zh) | 用于建模、分析、检测并监测流体网络的系统和方法 | |
CN109643335B (zh) | 用于建模、分析、检测和监测流体网络的系统和方法 | |
Shahra et al. | Water contaminants detection using sensor placement approach in smart water networks | |
Piry et al. | Mapping Averaged Pairwise Information (MAPI): a new exploratory tool to uncover spatial structure | |
Oliker et al. | Network hydraulics inclusion in water quality event detection using multiple sensor stations data | |
CN105488317A (zh) | 用于预测空气质量的系统和方法 | |
Zhao et al. | Optimal sensor placement for pipe burst detection in water distribution systems using cost–benefit analysis | |
Imen et al. | Developing a model-based drinking water decision support system featuring remote sensing and fast learning techniques | |
Amirabdollahian et al. | Identification of pollutant source characteristics under uncertainty in contaminated water resources systems using adaptive simulated anealing and fuzzy logic | |
Momeni et al. | Stochastic model-based leakage prediction in water mains considering pipe condition uncertainties | |
Okeya et al. | Locating pipe bursts in a district metered area via online hydraulic modelling | |
Hatam et al. | Limitations of E. coli monitoring for confirmation of contamination in distribution systems due to intrusion under low pressure conditions in the presence of disinfectants | |
Cabecinha et al. | Performance of a stochastic-dynamic modelling methodology for running waters ecological assessment | |
Masud Rana et al. | Contaminant spread forecasting and confirmatory sampling location identification in a water-distribution system | |
Jafari et al. | An investigation of the possible scenarios for the optimal locating of quality sensors in the water distribution networks with uncertain contamination | |
Guadagno et al. | Impact coefficient evaluation for sensor location in sewer systems |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230629 Address after: Paris France Applicant after: DEGREMONT Address before: Paris France Applicant before: SUEZ GROUPE |