Su Sistemi Başarısızlığı Önertmek ve Önlemek için Büyük Veri Analytics'i kullanmak

Su yaşam için önemlidir ve su şebekeleri temiz su sağlayan altyapı, işletmeler ve çiftlikler, modern toplumda en kritik göz ardı edilen sistemler arasındadır. Kentsel halklar swell ve iklim kalıpları daha yanlış stres altında büyürler, yaşlanma su ağları, daha uygun olmayan veya kabul edilebilir bir şekilde yapılır. büyük veri analizi, kirlenme olayları ve pompa hataları her yıl binlerce galonları, yıllık olarak kayıp su güvenliğini önlemeye yol açan veri akışlarını ortaya çıkarabilirler. Geleneksel reaktif bakım - daha önce bir boru için beklenen.

Predictive Bakım Ve Çevresel Davası

Su sistemi başarısızlıklarının maliyeti, ABD'de sadece tahmini altı milyar galon su kaçakçısı her gün, Amerikan Su İşleri Birliği'ne göre, onarımda yaklaşık% 14'ü – 9,000 Olimpiyat büyüklüğündeki yüzme havuzlarını doldurmaya yardımcı olabilir. Doğrudan atıkların ötesinde, acil onarımlar genellikle trafikten vazgeçirerek ve aşırı mesai maliyetlerinden yoksundur.

Tahmin edici bakım bu denklemi döndürür. Sabit notlar üzerinde çalışmak veya görünür hataları beklemek yerine, hizmetler sürekli izleme ve gelişmiş analizleri bozulma belirtileri tanımlamak için kullanır.Bir rupture'dan önce bir miktar korozyonla karşı karşıya kalmakla, mürettebatlar, acil yanıta kıyasla% 30-40'ı azaltabilir, endüstri çalışmalarıyla rapor edilir. Daha da önemlisi, tahmin edici yaklaşımlar su akan ve korumayı korur.

Değişim ivme kazanıyor. Akıllı su altyapısına yapılan küresel harcamalar 2027 yılına kadar 20 milyar dolar aşacak şekilde, tahmin edilebilir analizler Singapur'dan Toronto'ya en hızlı büyüyen segmentlerden biri olmak, bu yetenekleri yatırım yapmak, düzenleyici baskılar, yaşlanma varlıkları tarafından yönlendirilen basit bir arithmetici ve önlemenin kriz yönetiminden daha ucuz olması.

Su Altyapısında Büyük Veri Analytics Nasıl Çalışıyor

Temelde, su sistemleri için büyük veri analizi, fiziksel varlıkların sağlığını gerçek zamanlı olarak modellemek için toplama, bütünleme ve analiz etmek içerir. Süreç üç aşamaya kadar kırılabilir: veri toplama, veri işleme ve entegrasyon ve tahmin edici modelleme.

Data Collection and Integration

Modern su hizmetleri sensör zengin ortamlardır. En yaygın veri kaynakları şunları içerir:

Bu kaynaklar her yıl orta büyüklükte bir fayda için terabaylar oluşturur. Ancak ham veriler sadece yeterli değildir. Bu atılım, sistem düzeyinde risk gösteren bilgi adalarından gelir.

Data Analysis and Predictive Modeling

Veriler toplanıp harmoniz edildikten sonra, makine öğrenme algoritmaları merkezi sahne alır. Çeşitli teknikler uygulanır:

Bu modellerin çıktısı, iş planlarını optimize etmek için bu risk puanları kullanmayacak, ancak bir risk puanı. Önümüzdeki altı ay içinde% 95 başarısızlık olasılığı olan bir boru segmenti, %10 olasılık ile bir yedek için önceliklenecek.

Gerçek dünya örneği Raleigh şehri, Kuzey Carolina'dan geliyor.Başlangıçta görünen bir altyapı yazılımı sağlayıcısından tahmin edilen bir analitik platformu uygulamakla birlikte Raleigh, ilk iki yılda% 25 oranında acil onarımları azalttı. Sistem, 12.000 sensör kullanarak sürekli olarak ölçümler yaparak, yüzeyde görünür hale gelen potansiyel sızıntıları kullanarak.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Tahmin edici bakım yaklaşımı teorik değildir. Dünyadaki Utilities günlük değerini kanıtlamaktadır.

“Geçmişte, sadece yaşına göre boruları değiştirdik. Şimdi gerçekten en hızlı olan boruları tanımlamak için verileri kullanıyoruz. - Üst Mühendis, Thames Water (UK)

).

Singapur'da, PUB, ulusal su ajansı, düşük talep edilen saatler boyunca bakım sağlayan bir Akıllı Su Ağı işletmesi işletmektedir. Sistem, küresel olarak en düşük fiyatlardan biri olan su kayıplarının altında% 5'in altına indirmiştir.

Barcelona'da, şehir su yararı gerçek zamanlı baskıyı optimize etmek için büyük veriler kullanıyor. Düşük talepli dönemlerde baskıyı azaltırken, yangın akış gereksinimleriyle% 18 azalttılar. Sistem onarım maliyetleri ve su kaybında yıllık olarak 10 milyon € tasarruf etti.

Daha küçük hizmetler bile yararlanabilir. Cary şehri, Kuzey Carolina (popülasyon ~180.000) en kritik analarında mütevazı bir IoT sensör ağı uyguladı. Altı ay içinde sistem geleneksel saha anketleri yoluyla bulmak için aylar almış küçük bir sızıntı tespit etti. Erken onarım büyük bir kavşak engelledi ve hasarlarda 2 milyon dolar zarar verdi.

Su Yönetiminde Büyük Veri Analitiği Kullanımının Faydaları

Tahmin edici analitik avantajları çok boyutlu, finansal, operasyonel, çevresel ve su hizmetlerinin sosyal yönleridir.

Meydanlar ve Sınırlar

Zorlu vaatlere rağmen, su altyapısında büyük veri analizlerini dağıtma engeller değildir. Temel konularla ilgilenmeden uygulamaya acele eden Utilities genellikle hayal kırıklığı geri döndürür.

Data Quality and Consistency

Tahmin edici modeller sadece onlara beslenen veriler kadar iyidir. Birçok hizmet eksik, gürültülü veya açık olmayan sensör verilerinden muzdariptir.Bir yıl içinde 2 psi tarafından sürüklenen bir basınç sensörü, operatörlerin veya gerçek olayları kaçıracaktır. Dataists genellikle boşluklarla dolu, tekrar girişler ve tutarsız birimlerle doludur.

Miras Altyapısı Entegrasyon

ABD'deki yüzlerce su borusu 20. yüzyılın başlarında ortaya çıktı ve herhangi bir sensör eksikliği vardı. Bu ağların optimizasyonu pahalı ve bazen kısıtlara erişmek nedeniyle pratikleri dengelemeye karar vermelidir. Utilities, sparse verilerini kullanan analitik modellere karşı yatırımlara nasıl karar vermelidir. Hybrid yaklaşımlar – kanala dayalı olarak dağıtılıyor – ancak doğada hala reaktifdir.

Siber güvenlik ve Data Privacy

SCADA sistemlerinin internete bağlanması, saldırı yüzeyinin kötü niyetli aktörler için artışını arttırır. Bir Florida su arıtma tesisine yapılan bir saldırı kimyasal dosing seviyelerini değiştirerek su tedarikini zehirlemeye çalıştı.Bu saldırıyı hedef alan operasyonel kontroller, tahmin edici analitik platformlar da sağlam siber güvenlik çerçevelerine yatırım yapmalı.

Data gizliliği altyapı verileri için daha az endişedir, ancak müşteri su kullanımı desenleri - belirli adreslere bağlı olarak - kişisel alışkanlıkları ortaya koyar. Utilities, analitik için kullanmadan önce anonim veya toplam tüketim verileri olmalıdır.

İşgücü ve Organizasyon Değişimi

Büyük veri analizi birçok su hizmetlerinin eksik olması için beceriler gerektirir: veri bilim adamları, yazılım mühendisleri ve sistemler bütünleyicileri. Bu tür yetenek, özel sektörle rekabet ettiğinde zor.Ayrıca, uzun vadeli operasyonlar personeli “göremez” sorunları tahmin etmek için güvensizlik algoritmalarına sahip olabilir. Change management is essential.The most successful deployments pair data Analyst with the Mayor fields who can feedback.

