מים הם הכרחיים לחיים, והתשתית המספקת מים נקיים לבתים, עסקים, חוות היא בין המערכות הקריטיות ביותר אך לעתים קרובות להתעלם במערכות בחברה המודרנית.כפי שאוכלוסיות עירוניות מתנפחות ודפוסי אקלים צומחות יותר לא-זהירות, רשתות מים מזדקנות נמצאות תחת לחץ חסר תקדים.לאות, התפרצויות צינוריות זורם, וכשלי משאבה יכולים להוביל לשיבושים של מים אבודים מדי שנה, סיכונים בריאותיים חמורים, שלא צפויים, כדי לתקן נתונים חדשים, לפני שגורמים לכדי שינוי משמעותי של פעילות גופנית, או לכדי שינוי משמעותי של מערכות אנרגיה, ולא צפויה, ולא ננקטים, ולא צפויה להתרחש.

המקרה הכלכלי וסביבתי לתחזוקה חיזוי

עלויות מערכת המים מתפרסמות הרבה מעבר לחשבונות התיקון בארצות הברית לבדה, כ-6 מיליארד גלונים של מים מטופלים אבדו לדלפות מדי יום, על פי איגוד עבודות המים האמריקאיות, כלומר כ-14% מהשימוש במים יומיים - מספיק למלא 9,000 בריכות שחייה בגודל אולימפי. מעבר לבזבוז הישיר, תיקונים חירום דורשים לעתים קרובות לחפור רחובות, משבשת תנועה, ועלייה של מעל פני שעות עבודה יכולה לשבור מאות תביעות גדולות של מים, אובדן משמעותי של אלפי דולרים.

תחזוקה חיזויית מקלקלת את המשוואה הזאת.במקום לפעול בלוח זמנים קבוע או לחכות לכשלים גלויים, כלי רכב משתמשים במעקב מתמשך וניתוח מתקדם כדי לזהות סימני אזהרה מוקדמים של התדרדרות.על ידי לתפוס נקודה חמה קורוזיה או לחץ שבועות לפני קרע, צוותים יכולים לבצע תיקונים ממוקדים במהלך ביצוע תשלומים מתוכננים, צמצום עלויות עד 30-40% בהשוואה לתגובה, כפי שדווח על ידי מחקרים חשובים יותר, שמירה על פני מערכת הבריאות החיזוי, שמירה על פני ביצועים, שמירה על גישות בריאותית, אשר מסייעות, שמירה על פני ביצועים ופעולות יעילות ושמירה על פני מערכת הבריאות האולטימטיבית, שמירה על פני השטח היא שמירה על פני השטח.

השינוי צובר תאוצה.ההוצאה העולמית על תשתיות מים חכמות צפויה לעלות על 20 מיליארד דולר עד 2027, עם ניתוח חיזוי להיות אחד המגזרים הצומחים ביותר. Utilities מסינגפור לטורונטו משקיעות ביכולות אלה, מונעים על ידי לחצים רגולטוריים, נכסים מזדקנים, ו ⁇ הפשוטה כי מניעת היא זולה יותר מאשר ניהול משבר.

כיצד Big Data Analytics עובד בתשתית מים

בבסיסו, ניתוח נתונים גדול עבור מערכות מים כרוך איסוף, שילוב וניתוח זרמי נתונים מגוונים כדי לעצב את בריאות הנכסים הפיזיים בתוך זמן אמתי קרוב.התהליך יכול להישבר לשלושה שלבים: רכישת נתונים, עיבוד נתונים ואינטגרציה, ומודלים חיזוי.

