BR112019017301A2

BR112019017301A2 - métodos e sistemas inteligentes para diagnóstico de saúde de uma estação de tratamento de água, detecção e controle de anomalia

Info

Publication number: BR112019017301A2
Application number: BR112019017301A
Authority: BR
Inventors: Xia Zijun; Lu Su; Wan Zhaoyang; Wang Yu; Bi Xijing; Wang Guoliang; Tang Chuanyou; Zhu Zhiping; Ma Wenchao; Dong Qin; Wang Sijing; Li Yisong; Ling Jiajia
Original assignee: Bl Technologies, Inc.
Priority date: 2017-10-09
Filing date: 2017-10-09
Publication date: 2020-04-22
Also published as: EP3552013A1; CN110088619A; WO2019071384A1; EP3552013A4; WO2019071384A8; US20200231466A1; CA3049807A1

Abstract

são descritos sistemas e métodos de análise de dados adquiridos a partir de uma estação de tratamento de água, tanto a partir de dados históricos quanto adquiridos em tempo real, fazendo determinações sobre processos e diagnóstico de saúde de ativos e detecção de anomalias utilizando técnicas avançadas, e controlando a estação e/ou fornecendo alertas baseados em tais determinações.

Description

MÉTODOS E SISTEMAS INTELIGENTES PARA PROCESSOS E DIAGNÓSTICO DE SAÚDE DE ATIVOS, DETECÇÃO E CONTROLE DE ANOMALIA EM ESTAÇÕES DE TRATAMENTO DE ÁGUA RESIDUAL OU EM ESTAÇÕES DE TRATAMENTO DE ÁGUA POTÁVEL

CAMPO DA INVENÇÃO [001] São divulgados na presente invenção sistemas e métodos de análise de dados adquiridos a partir de uma estação de tratamento de água, tanto a partir de dados históricos quanto adquiridos em tempo real, fazendo determinações sobre processos e diagnóstico de saúde de ativos e detecção de anomalias utilizando técnicas avançadas, e controlando a estação e/ou fornecendo alertas baseados em tais determinações. ANTECEDENTES DA INVENÇÃO [002] As estações de tratamento de águas residuais e as estações de tratamento de água potável precisam de monitoramento e operação diários para garantir a integridade do processo, a fim de atender aos padrões de efluentes e, ao mesmo tempo, reduzir o custo da operação. O diagnóstico do processo de tratamento, a identificação de anomalias de dados, o diagnóstico de saúde do equipamento são etapas fundamentais para que os operadores tomem as decisões ou controlem as ações corretas. Tradicionalmente, o tratamento de água é um processo longo com grande volume de dados gerados a partir de sensores ou testes laboratoriais, como sensores de qualidade de água e sensores de ativos. Atualmente, a maioria dos diagnósticos diários é feita por seres humanos com base na experiência e análise de dados simples, tal como por julgamento limiar. É difícil lidar com multiparâmetros ao mesmo tempo para analisar os possíveis problemas de fraude de sensor ou saúde para fazer o melhor controle o tempo todo. Diferentes pessoas que tomam tais decisões e julgamentos podem resultar em diferentes níveis de qualidade de gerenciamento das estações de água. Além disso, grandes margens são mantidas durante o projeto da estação e operações baseadas na experiência garantem que o padrão de efluente seja atendido, mesmo no pior dos casos, o que leva a um custo operacional muito maior. Um sistema de diagnóstico inteligente pode auxiliar as pessoas a melhorar a eficiência de operação diária e melhorar a qualidade de diagnóstico, que é abrangente e

Petição 870190080813, de 20/08/2019, pág. 88/161

2/27 fidedigno. Esse sistema também pode auxiliar a melhorar a qualidade da operação, evitar as falhas em tempo hábil e, em última instância, aumentar os benefícios.

[003] Portanto, um método e um sistema são desejados para diagnosticar de forma rápida, contínua e precisa o processo de diagnóstico e a saúde de ativos, detectar anomalias e controlar dinamicamente o processo de tratamento de água de maneira econômica e com alta qualidade.

SUMÁRIO DA INVENÇÃO [004] São divulgados métodos ou sistemas inteligentes para processos e diagnóstico de saúde de ativos e detecção de anomalias em estações de tratamento de águas residuais ou estações de tratamento de água potável. O sistema inclui toda a metodologia de diagnóstico para determinar o estado de integridade/saúde da estação, incluindo a integridade do processo e dos ativos. Os resultados podem ser enviados para uma interface de usuário como notificações ou para um sistema de controle para ações executadas de acordo com os resultados. Os dados para diagnóstico podem ser obtidos a partir de um ou mais sensores influentes, sensores de ativos, sensores de processo, sensores de efluentes, testes de laboratório, modelo simulado dinâmico ou estático da estação, quaisquer outros modelos para simular ou predizer o processo ou ativo da estação, e similares. Em comparação com a experiência humana tradicional ou método de limiar simples, os sistemas e métodos descritos na presente invenção combinam uma série de métodos avançados ou algoritmos para obter resultados diagnósticos mais abrangentes e confiáveis. Os sistemas e métodos descritos na presente invenção fornecem um serviço ou produto de diagnóstico em estação de tratamento de água inteligente ao usuário final para melhor monitoramento, controle e gerenciamento das operações diárias. Os algoritmos ou modelos podem ser, mas não estão limitados a, aprendizagem supervisionada, aprendizagem não supervisionada, reconhecimento de risco, detecção de anomalias, análise estatística, validação cruzada e similares. Todos os algoritmos ou modelos podem ser continuamente atualizados conforme os dados são carregados.

[005] Além disso, são divulgados métodos e sistemas para controle dinâmico e operação de uma estação de tratamento de água usando análise preditiva com sinergia de modelos

Petição 870190080813, de 20/08/2019, pág. 89/161

3/27 baseados em física e modelos/algoritmos baseados em dados das estações. As estações de tratamento de água incluem estações de tratamento de águas residuais e estações de tratamento de água potável. Em exemplos de realização, o sistema adquire dados da estação para capturar as características dinâmicas da estação, analisar em seu módulo inteligente de diagnóstico de saúde da estação e controlador avançado para prever o desempenho da estação proativamente e otimizar seu controle e operação, e então passar a estratégia de controle otimizada para o sistema de controle inferior da estação para controle em tempo real. O módulo inteligente é onde reside a sinergia entre o modelo baseado em física e o modelo/algoritmo baseado em dados da estação. Este sistema de controle inteligente melhora a operação e o controle da estação para o nível baseado em conhecimento e dados a partir do nível tradicional de experiência, e pode lidar com situações muito mais complexas e tornar o controle e a operação da estação mais confiáveis e eficazes. O controle inteligente do controle do tratamento de água pode efetivamente utilizar a instalação da estação de tratamento com base em seu status dinâmico e equilibrar a qualidade do efluente e o custo de operação da estação, além de melhorar as produtividades e a confiabilidade da estação. Também é divulgada na presente invenção uma abordagem ou metodologia para resolver rapidamente as estratégias ou parâmetros de controle ótimos com certo nível de segurança.

[006] São divulgados exemplos de realização de um método de diagnóstico inteligente da integridade/saúde de estações de água e detecção de anomalias compreendendo dados de aquisição a partir de uma estação de tratamento de água; analisar os dados adquiridos para fazer um diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água; e tomar uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água.

[007] Em um aspecto, a estação de tratamento de água compreende uma estação de tratamento de águas residuais ou uma estação tratamento de água potável.

[008] A aquisição dos dados da estação de tratamento de água pode compreender a aquisição dos dados usando um ou mais sensores influentes, sensores de ativos, sensores de processo, sensores de efluentes, testes de laboratório, modelos simulados dinâmicos

Petição 870190080813, de 20/08/2019, pág. 90/161

4/27 ou estáticos de estações e semelhantes.

[009] Analisar os dados adquiridos para fazer o diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água pode incluir a aplicação de uma ou mais metodologias de diagnóstico para os dados adquiridos, como aprendizagem supervisionada, aprendizagem não supervisionada, validação cruzada com modelo simulado, detecção de anomalia e reconhecimento de padrões de risco.

[010] Em um aspecto, a metodologia de diagnóstico de aprendizado supervisionado compreende uma tarefa do aprendizado de máquina de inferir uma função a partir de dados de treinamento rotulados. Os dados de treinamento podem ser obtidos a partir de um banco de dados histórico ou on-Hne gerado a partir de modelos simulados ou sensores de estação de tratamento de água. Os rótulos podem incluir um ou mais estado de saúde da estação, nível de risco, anomalia, problema, causa raiz e solução de mitigação. Em um aspecto, a metodologia de diagnóstico de aprendizado supervisionado aprende as regras de diagnóstico a partir de eventos históricos, experiência humana ou cenários simulados, uma vez que são digitalizados no conjunto de dados. A metodologia de diagnóstico de aprendizagem supervisionada pode ser implementada para determinar ou predizer a saúde da estação na operação diária. A metodologia de diagnóstico de aprendizagem supervisionada pode incluir uma ou mais árvores de decisão, árvore de decisão de aumento de gradiente (Gradient Boosting Decision Tree (GBDT)/Gradient Boosting Decision Tree (GBRT)), árvore de regressão de adição múltipla (MART, do inglês Multiple Addition Regression Tree), rede neural artificial, rede neural convolucional (CNN, do inglês Convolutional Neural Network), Rede Neural (RNN), Memória de Longo Prazo (LSTM), Unidade Recorrente 6áteri(GRU), Máquina de Vetor de Suporte incluindo todos os tipos de métodos kernel como RBF, Classificação Bayesiana Naive, Classificação Máxima de Entropia, Métodos de Aprendizagem Ensemble incluindo Boosting, Adaboost, Bagging, Floresta Aleatória (Random Forest), Regressão Linear, Regressão Logística, Regressão de Processo Gaussiano, Campo Aleatório Condicional (CRF) e Métodos de Detecção Comprimida, como a Classificação Baseada em Representação Esparsa (SRC) e similares.

