Streszczenie
W artykule przedstawiono koncepcjĊ inteligentnego systemu detekcji awarii sieci wodociągowej. System ten ma byü czĊĞcią systemu monitoringu i zarządzania siecią wodociągową. Obecne wykorzystanie systemów monitorowania nie odpowiada ich moĪliwoĞciom. Systemy monitoringu słuĪą obecnie jako autonomiczne programy do zbierania informacji o przepływach i ciĞnieniach wody w pompowniach Ĩródłowych, hydroforniach strefowych i koĔcówkach sieci wodociągowej, dając ogólną wiedzĊ o stanie jej pracy, gdy jednoczeĞnie mogą i powinny byü wykorzystane jako elementy systemów zarządzania siecią, w tym w szczególnoĞci w zakresie wykrywania i lokali-zacji wycieków wody. Opisany został pierwszy etap prac, polegający na opracowa-niu koncepcji inteligentnego systemu komputerowego, którego zadaniem ma byü sy-gnalizacja pojawienia siĊ awarii sieci i jej lokalizacja, oraz na przygotowaniu da-nych obliczeniowych do badaĔ symulacyjda-nych. System korzysta z pomiarów przepły-wu wody z punktów monitoringu zainstalowanych w sieci wodociągowej oraz z sieci neuronowej, która wykrywa i lokalizuje stany awaryjne.
Słowa kluczowe: sie wodocigowa, model hydrauliczny sieci, wykrywanie i lokalizacja wycieków wody, sieci neuronowe
1. Wstp
Przedsibiorstwo wodocigowe w zakresie sieci wodocigowej zajmuje si dystrybucj wody dobrej jakoci w iloci gwarantujcej zaspokojenie potrzeb odbiorców, poprawn eksploatacj sieci wodocigowej zapewniajc właciwe cinienie w wzłach odbiorczych, sprawnym usuwa-niem awarii oraz planowausuwa-niem i wykonywausuwa-niem prac zwizanych z konserwacj, modernizacj i rozbudow sieci [1]. Sterowanie sieci wodocigow jest trudnym i kompleksowym procesem.
Bardzo istotnym problemem w zarzdzaniu przedsibiorstwem wodocigowym jest wykrywa-nie i lokalizacja ukrytych wycieków wody w sieci wodocigowej. Spowodowane tym straty wody w rurocigach, dochodzce niekiedy nawet do 20%, wpływaj niekorzystnie na wyniki finansowe przedsibiorstw wodocigowych, które utraconej wody nie mog sprzeda. U odbiorców wody straty te odbijaj si w zwikszonych opłatach za wyprodukowana i niezuyt faktycznie wod. Szybka lokalizacja i eliminacja ukrytych wycieków wody z nieszczelnych rurocigów przynosi
zatem wymierne korzyci ekonomiczne zarówno dostawcom, jak i odbiorcom wody, czyli przed-sibiorstwu wodocigowemu i uytkownikom sieci wodocigowej.
2. Stan bada dotyczcy wykrywania i lokalizacji wycieku wody
Istniej róne podejcia i algorytmy obliczeniowe do wspomagania wykrywania i lokalizacji wycieku wody w sieci wodocigowej, prezentowane w literaturze. W kadym przypadku podstaw oblicze s model hydrauliczny sieci wodocigowej i pomiary przepływu wody, wzgldnie prze-pływu i cinienia pozyskiwane z punktów pomiarowych systemu monitoringu zainstalowanego na sieci. Oznacza to, e dla praktycznej realizacji tych algorytmów jest niezbdna odpowiednia infra-struktura informatyczna wdroona i eksploatowana w przedsibiorstwie wodocigowym. W skład tej infrastruktury powinny wchodzi system SCADA monitoringu sieci, skalibrowany model hy-drauliczny i równie system GIS generowania mapy numerycznej [10]. Taka infrastruktura pozwa-la nie tylko wykrywa i lokalizowa awarie sieci wodocigowej, ale równie zarzdza sieci, wykonujc takie na przykład zadania, jak sterowania sieci wodocigow, analiza jakoci wody, optymalizacja i projektowanie sieci itp. [2, 10]. Oznacza to, e wysoko rozwinite technologie informatyczne mog sta si uytecznym i w przyszłoci niezbdnym narzdziem dla operatora sieci wodocigowej, wspomagajcym racjonalna eksploatacj sieci.
