用于评估管道状况的改进的方法与流程

1.本发明涉及针对流体分布网络的管道管理的领域。更具体地，本发明涉及对管道故障的预测。


背景技术：

2.诸如水、油或气体之类的流体通常通过包含大量管道的大型网络进行输送。随着时间的推移，这些管道会例如由于腐蚀而发生退化。严重的管道状况可以导致网络中的泄漏。因此，期望评估管道故障的概率，以便在管道破裂或产生泄漏之前维修或更换受损的管道。
3.管道维修的确可以根据每条管道的故障概率来定制，但也可以根据故障的后果来定制。故障的后果可以取决于管道的重要性(例如，向医院供水的管道的故障可以被认为是特别有害的)，和/或管道破裂在周围环境中的后果(例如，如果石油管道位于自然保护区内，该管道的故障可以被认为是非常有害的)。如果管道维修可能受制于不同的规则，则准确的管道维修总是要求准确估计管道故障的概率。
4.用于预测管道故障的第一解决方案在于执行所有管道的地形测量以评估管道的当前退化，并且根据管道的退化推断故障的概率。
5.为此，可以直接对管道进行检查。存在多种直接检查方法。例如，可以视觉地对管道进行检查。也可以使用测量对管道进行检查。例如，可以对管道施加电磁通量并对电磁通量进行分析。还可以执行声学测量，该声学测量在于发送声学信号并分析管道的各个部分对声学信号的响应，以便确定这些部分的厚度。
6.然而，这样的测量要求操作者移位或者本地测量，这限制了可以被检查的管道的数量。此外，这样的测量仅允许评估管道的当前状况，但是不能够提供对未来的管道故障的概率的预测。
7.其他方法是基于统计模型的，该统计模型允许基于先前管道破裂的历史以及管道的特征来预测管道破裂。然而，这些方法是不准确的，因为先前管道破裂的历史不是对于所有管道都是可获得的，而且关于管道的当前状态的信息的缺乏限制了该方法的准确性。
8.因此，需要一种方法，即使在管道破裂的历史是有限的并且管道检查的次数是有限的情况下，该方法也允许对管道网络中的当前和未来的管道故障进行准确估计。


技术实现要素：

9.为此，本发明公开了一种计算机实现的方法，包括：基于关于管道网络的管段(pipe section)的结构或环境的管道参数，将管段聚类为多个类别的第一步骤；并且，针对所述多个类别中的每个类别进行以下操作：提取该类别的管段的样本的第二步骤；针对每个管段样本，获得由状况评价过程确定的一个或多个管道状况得分的第三步骤；基于所述管道参数，针对不属于该样本的管段执行对一个或多个管道状况得分的估计的第四步骤，所述估计利用管道状况得分和在第二步骤处提取的样本的管段的管道参数被参数化；根据
管道状况得分对管道故障的概率的预测模型进行参数化的第五步骤；根据所述预测模型执行对管道故障的概率的定时预测的第六步骤。
10.这样的管道参数可以例如包括以下各项中的一个或多个：结构参数(管道的长度；管道的材料；管道的直径；管道的年龄
……
)，或者环境或周围参数(管道的环境的温度；管道的环境的湿度；附近设备(例如，可能产生减小管道寿命的振动的附近道路或机场的存在)；水质量；压力；压力变化；浪涌；流量负载；地面移动
……
)。
11.状况评价过程指定使用对管道的某种检查或分析来评价管道状况的任何过程。因此，状况评价过程的非限制性示例包括可以在现场执行的视觉检查、测量(声学分析、电磁分析
……
)或者在实验室中收集样本并且对其进行分析。更一般地，对管道执行的允许评价管道的状况的任何种类的人类检查或者测量可以用作状况评价过程。管道状况得分是表征给定管段的状况的得分。管道状况得分可以使用各种标度来表示。例如，可以使用提供管道的指示性状态的标度(例如，“良好”、“平均”、“差
”……
)、介于0和1之间的归一化标度、或者指示管道状况的测量(例如，管道厚度)。
12.第一步骤将管段分组为多个类别，并且在每个类别内，管段受到实质上类似的退化过程的影响。
13.由于管道的状况评价过程长且成本高，因此第二步骤的目的在于，针对每个类别，提供尽可能代表该类别的管段的有限数量的管段，使得对该类别中的有限数量的管段的状况评价允许提取用于基于管道参数来估计该类别的管段的管道状况的通用规则。状况评价过程针对选定的管段提供可靠的管道状况得分，因为这些状况评价过程依赖于对实际管道执行的检查、观察或者测量。
14.第四步骤在于针对尚未针对其进行状况评价过程的管段执行对管道状况的估计。由于管段被分组为受到实质上类似的退化过程的影响的管道的类别，并且已经针对每个类别内的一些管段进行了状况评价过程，因此第四步骤被准确地参数化，并且提供了对管道状况的可靠估计。
15.第五步骤允许基于管道状况得分来定义管道故障的预测模型的参数的值。这允许获得取决于时间的管道故障的准确预测，因为准确的管道状况得分对于每个管道是可获得的，可以根据每个管道的当前状况和故障的概率来调整对管道故障的定时预测。
16.因此，该方法允许利用有限次数的管道检查来执行对管道故障的概率的定时预测，该定时预测对于管道网络的每个管道是准确的。
17.因此，该方法提供了用于计划管道检查和更新的非常强大的工具。
18.有利地，预测模型是根据至少过去故障的历史、管道的年龄和外部因素来预测管道故障的概率的概率模型。
19.外部因素表示除了管道故障的历史、管道的年龄之外的影响故障的概率的每个参数。因此，这样的模型提供了可适应于可用参数的优点，因为参数可以根据他们的可用性而被整合为外部因素。
20.有利地，管道状况得分被整合为外部因素。
21.这允许故障的概率在现有模型内的高效整合。
22.有利地，管道故障的概率的预测模型在于以下各项的组合：根据时间的故障概率的预测函数，该预测函数是利用所述至少一个参数被参数化的；至少基于每个管道的管道
状况得分确定出的故障的瞬时概率。
23.因此，预测模型提供了准确的基于时间的管道故障的概率，因为预测函数提供了对概率随时间的演进的良好估计，而基于管道状况得分确定出的瞬时故障概率提供了对管道在当前时间的故障概率的良好估计。
24.有利地，所述多个类别是预定义的数量的类别，并且第一步骤包括将高斯混合模型(gmm)应用于管道，以将管段聚类为所述预定义的数量的类别。
25.这允许将管段分组为包括具有同质特征的成员的类别，从而允许对管段进行高效聚类。
26.有利地，提取样本的第二步骤包括：初始化管段的候选样本集的第七步骤；使用以下各项来迭代地修改所述候选样本集的第八步骤：基于目标函数的遗传算法，该目标函数包括使样本的管段的平均管道参数的差最小化，以及该类别的管段的平均管道参数；选择优化所述目标函数的候选样本的第九步骤。
27.遗传算法通过连续的迭代来优化目标函数，该目标函数在于使样本与类别的平均参数之间的差最小化。遗传算法提供了允许在测试包括管段的非常不同的组合的样本时对函数进行优化的优点。因此，这允许获得其平均管道参数尽可能接近对应类别的平均管道参数的样本。因此，该样本提供了对类别的良好表示，并且可以根据这些样本构建该类别的可靠模型。此外，遗传算法具有有限的计算复杂度。
28.有利地，每个样本的相对大小与每个对应类别的相对同质性呈负相关。
29.通常，类别越同质，对该类别的管段的退化行为进行准确建模所需要的样本的大小越低。实际上，如果该类别的成员是同质的，则对于训练模型所必要的训练值的数量较低。因此，样本的相对大小与该类别的相对同质性的负相关允许分配样本的大小，以针对要进行给定次数的管道状况过程的所有类别优化预测的可靠性。
30.有利地，第三步骤的状况评价过程是在包括以下各项中的一个或多个的组中被选择的：对被施加到管段的电磁通量的分析；对管段的声学分析，在实验室中对管段的样本的提取和分析；并且其中，状况评价过程中的每一个以相同的标度提供管道状况得分。
31.这允许针对每个管段选择最适合的测量或观察方法，并且容易地比较管段之间的测量或观察。
32.有利地，状况评价过程提供了两个或更多个管道状况得分，这些管道状况得分对应于管段的不同部分并且是在包括以下各项的组中被选择的：内涂层状况得分；外涂层状况得分；联合状况得分。
33.这允许评估管段的不同部分的状况的演进。因为管道的不同部分的状况可以取决于结构和环境管道参数而以不同的方式演进，所以这是有用的。
34.有利地，使用加权和或者正交和，从对应于管段的不同部分的两个或更多个管道状况得分中获得单个管道状况得分。
35.这允许在考虑了管道的不同部分的具体退化的单个管道状况得分内对管道状况进行总结。
36.有利地，一个或多个管道状况得分与一个或多个可靠性指标相关联。
37.这允许考虑每个测量的可靠性，以便尽可能高效地对管道状况的演进进行建模。
38.有利地，执行对不属于样本的管段的一个或多个管道的状况得分的估计包括：针
对类别，使用属于该样本的管段，训练基于管道参数来预测管道状况得分的有监督机器学习引擎；使用所述有监督机器学习引擎来基于不属于该样本的该类别的管段的管道参数来预测管道状况得分。
39.这允许对管道状况进行高效建模，因为该管道先前已经被聚类为类似管段的类别，并且针对每个类别训练了模型。因此，该模型很好地适合于其将被应用于的管段。
40.有利地，所述有监督机器学习引擎是随机森林机器学习引擎。
