KR20230137021A - detecting method and system of pipe abnormality using artificial intelligence - Google Patents
detecting method and system of pipe abnormality using artificial intelligence Download PDFInfo
- Publication number
- KR20230137021A KR20230137021A KR1020220034605A KR20220034605A KR20230137021A KR 20230137021 A KR20230137021 A KR 20230137021A KR 1020220034605 A KR1020220034605 A KR 1020220034605A KR 20220034605 A KR20220034605 A KR 20220034605A KR 20230137021 A KR20230137021 A KR 20230137021A
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- measurement data
- pressure measurement
- actual pressure
- stored
- Prior art date
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title description 16
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 91
- 239000012530 fluid Substances 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000012546 transfer Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 30
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005206 flow analysis Methods 0.000 description 3
- 238000009428 plumbing Methods 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01M3/2815—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 using pressure measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Abstract
고장 판단의 정확성이 개선되도록, 본 발명은 유체가 이동하는 유체이동관에 연결된 압력센서에서 시간에 따른 압력실측데이터를 센싱시간 단위로 센싱하되 복수의 센싱시간의 합산단위로 설정되는 제1저장시간 단위로 서버부에 저장하는 제1단계; 상기 압력실측데이터와, 상기 유체이동관 내부에서 유체가 정상상태에서 이동시의 시간에 따른 압력변화데이터로서 상기 서버부에 기저장된 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인지 연산부가 비교 판단하는 제2단계; 및 상기 차이값이 상기 스레숄드 임계값 이상인 경우 압력의 순간적인 이상 변화가 저장되도록 상기 압력실측데이터를 상기 제1저장시간 단위보다 조밀한 제2저장시간 단위로 상기 서버부에 저장하는 제3단계를 포함하는 인공지능을 이용한 배관이상 탐지 방법을 제공한다.In order to improve the accuracy of failure determination, the present invention senses actual pressure measurement data over time in a sensing time unit from a pressure sensor connected to a fluid transfer pipe through which fluid moves, and uses a first storage time unit set as the sum of a plurality of sensing times. The first step of storing it in the server unit; The calculation unit compares whether the difference between the actual pressure measurement data and the steady-state reference average data pre-stored in the server unit as pressure change data over time when the fluid moves in a steady state inside the fluid transfer pipe is greater than or equal to a preset threshold threshold. The second step of judging; and a third step of storing the actual pressure measurement data in the server unit in a second storage time unit denser than the first storage time unit so that the instantaneous abnormal change in pressure is stored when the difference value is greater than the threshold value. Provides a pipe abnormality detection method using artificial intelligence, including:
Description
본 발명은 인공지능을 이용한 배관이상 탐지 방법 및 시스템에 관한 것으로, 보다 상세하게는 고장 판단의 정확성이 개선되는 인공지능을 이용한 배관이상 탐지 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for detecting piping abnormalities using artificial intelligence, and more specifically, to a method and system for detecting piping abnormalities using artificial intelligence that improves the accuracy of failure determination.
일반적으로, 수돗물은 정수장에서 정수 처리된 뒤, 시의 경우 각 구별로 큰 관을 통해 공급되고, 각 구에서는 중블록, 소블록 등으로 분류되어 수도배관을 따라 공급되고 있다.In general, tap water is purified at a water purification plant and then supplied through large pipes to each city, and in each district, it is classified into medium blocks, small blocks, etc. and supplied along water pipes.
여기서, 수도배관은 해당 목적지의 거리까지의 주배관와, 주배관에서 분기된 보조배관 등으로 나누어져서 최종적인 건물이나 주택까지 공급된다. 이러한 수도배관에서 누수가 발생되는 경우에 각각의 구역으로 분배된 배관들로 인하여 누수를 감지하는 데에 어려운 점이 있다.Here, the water pipe is divided into a main pipe that reaches the distance to the destination and an auxiliary pipe that branches off from the main pipe and is supplied to the final building or house. When a water leak occurs in such a water pipe, it is difficult to detect the water leak due to the pipes distributed to each area.
이때, 수도배관은 어떤 지점이 파손되거나 또는 누수가 발생되었을 때 상수도 배관 내부를 따라 유동하는 유체가 파손 지점 또는 누수 지점을 통과할 때 누수음이 발생된다.At this time, when a water pipe is damaged at a certain point or a water leak occurs, a water leak sound is generated when the fluid flowing along the inside of the water pipe passes through the broken point or water leak point.
최근, 상수도 시설물의 상태를 조사하여 단수 보수/보강하는 사후대응형 관리에서 자산의 정량적 평가를 통해 시설물의 상태 및 노후도를 파악하여 체계적이고 효율적인 유지관리를 수행하는 사전예방형 관리로 전환 추세이다.Recently, there has been a shift from reactive management, which investigates the condition of water supply facilities and repairs/reinforces water supply, to proactive management, which conducts systematic and efficient maintenance by identifying the condition and deterioration of the facility through quantitative assessment of assets. .
여기서, 국내 7대 지하 시설물 중 하나인 상수도 관망은 지하에 광범위하게 매설되어 있어 시설물관리에 매우 취약한 상황이며, 갑작스런 대형 상수도관 파열로 인한 누수사고는 불편을 넘어 시민의 안전에도 위협적인 문제이다.Here, the water supply pipe network, one of the seven major underground facilities in Korea, is extensively buried underground, making facility management very vulnerable, and water leakage accidents due to sudden rupture of large water pipes are not only an inconvenience but also a threat to the safety of citizens.
또한, 현재 수도법에 의해 정기적인 기술진단이 이루어지고는 있으나, 단순조사(관망 구성의 적정성, 용량, 수압의 균등성 등)에 그치고 있어, 실시간으로 관 파손 등 사고의 위험성을 사전에 평가하여 대처할 수 있는 방안이 필요하다. In addition, although regular technical diagnosis is currently being conducted according to the Waterworks Act, it is limited to a simple survey (adequacy of pipe network configuration, capacity, water pressure uniformity, etc.), making it possible to assess and respond in advance to the risk of accidents such as pipe damage in real time. A solution is needed.
여기서, 종래에는 일반 상수도 관망에서 수충격 발생시 빠른 속도로 이동하는 압력파(Pressure Wave)를 기설정된 주기마다 센서를 통해 감지하는 방식으로 누수를 감지하였다. Here, in the past, water leaks were detected by detecting pressure waves that move at high speed when a water shock occurs in a general water supply pipe network through a sensor at preset intervals.
이때, 수충격이 발생한 경우 압력파의 이동 속도는 1000~1,700m/s이므로 압력파의 데이터 획득이 최소 100Hz이상의 빈도로 이뤄져야 배관 사고 상황에 대한 정확한 모니터링이 가능하며, 정확한 정보를 획득하기 위해서는 데이터 관측 빈도수가 높은 데이터 저장이 선행되어야 한다.At this time, when a water impact occurs, the moving speed of the pressure wave is 1000~1,700 m/s, so the pressure wave data must be acquired at a frequency of at least 100 Hz to enable accurate monitoring of the pipe accident situation. In order to obtain accurate information, the data must be obtained. Storage of data with high observation frequency should take precedence.
그러나, 종래에는 기설정된 주기의 압력파의 감지 시점 사이에 순간적으로 압력파가 발생하는 경우 실제 압력파를 센서가 인지하지 못하여 실제와는 동떨어진 데이터가 획득됨에 따라 누수 감지의 정밀도 및 신뢰도가 저하되는 문제점이 있었다.However, conventionally, when a pressure wave occurs momentarily between the detection points of the pressure wave at a preset period, the sensor does not recognize the actual pressure wave, and data that is far from the actual is obtained, which reduces the precision and reliability of water leak detection. There was a problem.
상기와 같은 문제점을 해결하기 위하여, 본 발명은 고장 판단의 정확성이 개선되는 인공지능을 이용한 배관이상 탐지 방법 및 시스템을 제공하는 것을 해결과제로 한다.In order to solve the above problems, the present invention aims to provide a piping abnormality detection method and system using artificial intelligence that improves the accuracy of failure determination.
