CN110088619A - 用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能系统和方法 - Google Patents

Abstract

本文介绍了分析从水厂获取的历史和实时数据，使用先进技术确定过程和资产健康诊断和异常检测，并基于这些确定控制水厂和/或提供警报的系统和方法。

Description

用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检 测和控制的智能系统和方法

技术领域

本文公开了分析从水厂获取的历史和实时数据的系统和方法，使用先进技术确定过程和资产健康诊断和异常检测，并基于这些确定来控制水厂和/或提供警报。

背景技术

废水处理厂和饮用水厂需要日常监测和运行，以确保过程卫生达到排放标准，同时降低运行成本。处理过程诊断、数据异常识别、设备健康诊断是操作人员采取正确的决策或控制动作的关键步骤。传统上，水处理是漫长的过程，需要利用传感器(如水质传感器和资产传感器)或实验室测试生成的大量数据。目前，大多数的日常诊断都是由人根据经验和简单的数据分析(如阈值判断)做出的。很难同时处理多个参数来分析可能的传感器欺骗或健康问题，从而始终进行最佳控制。不同的人做出这样的决定和判断可能导致水厂管理的质量水平不同。另外，在工厂设计和运行过程中，根据经验保留较大的裕度，以确保即使在最坏的情况下也能达到排放标准，这导致更高的运行成本。智能诊断系统能帮助人们提高日常操作效率，提高诊断质量，使诊断更全面和可靠。这样的系统也有助于提高运行质量，及时预防故障，最终提高效益。

因此，需要一种方法和系统来快速、连续、准确地诊断过程和资产健康状况、检测异常，并高质量经济有效地动态控制水处理过程。

发明内容

本发明公开了用于废水处理厂或饮用水厂的过程和资产健康诊断和异常检测的智能方法或系统。该系统包括用于确定包括过程和资产健康状况在内的工厂健康状况的整个诊断方法。能够将结果作为通知推送到用户界面，或者推送到控制系统，以便根据结果采取动作。诊断数据能从一个或更多个流入传感器、资产传感器、过程传感器、排放传感器、实验室试验、工厂动态或静态模拟模型、用于模拟或预测工厂过程或资产的任何其他模型等获得。与传统的人类经验或简单阈值方法相比，本文所描述的系统和方法结合了一系列先进的方法或算法，以获得更全面、更可靠的诊断结果。本文所述的系统和方法向最终用户提供智能水厂诊断服务或产品，以便更好地监测和管理日常操作。算法或模型可以是但不限于监督学习、无监督学习、风险识别、异常检测、统计分析、交叉验证等。所有的算法或模型都能随着数据的加载而连续升级。

另外，本文公开了使用具有基于物理模型和基于工厂数据的模型/算法的协同作用的预测分析对水厂进行动态控制和操作的方法和系统。水处理厂包括废水处理厂和饮用水处理厂。系统的实施例获取工厂数据，采集工厂动态特征，在其智能模块“工厂健康诊断”和“高级控制器”中进行分析以主动预测工厂性能以及优化其控制和运行，然后将优化后的控制策略传递给厂下控制系统进行实时控制。智能模块是基于工厂物理模型和基于数据模型/算法的协同作用的地方。该智能控制系统将工厂运行控制从传统的经验水平提高到基于知识和数据的水平，并能够处理更复杂的情况，使工厂控制和运行更加可靠和有效。水处理控制的智能控制能基于工厂设施的动态状态有效地利用工厂设施，平衡排放质量和工厂运行成本，提高工厂的生产效率和可靠性。本文还公开了一种快速求解具有一定安全水平的最优控制策略或参数的方法或方式。

本发明公开了一种智能水厂健康诊断和异常检测方法的实施例，包括从水厂获取数据；对获取到的数据进行分析以对水厂进行健康诊断或异常检测；并基于水厂的健康诊断或异常检测采取一个或更多个动作。

一方面，水处理厂包括废水处理厂或饮用水处理厂。

从水厂获取数据可包括使用一个或更多个流入传感器、资产传感器、过程传感器、排放传感器、实验室测试、工厂动态或静态模拟模型等获取数据。

对获取的数据进行分析以对水厂进行健康诊断或异常检测，可以包括对获取的数据应用一种或更多种诊断方法，如监督学习、无监督学习、与模拟模型的交叉验证、异常检测和风险模式识别。

一方面，监督学习的诊断方法包括从带标签的训练数据推断功能的机器学习任务。训练数据可以从根据水厂传感器或模拟模型生成的历史或在线数据库中获得。标签可以包含以下中的一个或更多个：工厂健康状态、风险水平、异常、问题、根本原因和缓解方案。一方面，监督学习的诊断方法从被数字化为数据集的历史事件、人类经验或模拟场景中学习诊断规则。能够实施监督学习的诊断方法来确定或预测日常运行中的设备健康状况。监督学习诊断方法可以包括以下中的一种或更多种：决策树；梯度提升决策树(GBDT)/梯度提升回归树(GBRT)/多重累积回归树(MART)；人工神经网络；卷积神经网络(CNN)；循环神经网络(RNN)；长短期记忆(LSTM)；门控循环单元(GRU)；支持向量机，包括RBF等各种核方法、朴素贝叶斯分类、最大熵分类；集成学习方法，包括提升(boosting)、自适应提升、套袋(Bagging)、随机森林；线性回归；逻辑回归；高斯过程回归；条件随机域(CRF))；以及压缩感知方法，例如基于稀疏表示的分类(SRC)。