[011] Em outro aspecto, a metodologia de diagnóstico de aprendizado não

Petição 870190080813, de 20/08/2019, pág. 91/161

5/27 supervisionado compreende uma tarefa de aprendizado de máquina de inferir uma função a partir de conjuntos de dados não rotulados. Os conjuntos de dados não rotulados podem ser obtidos de um banco de dados histórico ou on-Hne gerado a partir de sensores de estação de tratamento de água ou modelos simulados. Um ou mais estado de saúde da estação, nível de risco, anomalia, problema, causa raiz e solução de mitigação podem ser identificados pela metodologia de diagnóstico de aprendizagem não supervisionada. A metodologia de diagnóstico de aprendizado não supervisionado inclui um ou mais agrupamentos hierárquicos, k-médias, deslocamento médio, agrupamento espectral, decomposição de valores singulares (SVD, do inglês Singular value decomposition), Análise de Componentes Principais (PCA, do inglês Principal Component Analysis), Análise Robusta de Componentes Principais (RPCA, do inglês Robust Principal Component Analysis), Análise de Componentes Independentes (ICA, do inglês Independent Component Analysis), Fatoração de Matriz Não Negativa (NMF, do inglês Non-negative Matrix Factorization), Decomposição de Tendência usando Loess (STL, do inglês Trend Loess Decomposition), Maximização de Expectativa (EM), Modelo Oculto de Markov (HMM, do inglês Hidden Markov Model), Modelo de Mistura Gaussianas (GMM, do inglês Gaussian Mixture Model), codificador automático (Auto-Encodef), Auto-Encoder variacional (VAE), Redes Geradoras Adversárias (GAN, do inglês Generative Adversrary Nets), rede de crença profunda (DBN, do inglês Deep Belief Network), máquina Boltzmann restrita (RBM, do inglês Restricted Boltzmann Machind), e Operador de Encolhimento e Seleção Menos Absoluto (LASSO, do inglês Least Absolute Shrinkage and Selection Operator), e semelhantes.

[012] Em outro aspecto, a validação cruzada com metodologia de diagnóstico de modelo simulado compreende a validação cruzada de um valor de sensor com um valor correspondente das saídas de um modelo simulado ou resultados de teste de laboratório para determinar a fraude do sensor, em que uma diferença significativa entre o valor do sensor e a saída do modelo simulado ou resultados de testes de laboratório fornecem evidência de fraude de sensor. A validação cruzada com a metodologia de diagnóstico simulado do modelo é usada para identificar, calibrar, remover ou substituir dados de

Petição 870190080813, de 20/08/2019, pág. 92/161

6/27 fraude do sensor para garantir a qualidade dos dados. A fraude do sensor inclui e não se limita a ruídos, valores discrepantes e desvios.

[013] Em outro aspecto, a metodologia de diagnóstico de detecção de anomalia compreende um algoritmo para determinar uma anomalia ou valores discrepantes a partir de um conjunto de dados normal, em que a anomalia inclui dados de fraude do sensor, influências anormais ou qualidade da água efluente, consumo de energia anormal ou parâmetros de controle. Geralmente, essa metodologia é usada para detectar anomalias que não existem em um conjunto de dados de treinamento e é usada para identificar uma anomalia que não aconteceu antes. Os algoritmos usados na detecção de anomalias incluem um ou mais dos métodos de Estimação de Máxima Verossimilhança, Filtro de Kalman, Decomposição de Tendência usando Loess (STL), Modelo Auto-Regressivo Integrado De Médias Móveis (ARIMA, do inglês Autoregressive Integrated Moving Average model), e Métodos de Suavização Exponencial como o método sazonal de Holt-Winters e similares.

[014] Em outro aspecto, a metodologia de diagnóstico de reconhecimento de risco compreende um modelo para determinar eventos infrequentes de alto risco na estação de tratamento de água, incluindo envenenamento por lodo, expansão de lodo, excedência da capacidade máxima da estação e envenenamento por metais pesados. O modelo para determinar eventos infrequentes de alto risco pode compreender uma ou mais taxas de consumo de oxigênio dissolvido, fluxo de ar para o modelo de resposta de oxigênio dissolvido, índice de saúde de lodo gerado, modelo de tolerância influente máxima e similares.

[015] Alternativamente, de modo opcional, nos exemplos de realização do método descrito acima, uma pluralidade das metodologias de diagnóstico é realizada em paralelo para realizar o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água. Da mesma forma, uma pluralidade de metodologias de diagnóstico pode ser realizada sequencialmente para fazer o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água.

[016] Alternativamente, e também opcionalmente, tomar uma ou mais ações com base

Petição 870190080813, de 20/08/2019, pág. 93/161

7/27 no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água pode compreender a exibição de informações sobre o diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água em uma interface gráfica de usuário em um monitor. Alternativamente, e opcionalmente, tomar uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água pode compreender o fornecimento de dados sobre o diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água a um sistema de controle que controla pelo menos uma parte da estação de tratamento de água. Os dados sobre o diagnóstico de saúde ou a detecção de anomalias para a estação de tratamento que são fornecidos ao sistema de controle que controla pelo menos uma parte da estação de tratamento podem ser usados pelo sistema de controle para alterar pelo menos um parâmetro de operação da estação de tratamento.

[017] Também é descrito um sistema inteligente para diagnóstico de saúde da estação de tratamento de água e detecção de anomalia compreendendo um sistema de controle que compreende pelo menos um controlador e um ou mais componentes de aquisição de dados, onde um processador no controlador executa uma instrução executável pelo computador armazenada em uma memória do controlador, as referidas instruções fazem com que o processador adquira dados de uma estação de tratamento de água usando um ou mais componentes de aquisição de dados; é feita a análise dos dados adquiridos para fazer um diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água; e uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água são tomadas. O um ou mais componentes de aquisição de dados podem compreender um ou mais sensores influentes, sensores de ativos, sensores de processo, sensores de efluentes, testes de laboratório, modelos simulados estáticos ou dinâmicos de estações, e similares.

[018] Em um aspecto do sistema, o processador no controlador executa a instrução executável por computador armazenada em uma memória do controlador para analisar os dados adquiridos e fazer o diagnóstico de saúde ou detecção de anomalia na estação de tratamento de água compreende o processador no controlador executar a instrução

Petição 870190080813, de 20/08/2019, pág. 94/161

8/27 executável por computador para aplicar uma ou mais metodologias de diagnóstico aos dados adquiridos. A uma ou mais metodologias de diagnóstico compreendem um ou mais de aprendizado supervisionado, aprendizado não supervisionado, validação cruzada com modelo simulado, detecção de anomalia e reconhecimento de padrões de risco.

[019] Em um aspecto do sistema, a metodologia de aprendizagem supervisionada compreende uma tarefa de aprendizado de máquina de inferir uma função a partir de dados de treinamento rotulados. Os dados de treinamento podem ser obtidos de um banco de dados histórico ou on-Hne gerado a partir de modelos simulados ou sensores de estação de tratamento de água. Os rótulos podem incluir um ou mais estado de saúde da estação, nível de risco, anomalia, problema, causa raiz e solução de mitigação. Em um aspecto, a metodologia de diagnóstico de aprendizado supervisionado aprende as regras de diagnóstico a partir de eventos históricos, experiência humana ou cenários simulados, uma vez que são digitalizados em conjuntos de dados. A metodologia de diagnóstico de aprendizagem supervisionada pode ser implementada para determinar ou predizer a saúde da estação na operação diária. A metodologia de diagnóstico de aprendizagem supervisionada pode incluir uma ou mais árvores de decisão, árvore de decisão de aumento de gradiente (Gradient Boosting Decision Tree (GBDT)/Gradient Boosting Decision Tree (GBRT)), árvore de regressão de adição múltipla (MART, do inglês Multiple Addition Regression Tree), rede neural artificial, rede neural convolucional (CNN, do inglês Convolutional Neural Network, Rede Neural (RNN), Memória de Longo Prazo (LSTM), Unidade Recorrente Càteri (GRU), Máquina de Vetor de Suporte incluindo todos os tipos de métodos kernel como RBF, Classificação Bayesiana Naive, Classificação Máxima de Entropia, Métodos de Aprendizagem Ensemble incluindo Boosting, Adaboost, Bagging, Floresta Aleatória (Random Forest), Regressão Linear, Regressão Logística, Regressão de Processo Gaussiano, Campo Aleatório Condicional (CRF) e Métodos de Detecção Comprimida, como a Classificação Baseada em Representação Esparsa (SRC) e similares.

