【記者林韋廷、張詠詠/台中市北區報導】
當我們打開水龍頭，自來水順暢流出，但你可能不知道，全台灣送出的自來水在運送過程中，有很大一部分的漏水是深埋在地底下，在流出地面之前，是完全看不見、也聽不到的。過去台水要找出這些地底下的漏水點，從收到異常數據、派人到現場沿街聽音檢查漏水，往往需要耗費一到兩個月的時間。
以台中市西屯區的至善小區為例，當台水同仁趕到現場時，柏油路面完全是乾的，後台數據卻顯示這裡每天正默默漏掉2300噸的自來水，相當於一天流失接近一座國際標準游泳池的水量。過去面對小區內長達10公里的地下管線，同仁只能在馬路上盲目巡查，從收到異常數據到沿街聽音定位，往往需要耗費一到兩個月的時間。為了不再讓珍貴的水資源在地下死角流失，台灣自來水公司與工業技術研究院共同開發了「WADA 大數據漏水的偵測輔助系統」，讓原本動輒數月的檢漏搜索，縮短在1天內就能知道哪裡漏水。
台灣自來水公司漏水防治處處長蔡博淵，科技轉型的背後，是蔡博淵面臨的現實。台水正遭受三大內憂外患夾擊：首先是管線暴增八倍但人力零成長，基層同仁深夜查漏已達人力極限；其次是老技師退休潮，導致內部出現龐大的的經驗斷層，新進同仁因缺乏經驗而誤判率高；最後則是極端氣候引發的旱災，社會不再容許水資源在地底流失數月。在這三大危機下，傳統深夜貼地盲聽的模式已走到盡頭，因此蔡博淵主動跨界向工研院求助，利用 AI 與大數據將技師的聽音經驗數位化，用科技手段在第一線為體制與水資源止血。
供水量暴增但人力無成長
1974年台灣自來水公司剛成立的時候，全台的管線總長度其實只有現在的八分之一。這五十年來，隨著台灣都市與經濟發展，地底下的管線和每天的供水量暴增了8倍，但台水維護管線的員工卻幾乎沒有增加，這造成現在每一位基層員工要服務的用戶數、要照顧的管線長度，是當年的六到八倍。
全台僅靠約90至93名檢漏人員尋找隱形漏水。他們必須在車流稀少的凌晨深夜，手持聽音桿沿街貼地聽診，藉由水流摩擦管壁或土壤的微弱音頻差異判斷位置。過去每人每年平均需巡檢高達700多公里管線，長工時的大範圍聽音極易導致聽覺麻木。此外，檢漏人才培育不易，一名技術人員從基本會聽到具備成熟的抓漏精準度，實務上至少需要累積長達五年的現場經驗。
近年來，這批平均年資曾高達20年的老技師陸續迎來退休潮，前線巡檢人員的平均年資在短時間內驟降到只剩約9年，技術面臨嚴重斷層。在老舊水管隨著歲月不斷老化破洞、而會聽聲音的師傅卻越來越少的現實困境下，蔡博淵深知不能再只靠傳統的人耳盲聽和人力在夜晚大海撈針，必須改用科技工具建立主動管制漏水的工作流程。
為解決新進同仁不會聽音的困境，WADA系統加入AI互動技術。以前新人常分不清「水管破裂聲」與「住戶用水聲」，容易聽錯導致誤挖馬路。現在，AI成為隨身軍師，當同仁在現地查漏時，可以直接與手機裡的AI互動，由AI根據當下狀況下達直白明確的語音指令。在工作過程中，系統也會陪同老師傅進行雙重檢驗，有效減少因誤挖而損失的成本。
漏水防治處副處長陳永彬則從管理層面，詳細說明了這套系統在實務上的重要性。「我們以前在做漏水檢測，最困難的就是遇到水漏在雨水箱涵裡面、或者是直接排入大排水溝的案件。因為馬路表面完全是乾的，住戶家裡也沒有停水，所以不會有人打電話來報修，我們同仁在路上巡檢也聽不到聲音。現在新系統可以直接把流量增加、水壓下降的數據結合起來，直接在手機地圖上畫出明確的位置，讓我們的管理工作從過去被動等待民眾通報，變成主動透過後台數據做定位。我們把搜查範圍縮小到數十公尺，開挖抓漏的準確度拉高到 83%，這代表我們在前端省下了大量的人工巡檢時間，也減少了重複開挖馬路對交通造成的影響，這是對管理最實質的改變。」
要讓AI成為聽漏的軍師，工研院開發的AI演算法中整合了聲學提取與音訊分類，聲學提取是指在馬路上聽音時，環境充滿各式各樣的聲響如車流、風聲、蟬叫等，系統需要透過濾波技術，把不必要的噪音濾除。破管的聲音就像輪胎漏氣，是一直不間斷、頻率很固定的長聲；但家裡用水的聲音，會是夾雜水龍頭或馬桶零件的震動聲，系統要做的就是將這些聲音變成聲音的波形圖，只要將圖片跟AI的資料庫對比，就能認出是水管破洞，或是有人在洗澡。
台水與工研院的磨合困境
