CN113439201A - 对供应网络中的泄漏的探测 - Google Patents
对供应网络中的泄漏的探测 Download PDFInfo
- Publication number
- CN113439201A CN113439201A CN202080016608.7A CN202080016608A CN113439201A CN 113439201 A CN113439201 A CN 113439201A CN 202080016608 A CN202080016608 A CN 202080016608A CN 113439201 A CN113439201 A CN 113439201A
- Authority
- CN
- China
- Prior art keywords
- location
- flow
- supply network
- fluid
- sensor
- 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
- 238000001514 detection method Methods 0.000 title claims description 27
- 239000012530 fluid Substances 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004088 simulation Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 20
- 239000003651 drinking water Substances 0.000 claims description 18
- 235000020188 drinking water Nutrition 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 239000002351 wastewater Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 description 33
- 210000002569 neuron Anatomy 0.000 description 11
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
- G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种用于探测供应网络(10)中的流体泄漏的方法,其中所述供应网络(10)具有:管道(11),其中所述流体通过所述管道流动;用于测量在所述供应网络(10)中的第一位置处的流体的流量的第一传感器(14);和至少一个用于测量在所述供应网络(10)中的第二位置处的流体的流量的第二传感器(15)。该方法在此包括以下步骤:a)借助所述第一传感器(14)测量在所述第一位置处的流体的流量;b)借助自学习系统(SS)基于在步骤a)中所测量的在所述第一位置处的流量的值而预测在所述第二位置处的流量,其中所述自学习系统(SS)为此已被训练用于预测在所述供应网络(10)中的预给定位置处的流量;c)借助位于所述第二位置处的所述第二传感器(15)而测量在所述第二位置处的流体的实际流量;d)确定在所述第二位置处测量的实际流量与由经训练的所述系统(SS)所预测的在所述第二位置处的流量之间的差;和e)当所确定的所述差大于预给定极限值(G)时,输出估计有泄漏的通知。本发明还涉及一种用于探测供应网络(10)中的流体泄漏的设备(30)以及一种包括供应网络(10)和所述设备(30)的装置。
Description
技术领域
本发明涉及对供应网络中的流体泄漏的探测。示例性的应用是在饮用水网络或排水网络中或者在气体供应网络或远距离供热网络中的泄漏识别。
背景技术
本发明在下文中主要参照饮用水供应网络来予以描述。但是,本发明却不限于在饮用水供应网络中的使用。相反,本发明也能够使用在例如排水网络中、气体供应网络中或者远距离供热网络中。
目前,在二十一世纪,饮用水在世界范围内都是重要的资源。大多的预测都假定:饮用水的重要性在中长期来看甚至还会增加。因此,应预期:以更负责任且更节省的方式消耗饮用水将变得越来越重要。
就此而论适用的是:尽可能避免泄漏,也即饮用水从水网络管线意外地且不期望地流出。然而,完全的避免、也即所述网络的完全密封性通常是不可能的。按照经验,在德国发生的由于饮用水供应网络中的泄漏而导致的水损失在个位数百分比范围内,而在其他国家所述损失在部分地区还要明显更高。
一般而言的基本问题因此可以如下地描述:应该识别出在被观察的供应网络中是否存在泄漏。识别出存在泄漏在本专利申请的范畴内也称为对泄漏的“探测”或对泄漏“进行探测”。“探测”或“进行探测”在此并非强制性地包括对泄漏的定位。但是,如所示的那样,本发明在一些实施方式中不仅可以确定出供应网络中的泄漏(在某处)的基本存在,而且甚至也能够或多或少地精准定位该泄漏。
在现有技术中已经存在一系列的用于探测供应网络中的流体泄漏的方案。
第一种众所周知的方案是列出质量平衡表。在此情况下,以有意义的方式对具有单个进流或少量进流的网络的可界定区域进行观察。网络的这种被界定的区域在专业用语中也被称为测量区或者“District Metering Area(计量分区)”(DMA)。DMA除了所述一个或多个进流之外还具有数个用户并且可选地具有一个或多个出流。为了列出所述质量平衡表,将进入DMA中的进流与用户处的出流的总和对照、以及必要时与从DMA中出来的出流的整体进行对照。如果所述进流与所确定的出流一致,则该网络是“密封的”;也即不存在泄漏。相反,如果进流的总和显著大于包括消耗在内的出流的总和,则假定在网络中有一处或多处泄漏。
在质量平衡表方法中的问题是:必须投入大的耗费,这是因为必须针对特定时间段而确定每个单个用户的精确消耗。另一问题的本质在于数据保护法律。在许多国家中的法律情况根本并不允许例如对DMA的所有用户的水消耗进行时间精确的检测和记录。
第二种众所周知的用于探测网络中的泄漏的方案在于所谓的“夜间流量分析”。在此通常也观察该网络的可界定区域、即DMA。在夜间流量分析的情况下,在消耗低的时间段内、例如从夜间2点到4点检测DMA中的进流。在几分钟的范围内的更小测量间隔也是典型的。在几天或几周期间,在相同时间段确定总进流。利用统计学方法作为针对新泄漏的指标鉴于水消耗上升方面检查所述时间序列。在最简单的情况下,在该时间内的进流被观测到并且在进流上升情况下推论出泄漏。
