[go: up one dir, main page]

WO2015129031A1 - 漏水検知システム、及び漏水検知方法 - Google Patents

漏水検知システム、及び漏水検知方法 Download PDF

Info

Publication number
WO2015129031A1
WO2015129031A1 PCT/JP2014/055098 JP2014055098W WO2015129031A1 WO 2015129031 A1 WO2015129031 A1 WO 2015129031A1 JP 2014055098 W JP2014055098 W JP 2014055098W WO 2015129031 A1 WO2015129031 A1 WO 2015129031A1
Authority
WO
WIPO (PCT)
Prior art keywords
water leakage
water
likelihood
sensor
leakage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2014/055098
Other languages
English (en)
French (fr)
Inventor
昌史 高橋
真人 戸上
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to PCT/JP2014/055098 priority Critical patent/WO2015129031A1/ja
Publication of WO2015129031A1 publication Critical patent/WO2015129031A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

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
    • E—FIXED CONSTRUCTIONS
    • E03—WATER SUPPLY; SEWERAGE
    • E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
    • E03B7/00—Water main or service pipe systems
    • E03B7/02—Public or like main pipe systems
    • E—FIXED CONSTRUCTIONS
    • E03—WATER SUPPLY; SEWERAGE
    • E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
    • E03B7/00—Water main or service pipe systems
    • E03B7/003—Arrangement for testing of watertightness of water supply conduits

Definitions

  • the present invention relates to a water leakage detection system and a water leakage detection method.
  • Patent Document 1 water faucet use amount storage means 11 for storing the amount of water used in each faucet, node demand amount assigning means 12 for setting the demand amount of the nodes, and pipes constituting the distribution pipe network Pipe network analysis model storage means 14 for storing the road material, extension, etc., leakage amount distribution optimization means 13 for setting the leakage amount allocation amount for each node, and inflow flow rate and pressure data to the distribution pipe network are stored.
  • Pipe that performs pipe network analysis based on process data storage means 18, pipe network analysis model from pipe network model storage means, nighttime flow rate and pressure data, leak amount allocation amount for each node, and demand amount for each node
  • the network analysis means 17 and the pressure error calculation means 16 for calculating the error between the estimated pressure value and the actual pressure value at each node are provided, and the leak error distribution optimization means minimizes the pressure error obtained by the pressure error calculation means.
  • the amount of water leakage is distributed at each node. Because of optimization operation for leakage node estimator. "Is described as (see Abstract).
  • the present invention provides a technique for detecting water leakage quickly and accurately in order to minimize the cost of water loss due to water leakage and the risk of catastrophic disasters. Thereby, it becomes possible to predict the risk of water leakage detected, and it is possible to perform an efficient repair plan and personnel assignment.
  • the present invention employs the following configuration, for example. That is, it is a water leakage detection system that includes a processor and a storage device and detects water leakage in a pipe, and the storage device measures history data of a first sensor that measures a value that reflects the flow rate in the pipe.
  • a sensor measurement value database including: the processor selects a measurement value of a first period from the sensor measurement value database, calculates a probability distribution of a predetermined variable from the measurement value of the first period, and A determination target measurement value is selected from a sensor measurement value database, a value of the predetermined variable is calculated from the determination target measurement value, and the probability distribution and the value of the predetermined variable calculated from the determination target measurement value are
  • a water leakage detection system that calculates a water leakage likelihood based on the water leakage likelihood and determines whether or not a new water leakage has occurred in the pipe based on the water leakage likelihood.
  • Example 1 it is explanatory drawing which shows the outline example of the water distribution pipe network used as the water leak detection object of a water leak detection system.
  • Example 1 it is explanatory drawing which shows the example of an outline
  • Example 1 it is a block diagram which shows the structural example of a water leak detection apparatus.
  • Example 1 it is a block diagram which shows the structural example of a sensor arrangement
  • Example 1 it is a flowchart which shows an example of the process by a water leak detection apparatus.
  • Example 1 it is a graph which shows the relationship between the measured value of a sensor, and Qt, n (x). In Example 1, it is a graph which shows the relationship between continuation length and Qt, n (x). In Example 1, it is a graph which shows an example of the relationship between time and a water leak likelihood. In Example 1, it is explanatory drawing which shows an example of the concept of the locality of a water leak influence. In Example 1, it is a graph which shows an example of the relationship between time and a water leak likelihood. In Example 1, it is explanatory drawing which shows an example of the method by which a leak location estimation part estimates a leak location. In Example 1, it is explanatory drawing which shows typically the method of learning the transfer characteristic for a leak location estimation part to estimate a leak location.
  • Example 1 it is an example of a water leak likelihood ratio database.
  • Example 1 it is explanatory drawing which shows the sensor arrangement
  • Example 1 it is a block diagram which shows the structural example of a model preparation part, a water leak location estimation part, and a sensor arrangement
  • Example 1 it is explanatory drawing which shows the operation example of the water leak location estimation process in which the water leak location estimation part used the neural network.
  • Example 1 it is a flowchart which shows an example of the process at the time of the real-time operation of water leak location estimation.
  • Example 6 is a flowchart illustrating an example of a sensor arrangement optimization process in the first embodiment.
  • Example 1 it is explanatory drawing which shows an example of the method by which the leak amount estimation part estimates a leak amount.
  • Example 1 it is explanatory drawing which shows typically the method in which the leak amount estimation part learns the transfer characteristic for estimating a leak amount.
  • Example 1 it is an example of a water leak estimated amount database.
  • Example 1 it is a block diagram which shows the structural example of a model preparation part, a water leak amount estimation part, and a water leak potential estimation part.
  • Example 1 it is explanatory drawing which shows the operation example of the leak amount estimation process using the leak amount estimation part neural network.
  • Example 1 it is a flowchart which shows an example of the learning process for water leak amount estimation.
  • Example 1 it is a flowchart which shows an example of the process at the time of leak amount estimation real-time operation.
  • Example 1 it is a flowchart which shows an example of a water leak potential estimation process.
  • Example 1 it is explanatory drawing which shows an example of the transition of the screen which an information terminal displays.
  • an example of a real-time monitoring screen is shown.
  • an example of a detection result detailed screen is shown.
  • positioning screen is shown.
  • an example of a report preparation screen is shown.
  • an example of a report display screen is shown.
  • FIG. 1 shows an example of a water distribution pipe network that is a target of water leakage detection in the water leakage detection system of the present embodiment.
  • the distribution pipe network is a distribution line that is a pipe for supplying water from a distribution source to a consumer, including a water distribution station 201 that serves as a water distribution source, such as the Waterworks Bureau, and nodes that collectively represent a plurality of consumers. They are connected by a water pipe 203.
  • FIG. 1 shows an example of a pipe network having these three types as elements for simplification, but the water distribution pipe network includes, for example, a valve for adjusting the direction and flow rate of the water flow and a pump for applying pressure. It may be installed.
  • a sufficiently small number of sensors 204 are installed compared to the number of nodes.
  • the sensor 204 may be any sensor that measures a value reflecting the flow rate of the pipe, such as a pressure gauge, a flow meter, a microphone, or a vibration sensor.
  • a pressure gauge is used as an example of the sensor 204 unless otherwise specified.
  • FIG. 2A shows an outline example of a water leakage detection system in the present embodiment.
  • the water leakage detection system includes a network 101, a water leakage detection device 102, a sensor arrangement optimization device 120, an information terminal 109, a regional information database 111, a water leakage detection history database 112, a repair history database 114, and a sensor measurement value database 115.
  • the water leakage detection device 102 detects water leakage in the distribution pipe network, estimates the location of the water leakage, estimates the amount of water leakage, and the like.
  • the water leakage detection apparatus 102 receives the measurement value by the sensor 204 installed in the water distribution pipe network via the network 101.
  • the sensor arrangement optimizing device 120 optimizes the number and installation locations of the sensors 204.
  • the information terminal 109 presents information such as the water leak estimation result received from the water leak detection device 102, the pipe repair plan, and the optimization result received from the sensor arrangement optimization device 120 to the user. In addition, the information terminal 109 receives an input such as a repair history from the user, for example.
  • the regional information database 111 holds a failure countermeasure flow manual, regional information, asset information (information relating to the pipe network, such as pipe material and laying years), and the like.
  • the water leakage detection history database 112 holds information such as the date and time of occurrence of water leakage detected by the water leakage detection device 102, the estimated water leakage location, and the estimated amount of water leakage.
  • the sensor measurement value database 115 holds history data of measurement values obtained by the sensor 204 received by the water leakage detection device 102 and predicted value data of sensor measurement values calculated by the water leakage detection device 102.
  • the sensor measurement value database 115 holds the water leakage likelihood in each sensor 204 calculated by the water leakage detection device 102 and the predicted value of the water leakage likelihood.
  • the sensor measurement value database 115 holds position information of each sensor 204.
  • the water leakage detection device 102 and the sensor arrangement optimization device 120 are described as separate devices, but they may be a single device. Similarly, for example, the water leakage detection device 102 and the information terminal 109 may be one device. Each device included in the water leakage detection system may be configured by a plurality of computers. Further, the area information database 111, the area information database 111, the water leakage detection history database 112, the repair history database 114, and the sensor measurement value database 115 may be held by any device included in the water leakage detection system.
  • FIG. 2B shows a configuration example of the water leakage detection device 102.
  • the water leakage detection device 102 includes a CPU 150, an input / output interface 151, a memory 152, and a secondary storage device 153.
  • the memory 152 includes a water leakage detection unit 103, a water leakage location estimation unit 104, a water leakage amount estimation unit 105, a water leakage potential estimation unit 106, an information integration unit 107, and a model creation unit 113.
  • Each unit included in the memory 152 is a program or a program group.
  • Each program is executed by the CPU 150 to perform a predetermined process using a storage device and a communication port (communication device). Therefore, in the present embodiment and other embodiments, the description with each part as the subject may be the description with the CPU 150 as the subject. Alternatively, the processing executed by each unit is processing performed by a computer and a computer system on which the program operates.
  • the CPU 150 operates as a functional unit (means) that realizes a predetermined function by operating according to a program. The same applies to each unit included in the memory of the sensor arrangement optimization device 120 described later.
  • the water leakage detection unit 103 detects the occurrence of water leakage in the distribution pipe network.
  • the water leak location estimation unit 104 estimates the location where the water leak detected by the water leak detection unit 103 has occurred.
  • the water leakage amount estimation unit 105 estimates the amount of water leakage in the water leakage detected by the water leakage detection unit 103.
  • the water leakage potential estimation unit 106 further narrows down the water leakage estimation location by calculating the water leakage probability at each water leakage location estimated by the water leakage location estimation unit 104 using the estimation result by the water leakage amount estimation unit 105.
  • the information integration unit 107 integrates information on water leakage estimated by each unit.
  • the information integration unit 107 refers to the integrated information and the regional information database 111 and the like, and formulates an efficient repair plan.
  • the model creation unit 113 performs model creation processing for water leakage detection and learning processing for water leakage location estimation, water leakage amount estimation, and water leakage potential estimation.
  • the secondary storage device 153 includes a water leak likelihood ratio database 1205, a water leak location candidate database 1210, and a water leak estimated amount database 1804.
  • the water leakage likelihood ratio database 1205 holds a learning result for water leakage location estimation.
  • the leak location candidate database 1210 holds information on leak location candidates estimated by the leak location estimation unit 104.
  • the leaked water estimated amount database 1804 holds a learning result for estimating the leaked water amount.
  • FIG. 2C shows a configuration example of the sensor arrangement optimization device 120.
  • the sensor arrangement optimizing device 120 includes a CPU 160, an input / output interface 161, a memory 162, and a secondary storage device 163.
  • the memory 162 includes a sensor arrangement optimization unit 108.
  • the sensor arrangement optimization unit 108 optimizes the number and installation locations of the sensors 204.
  • the secondary storage device 163 includes an optimization condition database 1212.
  • the optimization condition database 1212 holds conditions for sensor placement when the sensor input by the user or the like is optimized.
  • FIG. 3 shows an example of processing by the water leakage detection device 102.
  • the water leakage detection unit 103 detects the occurrence of water leakage from the measured values of each sensor 204 in a specific period (S301).
  • the water leakage detection unit 103 calculates the water leakage likelihood indicating the possibility of water leakage for each sensor 204.
  • the water leakage detection unit 103 determines that water leakage has occurred, for example, if the sensor 204 indicating the water leakage likelihood equal to or higher than a predetermined threshold is present.
  • the water leakage location estimation unit 104 estimates the water leakage location from the likelihood of water leakage in each sensor 204, and narrows down the sections that may have the water leakage location. (S303). Subsequently, the leakage amount estimation unit 105 estimates the leakage amount from the estimated section information and the leakage likelihood of the specific sensor 204 (S305).
  • the water leakage potential estimation unit 106 estimates the water leakage potential from the estimated section information, the water leakage likelihood of the specific sensor 204, and the estimation result of the water leakage amount (S305).
  • the information integration unit 107 receives the information created in S301, S303, S304, and S305 and transmits it to the information terminal 109. The above process is repeatedly executed until the system stop process is performed (S306).
  • FIG. 4 shows an example of a concept that the water leakage detection unit 103 calculates the water leakage likelihood.
  • the pressure in the water distribution pipe fluctuates under the influence of the demand by the customer and the amount of water leakage from the water distribution pipe.
  • the demand amount is much larger than the water leakage amount (that is, the S / N ratio is low), it is difficult to detect only the influence of water leakage.
  • the water leakage detection system of the present embodiment grasps the influence of water leakage by paying attention to the three types of feature amounts calculated from the measurement values by the sensor 204, and performs water leakage detection.
  • the feature amount is a value reflecting the measurement value by the sensor 204 and fluctuation.
  • the model creation unit 113 statistically models each feature amount for each sensor, and integrates the evaluation results using the created model, so that the leak likelihood is highly accurate for each sensor. To calculate.
  • the first feature value reflects the periodicity of water demand. Since the demand amount changes periodically according to the lifestyle pattern of the consumer, the measured value by the sensor 204 has periodicity when there is no water leakage. When water leakage occurs, the amount of water outflow increases more than usual, so that the periodicity of the measured values by the sensor 204 is lost. Therefore, the water leakage detection unit 103 can detect water leakage based on the disruption of the periodicity.
  • the model creation unit 113 models the pressure distribution during normal times (that is, when no water leakage occurs) for each time, and numerically expresses the pressure value deviation from the normal time. For example, the model creation unit 113 calculates a probability distribution 401 of measurement values obtained by the same sensor 204 at each time, and models a demand component that is a portion affected by demand among the feature amount. In the present embodiment, for example, it is assumed that the occurrence probability P t (x) of the pressure value x measured by the sensor 204 at time t follows a Gaussian distribution. That is, the model creation unit 113 performs modeling processing according to the following equation 1 using the measurement values held in the sensor measurement value database 115.
  • ⁇ t, n is the average of the measured values of the sensor 204 with the sensor number n at time t
  • ⁇ t, n is the standard deviation of the measured value of the sensor 204 with the sensor number n at time t.
  • the sensor number is an example of a sensor identifier that identifies a sensor. Therefore, the model is expressed using the average and standard deviation of the measurement values for each sensor 204 and each time.
  • the leak detection unit 103 substitutes the determination target measurement value held in the sensor measurement value database 115 into P t, n (x) during the leak detection real time operation, and leaks the likelihood L of the sensor 204 with the sensor number n. Calculate 1n .
  • the water leakage detection unit 103 calculates L 1n by the following formula 2. Larger L 1n indicates that there is a larger amount of effluent water from the time of modeling, and the risk of water leakage increases.
  • Q t, n (x) is the probability P t of the measurement values x, n a (x), a value obtained by converting the index indicating the likelihood of water leakage, the leakage as P t, n (x) is small It is likely to exist. Since the pressure value decreases when water leaks, the measured value x follows the probability of occurrence P t, n (x) if the measured value x is smaller than the average at the time of modeling. Is small, it is always set to a large value (P t, n ( ⁇ t, n ) which is the maximum value of P t, n (x)). As a result, the relationship between the measured value x and the function Q t, n (x) is as shown in FIG.
  • the second feature value reflects the continuity of the leaked water component. If water leakage occurs, it will not stop unless repairs are performed, so the effect of water leakage will appear continuously in the measured values after the water leakage occurs. That is, when water leaks, the state in which the pressure value decreases continues.
  • the model creation unit 113 creates a predicted pressure value using a normal measurement value held in the sensor measurement value database 115.
  • the model creation unit 113 calculates the length of a period in which the difference obtained by subtracting the pressure measurement value at the time of water leakage detection processing from the predicted value is positive for each sensor and each time. In other words, the model creation unit 113 calculates the length of time during which a phenomenon in which the amount of effluent water is larger than normal occurs continuously for each sensor 204 and each time.
  • the model creation unit 113 performs a modeling process using Equation 1.
  • ⁇ t, n is the average of the duration of the time when the predicted value exceeds the measured value in the sensor 204 of the sensor number n at time t
  • ⁇ t, n is the duration of the sensor 204 of the sensor number n at time t.
  • the model creation unit 113 can construct a highly accurate model that suppresses the influence of sudden demand fluctuations by calculating a probability distribution based on the duration.
  • the water leak likelihood L 2n of the sensor 204 with the sensor number n is expressed by the following formula 3.
  • the relationship between the continuation length x and the function Q t, n (x) in this case is as shown in FIG.
  • the model creating unit 113 is used for modeling the pressure value that is the first feature amount. It is easy to use the average ⁇ t, n of the measured values as the predicted value.
  • the model creation unit 113 uses a regression curve calculated using past measurement values held in the sensor measurement value database 115 or a prediction filter such as a Kalman filter, a more precise prediction value can be obtained.
  • the third feature amount is a value that reflects the correlation between the sensors 204.
  • the influence of water leakage on the pressure value in the water distribution pipe propagates with decreasing influence as the distance from the water leakage place increases. Therefore, the correlation between the measurement values obtained by the sensors 204 installed at different locations is different between the normal time and the time of water leakage. Therefore, for example, the model creation unit 113 calculates the pressure ratio between the sensors 204 for each sensor 204 and each time.
  • the pressure ratio in a certain sensor 204 represents, for example, the ratio of the pressure value in the sensor 204 to the sum of the pressure values in all the sensors 204.
  • Equation 1 the model creation unit 113 performs modeling using Equation 1 in the same manner as other feature amounts.
  • ⁇ t, n is the average of the pressure ratios of the sensor 204 with the sensor number n at time t
  • ⁇ t, n is the standard deviation of the pressure ratio of the sensor 204 with the sensor number n at time t.
  • the water leakage likelihood L 3n is expressed by the following equation 4 or 5.
  • the feature amount representing the correlation between the sensors 204 is not limited to the pressure ratio described above, and may be a product-moment correlation coefficient or a rank correlation coefficient between the sensors 204, for example.
  • FIG. 7A shows an example of the relationship between time and leak likelihood.
  • the water leakage detection unit 103 detects water leakage from the disruption of the periodicity of the measurement value. Therefore, in this case, the leakage likelihood L 1 calculated by the leakage detection unit 103 can be a large value not only when the leakage occurs but also during a period when the water demand increases, for example, in a tray or New Year.
  • the water leak detection part 103 can prevent that the increase in water demand is regarded as water leak, and can improve the precision of water leak detection.
  • the water leakage detection unit 103 may calculate L n in any way, but for example, can calculate it with a product or weighted sum of each water leakage likelihood shown in the following Equation 6. At this time, for example, the water leakage detection unit 103 may calculate L n after performing processing such as normalization, smoothing, and noise removal on L 1n to L 3n , respectively.
  • w 1 , w 2 , and w 3 represent weights for L 1n , L 2n , and L 3n , respectively.
  • the water leakage detection unit 103 determines that water leakage has occurred if the maximum value of L n is greater than a predetermined threshold with respect to the water leakage likelihood L n calculated for each sensor 204.
  • the water leakage detection device 102 independently calculates the probability distribution at each time, but prepares an N-dimensional vector having measured values at a plurality of times (N points) as an element, and calculates the N-dimensional Gaussian distribution.
  • the probability P t, n (x) may be calculated.
  • the water leak detection apparatus 102 can perform probability calculation in consideration of the correlation between times, and can improve the accuracy of water leak detection.
  • the probability distribution of the measurement values may follow a distribution other than the Gaussian distribution, and any distribution such as a Poisson distribution, a Laplace distribution, a chi-square distribution, a logistic distribution, or the like may be assumed.
  • the water leak detection apparatus 102 may fit each distribution with respect to a measured value, and may automatically determine which distribution a measured value follows.
