利用流量传感器采集各管段流量数据泄漏破坏流量平衡产生特征差异决策树学习该模式实现泄漏检测与管段定位。长距离原水管线中未检测到的泄漏会导致严重水损。长距离原水管线的地下部署、传感器的灵敏度和管网的复杂性给准确的漏水检测和定位带来了挑战。文章提出一种新的泄漏检测和定位方法该方法将机器学习应用于水流传感器生成的数据建立一个简单的长距离原水管线模拟管网由横跨不同管段的3个水流传感器组成。记录流量传感器的读数并用于训练机器学习分类器。泄漏检测和定位结果表明机器学习的方法可以有效地检测和定位长距离原水管线泄漏准确率为99.58%。一、引言长距离原水管线是地下水管道系统的一部分分布在城市的各个角落。在运行过程中会受到磨损、撕裂、老化和严重损坏从而导致泄漏。这些通过裂缝和孔洞造成的漏水占总需水量的近20%。漏水主要有两种类型:报告的未报告和。报告的泄漏如管道爆裂通常会出现在地面上通过目视检查很容易发现。然而由于开放裂缝或通过蠕变接缝流动而渗入地面的背景泄漏相对难以检测。这些背景泄漏大多是隐藏的并沿管道长距离持续导致未报告的泄漏。以往发现背景泄漏的工作是基于人员的目视检查这需要时间和人力并且存在可靠性问题。更先进的研究使用了基于磁感应、粒子传感器、雷达和热成像的技术成本较高。因此它们仅用于特定间隔的检查只能在高风险区域设置。此外由于这些系统不支持实时监测泄漏在很长一段时间内都没有被发现导致大量的水浪费。在最近的工作中已经部署了压力、温度和声学传感器等现场传感器来持续监测管道以检测泄漏。压力传感器对即时爆裂期间产生的压降进行工作。然而通过接头的泄漏可能会被忽视因为它们产生的压差比立即爆裂的压差小。尽管成本效益高且准确但声传感器不耐噪音可能会将外部环境声音错误地检测为泄漏。温度传感器用于识别由于管道泄漏引起的温度值变化。虽然这些值的增加或减少表明存在泄漏但土壤和管道之间的温差很小因此很容易因雨水、湿度等引起季节性温度波动。水流测量传感器有效地测量了与管道流量相关的泄漏。之前使用水流计的工作侧重于将它们收集的水量与设定的阈值进行比较阈值会随着水源压力而变化。因此这些方法产生了一个次优解来定位泄漏。本文提出一种新的方法利用机器学习算法结合水流计的输入检测泄漏并预测其位置。水流传感器生成的数据用于训练机器学习分类器然后可以有效地预测存在泄漏的管段。为了监测水流在不同的管道段安装了流量传感器并将生成的传感器读数用作训练机器学习分类器的输入数据。这不仅可以准确地检测泄漏的存在而且在一定程度上还可以通过预测可能存在泄漏的管段来定位泄漏。二、泄漏检测和定位方法2.1 总体思路水流传感器在供水管理中的使用一直很普遍。以前这些传感器主要用于监测分配给当地特定家庭的水量。在本文中利用这些传感器的数据来训练机器学习模型从而能够准确检测和定位长距离原水管线泄漏点。图1显示了所提出的泄漏检测框架的系统流程图。第一步是在T形管道结构中建立一个带有3个流量传感器的小型试验台。考虑了3个最大测量能力为每分钟30 L的流量传感器。随后针对可能的泄漏情况模拟了各种现实场景并收集了生成的数据。在管道的顶部和底部创建了各种大小的孔以模拟一系列现实世界的场景。由于数据包含几个异常值和错误值对收集到的数据进行了预处理以消除异常然后将其输入到各种多类机器学习算法中。最后训练了一个机器学习模型来预测泄漏以及发生泄漏的管道的潜在位置。图1说明所提出的泄漏检测框架系统流程图包含 T 形管道、3 个流量传感器、数据采集、预处理、机器学习训练、泄漏检测与管段定位。2.2 硬件设置硬件设置包括3个输水管和一个水流传感器每个都连接到Raspberry Pi。使用60 W的潜水泵输送水。3根塑料输水管形成了一个T形网络。每个管段都安装了一个流量传感器直径为1.5 cm与管道末端内联测量单位时间内流经管道的水。这些YF-S201水流传感器可以测量1~30 L/min的流量。将这3个管道标记为p1、p2和p3。这些标签用于定位3个管段之间的泄漏。以这种方式每个管段都与流量传感器相关联并且只有当管段可能导致未来的泄漏时管段才会与流量传感器相关。这些传感器是传感器节点的一部分。2.3 水流传感器和 Raspberry Pi 之间的通信传感器节点和服务器连接到TCP/IP(传输控制协议/网际协议)网络。这是在Wi-Fi通信技术的帮助下实现的以实现传感器节点和服务之间的局域网连接。作为将传感器数据发送到服务器的软件设计决策的一部分使用了MQTT(消息队列遥测传输)协议。MQTT协议遵循基于发布者-订阅者的消息传递方法它通常用于IoT(物联网)系统中的通信。它使设备能够以最小的开销在网络上异步发送和接收消息。MQTT中的发布-订阅模型允许设备向消息代理发送消息而不是直接相互发送。这可能比设备到设备通信模型更有效特别是在设备具有间歇性或低带宽连接的情况下。这使得它非常适合通过降低数据通信中的功耗来监测漏水检测系统。它易于实施并被广泛采用。MQTT是高效的非常适合在应用程序中频繁传输少量数据。消息可以立即传递也可以延迟具体取决于网络和消息代理的状态。2.4 通过多级分类进行定位数据按7:2:1的比例划分分别用于训练、测试和验证。训练集用于训练决策树模型测试集用于评估其在未知数据上的性能验证集用于参数调优。训练了5个多分类模型分别是支持向量机、逻辑回归、决策树、朴素贝叶斯和K-近邻算法以检测管道中存在泄漏的部分。然而由于其高可解释性选择了决策树分类器进行多类分类任务。该算法形成的规则树非常易于理解可用于跟踪泄漏源。该标准被设置为“熵”即它被用作损失函数。熵的选择是出于它有效处理类不平衡的能力。尽管创建了一个平衡的数据集但现实世界的数据可能是不平衡的使用熵作为分割标准可以确保决策树考虑整体类分布避免偏向多数类。为了防止决策树模型中常见的过拟合问题树的最大深度限制为3。三、数据收集及预处理3.1 数据集收集数据集是在2个不同的阶段收集的。在第一阶段在各种水压下收集了来自无泄漏传输管道的传感器值。数据收集的第二阶段涉及模拟各种现实环境在单个管道中引入泄漏。为了模拟大多数现实世界的场景在距离流量计不同的位置钻了各种大小的孔。在设置系统时遇到的一些挑战是流量计连接到管道的接头和T形接头处的不必要泄漏。当水通过孔时各种排列的孔同时打开和关闭以创造各种泄漏情况。然后收集数据并附上相应的标签指示发生泄漏的网络部分。表1 从3个水流传感器接收到的无泄漏数据值样本表2 从3个水流传感器接收到的泄漏数据值样本3.2 数据预处理由于数据以1 s的间隔收集数据集中出现了许多冗余值手动删除了这些值。在设置系统和改变泄漏情况期间在一些流量传感器中遇到了一些零值也手动删除了这些零值。此外确保了数据集的平衡即泄漏和非泄漏样本的数量以及各种类别的非泄漏样本大致相等。泄漏检测和定位的结果分析与实际场景一样传感器将位于地下因此计算必须在边缘设备上完成。在使用边缘设备时空间和时间复杂性是至关重要的因素。由于边缘设备的内存和计算能力有限在空间和预测时间方面选择有效的机器学习模型非常重要。表3比较了在边缘设备上运行各种机器学习模型的计算复杂度和空间复杂度。为了延长边缘设备的电池寿命每5分钟对收集的大约300个数据样本进行一次预测。表3 从最终模型的大小、推理时间和CPU利用率方面详细比较了各种机器学习模型需要注意的是这里提到的推理时间是针对300个数据点的。从表中可以看出K-近邻算法和支持向量机模型具有较高的空间复杂度和时间复杂度。决策树、朴素贝叶斯和逻辑回归显示出可比较的值。每个模型的CPU利用率是相近的。根据准确率、精确率、召回率和F1-得分指标对训练模型的性能进行比较如表4所示。所示结果基于测试数据反映了数据分析在解决漏水检测问题时具有较高的准确性。表4 不同性能指标下各种机器学习算法的比较分析决策树通常被认为比其他机器学习技术更具可解释性。决策树中决策规则的层次结构为决策过程提供了透明度使人们更容易理解模型是如何得出预测的。因此它已被用于多级分类以检测长距离原水管线漏水。它可以让管理员跟踪泄漏源。由于要使用部署在边缘设备上的机器学习模型实时进行预测因此应控制内存要求和计算能力。虽然决策树算法形成的模型大小略大于其他模型但其预测时间相对较短。由于决策树容易在训练数据上过度拟合在实验中将树的最大大小限制为3个。考虑到预测过程中所需的内存和计算之间的权衡可以使用其他模型。实验证明流量传感器是水管理系统的理想选择。需要注意的一点是流量传感器不容易与当前的地下管道集成因为它们需要在每一端安装管道这需要挖掘地面和切割管道。四、结语鉴于流量传感器在流量测量方面的准确结果和对周围噪声的抵抗力以及其低成本流量传感器适用于长距离原水管线泄漏检测。在管网中安装水流传感器收集多种泄漏和非泄漏情况下的流量用于训练五种机器学习算法。通过增加长距离原水管线网络原型的复杂性来扩展以测试该方法在现实世界场景中的适用性。此外作为泄漏位置的未来方向机器学习也可用于估计管道中泄漏的大小。