夜间流量分析的缺陷在于,仅仅检测出新的泄漏,所述新的泄漏在测量开始之后产生。另一缺陷在于,特殊影响、例如通过电视或者替代性的媒体(互联网络)中的播放而在测量时间段内引起不寻常的大量水消耗的体育活动可能被错误地解释为对于泄漏的提示。最后,网络拓扑中的较大变化、例如一个或多个多户住宅的迁入或者在企业内活动的设施在(夜间)测量时间段内的投入使用也可以导致消耗上升,这种消耗上升被错误地解释为网络中新产生的泄漏。
这两种提到的方案(质量平衡表以及夜间流量分析)的缺陷此外在于,这些方法在理想情况下也仅仅识别出在网络中(某处)存在泄漏,但是却并没有识别出所述泄漏在何处存在。对泄漏的定位因此必须利用其它附加的方法来进行。
对于本领域技术人员已知的第三种用于探测网络中的泄漏的方案在于,在网络中的多个位置处测量流量并且接下来将所测量的值与经模拟的值比较,其中所述经模拟的值是借助在水网络的情况下的网络水力模拟所获得的。作为用于水力模拟的输入数据,通常需要该网络的拓扑,也即管线(管道)的布置以及与供应网络连接的每个用户的位置和类型。因为由于上述的显著耗费和数据保护法律的顾虑而不能够对用户的实际消耗进行参考,针对在网络中不同的现有类型的用户还需要等效消耗分布。等效消耗分布被理解为特定用户类型(寓所、单户住宅、小型企业)的假设的、代表性的消耗分布。基于网络的拓扑、与该网络连接的用户和所使用的等效消耗分布可以借助水力模拟针对网络中的每个点来计算通过管线的水的与时间相关的流量。如果借助现有传感器所测量的实际流量明显区别于所计算的值,则推论出网络中的泄漏。如果该网络具有大量传感器,则可以通过所有传感器的评估而在理想情况下界定泄漏位置并且至少大致地进行定位。
所描述的方案的挑战在于,正确地并且利用合理的耗费而执行水力模拟。所述网络的被观察的部分越大和越复杂,则这就越困难。此外,不仅关于管线的性质和走向的拓扑而且用户的存在和表征都必须是相对可靠地已知的。
发明内容
本发明所设立的目标在于:开发一种用于探测供应网络中的泄漏的替代性方法,使得尤其是在相对大的且复杂的网络情况下也能够可靠地识别和定位泄漏。
本发明由独立权利要求的特征得出。有利的扩展方案和设计方案是从属权利要求的主题。本发明的其他特征、应用可能性和优点从接下来的描述和附图中得出。
提出一种用于探测供应网络中的流体泄漏的方法、尤其是自动化的方法,其中所述供应网络具有:管道,其中流体通过所述管道流动;用于测量在供应网络中的第一位置处的流体的流量的第一传感器;和至少一个用于测量在供应网络中的第二位置处的流体的流量的第二传感器。该方法在此具有以下步骤:
a)借助第一传感器测量在第一位置处的流体的流量;
b)借助自学习系统基于在步骤a)中所测量的在第一位置处的流量的值而预测在第二位置处的流量,其中所述自学习系统为此已被训练用于预测在供应网络中的预给定位置处的流量;
c)借助位于第二位置处的第二传感器而测量在第二位置处的流体的实际流量;
d) 确定在第二位置处所测量的实际流量与由经训练的系统所预测的在第二位置处的流量之间的差;和
e)当所确定的差大于预给定极限值时,输出估计有泄漏的通知。
发明者已经认识到:针对供应网络中的泄漏探测能够以有利的方式使用自学习系统。在第一阶段中,训练自学习系统以能够预测供应网络的预给定位置处的流量。在训练阶段之后,在供应网络的运行期间使用经训练的系统。为此,经训练的系统基于在所述运行期间实际测量的流量而预测在供应网络中的特定位置处的流量。该思想是:所预测的值正确说明预期流量。现在,对针对其已预测了流量值的特定位置处的流量进行实际测量。如果所预测的值与实际测量的值一致,则推论“稳定的”和“密封的”供应网络。尤其是,由此得出如下推论:在自学习系统的训练阶段结束后在所述网络中的被检查的位置处的周围环境中并没有产生任何泄漏。与此相反,如果在所预测的流量值和实际测量的流量值之间的差超出既定的阈值、即预给定极限值,则输出通知。超出所述极限值通常被解释为:对于在供应网络中新产生泄漏的提示。
根据本发明的方法的优点是用于确定是否在供应网络中存在异常的高速性。这基于的是:经训练的系统通常能够非常快速地预测在所涉及位置处的流量,因为经训练的系统为此不必执行分析式计算或者以基于模型的方式的计算或者动用到这种计算。相反,自学习系统在学习阶段期间已经简单地学习了在怎样的输入数据情况下应预期怎样的流量并且在运行期间仅需按照所训练的规律性基于给定的输入数据(具体而言:基于所测量的流量)而推断出在相对应的位置处的流量值。
流量的预测通常仅仅针对如下位置是可能的,针对所述位置也已训练了所述自学习系统。然而可能的是,针对在供应网络的多个位置处的流量预测而训练自学习系统。然而通常在网络中的测量点的数目不必强制性地多于被预测了流量的那些位置。
所描述的方法一般而言可以应用于每种在其中应探测流体泄漏的供应网络。流体理解为每种液体或气体。在所述流体是水的情况下,供应网络尤其是饮用水供应网络或废水网络。在流体例如是天然气的情况下,供应网络尤其是气体供应网络。在供应网络是远距离供热网络的情况下,传递介质、也即所述流体大多是热水,较罕见地也可以是蒸汽。
所述供应网络包括一系列的管道,这些管道也被称为管线路或者仅称为管线。这些管道被用于在此将流体引导至用户并且必要时再次引导流体离开这些用户。这些管道因此被设计用于,被流体穿流过。
在本专利申请的范畴内,在供应网络中的特定位置处的流量被理解为对于每时间段在相对应的位置处流过所述管道的横截面的流体的体积。所述管道的横截面在此通过其内径被设定。所述流量也被称为“体积流量”或“流量率”。所述流量具有SI单位m3/h。因此,在本专利申请的范畴内,所述流量指的是如下值,所述值表征和评定流量。因此,也可以将其称为“流量值”。
所述流量借助流量计被测量。流量计通常具有两个主要组件:真正的测量传感器,所述真正的测量传感器用作流量传感器;和评估和馈送部件,所述评估和馈送部件也称为传送器或测量变换器。流量计在本专利申请的范畴内也称为“传感器”。
自学习系统优选地被设计为人工神经元网络。该人工神经元网络具有如下人工神经元,这些人工神经元位于一个或多个层上并且彼此连接。人工神经元可以处理多个输入并且相应地经由其激活而进行反应。对此,所述输入以经加权的方式被传递给输出函数,所述输出函数对神经元激活进行计算。这些权重在自学习系统的训练阶段期间被连续适配,直至针对特定输入的输出尽可能精确地与目标值一致。
