建筑給水系統數智化節水技術

劉金玉，劉 艷，高 巍，梁 昆，李小霞，聶 靜，王宏波

(1.中國石油大學(華東)，山東 青島 266555；2.濟寧市嘉祥縣仲山鎮第一中學，山東 濟寧 272409；3.山東省科學技術情報研究院，濟南 250101；4.北京城建一建設發展有限公司，北京 100012)

1 概述

建筑給水系統跑冒滴漏現象和人為浪費用水行為在世界各國普遍存在[1]，比如我國城市年漏水約100億m3[2]，美國家庭年漏水超1萬億加侖[3]，全球保險公司CHUBB指出建筑漏水損失是火災的10倍、盜竊的6倍[4]。從節水教育，到各類節水器具、防滴漏水表，再到水浸傳感器，世界各國一致努力解決該問題，但效果均一般，因為它不僅涉及建筑給水系統質量問題，更涉及人類道德行為問題，需要對人類行為進行識別。為此，美國MOEN[5]等巨頭公司采用基于數據驅動的人工智能算法對跑冒滴漏現象和人為浪費用水行為進行異常檢測，具體技術包括神經網絡、支持向量機、貝葉斯分類器等[6-10]。由于建筑給水系統拓撲結構異常復雜，建筑體內用水用途多樣性，且受人為主觀意愿支配，眾多主客觀因素使得用水數據十分復雜，僅采用數據驅動的人工智能算法不僅算力居高不下，漏水異常事件檢測效果還非常一般，比如對于爆管、忘關水龍頭等快速漏水事件，檢測時間仍需1.5 h左右，而漏水報警越及時，浪費的水資源量越少，引發泡淹房屋、水連電起火等次生災害的概率越小，避免的損失越大。另外，對于水龍頭滴漏、管材腐蝕滲漏等微小漏水事件，由于流量計無法采集到這么小的流速，無數據可用，因此基于數據驅動的人工智能異常檢測技術無法檢測微小漏水事件，而在建筑體內，微小漏水事件發生的概率更大，總之基于數據驅動的人工智能異常檢測技術在檢測建筑漏損方面還存在諸多不足，為此，需采用數據知識雙驅動的人工智能異常檢測技術；由于目前人工智能尚處于弱人工智能階段，沒有自我意識，缺乏邏輯思維，難以處理復雜多變任務，采用數據知識雙驅動的人工智能異常檢測技術在檢測建筑漏損方面仍有不足，充分考慮人類智能和機器智能的差異性和互補性，又引入人機融合智能和人類輔助機器學習技術，再結合觸發喚醒且多維度數據采集技術、云邊端協同框架技術，和有條件的隨機抽檢技術，開發AIoT建筑節水安防數智化系統[11-12]。

2 數據知識雙驅動加人機融合的大漏失檢測技術

鑒于基于數據驅動人工智能算法的缺點，首先利用粒計算的任務粒化思想將漏水事件粒化為大漏失事件和微小漏失事件，對于大漏失事件，通過引入用水模式的方式進一步粒化為超長大漏失事件和短暫大漏失事件，并采用知識與數據雙驅動人工智能算法，利用學習和推理兩種機制對異常事件進行檢測，可大幅提升夜間大漏失事件檢測的及時性，其中數據驅動算法包括神經網絡、支持向量機、決策樹、聚類等技術，知識驅動算法包括專家系統、粗糙集理論等。由于粒計算對任務的分解方式為橫向分解，分解后的各個子問題相對獨立，彼此之間沒有強相關性，這種任務分解方式下，各個子問題的解決方法又重新回到基于數據驅動的人工智能范疇，仍無法提高白天大漏失事件檢測的及時性，其原因在于目前人工智能尚處于弱人工智能階段，沒有自我意識，缺乏邏輯思維，僅可處理簡單重復任務，難以處理復雜多變任務，此時，充分考慮人類智能和機器智能的差異性和互補性，融合二者優點的人機融合智能成為選項。

當前的人機融合智能以人機交互技術、腦接口技術為代表，比如語音識別、圖象識別、動作捕捉等人機交互技術，這些人機融合智能雖有人機互動，但僅有互動沒有融合，至少人機融合的深度不夠，因為人類向機器提供的語音、圖像或動作等數據，對機器而言，只不過是待識別的預測樣本，縱然可將這些預測樣本標注后作為新的訓練樣本反饋給機器重新訓練，但這并沒有改變機器智能的本質，只是增強了訓練，其智能水平提升有限。

