CN115578015B - 基于物联网的污水处理全过程监管方法、系统及存储介质 - Google Patents
基于物联网的污水处理全过程监管方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115578015B CN115578015B CN202211566247.0A CN202211566247A CN115578015B CN 115578015 B CN115578015 B CN 115578015B CN 202211566247 A CN202211566247 A CN 202211566247A CN 115578015 B CN115578015 B CN 115578015B
- Authority
- CN
- China
- Prior art keywords
- water quality
- sewage treatment
- quality monitoring
- flow
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 128
- 230000008569 process Effects 0.000 title claims abstract description 98
- 238000012544 monitoring process Methods 0.000 claims abstract description 285
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 220
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000011156 evaluation Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 7
- 241000854291 Dianthus carthusianorum Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种基于物联网的污水处理全过程监管方法、系统及存储介质，包括：获取当前污水处理流程信息，设置水质监测点位的关键水质监测指标；通过关键水质监测指标获取各个点位的水质监测结果，构建污水处理全流程模型，根据水质监测结果利用污水处理全流程模型进行实时监测及控制；判断生成污水处理过程的故障预警信息，通过深度学习添加故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，通过污水处理全流程模型进行可视化显示。本发明通过物联网技术对污水处理全过程进行远程监管，实现了对水质变化的动态监测及污水处理过程中异常工况的识别，显著提高了水质监测的效率和精度。
Description
技术领域
本发明涉及污水处理监管技术领域，更具体的，涉及一种基于物联网的污水处理全过程监管方法、系统及存储介质。
背景技术
随着社会发展的不断加快，工业污染问题越来越受到重视。污水处理的安全稳定运行，对于节约能源和保护环境至关重要。污水处理过程是一个包含众多复杂生化反应的高度非线性的工业控制过程，该过程涉及到的变量繁多，而污水处理设备通常在恶劣的环境中工作，具有一定的时变性、时滞性以及耦合性的特点。污染防治的深入推进，污水处理设施的数量、规模和范围剧增，水质监测和设施管理的难度日益加大，污水处理设施的基础信息和污水处理设施在运行与管理过程中产生的大量污水处理信息急需科学的管理与分析。
污水处理过程控制面对多重困难，具有一定的挑战性，目前污水处理过程控制技术还比较落后，大多数还是分散采样、单独检测，数据采集点多，建设施工复杂，设备配置费用高，人员配备较多，数据集中处理难度较大，且污水参数检测更多的是针对污水处理企业的中水，这使得污水处理控制精度较低，难以达到较高的出水水质，另外污水处理过程同时也具有设备数量多、分布范围广、信息量大和故障排查困难等问题。因此针对污水监测数据采集信息效率低、精度差，无法进行实时动态监测的不足，提出了一种基于物联网的污水全过程监测系统是现阶段亟需解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于物联网的污水处理全过程监管方法、系统及存储介质。
本发明第一方面提供了一种基于物联网的污水处理全过程监管方法，包括：
获取当前污水处理流程信息，根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标；
通过关键水质监测指标获取各个点位的水质监测结果，构建污水处理全流程模型，根据水质监测结果利用污水处理全流程模型进行实时监测及控制；
根据水质监测结果判断生成污水处理过程的故障预警信息，在所述污水处理全流程模型的基础上通过深度学习添加故障检测模型；
对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，通过污水处理全流程模型进行可视化显示。
本方案中，根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标，具体为：
获取当前污水处理设备的工艺流程特性，根据工艺流程特性提取流程信息，将污水处理流程按照污水处理进行拆分，划分为若干流程子序列；
根据各流程子序列中的各工艺单元特征及位置特征选取评价指标，设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵；
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置水质监测点位；
获取合重要性等级标准的流程子序列的廊道特征结合重要性等级确定水质监测点位的数量及取点分布；
