基于 Attention+LSTM的供水管網(wǎng) 漏損識(shí)別方法

文/胡鵬偉 劉璐 戴昭騫 葉蕾 林鈺峰 尹浪 王星

0 引言

大數(shù)據(jù)與人工智能等技術(shù)近年來(lái)正在促進(jìn)傳統(tǒng)基礎(chǔ)設(shè)施轉(zhuǎn)型升級(jí)，使傳統(tǒng)與創(chuàng)新融合，如智慧能源基礎(chǔ)設(shè)施、智慧城市基礎(chǔ)設(shè)施等。在城市基礎(chǔ)設(shè)施建設(shè)中，城市地下供水管網(wǎng)建設(shè)是一個(gè)重要的組成部分，其負(fù)責(zé)著整個(gè)城市用水的供應(yīng)，對(duì)城市的居民生活工作、工業(yè)生產(chǎn)等許多方面有著非常大的影響。隨著城市的不斷發(fā)展，地下管道網(wǎng)絡(luò)越來(lái)越復(fù)雜，而其中的安全隱患也愈發(fā)嚴(yán)重，建設(shè)良好的管理城市地下供水管道網(wǎng)絡(luò)，構(gòu)建科學(xué)的管網(wǎng)系統(tǒng)是城市建設(shè)中亟待解決的難題。在智慧城市建設(shè)的語(yǔ)境下，物聯(lián)網(wǎng)和人工智能技術(shù)為傳統(tǒng)地下供水管網(wǎng)問(wèn)題提供了新的解決思路。本文主要探討了傳感器網(wǎng)絡(luò)部署與機(jī)器學(xué)習(xí)算法在供水管網(wǎng)中應(yīng)用的問(wèn)題和挑戰(zhàn)，提出了使用傳感器融合模型解決管網(wǎng)漏點(diǎn)識(shí)別的問(wèn)題，并基于管網(wǎng)漏點(diǎn)檢測(cè)的場(chǎng)景設(shè)計(jì)實(shí)驗(yàn)進(jìn)行了可行性驗(yàn)證，最終得出對(duì)利用多視圖學(xué)習(xí)模型構(gòu)建智慧供水管網(wǎng)漏損識(shí)別方法的可行性分析。

1 問(wèn)題定義

水資源是城市生存發(fā)展的物質(zhì)基礎(chǔ)，由于水資源的供給不均衡，世界上許多國(guó)家和地區(qū)處在極端缺水狀態(tài)；而另一方面，城鎮(zhèn)水資源的低效利用和漏損浪費(fèi)也十分嚴(yán)重。城市供水管網(wǎng)，作為城市供水的最主要途徑，有著城市的“生命線”之稱。供水管網(wǎng)的管道由于深埋在路面下，當(dāng)其發(fā)生漏損時(shí)常常難以及時(shí)發(fā)覺(jué)，不僅給供水企業(yè)帶來(lái)經(jīng)濟(jì)利益和社會(huì)效益的影響，同時(shí)可能造成區(qū)域性停水等影響居民生活品質(zhì)的問(wèn)題發(fā)生。發(fā)展中國(guó)家的城市供水管網(wǎng)漏損率達(dá)15%以上。因此，有效地降低供水管網(wǎng)漏損率，有效地提高漏損檢測(cè)搶修的及時(shí)性，可以為供水企業(yè)節(jié)省非?？捎^的資源成本，提升經(jīng)濟(jì)效益。水管漏損主要存在以下兩種形式：

（1）明漏，是由管道內(nèi)水浸蝕管道覆蓋層涌出地表形成。明漏主要包括爆管、接口滴漏等情況。爆管主要指的是由意外導(dǎo)致的管道破損，這種情況通常會(huì)造成水資源的大量流失；接口滴漏主要是由于施工原因、材質(zhì)原因、環(huán)境原因等導(dǎo)致閥門(mén)或其他管網(wǎng)設(shè)施滴漏水，這種漏水速率不大，不易被人們重視，但實(shí)際上長(zhǎng)期的滴漏也會(huì)造成不小的經(jīng)濟(jì)損失和潛在安全隱患。

（2）暗漏，是指發(fā)生了管道漏水但沒(méi)有冒出地面的情況。暗漏中浸蝕出來(lái)的水可能通過(guò)浸入，或自成流徑等方式流入地下水層或城市溝網(wǎng)系統(tǒng)。這種漏水常常難以被人們察覺(jué)，也難以檢測(cè)或定位。

1.1 城市供水管網(wǎng)漏損的評(píng)價(jià)指標(biāo)

城市供水網(wǎng)絡(luò)中的漏水現(xiàn)象十分普遍。一方面，這將直接影響供水公司的利潤(rùn)，另一方面將影響管道，會(huì)對(duì)自身和道路基礎(chǔ)設(shè)施造成損害，并對(duì)周圍建筑物等公共設(shè)施造成潛在影響和威脅。因此，及時(shí)發(fā)現(xiàn)和控制供水管網(wǎng)泄漏已成為維持管網(wǎng)健康運(yùn)行的關(guān)鍵。領(lǐng)域內(nèi)的研究人員都非常重視管網(wǎng)泄漏的檢測(cè)與控制，近年來(lái)還開(kāi)發(fā)并研究了大量泄漏檢測(cè)儀器和泄漏控制模型。城市供水管網(wǎng)漏損的 評(píng)價(jià)指標(biāo)主要包括漏損率和漏失率。

綜合漏損率：

漏失率：

供水單位的綜合漏損率：

1.2 供水管網(wǎng)漏損檢測(cè)儀器

近幾十年來(lái)，供水行業(yè)非常重視供水網(wǎng)絡(luò)的事故和泄漏控制，傳統(tǒng)的方法大部分是針對(duì)特定管道網(wǎng)絡(luò)或管線開(kāi)發(fā)的定制檢測(cè)系統(tǒng)，最新的研究方向則是嘗試使用一種對(duì)泄漏噪聲沿管道壁傳播信號(hào)進(jìn)行相關(guān)分析的測(cè)試儀器，即利用頻譜分析的方法提取相應(yīng)的傳感器信號(hào)，使用專用的數(shù)字處理芯片，開(kāi)發(fā)了應(yīng)力波法泄漏測(cè)試儀，對(duì)強(qiáng)噪聲環(huán)境下地下管道的泄漏方法進(jìn)行了相關(guān)研究。目前，供水管網(wǎng)檢漏儀的研究和應(yīng)用大多基于聲學(xué)或電聲原理。常用的檢漏設(shè)備如下：

聽(tīng)漏棒。這是最簡(jiǎn)單、最常用的檢漏設(shè)備。它很長(zhǎng)，一端直接接觸管壁，另一端連接到泄漏檢測(cè)人員的耳朵上，桿發(fā)出的聲音使振動(dòng)板產(chǎn)生共振，并通過(guò)耳朵感知判斷是否漏水。適用于各種類型的管道泄漏檢測(cè)。

檢漏餅。其原理類似于聽(tīng)漏棒，探頭也是一種高度靈敏的振動(dòng)傳感器，通過(guò)傳感器與地面的接觸，并通過(guò)地面振動(dòng)經(jīng)薄膜放大傳至檢漏人員耳中。

相關(guān)的檢漏儀。由相關(guān)的儀器主機(jī)、兩個(gè)無(wú)線電發(fā)射器和兩個(gè)高靈敏度振動(dòng)傳感器組成。它的工作原理是，在泄點(diǎn)處，水和泄漏點(diǎn)之間的摩擦將產(chǎn)生聲音，并且該聲音將沿著管道傳播到兩側(cè)。相關(guān)的檢漏儀使用兩個(gè)傳感器檢測(cè)泄漏的聲波并將其轉(zhuǎn)換為電信號(hào)，當(dāng)電信號(hào)到達(dá)兩個(gè)擴(kuò)展部分后，將對(duì)電信號(hào)進(jìn)行放大和濾波，然后通過(guò)電纜或者無(wú)線電分別傳送到主機(jī)，根據(jù)偵測(cè)到的兩個(gè)電信號(hào)接收的時(shí)間差異，求出聲波時(shí)間差異，由此求出漏點(diǎn)到傳感器的實(shí)際距離。計(jì)算公式如下:

式中：l——漏點(diǎn)到最近傳感器的距離（m）

d——兩個(gè)傳感器間實(shí)際的管長(zhǎng)（m）

v——聲速（m/s）

其他檢漏設(shè)備。除上述檢漏設(shè)備外，常用的供水管網(wǎng)檢漏設(shè)備還包括自動(dòng)噪聲記錄儀、多探頭關(guān)聯(lián)儀、抗干擾雙探頭檢漏儀、自適應(yīng)檢漏儀等。

1.3 供水管網(wǎng)漏損檢測(cè)方法

目前，有兩種主要的泄漏檢測(cè)方法：被動(dòng)泄漏檢測(cè)和主動(dòng)泄漏檢測(cè)。

被動(dòng)泄漏檢測(cè)方法是管道檢查人員定期檢查管道，以檢查是否有自來(lái)水從地面溢出，以確定是否存在泄漏。如果發(fā)現(xiàn)的泄漏點(diǎn)是開(kāi)放式泄漏點(diǎn)，無(wú)需采用任何測(cè)試設(shè)備。這種方法的優(yōu)點(diǎn)是簡(jiǎn)單且投資金額少，但是在造成大量漏水之后才會(huì)發(fā)現(xiàn)，水資源嚴(yán)重浪費(fèi)并且損失太大；而且，這些泄漏點(diǎn)的位置和管段的泄漏點(diǎn)總是大不相同，這常常使維修需要挖掘量太大和維護(hù)時(shí)間太長(zhǎng)。