상기의 과제를 해결하기 위하여, 본 발명은 유체가 이동하는 유체이동관에 연결된 압력센서에서 시간에 따른 압력실측데이터를 센싱시간 단위로 센싱하되 복수의 센싱시간의 합산단위로 설정되는 제1저장시간 단위로 서버부에 저장하는 제1단계; 상기 압력실측데이터와, 상기 유체이동관 내부에서 유체가 정상상태에서 이동시의 시간에 따른 압력변화데이터로서 상기 서버부에 기저장된 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인지 연산부가 비교 판단하는 제2단계; 및 상기 차이값이 상기 스레숄드 임계값 이상인 경우 압력의 순간적인 이상 변화가 저장되도록 상기 압력실측데이터를 상기 제1저장시간 단위보다 조밀한 제2저장시간 단위로 상기 서버부에 저장하는 제3단계를 포함하는 인공지능을 이용한 배관이상 탐지 방법을 제공한다.In order to solve the above problem, the present invention senses actual pressure measurement data over time in a sensing time unit from a pressure sensor connected to a fluid transfer pipe through which fluid moves, and uses a first storage time unit set as the sum of a plurality of sensing times. The first step of storing it in the server unit; The calculation unit compares whether the difference between the actual pressure measurement data and the steady-state reference average data pre-stored in the server unit as pressure change data over time when the fluid moves in a steady state inside the fluid transfer pipe is greater than or equal to a preset threshold threshold. The second step of judging; and a third step of storing the actual pressure measurement data in the server unit in a second storage time unit denser than the first storage time unit so that the instantaneous abnormal change in pressure is stored when the difference value is greater than the threshold value. Provides a pipe abnormality detection method using artificial intelligence, including:
한편, 본 발명은 유체가 이동하는 유체이동관에 연결되며, 시간에 따른 압력실측데이터를 센싱시간 단위로 센싱하는 압력센서; 상기 압력센서에 통신 연결되며, 상기 압력실측데이터가 상기 센싱시간 단위로 전송되고, 상기 압력실측데이터를 복수의 센싱시간의 합산단위로 설정되는 제1저장시간 단위로 저장하는 서버부; 상기 서버부에 통신 연결되며, 상기 압력실측데이터와 상기 유체이동관 내부에서 유체가 정상상태에서 이동시의 시간에 따른 압력변화데이터로서 상기 서버부에 기저장된 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인지 연산부가 실시간으로 비교 판단하는 연산부; 및 상기 서버부에 통신 연결되며 상기 서버부로부터 상기 압력실측데이터가 기설정된 기준치 이상으로 검출시 이상판정알림신호를 전송받는 출력부를 포함하되, 상기 서버부는 상기 차이값이 상기 스레숄드 임계값 이상인 경우 압력의 순간적인 이상 변화가 저장되도록 상기 압력실측데이터를 상기 제1저장시간 단위보다 조밀한 제2저장시간 단위로 상기 서버부에 저장하고, 상기 차이값이 상기 스레숄드 임계값 미만인 경우 상기 압력실측데이터를 상기 제1저장시간 단위로 상기 서버부에 저장함을 특징으로 하는 인공지능을 이용한 배관이상 탐지 시스템을 제공한다.Meanwhile, the present invention includes a pressure sensor that is connected to a fluid transfer pipe through which fluid moves and senses actual pressure measurement data over time in units of sensing time; a server unit that is communication-connected to the pressure sensor, transmits the actual pressure measurement data in units of the sensing time, and stores the actual pressure measurement data in units of a first storage time set as an aggregate unit of a plurality of sensing times; It is connected to the server unit for communication, and the difference between the actual pressure measurement data and the normal state reference average data pre-stored in the server unit as pressure change data over time when the fluid moves in a normal state inside the fluid transfer pipe is a preset threshold. a computation unit that compares and determines in real time whether it is above a threshold; and an output unit that is communication-connected to the server unit and receives an abnormality determination notification signal from the server unit when the actual pressure measurement data is detected to be higher than a preset standard value, wherein the server unit detects the pressure when the difference value is more than the threshold threshold value. The actual pressure measurement data is stored in the server unit in a second storage time unit that is denser than the first storage time unit so that the instantaneous abnormal change of is stored, and if the difference value is less than the threshold value, the actual pressure measurement data is It provides a plumbing abnormality detection system using artificial intelligence, characterized in that the first storage time unit is stored in the server unit.
상기의 해결 수단을 통하여, 본 발명은 다음과 같은 효과를 제공한다.Through the above solutions, the present invention provides the following effects.
첫째, 압력실측데이터와 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 미만인 경우에는 압력실측데이터를 복수의 센싱시간의 합산단위로 설정되는 제1저장시간 단위로 서버부에 저장하므로 저장용량의 효율적인 관리가 가능하여 경제성이 개선될 수 있다. First, if the difference between the actual pressure measurement data and the steady-state reference average data is less than the preset threshold value, the actual pressure measurement data is stored in the server unit in the first storage time unit set as the sum of multiple sensing times, so the storage capacity is reduced. Economic efficiency can be improved by enabling efficient management.
둘째, 압력센서에서 센싱시간 단위로 센싱되는 압력실측데이터와 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상이면 압력실측데이터를 제1저장시간 단위보다 조밀한 제2저장시간 단위로 서버부에 저장하므로 압력의 순간적인 이상 변화를 정확하게 저장하여 고장 판단의 정확성이 개선되며, 빅데이터로 활용 가능한 기반 기술을 제공할 수 있다. Second, if the difference between the actual pressure measurement data sensed by the pressure sensor in units of sensing time and the steady-state reference average data is greater than the preset threshold value, the actual pressure measurement data is stored on the server in a second storage time unit that is more dense than the first storage time unit. Because it is stored in the unit, instantaneous abnormal changes in pressure are accurately stored, improving the accuracy of failure judgment, and providing a base technology that can be used as big data.
셋째, 압력실측데이터가 제2저장시간 단위로 저장되는 상태에서, 압력실측데이터가 기설정된 기준치 이상으로 검출시 이상판정알림신호를 전송하므로 원격으로 실제 이상 변화를 놓치지 않고 세밀하게 관측할 수 있어 사용편의성이 개선될 수 있다.Third, in a state where the actual pressure measurement data is stored in the second storage time unit, an abnormality judgment notification signal is sent when the actual pressure measurement data is detected to exceed the preset standard value, so it can be used remotely and closely observed without missing actual abnormal changes. Convenience can be improved.
도 1은 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법 을 나타낸 흐름도.
도 2는 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 시스템을 나타낸 블록도.
도 3은 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법을 나타낸 개요도.
도 4는 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법에서 시간에 따른 압력실측데이터를 나타낸 그래프.
도 5는 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법에서 스레숄드 임계값을 나타낸 그래프.Figure 1 is a flowchart showing a method for detecting piping abnormalities using artificial intelligence according to an embodiment of the present invention.
Figure 2 is a block diagram showing a piping abnormality detection system using artificial intelligence according to an embodiment of the present invention.
Figure 3 is a schematic diagram showing a method for detecting piping abnormalities using artificial intelligence according to an embodiment of the present invention.
Figure 4 is a graph showing actual pressure measurement data over time in the piping abnormality detection method using artificial intelligence according to an embodiment of the present invention.
Figure 5 is a graph showing the threshold value in the piping abnormality detection method using artificial intelligence according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 인공지능을 이용한 배관이상 탐지 방법 및 시스템을 상세히 설명한다.Hereinafter, a method and system for detecting abnormal pipes using artificial intelligence according to a preferred embodiment of the present invention will be described in detail with reference to the attached drawings.
도 1은 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법 을 나타낸 흐름도이고, 도 2는 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 시스템을 나타낸 블록도이며, 도 3은 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법을 나타낸 개요도이고, 도 4는 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법에서 시간에 따른 압력실측데이터를 나타낸 그래프이며, 도 5는 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법에서 스레숄드 임계값을 나타낸 그래프이다. Figure 1 is a flowchart showing a method for detecting a plumbing abnormality using artificial intelligence according to an embodiment of the present invention, and Figure 2 is a block diagram showing a plumbing abnormality detection system using artificial intelligence according to an embodiment of the present invention. 3 is a schematic diagram showing a method for detecting piping abnormalities using artificial intelligence according to an embodiment of the present invention, and Figure 4 shows actual pressure measurement data over time in the method for detecting piping abnormalities using artificial intelligence according to an embodiment of the present invention. Figure 5 is a graph showing the threshold value in the pipe abnormality detection method using artificial intelligence according to an embodiment of the present invention.