另一方面，无监督学习诊断方法包括从没有标签的数据集推断功能的机器学习任务。没有标签的数据集能从根据水厂传感器或模拟模型生成的历史或在线数据库中获得。能够通过无监督学习诊断方法来确定以下中的一个或更多个：水厂健康状况、风险水平、异常、问题、根本原因和缓解方案。无监督学习诊断方法包括下列方法中的一种或更多种：层次聚类、k均值、均值平移、谱聚类、奇异值分解(SVD)、主成分分析(PCA)、鲁棒性主成分分析(RPCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、趋势Loess分解(STL)、期望最大化(EM)、隐马尔可夫(Markov)模型(HMM)、高斯混合模型(GMM)、自动编码器、变分自动编码器(VAE)、生成对抗网络(GAN)、深度信任网络(DBN)、受限玻尔兹曼机(RBM)和最小绝对收缩和选择运算符(LASSO)等。

另一方面，与模拟模型的交叉验证的诊断方法包括传感器值与模拟模型的输出或实验室测试结果的相应值的交叉验证，以确定传感器欺骗，其中传感器值与模拟模型的输出或实验室测试结果之间的显著差距提供传感器欺骗的证据。与模拟模型交叉验证的诊断方法用于识别、校准、移除或替换传感器欺骗数据，以确保数据质量。传感器欺骗包括但不限于噪音、异常值和漂移。

另一方面，异常检测诊断方法包括根据正常数据集确定异常或异常值的算法，其中异常包括传感器欺骗数据、异常的流入水或排放水质量、异常能耗或控制参数。通常，该方法用于检测训练数据集中不存在的异常，和用于识别以前未发生的异常。在异常检测中用到的算法包括下列方法中的一种或更多种：最大似然估计、卡尔曼滤波器、趋势Loess分解(STL)、自回归综合移动平均模型(ARIMA)以及指数平滑法，如霍尔特温特斯(Holt-Winters)季节方法等。

另一方面，风险识别诊断方法包括用于确定水厂中非频发的高风险事件(污泥中毒、污泥膨胀、超过最大工厂容量和重金属中毒)的模型。用于确定非频发的高风险事件的模型可以包括以下中的一个或更多个：溶解氧消耗率、气流-溶解氧响应模型、生成污泥健康指数、最大流入耐受性模型等。

或者，在上述方法的实施例中，可以选择并行执行多个诊断方法，以对水厂进行健康诊断或异常检测。同样，能够依次执行多种诊断方法，以对水厂进行健康诊断或异常检测。

另外，可选地，基于水厂的健康诊断或异常检测采取一个或更多个动作可包括在显示器上的图形用户界面中显示有关水厂的健康诊断或异常检测的信息。或者，根据水厂的健康诊断或异常检测采取一个或更多个动作可包括向控制水厂的至少一部分的控制系统提供水厂的健康诊断或异常检测的数据。控制系统能够利用向控制水厂至少一部分的控制系统提供的水厂健康诊断或异常检测数据来改变水厂的至少一个运行参数。

本发明还公开和描述了一种用于智能水厂健康诊断和异常检测的系统，该系统包括具有至少一个控制器和一个或更多个数据获取部件的控制系统，其中，控制器中的处理器执行存储在控制器的存储器中的计算机可执行指令，所述指令使得处理器使用一个或更多个数据获取部件从水厂获取数据；对获取到的数据进行分析以对水厂进行健康诊断或异常检测；并根据水厂的健康诊断或异常检测采取一个或更多个动作。一个或更多个数据获取部件可包括一个或更多个流入传感器、资产传感器、过程传感器、排放传感器、实验室测试、工厂动态或静态模拟模型等。

在系统的一个方面中，控制器中的处理器执行存储在控制器存储器中的计算机可执行指令来分析所获取的数据以对所述水厂进行健康诊断或异常检测包括：控制器中的处理器执行计算机可执行指令，以将一种或更多种诊断方法应用于获得的数据。一种或更多种诊断方法包括以下中的一种或更多种：监督学习、无监督学习、与模拟模型的交叉验证、异常检测和风险模式识别。

在系统的一个方面中，监督学习诊断方法包括从没有标签的训练数据推断功能的机器学习任务。训练数据可以获取自根据水厂传感器或模拟模型生成的历史或在线数据库。标签可以包含以下中的一个或更多个：水厂健康状态、风险水平、异常、问题、根本原因和缓解方案。一方面，监督学习诊断方法从被数字化为数据集的历史事件、人类经验或模拟场景中学习诊断规则。能够实施监督学习诊断方法来确定或预测日常运行中的设备健康状况。监督学习诊断方法可以包括以下中的一种或更多种：决策树；梯度提升决策树(GBDT)/梯度提升回归树(GBRT)/多重累积回归树(MART)；人工神经网络；卷积神经网络(CNN)；循环神经网络(RNN)；长短期记忆(LSTM)；门控循环单元(GRU)；支持向量机，包括诸如RBF等各种核方法、朴素贝叶斯分类、最大熵分类；集成学习方法，包括提升(boosting)、自适应提升、套袋(Bagging)、随机森林；线性回归；逻辑回归；高斯过程回归；条件随机域(CRF)；以及压缩感知方法，例如基于稀疏表示的分类(SRC)。

在系统的另一个方面，无监督的学习诊断方法包括从没有标签的数据集推断功能的机器学习任务。没有标签的数据集能够从根据水厂传感器或模拟模型生成的历史或在线数据库中获得。能够通过无监督的学习诊断方法来确定以下中的一个或更多个：水厂健康状况、风险水平、异常、问题、根本原因和缓解方案。无监督的学习诊断方法包括下列方法中的一种或多种：层次聚类、k均值、均值平移、谱聚类、奇异值分解(SVD)、主成分分析(PCA)、鲁棒性主成分分析(RPCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、趋势Loess分解(STL)、期望最大化(EM)、隐马尔可夫模型(HMM)、高斯混合模型(GMM)、自动编码器、变分自动编码器(VAE)、生成对抗网络(GAN)、深度信任网络(DBN)、受限玻尔兹曼机(RBM)和最小绝对收缩和选择运算符(LASSO)等。

在系统的另一方面，与模拟模型交叉验证的诊断方法包括传感器值与模拟模型的输出或实验室测试结果的相应值的交叉验证，以确定传感器欺骗，其中传感器值与模拟模型输出或实验室测试结果之间的显著差距提供传感器欺骗的证据。与模拟模型交叉验证的诊断方法用于识别、校准、移除或替换传感器欺骗数据，以确保数据质量。

在系统的另一方面，异常检测诊断方法包括根据正常数据集确定异常或异常值的算法，其中异常包括传感器欺骗数据、异常流入水或排放水质量、异常能耗或控制参数。通常，该方法用于检测训练数据集中不存在的异常，和用于识别以前未发生的异常。在异常检测中用到的算法包括下列方法中的一种或更多种：最大似然估计、卡尔曼滤波器、趋势Loess分解(STL)、自回归综合移动平均模型(ARIMA)以及指数平滑法，如霍尔特温特斯季节方法等。

在系统的另一方面中，风险识别诊断方法包括用于确定水厂中非频发的高风险事件的模型，高风险事件包括污泥中毒、污泥膨胀、超过工厂最大容量、以及工厂能力(例如重金属中毒)，并且包括水化学(例如重金属或其他难降解有机污染物))。确定非频发的高风险事件的模型可以包括以下中的一个或更多个：溶解氧消耗率、气流-溶解氧响应模型、生成污泥健康指数、最大流入耐受性模型等。

或者，可选地，在上述系统的实施例中，并行执行多个诊断方法以对水厂进行健康诊断或异常检测。同样，能够依次执行多种诊断方法，以对水厂进行健康诊断或异常检测。

另外，可选地，该系统还包括与控制器的处理器通信的显示器，基于水厂的健康诊断或异常检测采取一个或多个动作可以包括在显示器上的图形用户界面中显示关于水厂的健康诊断或异常检测的信息。或者，可选地，根据水厂的健康诊断或异常检测采取一个或更多个动作可以包括向控制水厂的至少一部分的控制系统提供关于水厂的健康诊断或异常检测的数据。提供给控制水厂的至少一部分的控制系统的关于水厂健康诊断或异常检测的数据可以被控制系统用来改变水厂的至少一个运行参数。

其他的优点将在下面的描述中部分阐述，或通过实践来学习。通过所附权利要求中特别指出的元件和组合，可以实现和得到这些优势。应理解，上述一般性描述和以下具体实施方式仅为示例性和说明性的，不具有限制性。

附图说明

附图包含在本说明书中并构成本说明书的一部分，与说明书一起解释了实施例，并用于解释方法和系统的原理：

图1A是智能水厂健康诊断和异常检测过程的示例性概述图；

图1B是这种集成诊断模块的示例；

图1C是示出了智能水厂健康诊断和异常检测的示例性方法的流程图；

图2A是示例性废水处理厂的框图；

图2B和图2C示出了诊断能够在每个模块中并行和/或依次执行；

图3是示例性诊断结果；

图4A和图4B是在显示器上呈现的示例性GUI；

图5示出了水厂智能控制系统的高级架构，该系统包括“水厂数据获取”、“水厂健康诊断”、“高级控制器”和“水厂下控制系统”子模块。

图6是示意性地示出了“高级控制器”如何作为智能控制系统的大脑工作的流程图，“ML优化器”和“工厂操作优化模型”耦合在一起作为高级控制器的核心；以及

图7示出了可用于执行本文公开的方法的示例性计算机。

具体实施方式

在公开和描述本方法和系统之前，应当理解，所述方法和系统不限于特定的方法、特定的部件或特定的组成。还应理解，本文所用术语仅用于描述特定实施例的目的，而不是限制性的。

除非内容另有明确指示，否则在本说明书和附图中使用的单数形式“一个”、“一种”、“该”包括多个所表示的对象。范围在本文中可以表示为从“大约”一个特定值到/或到“大约”另一特定值。当表示这种范围时，另一实施例包括从一个特定值和/或到另一特定值。类似地，当通过使用先行词“约”将值表示为近似值时，可以理解特定值形成另一实施例。可以进一步理解，每个范围的端点对于另一端点都是重要的，并且独立于另一端点。

“可选的”或“可选地”是指随后描述的事件或情况可能发生或可能不发生，并且该描述包括上述事件或情况发生的实例和不发生的实例。

在本文的说明书和权利要求书中，“包括”一词和该词的变体，例如“包含”，是指“包括但不限于”，并且不打算排除例如其他添加物、部件、单体或步骤。“示例性”是指“…的示例”，并不旨在传达优选或理想实施方式的指示。“例如”不是用于限制性目的，而是用于解释目的。

公开了能用于执行本公开的方法和系统的部件。本文公开了这些部件和其他部件，并且应理解当公开这些部件的组合、子集、交互、组等时，虽然不能明确地公开每一种单独的和集体的组合和排列的具体参考，但本文中对所有方法和系统都具体地考虑和描述了每一种组合和排列。这适用于本申请的所有方面，包括但不限于公开方法中的步骤。因此，如果可以执行各种附加步骤，则应理解，这些附加步骤中的每一个都可以用所公开方法的任何具体实施例或实施例的组合来执行。

通过参考以下优选实施例的详细描述和其中包含的示例以及附图及其先前和之后的描述，可以更容易理解本发明的方法和系统。

图1A是用于智能水厂健康诊断和异常检测过程的示例性概述图。如图1A中所示，基本过程包括：从(但不限于)在线传感器、实验室测试或模拟模型获取数据；处理偏差、缺失、噪声或不平衡的可选的数据预处理步骤；通过一个或更多个算法包进行数据诊断以获得更全面和更可靠的诊断结果。一旦获得诊断结果，就能够将其作为通知推送到用户界面，或者作为动作推送到控制系统。算法或模型能通过反馈数据或新的数据输入连续升级。