W pracy [3] przedstawiono inteligentny system monitorowania sieci wodocigowych, sygnali-zujcy pojawienie si awarii sieci i wspomagajcy ich lokalizacj. Podstawowym załoeniem omawianego systemu było przyjcie metody wykrywania awarii stosowanej dotychczas w diagno-styce technicznej maszyn i procesów przemysłowych [4]. Bazujc na niewielkiej liczbie czujni-ków przepływu zainstalowanych na sieci wodocigowej i na odpowiednio wytrenowanej sieci neuronowej, pojawiajce si awarie sieci mog by szybko i w sposób automatyczny wykrywane i lokalizowane. Do znalezienia najlepszych lokalizacji czujników w punktach pomiarowych sys-temu monitoringu został uyty algorytm genetyczny. Autorzy syssys-temu, w celu uniknicia koniecz-noci bezporedniego korzystania z systemu monitoringu podczas oblicze symulacyjnych badanej metody, zastosowali koncepcj systemu diagnostycznego, który uywa przyblionego podejcia do modelowania sieci wodocigowej i rozpoznawania zaistniałych wycieków wody [5]. W systemie tym model hydrauliczny sieci jest traktowany jako obiekt rzeczywisty, natomiast sie neuronowa jest traktowana jako model komputerowy tego obiektu [4]. Dane uyte do uczenia sieci neurono-wej s w zwizku z tym pozyskiwane nie z rzeczywistego obiektu za pomoc systemu monitorin-gu, a z modelu hydraulicznego sieci wodocigowej w wyniku oblicze symulacyjnych. Za pomoc modelu hydraulicznego s symulowane awarie kolejno we wszystkich wzłach sieci, a wynikajce z awarii zmiany przepływu wody s rejestrowane w kilkudziesiciu wybranych punktach, trakto-wanych jako punkty pomiarowe systemu monitoringu. Obliczenia symulacyjne wykonuje si dla rónych wartoci godzinowych obcienia sieci wodocigowej, które jest zrónicowane w cyklu miesicznym [6]. Ostatecznie zbiór uczcy sieci neuronowej zawiera 24.480 pomiarów. Wejciami sieci neuronowej s wartoci przepływu obliczone w zadanych w modelu hydraulicznym punktach pomiarowych, natomiast wyjciem sieci jest lokalizacja symulowanej awarii.
Inny algorytm lokalizowania awarii korzysta jedynie z systemu monitoringu i został czciowo przetestowany w wodocigach rzeszowskich [8]. Polega on na tym, e dla punktów pomiarowych zainstalowanych na sieci wodocigowej wyznacza si, na podstawie pomiarów historycznych, tak zwane standardowe wzgldnie wzorcowe krzywe przepływów godzinowych i porównuje si je z biecymi pomiarami odczytywanymi przez system monitoringu (rys. 1). Jeeli rónica midzy
wyznaczan krzyw biec i wyznaczon krzyw wzorcow jest mniejsza od zadanego przedzia-łu tolerancji, to przyjmuje si, e sie wodocigowa pracuje bezawaryjnie (rys. 1). Jeeli natomiast ta rónica jest due, to przyjmuje si, e w otoczeniu punktu pomiarowego sygnalizujcego t rónic nastpił stan awaryjny (rys. 2).
Rysunek 1. BieĪąca i wzorcowa krzywa przepływu wody w wybranym punkcie pomiarowym
Rysunek 2. BieĪąca i wzorcowa krzywa przepływu w przypadku awarii
Z kolei inny algorytm lokalizacji awarii prezentowany w literaturze korzysta ju zarówno z systemu monitoringu, jak i skalibrowanego modelu hydraulicznego sieci wodocigowej [10]. Algorytm ten składa si z nastpujcych kroków:
• Wykonanie oblicze hydraulicznych sieci, dla zadanego poziomu obcienia, za pomoc modelu hydraulicznego.
• Zapis wartoci przepływów i cinie w punktach pomiarowych systemu monitoringu dla wykonanych oblicze (zapis standardowego rozkładu cinie i przepływów).
• Symulacja wycieków w kolejnych wzłach sieci wodocigowej za pomoc modelu hy-draulicznego.
• Zapis wartoci przepływów i cinie w punktach pomiarowych dla wykonanych symula-cji stanów awaryjnych (zapis awaryjnych rozkładów cinie i przepływów).
• Rejestracja pomiaru z systemu monitoringu, odbiegajcego od standardu dla zadanego poziomu obcienia sieci.
• Zapis wartoci przepływów i cinie w punktach pomiarowych dla stwierdzonej nietypo-wej sytuacji (zapis nietypowego rozkładu cinie i przepływów).
• Znalezienie wród zapisów stanów awaryjnych zapisu najbardziej zblionego do zapisu nietypowego. Znaleziony zapis wskazuje wzeł sieci, w którym najprawdopodobniej do-szło do wycieku.
Przedstawiony algorytm w pewnym zakresie przypomina algorytm z pracy [3], jednak nie ko-rzysta on z sieci neuronowej do dodatkowego zamodelowania sieci wodocigowej.
Wszystkie te algorytmy maj na razie warto akademick, poniewa, jak wspomniano wcze-niej, ich praktyczna realizacja wymaga dosy zaawansowanej infrastruktury informatycznej zain-stalowanej na sieci wodocigowej. Przy tym poszczególne elementy tej infrastruktury powinny ze sob cile współpracowa, co, niestety, nie jest jeszcze praktykowane w krajowych przedsibior-stwach wodocigowych.
3. Koncepcja inteligentnego systemu
Analiza obecnego stanu bada dotyczcych wspomagania wykrywania i lokalizacji wycieków wody w sieci wodocigowej wykazała, e jest miejsce na kolejne badania dotyczce tego proble-mu. W ramach projektu rozwojowego Ministerstwa Nauki i Szkolnictwa Wyszego nr NR14-0011-10/2010 rozpoczto prace dotyczce opracowania inteligentnego systemu detekcji i lokaliza-cji awarii w sieci wodocigowej. Zakres tych prac jest szerszy, ni w przypadku algorytmów przedstawionych wczeniej. Przede wszystkim system bdzie testowany zarówno na danych symu-lowanych, jak i rzeczywistych, pozyskiwanych z przedsibiorstw wodocigowych w Rzeszowie i Głubczycach. Po drugie, do modelowania sieci wodocigowej, dla celów porównawczych i wery-fikacji wyników, zostanie zastosowanych kilka modeli hydraulicznych i take rónego typu sieci neuronowe: MLP, RBF, Kohonena, oraz zespoły sieci neuronowych.
Na rysunku 3 przedstawiono schemat sieci wodocigowej w Rzeszowie, jako jednego z obiek-tów badawczych. Typowa miejska sie wodocigowa, co mona stwierdzi na przykładzie Rze-szowa, charakteryzuje si na ogół kilkoma ródłami zasilania (2 ujcia rzeczne), du wydajnoci (około 60.000 m3/dob), duym obcieniem (46.000 m3/dob), duymi rozmiarami (długo 682 km, magistrale – 50 km, sie rozdzielcza – 349 km, przyłcza – 283 km), du liczb obiektów sterowania (25 przepompowni, 5 zbiorników wyrównawczych o łcznej pojemnoci 15.600 m3) i du liczb uytkowników (około 16 000 odbiorców).
Wi słok
Sie
wodocigow
Rysunek 3. Schemat sieci wodociągowej w Rzeszowie [7]
Ponadto taka sie ma zwykle bardzo zrónicowan struktur materiałow (rury ze stali, stali ocynkowanej, eliwa, PVC, PE, azbestocementu), niekorzystn struktur wiekow (wiek: tylko 30% poniej 10 lat, 6% powyej 50 lat) oraz charakteryzuje si du awaryjnoci (około 300 awarii rocznie) i duymi stratami wody (około 20%). Na rysunku 4 przedstawiono struktur wie-kow sieci w Rzeszowie. Ta zrónicowana struktura materiałowa sieci wodocigowej i bardzo zrónicowana struktura wiekowa wpływaj negatywnie na awaryjno sieci. To oznacza, e wła-nie dla takich sieci jest celowe opracowywanie komputerowych algorytmów wykrywania i lokali-zacji awarii, w tym w szczególnoci ukrytych wycieków wody.
3.1. Analiza danych
Współczenie nadzorowanie parametrów sieci wodocigowej odbywa si poprzez wykorzysta-nie systemu monitoringu sieci wodocigowej [8]. System monitoringu składa si z trzech podsta-wowych elementów: urzdze pomiarowych do mierzenia cinienia i przepływu wody, zamonto-wanych w tak zzamonto-wanych punktach pomiarowych zainstalozamonto-wanych na sieci wodocigowej; systemu transmisji danych z punktów pomiarowych do komputera zbierajcego i archiwizujcego dane pomiarowe oraz z programu wizualizacji sieci wodocigowej ze zlokalizowanymi na niej punkta-mi popunkta-miarowypunkta-mi. Przepływy i cinienia wody okrelaj stan sieci, wic biece informacje o war-tociach tych parametrów pozwalaj zorientowa si, czy sie pracuje właciwie.
Złoono miejskich sieci wodocigowych cigle ronie, przez co zwiksza si lub przynajm-niej powinna si zwiksza liczba wszelkiego rodzaju czujników (sensorów) pracujcych w sieci. Współczenie operator sieci jeszcze radzi sobie z obsług systemu monitoringu sieci i potrafi sa-modzielnie przeciwdziała zdarzajcym si nieprawidłowociom. Jednak w niedługim czasie ule-gnie to zmianie i wtedy niezbdne stan si modele nadzoru parametrów sieci wykorzystujce metody sztucznej inteligencji do kontroli jej parametrów. Inteligentny system wspomagania decy-zji, wykorzystujcy matematyczne modele nadzoru sieci, lepiej od człowieka poradzi sobie z prze-twarzaniem ogromnej iloci informacji i wiedzy sensorycznej, przychodzcej jednoczenie z wielu ródeł i z krótkim krokiem czasowym. Człowiek nie jest w stanie poprawnie i dostatecznie szybko analizowa tak duej liczby danych, dlatego musi by wspomagany przez inteligentne systemy sterowania i zarzdzania sieci wodocigow.
Modele sterowania parametrami sieci wodocigowej, w szczególnoci modele kontroli warto-ci cinienia i przepływu wody i reagowania na nieoczekiwane niestandardowe zmiany, zostan opracowane w planowanym systemie jako modele klasyfikacji.
Klasyfikacja jest problemem, w którym okrela si przynaleno obiektów do znanych kate-gorycznych klas. Proces przydziału danych do klas (klasyfikowanie) wykorzystuje tak zwany klasyfikator. Klasyfikator jest pewnym modelem, którego parametry identyfikowane s w procesie uczenia pod nadzorem. W procesie tym do celów uczenia jest udostpniany treningowy zbiór danych (obiektów) oraz ich klas. Model ten jest po zakoczeniu procesu uczenia wykorzystywany do klasyfikacji nowych danych [9].
Monitoring sieci wodocigowej słuy do zbierania i gromadzenia rzeczywistych i biecych informacji o pracy i stanie sieci. Na rysunku 5 przedstawiono fragment danych wejciowych do oblicze hydraulicznych sieci wodocigowej. Z kolei na rysunku 6 s pokazane dane zbierane przez punkty pomiarowe systemu monitoringu. S one wizualizowane na ekranie modelu hydrau-licznego, sprzgnitego z systemem monitoringu. Model ten opracowano w Instytucie Bada Sys-temowych PAN, jako element zintegrowanego systemu informatycznego do kompleksowego
za-rzdzania miejskim systemem zaopatrzenia w wod [1]
Rysunek 5. Fragment danych wejĞciowych do systemu detekcji awarii, opisujących wĊzły sieci
Majc dane rzeczywiste wartoci przepływu i cinienia wody mona przystpi do budowy klasyfikatora, który bdzie sygnalizował wystpienie awarii w sieci wodocigowej oraz podawał jej szacunkow lokalizacj.
3.2. Tworzenie klasyfikatora
Klasyfikator jest tworzony według opracowanej wczeniej metodyki i umieszczony w spe-cjalnej bazie modeli [9]. Inteligentne systemy wspomagania decyzji maj w swoim składzie baz modeli, w której przechowuj opracowane modele i informacje o modelach. Zadaniem bazy mode-li jest umomode-liwienie uytkownikowi wykorzystania przygotowanych modemode-li bez ich tworzenia. Czsto baza modeli współpracuje z branow baz danych systemu GIS, co pozwala na wielokrot-ne wykorzystanie, nawet w rónych modelach, informacji wprowadzonych do bazy danych i w niej zapamitanych. Z baz modeli współpracuje take baza wiedzy, której zadaniem jest pod-powiadanie uytkownikowi systemu, jakich modeli powinien uy w danej sytuacji, bd jakie dane s mu potrzebne do aktualnych oblicze.
Na rysunku 7 pokazano algorytm tworzenia klasyfikatora. Algorytm składa si z nastpuj-cych kroków. S one nastpujce:
1. Okrel typ modelu, na przykład model klasyfikacji.
2. Wyznacz metod sztucznej inteligencji: sie neuronowa, zespół sieci neuronowych. 3. Okrel zbiór uczcy i testujcy.
2. Tworzenie nowego modelu:
− okrel pocztkowe parametry modelu − okrel struktur modelu
− przeprowad procedur uczenia modelu
− czy zadane kryterium stopu (błd RMSmin) zostało osignite (błd RMS <= błd RMSmin), jeli TAK, to przejd do procedury testowania
− przeprowad procedur testowania modelu
− czy zadane kryterium stopu zostało osignite (błd RMS <= błd RMSmin), jeli TAK, to poka parametry modelu
− wprowad model do bazy modeli
− czy tworzysz nowy model? Jeli TAK, to wró do etapu: Czy douczanie modelu? Jeli NIE, to STOP.
4. W przypadku douczania modelu na nowych danych: − wybierz model do douczania
− przeprowad procedur uczenia modelu
− czy zadane kryterium stopu zostało osignite (błd RMS <= błd RMSmin), jeli TAK, to przejd do procedury testowania
− przeprowad procedur testowania modelu
− czy zadane kryterium stopu zostało osignite (błd RMS <= błd RMSmin), jeli TAK, to poka parametry modelu
− wprowad model do bazy modeli
− czy tworzysz nowy model? Jeli TAK, to wró do etapu: Czy douczanie modelu? Jeli NIE, to STOP.
4. Podsumowanie
Zastosowanie metod sztucznej inteligencji we wspomaganiu detekcji i lokalizacji awarii sieci wodocigowej wprowadziło now jako do sterowania sieci wodocigow oraz moe sta si podstaw algorytmizacji nowych systemów zwanych „inteligentnymi”.
Wykorzystanie metod sztucznej inteligencji umoliwia utworzenie systemu wspomagania de-cyzji, który w sposób automatyczny pozyskuje wiedz i ma właciwo adaptacji. Jest to szcze-gólnie wane przy opracowywaniu systemu dla złoonych systemów rzeczywistych, w których nastpuj cigłe zmiany i jedne podprocesy zale od innych oraz wiele czynników zaley jeden od drugiego i kada zmiana powoduje kolejne zmiany. Do takich systemów nale miejskie sieci wodocigowe.
Korzyci ze stosowania metod sztucznej inteligencji wielokrotnie przekraczaj pracochłonno ich tworzenia. W rzeczywistoci najdłuszym etapem procesu ich tworzenia jest zgromadzenie i przygotowanie danych ródłowych, chocia poprzez automatyczne gromadzenie danych równie ten etap ulega skróceniu. Zastosowanie właciwych metod sztucznej inteligencji do tworzenia modeli oraz samo tworzenie modeli, oczywicie po opracowaniu odpowiednich procedur kompu-terowych, w najdłuszych przypadkach zajmuje kilka do kilkunastu minut.
Bibliografia
[1] Studziski J., Bogdan L.: Informatyczny system wspomagania decyzji do zarzdzania, stero-wania operacyjnego i planowania miejskiego systemu wodno-ciekowego. W: Studziski J., Drelichowski L., Hryniewicz O. (Red.): Rozwój i zastosowania metod ilo-ciowych i technik informatycznych wspomagajcych procesy decyzyjne, Instytut Bada Sys-temowych Polska Akademia Nauk, Badania Systemowe 49, Warszawa 2006.
[2] Farmani R., Ingeduld P., Savic D., Walters G., Svitak Z., Berka J.: Real-time modeling of a major water supply system. International Conference on Computing and Control for the Wa-ter Industry No8, Exeter, ROYAUME-UNI, vol. 160, no 2, str. 103–108, 2007.
[3] Wyczółkowski R., Wysogld B.: An optimization of heuristic model of water supply network. Computer Assisted Mechanics and Engineering Science, CAMES, no 14, STR. 767–776, 2007.
[4] Korbicz J., Kocielny J.M., Kowalczuk Z., Cholewa W. (Eds.): Fault Diagnosis. Springer, 2004.
[5] Wyczółkowski R., Moczulski W.: Concept of Intelligent Monitoring of Local Water Supply System. Materials of AI-METH 2005 – Artificial Intelligence Methods. November 16–18, 2005, Gliwice.
[6] Mielcarzewicz W.: Obliczanie systemów zaopatrzenia w wod. Arkady, Warszawa 2000. [7] Studziski J. (2005b) Optymalizacja i zarzdzanie operacyjne miejskimi sieciami
wodoci-gowymi. Wykład habilitacyjny, IBS PAN, Warszawa.
[8] Studziski J. (2007) Zastosowanie danych z monitoringu w systemie zarzdzania miejsk sieci wodocigow. Studia i Materiały Polskiego Stowarzyszenia Zarzdzania Wiedz, Tom 8, Bydgoszcz, s. 154–164.
[9] Rojek I., Wspomaganie procesów podejmowania decyzji i sterowania w systemach o rónej skali złoonoci z udziałem metod sztucznej inteligencji. wydawnictwo Uniwersytetu Kazimierza Wielkiego, 212 stron, Bydgoszcz 2010.
za-rzdzania w przedsibiorstwach sieciowych. W: Innowacyjne Mazowsze (A. Straszak, red.) Wyd. SWPW w Płocku, Płock 2010.
CONCEPT OF INTELLIGENT SYSTEM OF DETECTION OF FAILURE OF WATER-SUPPLY NETWORK
Summary
The concept of intelligent system of detection of the failure of water-supply net-work was presented in the article. This system has to be the part of monitoring and management system of water-supply network. The present utilization of the monitor-ing systems does not answer their possibilities. At present the monitormonitor-ing systems provide as autonomic programs to gathering the information about flows and pres-sures of water in source pumping stations, the zone of hydrophore stations and the pipes of water-supply network, giving general knowledge about state of her work, when simultaneously they can and should be used as elements of systems of network management, in this particularly in the range of detection and location of water leakages. First stage of works was described, consisting in study of concept of intel-ligent system which the task concerns the signaling of appearing of failure of net-work and her location, as well as on preparation of computational data to simulation research. System uses measurements of water flow with monitoring sensors installed in water-supply network and neural network, which detects and locates failure con-ditions.
Keywords: water-supply system, detection and location of water leakage, neural network
Izabela Rojek
Instytut Mechaniki rodowiska i Informatyki Stosowanej Uniwersytet Kazimierza Wielkiego
ul. Chodkiewicza 30, 85-064 Bydgoszcz e-mail: izarojek@ukw.edu.pl
Jan Studziski
Instytut Bada Systemowych IBS PAN ul. Newelska 6, 01-447 Warszawa email: Jan.Studzinski@ibspan.waw.pl