本领域技术人员知道其如何配置适合的自学习系统。针对适合的编程框架的示例是TensorFlow。TensorFlow是用于面向数据流编程的编程框架(英文:Framework)。所述框架例如从Python程序出发被使用并且以Python和C++实现。TensorFlow在机器学习的领域内尤其是被普遍用于自学习系统。TensorFlow原本由Google-Brain团队针对Google内部需求而开发并且之后在Apache-2.0-开源软件许可下被发布。在该研究中以及在生产运营中,TensorFlow当前由不同团队在Google商业产品中、例如语音识别、Gmail、Google照片和Google搜索中使用。地图服务Maps也通过分析从街景记录的照片而得以改善,其中这些照片借助于基于TensorFlow的人工智能而被分析。这些产品其中的许多产品都在较早前使用前身软件DistBelief。
对自学习系统的训练包括以下步骤:
在第一步骤i)中,在供应网络中的多个第一位置处借助流量计测量相应的流量,其中所述流量计在本专利申请的范畴内也称为传感器并且优选地在每个第一位置(也称为:测量位置)都有这些传感器其中之一。在不同的第一位置处所测量的流量的集合形成了用于该自学习系统的输入数据。
在第二步骤ii)中,自学习系统、也即通常为人工神经元网络基于在步骤i)中所收集的输入数据而确定输出值。所述输出值当前具体而言是在相应位置(即所谓的第二位置)处的流量,即流量值。
在第三步骤iii)中,将由自学习系统确定的在第二位置处的流量与目标值比较并且在第四步骤iv)中在考虑之前步骤中所进行的比较的情况下适配自学习系统。用于训练自学习系统正确预测在特定位置处的流量的学习方法被设计为监督式学习(英文:supervised learning)。在监督式学习中,给人工神经元网络提供输入模式并且将神经元网络在其当前状态下所产生的输出与实际应输出的值进行比较。通过比较额定输出和实际输出,可以推论出对网络配置应进行的改变。在单层的神经元网络中可以应用Delta规则(也称为感知器学习规则(Perzeptron-Lernregel))。多层神经元网络通常利用错误反馈(英文:Backpropagation(反向传播))而被训练,这是Delta规则的概括化。
在第一种替代方案中,目标值由在自学习系统应预测流量的那个位置处的实际测量的流量组成。换言之,由自学习系统所预测的在第二位置处的流量被与借助相对应的传感器所测量的实际存在的流量相比较。
对目标值的所述选择具有如下优点:能够快速且准确地获得目标值。所述目标值是可快速得到的,因为为此仅需要利用相对应的传感器对流量进行测量。借助传感器所测量的目标值取决于传感器的性能和质量地是高度准确的,因为该目标值被直接测量并且因此使得可能的错误源是最小的。
在第二种替代方案中,目标值并非被直接测量,而是借助模拟来确定。由自学习系统预测的在特定位置处的流量因此被与借助模拟而计算的所述位置处的流量比较。对于训练阶段成功、尤其是经训练的系统在运行中能够被成功使用而言的决定性条件是模拟的质量。因为所述模拟所计算的流量在自学习系统的训练期间被用作目标值,因此经模拟的流量应该以高度可靠性和准确性再现实际情况。换言之,信任所述模拟有能力针对不同输入数据而精确计算实际流量值。
分析式或以基于模型的方式而计算的目标值的优势在于,在训练阶段期间不需要在相应位置处的传感器以及流量测量。然而,在运行期间,传感器和流量测量则是不可避免的,这是因为在所述运行期间必须将由经训练的系统所预测的流量与实际存在的流量相比较,并且应通过在相对应的位置处的实际测量而确定所述实际存在的流量。
针对流体是水的这种情况,在模拟中也涉及到水力模拟。
一般而言,模拟的输入、也就是说所述模拟的输入数据越大量且越精确,则所述模拟就越精确。作为针对供应网络的输入数据,考虑例如网络的拓扑。所述拓扑理解为管道的包括节点放置在内的布置和性质,其中三个以上的管道在所述节点中相遇。所需的其他输入数据是与供应网络连接的用户被放置的位置以及用户的类型。对于精确模拟而言所需的或者至少有很大用处的其他输入数据是所述管道的属性、诸如所述管道的直径或所述管道的流阻。最后,针对不同类型的用户而需要某一种等效消耗分布。因为出于实践理由和数据保护法律的理由而不能够将用户的实际消耗采用作为输入,因此所述模拟通常基于的是代表性的消耗、即所谓的等效消耗分布。例如可以针对单户住宅、(具有住房单元说明的)多户住宅、小型企业、医院等等使用各一个等效消耗分布。
有利地,在训练阶段期间快速提供针对相对应的输入数据的目标值,因为由此能够最小化训练阶段的时长。为此,可以有利的是,在确定目标值之前减少模拟的输入数据。这可以例如借助级数展开而进行。对于本领域技术人员而言对此已知相应的技术和行为方式;就此而论,仅仅示例性地提及主成分分析。
如果网络的拓扑例如由于用户中的显著变化或者由于在所敷设的管道中的变化而以显著程度发生变化,则必须重新训练该自学习系统。然而,该自学习系统通常可以预设有迄今为止所训练的系统的参数、例如权重,从而通常仅需要对所述参数进行相对快速的且不耗费的更新、也即经缩短的训练阶段。
回到本方法来训练自学习系统:所提及的步骤i)至iv被一直重复,直至达到预给定中止标准。所述中止标准可以例如在于:由自学习系统所确定的特定位置处的流量与所述位置处的 “真实”流量(即目标值)之间的差小于预给定阈值。换言之,这两个值应该一致或者仅有不明显的差别。为了确认自学习系统是鲁棒的并且在很宽的输入数据范围内可靠预测相对应的位置处的真实流量,中止标准还可以包括:关于预定数目的迭代的平均值应该低于针对所述差的预给定阈值。
如果满足该中止标准,则自学习系统不再进一步改变。在人工神经元网络的情况下,例如权重并不进一步适配于所述神经元网络,而是保持不变。
在该训练阶段之后,接着是经训练的系统的运行,其也能够被称为使用阶段。
在使用阶段的第一步骤a)中,测量在供应网络中的第一位置处通过管道的流体的流量。这基本上应该在与训练阶段期间相同的位置处发生。对此的背景是:所述经训练的系统针对在第一位置处所测量的流量已被训练,从而在使用阶段中也应仅利用来自所述第一位置的输入数据而使用所述系统。直白地说,通常并不能针对识别苹果而训练自学习网络,却将其加以利用来识别梨。
有利地,在运行期间,借助曾经在训练阶段中被用于给自学习系统输送了输入数据的相同的第一传感器确定所述流量。
在第二步骤b)中,经训练的系统基于在第一位置处正确测量的流量而预测在第二位置处的流量。如果所述自学习系统在训练阶段期间已被彻底地且全面地训练,则存在合理的预期:针对第二位置所预测的流量与真实情况一致。
为了对此进行检查,在第三步骤c)中借助传感器测量第二位置处的实际流量。如果在训练阶段期间已经借助测量而非借助模拟确定了目标值,则能够有利地在使用阶段期间针对第二位置处的流量测量而使用在训练期间已测量了第二位置处的流量的同一传感器。