诊断方法包括但不限于监督学习、无监督学习、与模拟模型的交叉验证、异常检测、风险模式识别等。最终诊断结果可由每个模块的集成输出确定。输出的重叠部分能通过简单的投票机制或加权投票机制进行集成。最终诊断结果可包括但不限于问题识别、风险水平、根本原因、建议动作、健康评分、传感器欺骗报警、异常报警等。这种集成诊断模块的示例如图1B中所示。

图1C是示出了智能水厂健康诊断和异常检测的示例性方法的流程图。示例性方法包括在102处从水厂获取数据。例如，该水厂可包括废水处理厂、饮用水厂等。数据可以包括来自水化学传感器、资产传感器、流入传感器、工艺传感器、排放传感器、实验室测试、工厂动态或静态模拟模型等的数据。图2A是示例性废水处理厂的方框图。表I是收集到的水化学传感器数据，以及它们在图2A的典型废水处理厂内的位置的示例列表。下表II是资产传感器及其收集数据的示例列表。

传感器	安装位置
		温度	流入
水流量计	流入
		pH	流入
BOD	流入
		COD	流入
碱性	流入
		NH<sub>3</sub>-N	流入
NO<sub>3</sub>-N	流入
		TSS	流入
TN	流入
		PO<sub>4</sub><sup>3-</sup>	流入
TP	流入
		气流量计	好氧池
DO	好氧池
		NH<sub>3</sub>-N	好氧池
NO<sub>3</sub>-N	好氧池
		MLSS	好氧池
ORP	厌氧/缺氧池
		TN/NO<sub>3</sub>-N，NO<sub>2</sub>-N	生物反应器排放
TN	生物反应器排放
		TP	生物反应器排放
温度	排放
		水流量计	排放
pH	排放
		TSS	排放
BOD	排放
		NH3-N	排放
TN	排放
		TP	排放

表格I

污水处理厂中选择的水化学传感器

资产	传感器
		鼓风机	温度
	气体流速
			管道压力
	频率
			电压
	电流
		液压泵	流速
	压力
		污泥泵	流速
	压力

表格II

污水处理厂中选择的资产传感器

回到图1的流程图，在104处，对获取到的数据进行分析，以对水厂进行健康诊断或异常检测。在104处，对所获得的碳氢化合物的样品进行分析以确定样品的一个或更多个属性。对获取的数据进行分析，以对水厂进行健康诊断或异常检测通常包括对获取的数据应用一种或更多种诊断方法。一种或更多种诊断方法包括以下中的一种或更多种：监督学习、无监督学习、与模拟模型的交叉验证、异常检测、风险模式识别等，这些将在下文中进一步描述。

监督学习是从带标签的训练数据推断功能的机器学习任务。训练数据能从根据水厂传感器或模拟模型生成的历史或在线数据库中获取。标签能够是水厂健康状态、风险水平、异常、问题、根本原因或缓解解决方案。这些模型从数字化为数据集的历史事件、人类经验或模拟场景中学习诊断规则。然后，利用该模型来确定和预测日常运行中的工厂健康状况。使用的算法可以是以下中的一种或更多种：决策树；梯度提升决策树(GBDT)/梯度提升回归树(GBRT)/多重累积回归树(MART)；人工神经网络；卷积神经网络(CNN)；循环神经网络(RNN)；长短期记忆(LSTM)；门控循环单元(GRU)；支持向量机，包括注入RBF等各种核方法、朴素贝叶斯分类、最大熵分类；集成学习方法，包括提升(boosting)、自适应提升、套袋(Bagging)、随机森林；线性回归；逻辑回归；高斯过程回归；

条件随机域(CRF))；以及压缩感知方法，例如基于稀疏表示的分类(SRC)。

无监督学习包括使用根据历史或在线数据库的诊断规则，无需标记响应。这是监督学习的补充方法。与监督学习相比，诊断中可能涉及更多没有标签的数据集。水厂健康状况、风险水平、异常、问题、根本原因或缓解方案也可以在某种程度上通过无监督学习来识别。无监督学习中用到的算法包括下列方法中的一种或更多种：层次聚类、k均值、均值平移、谱聚类、奇异值分解(SVD)、主成分分析(PCA)、鲁棒主成分分析(RPCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、趋势Loess分解(STL)、期望最大化(EM)、隐马尔可夫模型(HMM)、高斯混合模型(GMM)、自动编码器、变分自动编码器(VAE)、生成对抗网络(GAN)、深度信任网络(DBN)、受限玻尔兹曼机(RBM)和最小绝对收缩和选择运算符(LASSO)等。

传感器值与模拟模型的输出或实验室测试结果的相应值交叉验证是确定传感器欺骗的一种方法。传感器值与模拟的软传感器或实验室测试结果之间的显著差异能够提供传感器欺骗的证据。通过使用交叉验证，能够识别、校准(以纠正)、移除或替换传感器欺骗以确保数据质量。

异常检测是根据正常数据集确定异常或异常值的一种方法。异常可能包括传感器欺骗数据、异常流入或排放水质、异常能耗或控制参数。异常可能不一定存在于训练数据集中，也不可能覆盖训练数据集中的所有异常场景。因此这是识别以前从未发生过的异常的合适方法。用到的算法能够为下列方法中的一种或更多种：最大似然估计、卡尔曼(Kalman)滤波器、趋势Loess分解(STL)、自回归综合移动平均模型(ARIMA)以及指数平滑法，例如霍尔特温特斯季节方法等等。

风险识别是确定水厂中高风险事件的一种方法。这类事件并非频发，但需要进行特殊分析来确定，包括例如污泥中毒、污泥膨胀、超过最大工厂容量或重金属中毒等事件。创建模型来识别这些高风险事件。模型包括但不限于溶解氧消耗率、气流-溶解氧响应模型、生成污泥健康指数或最大流入耐受性模型。通过这种方式，能够识别出特殊类型的高风险事件，以用于警告或问题识别。