איסוף נתונים ואינטגרציה

כלי מים מודרניים הם סביבות עשירות חיישן.מקורות הנתונים הנפוצים ביותר כוללים:

  • (FLT:0) חיישנים בלחץ חיישניםFLT:1 להציב בצומת מפתח, כורעים אש, תחנות משאבה. טיפות סודדן או או אווסצילציות לעתים קרובות מצביעים על דליפות או כישלונות שסתום.
  • (ב) ב-[[1875]], [[1924]], [[1924]], [[1924]], [[1924]]]], [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]
  • (ב) חיישנים אקוסטיים (Acousticחיישנים) 1 (FLT:1), שמקשיבים לתדרים הקוליים הספציפיים של מים שנמלטו מהצנרת המחוספסת.
  • (FLT:0 חיישנים איכותיים במים חיישנים FLT:1) מדידת pH, זעזוע, כלור, שאריות, ו מוליכות. קריאה נורמלית יכול להצביע על זיהום בין-החלפה או ההידרדרות בצנרת.
  • (FLT:0)SCADA (שליטה על-בידור ורכישות נתונים) גרפים של משאבת הקלטות 1:1 רץ פעמים, עמדות שסתום ורמות טנק - כל קריטי להערכת ללבוש נכסים.
  • (FLT:0) רשומות תחזוקה היסטוריות של ניהול נכסים 1 מתוך פקודות עבודה ומאגרי מידע ניהול נכסים, המספקים קשר לדפוסי כישלון.
  • (FLT:0) Weather and Environmentalmia dataFLT:1 כגון טמפרטורה, מחזורי קפסולה, ולחות אדמה, אשר משפיעים ישירות על לחץ הצינור.

מקורות אלה מייצרים טרה-ביאטים של נתונים בכל שנה עבור תועלת בינונית.אבל נתונים גולמיים לבדם אינם מספיקים.ה פריצת הדרך מגיעה משלבת זרמים אלה לתוך פלטפורמת ניתוח מאוחדת - לעתים קרובות באמצעות אגמים מבוססי ענן או מכשירי מחשוב קצה - שמנקה, מנרמלת, ופעמים מדי מדידה.ללא אינטגרציה מתחשבת, חיישנים הופכים לאיים של מידע שלא יכול לחשוף סיכון ברמה של המערכת.

ניתוח נתונים ומודלים חיזוי

לאחר שהנתונים נאספים ומוזיקים, אלגוריתמי למידת מכונה לוקחים את שלב מרכזי.יש ליישם טכניקות רבות:

  • (FLT:0) Anomaly זיהויFLT:1: מודלים לומדים את הלחץ הרגיל, זרימה ודפוסי איכות עבור כל חלק ברשת.כל סטייה מעבר לסף סטטיסטית גורמת התראה.לדוגמה, ירידה פתאומית בלחץ לילה כי לא מתאים לדפוסי שימוש היסטוריים עשוי להצביע על דליפה חדשה.
  • (FLT:0) רגרסיה וניתוח הישרדות 1: נתונים היסטוריים של כשל (חומרי פיפ, גיל, קורוזיות אדמה, תיקונים קודמים) משמשים כדי להעריך את החיים השימושיים הנותרים של כל פלח צינור. Utilities יכול אז לדרג צינורות מרוב סיכון של כשל.
  • (FLT:0) מודלים של קדמיה (Qerification ModelsFLT:1): יערות אקראיים, ⁇ שיפור, או רשתות עצביות יכולים לחזות האם שסתום מסוים או משאבה יכשלו בתוך 30 הימים הבאים המבוססים על מגמות חיישן ועל תנאי הפעלה.
  • (FLT:0) סימולציות של סימולציות תאומים מולדות 1FLT: הכלים המתקדמים ביותר בונים העתק וירטואלי של כל רשת המים שלהם. נתוני חיישן בזמן אמת מזינים לתוך התאום, אשר פועל הידראולי, איכות מים וסימולציות ההזדקנות כדי לחזות את ההסתברות לכישלון תחת תרחישים שונים.

התפוקה של מודלים אלה אינה תחזית ⁇ סטית, אלא ציון סיכון.מגזר צינורות עם הסתברות של 95% כישלון בששת החודשים הבאים יוצב לפני החלפתם של יותר מ-10% צוותים של תחזוקה, ואז להשתמש בציוני הסיכון האלה כדי לייעל את לוחות הזמנים של עבודה, הקצאות תקציב ותכניות התגובה חירום.