도 1 내지 도 5에서 보는 바와 같이, 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법 및 시스템은 유체가 이동하는 유체이동관에 연결된 압력센서에서 시간에 따른 압력실측데이터를 센싱시간 단위로 센싱하되 복수의 센싱시간의 합산단위로 설정되는 제1저장시간 단위로 서버부에 저장(s10), 상기 압력실측데이터와 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인지 연산부가 비교 판단(s20) 및 상기 차이값이 상기 스레숄드 임계값 이상인 경우 압력의 순간적인 이상 변화가 저장되도록 상기 압력실측데이터를 상기 제1저장시간보다 조밀한 제2저장시간 단위로 상기 서버부에 저장(s30)의 일련의 단계를 포함한다. 또한, 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 시스템(100)은 압력센서(10), 서버부(20), 연산부(30) 및 출력부(40)를 포함함이 바람직하다. As shown in Figures 1 to 5, the piping abnormality detection method and system using artificial intelligence according to an embodiment of the present invention detects actual pressure measurement data over time from a pressure sensor connected to a fluid transfer pipe through which fluid moves. sensing, but storing it in the server unit in the first storage time unit set as the sum of multiple sensing times (s10), and the calculation unit determines whether the difference between the actual pressure measurement data and the steady state reference average data is greater than or equal to a preset threshold threshold. Comparison decision (s20) and when the difference value is more than the threshold value, the pressure actual measurement data is stored in the server unit in a second storage time unit denser than the first storage time so that the instantaneous abnormal change in pressure is stored ( s30). In addition, the piping abnormality detection system 100 using artificial intelligence according to an embodiment of the present invention preferably includes a pressure sensor 10, a server unit 20, a calculation unit 30, and an output unit 40. .
여기서, 본 발명의 일실시예에 따른 인공지능을 이용한 배관이상 탐지 방법 및 시스템은 수충격 등의 압력의 순간적인 이상 변화를 감지하는 구간에서 고빈도로 압력실측데이터를 저장하여 고장 판단의 정확성을 개선함과 동시에 저장용량을 효율적으로 관리하기 위한 방법이다. 이때, 순간적인이라 함은 1/100초급 단위의 시간을 의미한다.Here, the piping abnormality detection method and system using artificial intelligence according to an embodiment of the present invention saves actual pressure measurement data at high frequency in the section where instantaneous abnormal changes in pressure such as water impact are detected, thereby improving the accuracy of failure judgment. This is a method to improve storage capacity and manage storage capacity efficiently. At this time, instantaneous means time in units of 1/100 of a second.
먼저, 유체가 이동하는 유체이동관(1)에 연결된 압력센서(10)에서 시간에 따른 압력실측데이터를 센싱시간 단위로 센싱하되 상기 압력실측데이터를 복수의 센싱시간의 합산단위로 설정되는 제1저장시간 단위로 서버부(20)에 저장한다(s10).First, the pressure sensor 10 connected to the fluid transfer pipe 1 through which the fluid moves senses actual pressure measurement data over time in units of sensing time, and the actual pressure measurement data is stored in a first storage unit set as the sum of a plurality of sensing times. It is stored in the server unit 20 on a time basis (s10).
여기서, 상기 유체이동관(1)은 물이 이동되는 상수도관으로서 구비될 수 있다. 그리고, 상기 압력센서(10)는 상기 유체이동관(1) 내부에서 이동되는 유체에 대하여 시간에 따른 상기 압력실측데이터를 센싱시간 단위로 센싱, 즉 측정할 수 있으며, 상기 압력센서(10)가 상기 압력실측데이터를 상기 센싱시간 단위로 상기 서버부(20)에 전송할 수 있다. Here, the fluid transfer pipe 1 may be provided as a water pipe through which water moves. In addition, the pressure sensor 10 can sense or measure the actual pressure measurement data over time for the fluid moving inside the fluid transfer pipe 1 in units of sensing time, and the pressure sensor 10 The actual pressure measurement data can be transmitted to the server unit 20 in units of the sensing time.
예컨대, 상기 센싱시간 단위는 센싱주기를 의미하며, 1/1,000초(1,000Hz)로 설정될 수 있다. 즉, 상기 압력센서(10)가 시간에 따른 상기 압력실측데이터를 1/1,000초에 1회씩, 즉 1초에 1,000회씩 반복하여 센싱할 수 있다. For example, the sensing time unit refers to the sensing cycle and can be set to 1/1,000 second (1,000 Hz). That is, the pressure sensor 10 can repeatedly sense the actual pressure measurement data over time once every 1/1,000 second, that is, 1,000 times per second.
또한, 상기 제1저장시간 단위는 1~10분으로 설정될 수 있으며, 상기 압력센서(10)에서 센싱되는 시간에 따른 상기 압력실측데이터를 1~10분에 1회씩 반복하여 상기 서버부(20)에 저장할 수 있다.In addition, the first storage time unit can be set to 1 to 10 minutes, and the actual pressure measurement data according to the time sensed by the pressure sensor 10 is repeated once every 1 to 10 minutes to the server unit 20 ) can be saved in .
즉, 상기 압력센서(10)가 상기 센싱시간 단위로 상기 압력실측데이터를 센싱하는 주기와, 상기 제1저장시간 단위 및 후술되는 제2저장시간 단위로 상기 압력실측데이터를 저장하는 주기가 상이하게 설정될 수 있다. That is, the cycle in which the pressure sensor 10 senses the actual pressure measurement data in the sensing time unit and the cycle in which the pressure sensor 10 stores the actual pressure measurement data in the first storage time unit and the second storage time unit described later are different. can be set.
여기서, 상기 압력센서(10) 및 상기 서버부(20)는 무선통신수단을 통해 상호간 무선 통신 연결될 수 있다. 그리고, 서버장치로서 구비되는 상기 서버부(20)에는 연산장치로서 구비되는 상기 연산부(30)가 통신 연결되며, 상기 서버부(20)에 모니터, 출력부 등의 출력장치로서 구비되는 상기 출력부(40)가 통신 연결될 수 있다. Here, the pressure sensor 10 and the server unit 20 may be wirelessly connected to each other through wireless communication means. In addition, the server unit 20, which is provided as a server device, is connected to communication with the calculation unit 30, which is provided as a computing device, and the output unit is provided as an output device such as a monitor and an output unit to the server unit 20. (40) can be connected to communication.
그리고, 상기 압력실측데이터와 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인지 미만인지 상기 연산부(30)가 비교 판단한다(s20). 여기서, 상기 연산부(30)가 상기 압력실측데이터와 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인지 미만인지 상기 센싱시간 단위로 비교 판단할 수 있으며, 가장 바람직하게는 실시간으로 비교 판단할 수 있다.Then, the calculation unit 30 compares and determines whether the difference between the actual pressure measurement data and the steady-state reference average data is greater than or equal to a preset threshold threshold (s20). Here, the calculation unit 30 can compare and determine in units of the sensing time whether the difference value between the actual pressure measurement data and the steady-state reference average data is above or below a preset threshold threshold, and most preferably, the comparison is made in real time. can do.
이때, 상기 연산부(30)는 상기 서버부(20)로 전송되는 상기 압력실측데이터를 추출하고, 상기 서버부(20)에 기저장되는 상기 정상상태 기준평균데이터를 추출하며, 상기 압력실측데이터와 상기 정상상태 기준평균데이터 간의 차이값을 산출할 수 있다. 또한, 상기 서버부(20)에는 상기 스레숄드 임계값의 초기값이 기저장됨이 바람직하다. At this time, the calculation unit 30 extracts the actual pressure measurement data transmitted to the server unit 20, extracts the steady-state reference average data previously stored in the server unit 20, and the actual pressure measurement data and The difference value between the steady state reference average data can be calculated. In addition, it is preferable that the initial value of the threshold value is pre-stored in the server unit 20.
상세히, 상기 정상상태 기준평균데이터는 상기 유체이동관(1) 내부에서 유체가 정상상태에서 이동시의 시간에 따른 압력변화데이터로서 상기 서버부(20)에 기저장될 수 있다. In detail, the steady-state reference average data is pressure change data over time when fluid moves within the fluid transfer pipe 1 in a steady state, and may be pre-stored in the server unit 20.