Maliyet ve Yatırıma Dönüş

Uzun vadeli tasarruflar gerçek olsa da, sensörlerin ön maliyetleri, yazılım platformları, veri depolama ve danışmanlık büyük bir fayda için milyonlarca dolar değerinde olabilir. Küçük sistemler yatırımı finanse etmeden veya düzenleyici görevlerden haklı çıkarmak için mücadele edebilir. Ancak, maliyetler IoT donanımını azaltıyor ve bulut analizleri, on-premise altyapısının ihtiyaçlarını azaltır.

Future: AI, IoT ve Digital Twins

Önümüzdeki on yıl, bu teknolojilerin daha düşük donanım maliyetleri tarafından yönlendirilen bir ivme görecek, AI algoritmaları geliştirdi ve su kıtlığının daha verimli bir yönetim gerektirdiğini büyüyen bir tanıma görecek.

Yapay Zeka ve Derin Öğrenme

Mevcut makine öğrenme modelleri büyük ölçüde denetim altındadır - etiketli tarihsel başarısızlık verileri üzerinde trenler. Ancak başarısızlıklar nadir olaylardır, sensörlerin zaman serilerini analiz etmek ve hatta farklı sızıntı tiplerinin akustik imzalarını yorumlamak için kullanılır.

Edge Computing ve Real-Time Action

Buluttaki veri işleme süresiz olaylar için geç saatlere yol açıyor - yakın bağlantıdaki hataları gösteren bir pompa titreşimi gibi - saniyeler meselesi. Edge Computing cihazları alarmları veya hatta otomatik kontrol eylemleri tetikleyen yerel AI modellerini çalıştırıyor (örneğin, bir valf kapat) Bulut yuvarlak-dönüşümleri beklemeden.

Dijital Twins ve Simülasyon

Dijital ikizler, hidrolik modellerden tam yaşam döngüsü yönetimi araçlarına gelişmektedir.GIS verilerini bütünleştirerek, gerçek zamanlı sensör beslemeleri, hava tahminleri ve varlık tarihi, hizmetler çeşitli “if” senaryoları ile tanımlanmaktadır: Bu bölgede 10 psi ile daha düşük baskı yaparsak ne olur? Hangi borular gerçek zamanlı olarak en çok stresli?

Entegre Varlık Yönetimi Platformları

Standalone analiz araçları GIS, bakım yönetimi (CMMS) birleştiren birleşik platformlara yol açıyor ve müşteri bilgi sistemleri.Bir tahmin edici model yüksek riskli bir boruyu tanımlarken, otomatik olarak bir iş düzeni, rezerv parçaları üretebilir ve etkilenen müşteriler - tüm aynı sistem içinde.

SuML gibi açık standartlar ve bulut API'lerin benimsenmesi, satıcı kilit olmadan en iyi bileşenlerini takmak için daha kolay hale getiriyor.

Sonuç: Akıllı Bina, Safer Su Sistemleri

Su sistemini tahmin etmek ve önlemek artık bir futuristik konsept değildir - pratik, veri odaklı bir stratejidir, bu da insanların en temel kaynaklarından birini nasıl yönetmektedir. Büyük veri analizi, reaktif, uçlu bir modelden para tasarrufu sağlayan proaktif, istihbarat odaklı bir yaklaşıma geçiş sağlar ve halk sağlığını korur.

Yol ileriye dönük olarak sensörler, veri altyapısı ve yetenekli takımlar için yatırım gerektirir, ancak geri dönüşler on yıllardır analitik abonelik ücretlerinin yıllık ücretlerini ödeyebilir. İklim basıncının yoğunlaştığı ve altyapı yaşlarının, tahmin edilen bakımların sahip olduğu hizmetler, gelecek yıllardaki topluluklarına güvenilir, yüksek kaliteli su hizmeti verecek.

Bu yolculuğu göz önünde bulundurarak, ilk adımlar genellikle en zor. Bilinen sorunlarla kritik bir gövde ana veya bir bölgede pilotla başlayın. Sonuçlara göz atın, güven inşa edin ve ölçeklendirmek. Veriler zaten akıyor - şimdi ne söylediğini dinlemek için zaman.