דוגמה אחת בעולם האמיתי מגיעה מעיר ראלי, צפון קרוליינה.על ידי יישום פלטפורמה אנליטית צפויה של ספקית תוכנה מובילה של תשתיות, Raleigh הפחית אובדן מים לא-revenue ב 30% וחתיכה תיקונים חירום ב-25% בשנתיים הראשונות.המערכת מתעדת באופן רציף 1,500 קילומטרים של צינורות באמצעות נתונים מ -12,000 חיישנים, דגל דליפות פוטנציאליות לפני שהם הופכים גלויים על פני השטח.

יישומים אמיתיים ומקריות

הגישה החיזויית של תחזוקה אינה תיאורטית.העדויות ברחבי העולם מוכיחות את ערכו מדי יום.

[ה]בעבר החליפו צינורות המבוססים על הגיל בלבד.עכשיו אנו משתמשים בנתונים כדי לזהות את הצינורות שמהווים למעשה את המהירות ביותר.

בסינגפור, PUB, סוכנות המים הלאומית, מפעילה רשת מים חכמה המשלבת 300,000 חיישנים עם ניתוח AI כדי לפקח על כל רשת חלוקת המים.המערכת הפחיתה את אובדן המים ל-5%, אחד מהשיעורים הנמוכים ביותר בעולם.כישלונות של משאבה צפויים שבוע מראש, ומאפשרת תחזוקה בשעות נמוכות של שעות ביקוש.

בברצלונה, שירות המים בעיר משתמש בנתונים גדולים כדי להתאים את הלחץ בזמן אמת.על ידי הורדת לחץ בתקופות של ביקוש נמוך, הם הפחיתו את שיעורי הדליפה ב-18%, בעודם עומדים בדרישות זרימת האש.המערכת הצילה כ-10 מיליון יורו בשנה בעלויות התיקון ואובדן מים.

אפילו כלי רכב קטנים יותר יכולים להועיל.עיר קארי, צפון קרוליינה (פופולריות - 180,000) יישמה רשת חיישן IoT צנועה על עיקריה הקריטיים ביותר בתוך שישה חודשים, המערכת זיהתה דליפה קטנה שלקחה חודשים למצוא באמצעות סקרי שדה מסורתיים.התיקון המוקדם מנע הפסקה מרכזית פוטנציאלית שיכולה להציף צמתק גדול וגרם 2 מיליון דולר בנזקים.

היתרונות של שימוש Big Data Analytics בניהול מים

היתרונות של ניתוח חיזוי הם רב-ממדי, נוגעים בהיבטים פיננסיים, תפעוליים, סביבתיים וחברתיים של שירות מים.

  • (FLT:0) אמינות מערכת מבוססת ואמינות מערכת החוסן (ResilienceFLT) 1:1: Utilities יכול לשמור על המשכיות השירות גם במהלך אירועי מזג אוויר קיצוניים או עלייה בביקוש.פחות כישלונות בלתי צפויים פירושם פחות הפרעות לקוחות ויועצים מים רותחים.
  • חיסכון בחיסכון בתחזוקה ממוקדת ב-FLT:1: מחקר של מקינזי מצא כי תחזוקה חיזויית יכולה להפחית את עלויות תחזוקה הכוללות ב-15-25% ולהגדיל את חיי הנכסים ב-20-40%.
  • (FLT:0) אובדן מים וגיל המעבר 1: מים שאינם מורדים הם משבר עולמי.הבנק העולמי מעריך כי 30-50% מהמים אבדו במדינות מתפתחות, אך אפילו מדינות מפותחות מאבדות 10-20%.
  • (FLT:0) שיפור תאימות רגולטורית תאימות: Agities like the US EPA דורש שירותים לניהול סיכונים באיכות המים.
  • (FLT:0) תכנון טוב יותר לשיפור תשתיות: במקום להחליף את כל צינורות בבת אחת, כלי רכב יכולים לחליפים stagger המבוססים על סיכון, התאמה עם מחזורי תקציב וצמצום ההפרעות בקהילה.
  • (FLT:0) אמון הציבור באמון הציבור ב-1 בינואר: לקוחות שחווים פחות מדפים ואיכות מים עקבית יש אמון גבוה יותר בשירות שלהם - נכס יקר כאשר עלייה בשיעור נדרשים לשיפורים.

אתגרים ומגבלות

למרות הבטחות משכנעות, פריסת ניתוח נתונים גדול בתשתיות מים אינה ללא מכשולים. אופלים שממהרים ליישום מבלי להתייחס לסוגיות יסוד לעתים קרובות רואים תשואות מאכזבות.

איכות נתונים ושקיפות

מודלים חיזוייים הם רק טובים כמו הנתונים המזינים אותם.כלי רכב רבים סובלים מהנתונים שאינם שלמים, רועשים או לא מתואמים של חיישן לחץ, חיישן לחץ שנסחף על ידי 2 psi לאורך שנה יניבו אזעקה או יפספסו אירועים אמיתיים.היסטוריונים נתונים מלאים לעתים קרובות פערים, ערכים כפולים, ויחידות לא עקביות.ניקוי וסטנדרט נתונים יכול לקחת עד 80% של מאמץ ללא ממשל, לייצר נתונים לא אמינים, לייצר נתונים לא אמינים.

אינטגרציה תשתיות

מאות אלפי קילומטרים של צינורות מים בארצות הברית הונחו בתחילת המאה ה-20 וחסרו חיישנים כלשהם.התאוששויות רשתות אלה יקרות ולעתים לא מעשיות בשל מגבלות גישה.השימוש ב-Utilities חייב להחליט כיצד לאזן השקעות בחיישנים חדשים מול מודלים אנליטיים המשתמשים בנתונים דלילים.

אבטחת סייבר ופרטיות נתונים

חיבור מערכות SCADA לאינטרנט מגביר את פני השטח של ההתקפה עבור שחקנים זדוניים. A 2021 מתקפת סייבר על צמח טיפול במים בפלורידה ניסה להרעיל את אספקת המים על ידי שינוי רמות מינון כימי. בעוד שהתקפות על בקרה מבצעית ממוקדת, פלטפורמות ניתוח חיזוי גם מאחסנות נתונים רגישים שיש להגן עליהם.

פרטיות נתונים היא פחות דאגה לנתונים של תשתיות, אך דפוסי השימוש במים של הלקוחות – אם הם קשורים לכתובות ספציפיות – עלולים לחשוף הרגלים אישיים.השימושים חייבים לאנונימיות או לאסוף נתונים לפני השימוש בהם לצורך ניתוח.

כוח העבודה ושינוי ארגוני

ניתוח נתונים גדול דורש מיומנויות כי כלי מים רבים חסרים: מדעני נתונים, מהנדסי תוכנה ומערכות אינטגרטורים. Retaining כישרון כזה קשה כאשר להתחרות עם המגזר הפרטי.יתר על כן, צוות תפעול ארוך טווח עשוי לאזן אלגוריתמים שלטענתם לחזות בעיות "בלתי נראות" ניהול שינוי הוא חיוני.הניתוח המוצלח ביותר של אנליסטים נתונים עם צוותים ותיקים שיכולים לפרש אלגוריתמים ולספק משוב קרקעי.

עלויות וחזרות על השקעות

בעוד החיסכון לטווח ארוך הוא אמיתי, עלויות העלייה עבור חיישנים, פלטפורמות תוכנה, אחסון נתונים וייעוץ יכול להיות משמעותי - לעתים קרובות מיליוני דולרים עבור תועלת גדולה. למערכות קטנות יותר עלולות להיאבק להצדיק את ההשקעה ללא מימון או מנדט רגולטורי.עם זאת, עלויות נופלות כמו חומרה IoT מתאמת וניתוח ענן להפחית את הצורך בתשתיות מוקדמות.

כיוונים עתידיים: AI, IoT ו- Digital Twins

העשור הבא יראה האצה של טכנולוגיות אלה, המונעות על ידי עלויות חומרה נמוכות יותר, שיפור אלגוריתמי AI, והכרה גוברת כי מחסור במים דורש ניהול יעיל יותר.