[020] Em outro aspecto do sistema, a metodologia de diagnóstico de aprendizado não supervisionado compreende uma tarefa de aprendizado de máquina de inferir uma função a partir de conjuntos de dados não rotulados. Os conjuntos de dados não rotulados

Petição 870190080813, de 20/08/2019, pág. 95/161

9/27 podem ser obtidos de um banco de dados histórico ou on-Hne gerado a partir de sensores de estação de tratamento de água ou modelos simulados. Um ou mais estado de saúde da estação, nível de risco, anomalia, problema, causa raiz e solução de mitigação podem ser identificados pela metodologia de diagnóstico de aprendizagem não supervisionada. A metodologia de diagnóstico de aprendizado não supervisionado inclui um ou mais agrupamentos hierárquicos, k-médias, deslocamento médio, agrupamento espectral, decomposição de valores singulares (SVD, do inglês Singular value decomposition), Análise de Componentes Principais (PCA, do inglês Principal Component Analysis), Análise Robusta de Componentes Principais (RPCA, do inglês Robust Principal Component Analysis), Análise de Componentes Independentes (ICA, do inglês Independent Component Analysis), Fatoração de Matriz Não Negativa (NMF, do inglês Non-negative Matrix Factorization), Decomposição de Tendência usando Loess (STL, do inglês Trend Loess Decomposition), Maximização de Expectativa (EM), Modelo Oculto de Markov (HMM, do inglês Hidden Markov Model), Modelo de Mistura Gaussianas (GMM, do inglês Gaussian Mixture Model), codificador automático (Auto-Encodef), Auto-Encoder variacional (VAE), Redes Geradoras Adversárias (GAN, do inglês Generative Adversrary Nets), rede de crença profunda (DBN, do inglês Deep Belief Network), máquina Boltzmann restrita (RBM, do inglês Restricted Boltzmann Machind), e Operador de Encolhimento e Seleção Menos Absoluto (LASSO, do inglês Least Absolute Shrinkage and Selection Operator), e semelhantes.

[021] Em outro aspecto do sistema, a validação cruzada com metodologia de diagnóstico de modelo simulado compreende a validação cruzada de um valor de sensor com um valor correspondente das saídas de um modelo simulado ou resultados de teste de laboratório para determinar a fraude do sensor, em que uma diferença significativa entre o valor do sensor e a saída do modelo simulado ou resultados de testes de laboratório fornecem evidência de fraude de sensor. A validação cruzada com a metodologia de diagnóstico simulado do modelo é usada para identificar, calibrar, remover ou substituir dados de fraude do sensor para garantir a qualidade dos dados.

[022] Em outro aspecto do sistema, a metodologia de diagnóstico de detecção de

Petição 870190080813, de 20/08/2019, pág. 96/161

10/27 anomalia compreende um algoritmo para determinar uma anomalia ou valores discrepantes a partir de um conjunto de dados normal, em que a anomalia inclui dados de fraude do sensor, influências anormais ou qualidade da água efluente, consumo de energia anormal ou parâmetros de controle. Geralmente, essa metodologia é usada para detectar anomalias que não existem em um conjunto de dados de treinamento e é usada para identificar uma anomalia que não aconteceu antes. Os algoritmos usados na detecção de anomalias incluem um ou mais dos métodos de Estimação de Máxima Verossimilhança, Filtro de Kalman, Decomposição de Tendência usando Loess (STL), Modelo Auto-Regressivo Integrado De Médias Móveis (ARIMA, do inglês Autoregressive Integrated Moving Average model), e Métodos de Suavização Exponencial como o método sazonal de Holt-Winters, e similares.

[023] Em outro aspecto do sistema, a metodologia de diagnóstico de reconhecimento de risco compreende um modelo para determinar eventos de alto risco infrequentes na estação de tratamento de água, incluindo envenenamento por lodo, expansão de lodo, excedência de capacidade máxima da estação e capacidade da estação como envenenamento por metais pesados e incluindo química da água, tais como metal pesado ou outros contaminantes orgânicos recalcitrantes. O modelo para determinar eventos infrequentes de alto risco pode compreender uma ou mais taxas de consumo de oxigênio dissolvido, fluxo de ar para o modelo de resposta de oxigênio dissolvido, índice de saúde de lodo gerado, modelo de tolerância influente máxima e similares.

[024] Alternativamente, de modo opcional, nos exemplos de realização do método do sistema descrito acima, uma pluralidade das metodologias de diagnóstico é realizada em paralelo para realizar o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água. Da mesma forma, uma pluralidade de metodologias de diagnóstico pode ser realizada sequencialmente para fazer o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água.

[025] Também opcionalmente alternativa mente, o sistema compreende ainda uma exibição em comunicação com o processador do controlador e tomar uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalia para a estação de tratamento

Petição 870190080813, de 20/08/2019, pág. 97/161

11/27 de água pode compreender a exibição de informações sobre o diagnóstico de saúde ou detecção de anomalia para estação de tratamento de água em uma interface gráfica do usuário no visor. Alternativamente, e opcionalmente, tomar uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água pode compreender o fornecimento de dados sobre o diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água a um sistema de controle que controla pelo menos uma parte da estação de tratamento de água. Os dados sobre o diagnóstico de saúde ou a detecção de anomalias para a estação de tratamento que são fornecidos ao sistema de controle que controla pelo menos uma parte da estação de tratamento podem ser usados pelo sistema de controle para alterar pelo menos um parâmetro de operação da estação de tratamento.

[026] Vantagens adicionais serão apresentadas em parte na descrição a seguir ou podem ser aprendidas pela prática. As vantagens serão realizadas e atingidas por meio dos elementos e combinações especificamente apontados nas reivindicações anexas. Deve-se compreender que a descrição geral acima, bem como a descrição detalhada a seguir são exemplificativas e explanatórias, e não restringem do escopo da invenção, tal como reivindicado.

BREVE DESCRIÇÃO DAS FIGURAS [027] As figuras anexas, que são incorporadas e constituem uma parte deste relatório descritivo ilustram exemplos de realização e, juntamente com a descrição, servem para explicar os princípios dos métodos e sistemas:

- FIG. IA é uma figura exemplar da visão geral para o processo de diagnóstico de saúde de estação de tratamento de água inteligente e detecção de anomalias;

- FIG. 1B é um exemplo de tal módulo de diagnóstico integrado;

- FIG. 1C é um fluxograma ilustrando um método exemplar de diagnóstico de saúde de estação de tratamento de água inteligente e detecção de anomalias;

- FIG. 2A é um diagrama de blocos de uma estação de tratamento de águas residuais exemplar;

- FIGs. 2B e 2C ilustram que os diagnósticos podem ser realizados em cada módulo de

Petição 870190080813, de 20/08/2019, pág. 98/161

12/27 maneira paralela e/ou sequencial;

- FIG. 3 é um resultado de diagnóstico exemplar;

- FIGs. 4A e 4B são interfaces gráficas de usuário (GUIs) exemplares renderizadas em um visor;

- FIG. 5 mostra a arquitetura de alto nível de um sistema de controle inteligente de uma estação de tratamento de água compreendendo submódulos de aquisição de dados da estação de tratamento de água, diagnóstico de saúde da estação de tratamento de água, controlador avançado e sistema de controle inferior da estação;

- FIG. 6 é um fluxograma que mostra esquematicamente como o controlador avançado funciona como o cérebro do sistema de controle inteligente, e o otimizador ML e o modelo de otimização da operação da estação são acoplados em conjunto como o núcleo do controlador avançado; e

- FIG. 7 ilustra um computador exemplificativo que pode ser utilizado para executar os métodos divulgados na presente invenção.

DESCRIÇÃO DETALHADA DA INVENÇÃO [028] Antes dos presentes métodos e sistemas serem divulgados e descritos, deve ser compreendido que os métodos e sistemas não estão limitados a métodos específicos, componentes específicos, ou composições particulares. Também é preciso entender que a terminologia utilizada neste documento tem apenas a finalidade de descrever exemplos de realizações específicos, sem a intenção de ser um fator limitante.

[029] Tal como utilizado no relatório descritivo e nas reivindicações anexas, as formas singulares um/uma e o/a abrangem as referências no plural, a menos que o contexto expresse claramente de outra maneira. Os intervalos podem ser expressos na presente invenção a partir de cerca de um determinado valor e/ou cerca de outro determinado valor. Quando tal intervalo é expresso, outro exemplo de realização inclui um valor particular e/ou outro valor particular. Da mesma forma, quando os valores são expressos como aproximações, pelo uso do antecedente cerca de ou aproximadamente, será entendido que o valor particular forma outro exemplo de realização. Deve ser adicionalmente compreendido que os pontos finais de cada um dos intervalos são

Petição 870190080813, de 20/08/2019, pág. 99/161

13/27 significativos em relação ao outro ponto final e independentemente do outro ponto final. [030] Opcional ou opcionalmente significa que o evento ou circunstância descrito posteriormente pode ou não ocorrer, e que a descrição inclui casos em que o evento ou circunstância ocorre e casos em que não ocorre.

[031] Ao longo da descrição e das reivindicações deste relatório descritivo, a palavra compreende e variações da palavra, tais como compreendendo e contendo significa incluindo, mas não se limitando a, e tais termos não são utilizados para conotar exclusão, por exemplo, de outros aditivos, componentes, números inteiros ou etapas. Exemplar significa um exemplo de e não pretende transmitir uma indicação de um exemplo de realização preferido ou ideal. A expressão tal como não é usada em um sentido restritivo, mas para fins explicativos.

[032] São divulgados componentes que podem ser usados para realizar os métodos e sistemas divulgados. Estes e outros componentes são divulgados neste documento, e entende-se que quando combinações, subconjuntos, interações, grupos, etc. desses componentes são divulgados, embora a referência específica de cada combinação individual e coletiva e a permutação destas podem não estar explicitamente divulgadas, cada uma é especifica mente contemplada e descrita ao presente, para todos os métodos e sistemas. Isso se aplica a todos os aspectos do presente pedido, incluindo, mas não se limitando a, etapas nos métodos divulgados. Assim, se houver uma variedade de etapas adicionais que podem ser realizadas, entende-se que cada uma destas etapas adicionais pode ser realizada com qualquer exemplo de realização específico ou combinação de exemplos de realização dos métodos divulgados.