台水自2020年起與工研院合作開發偵測輔助系統，將查漏流程從沿街盲聽，升級為「由面轉線、再到點」。起初只能做到「面」的偵測發出大範圍警報，隨後優化演算法篩選出特定高風險路段的「線」，最終融入 AI 音訊辨識與管線圖資，將搜查範圍縮小到特定數十公尺的「點」進行精準開挖。
雙方合作初期面臨實務磨合困難。工研院雖有AI專業卻缺乏自來水現地知識，蔡博淵指出，台水看一眼挖土機下的土壤和水錶就能判斷漏水，工研院卻毫無基礎，雙方最初在資料理解上需要大量溝通。例如工研院設計模型時，誤認為破管流量會減少。蔡博淵以洗澡比喻：水龍頭破洞時，為了維持水量洗澡，勢必會把源頭開到最大（流量暴增）；但水都從破洞噴走了，蓮蓬頭出來的水流反而微弱無力，導致管線水壓下降。
另一個溝通瓶頸在於地底管線的材質太複雜。工研院過去的 AI 技術只碰過材質單一的石油或瓦斯鋼管，聲音清脆好辨識；但台灣地底下就像個大雜燴，隨土壤和地形不同，同時埋了早期的塑膠管、後期的聚乙烯管與厚重的鑄鐵管。當水從不同材質的破洞噴出時，發出的聲音有的低沉、有的尖銳，AI 根本分不清這些複雜的雜訊，一開始頻頻誤判。
為了讓 AI 認得這些不同的聲音，雙方經歷了一段漫長的資料投餵與校正試錯過程。台水先將全台灣錯綜複雜的管線圖資、管材屬性交給工研院。工研院工程師將這些資料寫入演算法後，開始進行現地實測，但初期常常發生數據對不上現場的窘境。例如演算法在某路段聽到低沉的雜音，判斷是鑄鐵管破裂，但前線同仁大熱天開挖後，才發現地底下早就換成了塑膠管，聲音失準是因為當地的沙質土壤吸收了高頻音。
發現盲點後，台水進一步整理了大量第一線維修人員的回報紀錄，包含每次開挖後看到的實際管材、現場泥土的乾濕度等「現地經驗」。工研院工程師拿到這些實務回報後，連夜修改程式碼，在演算法中加入「管材與土壤修正係數」，讓 AI 在判斷聲音前，先去對照該路段的電子地圖屬性。雙方就這樣經歷無數次「現場挖錯、回報修正、後台改寫演算法」的循環，才終於讓 AI 聽懂台灣地底複雜的管線語言，完成跨領域的科技對接。
至善小區抓漏成功經驗
台水總管理處檢修組工程師林聖桓回憶，利用WADA找出漏水點的深刻記憶，是曾在台中市西屯區的至善小區裡找到一處約2300cmd的地下漏水，漏在雨水箱涵裡面，2300cmd大約是一天就漏掉接近一座國際標準游泳池，總共流失約54座游泳池的水量。以每人每天用水0.289噸折算，這筆高達13.5萬噸的漏水量，足以讓人口約4500人的嘉義大埔鄉，足足用上一整個月。
當台水檢漏人員趕到現場時，西屯區至善路的馬路表面完全是乾的，因為水管破在雨水箱涵的內牆裡，漏出來的水直接順著箱涵排走，路面上沒有任何積水，光靠肉眼或傳統巡檢根本找不到。面對長達10公里的地底管線，如果沒有使用WADA幫忙，根本無法想像還要浪費多少水。
為了找出破洞，檢漏人員在路邊打開手機，利用新系統把流量暴增與水壓急降的數據結合運算，縮小查找範圍。同仁跟著手機導航走下黑暗的地下箱涵，把聽音設備往水泥牆上一貼，耳機裡立刻傳來大水噴射的聲音，終於看清了牆壁內的水管破洞，成功幫鄉鎮等級的用水量即時止血。
數據定位與經驗傳承
WADA系統的以及AI抓漏的應用，改變了台水內部從第一線檢漏人員到管理層的作業方式。林聖桓說明，過去查漏同仁出勤時，必須面對長達10公里的管線範圍，通常需要依賴資深前輩的現場經驗與直覺在馬路上摸索。現在透過系統定位，新進同仁只要打開手機，就能直接看到系統計算出來的高風險管段並進行檢測，讓現場經驗能夠轉承，數據也能留存在電子地圖上，新進同仁看著導航就能精準走到定點，不需要再像過去一樣在馬路上盲目巡查。
對於未來的實務推動願景，陳永彬表示下一階段的目標，是將這套技術推廣到全台灣各個供水分區。透過在管網中持續收集水壓與流量數據，並回傳至中央後台，利用演算法建立起全台灣的地下水網防禦線，縮短漏水發生的反應時間，在數據異常時就完成定位與修復，讓每滴淨水都能精準送到住戶家中，提升整體水資源的利用效率。
採訪側記
在採訪時能非常體會台水在面對水資源時的使命感，而且在這個年代，抓漏的技巧與遇到的機會變得少之又少，作為2000年後出生的我們更難體會漏水帶來的恐懼，而漏水防治科將複雜的漏水資訊深入淺出讓我們理解，知道現在有更厲害的技術在我們看不見的地方默默運作，很感謝他們的努力。
發表迴響