אינטליגנציה מלאכותית ולמידה עמוקה

מודלים של למידת מכונה נוכחית הם בפיקוח רב – הם מתאמנים על נתונים היסטוריים מתוייגים.אבל כישלונות הם אירועים נדירים, מה שהופך את זה קשה לאסוף מספיק דוגמאות. טכניקות למידה לא מבוקרות ומבוססות על עצמי מתעוררות שיכולות ללמוד התנהגות מערכת נורמלית של נתונים בלתי מזוהים ורומן דגל אנמונסנסים. רשתות עצביות עמוקות, במיוחד אדריכלות זומהפכה וחדשנית, משמשים לנתח זמן מחיישנים ואפילו חתימות אקוסטיות של סוגים שונים של דליפות.

צוק איתן ו-Time Action

נתוני עיבוד בענן מציגים שקיפות. לאירועים קריטיים בזמן - כמו רטט משאבה המציין כשלון נושא קרוב - שניות חומר. Edge התקנים הממוקמים ליד חיישנים יכולים להפעיל מודלים מקומיים של בינה מלאכותית אשר מעוררים אזעקה או אפילו פעולות בקרה אוטומטיות (למשל, סגירת שסתום) ללא המתנה לסבבי ענן.זה חשוב במיוחד עבור תחנות משאבה מרחוק עם קישוריות מוגבלת.

תאומים וסימולציות

תאומים דיגיטליים מתפתחים ממודלים הידראוליים ועד לכלי ניהול מחזור חיים מלאים.על ידי שילוב נתוני GIS, משככי החיישן בזמן אמת, תחזיות מזג אוויר והיסטוריית נכסים, כלי רכב יכולים לדמות תרחישים שונים "מה אם": מה קורה אם אנחנו מורידים לחץ על ידי 10 psi במחוז זה? אילו צינורות הם לחוצים ביותר במהלך גלי חום?ה התשובות בזמן אמת.

פלטפורמות ניהול נכסים משולבות

כלים לניתוח עמידה מספקים דרך לפלטפורמות מאוחדת המשלבות את GIS, ניהול תחזוקה (CMMS), תכנון משאבים ארגוני (ERP), ומערכות מידע של לקוחות.כאשר מודל חיזוי מזהה צינור בסיכון גבוה, הוא יכול באופן אוטומטי ליצור סדר עבודה, חלקי מילואים, ולעדכן לקוחות שנפגעו - בתוך אותה מערכת.זה שילוב מקצה לקצה מפחית באופן דרמטי את הפער בין גילוי ופעולה.

סטנדרטים פתוחים כמו ML ואימוץ של API בענן מקלים על השימושים כדי להתחבר רכיבים הטובים ביותר ללא מנעול של ספקים.

מסקנה: בניית מערכות מים חכמות יותר, בטוחות יותר

חיזוי ומניעת כשלי מערכת המים כבר לא מושג עתידני – זוהי אסטרטגיה מעשית, מוכחת נתונים, המעצבת מחדש את האופן שבו הכלים מנהלים את אחד המשאבים החיוניים ביותר של האנושות. Big Data Analytics מאפשר מעבר ממודל תיקון מחדש, פורץ דרך לגישה ממוקדת-עצמית, המונעת מודיעין, המחסוך כסף, משמרת מים, ומגן על בריאות הציבור.

הדרך קדימה דורשת השקעה בחיישנים, תשתיות נתונים וצוותים מיומנים, אבל ההחזרים הם מוחשיים.הפסקה העיקרית המונעת יכולה לשלם במשך שנים של דמי מנוי אנליטיים.כפי שלחצים אקלים מעצימים ומימי תשתיות, הכלים אשר מאמצים תחזוקה חיזויית יהיו אלה ששגשגו - מתן שירות מים אמין ואיכותי לקהילות שלהם במשך עשרות שנים לבוא.

עבור כלי רכב בהתחשב במסע זה, השלבים הראשונים הם לעתים קרובות הקשים ביותר.התחל עם טייס על תא המטען הקריטי או רובע עם בעיות ידועות.מד את התוצאות, לבנות ביטחון, וגודל.המידע כבר זורם - עכשיו זה הזמן להקשיב למה שהוא אומר.