Neues Verfahren erkennt Rohrverstopfungen und Lecks in Wasserversorgungsnetzen in Echtzeit

Wasserversorgungsnetze sind für die öffentliche Gesundheit und die Wirtschaft von entscheidender Bedeutung. Sie stehen jedoch vor komplexen Problemen wie Rohrverstopfungen und Hintergrundlecks, die durch Dateninstabilität und fehlende Kennzeichnungen noch verschärft werden. In einer kürzlich veröffentlichten Studie wird ein völlig unüberwachtes, online lernendes System vorgestellt, das genau diese Störungen zuverlässig erkennt.

Das Konzept kombiniert einen Long‑Short‑Term‑Memory‑Variational‑Autoencoder (LSTM‑VAE) mit einem dualen Drift‑Erkennungsmechanismus. Rohrverstopfungen werden als kollektive Anomalien modelliert, während Hintergrundlecks als Konzeptdrift behandelt werden. Durch diese Kombination kann das System sowohl plötzlich auftretende Ausfälle als auch allmähliche Veränderungen in den Messdaten erkennen.

Ein besonderer Vorteil des Ansatzes ist seine Leichtgewichtigkeit: Der Algorithmus benötigt wenig Speicher und kann auf Edge‑Geräten in Echtzeit ausgeführt werden. In Tests an zwei realistischen Wasserversorgungsnetzen zeigte das System eine konsequente Überlegenheit gegenüber etablierten Baselines – sowohl bei der Erkennung von Anomalien als auch bei der Anpassung an wiederkehrende Drift‑Phänomene.

Die Ergebnisse unterstreichen die Wirksamkeit eines unüberwachten, adaptiven Ansatzes für die Überwachung dynamischer Wasserversorgungsnetze und eröffnen neue Perspektiven für die frühzeitige Fehlererkennung in kritischen Infrastrukturen.