根据对应流程子序列工艺单元特征中的功能特性利用数据检索获取各个点位的关键水质监测指标，并基于取点分布设置各关键水质监测指标的分布。
本方案中，构建污水处理全流程模型，具体为：
获取当前污水处理流程中物理空间中的污水处理设备的物理实体，获取当前污水处理流程中的各个物理实体及各水质监测点位的多源异构数据，并进行相应预处理；
将污水处理设备的物理实体进行三维建模处理映射到数字空间，将预处理后的多源异构数据生成孪生数据，根据物理空间中物理实体的装配连接关系在数据空间中将孪生数据与三维模型进行匹配获取数字孪生模型；
获取各流程子序列的不同处理场景信息，将不同处理场景信息处理为场景序列，将所述场景序列存储到数字空间，将当前污水处理流程中污水处理设备的物理实体结合各流程子序列当前场景序列生成污水处理全流程模型。
本方案中，根据水质监测结果利用污水处理全流程模型进行实时监测及控制，具体为：
获取各水质监测点位的水质监测结果，将水质监测结果与各关键水质评价指标的阈值范围进行对比获取各指标的偏差率信息，基于所述偏差率信息获取各水质监测点位的水质监测评价结果；
将各水质监测点位的水质监测评价结果按照环境因素进行分类，获取不同环境因素下各水质监测点位的平均水质监测评价结果；
根据所述平均水质监测评价结果与各监测指标限定值对应的水质监测评价结果的偏差设置各个流程子序列的补偿参数；
将各个流程子序列的补偿参数设置对应的环境因素标签进行存储，当水质监测评价结果不符合预设标准时，则获取当前环境信息提取该流程子序列对应环境因素的补偿参数，进行处理参数调整。
本方案中，根据水质监测结果判断生成污水处理过程的故障预警信息，具体为：
获取预设时间内各水质监测点位中各指标的偏差率信息，将偏差率信息与各指标对应的偏差率阈值进行对比，累计偏差率信息大于所述偏差率阈值的时间；
当累计时间大于预设时间阈值时，则标注异常指标，确定异常指标所在水质监测点位的位置信息，根据所述位置信息判断历史监测数据中同一指标当前监测点位与临近监测点位的监测数据差值；
根据所述监测数据差值设置差值阈值，将异常指标当前监测点位与临近监测点位的监测数据差值与差值阈值进行对比；
若小于，则生成异常指标所在水质监测点位对应流程子序列的污水处理设备故障预警信息，若大于，则生成异常指标所在水质监测点位的监测传感器故障预警信息。
本方案中，对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，具体为：
基于深度学习构建故障检测模型，根据污水处理全流程模型中带有故障标签的历史工况数据及历史水质监测数据构建历史数据集，通过所述历史数据集划分为训练集及测试集对故障检测模型进行实时学习训练；
计算测试集与训练集中提取当前输入矩阵的欧氏距离与角度，获取相似度，选取相似度符合预设标准的数据构建相似数据集，根据相似数据集确定临时模型参数，通过临时模型对当前输入矩阵进行预测，迭代训练后输出训练后的故障检测模型；
当获取污水处理设备故障预警信息时，基于故障预警信息进行故障的初步定位，获取故障定位的水质监测结果及通过污水处理全流程模型获取的多变量工况数据；
利用水质检测结果中的异常指标提取该异常指标的影响因素，通过所述影响因素将多变量工况数据进行筛选，将筛选后的多变量工况数据与影响因素进行匹配，生成单变量工况数据与影响因素匹配的输入矩阵数据集；
将输入矩阵数据集中的数据依次输入故障检测模型，获取对应的临时模型，通过临时模型预测对应的故障信息，当前输入矩阵预测结束后移除对应临时模型，当输入矩阵数据集中数据预测结束后，对故障信息进行聚合输出。
本发明第二方面还提供了一种基于物联网的污水处理全过程监管系统，该系统包括：存储器、处理器，所述存储器中包括一种基于物联网的污水处理全过程监管方法程序，所述一种基于物联网的污水处理全过程监管方法程序被所述处理器执行时实现如下步骤：
获取当前污水处理流程信息，根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标；
通过关键水质监测指标获取各个点位的水质监测结果，构建污水处理全流程模型，根据水质监测结果利用污水处理全流程模型进行实时监测及控制；
根据水质监测结果判断生成污水处理过程的故障预警信息，在所述污水处理全流程模型的基础上通过深度学习添加故障检测模型；
对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，通过污水处理全流程模型进行可视化显示。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于物联网的污水处理全过程监管方法程序，所述一种基于物联网的污水处理全过程监管方法程序被处理器执行时，实现如上述任一项所述的一种基于物联网的污水处理全过程监管方法的步骤。
本发明公开了一种基于物联网的污水处理全过程监管方法、系统及存储介质，包括：获取当前污水处理流程信息，设置水质监测点位的关键水质监测指标；通过关键水质监测指标获取各个点位的水质监测结果，构建污水处理全流程模型，根据水质监测结果利用污水处理全流程模型进行实时监测及控制；判断生成污水处理过程的故障预警信息，通过深度学习添加故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，通过污水处理全流程模型进行可视化显示。本发明通过物联网技术对污水处理全过程进行远程监管，实现了对水质变化的动态监测及污水处理过程中异常工况的识别，显著提高了水质监测的效率和精度。
附图说明
图1示出了本发明一种基于物联网的污水处理全过程监管方法的流程图；
图2示出了本发明利用污水处理全流程模型进行实时监测及控制的方法流程图；
图3示出了本发明根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源的方法流程图；
