被動漏損檢測技術是以傳感器為基礎的人工或簡易數據分析手段。以檢測位置作為劃分依據,可將被動檢測技術分為外管檢測與管道內檢測兩類,這些非破壞性檢測技術,主要依靠傳感器和信息數據的轉變,實現漏點的檢測與定位。

外管檢測可以在管道外部進行,其中包括聽漏棒、電子聽漏儀等聲學技術、磁通量泄漏(magnetic flux leakage,MFL)技術、高分辨率閉路電視(closed circuit television,CCTV)檢查技術、紅外熱成像技術、聲發射(acoustic emission,AE)技術、超聲波技術、負壓波傳感技術、探地雷達等不同的檢測方法。這類方法受周圍環境影響較大,對于不同的場景往往需要不同類型的檢測方法,但由于每種場景皆使用特定的檢測方法,在小范圍內外管檢測的漏損識別精度相對較高。

管道內檢測器通過攜帶一個或多個傳感器進行檢測和識別,檢測器被推入管道中,由外部人員操縱完成檢測任務。傳感器通常包括聲學、相機、超聲波、漏磁通量和渦流傳感器等。受限于傳感器的防水性研究,使用內管檢測時需盡可能地排空管道內的水。相對于外管檢測而言,內管檢測由于攜帶更多種類的傳感器,能夠更接近泄漏點,具有更高的檢測精度。此外,近年來人工智能的飛速發展,使得機器人技術已經成為工程領域的一個重要領域,各類機器人不斷被應用于漏點的視覺探查以及無損檢測。這些機器人包含輪式、軌道驅動、管道檢查量規(pipeline inspection gauge,PIG)、行走式和英寸蟲型,雖然涉及范圍廣,但每種機器人都有著自己的優缺點,不同類型的機器人被應用于不同場景的內管檢測。

環境成本和效益是供水行業對于漏損技術控制選擇的一個重要指標,相較于被動漏損檢測,主動漏損檢測基于傳感技術偏向于對模型的建立和數據的分析,更能夠實現對成本和效益的有效管理。1980年,英國水務聯合大會提出獨立計量分區(district metered area,DMA)概念,模型法正式應用于漏損檢測。不過DMA檢測方法只適用于有大量準確數據作為依據的水力模型問題,面對缺乏基礎數據的情況,則需要人工神經網絡(artificial neural network,ANN)技術進行處理。

基于傳統網格(流量/壓力信息)建模與地理信息系統的結合,通過截斷管網或關閉閥門的方式將供水管網劃分成若干個獨立計量區域,能夠有效縮小漏點的范圍。同時,DMA分區計量能夠持續穩定控制供水量,降低企業產銷差,以精細化的數據分析達到降低漏損量的目的,實現節能減耗。而在此基礎上,通過進一步優化DMA分區中傳感器放置點的選取,加強網絡節點壓力測量和壓力敏感度分析等方式,能夠明顯提高DMA模型的最佳搜索效率。Marunga等也建議使用EPANET工具,在供水管網模型的建立中應將壓力管理作為減少漏損與需水管理的主要方式。由此可見,模型的建立對于加強水務人員主動檢漏的能力具有極大的作用。其中,壓力信息在模型運行的過程中具有不可忽視的作用,通過壓力信息改善供水手段可以實時量化客戶的需水要求,降低所需能耗及流量損失,提高供水管網水能效。

ANN則是效仿人腦神經的應用,注重核心算法的不斷迭代升級,加強軟件程序的高級處理。該方法由1982年波蘭學者提出的粗糙集理論演變而來,依靠系統的復雜程度,通過調整內部大量節點之間相互作用的關系,達到處理數據的目的。在實際的管網水力模型之中,ANN技術通過對數據采集技術(supervisory control and data acquisition,SCADA)與模型建立技術的結合使用,依賴瞬態分析技術,對所獲得的數據進行分析,模仿人腦的不確定性概念判斷、推理思維方式,對于模型中所缺乏的基礎數據,以及強非線性、大滯后的數據,應用模糊集合和模糊概念進行推理,確定漏點的位置。相較于傳統方法,這類方法的經濟性和效率有了極大的提升。Silva等首次將聚類和分類工具進行組合用于小規模液化石油氣(LPG)管道的故障檢測,并引入模糊系統根據運行模式與過程中的瞬態變化調整流量閾值,以較低成本獲得了更有效的泄漏監測。Joaquim等將網絡節點的揚程與估計值進行比較,計算殘差并建立線性參數變化模型與齊諾多面體。Ragot等則是基于模糊系統殘差分析,憑借不斷變化的流速信息診斷出整個管網中的故障傳感器的位置。Birek等創建的聚類算法具有高斯隸屬函數的模糊If-Then規則的基礎,與標準模糊預測方法相比,生成的聚類數量更少,不但提高了預測模型的精確度,且模型的透明度也大幅增加。