主動(dòng)泄漏檢測(cè)方法是使用一些先進(jìn)的檢測(cè)儀器來(lái)檢測(cè)管道網(wǎng)絡(luò)中的泄漏。傳統(tǒng)的主動(dòng)泄漏檢測(cè)方法主要包括視聽(tīng)泄漏檢測(cè)方法、泄漏自動(dòng)記錄監(jiān)控方、區(qū)域泄漏檢測(cè)方法、雷達(dá)泄漏檢測(cè)方法和壓力調(diào)節(jié)方法等。自20世紀(jì)70年代以來(lái)，研發(fā)人員開(kāi)發(fā)了許多用于管道網(wǎng)絡(luò)泄漏檢測(cè)和定位的新技術(shù)，包括基于磁通量的管道檢測(cè)方法，超聲和其他技術(shù)，負(fù)壓波法，壓力梯度法，神經(jīng)網(wǎng)絡(luò)法，光纖泄漏檢測(cè)法，質(zhì)量或體積平衡法，監(jiān)視和數(shù)據(jù)采集系統(tǒng)（SCADA），聲波檢測(cè)法，壓力波檢測(cè)法等。

隨著新技術(shù)的發(fā)展，越來(lái)越多的城市對(duì)供水管網(wǎng)進(jìn)行了普查和精確定位，建立了供水管網(wǎng)計(jì)算機(jī)管理系統(tǒng)，實(shí)現(xiàn)了動(dòng)態(tài)管理。但是，由于大多數(shù)城市供水管線的分布比較復(fù)雜，不同的國(guó)家、地區(qū)的方法計(jì)量和泄漏檢測(cè)方法不盡相同；另外，管理等諸多方面的問(wèn)題也導(dǎo)致了多數(shù)供水企業(yè)的泄漏檢測(cè)仍然以被動(dòng)法為主，泄漏損失控制水平仍然處于較低的狀態(tài)。

2 供水管網(wǎng)漏損預(yù)測(cè)模型研究

以往，業(yè)界普遍采用回歸分析的方法建立管網(wǎng)泄漏預(yù)測(cè)模型。Shamir 和Howard（1979）使用回歸分析方法建立了預(yù)測(cè)模型，以預(yù)測(cè)隨著供水管道鋪設(shè)年限增加，供水網(wǎng)絡(luò)泄漏頻率的變化。Walski（1982）將管道直徑和溫度因子引入了Shamir 和Howard 建立的預(yù)測(cè)模型中。Thomas（1987）和Enrique（1995）使用統(tǒng)計(jì)回歸方法，通過(guò)有關(guān)管網(wǎng)使用壽命和漏水率的統(tǒng)計(jì)數(shù)據(jù)來(lái)建立供水管壽命隨時(shí)間變化的回歸預(yù)測(cè)模型。Shridhar（2008）利用供水系統(tǒng)的管道泄漏數(shù)據(jù)建立了統(tǒng)計(jì)分析預(yù)測(cè)模型。除了使用泄漏檢測(cè)設(shè)備控制管網(wǎng)泄漏外，一些供水企業(yè)還建立了供水管網(wǎng)泄漏預(yù)測(cè)模型，使管網(wǎng)泄漏控制變被動(dòng)為主動(dòng)，這一類的管網(wǎng)泄漏預(yù)測(cè)模型主要包括：張宏偉（2001）建立的多元線性回歸模型；趙宏斌（2001）的指數(shù)平滑模型；傅玉芬（2004）的灰色預(yù)測(cè)模型；王圃（2006）的組合模型；王麗娟（2010）的差分自回歸移動(dòng)平均模型。 而近十年來(lái)，計(jì)算機(jī)和Internet 技術(shù)已滲透到人們生活的各個(gè)方面，可以使用各種儀器和設(shè)備來(lái)建立一套完整的在線連續(xù)監(jiān)視系統(tǒng)，使人們可以坐在可顯示整個(gè)城市供水網(wǎng)絡(luò)的計(jì)算機(jī)屏幕前系統(tǒng)地監(jiān)控供水網(wǎng)絡(luò)。城市供水網(wǎng)絡(luò)的計(jì)算機(jī)監(jiān)控工作原理主要是：硬件系統(tǒng)通過(guò)無(wú)線網(wǎng)絡(luò)將監(jiān)控到的管網(wǎng)數(shù)據(jù)（包括水壓、噪聲、流量等數(shù)據(jù)）發(fā)送到中央控制室，然后由軟件系統(tǒng)自動(dòng)判斷并自動(dòng)調(diào)整這些數(shù)據(jù)。如果發(fā)現(xiàn)造成管網(wǎng)泄漏的因素，則會(huì)發(fā)出告警。以下是幾種常用的管網(wǎng)泄漏檢測(cè)與定位系統(tǒng)。

（1） SCADA系統(tǒng)，SCADA（Supervisory Control and Data Acquisition）系統(tǒng)，即監(jiān)視和數(shù)據(jù)采集系統(tǒng)。將通過(guò)判斷所采集的數(shù)據(jù)（水質(zhì)、水壓、流量、流速等）來(lái)監(jiān)視安裝在管道上的數(shù)據(jù)收集器，可遠(yuǎn)程調(diào)整管道參數(shù)，實(shí)現(xiàn)供水管網(wǎng)各參數(shù)的實(shí)時(shí)調(diào)整和泄露告警。

（2）GIS（Geographical Information System）系統(tǒng)，即地理信息系統(tǒng)，是一種將電子計(jì)算機(jī)技術(shù)、地質(zhì)科學(xué)、傳感技術(shù)和信息科學(xué)相結(jié)合的高科技技術(shù)。它從簡(jiǎn)單的數(shù)據(jù)存儲(chǔ)、調(diào)查、統(tǒng)計(jì)和其他基本系統(tǒng)轉(zhuǎn)變?yōu)閷ｉT(mén)的智能分析和決策集成系統(tǒng)。

（3）供水管網(wǎng)動(dòng)態(tài)模型。與GIS 系統(tǒng)有關(guān)的供水管網(wǎng)的動(dòng)態(tài)模型始于供水管網(wǎng)中水力的動(dòng)態(tài)問(wèn)題，模擬了管道的流動(dòng)狀態(tài)。目前，大多數(shù)城市的供水網(wǎng)絡(luò)動(dòng)態(tài)模擬并不理想，模擬的工作條件不能與實(shí)際的工作條件相匹配，一方面，實(shí)際工作條件會(huì)隨著時(shí)間不斷變化，另一方面，供水網(wǎng)絡(luò)也會(huì)發(fā)生變化，但模型卻無(wú)法根據(jù)這些狀態(tài)及時(shí)變化和調(diào)整，因此，一套能融合多個(gè)傳感器信號(hào)并且能準(zhǔn)確識(shí)別漏點(diǎn)的系統(tǒng)是供水管道建設(shè)中的急切需求。

3 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

3.1 實(shí)驗(yàn)系統(tǒng)

本研究中搭建的智慧管網(wǎng)平臺(tái)是經(jīng)由水管管路配置的傳感器傳送流量、流速與壓力等信息至網(wǎng)關(guān)，再經(jīng)由網(wǎng)關(guān)傳輸至邊緣節(jié)點(diǎn)伺服器實(shí)現(xiàn)模型計(jì)算與模型學(xué)習(xí)，通過(guò)系統(tǒng)能夠?qū)崟r(shí)觀察管路狀態(tài)與管路漏點(diǎn)，依樹(shù)狀結(jié)構(gòu)可管理邊緣節(jié)點(diǎn)、網(wǎng)關(guān)與每個(gè)傳感器，重現(xiàn)未來(lái)智慧城市中管網(wǎng)信息的漏水場(chǎng)景。該沙盤(pán)場(chǎng)景一共設(shè)計(jì)了5個(gè)漏點(diǎn)，這些漏點(diǎn)也可作為正常用水的出水口。在實(shí)驗(yàn)過(guò)程中，會(huì)任意切換漏點(diǎn)和出水口的位置，并隨之切換水流大小，以模擬多種漏點(diǎn)和不同用水量的情況。具體沙盤(pán)設(shè)計(jì)視圖如圖1所示，通過(guò)可視化的前端界面，可實(shí)時(shí)展示漏點(diǎn)的位置和各指標(biāo)數(shù)據(jù)隨時(shí)間的波變化，具體界面如圖2所示。

圖1 供水管網(wǎng)漏損預(yù)測(cè)實(shí)驗(yàn)?zāi)M沙盤(pán)

圖2 城市供水管網(wǎng)漏損預(yù)測(cè)系統(tǒng)實(shí)時(shí)界面

3.2 實(shí)驗(yàn)數(shù)據(jù)

通過(guò)沙盤(pán)場(chǎng)景采集得到的數(shù)據(jù)指標(biāo)包括11個(gè)傳感器的ROF 瞬時(shí)流速、QOF 瞬時(shí)流量、PRESS 壓力、PAQOFI 正向累積流量整數(shù)部分、PAQOFD 正向累積流量小數(shù)部分、NAQOFI 反向累積流量整數(shù)部分以及NAQOFD 反向累積流量小數(shù)部分。在多種場(chǎng)景的切換過(guò)程中，隨時(shí)給當(dāng)前場(chǎng)景記錄標(biāo)簽，在數(shù)據(jù)庫(kù)中標(biāo)記為‘label’字段以表明實(shí)驗(yàn)時(shí)的漏點(diǎn)位置。由于2號(hào)、4號(hào)、6號(hào)、8號(hào)和10號(hào)傳感器在5個(gè)漏水點(diǎn)或出水口上，因此在模型中不可應(yīng)用這些傳感器的數(shù)據(jù)。模型最終應(yīng)用到的數(shù)據(jù)結(jié)構(gòu)如表1所示。由于原始數(shù)據(jù)范圍不一致，對(duì)數(shù)據(jù)做標(biāo)準(zhǔn)化處理，由圖3實(shí)驗(yàn)數(shù)據(jù)分布可見(jiàn)，數(shù)據(jù)分布確實(shí)存在一些異常值，尤其是壓力數(shù)據(jù)異常值較大且較多，這是由于沙盤(pán)放置的增壓泵壓力傳輸不穩(wěn)定造成的。此現(xiàn)象也會(huì)造成模型在不斷運(yùn)行過(guò)程中的偏差，因?yàn)楝F(xiàn)階段不可預(yù)知的劇烈壓力變化是無(wú)法通過(guò)模型來(lái)學(xué)習(xí)的。

表1 城市供水管網(wǎng)漏損預(yù)測(cè)模型數(shù)據(jù)結(jié)構(gòu)

表1（續(xù)）

圖3 城市供水管網(wǎng)漏損預(yù)測(cè)實(shí)驗(yàn)數(shù)據(jù)分布

如圖4所示，通過(guò)對(duì)各傳感器的指標(biāo)進(jìn)行相關(guān)性分析（顏色越深相關(guān)性越高）可看出，傳感器的流量和流速對(duì)目標(biāo)值影響比較大，且各指標(biāo)之間的相關(guān)性也比較高。傳感器1～傳應(yīng)器5對(duì)目標(biāo)值的影響比較明顯，符合沙盤(pán)布局規(guī)律。

圖4 城市供水管網(wǎng)漏損測(cè)實(shí)驗(yàn)中傳感器數(shù)據(jù)指標(biāo)熱力

4 Attention+LSTM 預(yù)測(cè)模型的建立

供水狀態(tài)重新穩(wěn)定之間的信號(hào)變化，解決了短時(shí)記憶的弊端。在這其中，“門(mén)”的概念會(huì)在訓(xùn)練過(guò)程中學(xué)習(xí)保存或遺忘哪些信息。然而，直接利用LSTM 的輸出層作為分類器的輸入表示層，會(huì)丟失每個(gè)時(shí)刻不同傳感器輸出信息的不同重要程度。針對(duì)這些場(chǎng)景中的特點(diǎn)，我們選擇引入一個(gè)Attention 層放置在原數(shù)據(jù)和LSTM 模型之間，即在LSTM 輸入層之前引入Attention 的Attention+LSTM 結(jié)構(gòu)以解決當(dāng)前的問(wèn)題，整體結(jié)構(gòu)如圖5所示。具體來(lái)說(shuō)，我們將使用Attention 機(jī)制的空間特征作為L(zhǎng)STM 的輸入，實(shí)現(xiàn)Attention+LSTM 預(yù)測(cè)模型。Attention 將從多個(gè)傳感器的輸入信號(hào)中捕捉到關(guān)鍵特征。最終我們將Attention+LSTM 模型的輸出設(shè)計(jì)為二分類問(wèn)題，即給定特征和標(biāo)簽訓(xùn)練識(shí)別漏水點(diǎn)的模型。圖5中輸入序列為各個(gè)傳感器上收集到的各個(gè)信號(hào)x0,x1,x2,…xt，將每個(gè)輸入傳入LSTM 單元，得到對(duì)應(yīng)隱藏層的輸出h0，h1,h2,…h(huán)t。這里，在LSTM 和輸入層之間引入Attention，通過(guò)計(jì)算給各個(gè)輸入分配注意力概率分布值, 也就是計(jì)算某一時(shí)刻的LSTM 輸入與整個(gè)傳感器表示向量的匹配得分占總體得分的比重。最終，yi是實(shí)際類別標(biāo)簽值，yi是利用softmax 函數(shù)計(jì)算的預(yù)測(cè)類別標(biāo)簽值。

對(duì)一個(gè)智慧管網(wǎng)系統(tǒng)而言，其每個(gè)傳感器所產(chǎn)生的信息和代表的區(qū)域顯然是不同的，即權(quán)重不同，在這種情況下，捕捉管網(wǎng)中不同區(qū)域的關(guān)鍵特征是有重要意義的。另一個(gè)不同于傳統(tǒng)多傳感器場(chǎng)景的特點(diǎn)是供水管網(wǎng)中還有時(shí)間特征，在發(fā)生泄漏和用水量浮動(dòng)較大時(shí)，發(fā)生點(diǎn)周邊的傳感器在一定時(shí)間內(nèi)會(huì)采集到一個(gè)管內(nèi)的數(shù)據(jù)變化趨勢(shì)。LSTM 模型在過(guò)去數(shù)年被驗(yàn)證了是一個(gè)有效的方法，在包含有時(shí)間維度的多傳感器場(chǎng)景下都展示出優(yōu)于傳統(tǒng)模型的表現(xiàn)。LSTM 的計(jì)算流程與循環(huán)網(wǎng)絡(luò)相似，會(huì)在一個(gè)前向傳播的過(guò)程中處理流經(jīng)“細(xì)胞”的數(shù)據(jù)，并且LSTM 具有能選擇保存信息或遺忘信息的功能。LSTM 通過(guò)引入“細(xì)胞”狀態(tài)以及“門(mén)”結(jié)構(gòu)，這就可以在信息的傳輸過(guò)程中讓信息能在序列鏈中傳輸下去，通過(guò)這種方式，LSTM 實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的記憶功能，這在含有時(shí)間維度并且需要實(shí)時(shí)監(jiān)測(cè)的供水管網(wǎng)場(chǎng)景下非常適用。通過(guò)這種方法，系統(tǒng)可以捕捉從發(fā)生漏水開(kāi)始的前期到后期

圖5 Attention+LSTM模型結(jié)構(gòu)

5 數(shù)據(jù)采集方案設(shè)計(jì)

5.1 采集方案

為收集數(shù)據(jù)設(shè)計(jì)的管道網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖6所示。從水箱（左下角）出水到管道，再?gòu)乃郏ㄖ虚g長(zhǎng)方形）收集水回到水箱，整個(gè)管網(wǎng)構(gòu)成了一個(gè)簡(jiǎn)單的回路結(jié)構(gòu)。水槽上方架設(shè)了五個(gè)水龍頭（編號(hào)1至5），分別從主干管道的五處不同位置接出，模擬的是5個(gè)用水場(chǎng)景。由于當(dāng)前沙盤(pán)中水龍頭全部需要手動(dòng)控制，模擬一個(gè)日常的區(qū)域用水行為疊加漏水情況難度較大，于是設(shè)計(jì)為如下場(chǎng)景：

1. 編號(hào)1、2為兩個(gè)漏水點(diǎn)，即開(kāi)關(guān)打開(kāi)時(shí)說(shuō)明該用水區(qū)域存在漏水情況，開(kāi)關(guān)關(guān)閉時(shí)說(shuō)明無(wú)漏水。其中漏水的大小可通過(guò)擰水龍頭進(jìn)行自由調(diào)整。

2. 編號(hào)3、4、5為三個(gè)正常用水點(diǎn)，即這幾處水龍頭開(kāi)關(guān)導(dǎo)致的管道內(nèi)環(huán)境變化不應(yīng)被檢測(cè)為漏水。為簡(jiǎn)化問(wèn)題，此三處的平均用水速度在一定時(shí)間內(nèi)會(huì)保持恒定。

根據(jù)管道漏點(diǎn)檢測(cè)場(chǎng)景的傳感器部署設(shè)計(jì)（如圖7），在模擬沙盤(pán)中共部署了11個(gè)傳感器，其中6個(gè)均勻分布在主干管道中作為特征收集（數(shù)據(jù)），另外五個(gè)分別部署在水龍頭所在管道分支處作為結(jié)果輸出（標(biāo)簽）。傳感器收集的數(shù)據(jù)特征及表示方法如表2所示。

圖6 城市供水管道網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

5.2 采集數(shù)據(jù)

1. 以漏點(diǎn)檢測(cè)分類問(wèn)題為目的的數(shù)據(jù)采集

在該分類問(wèn)題的情境下，一共存在以下幾種情形：水龍頭1和水龍頭2均關(guān)閉（無(wú)漏水）；水龍頭1關(guān)閉且水龍頭2打開(kāi)（漏點(diǎn)2漏水）；水龍頭1打開(kāi)且水龍頭2關(guān)閉（漏點(diǎn)1漏水）；水龍頭1和水龍頭2皆打開(kāi)（漏電1和漏電2都漏水）。針對(duì)以上四種情形依次設(shè)置為標(biāo)簽0、1、2和3進(jìn)行分標(biāo)簽采數(shù)。傳感器數(shù)據(jù)的采集頻率約為每3秒采集一次。

圖7 城市供水管網(wǎng)漏損預(yù)測(cè)實(shí)驗(yàn)中傳感器部署設(shè)計(jì)

（1）無(wú)漏水（標(biāo)簽0）采集數(shù)據(jù)方式。保持水龍頭1和2關(guān)閉狀態(tài)，3、4、5狀態(tài)隨意。每隔2分鐘安排不同的工作人員調(diào)試水龍頭3、4、5，調(diào)整方式完全主觀，既可以擰大或擰小出水速率，也可以直接選擇關(guān)閉水龍頭。數(shù)據(jù)采集兩個(gè)小時(shí)，共計(jì)收集2400組數(shù)據(jù)；

（2）1號(hào)口漏水（標(biāo)簽1）采集數(shù)據(jù)方式。水龍頭的閥口可擰的最大角度為90度，以15度為每段的長(zhǎng)度可以將漏水的程度分為6級(jí)：15度，30度，45度，60度，75度，90度。保持水龍頭2的關(guān)閉狀態(tài)，水龍頭1每20分鐘由工作人員調(diào)整一次，改變漏水速率，2小時(shí)總共測(cè)六組不同的數(shù)據(jù)。在這個(gè)過(guò)程中，每隔兩分鐘同樣有工作人員來(lái)隨機(jī)打亂水龍頭3、4、5的流速和開(kāi)閉狀態(tài)。該標(biāo)簽同樣收集2400組數(shù)據(jù)；

（3）2號(hào)口漏水（標(biāo)簽2）采集數(shù)據(jù)方式。同1號(hào)口漏水的采集方式，只是關(guān)閉的水龍頭為1，漏水口為2，收集2小時(shí)2400組數(shù)據(jù)。

（4）1號(hào)口和2號(hào)口均漏水（標(biāo)簽3）采集方式。用兩個(gè)漏水口漏水程度進(jìn)行排列組合，共存在6X6種情況。同樣安排人員每20分鐘調(diào)整一次換另一種情況，水龍頭3、4、5每?jī)煞昼婋S機(jī)調(diào)整一次，共收集12個(gè)小時(shí)14400組數(shù)據(jù)。

數(shù)據(jù)采集后，將標(biāo)簽0、1、2的所有數(shù)據(jù)與標(biāo)簽3中均勻采樣的2400組數(shù)據(jù)組合拼成9600組實(shí)驗(yàn)用數(shù)據(jù)。

通過(guò)數(shù)據(jù)梳理與驗(yàn)證，傳感器上傳的數(shù)據(jù)中，QOF（瞬時(shí)流量）、ROF（瞬時(shí)流速）和PRESS（壓力）與輸出的相關(guān)性較強(qiáng)，另外四個(gè)參數(shù)基本不相關(guān)。此外，傳感器2、4、6、8、10由于直接部署在水龍頭處，不可作為數(shù)據(jù)特征使用。因此，最后梳理的每組的數(shù)據(jù)格式如表2所示。

數(shù)據(jù)特征x：PRESS1, ROF1, QOF1, PRESS3,ROF3, QOF3, PRESS5, ROF5, QOF5, PRESS7,ROF7, QOF7, PRESS9, ROF9, QOF9, PRESS11,ROF11, QOF11。

數(shù)據(jù)輸出y：Label（0/1/2/3）。

5.3 以測(cè)量漏點(diǎn)漏水程度的回歸問(wèn)題為目的的數(shù)據(jù)采集

在該種情況下，依然可以利用分類問(wèn)題下采集的數(shù)據(jù)當(dāng)作數(shù)據(jù)特征。在輸出上，與輸出分類標(biāo)簽不同的是，每組數(shù)據(jù)需要將傳感器2和傳感器4（分別檢測(cè)水龍頭1和水龍頭2處的數(shù)據(jù)）的QOF 數(shù)據(jù)提取拼接成一個(gè)2維向量作為輸出。

數(shù)據(jù)特征x：PRESS1, ROF1, QOF1, PRESS3,ROF3, QOF3, PRESS5, ROF5, QOF5, PRESS7,ROF7, QOF7, PRESS9, ROF9, QOF9, PRESS11,ROF11, QOF11。

表2 城市供水管網(wǎng)漏損預(yù)測(cè)實(shí)驗(yàn)中傳感器收集的數(shù)據(jù)特征及表示方法

數(shù)據(jù)輸出y：QOF2, QOF4。

結(jié)果對(duì)比見(jiàn)表3 預(yù)測(cè)模型預(yù)測(cè)結(jié)果對(duì)比。

5.4 方法比較與性能評(píng)估

為了驗(yàn)證本研究設(shè)計(jì)方案的可行性，我們挑選了以下幾個(gè)傳統(tǒng)的機(jī)器學(xué)習(xí)分類和回歸方法對(duì)收集到的數(shù)據(jù)集進(jìn)行測(cè)試，并將測(cè)試結(jié)果作為本次試驗(yàn)的基線對(duì)比。

（1）SVM 支持向量機(jī)。

市供水城市供水支持向量機(jī)的思想主要結(jié)合了線性可分和結(jié)構(gòu)風(fēng)險(xiǎn)最小化兩部分理論，能夠在高維空間內(nèi)有效地解決分類、回歸、異常檢測(cè)等多種問(wèn)題，且由于只利用關(guān)鍵樣本構(gòu)成支持向量的邏輯，所建立的模型通常具有較好的魯棒性。

（2）決策樹(shù)（Decision Tree）與隨機(jī)森林（Ra ndom Forest）。

決策樹(shù)是一類利用信息熵與概率分析實(shí)現(xiàn)分類與回歸的有監(jiān)督預(yù)測(cè)模型，由于其采用圖解法，決策分支具有樹(shù)形結(jié)構(gòu)而得名。隨機(jī)森林是基于集成學(xué)習(xí)理論，結(jié)合多個(gè)決策樹(shù)從而提高整體的準(zhǔn)確率。隨機(jī)森林的算法優(yōu)勢(shì)在于，首先數(shù)據(jù)準(zhǔn)備階段不需要做太多的特征選擇，非常適合實(shí)驗(yàn)驗(yàn)證；其次訓(xùn)練速度較快，樹(shù)與樹(shù)之間的訓(xùn)練可并行化；最后從訓(xùn)練結(jié)果中可以反饋得到特征的重要性量化值。

表3 城市供水管網(wǎng)漏損預(yù)測(cè)模型預(yù)測(cè)結(jié)果對(duì)比

（3）KNN 鄰近算法。

該算法的核心思想是對(duì)于一個(gè)未知點(diǎn)，在其特種空間中找到與之相似度最近的k個(gè)鄰近點(diǎn)去推斷該點(diǎn)的相應(yīng)未知值。由于該算法屬于無(wú)監(jiān)督學(xué)習(xí)，不需要模型訓(xùn)練，因此適合數(shù)據(jù)量較大的分類問(wèn)題，能夠較快速地反饋出驗(yàn)證結(jié)果。

（4）線性回歸。

使用線性模型對(duì)輸入變量和輸出變量之間的關(guān)系建模，可以最快速地對(duì)回歸問(wèn)題進(jìn)行驗(yàn)證，該方法在關(guān)系不是非常復(fù)雜且數(shù)據(jù)量不是特別多的情況下效果較好。在本實(shí)驗(yàn)中，除了效果驗(yàn)證，利用線性回歸的另一個(gè)目的是因其具有較好的可理解性，可能可以從數(shù)據(jù)中抽象出一個(gè)有價(jià)值的公式來(lái)代表變量間的關(guān)系。

為了對(duì)比Attention-LSTM 模型與傳統(tǒng)模型在管網(wǎng)應(yīng)用場(chǎng)景下的性能表現(xiàn)，我們采用ACC（準(zhǔn)確率）和 AUROC（曲線下面積）這兩個(gè)指標(biāo)來(lái)評(píng)測(cè)模型的表現(xiàn)。由表3可知，SVM 模型和Random Forest模型在傳統(tǒng)機(jī)器學(xué)習(xí)模型中表現(xiàn)出極大的優(yōu)勢(shì)，在ACC 和AUROC 指標(biāo)上都取得了第二和第三好的表現(xiàn)，本研究提出的 Attention+LSTM 預(yù)測(cè)方法對(duì)比SVM、Decision Tree、Random Forest、KNN、LR模型的ACC 和AUROC 又獲得了一定的提高。實(shí)際的計(jì)算過(guò)程中，Attention+LSTM 模型因?yàn)橐肓薃ttention 機(jī)制并且包含了時(shí)間維度，其網(wǎng)絡(luò)建模耗時(shí)相對(duì)較長(zhǎng)，但由于漏水點(diǎn)識(shí)別并非一個(gè)需要實(shí)時(shí)獲得識(shí)別結(jié)果的任務(wù)，實(shí)際使用中對(duì)漏水點(diǎn)的位置定位準(zhǔn)確性是優(yōu)先保證的，因此，我們?cè)诖瞬粚⒏髂Ｐ椭g的微小計(jì)算時(shí)間差別計(jì)作評(píng)價(jià)指標(biāo)。

6 結(jié)語(yǔ)

基于多傳感器融合獲取更全面的管道信息、供水狀態(tài)信息和每個(gè)管道內(nèi)的水流信息，并以此為基礎(chǔ)識(shí)別城市供水管道中的泄漏點(diǎn)已成為未來(lái)智慧管網(wǎng)建設(shè)的必備能力。在我們的實(shí)驗(yàn)系統(tǒng)中，我們搭建了一套完整智慧管網(wǎng)平臺(tái)，包括水管管路配置的傳感器傳送流量、流速與壓力等信息至網(wǎng)關(guān)，再經(jīng)由網(wǎng)關(guān)傳輸至邊緣節(jié)點(diǎn)伺服器實(shí)現(xiàn)模型計(jì)算與模型學(xué)習(xí)。在實(shí)驗(yàn)環(huán)境下，我們應(yīng)用了 Attention+LSTM 模型實(shí)時(shí)觀察管路狀態(tài)與管路漏點(diǎn)，通過(guò)部署的傳感器實(shí)現(xiàn)以上需求。在實(shí)驗(yàn)過(guò)程中，我們通過(guò)隨機(jī)切換漏點(diǎn)和出水口的位置，并隨之切換水流大小，以模擬多種漏點(diǎn)和不同用水量的情況，通過(guò)仿真和模擬環(huán)境驗(yàn)證了模型的有效性。相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)模型，Attention+LSTM 模型能捕捉供水管道全天不同時(shí)間用水變化大的特點(diǎn)。優(yōu)秀的實(shí)驗(yàn)結(jié)果證明了本研究建構(gòu)的模型的優(yōu)勢(shì)，在今后的模型優(yōu)化中我們還需要進(jìn)一步考慮目標(biāo)管道周圍管道信號(hào)的相互影響。