图4示出了本发明一种基于物联网的污水处理全过程监管系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于物联网的污水处理全过程监管方法的流程图。
如图1所示，本发明第一方面提供了一种基于物联网的污水处理全过程监管方法，包括：
S102，获取当前污水处理流程信息，根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标；
S104，通过关键水质监测指标获取各个点位的水质监测结果，构建污水处理全流程模型，根据水质监测结果利用污水处理全流程模型进行实时监测及控制；
S106，根据水质监测结果判断生成污水处理过程的故障预警信息，在所述污水处理全流程模型的基础上通过深度学习添加故障检测模型；
S108，对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，通过污水处理全流程模型进行可视化显示。
需要说明的是，获取当前污水处理设备的工艺流程特性，根据工艺流程特性提取流程信息，将污水处理流程按照污水处理进行拆分，划分为若干流程子序列；根据各流程子序列中的各工艺单元特征及位置特征选取评价指标，建立评价指标层次结构，根据层级结构中各层的判断矩阵设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵；根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，如：不重要、一般重要、中等重要、重要和非常重要，隶属度分别对应60、70、80、90、100，计算评价指标对于重要性等级的隶属度，进而得到隶属矩阵通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置水质监测点位；获取合重要性等级标准的流程子序列的廊道特征（长、宽、高等尺寸信息）结合重要性等级确定水质监测点位的数量及取点分布；根据对应流程子序列工艺单元特征中的功能特性利用数据检索获取各个点位的关键水质监测指标，并基于取点分布设置各关键水质监测指标的分布。
需要说明的是，构建污水处理全流程模型，具体为：获取当前污水处理流程中物理空间中的污水处理设备的物理实体，获取当前污水处理流程中的各个物理实体及各水质监测点位的多源异构数据，包括各个水质监测点位的监测数据、污水处理设备的振动数据、温度数据等，所述多源异构数据通过预设传感器进行检测，利用传感节点将物理实体产生的运行数据通过物联网技术接入到云平台或其他存储设备，进行相应预处理；将污水处理设备的物理实体进行三维建模处理映射到数字空间，将预处理后的多源异构数据生成孪生数据，根据物理空间中物理实体的装配连接关系在数据空间中将孪生数据与三维模型进行匹配获取数字孪生模型；获取各流程子序列的不同处理场景信息，将不同处理场景信息处理为场景序列，将所述场景序列存储到数字空间，将当前污水处理流程中污水处理设备的物理实体结合各流程子序列当前场景序列生成污水处理全流程模型。
图2示出了本发明利用污水处理全流程模型进行实时监测及控制的方法流程图。
根据本发明实施例，根据水质监测结果利用污水处理全流程模型进行实时监测及控制，具体为：
S202，获取各水质监测点位的水质监测结果，将水质监测结果与各关键水质评价指标的阈值范围进行对比获取各指标的偏差率信息，基于所述偏差率信息获取各水质监测点位的水质监测评价结果；
S204，将各水质监测点位的水质监测评价结果按照环境因素进行分类，获取不同环境因素下各水质监测点位的平均水质监测评价结果；
S206，根据所述平均水质监测评价结果与各监测指标限定值对应的水质监测评价结果的偏差设置各个流程子序列的补偿参数；
S208，将各个流程子序列的补偿参数设置对应的环境因素标签进行存储，当水质监测评价结果不符合预设标准时，则获取当前环境信息提取该流程子序列对应环境因素的补偿参数，进行处理参数调整。
需要说明的是，获取预设时间内各水质监测点位中各指标的偏差率信息，将偏差率信息与各指标对应的偏差率阈值进行对比，累计偏差率信息大于所述偏差率阈值的时间；当累计时间大于预设时间阈值时，则标注异常指标，确定异常指标所在水质监测点位的位置信息，判断该位置信息是否存在同一类型的监测传感器，将同一类型的所有监测传感器进行数据相似性对比，根据相似度对比判断是否存在某一监测传感器故障现象。
根据所述位置信息判断历史监测数据中同一指标当前监测点位与下一监测点位或临近监测点位的监测数据差值；根据所述监测数据差值设置差值阈值，将异常指标当前监测点位与下一监测点位或临近监测点位的监测数据差值与差值阈值进行对比；若小于，则生成异常指标所在水质监测点位对应流程子序列的污水处理设备故障预警信息，若大于，则生成异常指标所在水质监测点位的监测传感器故障预警信息。
图3示出了本发明根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源的方法流程图。
根据本发明实施例，对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，具体为：
S302，基于深度学习构建故障检测模型，根据污水处理全流程模型中带有故障标签的历史工况数据及历史水质监测数据构建历史数据集，通过所述历史数据集划分为训练集及测试集对故障检测模型进行实时学习训练；
S304，计算测试集与训练集中提取当前输入矩阵的欧氏距离与角度，获取相似度，选取相似度符合预设标准的数据构建相似数据集，根据相似数据集确定临时模型参数，通过临时模型对当前输入矩阵进行预测，迭代训练后输出训练后的故障检测模型；
S306，当获取污水处理设备故障预警信息时，基于故障预警信息进行故障的初步定位，获取故障定位的水质监测结果及通过污水处理全流程模型获取的多变量工况数据；
