建筑给水系统数智化节水技术

刘金玉，刘 艳，高 巍，梁 昆，李小霞，聂 静，王宏波

(1.中国石油大学(华东)，山东 青岛 266555；2.济宁市嘉祥县仲山镇第一中学，山东 济宁 272409；3.山东省科学技术情报研究院，济南 250101；4.北京城建一建设发展有限公司，北京 100012)

1 概述

建筑给水系统跑冒滴漏现象和人为浪费用水行为在世界各国普遍存在[1]，比如我国城市年漏水约100亿m3[2]，美国家庭年漏水超1万亿加仑[3]，全球保险公司CHUBB指出建筑漏水损失是火灾的10倍、盗窃的6倍[4]。从节水教育，到各类节水器具、防滴漏水表，再到水浸传感器，世界各国一致努力解决该问题，但效果均一般，因为它不仅涉及建筑给水系统质量问题，更涉及人类道德行为问题，需要对人类行为进行识别。为此，美国MOEN[5]等巨头公司采用基于数据驱动的人工智能算法对跑冒滴漏现象和人为浪费用水行为进行异常检测，具体技术包括神经网络、支持向量机、贝叶斯分类器等[6-10]。由于建筑给水系统拓扑结构异常复杂，建筑体内用水用途多样性，且受人为主观意愿支配，众多主客观因素使得用水数据十分复杂，仅采用数据驱动的人工智能算法不仅算力居高不下，漏水异常事件检测效果还非常一般，比如对于爆管、忘关水龙头等快速漏水事件，检测时间仍需1.5 h左右，而漏水报警越及时，浪费的水资源量越少，引发泡淹房屋、水连电起火等次生灾害的概率越小，避免的损失越大。另外，对于水龙头滴漏、管材腐蚀渗漏等微小漏水事件，由于流量计无法采集到这么小的流速，无数据可用，因此基于数据驱动的人工智能异常检测技术无法检测微小漏水事件，而在建筑体内，微小漏水事件发生的概率更大，总之基于数据驱动的人工智能异常检测技术在检测建筑漏损方面还存在诸多不足，为此，需采用数据知识双驱动的人工智能异常检测技术；由于目前人工智能尚处于弱人工智能阶段，没有自我意识，缺乏逻辑思维，难以处理复杂多变任务，采用数据知识双驱动的人工智能异常检测技术在检测建筑漏损方面仍有不足，充分考虑人类智能和机器智能的差异性和互补性，又引入人机融合智能和人类辅助机器学习技术，再结合触发唤醒且多维度数据采集技术、云边端协同框架技术，和有条件的随机抽检技术，开发AIoT建筑节水安防数智化系统[11-12]。

2 数据知识双驱动加人机融合的大漏失检测技术

鉴于基于数据驱动人工智能算法的缺点，首先利用粒计算的任务粒化思想将漏水事件粒化为大漏失事件和微小漏失事件，对于大漏失事件，通过引入用水模式的方式进一步粒化为超长大漏失事件和短暂大漏失事件，并采用知识与数据双驱动人工智能算法，利用学习和推理两种机制对异常事件进行检测，可大幅提升夜间大漏失事件检测的及时性，其中数据驱动算法包括神经网络、支持向量机、决策树、聚类等技术，知识驱动算法包括专家系统、粗糙集理论等。由于粒计算对任务的分解方式为横向分解，分解后的各个子问题相对独立，彼此之间没有强相关性，这种任务分解方式下，各个子问题的解决方法又重新回到基于数据驱动的人工智能范畴，仍无法提高白天大漏失事件检测的及时性，其原因在于目前人工智能尚处于弱人工智能阶段，没有自我意识，缺乏逻辑思维，仅可处理简单重复任务，难以处理复杂多变任务，此时，充分考虑人类智能和机器智能的差异性和互补性，融合二者优点的人机融合智能成为选项。

当前的人机融合智能以人机交互技术、脑接口技术为代表，比如语音识别、图象识别、动作捕捉等人机交互技术，这些人机融合智能虽有人机互动，但仅有互动没有融合，至少人机融合的深度不够，因为人类向机器提供的语音、图像或动作等数据，对机器而言，只不过是待识别的预测样本，纵然可将这些预测样本标注后作为新的训练样本反馈给机器重新训练，但这并没有改变机器智能的本质，只是增强了训练，其智能水平提升有限。

进一步分析发现，当前的人机融合技术，融合的接口位于机器智能算法的输入端，没有深度融入算法的过程中，且人类提供的新数据，是与训练样本同维度同结构的，并没有引入新的属性。当前人工智能算法处理问题采用数据到结果的直达方式，中间无断点，而对于复杂多变任务，任务是过程化的，任务过程的每段所处的环境不一定相同，后段任务的解决很可能需要引入全新数据，这些是当前人机融合智能无法实现的。鉴于粒计算对任务横向分解的缺陷，以及当前人机融合技术没有深度融合的缺点，借鉴决策树生长的进阶特性，以决策树的树枝结构为基本架构，将复杂多变任务纵向裂解成多个阶段，在由上一个阶段进入下一阶段处，人类根据上一阶段机器智能运算的结果，结合人类经验，通过人机交互技术，有目的性的提供全新数据，由人类指导机器智能选择进入哪个下阶段，即改变算法的进程，进而实现人机深度融合。通过数据知识双驱动加人机融合的异常检测技术显著提升了大漏失事件检测的及时性、准确性，成功将爆管、忘关水龙头等事件的检测时间由欧美技术的1.5 h降到5 min。数据知识双驱动加人机融合的异常检测技术架构见表1。

表1 数据知识双驱动加人机融合的异常检测技术

3 人类辅助机器学习加有条件随机的微小漏失检测技术

机器学习处理任务的过程可分为训练和预测两个阶段，所采用的数据来源于相同的特征空间并服从相同的分布，这个假设在现实中很难成立，比如现实中带标记的训练样本数量有限，且数据分布时刻变化。当两个任务相似时，迁移学习做为一种新的学习范式，是个不错的选择，即把处理B任务中所学知识迁移到A任务中来，进而提高A任务处理效果，但迁移学习迁移知识的前提是两个任务具有相识性，且知识迁移的本质是不需要处理A任务时从零开始训练，虽压缩了训练过程，但知识迁移后依然需要训练，依然需要数据，而管材腐蚀渗漏等微小漏水事件发生时，流量计无法采集到这么小的流速，无数据可用，此时需要求助人类智能。同样寻求人类智能帮助，与大漏失检测技术中的人机融合技术不同的是，人类辅助机器学习技术是人类智能在前辅助，机器智能学习在后。鉴于微小漏失短时间内造成的损失和危害不大，且微小漏失实时监测的功耗偏大，初期采用定期抽检方案，进一步考虑到人为滴漏偷水问题，由于定期抽检方案中的时间表易被识破，提出随机抽检方案，由于随机抽检易于正常用水时间冲突，进一步提出有条件的随机抽检方案，即在没有水流时随机抽检微小漏失事件。通过首创人类辅助机器学习技术，全球唯一实现了微小漏水事件在线检测，首创有条件的随机检测技术，可将年耗电量低至200 mAh。

4 触发唤醒且多维度数据采集技术

美国MOEN的AIoT类漏水报警器FLO基于现有水表结构研发，采集的数据仍为累积流量，相比普通水表，只是加大了采样频率，由普通水表的每月或每季度1次，提高至几分钟或几秒1次，而到了用户端，比如家庭内，用户绝大部分时间并不用水，因此这种等间隔采样方式，在无水流期间所采集到的数据重复，数据量虽大，但信息量却很小，数据冗余严重，另外采集的累积流量为两次采样时间段内多次用水的累积量，导致每次用水的精细表征信息因累积混杂而被湮灭。为此提出了触发唤醒式采集方式，通过流动触发霍尔元件输出脉冲，精细采集每次用水信息，包括用水量、用水起止时间点等数据，进而计算每次用水时长，统计用水频率分布等，无水流时，不采集流速、流量。大数据的信息量更多体现在数据维度高层面，为此，在现有水表结构基础上增加压差开关，创新增加采集压强下降信息，而非实时压强(实时压强波动无规律，且易被干扰)，创新增加采集仪表自带阀门和表后给水系统阀门的开关信息以及接收下发命令(为人机融合技术做准备)，将数据维度由一维提升到多维，具体特征包括单次用水量、单次用水时长、单次用水起始时间、用水频率分布、水压下降与否、自带阀门开关状态、给水系统阀门开关信息、下发指令等，数据维度的提升，为漏水事件分类精准及时在线检测和其他多元化功能挖掘提供了基础数据保障(如图1所示)。

