ALGORYTMY LOKALIZACJI AWARII W SIECI WODOCI GOWEJ PRZY U YCIU SIECI NEURONOWYCH

Transkrypt

1 ALGORYTMY LOKALIZACJI AWARII W SIECI WODOCI GOWEJ PRZY U YCIU SIECI NEURONOWYCH IZABELA ROJEK, JAN STUDZIŃSKI Streszczenie W artykule przedstawiono algorytmy lokalizacji awarii sieci wodoci gowej przy u yciu sieci neuronowych. Algorytmy te maj by cz ci systemu monitoringu i zarz dzania sieci wodoci gow. Obecne wykorzystanie systemów monitorowania nie odpowiada ich mo liwo ciom. Współcze nie systemy monitoringu słu jako autonomiczne programy do zbierania informacji o przepływach i ci nieniach wody w pompowniach ródłowych, hydroforniach strefowych i ko cówkach sieci wodoci gowej, daj c ogóln wiedz o stanie jej pracy, gdy jednocze nie mog i powinny by wykorzystane jako elementy systemów zarz dzania sieci, w tym w szczególno ci w zakresie wykrywania i lokalizacji wycieków wody. Modele lokalizacji awarii sieci s tworzone przy wykorzystaniu stosunkowo prostych sieci neuronowych typu MLP, RBF, Kohonena oraz hybrydowych sieci neuronowych. Słowa kluczowe: sie wodoci gowa, model hydrauliczny sieci, wykrywanie i lokalizacja wycieków wody, sieci neuronowe 1. Wst p Przedsi biorstwo wodoci gowe w zakresie sieci wodoci gowej zajmuje si dystrybucj wody odpowiedniej jako ci w ilo ci gwarantuj cej zaspokojenie potrzeb odbiorców, poprawn eksploatacj sieci wodoci gowej zapewniaj c wła ciwe ci nienie w w złach odbiorczych, sprawnym usuwaniem awarii oraz planowaniem i wykonywaniem prac zwi zanych z konserwacj, modernizacj i rozbudow sieci [1]. Sterowanie sieci wodoci gow jest trudnym i kompleksowym procesem. Bardzo istotnym problemem w zarz dzaniu przedsi biorstwem wodoci gowym jest wykrywanie i lokalizacja ukrytych wycieków wody w sieci wodoci gowej. Spowodowane tym straty wody w ruroci gach, dochodz ce niekiedy nawet do 30%, wpływaj niekorzystnie na wyniki finansowe przedsi biorstw wodoci gowych, które utraconej wody nie mog sprzeda. U odbiorców wody straty te odbijaj si w zwi kszonych opłatach za wyprodukowana i niezu yt faktycznie wod. Szybka lokalizacja i eliminacja ukrytych wycieków wody z nieszczelnych ruroci gów przynosi zatem wymierne korzy ci ekonomiczne zarówno dostawcom, jak i odbiorcom wody, czyli przedsi biorstwu wodoci gowemu i u ytkownikom sieci wodoci gowej.

2 147 Studies & Proceedings of Polish Association for Knowledge Management Nr 49, 2011 Etapy dotycz ce awarii w sieci wodoci gowej mo na okre li w nast puj cy sposób: wykrycie awarii stwierdza si stan awaryjny w postaci strat wody, ale nie jest znana jego lokalizacja, lokalizacja awarii stwierdza si stan awaryjny i jego dokładn lub przybli on lokalizacj za pomoc odpowiednio opracowanych algorytmów, z wykorzystaniem systemów monitoringu, modeli hydraulicznych sieci wodoci gowej i w szczególno ci sieci neuronowych, przeciwdziałanie awarii na podstawie danych historycznych o stanach awaryjnych nast puje prognozowanie kolejnych stanów awaryjnych i opracowuje si plany rewitalizacji sieci wodoci gowej. 2. Algorytmy lokalizacji awarii w sieci wodoci gowej Istniej ró ne podej cia i algorytmy obliczeniowe do wspomagania wykrywania i lokalizacji wycieku wody w sieci wodoci gowej, prezentowane w literaturze. W ka dym przypadku podstaw oblicze s model hydrauliczny sieci wodoci gowej i pomiary przepływu wody, wzgl dnie przepływu i ci nienia pozyskiwane z punktów pomiarowych systemu monitoringu zainstalowanego na sieci. Oznacza to, e dla praktycznej realizacji tych algorytmów jest niezb dna odpowiednia infrastruktura informatyczna wdro ona i eksploatowana w przedsi biorstwie wodoci gowym. W skład tej infrastruktury powinny wchodzi system SCADA monitoringu sieci, skalibrowany model hydrauliczny i równie system GIS generowania mapy numerycznej [2]. Taka infrastruktura pozwala nie tylko wykrywa i lokalizowa awarie sieci wodoci gowej, ale równie zarz dza sieci, wykonuj c takie na przykład zadania, jak sterowania sieci wodoci gow, analiza jako ci wody, optymalizacja i projektowanie sieci itp. [2, 3]. Oznacza to, e wysoko rozwini te technologie informatyczne mog sta si u ytecznym i w przyszło ci niezb dnym narz dziem dla operatora sieci wodoci gowej, wspomagaj cym racjonaln eksploatacj sieci Algorytmy lokalizacji awarii przy wykorzystaniu systemu monitoringu i modelu hydraulicznego W Instytucie Bada Systemowych PAN opracowano do tej pory 2 algorytmy lokalizowania awarii w sieci wodoci gowej. Pierwszy z nich korzysta jedynie z systemu monitoringu i został cz ciowo przetestowany w wodoci gach rzeszowskich [4]. Polega on na tym, e dla punktów pomiarowych zainstalowanych na sieci wodoci gowej wyznacza si, na podstawie pomiarów historycznych, tak zwane standardowe wzgl dnie wzorcowe krzywe przepływów godzinowych i porównuje si je z bie cymi pomiarami odczytywanymi przez system monitoringu. Je eli ró nica mi dzy wyznaczan krzyw bie c i wyznaczon krzyw wzorcow jest mniejsza od zadanego przedziału tolerancji, to przyjmuje si, e sie wodoci gowa pracuje bezawaryjnie. Je eli natomiast ta ró nica jest du e, to przyjmuje si, e w otoczeniu punktu pomiarowego sygnalizuj cego t ró nic nast pił stan awaryjny. Z kolei inny algorytm lokalizacji awarii prezentowany w literaturze korzysta ju zarówno z systemu monitoringu, jak i skalibrowanego modelu hydraulicznego sieci wodoci gowej [2].