S308，利用水质检测结果中的异常指标提取该异常指标的影响因素，通过所述影响因素将多变量工况数据进行筛选，将筛选后的多变量工况数据与影响因素进行匹配，生成单变量工况数据与影响因素匹配的输入矩阵数据集；
S310，将输入矩阵数据集中的数据依次输入故障检测模型，获取对应的临时模型，通过临时模型预测对应的故障信息，当前输入矩阵预测结束后移除对应临时模型，当输入矩阵数据集中数据预测结束后，对故障信息进行聚合输出。
需要说明的是，多变量工况数据通过水处理全流程模型获取，多变量工况参数包括若干能够反应污水处理设备运行状态的参数值，包括振动数据、温度数据、零部件数据、运行数据等，提取当前输入矩阵的欧氏距离与角度，获取相似度，计算公式为：
其中，
表示当前输入数据/>
的相似度，/>
表示权重信息，/>
表示当前输入数据/>
与历史数据/>
的欧氏距离，/>
表示当前输入数据/>
与历史数据/>
的夹角角度， />
表示误差常数；
所述临时模型定义为：
，其中，/>
表示临时模型的输出，
表示采样时刻，/>
表示回归向量，通过模型预设阶数的约束信息及系统时延获取，
表示临时模型的模型参数，通过迭代训练生成；
当输入矩阵数据集中数据预测结束后，对故障信息进行聚合，将各个输入矩阵对应的故障信息进行取交集处理，获取最终故障信息预测结果进行输出。
根据本发明实施例，基于各水质监测点位的监测传感器的构建无线传感器网络，具体为：
获取各水质检测点位的廊道特征，根据所述廊道特征结合关键水质监测指标利用粒子群算法进行对应传感器的部署，确定无线传感器的部署位置；
根据无线传感器的部署位置获取分布特征，根据分布特征初始化汇聚节点，确定信息转发路径，获取各无线传感器节点的能耗变化情况；
通过所述能耗变化情况获取无线传感器节点与汇聚节点距离的相关性，根据各个无线传感器节点的距离确定能耗强度分布；
根据能耗强度分布结合无线传感器节点自身剩余能量设置各个水质检测点位的簇头节点，选取能耗最小及剩余能量最多的无线传感器节点作为簇头节点，并将能耗作为优化目标定期重新选取簇头节点；
对比各个水质检测点位同一监测指标的监测数据，根据监测数据的相似度及部署位置的距离判断各无线传感器节点的感知强度；
若同一监测指标下任意两无线传感器节点的监测数据相似度及部署位置的距离均小于预设阈值，则判断为冗余节点，选取能耗强度大的节点进行去除。
图4示出了本发明一种基于物联网的污水处理全过程监管系统的框图。
本发明第二方面还提供了一种基于物联网的污水处理全过程监管系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于物联网的污水处理全过程监管方法程序，所述一种基于物联网的污水处理全过程监管方法程序被所述处理器执行时实现如下步骤：
获取当前污水处理流程信息，根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标；
通过关键水质监测指标获取各个点位的水质监测结果，构建污水处理全流程模型，根据水质监测结果利用污水处理全流程模型进行实时监测及控制；
根据水质监测结果判断生成污水处理过程的故障预警信息，在所述污水处理全流程模型的基础上通过深度学习添加故障检测模型；
对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，通过污水处理全流程模型进行可视化显示。
需要说明的是，获取当前污水处理设备的工艺流程特性，根据工艺流程特性提取流程信息，将污水处理流程按照污水处理进行拆分，划分为若干流程子序列；根据各流程子序列中的各工艺单元特征及位置特征选取评价指标，建立评价指标层次结构，根据层级结构中各层的判断矩阵设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵；根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，如：不重要、一般重要、中等重要、重要和非常重要，隶属度分别对应60、70、80、90、100，计算评价指标对于重要性等级的隶属度，进而得到隶属矩阵通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置水质监测点位；获取合重要性等级标准的流程子序列的廊道特征结合重要性等级确定水质监测点位的数量及取点分布；根据对应流程子序列工艺单元特征中的功能特性利用数据检索获取各个点位的关键水质监测指标，并基于取点分布设置各关键水质监测指标的分布。
需要说明的是，构建污水处理全流程模型，具体为：获取当前污水处理流程中物理空间中的污水处理设备的物理实体，获取当前污水处理流程中的各个物理实体及各水质监测点位的多源异构数据，包括各个水质监测点位的监测数据、污水处理设备的振动数据、温度数据等，所述多源异构数据通过预设传感器进行检测，利用传感节点将物理实体产生的运行数据通过物联网技术接入到云平台或其他存储设备，进行相应预处理；将污水处理设备的物理实体进行三维建模处理映射到数字空间，将预处理后的多源异构数据生成孪生数据，根据物理空间中物理实体的装配连接关系在数据空间中将孪生数据与三维模型进行匹配获取数字孪生模型；获取各流程子序列的不同处理场景信息，将不同处理场景信息处理为场景序列，将所述场景序列存储到数字空间，将当前污水处理流程中污水处理设备的物理实体结合各流程子序列当前场景序列生成污水处理全流程模型。
根据本发明实施例，根据水质监测结果利用污水处理全流程模型进行实时监测及控制，具体为：
获取各水质监测点位的水质监测结果，将水质监测结果与各关键水质评价指标的阈值范围进行对比获取各指标的偏差率信息，基于所述偏差率信息获取各水质监测点位的水质监测评价结果；
将各水质监测点位的水质监测评价结果按照环境因素进行分类，获取不同环境因素下各水质监测点位的平均水质监测评价结果；
根据所述平均水质监测评价结果与各监测指标限定值对应的水质监测评价结果的偏差设置各个流程子序列的补偿参数；