[033] Os métodos e sistemas da presente invenção podem ser entendidos mais prontamente pela referência à seguinte descrição detalhada dos exemplos de realização preferidos e Exemplos aí incluídos e às Figuras e as descrições das mesmas citadas.

[034] A FIG. IA é uma figura exemplar da visão geral para o processo inteligente de diagnóstico de saúde de estação de tratamento de água e detecção de anomalias. Conforme ilustrado na FIG. IA, o processo básico compreende a aquisição de dados de, entre outros, sensores on-Hne, testes de laboratório ou modelos simulados; uma etapa de

Petição 870190080813, de 20/08/2019, pág. 100/161

14/27 opção de pré-processamento de dados para lidar com viés, ausência, ruído ou desequilíbrio; diagnóstico de dados por um ou mais pacotes de algoritmos para obter resultados de diagnóstico mais abrangentes e confiáveis. Uma vez obtidos, os resultados de diagnóstico podem ser enviados para a interface do usuário como notificações ou para controlar o sistema como ações. Os algoritmos ou modelos podem ser atualizados continuamente com dados de feedbacks novas entradas de dados.

[035] As metodologias de diagnóstico incluem, mas não estão limitadas a, aprendizagem supervisionada, aprendizagem não supervisionada, validação cruzada com modelo simulado, detecção de anomalia, reconhecimento de padrões de risco e semelhantes. Os resultados finais do diagnóstico podem ser determinados pelas saídas integradas de cada módulo. As partes sobrepostas dos resultados poderíam ser integradas por um mecanismo de votação simples ou por um mecanismo de votação ponderada. Os resultados finais do diagnóstico podem incluir, mas não se limitam a, identificação do problema, nível de risco, causa raiz, ações recomendadas, pontuação de integridade, alarme de fraude do sensor, alarme de anomalia e similares. Um exemplo de tal módulo de diagnóstico integrado é mostrado na FIG. 1B.

[036] A FIG. 1C é um fluxograma ilustrando um método exemplar de diagnóstico de saúde de estação de tratamento de água inteligente e detecção de anomalias; O método exemplar compreende, em (102), adquirir dados de uma estação de tratamento de água. A estação de tratamento de água pode compreender, por exemplo, uma estação de tratamento de águas residuais, uma estação de tratamento de água potável e semelhantes. Os dados podem compreender dados de sensores de química da água, sensores de ativos, sensores influentes, sensores de processo, sensores de efluentes, testes de laboratório, modelos de simulação dinâmica ou estática de estações e semelhantes. A FIG. 2A é um diagrama de blocos de uma estação de tratamento de águas residuais exemplar. A Tabela I é uma lista exemplificativa de sensores de química da água recolhidos, e a sua localização dentro da típica estação de tratamento de águas residuais da FIG. 2A. A Tabela II, abaixo, é uma lista de exemplos de sensores de ativos e os dados que eles coletam.TABELA I

Petição 870190080813, de 20/08/2019, pág. 101/161

15/27

SENSORES SELECIONADOS DE QUÍMICA DA ÁGUA EM UMA ESTAÇÃO DE TRATAMENTO DE ÁGUAS RESIDUAIS

Sensores	Posição de instalação
Temp.	Influente
Medidor de fluxo aquoso	Influente
PH	Influente
BOD	Influente
COD	Influente
Alcalinidade	Influente
nh₃-n	Influente
NO3-N	Influente
TSS	Influente
TN	Influente
PO4³·	Influente
TP	Influente
Medidor de fluxo de gás	tanque aeróbico
DO	tanque aeróbico
NH3-N	tanque aeróbico
NO3-N	tanque aeróbico
MLSS	tanque aeróbico
ORP	tanque anaeróbico / anóxico
TN/NO3-N, NO2-N	Biorreator efluente
TN	Biorreator efluente
TP	Biorreator efluente
Temp.	Efluente
Medidor de fluxo aquoso	Efluente
PH	Efluente
TSS	Efluente
BOD	Efluente

Petição 870190080813, de 20/08/2019, pág. 102/161

16/27

Sensores	Posição de instalação
NH3-N	Efluente
TN	Efluente
TP	Efluente

TABELA II

SENSORES DE ATIVOS SELECIONADOS EM UMA ESTAÇÃO DE TRATAMENTO DE ÁGUAS

RESIDUAIS

Ativos	Sensores
Soprador de ar	temp
	vazão de gás
	pressão do conduto
	frequência
	Tensão
	Corrente
bomba hidráulica	Velocidade de fluxo
	Pressão
bomba de lodo	Velocidade de fluxo
	Pressão

[037] Voltando ao fluxograma da FIG. 1, em (104), os dados adquiridos são analisados para fazer um diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água. Em (104), a amostra obtida da composição de hidrocarbonetos é analisada para determinar um ou mais atributos da amostra. A análise dos dados adquiridos para realizar o diagnóstico de saúde ou a detecção de anomalias para a estação de tratamento de água geralmente compreende a aplicação de uma ou mais metodologias de diagnóstico aos dados adquiridos. A uma ou mais metodologias de diagnóstico compreendem um ou mais de aprendizado supervisionado, aprendizado não supervisionado, validação cruzada com modelo simulado, detecção de anomalia e reconhecimento de padrões de risco e semelhantes, conforme descrito abaixo.

[038] O aprendizado supervisionado é uma tarefa de aprendizado de máquina para inferir

Petição 870190080813, de 20/08/2019, pág. 103/161

17/27 uma função a partir de dados de treinamento rotulados. Os dados de treinamento podem ser obtidos a partir de um banco de dados histórico ou on-Hne gerado a partir de modelos simulados ou sensores de estação de tratamento de água. Os rótulos podem ser o estado de saúde da estação, nível de risco, anomalia, problema, causa raiz, ou solução de mitigação. Esses modelos aprendem as regras de diagnóstico a partir de eventos históricos, experiências humanas ou cenários simulados, uma vez que são digitalizados em conjuntos de dados. Em seguida, os modelos são implementados para determinar ou predizer a saúde da estação na operação diária. Os algoritmos usados podem ser um ou mais da árvore de decisão, árvore de decisão de aumento de gradiente (GradientBoosting Decision Tree (GBDT)/Gradient Boosting Decision Tree (GBRT)), árvore de regressão de adição múltipla (MART, do inglês Multiple Addition Regression Tree), rede neural artificial, rede neural convolucional (CNN, do inglês Convolutional Neural Network), Rede Neural (RNN), Memória de Longo Prazo (LSTM), Unidade Recorrente Gateri(GRU), Máquina de Vetor de Suporte incluindo todos os tipos de métodos kernel como RBF, Classificação Bayesiana Naive, Classificação Máxima de Entropia, Métodos de Aprendizagem Ensemble incluindo Boosting, Adaboost, Bagging, Floresta Aleatória (Random Forest), Regressão Linear, Regressão Logística, Regressão de Processo Gaussiano, Campo Aleatório Condicional (CRF), Métodos de Detecção Comprimida, como a Classificação Baseada em Representação Esparsa (SRC) e similares.

[039] O aprendizado não supervisionado compreende o uso das regras de diagnóstico do banco de dados histórico ou on-Hne sem respostas rotuladas. Este é um método complementar para a aprendizagem supervisionada. No diagnóstico, podem estar envolvidos mais conjuntos de dados não rotulados do que os usados no aprendizado supervisionado. O estado de saúde da estação, o nível de risco, a anomalia, o problema, a causa raiz ou a solução de mitigação também podem ser identificados pelo aprendizado não supervisionado em alguma extensão. Os algoritmos usados na aprendizagem não supervisionada podem ser um ou mais agrupamentos hierárquicos, k-médias, deslocamento médio, agrupamento espectral, decomposição de valores singulares (SVD, do inglês Singular value decomposition), Análise de Componentes Principais (PCA, do

Petição 870190080813, de 20/08/2019, pág. 104/161

18/27 inglês Principal Component Analysis), Análise Robusta de Componentes Principais (RPCA, do inglês Robust Principal Component Analyst, Análise de Componentes Independentes (ICA, do inglês Independent Component Analysis), Fatoração de Matriz Não Negativa (NMF, do inglês Non-negative Matrix Factorization), Decomposição de Tendência usando Loess (STL, do inglês Trend Loess Decomposition), Maximização de Expectativa (EM), Modelo Oculto de Markov (HMM, do inglês Hidden Markov Model), Modelo de Mistura Gaussianas (GMM, do inglês Gaussian Mixture Model), codificador automático (AutoEncodef), Auto-Encoder variacional (VAE), Redes Geradoras Adversárias (GAN, do inglês Generative Adversrary Nets), rede de crença profunda (DBN, do inglês Deep Belief Network), máquina Boltzmann restrita (RBM, do inglês Restricted Boltzmann Machine), e Operador de Encolhimento e Seleção Menos Absoluto (LASSO, do inglês Least Absolute Shrinkage and Selection Operator), e semelhantes.

[040] A validação cruzada do valor do sensor com o valor correspondente das saídas do modelo simulado ou dos resultados do teste de laboratório é um método para determinar a fraude de sensor. Uma lacuna significativa entre o valor do sensor e o sensor simulado ou os resultados dos testes de laboratório podem fornecer evidências de fraude do sensor. Ao usar a validação cruzada, a fraude de sensor pode ser identificada, calibrada (para corrigir), removida ou substituída para garantir a qualidade dos dados.

