一种用于评估管道状况的改进方法

摘要

本发明涉及一种用于评估管道网络的管段的管道状况的计算机实现的方法、计算机程序和设备。为此，基于结构和环境参数将管段聚类到类中；在每个类中，选择管段的样本进行检查。通过检查获得的分数用于训练类中管道的管道状况的模型，以便估计未经检查的管道的管道状况。

说明书

技术领域

本发明涉及流体分配网络的管道管理领域。更具体地，涉及管道状况的评估。

背景技术

流体(例如，水、油或气)通常通过包含大量管道的大型网络输送。随着时间的推移，管道会例如由于腐蚀而经受退化。切断管道状况可能导致网络中的泄漏。因此，希望评估管道状况，以便在管道损坏或产生泄漏之前对其进行修复或更换。

可以直接检查管道。存在多种直接检查方法。例如，可以从视觉上检查管道。也可以使用测量来检查管道。例如，可以将电磁通量应用于管道并进行分析。还可以执行声学测量，包括发送声学信号和分析管道各个部分对声学信号的响应以便确定它们的厚度。

这些方法都提供了需要操作员位移或局部测量的缺点。因此，在实践中，对整个网络进行定期检查是不可能的，而且成本太高，无法有效地确定整个大型网络的管道状况。

因此，一种解决方案包括先验地评估待检查的最关键的管道，以便集中于将处于最恶劣状况下的管道。然而，很难先验地确定哪个管道处于最严重的状况，因此应该首先进行检查。

专利US 9,128,019公开了一种方法，包括同时评估管道的状况和退化率。因此，该方法允许提前确定管道状况预计将变得关键的时间，以及管道应被检查/修理/更换的时间。然而，该方法还需要操作员对网络的所有管道进行至少一次检查。

因此，需要一种允许准确估计管道状况的方法，即使是尚未检查的管道，同时仅需要检查网络的一小部分管道。

发明内容

为此，本发明公开了一种计算机实现的方法，包括：基于关于管段的结构或环境的管道参数，将管道网络的管段聚类为多个类的第一步骤；以及，对于多个类中的每个类：提取类的管段的样本的第二步骤；针对每个管段样本获得由状况评估程序确定的一个或多个管道状况分数的第三步骤；基于所述管道参数执行对不属于样本的管段的一个或多个管道状况分数的估计的第四步骤，所述估计用在第二步骤处提取出的样本的管段的管道状况分数和管道参数进行参数化。

这种管道参数例如可以包括以下一项或多项：结构参数(管道的长度；管道的材料；管道的直径；管道的年龄等)，或环境参数(管道环境的温度；管道环境的湿度；附近的设备(例如，存在可能会产生缩短管道的使用寿命的振动的附近道路或机场)；水质；压力；压力变化；浪涌；交通负荷；地面运动)。

状况评估程序是指使用对管道的一种检查或分析来评估管道状况的任何程序。因此，状况评估程序的非限制性示例包括视觉检查、可在现场执行的测量(声学分析、电磁分析等)或收集样本并在实验室中对其进行分析。更一般地，允许评估管道状况的对管道执行的任何类型的人工检查或测量都可以用作状况评估程序。管道状况分数是表征给定管段状况的分数。管道状况分数可以使用各种尺度来表示。例如，可以使用提供管道指示状况的尺度(例如“好”、“平均”、“差”等)，介于0和1之间的标准化尺度，或指示管道状况的测量(例如，管道厚度)。

第一步骤将管段分组为多个类，并且在每个类内，管段受到基本相似的退化过程的影响。

由于管道的状况评估程序冗长且昂贵，因此第二步骤的目的是为每个类提供尽可能能代表该类的管段的有限数量的管段，从而类中有限数量的管段的状况评估允许提取用于基于管道参数来估计该类管段的管道状况的一般规则。状况评估程序为所选的管段提供可靠的管道状况分数，因为它们依赖于对实际管道执行的检查、观察或测量。

第四步骤包括对没有进行状况评估程序的管段执行管道状况的估计。由于管段被分组到受基本相似的退化过程影响的管道类中，并且已经对每个类内的一些管段进行了状况评估程序，因此第四步骤被准确地参数化，并且提供了对管道状况的可靠估计。

因此，本发明的方法允许准确估计大型管道网络中管道的管道状况，而不需要对管道进行彻底检查，并且因此利用有限的检查成本。

本发明的方法降低了用于估计管道状况和计划管道更新的成本。

本发明的方法允许有效的管道检查和更新计划，并因此允许有效地维护管道网络。

有利地，所述多个类是预先定义数量的类，并且第一步骤包括将高斯混合模型(GMM)应用于管道以将管段聚类成所述预先定义数量的类。

这允许将管段分组为包括具有同质特征的成员的类中，从而允许有效聚类管段。

有利地，提取样本的第二步骤包括：初始化管段的候选样本集合的第五步骤；使用以下来迭代地修改所述候选样本集合的第六步骤：基于目标函数的遗传算法，包括最小化样本的管段的平均管道参数的差异，以及类的管段的平均管道参数；选择优化所述目标函数的候选样本的第七步骤。

遗传算法通过连续迭代优化目标函数，该函数包括最小化样本和类的平均参数之间的差异。遗传算法提供了允许优化函数同时测试包括非常不同的管段组合的样本的优点。因此，这允许获得其平均管道参数尽可能接近对应类的平均管道参数的样本。因此，样本提供了类的良好表示，并且可以从这些样本构建类的可靠模型。此外，遗传算法具有有限的计算复杂度。

有利地，每个样本的相对大小与每个对应类的相对同质性呈负相关。

通常，类越同质，对该类的管段的退化行为准确建模所需的样本大小就越小。事实上，如果类的成员是同质的，则需要较少数量的训练值来训练模型。因此，将样本的相对大小与类的相对同质性负相关允许分配样本大小以优化所有类的预测的可靠性，以进行给定数量的管道状况程序。相对同质性可以例如使用该类的样本的管道参数的标准偏差来确定：标准偏差越高，类的同质性越小，并且样本的大小将越大。在考虑多个管道参数的实施例中，例如通过对管道参数应用主成分分析(PCA)并确定第一成分的相对同质性，可以将多个管道参数组合为单个参数。

有利地，在包括以下一项或多项的组中选择第三步骤的状况评估程序：应用于管段的电磁通量的分析；管段的声学分析；对管段的样本的提取和在实验室中分析；并且其中，每个状况评估程序提供相同尺度的管道状况分数。

这允许为每个管段选择最合适的测量或观察方法，并轻松比较管段之间的测量或观察。

有利地，状况评估程序提供对应于管段的不同部分并且在包括以下各项的组中选择的两个或更多个管道状况分数：内涂层状况分数；外涂层状况分数；联合状况分数。

这允许评估管段的不同部分的状况的演变。这很有用，因为管道的不同部分的状况可以取决于结构和环境管道参数以不同方式演变。

有利地，使用加权或正交和，从对应于管段的不同部分的两个或更多个管道状况分数获得单个管道状况分数。

这允许在考虑管道的不同部分的特定退化的单个管道状况分数内总结管道状况。

有利地，一个或多个管道状况分数与一个或多个可靠性指标相关联。

可靠性指标是指示在检查期间收集到的信息的可靠性的等级。它可以是例如在0到1之间的等级，并且可以根据获得管道状况分数的方式的可靠性来确定等级。例如，如果管道状况分数是使用仪器测量的，则它可以与最大等级1相关联，否则它可以与较低等级相关联，例如，如果管道状况分数是使用相当客观的视觉观察(例如元素的存在与否)获得的，则与等级0.8相关联，以及如果管道状况是使用部分主观的视觉观察(例如元素的状况)获得的，则与等级0.5相关联。这允许考虑每次测量的可靠性，以便尽可能有效地对管道状况的演变进行建模。

有利地，对不属于样本的管段执行一个或多个管道状况分数的估计包括：针对类，训练有监督机器学习引擎，其使用属于样本的管段基于管道参数来预测管道状况分数；使用所述有监督机器学习引擎以基于不属于样本的类的管段的管道参数来预测管道状况分数。

这允许对管道状况的有效建模，因为管道先前已经被聚类成类似管段的类，并且针对每类训练模型。因此，模型非常适用于将应用该模型的管段。

有利地，所述有监督机器学习引擎是随机森林机器学习引擎。

随机森林算法特别适合这项任务。事实上，随机森林移除了不能预测管道状况的管道参数。这在这里特别有效，因为可能会使用大量的结构或环境参数。随机森林算法仅自动使用实际允许预测管道状况的参数。

有利地，所述方法还包括：针对其管道状况分数与警报状况匹配的管段发出警报。

警报可以被自动处理，或者以不同的形式(列表、消息、地图等)显示给用户。这允许操作员了解临界管道，并如果必要则触发后续动作。

有利地，针对管段的每个警报自动触发在包括以下各项的组中选择的至少一个动作：管段的进一步状况评估程序、保护措施和管段的修复。

状况评估程序允许准确地确定管段的实际状况。因此，这允许仅对可能处于临界状况的管段使用昂贵的状况评估程序。这通过将进一步的状况评估程序限制在需要它们的管道上，以合理的成本确保了管道网络的安全。

保护措施可以是避免由于管段破损而造成损坏的任何措施，例如关闭阀门以隔离管段。这允许在评估实际管道状况和/或修复管道部分之前避免由破损管道造成损坏。

本发明还公开了一种存储在非暂时性计算机可读介质上的计算机程序产品，所述计算机程序产品包括用于执行根据本发明的一方面的方法的代码指令。

本发明还公开了一种设备，包括被配置为执行根据本发明的一方面的方法的处理器。

附图说明

通过以下对多个示例性实施例及其附图的描述，将更好地理解本发明，并且其各种特征和优点将显现，其中：

-图1显示了可以在其上实现根据本发明的方法的管道网络；

-图2显示了根据本发明的计算机实现的方法；

-图3显示了本发明的实施例中的管道聚类的示例；

-图4显示了示出本发明实施例中的方法的准确度取决于样本的相对大小和管道材料的图表；

-图5显示了本发明实施例中的计算机实现方法的示例的管道检查计划。

具体实施方式

图1显示了可以在其上实现根据本发明的方法的管道网络。

图1中显示的网络100表示配水网，并且包括多个节点110、111、112、113、114、115、116和117，以及多个弧120、121、122、123、124、125、126、127和128。节点通常代表与水源或水库(例如节点116处的水库130)的连接，与配水系统用户(例如节点113处的消耗131)的连接以及弧之间的连接。弧代表节点之间的管道。网络可配备有诸如阀门和泵的设备。泵132例如存在于弧120上。更一般地，节点可以是在两个或三个管道之间的连接点(junction)，发现网络的输入或输出的点，例如用户消费水的点，或在网络中注入水的点。节点还可以代表子网络，例如在单个节点下分组的邻域。

图1的示例性网络具有少量管道。然而，典型的水网具有更多的管道数量。例如，本发明可以应用于包括10,000或甚至更多公里管道的管道网络。例如，本发明可以应用于代表大城市区域的管道网络。例如，巴黎区域的饮用水分配网络包括约37,000km的管道；东京区域的饮用水分配网络包括约27,000km的管道；伦敦区域的饮用水分配网络包括大约21,000km的管道；阿德莱德区域的饮用水分配网络包括约9,000km的管道；卡萨布兰卡区域的饮用水分配网络包括4,500km的管道。欧盟的饮用水管道的总长度估计约为4,230,000km。

随着时间的推移，网络的每个管道可能会逐渐退化。因此，本发明的目的是获得管道状况的可靠估计，以便尽可能有效地计划管道检查、修理和更新。

虽然图1显示了水分配网络，但本发明可以应用于其它类型的流体网络，例如油或气分配网络。

图2显示了根据本发明的计算机实现的方法。

方法200适用于管道网络，例如可以是水、油或气分配网络。网络由相互连接的管道组成。管道被分成几段。管段可以是整个管道，也可以是管道的一部分。将大管道分成多个段可能是有用的，因为段可能位于不同的环境中，并且因此对于同一管道的各个段，管道状况可能随着时间而不同地演变。相反，如果相邻和互连的管道共享某些属性(例如，相同的材料、厚度等)，则它们可以被分组到同一管段内。可以根据不同的规则定义管段。例如，管道可以分成几段：

-根据管道特征的变化或环境的变化(即，如果管道的材料发生变化，如果在管道长度上环境发生了显著的改变等，则管道可以被分成几段)；

-以图形方式，由用户手动定义管段的限制；

-反映单个管段的最大长度。

方法200可以在资产管理解决方案内实现，该资产管理解决方案允许控制网络中管道的状况并计划管道维护和更新。这种解决方案还可以允许管理网络的其它资产，例如水库、泵等。

资产管理解决方案可以访问存储与资产相关的信息的一个或多个数据存储设备。例如，这可能会授予对多个管道参数的值的访问权。例如，这种管道参数可包括以下一项或多项：

-结构参数：

-管道长度；

-管道材料；

-管道直径；

-管道的年龄；

-环境参数：

-管道环境的温度；

-管道环境的湿度；

-附近的设备(例如，存在可能会产生缩短管道的使用寿命的振动的附近的道路或机场)；

-水质；

-压力；

-压力变化；

-浪涌；

-交通负荷；

-地面运动；

-等等。

这些参数会影响管道状况的演变以及管道随时间而发生故障的概率。例如，承受极端温度、高湿度或附近基础设施产生的振动的管道会经受更快的退化。退化率还取决于管道的结构参数，例如管道的材料和直径。某些参数还可能相互作用。例如，湿度对管道的影响可能取决于管道的材料。

在本发明的多个实施例中，可以使用某种存储设备或数据库为每个管段取回管道参数的值。

方法200包括基于管道参数将光导网络的管段聚类成多个类的第一步骤210。

该第一步骤210包括将共享同一类内的相似参数的管段分组。因此，属于同一类的管段可能会随着时间以类似的方式演变。

这可以以不同的方式执行。无监督机器学习算法特别适合对管道进行聚类。可以基于管道参数的任意组合执行聚类。例如，可以根据预期对管道退化产生影响的一个或多个参数来执行聚类：材料、直径、长度、压力、水质、地面质量、滞流、道路交通等。可以执行聚类来将管段拆分成目标数量的类，例如由操作员预先定义的目标数量的类。例如，可以使用目标数量的四个类。还可以适应类的数量以避免具有成员数量非常少的类，这可能不是很重要。类的数量也可以适应网络的大小：例如，较少数量的类可以用于小型网络(即，管道总长度等于或低于预先定义的阈值的网络)。类还可以事后合并。例如，可以将具有成员数量较少的类与具有相似特征的类合并。

可以使用不同的模型或算法来执行聚类。例如，高斯混合模型(GMM)模型提供了良好的聚类结果，因为它允许获得具有同质成员的类。

图3显示了本发明的实施例中的管道聚类的示例。

已根据包括管道材料和直径的多个变量对管道进行聚类。

下表示出了图3中表示的每个聚类的一些特性(管道数量、管道总长度和管道的平均退化指示符)。在该示例中，平均退化指示符是介于0和1之间的值，表示聚类中管道的平均退化。它是基于已检查过的管道计算的，它越高，则管道退化的越多。

表1–相对于管道聚类的统计

回到图2，方法200包括针对每个类提取该类的管段样本的第二步骤220。

该步骤包括针对每个类识别待检查的多个管段。如下文将详细解释的，这些识别出的管段将在现场进行检查以获得管道状况分数，以便能够根据每类内的管道参数来估计管道状况分数。第二步骤220针对每类提供尽可能代表该类管段的有限数量的管段。

可以根据多种技术和约束来选择样本的管段。

根据本发明的各种实施例，可以将样本设置为包括该类管段的最大数量或百分比。例如，样本可以包括属于一类的一百个管段中的二十个管段。该最大数量或百分比可以以不同方式定义。例如，可以由操作员定义，因为它对应于预期足以允许对管道状况分数进行良好估计的管道数量，和/或由于匹配定义的管道检查预算的最大数量管段。

在本发明的多个实施例中，对应于定义数量的管道状况评估程序的管道检查的总预算被分配在不同的类之间。该数量的管道状况程序可以在不同的样本之间分开。样本的大小可以根据类的相对大小和同质性来定义。实际上，需要较少数量的管道检查程序来提供可靠的同质类的建模。因此，可以将较小规模的样本分配给更同质的类。

申请人在对流体消耗的实时估计的领域提交了国际专利申请，公开号为WO 2014/060655。对流体消耗的估计的方法依赖于将用户分类为具有相似消耗简档的用户的类，针对每类，对用户样本的消耗进行实时测量，并基于这些部分实时测量来估计网络的总消耗。

该专利申请面临相同的问题，即向不同的类分配最佳数量的用户，以便在有限数量的实时测量中获得最佳全局估计。为了解决这个问题，申请人定义了一个公式，以取决于样本的总目标大小、每类的大小和离散度来定义样本的大小。该公式在所述国际公开的p.7I.15-28中提供。基于本发明中管道参数值的相对大小和离散度，该公式加以必要的变更可以应用于本发明的管段样本大小的分配。离散度在此可以是管道状况分数的离散度，或更一般地，可以基于过去的故障来计算的每个管道的退化指示符或与管道状况分数相同的参数。这里，样本的大小允许对每类进行有效建模，因为具有更多异质管道的类将使用相对较多的管道状况评估进行建模。

在本发明的多个实施例中，样本包括之前已经计划对其进行检查的管段。这可以是例如已经预期已经处于临界状况和/或计划由操作员的检查计划检查的管段。这允许节省了管道检查预算，因为已经计划的检查将用于提供样本。

在本发明的多个实施例中，样本包括随机选择的管段。这提供了简单的优点，但无法确保所选管段能相当地代表类。

在本发明的多个实施例中，样本包括预期将是类中最具代表性的管段。这允许获得如下样本：针对给定数量的管道提供基于管道参数的管道状况的最佳估计。例如，如果它们的管道参数尽可能接近该类中管道参数的平均值，则可以预期管段是类中最具代表性的。通过确保每个所选管段的参数分别尽可能接近该类管段的平均值，这可以针对每个管段单独执行。

还可以通过确保样本的管道参数的平均值尽可能接近管道参数的平均值来对样本作为整体执行。这提供了确保样本的管段作为整体代表该类管段的优势。它还允许选择代表该类的管段的样本，即使选择样本的一些管段受到限制(例如，因为一些管段是强制性选择的，因为它们属于操作员的管道检查计划)。在本发明的多个实施例中，使用遗传算法来选择样本的管段。这包括初始化一组候选样本，然后使用选择、交叉和变异来迭代修改该集合，以便迭代地获得更好的候选样本。

遗传算法使用允许对候选样本进行排序以便选择最佳候选的目标函数。在本发明的多个实施例中，目标函数包括样本的管道参数的平均值与类的管道参数的平均值之间的差异的最小化。因此，经过连续迭代，候选管道样本变为更能代表类。

根据本发明的各种实施例，可以在每次迭代时修改样本的所有管段，或者在所有样本中保留一些管段(例如，在操作员的管道检查计划中无论如何都要检查的管段)。遗传算法提供了获得代表类的管道的样本的能力，即使存在与管段的选择相关的约束。

最后，选择优化成本函数的候选样本，也就是被认为最能代表该类的候选样本。

方法200还包括第三步骤230，针对每类的每个样本中的每个管段获得由状况评估程序确定的一个或多个管道状况分数。

如上所述，检查被选择作为样本的一部分的管段。可以使用不同的状况评估程序。例如，可以使用以下来评估管道状况：

-电磁通量；

-声学分析；

-提取管道样本，其在实验室中正被分析；

-视觉检查；

-CCTV和计算机视觉；

-断层扫描；

-无人机检查；

-等等。

状况评估程序可以对所有管段都相同，或者可以针对每个管段专门选择。可以取决于每种方法在管段环境中的技术可行性，或者因为程序特别适合给定管段，来执行对状况评估程序的选择。例如，可以用电磁通量或声学技术来检查金属管道，而可以通过收集样本并将其发送到实验室来检查非金属管道。还可以根据由操作员定义的管道的关键度来选择检查技术。例如，服务于医院或市中心的管段可以被认为是更重要的。因此，可以选择更准确的管道状况评估程序，或者提供更多有关管道的信息的程序，例如样本收集和实验室分析，即使它更昂贵。

也可根据其技术可行性来选择管道检查程序。例如，声学检查是一种不需要开沟就能到达管道的廉价方法，但当前的声学检查只能对长度不到两百米的金属管道执行。因此，每次在技术上可行时都可以执行声学检查，如果不可行，则可以使用其它更昂贵的方法。

这些状况评估程序中的每一个都允许提供已被检查的管段的一个或多个管道状况分数。管道状况分数指示管段的退化水平。当使用不同的程序时，它们的输出可以使用不同的尺度来表示。例如，声学分析提供管道的剩余厚度(或相反，损失厚度的值或百分比)，而管道样本的实验室测试提供管道的多个测量，例如腐蚀存在以及针对内部和/或外部腐蚀的腐蚀类型、剩余厚度、阻塞水平、石墨化水平等。

为了获得同质和可比较的测量，管道状况分数可以被转换为标准化的尺度，使得不同的检查方法使用相同尺度提供管道状况分数，并且可以比较所有管道状况分数。例如，可以使用范围从0到1的管道状况分数，其中0对应于完美状况，而1对应于故障状况。因此，可以使用最相关的程序来检查每个管段(取决于管段特性和/或不同检查方法的可行性)，同时可以比较程序的输出。例如，如果使用声学分析，则可以将剩余厚度转换为在0和1之间的同质值；在使用实验室测试时，相对于不同分析参数的分数可以根据它们的相对重要性进行加权。

管道状况分数也可以属于有限数量的状况，例如3个状况：“好”、“平均”或“差”。

在本发明的多个实施例中，针对每个管道获得对应于管段的不同部分的多个状况分数。例如，观察可以为管段生成3个管道状况分数的向量：

-内涂层状况分数；

-外涂层状况分数；

-联合状况分数。

这允许评估管段的不同部分的状况的演变。这很有用，因为管道的不同部分的状况可以取决于结构和环境管道参数以不同方式演变。因此，使用对应于管段的不同部分的管道状况分数的向量允许考虑管道的不同部分的退化。

然后可以使用正交或加权总和对管道状况分数或向量求和，以便获得针对管段的单个管道状况分数。这允许在考虑管道不同部分的特定退化的单个管道状况分数内总结管道状况。

在本发明的多个实施例中，管道状况分数与一个或多个可靠性指标相关联。可靠性指标表明观察到的管道状况分数的精确度和可靠性。例如，可靠性指标可能取决于观察方法。例如，它可以取决于执行测量的仪器的可靠性。使用仪器的测量也可以被认为比视觉观察更可靠。例如，可靠性的预先定义值可以与获得测量的每种方式相关联。如上所述，可靠性指标可以是例如介于0和1之间的等级，并且可以根据获得管道状况分数的方式的可靠性来确定等级。例如，如果管道状况分数是使用仪器测量的，则它可以与最大等级1相关联，否则它可以与较低等级相关联，例如，如果管道状况分数是使用相当客观的视觉观察(例如元素的存在与否)获得的，则与等级0.8相关联，以及如果管道状况是使用部分主观的视觉观察(例如元素的状况)获得的，则与等级0.5相关联。由此可见显然，可靠性指标可以有不同的尺度，并且可以根据本发明的各个实施例使用可靠性指标的不同值，前提是管道状况分数的可靠性越高，通常与指标的较高值相关联。

根据本发明的多个实施例，当获得对应于管段的不同部分的多个管道状况分数的向量时，可以存在针对整个向量的单个可靠性指标，或者针对向量中每个管道状况的可靠性指标。当观察方法的准确性对于管道的不同部分是可变的时，使用针对向量中每个管道状况的可靠性指标允许定制测量或观察的可靠性的指示。例如，与评估管道的内涂层情况相比，评估外涂层的状况可以被预期为视觉观察更可靠。因此，由视觉观察得出的管道状况分数可以与针对外涂层的平均可靠性指标相关联，但针对内涂层的可靠性指标较低。

方法200还包括第四步骤240，其基于所述管道参数，执行对针对不属于样本的管段的一个或多个管道状况分数的估计，所述估计用针对样本中管段的管道状况分数和管道参数来参数化。

该步骤包括针对每个类，基于通过管道状况评估程序获得的管道状况分数来训练模型，然后使用该模型用于估计不经受状况评估程序的管道的管道状况分数。

该过程允许对管道状况进行有效建模，因为管道先前已被聚类为类似管段的类，并且针对每个类训练模型。因此，模型非常适合将应用该模型的管段。

该步骤可以以不同的方式执行。例如，针对每类，可以通过针对已经评估状况的管段，将管道参数拟合到管道状况分数，来训练线性回归的统计模型。

这也可以通过用已评估其状况的管道来训练有监督的机器学习模型来实现。因此，可以针对每类，向机器学习引擎提供已检查的管段的管道参数和管道状况分数，然后用于基于尚未检查的管段的管道参数来预测管道状况分数。

随机森林算法特别适合这项任务。事实上，随机森林移除了不能预测管道状况的管道参数。这在这里特别有效，因为可能会使用大量的结构或环境参数。随机森林算法仅自动使用实际允许预测管道状况的参数。

因此，方法200允许对大型管道网络中每个管道的状况进行准确估计，同时仅执行对有限数量的管道的检查，这节省了金钱和时间。

然后可以使用对管道状况的估计来以不同的方式改进管道网络的管理。

例如，可以向操作员显示管段的管道状况，从而操作员能够确定哪些管段是要优先检查的。这允许适应管道检查计划。例如，可以优先检查被预期为处于最临界状况的管道。可以手动或由操作员来执行对应检查管道的次序的确定。这也可以通过显示具有对应于管道的预期状况的颜色的地图来执行。例如，预期处于良好状况的管道可以显示为绿色，而预期处于退化状况的管道可以显示为红色。这通常还允许获得管道网络的状况的估计。

还可以针对被预期为处于临界状况或更一般地处于退化状况的管道生成警报。例如，可针对其管道状况分数与警报状况匹配的管段生成警报。警报状况通常可以是预先定义的管道状况分数阈值，其状况分数低于阈值的所有管道引起警报。警报状况也可以是状况分数和其它参数的组合。例如，低于其则生成警报的分数阈值可以取决于管道的材料。替代地，具有最低分数的管段的固定百分比可触发警报。

一旦生成警报，就可以显示与管道有关的警报和信息。警报的显示可以采用不同的形式：临界管道的列表的显示，包括针对管道的颜色代码的地图的显示(例如，临界管道为红色而非临界管道为绿色)。

每个警报还可以触发更昂贵和更可靠的检查(发送无人机，检查运河内部的智能球等)。因此，管道被预期为从甚至更可靠的检查中受益，以确定管道的实际状况并决定是否需要维修管道。

可以在等待该额外检查和/或管道修复的结果的同时执行保护措施。例如，可以关闭阀门以便将管道与网络的其余部分分开，直到对管道进行进一步分析和修复。已发出警报的管道可以被自动修复，例如通过发送自主无人机来维修管道。

由于这仅在被预期为处于临界状况的一些管段上执行，因此本发明的方法为网络提供安全性同时不昂贵。

在方法的每个状况下，所获得的数据可以呈现给操作员以进行验证。这允许确保不使用不连贯的值，并识别与管道网络相关的数据中的潜在差异。

图4显示了示出取决于样本的相对大小和管道材料的本发明实施例中的方法的准确度的图表。

在图表400中：

-水平轴410代表样本的相对大小，即属于样本且将被检查的类的管道的百分比；

-垂直轴420代表管道状况估计的相对准确性。该相对准确性对应于误差，表示为取决于样本大小的预期误差的百分比；

-曲线430、431、432、433、434分别代表针对由混凝土、球墨铸铁、灰铸铁、PE(聚乙烯)制成的管道和所有管道根据样本大小的相对准确性的演变。

该示例表明，相对于类，待检查的管段样本的大小越大，估计的准确性就越高。然而，取决于样本大小的实际准确性值取决于管道材料。例如，针对球墨铸铁管道的相对样本大小约为3-4％，而针对PE管道的相对样本大小约为45％，可实现10％或更低的相对准确性。因此，可以取决于管道材料选择刚好足以达到所需准确性的样本大小。这允许在取决于管道材料来限制检查次数的同时获得目标准确性。

图5显示了本发明实施例中的计算机实现方法的示例的输出处的管道图。

计划500包括管道图的表示。被预期为退化的管道的位置由灰色圆圈表示，例如圆圈510和520。

管道检查计划500表示管道网络的已被选择用于通过根据本发明的方法进行检查的所有管段。因此，这允许操作员计划检查，例如通过同时检查附近的管段。

给出上述示例作为本发明的实施例的说明，并且证明了本发明在仅检查管道的子集并因此成本合适时提供管道网络的管道状况的可靠估计的能力。它们不以任何方式限制由以下权利要求限定的本发明的范围。