또는, 상기 정상상태 기준평균데이터는 상기 연산부(30)에 포함된 머신러닝부에 의해 머신러닝의 비지도학습 과정을 통해 생성될 수도 있다. 예컨대, 상기 연산부(30)에 포함된 머신러닝부가 상기 압력센서(10)에서 기획득된 시간에 따른 상기 압력변화데이터를 기설정된 시간단위로 복수개 분할하고, 분할된 복수개의 상기 압력변화데이터의 자기회귀누적이동평균을 산출함에 따라 생성될 수도 있다. Alternatively, the steady-state reference average data may be generated through an unsupervised machine learning process by a machine learning unit included in the calculation unit 30. For example, the machine learning unit included in the calculation unit 30 divides the pressure change data according to time obtained from the pressure sensor 10 into a plurality of preset time units, and divides the plurality of divided pressure change data into a plurality of time units. It can also be created by calculating the regression cumulative moving average.
이때, 상기 유체이동관(1) 내의 수압이 갑자기 올라가거나 떨어지면서 수충격이 발생하는 이상(Abnormal) 현상을 감지시, 상기 압력센서(10)로부터 획득한 압력실측데이터는 시간이 지남에 따라 측정되는 시계열 데이터이고, 시계열 데이터 이상감지에 오리온(Orion)이라는 소스 코드가 공개된 파이썬 라이브러리가 유용하다. 상세히, 상기 오리온은 MIT 정보 및 의사결정 시스템 연구소(MIT Laboratory for Information and Decision Systems)의 데이터 인공지능(Data-to-AI) 그룹이 개발한 인공지능 라이브러리이며, 우주선에서 발생하는 신호, 터빈의 온도, 컴퓨터 서버의 사용량, 토양수분의 변이 등의 다양한 분야의 이상 징후를 포착하는데 사용된다. At this time, when detecting an abnormal phenomenon in which water shock occurs when the water pressure in the fluid transfer pipe 1 suddenly rises or falls, the actual pressure measurement data obtained from the pressure sensor 10 is measured over time. This is time series data, and a Python library with open source code called Orion is useful for detecting anomalies in time series data. In detail, the Orion is an artificial intelligence library developed by the Data-to-AI group at the MIT Laboratory for Information and Decision Systems, and is used to analyze signals generated from spacecraft and the temperature of turbines. It is used to detect abnormal signs in various fields, such as computer server usage and soil moisture variations.
여기서, 시계열 이상감지 알고리즘을 설명하면, 이상이 없는 정상 시계열 데이터(Train Data)를 기계학습한 후 생성된 기계학습 모델은 예측치를 회귀분석하고, 이 예측치를 평가 데이터(Test Data)와 비교하고 다른 부분이 있을 때 이상으로 감지한다. 이때, 기계학습 알고리즘은 시계열 예측에 전통적으로 사용되는 ARIMA(Auto Regressive Integrated Moving Average 자기회귀누적이동평균), LSTM(Long Short Term Memory 장단기 메모리)부터 적대적 생성 신경망(GAN Generative Adversarial Network)을 이상탐지에 활용한 TadGAN(Time-series GAN for Anomaly Detection) 등이 있다. 또한, 오리온 라이브러리는 이러한 회귀분석에 사용되는 알고리즘을 초매개변수(hyperparameter)의 변경만으로 간단히 선택할 수 있게 구현된다. Here, to explain the time series anomaly detection algorithm, the machine learning model created after machine learning normal time series data (Train Data) with no anomalies regresses the predicted value, compares this predicted value with the evaluation data (Test Data), and other When there is a part, it is detected as abnormal. At this time, machine learning algorithms range from ARIMA (Auto Regressive Integrated Moving Average) and LSTM (Long Short Term Memory), which are traditionally used for time series prediction, to GAN Generative Adversarial Network for anomaly detection. There is TadGAN (Time-series GAN for Anomaly Detection) used. In addition, the Orion library is implemented so that the algorithm used for such regression analysis can be selected simply by changing the hyperparameter.
여기서, 상기 압력센서(10)로부터 획득한 학습데이터를 유닉스 시간을 사용하는 오리온 라이브러리에 맞는 타임스탬프로 전처리 하고, 기계학습 모델을 생성한다. 그리고, 초매개변수로 앞에 언급한 회귀분석 알고리즘을 먼저 선택한다. 이때, 이상 수압감지에는 다른 산업분야의 이상감지에 뛰어난 것으로 알려진 TadGAN알고리즘보다 전통적인 LSTM알고리즘의 이상감지 성능이 뛰어나고 연산속도도 더 빠른 것으로 나타났다. 그리고, 이상감지 성능은 다른 초매개변수-타임스탬프 간격(Interval of Timestamp) 설정에도 민감하게 변화하고 학습 회수(Epoch)에도 영향을 받으므로 적절한 초매개변수를 찾는 작업을 반복해야 한다. 이러한 초매개변수 최적화를 통해 이상감지 모델을 만들고 이상이 있는 평가데이터와 비교하여 이상치를 감지한다.Here, the learning data obtained from the pressure sensor 10 is preprocessed with a timestamp suitable for the Orion library that uses Unix time, and a machine learning model is created. Then, the previously mentioned regression analysis algorithm is first selected as the hyperparameter. At this time, the abnormality detection performance of the traditional LSTM algorithm was found to be superior to that of the TadGAN algorithm, which is known to be excellent for abnormality detection in other industrial fields, and the calculation speed was also faster. In addition, anomaly detection performance changes sensitively to other hyperparameter-interval of timestamp settings and is also affected by the number of learning times (Epoch), so the task of finding appropriate hyperparameters must be repeated. Through this hyperparameter optimization, an anomaly detection model is created and anomalies are detected by comparing them with abnormal evaluation data.
한편, 상기 스레숄드(Threshold) 임계값은 상기 유체이동관(1) 내부 압력의 순간적인 이상 변화를 검출하기 위해 상기 압력실측데이터와 상기 정상상태 기준평균데이터 간의 차이값과 비교하기 위한 임계값을 의미하며, 상기 스레숄드 임계값의 초기값이 상기 서버부(20)에 저장될 수 있으며, 머신러닝에 의해 가변 설정되며 상기 서버부(20)에 갱신 저장될 수 있다. Meanwhile, the threshold refers to a threshold for comparing the difference between the actual pressure measurement data and the steady-state reference average data in order to detect an instantaneous abnormal change in the pressure inside the fluid transfer pipe 1. , the initial value of the threshold may be stored in the server unit 20, variably set by machine learning, and updated and stored in the server unit 20.
즉, 상기 압력실측데이터의 저장 주기를 전환하기 위한 기준을 설정해야하는데, 이를 설정하기 위한 알고리즘이 요구된다. 이때, 상기 압력실측데이터의 저장 주기를 전환하기 위한 기준은 시스템의 특성을 반영하여 설정해야하며, 고려해야하는 시스템의 특성은 관찰되어지는 상수관망내부의 압력값을 기준으로 설정해야한다.In other words, a standard for changing the storage period of the actual pressure measurement data must be set, and an algorithm for setting this is required. At this time, the standard for changing the storage cycle of the actual pressure measurement data must be set to reflect the characteristics of the system, and the characteristics of the system to be considered must be set based on the observed pressure value inside the water pipe network.
예컨대, 도 5를 참조하면, 도 5의 윗부분에는 상기 압력실측데이터와 상기 정상상태 기준평균데이터를 각각 시간순으로 나열되어 있으며, 도 5의 아래부분에는 상기 압력실측데이터와 상기 정상상태 기준평균데이터 간의 차이값이 시간순으로 나열되어 있으며, 상기 스레숄드 임계값이 설정되어 있다. 이때, 상기 스레숄드 임계값이 10으로 설정되는 경우에는 이상(Abnormal) 부분이 2곳 발생할 것이고, 5이상 10미만으로 설정되는 경우에는 이상 부분이 4곳으로 발생할 수 있다.For example, referring to FIG. 5, the upper part of FIG. 5 lists the actual pressure measurement data and the steady-state reference average data in chronological order, and the lower part of FIG. 5 shows the difference between the actual pressure measurement data and the steady-state reference average data. The difference values are listed in chronological order, and the threshold value is set. At this time, if the threshold value is set to 10, abnormal parts may occur in two places, and if it is set to 5 or more but less than 10, abnormal parts may occur in four places.