[041] A detecção de anomalias é um método para determinar anomalias ou valores discrepantes a partir do conjunto de dados normal. A anomalia pode incluir dados de fraude de sensor, qualidade da água influente ou efluente anormais, consumo anormal de energia ou parâmetros de controle. A anomalia pode não existir necessariamente no conjunto de dados de treinamento e também é possível que não abranja todos os cenários de anomalia no conjunto de dados de treinamento. Portanto, este é um método adequado para identificar uma anomalia que não tenha acontecido anteriormente. Os algoritmos usados podem ser um ou mais dentre os métodos de Estimação de Máxima Verossimilhança, Filtro de Kalman, Decomposição de Tendência usando Loess (STL), Modelo Auto-Regressivo Integrado De Médias Móveis (ARIMA, do inglês Autoregressive Integrated Moving Average model), Métodos de Suavização Exponencial como o método

Petição 870190080813, de 20/08/2019, pág. 105/161

19/27 sazonal de Holt-Winters e similares.

[042] O reconhecimento de risco é um método para determinar os eventos de alto risco em estações de tratamento de água. Estes tipos de eventos não ocorrem frequentemente, mas requerem uma análise especial para identificar eventos como o envenenamento por lodo, a expansão de lodo, excedência da capacidade máxima da estação ou envenenamento por metais pesados. Modelos são criados para reconhecer esses eventos de alto risco. Os modelos incluem, mas não se limitam a, taxa de consumo de oxigênio dissolvido, fluxo de ar para modelo de resposta de oxigênio dissolvido, índice de integridade de lodo gerado ou modelo de tolerância de influência máxima. Desta forma, o padrão especial de eventos de alto risco pode ser identificado para identificação de aviso ou problema.

[043] Como mostrado nas FIGs. 2B e 2C, o diagnóstico pode ser realizado em cada módulo de maneira paralela e/ ou sequencial; ou, como mostrado na FIG. 2C, algumas outras combinações lógicas desses módulos para gerar os resultados de diagnóstico também são viáveis. Os módulos também podem ser parcialmente selecionados para gerar resultados de diagnóstico. Por exemplo, na FIG. 2B, determine primeiro o evento de alto risco e a anomalia, caso contrário, flua para o diagnóstico detalhado por meio de aprendizado supervisionado/não supervisionado. Na FIG. 2C, os dados são primeiramente calibrados por validação cruzada, em seguida flui para o próximo nível para identificar alto risco ou anomalia, se não, flui para o diagnóstico detalhado por meio de aprendizado supervisionado/não supervisionado. Deve-se compreender que as FIGs. 2B e 2C ilustram exemplos não limitativos.

[044] A FIG. 3 é um exemplo de resultado de diagnóstico que ilustra três grupamentos (dusters) de saúde de efluentes de nitrogênio determinados pelo algoritmo de agrupamento em uma estação de tratamento de água típica; Cluster 1 - status normal; Cluster! - arriscado (NHx-eff alto); e Cluster3 - altamente arriscado (NHx-eff alto, NOxeff alto). A Tabela III, abaixo, é um exemplo de aprendizado supervisionado que mostra agrupamentos (dusters) de diagnósticos versus rótulos de dados (identificação de problemas e causa raiz):

Petição 870190080813, de 20/08/2019, pág. 106/161

20/27

TABELA III

Grupamento {cluster)	Identificação do problema e causa raiz
1	Excesso de NHx, carga de entrada excedente
2	NHx, NO2 excedente, nitrificação Inadequada
3	NO3 excedente, nitrificação deficiente
4	Aproximando-se do comportamento anômalo
5	Saudável
6	NO2 excedente, nitrificação deficiente

[045] Voltando ao fluxograma da FIG. IA, em (106) uma ou mais ações são tomadas com base no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água. Em um aspecto, tais ações podem compreender a exibição de informações sobre o diagnóstico de saúde ou a detecção de anomalias para a estação de tratamento de água em uma interface gráfica do usuário (GUI) em uma tela. As FIGs. 4A e 4B são interfaces gráficas de usuário (GUIs) exemplares renderizadas em um visor. Esses exemplos de resultados de diagnóstico exibidos na GUI incluem aviso de risco, identificação de problemas, causa raiz, ações recomendadas e afins. A informação prestada pode depender de vários critérios, incluindo a quem o diagnóstico é enviado e a autoridade dessa pessoa, o tipo de dispositivo eletrônico usado para renderizar o gráfico, e assim por diante. Deve ser reconhecido que a exibição pode ser uma exibição em qualquer dispositivo eletrônico, incluindo um computador, um computador laptop, um telefone inteligente {smartphone), um dispositivo inteligente portátil, tal como um iPad™, e similares.

[046] Alternativamente ou concomitantemente, tomar uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água pode incluir o fornecimento de dados sobre o diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água a um sistema de controle que controla pelo menos uma parte da estação, onde os dados sobre o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água são usados pelo sistema de

Petição 870190080813, de 20/08/2019, pág. 107/161

21/27 controle para alterar pelo menos um parâmetro de operação da estação de tratamento de água.

[047] A FIG. 5 mostra a arquitetura de alto nível de um sistema de controle inteligente de uma estação de tratamento de água compreendendo submódulos de aquisição de dados da estação de tratamento de água, diagnóstico de saúde da estação de tratamento de água, controlador avançado e sistema de controle inferior da estação. A aquisição de dados instantâneos é a obtenção dos dados e informações da estação, incluindo, entre outros, sensores on-Hne, históricos e em tempo real, testes de laboratório, inspeção de patrulha e similares. O diagnóstico de saúde da estação é um pacote de algoritmos e modelos, conforme descrito acima, para fornecer diagnósticos mais abrangentes e confiáveis sobre a saúde da estação e determinar se é necessário otimizar a operação de controle da estação e, portanto, definir as restrições para a otimização do controle com base nos resultados diagnósticos. Um controlador avançado realiza toda a otimização da operação da estação e obtém o conjunto de operação ideal dos parâmetros de controle/estratégia e, em seguida, os passa para o sistema de controle inferior da estação para implementação na estação. O sistema de controle inferior da estação refere-se ao sistema de execução de controle no local da instalação incluindo, mas não se limitando a, SCADA, PLC, etc.

[048] A FIG. 6 é um fluxograma que mostra esquematicamente como o controlador avançado funciona como o cérebro do sistema de controle inteligente, e o otimizador ML e o modelo de otimização da operação da estação são acoplados em conjunto como o núcleo do controlador avançado. O otimizador usa técnicas de aprendizado de máquina e inteligência artificial para gerar dinamicamente o cenário de otimização para o modelo de otimização da operação da estação para executar e validar. Uma vez atingida a meta de otimização com um cenário, essa estratégia de controle desse cenário será passada para o sistema de controle inferior da estação a ser implementado.

[049] O modelo Diagnóstico de saúde da estação tem o projeto da estação e os dados de retroajuste e informações como sua entrada básica, e receberá continuamente dados de influência dinâmicos, incluindo vazão e qualidade durante a operação. Com todas essas

Petição 870190080813, de 20/08/2019, pág. 108/161

22/27 informações, o módulo de diagnóstico de saúde da estação, conforme descrito acima, verifica continuamente o estado de integridade/saúde da estação e, se necessário, realizará tarefas de otimização da operação. Uma vez identificada uma necessidade de otimização, ela acionará o otimizador do controlador avançado e enviará as restrições de operação para o otimizador. A técnica de aprendizado de máquina é usada no módulo de diagnóstico de saúde da estação para identificar as restrições de operação para otimização de controle com base no estado dinâmico da estação e restrição do espaço de otimização.

[050] O otimizador é baseado na técnica de aprendizado de máquina e aprimora o resolvedor do controlador avançado. Ele integra restrições produzidas a partir do módulo de diagnóstico de saúde da estação, conhecimento de tratamento de água, dados do centro e resultados do cenário de otimização anterior para gerar dinamicamente a próxima instância de otimização do modelo de otimização da operação da estação. Isso é desejável em comparação com a técnica existente, com matrizes de cenário fixas pré-definidas para encontrar o ponto ideal em termos do número total de cenários a serem executados e a velocidade para encontrar o ponto ideal.

[051] O modelo de otimização de operação da estação é uma coleção de modelos que representam as características biológicas, químicas, hidráulicas, etc. das unidades e operações da estação de tratamento. Primeiro, é configurado com base na unidade/mecanismo de operação/física e depois calibrado com os dados e informações específicos da estação para formar a cópia virtual da estação. Isso permite que ele mimetize o comportamento da estação e monitore e preveja com precisão o desempenho da estação, incluindo os principais indicadores de desempenho (KPIs), uma vez que as informações sobre a vazão influente e a qualidade são recebidas. Este módulo inclui, mas não se limita a modelos preditivos baseados em física mecanicista de biocinética como modelos de Iodos ativados (ASMs), dosagem química para ajuste de alcalinidade, controle de fósforo, introdução de carbono extra, agregação/floculação, sedimentação, transferência de oxigênio, controle de aeração, controle de bomba, etc. e seus simplificados individuais e gerais. Os KPIs da estação incluem, mas não se limitam a,

Petição 870190080813, de 20/08/2019, pág. 109/161

23/27 qualidade do efluente como sólidos suspensos totais (TSS), DBO (demanda bioquímica de oxigênio), DQO (demanda química de oxigênio), TOC (carbono orgânico total), TP (fósforo total), TN (nitrogênio total) NH3-N (nitrogênio amoniacal); consumo/custo de energia; consumo/custo químico; custo de geração/ depósito WAS; custo total; e similar.

[052] As soluções apresentadas no presente pedido podem ser conduzidas com um intervalo de tempo, ou podem ser conduzidas de maneira dinâmica, 0 que é essencialmente em tempo real com 0 uso de processadores de computador apropriados.

[053] O sistema foi descrito acima como um sistema composto de unidades. Um técnico no assunto reconhecerá que esta é uma descrição funcional e que as respectivas funções podem ser realizadas por softwares, hardwares ou uma combinação de software e hardware. Uma unidade pode ser software, hardware ou uma combinação de software e hardware. As unidades podem compreender um software para diagnóstico inteligente de saúde, detecção e controle de anomalias da estação de tratamento de água. Em um aspecto exemplificativo, as unidades podem compreender um controlador (700) que compreende um processador (721) conforme ilustrado na FIG. 7 e descrito abaixo.

[054] Além disso, todos ou partes dos aspectos do divulgado podem ser implementados usando sistemas e recursos de processamento e armazenamento baseados em nuvem. O controlador (700) descrito em relação à FIG. 7 pode compreender uma porção de um sistema de processamento e armazenamento baseado em nuvem. Um exemplo não limitativo de um serviço baseado em nuvem que pode ser usado nas implementações divulgadas é 0 GE Predix™, disponível pela General Electric Company (Schenectady, NY). Predix™ é uma PaaS (plataforma como serviço) baseada em nuvem que permite análises em escala industrial para gerenciamento de desempenho de ativos (APM) e otimização de operações, fornecendo uma maneira padrão de conectar máquinas, dados e pessoas.

[055] A FIG. 7 ilustra um controlador exemplificativo (700) que pode ser utilizado para adquirir dados de uma estação de tratamento de água; analisar os dados adquiridos para fazer um diagnóstico de saúde ou detecção de anomalias da estação de tratamento de água; e tomar uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água. Em vários aspectos, 0 computador da

Petição 870190080813, de 20/08/2019, pág. 110/161

24/27

FIG. 7 pode compreender todo ou parte do controlador (700) e/ou um sistema de controle de processo. Conforme utilizado na presente invenção, controlador pode compreender um computador e incluir uma pluralidade de computadores. O controlador (700) pode incluir um ou mais componentes de hardware, tais como, por exemplo, um processador (721), um módulo de memória de acesso aleatório (RAM) (722), um módulo de memória somente de leitura (ROM) (723), um armazenamento (724), um banco de dados (725), um ou mais dispositivos de entrada/saída (E/S) (726) e uma interface (727). Alternativamente e/ou adicionalmente, o controlador (700) pode incluir um ou mais componentes de software, tais como, por exemplo, um meio legível por computador incluindo instruções executáveis de computador para executar um método associado às realizações exemplificativas. Está contemplado que um ou mais dos componentes de hardware listados acima podem ser implementados utilizando softwares. Por exemplo, o armazenamento (724) pode incluir uma partição de software associada a um ou mais componentes de hardware diferentes. Entende-se que os componentes listados acima são apenas exemplificativos e não pretendem ser limitativos do escopo da invenção.

[056] O processador (721) pode incluir um ou mais processadores, cada um configurado para executar instruções e processar dados para executar uma ou mais funções associadas com diagnóstico de saúde de estação de tratamento de água, detecção e controle de anomalias. Conforme utilizado na presente invenção, o processador (721) refere-se a um dispositivo de hardware físico que executa instruções codificadas para realizar funções em entradas e criar saídas. O processador (721) pode ser acoplado de forma comunicativa a RAM (722), ROM (723), armazenamento (724), banco de dados (725), dispositivos de E/S (726) e interface (727). O processador (721) pode ser configurado para executar sequências de instruções de programas de computador para executar vários processos. As instruções do programa de computador podem ser carregadas na RAM (722) para execução pelo processador (721).

[057] A RAM (722) e a ROM (723) podem incluir, cada uma, um ou mais dispositivos para armazenar informação associada à operação do processador (721). Por exemplo, a ROM (723) pode incluir um dispositivo de memória configurado para acessar e armazenar

Petição 870190080813, de 20/08/2019, pág. 111/161

25/27 informações associadas ao controlador (700), incluindo informações para identificar, inicializar e monitorar a operação de um ou mais componentes e subsistemas. A RAM (722) pode incluir um dispositivo de memória para armazenar dados associados a uma ou mais operações do processador (721). Por exemplo, a ROM (723) pode carregar instruções na RAM (722) para execução pelo processador (721).

[058] O armazenamento (724) pode incluir qualquer tipo de dispositivo de armazenamento em massa configurado para armazenar informações que o processador (721) possa necessitar para realizar processos consistentes com os exemplos de realização divulgados. Por exemplo, o armazenamento (724) pode incluir um ou mais dispositivos de disco magnético e/ou óptico, tal como discos rígidos, CD-ROMs, DVD-ROMs ou qualquer outro tipo de dispositivo de mídia de massa.

[059] O banco de dados (725) pode incluir um ou mais componentes de software e/ou hardware que cooperam para armazenar, organizar, classificar, filtrar e/ou organizar os dados usados pelo controlador (700) e/ou processador (721). Contempla-se que a banco de dados (725) pode armazenar informação adicional e/ou diferente da listada acima.

[060] Os dispositivos de E/S (726) podem incluir um ou mais componentes configurados para comunicar informação com um usuário associado ao controlador (700). Por exemplo, os dispositivos de E/S (726) podem incluir um console com um teclado e mouse integrados para permitir que um usuário mantenha um algoritmo para diagnóstico de saúde da estação de tratamento de água, detecção e controle de anomalias da estação e similares. Os dispositivos de E/S (726) também podem incluir um monitor incluindo uma interface gráfica com o usuário (GUI) para a saída de informações em um monitor. Os dispositivos de E/S (726) também podem incluir dispositivos periféricos como, por exemplo, uma impressora para imprimir informações associadas ao controlador (700), uma unidade de disco acessível pelo usuário (por exemplo, uma porta USB, um disquete, drive de CD-ROM ou DVD-ROM, etc.) para permitir que um usuário insira dados armazenados em um dispositivo de mídia portátil, um microfone, um sistema de altofalantes ou qualquer outro tipo de dispositivo de interface adequado.

[061] A interface (727) pode incluir um ou mais componentes configurados para

Petição 870190080813, de 20/08/2019, pág. 112/161

26/27 transmitir e receber dados através de uma rede de comunicação, como a Internet, rede local, rede de estação de trabalho peer-to-peer, rede de conexão direta, rede sem fio ou qualquer outra plataforma de comunicação adequada. Por exemplo, a interface (727) pode incluir um ou mais moduladores, demoduladores, multiplexadores, demultiplexadores, dispositivos de comunicação de rede, dispositivos sem fios, antenas, modems e qualquer outro tipo de dispositivo configurado para permitir a comunicação de dados através de uma rede de comunicação.

[062] Embora os métodos e sistemas tenham sido descritos em conexão com exemplos de realização preferidos e exemplos específicos, não há intenção de que o escopo da presente invenção seja limitado aos exemplos de realização particulares apresentados, visto que os exemplos de realização foram descritos com o intuito de serem ilustrativos e não restritivos em todos os aspectos.

[063] A menos que expressamente declarado de outra forma, não é de modo algum pretendido que qualquer método aqui estabelecido seja interpretado como exigindo que suas etapas sejam executadas em uma ordem específica. Da mesma forma, quando um método reivindicado não cita uma ordem a ser seguida por suas etapas ou não é expressamente declarado nas reivindicações ou descrições de que as etapas devem ser limitadas a uma ordem específica, não é de modo algum pretendido que uma ordem seja inferida, em qualquer aspecto. Isso vale para qualquer base não expressa possível para interpretação, incluindo: questões de lógica com relação ao arranjo de etapas ou fluxo operacional; significado simples derivado de organização gramatical ou pontuação; o número ou tipo de exemplos de realização descritos no relatório descritivo.

[064] Ao longo deste pedido, diversas publicações podem ser referenciadas. As divulgações destas publicações em sua totalidade são incorporadas ao presente como referência neste pedido de modo a descrever mais completamente o estado da técnica aos quais os métodos e sistemas pertencem.

[065] Será evidente para os especialistas no assunto que diversas modificações e variações podem ser feitas sem nos afastarmos do escopo ou espírito da invenção. Outros exemplos de realização serão evidentes para os técnicos hábeis no assunto, a partir da

Petição 870190080813, de 20/08/2019, pág. 113/161

27/27 consideração do relatório descritivo e prática aqui descrita. Pretende-se que o relatório descritivo e os exemplos sejam considerados apenas exemplificativos, de modo que o verdadeiro escopo e espírito da invenção são indicados pelas reivindicações a seguir.

Claims

Reivindicações

1. Método de controle e detecção inteligente de anomalia e diagnóstico de saúde de uma estação de tratamento de água, caracterizado por compreender:

- a aquisição de dados a partir de uma estação de tratamento de água;

- a análise dos dados adquiridos para fazer um diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água; e

- a tomada de uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água.
2. Método, de acordo com a reivindicação 1, caracterizado por a estação de tratamento de água compreender uma estação de tratamento de águas residuais ou uma estação tratamento de água potável.
3. Método, de acordo com qualquer das reivindicações de 1-2, caracterizado por a aquisição dos dados a partir da estação de tratamento de água compreender a aquisição dos dados utilizando um ou mais sensores influentes de estações locais, sensores de ativos, sensores de processo, sensores de efluentes, testes de laboratório, modelos simulados dinâmicos ou estáticos de estações e dados históricos e a partir de centros do banco de dados globais/em nuvem.
4. Método, de acordo com qualquer das reivindicações de 1-3, caracterizado por a análise dos dados adquiridos para realizar o diagnóstico de saúde ou a detecção de anomalias para a estação de tratamento de água compreender a aplicação de uma ou mais metodologias de diagnóstico aos dados adquiridos.
5. Método, de acordo com a reivindicação 4, caracterizado por a uma ou mais metodologias de diagnóstico compreenderem um ou mais aprendizado supervisionado, aprendizado não supervisionado, validação cruzada com modelo simulado, modelo direcionado por dados, detecção de anomalia e reconhecimento de padrões de risco.
6. Método, de acordo com a reivindicação 5, caracterizado por a metodologia de aprendizagem supervisionada compreender uma tarefa de aprendizado de máquina de inferir uma função a partir de dados de treinamento rotulados.

Petição 870190080813, de 20/08/2019, pág. 78/161

2/10
7. Método, de acordo com a reivindicação 6, caracterizado por os dados de treinamento serem obtidos a partir de um banco de dados histórico ou on-Une gerado a partir de modelos simulados ou sensores de estação de tratamento de água.
8. Método, de acordo com a reivindicação 6, caracterizado por os rótulos compreenderem um ou mais estado de saúde da estação, nível de risco, anomalia, problema, causa raiz, características contaminantes e solução de mitigação.
9. Método, de acordo com qualquer das reivindicações de 6-8, caracterizado por a metodologia de diagnóstico de aprendizagem supervisionada aprender as regras de diagnóstico a partir de eventos históricos incluindo tanto casos locais, como globais a partir de um centro de dados, a partir da experiência humana ou de cenários simulados, uma vez que são digitalizados em conjuntos de dados.
10. Método, de acordo a reivindicação 9, caracterizado por a metodologia de diagnóstico de aprendizagem supervisionada ser implementada para determinar ou predizer a saúde da estação em operação diária.
11. Método, de acordo com qualquer das reivindicações de 6-10, caracterizado por a metodologia de diagnóstico de aprendizagem supervisionada incluir uma ou mais árvores de decisão, árvore de decisão de aumento de gradiente (Gradient Boosting Decision Tree (GBDT)/Gradient Boosting Decision Tree (GBRT)), árvore de regressão de adição múltipla (MART, do inglês Multiple Addition Regression Tree), rede neural artificial, rede neural de convolucional (CNN, do inglês Convolutional Neural Network) Rede Neural (RNN), Memória de Longo Prazo (LSTM), Unidade Recorrente (GRU), Máquina de Vetor de Suporte incluindo todos os tipos de métodos kernel como RBF, Classificação Bayesiana Naive, Classificação Máxima de Entropia, Métodos de Aprendizagem Ensemble incluindo Boosting, Adaboost, Bagging, Floresta Aleatória (Random Forest), Regressão Linear, Regressão Logística, Regressão de Processo Gaussiano, Campo Aleatório Condicional (CRF) e Métodos de Detecção Comprimida, como a Classificação Baseada em Representação Esparsa (SRC).
12. Método, de acordo com a reivindicação 5, caracterizado por a metodologia de aprendizagem não supervisionada compreender uma tarefa de aprendizado de

Petição 870190080813, de 20/08/2019, pág. 79/161

3/10 máquina de inferir uma função a partir de conjuntos de dados não rotulados.
13. Método, de acordo com a reivindicação 12, caracterizado por os conjuntos de dados não rotulados serem obtidos a partir de um banco de dados histórico ou on-Hne gerado a partir de modelos simulados ou sensores de estação de tratamento de água.
14. Método, de acordo com a reivindicação 13, caracterizado por um ou mais estado de saúde da estação, nível de risco, anomalia, problema, causa raiz e solução de mitigação serem identificados pela metodologia de diagnóstico de aprendizagem não supervisionada.
15. Método, de acordo com qualquer das reivindicações de 12-14, caracterizado por a metodologia de diagnóstico de aprendizado não supervisionado incluir um ou mais agrupamentos hierárquicos, k-médias, deslocamento médio, agrupamento espectral, decomposição de valores singulares (SVD, do inglês Singular value decomposition), Análise de Componentes Principais (PCA, do inglês Principal Component Analysis'), Análise Robusta de Componentes Principais (RPCA, do inglês Robust Principal Component Analysis), Análise de Componentes Independentes (ICA, do inglês Independent Component Anaiysid), Fatoração de Matriz Não Negativa (NMF, do inglês Non-negative Matrix Factorization), Decomposição de Tendência usando Loess (STL, do inglês Trend Loess Decomposition), Maximização de Expectativa (EM), Modelo Oculto de Markov (HMM, do inglês Hidden Markov Model), Modelo de Mistura Gaussianas (GMM, do inglês Gaussian Mixture Model), codificador automático (Auto-Encode/), Auto-Encoder variacional (VAE), Redes Geradoras Adversárias (GAN, do inglês Generative Adversrary Netd), rede de crença profunda (DBN, do inglês Deep Belief Network), máquina Boltzmann restrita (RBM, do inglês Restricted Boltzmann Machine), e Operador de Encolhimento e Seleção Menos Absoluto (LASSO, do inglês Least Absolute Shrinkage and Selection Operator).
16. Método, de acordo com a reivindicação 5, caracterizado por a validação cruzada com metodologia de diagnóstico de modelo simulado compreender a validação cruzada de um valor de sensor com um valor correspondente das saídas de um modelo simulado ou resultados de teste de laboratório para determinar a fraude de sensor, em

Petição 870190080813, de 20/08/2019, pág. 80/161

4/10 que uma diferença significativa entre o valor do sensor e a saída do modelo simulado ou resultados de testes de laboratório fornecem evidência de fraude de sensor.
17. Método, de acordo com a reivindicação 16, caracterizado por a validação cruzada com a metodologia de diagnóstico simulado do modelo ser usada para identificar, calibrar, remover ou substituir dados de fraude do sensor para garantir a qualidade dos dados.
18. Método, de acordo com a reivindicação 5, caracterizado por a metodologia de diagnóstico de detecção de anomalias compreender um algoritmo para determinar uma anomalia ou valores discrepantes de um conjunto de dados normal, caracterizado pela anomalia incluir dados de fraude de sensor, estado de risco ativo, qualidade da água influente ou efluente ou processo anormal, identificação de contaminantes específicos, consumo anormal de energia ou consumo anormal de substâncias químicas ou parâmetros de controle.
19. Método, de acordo com a reivindicação 18, caracterizado por a anomalia não existir em um conjunto de dados de treino e ser utilizada para identificar uma anomalia que não aconteceu anteriormente.
20. Método, de acordo com qualquer das reivindicações de 18-19, caracterizado por o algoritmo compreender, e não estar limitado, a um ou mais dentre; métodos Estimação de Máxima Verossimilhança, Filtro de Kalman, Decomposição de Tendência usando Loess (STL), Modelo Auto-Regressivo Integrado De Médias Móveis (ARIMA, do inglês Autoregressive Integrated Moving Average model), e Métodos de Suavização Exponencial como o método sazonal de Holt-Winters.
21. Método, de acordo com a reivindicação 5, caracterizado por a metodologia de diagnóstico de reconhecimento de risco compreender um modelo para determinar eventos infrequentes de alto risco na estação de tratamento de água, incluindo contaminação por lodo, expansão de lodo, excedência da capacidade máxima da estação e excedência da capacidade da estação.
22. Método, de acordo com a reivindicação 21, caracterizado por o modelo para determinar eventos infrequentes de alto risco compreender uma ou mais das

Petição 870190080813, de 20/08/2019, pág. 81/161

5/10 características anormais de espectro de água, taxas de consumo de oxigênio dissolvido, fluxo de ar para o modelo de resposta de oxigênio dissolvido, índice de saúde de lodo gerado e modelo de tolerância influente máxima.
23. Método, de acordo com qualquer das reivindicações de 5-22, caracterizado por uma pluralidade das metodologias de diagnóstico ser realizada em paralelo para realizar o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água.
24. Método, de acordo com qualquer das reivindicações de 5-23, caracterizado por uma pluralidade das metodologias de diagnóstico ser realizada de maneira sequencial para realizar o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água.
25. Método, de acordo com qualquer das reivindicações de 1-24, caracterizado por a tomada de uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água compreender a exibição de informações sobre o diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água em uma interface gráfica de usuário em um monitor.
26. Método, de acordo com qualquer das reivindicações 1-25, caracterizado por a tomada de uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água compreender o fornecimento de dados sobre o diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água a um sistema de controle que controla pelo menos uma parte da estação de tratamento de água.
27. Método, de acordo com a reivindicação 26, caracterizado por os dados sobre o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento fornecidos ao sistema de controle que controla pelo menos uma parte da estação de tratamento serem usados pelo sistema de controle para alterar pelo menos um parâmetro de operação da estação de tratamento.
28. Sistema para controle e detecção inteligente de anomalia e diagnóstico de saúde de uma estação de tratamento de água, caracterizado por compreender;

Petição 870190080813, de 20/08/2019, pág. 82/161

6/10 um sistema de controle que compreende pelo menos um controlador e um ou mais componentes de aquisição de dados, em que um processador no controlador executa instrução executável por computador armazenada em uma memória do controlador, e as referidas instruções fazem com que o processador:

- adquira dados de uma estação de tratamento de água usando um ou mais componentes de aquisição de dados;

- analise os dados adquiridos para fazer um diagnóstico de saúde da estação de tratamento de água ou detecção de anomalias para a estação de tratamento de água; e

- tome uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água.
29. Sistema de acordo com a reivindicação 28, caracterizado por o um ou mais sensores influentes de estações locais, sensores de ativos, sensores de processo, sensores de efluentes, testes de laboratório, modelos simulados dinâmicos ou estáticos de estações e dados históricos e a partir de centros do banco de dados globais/em nuvem.
30. Sistema, de acordo com qualquer das reivindicações de 28-29, caracterizado por o processador no controlador executar a instrução executável por computador armazenada em uma memória do controlador para analisar os dados adquiridos para fazer o diagnóstico de saúde ou detecção de anomalia na estação de tratamento de água compreender o processador no controlador executar a instrução executável por computador para aplicar uma ou mais metodologias de diagnóstico aos dados adquiridos.
31. Sistema, de acordo com a reivindicação 30, caracterizado por a uma ou mais metodologias de diagnóstico compreenderem um ou mais aprendizado supervisionado, aprendizado não supervisionado, validação cruzada com modelo simulado, detecção de anomalia e reconhecimento de padrões de risco.
32. Sistema, de acordo com a reivindicação 31, caracterizado por a metodologia de aprendizagem supervisionada compreender uma tarefa de aprendizado de máquina de inferir uma função a partir de dados de treinamento rotulados.

Petição 870190080813, de 20/08/2019, pág. 83/161

7/10
33. Sistema, de acordo com a reivindicação 32, caracterizado por os dados de treinamento serem obtidos a partir de um banco de dados histórico ou on-Hne gerado a partir de modelos simulados ou sensores de estação de tratamento de água.
34. Sistema, de acordo com a reivindicação 32, caracterizado por os rótulos poderem incluir um ou mais estado de saúde da estação, nível de risco, anomalia, problema, causa raiz e solução de mitigação.
35. Sistema, de acordo com qualquer das reivindicações 32-34, caracterizado por a metodologia de diagnóstico de aprendizado supervisionado aprender as regras de diagnóstico a partir de eventos históricos, experiência humana ou cenários simulados, uma vez que são digitalizados no conjunto de dados.
36. Sistema, de acordo a reivindicação 35, caracterizado por a metodologia de diagnóstico de aprendizagem supervisionada ser implementada para determinar ou predizer a saúde da estação em operação diária.
37. Sistema, de acordo com qualquer das reivindicações de 32-36, caracterizado por a metodologia de diagnóstico de aprendizagem supervisionada incluir uma ou mais árvores de decisão, árvore de decisão de aumento de gradiente {Gradient Boosting Decision Tree (GBDT)/Gradient Boosting Decision Tree (GBRT)), árvore de regressão de adição múltipla (MART, do inglês Multiple Addition Regression Tree), rede neural artificial, rede neural de convolucional (CNN, do inglês Convolutional Neural Network) Rede Neural (RNN), Memória de Longo Prazo (LSTM), Unidade Recorrente Gated (GRU), Máquina de Vetor de Suporte incluindo todos os tipos de métodos kernel como RBF, Classificação Bayesiana Naive, Classificação Máxima de Entropia, Métodos de Aprendizagem Ensemble incluindo Boosting, Adaboost, Bagging, Floresta Aleatória {Random Forest), Regressão Linear, Regressão Logística, Regressão de Processo Gaussiano, Campo Aleatório Condicional (CRF) e Métodos de Detecção Comprimida, como a Classificação Baseada em Representação Esparsa (SRC).
38. Sistema, de acordo com a reivindicação 31, caracterizado por a metodologia de aprendizagem não supervisionada compreender uma tarefa de aprendizado de máquina de inferir uma função a partir de conjuntos de dados não

Petição 870190080813, de 20/08/2019, pág. 84/161

8/10 rotulados.
39. Sistema, de acordo com a reivindicação 38, caracterizado por os conjuntos de dados não rotulados serem obtidos a partir de um banco de dados histórico ou on-Hne gerado a partir de modelos simulados ou sensores de estação de tratamento de água.
40. Sistema, de acordo com a reivindicação 39, caracterizado por um ou mais estado de saúde da estação, nível de risco, anomalia, problema, causa raiz e solução de mitigação serem identificados pela metodologia de diagnóstico de aprendizagem não supervisionada.
41. Sistema, de acordo com qualquer das reivindicações de 38-40, caracterizado por a metodologia de diagnóstico de aprendizado não supervisionado incluir um ou mais agrupamentos hierárquicos, k-médias, deslocamento médio, agrupamento espectral, decomposição de valores singulares (SVD, do inglês Singular value decomposition), Análise de Componentes Principais (PCA, do inglês Principal Component Analysis), Análise Robusta de Componentes Principais (RPCA, do inglês Robust Principal Component Analysis), Análise de Componentes Independentes (ICA, do inglês Independent Component Anaiysid), Fatoração de Matriz Não Negativa (NMF, do inglês Non-negative Matrix Factorization), Decomposição de Tendência usando Loess (STL, do inglês Trend Loess Decomposition), Maximização de Expectativa (EM), Modelo Oculto de Markov (HMM, do inglês Hidden Markov Model), Modelo de Mistura Gaussianas (GMM, do inglês Gaussian Mixture Model), codificador automático (Auto-Encode/), Auto-Encoder variacional (VAE), Redes Geradoras Adversárias (GAN, do inglês Generative Adversrary Netd), rede de crença profunda (DBN, do inglês Deep Belief Network), máquina Boltzmann restrita (RBM, do inglês Restricted Boltzmann Machine), e Operador de Encolhimento e Seleção Menos Absoluto (LASSO, do inglês Least Absolute Shrinkage and Selection Operator).
42. Sistema, de acordo com a reivindicação 31, caracterizado por a validação cruzada com metodologia de diagnóstico de modelo simulado compreender a validação cruzada de um valor de sensor com um valor correspondente das saídas de um modelo simulado ou resultados de teste de laboratório para determinar a fraude de sensor, em

Petição 870190080813, de 20/08/2019, pág. 85/161

9/10 que uma diferença significativa entre o valor do sensor e a saída do modelo simulado ou resultados de testes de laboratório fornecem evidência de fraude de sensor.
43. Sistema, de acordo com a reivindicação 42, caracterizado por a validação cruzada com a metodologia de diagnóstico simulado do modelo ser usada para identificar, calibrar, remover ou substituir dados de fraude do sensor para garantir a qualidade dos dados.
44. Sistema, de acordo com a reivindicação 31, caracterizado por a metodologia de diagnóstico de detecção de anomalias compreender um algoritmo executado pelo processador para determinar uma anomalia ou valores discrepantes a partir de um conjunto de dados normal, em que a anomalia inclui dados de fraude de sensor, qualidade da água influente ou efluente anormal, consumo de energia anormal ou parâmetros de controle.
45. Sistema, de acordo com a reivindicação 44, caracterizado por a anomalia não existir em um conjunto de dados de treino e ser utilizada para identificar uma anomalia que não aconteceu anteriormente.
46. Sistema, de acordo com qualquer das reivindicações de 44-45, caracterizado por o algoritmo executado pelo processador compreender um ou mais dentre Estimação de Máxima Verossimilhança, Filtro de Kalman, Decomposição de Tendência usando Loess (STL), Modelo Auto-Regressivo Integrado De Médias Móveis (ARIMA, do inglês Autoregressive Integrated Moving Average model), e Métodos de Suavização Exponencial como o método sazonal de Holt-Winters.
47. Sistema, de acordo com a reivindicação 31, caracterizado por a metodologia de diagnóstico de reconhecimento de risco compreender um modelo desenvolvido utilizando os dados pelo processador para determinar eventos infrequentes de alto risco na estação de tratamento de água, incluindo envenenamento por lodo, expansão de lodo, excedência da capacidade máxima da estação e envenenamento por metais pesados.
48. Sistema, de acordo com a reivindicação 47, caracterizado por um modelo para determinar eventos infrequentes de alto risco compreender um ou mais dentre; taxa

Petição 870190080813, de 20/08/2019, pág. 86/161

10/10 de consumo de oxigênio dissolvido, fluxo de ar para o modelo de resposta de oxigênio dissolvido, índice de saúde de lodo gerado e modelo de tolerância influente máxima.
49. Sistema, de acordo com qualquer das reivindicações de 28-48, caracterizado por uma pluralidade das metodologias de diagnóstico ser realizada de modo paralelo pelo processador para realizar o diagnóstico de saúde ou detecção de anomalias na estação de tratamento de água.
50. Sistema, de acordo com qualquer das reivindicações de 28-49, caracterizado por uma pluralidade das metodologias de diagnóstico ser realizada de maneira sequencial pelo processador para realizar o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água.
51. Sistema, de acordo com qualquer das reivindicações de 29-50, caracterizado por compreender ainda um dispositivo de visualização em comunicação com o processador, em que a tomada de uma ou mais ações com base no diagnóstico de saúde ou detecção de anomalias para a estação de tratamento de água compreende a exibição de informações sobre o diagnóstico de saúde ou detecção de anomalia para a estação de tratamento de água em uma interface gráfica de usuário em um dispositivo de visualização.
52. Sistema, de acordo com qualquer das reivindicações de 29-51, caracterizado por os dados sobre o diagnóstico de saúde ou detecção de anomalias para a estação de tratamento fornecidos ao sistema de controle que controla pelo menos uma parte da estação de tratamento serem usados pelo sistema de controle para alterar pelo menos um parâmetro de operação da estação de tratamento.