如图2B和图2C中所示，诊断可以在每个模块中并行和/或依次执行；或如图2C中所示，这些模块的一些其他逻辑组合也能够产生诊断结果。还能部分选择模块以生成诊断结果。例如，在图2B中，首先确定高风险事件和异常，如果没有，则通过监督学习/无监督学习进行详细诊断。在图2C中，首先通过交叉验证对数据进行校准，然后进行下一级以识别高风险或异常，如果没有，则通过监督学习/无监督学习进行详细诊断。应当理解的是，图2B和图2C示出了非限制性示例。

图3是示例性的诊断结果，其示出了由聚类算法确定的典型水厂中三类氮排放健康状况的聚类；聚类1-正常状态；聚类2-有风险(高NHx排出)；聚类3-高风险(高NHx排出、高Nox排出)。下面表格III是监督学习的示例，示出了诊断聚类与数据标签(问题识别和根本原因)：

聚类	问题识别和根本原因
		1	NHx超标，进入负荷超标
2	NHx，NO<sub>2</sub>超标，硝化不足
		3	N0<sub>3</sub>超标，硝化不好
4	接近异常行为
		5	健康
6	NO<sub>2</sub>超标，硝化不好

表格III

回到图1A的流程图，在106处，基于水厂的健康诊断或异常检测采取一个或更多个动作。一方面，这些操作可以包括在显示器上的图形用户界面(GUI)中显示有关水厂的健康诊断或异常检测的信息。图4A和图4B是在显示器上呈现的示例性GUI。在GUI上显示的这些示例性诊断结果包括风险警告、问题识别、根本原因、建议动作等。呈现的信息能够取决于各种标准，包括诊断发送给谁以及此人的权限、用于呈现图形的电子设备类型等。应当理解，显示器能够是任何电子设备的显示器，包括计算机、膝上型计算机、智能电话、便携式智能设备，如iPad^TM等。

可替代地或同时地，基于水厂的健康诊断或异常检测采取一个或更多个动作可包括将有关水厂的健康诊断或异常检测的数据提供给控制水厂的至少一部分的控制系统，其中，控制系统使用有关水厂的健康诊断或异常检测的数据来改变水厂的至少一个运行参数。

图5示出了水厂智能控制系统的高级架构，该系统包括以下子模块：“工厂数据获取”、“工厂健康诊断”、“高级控制器”和“工厂下控制系统”。“工厂数据获取”是指获取工厂数据和信息，包括但不限于历史和实时在线传感器、实验室测试、巡检等。如上所述，工厂健康诊断是一套算法和模型，用于对工厂健康进行更全面和可靠的诊断，并确定是否有必要优化工厂控制运行，从而基于诊断结果设置控制优化的限制条件。“高级控制器”进行全厂运行优化，得到控制参数/策略的最优运行集，然后传递给“工厂下控制系统”在全厂实施。“工厂下控制系统”是指工厂现场控制执行系统，包括但不限于SCADA、PLC等。

图6是示意性地示出了“高级控制器”作为智能控制系统的大脑如何工作的流程图，“ML优化器”和“工厂运行优化模型”耦合在一起，作为高级控制器的核心。优化器使用机器学习和人工智能技术动态生成优化场景，以运行和验证工厂运行优化模型。一旦满足了一个场景的优化目标，该场景的控制策略将被传递给工厂下控制系统来实现。

“工厂健康诊断”模块以工厂设计和改造数据和信息为基本输入，在运行过程中持续接收流量和质量等动态流入数据。如上所述，根据所有这些信息，工厂健康诊断模块将持续检查工厂健康状态，并且在必要时执行运行优化任务。一旦确定了优化需求，它将触发高级控制器的“优化器”，并将运行约束发送给“优化器”。在工厂健康诊断模块中使用机器学习技术来识别运行约束，以基于工厂的动态状态来控制优化，并缩小优化空间。

“优化器”基于机器学习技术，增强了高级控制器的解析器。它集成了“工厂健康诊断”模块产生的约束、水处理知识、工厂数据和以前的优化场景的结果，动态生成下一个供工厂运行优化模型运行和估计的优化实例。与固定预设场景矩阵的现有技术相比，在运行的方案总数和找到最佳点的速度方面，这是可取的。

工厂运行优化模型是表示工厂单元和运行的生物、化学、水力等特征的模型的集合。首先基于单元/运行机制/物理原理设置，然后根据工厂具体数据和信息进行校准，形成工厂的虚拟复制。这使得其能够在收到流入流量和质量的信息后，模拟工厂行为，并且准确监测和预测工厂性能，包括关键性能指标(KPI)。该模块包括但不限于基于机械物理的生物动力学预测模型(例如，活性污泥模型(ASM))、用于碱度调整的化学剂量控制、磷控制、额外碳引入、聚集/絮凝、沉降、氧转移、曝气控制、泵控制等，以及它们的个体和整体简化模型。工厂KPI包括但不限于如TSS(总悬浮固体)、BOD(生化需氧量)、COD(化学需氧量)、TOC(总有机碳)、TP(总磷)、TN(总氮)、NH3-N(氨氮)等排放质量；能耗/成本；化学消耗/成本；WAS生成/沉积成本；总成本等。

本申请中提出的解决方案能滞后进行，也能通过使用计算机来基本上实时地动态进行。

上述系统由多个单元组成。本领域技术人员将理解这是功能描述，并且可以通过软件、硬件或软硬件组合来执行各个功能。单元能够是软件、硬件，或是软件和硬件的组合。单元能够包括智能水厂健康诊断、异常检测和控制软件。如图7中所示和下文所述，在一个示例性方面，所述单元内包括控制器700，所述控制器700包括处理器721。

