水厂还在靠老师傅听音辨漏？AI智慧水务系统让管网漏损率从18%降到6%，一年省下几百万
水厂的老大难问题：管网漏了，谁知道？
去南方某水司调研的时候，他们总工跟我说了一句话，让我印象特别深："我们管网的漏损率，账面上是15%，实际上可能已经到20%了。因为很多小漏点，不是漏到地面上的，是渗到地底下去了，你不挖开根本不知道。"
这不是个例。根据住建部2025年发布的统计，全国城市公共供水管网平均漏损率在12%-15%之间，一些老城区甚至超过20%。一条DN400的管道，如果有个直径5毫米的漏点，一年漏掉的水量超过3万吨——按居民用水价格算，光这一个点就损失将近10万块。
过去怎么解决的？靠老师傅拿听音杆，一段一段管道去听。经验丰富的老师傅能听出七八成，但问题是——他们快退休了，年轻人不愿意干这活，技术断层比管道漏损还严重。
AI到底怎么管自来水？技术架构拆开看
我们给这家水司做的智慧水务系统，分成三层来说。
感知层：不是光装传感器就行
很多水司一上来就想着"装压力传感器、装流量计"，但装在哪、装什么精度、数据怎么传，这些才是真正决定成败的细节。
关键设备选型：
- 压力传感器：选了±0.1%精度的扩散硅压力变送器，部署在管网的关键节点——每个DMA（独立计量分区）的入口、主干管道的分岔处、以及末端压力最薄弱的区域。整个城区管网，覆盖了大约300个监测点。
- 流量计：DMA入口用电磁流量计（精度0.5级），居民入户用超声波水表（带NB-IoT远传模块）。
- 水质监测：在线余氯、浊度、pH传感器，部署在出厂水和管网末梢，每5分钟回传一次数据。
- 漏损监测：这个是最有意思的部分——我们在关键的管道上部署了振动传感器和声学传感器，用来捕捉管道泄漏产生的高频振动信号和声波。传感器采样频率设定在2kHz，足够覆盖大多数泄漏信号的频段（通常在200Hz-1.5kHz之间）。
数据传输：全部走NB-IoT，功耗低、穿透好。压力传感器每5分钟上报一次，流量计每15分钟，振动传感器在检测到异常信号时触发实时上报（平时每30分钟一次心跳包）。数据经过边缘网关初步处理后，通过4G专网上传至云端。
算法层：三个模型解决三个核心问题
1. 管网压力预测与异常检测
用的是LSTM时序预测模型，输入过去72小时的压力数据、用水量数据、以及天气数据（温度、湿度），预测未来2小时各节点的压力变化趋势。模型结构很简单：两层LSTM（每层128个神经元）+ 一层全连接。
训练数据用了这家水司过去两年的历史数据，大概70万条记录。实测效果：压力预测误差在±3%以内，异常压力事件检测的召回率达到92%。
关键经验：LSTM并不是什么新东西，但真正让它发挥价值的是特征工程。比如，把时间编码成"是否是工作日""是否是节假日""是否是用水高峰时段"这些特征，效果比直接丢时间戳好得多。
2. 漏损定位算法
这个才是真正的技术难点。水管漏了，你怎么知道在哪？
我们用了两套方案结合：
- 基于振动信号的泄漏定位：在管道两端各部署一个振动传感器，当泄漏发生时，两个传感器收到信号的时间差，结合声波在管道中的传播速度，可以算出泄漏点的大致位置。定位精度在±5米以内。
- 基于DMA水量平衡的夜间最小流量分析：利用凌晨2:00-4:00（用户基本不用水的时间段）的DMA入口流量，如果这个"夜间最小流量"突然上升，说明这个DMA内部出现了新的漏点。深圳某水司就是用这个方法，在一次夜间分析中发现了三个DMA的异常，第二天一早派人去查，果然找到了两处DN100的暗漏。
3. 水质预测与预警
用XGBoost模型预测出厂水和管网末梢的余氯衰减趋势，提前6小时预警余氯低于下限的情况。模型输入包括：初始余氯浓度、水温、pH值、管道口径、水流停留时间。
这个模型的好处是——可解释性强。XGBoost的特征重要性排序可以告诉你"余氯衰减主要是受水温影响，还是管道老化影响"，这对水厂的运营决策很有价值。
应用层：不是炫酷大屏，是真正能用的工具
很多水司的数字化项目，最后做出来就是个"大屏展示"，领导来参观的时候看一下，平时没人用。
我们做的这套系统，核心是三个真正有人用的工具：
- 值班员看板：显示当前管网的健康状态评分、最新的报警事件、以及未来两小时的压力趋势预测。红色代表需要立即响应的告警，黄色代表需要关注，绿色代表正常。
- 调度员工作台：按DMA分区展示漏损率排行榜、夜间最小流量趋势、以及建议的检漏优先级排序。调度员每天早上一来，先看这个，就知道今天该派检漏工去哪个片区。
- 管理层驾驶舱：月度漏损率变化曲线、投资回报分析、以及"如果没有AI系统，现在的漏损率应该是多少"的对比基线。
真实效果：一年省下多少？
系统上线运行了12个月之后，我们做了全面的效果评估：
- 管网漏损率从18.2%降到6.7%，下降了11.5个百分点
- 全年减少漏损水量约380万吨，按当地水价折算，直接经济效益超过680万元
- 检漏效率提升：以前一个检漏工每天只能查2-3公里管道，现在借助AI定位，每天能精准定位5-6个疑似漏点，效率翻倍
- 水质异常预警：提前预警了4起余氯偏低事件，避免了管网末端水质不达标的情况
- 投资回报周期：整个系统（含硬件采购、安装调试、软件开发、一年运维）总投入约350万元，不到7个月就收回了成本
想上这套系统，需要注意什么？
如果你也在考虑给水司或者水务集团做智慧水务系统，有几个坑可以提前避开：
- 不要一开始就追求大而全。先把DMA分区做起来，把基础数据打通，这是所有后续分析的基础。很多项目失败，就是因为基础数据都没做好就急着上AI。
- 传感器选型不要只看价格。便宜的压力传感器精度差、漂移大，出来的数据噪声大，模型根本没法用。宁可少装几个点，也要保证每个点的数据质量。
- 算法不是越复杂越好。LSTM、XGBoost这些已经很成熟了，关键是把业务逻辑吃透——漏损定位的核心不是算法，而是传感器部署方案和声波传播模型。
- 运维团队要跟上。系统上线后，需要有专人维护传感器、处理数据质量问题、定期重新训练模型。如果没人管，三个月后模型精度就会下降到不可用的程度。
如果你所在的单位也在考虑水务数字化的项目，欢迎来智岳科技聊聊，我们做过多个水务集团的智慧水务系统，从方案设计到落地实施都有实战经验，可以给你一些务实的建议。