将各个流程子序列的补偿参数设置对应的环境因素标签进行存储，当水质监测评价结果不符合预设标准时，则获取当前环境信息提取该流程子序列对应环境因素的补偿参数，进行处理参数调整。
需要说明的是，获取预设时间内各水质监测点位中各指标的偏差率信息，将偏差率信息与各指标对应的偏差率阈值进行对比，累计偏差率信息大于所述偏差率阈值的时间；当累计时间大于预设时间阈值时，则标注异常指标，确定异常指标所在水质监测点位的位置信息，判断该位置信息是否存在同一类型的监测传感器，将同一类型的所有监测传感器进行数据相似性对比，根据相似度对比判断是否存在某一监测传感器故障现象。
根据所述位置信息判断历史监测数据中同一指标当前监测点位与下一监测点位或临近监测点位的监测数据差值；根据所述监测数据差值设置差值阈值，将异常指标当前监测点位与下一监测点位或临近监测点位的监测数据差值与差值阈值进行对比；若小于，则生成异常指标所在水质监测点位对应流程子序列的污水处理设备故障预警信息，若大于，则生成异常指标所在水质监测点位的监测传感器故障预警信息。
根据本发明实施例，对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，具体为：
基于深度学习构建故障检测模型，根据污水处理全流程模型中带有故障标签的历史工况数据及历史水质监测数据构建历史数据集，通过所述历史数据集划分为训练集及测试集对故障检测模型进行实时学习训练；
计算测试集与训练集中提取当前输入矩阵的欧氏距离与角度，获取相似度，选取相似度符合预设标准的数据构建相似数据集，根据相似数据集确定临时模型参数，通过临时模型对当前输入矩阵进行预测，迭代训练后输出训练后的故障检测模型；
当获取污水处理设备故障预警信息时，基于故障预警信息进行故障的初步定位，获取故障定位的水质监测结果及通过污水处理全流程模型获取的多变量工况数据；
利用水质检测结果中的异常指标提取该异常指标的影响因素，通过所述影响因素将多变量工况数据进行筛选，将筛选后的多变量工况数据与影响因素进行匹配，生成单变量工况数据与影响因素匹配的输入矩阵数据集；
将输入矩阵数据集中的数据依次输入故障检测模型，获取对应的临时模型，通过临时模型预测对应的故障信息，当前输入矩阵预测结束后移除对应临时模型，当输入矩阵数据集中数据预测结束后，对故障信息进行聚合输出。
需要说明的是，多变量工况数据通过水处理全流程模型获取，多变量工况参数包括若干能够反应污水处理设备运行状态的参数值，包括振动数据、温度数据、零部件数据、运行数据等，提取当前输入矩阵的欧氏距离与角度，获取相似度，计算公式为：
其中，
表示当前输入数据/>
的相似度，/>
表示权重信息，/>
表示当前输入数据/>
与历史数据/>
的欧氏距离，/>
表示当前输入数据/>
与历史数据/>
的夹角角度，/>
表示误差常数；
所述临时模型定义为：
，其中，/>
表示临时模型的输出，
表示采样时刻，/>
表示回归向量，通过模型预设阶数的约束信息及系统时延获取，
表示临时模型的模型参数，通过迭代训练生成。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于物联网的污水处理全过程监管方法程序，所述一种基于物联网的污水处理全过程监管方法程序被处理器执行时，实现如上述任一项所述的一种基于物联网的污水处理全过程监管方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于物联网的污水处理全过程监管方法，其特征在于，包括以下步骤：
获取当前污水处理流程信息，根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标；
通过关键水质监测指标获取各个点位的水质监测结果，构建污水处理全流程模型，根据水质监测结果利用污水处理全流程模型进行实时监测及控制；
根据水质监测结果判断生成污水处理过程的故障预警信息，在所述污水处理全流程模型的基础上通过深度学习添加故障检测模型；
对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，通过污水处理全流程模型进行可视化显示；
根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标，具体为：
获取当前污水处理设备的工艺流程特性，根据工艺流程特性提取流程信息，将污水处理流程按照污水处理进行拆分，划分为若干流程子序列；
根据各流程子序列中的各工艺单元特征及位置特征选取评价指标，设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵；
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置水质监测点位；
获取符合重要性等级标准的流程子序列的廊道特征结合重要性等级确定水质监测点位的数量及取点分布；
根据对应流程子序列工艺单元特征中的功能特性利用数据检索获取各个点位的关键水质监测指标，并基于取点分布设置各关键水质监测指标的分布；
根据水质监测结果利用污水处理全流程模型进行实时监测及控制，具体为：
获取各水质监测点位的水质监测结果，将水质监测结果与各关键水质评价指标的阈值范围进行对比获取各指标的偏差率信息，基于所述偏差率信息获取各水质监测点位的水质监测评价结果；
将各水质监测点位的水质监测评价结果按照环境因素进行分类，获取不同环境因素下各水质监测点位的平均水质监测评价结果；
根据所述平均水质监测评价结果与各监测指标限定值对应的水质监测评价结果的偏差设置各个流程子序列的补偿参数；
将各个流程子序列的补偿参数设置对应的环境因素标签进行存储，当水质监测评价结果不符合预设标准时，则获取当前环境信息提取该流程子序列对应环境因素的补偿参数，进行处理参数调整；
对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，具体为：