이때, 상기 유체이동관(1) 내부 압력 실제 이상 발생 횟수가 4회일 수 있으나, 상기 스레숄드 임계값을 4로 설정하는 공식은 없으며, 다만 상기 스레숄드 임계값은 초매개변수(Hyperparameter), 타임스탬프 간격(Interval of Timestamp), 학습 회수(Epoch), 이상을 판별할 때, 전체 데이터를 몇 등분으로 나누어서 볼 것인가를 의미하는 윈도우의 크기(Window Size Portion) 등에 영향을 받고 시행착오법(Trial-And-Error)으로 찾을 수 있다. 즉, 초매개변수를 계속 변경하며 상기 정상상태 기준평균데이터를 생성하고 상기 압력실측데이터와 비교하는 시행착오법을 통해 상기 스레숄드 임계값이 가변 설정될 수 있다. At this time, the number of actual abnormalities in the internal pressure of the fluid transfer pipe 1 may be 4, but there is no formula for setting the threshold threshold to 4. However, the threshold threshold is determined by a hyperparameter, a timestamp interval ( It is influenced by the Interval of Timestamp, the number of learning times (Epoch), and the window size (Window Size Portion), which refers to how many parts the entire data should be divided into when determining an abnormality, and the Trial-And-Error method. ) can be found. That is, the threshold value can be variably set through a trial and error method of continuously changing hyperparameters, generating the steady-state reference average data, and comparing it with the actual pressure measurement data.
한편, 상기 차이값이 상기 스레숄드 임계값 이상인 경우 압력의 순간적인 이상 변화가 저장되도록 상기 압력실측데이터가 상기 제1저장시간 단위보다 조밀한 제2저장시간 단위로 상기 서버부(20)에 저장한다(s30).Meanwhile, when the difference value is greater than or equal to the threshold value, the actual pressure measurement data is stored in the server unit 20 in a second storage time unit that is denser than the first storage time unit so that the instantaneous abnormal change in pressure is stored. (s30).
이때, 일반 상수도 관망에서 수충격이 발생한 경우 압력파(Pressure Wave)의 이동 속도는 1,000~1,700m/s이므로, 압력파의 데이터 획득 주기가 최소 100Hz이상의 빈도로 이루어져야 배관 사고 상황에 대한 정확한 모니터링이 가능하다.At this time, when a water shock occurs in a general water supply pipe network, the moving speed of the pressure wave is 1,000~1,700 m/s, so the data acquisition cycle of the pressure wave must be performed at a frequency of at least 100 Hz to accurately monitor the pipe accident situation. possible.
여기서, 상기 연산부(30)가 상기 차이값이 상기 스레숄드 임계값 이상인 것으로 판단하면, 상기 압력실측데이터를 상기 제1저장시간 단위보다 조밀한 제2저장시간 단위로 상기 서버부(20)에 저장하도록, 상기 연산부(30)가 상기 서버부(20)에 고빈도저장신호를 전송할 수 있다. 또한, 상기 서버부(20)는 상기 고빈도저장신호를 전송받아 상기 압력실측데이터를 상기 제1저장시간 단위보다 조밀한 상기 제2저장시간 단위로 상기 서버부(20)에 저장할 수 있다. Here, if the calculation unit 30 determines that the difference value is greater than or equal to the threshold value, the actual pressure measurement data is stored in the server unit 20 in a second storage time unit that is denser than the first storage time unit. , the calculation unit 30 can transmit a high-frequency storage signal to the server unit 20. Additionally, the server unit 20 may receive the high-frequency storage signal and store the actual pressure measurement data in the server unit 20 in the second storage time unit, which is denser than the first storage time unit.
이때, 상기 제2저장시간 단위가 상기 제1저장시간 단위보다 작은 단위로 설정됨으로 이해함이 바람직하다. 예컨대, 상기 제2저장시간 단위는 1/100초(100Hz)로 설정될 수 있으며, 상기 압력센서(10)에서 센싱되는 시간에 따른 상기 압력실측데이터를 1/100초에 1회씩, 즉 1초에 100회씩 반복하여 상기 서버부(20)에 저장할 수 있다. 또한, 상기 제2저장시간 단위는 복수의 센싱시간의 합산단위로 설정되되 상기 센싱시간 단위보다 큰 단위로 설정됨으로 이해함이 바람직하다. At this time, it is preferable to understand that the second storage time unit is set to a smaller unit than the first storage time unit. For example, the second storage time unit can be set to 1/100 second (100 Hz), and the actual pressure measurement data according to the time sensed by the pressure sensor 10 is stored once every 1/100 second, that is, 1 second. It can be repeated 100 times and stored in the server unit 20. In addition, it is preferable to understand that the second storage time unit is set as a combined unit of a plurality of sensing times, but is set as a unit larger than the sensing time unit.
더우이, 경우에 따라, 상기 연산부(30)가 상기 차이값이 상기 스레숄드 임계값 이상인 것으로 판단하면, 상기 압력실측데이터를 기설정된 시간동안 상기 제2저장시간 단위로 상기 서버부(20)에 저장할 수 있다. Furthermore, in some cases, if the calculation unit 30 determines that the difference value is greater than or equal to the threshold value, the actual pressure measurement data may be stored in the server unit 20 in the second storage time unit for a preset time. there is.
예컨대, 상기 기설정된 시간은 1/5초, 즉 0.2초로 설정될 수 있으며, 상기 차이값이 상기 스레숄드 임계값 이상인 것으로 판단된 순간으로부터 1/5초 동안, 상기 압력센서(10)에서 센싱되는 시간에 따른 상기 압력실측데이터를 1/100초에 1회씩 반복하여 상기 서버부(20)에 저장할 수 있다. For example, the preset time may be set to 1/5 second, that is, 0.2 second, and the time sensed by the pressure sensor 10 for 1/5 second from the moment it is determined that the difference value is greater than or equal to the threshold value. The actual pressure measurement data according to can be stored in the server unit 20 repeatedly once every 1/100 second.
즉, 상기 연산부(30)가 상기 차이값이 상기 스레숄드 임계값 이상인 것으로 판단하면, 상기 기설정된 시간 안에 상기 차이값이 상기 스레숄드 임계값 미만으로 낮아지더라도 상기 압력실측데이터를 기설정된 시간동안 상기 제2저장시간 단위로 상기 서버부(20)에 저장할 수 있다. That is, if the calculation unit 30 determines that the difference value is greater than or equal to the threshold threshold value, the actual pressure measurement data is used for the preset time period even if the difference value falls below the threshold threshold value within the preset time period. 2 It can be stored in the server unit 20 in units of storage time.
도 4를 참조하면, '이상현상 감지'로 표시된 영역 이전 시간에는 상기 차이값이 상기 스레숄드 임계값 미만으로 상기 압력실측데이터가 상기 제1저장시간 단위로 상기 서버부(20)에 저장될 수 있다.Referring to FIG. 4, at the time before the area marked as 'abnormal phenomenon detection', the pressure measurement data may be stored in the server unit 20 in units of the first storage time when the difference value is less than the threshold value. .
그리고, '이상현상 감지'로 표시된 영역 이후 시간으로부터 '이상현상 종료'로 표시된 영역 이전 시간까지에는, 상기 차이값이 상기 스레숄드 임계값 이상으로 상기 압력실측데이터가 상기 제2저장시간 단위로 상기 서버부(20)에 저장될 수 있다.And, from the time after the area marked as 'anomaly detected' to the time before the area marked as 'abnormal phenomenon ended', the difference value is more than the threshold value and the pressure measurement data is transmitted to the server in units of the second storage time. It may be stored in unit 20.
만약, 상기 차이값이 상기 스레숄드 임계값 이상임에도 불구하고 상기 압력실측데이터가 상기 제1저장시간 단위로 상기 서버부(20)에 저장되는 경우에는 실제로 발생한 압력치와, 저장되어 저장되는 압력실측데이터 간의 오차가 발생할 우려가 있다. 즉, 상기 차이값이 상기 스레숄드 임계값 이상인 경우 상기 압력실측데이터가 상기 제2저장시간 단위로 상기 서버부(20)에 저장됨에 따라 실제 압력치에 대응되는 압력실측데이터가 정확하게 저장 및 저장되어 압력의 순간적인 이상 변화가 정밀하게 저장 및 저장될 수 있다. If the actual pressure measurement data is stored in the server unit 20 in the first storage time unit even though the difference value is greater than or equal to the threshold value, the actually generated pressure value and the actual pressure measurement data stored are stored. There is a risk that errors may occur. That is, when the difference value is greater than or equal to the threshold value, the actual pressure measurement data is stored in the server unit 20 in the second storage time unit, so that the actual pressure measurement data corresponding to the actual pressure value is accurately stored and stored. Instantaneous abnormal changes can be stored and stored precisely.
또한, '이상현상 종료'로 표시된 영역 이후 시간에는 상기 차이값이 상기 스레숄드 임계값 미만으로 상기 압력실측데이터가 상기 제1저장시간 단위로 상기 서버부(20)에 저장될 수 있다.In addition, at a time after the area marked as 'abnormal phenomenon ended', the pressure measurement data may be stored in the server unit 20 in units of the first storage time when the difference value is less than the threshold value.
한편, 상기 압력실측데이터가 상기 제2저장시간 단위로 저장되는 상태에서, 상기 압력실측데이터가 기설정된 기준치 이상으로 검출시 상기 서버부(20)로부터 이상판정알림신호를 생성하여 상기 출력부(40)로 전송할 수 있다. 예컨대, 상기 이상변화기준치는 700psi로 설정될 수 있으며, 상기 압력실측데이터가 상기 제2저장시간 단위로 저장되는 상태에서, 상기 압력실측데이터가 700psi 이상으로 검출시 상기 서버부(20)로부터 상기 출력부(40)로 이상판정알림신호를 전송할 수 있다. Meanwhile, in a state where the actual pressure measurement data is stored in the second storage time unit, when the actual pressure measurement data is detected to be higher than a preset standard value, an abnormality determination notification signal is generated from the server unit 20 and the output unit 40 ) can be transmitted. For example, the abnormal change reference value may be set to 700 psi, and in a state where the actual pressure measurement data is stored in the second storage time unit, the output from the server unit 20 when the actual pressure measurement data is detected to be 700 psi or more An abnormality determination notification signal can be transmitted to the unit 40.
이를 통해, 사용자가 상기 출력부(40)에 표시되는 상기 이상판정알림신호를 확인함에 따라 이상상태 발생여부를 원격으로 용이하게 파악하고 그에 대응되는 조치를 취할 수 있어 사용편의성이 개선될 수 있다. 더욱이, 상기 압력실측데이터가 기설정된 기준치 이상으로 검출시 시간에 따른 압력실측데이터의 패턴을 상기 연산부(30)가 감지하여 상기 이상판정알림신호의 발생원인을 구체적으로 파악할 수도 있다. 예컨대, 상기 연산부(30)가 기설정된 기준치 이상으로 검출되는 상기 압력실측데이터와 상기 서버부(20)에 저장된 패턴데이터를 추출하여 상호 비교함에 따라 상기 이상판정알림신호의 발생원인을 구체적으로 파악할 수 있다. Through this, as the user checks the abnormality determination notification signal displayed on the output unit 40, he or she can easily determine whether an abnormal condition has occurred remotely and take corresponding measures, thereby improving convenience of use. Moreover, when the actual pressure measurement data is detected to be higher than a preset standard value, the calculation unit 30 can detect the pattern of the actual pressure measurement data over time to specifically identify the cause of the abnormality determination notification signal. For example, as the calculation unit 30 extracts and compares the actual pressure measurement data detected above a preset standard value and the pattern data stored in the server unit 20, the cause of the abnormality determination notification signal can be identified in detail. there is.
그리고, 상기 압력실측데이터가 상기 제2저장시간 단위로 저장되는 상태에서, 상기 압력실측데이터가 기설정된 이상변화기준치로 검출시 상기 서버부(20)로부터 정상상태알림신호를 생성하여 상기 출력부(40)로 전송할 수도 있다. And, in a state where the actual pressure measurement data is stored in the second storage time unit, when the actual pressure measurement data is detected as a preset abnormal change standard value, a steady state notification signal is generated from the server unit 20 and the output unit ( 40).
또한, 상기 차이값이 상기 스레숄드 임계값 미만인 경우 상기 압력실측데이터를 상기 제1저장시간 단위로 상기 서버부(20)에 저장함이 바람직하다. 여기서, 상기 연산부(30)가 상기 차이값이 상기 스레숄드 임계값 미만인 것으로 판단하면, 상기 압력실측데이터를 상기 제1저장시간 단위로 상기 서버부(20)에 저장하도록, 상기 연산부(30)가 상기 서버부(20)에 저빈도저장신호를 전송할 수 있다. 또한, 상기 서버부(20)는 상기 저빈도저장신호를 전송받아 상기 압력실측데이터를 상기 제1저장시간 단위로 상기 서버부(20)에 저장할 수 있다. In addition, when the difference value is less than the threshold value, it is preferable to store the actual pressure measurement data in the server unit 20 in units of the first storage time. Here, if the calculation unit 30 determines that the difference value is less than the threshold value, the calculation unit 30 stores the actual pressure measurement data in the server unit 20 in the first storage time unit. A low-frequency storage signal can be transmitted to the server unit 20. Additionally, the server unit 20 may receive the low-frequency storage signal and store the actual pressure measurement data in the server unit 20 in units of the first storage time.
한편, 상기 연산부(30)가 상기 제1저장시간 단위 및 상기 제2저장시간 단위보다 큰 단위로 기설정된 기준시간 단위로 상기 차이값이 상기 스레숄드 임계값 이상인 횟수를 비교 판단하는 단계와, 상기 횟수가 기설정범위를 이탈하는 경우 상기 연산부(30)가 상기 서버부에 기저장된 상기 정상상태 기준평균데이터를 업데이트하는 단계를 더 포함할 수 있다.Meanwhile, the calculation unit 30 compares and determines the number of times the difference value is greater than the threshold value in a preset reference time unit larger than the first storage time unit and the second storage time unit, and the number of times If it deviates from the preset range, the operation unit 30 may further include updating the steady state reference average data previously stored in the server unit.
여기서, 상기 횟수가 기설정범위를 이탈하는 경우 상기 연산부(30)가 상기 서버부(20)의 머신러닝 라이브러리에 기저장된 복수개의 정상상태 기준평균데이터 중 어느 하나를 추출하여 이전의 정상상태 기준평균데이터를 대체하도록 정상상태 기준평균데이터의 대체를 위한 초매개변수를 변경할 수 있다. Here, when the number of times is outside the preset range, the calculation unit 30 extracts one of a plurality of steady-state reference average data previously stored in the machine learning library of the server unit 20 to determine the previous steady-state reference average. Hyperparameters for replacement of steady-state reference average data can be changed to replace the data.
즉, 상기 연산부(30)가 상기 서버부(20)에 기저장된 정상상태 기준평균데이터를 대체하도록, 상기 서버부(20)의 머신러닝 라이브러리에 기저장된 복수개의 정상상태 기준평균데이터 중 하나를 추출하여 정상상태 기준평균데이터의 대체를 위한 초매개변수를 변경하며, 인공지능 학습하는 단계가 수행될 수 있다.That is, the calculation unit 30 extracts one of a plurality of steady-state reference average data pre-stored in the machine learning library of the server unit 20 to replace the steady-state reference average data previously stored in the server unit 20. Thus, a step of changing hyperparameters to replace the steady-state reference average data and learning artificial intelligence can be performed.
이때, 상기 정상상태 기준평균데이터는 시계열 예측에 전통적으로 사용되는 ARIMA(Auto Regressive Integrated Moving Average 자기회귀누적이동평균), LSTM(Long Short Term Memory 장단기 메모리)부터 적대적 생성 신경망(GAN Generative Adversarial Network)을 이상탐지에 활용한 TadGAN(Time-series GAN for Anomaly Detection) 등의 기계학습(머신러닝) 알고리즘에 의해 복수개 생성되어 머신러닝 라이브러리에 저장될 수 있으며, 상기 연산부(30)가 상기 초매개변수를 변경함에 따라 상기 초매개변수의 변경만으로 머신러닝 라이브러리에 기저장된 복수개의 정상상태 기준평균데이터 중 어느 하나를 추출하여 이전의 정상상태 기준평균데이터를 대체할 수 있다. At this time, the steady-state reference average data ranges from ARIMA (Auto Regressive Integrated Moving Average) and LSTM (Long Short Term Memory), which are traditionally used for time series prediction, to GAN Generative Adversarial Network. A plurality of numbers can be generated by a machine learning algorithm such as TadGAN (Time-series GAN for Anomaly Detection) used for anomaly detection and stored in a machine learning library, and the calculation unit 30 changes the hyperparameter. Accordingly, one of a plurality of steady-state reference average data previously stored in the machine learning library can be extracted and replaced with the previous steady-state reference average data just by changing the hyperparameter.