另外，能够使用基于云的处理和存储系统和能力来实现所公开的所有或部分方面。参照图7描述的控制器700可以包含基于云的处理和存储系统的一部分。通用电气公司(Schenectady,NY)提供的GE PredixTM是能用于所公开的实施方式的基于云的服务的一个非限制性示例。PredixTM是一种基于云的PaaS(平台即服务)，其通过提供连接机器、数据和人员的标准方式，实现资产性能管理(APM)和运行优化的工业级分析。

图7示出了示例性控制器700，其能够被用于从水厂获取数据；分析所获得的数据以对水厂进行健康诊断或异常检测；以及基于水厂的健康诊断或异常检测采取一个或更多个动作。在各个方面，图7中的计算机可包括控制器700和/或过程控制系统的全部或一部分。如本文所用，“控制器”可包括计算机并包括多台计算机。控制器700可以包括一个或更多个硬件部件，例如处理器721、随机存取存储器(RAM)模块722、只读存储器(ROM)模块723、存储器724、数据库725、一个或更多个输入/输出(I/O)设备726和界面727。替代地和/或另外地，控制器700可包括一个或更多个软件部件，例如，计算机可读介质，其包括用于执行与示例性实施例相关的方法的计算机可执行指令。预计可使用软件来实现上述一个或更多个硬件部件。例如，存储器724可以包括与一个或更多个其他硬件部件关联的软件部分。应当理解，以上列出的部件仅是示例性的而不是限制性的。

处理器721可包括一个或更多个处理器，每个处理器配置为执行指令和处理数据，以执行与智能水厂健康诊断、异常检测和控制相关的一种或多种功能。如本文所用，“处理器”721是指执行编码指令以执行输入和创建输出功能的物理硬件设备。处理器721可以通信地耦合到RAM 722、ROM 723、存储器724、数据库725、I/O设备726和接口727。处理器721可配置为执行计算机程序指令序列以执行各种进程。计算机程序指令可以加载到RAM 722中以通过处理器721执行。

RAM 722和ROM 723可以各自包括一个或更多个用于存储与处理器721操作相关的信息的设备。例如，ROM 723可包括存储器设备，该设备配置为访问和存储与控制器700相关的信息，包括用于识别、初始化和监测一个或更多个部件和子系统的操作的信息。RAM 722可包括用于存储与处理器721的一个或更多个操作相关的数据的存储器设备。例如，ROM723可以将指令加载到RAM 722中以通过处理器721执行。

存储设备724可以包括任何类型的大容量存储设备，其配置为存储处理器721根据公开的实施例可能需要执行的信息。例如，存储724可以包括一个或更多个磁盘和/或光盘设备，例如硬盘、CD-ROM、DVD-ROM或任何其他类型的大容量媒体设备。

数据库725可以包括一个或更多个软件和/或硬件部件，这些部件协同存储、组织、排序、过滤和/或布置控制器700和/或处理器721使用的数据。预期数据库725可存储其他和/或不同于上述信息的信息。

I/O设备726可包括配置为与和控制器700关联的用户交流信息的一个或更多个部件。例如，I/O设备726可包括具有集成键盘和鼠标的控制台，以允许用户维护用于智能水厂健康诊断、异常检测和控制等的算法。I/O设备726还可包括显示器，该显示器包括用于在监视器上输出信息的图形用户界面(GUI)。I/O设备726还可以包括外围设备，例如，用于打印与控制器700关联的信息的打印机、允许用户输入存储在便携式媒体设备上的数据的用户可访问的磁盘驱动器(例如USB端口、软盘、CD-ROM或DVD-ROM驱动器等)、麦克风、扬声器系统或任何其他类型的接口设备。

接口727可以包括配置为通过通信网络(例如因特网、局域网、工作站对等网络、直接链路网络、无线网络或任何其他合适的通信平台)传输和接收数据的一个或更多个部件。例如，接口727可以包括一个或更多个调制器、解调器、多路复用器、解复用器、网络通信设备、无线设备、天线、调制解调器以及配置为通过通信网络实现数据通信的任何其他类型的设备。

虽然已就优选实施例和具体示例对方法和系统进行了描述，但并不打算将范围限定于所述具体实施例，因为本文的实施例在所有方面都旨在说明性的而不是限制性的。

除非另有明确说明，否则不得将本文所述的任何方法解释为要求按照特定顺序执行其步骤。因此，如果方法权利要求实际上没有记载步骤要遵循的顺序，或者权利要求或说明书中没有特别说明要将这些步骤限制在特定的顺序中，则决不能推断出顺序。这适用于任何可能的非明示的解释基础，包括：步骤或操作流程排列的逻辑事项；源自语法组织或标点的通常含义；说明书中描述的实施例的数量或类型。

在整个申请中，可以引用各种出版物。为了更全面地描述方法和系统所属的现有技术，这些出版物的全部公开内容通过引用并入本申请中。

显然，对于本领域技术人员来说，可以在不偏离范围或精神的情况下进行各种修改和变化。根据本文所公开的说明书和实践中，本领域技术人员可以得到其他实施例。本说明书和实例仅被视为示例性的，其真实范围和精神由所附权利要求指示。

Claims (52)

1.一种智能水厂健康诊断异常检测与控制方法，包括：

从水厂获取数据；

对获取的数据进行分析以对水厂进行健康诊断或异常检测；以及

基于对水厂的健康诊断或异常检测采取一个或更多个动作。

2.如权利要求1所述的方法，其中，所述水厂包含废水处理厂或饮用水厂。

3.如权利要求1-2中任一项所述的方法，其中，从水厂获取数据包括使用一个或更多个本地工厂流入传感器、资产传感器、过程传感器、排放传感器、实验室测试、工厂动态或静态模拟模型以及历史数据和全球/云数据库中心来获取数据。