图1 自主研发AIoT类漏水报警器示意

5 云边端协同智慧水务框架

AIoT建筑节水安防系统采用云边端协同框架，实现系统的高功能性、高稳定性、高灵活性、高可用性(如图2所示)。

图2 云边端协同框架示意

系统由云平台、多级边缘服务器、手机APP和物联网终端仪表组成，终端仪表主要采用窄带广域网通讯技术(NB-IoT、LoRa)和WIFI方式与云端和边缘服务器通讯，手机APP采用5G或WIFI方式与云端和边缘服务器通讯，云端和边缘服务器之间采用光纤通讯方式。另外云端、边侧和终端合理分配算力，高端算力向云端迁移，运行首创的数据知识双驱动加人机融合的异常检测算法，进行漏水事件高效检测。多级边缘服务器根据自身性能以及功能需要、服务范围、传输距离、数据量、网络时延等实际情况，确定多级边缘服务器层级结构，分级布置算力，更加贴合具体应用场景，进行个性化服务。物联网终端仪表主要负责数据采集和传输、执行命令、布置低算力，运行首创的人类辅助机器学习加有条件的微小漏失随机检测技术，终端仪表无需高速大容量运算芯片，可大幅降低成本和功耗，提高实用性。

6 应用案例

AIoT建筑节水安防系统已联合北京城建集团在6个房地产项目开发过程中进行数智化节水改造(见图3)，试用期间成功检测到建筑工人忘关水龙头78次，浪费用水698次，估计可节水超5 000 m3，更重要的是减少了引漏水造成的停工整顿事件，有效保证了工期，并督促建筑工人养成节约用水的好习惯。已联合青岛国际经济合作区管委在园区内选择管委办公楼和集团办公中心两栋楼开展建筑给水系统智慧化建设，试用期间成功监测到多起跑冒滴漏事件和人为浪费用水行为，及时报警并关阀，有效节约水资源，避免各类次生灾害，系统的在线监督和提醒功能促进机关工作人员养成良好的节水低碳工作模式。基于上述实践的良好效益，该系统成功纳入国管局《2022年公共机构绿色低碳技术集》[13]、水利部《2020年度水利先进实用技术重点推广目录》[14]和青岛《重点节能技术、产品和设备推广目录(第六批)》[15]。

图3 现场应用示意

7 展望

AIoT建筑节水安防系统改进后可扩展应用于监控建筑体内燃气、热水和消防系统的跑冒滴漏和浪费行为，避免燃气泄漏爆炸等次生灾害。通过监控冷水、热水、消防、燃气漏损和浪费使用行为是促进绿色低碳生活和工作方式转变的重要措施，是消费侧减碳的重要途经，系统可进行碳排量和减碳量在线自动核算，开发CCER碳资产，助力国家双碳目标。水、气、热数据内蕴涵大量价值，但目前未被充分挖掘，通过大数据挖掘可用于服务智慧城市减少，提升城市综合治理水平，AIoT建筑节水安防系统由此升级为AIoT建筑节能安防低碳智慧系统。

8 结论

1) 建筑给水系统跑冒滴漏现象和人为浪费用水行为在世界各国普遍存在，造成水资源浪费的同时易引发泡淹房屋等各种灾害，普通节水器具无法解决，需要数智化的漏损检测系统。

2) 首创了触发唤醒且多维度数据采集技术，数据知识双驱动加人机融合的大漏失检测技术，以及人类辅助机器学习加有条件随机的微小漏失检测技术，进一步结合云边端协同框架技术，成功开发出AIoT建筑节水安防系统，系统性能优于欧美同类产品，技术水平世界领先。

3) 已联合国企在北京和地方政府在青岛开展现场试用，节水效果显著，并成功预防各类次生灾害，同时促进工作人员养成良好的节水工作模式，践行了绿色低碳工作理念，基于上述实践的良好效益，该系统成功纳入国管局、水利部和青岛市相关绿色低碳先进实用技术推广清单。

4) AIoT建筑节水安防系统扩展性强，改进后可应用于建筑体内燃气、热水和消防系统，可扩展低碳和智慧化功能。