JP7452311B2

JP7452311B2 - 漏水検出装置及び漏水検出方法

Info

Publication number: JP7452311B2
Application number: JP2020128999A
Authority: JP
Inventors: 雄喜木村; 一芳川内; 寿光石母田; 正一鮫島; 栄萩原; 誠庭川
Original assignee: Meidensha Corp
Current assignee: Meidensha Corp
Priority date: 2020-07-30
Filing date: 2020-07-30
Publication date: 2024-03-19
Anticipated expiration: 2040-07-30
Also published as: JP2022025861A

Description

本発明は、漏水検出装置及び漏水検出方法に関する。

従来、水道配水プロセス内の配管に生じた漏水を検出する技術が求められている。
従来技術の一例である特許文献１には、複数の予測判定方式の各々を用いて、複数の予測判定方式に応じたデータ範囲の、監視対象プロセスのセンサの計測値に基づいて、判定時刻におけるセンサの第１の計測値の予測値を予測し、予測値と判定時刻における第１の計測値との差、及び、予測値の上限値と下限値との範囲外の第１の計測値、の少なくとも一方に基づいて、監視対象プロセスの異常を判定し、複数の予測判定方式の、異常を判定した異常判定結果が含む異常が影響を及ぼす第２の計測値を影響データとして含む範囲を影響データ範囲として選定し、異常判定結果のうち影響データ範囲に含まれる影響データに基づいた異常判定結果の信頼度を下げて複数の予測判定方式の前記異常判定結果を統合し、統合した異常判定結果を出力する技術が開示されている。

特許第６６０５３５７号公報

しかしながら、上記の従来技術は、データに即した予測に改善の余地がある。

本発明は、上記に鑑みてなされたものであって、より高精度な漏水の検出が可能な技術を提供することを目的とする。

上述の課題を解決して目的を達成する本発明は、検出対象の水道配水プロセスの流量及び圧力の時系列データを蓄積するデータ蓄積部と、前記時系列データから学習対象データを取得する学習データ取得部と、前記水道配水プロセスにおける漏水の判定対象データを取得する判定対象データ取得部と、前記学習対象データを畳み込みニューラルネットワークによる学習可能に変換し、前記判定対象データを判定可能に変換するデータ変換部と、前記データ変換部で変換された変換済み学習対象データを用いて学習することでモデルパラメータを更新する学習パラメータ更新部と、前記学習パラメータ更新部で更新された更新済み学習パラメータを記憶する学習パラメータ記憶部と、前記データ変換部で変換された変換済み判定対象データ及び前記更新済み学習パラメータを用いて畳み込みニューラルネットワークにより推定した推定値と実測値との差分を算出し、この差分により異常を判定し、異常である場合には前記水道配水プロセス内に漏水ありと判定する漏水判定部と、を備える漏水検出装置である。

上記構成の本発明において、前記データ変換部は、前記時系列データをフーリエ変換したフーリエ変換済みデータを、時間と周波数との２次元データに変換することが好ましい。

又は、上記構成の本発明において、前記データ変換部は、前記時系列データをWavelet変換したWavelet変換済みデータを、日数と時刻と基底関数の個数との３次元データに変換することが好ましい。

又は、本発明は、検出対象の水道配水プロセスの流量及び圧力の時系列データを蓄積すること、前記時系列データから学習対象データを取得すること、前記学習対象データを畳み込みニューラルネットワークによる学習可能に変換すること、前記変換された変換済み学習対象データを用いて学習することでモデルパラメータを更新すること、前記更新された更新済み学習パラメータを記憶すること、前記水道配水プロセスにおける漏水の判定対象データを取得すること、前記判定対象データを判定可能に変換すること、前記変換された変換済み判定対象データ及び前記更新済み学習パラメータを用いて畳み込みニューラルネットワークにより推定した推定値と実測値との差分を算出すること、及び前記差分により異常を判定し、異常である場合には前記水道配水プロセス内に漏水ありと判定すること、を備える漏水検出方法である。

本発明によれば、より高精度な漏水の検出が可能な技術を提供することができる。

図１は、実施形態１に係る漏水検出装置１００の構成を示すブロック図である。図２は、実施形態１に係る漏水検出装置の処理を示すフローチャートである。図３は、実施形態１におけるデータ変換結果を示す図である。図４は、実施形態１における学習モデルのイメージを示す図である。図５は、実施形態２におけるデータ変換結果を示す図である。図６は、実施形態２における学習モデルのイメージを示す図である。図７は、実施形態３におけるデータ変換結果を示す図である。図８は、実施形態３における３次元入力データのイメージを示す図である。図９は、実施形態３における学習モデルのイメージを示す図である。

以下、添付図面を参照して、本発明を実施するための形態について説明する。
ただし、本発明は、以下の実施形態の記載によって限定解釈されるものではない。

（実施形態１）
図１は、本実施形態に係る漏水検出装置の構成を示すブロック図である。
図１に示す漏水検出装置１００は、データ蓄積部１０１と、学習データ取得部１０２と、判定対象データ取得部１０３と、データ変換部１０４と、学習パラメータ更新部１０５と、学習パラメータ記憶部１０６と、漏水判定部１０７と、を備える。

図２は、本実施形態に係る漏水検出装置１００の処理を示すフローチャートである。
図２（Ａ）は、学習処理フローを示し、図２（Ｂ）は、判定処理フローを示す。

まず、学習処理フロー処理について説明する。
図２（Ａ）に示す学習処理フローでは、処理を開始すると、データ蓄積部１０１は、検出対象の水道配水プロセスの流量及び圧力の時系列データを蓄積する（Ｓ１１）。
学習データ取得部１０２は、データ蓄積部１０１に蓄積された時系列データから学習対象データを取得する（Ｓ１２）。

データ変換部１０４は、学習対象データを学習可能に変換する（Ｓ１３）。
ここで、学習対象データの変換は、畳み込みニューラルネットワークによる学習が可能となるように行う。

図３は、本実施形態におけるＳ１３のデータ変換結果を示す図である。
本実施形態におけるデータ変換部１０４は、時系列データである学習対象データを単に直近Ｄ日分及び直近ｎ時刻分のサイズ（Ｄ×ｎ）の二次元データに変換する。
図３においては、例えば、直近３０日分のデータに対し、１５分刻みの解像度で直近２４時間分のデータを入力とする場合には、サイズ（３０×９６）の二次元データに変換される。
この二次元データが畳み込みニューラルネットワークの入力となる。
データ変換部１０４は、この入力データを１日に行う判定の回数分だけ作成する。
すなわち、漏水検出装置１００が１５分おきに判定を行う場合には、学習モデル生成用に９６個の入力データを要する。

学習パラメータ更新部１０５は、データ変換部１０４で変換された変換済み学習対象データを入力として用いて学習する（Ｓ１４）。
この学習は、畳み込みニューラルネットワークにより行われ、この学習によりモデルパラメータが更新される。

図４は、本実施形態におけるＳ１４の学習モデルのイメージを示す図である。
本実施形態における学習パラメータ更新部１０５は、畳み込みニューラルネットワークにより、判定対象時刻から直近ｎ時刻分の時系列データを推定するモデルを生成する。
学習パラメータ更新部１０５は、データ変換部１０４により生成した直近Ｄ日分及び直近ｎ時刻分のサイズ（Ｄ×ｎ）の二次元データを入力とし、直近ｎ時刻分の時系列データを目的変数として学習する。
学習パラメータ更新部１０５が生成する学習モデルの数は、１日の間に判定する回数とする。
学習パラメータ更新部１０５は、例えば、１時間おきに判定を行う場合には２４個の学習モデルを、１５分おきに判定する場合には９６個の学習モデルを生成する。

学習パラメータ記憶部１０６は、学習パラメータ更新部１０５で更新された更新済み学習パラメータを記憶する（Ｓ１５）。

まず、学習処理フローについて説明する。
図２（Ｂ）に示す判定処理フローでは、処理を開始すると、判定対象データ取得部１０３は、検出対象の水道配水プロセスにおける漏水の判定対象データを取得する（Ｓ２１）。
データ変換部１０４は、判定対象データを判定可能に変換する（Ｓ２２）。

漏水判定部１０７は、データ変換部１０４で変換された変換済み判定対象データ及び更新済み学習パラメータを用いて検出対象の水道配水プロセス内の漏水を判定する（Ｓ２３）。
Ｓ２３の漏水の判定では、漏水判定部１０７は、まず、畳み込みニューラルネットワークにより判定対象時刻から直近ｎ時刻分の時系列データを推定する。
漏水判定部１０７は、この畳み込みニューラルネットワークによる推定値と実際のｎ時刻分の実測値との差分を算出し、この差分により異常を判定し、異常である場合には漏水有りと判定する。
ここで、推定値と実測値との差分の定量化は、ｎ個の差分の最大値、平均誤差又は平均自乗誤差等により行えばよい。