41.随机森林算法尤其很好地适合该任务。实际上，随机森林去除了不能预测管道状况的管道参数。这在这里尤其高效，因为可以使用大量的结构或环境参数。随机森林算法仅自动使用实际上允许预测管道状况的参数。
42.本发明还公开了一种存储在非暂时性计算机可读介质上的计算机程序产品，所述计算机程序产品包括用于执行根据本发明的方面的方法的代码指令。
43.本发明还公开了一种设备，该设备包括被配置为执行根据本发明的方面的方法的处理器。
附图说明
44.根据下面对多个示例性实施例及其附图的描述，本发明将被更好地理解，并且其各种特性和优点将显现出来，在附图中：
45.‑
图1显示了可以在其上实现根据本发明的方法的管道网络；
46.‑
图2显示了根据本发明的计算机实现的方法；
47.‑
图3显示了在本发明的实施例中的管道的聚类的示例；
48.‑
图4表示了在本发明的多个实施例中的根据管道状况得分对管道故障的概率的预测模型进行参数化的示例；
49.‑
图5表示了分别利用使用和不使用管道状况得分的模型的预测管道故障与实际管道故障之间的关系。
具体实施方式
50.图1显示了可以在其上实现根据本发明的方法的管道网络。
51.图1上显示的网络100表示水分布网络并且包括多个节点110、111、112、113、114、115、116和117，以及多个弧线120、121、122、123、124、125、126、127和128。节点典型地表示与水源或水库的连接(例如，在节点116处的与水库130的连接)、与水分布系统的用户的连接(例如，在节点113处的消耗131)以及弧线之间的连接。弧线表示节点之间的管道。网络可以配备有诸如阀和泵之类的设备。例如，泵132存在于弧线120上。更一般地，节点可以是两个或三个管道之间的结、网络输入或输出的点，例如，用户消耗水的点，或者水被注入到网络中的点。节点也可以表示子网络，例如，在单个节点下分组的邻居。
52.图1的示例性网络具有低数量的管道。然而，典型的水网络具有高得多的数量的管道。例如，本发明可以应用于包括10000km或甚至更长距离的管道的管道网络。例如，本发明可以应用于表示城市区域的管道网络。例如，巴黎区域的饮用水分布网络包括大约37000km的管道；东京区域的饮用水分布网络包括大约27000km的管道；伦敦区域的饮用水分布网络包括大约21000km的管道；阿德莱德区域的饮用水分布网络包括大约9000km的管道；卡萨布
兰卡区域的饮用水分布网络包括大约4500km的管道。欧盟的饮用水管道的总长度估计为大约4230000km。
53.网络的每个管道可能随着时间的推移而逐渐退化，并且当退化变得太严重时会破裂。因此，本发明的目的为获得管道状态以及未来破裂的概率的可靠估计，以便尽可能高效地计划管道检查、维修和更新。
54.尽管图1显示了水分布网络，但是本发明可以适用于其他种类的流体网络，例如，油或气分布网络。
55.图2显示了根据本发明的计算机实现的方法。
56.根据本发明的计算机实现的方法的目标中的一个为确定管道网络中的管道的故障的基于时间的概率，即，针对管道网络中的任何管道，能够预测在给定时间的故障的可靠概率。
57.方法200适用于管道网络，该管道网络可以例如是水、油或气分布网络。网络由互连的管道形成。管道被划分为段。管段可以是整个管道或者管道的一部分。将大的管道划分为多个段可以是有用的，因为段可以被定位在不同的环境中，并且因此管道状况可以针对相同管道的不同段而随着时间的推移不同地演进。相反，如果相邻且互连的管道共享某些属性(例如，相同的材料、厚度等)，则这些管道可以被分组到相同的管段内。管段可以根据不同的规则进行定义。例如，管道可以以下面的方式被划分为段：
58.‑
根据管道特征的改变或者环境改变(即，如果管道的材料改变、如果在管道的长度上的环境发生明显变化等等，则管道可以被划分为段)；
59.‑
在图形上通过用户手动定义管段的界限；
60.‑
反应单个管段的最大长度。
61.方法200可以在资产管理解决方案内实现，该资产管理解决方案允许控制网络中管道的状况、预测管道故障的概率并且计划管道维护和更新。这样的解决方案也可以允许管理网络的其他资产，例如，水库、泵等。
62.资产管理解决方案具有对一个或多个数据存储装置的访问权，该数据存储装置存储关于资产的信息。例如，这可以授予对多个管道参数的值的访问权。这样的管道参数可以例如包括以下各项中的一个或多个：
63.‑
结构参数：
64.‑
管道的长度；
65.‑
管道的材料；
66.‑
管道的直径；
67.‑
管道的年龄；
68.‑
环境或者周围参数：
69.‑
管道的环境的温度；
70.‑
管道的环境的湿度；
71.‑
附近设备(例如，可能产生减小管道寿命的振动的附近道路或机
72.场的存在)；
73.‑
水质量；
74.‑
压力；
75.‑
压力变化；
76.‑
浪涌；
77.‑
流量负载；
78.‑
地面移动；
79.‑……
80.这些参数随着时间的推移对管道状态的演进以及管道故障的概率有影响。例如，受极端温度、高湿度或者由附近基础设施产生的振动影响的管道将经历更快速的退化。退化速率也取决于管道的结构参数，例如，管道的材料和直径。某些参数也可以相互作用。例如，湿度对管道的影响可以取决于管道的材料。
81.在本发明的多个实施例中，针对每个管段，可以使用一些种类的存储装置或数据库对管道参数的值进行取回。
82.方法200包括基于管道参数将管道网络的管段聚类为多个类别的第一步骤210。
83.该第一步骤210在于将共享类似参数的管段分组为同一类别。因此，属于相同类别的管段可能随着时间的推移以类似的方式演进。
84.这可以以不同的方式执行。无监督机器学习算法尤其很好地适合管道聚类。可以基于管道参数的任何组合来执行聚类。例如，可以根据预期对管道退化有影响的以下一个或多个参数来执行聚类：材料、直径、长度、压力、水质量、地面质量、杂散电流(stay current)、道路流量等等
……
。可以执行聚类以将管段划分为目标数量的类别，例如，由操作者预定义的目标数量的类别。例如，可以使用目标数量为四个类别。类别的数量也可以适合于避免出现具有非常低数量的成员的类别，这样的类别可能不会非常显著。类别的数量也可以适合于网络的大小：例如，较低数量的类别可以用于小的网络(即，具有等于或者低于预定义阈值的管道总长度的网络)。类别也可以被后验合并。例如，具有低数量成员的类别可以与具有类似特征的类别合并。
85.不同的模型或算法可以用于执行聚类。例如，高斯混合模型(gmm)模型提供良好的聚类结果，这是因为它允许获得具有同质成员的类别。
86.图3显示了在本发明的实施例中的管道的聚类的示例。
87.已经根据包括管道参数和直径的多个变量对管道进行了聚类。
88.下面的表示出了图3中表示的聚类中的每一个的一些特性(管道的数量、管道的总长度以及管道的平均退化指示符)。在该示例中，平均退化指示符是介于0和1之间的值，其指示聚类中的管道的平均退化。该值是基于已经被检查的管道被计算的，并且该值越高，退化的管道就越多。
[0089][0090][0091]
表1
‑
关于管道的聚类的统计
[0092]
返回图2，方法200包括针对每个类别，提取该类别的管段的样本的第二步骤220。
[0093]
该步骤在于针对每个类别，标识要被检查的多个管段。如下文将更详细地解释的，这些被标识管段将被现场检查以获得管道状况得分，以便能够根据每个类别内的管道参数来估计管道状况得分。第二步骤220针对每个类别提供尽可能代表该类别的管段的有限数量的管段。
[0094]
可以根据多种技术和约束来选择样本的管段。
[0095]
根据本发明的各种实施例，样本可以被设置为包括该类别的管段的最大数量或百分比。例如，样本可以包括一百个管段之中的属于一个类别的二十个管段。该最大数量或百分比可以以不同的方式定义。例如，该最大数量或百分比可以由操作者定义，因为其与预期足以允许对管道状况得分进行良好估计的管道的数量相对应，和/或与针对管道检查的限定预算匹配的管段的最大数量相对应。
[0096]
在本发明的多个实施例中，与限定数量的管道状况评价过程相对应的针对管道检查的总预算在不同类别之中进行分配。这一数量的管道状况过程可以在不同样本之间进行划分。可以根据类别的相对大小和同质性来定义样本的大小。实际上，要求较少数量的管道检查过程来提供对同质类别的可靠建模。因此，较小尺寸的样本可以被分配到更多的同质类别。
[0097]
申请人已经在流体消耗的实时估计的领域中提交了公开号为wo 2014/060655的国际专利申请。流体消耗的估计方法依赖于将用户分类为具有类似消耗简档的用户的类别、针对每个类别对用户的样本的消耗进行实时测量以及基于这些部分实时测量对网络的总消耗的估计。
[0098]
该专利申请面临这样的相同问题：将最佳数量的用户分配到不同的类别以便利用有限次数的实时测量进行最佳全局估计。为了解决该问题，申请人已经定义了公式来定义样本的大小，其取决于样本的总目标大小、每个类别的大小和分散性(dispersion)。该公式在所述国际公开的第7页第15
‑
