米乐m6官方网站 (AIST) 信息技术研究所 (所长：工藤智博) 智能系统研究组和日本水解决方案有限公司 (NWS; 代表董事：深泽淳一) 开发了一种技术，利用声音异常分析技术，提前高精度缩小疑似漏水位置范围，该技术可学习通过机器学习对技术工人的判断。

已在两个城市进行了现场测试，与过去相比，可能会将必须由熟练工人检查漏水的位置减少到五分之一。缩小检查地点将导致检查成本大幅降低，这将减轻地方政府因人口减少导致水费收入下降而需要减少维护和管理成本的压力。此外，将其作为社会基础设施的维护和管理技术，预计将为目前漏水率超过30%的东南亚国家提供低成本的安全饮用水做出贡献。

通过学习型声音异常分析进行漏水检测定位

日本水管总敷设长度约为61万公里。其中，大量在高增长期铺设的水管将达到法定使用年限（40年），近期将进行更换。另一方面，水费收入仍然停滞在每年 3 万亿日元，这使得更换所有超过使用寿命的老化管道从成本角度来看很困难。但一旦发生漏水事故，不仅有可能造成供水中断等初级损害，还可能造成道路塌方引发交通事故等二次损害，防漏措施必不可少。因此，需要进行日常维护，以漏水检测为基础，长期确认和维护水管的安全。

此外，虽然东南亚国家正在迅速引进供水系统，但漏水率非常高（30%或更高），阻碍了经济的进一步发展。高漏水率不仅会带来水费急剧增加，给自来水厂带来负担，而且还存在污染物进入饮用水的风险，因此从安全供水的角度来看，漏水对策也非常重要。

然而，目前漏水检测严重依赖熟练工人的工作。日本的技术工人数量是有限的。未来由于老龄化而导致的数量减少是一个令人担忧的问题。相比之下，东南亚仍处于人力资源开发阶段。需要用IT取代部分熟练工人的技能，并缩小需要熟练工人进行漏水检查的地点。

AIST 一直在开发应对社会基础设施老化的技术，例如检测道路和桥梁恶化情况的技术。其中之一是学习型声音异常分析技术，已应用于锤击试验中，无损检测混凝土结构的各种缺陷。这种机器学习技术是利用各种数据所必需的技术之一，AIST 自 20 世纪 80 年代以来一直提出自适应学习型通用识别系统来实现这一目标。到目前为止，工作已经在静态和运动图像的异常检测技术方面进行，目前，工作目标已扩大到包括声学数据和时间序列传感器数据。

自 2012 年以来，AIST 在“亚洲战略、水项目”下为解决国际水问题做出了贡献，旨在通过政府、私营部门和研究机构之间的合作，为提高水业务竞争力做出贡献。作为这些活动的一部分，AIST与多年来从事水管泄漏检查的NWS一起，利用健全的异常分析技术进行漏水检测的联合研究，积累了相关专业知识。

漏水检测的先进方法之一是缩小漏水位置的技术（筛选方法），如图 1 所示。初步检查与每两个月抄一次水表并行进行，将声学检漏器与水表接触，检查是否存在漏水声音。作为二次检查，技术人员前往怀疑漏水的现场，使用漏水声检测棒等进行详细的漏水检查。迄今为止的一次检查记录表明，二次检查的数量已减少到所有家庭的 10% 以下。然而，在许多情况下，环境噪声等（伪泄漏声音）会导致误检测，需要熟练工人花费大量工时进行二次检查。

本研究中，在检漏人员初次检查中怀疑漏水的位置，利用声音异常分析技术将漏水声音与伪漏水声音区分开来，以大幅减少熟练工人二次检查的目标（图2）。

图1：使用漏水检查仪的筛查方法 目前正在引入先进的漏水检测方法，但寻求进一步减少工时。

图2：本研究针对的漏水检测方法 引入声音异常分析技术，改进筛查方法

本研究中使用的声音异常分析技术有两大特点。第一个是向计算机提供技术人员判断的案例记录，让计算机自动学习检测声音异常的最佳规则，而不是由人类来判断声音异常是什么。在传统的声音异常分析技术中，人类预先确定声音异常是什么，计算机无法将意外的奇怪声音检测为声音异常。然而，随着技术的发展，通过让计算机学习正常情况下的声音范围，它可以将范围之外的任何声音检测为声音异常。另外，进一步增加技术人员的判断案例，将使声音异常的检测规则更加准确。

第二个特征是向计算机判断案件时计算声音特征值的方法。通常，在声音异常分析中，根据分析目标的波形计算出紧凑且有用的判断信息，称为特征值。现有的声音异常分析技术中，一般采用傅立叶分析(频率分析)的结果作为特征值。然而，这被证明不足以检测漏水声音。随着声音异常分析技术的发展，除了频率分析外，还增加了时间轴上的变化，方便计算机学习。

利用两个地区城市77,789户家庭的检查数据对开发的声音异常分析技术进行了验证（图3）。使用漏水检查器对水表进行了检查，7,081户家庭被标记为疑似漏水。工作人员利用检漏棒对漏水声音进行二次检查后发现，一次检查结果，听不到声音的有4663例，有声音的有2418例。从2418例中随机抽取198例作为本次实验对象，共确认真实漏水案例28例。开发的分析技术判断，在198例中，有160例不是漏水，只有38例判断为漏水。换句话说，在初次检查中疑似的198例中，可以从二次检查的目标组中删除160例，从而使技术工人的工作量减少到近五分之一（=38/198）。

图3：详细验证结果

图4：使用所开发技术的判断结果细分

然而，如图4所示，在判断为不漏水的160例中，有5例是实际漏水。这些误判（漏检），但这些情况下的漏水声音很小，导致人们认为这是泄漏的初始阶段，并且达到了即使是熟练工人也可能忽视的水平（微小的泄漏位置）。如果这些微小泄漏位置的泄漏增加，漏水声音就会增加，开发的技术将正确判断为漏水。

另一方面，通过该技术判断为漏水的38例中，有15例误判（过度检测）。然而，考虑到使用泄漏检查器的泄漏判断已经过度检测了170例（= 198-28），可以说过度检测的家庭数量已大幅减少至8％（= 15/170）。

利用先进的声音异常分析技术，与传统技术相比，技术工人检查的地点数量可以减少到五分之一，从而大大降低检查成本。这项技术被认为对于面临人口下降的地方政府特别有效，这些地方政府的水费收入正在下降，但政府必须在有限的预算下维护和管理老化的水管。

未来将进一步完善声音异常分析技术，减少误判。此外，NWS的目标是在2015年将采用所开发技术的传感器设备商业化并推出。此外，还计划将这种声音异常分析技术部署到东南亚国家，用于漏水检测。