自来水也和人工智能有关？看这家公司如何用AI+机器人维护管道
http://n.sinaimg.cn/translate/20170225/2lpG-fyawhqy1916636.jpg△ HiBot的机器人王新民 | 编译自FastCompany量子位·QbitAI 出品万万没想到，美国人民喝个水也要和人工智能扯上关系了。有一家名叫HiBot USA的公司，想要用机器人，大数据和人工智能结合起来，帮助美国各地的无数城市水务公司做更有效的老化管道升级工作，这将为城市自来水系统省下5000亿美元。事情的背景是这样的：自来水在美国一般由本地处理，由5万家市政公用事业公司负责调运和管理数百万英里的送水管道。由于自然老化以及外力因素，全国每年有24万个供水主断口，这些公用事业公司只能基于使用年龄随机更换使用年限长的供水管道。所谓“随机”，是说有的管道还好好的，却因为年纪太大被换掉了，而有些年限不长却快要坏掉了的管道，却没有更换。http://n.sinaimg.cn/translate/20170225/dD4k-fyavvth7882101.jpg△ Takashi KatoHiBot USA的CEO広瀬茂男看到了机会，他说，由于污水和天然气管道受到高度监管，因此只能按照非常严格的规则进行检查和更换，相关公司和这方面的机器人公司形成了定向服务。但是对于自来水系统来说，其监管制度更有利于新玩家进入市场。位于加利福尼亚州的HiBot USA公司是日本HiBot拆分出来的子公司，创始人広瀬茂男曾创造了在福岛核电站等“人类不宜”的区域工作的机器人。这个美国子公司于一年半之前成立，它的任务是将母公司的技术商业化，特别是管道探测机器人。HiBot美国业务发展副总裁Stenstedt提到，虽然城市间的大规模输水线路得到了充分检查，但是对城市自来水系统的小型管道网络进行逐一故障排查是不可能的。 比如旧金山长达1200英里的自来水管道，有相当一部分泄漏或破碎几十年了。这是由于大多数城市严格根据年龄来替换他们的管道，并且以每年约0.5%的速度进行更新替换，这意味着在水管道行业中，大约需要200年才能实现整个管道网络的更新。在旧金山这样的城市，更换每英里管道的费用为300万美元，在全国范围更换大约需要一万亿美元。就算钱不是问题，也根本不可能立刻拆毁所有的街道，以进行水管道网络的批量更换项目。然而对于市政府的管道更换项目来说，现有的至少40%的管道是不需要更换的。 这就意味着如果可以进行更有效的，针对性的更换，就能够省下4亿美元或更多的经费。这是HiBot机器人可以大展身手的地方。HiBot通过其数据库系统，基于对已经替换管道的检查和地区土壤动力学的评估，结合环境因素，能够计算出城市中各区域泄漏的风险。然后，Hibot公司的机器人进入自来水管道，以确定水管道的受损程度。这个机器人本身很小，有三个部分，像只有一节车厢的火车。 机器人的头部有一个摄像头，能够引导内部的磁性传感器，测量管道中的材料损失量，进而分析管道来了解其特点。水务公司是基于管道的历史年龄，进行A到F的评级，并使用这些评级来做出替换决定。而HiBot公司，是通过检查管道，来修正这些对于管道的评级。人工智能技术能够通过数据驱动，来进行具体管道泄漏分析。HiBot 公司不仅仅是依赖于年龄和泄漏历史来进行判断，而是通过将现有评级系统与包含国家土壤特性数据的地图进行比较，同时结合人工智能技术，来更好地预测管道故障可能发生的位置。石油和天然气产业由于行业特殊性，在其故障预测中不能出错，但水务公司不同，它们希望提高管道替换的效率。HiBot公司的数据库模型目前预测管道故障的准确率是80％-90％，他们将继续结合其他因素，提高模型的预测准确率。Hibot公司目前已经和旧金山地区至少两家市政管道公司达成合作。斯坦福大学电气工程系兼职教授Richard Dasher说：“我认为这项技术能够真正改变美国城市的管道网络。HiBot公司的技术将在投入应用后产生巨大的影响，这领域具有很大的发展市场。这是一个基于问题进行解决的典型例子。在看到问题的时候，他们开发了一个创新的解决方案，这不仅仅是一个新的机器人技术的应用，这是公司对于现实需求的真正匹配。当然，我们不能保证HiBot USA对城市水生态系统有真正的影响。因为想要改变具有惯性思维的公用事业公司的低效率方式，还有很多工作需要去做。”目前，HiBot USA还没有找到自己的商业模式，他们依然需要寻找一种赚钱的方式。摆在他们面前的还有另一个问题：他们的预测模型受到了其他因素的影响。由于管道的使用年限和安装时间有很大的区别。在不同时期，安装管道的厚度是不一样的。还有由于环境等因素造成的管道腐蚀问题。这些因素，通过对模型的优化是可以进行改善的。与此同时，土壤电阻率，高压地铁线路和陡峭的山坡迫使管道安装过程中使用了大量的特殊材料，这种过去被忽略的影响也将会作为输入数据导入模型中。“我们不能预测地震等自然因素，但我们可以预测管道的自然损坏情况。我们会通过数据，让人工智能告诉我们管道泄漏的位置。”
页:
[1]