隨著城市供水管網不斷延展,管網框架越拉越大,周邊環境與管道的信息交互以及各類高層建筑的出現使得城市供水管網更趨向于三維化,這為模型的建立帶來了極大的困擾。受管網結構、土壤、外部壓力、管材、水力條件等環境因素影響,以模型和算法為基礎的主動檢測技術在大規模建模問題上常缺乏適用性。學者們不斷引入新的算法用于提高ANN類漏損檢測技術的精確度與適用性,較為常見的有蟻群優化算法、貝葉斯網絡與聚類算法等。

蟻群優化算法最開始用于水資源問題中計算不飽和土壤的水力參數,后逐漸應用于供水管網的水力參數選擇,并不斷對整體供水管網進行優化,降低漏損率。該類算法采用正反饋機制,不斷收斂運算機制,逐漸逼近最優解。在整體模型計算中考慮到每個個體信息,采用分布式計算方法,同時進行多個個體模型的計算,這不僅大大提高了枝狀管網的精度問題,且可避免于陷入局部最優解的困擾。

而貝葉斯網絡則能夠有效處理不確定數據,作為一個有向無環圖,以周邊環境信息、管材、水力條件等因素作為環結點,推導管網發生漏損的概率,進一步確定漏點。Tang等引導貝葉斯網絡捕獲并學習周圍土壤與管道物理因素的相互作用關系,分析配水管道中的漏損故障。而基于貝葉斯網絡開發綜合安全預測模型,通過整合子系統、整體系統與周邊環境系統之間的相互作用與依賴關系,定位潛在危險源的方式來推理整體配水網絡安全狀況,可最終確定可能存在漏點的位置。Morosini等則考慮了發生泄漏前后校準模型之間管道粗糙系數的變化,以貝葉斯法標定漏點的位置。

除蟻群優化算法與貝葉斯網絡之外,一些學者為增加ANN類檢測技術的適用性,對傳統聚類方法進行改進而衍生出來的光譜聚類方法能有效降低漏損檢測和管網維護成本。又有研究證實,基于圖形分析,以水力模擬軟件(EPANET)創建的泄漏狀況作為配水網絡模型中的節點,將每對節點發生泄漏時的壓力和流量變化加權計算作為邊緣條件,能夠允許光譜聚類方法進一步適用于大規模建模問題。

使供水管網管理者理解管理中的多目標需求是十分必要的,通過水需求管理概念可以有效量化系統中水資源的損失。有學者從多目標角度進行水力模型算法優化,如Morais等通過一種基于PROMETHEE V方法的群體決策模型,有效地滿足水網管理中關于技術、社會經濟和環境標準方面的要求。Arsene等基于三層通用模糊最小最大神經網絡和圖論,提出一種高效決策支持系統,用于監測和控制管道的漏損問題。也有研究證明,神經模糊決策系統可用于執行與城市供水管網相關的多因素故障風險分析與資產管理。

目前,各類檢測技術在供水行業內皆有廣泛應用,每種技術皆有各自優勢。通過對各種漏損檢測技術在檢測儀器或系統、漏損識別精度、特點及適用場景等方面的橫向比較,可知被動漏損檢測技術識別精度往往較高,但時效性差,主動漏損檢測技術精度有所欠缺,但響應快速,可實現實時監測、漏損預測。各類漏損檢測技術方案的比較如表1所示。

模型建立對配水系統漏損管理而言至關重要,但模型的準確性需完整且準確的數據庫條件支撐。在實際供水管網模型建立過程中,信息的準確采集往往是一大難題,基礎數據缺失或者錯誤的情況時常出現,單一的主動漏損檢測并不能十分有效地解決此類問題,也導致模擬結果精確度不高。

隨著信息通信技術的進步,許多城市提出智慧城市概念,以抓住信息通信技術帶來的發展機會,智慧供水也已成為全球范圍內供水行業新的發展趨勢。智能傳感器、通信技術、智慧供水云平臺和深度學習模型等設備和系統的有機協同構成供水智慧化體系,解決了城市供水管理中的信息采集、數據孤島難題,實現了管網漏損監測、水需求預測和水質檢測等功能。在智慧供水系統中,主動檢測技術常以信息集成處理系統的形式出現,而被動檢測技術則以智能傳感器的形式被用于其中。

智能傳感器是傳感器集成化與微處理機相結合的產物,具有采集、處理、交換信息的能力。相較于傳統被動檢測技術,智能傳感器除了能實時檢測管網水壓、流量、水質數據外,更能通過智能滲漏探測技術獲取分布式溫度、壓力與滲漏點信息。在管網漏損控制方面,傳感器的智能化提升不僅體現在對漏點的精確定位上,也體現在對水量的智能化計量上。有研究證實,智能計量可用于快速有效地識別水表后的泄漏與水損控制。高精度的用水量實時檢測,不僅能提高用水效率,也可實現用水量的自動控制,這使得水務公司能實時進行水價階梯式調整。除此之外,SCADA與地理信息系統等一系列技術的發展,也為實時壓力探測和流量數據采集提供了便利,被廣泛應用于供水管網中漏點的檢測與定位,成為系統中至關重要的一環。