28行提供。该公式可以以必要的修改适用于基于本发明中管道参数的值的相对大小和分散性来对本发明的管段的样本的大小进行分配。这里的分散性可以是管道状况得分的分散性，或者更一般的是可以基于过去的故障计算出的每个管道的退化指示符，或者是与管道状况得分相同的参数。这里，样本的大小允许对每个类别进行高效建模，因为具有更多异质管道的类别将使用相对较高数量的管道状况评价进行建模。
[0099]
在本发明的多个实施例中，样本包括先前已经计划进行检查的管段。例如，这些管段可能是已经预期已经处于临界状态的管段，和/或操作员的检查计划计划要进行检查的管段。这允许节省管道检查预算，因为已经计划进行的检查将用于提供样本。
[0100]
在本发明的多个实施例中，样本包括随机选择的管段。这提供了简单的优点，但是不能确保选定的管段很好地代表类别。
[0101]
在本发明的多个实施例中，样本包括预期最能代表类别的管段。这允许获得这样的样本：其针对给定数量的管道，基于管道参数提供对管道状况的最佳估计。例如，如果管段的管道参数尽可能地接近类别内的管道参数的平均，则可以预期该管段最能代表该类别。这可以通过确保每个选定管段的参数单独地尽可能地接近该类别的管段的平均，来针对每个管段单独地执行。
[0102]
这也可以通过确定该样本的管道的参数的平均尽可能地接近管道的参数的平均，来针对样本整体地执行。这表示了确保样本的管段作为整体代表该类别的管段的优点。这也允许选择代表该类别的管段的样本，即使选择样本的一些管段是受约束的(例如，由于某些管段属于操作员的管道检查计划而被强制选择)。在本发明的多个实施例中，使用遗传算法来对样本的管段进行选择。这在于初始化候选样本集，然后使用选择、交叉和突变来迭代地修改该集合，以便迭代地获得更好的候选样本。
[0103]
遗传算法使用允许对候选样本进行排序以便选择最佳候选的目标函数。在本发明
的多个实施例中，目标函数包括使样本的管道参数的平均与类别的管道参数的平均之间的差的最小化。因此，随着连续迭代，候选管道样本变得更能代表类别。
[0104]
根据本发明的各种实施例，样本的所有管段可以在每次迭代时进行修改，或者一些管段被保留在所有样本中(例如，在操作者的管道检查计划中无论如何都将进行检查的管段)。遗传算法提供了即使在具有关于管段的选择的约束的情况下，也能获得代表类别的管道样本的能力。
[0105]
最后，选择优化成本函数的候选样本，即，被认为最能代表类别的候选样本。
[0106]
方法200还包括针对每个类别的每个样本中的每个管段，获得由状况评价过程确定的一个或多个管道状况得分的第三步骤230。
[0107]
如上面解释的，对被选择作为样本的一部分的管段进行检查。可以使用不同的状况评价过程。例如，可以使用以下各项来评价管道状况：
[0108]
‑
电磁通量；
[0109]
‑
声学分析；
[0110]
‑
提取在实验室中被分析的管道的样本；
[0111]
‑
视觉检查；
[0112]
‑
cctv和计算机视觉；
[0113]
‑
断层扫描；
[0114]
‑
无人机检查；
[0115]
‑……
[0116]
状况评价过程可以针对所有管段是相同的，或者可以针对每个管段专门选择。可以取决于每个方法在管段的环境中的技术可行性，或者由于过程尤其很好地适合于给定管段，来执行状况评价过程的选择。例如，可以利用电磁通量或声学技术来检查金属管道，同时可以通过收集样本并且将其发送到实验室来检查非金属管道。也可以根据由操作者定义的管道的关键性来选择检查技术。例如，服务于医院或者城市中心的管段可以被认为更加关键。因此，可以选择更准确的管道状况评价过程或者提供关于管道的更多信息的过程(例如，样本收集和实验室分析)，即使其是更加昂贵的。
[0117]
也可以根据管道检查过程的技术可行性来选择管道检查过程。例如，声学检查是一种廉价的方法，其不要求打开沟渠来接触管道，但是当前的声学检查只能对长度小于两百米的金属管道执行。因此，可以在每次声学检查在技术上可行的情况下来执行声学检查，并且如果声学检查不可行，则可以使用更昂贵的其他方法。
[0118]
这些状况评价过程中的每一个允许提供已经被检查的管段的一个或多个管道状况得分。管道状况得分指示管段的退化水平。当使用不同的过程时，这些过程的输出可以使用不同的标度来表示。例如，声学分析提供管道的残余厚度(或者相反，损失厚度的值或百分比)，而管道的样本的实验室测试提供对管道的多个测量，例如，针对内部和/或外部腐蚀的腐蚀存在和腐蚀类型、残余厚度、堵塞水平、石墨化水平等等。
[0119]
为了获得同质和可比较的测量，可以将管道状况得分变换为归一化的标度，使得不同的检查方法提供使用相同的标度的管道状况得分，并且所有的管道状况得分可以进行比较。例如，可以使用从0到1的管道状况得分，其中0对应于完美状况，并且1对应于故障状况。因此，可以使用最相关的过程对每个管段进行检查(取决于管段特性和/或不同检查方