進一步分析發現，當前的人機融合技術，融合的接口位于機器智能算法的輸入端，沒有深度融入算法的過程中，且人類提供的新數據，是與訓練樣本同維度同結構的，并沒有引入新的屬性。當前人工智能算法處理問題采用數據到結果的直達方式，中間無斷點，而對于復雜多變任務，任務是過程化的，任務過程的每段所處的環境不一定相同，后段任務的解決很可能需要引入全新數據，這些是當前人機融合智能無法實現的。鑒于粒計算對任務橫向分解的缺陷，以及當前人機融合技術沒有深度融合的缺點，借鑒決策樹生長的進階特性，以決策樹的樹枝結構為基本架構，將復雜多變任務縱向裂解成多個階段，在由上一個階段進入下一階段處，人類根據上一階段機器智能運算的結果，結合人類經驗，通過人機交互技術，有目的性的提供全新數據，由人類指導機器智能選擇進入哪個下階段，即改變算法的進程，進而實現人機深度融合。通過數據知識雙驅動加人機融合的異常檢測技術顯著提升了大漏失事件檢測的及時性、準確性，成功將爆管、忘關水龍頭等事件的檢測時間由歐美技術的1.5 h降到5 min。數據知識雙驅動加人機融合的異常檢測技術架構見表1。

表1 數據知識雙驅動加人機融合的異常檢測技術

3 人類輔助機器學習加有條件隨機的微小漏失檢測技術

機器學習處理任務的過程可分為訓練和預測兩個階段，所采用的數據來源于相同的特征空間并服從相同的分布，這個假設在現實中很難成立，比如現實中帶標記的訓練樣本數量有限，且數據分布時刻變化。當兩個任務相似時，遷移學習做為一種新的學習范式，是個不錯的選擇，即把處理B任務中所學知識遷移到A任務中來，進而提高A任務處理效果，但遷移學習遷移知識的前提是兩個任務具有相識性，且知識遷移的本質是不需要處理A任務時從零開始訓練，雖壓縮了訓練過程，但知識遷移后依然需要訓練，依然需要數據，而管材腐蝕滲漏等微小漏水事件發生時，流量計無法采集到這么小的流速，無數據可用，此時需要求助人類智能。同樣尋求人類智能幫助，與大漏失檢測技術中的人機融合技術不同的是，人類輔助機器學習技術是人類智能在前輔助，機器智能學習在后。鑒于微小漏失短時間內造成的損失和危害不大，且微小漏失實時監測的功耗偏大，初期采用定期抽檢方案，進一步考慮到人為滴漏偷水問題，由于定期抽檢方案中的時間表易被識破，提出隨機抽檢方案，由于隨機抽檢易于正常用水時間沖突，進一步提出有條件的隨機抽檢方案，即在沒有水流時隨機抽檢微小漏失事件。通過首創人類輔助機器學習技術，全球唯一實現了微小漏水事件在線檢測，首創有條件的隨機檢測技術，可將年耗電量低至200 mAh。

4 觸發喚醒且多維度數據采集技術

美國MOEN的AIoT類漏水報警器FLO基于現有水表結構研發，采集的數據仍為累積流量，相比普通水表，只是加大了采樣頻率，由普通水表的每月或每季度1次，提高至幾分鐘或幾秒1次，而到了用戶端，比如家庭內，用戶絕大部分時間并不用水，因此這種等間隔采樣方式，在無水流期間所采集到的數據重復，數據量雖大，但信息量卻很小，數據冗余嚴重，另外采集的累積流量為兩次采樣時間段內多次用水的累積量，導致每次用水的精細表征信息因累積混雜而被湮滅。為此提出了觸發喚醒式采集方式，通過流動觸發霍爾元件輸出脈沖，精細采集每次用水信息，包括用水量、用水起止時間點等數據，進而計算每次用水時長，統計用水頻率分布等，無水流時，不采集流速、流量。大數據的信息量更多體現在數據維度高層面，為此，在現有水表結構基礎上增加壓差開關，創新增加采集壓強下降信息，而非實時壓強(實時壓強波動無規律，且易被干擾)，創新增加采集儀表自帶閥門和表后給水系統閥門的開關信息以及接收下發命令(為人機融合技術做準備)，將數據維度由一維提升到多維，具體特征包括單次用水量、單次用水時長、單次用水起始時間、用水頻率分布、水壓下降與否、自帶閥門開關狀態、給水系統閥門開關信息、下發指令等，數據維度的提升，為漏水事件分類精準及時在線檢測和其他多元化功能挖掘提供了基礎數據保障(如圖1所示)。

圖1 自主研發AIoT類漏水報警器示意

5 云邊端協同智慧水務框架

AIoT建筑節水安防系統采用云邊端協同框架，實現系統的高功能性、高穩定性、高靈活性、高可用性(如圖2所示)。

圖2 云邊端協同框架示意

系統由云平臺、多級邊緣服務器、手機APP和物聯網終端儀表組成，終端儀表主要采用窄帶廣域網通訊技術(NB-IoT、LoRa)和WIFI方式與云端和邊緣服務器通訊，手機APP采用5G或WIFI方式與云端和邊緣服務器通訊，云端和邊緣服務器之間采用光纖通訊方式。另外云端、邊側和終端合理分配算力，高端算力向云端遷移，運行首創的數據知識雙驅動加人機融合的異常檢測算法，進行漏水事件高效檢測。多級邊緣服務器根據自身性能以及功能需要、服務范圍、傳輸距離、數據量、網絡時延等實際情況，確定多級邊緣服務器層級結構，分級布置算力，更加貼合具體應用場景，進行個性化服務。物聯網終端儀表主要負責數據采集和傳輸、執行命令、布置低算力，運行首創的人類輔助機器學習加有條件的微小漏失隨機檢測技術，終端儀表無需高速大容量運算芯片，可大幅降低成本和功耗，提高實用性。

6 應用案例

AIoT建筑節水安防系統已聯合北京城建集團在6個房地產項目開發過程中進行數智化節水改造(見圖3)，試用期間成功檢測到建筑工人忘關水龍頭78次，浪費用水698次，估計可節水超5 000 m3，更重要的是減少了引漏水造成的停工整頓事件，有效保證了工期，并督促建筑工人養成節約用水的好習慣。已聯合青島國際經濟合作區管委在園區內選擇管委辦公樓和集團辦公中心兩棟樓開展建筑給水系統智慧化建設，試用期間成功監測到多起跑冒滴漏事件和人為浪費用水行為，及時報警并關閥，有效節約水資源，避免各類次生災害，系統的在線監督和提醒功能促進機關工作人員養成良好的節水低碳工作模式。基于上述實踐的良好效益，該系統成功納入國管局《2022年公共機構綠色低碳技術集》[13]、水利部《2020年度水利先進實用技術重點推廣目錄》[14]和青島《重點節能技術、產品和設備推廣目錄(第六批)》[15]。

圖3 現場應用示意

7 展望

AIoT建筑節水安防系統改進后可擴展應用于監控建筑體內燃氣、熱水和消防系統的跑冒滴漏和浪費行為，避免燃氣泄漏爆炸等次生災害。通過監控冷水、熱水、消防、燃氣漏損和浪費使用行為是促進綠色低碳生活和工作方式轉變的重要措施，是消費側減碳的重要途經，系統可進行碳排量和減碳量在線自動核算，開發CCER碳資產，助力國家雙碳目標。水、氣、熱數據內蘊涵大量價值，但目前未被充分挖掘，通過大數據挖掘可用于服務智慧城市減少，提升城市綜合治理水平，AIoT建筑節水安防系統由此升級為AIoT建筑節能安防低碳智慧系統。

8 結論

1) 建筑給水系統跑冒滴漏現象和人為浪費用水行為在世界各國普遍存在，造成水資源浪費的同時易引發泡淹房屋等各種災害，普通節水器具無法解決，需要數智化的漏損檢測系統。

2) 首創了觸發喚醒且多維度數據采集技術，數據知識雙驅動加人機融合的大漏失檢測技術，以及人類輔助機器學習加有條件隨機的微小漏失檢測技術，進一步結合云邊端協同框架技術，成功開發出AIoT建筑節水安防系統，系統性能優于歐美同類產品，技術水平世界領先。

3) 已聯合國企在北京和地方政府在青島開展現場試用，節水效果顯著，并成功預防各類次生災害，同時促進工作人員養成良好的節水工作模式，踐行了綠色低碳工作理念，基于上述實踐的良好效益，該系統成功納入國管局、水利部和青島市相關綠色低碳先進實用技術推廣清單。

4) AIoT建筑節水安防系統擴展性強，改進后可應用于建筑體內燃氣、熱水和消防系統，可擴展低碳和智慧化功能。