従来技術では、データに即した特徴量の抽出は行っておらず、データに即した予測に改善の余地があった。
本実施形態によれば、畳み込みニューラルネットワークを用いて深層学習を行うことで、データに即した特徴量の抽出を自然に行うことが可能となり、データに即した高精度な漏水の検出が可能となる。
また、従来技術によれば、複数の予測判定方式を用いているため、用いる予測判定方式の数に応じて計算負荷が増大するという問題があったが、本実施形態によれば、複数の予測判定方式を用いていないため、計算負荷を抑えることができる。

（実施形態２）
実施形態１においては、時系列データである学習対象データを単に直近Ｄ日分及び直近ｎ時刻分のサイズ（Ｄ×ｎ）の二次元データに変換して畳み込みニューラルネットワークの入力データとしているが、本発明はこれに限定されるものではない。
本実施形態においては、ノイズの影響を抑えることが可能な形態について説明する。

なお、本実施形態に係る漏水検出装置は、実施形態１のデータ変換部１０４に代えてデータ変換部１０４ａを備え、実施形態１の学習パラメータ更新部１０５に代えて学習パラメータ更新部１０５ａを備える点のみが異なり、その他については実施形態１と同じであるため、図示を省略し、実施形態１の説明を援用する。

データ変換部１０４ａは、学習対象データを学習可能に変換し（Ｓ１３）、判定対象データを判定可能に変換する（Ｓ２２）。
ここで、学習対象データの変換は、データ変換部１０４と同様に、畳み込みニューラルネットワークによる学習が可能となるように行う。

図５は、本実施形態におけるＳ１３のデータ変換結果を示す図である。
図５において、例えば、現在から過去４週間前まで遡った２４時間毎、１時間刻みの直近４週間分の時系列データ（４×７×２４時間＝６７２レコード）に対し、フーリエ変換による周波数分解を適用すると、図５右側に示すスペクトログラム表示の時間方向すなわち縦軸方向の長さは、６７２÷２４＝２８となる。
また、横軸の周波数成分として周波数が１／２４，１／４８，１／６０，１／６４８，１／６７２のときの振幅を抽出すると、横軸方向の長さも２８となり、縦２８×横２８のスペクトログラム表示が得られる。

学習パラメータ更新部１０５ａは、データ変換部１０４ａで変換された変換済み学習対象データを用いて学習する（Ｓ１４）。
この学習は、学習パラメータ更新部１０５と同様に、畳み込みニューラルネットワークにより行われ、この学習によりモデルパラメータが更新される。

図６は、本実施形態におけるＳ１４の学習モデルのイメージを示す図である。
図６では、入力データのみが図４と異なっている。

本実施形態の漏水検出装置のデータ変換部１０４ａは、時系列データをフーリエ変換したフーリエ変換済みデータを、時間と周波数との２次元データに変換するものである。
このように、本実施形態によれば、実施形態１の効果に加えて、入力データをフーリエ変換することによって、支配的でない周波数成分の重み係数を小さくし、ノイズの影響を抑えることができる。

（実施形態３）
実施形態１においては、時系列データである学習対象データを単に直近Ｄ日分及び直近ｎ時刻分のサイズ（Ｄ×ｎ）の二次元データに変換して畳み込みニューラルネットワークの入力データとし、実施形態２ではフーリエ変換を適用しているが、本発明はこれらに限定されるものではない。
本実施形態においては、実施形態２でフーリエ変換時に消失するデータを残すことが可能な形態について説明する。

なお、本実施形態に係る漏水検出装置は、実施形態１のデータ変換部１０４に代えてデータ変換部１０４ｂを備え、実施形態１の学習パラメータ更新部１０５に代えて学習パラメータ更新部１０５ｂを備える点のみが異なり、その他については実施形態１と同じであるため、図示を省略し、実施形態１の説明を援用する。