法的可行性)，而过程的输出可以进行比较。例如，如果使用声学分析，则可以将残余厚度变换为介于0和1之间的同质值；在使用实验室测试时，关于不同分析参数的得分可以根据它们的相对重要性进行加权。
[0120]
管道状况得分也可以属于有限数量的状态，例如，三个状态：“良好”、“平均”或者“差”。
[0121]
在本发明的多个实施例中，针对每个管道获得多个状况得分，这些状况得分与管段的不同部分相对应。例如，观察可以生成针对管段的3个管道状况得分的向量：
[0122]
‑
内涂层状况得分；
[0123]
‑
外涂层状况得分；
[0124]
‑
联合状况得分。
[0125]
这允许评估管段的不同部分的状况的演进。这是有用的，因为管道的不同部分的状况可以取决于结构和环境管道参数而以不同的方式演进。因此，使用与管段的各种部分相对应的管道状况得分的向量允许考虑管道的不同部分的退化。
[0126]
然后，可以使用正交和或者加权和对管道状况得分或者向量进行求和，以便获得针对管段的单个管道状况得分。这允许在考虑了管道的不同部分的具体退化的单个管道状况得分内对管道状况进行总结。
[0127]
在本发明的多个实施例中，管道状况得分与一个或多个可靠性指标相关联。可靠性指标指示观察的管道状况得分多么精确和可靠。例如，可靠性指标可以取决于观察方法。例如，可靠性指标可以取决于执行测量的仪器的可靠性。使用仪器的测量也可以被认为比视觉观察更加可靠。
[0128]
根据本发明的多个实施例，当获得了与管段的不同部分相对应的多个管道状况得分的向量时，可以有针对整个向量的单个可靠性指标，或者针对向量中的每个管道状况的可靠性指标。当观察方法的准确性针对管道的不同部分是可变的时，使用针对向量中的每个管道状况的可靠性指标允许调整测量或观察的可靠性的指示。例如，视觉观察预期针对评估管道的外涂层的状况比评估管道的内涂层的状况更可靠。因此，由视觉观察得出的管道状况得分可以针对外涂层与平均可靠性指标相关联，但是针对内涂层与低可靠性相关联。
[0129]
方法200还包括基于所述管道参数，针对不属于样本的管段执行对一个或多个管道状况得分的估计的第四步骤240，所述估计利用管道状况得分和样本的管段的管道参数被参数化。
[0130]
该步骤在于针对类别中的每一个，基于通过管道状况评价过程获得的管道状况得分来训练模型，然后使用该模型来对没有经历状况评价过程的管道的管道状况得分进行估计。
[0131]
该过程允许对管道状况进行高效建模，因为该管道先前已经被聚类为类似管段的类别，并且针对每个类别训练了模型。因此，该模型很好地适合于其将被应用于的管段。
[0132]
该步骤可以以不同的方式执行。例如，可以通过将已经评价了其状况的管段的管道参数与管道状况分数拟合，针对每个类别训练线性回归的统计模型。
[0133]
这也可以通过利用已经评价了其状况的管道训练有监督机器学习模型来实现。因此，针对每个类别，可以向机器学习引擎馈送已经被检查的管段的管道参数和管道状况得
分，然后将其用于基于尚未被检查的管段的管道参数来预测管道状况得分。
[0134]
随机森林算法尤其很好地适合该任务。实际上，随机森林去除了不能预测管道状况的管道参数。这在这里尤其高效，因为可以使用大量的结构或环境参数。随机森林算法仅自动使用实际上允许预测管道状况的参数。
[0135]
因此，方法200允许对大的管道网络中的每个管道的状态进行准确估计，同时执行对仅有限数量的管道的检查，这允许节省金钱和时间。此外，这允许在任何时间获得对网络中的每个管道的状态的可靠估计。
[0136]
方法200还包括根据管道状况得分对管道故障的概率的预测模型进行参数化的第五步骤250。
[0137]
管道故障的概率的预测模型是能够计算管道的故障的当前或者未来概率的模型。因此，该模型能够针对给定管道确定在时刻t处的故障的概率，该时刻t是当前时间或者未来的时间。
[0138]
使用管道状况得分对模型进行参数化允许使故障的预测适合管道的故障的当前概率。由于先前步骤允许获得针对网络的每个管道的管道状况的可靠值，因此预测模型可以被参数化以使用有限次数的管道检查来提供针对每个管道的管道状况的可靠值。
[0139]
根据本发明，可以使用不同的模型，例如，随机模型(yule模型、poisson过程、cox模型等
……
)或机器学习模型(例如，随机森林或神经网络)。
[0140]