4.如权利要求1-3中任一项所述的方法，其中，对获取的数据进行分析以对水厂进行健康诊断或异常检测包括对获取的数据应用一种或更多种诊断方法。

5.如权利要求4所述的方法，其中，所述一种或更多种诊断方法包括以下中的一种或更多种：监督学习、无监督学习、与模拟模型的交叉验证、数据驱动模型、异常检测和风险模式识别。

6.如权利要求5所述的方法，其中，所述监督学习的诊断方法包括从带标签的训练数据推断功能的机器学习任务。

7.如权利要求6所述的方法，其中，所述训练数据获取自根据水厂传感器或模拟模型生成的历史数据库或在线数据库。

8.如权利要求6所述的方法，其中，所述标签包括以下中的一个或更多个：工厂健康状态、风险水平、异常、问题、根本原因、污染物特征和缓解方案。

9.如权利要求6-8中任一项所述的方法，其中，所述监督学习的诊断方法从被数字化为数据集的历史事件、人类经验或模拟场景中学习诊断规则，所述历史事件包括来自数据中心的本地和全球案例。

10.如权利要求9所述的方法，其中，实施所述监督学习的诊断方法以确定或预测日常运行中的工厂健康状况。

11.如权利要求6-10中任一项所述的方法，其中，所述监督学习的诊断方法包括以下中的一个或更多个：决策树；梯度提升决策树(GBDT)/梯度提升回归树(GBRT)/多重累积回归树(MART)；人工神经网络；卷积神经网络(CNN)；循环神经网络(RNN)；长短期记忆(LSTM)；门控循环单元(GRU)；支持向量机，包括诸如RBF等各种核方法、朴素贝叶斯分类、最大熵分类；集成学习方法，包括提升、自适应提升、套袋、随机森林；线性回归；逻辑回归；高斯过程回归；条件随机域(CRF)；以及压缩感知方法，例如基于稀疏表示的分类(SRC)。

12.如权利要求5所述的方法，其中，所述无监督学习的诊断方法包括从没有标签的数据集推断功能的机器学习任务。

13.如权利要求12所述的方法，其中，从根据水厂传感器或模拟模型生成的历史或在线数据库中获取所述没有标签的数据集。

14.如权利要求13所述的方法，其中，通过所述无监督学习的诊断方法来确定以下中的一个或更多个：工厂健康状况、风险水平、异常、问题、根本原因和缓解方案。

15.如权利要求12-14中任一项所述的方法，其中，所述无监督学习的诊断方法包括以下中的一种或多种：层次聚类、k均值、均值平移、谱聚类、奇异值分解(SVD)、主成分分析(PCA)、鲁棒性主成分分析(RPCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、趋势Loess分解(STL)、期望最大化(EM)、隐马尔可夫模型(HMM)、高斯混合模型(GMM)、自动编码器、变分自动编码器(VAE)、生成对抗网络(GAN)、深度信任网络(DBN)、受限玻尔兹曼机(RBM)和最小绝对收缩和选择运算符(LASSO)等等。

16.如权利要求5所述的方法，其中，所述与模拟模型的交叉验证的诊断方法包括传感器值与模拟模型的输出或实验室测试结果的相应值的交叉验证，以确定传感器欺骗，其中，所述传感器值与模拟模型的输出或实验室测试结果之间的显著差距提供传感器欺骗的证据。

17.如权利要求16所述的方法，其中，所述与模拟模型的交叉验证的诊断方法被用于识别、校准、移除或替换传感器欺骗数据，以确保数据质量。

18.如权利要求5所述的方法，其中，所述异常检测的诊断方法包括根据正常数据集确定异常或异常值的算法，其中，所述异常包括传感器欺骗数据、资产风险状态、异常的流入水或工艺水或排放水质量、特定污染物识别、异常能耗或异常化学消耗或控制参数。

19.如权利要求18所述的方法，其中，所述异常不存在于训练数据集中，并用于识别以前未发生的异常。

20.如权利要求18-19中任一项所述的方法，其中，所述算法包括但不限于下列方法中的一种或更多种：最大似然估计、卡尔曼滤波器、趋势Loess分解(STL)、自回归综合移动平均模型(ARIMA)以及指数平滑法，例如霍尔特温特斯季节方法。

21.如权利要求5所述的方法，其中，所述风险识别的诊断方法包括用于确定水厂中非频发的高风险事件的模型，所述高风险事件包括检测到污染物、污泥中毒、污泥膨胀、超过最大工厂容量和超过工厂能力。

22.如权利要求21所述的方法，其中，所述用于确定非频发的高风险事件的模型包括以下中的一个或更多个：水谱特征异常、溶解氧消耗率、气流-溶解氧响应模型、生成的污泥健康指数和最大流入耐受模型。

23.如权利要求5-22中任一项所述的方法，其中，并行执行多个诊断方法以对水厂进行健康诊断或异常检测。

24.如权利要求5-23中任一项所述的方法，其中，依次执行多个诊断方法以对水厂进行健康诊断或异常检测。

25.如权利要求1-24中任一项所述的方法，其中，基于对水厂的健康诊断或异常检测采取一个或更多个动作包括在显示器上的图形用户界面中显示关于水厂的健康诊断或异常检测的信息。

26.如权利要求1-25中任一项所述的方法，其中，基于对水厂的健康诊断或异常检测采取一个或更多个动作包括向控制水厂的至少一部分的控制系统提供关于水厂的健康诊断或异常检测的数据。

27.如权利要求26所述的方法，其中，提供给控制水厂的至少一部分的控制系统的关于水厂的健康诊断或异常检测的数据被所述控制系统用来改变水厂的至少一个运行参数。

28.一种智能水厂健康诊断异常检测与控制系统，包括：

控制系统，其至少包括控制器以及一个或更多个数据获取部件，其中，所述控制器中的处理器执行存储在控制器的存储器中的计算机可执行指令，所述指令使处理器：

使用所述一个或更多个数据获取部件从水厂获取数据；

对获取的数据进行分析以对水厂进行健康诊断或异常检测；以及

基于对水厂的健康诊断或异常检测来采取一个或更多个动作。

29.根据权利要求28所述的系统，其中，一个或更多个本地工厂流入传感器、资产传感器、过程传感器、排放传感器、实验室测试、工厂动态或静态模拟模型以及历史数据和全球/云数据库中心。

30.根据权利要求28-29中任一项所述的系统，其中，所述控制器中的处理器执行存储在控制器的存储器中的计算机可执行指令来对获取的数据进行分析以对水厂进行健康诊断或异常检测包括：控制器中的处理器执行计算机可执行指令来对获取的数据应用一种或更多种诊断方法。

31.根据权利要求30所述的系统，其中，所述一种或更多种诊断方法包括以下中的一种或更多种：监督学习、无监督学习、与模拟模型的交叉验证、异常检测和风险模式识别。

32.根据权利要求31所述的系统，其中，所述监督学习的诊断方法包括从带标签的训练数据推断功能的机器学习任务。

33.根据权利要求32所述的系统，其中，所述训练数据获取自根据水厂传感器或模拟模型生成的历史或在线数据库。

34.根据权利要求32所述的系统，其中，所述标签包括以下中的一个或更多个：工厂健康状态、风险水平、异常、问题、根本原因和缓解方案。

35.根据权利要求32-34中任一项所述的系统，其中，所述监督学习的诊断方法从被数字化为数据集的历史事件、人类经验或模拟场景中学习诊断规则。

36.根据权利要求35所述的系统，其中，实施所述监督学习的诊断方法以确定或预测日常运行中的工厂健康状况。

37.根据权利要求32-36中任一项所述的系统，其中，所述监督学习的诊断方法包括以下中的一个或更多个：决策树；梯度提升决策树(GBDT)/梯度提升回归树(GBRT)/多重累积回归树(MART)；人工神经网络；卷积神经网络(CNN)；循环神经网络(RNN)；长短期记忆(LSTM)；门控循环单元(GRU)；支持向量机，包括诸如RBF等各种核方法、朴素贝叶斯分类、最大熵分类；集成学习方法，包括提升、自适应提升、套袋、随机森林；线性回归；逻辑回归；高斯过程回归；条件随机域(CRF)；以及压缩感知方法，例如基于稀疏表示的分类(SRC)。

38.根据权利要求31所述的系统，其中，所述无监督学习的诊断方法包括从没有标签的数据集推断功能的机器学习任务。

39.根据权利要求38所述的系统，其中，所述没有标签的数据集是从根据水厂传感器或模拟模型生成的历史或在线数据库中获取的。

40.根据权利要求39所述的系统，其中，通过所述无监督学习的诊断方法来确定以下中的一个或更多个：工厂健康状况、风险水平、异常、问题、根本原因和缓解方案。

41.根据权利要求38-40中任一项所述的系统，其中，所述无监督学习的诊断方法包括以下中的一种或多种：层次聚类、k均值、均值平移、谱聚类、奇异值分解(SVD)、主成分分析(PCA)、鲁棒性主成分分析(RPCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、趋势Loess分解(STL)、期望最大化(EM)、隐马尔可夫模型(HMM)、高斯混合模型(GMM)、自动编码器、变分自动编码器(VAE)、生成对抗网络(GAN)、深度信任网络(DBN)、受限玻尔兹曼机(RBM)和最小绝对收缩和选择运算符(LASSO)等等。

42.根据权利要求31所述的系统，其中，所述与模拟模型的交叉验证的诊断方法包括传感器值与模拟模型的输出或实验室测试结果的相应值的交叉验证，以确定传感器欺骗，其中，所述传感器值与模拟模型的输出或实验室测试结果之间的显著差距提供传感器欺骗的证据。

43.根据权利要求42所述的系统，其中，所述与模拟模型的交叉验证的诊断方法用于识别、校准、移除或替换传感器欺骗数据，以确保数据质量。

44.根据权利要求31所述的系统，其中，所述异常检测的诊断方法包括由处理器执行根据正常数据集确定异常或异常值的算法，其中所述异常包括传感器欺骗数据、异常流入水或排放水质量、异常能耗或控制参数。

45.根据权利要求44所述的系统，其中，所述异常不存在于训练数据集中，并用于识别以前未发生的异常。

46.根据权利要求44-45中任一项所述的系统，其中，处理器执行的所述算法包括下列方法中的一种或更多种：最大似然估计、卡尔曼滤波器、趋势Loess分解(STL)、自回归综合移动平均模型(ARIMA)以及指数平滑法，例如霍尔特温特斯季节方法。

47.根据权利要求31所述的系统，其中，所述风险识别的诊断方法包括处理器执行使用数据开发的用于确定水厂中非频发的高风险事件的模型，所述高风险事件包括污泥中毒、污泥膨胀、超过最大工厂容量和重金属中毒。

48.根据权利要求47所述的系统，其中，所述用于确定非频发的高风险事件的模型包括以下中的一个或更多个：溶解氧消耗率、气流-溶解氧响应模型、生成的污泥健康指数和最大流入耐受性模型。

49.根据权利要求28-48中任一项所述的系统，其中，所述处理器并行执行多个诊断方法，以对所述水厂进行健康诊断或异常检测。

50.根据权利要求28-49中任一项所述的系统，其中，所述处理器依次执行多个诊断方法，以对所述水厂进行健康诊断或异常检测。

51.根据权利要求29-50中任一项所述的系统，还包括与处理器通信的显示设备，其中，基于对水厂的健康诊断或异常检测采取一个或多更个动作包括：在所述显示设备上的图形用户界面中显示关于水厂的健康诊断或异常检测的信息。

52.根据权利要求29-51中任一项所述的系统，其中，提供给控制水厂的至少一部分的控制系统的关于水厂的健康诊断或异常检测的数据被所述控制系统用来改变水厂的至少一个运行参数。