KI-basierte Detektion und Ortung von Leckagen in Wassernetzen

Virtuelle Triangulation

Bisher ist die Detektion und Ortung von Wasserleckagen ein zeit- und ressourcenintensiver Prozess für Wasserversorger. OmegaLambdaTec entwickelt eine datengetriebene Softwarelösung, mit deren Hilfe automatisiert Leckagen detektiert und vor allem auch lokalisiert werden können. Die Datengrundlage liefern die im Netz verbauten Sensoren zur Nachtminima Durchflussmessung.
 Das Wassernetz (l.) wird mittels Sensoren (farbige Punkte) überwacht und dessen Datenfluss kontinuierlich ausgewertet (r.). 
Bei Detektion einer Leckage (roter Bereich r.) startet die virtuelle Triangulationsmethode zur Ortung der Leckage. Hierbei 
werden Wasserflüsse an den Sensorpositionen mit denen aus Wasserleckagesimulationen verglichen (u.l.).
Das Wassernetz (l.) wird mittels Sensoren (farbige Punkte) überwacht und dessen Datenfluss kontinuierlich ausgewertet (r.). Bei Detektion einer Leckage (roter Bereich r.) startet die virtuelle Triangulationsmethode zur Ortung der Leckage. Hierbei werden Wasserflüsse an den Sensorpositionen mit denen aus Wasserleckagesimulationen verglichen (u.l.).Bild: OmegaLambdaTec GmbH

Wasserverluste im Trinkwassernetz von Versorgern entstehen durch Leckagen an Leitungen. In einigen Regionen Deutschlands betragen diese über zehn Prozent. Im Sinne des nachhaltigen Umgangs mit der lebenswichtigen Ressource Wasser sollten solche Verluste im Netz kontinuierlich gesenkt werden. Zudem entstehen finanzielle Schäden durch Wasserleckagen. Zum einen direkt durch die Kosten zur Wassergewinnung, -aufbereitung und -förderung (über 200Mio.€ pro Jahr). Zum anderen entstehen Folgekosten, beispielsweise durch Wasserschäden in Häusern und Kellern oder durch Unterspülungen von Straßen. Eine aktive Leckagenkontrolle mittels Durchflussmessungen im Netz kann eine entscheidende Rolle zur Minimierung von Wasserverlusten spielen.

Digital Twin des Wassernetzes

Die neue Lösung von OmegaLambaTec basiert auf zwei ineinandergreifenden Teilschritten: eine Detektionsroutine zur Identifikation der Leckage sowie eine Lokalisationsroutine zur möglichst genauen Vorortung der Position der Leckage mittels eines Digitalen Zwillings des Wassernetzes und der entwickelten Methode der ´Virtuellen Triangulation´. Die Kernziele der Methode sind eine möglichst schnelle Reaktionszeit vom Entstehen der Leckage bis zur Behebung dieser, sowie eine möglichst genaue Ortsbestimmung sowie Detektion und Lokalisation sowohl größerer, als auch kleinerer Leckagen bis zu Wasserverlusten von etwa 1m3/h. Dabei werden modernste Verfahren der Datenanalyse eingesetzt, wie z.B. ein hydraulisches Simulationsframework (Digital Twin) und KI-Methoden. Die Leckagendetektion erfolgt durch eine kontinuierliche Überwachung der Durchflussdaten, vor allem der Nachtminima, sowie KI-Verfahren zur Signalextraktion aus verrauschten Daten. Damit lässt sich ein Leckagesignal aus den Verbrauchsschwankungen herausfiltern. Im Zentrum der Lokalisationsroutine steht ein Digital Twin des Wassernetzes, das heißt ein kalibriertes hydraulisches Modell. Anhand dessen werden umfangreiche Simulationen der Durchflüsse und Drücke im Netz durchgeführt unter besonderer Berücksichtigung von Leckagen im Netz. Die Simulationsergebnisse werden mit Sensordaten abgeglichen. Mit Hilfe der Virtuellen Triangulation wird daraus die wahrscheinlichste Leckagenposition, sowie eine Verteilung der Leckagenwahrscheinlichkeit für den gesamten Netzbereich ermittelt. Diese Vorortung erlaubt dem Reparaturteam eine schnellere, gezieltere und effizientere Feinortung der Leckage und führt zu um bis zu 90 Prozent reduzierten Suchkosten, einer schnelleren Leckagenbehebung und einem effizienteren Personaleinsatz.

Optimierung der Smart Grid Infrastruktur

Der Ausgangspunkt des Services für Wasserversorger ist zunächst deren bereits vorhandene Sensorik im Netz. Jedoch ist in vielen Fällen die Anzahl an installierten Sensoren, deren Position und teilweise auch die Datenqualität nicht für solche Präzisionsmessungen im Trinkwassernetz optimiert. Daher unterstützt OmegaLambdaTec die Wasserversorger dabei ihr Trinkwassernetz in ein Smart Water Grid zu transformieren. Dabei werden die Potenziale als auch die Grenzen der aktuellen Daten- und Sensorinfrastruktur aufgezeigt. In einem nächsten Schritt wird simulationsgetrieben die optimale Anzahl und Positionierung für den Rollout von neuer Sensorik bestimmt, basierend auf KPIs wie Lokalisationsgenauigkeit, Ziel-Leckagengröße und Kosten.

Fazit und Ausblick

Die Lösung liefert eine hohe Genauigkeit und Sensitivität bei signifikant reduzierten Kosten. Zusätzliche Hardwarekosten für Einbau, Anbindung und Wartung von Sensorik zur Durchflussmessung werden ausgeglichen durch eine erhöhte Genauigkeit und Sensitivität der Leckagenortung und damit einer schnelleren Reaktionszeit zur Behebung der Leckagen. Der Arbeitsaufwand der Wasserversorger zum Finden und Beheben von Leckagen kann um bis zu 90 Prozent reduziert werden. In zwei deutschen Großstädten erfolgte bereits der Einsatz eines Demonstrators durch Feldtests. Derzeit wird die Lösung in Zusammenarbeit mit möglichen Partnern weiterentwickelt. Die wichtigsten Schritte dabei sind ausgiebige Feldtests mit einer optimierten Sensorinfrastruktur, der weitere Ausbau der KI-Komponenten zur Optimierung der Detektionsroutinen sowie ein Feinkorrekturmodell des Digital Twin und die Implementierung der Lösung in ein Cloud-basiertes State-of-the-Art Monitoring System.

Seiten: 1 2Auf einer Seite lesen

OmegaLambdaTec GmbH

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige