Tillståndskontroll av avloppsledningar sker för närvarande normalt genom att en kamera körs genom avloppsledningen och att en operatör noterar och betygssätter fel som upptäcks under inspektionen. Tekniken utvecklades framförallt under 1980-talet och bygger på att videoteknik kunde användas storskaligt och till en rimlig kostnad. Under åren har kameror fått bättre upplösning, data kring fel samt bilder kan lagras och överföras digitalt. Tolkning av fel kan numera även ske med hjälp av AI-teknik. Även bedömningssystem och utbildning för operatörer har utvecklats. På senare tid har en rad nya möjligheter uppstått både vad gäller själva inspektionstekniken men även för det efterföljande analysarbetet där neurala nätverk (ANN) kan användas för att värdera icke-inspekterade ledningar eller korrigera andra databrister.

Detta arbete syftar till att göra en beskrivning och definition av utrustning och analysmöjligheter inom området framtidens rörinspektioner. Arbetet bör förslagsvis inledas med en omvärldsanalys och beskrivning av state-of-the-art vad gäller tekniklösningar och analyslösningar samt deras för- och nackdelar.
Därefter bör en målbild formuleras över hur framtidens lösningar för rörinspektion kan gå till. Det är en fördel om det går att göra ett förslag eller en teoretisk prototyp eller liknande för ca 5-10 ledningar. Parallellt medverkar Stockholm Vatten och Avfall i ett arbete med att utveckla en ny typ av inspektionsrobot som också kan vara en del av prototypen.
Examensarbetet genomförs tillsammans med Stockholm Vatten och Avfall som även kommer att fungera som praktisk handledare.

Kortfatta om rörinspektioner: 

Inom området finns en rad utmaningar. Den största utmaningen är kanske att med nuvarande lösning så detekteras fel som redan inträffat. Inom underhåll finns en strävan efter att hitta (och minimera effekten av) fel innan de inträffat. Det är även en utmaning att definiera själva felet då avloppsvatten exempelvis även kan transporteras genom ett trasigt rör.

Med ny teknik finns redan en rad möjligheter: 

• Med AI-teknik kan fel, från bilder, tolkas automatiskt och resultatet kan göras objektivt. 

• Det går att mäta temperatur utmed rören. 

• Det går att detektera olika gaser i rören, exempelvis halten svavelväte. 

• Det går att aggregera resultaten från ett fåtal inspekterade rör för att skapa en prognos över fel för en hel stad. 

• Det går att mäta vattennivån i avloppsledningen. 

• Det går att mäta lutningen i förhållande till ursprunlgig lutning. 

• Det finns andra dataom exempelvis trafiklast och jordarter. Dessa data kan användas för att bättre förstå samband mellan skador och prediktering av kommande skador. 

• Det går att mäta ett rörs ovalitet. 

• Det finns resultat från hydrauliska modeller, kan dessa kombineras med övriga resultat och simlueringar? 

Med teknik som behöver utvecklas finns än fler möjligheter: 

• Det är möjligt att göra mycket noggranna 3D-scanningar av rörets insida. 
• Att med ultraljud undersöka själva rörväggen och dess egenskaper. 
• Att med radarteknik undersöka omgivningen utanför röret. 
• Det går att detektera olika gaser i rören, exempelvis halten av svavelväte. 
• Det skulle kunna gå att lyssna efter vattenläckor (från kamerautrustningen). 

Analys av resultaten från rörinspektioner sker på olika vis. Det är inte helt ovanligt att VA-organistionen helt enkelt letar efter "de värsta felen" och därefter åtgärdar dessa fel. Det finns även exempel på olika typer av kortbetyg. De enklaste typerna av kortbetyg indikerar att en ledning är i sämre kondition än en annan medan de mer avancerade systemen försöker prediktera en felutveckling. 

Intresserad? Kontakta då någon av följande personer: 

KTH
Carlo Fischione
Avd. för nätverk och systemteknik
carlofi@kth.se

Stockholm Vatten och Avfall
Tommy Giertz
tommy.giertz@svoa.se