한편, 본 발명은 복수개의 상기 유체이동관(1)에서 측정된 복수개의 상기 압력실측데이터가 상기 서버부(20)에 저장되는 단계와, 상기 서버부(20)에 통신 연결된 상기 연산부(30)가 기설정된 수학식 1 및 기설정된 수학식 2를 기반으로 2차원 배관 전이류 해석데이터를 생성하는 단계를 포함할 수도 있다. 이때, 상기 수학식 1 및 상기 수학식 2는 이하와 같다.Meanwhile, the present invention includes the steps of storing a plurality of the actual pressure measurement data measured in the plurality of fluid transfer pipes 1 in the server unit 20, and the calculation unit 30 communication connected to the server unit 20. It may also include the step of generating two-dimensional pipe transition flow analysis data based on preset Equation 1 and preset Equation 2. At this time, Equation 1 and Equation 2 are as follows.
여기서 t는 시간, x는 길이방향 좌표, r은 직경방향 좌표, g는 중력가속도, a는 동일한(Homogeneous) 유체의 탄성(Elastic) 관내에서의 파속도, U는 길이방향 유속(Longitudinal Flow Velocity), V는 직경방향 유속(Radial Flow Velocity)을 의미한다.Here, t is time, V means radial flow velocity.
그리고, 상기 유체이동관(1)에는 2차원 배관 전이류 해석데이터를 생성하기 위해 복수개의 좌표센서 및 복수개의 유속감지센서가 더 구비될 수 있다. In addition, the fluid transfer pipe 1 may be further equipped with a plurality of coordinate sensors and a plurality of flow velocity sensors to generate two-dimensional pipe transition flow analysis data.
이를 통해, 상기 유체이동관(1)의 하나 이상의 위치에서 압력실측데이터가 수집되면 이를 활용하여 전체 유체이동관에 대한 압력 및 유량 데이터를 모의해내는 일종의 가상미터계(Virtual Meter) 기술을 구현하는 것이 가능하다. 또한, 2차원 배관 천이류 해석 방법론은 1차원 배관망 해석 방법의 부정확성 및 3차원 기반의 Full Navier-Stokes 해석 방법의 과도한 계산비용을 극복할수 있는 합리적 배관 해석 방법론이다.Through this, when actual pressure measurement data is collected at one or more locations of the fluid transfer pipe 1, it is possible to implement a type of virtual meter technology that uses this to simulate pressure and flow data for the entire fluid transfer pipe. . In addition, the two-dimensional pipe transition flow analysis methodology is a reasonable pipe analysis methodology that can overcome the inaccuracy of the one-dimensional pipe network analysis method and the excessive computational cost of the three-dimensional full Navier-Stokes analysis method.
이처럼, 본 발명은 상기 압력실측데이터와 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 미만인 경우에는 상기 압력실측데이터를 복수의 센싱시간의 합산단위로 설정되는 제1저장시간 단위로 상기 서버부(20)에 저장하므로 저장용량의 효율적인 관리가 가능하여 경제성이 개선될 수 있다. In this way, the present invention, when the difference value between the actual pressure measurement data and the steady-state reference average data is less than a preset threshold threshold, the actual pressure measurement data is stored in the server as a first storage time unit set as the sum of a plurality of sensing times. Since it is stored in unit 20, efficient management of storage capacity is possible and economic efficiency can be improved.
또한, 상기 압력센서(10)에서 센싱시간 단위로 센싱되는 압력실측데이터와 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인 경우 압력실측데이터를 제2저장시간 단위로 상기 서버부(20)에 저장하므로 압력의 순간적인 이상 변화를 정확하게 저장하여, 사용자가 정확한 데이터를 기반으로 고장 판단을 내릴 수 있어 정확성이 현저히 개선되며, 빅데이터로 활용 가능한 기반 기술을 제공할 수 있다.In addition, if the difference value between the actual pressure measurement data sensed in units of sensing time by the pressure sensor 10 and the steady-state reference average data is greater than or equal to a preset threshold value, the actual pressure measurement data is stored in the second storage time unit by the server unit (20). ), the instantaneous abnormal changes in pressure are accurately stored, allowing users to make failure judgments based on accurate data, significantly improving accuracy, and providing a foundational technology that can be used as big data.
그리고, 상기 압력실측데이터가 상기 제2저장시간 단위로 저장되는 상태에서, 상기 압력실측데이터가 기설정된 기준치 이상으로 검출시 이상판정알림신호를 전송하므로 원격으로 이상 변화를 용이하게 관측할 수 있어 사용편의성이 개선될 수 있다.In addition, in a state in which the actual pressure measurement data is stored in the second storage time unit, an abnormality judgment notification signal is transmitted when the actual pressure measurement data is detected to exceed a preset standard value, so abnormal changes can be easily observed remotely. Convenience can be improved.
더불어, 상기 연산부(30)가 상기 차이값이 상기 스레숄드 임계값 이상인 횟수를 비교 판단하고, 상기 횟수가 기설정범위를 이탈하는 경우, 초매개변수의 변경만으로 머신러닝 라이브러리에 기저장된 복수개의 정상상태 기준평균데이터 중 하나를 추출하여 기존의 정상상태 기준평균데이터를 대체할 수 있어 고장판단의 정밀도가 개선될 수 있다. In addition, the calculation unit 30 compares and determines the number of times that the difference value is greater than or equal to the threshold value, and when the number of times is outside the preset range, a plurality of steady states pre-stored in the machine learning library are changed only by changing the hyperparameter. By extracting one of the reference average data and replacing the existing steady-state reference average data, the precision of failure determination can be improved.
이때, 이상에서 기재된 "포함하다", "구성하다" 또는 "구비하다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.At this time, terms such as “include,” “comprise,” or “equipped” described above mean that the corresponding component may be present, unless specifically stated to the contrary, excluding other components. It should be interpreted as being able to include other components. All terms, including technical or scientific terms, unless otherwise defined, have the same meaning as generally understood by a person of ordinary skill in the technical field to which the present invention pertains. Commonly used terms, such as terms defined in a dictionary, should be interpreted as consistent with the contextual meaning of the related technology, and should not be interpreted in an idealized or overly formal sense unless explicitly defined in the present invention.
이상 설명한 바와 같이, 본 발명은 상술한 각 실시예에 한정되는 것은 아니며, 본 발명의 청구항에서 청구하는 범위를 벗어남 없이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 변형 실시되는 것은 가능하며, 이러한 변형 실시는 본 발명의 범위에 속한다.As described above, the present invention is not limited to the above-described embodiments, and modifications and implementations can be made by those skilled in the art without departing from the scope of the claims of the present invention. And such modifications fall within the scope of the present invention.
1: 유체이동관
10: 압력센서
20: 서버부
30: 연산부
100: 인공지능을 이용한 배관이상 탐지 시스템1: Fluid transfer pipe 10: Pressure sensor
20: server unit 30: calculation unit
100: Piping abnormality detection system using artificial intelligence
Claims (5)
상기 압력실측데이터와, 상기 유체이동관 내부에서 유체가 정상상태에서 이동시의 시간에 따른 압력변화데이터로서 상기 서버부에 기저장된 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인지 연산부가 비교 판단하는 제2단계; 및
상기 차이값이 상기 스레숄드 임계값 이상인 경우 압력의 순간적인 이상 변화가 저장되도록 상기 압력실측데이터를 상기 제1저장시간 단위보다 조밀한 제2저장시간 단위로 상기 서버부에 저장하는 제3단계를 포함하는 인공지능을 이용한 배관이상 탐지 방법.A first step of sensing actual pressure measurement data according to time in units of sensing time from a pressure sensor connected to a fluid transfer pipe through which fluid moves, and storing it in the server unit in units of a first storage time set as the sum of units of a plurality of sensing times;
The calculation unit compares whether the difference between the actual pressure measurement data and the steady-state reference average data pre-stored in the server unit as pressure change data over time when the fluid moves in a steady state inside the fluid transfer pipe is greater than or equal to a preset threshold threshold. The second step of judging; and
A third step of storing the actual pressure measurement data in the server unit in a second storage time unit denser than the first storage time unit so that the instantaneous abnormal change in pressure is stored when the difference value is greater than the threshold value. A pipe abnormality detection method using artificial intelligence.
상기 제3단계는,
상기 압력실측데이터가 상기 제2저장시간 단위로 저장되는 상태에서, 상기 압력실측데이터가 기설정된 기준치 이상으로 검출시 이상판정알림신호를 전송하는 단계를 더 포함함을 특징으로 하는 인공지능을 이용한 배관이상 탐지 방법.According to claim 1,
The third step is,
Piping using artificial intelligence, characterized in that, while the actual pressure measurement data is stored in the second storage time unit, transmitting an abnormality determination notification signal when the actual pressure measurement data is detected to be higher than a preset standard value. Anomaly detection method.
상기 제3단계는,
상기 연산부가 상기 제1저장시간 단위보다 큰 단위로 설정된 기준시간 단위로 상기 차이값이 상기 스레숄드 임계값 이상인 횟수를 비교 판단하는 단계와,
상기 횟수가 기설정범위를 이탈하는 경우, 상기 연산부가 상기 서버부에 기저장된 정상상태 기준평균데이터를 대체하도록 상기 서버부의 머신러닝 라이브러리에 기저장된 복수개의 정상상태 기준평균데이터 중 하나를 추출하여 정상상태 기준평균데이터의 대체를 위한 초매개변수를 변경하며 인공지능 학습하는 단계를 포함함을 특징으로 하는 인공지능을 이용한 배관이상 탐지 방법.According to claim 1,
The third step is,
The calculation unit compares and determines the number of times the difference value is equal to or greater than the threshold value in a reference time unit set to a unit larger than the first storage time unit;
If the number of times is outside the preset range, the calculation unit extracts one of a plurality of steady-state reference average data pre-stored in the machine learning library of the server unit to replace the steady-state reference average data previously stored in the server unit. A pipe abnormality detection method using artificial intelligence, which includes the step of changing hyperparameters to replace state-based average data and learning artificial intelligence.
상기 제3단계에서,
상기 차이값이 상기 스레숄드 임계값 이상인 경우 상기 압력실측데이터를 기설정된 시간동안 상기 제2저장시간 단위로 상기 서버부에 저장하되, 상기 제2저장시간 단위는 복수의 센싱시간의 합산단위로 설정되되 상기 센싱시간 단위보다 큰 단위로 설정되고,
상기 차이값이 상기 스레숄드 임계값 미만인 경우 상기 압력실측데이터를 상기 제1저장시간 단위로 상기 서버부에 저장함을 특징으로 하는 인공지능을 이용한 배관이상 탐지 방법.According to claim 1,
In the third step,
If the difference value is more than the threshold value, the actual pressure measurement data is stored in the server unit in the second storage time unit for a preset time, and the second storage time unit is set as the sum of a plurality of sensing times. It is set to a unit larger than the sensing time unit,
A pipe abnormality detection method using artificial intelligence, characterized in that when the difference value is less than the threshold value, the actual pressure measurement data is stored in the server unit in the first storage time unit.
상기 압력센서에 통신 연결되며, 상기 압력실측데이터가 상기 센싱시간 단위로 전송되고, 상기 압력실측데이터를 복수의 센싱시간의 합산단위로 설정되는 제1저장시간 단위로 저장하는 서버부;
상기 서버부에 통신 연결되며, 상기 압력실측데이터와 상기 유체이동관 내부에서 유체가 정상상태에서 이동시의 시간에 따른 압력변화데이터로서 상기 서버부에 기저장된 정상상태 기준평균데이터 간의 차이값이 기설정된 스레숄드 임계값 이상인지 연산부가 실시간으로 비교 판단하는 연산부; 및
상기 서버부에 통신 연결되며 상기 서버부로부터 상기 압력실측데이터가 기설정된 기준치 이상으로 검출시 이상판정알림신호를 전송받는 출력부를 포함하되,
상기 서버부는 상기 차이값이 상기 스레숄드 임계값 이상인 경우 압력의 순간적인 이상 변화가 저장되도록 상기 압력실측데이터를 상기 제1저장시간 단위보다 조밀한 제2저장시간 단위로 상기 서버부에 저장하고, 상기 차이값이 상기 스레숄드 임계값 미만인 경우 상기 압력실측데이터를 상기 제1저장시간 단위로 상기 서버부에 저장함을 특징으로 하는 인공지능을 이용한 배관이상 탐지 시스템.A pressure sensor that is connected to a fluid transfer pipe through which fluid moves and senses actual pressure measurement data over time in units of sensing time;
a server unit that is communication-connected to the pressure sensor, transmits the actual pressure measurement data in units of the sensing time, and stores the actual pressure measurement data in units of a first storage time set as an aggregate unit of a plurality of sensing times;
It is connected to the server unit for communication, and the difference between the actual pressure measurement data and the normal state reference average data pre-stored in the server unit as pressure change data over time when the fluid moves in a normal state inside the fluid transfer pipe is a preset threshold. a computation unit that compares and determines in real time whether it is above a threshold; and
An output unit that is communicated with the server unit and receives an abnormality determination notification signal from the server unit when the actual pressure measurement data is detected to be higher than a preset standard value,
The server unit stores the actual pressure measurement data in a second storage time unit denser than the first storage time unit so that an instantaneous abnormal change in pressure is stored when the difference value is greater than or equal to the threshold value, and A pipe abnormality detection system using artificial intelligence, characterized in that when the difference value is less than the threshold value, the actual pressure measurement data is stored in the server unit in the first storage time unit.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220034605A KR20230137021A (en) | 2022-03-21 | 2022-03-21 | detecting method and system of pipe abnormality using artificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220034605A KR20230137021A (en) | 2022-03-21 | 2022-03-21 | detecting method and system of pipe abnormality using artificial intelligence |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230137021A true KR20230137021A (en) | 2023-10-04 |
Family
ID=88290204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220034605A KR20230137021A (en) | 2022-03-21 | 2022-03-21 | detecting method and system of pipe abnormality using artificial intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230137021A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101535732B1 (en) | 2013-12-27 | 2015-07-09 | 주식회사 사람들 | Leakage detection attachment for pipe combined with sensor module and eakage detecting system |
-
2022
- 2022-03-21 KR KR1020220034605A patent/KR20230137021A/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101535732B1 (en) | 2013-12-27 | 2015-07-09 | 주식회사 사람들 | Leakage detection attachment for pipe combined with sensor module and eakage detecting system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9441988B2 (en) | System and method for identifying likely geographical locations of anomalies in a water utility network | |
| US8072340B2 (en) | Water leakage monitoring system | |
| KR100973662B1 (en) | Water leakage position estimating system | |
| US20140305513A1 (en) | Method and apparatus for real time enhancing of the operation of a fluid transport pipeline | |
| Mounce et al. | Pattern matching and associative artificial neural networks for water distribution system time series data analysis | |
| EA032736B1 (en) | System and method for supervising, managing and monitoring the structural integrity of a pipeline network for fluid transportation, locating the leaking point and evaluating the extent of the failure | |
| US10884404B2 (en) | Method of predicting plant data and apparatus using the same | |
| WO2017005269A1 (en) | System for monitoring a utility network | |
| KR20140145637A (en) | System and method for monitoring resources in a water utility network | |
| NO343417B1 (en) | System and method for condition assessment of downhole tools | |
| Hagos et al. | Optimal meter placement for pipe burst detection in water distribution systems | |
| US20230204166A1 (en) | Observation system, location and identification of damage in pipelines | |
| US20230013006A1 (en) | A system for monitoring and controlling a dynamic network | |
| CN113775327B (en) | Method, device, equipment, well drilling and storage medium for detecting well drilling abnormality | |
| KR102632541B1 (en) | diagnosis method and system for diagnose water valve | |
| KR20230137021A (en) | detecting method and system of pipe abnormality using artificial intelligence | |
| KR102626331B1 (en) | Pipe anomaly recording apparatus and monitoring system using the same | |
| Choudhary et al. | Leak detection in smart water distribution network | |
| Kwestarz et al. | Method for leak detection and location for gas networks | |
| KR102493362B1 (en) | Real-time accident detection system for waterworks using AI and method thereof | |
| WO2015087378A1 (en) | Water facility network abnormality detection device and abnormality detection method | |
| JP2023150219A (en) | Gas leak estimation system and method for estimating gas leak | |
| CN116010807A (en) | Multi-variable fusion diagnosis method for differential pressure type flowmeter | |
| RU2477818C2 (en) | Method for determining fluid medium inlet point to pipeline section | |
| PL200207B1 (en) | System designed to record instantaneous impacts in liquid or gas pressure transmission pipelines |