データ変換部１０４ｂは、学習対象データを学習可能に変換し（Ｓ１３）、判定対象データを判定可能に変換する（Ｓ２２）。
ここで、学習対象データの変換は、データ変換部１０４，１０４ａと同様に、畳み込みニューラルネットワークによる学習が可能となるように行う。

図７は、本実施形態におけるＳ１３のデータ変換結果を示す図である。
本実施形態におけるデータ変換部１０４ｂは、Wavelet変換を用いてデータ変換を行う。
実施形態２において用いるフーリエ変換では、変換結果は１次元ベクトルデータであるが、本実施形態において用いるWavelet変換では、変換結果が基底関数の数と時刻との２次元データとして得られる。
これは、基底関数ごとに各時刻に対応する係数値が得られるからである。

直近Ｄ日分を入力して使用する場合には、例えば、直近ｎ時刻分のデータに対してｋ個の基底関数でWavelet変換すると、サイズ（ｎ×ｋ×Ｄ）の３次元データになる。
図８は、本実施形態における３次元入力データのイメージを示す図である。

学習パラメータ更新部１０５ｂは、データ変換部１０４ｂで変換された変換済み学習対象データを入力として用いて学習する（Ｓ１４）。
この学習は、畳み込みニューラルネットワークにより行われ、この学習によりモデルパラメータが更新される。

図９は、本実施形態におけるＳ１４の学習モデルのイメージを示す図である。
図９に示すように、本実施形態では、Wavelet変換された入力データが入力され、１日分の流量データの経時変化が出力される。

本実施形態の漏水検出装置のデータ変換部１０４ｂは、時系列データをWavelet変換したWavelet変換済みデータを、日数と時刻と基底関数の個数との３次元データに変換するものである。
このように、本実施形態によれば、フーリエ変換時に消失するデータを残すことが可能となり、これらを活用することが可能となる。

なお、本発明は、上述の実施形態に限定されるものではなく、上述の構成に対して、構成要素の付加、削除又は転換を行った様々な変形例も含むものとする。

１００漏水検出装置
１０１データ蓄積部
１０２学習対象データ取得部
１０３判定対象データ取得部
１０４データ変換部
１０５学習パラメータ更新部
１０６学習パラメータ記憶部
１０７漏水判定部

Claims

検出対象の水道配水プロセスの流量及び圧力の時系列データを蓄積するデータ蓄積部と、
前記時系列データから学習対象データを取得する学習データ取得部と、
前記時系列データから前記水道配水プロセスにおける漏水の判定対象データを取得する判定対象データ取得部と、
前記学習対象データを畳み込みニューラルネットワークによる学習可能に変換し、前記判定対象データを判定可能に変換するデータ変換部と、
前記データ変換部で変換された変換済み学習対象データを用いて学習することでモデルパラメータを更新する学習パラメータ更新部と、
前記学習パラメータ更新部で更新された更新済み学習パラメータを記憶する学習パラメータ記憶部と、
前記データ変換部で変換された変換済み判定対象データ及び前記更新済み学習パラメータを用いて畳み込みニューラルネットワークにより推定した推定値と実測値との差分を算出し、この差分により異常を判定し、異常である場合には前記水道配水プロセス内に漏水ありと判定する漏水判定部と、を備える漏水検出装置。
前記データ変換部は、前記時系列データをフーリエ変換したフーリエ変換済みデータを、時間と周波数との２次元データに変換する請求項１に記載の漏水検出装置。
前記データ変換部は、前記時系列データをWavelet変換したWavelet変換済みデータを、日数と時刻と基底関数の個数との３次元データに変換する請求項１に記載の漏水検出装置。
検出対象の水道配水プロセスの流量及び圧力の時系列データを蓄積すること、
前記時系列データから学習対象データを取得すること、
前記学習対象データを畳み込みニューラルネットワークによる学習可能に変換すること、
前記変換された変換済み学習対象データを用いて学習することでモデルパラメータを更新すること、
前記更新された更新済み学習パラメータを記憶すること、
前記時系列データから前記水道配水プロセスにおける漏水の判定対象データを取得すること、
前記判定対象データを判定可能に変換すること、
前記変換された変換済み判定対象データ及び前記更新済み学習パラメータを用いて畳み込みニューラルネットワークにより推定した推定値と実測値との差分を算出すること、及び
前記差分により異常を判定し、異常である場合には前記水道配水プロセス内に漏水ありと判定すること、を備える漏水検出方法。