基于深度学习构建故障检测模型，根据污水处理全流程模型中带有故障标签的历史工况数据及历史水质监测数据构建历史数据集，通过所述历史数据集划分为训练集及测试集对故障检测模型进行实时学习训练；
计算测试集与训练集中提取当前输入矩阵的欧氏距离与角度，获取相似度，选取相似度符合预设标准的数据构建相似数据集，根据相似数据集确定临时模型参数，通过临时模型对当前输入矩阵进行预测，迭代训练后输出训练后的故障检测模型；
当获取污水处理设备故障预警信息时，基于故障预警信息进行故障的初步定位，获取故障定位的水质监测结果及通过污水处理全流程模型获取的多变量工况数据；
利用水质检测结果中的异常指标提取该异常指标的影响因素，通过所述影响因素将多变量工况数据进行筛选，将筛选后的多变量工况数据与影响因素进行匹配，生成单变量工况数据与影响因素匹配的输入矩阵数据集；
将输入矩阵数据集中的数据依次输入故障检测模型，获取对应的临时模型，通过临时模型预测对应的故障信息，当前输入矩阵预测结束后移除对应临时模型，当输入矩阵数据集中数据预测结束后，对故障信息进行聚合输出；
提取当前输入矩阵的欧氏距离与角度，获取相似度，计算公式为：
所述临时模型定义为：
，其中，/>
表示临时模型的输出，
表示采样时刻，/>
表示回归向量，通过模型预设阶数的约束信息及系统时延获取，/>
表示临时模型的模型参数，通过迭代训练生成；
当输入矩阵数据集中数据预测结束后，对故障信息进行聚合，将各个输入矩阵对应的故障信息进行取交集处理，获取最终故障信息预测结果进行输出；
构建污水处理全流程模型，具体为：
获取当前污水处理流程中物理空间中的污水处理设备的物理实体，获取当前污水处理流程中的各个物理实体及各水质监测点位的多源异构数据，并进行相应预处理；
将污水处理设备的物理实体进行三维建模处理映射到数字空间，将预处理后的多源异构数据生成孪生数据，根据物理空间中物理实体的装配连接关系在数据空间中将孪生数据与三维模型进行匹配获取数字孪生模型；
获取各流程子序列的不同处理场景信息，将不同处理场景信息处理为场景序列，将所述场景序列存储到数字空间，将当前污水处理流程中污水处理设备的物理实体结合各流程子序列当前场景序列生成污水处理全流程模型。
2.根据权利要求1所述的一种基于物联网的污水处理全过程监管方法，其特征在于，根据水质监测结果判断生成污水处理过程的故障预警信息，具体为：
获取预设时间内各水质监测点位中各指标的偏差率信息，将偏差率信息与各指标对应的偏差率阈值进行对比，累计偏差率信息大于所述偏差率阈值的时间；
当累计时间大于预设时间阈值时，则标注异常指标，确定异常指标所在水质监测点位的位置信息，根据所述位置信息判断历史监测数据中同一指标当前监测点位与临近监测点位的监测数据差值；
根据所述监测数据差值设置差值阈值，将异常指标当前监测点位与临近监测点位的监测数据差值与差值阈值进行对比；
若小于，则生成异常指标所在水质监测点位对应流程子序列的污水处理设备故障预警信息，若大于，则生成异常指标所在水质监测点位的监测传感器故障预警信息。
3.一种基于物联网的污水处理全过程监管系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于物联网的污水处理全过程监管方法程序，所述一种基于物联网的污水处理全过程监管方法程序被所述处理器执行时实现如下步骤：
获取当前污水处理流程信息，根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标；
通过关键水质监测指标获取各个点位的水质监测结果，构建污水处理全流程模型，根据水质监测结果利用污水处理全流程模型进行实时监测及控制；
根据水质监测结果判断生成污水处理过程的故障预警信息，在所述污水处理全流程模型的基础上通过深度学习添加故障检测模型；
对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，通过污水处理全流程模型进行可视化显示；
根据所述流程信息设置水质监测点位，获取各个点位的关键水质监测指标，具体为：
获取当前污水处理设备的工艺流程特性，根据工艺流程特性提取流程信息，将污水处理流程按照污水处理进行拆分，划分为若干流程子序列；
根据各流程子序列中的各工艺单元特征及位置特征选取评价指标，设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵；
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置水质监测点位；
获取符合重要性等级标准的流程子序列的廊道特征结合重要性等级确定水质监测点位的数量及取点分布；
根据对应流程子序列工艺单元特征中的功能特性利用数据检索获取各个点位的关键水质监测指标，并基于取点分布设置各关键水质监测指标的分布；
根据水质监测结果利用污水处理全流程模型进行实时监测及控制，具体为：
获取各水质监测点位的水质监测结果，将水质监测结果与各关键水质评价指标的阈值范围进行对比获取各指标的偏差率信息，基于所述偏差率信息获取各水质监测点位的水质监测评价结果；
将各水质监测点位的水质监测评价结果按照环境因素进行分类，获取不同环境因素下各水质监测点位的平均水质监测评价结果；
根据所述平均水质监测评价结果与各监测指标限定值对应的水质监测评价结果的偏差设置各个流程子序列的补偿参数；
将各个流程子序列的补偿参数设置对应的环境因素标签进行存储，当水质监测评价结果不符合预设标准时，则获取当前环境信息提取该流程子序列对应环境因素的补偿参数，进行处理参数调整；
对故障检测模型进行实时学习，根据水质监测结果及多变量工况数据进行污水处理过程的故障溯源，具体为：
基于深度学习构建故障检测模型，根据污水处理全流程模型中带有故障标签的历史工况数据及历史水质监测数据构建历史数据集，通过所述历史数据集划分为训练集及测试集对故障检测模型进行实时学习训练；
计算测试集与训练集中提取当前输入矩阵的欧氏距离与角度，获取相似度，选取相似度符合预设标准的数据构建相似数据集，根据相似数据集确定临时模型参数，通过临时模型对当前输入矩阵进行预测，迭代训练后输出训练后的故障检测模型；
当获取污水处理设备故障预警信息时，基于故障预警信息进行故障的初步定位，获取故障定位的水质监测结果及通过污水处理全流程模型获取的多变量工况数据；
利用水质检测结果中的异常指标提取该异常指标的影响因素，通过所述影响因素将多变量工况数据进行筛选，将筛选后的多变量工况数据与影响因素进行匹配，生成单变量工况数据与影响因素匹配的输入矩阵数据集；
将输入矩阵数据集中的数据依次输入故障检测模型，获取对应的临时模型，通过临时模型预测对应的故障信息，当前输入矩阵预测结束后移除对应临时模型，当输入矩阵数据集中数据预测结束后，对故障信息进行聚合输出；
提取当前输入矩阵的欧氏距离与角度，获取相似度，计算公式为：
所述临时模型定义为：
，其中，/>
表示临时模型的输出，
表示采样时刻，/>
表示回归向量，通过模型预设阶数的约束信息及系统时延获取，/>
表示临时模型的模型参数，通过迭代训练生成；
当输入矩阵数据集中数据预测结束后，对故障信息进行聚合，将各个输入矩阵对应的故障信息进行取交集处理，获取最终故障信息预测结果进行输出；
构建污水处理全流程模型，具体为：
获取当前污水处理流程中物理空间中的污水处理设备的物理实体，获取当前污水处理流程中的各个物理实体及各水质监测点位的多源异构数据，并进行相应预处理；
将污水处理设备的物理实体进行三维建模处理映射到数字空间，将预处理后的多源异构数据生成孪生数据，根据物理空间中物理实体的装配连接关系在数据空间中将孪生数据与三维模型进行匹配获取数字孪生模型；
获取各流程子序列的不同处理场景信息，将不同处理场景信息处理为场景序列，将所述场景序列存储到数字空间，将当前污水处理流程中污水处理设备的物理实体结合各流程子序列当前场景序列生成污水处理全流程模型。
4.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括一种基于物联网的污水处理全过程监管方法程序，所述一种基于物联网的污水处理全过程监管方法程序被处理器执行时，实现如权利要求1至2中任一项所述的一种基于物联网的污水处理全过程监管方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211566247.0A CN115578015B (zh) | 2022-12-07 | 2022-12-07 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211566247.0A CN115578015B (zh) | 2022-12-07 | 2022-12-07 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115578015A CN115578015A (zh) | 2023-01-06 |
| CN115578015B true CN115578015B (zh) | 2023-05-23 |
Family
ID=84590704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211566247.0A Active CN115578015B (zh) | 2022-12-07 | 2022-12-07 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115578015B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307565B (zh) * | 2023-03-06 | 2023-12-01 | 物产中大公用环境投资有限公司 | 一种实时模拟仿真推演污水处理的三维数字孪生运营管理系统 |
| CN116040892A (zh) * | 2023-04-03 | 2023-05-02 | 珠水(广东)生态环境研究院有限公司 | 一种生活垃圾污水处理方法 |
| CN116452474B (zh) * | 2023-05-17 | 2023-08-29 | 天津国兴海洋能源工程有限公司 | 一种基于数字孪生的污水处理设备可视化管理系统 |
| CN116542956B (zh) * | 2023-05-25 | 2023-11-17 | 广州机智云物联网科技有限公司 | 一种织物组分自动检测方法、系统及可读存储介质 |
| CN116385689B (zh) * | 2023-06-02 | 2023-08-04 | 北京建工环境修复股份有限公司 | 一种场地污染数据的可视化信息管理方法、系统及介质 |
| CN116589078B (zh) * | 2023-07-19 | 2023-09-26 | 莒县环境监测站 | 基于数据融合的污水处理智能控制方法及系统 |
| CN116633978B (zh) * | 2023-07-24 | 2023-10-31 | 珠水(广东)生态环境研究院有限公司 | 基于物联网的污水处理远程监控系统 |
| CN116797053B (zh) * | 2023-08-25 | 2023-11-10 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
| CN117055413A (zh) * | 2023-09-06 | 2023-11-14 | 广东盛世净源环保科技有限公司 | 一种基于物联网的环保监控系统 |
| CN117361712A (zh) * | 2023-11-07 | 2024-01-09 | 北京圣朗玛磁选技术有限公司 | 一种用于核电二回路的水质净化方法 |
