檢測配送網絡、特別是飲用水配送網絡中的異常的方法與流程

2023-04-30 13:53:41

本發明涉及一種用於檢測配送網絡，特別是牛頓流體的配送網絡，更特別地飲用水供應網絡中的異常的方法。

背景技術：

操作性能處於飲用水供應系統管理的核心地位。藉助在飲用水的運輸及配送網絡上的液壓(hydraulic)異常的檢測和定位工具，可以顯著改善性能等級。

本發明可以被用於全部牛頓流體網絡，例如供熱和空氣調節城市網絡。

對於異常檢測，已知被飲用水網絡的運營者廣泛使用的基於統計技術的異常檢測方法，諸如網絡區域的最小流率分析之類。這些方法並非總是允許表示異常的特徵，也並非總是允許定位異常。

還已知基於液壓模型的檢測方法。這些基於液壓方程式的方法使用網絡的建模，所述建模並非總是可用的。異常的檢測和定位將數學工具和物理測量結合起來，這意味著實施恰當的儀器密度。

技術實現要素：

本發明的目的是提出一種異常檢測方法，該異常檢測方法性能良好，同時對輸入數據要求很低並且在信息處理的能力方面相對節約。

根據本發明，一種用於檢測配送網絡中的異常的方法，特別是牛頓流體的配送網絡，更特別地飲用水供應網絡，所述配送網絡裝配有傳感器，在所述方法中，針對每個傳感器獲取由時間間隔分開的物理測量結果的時間序列，其特徵在於以下步驟：

-定義時間窗口，每個時間窗口對應於多個時間間隔，

-在每個時間窗口中從每個時間序列提取操作特徵，

-針對每個時間窗口形成至少一個當前向量，所述至少一個當前向量把操作特徵、與網絡相關的結構數據以及時間窗口特有的形勢特徵作為坐標，

-將當前向量與對應於先前時間窗口的先前向量進行比較，並且先前向量的形勢特徵和結構數據與當前向量的形勢特徵和結構數據相似，

-在當前向量與所述先前向量顯著不相似的情況下，指示異常。

為了將當前向量與先前向量進行比較，定義對應於最小不同程度的靈敏度參數，超過該靈敏度參數，當前向量被看作顯著不相似。

時間序列的兩個測量結果之間的時間間隔例如是數分鐘，例如3分鐘。

時間窗口典型地是一天或一周。因此，時間序列典型地包括多個測量結果。可以有利地針對不同持續時間的時間窗口同時實施所述方法。

在時間窗口期間，由傳感器測量的並構成時間序列的參數經受變化，例如，根據諸如小時、一周中的天、季節、天氣等之類的形勢參數，根據例如閥門的閉合、泵的停止之類的網絡的結構數據，並且還根據在網絡上的一個或更多個異常而經受變化。

根據本發明，形成具有代表時間序列的維度、代表形勢參數的維度、和代表結構數據的維度的向量。

本發明的基礎思路是，如果代表形勢參數以及結構數據的維度已經被恰當地選擇，那麼具有基本相同的針對形勢和結構維度的坐標的向量應當也具有基本相同的針對操作維度的坐標。在相反情況下，指示異常。

考慮到在每個時間序列中典型地大量數字值，如果全部這些數字值中的每一個變為向量的相應維度的坐標，那麼本方法應當處理具有非常大維度數目的向量。因此，本發明的另一個基礎思路在於從每個時間序列提取特徵，並隨後為向量的坐標使用這些特徵。

從時間序列提取的特徵可以包括最大值、最小值和/或平均值、和/或甚至基本頻率，所述基本頻率特別地是通過將時間序列分解成傅立葉級數來獲得的。一些形勢參數或結構數據(例如環境溫度或閥門的狀態)還可以按時間序列的形式可用，所述時間序列被處理以便從中提取構成代替原始數據或測量結果的向量的坐標的特徵。

為了特徵提取，甚至可以聚合測量結果的時間序列。可以例如進行根據遠程讀取已知的消耗的疊加，並因此獲得唯一總測量結果，或甚至總消耗的時間序列，例如在一周的時間窗口的情況下，按天的測量結果。

以有利的方式，一些形勢特徵至少部分地基於來自經驗的假設。例如，可以設置針對個體的取決於小時、周中的天、季節、外部溫度、降雨、住房的居住者的數目等的水消耗的趨勢。

在有利的實施方式中，在異常情況下，將當前向量與具有相似的形勢特徵和結構數據並且操作特徵也與當前向量儘可能接近的至少一個先前向量進行比較，並且指示至少一個操作特徵，對於該操作特徵，當前向量具有與所述至少一個先前向量相比的大偏差。

優選地，通過異常的特徵表示軟體來處理已經導致指示至少一個異常的情況。當這種軟體進一步利用已經可用的關於具有異常值的參數(或向量的坐標)的信息僅處理被挑選作為異常的情況時，這種軟體以非常高效率的方式運行。

結果，即在由上面指出的特徵表示軟體處理後確定的網絡異常或向量異常，優選地參考異常的嚴重性等級被提供。

已經量化了異常嚴重性，在多個同時異常的情況下，可以根據其緊急性和/或根據相對應的校正介入的規模對異常相對於彼此賦予優先級。

在優選的實施方式中，沒有異常的向量被分類到與基本等價的其他向量相同的存儲器室中，並且每次計算了當前向量，就搜索包含與該當前向量最類似的之前的向量的存儲器室，並且不將該當前向量與該室的先前向量進行比較。因此，減小了所需的處理能力以及獲得結果的時延。

為其形勢坐標和/或對應於網絡的結構數據的坐標不與任何現存室相對應的向量創建新的存儲器室。例如，對於夏季的月份，異乎尋常涼爽的天氣可以導致創建新的室。

有利地，在時間上分析相同室的向量的演變，並提供關於網絡的演變的信息。因此例如，可以檢測初始輕微但是具有加重趨勢並可能變得嚴重的洩漏，然而在室中最相似的向量的簡單搜索檢測不出增長的洩漏，因為最近的先前向量將表現得極為相似並將導致得出沒有異常的結論。

在進一步改進的版本中，在不同的室中比較所述演變，並提供區別網絡狀態的演變與網絡上的形勢參數的後果的演變的信息。例如，僅在非常熱的日子裡增長的消耗指示消費者習慣的演變，而不是網絡經受逐漸增長的洩漏。

為了減輕處理並精煉結果，非常有利地，針對每個時間窗口提供多個向量，多個向量中的每一個與分別形成網絡的部分的子網絡相對應。因此，處理更小的向量並給出了更容易地定位異常的額外的機會。

在檢測到異常的情況下，比較地分析當前向量與可比近期的異常向量，從而提供針對異常演變速度以及/或者異常與至少一個形勢參數和/或結構數據的聯繫的指示。

在異常情況下，還可以在先前向量中搜索已經導致診斷的可比較的異常，從而提供當前異常的原因的預診斷。

在初始化步驟時，有利地可以根據本發明用根據與網絡相關的檔案重新構成的向量加載存儲器。

向量的分量優選地包括與由網絡供應的消費者的抱怨(例如針對流率、壓力、味道等)相關的至少一個分量。

附圖說明

根據下面關於非限制性的例子並參考附圖1的描述，本發明的其他特性及優點將變得更清楚，圖1表示所描述的例子中的主要步驟的流程圖。

具體實施方式

初步說明

接下來的描述是關於其包含的任何特性的描述，可以獨立於其他特性考慮所述特性，即使這些特性形成相同段落或相同句子的部分，並且接下來的描述是關於這些特性的任何組合的描述，因此，無論與上面介紹的概念結合與否，這種特性或特性的組合是區別於現有技術的並提供了技術效果，並且該特性可以用本說明書中的相同術語或相對而言更一般的術語表達。

定義

實體：飲用水網絡或飲用水供應系統的組件，例如液壓區域或測量/傳感器設備。一個實體與一個或更多個時間序列相關聯。

時間序列：由時間索引的標量數據的有限序列，該序列通常被恆定的持續時間分隔開。

分類：在沒有其他明確表示的情況下，表示使得向實體的狀態分配已知類的過程，該已知類導致來自網絡運營者的預定的動作。

分類生成(「簇」(clustering))：在沒有其他明確表示的情況下，表示使得將實體的狀態與一組先前狀態相關聯，以便確定異常特點或新特點的過程。

測量：是在相對應的單元中量值的評估，這些值形成由數據獲取系統提供的時間序列。測量與飲用水網絡的具體基本組件(對於流率測量的弧或段，對於壓力測量的節點，對於水位測量的儲罐)相關聯。

遠程讀取的數據：對於流量計的消耗讀數序列，所述數據在給定的周期被測量，並且例如每天至少一次被遠程傳送。

特徵：構成對所研究的過程有意義的信息的標量或向量，此處，針對給定時間窗口的網絡狀態。

原理

在本發明的該實施方式中實施以下原理：

·藉助現有技術的方法的信號預處理，該信號預處理允許從信號中補全或消除噪聲。

·針對給定時間窗口的實體的運行狀態的特徵向量的產生。這是通過以下聚合實現的：

ο通過信號的分解/處理方法主要從實體的時間序列中提取的特徵的聚合，

ο來自行業性能指數和形勢數據的特徵的聚合。

·來自於機器學習(machine learning)技術的分類算法和「簇」算法的使用，針對給定時間窗口所述算法被應用於實體的特徵向量。這允許隨後實體的狀態(比如由特徵向量表示的狀態)被改編為網絡運營者的已知類別，以便對這些情況分類並對要進行的校正動作賦予優先級。分類/簇算法在目標功能和網絡管理的操作約束(例如，針對簡單的維護操作的可用人員、用於為較複雜的操作設置隊伍的期限、異常出現的日期和其檢測的日期之間的期限等)上被調整。

·可選地使用影響實體運行的背景數據，用於明確實體狀態的描述。

·來自機器學習(machine learning)技術的異常檢測/評估(detection/scoring)算法的使用，所述算法藉助響應於網絡運營者的操作約束而被調整/優化。這些算法被應用於特徵向量。

輸入數據和參數選擇：三個數據集合：

結構數據由網絡的基礎設施以及所安裝的設備(閥門、傳感器、泵等)的描述數據構成。

在準備階段中方法的實施參數以自動的方式被調整，準備階段自身是自動化的以便允許在系統檢測到性能損失或其基礎設施的演變時進行修正。

操作數據來自出現在網絡上的所有測量系統。當數據可用時，這些數據還包括遠程讀取的消耗數據、客戶抱怨以及對網絡表現具有影響的介入。

基本方法(見圖1)

測量的時間序列的預處理

這些方法允許獲得在必要時補全、平滑/消除了噪聲的測量的時間序列。所得到的時間序列隨後準備好被用作特徵提取算法的輸入數據。

還實現了將序列組合成聚合信號。例如，液壓區域的輸入/輸出流率的時間序列的代數和被轉換為液壓區域的消耗序列。

在特徵提取階段中，還可以針對所使用的算法中的一些算法的需求變換(例如，標準化)所述序列。

產生於信號分解的特徵的提取

該方法包括使用如上面描述的預先消除/平滑了的時間序列，以便從中提取允許以運算的方式表示實體狀態的特徵的恰當信息。這涉及產生概括序列結構的信息(傅立葉分解，小波分解，主分量分解……)，同時減小複雜度以便集中信號的恰當部分。