  • the model creation unit 113 creates a model with a modeling period of one day for each sensor and each time.
  • the modeling period is, for example, one week, one month, and one year. Also good.
  • the model preparation part 113 produces a model for every factor which changes water demands, such as a day of the week, a season, weather, and temperature, water leak detection accuracy will improve further.
  • the model creation unit 113 updates the old model from time to time using newly measured data, it is not necessary to prepare a large amount of modeling data in advance, thereby reducing the burden at the time of introducing the water leakage detection system. it can. In addition, since the number of models can be reduced, the amount of memory can be greatly reduced. Furthermore, since the model creation unit 113 always creates a model using new data, the water leak detection accuracy by the water leak detection unit 103 can be improved.
  • the model creation unit 113 calculates parameters ⁇ t, n and ⁇ t, n in advance using measurement values held in the sensor measurement value database 115. However, it is preferable to dynamically update at the time of water leak detection real-time operation. This is because the model creation unit 113 dynamically updates the above-described parameters, thereby enabling modeling that reflects changes in the lifestyles of consumers accompanying seasonal changes and the like.
  • the model creating unit 113 dynamically updates the above parameters, the parameters ⁇ t, n and ⁇ t, n are respectively calculated as a weighted average and a weighted standard deviation. Modeling that reflects changes in the day of the week is possible. In this case, for example, when the number of days from the target day is closer, the model creation unit 113 increases the weight, and when the target day and the day of the week are the same, the model creation unit 113 may significantly reflect the seasonal change and the day of the week change. it can.
  • the model creation unit 113 statistically models three types of feature quantities and calculates the water leakage likelihood, but the modeling method is not particularly limited.
  • the model creation unit 113 may perform a method of performing subspace conversion such as principal component analysis (PCA) on three types of feature values, and quantifying the change to calculate the leakage probability.
  • PCA principal component analysis
  • the water leakage detection device 102 of the present embodiment can further improve the detection accuracy by providing an assumption that “water leakage does not occur simultaneously at a plurality of locations”. That is, when the number of leaks occurring at the same time is one location, it is possible to use the locality of the leak effect indicating that the installation location of the sensor that increases the likelihood of leak is limited to the vicinity of the leak location.
  • FIG. 7B shows an example of the concept of locality of water leakage effect.
  • the influence 2802 of water leakage propagates while gradually weakening around the water leakage place 2801.
  • the likelihood of water leakage exceeding the threshold value is calculated from the measured value of the sensor 204 existing in the water leakage influence range 2803, which is a range where the water leakage effect 2802 is not negligibly small.
  • the water leakage detection unit 103 can calculate the water leakage likelihood L 4n for quantifying the “leakage likelihood” by paying attention to the locality of the water leakage.
  • the water leakage likelihood L 4n is expressed as, for example, the following Expression 7.
  • x is in the vicinity of the sensor 204 with the sensor number n.
  • the leak likelihood L m is predetermined. The number of objects that are greater than or equal to the threshold value.
  • the model creation unit 113 calculates the distance between the sensors 204 from the sensor position information held in the sensor measurement value database 115.
  • x may be the number of all the sensors 204 (sensor number m) whose water leakage likelihood L m is equal to or greater than a threshold value.
  • P t, n (x) is the occurrence probability of x in the sensor 204 of the sensor number n at time t.
  • another calculation example of the water leak likelihood L 4n focusing on the locality of the water leak effect includes the following equation (8).
  • x is the number of the sensors 204 (sensor number m) in the vicinity of the sensor 204 with the sensor number n, and the leakage likelihood L m is greater than or equal to the threshold, and y is far from the sensor 204 with the sensor number n.
  • the magnitude of the water leakage likelihood L m of each sensor is used as an index, but the water leakage likelihood L 1m to L 3m of each sensor and the measurement of each sensor are used. Any value such as a value may be used.
  • the locality of the water leak influence range is utilized, a modeling method will not ask
  • the water leak detection unit 103 calculates L n2 using, for example, the following Equation 9. .
  • w 4 and w 5 in Equation 9 represent weights for L n and L 4n , respectively.
  • FIG. 7C shows an example of the relationship between time and water leakage likelihood when water leakage likelihood L 4n is introduced. Since the locality of the water leakage effect is taken into consideration, the water leakage likelihood L 4n shows a low value in a basin or a New Year where the flow rate increases everywhere. As a result, the outflow of water during the Bon Festival and the New Year is considered to have a low “leakage likelihood”, and thus the value of the leakage likelihood L n2 reflecting the leakage probability L 4n is also low. Therefore, by introducing the water leak likelihood L 4n , the water leak detection unit 103 increases the water leak detection accuracy and can detect a small amount of water leak.
  • the water leakage detection device 102 of the present embodiment realizes a highly accurate model with a small amount of calculation in modeling processing for water leakage detection. Furthermore, the water leakage detection unit 103 of the present embodiment calculates the water leakage likelihood based on the sensor value that is constantly measured, and further detects the water leakage quickly because the calculation amount for calculating the water leakage likelihood is also small. Can do.
  • the water leakage detection device 102 of the present embodiment does not need to perform pipe network calculation in the modeling process and the water leakage detection process for water leakage detection. Therefore, in the modeling process and the water leakage detection process for detecting water leakage, it is not necessary to prepare facilities and data for creating a pipe network graph, and the burden on investment and labor can be reduced.
  • FIG. 8 shows an example of a method by which the leak location estimation unit 104 estimates the leak location.
  • the leak location estimation part 104 can investigate the influence of leak on the several sensor 204, and can narrow down a leak location by those relationship.
  • the model creation unit 113 learns the relationship between the water leakage likelihood sensor-to-sensor ratio and the water leakage location in advance based on a simulation result by pipe network calculation.
  • the water leak location estimation unit 104 can estimate the water leak location by applying the water leak likelihood calculated from the measured value at the time of the water leak location estimation process to the model created by the learning.
  • the leak likelihood described here is not necessarily limited to that calculated by the above-described method, but may be any index as long as it is a numerical value that can be used to quantify the possibility that leaks exist for each sensor. .
  • FIG. 9 schematically shows a method in which the leak location estimation unit 104 learns transfer characteristics for estimating the leak location in the present embodiment.
  • the model creation unit 113 calculates the measurement value (theoretical value) of each sensor 204 when water leakage occurs at a key point in the pipe network by pipe network calculation, and calculates the water leakage likelihood using the theoretical value. . Subsequently, the model creating unit 113 calculates a ratio between the respective leak likelihoods (leak likelihood ratio), and learns by making a pair of the leak occurrence location and the calculated leak likelihood ratio.
  • the ratio of each sensor 204 in the leakage likelihood ratio between the sensors 204 is referred to as a leakage likelihood ratio.
  • the water leak location estimation unit 104 calculates the water leak likelihood ratio using the measurement values (actual measurement values) of the sensors 204 held in the sensor measurement value database 115.
  • the leakage location estimation unit 104 compares the leakage likelihood ratio in the learning result with the leakage likelihood ratio calculated using the actual measurement value, and similar to the learning result, the location corresponding to the leakage likelihood ratio. Is the estimated location of water leakage.
  • the leak location estimation unit 104 calculates, for example, the square error sum SSD shown in the following formula 10, and determines that these are similar if they are equal to or less than a threshold value. do it.
  • NLSA 1n is the leakage probability ratio in the learned sensor n
  • NLSA 2n is the leakage likelihood ratio in the sensor n calculated using the measured values.
  • the sensor arrangement optimization unit 108 can also optimize the sensor arrangement at the time of learning or before learning of the water leakage likelihood ratio. That is, the sensor arrangement optimization unit 108 can determine the optimality of the sensor arrangement and the number from the water leak likelihood ratio calculated by the pipe network calculation.
  • FIG. 10 shows an example of the water leak likelihood ratio database 1205.
  • the leakage probability ratio database 1205 stores, for example, the correspondence between the coordinate values on the pipe network graph and the leakage likelihood ratio.
  • the water leakage likelihood ratio database 1205 may be in any format, but if it is in a table format as shown in FIG. 10, a high-speed and stable result can be obtained.
  • FIG. 11 shows a guideline for optimality of sensor arrangement and number.
  • a sensor arrangement in which the water leakage likelihood ratio of a small number of sensors 204 is larger than a threshold value is preferable.
  • the sensor 204 in which the water leakage likelihood ratio is larger than the threshold value is referred to as a peak sensor 204.
  • a peak sensor 204 This is because when there is a water leak at the location, there is at least one sensor 204 that reacts strongly, so that the water leak can be detected, and it is not a redundant sensor arrangement in which many sensors 204 react simultaneously. . That is, such a sensor arrangement is in a state where water leakage detection performance and sensor cost are balanced.
  • the sensor cost refers to the cost and human labor required for installing the sensor 204.
  • a “good example” in FIG. 11 is an example of the leakage likelihood ratio in such a sensor arrangement, and shows a state where the influence of the leakage is propagated only to a small number of sensors 204.
  • a sensor arrangement in which there is no peak sensor 204 or a large number of peak sensors 204 is not preferable.
  • the fact that there is no peak sensor 204 means that there is no sensor that reacts strongly even if water leaks at that location, so it is not possible to detect water leaks, or that all sensors are reacting strongly. It is because it shows. Also, the fact that there are a large number of sensors 204 that are peaks is because a plurality of sensors 204 react simultaneously, indicating that the sensor arrangement is redundant.
  • the sensor arrangement optimizing unit 108 can improve the balance between the water leakage detection performance and the sensor cost by changing the arrangement of the sensor 204 in such cases.
  • a “bad example” in FIG. 11 is an example of a water leak likelihood ratio in such a sensor arrangement, and shows a state in which the influence of water leak propagates to a large number of sensors 204.
  • the sensor arrangement optimizing unit 108 installs the number of sensors 204 and the sensors 204 so that the leak likelihood ratio by the pipe network calculation has a distribution of “good example” in FIG. 11 at all locations in the pipe network. Decide where to go. In this embodiment, the sensor arrangement optimization unit 108 optimizes the sensor arrangement based on the leakage probability ratio, but the sensor arrangement is optimized by the same method based on the leakage probability. You may go. Since the learning result by the model creation unit 113 depends on the sensor placement, it is preferable that the sensor placement optimization unit 108 completes the optimization before the learning process by the model creation unit 113 is started.
  • FIG. 12 shows a configuration example of the model creation unit 113, the leak location estimation unit 104, and the sensor arrangement optimization unit 108 in the present embodiment.
  • the model creation unit 113 performs a learning process for estimating a leak location.
  • the model creation unit 113 includes a calculation condition setting unit 1201, a pipe network calculation unit 1202, a water leak likelihood calculation unit 1203, and a water leak likelihood ratio calculation unit 1204.
  • the calculation condition setting unit 1201 sets calculation conditions in the learning process. For example, the calculation condition setting unit 1201 determines when and where water leakage occurs on the pipe network.
  • the pipe network calculation unit 1202 executes pipe network calculation according to the conditions set by the calculation condition setting unit 1201.
  • the water leak likelihood calculation unit 1203 calculates the water leak likelihood of each sensor 204 from the calculation result by the pipe network calculation unit 1202.
  • the water leak likelihood ratio calculation unit 1204 calculates the water leak likelihood ratio between the sensors 204.
  • the water leak likelihood ratio database 1205 stores the relationship between the water leak location and the water leak likelihood ratio. This relationship represents the transfer characteristics of the water leakage phenomenon.
  • the leak location candidate database 1210 stores information on leak location candidates.
  • the leak location estimation unit 104 performs a leak location estimation process.
  • the water leak location estimation unit 104 includes a sensor signal acquisition unit 1206, a water leak likelihood calculation unit 1207, a water leak likelihood ratio calculation unit 1208, a water leak likelihood ratio comparison unit 1209, and an information terminal output unit 1211.
  • the sensor signal acquisition unit 1206 acquires the measurement value of each sensor 204.
  • the water leak likelihood calculation unit 1207 calculates the water leak likelihood based on the measurement value of each sensor 204.
  • the water leak likelihood ratio calculation unit 1208 calculates the water leak likelihood ratio between the sensors 204.
  • the water leakage likelihood ratio comparison unit 1209 searches the water leakage likelihood ratio database 1205 for a water leakage likelihood ratio similar to the water leakage likelihood ratio calculated by the water leakage likelihood ratio calculation unit 1208.
  • the water leak likelihood ratio comparison unit 1209 determines the coordinates corresponding to the similar water leak likelihood on the water leak likelihood ratio database 1205 as the water leak location candidates.
  • the leak location candidate database 1210 stores the leak location candidates.
  • the information terminal output unit 1211 outputs the registered leak location candidate to the information integration unit 107.
  • the sensor placement optimization unit 108 performs sensor placement optimization processing.
  • the sensor arrangement optimization unit 108 includes a water leak likelihood analysis unit 1213 and a sensor installation location adjustment unit 1214.
  • the water leak likelihood analysis unit 1213 determines whether or not the water leak likelihood ratio is optimal based on the optimization condition database 1212 input by the user or the like.
  • the sensor installation location adjustment unit 1214 adjusts the installation location of the sensor based on the analysis result.
  • the leakage likelihood ratio database 1205 performs the learning process by storing the relationship between the leakage location and the leakage likelihood ratio in the table format shown in FIG. Is not particularly limited.
  • the amount of data used for leak location estimation can be reduced by performing learning processing using a learning model with high discrimination ability such as multi-class support vector machines and deep learning which is an example of a neural network. .
  • FIG. 13 shows an operation example of the water leak location estimation process using the neural network by the water leak location estimation unit 104.
  • the water leak likelihood ratio comparison unit 1209 inputs the water leak likelihood ratio in each sensor 204 calculated by the water leak likelihood ratio calculation unit 1208 to the discriminator, the water leak likelihood ratio comparison unit 1209 obtains the coordinates (or center coordinates) of the water leak estimation location.
  • the water leakage likelihood ratio database 1205 only needs to store the weight between nodes as a learning result, so that the amount of data can be greatly reduced compared to the table format storing the water leakage likelihood ratio for each coordinate. .
  • FIG. 14A shows an example of a learning process for estimating a leak location.
  • the pipe network calculation unit 1202 performs pipe network calculation on the assumption that water leakage has occurred at one point in the monitoring target area, and calculates the theoretical value of the measured value in each sensor (S1401). Subsequently, the water leakage likelihood ratio calculation unit 1204 calculates a theoretical water leakage likelihood ratio, which is a water leakage likelihood ratio between the sensors 204 calculated from the theoretical value (S1402). The water leakage likelihood ratio calculation unit 1204 learns the theoretical water leakage likelihood ratio paired with the water leakage place, and stores the learning result in the water leakage likelihood ratio database 1205 (S1403).
  • step S1401 When the processes of S1401 to S1403 are performed for all points in the monitoring target area and all the dates and times to be learned (S1404: YES), the learning process for estimating the leak location ends. If there is a time and a time when the processing of steps S1401 to S1403 is not performed (S1404: NO), the process proceeds to step S1401.
  • the water leakage likelihood ratio calculation unit 1204 calculates a plurality of water leakage likelihood ratios for a specific water leakage point.
  • the water leakage likelihood ratio calculation unit 1204 may perform the learning process using, for example, an average value or a median value of the plurality of calculated water leakage likelihood ratios. Further, the water leakage likelihood ratio calculation unit 1204 may statistically model the distribution of the calculated plurality of water leakage likelihood ratios.
  • FIG. 14B shows an example of processing at the time of water leak location estimation real-time operation.
  • the sensor signal acquisition unit 1206 first acquires the measurement value of each sensor 204, and the water leakage likelihood calculation unit 1207 calculates the water leakage likelihood in each sensor 204 from the acquired measurement value.
  • the water leak likelihood ratio calculation unit 1208 calculates the water leak likelihood ratio from the calculated water leak likelihood of each sensor 204 (S1405).
  • the water leakage likelihood ratio comparison unit 1209 compares the calculated water leakage likelihood ratio with each water leakage likelihood ratio included in the water leakage likelihood ratio database 1205 using, for example, an SSD.
  • the leakage probability ratio comparison unit 1209 specifies corresponding coordinates in the leakage probability ratio database 1205.
  • the water leakage likelihood ratio comparison unit 1209 determines each identified coordinate as a candidate for a water leakage estimation location.
  • the leak location candidate database 1210 stores the estimated leak location (S1406).
  • the water leakage likelihood ratio comparison unit 1209 may determine that the area around the identified coordinates, for example, the inside of a circle having a predetermined radius centered on each coordinate, is a water leakage location candidate. Then, when all candidate locations have been identified, the information terminal output unit 1211 outputs the candidate locations to the information terminal 109 (S1407).
  • the water leakage detection apparatus 102 performs water leakage location estimation based on sensor values that are constantly measured, and furthermore, since the amount of calculation for water leakage location estimation is small, the water leakage location can be estimated quickly. Moreover, since the water leak detection apparatus 102 can also use the calculation result at the time of a water leak detection process for water leak location estimation, in this case, the calculation amount can be reduced further. Moreover, the water leakage detection apparatus 102 of a present Example performs a learning process by pipe network calculation based on the water leakage likelihood which is the feature-value which is hard to be influenced by a demand fluctuation, and estimates a water leakage place using the above-mentioned water leakage likelihood. Therefore, it is possible to estimate the location of water leakage with high accuracy and stability.
  • FIG. 14C shows an example of the sensor placement optimization process.
  • the water leakage likelihood analysis unit 1213 determines the number of sensors 204 and the initial value of the installation location (1408).
  • the water leak likelihood analysis unit 1213 substitutes 0 for each of the variable plus and the variable minus (S1409).
  • the water leak likelihood analysis unit 1213 calculates the theoretical water leak likelihood ratio between the sensors 204 by pipe network calculation, assuming that water leaks at one point in the monitoring target area (S1410).
  • the sensor installation location adjustment unit 1214 has the highest water leakage likelihood ratio in the theoretical water leakage likelihood ratio, for example, the highest water leakage likelihood ratio.
  • One sensor 204 is moved so as to approach the leak point.
  • the water leak likelihood analysis unit 1213 adds 1 to the variable plus (S1412).
  • the process proceeds to step S1413.
  • the sensor installation location adjustment unit 1214 When the number of sensors 204 equal to or greater than a predetermined threshold has a peak (1413: YES), the sensor installation location adjustment unit 1214 has a leakage probability ratio among some of the sensors 204 that have peaks, for example, the sensors 204 that have peaks. All the sensors 204 that are less than the threshold value are moved away from the water leakage place. The water leak likelihood analysis unit 1213 adds 1 to the variable minus (S1414). When the number of sensors 204 less than the predetermined threshold reaches a peak (1413: NO), the process proceeds to step S1415. Note that the optimization condition database 1212 holds the above-described threshold value, rules for moving the sensor, and the like.
  • step S1410 to step S1414 is repeated a predetermined number of times for all points within the monitoring target (S1415). If the process is completed a predetermined number of times for all points (S1415: YES) and the water leakage likelihood analysis unit 1213 determines that both the variables plus and minus are 0, that is, for all the water leakage occurrence locations, If the water leakage likelihood ratio between the sensors is optimal (S1416: YES), the sensor installation location adjustment unit 1214 ends the optimization process.
  • the sensor installation location adjustment unit 1214 determines whether to adjust the number of sensors (S1417). ). If the water leak likelihood analysis unit 1213 determines that the variable plus is extremely larger than the variable minus, for example, the difference obtained by subtracting the variable minus from the variable plus is greater than a predetermined threshold, the sensor 204 for detecting water leak Indicates that there are not enough numbers. Therefore, the sensor installation location adjustment unit 1214 adds the sensor 204.
  • the sensor installation location adjustment unit 1214 reduces the number of sensors 204.
  • the process proceeds to step S1409.
  • the method of adjusting the sensor location by the sensor installation location adjustment unit 1214 is not particularly limited, and any method can be used as long as the leakage ratio or leakage likelihood distribution based on the pipe network calculation result is used as an index. It does n’t matter.
  • FIG. 15 shows an example of a method by which the leakage amount estimation unit 105 estimates the leakage amount.
  • the leak amount estimation unit 105 estimates the leak amount by utilizing the property that the influence of the leak on the sensor 204 installed at a specific location depends on the leak location and the leak amount.