在第四步骤d)中,确定在由经训练的系统所预测的流量与由第二传感器所测量的流量之间的差。其中一个值与其中另一个值的减法可以以计算机实现或者以控制技术实现。
在第五步骤e)中,当所述差超过预给定极限值时输出通知。换言之,当所述预测与针对该流量的测量并不一致或者这两个值彼此有明显偏差,则输出警告指示。如果假定经训练的系统的自身的预测正确,则预测和测量之间的显著偏差明显指示出:在自训练阶段起自身保持不变的供应网络拓扑的前提条件下,在训练阶段结束后在供应网络中出现泄漏。此外可以推论出:至少在第二位置的周围环境中必定有所述泄漏存在或者所述泄漏至少对其具有可测量的影响。
有利地,在供应网络中如此放置第一传感器,使得这些第一传感器的测量值彼此没有相关性。虽然在第一传感器的所测量的流量值与供应网络中另一第一传感器的流量值有相关性的情况下通常本身并没有危害,但是当这些传感器的测量值彼此没有相关性时这些传感器的最大效力才得以发挥。并不存在用于避免两个相邻传感器的相关性的普遍有效的规则。而是本领域技术人员有利地在具体的单个情况下如此选择对第一传感器的放置,使得这些第一传感器彼此没有相关性。
在本发明的一种实施方式中,并不仅仅关于潜在泄漏方面检查供应网络中的单个“第二位置”,而是针对多个第二位置执行该方法。对此再次重要的是:该自学习网络已经在训练阶段中针对多个第二位置而被训练,只有这样才能够使经训练的网络在运行中可靠地预测在多个第二位置处的相应流量。
在另一实施方式中,该供应网络具有n+m 个传感器,即n个第一传感器以及m个第二传感器。在该方法的第一部分中,所述自学习系统利用n个第一传感器而被这样训练,使得所述自学习系统正确地预测在m个第二传感器处的流量。接下来,在该方法的第二部分中,所述自学习系统被训练基于m个传感器(所述m个传感器现在作为第一传感器而起作用)的所测量的流量而预测在第二位置处起作用的n个第二传感器的流量。因此结束所述训练阶段并且接着是使用阶段。在此,所述供应网络首先鉴于m个第二传感器的m个位置处的泄漏方面被检查。接下来,交换角色,也即, n个曾经的第一传感器现在作为第二传感器而起作用,并且所述供应网络鉴于在现在的n个第二传感器处的n个位置处的泄漏方面被检查。
该方法的优势是:能够鉴于异常、也即泄漏方面检查所述供应网络的更多位置。除了所提及的n+m个传感器之外,该供应网络还可以具有在这两个训练阶段中作为第一传感器而起作用的其他传感器并且由此使得所述自学习系统更加鲁棒。
本发明并不仅仅涉及用于探测供应网络中的流体泄漏的方法,而是还涉及相对应的设备。具体而言,本发明涉及用于探测在供应网络中的流体泄漏的设备,所述供应网络具有管道、用于测量供应网络中的第一位置处的流体的流量的第一传感器和至少一个用于测量供应网络中的第二位置处的流体的流量的第二传感器,其中所述管道适合于被流体穿流过。该设备具有:
- 自学习系统,所述自学习系统已被训练用于预测在所述供应网络的预给定位置处的流量;
-第一检测单元,所述第一检测单元用于检测在供应网络中的第一位置处由第一传感器所测量的流体的流量;
- 预测单元,所述预测单元用于借助经训练的系统基于由所述第一检测单元所检测的在第一位置处的流量的值而预测在所述第二位置处的流量;
- 第二检测单元,所述第二检测单元用于借助位于第二位置处的第二传感器来检测在所述第二位置处的流体的实际流量;
- 确定单元,所述确定单元用于确定在所述第二位置处所测量的实际流量与由经训练的系统预测的在第二位置处的流量之间的差;和
- 输出单元,当所确定的所述差大于预给定极限值时,所述输出单元用于输出估计有泄漏的通知。
在用于探测泄漏的方法的上下文中已描述的本发明的特殊设计方案和变型能够相应地被转用于所述设备。
最后,本发明也涉及一种装置,所述装置具有如下组件:
-供应网络,所述供应网络具有管道、用于测量供应网络中的第一位置处的流体的流量的第一传感器和至少一个用于测量供应网络中的第二位置处的流体的流量的第二传感器,其中所述管道适合于被流体穿流过;和
- 如上所述的用于探测流体泄漏的设备。
附图说明
在下文,参照附图根据实施例来描述本发明。其中:
图1示出供应网络,所述供应网络与多个不同用户连接;
图2示出用于探测供应网络中的流体泄漏的设备的第一实施例;和
图3示出用于探测供应网络中的流体泄漏的设备的第二实施例。
具体实施方式
图1示例性并且示意性地示出用于对一排用户供应饮用水的供应网络10。所述供应网络因此是饮用水供应网络。当然,本发明不限于饮用水供应网络,而是能够同样应用于其他类型的供应网络。
在图1中示出测量区、在专业术语中大多称为“计量分区(DMA)”,所述测量区是上级饮用水供应网络的部分。在图1中示出的供应网络10具有仅一个唯一的进流13而不具有出流。该供应网络10包括数个管道11,其中在供应网络10的多个节点12处分别有三个或四个管道11相遇。为了更好的直观性,在图1中并非所有现有管道11和节点12都标有附图标记。
图1也示例性地示出一些用户,这些用户连接到该饮用水供应网络10。这些用户被划分成不同类别;在图1中示例性地示出多个单户住宅21、一个多户住宅22和工厂23。在实际情况中,在一个DMA中通常有至少几十个、常常有几百个并且有时有几千个用户连接到供应网络。为了更好的直观性,在图1中示例性地仅示出非常少量的连接到该供应网络10上的用户。
在图1中为了更好地图解本发明而因此强烈简化地示出供应网络10的拓扑、尤其是管道11的数目和分支以及连接到该供应网络10上的用户的数目和类型。
所示出的供应网络10并不具有(明确的)出流。然而,借助所述用户而出现:饮用水从所述供应网络10中的出流。然而,这些用户其中确切的相应用户出于实践理由和数据保护法律的理由而是未知的。所述供应网络10还具有三个第一传感器14。这些第一传感器14被设计为流量计并且能够测量在供应网络10中第一传感器14所位于的相应位置处通过该管道11的饮用水的流量。第一传感器14所位于的并且针对其而测量了相应流量的这些位置被称为第一位置。
所述供应网络10还具有其他传感器,所述其他传感器被称为第二传感器15。所述第二传感器15位于供应网络10中的所谓的第二位置处并且能够测量在所述第二位置处的流量。
本发明所基于的任务现在在于:在供应网络10的运行期间识别出在所述供应网络10中的可能的泄漏。换言之,因此应该探测出在所述供应网络10中的可能泄漏。