3 148 Izabela Rojek, Jan Studzi ski Algorytmy lokalizacji awarii w sieci wodoci gowej przy u yciu sieci neuronowych Algorytm ten składa si z nast puj cych kroków: Wykonanie oblicze hydraulicznych sieci, dla zadanego poziomu obci enia, za pomoc modelu hydraulicznego. Zapis warto ci przepływów i ci nie w punktach pomiarowych systemu monitoringu dla wykonanych oblicze (zapis standardowego rozkładu ci nie i przepływów). Symulacja wycieków w kolejnych w złach sieci wodoci gowej za pomoc modelu hydraulicznego. Zapis warto ci przepływów i ci nie w punktach pomiarowych dla wykonanych symulacji stanów awaryjnych (zapis awaryjnych rozkładów ci nie i przepływów). Rejestracja pomiaru z systemu monitoringu, odbiegaj cego od standardu dla zadanego poziomu obci enia sieci. Zapis warto ci przepływów i ci nie w punktach pomiarowych dla stwierdzonej nietypowej sytuacji (zapis nietypowego rozkładu ci nie i przepływów). Znalezienie w ród zapisów stanów awaryjnych zapisu najbardziej zbli onego do zapisu nietypowego. Znaleziony zapis wskazuje w zeł sieci, w którym najprawdopodobniej doszło do wycieku Algorytm lokalizacji awarii przy wykorzystaniu sieci neuronowej Analiza obecnego stanu bada dotycz cych wspomagania wykrywania i lokalizacji wycieków wody w sieci wodoci gowej wykazała, e jest miejsce na kolejne badania dotycz ce tego problemu. W ramach projektu rozwojowego Ministerstwa Nauki i Szkolnictwa Wy szego nr NR /2010 rozpocz to m.in. prace dotycz ce opracowania inteligentnego systemu komputerowego detekcji i lokalizacji awarii w sieci wodoci gowej. Zakres tych prac jest szerszy, ni w przypadku algorytmów przedstawionych wcze niej. Przede wszystkim system b dzie testowany zarówno na danych symulowanych, jak i rzeczywistych, pozyskiwanych z przedsi biorstw wodoci gowych w Rzeszowie i Głubczycach. Po drugie, do modelowania sieci wodoci gowej, dla celów porównawczych i weryfikacji wyników, zostanie zastosowanych kilka modeli hydraulicznych i tak e ró nego typu sieci neuronowe: MLP, RBF, Kohonena oraz hybrydowe sieci neuronowe. Pierwszy etap prac z wykorzystaniem sieci neuronowych dotyczy opracowania samego algorytmu lokalizacji awarii sieci wodoci gowej, który w przyszło ci stanie si elementem tworzonego systemu komputerowego. Bazuj c na okre lonej liczbie czujników przepływu zainstalowanych w przewodach sieci wodoci gowej, a w drugiej wersji algorytmu wykorzystuj c równie czujniki ci nienia zainstalowane w w złach, i dysponuj c odpowiednio wytrenowan sieci neuronow, mo na pojawiaj ce si awarie sieci szybko i w sposób automatyczny wykrywa i lokalizowa. Algorytm ten składa si z nast puj cych kroków: 1. Wyznaczenie punktów wra liwych sieci wodoci gowej przy u yciu systemu do optymalnego planowania systemu monitoringu. 2. Wybór odpowiedniej liczby najbardziej wra liwych punktów pomiarowych, z których pozyskuje si najwi kszy zasób informacji o wyst puj cych w sieci stanach awaryjnych.

4 149 Studies & Proceedings of Polish Association for Knowledge Management Nr 49, Wykonanie oblicze hydraulicznych sieci, dla zadanego poziomu obci enia, za pomoc wybranego i odpowiednio skalibrowanego modelu hydraulicznego. 4. Zapis warto ci przepływów i ci nie w punktach pomiarowych systemu monitoringu dla wykonanych oblicze (zapis standardowego rozkładu ci nie i przepływów). 5. Symulacja wycieków w kolejnych w złach sieci wodoci gowej za pomoc modelu hydraulicznego. 6. Zapis warto ci przepływów i ci nie w punktach pomiarowych dla wykonanych symulacji stanów awaryjnych (zapis awaryjnych rozkładów ci nie i przepływów). 7. Utworzenie klasyfikatora lokalizuj cego awarie w postaci ró nego typu sieci neuronowych i wybór klasyfikatora najlepszego według kryterium najwi kszej wra liwo ci. 8. Rejestracja z systemu monitoringu pomiaru odbiegaj cego od standardu dla zadanego poziomu obci enia sieci, czyli w przypadku wyst pienia awarii znalezienie w ród modeli sieci neuronowych modelu takiego, który wskazuje dokładnie w zeł sieci z zaistniałym wyciekiem. 9. Zmiana rodzaju modelu hydraulicznego i powrót do punktu Porównanie i weryfikacji wyników dla ró nych modeli hydraulicznych i ró nych sieci neuronowych w celu najlepszego zamodelowania sieci wodoci gowej i najdokładniejszego lokalizowania awarii. 3. Wyznaczenie punktów wra liwych sieci wodoci gowej przy u yciu algorytmu do planowania systemu monitoringu W celu znalezienia najlepszych lokalizacji czujników w punktach pomiarowych systemu monitoringu wyznacza si tzw. punkty wra liwe sieci wodoci gowej przy u yciu algorytmu do planowania systemu monitoringu. Aby zmaksymalizowa ilo informacji przekazywanych przez punkty pomiarowe, powinny on by tak wybrane, aby przekazywały wiedz o stanie sieci nie tylko z danego punktu, ale równie z jego tak e dalszego otoczenia. Takie punkty charakteryzuj ce si du wra liwo ci na zmiany stanu sieci nazwiemy punktami charakterystycznymi. Maksymalizacja przekazywanej informacji oznacza zwykle, w tradycyjnie planowanych systemach monitoringu, zwi kszanie liczby punktów pomiarowych, a wi c działanie przeciwne do opisanego powy ej. Dlatego nale y podkre li, e odpowiedni wybór stosunkowo niewielkiej liczby punktów charakterystycznych mo e by równowa ny pod wzgl dem jako ci i ilo ci przekazywanej wiedzy o sieci wi kszej liczbie punktów zlokalizowanych w mniej wra liwych miejscach sieci. Wybór odpowiednich punktów pomiarowych do monitorowania sieci wodoci gowej jest nietrywialnym zadaniem, do rozwi zania którego mo na stosowa ró ne algorytmy obliczeniowe. Jednym z nich jest algorytm podany przez R. Straubela i B. Holznagela w pracy [5]. Składa si on z nast puj cych czterech kroków: 1. Wykonanie oblicze symulacyjnych przy u yciu modelu hydraulicznego sieci wodoci gowej dla stanu standardowej eksploatacji sieci: Dla zadanego redniego obci enia sieci wyznacza si ci nienia w złowe we wszystkich w złach i przepływy we wszystkich odcinkach sieci.

5 150 Izabela Rojek, Jan Studzi ski Algorytmy lokalizacji awarii w sieci wodoci gowej przy u yciu sieci neuronowych 2. Wykonanie oblicze symulacyjnych dla stanów awaryjnych sieci: Przy symulowanych kolejno w ka dym w le sieci wyciekach awaryjnych, istotnie ró nych od obci enia redniego, wyznacza si nowe ci nienia w złowe we wszystkich w złach i nowe przepływy we wszystkich odcinkach sieci. 3. Sortowanie potencjalnych punktów pomiarowych m według malej cej wra liwo ci S D na zmiany ci nienia (podobny wzór formułuje si dla zmian przepływów b d cych wynikiem symulowanych wycieków awaryjnych w przewodach sieci wodoci gowej): ( p mk / p m ) E km = k m SDm E km k m pmk = P mk p m m = 1, 2,..., N gdzie p m oznacza ci nienie w punkcie m dla redniego obci enia sieci, P mk - ci nienie w punkcie m dla wycieku awaryjnego w punkcie k, E km najkrótsz odległo liczon wzdłu odcinków sieci mi dzy punktami k i m, N oznacza liczb wszystkich w złów sieci. 4. Optymalizacja wielokryterialna dla wyznaczenia liczby i lokalizacji punktów pomiarowych: Uwzgl dniaj c wszystkie mo liwe kombinacje liczby i umiejscowienia punktów pomiarowych wykonuje si obliczenia optymalizacji z nast puj cymi kryteriami celu: Minimalizacja liczby punktów Maksymalizacja wra liwo ci sieci na symulowane wycieki Minimalizacja kosztów instalacji punktów pomiarowych z wariantowym uwzgl dnianiem tylko pomiarów ci nienia, tylko pomiarów przepływów lub ł cznie pomiarów ci nienia i przepływów. Przy tym jako miar wra liwo ci sieci na symulowane wycieki mo na stosowa na przykład sum ró nic bezwzgl dnych mi dzy pomiarami ci nie dla standardowego stanu pracy sieci i stanów awaryjnych dla przyjmowanych ró nych kombinacji liczby i lokalizacji punktów pomiarowych, w przypadku, gdy w systemie monitoringu uwzgl dniamy jedynie pomiary ci nienia. 4. Wykonanie oblicze hydraulicznych sieci, dla zadanego poziomu obci enia, za pomoc wybranego modelu hydraulicznego Wykonanie oblicze hydraulicznych sieci, zapis warto ci przepływów i ci nie w punktach pomiarowych systemu monitoringu dla wykonanych oblicze (zapis standardowego rozkładu ci nie i przepływów), symulacja wycieków w kolejnych w złach sieci wodoci gowej za pomoc modelu hydraulicznego w miejscach wra liwych oraz zapis warto ci przepływów i ci nie w punktach pomiarowych dla wykonanych symulacji stanów awaryjnych (zapis awaryjnych rozkładów ci nie i przepływów) słu do przygotowania plików ucz cych dla sieci neuronowych, które posłu z kolei jako modele do lokalizacji awarii w sieci wodoci gowej. Oznacza to, e odpowiednio skalibrowany model hydrauliczny sieci wodoci gowej jest traktowany w obliczeniach jako obiekt rzeczywisty, natomiast sie neuronowa jest traktowana

6 Studies & Proceedings of Polish Association for Knowledge Management Nr 49, jako model obiektu. Natomiast do kalibracji modelu hydraulicznego słu dane pomiarowe z rzeczywistego obiektu, czyli z badanej sieci wodoci gowej. Hydraulika przykładowej sieci wodoci gowej została pokazana na rys. 1. W celu pozyskania danych do kalibracji modelu hydraulicznego sieci wodoci gowej i w dalszej kolejno ci do opracowania algorytmu lokalizacji awarii wykorzystuje si system monitoringu zainstalowany na sieci. Współcze nie w coraz wi kszym stopniu nadzorowanie parametrów sieci wodoci gowej odbywa si z wykorzystaniem systemów SCADA monitoringu [4]. Standardowy system monitoringu składa si z trzech podstawowych elementów: urz dze pomiarowych do mierzenia ci nienia i przepływu wody, zamontowanych w tak zwanych punktach pomiarowych zainstalowanych na sieci wodoci gowej; systemu transmisji danych z punktów pomiarowych do komputera (serwera) zbieraj cego i archiwizuj cego dane pomiarowe; oraz z programu wizualizacji sieci wodoci gowej ze zlokalizowanymi na niej punktami pomiarowymi. Przepływy i ci nienia wody okre laj stan sieci, wi c bie ce informacje o warto ciach tych parametrów pozwalaj zorientowa si, czy sie pracuje wła ciwie. Rysunek 1. Hydraulika sieci wodoci gowej Zło ono miejskich sieci wodoci gowych ci gle ro nie, przez co zwi ksza si lub przynajmniej powinna si zwi ksza liczba wszelkiego rodzaju czujników (sensorów) pracuj cych w sieci. Współcze nie operator sieci jeszcze radzi sobie z obsług zwykle stosunkowo mało rozbudowanego systemu monitoringu i potrafi samodzielnie przeciwdziała zdarzaj cym si nieprawidłowo ciom. Jednak w niedługim czasie, przy stale zwi kszaj cych si rozmiarach sieci wodoci gowych i w konsekwencji rozbudowywanych systemach monitoringu ulegnie to zmianie

7 152 Izabela Rojek, Jan Studzi ski Algorytmy lokalizacji awarii w sieci wodoci gowej przy u yciu sieci neuronowych i wtedy niezb dne stan si modele nadzoru parametrów sieci wykorzystuj ce metody sztucznej inteligencji do kontroli jej parametrów. Inteligentny system wspomagania decyzji, wykorzystuj cy matematyczne modele nadzoru sieci, znacznie lepiej od człowieka radzi sobie z przetwarzaniem ogromnej ilo ci informacji i wiedzy sensorycznej przychodz cej jednocze nie z wielu ródeł i w krótkich odst pach czasu. Człowiek nie jest w stanie poprawnie i dostatecznie szybko analizowa tak du ej liczby danych, dlatego musi by wspomagany przez inteligentne systemy sterowania i zarz dzania sieci wodoci gow. Monitoring sieci wodoci gowej słu y do zbierania, archiwizacji i wizualizacji historycznych i bie cych informacji o pracy i stanie sieci. Na rys. 2 przedstawiono fragment danych wej ciowych do oblicze hydraulicznych sieci wodoci gowej. Z kolei na rys. 3 s pokazane dane zbierane przez punkty pomiarowe systemu monitoringu. S one wizualizowane na ekranie modelu hydraulicznego sprz gni tego z systemem monitoringu. Rysunek 2. Fragment danych wej ciowych do systemu detekcji awarii, opisuj cych w zły sieci

8 153 Studies & Proceedings of Polish Association for Knowledge Management Nr 49, 2011 Rysunek 3. Dane przekazywane z punktów pomiarowych systemu monitoringu do modelu hydraulicznego Model hydrauliczny sieci wodoci gowej o nazwie MOSUW-H opracowano w Instytucie Bada Systemowych PAN jako element zintegrowanego systemu informatycznego do kompleksowego zarz dzania miejskim systemem zaopatrzenia w wod [1]. Maj c dane warto ci przepływu i ci nienia wody generowane przez model hydrauliczny sieci, skalibrowany na podstawie rzeczywistych pomiarów, mo na przyst pi do budowy klasyfikatora w postaci sieci neuronowej, który b dzie sygnalizował wyst pienie awarii w sieci wodoci gowej oraz podawał jej lokalizacj. 5. Utworzenie i wybór najlepszego klasyfikatora lokalizuj cego awarie w postaci ró nych sieci neuronowych Modele lokalizacji awarii sieci s tworzone przy wykorzystaniu stosunkowo prostych sieci neuronowych typu MLP, RBF, Kohonena oraz hybrydowych sieci neuronowych. Sieci MLP niezmiennie s najbardziej rozpowszechnionymi i uniwersalnymi sieciami neuronowymi stosowanymi do rozwi zywania ró nych problemów. Sieci RBF posiadaj kilka zalet w porównaniu z sieciami typu MLP. Po pierwsze, jak ju wcze niej stwierdzono, mog one modelowa dowoln funkcj nieliniow za pomoc pojedynczej warstwy ukrytej, przez co eliminuje si konieczno podejmowania na etapie projektowania decyzji dotycz cej liczby warstw. Po drugie, prosta transformacja liniowa dokonywana w warstwie wyj ciowej mo e by w cało ci zoptymalizowana przy u yciu tradycyjnych technik modelowania liniowego, które s szybkie i przy ich stosowaniu nie pojawiaj si takie problemy, jak minima lokalne, które wyst puj w uczeniu sieci MLP. Z tego powodu sieci RBF mog by uczone w bardzo krótkim czasie (ró nica w szybko ci uczenia dotyczy rz dów wielko ci).

9 154 Izabela Rojek, Jan Studzi ski Algorytmy lokalizacji awarii w sieci wodoci gowej przy u yciu sieci neuronowych Samoorganizuj ce si mapy, zwane te sieciami Kohonena, to sieci neuronów, z którymi s stowarzyszone ich współrz dne definiowane na prostej, płaszczy nie lub w dowolnej n-wymiarowej przestrzeni. Uczenie tego rodzaju sieci polega na zmianach współrz dnych neuronów tak, aby d yły one do wzorca zgodnego ze struktur analizowanych danych. Oznacza to, e sieci rozpinaj si wokół zbiorów danych, dopasowuj c do nich swoj struktur. Hybrydowa sie neuronowa jest zło eniem prostych sieci neuronowych (rys. 4). Wej cie sieci hybrydowej zawiera wej cia poszczególnych prostych sieci neuronowych. Wyj cie modelu zło onego jest zło eniem wyj poszczególnych sieci. W prowadzonych badaniach rozpatruje si dwa rodzaje hybrydowych sieci neuronowych. W pierwszym przypadku ko cowa predykcja otrzymywana jest na zasadzie głosowania (zwyci zca bierze wszystko) najliczniej reprezentowana warto jest warto ci wyj ciow zespołu (zespół ze zwyci zc ). W drugim przypadku na sieci składowe nało one s pewne ograniczenia. Wy cie zło one składane jest w tym przypadku na poziomie neuronów wyj ciowych. Zespoły tego typu u redniaj wyj cia wszystkich sieci składowych (zespół z u rednieniem). Zespoły te s wa nym narz dziem walki z efektem tak zwanego przeuczania sieci: poprawiaj one mo liwo ci generalizacyjne modelu. U rednianie predykcji otrzymywanych z sieci o ró nej strukturze, inaczej uczonych, to znaczy uczonych na podstawie ró nych przypadków, zmniejsza rozrzut ko cowych wyników. Jest to prosta droga poprawy zdolno ci uogólniaj cych. Z teorii wynika, e jako zespołu jest lepsza lub co najmniej równa redniej jako ci sieci składowych. W ramach prowadzonych bada zostały wykonane eksperymenty z jednorodn i ze zró nicowan wiarygodno ci sieci w hybrydowej sieci neuronowej. Wiarygodno zró nicowana została osi gni ta poprzez wprowadzenie wag. Te wagi s u ywane na etapach głosowania i u redniania. W ten sposób niektóre sieci neuronowe maj wi kszy lub mniejszy wpływ na wynik ko cowy. Wcze niejsze badania wykazały zró nicowan dokładno ka dej sieci, dlatego wprowadzono zró nicowanie wa no ci sieci. Wagi s dobierane w sposób eksperymentalny. Rysunek 4. Hybrydowa sie neuronowa Budowa hybrydowych sieci neuronowych i ich specyfika zostały szczegółowo opisane w pracy [6]. Wej ciami sieci neuronowych s warto ci przepływu w ró nych w złach pomiarowych systemu monitoringu. Natomiast wyj ciami sieci neuronowych s punkty na sieci wodoci gowej, w których mog wyst pi stany awaryjne.

10 155 Studies & Proceedings of Polish Association for Knowledge Management Nr 49, 2011 Klasyfikator jest tworzony według opracowanej wcze niej metodyki i umieszczony w specjalnej bazie modeli [6]. Inteligentne systemy wspomagania decyzji maj w swoim składzie baz modeli, w której przechowuj opracowane modele i informacje o modelach. Zadaniem bazy modeli jest umo liwienie u ytkownikowi wykorzystania przygotowanych modeli bez ich tworzenia. Cz sto baza modeli współpracuje z bran ow baz danych systemu GIS, co pozwala na wielokrotne wykorzystanie, nawet w ró nych modelach, informacji wprowadzonych do bazy danych i w niej zapami tanych. Z baz modeli współpracuje tak e baza wiedzy, której zadaniem jest podpowiadanie u ytkownikowi systemu komputerowego, jakich modeli powinien u y w danej sytuacji, lub jakie dane s mu potrzebne do aktualnych oblicze. 6. Podsumowanie Wykorzystanie metod sztucznej inteligencji, w tym sieci neuronowych, umo liwia utworzenie komputerowego systemu wspomagania decyzji, który w sposób automatyczny pozyskuje wiedz i ma wła ciwo adaptacji. Jest to szczególnie wa ne przy opracowywaniu systemu wspomagania decyzji dla zło onych systemów technicznych, w których nast puj ci głe zmiany, jedne podprocesy zale od innych, wiele czynników zale y jeden od drugiego i ka da zmiana systemu powoduje kolejne zmiany. Do takich systemów technicznych nale miejskie sieci wodoci gowe. Wszystkie opisane tu algorytmy maj na razie przede wszystkim warto akademick, poniewa, jak wspomniano wcze niej, ich praktyczna realizacja wymaga dosy zaawansowanej infrastruktury informatycznej zainstalowanej na sieci wodoci gowej, co w przypadku krajowych przedsi biorstw wodoci gowych obecnie nie ma miejsca. Przy tym poszczególne elementy tej infrastruktury powinny ze sob ci le współpracowa, co tym bardziej nie jest jeszcze praktykowane w krajowych wodoci gach. Zastosowanie metod sztucznej inteligencji we wspomaganiu detekcji i lokalizacji awarii na miejskich sieciach wodoci gowych wprowadza now jako do sterowania sieci wodoci gow oraz mo e sta si podstaw algorytmizacji nowych systemów zarz dzania miejskimi systemami zaopatrzenia w wod, zwanych systemami inteligentnymi. Bibliografia [1] Studzi ski J., Bogdan L.: Informatyczny system wspomagania decyzji do zarz dzania, sterowania operacyjnego i planowania miejskiego systemu wodno- ciekowego. W: Studzi ski J., Drelichowski L., Hryniewicz O. (Red.): Rozwój i zastosowania metod ilo- ciowych i technik informatycznych wspomagaj cych procesy decyzyjne, IBS PAN, Seria Badania Systemowe 49, Warszawa [2] Studzi ski J.: Innowacje XXI wieku nowoczesne techniki informacyjne wspomagania zarz dzania w przedsi biorstwach sieciowych. W: Innowacyjne Mazowsze (A. Straszak, red.) Wyd. SWPW w Płocku, Płock [3] Farmani R., Ingeduld P., Savic D., Walters G., Svitak Z., Berka J.: Real-time modeling of a major water supply system. International Conference on Computing and Control for the Water Industry, N o 8, Exeter, ROYAUME-UNI, vol. 160, no 2, , [4] Studzi ski J.: Zastosowanie danych z monitoringu w systemie zarz dzania miejsk sieci wodoci gow. Studia i Materiały Polskiego Stowarzyszenia Zarz dzania Wiedz, Tom 8, Bydgoszcz 2007,

11 156 Izabela Rojek, Jan Studzi ski Algorytmy lokalizacji awarii w sieci wodoci gowej przy u yciu sieci neuronowych [5] Straubel R., Holznagel B.: Mehrkriteriale Optimierung fuer Palnung und Steuerung von Trink- und Abwasser-Verbundsystemen. Wasser Abwasser, 140, Nr. 3, 1999, [6] Rojek I., Wspomaganie procesów podejmowania decyzji i sterowania w systemach o ró nej skali zło ono ci z udziałem metod sztucznej inteligencji. Wyd. Uniwersytetu Kazimierza Wielkiego, 212 stron, Bydgoszcz Praca wykonana w ramach projektu rozwojowego MNiSW nr NR /2010. FAILURES LOCATION ALGORITHMS FOR WATER-SUPPLY NETWORK BY USE THE NEURAL NETWORKS Summary The failures location algorithms for water-supply network by use the neural networks were presented in the article. The algorithms have to be the part of monitoring and management system of water-supply network. The present utilization of the monitoring systems does not answer their possibilities. At present the monitoring systems provide as autonomic programs to gathering the information about flows and pressures of water in source pumping stations, the zone of hydrophore stations and the pipes of water-supply network, giving general knowledge about state of her work, when simultaneously they can and should be used as elements of systems of network management, in this particularly in the range of detection and location of water leakages. The models of network failure location are created relatively by use simple neural networks in the form of MLP, RBF, Kohonen networks and hybrid neural networks. Keywords: water-supply network, network hydraulic model, detection and location of water leakage, neural networks Izabela Rojek Uniwersytet Kazimierza Wielkiego Instytut Mechaniki i Informatyki Stosowanej ul. Chodkiewicza 30, Bydgoszcz izarojek@ukw.edu.pl Jan Studzi ski Instytut Bada Systemowych PAN ul. Newelska 6, Warszawa Jan.Studzinski@ibspan.waw.pl