  • the model creation unit 113 learns the relationship between the water leakage likelihood of each sensor 204, the water leakage location, and the water leakage amount in advance based on the simulation result by pipe network calculation.
  • the leakage amount estimation unit 105 can estimate the leakage amount by applying the leakage likelihood calculated from the measured value and the estimation result of the leakage location to the learning model during the leakage amount estimation real-time operation.
  • the likelihood of water leakage is not necessarily limited to that calculated by the above-described method, and may be any index as long as the possibility of water leakage existing for each sensor 204 can be quantified.
  • FIG. 16 schematically shows a method in which the leakage amount estimation unit 105 in the present embodiment learns transfer characteristics for estimating the leakage amount.
  • the model creation unit 113 calculates the theoretical value of the measured value of each sensor 204 when water leakage occurs at a plurality of water leakage amounts at each important point in the pipe network, and uses the theoretical value. Calculate the likelihood of leakage.
  • the model creation unit 113 models the sensor number that maximizes the water leakage likelihood and the distribution of the water leakage likelihood for each amount of water leakage. For example, the leakage amount estimation unit 105 assumes that the distribution of leakage likelihood calculated for a specific sensor 204 follows a different Gaussian distribution for each location and each leakage amount, and the leakage likelihood for each location and each leakage amount. Model the degree distribution.
  • FIG. 17 shows an example of the estimated water leakage amount database 1804.
  • the estimated water leak amount database 1804 stores, for example, coordinates on the pipe network graph, sensor numbers used for evaluation, and average value and variance value of the leak likelihood for each leak amount. Note that the estimated leak amount database 1804 in FIG. 17 stores an average value and a variance value of the leak likelihood for each leak amount in order to specify a Gaussian distribution that the leak likelihood for each leak amount follows.
  • the estimated leak quantity database 1804 may store the standard deviation of the leak likelihood for each leak quantity instead of the variance value of the leak likelihood for each leak quantity. Further, when it is assumed that the distribution of leakage likelihood calculated for a specific sensor 204 follows a distribution other than the Gaussian distribution, the leakage estimated amount database 1804 stores the average value and variance value of the leakage likelihood for each leakage amount. Instead, the information specifying the distribution is stored according to the amount of water leakage.
  • model creation unit 113 does not have to perform learning by pipe network calculation. At this time, the model creation unit 113 may perform learning by storing the past water leakage accident history in the water leakage estimated amount database 1804, for example.
  • the water leakage estimated amount database 1804 may be in any format, but if it is in a table format as shown in FIG. 10, a high-speed and stable result can be obtained.
  • the leakage amount estimation unit 105 acquires the measurement value of the sensor 204 corresponding to the estimated leakage location obtained by the leakage location estimation process during the leakage amount estimation real-time operation.
  • the water leakage amount estimation unit 105 calculates the probability of water leakage likelihood in the sensor 204 for each water leakage amount using the probability distribution for each water leakage amount in the water leakage estimation amount database 1804 as a learning result, and the value having the highest probability is calculated.
  • the amount of water leakage indicating is the estimated amount of water leakage.
  • the leakage amount estimation unit 105 evaluates the leakage amount using the measurement value of one sensor 204, but the measurement values of a plurality of sensors 204 may be used. Moreover, although the model preparation part 113 has modeled the value of the likelihood of water leakage according to the amount of water leaks, the method will not be ask
  • FIG. 18 shows a configuration example of the model creation unit 113, the leakage amount estimation unit 105, and the leakage potential estimation unit 106 in the present embodiment.
  • the model creation unit 113 performs a learning process for estimating the amount of water leakage. Since the leakage likelihood ratio calculation unit 1204 is not used for the learning process of the leakage amount estimation, the description is omitted in FIG.
  • the calculation condition setting unit 1201 sets when, where, and how much water leakage occurs on the pipe network.
  • the pipe network calculation unit 1202 executes pipe network calculation according to the conditions set by the calculation condition setting unit 1201.
  • the water leak likelihood calculation unit 1203 calculates the water leak likelihood in each sensor 204 and models the distribution of the water leak likelihood for each water leak amount.
  • the estimated water leak amount database 1804 stores the relationship between the number of the sensor 204 that has measured the highest water leak likelihood, the leak location, and the modeling result. This relationship represents the transfer characteristics of the water leakage phenomenon.
  • the leakage amount estimation unit 105 performs a leakage amount estimation process.
  • the water leakage amount estimation unit 105 includes a water leakage location estimation result acquisition unit 1805, a sensor signal acquisition unit 1806, a water leakage likelihood calculation unit 1807, a water leakage likelihood comparison unit 1808, and an information terminal output unit 1809.
  • the leak location estimation result acquisition unit 1805 acquires the estimated leak location (area) from the estimated leak database 1804.
  • the sensor signal acquisition unit 1806 acquires the measurement value of the sensor 204 used at the acquired estimated water leak location (all locations in the area).
  • the water leak likelihood calculation unit 1807 calculates the water leak likelihood in the sensor 204.
  • the leakage probability comparison unit 1808 refers to the leakage estimated amount database 1804 modeled for each leakage amount, and calculates the probability of each leakage amount at a point existing in the estimated place (region). For example, the leakage likelihood comparison unit 1808 calculates the sum L l of leakage likelihoods for each leakage amount l (Equation 11), identifies the l that gives the maximum value, and uses the identified l as the estimated result of the leakage amount.
  • Equation 12 Let l p (Equation 12).
  • C is a water leak estimation region, and x s is a measured value of the sensor 204 corresponding to the location s.
  • the water leak likelihood comparison unit 1808 is not limited to the sum L l of the water leak likelihoods for each water leak amount l shown in Equation 11, but for example, an average value or median value of the water leak likelihood for each water leak amount l Alternatively, the amount of water leakage may be estimated using another value representing the likelihood of water leakage for each amount of water leakage l.
  • the information terminal output unit 1809 outputs the estimation result to the information terminal 109 to present it to the user.
  • the water leak estimation unit 105 can determine the water leak estimation value so that the water leak potential estimation unit 106 can narrow down the water leak estimation locations. That is, when the estimated value of the water leakage amount is determined, the water leakage potential estimation unit 106 can calculate the probability value in detail using the distribution model of the water leakage likelihood for each location, and the larger the probability value, the more likely the water leakage location. It can be judged.
  • the probability value calculated for each place is called a water leakage potential.
  • the water leakage potential estimation unit 106 includes a water leakage likelihood comparison unit 1810 that calculates the water leakage potential for all water leakage estimation locations from the water leakage estimation location and the water leakage estimation amount, an information terminal output unit 1811 that outputs the water leakage potential on the information terminal, including.
  • the water leak likelihood comparing unit 1810 calculates the value LP S of the water leak potential at the location s using Equation 13.
  • the estimated water leakage amount database 1804 performs the learning process by storing the relationship between the leakage location and the leakage likelihood ratio in the table format shown in FIG. Is not particularly limited.
  • the amount of data used for leak location estimation can be reduced by performing learning processing using a learning model with high discrimination ability such as multi-class support vector machines and deep learning which is an example of a neural network. .
  • FIG. 19 shows an operation example of the water leakage amount estimation process by the water leakage amount estimation unit 105 using a neural network.
  • the leakage likelihood comparison unit 1808 obtains the probability of the leakage amount at the estimated leakage location.
  • the estimated amount of water leakage database 1804 may store the weight between nodes as a learning result, so the amount of data is compared with the table format storing the sensor number for each coordinate and the probability distribution for each amount of water leakage. It can be greatly reduced.
  • FIG. 20A shows an example of a learning process for estimating the amount of leaked water.
  • the pipe network calculation unit 1202 performs pipe network calculation assuming that a specified amount of water leaks at one point in the monitoring target area (S2001). Subsequently, the water leakage likelihood calculation unit 1203 calculates the water leakage likelihood of each sensor 204 (S2002). And the water leak likelihood calculation part 1203 specifies the sensor 204 with the highest calculated water leak likelihood, and memorize
  • the leakage likelihood calculation unit 1203 temporarily stores them.
  • a probability distribution model of water leakage likelihood for each amount of water leakage is generated using the value of water leakage likelihood (S2006).
  • the water leakage likelihood calculation unit 1203 learns by combining the generated probability distribution model of the water leakage likelihood, the target sensor number, and the water leakage estimation location, and stores the learning result in the water leakage estimation amount database 1804 (S2007). . If the above process is performed for all points in the monitoring target area (S2008: YES), the learning process is terminated.
  • FIG. 20B shows an example of processing at the time of real-time operation of water leakage estimation.
  • the leakage location estimation result acquisition unit 1805 acquires the estimation result of the leakage location from the estimated leakage amount database 1804 (S2009).
  • the leak location estimation result acquisition unit acquires a sensor number corresponding to one of the acquired leak location estimation results from the leak rate database 1804 (S2010).
  • the sensor signal acquisition unit 1806 acquires a measurement value by the sensor 204.
  • the water leak likelihood calculation unit 1807 calculates the water leak likelihood in the sensor 204 for each water leak amount.
  • the leakage probability comparison unit 1808 refers to the estimated leakage amount database 1804, calculates the probability value of the leakage likelihood for each leakage amount at the estimated leakage location, and temporarily stores the probability value (S2011).
  • the water leak likelihood comparison unit 1808 uses the probability value temporarily stored to calculate the likelihood for each water leak amount. The sum is calculated, and the amount of water leakage indicating the largest value of the likelihood sum is set as the water leakage estimation amount.
  • the information terminal output unit 1811 outputs the estimated leak amount to the information terminal 109, and the information terminal 109 displays the estimated leak amount (S2013).
  • the water leakage detection device 102 estimates the amount of water leakage based on the sensor value that is constantly measured, and further has a small amount of calculation for estimating the amount of water leakage, so that the amount of water leakage can be estimated quickly. Moreover, since the water leak detection apparatus 102 can also use the calculation result at the time of a water leak detection process and the time of a water leak location estimation process for the amount of water leaks, in this case, the calculation amount can be further reduced. Further, the water leakage detection device 102 of the present embodiment performs learning processing by pipe network calculation based on the water leakage likelihood, which is a feature amount that is not easily affected by demand fluctuations, and performs water leakage estimation using the above water leakage likelihood. Therefore, the amount of water leakage can be estimated with high accuracy and stability.
  • model creation unit 113 does not have to perform learning by pipe network calculation. At this time, the model creation unit 113 may perform learning by storing the past water leakage accident history in the water leakage estimated amount database 1804, for example.
  • FIG. 21 shows an example of the leakage potential estimation process.
  • the water leak likelihood comparison unit 1810 acquires the water leak location estimation result (S2101). Furthermore, the water leak likelihood comparison unit 1810 acquires the water leak amount estimation result corresponding to the water leak location (S2102). Subsequently, the water leak likelihood comparing unit 1810 refers to the water leak estimated amount database 1804 for one point of the water leak location candidate, acquires a corresponding sensor number, and uses the measured value by the target sensor 204 to leak water. Calculate the likelihood.
  • the water leakage likelihood comparing unit 1810 refers to the water leakage estimated amount database 1804, calculates the probability value of the water leakage likelihood using the probability distribution model corresponding to the water leakage estimated amount acquired by the target sensor 204, and calculates the probability.
  • the value is the leakage potential value at the target location. (S2104).
  • the terminal output unit 1811 outputs the value of the water leakage potential to the information terminal 109, and the information terminal 109 outputs the water leakage potential. Displays the value of.
  • the water leak likelihood comparing unit 1810 performs the processes of steps S2101 to S2104 on the water leak estimated place.
  • the water leakage detection method in the water supply system has been described.
  • the method is a system that distributes energy using a network-shaped medium such as other water leakage in a pipe network that handles water, such as sewerage, and gas leakage or electric leakage. It can be applied to anomaly detection.
  • the sensor 204 may be any sensor that can measure the energy value, such as a pressure gauge, a flow meter, a microphone, a vibration system, a voltage system, and a current system.
  • the pipe network calculation in the present embodiment is replaced with a physical calculation used for numerical simulation in each field.
  • the calculation result by the said physical calculation is a theoretical value which the sensor 204 measures.
  • FIG. 22 shows an example of screen transitions displayed by the information terminal 109.
  • the user looks at the real-time monitoring screen 2201 and monitors the measured value of each sensor 204 and the possibility of water leakage (that is, the likelihood of water leakage).
  • the water leakage detection unit 103 for example, by pressing a “detail” button for a specific detection result, a transition to the detection result detail screen 2202 is made according to a user instruction.
  • the detection result detail screen 2202 displays, for example, the estimated leak location and the estimated leak amount.
  • the sensor transition screen 2203 is displayed by pressing a “sensor layout optimization” button, for example, according to a user instruction.
  • the user interactively optimizes the arrangement of the sensor 204 by an operation on the sensor arrangement screen 2203.
  • the repair response is completed for the detected water leak
  • the user creates and submits an accident response report on the report creation screen 2204.
  • the user can view the reported accident response report on the report display screen 2205 for the leaked water that has been repaired.
  • FIG. 23 shows an example of the real-time monitoring screen 2201.
  • the real-time monitoring screen 2201 displays the measured value 2302 and the predicted value of each sensor 204 together with the evaluation value of water leakage detection in synchronization with time.
  • the evaluation value of water leak detection is, for example, the maximum value of the water leak likelihood calculated for each sensor 204.
  • the water leakage detection device 102 determines that the water leakage has been detected, estimates the water leakage location and the water leakage amount, and adds the summary information to the water leakage detection result list item 2304. .
  • the real-time monitoring screen 2201 displays a precise predicted value calculated using a prediction filter such as a regression curve or a Kalman filter calculated using past measurement values.
  • FIG. 24 shows an example of the detection result detail screen 2202.
  • the detection result detail screen 2202 displays detailed information on a specific water leak detection result selected by the user.
  • the detection result detail screen 2202 includes an entire map 2401 that displays the map to be monitored and the entire network information.
  • the entire map 2401 displays a water leak likelihood 2402 calculated when water leak occurs at a place where the sensor 204 is installed. For example, when the color of the display area of the water leakage likelihood 2402 changes according to the height of the water leakage likelihood 2402, the user can easily grasp the water leakage situation intuitively.
  • the whole map 2401 graphically displays a water leak estimation area 2403 estimated from the water leak likelihood.
  • the detection result detail screen 2202 includes a water leakage potential display 2404 of the water leakage estimation area 2403.
  • the water leakage potential display 2404 can intuitively tell the user where to start the investigation in the estimated area by changing the color according to the magnitude of the value of the water leakage potential.
  • the detection result detail screen 2202 includes a water leakage amount display 2405 for displaying the water leakage amount.
  • the leakage amount display 2405 displays the leakage amount graphically, for example, so that the user can easily grasp the approximate leakage amount.
  • the information integration unit 107 creates information for creating an efficient repair plan based on the information described above, and transmits the information to the information terminal 109.
  • the information terminal 109 outputs the information to the detection result detail screen 2202 and presents it to the user.
  • the detection result detail screen 2202 displays a countermeasure 2406 based on, for example, the trouble countermeasure flow manual and GIS held in the area information database 111, and the water leakage detection history database 112 and the repair history database 114.
  • the countermeasure 2406 includes, for example, a coping method based on geographic information and a coping method based on work history, in addition to a specific coping method, necessary number of people, and assumed repair time.
  • the coping method of “preferentially surveying along the national road because there is a national road near the estimated leakage location and there is a lot of traffic and the water distribution pipe is likely to deteriorate” is also an example of a coping method based on geographical information.
  • the detection result detail screen 2202 shows, for example, whether there is a water-use facility such as a pool, or a facility that uses a large amount of water irregularly that may cause a false detection of leakage detection such as a fire hydrant.
  • the area information 2407 including the information is displayed.
  • the area information 2407 is created by the information integration unit 107 based on information in the area information database 111, for example.
  • the facility may also be displayed on the entire map 2401. By displaying the facility on the entire map 2401, the user obtains a clue to determine the reliability of the leakage detection result. Since the amount of water used increases during an event such as a festival or on a holiday, the water leakage detection device 102 may make an erroneous determination. Event information 2410, which is information including a reason that can cause the erroneous determination and a place related to the reason, is displayed on the entire map 2401.
  • the detection result detail screen 2202 displays the asset information 2408 created by the information integration unit 107 referring to the asset information included in the regional information database 111, and also on the entire map 2401 displaying the asset information 2408. Display the relevant part.
  • the asset information 2408 includes contents such as preferentially investigating an old water pipe or a low-strength water pipe.
  • the information integration unit 107 determines the priority 2411 corresponding to the target water leakage by integrating the above information.
  • the information terminal 109 receives the determined priority order 2411 and displays it on the detection result detail screen 2202.
  • the information integration unit 107 outputs, to the information terminal 109, the area information 2407, the asset information 2409, and the like of the estimated water leak location estimated by the leak location estimating unit 104.
  • the detection result detail screen 2202 displays these pieces of information, it becomes easier for the user to identify the cause of the water leakage detection and thus to consider a countermeasure.
  • FIG. 25 shows an example of the sensor arrangement screen 2203.
  • the user wants to optimize the arrangement of the sensors 204, for example, when the water leak is generated in the parameter setting 2501, for example, the initial value or maximum value of the number of sensors, the threshold value of the water leakage likelihood ratio, or the region to be monitored.
  • the range of the number of sensors in which the likelihood ratio of leaked water is equal to or greater than a threshold is input.
  • the optimization result of the sensor arrangement within the set parameter range is displayed on the entire map 2506.
  • the leak detection detectable water distribution pipe 2502 that allows the water leak detection unit 103 to detect water leak and the water leak detection impossible water distribution pipe 2503 that cannot detect water leak can be visually distinguished by the user. Is displayed.
  • the water leak detection possible water distribution pipe 2502 is indicated by a solid line
  • the water leak detection impossible water distribution pipe 2503 is indicated by a dotted line.
  • a water leakage likelihood ratio 2505 when water leakage occurs in the water distribution pipe is displayed on the overall map 2506. That is, the user can interactively exchange information with the information terminal 109.
  • FIG. 26 shows an example of a report creation screen 2604.
  • the report creation screen 2604 includes a response result 2601, a place 2602 where water has actually leaked, and a report 2603.
  • the user inputs necessary items in the report creation screen 2604 and presses the “Submit” button.
  • FIG. 27 shows an example of a report display screen 2605.
  • the report display screen 2605 displays the report submitted by the responder on the report creation screen 2604 for water leakage that has already been repaired.
  • this invention is not limited to the above-mentioned Example, Various modifications are included.
  • the above-described embodiments are described in detail for easy understanding of the present invention, and are not necessarily limited to those having all the configurations described.
  • a part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment.
  • each of the above-described configurations, functions, processing units, processing means, and the like may be realized by hardware by designing a part or all of them with, for example, an integrated circuit.
  • Each of the above-described configurations, functions, and the like may be realized by software by interpreting and executing a program that realizes each function by the processor.
  • Information such as programs, tables, and files that realize each function can be stored in a memory, a hard disk, a recording device such as an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Hydrology & Water Resources (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

　漏水検知システムは、プロセッサと記憶装置とを含み、配管における漏水を検知する。記憶装置は、配管内の流量を反映する値を計測する第１センサの計測値の履歴データを含むセンサ計測値データベースを保持する。プロセッサは、センサ計測値データベースから、第１期間の計測値を選択し、第１期間の計測値から、所定変数の確率分布を算出し、センサ計測値データベースから判定対象計測値を選択し、判定対象計測値から所定変数の値を算出し、確率分布と、判定対象計測値から算出された所定変数の値と、に基づいて、漏水尤度を算出し、漏水尤度に基づいて、配管において新たな漏水が発生しているか否かを判定する。

Description

漏水検知システム、及び漏水検知方法
　本発明は、漏水検知システム、及び漏水検知方法に関する。
　近年、地球温暖化やエネルギー枯渇、森林の減少・砂漠化、水資源の不足といった地球規模の環境問題が顕在化するなか、環境ビジネスのグローバル化が進んでいる。特に、水資源に関しては、世界人口の２０％程度が十分な飲料水を確保できていない実情を鑑み、国連は決定的な水不足に陥っているとの警告を出している。そこで、各国の水道局は、水資源の保存を目的として、漏水の起こりにくい健全な配水設備の構築に注力している。
　しかし、特に新興国では上水道システムに高額な投資を行う余裕がなく、新興国の配水設備の健全性を先進国におけるものと比較すると大きな隔たりが存在する。例えば先進国の都市における漏水率が、例えば、東京で４％、ロスアンゼルスで９％、ニューヨークで１０％、ミラノで１０％程度であるのに対して、新興国の都市においては、例えば、バンコクで３４％、デリーで５３％、マニラで６２％と非常に高い。このように、新興国の漏水率は先進国と比べて非常に高い。
　本技術分野の背景技術として、特開２０１０－４８０５８号公報（特許文献１）がある。この公報には、「各給水栓での水使用量を記憶する給水栓水使用量記憶手段１１と、節点の需要量を設定する節点需要量割付手段１２と、配水管路網を構成する管路材質、延長等を記憶する管網解析モデル記憶手段１４と、節点ごとの漏水量割付量を設定する漏水量分布最適化手段１３と、配水管路網への流入流量や圧力データを記憶するプロセスデータ記憶手段１８と、管網モデル記憶手段からの管網解析モデル、夜間の流量及び圧力データ、節点ごとの漏水量割付量及び各節点の需要量とに基づいて管網解析を実行する管網解析手段１７と、各節点での圧力推定値と圧力実績値との誤差を演算する圧力誤差演算手段１６とを備え、漏水分布最適化手段で圧力誤差演算手段で得られる圧力誤差を最小とするように、漏水量を各節点に分布させるための最適化演算する漏水節点推定装置。」と記載されている（要約参照）。
特開２０１０－４８０５８号公報
　特に新興国では、配水管の断裂や、継ぎ目のずれなどによって引き起こされる漏水現象を早期に発見し、被害が拡大しないうちに修繕処置を施すことが必要とされる。特許文献１に記載の技術では、夜間最小流量に基づいて漏水量を計算するため、漏水発生から検知までに時間がかかる。また、１日を通して需要量（需要家にて意図的に使用され、かつ水道局からの課金対象となる水の量）が大きい場合には適用できない、といった問題が存在する。
　そこで本発明は、これらの問題点を鑑み、漏水による水損失コストや大災害に繋がるリスクを最低限に抑えるために、迅速かつ的確に漏水を検知する技術を提供する。これにより、検知された漏水のリスクを予測することが可能となり、効率的な補修計画、および人員配置を行うことが可能になる。
　上記課題を解決するために、本発明は、例えば、以下のような構成を採用する。すなわち、プロセッサと記憶装置とを含み、配管における漏水を検知する、漏水検知システムであって、前記記憶装置は、前記配管内の流量を反映する値を計測する第１センサの計測値の履歴データを含むセンサ計測値データベースを保持し、前記プロセッサは、前記センサ計測値データベースから、第１期間の計測値を選択し、前記第１期間の計測値から、所定変数の確率分布を算出し、前記センサ計測値データベースから判定対象計測値を選択し、前記判定対象計測値から前記所定変数の値を算出し、前記確率分布と、前記判定対象計測値から算出された前記所定変数の値と、に基づいて、漏水尤度を算出し、前記漏水尤度に基づいて、前記配管において新たな漏水が発生しているか否かを判定する漏水検知システム。
　本発明によれば、低い投資コストにて高精度かつ迅速に漏水の発生を検知する技術を提供することができる。
実施例１において、漏水検知システムの漏水検知対象となる配水管網の概要例を示す説明図である。 実施例１において、漏水検知システムの概要例を示す説明図である。 実施例１において、漏水検知装置の構成例を示すブロック図である。 実施例１において、センサ配置最適化装置の構成例を示すブロック図である。 実施例１において、漏水検知装置による処理の一例を示すフローチャートである。 実施例１において、漏水検知部が漏水尤度を計算する概念の一例を示す説明図である。 実施例１において、センサの計測値とＱｔ，ｎ（ｘ）との関係を示すグラフである。 実施例１において、継続長とＱｔ，ｎ（ｘ）との関係を示すグラフである。 実施例１において、時間と漏水尤度との関係の一例を示すグラフである。 実施例１において、漏水影響の局所性の概念の一例を示す説明図である。 実施例１において、時間と漏水尤度との関係の一例を示すグラフである。 実施例１において、漏水場所推定部が漏水場所を推定する方法の一例を示す説明図である。 実施例１において、漏水場所推定部が漏水場所を推定するための伝達特性を学習する方法を模式的に示す説明図である。 実施例１において、漏水尤度比データベースの一例である。 実施例１において、センサ配置と個数の最適性の指針を示す説明図である。 実施例１において、モデル作成部、漏水場所推定部、及びセンサ配置最適化部の構成例を示すブロック図である。 実施例１において、漏水場所推定部がニューラルネットワークを用いた漏水場所推定処理の動作例を示す説明図である。 実施例１において、漏水場所推定のための学習処理の一例を示すフローチャートである。 実施例１において、漏水場所推定のリアルタイム運用時の処理の一例を示すフローチャートである。 実施例１において、センサ配置最適化処理の一例を示すフローチャートである。 実施例１において、漏水量推定部が漏水量を推定する方法の一例を示す説明図である。 実施例１において、漏水量推定部が漏水量を推定するための伝達特性を学習する方法を模式的に示す説明図である。 実施例１において、漏水推定量データベースの一例である。 実施例１において、モデル作成部、漏水量推定部、及び漏水ポテンシャル推定部の構成例を示すブロック図である。 実施例１において、漏水量推定部ニューラルネットワークを用いた漏水量推定処理の動作例を示す説明図である。 実施例１において、漏水量推定のための学習処理の一例を示すフローチャートである。 実施例１において、漏水量推定リアルタイム運用時の処理の一例を示すフローチャートである。 実施例１において、漏水ポテンシャル推定処理の一例を示すフローチャートである。 実施例１において、情報端末が表示する画面の遷移の一例を示す説明図である。 実施例１において、リアルタイム監視画面の一例を示す。 実施例１において、検出結果詳細画面の一例を示す。 実施例１において、センサ配置画面の一例を示す。 実施例１において、報告書作成画面の一例を示す。 実施例１において、報告書表示画面の一例を示す。
　以下、添付図面を参照して本発明の実施形態を説明する。本実施形態は本発明を実現するための一例に過ぎず、本発明の技術的範囲を限定するものではないことに注意すべきである。各図において共通の構成については同一の参照符号が付されている。
　図１は、本実施例の漏水検知システムにおいて漏水検知対象となる配水管網の一例を示す。配水管網は、水道局など水の配給元となる配水所２０１と、複数の需要家をまとめて表現するノードのそれぞれと、を配水元から需要家まで水を供給するための配管である配水管２０３により繋いでいる。
　図１は、単純化のためこれら３種類を要素とする管網を例として挙げたが、配水管網には、例えば水流の方向や流量を調節するバルブ、及び圧力を加えるポンプなどが、さらに設置されていてもよい。配水管網には、ノードの数と比べて十分少ない数のセンサ２０４が設置されている。センサ２０４は、例えば、圧力計、流量計、マイクロフォン、又は振動センサなど、配管の流量を反映した値を計測するものであればよい。本実施例では、特に断らない限り、センサ２０４の一例として圧力計を用いる。
　図２Ａは、本実施例における漏水検知システムの概要例を示す。漏水検知システムは、ネットワーク１０１、漏水検知装置１０２、センサ配置最適化装置１２０、情報端末１０９、地域情報データベース１１１、漏水検知履歴データベース１１２、補修履歴データベース１１４、及びセンサ計測値データベース１１５を含む。
　漏水検知装置１０２は、配水管網における漏水の検知、漏水場所の推定、漏水量の推定等を行う。漏水検知装置１０２は、ネットワーク１０１を介して、配水管網に設置されたセンサ２０４による計測値を受信する。センサ配置最適化装置１２０は、センサ２０４の数と設置場所を最適化する。
　情報端末１０９は、漏水検知装置１０２から受信した漏水推定結果、配管の補修計画案、及びセンサ配置最適化装置１２０から受信した最適化結果等の情報を、ユーザに提示する。また、情報端末１０９は、例えば、補修履歴等の入力をユーザから受け付ける。地域情報データベース１１１は、障害対策フローマニュアル、地域情報、及びアセット情報（配管の材質や敷設年数など、管網に関する情報）等を保持する。
　漏水検知履歴データベース１１２は、漏水検知装置１０２が検知した漏水の発生日時、漏水推定場所、漏水推定量、等の情報を保持する。センサ計測値データベース１１５は、漏水検知装置１０２が受信したセンサ２０４による計測値の履歴データ、及び漏水検知装置１０２が算出したセンサ計測値の予測値データを保持する。また、センサ計測値データベース１１５は、漏水検知装置１０２が算出した各センサ２０４における漏水尤度、及び漏水尤度の予測値を保持する。また、センサ計測値データベース１１５は、各センサ２０４の位置情報を保持する。
　なお、図２Ａでは、漏水検知装置１０２とセンサ配置最適化装置１２０を別の装置として記載しているが、これらは１つの装置でもよい。同様に、例えば、漏水検知装置１０２と情報端末１０９は、１つの装置でもよい。また、漏水検知システムに含まれる各装置は複数の計算機によって構成されてもよい。また、地域情報データベース１１１、地域情報データベース１１１、漏水検知履歴データベース１１２、補修履歴データベース１１４、及びセンサ計測値データベース１１５は、漏水検知システムに含まれるいずれかの装置が保持してもよい。
　図２Ｂは、漏水検知装置１０２の構成例を示す。漏水検知装置１０２は、ＣＰＵ１５０、入出力インタフェース１５１、メモリ１５２、及び二次記憶装置１５３を含む。メモリ１５２は、漏水検知部１０３、漏水場所推定部１０４、漏水量推定部１０５、漏水ポテンシャル推定部１０６、情報統合部１０７、及びモデル作成部１１３を含む。メモリ１５２に含まれる各部は、プログラム又はプログラム群である。
　各プログラムはＣＰＵ１５０によって実行されることで、定められた処理を記憶装置及び通信ポート（通信デバイス）を用いながら行う。従って、本実施例及び他の実施例において各部を主語とする説明は、ＣＰＵ１５０を主語とした説明でもよい。若しくは、各部が実行する処理は、そのプログラムが動作する計算機及び計算機システムが行う処理である。ＣＰＵ１５０は、プログラムに従って動作することによって、所定の機能を実現する機能部（手段）として動作する。なお、後述するセンサ配置最適化装置１２０のメモリが含む各部についても同様である。
　漏水検知部１０３は、配水管網における漏水発生を検知する。漏水場所推定部１０４は、漏水検知部１０３が検知した漏水が発生した場所を推定する。漏水量推定部１０５は、漏水検知部１０３が検知した漏水における漏水量を推定する。漏水ポテンシャル推定部１０６は、漏水量推定部１０５による推定結果を用いて、漏水場所推定部１０４が推定した各漏水場所における漏水確率を算出することで、漏水推定場所をさらに絞り込む。
　情報統合部１０７は、各部が推定した漏水の情報を統合する。また、情報統合部１０７は、統合した情報と地域情報データベース１１１等とを参照し、効率的な補修計画案を策定する。モデル作成部１１３は、漏水検知のためのモデル作成処理、及び漏水場所推定、漏水量推定、漏水ポテンシャル推定のための学習処理を行う。二次記憶装置１５３は、漏水尤度比データベース１２０５、漏水場所候補データベース１２１０、及び漏水推定量データベース１８０４を含む。
　漏水尤度比データベース１２０５は、漏水場所推定のための学習結果を保持する。漏水場所候補データベース１２１０は、漏水場所推定部１０４が推定した漏水場所候補の情報を保持する。漏水推定量データベース１８０４は、漏水量推定のための学習結果を保持する。
　図２Ｃは、センサ配置最適化装置１２０の構成例を示す。センサ配置最適化装置１２０は、ＣＰＵ１６０、入出力インタフェース１６１、メモリ１６２、及び二次記憶装置１６３を含む。メモリ１６２は、センサ配置最適化部１０８を含む。センサ配置最適化部１０８は、センサ２０４の数と設置場所を最適化する。二次記憶装置１６３は、最適化条件データベース１２１２を含む。最適化条件データベース１２１２は、ユーザ等が入力したセンサを最適化する際のセンサ配置の条件等を保持する。
　図３は、漏水検知装置１０２による処理の一例を示す。まず、漏水検知部１０３は、特定期間における各センサ２０４の計測値から漏水の発生を検知する（Ｓ３０１）。漏水検知部１０３は、漏水が発生している可能性を示す漏水尤度を各センサ２０４に対して計算する。漏水検知部１０３は、例えば、所定の閾値以上の漏水尤度を示すセンサ２０４が存在すれば漏水が発生したと判断する。
　続いて、漏水検知部１０３が漏水を検知した場合（Ｓ３０２：ＹＥＳ）、漏水場所推定部１０４は、各センサ２０４における漏水尤度から漏水場所を推定し、漏水場所の可能性のある区画を絞り込む（Ｓ３０３）。続いて、漏水量推定部１０５は、推定区画情報と特定のセンサ２０４の漏水尤度から漏水量を推定する（Ｓ３０５）。
　漏水ポテンシャル推定部１０６は、推定区画情報と特定のセンサ２０４の漏水尤度と漏水量の推定結果から、漏水ポテンシャルを推定する（Ｓ３０５）。情報統合部１０７は、Ｓ３０１、Ｓ３０３、Ｓ３０４、及びＳ３０５において作成された情報を受信し、情報端末１０９に送信する。システムの停止処理が行われるまで（Ｓ３０６）、上記処理は繰り返し実行される。
　図４は、漏水検知部１０３が、漏水尤度を計算する概念の一例を示す。配水管内の圧力は、需要家による需要量と配水管からの漏水量とによる影響を受けて変動する。一般的に、需要量は、漏水量より極めて大きい（すなわちＳ／Ｎ比が低い）ため、漏水による影響のみを検知することは困難である。
　そこで、本実施例の漏水検知システムは、センサ２０４による計測値から算出される３種類の特徴量に注目することで漏水による影響を把握し、漏水検知を行う。なお、特徴量とは、センサ２０４による計測値と、変動とを反映する値である。モデル作成部１１３は、例えば、以下に示すように、各特徴量をセンサごとに統計的にモデル化し、作成したモデルを用いた評価結果を統合することにより、センサごとに漏水尤度を高精度に計算する。
　第１の特徴量は、水需要の周期性を反映する値である。需要量は需要家の生活パターンに合わせて周期的に変動するため、漏水が無い場合、センサ２０４による計測値は周期性を有する。漏水が発生すると平常時よりも水の流出量が増えるため、センサ２０４による計測値の周期性が崩れる。従って、漏水検知部１０３は、当該周期性の崩れに基づいて漏水を検知することができる。
　具体的には、モデル作成部１１３は、平常時（即ち漏水非発生時）の圧力分布を時刻ごとにモデル化し、平常時からの圧力値のずれを数値化する。例えば、モデル作成部１１３は、各時刻において同一センサ２０４による計測値の確率分布４０１を計算し、特徴量のうち需要に影響される部分である需要成分のモデル化を行う。本実施例では、例えば、時刻ｔにおいてセンサ２０４によって計測された圧力値ｘの発生確率Ｐt（ｘ）がガウス分布に従うものと仮定する。即ち、モデル作成部１１３は、センサ計測値データベース１１５が保持する計測値を用いて、下記の数１によってモデル化処理を行う。
Figure JPOXMLDOC01-appb-M000001
　ただし、μt,nを時刻ｔにおけるセンサ番号ｎのセンサ２０４の計測値の平均、σt,nを時刻ｔにおけるセンサ番号ｎのセンサ２０４の計測値の標準偏差とする。なお、センサ番号はセンサを識別するセンサ識別子の一例である。従って、当該モデルは、センサ２０４ごと及び時刻ごとの計測値の平均と標準偏差とを用いて表現される。また、漏水検知部１０３は、漏水検知リアルタイム運用時には、センサ計測値データベース１１５が保持する判定対象計測値をＰt,n（ｘ）に代入して、センサ番号ｎのセンサ２０４の漏水尤度Ｌ1nを算出する。漏水検知部１０３は、例えば下記の数２によりＬ1nを計算する。Ｌ1nが大きいほど、モデル化時からの流出水量が多いことを示し、漏水の危険性が高くなる。
Figure JPOXMLDOC01-appb-M000002
　Ｑt,n（ｘ）は、計測値ｘの発生確率Ｐt,n（ｘ）を、漏水の可能性を示す指標に変換した値であり、Ｐt,n（ｘ）が小さいほど漏水が存在する可能性が高い。漏水が起こると圧力値は低下するため、計測値ｘがモデル化時の平均よりも小さい場合は、計測値ｘの発生確率Ｐt,n（ｘ）に従い、そうでなければ、漏水の可能性は小さいため常に大きい値（Ｐt,n（ｘ）の最大値であるＰt,n（μt,n））に設定している。その結果、計測値ｘと関数Ｑt,n（ｘ）の関係は図５のようになる。
　第２の特徴量は、漏水成分の継続性を反映する値である。漏水が発生すると補修が行われない限り漏水は止まらないため、漏水の影響は、漏水発生後の計測値に、継続的に現れる。つまり、漏水が起こると圧力値が低下した状態が継続する。モデル作成部１１３は、センサ計測値データベース１１５が保持する平常時の計測値を用いて圧力の予測値を作成する。モデル作成部１１３は、当該予測値から漏水検知処理時の圧力の計測値を引いた差分が正となる期間の長さを、センサごと及び時刻ごとに計算する。すなわち、モデル作成部１１３は、平常時よりも流出水量が多い現象が継続的に起こる時間の長さを、センサ２０４ごと及び時刻ごとに計算する。
　このとき、時刻ｔにおいて予測値が計測値を上回る時間の継続長であるｘの発生確率Ｐt（ｘ）がガウス分布に従うものと仮定する。即ちモデル作成部１１３は、数１によりモデル化処理を行う。ただし、μt,nを時刻ｔにおけるセンサ番号ｎのセンサ２０４において予測値が計測値を上回る時間の継続長の平均、σt,nを時刻ｔにおけるセンサ番号ｎのセンサ２０４における当該継続長の標準偏差とする。モデル作成部１１３は、当該継続長に基づいた確率分布を算出することにより、突発的な需要変動の影響を抑制する、精度が高いモデルを構築することができる。なお、この場合、センサ番号ｎのセンサ２０４の漏水尤度Ｌ2nは下記の数３で表される。
Figure JPOXMLDOC01-appb-M000003
　また、この場合の継続長ｘと関数Ｑt,n（ｘ）の関係は図６のようになる。なお、モデル作成部１１３による、平常時の圧力値を用いて圧力値の予測値を算出する方法はどのようなものでもよいが、例えば、第１の特徴量である圧力値のモデル化に用いた計測値の平均μt,nを予測値とするのが簡単である。また、モデル作成部１１３は、センサ計測値データベース１１５が保持する過去の計測値を用いて計算した回帰曲線や、カルマンフィルタ等の予測フィルタを利用すると、さらに精緻な予測値が得られる。
　第３の特徴量は、センサ２０４間の相関性を反映する値である。漏水が配水管内の圧力値に及ぼす影響は、漏水場所から遠くなるほど影響力を弱めながら伝播する。従って、異なる場所に設置されているセンサ２０４による計測値の相関性は、平常時と漏水時とで異なる。そのため、モデル作成部１１３は、例えば、センサ２０４間の圧力比率をセンサ２０４ごと及び時刻ごとに計算する。あるセンサ２０４における圧力比率とは、例えば、全てのセンサ２０４の圧力値の合計に対する、当該センサ２０４における圧力値の割合を表す。
　モデル作成部１１３は、圧力比率ｘの発生確率Ｐt（ｘ）がガウス分布に従うものと仮定して、他の特徴量と同様に数１を用いてモデル化を行う。ただし、μt,nを時刻ｔにおけるセンサ番号ｎのセンサ２０４の圧力比率の平均、σt,nを時刻ｔにおけるセンサ番号ｎのセンサ２０４の圧力比率の標準偏差とする。この場合、漏水尤度Ｌ3nは下記の数４もしくは数５で表される。
Figure JPOXMLDOC01-appb-M000004
Figure JPOXMLDOC01-appb-M000005
　センサ２０４間の相関性を表す特徴量は、上述した圧力比率に限らず、例えば、センサ２０４間の積率相関係数や順位相関係数などであってもよい。
　図７Ａは、時間と漏水尤度との関係の一例を示す。例えば、漏水検知部１０３は、水需要の周期性を反映するＬ1nを用いて、漏水検知を行う場合、計測値の周期性の崩れから漏水を検知する。従って、この場合、漏水発生時のみならず水需要の増加する期間、例えば、お盆や正月等において、漏水検知部１０３が算出する漏水尤度Ｌ1が大きい値になり得る。
　漏水検知部１０３は、計測値の周期性を反映したＬ1n（センサ単体評価）に、例えば、漏水の継続性を反映したＬ2n（センサ単体の時系列評価）、及びセンサ２０４間の相関性を反映したＬ3n（複数センサによる評価）を組み合わせて得られる漏水尤度Ｌnを用いて漏水検知を行う。これにより、漏水検知部１０３は、水需要の増大を漏水とみなすことを防ぐことができ、漏水検知の精度を高めることができる。