为此,本发明利用相对应的设备30。图2示出这种用于探测供应网络10中的流体泄漏的设备30的第一实施例。与此相对地,图3则示出了这种设备30的经略微改变的实施例。这两个实施例基本上在训练自学习系统SS期间使用不同目标值方面有区别。
首先,图2示出了与图1中相同的供应网络10。为了避免重复,针对该供应网络10和其上连接的用户的描述方面请参照图1。
图2此外示出供应网络10和其上连接的用户以及用于探测供应网络10中的流体泄漏的设备30。为此,这三个第一传感器14被连接到第一检测单元E1上。该第一检测单元E1被设计用于,检测由第一传感器14所测量的流量并转发。此外,图2示出了第二检测单元E2。该第二检测单元与第一检测单元E1类似地被设计用于,检测由供应网络10中的第二位置处的第二传感器15所测量的流量,并且一旦在过程中需要就将其转发到相应位置。
在训练期间,所述自学习系统SS在图2中所示的第一实施例中与第一检测单元E1和第二检测单元E2连接。这些连接在图1中作为虚线而可辨认。该第一检测单元E1提供输入数据,即在供应网络10中的第一位置处所测量的流量。自学习系统SS的任务在于:基于所述输入数据而预测或确定在供应网络中的其他位置处的(预期)流量。所述其他位置是已经提及的第二位置、即第二传感器15所位于的位置。在训练阶段开始时,由自学习系统SS确定的在第二位置处的流量通常与该位置处的实际流量尚不一致。为了对该自学习系统SS进行训练、即进行改善而应用监督式学习(英文:supervised learning)的方案。为此,将由自学习系统SS所确定的流量值与目标值比较。该目标值在本实施例中是在第二位置处实际测量的流量。有利地,利用第二传感器15而进行对所述位置处的流量的测量,其中所述第二传感器总归是为了在运行供应网络10期间执行该方法而需要的。
由第二传感器15所测量的流量被第二检测单元E2检测并转发给自学习系统SS。接下来,在自学习系统中将由第二传感器15所测量的流量值与之前确定的/预测的值相比较。如果一致性过小(如上文所述的那样,这尤其是在训练开始时可能是种惯例),则由第一传感器14测量新的流量值。自学习系统SS针对这些新的流量值而尝试尽可能正确地预测第二位置处的实际流量值。
有利的是,在第二轮次中由第一传感器14所测量的流量与在第一轮次中所测量的流量不同。如果在第一位置处所测量的流量因此非常类似或者甚至相同,则该自学习系统SS在第二轮次时基于从第一轮次中所学习的而在没有大问题的情况下正确地预测了第二位置处的流量。然而在运行中,自学习系统SS必须有能力针对在第一位置处的各种各样的流量而对所述第二位置处的流量作出正确预测。
轮次(或者说:迭代)的所描述的步骤因此是:测量第一位置处的流量;预测或确定所述第二位置处的流量;并且将所预测的流量与实际所测量的流量比较。
执行如此多的轮次,直至满足预给定中止标准。所述中止标准例如可以在于,针对十个相继进行的轮次,由自学习系统SS所确定的第二位置处的流量与(由位于第二位置处的第二传感器15所测量的)实际存在的流量之间的差别必须分别小于5%、尤其是小于2%、优选小于1%。
有利的是,将这种示例性提及的中止标准还与进一步的条件相关联,即,例如针对十个相继进行的轮次,在第一位置处所测量的流量涵盖很宽的值范围。这意味着,例如在每个第一传感器14所测量的最小流量与由同一第一传感器14所测量的最大流量之间存在的差异至少有100%。当然也能够设想更复杂的规定,以便在不同轮次中保证第一流量的大范围涵盖。
在训练阶段之后接着是供应网络10的如下运行,所述运行也称为使用阶段。在此情况下,再次测量在供应网络中的第一位置处的流量。这借助于第一传感器14而进行。所测量的流量值被第一检测单元E1检测并且转发给自学习系统SS,该自学习系统在本专利申请的范畴内在训练阶段结束后也被称为“经训练的系统”SS。在图1中,(为了与训练阶段期间的虚线连接区分)以实线而可辨识出:由第一检测单元E1检测的流量被转发给经学习的系统。
经训练的系统SS现在基于在第一位置处所测量的流量而关于供应网络10中的第二位置处的预期流量作出预测。所述预测由预测单元V作出。接下来,将所预测的在第二位置处的流量值与第二位置处的实际存在的流量值相比较,其中所述第二位置处的实际存在的流量值是借助第二传感器15所测量并由第二检测单元E2检测的。在所预测的流量值与实际存在的流量值之间的比较由确定单元B执行。在此简单地涉及到由这两个值中较大的值减去这两个值中较小的值。如此确定的差接下来被传递给输出单元。所述输出单元在所述差大于预给定极限值G的情况下输出通知。
相对应的通知的输出是针对供应网络10的运营者的提示:在供应网络10中存在泄漏,尤其是在所预测的流量与所测量的流量有偏差的第二位置的区域内存在泄漏。然而,针对这一推论的有效性的条件是:在训练阶段结束之后所述供应网络的拓扑以及连接到所述供应网络上的用户的数目和类型没有改变并且所述自学习系统SS已被可靠地且鲁棒地训练过。
如果所述供应网络10具有多个第二位置,这些第二位置都具有第二传感器15,并且将在多个第二位置处所预测的流量与所测量的流量进行比较,则能够基于所预测的流量与恰好在第二传感器(或者第二传感器的至少一个子集)处所测量的流量的偏差而不仅仅识别出潜在的泄漏而且也(在一定界限内)定位潜在的泄漏。然而,在大多情况下接下来需要利用其他方法而进行具体定位。
图3示出用于识别供应网络10中的流体泄漏的设备30的第二实施例。该设备30在训练自学习系统SS方面与第一实施例的设备30不同。
具体地,在第二实施例中,在训练阶段期间首先仅将在第一位置处所测量的流量从第一检测单元E1转发给自学习系统SS。所述自学习系统又说明了或者确定了在供应网络10中的第二位置处的预期流量。然而,所述预期流量在该方法的步骤iii)中并不直接与第二位置处所测量的流量进行比较,而是与在第二位置处所模拟的流量进行比较。因此,针对成功训练自学习系统SS而言非常重要的是:在第二位置处所模拟的流量是值得信赖的、也即正确的,这是因为所述经模拟的流量表示如下目标值,利用该目标值而训练所述自学习系统SS。如果所述目标值与实际情况不一致,则按照逻辑地经训练的系统SS也不能正确地反映或预测所述实际情况。
在饮用水供应网络的当前情况下,所述模拟SIM是水力模拟。为此,基于流体力学以分析式模拟或以基于模型的方式模拟所述供应网络中的流量和其他参数(例如压力、流速……)。水力模拟SIM的挑战通常在于:针对拓扑上相对简单的供应网络而言所述水力模拟就已经很快变得非常复杂。此外,通常针对水力模拟SIM需要一系列的输入数据IN。这些输入数据尤其是包括:拓扑,即管道11和节点12的布置和走向;在进入该供应网络10中的进流13处的流量;用户的布置和类型;各种用户类型的等效消耗分布、也即针对各种用户类型的典型的(或者说:代表性的)消耗分布;管道的属性、诸如摩擦系数或内径。
水力模拟SIM基于在所述第一位置处所测量的流量以及可供使用的输入数据IN而模拟在所述第二位置处的预期流量并将其转发给所述自学习系统SS。在第二位置处所模拟的流量用作为针对自学习系统SS的目标值并且用作为自学习系统SS已经如何好地被训练的尺度。
使用阶段或者供应网络的运行在第二实施例中与第一实施例相同地进行,因此而参考上文对所述使用阶段或者供应网络的运行的描述。
总而言之,应阐明:本发明提供了一种方法、设备和装置,利用所述方法、设备和装置以简单的方式和方法借助自学习系统而识别出在供应网络中的流体泄漏,并且在一些状况下也能够对其进行定位。
Claims (14)
1.一种用于探测供应网络(10)中的流体泄漏的方法,其中所述供应网络(10)具有:
管道(11),其中所述流体通过所述管道流动;
用于测量在所述供应网络(10)中的第一位置处的流体的流量的第一传感器(14);和
至少一个用于测量在所述供应网络(10)中的第二位置处的流体的流量的第二传感器(15),并且其中所述方法包括以下步骤:
a)借助所述第一传感器(14)测量在所述第一位置处的流体的流量;
b)借助自学习系统(SS)基于在步骤a)中所测量的在所述第一位置处的流量的值而预测在所述第二位置处的流量,其中所述自学习系统(SS)为此已被训练用于预测在所述供应网络(10)中的预给定位置处的流量;
c)借助位于所述第二位置处的所述第二传感器(15)而测量在所述第二位置处的流体的实际流量;
d) 确定在所述第二位置处测量的实际流量与由经训练的所述系统(SS)所预测的在所述第二位置处的流量之间的差;和
e)当所确定的所述差大于预给定极限值(G)时,输出估计有泄漏的通知。
2.根据权利要求1所述的方法,
其中所述自学习系统(SS)已借助如下步骤被训练:
i)在所述供应网络(10)中的所述第一位置处借助所述第一传感器(14)测量所述流体的流量;
ii)借助所述自学习系统(SS)基于在步骤i)中所测量的在所述第一位置处的流量的值而确定在所述第二位置处的流量;
iii)确定步骤ii)中所确定的流量与目标值之间的差;
iv)在考虑在步骤iii)中所确定的差的情况下适配所述自学习系统(SS)和
v)重复步骤i)至iv)直至达到预给定中止标准。
3.根据权利要求2所述的方法,
其中按照步骤i)至v)来训练所述自学习系统(SS)以及按照步骤a)至e)针对多个不同的第二位置执行所述泄漏的探测。
4.根据权利要求3所述的方法,
其中
- 在并不使用所述第一位置处的所述第一传感器(14)而是使用所述第二位置处的所述第二传感器(15)并且反之亦然的条件下,重复所述步骤i)至v);和
- 在并不使用所述第一位置处的所述第一传感器(14)而是使用所述第二位置处的所述第二传感器(15)并且反之亦然的条件下,重复所述步骤a)至e)。
5.根据权利要求2至4中任一项所述的方法,
其中所述中止标准在于:在步骤ii)中所确定的在所述第二位置处的流量与目标值之间的平均差低于预给定阈值。
6.根据上述权利要求其中任一项所述的方法,
其中所述目标值是由所述第二传感器(15)实际测量的在所述第二位置处通过所述管道(11)的流体的流量。
7.根据权利要求1至5其中任一项所述的方法,
其中所述目标值已借助模拟(SIM)而被确定。
8.根据权利要求7所述的方法,其中所述模拟作为输入数据(IN)而使用所述供应网络(10)的拓扑、用户的位置和类型以及针对每个用户使用等效消耗分布。
9.根据权利要求8所述的方法,
其中所述输入数据(IN)在确定所述目标值之前借助级数展开、尤其是主成分分析而被减少。
10.根据上述权利要求其中任一项所述的方法,其中所述方法也包括:将所述第一传感器(14)放置在所述供应网络(10)中的所述第一位置处,其中尤其是如此放置所述第一传感器(14),使得所述第一传感器的测量值彼此没有相关性。
11.根据上述权利要求其中任一项所述的方法,其中所述流体是水,并且所述供应网络(10)是饮用水供应网络或废水网络。
12.根据权利要求1至10其中任一项所述的方法,其中所述流体是气体并且所述供应网络(10)是气体供应网络或远距离供热网络。
13.一种用于探测供应网络(10)中的流体泄漏的设备(30),其中所述设备(30)具有管道(11)、用于测量所述供应网络(10)中的第一位置处的流体的流量的第一传感器(14)和至少一个用于测量所述供应网络(10)中的第二位置处的流体的流量的第二传感器(15),其中所述管道适合于被流体穿流过,其中所述设备(30)具有:
- 自学习系统(SS),所述自学习系统已被训练用于预测在所述供应网络(10)中的预给定位置处的流量;
-第一检测单元(E1),所述第一检测单元用于检测在所述供应网络(10)中的所述第一位置处由所述第一传感器(14)所测量的流体的流量;
- 预测单元(V),所述预测单元用于借助经训练的系统(SS)基于由所述第一检测单元(E1)所检测的在所述第一位置处的流量的值而预测在所述第二位置处的流量;
- 自学习系统,所述自学习系统已被训练用于预测在所述供应网络的预给定位置处的流量;
-第一检测单元,所述第一检测单元用于检测在供应网络中的第一位置处由第一传感器所测量的流体流量;
- 预测单元,所述预测单元用于借助经训练的系统基于由所述第一检测单元所检测的在第一位置处的流量的值而预测在所述第二位置处的流量;
- 第二检测单元(E2),所述第二检测单元用于借助位于所述第二位置处的所述第二传感器(15)而检测在所述第二位置处的流体的实际流量;
- 确定单元(B),所述确定单元用于确定在所述第二位置处所测量的实际流量与由经训练的所述系统(SS)预测的在所述第二位置处的流量之间的差;和
- 输出单元(A),当所确定的所述差大于预给定极限值(G)时,所述输出单元用于输出估计有泄漏的通知。
14.一种装置,所述装置包括:
- 供应网络(10),所述供应网络具有管道(11)、用于测量所述供应网络(10)中的第一位置处的流体的流量的第一传感器(14)和至少一个用于测量所述供应网络(10)中的第二位置处的流体的流量的第二传感器(15),其中所述管道适合于被流体穿流过;和
- 根据权利要求13所述的用于探测流体泄漏的设备(30)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19159114.8A EP3699569A1 (de) | 2019-02-25 | 2019-02-25 | Detektion einer leckage in einem versorgungsnetz |
EP19159114.8 | 2019-02-25 | ||
PCT/EP2020/054161 WO2020173750A1 (de) | 2019-02-25 | 2020-02-18 | Detektion einer leckage in einem versorgungsnetz |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113439201A true CN113439201A (zh) | 2021-09-24 |
Family
ID=65576214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080016608.7A Pending CN113439201A (zh) | 2019-02-25 | 2020-02-18 | 对供应网络中的泄漏的探测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220196512A1 (zh) |
EP (2) | EP3699569A1 (zh) |
CN (1) | CN113439201A (zh) |
WO (1) | WO2020173750A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11895809B2 (en) * | 2021-05-12 | 2024-02-06 | Nvidia Corporation | Intelligent leak sensor system for datacenter cooling systems |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130197833A1 (en) * | 2012-02-01 | 2013-08-01 | International Business Machines Corporation | Leak detection in a fluid distribution network |
CN103430002A (zh) * | 2011-01-30 | 2013-12-04 | 阿夸里乌斯光谱有限公司 | 管道网络中的泄漏检测的方法和系统 |
WO2015082245A1 (de) * | 2013-12-03 | 2015-06-11 | Siemens Aktiengesellschaft | Verfahren zum detektieren von leckagen in einem netzwerk, vorrichtung und netzwerk |
CN106462129A (zh) * | 2014-03-21 | 2017-02-22 | 西门子公司 | 用于供应网络中的压力控制的方法、装置及供应网络 |
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 |
US20180136076A1 (en) * | 2015-05-13 | 2018-05-17 | Nec Corporation | Water-leak state estimation system, method, and recording medium |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11715001B2 (en) * | 2018-04-02 | 2023-08-01 | International Business Machines Corporation | Water quality prediction |
-
2019
- 2019-02-25 EP EP19159114.8A patent/EP3699569A1/de not_active Withdrawn
-
2020
- 2020-02-18 US US17/433,157 patent/US20220196512A1/en active Pending
- 2020-02-18 CN CN202080016608.7A patent/CN113439201A/zh active Pending
- 2020-02-18 WO PCT/EP2020/054161 patent/WO2020173750A1/de unknown
- 2020-02-18 EP EP20707014.5A patent/EP3906397A1/de active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103430002A (zh) * | 2011-01-30 | 2013-12-04 | 阿夸里乌斯光谱有限公司 | 管道网络中的泄漏检测的方法和系统 |
US20130197833A1 (en) * | 2012-02-01 | 2013-08-01 | International Business Machines Corporation | Leak detection in a fluid distribution network |
WO2015082245A1 (de) * | 2013-12-03 | 2015-06-11 | Siemens Aktiengesellschaft | Verfahren zum detektieren von leckagen in einem netzwerk, vorrichtung und netzwerk |
CN106462129A (zh) * | 2014-03-21 | 2017-02-22 | 西门子公司 | 用于供应网络中的压力控制的方法、装置及供应网络 |
US20180136076A1 (en) * | 2015-05-13 | 2018-05-17 | Nec Corporation | Water-leak state estimation system, method, and recording medium |
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 |
US20190004484A1 (en) * | 2015-06-29 | 2019-01-03 | Suez Groupe | Combined method for detecting anomalies in a water distribution system |
Also Published As
Publication number | Publication date |
---|---|
WO2020173750A1 (de) | 2020-09-03 |
EP3699569A1 (de) | 2020-08-26 |
US20220196512A1 (en) | 2022-06-23 |
EP3906397A1 (de) | 2021-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Leakage zone identification in large-scale water distribution systems using multiclass support vector machines | |
Zaman et al. | A review of leakage detection strategies for pressurised pipeline in steady-state | |
Sanz et al. | Leak detection and localization through demand components calibration | |
Palau et al. | Burst detection in water networks using principal component analysis | |
Mounce et al. | A neural network approach to burst detection | |
Wu et al. | Water loss detection via genetic algorithm optimization-based model calibration | |
US11906987B2 (en) | Pressure control in a supply grid | |
Shoeibi Omrani et al. | Improving the accuracy of virtual flow metering and back-allocation through machine learning | |
Tao et al. | Burst detection using an artificial immune network in water-distribution systems | |
Wan et al. | Literature review of data analytics for leak detection in water distribution networks: A focus on pressure and flow smart sensors | |
Geng et al. | A novel leakage-detection method based on sensitivity matrix of pipe flow: case study of water distribution systems | |
Romano et al. | Evolutionary algorithm and expectation maximization strategies for improved detection of pipe bursts and other events in water distribution systems | |
WO2018132137A1 (en) | Method and apparatus for model-based leak detection of a pipe network | |
Bohorquez et al. | Merging fluid transient waves and artificial neural networks for burst detection and identification in pipelines | |
Kammoun et al. | Leak detection methods in water distribution networks: a comparative survey on artificial intelligence applications | |
Li et al. | Fast detection and localization of multiple leaks in water distribution network jointly driven by simulation and machine learning | |
CN116562509B (zh) | 超声波计量装置远程管控方法与智慧燃气物联网系统 | |
KR102413399B1 (ko) | 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템 | |
Wu et al. | Distance-based burst detection using multiple pressure sensors in district metering areas | |
Kutyłowska | Prediction of failure frequency of water-pipe network in the selected city | |
JP2022552498A (ja) | 漏洩検出方法 | |
CN113439201A (zh) | 对供应网络中的泄漏的探测 | |
Romano et al. | Burst detection and location in water distribution systems | |
Junior et al. | ARX modeling approach to leak detection and diagnosis | |
Okeya et al. | Locating pipe bursts in a district metered area via online hydraulic modelling |
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 |