| CN117560300B (zh) * | 2023-12-28 | 2024-04-30 | 广东云百智联科技有限公司 | 一种智能物联网流量预测与优化系统 |
| CN117590793B (zh) * | 2024-01-19 | 2024-03-26 | 中建安装集团有限公司 | 一种基于物联网的水厂水处理一体化监控系统及方法 |
| CN117933093B (zh) * | 2024-03-04 | 2024-07-05 | 宁波析昶环保科技有限公司 | 基于水处理超标事故动态仿真的故障模式与影响分析方法 |
| CN118133206B (zh) * | 2024-04-30 | 2024-07-19 | 深圳市凯宏膜环保科技有限公司 | 基于stacking元学习策略的污水处理故障诊断方法 |
| CN118230069B (zh) * | 2024-05-15 | 2024-08-09 | 深圳市凯宏膜环保科技有限公司 | 一种基于数据分析的污水处理故障诊断方法及系统 |
| CN118551886A (zh) * | 2024-05-21 | 2024-08-27 | 盐城工学院 | 一种基于物联网以及深度学习的污水治理方法及系统 |
| CN118311915B (zh) * | 2024-06-11 | 2024-08-30 | 山东金呈阳建设工程有限公司 | 一种基于大数据的污水处理设备运行监测方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8909358B2 (en) * | 2012-06-01 | 2014-12-09 | Sap Ag | Method and system for complex smart grid infrastructure assessment |
| CN110320892B (zh) * | 2019-07-15 | 2020-07-14 | 重庆邮电大学 | 基于Lasso回归的污水处理设备故障诊断系统及方法 |
| CN112288275B (zh) * | 2020-10-29 | 2023-07-18 | 中水三立数据技术股份有限公司 | 一种基于物联网的地下水水质分析评价系统及方法 |
| CN113125663A (zh) * | 2021-04-15 | 2021-07-16 | 东莞固高自动化技术有限公司 | 一种水质监测预警系统和方法 |
| CN114065613B (zh) * | 2021-10-27 | 2022-12-09 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN114089706A (zh) * | 2021-11-17 | 2022-02-25 | 江苏科技大学 | 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 |
| CN114997546B (zh) * | 2022-08-05 | 2022-10-25 | 天津市地质研究和海洋地质中心 | 基于多源数据的监测井综合调查评价方法、系统及介质 |
-
2022
- 2022-12-07 CN CN202211566247.0A patent/CN115578015B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| "水质全流程在线监测预警系统的开发建设";周大农;《给水排水》;42(04);128-131 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115578015A (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN111861274A (zh) | 一种水环境风险预测预警方法 | |
| CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN117494072B (zh) | 一种基于数据融合的换电柜运行状态监测方法及系统 | |
| CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
| CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
| CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
| CN118037047A (zh) | 基于ai的矿山安全监控系统 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN114611764B (zh) | 一种特定区域内企业工业用水异常监测预警方法 | |
| CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
| CN115296933A (zh) | 一种工业生产数据风险等级评估方法及系统 | |
| CN118171920B (zh) | 基于llm模型的园区安全应急响应方法、设备及介质 | |
| CN118015839B (zh) | 一种高速公路路域风险预测方法及装置 | |
| CN117200449B (zh) | 一种基于多维算法分析的电网监测管理方法及系统 | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN117391257A (zh) | 一种道路拥堵情况的预测方法及装置 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |