Dette indlæg er alene udtryk for skribentens egen holdning.

Den forkerte observation eller den forkerte model?

Datadrevne modeller kan hjælpe med overvågningen af byernes afløbssystemer. Det er en udfordrende opgave, der kræver en finjustering af modellerne, men potentialet er stort.
Synspunkt 4. maj kl. 05:00
errorÆldre end 30 dage

Digitaliseringen af byernes afløbssystemer muliggør nye tilgange til overvågning, styring og kontrol, samtidig med at nye svagheder belyses. Information kan videregives og behandles i realtid for at støtte hurtige kontrolbeslutninger.

Dermed kan systemets kapacitet i form af f.eks. bassiner udnyttes bedre og derved reducere risikoen for oversvømmelser og forurening uden yderligere udbygning af det fysiske afløbssystem.

Da de digitale og fysiske aktiver bliver tæt forbundet, kommer driften af afløbssystemerne til at blive mere afhængig af kvaliteten og kvantiteten af tilgængelig observationsdata, og driften af systemerne bliver mere udsatte overfor sensorfejl og cyberangreb.

Når størrelsen af afløbssystemerne samt deres kritiske funktion tages i betragtning, kan denne øgede sårbarhed potentielt føre til alvorlige konsekvenser.

Potentialet ved datadrevne modeller

Den hydrauliske tilstand af afløbssystemer er typisk overvåget gennem et netværk af hardwaresensorer, der er nøjagtige men dyre at vedligeholde.

Samtidig findes der datadrevne modeller, der er i stand til at lære, hvordan afløbssystemer opfører sig ud fra lange tidsserier af sensorobservationer.

Hvis nøjagtigheden af forudsigelsen fra disse modeller er tilstrækkelig høj, kan de fungere som ’soft(ware) sensors’, der arbejder sammen med hardwaresensorer eller erstatter dem i perioder.

Modelforudsigelserne kan også bruges til at validere tilgængelige observationer og opdage ’afvigende adfærd’.

Typer af afvigelser

Afvigelser kan have forskellige oprindelser. En systemafvigelse forekommer, når den hydrauliske tilstand observeres korrekt af sensoren, men opfører sig anderledes, end den plejer, f.eks. i tilfældet af en blokering eller en fejl i målingsudstyret.

En sensorafvigelse refererer i stedet til det scenarie, hvor systemet opfører sig normalt, men hvor sensoren registrerer en forkert observation, hvilket kan forårsages af f.eks. en fejlkalibrering eller hvis sensoren er blokeret.

Endelig sker en transmissionsafvigelse, når observationen ændres bevidst eller ubevidst, mens den bliver sendt fra datakilden til datalageret. At klassificere afvigelser i forhold til deres type er svært, men det vil tilføje værdi til detektionsmekanismen.

Virkeligheden er kompleks

Den største udfordring for datadrevne modeller af afløbssystemer er at genskabe vandstandens (eller udledningens) komplekse, ikke-lineære opførsel.

I tørt vejr følger vandstanden et kendt mønster over døgnet, mens regnvejr kan give en ikke-lineær og stedsspecifik reaktion i systemet, da vandstanden påvirkes af systemets geometri og tilstedeværelsen af aktuatorer som f.eks. spjæld, overløb, pumper.

Datadrevne modeller, eksempelvis kunstige neurale netværk, lærer et systems opførsel at kende ved at identificere gentagne mønstre mellem lange tidsserier af input- og outputdata. Disse mønstre bruges til at forudsige den forventede opførsel på det aktuelle tidspunkt, hvilket så sammenlignes med den tilsvarende sensorobservation.

En signifikant afvigelse mellem modellens forudsigelse og sensorobservationen bliver markeret som en anomali.

En udfordrende opgave

På trods af den øgede tilgængelighed af beregningsressourcer (både hardware og software), er datadrevne anomalidetektion i afløbssystemer stadig en udfordrende opgave.

Flere forskellige modeller kan potentielt tilpasses til at tjene dette formål, hvis de finjusteres ordentligt. Processen er meget tidskrævende og er meget afhængig af erfaringen hos model-mageren, som nøje skal udvælge de dataserier, der skal bruges som input.

Under alle omstændigheder er kvaliteten af modelforudsigelserne kun så god som kvaliteten af inputdataet. I et system, hvor sensorer er dyre at installere og vedligeholde, er dataets kvantitet og kvalitet en begrænsning for datadrevne modeller.

Endelig skal en model for at opnå det maksimale udbytte kunne producere nøjagtige forudsigelser på tværs af flere nedbørstyper, også under meget intenst regnvejr.

Nøglen er samarbejde

Potentialet ved datadrevne modeller til afløbssystemer er slet ikke udnyttet fuldt ud.

Disse modeller er dog stadig langt fra at kunne erstatte menneskeligt arbejde i overvågning og kontrol, og bør snarere ses som en slags websøgemaskine: I stedet for manuelt at gennemse store mængder data (eller utallige hjemmesider) kan en operatør få en model til at udtrække præcis de mønstre og den information, der er interessant (eller de seneste lokale nyheder).

På denne måde kan sensor-observationer screenes med henblik på at isolere alle de mulige afvigelser, så operatøren kan fokusere på disse. Da søgeresultaterne dog kun er lige så gode som søgningen, er opdagelsen af afvigelser kun effektiv, hvis modellen er valgt, tunet og opsat korrekt.

Til denne opgave er samarbejde mellem ingeniører, teknikere og programmører nødvendigt, da de hver bidrager med viden fra hver deres domæne. 

Ingen kommentarer endnu.  Start debatten
Debatten
Du har ikke tilladelse til at deltage i debatten. Kontakt support@ing.dk hvis du mener at dette er en fejl.
Forsiden