更一般地，可以使用能够预测当前时间或未来的管道故障的概率的任何模型。
[0141]
在本发明的多个实施例中，管道故障的概率的预测模型根据在包括以下各项的组中选择的至少一个参数的值来预测管道故障的概率：
[0142]
‑
表征管道的参数：长度、直径、结构、材料、深度、管道的直径、年龄、过去故障的数量等；
[0143]
‑
表征管道的操作的参数：网络的最小/最大压力、水质量、水速等；
[0144]
‑
表征管道的环境或周围的参数：土壤质量、气候条件、附近的流量/振动的存在等。
[0145]
根据本发明的各种实施例，如上面定义的，管道的环境或者周围可以包含对管道状况有影响的管道的中间环境/周围的任何参数：管道的环境的温度；管道的环境的湿度；附近设备(例如，可能产生减小管道寿命的振动的附近道路或机场的存在)；水质量；压力；压力变化；浪涌；流量负载；地面移动
……
。更具体地，表征管道的环境或周围的参数可以为对管道的退化有影响任何参数，并且其与管道的固有特征无关。
[0146]
使用这样的参数允许根据其规范估计每个管道的故障的概率。
[0147]
在本发明的多个实施例中，预测模型是根据至少过去故障的历史、年龄和外部因素来预测管道故障的概率的概率模型。例如，在claudio,k.,couallier,v.,&le gat,y.(2014).integration of time
‑
dependent covariates in recurrent events modelling:application to failures on drinking water networks.journal de la soci
é
t
é
de statistique,155(3),62
‑
77中描述的leyp(yule过程的线性延伸)模型提供了用于估计管道在未来的故障概率的非常完整且准确的解决方案。leyp模型基于3个因素：
[0148]
‑
yule因素：过去故障的影响；
[0149]
‑
weibull因素：年龄的影响；
[0150]
‑
cox因素：“外部”因素的影响。
[0151]
此外，leyp模型适合于宽范围的不同参数，并且因此能够根据当前对于管道可获得的参数值来使用。例如，模型也可以考虑其值可获得的表征管道的参数、表征管道的操作的参数以及表征管道的周围或环境的参数中的一些或全部。
[0152]
根据本发明的各种实施例，管道状况得分可以用于以多种不同的方式来使预测模型参数化。
[0153]
例如，如果预测模型根据至少过去故障的历史、年龄和外部因素来预测管道故障的概率，则管道状况得分可以被整合为外部因素。管道状况得分可以例如被整合在leyp模型的cox因素内。这允许故障的概率在现有模型内的高效整合。
[0154]
图4表示了在本发明的多个实施例中的根据管道状况得分对管道故障的概率的预测模型进行参数化的示例。
[0155]
在本发明的多个实施例中，预测模型允许取决于可以例如是上面公开的示例的多个参数来确定管道故障的概率为时间的函数410。
[0156]
另外地，基于管道的管道状况得分来计算故障的瞬时概率420。实际上，管道故障的概率取决于管道状况得分：管道退化越多，故障概率越高。
[0157]
然后，故障的瞬时概率420与时间的函数410组合以获得指示根据时间的故障概率的函数430。例如，故障的瞬时概率420可以被添加到函数410以获得函数430。因此，函数430考虑表征管道、管道的环境和管道的操作以及管道的当前状况的多个参数。因此，这与仅依赖于管道、环境和/或操作参数的现有模型相比提供了对管道故障的概率的准确得多的预测。
[0158]
因此，预测模型提供了准确的基于时间的管道故障的概率，因为函数410提供了对概率随时间的演进的良好估计，而故障的概率420提供了对管道在当前时间的故障概率的良好估计。
[0159]
这种组合的一个示例是由leyp模型内的管道状况得分的整合提供的。由renaud,e.,le gat,y.,&poulton,m.(2012)在using a break prediction model for drinking water networks asset management:from research to practice.water science and technology:water supply,12(5),674
‑
682中详细解释的leyp模型基于针对管道在时间t(以管道的年龄表示)处的故障强度，其表示为λ(t)并且等于：
[0160]
λ(t)＝(1 αn(t
‑
))δt
δ
‑1exp(β0 β1x1 β1x1
…
β
n
x
n
)
[0161]
(等式1)
[0162]
其中：
[0163]
‑
n(t
‑
)表示在时间t之前在管道中发生的爆裂(burst)的数量；
[0164]
‑
δt
δ
‑1表示管道的年龄的影响；
[0165]
‑
x1、x2……
x
n
表示外部参数。
[0166]
‑
α、β0、β1……
β
n
表示模型的参数。
[0167]
可以在外部参数内整合若干特征。例如，可以使用以下特征：
[0168]
‑
x1：管道的长度；
[0169]
‑
x2：管道的直径；
[0170]
‑
x3：管道的压力；
[0171]
‑
x4：土壤侵染性；
[0172]
‑
x5：由步骤240计算出的以从0(无退化)到1(完全退化的管道)的范围内的标度的管道状况得分。
[0173]
可以以多种不同的方式来获得参数α、β0、β1……
β
n
的值。例如，可以通过极大似然估计的优化来获得这些参数的值。
[0174]
在leyp模型中，故障概率以及预期故障的次数是基于“基线强度”被计算的，其被解释为第一故障(n(t
‑
)＝0))的强度：
[0175]
λ0(t)＝δt
δ
‑1exp(β0 β1x1 β1x1
…
β
n
x
n
)
[0176]
(等式2)
[0177]
然后，在已知在周期[a；b]中发生的爆裂的次数m的情况下，在周期[c；d]中发生至少一个故障的概率被定义为(a、b、c、d是以管道的年龄表示的时间)：
[0178][0179]
其中，μ被计算为：
[0180][0181]
在已知在周期[a；b]中发生的爆裂的次数m的情况下，leyp模型也允许计算在周期[c；d]中的预期故障的次数为：
[0182][0183]
这些示例说明了本发明将代表管道状态的参数引入到预测管道故障的模型内的能力。然而，在leyp模型内的这种整合仅通过示例的方式提供，并且管道状况得分可以被整合在预测管道故障的多个不同的模型内，因为管道状况得分为管道故障的瞬时风险提供了很好的见解。
[0184]
返回图2，方法200包括根据所述预测模型执行对管道故障的概率的定时预测260的第六步骤。
[0185]
该步骤在于使用预测模型取决于时间来预测管道故障。例如，这可以用于针对每个管道并且在各种时间确定管道故障的概率。例如，下面已经在leyp模型的示例中提供了计算故障概率的等式。
[0186]
如上面解释的，使用管道状况的可靠值对模型进行参数化允许利用有限次数的管道检查来执行对管道故障的概率的定时预测，该定时预测对于管道网络的每个管道是准确的。
[0187]
因此，定时预测可以以多种不同的方式改进管道检查和更新的计划。例如，可以提前计划管道更新，以防止管道超过管道故障的阈值概率。也可以在定义的时间以故障概率对管道进行排序。
[0188]
可以将故障概率显示给操作者，使得操作者能够确定哪些是要优先检查或维修的管段。这允许调整管道检查计划。这也可以通过显示具有与管道的预期故障的概率相对应的颜色的图来执行。
[0189]
图5表示了分别利用使用和不使用管道状况得分的模型的预测管道故障与实际管道故障之间的关系。
[0190]
曲线530和540表示分别利用不使用管道状况得分530和使用管道状况得分540的模型的试验结果。
[0191]
针对每个模型，针对管道网络的每个管道计算在时间t处的故障概率。从故障的最高概率到最低概率对管道进行排序。横轴表示以故障概率排序的管道的累积百分比：10％表示具有最高故障概率的10％的管道，20％表示具有最高故障概率的20％的管道等等。
[0192]
纵轴520表示针对选定的具有最高故障概率的百分比的管道在网络中实际发生的总爆裂的累积百分比。例如，点531意味着在不使用管道状况得分的模型(即，现有技术模型，例如，没有管道状况得分的整合的leyp模型)中，被确定为具有最高故障概率的10％的管道导致总爆裂中的20％。同时，点541意味着在使用管道状况得分的模型(根据本发明的模型，例如，与管道状况得分组合的leyp模型)中，被确定为具有最高故障概率的10％的管道导致总爆裂中的40％。
[0193]
更一般地，曲线示出了本发明提供了对可能故障的管道的更好的预测，即，具有最高故障概率的管道在使用本发明时比使用现有技术模型计算出的导致更多爆裂。
[0194]
给出上面描述的示例作为对本发明实施例的说明，并且说明了本发明在仅检查管道的子集时提供对网络的管道的故障概率的可靠的基于时间的估计的能力，并且因此该估计的成本适中。这些示例不以任何方式限制由所附权利要求书限定的本发明的范围。