　漏水検知部１０３は、Ｌnをどのように計算してもよいが、例えば、下記の数６に示す各漏水尤度の積や重み付き和で計算することができる。このとき、漏水検知部１０３は、例えば、Ｌ1n～Ｌ3nに対して、それぞれ、正規化、平滑化、及びノイズ除去などの処理を施した上で、Ｌnを算出してもよい。
Figure JPOXMLDOC01-appb-M000006
　ここで、ｗ1、ｗ2、ｗ3は、それぞれＬ1n、Ｌ2n、Ｌ3nに対する重みを表す。漏水検知部１０３は、例えば、各センサ２０４に対して計算された漏水尤度Ｌnに対し、Ｌnの最大値が所定の閾値よりも大きければ漏水が発生したものと判断する。
　本実施例において漏水検知装置１０２は、各時刻における確率分布を独立に計算しているが、複数時刻（Ｎ点）の計測値を要素とするＮ次元ベクトルを用意し、Ｎ次元のガウス分布を用いて確率Ｐt,n（ｘ）を計算してもよい。これにより、漏水検知装置１０２は、時刻間の相関関係を考慮した確率計算が可能になり、漏水検知の精度を向上することができる。また、計測値の確率分布は、ガウス分布以外の分布に従っていてもよく、例えば、ポワソン分布、ラプラス分布、カイ２乗分布、ロジスティック分布など、どのような分布を仮定してもよい。また、漏水検知装置１０２は、計測値に対して各分布をフィッティングし、計測値がどの分布に従うかを自動的に判断してもよい。
　また、本実施例においてモデル作成部１１３は、センサごと及び時間ごとに、モデル化期間を１日としてモデルを作成しているが、モデル化期間を例えば、１週間、１か月、１年としてもよい。また、モデル作成部１１３は、曜日、季節、天気、気温など、水需要を変化させる要因ごとにモデルを作成すると、さらに漏水検知精度が向上する。
　また、モデル作成部１１３は、新しく計測されたデータを用いて古いモデルを随時更新すると、予め大量のモデル化用データを用意する必要がなく、本漏水検知システム導入時の負担を減少させることができる。また、モデルの数も減少させることができるため、メモリ量を大幅に減少させることができる。さらに、モデル作成部１１３は、常に新しいデータを用いたモデルを作成するため、漏水検知部１０３による漏水検出精度を向上させることができる。
　これを、本実施例を用いて具体的に説明すると、モデル作成部１１３は、パラメータμt,nとσt,nとを、センサ計測値データベース１１５が保持する計測値を用いて予め計算しておいてもよいが、漏水検知リアルタイム運用時に動的に更新を行うことが好ましい。モデル作成部１１３が上述のパラメータを動的に更新することにより、季節変化等に伴う需要家の生活スタイルの変化を反映したモデル化が可能になるためである。
　また、モデル作成部１１３は、上述のパラメータを動的に更新する際、パラメータμt,nとσt,nとをそれぞれ、重み付き平均、重み付き標準偏差として計算すると、例えば、季節変化、曜日変化等を反映したモデル化が可能である。この場合、モデル作成部１１３は、例えば、対象日からの日数が近いほど重みを大きく、さらに対象日と曜日が同じ場合に重みを大きく設定すると、季節変化及び曜日変化を顕著に反映することができる。
　さらに、本実施例において、モデル作成部１１３は、３種類の特徴量を統計的にモデル化し漏水尤度を計算しているが、特にそのモデル化方法は問わない。モデル作成部１１３は、例えば、３種類の特徴量に対して主成分分析（ＰＣＡ）などの部分空間変換を施し、その変化を数値化して漏水尤度を計算するといった方法を用いてもよい。
　また、本実施例の漏水検知装置１０２は、「複数箇所において同時に漏水が発生することはない」との仮定を設けることで、さらに検出精度を高めることができる。すなわち、同時刻に発生する漏水が１箇所である場合は、漏水尤度が高くなるセンサの設置場所が漏水箇所の周辺に限られることを示す、漏水影響の局所性を利用することができる。
　図７Ｂは、漏水影響の局所性の概念の一例を示す。漏水場所２８０１で漏水が発生した場合、漏水の影響２８０２は、漏水場所２８０１を中心として徐々に弱まりながら伝播する。この場合、漏水の影響２８０２が無視できるほど小さくない範囲である漏水の影響範囲２８０３内に存在するセンサ２０４の計測値から、閾値を超える漏水尤度が算出される。
　新規に発生した漏水が１箇所である場合は、漏水の影響範囲２８０３内にあるセンサ２０４の計測値から、閾値を超える漏水尤度が算出されるが、その他のセンサ２０４の計測値からは、閾値を超える漏水尤度は算出されない。従って、漏水検知部１０３は、漏水の局所性に着目することにより、「漏水らしさ」を定量化する漏水尤度Ｌ4nを計算することができる。漏水尤度Ｌ4nは、例えば、下記の数７のように表現される。
Figure JPOXMLDOC01-appb-M000007
　ここで、ｘはセンサ番号ｎのセンサ２０４の近傍にある、例えば、センサ番号ｎのセンサ２０４との距離が所定の閾値以内のセンサ２０４（センサ番号ｍ）のうち、漏水尤度Ｌmが所定の閾値以上であるものの個数とする。なお、モデル作成部１１３は、センサ計測値データベース１１５が保持するセンサの位置情報から、センサ２０４間の距離を算出する。ここでは、ｘを全てのセンサ２０４（センサ番号ｍ）のうち、漏水尤度Ｌmが閾値以上であるものの個数としてもよい。また、Ｐt,n（ｘ）は、時刻ｔのセンサ番号ｎのセンサ２０４におけるｘの発生確率とする。また、漏水影響の局所性に着目した漏水尤度Ｌ4nの別の計算例としては、下記の数８によるものも挙げられる。
Figure JPOXMLDOC01-appb-M000008
　ここで、ｘはセンサ番号ｎのセンサ２０４の近傍にあるセンサ２０４（センサ番号ｍ）のうち、漏水尤度Ｌmが閾値以上であるものの個数を、ｙはセンサ番号ｎのセンサ２０４から遠くにあるセンサ２０４（センサ番号ｍ）のうち、漏水尤度Ｌmが閾値以上であるものの個数とする。
　本実施例では、漏水影響の局所性を評価する際に、各センサの漏水尤度Ｌmの大きさを指標としているが、各センサの漏水尤度Ｌ1m～Ｌ3mや、各センサの計測値など、どのような値を用いてもよい。また、本実施例では統計的にモデル化しているが、漏水影響範囲の局所性を利用するものであれば、モデル化方法は問わない。このとき、最終的に漏水発生の有無を判定するために用いられる漏水尤度Ｌn2の算出方法は特に問わないが、漏水検知部１０３は、例えば下記の数９を用いてＬn2を計算する。なお、数９内のｗ4、ｗ5は、それぞれＬn、Ｌ4nに対する重みを表す。
Figure JPOXMLDOC01-appb-M000009
　図７Ｃは、漏水尤度Ｌ4nを導入した際における、時間と漏水尤度との関係の一例を示す。漏水尤度Ｌ4nは、漏水影響の局所性が考慮されているため、至る所で流量が高くなるお盆や正月においては低い値を示す。その結果、お盆や正月における水の流出は、「漏水らしさ」が低いと考えられるため、漏水尤度Ｌ4nを反映する漏水尤度Ｌn2の値も低い値を示す。従って、漏水検知部１０３は、漏水尤度Ｌ4nを導入することにより、漏水検知精度が高くなり、少量の漏水も検知できるようになる。
　本実施例の漏水検知装置１０２は、漏水検知のためのモデル化処理における計算量が少なく、かつ高精度なモデルを実現する。さらに、本実施例の漏水検知部１０３は、常時計測されているセンサ値に基づいて漏水尤度を算出し、さらに漏水尤度算出のための計算量も少ないため、迅速に漏水を検知することができる。
　また、本実施例の漏水検知装置１０２は、漏水検知のためのモデル化処理及び漏水検知処理においては、管網計算を行う必要がない。従って、漏水検知のためのモデル化処理及び漏水検知処理においては、管網グラフを作成するための設備やデータを整備する必要がなく、投資面及び労力面の負担を削減できる。
　図８は、漏水場所推定部１０４が、漏水場所を推定する方法の一例を示す。漏水検知システムが配水管網における漏水を検知対象とする場合、漏水がセンサ２０４に与える影響は、漏水場所と当該センサとの間の距離だけに依存するのではなく、例えば、配水管の接続関係、各配水管を流れる水の流量及び方向にも依存する。従って、漏水は、単純に漏水尤度の高いセンサ２０４の近くで発生しているとは限らない。
　そこで本実施例では、水の流量及び方向を決定づける需要量の影響を排除した指標である、漏水尤度を導入することにより、漏水場所との位置関係のみを考慮すればセンサが漏水から受ける影響が決定されるようにする。すなわち、漏水場所推定部１０４は、複数のセンサ２０４に対して漏水の影響を調べ、それらの関係性により漏水場所を絞り込むことができる。
　モデル作成部１１３は、予め管網計算によるシミュレーション結果に基づいて、漏水尤度のセンサ間比率と漏水場所との関係を学習しておく。漏水場所推定部１０４は、当該学習により作成されたモデルに、漏水場所推定処理時の計測値から算出した漏水尤度を適用することにより、漏水場所を推定することができる。なお、ここで言う漏水尤度とは、必ずしも前述の方法で計算されたものに限らず、センサごとに漏水が存在する可能性の高さを数値化できる指標であればどのようなものでもよい。
　図９は、本実施例において、漏水場所推定部１０４が漏水場所を推定するための伝達特性を学習する方法を模式的に示す。モデル作成部１１３は、管網内の要所において漏水を発生させた場合における各センサ２０４の計測値（理論値）を管網計算により算出し、当該理論値を用いて漏水尤度を計算する。続いて、モデル作成部１１３は、各漏水尤度のセンサ間比（漏水尤度比）を計算し、漏水発生場所と計算した漏水尤度比とを対にして学習する。なお、各センサ２０４間の漏水尤度比における各センサ２０４の比率を漏水尤度比率と呼ぶ。
　一方、漏水場所推定リアルタイム運用時には、漏水場所推定部１０４は、センサ計測値データベース１１５が保持する各センサ２０４による計測値（実測値）を用いて漏水尤度比を計算する。漏水場所推定部１０４は、学習結果における漏水尤度比と、実測値を用いて計算した漏水尤度比と、を比較して類似している場合、学習結果に漏水尤度比に対応する場所を漏水推定場所とする。なお、漏水尤度比の比較方法は特に問わないが、漏水場所推定部１０４は、例えば下記の数１０に示す、自乗誤差和ＳＳＤを計算し、これが閾値以下であれば類似していると判断すればよい。
Figure JPOXMLDOC01-appb-M000010
　ここで、ＮＬＳＡ1nは学習済みのセンサｎにおける漏水尤度比率、ＮＬＳＡ2nは計測値を用いて計算したセンサｎにおける漏水尤度比率とする。また、センサ配置最適化部１０８は、漏水尤度比の学習時又は学習前に、センサ配置の最適化を行うこともできる。すなわち、センサ配置最適化部１０８は、管網計算にて計算した漏水尤度比から、センサ配置と個数の最適性を判断することができる。
　図１０は、漏水尤度比データベース１２０５の一例を示す。漏水尤度比データベース１２０５は、例えば、管網グラフ上の座標値と漏水尤度比との対応を格納する。漏水尤度比データベース１２０５は、どのような形式でもよいが、図１０のようにテーブル形式とすると、高速でかつ安定した結果が得られる。
　図１１は、センサ配置と個数の最適性の指針を示す。少数のセンサ２０４の漏水尤度比率が、閾値よりも大きい状態であるセンサ配置が好ましい。なお以下では、漏水尤度比率が閾値よりも大きい状態のセンサ２０４を、ピークとなるセンサ２０４と呼ぶ。当該場所で漏水が発生した際には、強く反応するセンサ２０４が少なくとも１つ存在するため漏水が検知可能であり、かつ多数のセンサ２０４が同時に反応するような冗長なセンサ配置ではないからである。すなわち、このようなセンサ配置は、漏水検知性能とセンサコストのバランスが取れている状態である。なお、センサコストとは、センサ２０４の設置にかかる費用及び人的労力を示す。図１１中の「良い例」は、このようなセンサ配置における漏水尤度比の一例であり、少数のセンサ２０４のみに漏水の影響が伝搬している状態を示している。
　一方、ピークとなるセンサ２０４が１つも無い、又はピークとなるセンサ２０４が多数あるセンサ配置は好ましくない。ピークとなるセンサ２０４が１つも無いことは、当該場所で漏水が発生しても強く反応するセンサがないため漏水を検知できない、もしくは全てのセンサが強く反応している冗長な状態であることを示すからである。また、ピークとなるセンサ２０４が多数あることは、複数のセンサ２０４が同時に反応し、センサ配置が冗長であることを示すからである。
　すなわち、このようなセンサ配置は、漏水検知性能とセンサコストのバランスが取れていない。従って、センサ配置最適化部１０８は、これらのような場合に、センサ２０４の配置を変更すれば、漏水検知性能とセンサコストのバランスを改善することができる。図１１中の「悪い例」は、このようなセンサ配置における漏水尤度比の一例であり、多数のセンサ２０４に漏水の影響が伝搬している状態を示している。
　センサ配置最適化部１０８は、管網内の全ての箇所について、管網計算による漏水尤度比が図１１中の「良い例」の分布になるようにセンサ２０４の数と、センサ２０４を設置する場所と、を決定する。なお、本実施例では、センサ配置最適化部１０８は、漏水尤度比に基づいてセンサ配置の最適化を行っているが、漏水尤度に基づいて、同様の方法でセンサ配置の最適化を行ってもよい。また、モデル作成部１１３による学習結果はセンサ配置に依存するため、センサ配置最適化部１０８は、モデル作成部１１３による学習処理の開始前に、最適化を完了しておくことが好ましい。
　図１２は、本実施例におけるモデル作成部１１３、漏水場所推定部１０４、及びセンサ配置最適化部１０８の構成例を示す。モデル作成部１１３は、漏水場所推定の学習処理を行う。モデル作成部１１３は計算条件設定部１２０１、管網計算部１２０２、漏水尤度計算部１２０３、及び漏水尤度比計算部１２０４を含む。
　計算条件設定部１２０１は、学習処理における計算条件を設定する。計算条件設定部１２０１は、例えば、管網上でいつどこに漏水を発生するかを決定する。管網計算部１２０２は、計算条件設定部１２０１が設定した条件に従って、管網計算を実行する。漏水尤度計算部１２０３は、管網計算部１２０２による計算結果から、各センサ２０４の漏水尤度を計算する。漏水尤度比計算部１２０４は、センサ２０４間の漏水尤度比を計算する。また、漏水尤度比データベース１２０５は、漏水場所と漏水尤度比との関係を記憶する。当該関係は漏水現象の伝達特性を表す。漏水場所候補データベース１２１０は、漏水場所の候補の情報を記憶する。
　漏水場所推定部１０４は、漏水場所推定処理を行う。漏水場所推定部１０４は、センサ信号取得部１２０６、漏水尤度計算部１２０７、漏水尤度比計算部１２０８、漏水尤度比比較部１２０９、及び情報端末出力部１２１１を含む。
　センサ信号取得部１２０６は、各センサ２０４の計測値を取得する。漏水尤度計算部１２０７は、各センサ２０４における計測値に基づいて漏水尤度を計算する。漏水尤度比計算部１２０８は、各センサ２０４間の漏水尤度比を計算する。漏水尤度比比較部１２０９は、漏水尤度比計算部１２０８が算出した漏水尤度比に類似する漏水尤度比を、漏水尤度比データベース１２０５から検索する。
　漏水尤度比比較部１２０９は、当該類似する漏水尤度に漏水尤度比データベース１２０５上で対応する座標を、漏水場所候補と判断する。漏水場所候補データベース１２１０は、当該漏水場所候補を記憶する。情報端末出力部１２１１は、登録された漏水場所候補を、情報統合部１０７に出力する。
　センサ配置最適化部１０８は、センサ配置最適化処理を行う。センサ配置最適化部１０８は、漏水尤度分析部１２１３、及びセンサ設置場所調整部１２１４を含む。漏水尤度分析部１２１３は、ユーザ等が入力した最適化条件データベース１２１２に基づいて漏水尤度比が最適かどうかを判定する。漏水尤度分析部１２１３が、漏水尤度比が最適でないと判定した場合、センサ設置場所調整部１２１４は、分析結果に基づいてセンサの設置場所を調整する。
　なお、本実施例では漏水尤度比データベース１２０５が、図１０に示したテーブル形式で漏水場所と漏水尤度比との関係を記憶することで学習処理を行っているが、当該関係の学習方法は特に問わない。例えば、多クラスサポートベクターマシンやニューラルネットワークの一例であるディープラーニングなどの、識別能力の高い学習モデルを利用して学習処理を行うことで、漏水場所推定に用いられるデータ量を削減することができる。
　図１３は、漏水場所推定部１０４がニューラルネットワークを用いた漏水場所推定処理の動作例を示す。漏水尤度比比較部１２０９は、漏水尤度比計算部１２０８が算出した各センサ２０４における漏水尤度比率を識別機に入力すると、漏水推定場所の座標（もしくは中心座標）を得る。この場合、漏水尤度比データベース１２０５は、学習結果としてノード間の重みを記憶しておけばよいため、各座標に対する漏水尤度比を記憶するテーブル形式と比べて、データ量を大幅に削減できる。
　図１４Ａは、漏水場所推定のための学習処理の一例を示す。管網計算部１２０２は、監視対象領域内の１点に漏水が発生したことを想定して管網計算を実施し、各センサにおける計測値の理論値を算出する（Ｓ１４０１）。続いて、漏水尤度比計算部１２０４は、当該理論値から算出される各センサ２０４間の漏水尤度比である、理論漏水尤度比を計算する（Ｓ１４０２）。漏水尤度比計算部１２０４は、当該理論漏水尤度比を漏水場所と対にして学習し、当該学習結果を漏水尤度比データベース１２０５に記憶する（Ｓ１４０３）。
　監視対象領域内の全ての点、及び学習対象となる全ての日時について、Ｓ１４０１～Ｓ１４０３の処理が行われた場合（Ｓ１４０４：ＹＥＳ）、漏水場所推定のための学習処理が終了する。ステップＳ１４０１～ステップＳ１４０３の処理が行われていない点、時刻がある場合（Ｓ１４０４：ＮＯ）、ステップＳ１４０１に遷移する。
　なお、学習対象となる複数の日時が存在する場合は、漏水尤度比計算部１２０４は、特定の漏水地点に対して複数の漏水尤度比を算出する。この場合、漏水尤度比計算部１２０４は、例えば、算出した複数の漏水尤度比の平均値や中央値を用いて学習処理を行ってもよい。また、漏水尤度比計算部１２０４は、算出した複数の漏水尤度比の分布を統計的にモデル化してもよい。
　図１４Ｂは、漏水場所推定リアルタイム運用時の処理の一例を示す。センサ信号取得部１２０６は、まず各センサ２０４の計測値を取得し、漏水尤度計算部１２０７は、取得した計測値から各センサ２０４における漏水尤度を計算する。漏水尤度比計算部１２０８は、算出された各センサ２０４の漏水尤度から漏水尤度比を計算する（Ｓ１４０５）。
　漏水尤度比比較部１２０９は、算出された漏水尤度比と、漏水尤度比データベース１２０５に含まれる各漏水尤度比と、を、例えば、ＳＳＤを用いて比較する。漏水尤度比比較部１２０９は、ＳＳＤが所定の閾値より小さい場合、つまり比較した漏水尤度比が類似する場合、漏水尤度比データベース１２０５において対応する座標を特定する。漏水尤度比比較部１２０９は、特定した各座標を、漏水推定場所の候補と判定する。漏水場所候補データベース１２１０は当該漏水推定場所を記憶する（Ｓ１４０６）。
　なお、漏水尤度比比較部１２０９は、特定した各座標の周辺領域、例えば各座標を中心とした所定の半径を有する円の内部を漏水の場所候補と判定してもよい。そして、全ての候補場所が特定できた段階で、情報端末出力部１２１１は、当該候補場所を情報端末１０９に出力する（Ｓ１４０７）。
　本実施例の漏水検知装置１０２は、常時計測されているセンサ値に基づいて漏水場所推定を行い、さらに漏水場所推定のための計算量も少ないため、迅速に漏水場所を推定することができる。また、漏水検知装置１０２は、漏水場所推定に漏水検知処理時の計算結果を利用することもできるため、この場合、さらに計算量を削減することができる。また、本実施例の漏水検知装置１０２は、需要変動の影響を受けにくい特徴量である漏水尤度に基づいて管網計算により学習処理を行い、上述の漏水尤度を用いて漏水場所推定を行うため、高精度かつ安定的に漏水場所を推定することができる。
　図１４Ｃは、センサ配置最適化処理の一例を示す。漏水尤度分析部１２１３は、センサ２０４の数と設置場所の初期値を定める（１４０８）。漏水尤度分析部１２１３は、変数ｐｌｕｓと変数ｍｉｎｕｓのそれぞれに０を代入する（Ｓ１４０９）。漏水尤度分析部１２１３は、監視対象領域内のある１点に漏水が発生したと仮定して、管網計算により各センサ２０４間の理論漏水尤度比を計算する（Ｓ１４１０）。
　ピークとなるセンサ２０４が１つ以上なければ（Ｓ１４１１：ＮＯ）、センサ設置場所調整部１２１４は、当該理論漏水尤度比における漏水尤度比率が高めのセンサ２０４、例えば漏水尤度比率が最も高い１つのセンサ２０４、を漏水地点に近づけるように移動させる。このとき、漏水尤度分析部１２１３は、変数ｐｌｕｓに１を加える（Ｓ１４１２）。一方、ピークとなるセンサが１つ以上あれば（Ｓ１４１１：ＹＥＳ）、ステップＳ１４１３に遷移する。
　所定の閾値以上の数のセンサ２０４が、ピークとなる場合（１４１３：ＹＥＳ）、センサ設置場所調整部１２１４は、ピークとなるセンサ２０４のいくつか、例えばピークとなるセンサ２０４のうち漏水尤度比率が当該閾値番目以下である全てのセンサ２０４、を漏水場所から遠ざけるように移動させる。漏水尤度分析部１２１３は、変数ｍｉｎｕｓに１を加える（Ｓ１４１４）。所定の閾値未満の数のセンサ２０４が、ピークとなる場合（１４１３：ＮＯ）、ステップＳ１４１５に遷移する。なお、最適化条件データベース１２１２が、上述の閾値やセンサを移動させるルール等を保持する。
　ステップＳ１４１０～ステップＳ１４１４の処理を監視対象内の全ての点について所定の回数繰り返す（Ｓ１４１５）。全ての点に対して当該処理が所定回数完了し（Ｓ１４１５：ＹＥＳ）、漏水尤度分析部１２１３が変数ｐｌｕｓとｍｉｎｕｓが共に０であると判定すれば、即ち全ての漏水発生場所に対して、センサ間の漏水尤度比が最適であれば（Ｓ１４１６：ＹＥＳ）、センサ設置場所調整部１２１４は最適化処理を終了させる。
　一方、漏水尤度分析部１２１３が、変数ｐｌｕｓと変数ｍｉｎｕｓとが、共に０でないと判定した場合（Ｓ１４１６：ＮＯ）、センサ設置場所調整部１２１４は、センサ数を調整するかを判定する（Ｓ１４１７）。漏水尤度分析部１２１３が、変数ｐｌｕｓが変数ｍｉｎｕｓに比べて極めて大きい、例えば変数ｐｌｕｓから変数ｍｉｎｕｓを引いた差が所定の閾値より大きい、と判定すれば、漏水を検知するためのセンサ２０４の数が足りていないことを示す。従って、センサ設置場所調整部１２１４は、センサ２０４を追加する。
　また、例えば、漏水尤度分析部１２１３が、変数ｍｉｎｕｓが変数ｐｌｕｓに比べて極めて大きいと判定すれば、センサ数が過剰であることを示す。従って、センサ設置場所調整部１２１４は、センサ２０４を削減する。センサ設置場所調整部１２１４が、上述の調整を行った後、ステップＳ１４０９に遷移する。なお、Ｓ１４１２及びＳ１４１４において、センサ設置場所調整部１２１４がセンサ場所を調整する方法は特に問わず、管網計算結果による漏水尤度比もしくは漏水尤度の分布を指標にするのであればどのようなものでも構わない。
　図１５は、漏水量推定部１０５が、漏水量を推定する方法の一例を示す。漏水量推定部１０５は、漏水が特定の場所に設置されたセンサ２０４に与える影響が、漏水場所と漏水量とに依存する性質を活用して、漏水量を推定する。モデル作成部１１３は、予め管網計算によるシミュレーション結果に基づいて、各センサ２０４の漏水尤度と漏水場所と漏水量との関係を学習しておく。
　漏水量推定部１０５は、漏水量推定リアルタイム運用時に、計測値から算出した漏水尤度と、漏水場所の推定結果と、を当該学習モデルに適用することで、漏水量を推定することができる。なお、漏水尤度は、必ずしも前述の方法で計算したものに限らず、センサ２０４ごとに漏水が存在する可能性の高さを数値化できる指標であればどのようなものでもよい。
　図１６は、本実施例における漏水量推定部１０５が漏水量を推定するための伝達特性を学習する方法を模式的に示す。モデル作成部１１３は、管網内の各要所において、複数の漏水量にて漏水を発生させた場合の各センサ２０４の計測値の理論値を管網計算により算出し、当該理論値を用いて漏水尤度を計算する。モデル作成部１１３は、漏水尤度が最大となるセンサ番号と、当該漏水尤度の分布と、を漏水量ごとにモデル化する。漏水量推定部１０５は、例えば、特定のセンサ２０４に対して計算される漏水尤度の分布が、場所ごと及び漏水量ごとに異なるガウス分布に従うと仮定し、場所ごと及び漏水量ごとに漏水尤度の分布をモデル化する。
　図１７は、漏水推定量データベース１８０４の一例を示す。漏水推定量データベース１８０４は、例えば管網グラフ上の座標と、評価に用いられるセンサ番号と、漏水量別の漏水尤度の平均値及び分散値と、を格納する。なお、図１７の漏水推定量データベース１８０４は、漏水量別の漏水尤度が従うガウス分布を特定するために、漏水量別の漏水尤度の平均値及び分散値を格納する。
　従って、漏水推定量データベース１８０４は、漏水量別の漏水尤度の分散値の代わりに、漏水量別の漏水尤度の標準偏差を格納してもよい。また、特定のセンサ２０４に対して計算される漏水尤度の分布が、ガウス分布以外の分布に従うと仮定した場合、漏水推定量データベース１８０４は、漏水量別の漏水尤度の平均値及び分散値の代わりに、当該分布を特定する情報を漏水量別に格納する。
　なお、モデル作成部１１３は、管網計算による学習を行わなくてもよい。このとき、モデル作成部１１３は、例えば過去の漏水事故履歴を漏水推定量データベース１８０４に格納することによる学習を行えばよい。
　漏水推定量データベース１８０４は、どのような形式でもよいが、図１０のようにテーブル形式とすると、高速でかつ安定した結果が得られる。漏水量推定部１０５は、漏水量推定リアルタイム動作時には、漏水場所推定処理によって得られた漏水推定場所に対応するセンサ２０４の計測値を取得する。漏水量推定部１０５は、学習結果である漏水推定量データベース１８０４における漏水量別の確率分布を用いて、漏水量別の当該センサ２０４における漏水尤度の確率を計算し、当該確率が最も高い値を示す漏水量を漏水推定量とする。
　本実施例では、漏水量推定部１０５は、１つのセンサ２０４の計測値を用いて漏水量を評価しているが、複数のセンサ２０４の計測値を用いてもよい。また、モデル作成部１１３は、漏水量別に漏水尤度の値を統計的にモデル化しているが、漏水場所ごと漏水量ごとにモデル化するのであればその方法は問わない。
　図１８は、本実施例におけるモデル作成部１１３、漏水量推定部１０５、及び漏水ポテンシャル推定部１０６の構成例を示す。モデル作成部１１３は、漏水量推定の学習処理を行う。漏水尤度比計算部１２０４は、漏水量推定の学習処理に用いられないため、図１８において記載を省略する。計算条件設定部１２０１は、管網上でいつ、どこに、にどれだけの量の漏水が発生するかを設定する。
　管網計算部１２０２は、計算条件設定部１２０１が設定した条件に従って、管網計算を実行する。漏水尤度計算部１２０３は、各センサ２０４における漏水尤度を計算し、漏水量ごとに漏水尤度の分布をモデル化する。漏水推定量データベース１８０４は、最も高い漏水尤度を計測したセンサ２０４の番号と漏水場所とモデル化結果との関係を記憶する。当該関係は漏水現象の伝達特性を表す。
　漏水量推定部１０５は、漏水量推定処理を行う。漏水量推定部１０５は、漏水場所推定結果取得部１８０５、センサ信号取得部１８０６、漏水尤度計算部１８０７、漏水尤度比較部１８０８、及び情報端末出力部１８０９を含む。漏水場所推定結果取得部１８０５は、漏水推定量データベース１８０４から、漏水推定場所（領域）を取得する。センサ信号取得部１８０６は、取得した漏水推定場所（領域内のすべての場所）で利用するセンサ２０４の計測値を取得する。
　漏水尤度計算部１８０７は、当該センサ２０４における漏水尤度を計算する。漏水尤度比較部１８０８は、漏水量ごとにモデル化された漏水推定量データベース１８０４を参照して、推定場所（領域）に存在する点における各漏水量の確率を計算する。例えば、漏水尤度比較部１８０８は、漏水量lごとに漏水尤度の和Ｌlを計算し（数１１）、その最大値を与えるｌを特定し、当該特定したｌを漏水量の推定結果ｌpとする（数１２）。ここで、Ｃを漏水推定領域、ｘsを場所sに対応するセンサ２０４の計測値とする。
Figure JPOXMLDOC01-appb-M000011
Figure JPOXMLDOC01-appb-M000012
　なお、漏水尤度比較部１８０８は、数１１で示す漏水量ｌごとの漏水尤度の和Ｌlに限らず、例えば、漏水量ｌごとの漏水尤度の平均値や中央値等のような、漏水量ｌごとの漏水尤度を代表する他の値を用いて漏水量を推定してもよい。情報端末出力部１８０９は、当該推定結果を、情報端末１０９に出力することでユーザに提示する。
　また、漏水推定場所が１点ではなく複数点存在する場合、漏水量推定部１０５が漏水量推定値を決定することにより、漏水ポテンシャル推定部１０６は、漏水推定場所を絞り込むことができる。すなわち、漏水量の推定値が決定すると、漏水ポテンシャル推定部１０６は、場所ごとに前記漏水尤度の分布モデルを用いて確率値を詳細に計算でき、当該確率値が大きいほど漏水場所として尤もらしいと判断できる。
　場所ごとに算出された当該確率値を、漏水ポテンシャルと呼ぶ。漏水ポテンシャル推定部１０６は、漏水推定場所と漏水推定量から全ての漏水推定場所について漏水ポテンシャルを計算する漏水尤度比較部１８１０と、漏水ポテンシャルを情報端末上に出力する情報端末出力部１８１１と、を含む。漏水尤度比較部１８１０は、場所sにおける漏水ポテンシャルの値ＬＰSを数１３により算出する。
Figure JPOXMLDOC01-appb-M000013
　なお、本実施例では漏水推定量データベース１８０４が、図１７に示したテーブル形式で漏水場所と漏水尤度比との関係を記憶することで学習処理を行っているが、当該記関係の学習方法は特に問わない。例えば、多クラスサポートベクターマシンやニューラルネットワークの一例であるディープラーニングなどの、識別能力の高い学習モデルを利用して学習処理を行うことで、漏水場所推定に用いられるデータ量を削減することができる。
　図１９は、漏水量推定部１０５がニューラルネットワークを用いた漏水量推定処理の動作例を示す。漏水尤度比較部１８０８は、漏水尤度計算部１８０７が算出した各センサ２０４における漏水尤度を識別器に入力すると、漏水推定場所の漏水量の確率を得る。この場合、漏水推定量データベース１８０４は、学習結果としてノード間の重みを記憶しておけばよいため、各座標に対するセンサ番号と漏水量別の確率分布とを記憶するテーブル形式比べて、データ量を大幅に削減できる。
　図２０Ａは、漏水量推定のための学習処理の一例を示す。管網計算部１２０２は、監視対象領域内の１点に指定量の漏水が発生したことを想定して管網計算を実施する（Ｓ２００１）。続いて、漏水尤度計算部１２０３は、各センサ２０４の漏水尤度を計算する（Ｓ２００２）。そして、漏水尤度計算部１２０３は、算出した漏水尤度が最も高いセンサ２０４を特定し、当該センサ２０４と漏水尤度とを一時的に記憶する（Ｓ２００３）。
　ステップＳ２００１～ステップＳ２００３の処理が、学習対象となる全ての漏水量（Ｓ２００４：ＹＥＳ）、及び全ての日時について行われれば（Ｓ２００５：ＹＥＳ）、漏水尤度計算部１２０３は、一時的に保存した漏水尤度の値を用いて、漏水量ごとの漏水尤度の確率分布モデルを生成する（Ｓ２００６）。漏水尤度計算部１２０３は、生成した漏水尤度の確率分布モデルと対象となるセンサ番号と漏水推定場所とを組にして学習し、当該学習結果を漏水推定量データベース１８０４に記憶する（Ｓ２００７）。以上の処理を監視対象領域内の全ての点について行えば（Ｓ２００８：ＹＥＳ）、学習処理を終了する。
　図２０Ｂは、漏水量推定リアルタイム運用時の処理の一例を示す。漏水場所推定結果取得部１８０５は、漏水推定量データベース１８０４から、漏水場所の推定結果を取得する（Ｓ２００９）。漏水場所推定結果取得部は、取得した漏水場所の推定結果のうちの１点に対応するセンサ番号を、漏水推定量データベース１８０４から取得する（Ｓ２０１０）。
　続いて、センサ信号取得部１８０６は、当該センサ２０４による計測値を取得する。漏水尤度計算部１８０７は、漏水量ごとに当該センサ２０４における漏水尤度を計算する。漏水尤度比較部１８０８は、漏水推定量データベース１８０４を参照して、当該漏水推定場所における漏水量ごとの漏水尤度の確率値を計算し、当該確率値一時的に保存する（Ｓ２０１１）。
　ステップＳ２００９～Ｓ２０１１の処理を全ての漏水推定場所について行った場合（Ｓ２０１１：ＹＥＳ）、漏水尤度比較部１８０８は、一時的に保存していた確率値を用いて、漏水量ごとの尤度の和を計算し、当該尤度和が最も大きい値を示す漏水量を漏水推定量とする。情報端末出力部１８１１は、当該漏水推定量を情報端末１０９に出力し、情報端末１０９は当該漏水推定量を表示する（Ｓ２０１３）。
　本実施例の漏水検知装置１０２は、常時計測されているセンサ値に基づいて漏水量推定を行い、さらに漏水量推定のための計算量も少ないため、迅速に漏水量を推定することができる。また、漏水検知装置１０２は、漏水量に漏水検知処理時、及び漏水場所推定処理時の計算結果を利用することもできるため、この場合、さらに計算量を削減することができる。また、本実施例の漏水検知装置１０２は、需要変動の影響を受けにくい特徴量である漏水尤度に基づいて管網計算により学習処理を行い、上述の漏水尤度を用いて漏水量推定を行うため、高精度かつ安定的に漏水量を推定することができる。
　なお、モデル作成部１１３は、管網計算による学習を行わなくてもよい。このとき、モデル作成部１１３は、例えば過去の漏水事故履歴を漏水推定量データベース１８０４に格納することによる学習を行えばよい。
　図２１は、漏水ポテンシャル推定処理の一例を示す。漏水尤度比較部１８１０は、漏水場所推定結果を取得する（Ｓ２１０１）。さらに、漏水尤度比較部１８１０は、当該漏水場所に対応する漏水量推定結果を取得する（Ｓ２１０２）。続いて、漏水尤度比較部１８１０は、漏水場所の候補の１点に対して、漏水推定量データベース１８０４を参照して、対応するセンサ番号を取得し、対象センサ２０４による計測値を用いて漏水尤度を計算する。
　さらに、漏水尤度比較部１８１０は、漏水推定量データベース１８０４を参照して、対象センサ２０４が取得した漏水推定量に対応する確率分布モデルを用いて漏水尤度の確率値を計算し、当該確率値を対象場所の漏水ポテンシャル値とする。（Ｓ２１０４）。漏水尤度比較部１８１０が上記処理を全ての漏水推定場所について行った後（Ｓ２１０５：ＹＥＳ）、端末出力部１８１１は、漏水ポテンシャルの値を情報端末１０９に出力し、情報端末１０９は当該漏水ポテンシャルの値を表示する。漏水尤度比較部１８１０は、上記処理を行っていない漏水推定場所がある場合（Ｓ２１０５：ＹＥＳ）、当該漏水推定場所に対してステップＳ２１０１～ステップＳ２１０４の処理を行う。
　本実施例では、上水道における漏水検知方法について述べたが、当該方法は、例えば、下水道など水を扱う管網における他の漏水、及び、ガス漏れや漏電などネットワーク形状の媒体によってエネルギーを配給するシステムにおける異常検出に適用できる。
　またこのとき、センサ２０４は、例えば、圧力計、流量計、マイクロフォン、振動系、電圧系、電流系など、当該エネルギー値を計測できるものであれば、どのようなものでもよい。このとき、本実施例における管網計算は、それぞれの分野において数値シミュレーションに用いられる物理計算に置き換えられる。なお、当該物理計算による計算結果が、センサ２０４が計測する理論値である点は、本実施例の漏水検知方法と同様である。
　図２２は、情報端末１０９が表示する画面の遷移の一例を示す。ユーザはリアルタイム監視画面２２０１を見て、各センサ２０４の計測値と、漏水の可能性（即ち漏水尤度）と、を監視する。漏水検知部１０３によって漏水発生が確認された場合、ユーザの指示により、例えば特定の検出結果に対して「詳細」ボタンを押下することにより、検出結果詳細画面２２０２に遷移する。
　検出結果詳細画面２２０２は、例えば、漏水推定場所及び漏水推定量などを表示する。一方、ユーザはセンサ２０４を再配置したい場合には、ユーザの指示により、例えば「センサ配置最適化」ボタンを押下することにより、センサ配置画面２２０３に遷移する。ユーザは、センサ配置画面２２０３上の操作により、インタラクティブにセンサ２０４の配置最適化を行う。また、検出された漏水に対して、修繕対応が完了した場合、ユーザは報告書作成画面２２０４にて事故対応報告書の作成および提出を行う。さらに、ユーザは、修繕済みの漏水に対しては、報告書表示画面２２０５にて、報告済みの事故対応報告書を閲覧することができる。
　図２３は、リアルタイム監視画面２２０１の一例を示す。リアルタイム監視画面２２０１は、漏水検知の評価値とともに、各センサ２０４の計測値２３０２及び予測値を、時間を同期させて表示する。なお、漏水検知の評価値とは、例えば、各センサ２０４に対して計算される漏水尤度の最大値である。漏水検知の評価値が所定の閾値を超えると、漏水検知装置１０２は、漏水を検知したと判定し、漏水場所や漏水量等を推定してその要約情報を漏水検出結果一覧項目２３０４に追加する。また、リアルタイム監視画面２２０１は、例えば、過去の計測値を用いて計算した回帰曲線やカルマンフィルタ等の予測フィルタを利用して算出された、精密な予測値を表示することが好ましい。
　図２４は、検出結果詳細画面２２０２の一例を示す。検出結果詳細画面２２０２は、ユーザが選択した特定の漏水検出結果の詳細情報を表示する。検出結果詳細画面２２０２は、監視対象となる地図や管網情報の全体を表示する全体マップ２４０１を含む。全体マップ２４０１は、センサ２０４が設置されている場所には漏水発生時に計算された漏水尤度２４０２を表示する。例えば、漏水尤度２４０２の表示領域の色が、漏水尤度２４０２の高さに応じて変化すると、ユーザが直感的に漏水状況を把握しやすくなる。
　全体マップ２４０１は、漏水尤度から推定された漏水推定領域２４０３をグラフィカルに表示する。検出結果詳細画面２２０２は、漏水推定領域２４０３の漏水ポテンシャル表示２４０４を含む。漏水ポテンシャル表示２４０４は、漏水ポテンシャルの値の大きさに応じて色を変化させることにより、推定領域内のどこから調査を行えばよいかをユーザに対して直感的に伝えることができる。検出結果詳細画面２２０２は、漏水量を表示する漏水量表示２４０５を含む。漏水量表示２４０５は、例えば漏水量をグラフィカルに表示することで、ユーザはおおよその漏水量を把握しやすくなる。
　情報統合部１０７は、上述した情報に基づいて、効率的な補修計画を立案するための情報を作成し、当該情報を情報端末１０９に送信する。情報端末１０９は、当該情報を検出結果詳細画面２２０２に出力し、ユーザに提示する。検出結果詳細画面２２０２は、例えば地域情報データベース１１１が保持する障害対策フローマニュアルやＧＩＳ、及び漏水検知履歴データベース１１２や補修履歴データベース１１４に基づいた対応策２４０６を表示する。対応策２４０６は、具体的な対応方法、必要人数、想定補修時間の他に、例えば、地理情報に基づく対処方法や、作業履歴に基づく対処方法を含む。
　「漏水推定場所の近くに電車のレールがあり、漏水の発見が遅れると交通遮断が懸念されるため、レール沿いの配水管を優先的に調査する」という対処方法は、地理情報に基づく対処方法の一例である。また、「漏水推定場所の近くに国道があり交通量が多く、配水管が劣化しやすいので、国道沿いを優先的に調査する」という対処方法も、地理情報に基づく対処方法の一例である。
　補修対応の甘い場所、例えば、最後の補修から所定期間が経過した場所、補修対応として応急処置を行った場所等、を漏水が起こりやすい場所として提示することは、作業履歴に基づく対象方法の一例である。
　また、検出結果詳細画面２２０２は、例えば、プール等の水利用施設や、消火栓等のように漏水検知の誤検出を引き起こす可能性のある、不定期に大量の水を利用する施設の有無等の情報を含む地域情報２４０７を表示する。当該地域情報２４０７は、例えば、情報統合部１０７が、地域情報データベース１１１の情報に基づいて作成したものである。
　また、当該施設は、全体マップ２４０１上にも表示されてもよい。全体マップ２４０１上に当該施設が表示されることにより、ユーザは漏水検出結果の信頼性を判断する手掛かりを得る。お祭りなどのイベント時や、祭日などには水の利用量が増加するため、漏水検知装置１０２は誤判定をする可能性がある。当該誤判定を引き起こし得る事由と当該事由に関連する場所とを含む情報であるイベント情報２４１０が、全体マップ２４０１上に表示される。
　また、検出結果詳細画面２２０２は、情報統合部１０７が地域情報データベース１１１に含まれるアセット情報を参照して作成したアセット情報２４０８を表示すると共に、当該アセット情報２４０８を表示する全体マップ２４０１上にも該当箇所を表示する。アセット情報２４０８は、例えば、老朽化している配水管、又は強度の低い素材の配水管を優先的に調査する、等の内容を含む。情報統合部１０７は、以上の情報を総合して、対象とする漏水対応の優先順位２４１１を決定する。情報端末１０９は、決定した優先順位２４１１を受信し、検出結果詳細画面２２０２に表示する。
　なお、情報統合部１０７は、漏水場所推定部１０４が推定した漏水推定場所の地域情報２４０７、及びアセット情報２４０９等を情報端末１０９に出力することが好ましい。検出結果詳細画面２２０２がこれらの情報を表示することにより、ユーザは、漏水検知の原因を特定しやすくなり、ひいては対応策を考えやすくなる。
　図２５は、センサ配置画面２２０３の一例を示す。ユーザは、センサ２０４の配置を最適化したい場合、パラメータ設定２５０１内の、例えば、センサ数の初期値や最大値、漏水尤度比の閾値、監視対象となる領域で漏水を発生させた時に計算される漏水尤度比が閾値以上となるセンサ数の範囲等を入力する。
　ユーザが上記パラメータを入力し、実行ボタンを押すと、全体マップ２５０６に設定パラメータの範囲内でのセンサ配置の最適化結果が表示される。全体マップ２５０６内において、漏水検知部１０３が漏水を検知することができる漏水検知可配水管２５０２と、漏水を検知することができない漏水検知不可配水管２５０３は、それぞれユーザが目視で区別できるように表示される。
　全体マップ２５０６内において、例えば、漏水検知可配水管２５０２は実線で、漏水検知不可配水管２５０３は点線で表示される。ここで、例えば、ユーザがカーソル２５０４を特定の配水管に合わせると、その配水管で漏水が発生したときの漏水尤度比２５０５が全体マップ２５０６上に表示される。つまり、ユーザは情報端末１０９とインタラクティブに情報のやりとりが可能になる。
　図２６は、報告書作成画面２６０４の一例を示す。報告書作成画面２６０４は、対応結果２６０１、実際に漏水していた場所２６０２、及び報告書２６０３を含む。ユーザは、漏水の修繕対応が完了したら、報告書作成画面２６０４内に必要項目を入力して「提出」ボタンを押下する。
　図２７は、報告書表示画面２６０５の一例を示す。報告書表示画面２６０５は、既に修繕が完了している漏水について、報告書作成画面２６０４にて対応者が提出した報告書を表示する。
　なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、置換のいずれもが可能である。
　また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

Claims (15)

  1. 　プロセッサと記憶装置とを含み、配管における漏水を検知する、漏水検知システムであって、
    　前記記憶装置は、前記配管内の流量を反映する値を計測する第１センサの計測値の履歴データを含むセンサ計測値データベースを保持し、
    　前記プロセッサは、
    　前記センサ計測値データベースから、第１期間の計測値を選択し、
    　前記第１期間の計測値から、所定変数の確率分布を算出し、
    　前記センサ計測値データベースから判定対象計測値を選択し、前記判定対象計測値から前記所定変数の値を算出し、
    　前記確率分布と、前記判定対象計測値から算出された前記所定変数の値と、に基づいて、漏水尤度を算出し、
    　前記漏水尤度に基づいて、前記配管において新たな漏水が発生しているか否かを判定する漏水検知システム。
  2. 　請求項１に記載の漏水検知システムであって、
    　前記プロセッサは、
    　前記第１期間の複数計測値から、前記第１期間より後の第２期間の予測計測値を算出し、
    　前記センサ計測値データベースから、前記第２期間の計測値を選択し、
    　前記第２期間の計測値から前記予測計測値を引いた差分が、所定の符号を維持する時間の確率分布を算出する漏水検知システム。
  3. 　請求項１に記載の漏水検知システムであって、
    　前記センサ計測値データベースは、前記第１センサを含む複数のセンサの計測値の履歴データを保持し、
    　前記プロセッサは、
    　前記複数のセンサの前記第１期間の計測値から、前記第１センサについて、他のセンサとの相関性を示す値を算出し、
    　前記第１センサの前記相関性を示す値の確率分布を算出する漏水検知システム。
  4. 　請求項１に記載の漏水検知システムであって、
    　前記センサ計測値データベースは、前記第１センサを含む複数のセンサの計測値の履歴データを保持し、
    　前記プロセッサは、
    　前記複数のセンサの前記第１期間の計測値から算出される値が所定の閾値以上であるセンサの個数の確率分布を算出する漏水検知システム。
  5. 　請求項１に記載の漏水検知システムであって、
    　前記センサ計測値データベースは、前記第１センサを含む複数のセンサの計測値の履歴データを保持し、
    　前記プロセッサは、
    　前記第１期間の複数計測値から、前記第１期間より後の第２期間の予測計測値を算出し、
    　前記センサ計測値データベースから、前記第２期間の計測値を選択し、
    　前記第２期間の計測値から前記予測計測値を引いた差分が、所定の符号を維持する時間の確率分布を算出し、
    　前記時間の確率分布と、前記判定対象計測値から算出された前記所定変数の値と、に基づいて、第１漏水尤度を算出し、
    　前記複数のセンサの前記第１期間の計測値から、前記第１センサについて、他のセンサとの相関性を示す値を算出し、
    　前記第１センサの前記相関性を示す値の確率分布を算出し、
    　前記相関性を示す値の確率分布と、前記判定対象計測値から算出された前記所定変数の値と、に基づいて、第２漏水尤度を算出し、
    　前記複数のセンサの前記第１期間の計測値から算出される値が所定の閾値以上であるセンサの個数の確率分布を算出し、
    　前記個数の確率分布と、前記判定対象計測値から算出された前記所定変数の値と、に基づいて、第３漏水尤度を算出し、
    　前記第１漏水尤度と前記第２漏水尤度と前記第３漏水尤度とに基づいて、第４漏水尤度を算出し、
    　前記第４漏水尤度に基づいて、前記配管において新たな漏水が発生しているか否かを判定する漏水検知システム。
  6. 　請求項１に記載の漏水検知システムであって、
    　前記センサ計測値データベースは、前記第１センサを含む複数のセンサの計測値の履歴データを保持し、
    　前記記憶装置は、前記配管内の場所と、前記複数のセンサ間の漏水尤度比と、の対応を示す漏水尤度比データベースをさらに保持し、
    　前記プロセッサは、
    　前記複数のセンサの第２期間の計測値から、前記複数のセンサそれぞれの漏水尤度を算出し、
    　前記複数のセンサそれぞれの漏水尤度から、前記複数のセンサ間の第１漏水尤度比を算出し、
    　前記漏水尤度比データベースから取得した漏水尤度比のそれぞれと、前記第１漏水尤度比と、を比較し、
    　前記漏水尤度比データベースから取得した第２漏水尤度比と前記第１漏水尤度比が類似する場合、前記第２漏水尤度比に対応する前記配管内の場所を、漏水推定場所とする漏水検知システム。
  7. 　請求項６に記載の漏水検知システムであって、
    　前記プロセッサは、
    　前記複数のセンサの前記第１期間の計測値から、前記複数のセンサそれぞれの前記所定変数の確率分布を算出し、
    　前記複数のセンサの確率分布と前記配管内の特定の場所で漏水が発生した場合における前記複数のセンサの計測値の理論値とに基づいて前記複数のセンサそれぞれの理論漏水尤度を算出し、
    　前記複数のセンサの理論漏水尤度から、前記複数のセンサの理論漏水尤度比を算出し、
    　前記特定の場所と前記理論漏水尤度比との対応を、前記漏水尤度比データベースに格納する漏水検知システム。
  8. 　請求項６に記載の漏水検知システムであって、
    　前記記憶装置は、前記配管内の場所とセンサ識別子と漏水量ごとの漏水尤度の確率分布との対応を示す漏水量推定データベースをさらに保持し、
    　前記プロセッサは、
    　前記漏水量推定データベースから、前記漏水推定場所に対応するセンサ識別子と、前記漏水推定場所に対応する漏水量ごとの漏水尤度の確率分布と、を取得し、
    　前記取得した漏水量ごとの漏水尤度の確率分布に基づいて、前記センサ識別子を有する第３センサの漏水量ごとの漏水尤度の確率値を算出し、
    　前記確率値に基づいて、漏水量を推定する漏水検知システム。
  9. 　請求項８に記載の漏水検知システムであって、
    　前記プロセッサは、
    　複数のセンサの確率分布と、前記配管内の特定の場所で特定の量の漏水が発生した場合における計測値の理論値と、に基づいて前記複数のセンサそれぞれの漏水尤度を算出し、
    　前記複数のセンサのうち、最も高い漏水尤度を示すセンサを特定し、
    　前記特定したセンサの漏水尤度の確率分布を算出し、
    　前記特定の場所と前記最も高い尤度を示すセンサのセンサ識別子と前記特定の漏水量における前記漏水尤度の確率分布との対応を、前記漏水量推定データベースに格納する漏水検知システム。
  10. 　請求項１に記載の漏水検知システムであって、
    　前記センサ計測値データベースは、前記第１センサを含む複数のセンサの計測値の履歴データを保持し、
    　前記プロセッサは、
    　前記複数のセンサの前記第１期間の計測値から、前記複数のセンサそれぞれの前記所定変数の確率分布を算出し、
    　前記複数のセンサの前記確率分布と前記配管内の特定の場所で漏水が発生した場合における前記複数のセンサの計測値の理論値とに基づいて算出した前記複数のセンサそれぞれの理論漏水尤度を算出し、
    　前記複数のセンサの理論漏水尤度から、前記複数のセンサそれぞれの理論漏水尤度比を算出し、
    　前記理論漏水尤度比に基づいて、前記複数のセンサの配置を変更するか否かを判定する漏水検知システム。
  11. 　請求項１０に記載の漏水検知システムであって、
    　前記プロセッサは、
    　前記配管内において漏水が発生したとき、前記理論漏水尤度比における全センサの漏水尤度比率が閾値以下である場合、前記複数のセンサの配置を変更すると判定する漏水検知システム。
  12. 　請求項１０に記載の漏水検知システムであって、
    　前記プロセッサは、
    　前記配管内において漏水が発生したとき、第１閾値以上の数のセンサの前記理論漏水尤度比における漏水尤度比が第２閾値以上である場合、前記複数のセンサの配置を変更すると判定する漏水検知システム。
  13. 　請求項６に記載の漏水検知システムであって、
    　前記記憶装置は、前記配管の修繕履歴情報を保持し、
    　前記プロセッサは、前記漏水推定場所と、前記漏水推定場所の前記修繕履歴情報を出力する漏水検知システム。
  14. 　請求項６に記載の漏水検知システムであって、
    　前記記憶装置は、地域情報と、配管の情報と、を保持し、
    　前記プロセッサは、
    　前記地域情報から不定期に大量の水を利用する施設の情報を取得し、
    　前記漏水推定場所と、前記施設の情報と、前記漏水推定場所の配管の情報と、を出力する漏水検知システム。
  15. 　配管内の漏水を漏水検知システムが検知する方法であって、
    　前記漏水検知システムは、
    　前記配管内の流量を反映する値を計測する第１センサの計測値の履歴データを含むセンサ計測値データベースを保持し、
    　前記方法は、
    　前記センサ計測値データベースから、第１期間の計測値を選択し、
    　前記第１期間の計測値から、所定変数の確率分布を算出し、
    　前記センサ計測値データベースから判定対象計測値を選択し、前記判定対象計測値から前記所定変数の値を算出し、
    　前記確率分布と、前記判定対象計測値から算出された前記所定変数の値と、に基づいて、漏水尤度を算出し、
    　前記漏水尤度に基づいて、前記配管において新たな漏水が発生しているか否かを判定する、ことを含む方法。
PCT/JP2014/055098 2014-02-28 2014-02-28 漏水検知システム、及び漏水検知方法 Ceased WO2015129031A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/055098 WO2015129031A1 (ja) 2014-02-28 2014-02-28 漏水検知システム、及び漏水検知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/055098 WO2015129031A1 (ja) 2014-02-28 2014-02-28 漏水検知システム、及び漏水検知方法

Publications (1)

Publication Number Publication Date
WO2015129031A1 true WO2015129031A1 (ja) 2015-09-03

Family

ID=54008396

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/055098 Ceased WO2015129031A1 (ja) 2014-02-28 2014-02-28 漏水検知システム、及び漏水検知方法

Country Status (1)

Country Link
WO (1) WO2015129031A1 (ja)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017156818A (ja) * 2016-02-29 2017-09-07 株式会社日立製作所 異常検知装置、異常検知システムおよびその方法
JP2017180598A (ja) * 2016-03-29 2017-10-05 公立大学法人首都大学東京 センサ配置方法およびセンサ配置プログラム
GB2553833A (en) * 2016-09-16 2018-03-21 Univ Cape Town Pipe condition assessment device and system
WO2018164102A1 (ja) * 2017-03-10 2018-09-13 日本電気株式会社 診断コスト出力装置、診断コスト出力方法及びコンピュータ読み取り可能記録媒体
JP2019100729A (ja) * 2017-11-29 2019-06-24 日本電気株式会社 情報提示システム、情報提示方法およびプログラムに関する
JP2019144182A (ja) * 2018-02-23 2019-08-29 株式会社日立製作所 水圧計配置支援システムおよび方法
JP2020016527A (ja) * 2018-07-25 2020-01-30 コニカミノルタ株式会社 定置式ガス検知装置の設置箇所の調査方法
WO2020035694A1 (en) * 2018-08-16 2020-02-20 Centrica Plc Sensing fluid flow
JP2021519433A (ja) * 2018-03-28 2021-08-10 フラクタＦｒａｃｔａ 配管損傷予測
US20220163958A1 (en) * 2021-02-04 2022-05-26 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and systems for managing a pipe network of natural gas
JP2022090864A (ja) * 2020-12-08 2022-06-20 株式会社東芝 データ処理装置、データ処理方法、及びプログラム
CN116467551A (zh) * 2023-06-20 2023-07-21 成都同飞科技有限责任公司 一种基于相关系数的供水管网漏损定位方法及系统
JP7396602B1 (ja) 2023-04-28 2023-12-12 フジ地中情報株式会社 Ａｉ管路劣化予測システム、ａｉ管路劣化予測方法及びａｉ管路劣化予測プログラム
EP4150310A4 (en) * 2020-05-15 2024-06-12 Phyn LLC FLUID FLOW PROCESSING FOR SANITARY SYSTEMS
CN118670448A (zh) * 2024-06-05 2024-09-20 成都建工第三建筑工程有限公司 一种地下室逆作法施工安全监测系统
WO2025069458A1 (ja) * 2023-09-26 2025-04-03 株式会社日立製作所 漏水流量推定システム、及び漏水流量推定方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS56162029A (en) * 1980-05-19 1981-12-12 Hitachi Ltd Water leakage detecting method
JP3344742B2 (ja) * 1991-11-06 2002-11-18 シエル・インターナシヨナル・リサーチ・マートスハツペイ・ベー・ヴエー 管からの流体漏れを検出する方法及び装置
JP4612696B2 (ja) * 2008-02-13 2011-01-12 株式会社東芝 配水管路の漏水診断装置及び漏水診断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS56162029A (en) * 1980-05-19 1981-12-12 Hitachi Ltd Water leakage detecting method
JP3344742B2 (ja) * 1991-11-06 2002-11-18 シエル・インターナシヨナル・リサーチ・マートスハツペイ・ベー・ヴエー 管からの流体漏れを検出する方法及び装置
JP4612696B2 (ja) * 2008-02-13 2011-01-12 株式会社東芝 配水管路の漏水診断装置及び漏水診断方法

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017156818A (ja) * 2016-02-29 2017-09-07 株式会社日立製作所 異常検知装置、異常検知システムおよびその方法
JP2017180598A (ja) * 2016-03-29 2017-10-05 公立大学法人首都大学東京 センサ配置方法およびセンサ配置プログラム
GB2553833A (en) * 2016-09-16 2018-03-21 Univ Cape Town Pipe condition assessment device and system
GB2553833B (en) * 2016-09-16 2019-10-23 Univ Cape Town Pipe condition assessment device and system
WO2018164102A1 (ja) * 2017-03-10 2018-09-13 日本電気株式会社 診断コスト出力装置、診断コスト出力方法及びコンピュータ読み取り可能記録媒体
JPWO2018164102A1 (ja) * 2017-03-10 2020-01-09 日本電気株式会社 診断コスト出力装置、診断コスト出力方法及びコンピュータ読み取り可能記録媒体
JP2019100729A (ja) * 2017-11-29 2019-06-24 日本電気株式会社 情報提示システム、情報提示方法およびプログラムに関する
JP2019144182A (ja) * 2018-02-23 2019-08-29 株式会社日立製作所 水圧計配置支援システムおよび方法
JP2021519433A (ja) * 2018-03-28 2021-08-10 フラクタＦｒａｃｔａ 配管損傷予測
US12223396B2 (en) 2018-03-28 2025-02-11 Fracta Processing data for predicting pipe failure
JP7585041B2 (ja) 2018-03-28 2024-11-18 フラクタ 配管損傷予測
JP2020016527A (ja) * 2018-07-25 2020-01-30 コニカミノルタ株式会社 定置式ガス検知装置の設置箇所の調査方法
GB2576501A (en) * 2018-08-16 2020-02-26 Centrica Plc Sensing fluid flow
GB2576501B (en) * 2018-08-16 2021-03-10 Centrica Plc Sensing fluid flow
WO2020035694A1 (en) * 2018-08-16 2020-02-20 Centrica Plc Sensing fluid flow
EP4150310A4 (en) * 2020-05-15 2024-06-12 Phyn LLC FLUID FLOW PROCESSING FOR SANITARY SYSTEMS
JP7451387B2 (ja) 2020-12-08 2024-03-18 株式会社東芝 データ処理装置、データ処理方法、及びプログラム
JP2022090864A (ja) * 2020-12-08 2022-06-20 株式会社東芝 データ処理装置、データ処理方法、及びプログラム
US11822325B2 (en) * 2021-02-04 2023-11-21 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and systems for managing a pipe network of natural gas
US20220163958A1 (en) * 2021-02-04 2022-05-26 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and systems for managing a pipe network of natural gas
JP7396602B1 (ja) 2023-04-28 2023-12-12 フジ地中情報株式会社 Ａｉ管路劣化予測システム、ａｉ管路劣化予測方法及びａｉ管路劣化予測プログラム
JP2024159031A (ja) * 2023-04-28 2024-11-08 フジ地中情報株式会社 Ａｉ管路劣化予測システム、ａｉ管路劣化予測方法及びａｉ管路劣化予測プログラム
CN116467551B (zh) * 2023-06-20 2023-08-25 成都同飞科技有限责任公司 一种基于相关系数的供水管网漏损定位方法及系统
CN116467551A (zh) * 2023-06-20 2023-07-21 成都同飞科技有限责任公司 一种基于相关系数的供水管网漏损定位方法及系统
WO2025069458A1 (ja) * 2023-09-26 2025-04-03 株式会社日立製作所 漏水流量推定システム、及び漏水流量推定方法
CN118670448A (zh) * 2024-06-05 2024-09-20 成都建工第三建筑工程有限公司 一种地下室逆作法施工安全监测系统

Similar Documents

Publication Publication Date Title
WO2015129031A1 (ja) 漏水検知システム、及び漏水検知方法
US9053519B2 (en) System and method for analyzing GIS data to improve operation and monitoring of water distribution networks
EP2472467B1 (en) System and method for monitoring resources in a water utility network
Wu et al. Water loss detection via genetic algorithm optimization-based model calibration
US8200737B2 (en) System to facilitate pipeline management, program product, and related methods
KR101283828B1 (ko) 상수관망 진단 시스템
WO2015063931A1 (ja) 漏水検知装置、漏水検知システム、及び漏水検知方法
KR20140004127A (ko) 수도 시설망에서의 이상의 가능한 지리적 위치를 확인하는 시스템 및 방법
Marzola et al. Leakage detection and localization in a water distribution network through comparison of observed and simulated pressure data
JP2024058780A (ja) 予測装置、予測方法およびコンピュータプログラム
López et al. Methodology to optimally place pressure sensors for leak detection in water distribution systems using value of information
KR100893424B1 (ko) 상수도관망 노후도 성능평가 및 정비개량계획수립 시스템과그 방법
Kutyłowska Application of MARSplines method for failure rate prediction
JP2019144182A (ja) 水圧計配置支援システムおよび方法
US11372399B2 (en) System section data management device and method thereof
JP7103374B2 (ja) 資産管理装置、資産管理方法およびプログラム
Mamo Risk-based approach to manage aging urban water main infrastructure
Nemeth A Comparison of Risk Assessment Models for Pipe Replacement and Rehabilitation in a Water Distribution System
JP2011198267A (ja) 導管網の故障原因予測システム
Ferreira et al. Leak detection and location in a real water distribution network using a model-based technique
AU2011221399A1 (en) System and method for monitoring resources in a water utility network
CN116932933B (zh) 一种服务网点搜索推荐方法、装置及存储介质
JP7545509B1 (ja) 劣化評価装置、劣化評価方法及びプログラム
CN119721652B (zh) 地下管网基于多个光栅压力传感器的安全管控方法以及系统
Friedl et al. Risk assessment of transmission water mains to support efficient rehabilitation decisions

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14884169

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14884169

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP