特開 2023-132377 機械学習による漏洩現象の同定方法及び同定システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023132377

(43)【公開日】2023-09-22

(54)【発明の名称】機械学習による漏洩現象の同定方法及び同定システム

(51)【国際特許分類】

   G01M 3/24 20060101AFI20230914BHJP

   F17D 5/06 20060101ALI20230914BHJP

【ＦＩ】

G01M3/24 A

F17D5/06

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2022037642

(22)【出願日】2022-03-10

(71)【出願人】

【識別番号】304027279

【氏名又は名称】国立大学法人 新潟大学

(71)【出願人】

【識別番号】504132881

【氏名又は名称】国立大学法人東京農工大学

(71)【出願人】

【識別番号】000208204

【氏名又は名称】大林道路株式会社

(74)【代理人】

【識別番号】100197848

【弁理士】

【氏名又は名称】石塚 良一

(72)【発明者】

【氏名】鈴木 哲也

(72)【発明者】

【氏名】五十嵐 司

(72)【発明者】

【氏名】島本 由麻

(72)【発明者】

【氏名】北野原 朋宏

(72)【発明者】

【氏名】本間 順

【テーマコード（参考）】

2G067

3J071

【Ｆターム（参考）】

2G067AA13

2G067BB23

2G067CC02

2G067DD13

2G067EE08

2G067EE09

2G067EE13

3J071AA12

3J071EE05

3J071EE19

3J071EE21

3J071EE22

3J071EE31

3J071FF12

(57)【要約】

【課題】単一センサによってＡＥ波を計測するとともに、機械学習によって送配水パイプラインを含む加圧パイプラインにおける流体の漏洩現象を同定することが可能な、漏洩現象の同定方法及び同定システムを提供する。
【解決手段】単一の漏洩センサによって計測したＡＥ波によって加圧パイプラインにおける流体の漏洩現象を同定することが可能な漏洩現象の同定方法であって、前記加圧パイプラインに設置した前記単一の漏洩センサによってＡＥ波を計測する計測ステップと、計測したＡＥ波を機械学習する学習ステップと、前記学習ステップにおいてＡＥパラメータを抽出する抽出ステップと、抽出された前記ＡＥパラメータに基づいて前記加圧パイプラインにおける流体の漏洩現象を同定する漏洩現象同定ステップと、を少なくとも有することを特徴とする。
【選択図】図１

【特許請求の範囲】

【請求項1】

単一の漏洩センサによって計測したＡＥ波によって加圧パイプラインにおける流体の漏洩現象を同定することが可能な機械学習による漏洩現象の同定方法であって、
前記加圧パイプラインに設置した前記単一の漏洩センサによってＡＥ波を計測する計測ステップと、
計測したＡＥ波を機械学習する学習ステップと、
前記学習ステップにおいてＡＥパラメータを抽出する抽出ステップと、
抽出された前記ＡＥパラメータに基づいて前記加圧パイプラインにおける流体の漏洩現象を同定する漏洩現象同定ステップと、を少なくとも有する
ことを特徴とする機械学習による漏洩現象の同定方法。

【請求項2】

前記ＡＥパラメータは、ＡＭＰ、ＲＩＳＥ、ＤＵＲＡＴＩＯＮ、ＣＯＵＮＴ、Ａ－ＦＲＱ、Ｃ－ＦＲＱ、ＲＭＳ、Ｐ－ＦＲＱのうちの少なくともいずれかである
請求項１に記載の機械学習による漏洩現象の同定方法。

【請求項3】

前記漏洩現象同定ステップでは、前記流体の漏洩現象として、漏洩現象の有無、漏洩位置、漏洩規模（漏洩孔の径）のうちの少なくともいずれかを同定可能である
請求項１又は２に記載の機械学習による漏洩現象の同定方法。

【請求項4】

前記学習ステップでは、アルゴリズムを決定木又はランダムフォレストとする
請求項１乃至３のいずれかに記載の機械学習による漏洩現象の同定方法。

【請求項5】

前記加圧パイプラインは送配水パイプラインであり、前記流体は水である
請求項１乃至４のいずれかに記載の機械学習による漏洩現象の同定方法。

【請求項6】

加圧パイプラインにおける流体の漏洩現象を同定することが可能な機械学習による漏洩現象の同定システムであって、
前記加圧パイプラインに設置される単一の漏洩センサと、
前記単一の漏洩センサによって計測した計測データを解析する計測データ解析部と、
前記単一の漏洩センサによる計測条件を設定する計測条件設定部と、
前記加圧パイプラインにおける漏洩現象を同定するためのＡＥパラメータを抽出するパラメータ抽出部と、
教師あり学習によって所定のアルゴリズムを構築する機械学習部と、
前記加圧パイプラインにおける漏洩現象の同定情報を出力する漏洩情報出力部と、
計測対象となる前記加圧パイプラインの施設情報を入力する計測施設情報入力部と、を少なくとも有する
ことを特徴とする機械学習による漏洩現象の同定システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、単一センサによってＡＥ波を計測するとともに、機械学習によって加圧パイプラインにおける流体の漏洩現象を同定することが可能な、漏洩現象の同定方法及び同定システムに関する。

【背景技術】

【0002】

近年、上水道や産業用水に代表される内水圧を利用した送配水パイプラインでは、老朽化に伴う漏水事故が多く発生しており、漏水現象を同定する手法の開発が進められている。具体的には、漏水の有無及び漏水位置の同定手法として、複数地点にセンサを設置し、計測された漏水波形の相違から、漏水箇所を推定する手法が多く提案されており、例えば特許文献１には、低周波成分に対する高周波成分の比率を算出することで、漏水箇所を推定する方法が開示されている。

【0003】

また特許文献２には、単一センサを１地点に設置して、漏水経路や漏水位置を推定する漏水位置推定システムの発明が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１９－０３９８５８号公報

【特許文献2】特開２０２１－１８３９３６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、特許文献１に開示された方法では、２地点に設置されたセンサで同程度の精度で漏水波を検出する必要があることに加えて、作業負担が単一センサの場合と比較して大きいといった課題がある。また、特許文献２に開示されているシステムにあっても、漏水規模の同定手法については確認されておらず、さらに、漏水の有無や漏水位置の同定における有用な波形パラメータも十分に明らかになっていない。

【0006】

すなわち、従来技術においては、漏水の有無や漏水位置、漏水の規模を単一のセンサで正確に同定できる手法が依然として確立されていない。

【0007】

そこで本願発明は、単一センサによってＡＥ波を計測するとともに、機械学習によって送配水パイプラインを含む加圧パイプラインにおける流体の漏洩現象を同定することが可能な、漏洩現象の同定方法及び同定システムを提供することを目的とする。

【課題を解決するための手段】

【0008】

本発明は、単一の漏洩センサによって計測したＡＥ波によって加圧パイプラインにおける流体の漏洩現象を同定することが可能な機械学習による漏洩現象の同定方法であって、前記加圧パイプラインに設置した前記単一の漏洩センサによってＡＥ波を計測する計測ステップと、計測したＡＥ波を機械学習する学習ステップと、前記学習ステップにおいてＡＥパラメータを抽出する抽出ステップと、抽出された前記ＡＥパラメータに基づいて前記加圧パイプラインにおける流体の漏洩現象を同定する漏洩現象同定ステップと、を少なくとも有することを特徴とする。

【0009】

本発明の構成によれば、これまで明確になっていなかった、漏洩の有無や漏洩位置、漏洩の規模を同定する際に有効なＡＥパラメータを特定することにより、単一の漏洩センサで各漏洩現象を高精度に同定することが可能となる。

【図面の簡単な説明】

【0010】

【図1】本発明の実施形態における、漏水現象の同定フローである。

【図2】本発明の実施形態において、モデル配水パイプラインにおける漏水センサの配置態様を示した模式平面図である。

【図3】検出した連続するＡＥ波の波形の一例であって、（ａ）はモデル配水パイプラインに漏水孔がある場合の波形であり、（ｂ）はモデル配水パイプラインに漏水が無い場合の波形である。

【図4】本発明の実施形態における、説明変数であるＡＥパラメータを説明するためのＡＥ波の波形等である。

【図5】本発明の実施形態における、漏水有無の判別結果について、モデルの精度となるＦ値を示した表である。

【図6】漏水有無の判別精度が高かった決定木とランダムフォレストにおける重要度の高いＡＥパラメータ上位３つを示した表である。

【図7】本発明の実施形態における、漏水位置の同定結果について、モデルの精度となるＦ値を示した表である。

【図8】漏水位置の同定精度が高かった決定木とランダムフォレストにおける重要度の高いＡＥパラメータ上位３つを示した表である。

【図9】漏水位置の同定精度が高かった決定木とランダムフォレストにおける重要度の最も高いＡＥパラメータを示した表である。

【図10】本発明の実施形態における、漏水規模の同定結果について、モデルの精度となるＦ値を示した表である。

【図11】漏水規模の同定精度が高かった決定木とランダムフォレストにおける重要度の高いＡＥパラメータ上位３つを示した表である。

【図12】漏水規模の同定精度が高かった決定木とランダムフォレストにおける重要度の最も高いＡＥパラメータを示した表である。

【図13】（ａ）は実構造物における検証によって得られた決定木における説明変数の重要度を示すグラフであり、（ｂ）はランダムフォレストにおける説明変数の重要度を示すグラフである。

【図14】実構造物である送水パイプラインにおける漏水箇所の漏水状況写真である。

【図15】本発明の実施形態における、漏水現象の同定システムの概略ブロック図である。

【発明を実施するための形態】

【0011】

以下、図面を参照しつつ、本発明の機械学習による漏洩現象の同定方法及び同定システムについて、送配水パイプラインにおける漏水現象の同定方法を例に、その実施形態を説明する。

【0012】

そして本実施形態の送配水パイプラインにおける漏水現象の同定方法及び同定システムは、送配水パイプラインにおけるＡｃｏｕｓｔｉｃ Ｅｍｉｓｓｉｏｎ波（以下、単に「ＡＥ波」と称する。）を機械学習することで、送配水パイプライン上における漏水の有無や漏水位置、漏水の規模を、単一の漏水センサ１で同定可能とするものである。

【0013】

すなわち、これまで明確になっていなかった、漏水の有無や漏水位置、漏水の規模を同定する際に有効なＡＥパラメータを特定することにより、単一の漏水センサ１で各漏洩現象を高精度に同定することを可能にするものである。

【0014】

（漏水現象の同定フロー）
図１には、本実施形態における漏水現象の同定フローが図示されている。まず簡単にフローを説明すると、ステップＳ１００では、公知の弾性波計測器と共振型センサから成る漏水センサ１を使用して、送配水パイプラインにおけるＡＥ波の計測を行う。

【0015】

続くステップＳ１０１では、ＡＥ波の検出の有無が判断され、ＡＥ波の検出が無ければステップＳ１０２において計測条件の再設定が行われる。計測条件の再設定では、周波数帯の調整のほか、プリアンプの調整、図４に示される振幅の検出閾値の調整などが行われる。ステップＳ１０１でＡＥ波の検出があると判断されると、ステップ１０３においてクラスラベルの付与が行われる。

【0016】

続いてステップＳ１０４では本実施形態の機械学習モデルによって、漏水の有無が判別される。漏水有りの判断がされると、当該判断に有効なＡＥパラメータがステップＳ１０５で抽出される。

【0017】

次に、ステップＳ１０６では本実施形態の機械学習モデルによって、漏水位置の同定ができたか否かが判断される。漏水位置の同定ができたと判断されると、当該判断に有効なＡＥパラメータがステップＳ１０７で抽出される。漏水位置の同定ができないと判断された場合は、前述したように、ステップＳ１０２において計測条件の再設定が行われる。

【0018】

続いてステップＳ１０８では本実施形態の機械学習モデルによって、漏水規模の同定ができたか否かが判断される。漏水規模の同定ができたと判断されると、当該判断に有効なＡＥパラメータがステップＳ１０９で抽出される。漏水規模の同定ができないと判断された場合は、前述したように、ステップＳ１０２において計測条件の再設定が行われる。

【0019】

（モデル配水パイプラインにおける調査・検証）
本実施形態では、各種漏水現象の同定及び有効なＡＥパラメータを検証するため、図２に示されるようなモデル配水パイプラインＰを設置して検証を行った。当該モデル配水パイプラインＰの上流側には地上高２．９ｍの架台を設け、当該架台上に不図示の水槽を設置している。また、下流側には不図示の末端バルブが設けられ、放流の有無を切替え可能に構成している。すなわち、当該モデル配水パイプラインＰは、高圧の送水パイプラインから枝分かれする、比較的に低圧の配水パイプラインを想定したものとなる。また、各漏水センサ１の漏水孔Ｈとの配置関係は図２に示されるとおりである。モデル配水パイプラインＰにおけるＡＥ波の計測に際しては、漏水孔Ｈが有るモデル配水パイプラインＰ及び漏水孔Ｈの無い無損傷のモデル配水パイプラインＰを対象にしてＡＥ波の計測を実施している。なお参考までに、本実施形態のモデル配水パイプラインＰは、内径１００．８ｍｍのＶＰ管を使用したものである。

【0020】

計測ケースとしては下の表１に示すとおりであり、モデル配水パイプラインＰの末端バルブ（不図示）を閉塞し、漏水孔Ｈからの排水のみであるケースが「Ｃａｓｅ Ａ」、末端バルブの開度を１１．３°とし、漏水孔Ｈと末端バルブの両方から排水を行ったケースを「Ｃａｓｅ Ｂ」、 漏水孔Ｈの無い無損傷のモデルパイプラインＰにおいて、末端バルブの開度を１１．３°とし、末端バルブのみから排水を行ったケースを「Ｃａｓｅ Ｃ」としている。

【0021】

【表1】

【0022】

また、漏水孔Ｈに対して各漏水センサ１を図２に示されるように配置し、「ｃｈ１」、「ｃｈ４」、「ｃｈ５」、「ｃｈ８」には１５０ｋＨｚの共振型センサ（Ｒ１５α）を、「ｃｈ２」、「ｃｈ６」には６０ｋＨｚの共振型センサ（Ｒ６α）を、「ｃｈ３」、「ｃｈ７」には３０ｋＨｚの共振型センサ（Ｒ３α）を取り付けている。

【0023】

なお、上記各漏水センサ１は、高真空シール用オイルコンパウンドを用いてモデル配水パイプラインＰの管体下部に接着し、さらにバンドを巻いて管体に固定している。

【0024】

また、計測条件として、プリアンプの増幅値は４０ｄｂとし、後述する検出閾値を３０ｄｂとしている。ＡＥ波の計測間隔は１ＭＨｚとしている。なお、水圧による影響を確認するために、モデル配水パイプラインＰの上流部と下流部に、それぞれ圧力センサを配置し、ＡＥ波の計測と併せて同期信号としてそれぞれの水圧の計測を行っている。以上、ＡＥ波の計測条件については表２に示すとおりである。

【0025】

【表2】

【0026】

そして、モデル配水パイプラインＰにおける漏水センサ１が検出したＡＥ波を機械学習することで、各漏水現象の同定及び有効なＡＥパラメータの抽出が可能となっている。参考として、図３には、検出した連続するＡＥ波の波形の一例が示されており、（ａ）にはモデル配水パイプラインＰに漏水孔Ｈがある場合の波形が、（ｂ）にはモデル配水パイプラインＰに漏水が無い場合の波形がそれぞれ示されている。

【0027】

（機械学習における解析手法）
次に、機械学習による漏水の有無の同定及び有効なＡＥパラメータの抽出に関し、その解析方法を説明する。図４には、説明変数であるＡＥパラメータを説明するためのＡＥ波の波形等が図示されている。

【0028】

図示されるように、本実施形態ではＡＥパラメータとして、最大振幅値である「ＡＭＰ」、立ち上がり時間である「ＲＩＳＥ」、継続時間である「ＤＵＲＡＴＩＯＮ」、所定の検出閾値との交点のカウント値となる「ＣＯＵＮＴ」に加え、平均周波数である「Ａ－ＦＲＱ」、重心周波数である「Ｃ－ＦＲＱ」、実効値電圧である「ＲＭＳ」、ピーク周波数である「Ｐ－ＦＲＱ」、以上８つのＡＥパラメータを計測したＡＥ波から抽出している。

【0029】

続いて、「漏水の有無の判別」、「漏水位置の同定」、「漏水規模（漏水孔直径）の同定」について、設定したそれぞれのクラスラベルを表３～５に示す。

【0030】

【表3】

【0031】

【表4】

【0032】

【表5】

【0033】

ＡＥ波の計測によって取得した計測データは、訓練用データと評価用データに分割してアルゴリズムを構築するとともに、アルゴリズムの評価精度を検証した。データサイズは「漏水の有無の判別」においては、訓練用データを７０、評価用データを５０とした。「漏水位置の同定」と「漏水規模（漏水孔直径）の同定」においては、訓練用データを４０と２００の２ケース、評価用データを２００とし、データサイズが評価精度に及ぼす影響を検討している。

【0034】

アルゴリズムの構築に際して、教師あり学習のひとつである「決定木」、「ランダムフォレスト」、「サポートベクタマシン（以下、「線形ＳＶＭ」と称す。）」を用いてアルゴリズムを構築している。

【0035】

以上のようにして機械学習モデルを構築し、当該機械学習モデルによる各種漏水現象の同定精度と、有効なＡＥパラメータの特定について以下に説明する。

【0036】

（１）漏水有無の判別
放流（末端バルブのバルブ開度１１．３°）を行った状態の漏水の無いモデル配水パイプラインＰと、漏水孔Ｈを有するモデル配水パイプラインＰにて計測した計測データをもとに、機械学習による漏水有無の判別結果について、モデルの精度となるＦ値を図５に示している。図示されるように、アルゴリズムごとの精度を比較すると、決定木及びランダムフォレストが線形ＳＶＭと比較して高い精度が得られることが判る。

【0037】

漏水孔Ｈの直径ごとの精度を比較すると、漏水孔Ｈの直径が大きいほど判別精度が高く（図示破線Ａ部）、漏水孔Ｈの直径が３ｍｍ以上のとき、Ｆ値が０．９以上を示して正確に漏水の有無が判別できることが判る。また、漏水センサ１の共振周波数によらず、漏水孔Ｈに近い「ｃｈ５」、「ｃｈ６」、「ｃｈ７」による判別精度が他の漏水センサ１と比較して高い傾向にある（図示実線Ｂ部）。

【0038】

また、図６には判別精度の高かった決定木とランダムフォレストの判別における重要度の高いＡＥパラメータ上位３つを示している。図示されるように、両アルゴリズムに共通して重要度の高いパラメータは、実効値電圧である「ＲＭＳ」、ピーク周波数である「Ｐ－ＦＲＱ」、重心周波数である「Ｃ－ＦＲＱ」であることが明らかとなっている。

【0039】

決定木における重要度１位のＡＥパラメータの大部分が、実効値電圧である「ＲＭＳ」であることから、１つのＡＥパラメータでも一定の判別精度が得られることが判る。

【0040】

また、漏水孔Ｈの直径によって重要なＡＥパラメータは異なり、漏水孔Ｈの直径が１ｍｍの場合は、ピーク周波数である「Ｐ－ＦＲＱ」、漏水孔Ｈの直径が５ｍｍの場合は、実効値電圧である「ＲＭＳ」の重要度が高くなることが判る。

【0041】

以上により、決定木又はランダムフォレストを用いることで、漏水の有無を高精度で判別できることが明らかになった。加えて、判別に有効なＡＥパラメータは主として実効値電圧である「ＲＭＳ」とピーク周波数である「Ｐ－ＦＲＱ」であることが明らかになった。

【0042】

（２）漏水位置の同定
放流（末端バルブのバルブ開度１１．３°）有りの「Ｃａｓｅ Ｂ」と、放流なしの「Ｃａｓｅ Ａ」の２条件において、漏水位置を同定することができるかをそれぞれ検討した。機械学習による漏水位置の同定結果についてモデルの精度となるＦ値を、上記の条件ごとに図７に示している。アルゴリズムごとの同定精度を比較すると、漏水有無の判別時と同様に、決定木及びランダムフォレストが線形ＳＶＭより高い精度が得られることが判る。

【0043】

また、データサイズで同定精度を比較すると、データサイズ２００の方が高い同定精度が得られる傾向にあるものの、３０ｋＨｚ共振型センサ（Ｒ３α）を用いることで、データサイズによらず、Ｆ値０．９以上の高い同定精度が得られることが明らかとなっている（図示実線Ａ部）。さらに、「放流なし」のケースで同定精度が高い傾向が確認され、加えて、漏水孔Ｈの直径が１ｍｍのとき、６０ｋＨｚ及び１５０ｋＨｚの共振型センサで同定精度が低下することが示された。

【0044】

図８には、高い同定精度を示した決定木とランダムフォレストにおける重要度の高いＡＥパラメータ上位３つを示している。図示されるように、両アルゴリズムに共通して重要度の高いパラメータは、実効値電圧である「ＲＭＳ」、ピーク周波数である「Ｐ－ＦＲＱ」、重心周波数である「Ｃ－ＦＲＱ」、所定の閾値との交点のカウント値となる「ＣＯＵＮＴ」である。

【0045】

なお、放流の有無によって重要なＡＥパラメータは異なり、図９に示されるように、「放流なし」のケースでは 実効値電圧である「ＲＭＳ」、「放流あり」のケースではピーク周波数である「Ｐ－ＦＲＱ」が重要度の高いＡＥパラメータとなることが判る。

【0046】

以上により、３０ｋＨｚ共振型センサ（Ｒ３α）を用いることで、高精度に漏水位置を同定できることが明らかになった。加えて、「ＲＭＳ」、「Ｐ－ＦＲＱ」、「Ｃ－ＦＲＱ」、「ＣＯＵＮＴ」が有効なＡＥパラメータであることが示された。

【0047】

（３）漏水規模の同定
放流（末端バルブのバルブ開度１１．３°）有りの「Ｃａｓｅ Ｂ」と、放流なしの「Ｃａｓｅ Ａ」の２条件において、漏水孔Ｈの直径を同定することができるかをそれぞれ検討した。アルゴリズムごとの同定精度を比較すると、図１０に示されるように、これまでの前述（１）及び（２）の検討ケースと同様に、決定木及びランダムフォレストが線形ＳＶＭと比較して高い同定精度が得られた。

【0048】

また、データサイズで同定精度を比較すると、データサイズ２００の方が高い同定精度が得られた。放流の有無で同定精度を比較すると、「放流なし」の方が高精度であることが示された。特に、データサイズが２００で「放流なし」の場合、決定木とランダムフォレストの同定精度はどの共振型センサにおいてもＦ値０．９４以上の非常に高い同定精度を示した。図１０の実線Ａ部に示されるように、「ｃｈ５」、「ｃｈ６」、「ｃｈ７」の同定精度が他の共振型センサよりも高いことから、「放流あり」の場合でも共振センサが漏水孔Ｈに近ければ漏水孔Ｈの規模は同定できる。

【0049】

図１１には、高い同定精度を示した決定木とランダムフォレストにおける重要度の高いＡＥパラメータ上位３つを示している。両アルゴリズムに共通して重要度の高いパラメータは、実効値電圧である「ＲＭＳ」、ピーク周波数である「Ｐ－ＦＲＱ」、所定の閾値との交点のカウント値となる「ＣＯＵＮＴ」である。

【0050】

また、図１２に示されるように、ＡＥパラメータである「ＲＭＳ」は、放流の有無に関わらず重要な指標であることが示される一方、「放流あり」の場合は「ＣＯＵＮＴ」、「放流なし」の場合は「Ｐ－ＦＲＱ」の重要度も高くなることが示された。

【0051】

以上により、漏水規模を高精度で同定できることが明らかとなり、その際に有効なＡＥパラメータは「ＲＭＳ」、「Ｐ－ＦＲＱ」、「ＣＯＵＮＴ」であることが判った。

【0052】

（実構造物における検証）
前述した機械学習モデルによって、実際に埋設され共用されている鋳鉄製の送水パイプライン（φ２５０ｍｍ）に対して、漏水現象の同定精度を検証した。検証の対象となる送水パイプラインでは、漏水センサ１の計測点から３．０ｍの位置に直径３ｍｍの漏水孔Ｈが確認された。また、送水パイプラインの内水圧は、計測期間中０．８ＭＰａ（最大値：水頭７８ｍ）という非常に高圧の状態から０．０１ＭＰａ（水頭１ｍ）までの止水条件で計測した。なお、図１４には実構造物である送水パイプラインの漏水孔Ｈから、勢いよく漏水している状況写真が示されているが、このようなジェット流に伴うＡＥ波を計測することとなる。

【0053】

送水パイプラインの管内水は、漏水孔Ｈからのみ排水させ、満水状態から漏水孔Ｈまでの排水に３３時間を要した。ＡＥ波の計測は、漏水孔Ｈ近傍の揚水機場及び漏水孔Ｈ近傍で実施し、１５分間隔で計測を行った。１回の計測は３０秒／回、計測条件としては、検出閾値を２０ｄｂ、プリアンプによる増幅値を６０ｄｂとした。送水パイプラインの内水圧については、ＡＥ波の計測を揚水機場で行ったことから、近接ポンプ設備に設置されている水圧計を用いてＡＥ波の計測と同時に評価した。なお、本検証では漏水センサ１として広帯域型センサを用いている。

【0054】

次に検証における解析方法を説明する。説明変数となるＡＥパラメータとして、最大振幅値である「ＡＭＰ」、立ち上がり時間である「ＲＩＳＥ」、継続時間である「ＤＵＲＡＴＩＯＮ」、所定の検出閾値との交点のカウント値となる「ＣＯＵＮＴ」に加え、平均周波数である「Ａ－ＦＲＱ」、重心周波数である「Ｃ－ＦＲＱ」、実効値電圧である「ＲＭＳ」、ピーク周波数である「Ｐ－ＦＲＱ」、以上８つのＡＥパラメータを抽出した。

【0055】

さらに、水頭によるＡＥ波の相違を検討するため、クラスラベルを下の表６に示すように設定し、取得したＡＥ波の計測データを訓練用データと評価用データに分割してアルゴリズムを構築するとともに、アルゴリズムの評価精度を検証した。なお、データサイズは訓練用データを７５、評価用データを５８とし、前述したモデルパイプラインＰと同様に線形ＳＶＭ、決定木、ランダムフォレストをそれぞれ用いてアルゴリズムを構築して評価精度を比較した。

【0056】

【表6】

【0057】

表７には、実構造物の送水パイプラインにおける検証結果が示されている。アルゴリズムごとの評価精度については、決定木とランダムフォレストにおいて、すべての指標で０．９８以上の高い評価精度が得られている。このことから、本実施形態の機械学習による送配水パイプラインの漏水現象の同定方法によれば、前述のモデル配水パイプラインＰのような低圧の配水パイプラインに限らず、高圧の送水パイプラインにおいても有効であることが判る。また、ノイズの影響を大きく受ける実構造物においても、漏水現象を高い精度で同定できることが判る。

【0058】

【表7】

【0059】

また、図１３（ａ）には本検証によって得られた決定木における説明変数の重要度が、図１３（ｂ）にはランダムフォレストにおける説明変数の重要度が示されている。図示されるように、どちらのアルゴリズムにおいてもＡＥパラメータとして「ＣＯＵＮＴ」 が最も重要度が高いことが判る。これにより、「ＣＯＵＮＴ」を指標とすることで、水頭差ごとの漏水現象を高い精度で同定できると言える。

【0060】

（システム構成）
以上、本実施形態の機械学習による漏水現象の同定方法について説明したが、当然ながら、これら一連の処理をシステム化することができる。例えば、図１５には本実施形態の漏水現象の同定システム１００の概略ブロック図が示されている。漏水現象の同定システム１００は、送配水パイプラインに設置する単一の漏水センサ１とプリアンプ２を有し、当該漏水センサ１によって計測された計測データは通信手段（有線又は無線）を介して解析手段となるＰＣ又はアプリケーションサーバへと入力される。

【0061】

ＰＣ又はアプリケーションサーバ内には、漏水センサ１によって計測した計測データを解析する計測データ解析部１０１と、前述した表２のような計測条件を設定する計測条件設定部１０２と、漏水現象を同定するためのＡＥパラメータを抽出するパラメータ抽出部１０３と、教師あり学習によって所定のアルゴリズムを構築する機械学習部１０４と、漏水の有無や漏水の位置、漏水の規模等の同定情報を出力する漏水情報出力部１０６と、計測対象となる送配水パイプラインの管径や水圧などの施設情報を入力する計測施設情報入力部１０５と、を少なくとも備えている。

【0062】

上記のようなデバイス構成又はプログラム構成により、前述した漏水現象の同定方法を実行することで、漏水現象を高い精度で同定することが可能となる。

【0063】

また、漏水現象の同定システム１００によって調査した共用中の実構造物において、実際に確認した漏水孔Ｈの位置（漏水センサ１からの距離）や漏水孔Ｈの径、水圧などの情報を、都度、教師有りデータとして機械学習部１０４へ入力することで、次第に漏水現象の同定精度を向上させることが可能となる。

【0064】

（その他の実施態様）
以上、本発明の機械学習による漏洩現象の同定方法及び同定システムについて、送配水パイプラインにおける漏水現象の同定方法を例に、その実施形態を説明したが、本発明は必ずしも上記したような構成に限定されるものではなく、以下のような種々の変更が可能となっている。

【0065】

例えば、本発明の機械学習による漏洩現象の同定方法及び同定システムは、必ずしも送配水パイプラインに限定されるものではなく、燃料配管やガス管、蒸気配管など、種々の流体を移送する加圧パイプラインに適用することが可能であり、流体の特性を考慮するとともに、加圧パイプラインに単一の漏洩センサを設置することにより、高精度に流体の漏洩現象（漏洩現象の有無、漏洩位置、漏洩規模（漏洩孔の径）など）を同定することが可能である。

【0066】

以上、本発明の実施形態について図面にもとづいて説明したが、具体的な構成は、これらの実施形態に限定されるものではない。本発明の範囲は、上記した実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれる。また、上記実施例に記載された具体的な材質、寸法形状等は本発明の課題を解決する範囲において、変更が可能である。

【符号の説明】

【0067】

１ 漏水センサ（漏洩センサ）
２ プリアンプ
１００ 漏水現象の同定システム
１０１ 計測データ解析部
１０２ 計測条件設定部
１０３ パラメータ抽出部
１０４ 機械学習部
１０５ 計測施設情報入力部
１０６ 漏水情報出力部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】