定期地評估分解的不同基礎(base)，以便追蹤算法的性能並當所述基礎被評估為不夠精細時更新這些基礎(監督)。

因此，這些算法的輸出是概括由網絡運營者定義的時間窗口中的每個信號的特徵向量。

行業特徵的提取

站點的行業特徵的構造被自動化並且基於：

·根據不同類型的網絡的經驗建立的特徵參考集，

·目標網絡的表現和結構的觀察。

所述構造例如可以基於針對給定時間窗口的參數的最小值的計算、儲罐的充滿/排空周期的定期性觀察、取決於其消費者部分的遠程流量計的平均消耗等級等。

實體的運行狀態(運行狀況)的評估算法

根據本發明的重要特性，為了描述網絡的運行狀態，將來自行業專門知識的數據與來自信號分解方法的數據結合起來。這些數據互相豐富，同時作為輸出為每個實體給出全面地表示該實體的針對所考慮的網絡的運行狀態的特徵的向量。

藉助特徵向量，在給定時間窗口中的給定時間，可以表示所考慮的實體的運行狀態或狀況。隨後，該狀態可以與先前狀態或與其他實體的狀態進行比較，並根據表明要進行的動作的操作準則被分類。為了實現該分類，可以實施諸如分類和簇之類的機器學習工具。

在分類的情況下，藉助用可能的不同狀態標記的並構成組的歷史數據，學習過程將預先允許訓練區分功能(分類)，該功能允許自動地給出新狀態所屬的組。

該區分功能可以通過優化質量準則來獲得，例如非監督模式中的慣性功能，或監督模式中的分類錯誤代理。

在缺少被標記的歷史數據的情況下，分類生成(簇)技術允許根據相似性標準將狀態分組，並且因此允許區分屬於表示最少的類別的狀態。

對於網絡的運營者來說分類生成技術具有利處，因為其指示了按順序排列的表現。運營者因此可以將其注意力專注於該實體。

異常檢測算法

向狀態的特徵向量應用異常檢測算法。其涉及表示正在發生的或在最近結束的事件的特徵。事件的類型對應於由飲用水網絡的運營者跟蹤的事件(洩漏、壓力下降、傳感器故障、消耗異常等)的類別。

這些檢測算法被並行地啟動，並且其結果被聚合用於對具有異常表現的實體的區分。所述算法被預先地針對歷史數據組調整，以便使其參數選擇適應於網絡的操作約束。

推理特性

由上文闡述的組件構成的集合可以被連接到飲用水供應系統的運營者的技術信息系統。隨後，可用數據的每個源被連接到其專用的特徵提取算法。根據數據獲取頻率，所述集合可以被規律地激活。在其上進行分析的時間窗口是可由用戶調節的。不過，作為第一方法，使用24小時和7天的時間窗口是恰當的。

在這些條件下，網絡的運行狀態的特徵表示以及相關聯的異常檢測與通常使用的方法相比，是更加恰當的，並且由此顯著改善了運行效率。

在網絡中發生的事件的診斷階段中，例如為了操作總結的目的，所述方法通過對實際發生的情況進行區分從而允許節省大量的時間。

將與信號相關的特徵和行業特徵組合起來，改善異常檢測的魯棒性。

算法靈敏度的調節，即對於每個實體的準確檢測的數量與異常數量之間的平衡，例如允許使每種類型的異常的檢測與計劃並進行校正動作的操作者的能力相適應。

實施例：氯與信號分解的例子

針對與飲用水網絡相關的信號使用諸如小波分解或傅立葉分解之類的信號分解方法，允許分離這些信號的不同分量(一日內或不同日間)。這些分量的認知分析算法，與行業專門知識有關地使得識別網絡的正常運行的定義範圍。這允許在新的信號可用時，檢測這些分量的性質中的顯著變化。

因此，觀察到的顯著偏差可以被解釋為非正常表現的標識符。隨後可以執行搜索算法的第二集合。例如，基於特徵向量(例如包括客戶抱怨)的分類算法允許幫助定義所達到的風險等級。

通過使用在飲用水網絡上的可用的測量點的集合，這種方法可以被應用於水質量的監督，以便無論在是否聯合其他質量參數的情況下，識別隱藏的結構，並例如檢測針對殘留氯濃度的異常。所使用的客戶抱怨因此與水的味道相關。