文/胡鹏伟 刘璐 戴昭骞 叶蕾 林钰峰 尹浪 王星

0 引言

大数据与人工智能等技术近年来正在促进传统基础设施转型升级，使传统与创新融合，如智慧能源基础设施、智慧城市基础设施等。在城市基础设施建设中，城市地下供水管网建设是一个重要的组成部分，其负责着整个城市用水的供应，对城市的居民生活工作、工业生产等许多方面有着非常大的影响。随着城市的不断发展，地下管道网络越来越复杂，而其中的安全隐患也愈发严重，建设良好的管理城市地下供水管道网络，构建科学的管网系统是城市建设中亟待解决的难题。在智慧城市建设的语境下，物联网和人工智能技术为传统地下供水管网问题提供了新的解决思路。本文主要探讨了传感器网络部署与机器学习算法在供水管网中应用的问题和挑战，提出了使用传感器融合模型解决管网漏点识别的问题，并基于管网漏点检测的场景设计实验进行了可行性验证，最终得出对利用多视图学习模型构建智慧供水管网漏损识别方法的可行性分析。

1 问题定义

水资源是城市生存发展的物质基础，由于水资源的供给不均衡，世界上许多国家和地区处在极端缺水状态；而另一方面，城镇水资源的低效利用和漏损浪费也十分严重。城市供水管网，作为城市供水的最主要途径，有着城市的“生命线”之称。供水管网的管道由于深埋在路面下，当其发生漏损时常常难以及时发觉，不仅给供水企业带来经济利益和社会效益的影响，同时可能造成区域性停水等影响居民生活品质的问题发生。发展中国家的城市供水管网漏损率达15%以上。因此，有效地降低供水管网漏损率，有效地提高漏损检测抢修的及时性，可以为供水企业节省非常可观的资源成本，提升经济效益。水管漏损主要存在以下两种形式：

（1）明漏，是由管道内水浸蚀管道覆盖层涌出地表形成。明漏主要包括爆管、接口滴漏等情况。爆管主要指的是由意外导致的管道破损，这种情况通常会造成水资源的大量流失；接口滴漏主要是由于施工原因、材质原因、环境原因等导致阀门或其他管网设施滴漏水，这种漏水速率不大，不易被人们重视，但实际上长期的滴漏也会造成不小的经济损失和潜在安全隐患。

（2）暗漏，是指发生了管道漏水但没有冒出地面的情况。暗漏中浸蚀出来的水可能通过浸入，或自成流径等方式流入地下水层或城市沟网系统。这种漏水常常难以被人们察觉，也难以检测或定位。

1.1 城市供水管网漏损的评价指标

城市供水网络中的漏水现象十分普遍。一方面，这将直接影响供水公司的利润，另一方面将影响管道，会对自身和道路基础设施造成损害，并对周围建筑物等公共设施造成潜在影响和威胁。因此，及时发现和控制供水管网泄漏已成为维持管网健康运行的关键。领域内的研究人员都非常重视管网泄漏的检测与控制，近年来还开发并研究了大量泄漏检测仪器和泄漏控制模型。城市供水管网漏损的 评价指标主要包括漏损率和漏失率。

综合漏损率：

漏失率：

供水单位的综合漏损率：

1.2 供水管网漏损检测仪器

近几十年来，供水行业非常重视供水网络的事故和泄漏控制，传统的方法大部分是针对特定管道网络或管线开发的定制检测系统，最新的研究方向则是尝试使用一种对泄漏噪声沿管道壁传播信号进行相关分析的测试仪器，即利用频谱分析的方法提取相应的传感器信号，使用专用的数字处理芯片，开发了应力波法泄漏测试仪，对强噪声环境下地下管道的泄漏方法进行了相关研究。目前，供水管网检漏仪的研究和应用大多基于声学或电声原理。常用的检漏设备如下：

听漏棒。这是最简单、最常用的检漏设备。它很长，一端直接接触管壁，另一端连接到泄漏检测人员的耳朵上，杆发出的声音使振动板产生共振，并通过耳朵感知判断是否漏水。适用于各种类型的管道泄漏检测。

检漏饼。其原理类似于听漏棒，探头也是一种高度灵敏的振动传感器，通过传感器与地面的接触，并通过地面振动经薄膜放大传至检漏人员耳中。

相关的检漏仪。由相关的仪器主机、两个无线电发射器和两个高灵敏度振动传感器组成。它的工作原理是，在泄点处，水和泄漏点之间的摩擦将产生声音，并且该声音将沿着管道传播到两侧。相关的检漏仪使用两个传感器检测泄漏的声波并将其转换为电信号，当电信号到达两个扩展部分后，将对电信号进行放大和滤波，然后通过电缆或者无线电分别传送到主机，根据侦测到的两个电信号接收的时间差异，求出声波时间差异，由此求出漏点到传感器的实际距离。计算公式如下:

式中：l——漏点到最近传感器的距离（m）

d——两个传感器间实际的管长（m）

v——声速（m/s）

其他检漏设备。除上述检漏设备外，常用的供水管网检漏设备还包括自动噪声记录仪、多探头关联仪、抗干扰双探头检漏仪、自适应检漏仪等。

1.3 供水管网漏损检测方法

目前，有两种主要的泄漏检测方法：被动泄漏检测和主动泄漏检测。

被动泄漏检测方法是管道检查人员定期检查管道，以检查是否有自来水从地面溢出，以确定是否存在泄漏。如果发现的泄漏点是开放式泄漏点，无需采用任何测试设备。这种方法的优点是简单且投资金额少，但是在造成大量漏水之后才会发现，水资源严重浪费并且损失太大；而且，这些泄漏点的位置和管段的泄漏点总是大不相同，这常常使维修需要挖掘量太大和维护时间太长。

主动泄漏检测方法是使用一些先进的检测仪器来检测管道网络中的泄漏。传统的主动泄漏检测方法主要包括视听泄漏检测方法、泄漏自动记录监控方、区域泄漏检测方法、雷达泄漏检测方法和压力调节方法等。自20世纪70年代以来，研发人员开发了许多用于管道网络泄漏检测和定位的新技术，包括基于磁通量的管道检测方法，超声和其他技术，负压波法，压力梯度法，神经网络法，光纤泄漏检测法，质量或体积平衡法，监视和数据采集系统（SCADA），声波检测法，压力波检测法等。

随着新技术的发展，越来越多的城市对供水管网进行了普查和精确定位，建立了供水管网计算机管理系统，实现了动态管理。但是，由于大多数城市供水管线的分布比较复杂，不同的国家、地区的方法计量和泄漏检测方法不尽相同；另外，管理等诸多方面的问题也导致了多数供水企业的泄漏检测仍然以被动法为主，泄漏损失控制水平仍然处于较低的状态。

2 供水管网漏损预测模型研究

以往，业界普遍采用回归分析的方法建立管网泄漏预测模型。Shamir 和Howard（1979）使用回归分析方法建立了预测模型，以预测随着供水管道铺设年限增加，供水网络泄漏频率的变化。Walski（1982）将管道直径和温度因子引入了Shamir 和Howard 建立的预测模型中。Thomas（1987）和Enrique（1995）使用统计回归方法，通过有关管网使用寿命和漏水率的统计数据来建立供水管寿命随时间变化的回归预测模型。Shridhar（2008）利用供水系统的管道泄漏数据建立了统计分析预测模型。除了使用泄漏检测设备控制管网泄漏外，一些供水企业还建立了供水管网泄漏预测模型，使管网泄漏控制变被动为主动，这一类的管网泄漏预测模型主要包括：张宏伟（2001）建立的多元线性回归模型；赵宏斌（2001）的指数平滑模型；傅玉芬（2004）的灰色预测模型；王圃（2006）的组合模型；王丽娟（2010）的差分自回归移动平均模型。 而近十年来，计算机和Internet 技术已渗透到人们生活的各个方面，可以使用各种仪器和设备来建立一套完整的在线连续监视系统，使人们可以坐在可显示整个城市供水网络的计算机屏幕前系统地监控供水网络。城市供水网络的计算机监控工作原理主要是：硬件系统通过无线网络将监控到的管网数据（包括水压、噪声、流量等数据）发送到中央控制室，然后由软件系统自动判断并自动调整这些数据。如果发现造成管网泄漏的因素，则会发出告警。以下是几种常用的管网泄漏检测与定位系统。

（1） SCADA系统，SCADA（Supervisory Control and Data Acquisition）系统，即监视和数据采集系统。将通过判断所采集的数据（水质、水压、流量、流速等）来监视安装在管道上的数据收集器，可远程调整管道参数，实现供水管网各参数的实时调整和泄露告警。

（2）GIS（Geographical Information System）系统，即地理信息系统，是一种将电子计算机技术、地质科学、传感技术和信息科学相结合的高科技技术。它从简单的数据存储、调查、统计和其他基本系统转变为专门的智能分析和决策集成系统。

（3）供水管网动态模型。与GIS 系统有关的供水管网的动态模型始于供水管网中水力的动态问题，模拟了管道的流动状态。目前，大多数城市的供水网络动态模拟并不理想，模拟的工作条件不能与实际的工作条件相匹配，一方面，实际工作条件会随着时间不断变化，另一方面，供水网络也会发生变化，但模型却无法根据这些状态及时变化和调整，因此，一套能融合多个传感器信号并且能准确识别漏点的系统是供水管道建设中的急切需求。

3 实验系统设计

3.1 实验系统

本研究中搭建的智慧管网平台是经由水管管路配置的传感器传送流量、流速与压力等信息至网关，再经由网关传输至边缘节点伺服器实现模型计算与模型学习，通过系统能够实时观察管路状态与管路漏点，依树状结构可管理边缘节点、网关与每个传感器，重现未来智慧城市中管网信息的漏水场景。该沙盘场景一共设计了5个漏点，这些漏点也可作为正常用水的出水口。在实验过程中，会任意切换漏点和出水口的位置，并随之切换水流大小，以模拟多种漏点和不同用水量的情况。具体沙盘设计视图如图1所示，通过可视化的前端界面，可实时展示漏点的位置和各指标数据随时间的波变化，具体界面如图2所示。

图1 供水管网漏损预测实验模拟沙盘

图2 城市供水管网漏损预测系统实时界面

3.2 实验数据

通过沙盘场景采集得到的数据指标包括11个传感器的ROF 瞬时流速、QOF 瞬时流量、PRESS 压力、PAQOFI 正向累积流量整数部分、PAQOFD 正向累积流量小数部分、NAQOFI 反向累积流量整数部分以及NAQOFD 反向累积流量小数部分。在多种场景的切换过程中，随时给当前场景记录标签，在数据库中标记为‘label’字段以表明实验时的漏点位置。由于2号、4号、6号、8号和10号传感器在5个漏水点或出水口上，因此在模型中不可应用这些传感器的数据。模型最终应用到的数据结构如表1所示。由于原始数据范围不一致，对数据做标准化处理，由图3实验数据分布可见，数据分布确实存在一些异常值，尤其是压力数据异常值较大且较多，这是由于沙盘放置的增压泵压力传输不稳定造成的。此现象也会造成模型在不断运行过程中的偏差，因为现阶段不可预知的剧烈压力变化是无法通过模型来学习的。

表1 城市供水管网漏损预测模型数据结构

表1（续）

图3 城市供水管网漏损预测实验数据分布

如图4所示，通过对各传感器的指标进行相关性分析（颜色越深相关性越高）可看出，传感器的流量和流速对目标值影响比较大，且各指标之间的相关性也比较高。传感器1～传应器5对目标值的影响比较明显，符合沙盘布局规律。

图4 城市供水管网漏损测实验中传感器数据指标热力

4 Attention+LSTM 预测模型的建立

供水状态重新稳定之间的信号变化，解决了短时记忆的弊端。在这其中，“门”的概念会在训练过程中学习保存或遗忘哪些信息。然而，直接利用LSTM 的输出层作为分类器的输入表示层，会丢失每个时刻不同传感器输出信息的不同重要程度。针对这些场景中的特点，我们选择引入一个Attention 层放置在原数据和LSTM 模型之间，即在LSTM 输入层之前引入Attention 的Attention+LSTM 结构以解决当前的问题，整体结构如图5所示。具体来说，我们将使用Attention 机制的空间特征作为LSTM 的输入，实现Attention+LSTM 预测模型。Attention 将从多个传感器的输入信号中捕捉到关键特征。最终我们将Attention+LSTM 模型的输出设计为二分类问题，即给定特征和标签训练识别漏水点的模型。图5中输入序列为各个传感器上收集到的各个信号x0,x1,x2,…xt，将每个输入传入LSTM 单元，得到对应隐藏层的输出h0，h1,h2,…ht。这里，在LSTM 和输入层之间引入Attention，通过计算给各个输入分配注意力概率分布值, 也就是计算某一时刻的LSTM 输入与整个传感器表示向量的匹配得分占总体得分的比重。最终，yi是实际类别标签值，yi是利用softmax 函数计算的预测类别标签值。

对一个智慧管网系统而言，其每个传感器所产生的信息和代表的区域显然是不同的，即权重不同，在这种情况下，捕捉管网中不同区域的关键特征是有重要意义的。另一个不同于传统多传感器场景的特点是供水管网中还有时间特征，在发生泄漏和用水量浮动较大时，发生点周边的传感器在一定时间内会采集到一个管内的数据变化趋势。LSTM 模型在过去数年被验证了是一个有效的方法，在包含有时间维度的多传感器场景下都展示出优于传统模型的表现。LSTM 的计算流程与循环网络相似，会在一个前向传播的过程中处理流经“细胞”的数据，并且LSTM 具有能选择保存信息或遗忘信息的功能。LSTM 通过引入“细胞”状态以及“门”结构，这就可以在信息的传输过程中让信息能在序列链中传输下去，通过这种方式，LSTM 实现对网络的记忆功能，这在含有时间维度并且需要实时监测的供水管网场景下非常适用。通过这种方法，系统可以捕捉从发生漏水开始的前期到后期

图5 Attention+LSTM模型结构

5 数据采集方案设计

5.1 采集方案

为收集数据设计的管道网络拓扑结构如图6所示。从水箱（左下角）出水到管道，再从水槽（中间长方形）收集水回到水箱，整个管网构成了一个简单的回路结构。水槽上方架设了五个水龙头（编号1至5），分别从主干管道的五处不同位置接出，模拟的是5个用水场景。由于当前沙盘中水龙头全部需要手动控制，模拟一个日常的区域用水行为叠加漏水情况难度较大，于是设计为如下场景：

1. 编号1、2为两个漏水点，即开关打开时说明该用水区域存在漏水情况，开关关闭时说明无漏水。其中漏水的大小可通过拧水龙头进行自由调整。

2. 编号3、4、5为三个正常用水点，即这几处水龙头开关导致的管道内环境变化不应被检测为漏水。为简化问题，此三处的平均用水速度在一定时间内会保持恒定。

根据管道漏点检测场景的传感器部署设计（如图7），在模拟沙盘中共部署了11个传感器，其中6个均匀分布在主干管道中作为特征收集（数据），另外五个分别部署在水龙头所在管道分支处作为结果输出（标签）。传感器收集的数据特征及表示方法如表2所示。

图6 城市供水管道网络拓扑结构

5.2 采集数据

1. 以漏点检测分类问题为目的的数据采集

在该分类问题的情境下，一共存在以下几种情形：水龙头1和水龙头2均关闭（无漏水）；水龙头1关闭且水龙头2打开（漏点2漏水）；水龙头1打开且水龙头2关闭（漏点1漏水）；水龙头1和水龙头2皆打开（漏电1和漏电2都漏水）。针对以上四种情形依次设置为标签0、1、2和3进行分标签采数。传感器数据的采集频率约为每3秒采集一次。

图7 城市供水管网漏损预测实验中传感器部署设计

（1）无漏水（标签0）采集数据方式。保持水龙头1和2关闭状态，3、4、5状态随意。每隔2分钟安排不同的工作人员调试水龙头3、4、5，调整方式完全主观，既可以拧大或拧小出水速率，也可以直接选择关闭水龙头。数据采集两个小时，共计收集2400组数据；

（2）1号口漏水（标签1）采集数据方式。水龙头的阀口可拧的最大角度为90度，以15度为每段的长度可以将漏水的程度分为6级：15度，30度，45度，60度，75度，90度。保持水龙头2的关闭状态，水龙头1每20分钟由工作人员调整一次，改变漏水速率，2小时总共测六组不同的数据。在这个过程中，每隔两分钟同样有工作人员来随机打乱水龙头3、4、5的流速和开闭状态。该标签同样收集2400组数据；

（3）2号口漏水（标签2）采集数据方式。同1号口漏水的采集方式，只是关闭的水龙头为1，漏水口为2，收集2小时2400组数据。

（4）1号口和2号口均漏水（标签3）采集方式。用两个漏水口漏水程度进行排列组合，共存在6X6种情况。同样安排人员每20分钟调整一次换另一种情况，水龙头3、4、5每两分钟随机调整一次，共收集12个小时14400组数据。

数据采集后，将标签0、1、2的所有数据与标签3中均匀采样的2400组数据组合拼成9600组实验用数据。

通过数据梳理与验证，传感器上传的数据中，QOF（瞬时流量）、ROF（瞬时流速）和PRESS（压力）与输出的相关性较强，另外四个参数基本不相关。此外，传感器2、4、6、8、10由于直接部署在水龙头处，不可作为数据特征使用。因此，最后梳理的每组的数据格式如表2所示。

数据特征x：PRESS1, ROF1, QOF1, PRESS3,ROF3, QOF3, PRESS5, ROF5, QOF5, PRESS7,ROF7, QOF7, PRESS9, ROF9, QOF9, PRESS11,ROF11, QOF11。

数据输出y：Label（0/1/2/3）。

5.3 以测量漏点漏水程度的回归问题为目的的数据采集

在该种情况下，依然可以利用分类问题下采集的数据当作数据特征。在输出上，与输出分类标签不同的是，每组数据需要将传感器2和传感器4（分别检测水龙头1和水龙头2处的数据）的QOF 数据提取拼接成一个2维向量作为输出。

数据特征x：PRESS1, ROF1, QOF1, PRESS3,ROF3, QOF3, PRESS5, ROF5, QOF5, PRESS7,ROF7, QOF7, PRESS9, ROF9, QOF9, PRESS11,ROF11, QOF11。

表2 城市供水管网漏损预测实验中传感器收集的数据特征及表示方法

数据输出y：QOF2, QOF4。

结果对比见表3 预测模型预测结果对比。

5.4 方法比较与性能评估

为了验证本研究设计方案的可行性，我们挑选了以下几个传统的机器学习分类和回归方法对收集到的数据集进行测试，并将测试结果作为本次试验的基线对比。

（1）SVM 支持向量机。

市供水城市供水支持向量机的思想主要结合了线性可分和结构风险最小化两部分理论，能够在高维空间内有效地解决分类、回归、异常检测等多种问题，且由于只利用关键样本构成支持向量的逻辑，所建立的模型通常具有较好的鲁棒性。

（2）决策树（Decision Tree）与随机森林（Ra ndom Forest）。

决策树是一类利用信息熵与概率分析实现分类与回归的有监督预测模型，由于其采用图解法，决策分支具有树形结构而得名。随机森林是基于集成学习理论，结合多个决策树从而提高整体的准确率。随机森林的算法优势在于，首先数据准备阶段不需要做太多的特征选择，非常适合实验验证；其次训练速度较快，树与树之间的训练可并行化；最后从训练结果中可以反馈得到特征的重要性量化值。

表3 城市供水管网漏损预测模型预测结果对比

（3）KNN 邻近算法。

该算法的核心思想是对于一个未知点，在其特种空间中找到与之相似度最近的k个邻近点去推断该点的相应未知值。由于该算法属于无监督学习，不需要模型训练，因此适合数据量较大的分类问题，能够较快速地反馈出验证结果。

（4）线性回归。

使用线性模型对输入变量和输出变量之间的关系建模，可以最快速地对回归问题进行验证，该方法在关系不是非常复杂且数据量不是特别多的情况下效果较好。在本实验中，除了效果验证，利用线性回归的另一个目的是因其具有较好的可理解性，可能可以从数据中抽象出一个有价值的公式来代表变量间的关系。

为了对比Attention-LSTM 模型与传统模型在管网应用场景下的性能表现，我们采用ACC（准确率）和 AUROC（曲线下面积）这两个指标来评测模型的表现。由表3可知，SVM 模型和Random Forest模型在传统机器学习模型中表现出极大的优势，在ACC 和AUROC 指标上都取得了第二和第三好的表现，本研究提出的 Attention+LSTM 预测方法对比SVM、Decision Tree、Random Forest、KNN、LR模型的ACC 和AUROC 又获得了一定的提高。实际的计算过程中，Attention+LSTM 模型因为引入了Attention 机制并且包含了时间维度，其网络建模耗时相对较长，但由于漏水点识别并非一个需要实时获得识别结果的任务，实际使用中对漏水点的位置定位准确性是优先保证的，因此，我们在此不将各模型之间的微小计算时间差别计作评价指标。

6 结语

基于多传感器融合获取更全面的管道信息、供水状态信息和每个管道内的水流信息，并以此为基础识别城市供水管道中的泄漏点已成为未来智慧管网建设的必备能力。在我们的实验系统中，我们搭建了一套完整智慧管网平台，包括水管管路配置的传感器传送流量、流速与压力等信息至网关，再经由网关传输至边缘节点伺服器实现模型计算与模型学习。在实验环境下，我们应用了 Attention+LSTM 模型实时观察管路状态与管路漏点，通过部署的传感器实现以上需求。在实验过程中，我们通过随机切换漏点和出水口的位置，并随之切换水流大小，以模拟多种漏点和不同用水量的情况，通过仿真和模拟环境验证了模型的有效性。相对于传统的机器学习模型，Attention+LSTM 模型能捕捉供水管道全天不同时间用水变化大的特点。优秀的实验结果证明了本研究建构的模型的优势，在今后的模型优化中我们还需要进一步考虑目标管道周围管道信号的相互影响。