高效可靠的信息通信技術是主動檢測技術發展的一個關鍵因素,用于確保不同地區信息與參與者之間的相互連接。物聯網技術是其中較有代表性的一種,將低成本傳感器與創新無線技術進行有效結合,能輕松實現設備的大規模監測和控制,使水務人員能夠進行遠距離操作。但由于物聯網技術的不完全成熟,具有較寬帶寬的物聯網技術仍難以滿足接入口的要求,窄帶物聯網技術(narrow band internet of things,NB-IoT)被用來進行帶寬在180 kHz以下的廣域物聯網傳輸。憑其成本低、覆蓋率廣、速率低、通信能力強等特點,能支持低功耗、低延時敏感度設備在廣域網絡蜂窩數據的高效連接,在數據傳輸過程中能保持十年左右的待機時長,且能夠大范圍地支持蜂窩網絡覆蓋。無線傳感器網絡(wireless sensor network,WSN)則是從軍事應用一直沿用至管網漏損檢測,大量靜止或移動的傳感器以多跳或者自組織的形式形成WSN,基于磁感應的連續壓力監測,在管道泄漏檢測方面體現出極高的準確性與效率。

智慧供水云平臺是整個智慧供水系統中的大數據平臺,主要負責采集數據的集中、存儲、轉運以及指令下達,以平臺架構的方式全面連接所有物聯網模塊,執行管網監測方案(包括漏損監測)并在異常發生時通知水務管理員,將數據發送給模型算法系統進行處理,接收系統處理過后的數據,給出決策意見,體現了智慧供水系統的可視化、數字化與移動化。通過對于流量、水壓、管材等大數據的分類整理,預測供水管網漏點產生的時間與存在的位置,結合如今正興起的網格化管理的思想,使得快速發展的信息技術與水務技術進行深度融合,進一步提升管網漏損控制能力。

在大數據和算法大力加持下,深度學習已成為ANN的重要延伸,與傳統神經網絡模型相比,深度學習具有更多的神經元、更復雜的連接方式、更強大的計算能力以及自我特征提取能力,這使得它可從智慧供水云平臺的采集數據中學習非常復雜的函數,自動提取關鍵特征,并通過與過往數據的對比,發現系統運行異常。楊嘉昕等利用BP神經網絡構建漏損數據與漏損點、漏損量的映射關系,并通過大量訓練來優化BP神經網絡結構,結果顯示優化后的BP神經網絡能有效地預測漏損點位置與漏損量的大小。深度學習通過群體智能算法總結宏觀智能行為特征,其機制適用于絕大多數組合優化問題,對于供水云平臺的漏損處理行為的即時性與準確性有著極其重要的作用。Zhou等基于試驗管網的試驗數據集、模型數據集及其交叉數據集,構建并訓練了BP神經網絡管網漏損診斷模型,對于漏損位置和漏損程度的預測都有較高的準確率,皆可達到90%以上。

傳統被動漏損檢測技術原始但較經濟,適用于小范圍的精確定位,其技術組成相對單一,只實現了水務工作人員與傳感器的聯動,未與各類設備或系統形成完整的聯動體系,對可能存在的漏點無法有效篩選,在漏損范圍的確定上缺乏主動性。與傳統被動檢漏法相比,主動漏損檢測方法加強了傳感器與模型的聯動作用,以數據為支撐,以DMA、ANN等模型為主要技術構成,在泄漏發生后的一定時間內可主動縮小漏點的范圍,不足之處在于極依賴于數據采集的全面性與準確性,精度受數據的滯后性與強非線性影響較大。

信息通信技術的快速發展使數據傳輸速率和穩定性大大增強,大幅提高了傳感器、用戶、管理平臺、數據處理后臺四者間的信息交互時效性,有效解決了漏損檢測技術中的信息滯后問題。深度學習作為ANN模型的重要延伸,大數據和算法大力提升了復雜問題的分析效率,強化了漏損現象的預測、判斷和跟蹤能力。可以說,通信技術和模型算法的發展促進了被動漏損檢測技術和主動漏損檢測技術在智慧供水系統中的深度應用,避免了兩類漏損檢測技術缺點,繼承了高精度、快響應的優點,結合當今時代的智慧城市與網格化管理技術等新興理念的提出,兩類漏損檢測技術在智慧供水這一背景下持續向數字化、智慧化方向轉型,將有效減少管網可用水量損失,帶來可觀的社會經濟效益。