CN109891235B - 基于统计方法，自动在线检测流体的实际状态与流体的参考状态的偏差的方法，特别是用于监测饮用水供应 - Google Patents
基于统计方法，自动在线检测流体的实际状态与流体的参考状态的偏差的方法，特别是用于监测饮用水供应 Download PDFInfo
- Publication number
- CN109891235B CN109891235B CN201780066197.0A CN201780066197A CN109891235B CN 109891235 B CN109891235 B CN 109891235B CN 201780066197 A CN201780066197 A CN 201780066197A CN 109891235 B CN109891235 B CN 109891235B
- Authority
- CN
- China
- Prior art keywords
- fluid
- measurement
- time
- xti
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 239000003651 drinking water Substances 0.000 title claims description 13
- 235000020188 drinking water Nutrition 0.000 title claims description 9
- 238000012544 monitoring process Methods 0.000 title description 8
- 238000007619 statistical method Methods 0.000 title 1
- 238000005259 measurement Methods 0.000 claims abstract description 138
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005086 pumping Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- 229910052760 oxygen Inorganic materials 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000000491 multivariate analysis Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 235000012206 bottled water Nutrition 0.000 description 4
- 239000003673 groundwater Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Medicinal Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
用于自动在线检测流体(1)的实际状态与流体(1)的参考状态(RZ)的偏差的方法，其中，关于至少三个测量变量(MV1,MV2,MV3；...)，以组合方式评估基本上同时捕获的测量值(2)，其中，所述测量变量(MV1,MV2,MV3；...)是所述流体(1)的不同测量量(3)和/或在不同测量点(4)测量的所述流体(1)的测量量(3)，至少包括以下方法步骤：‑创建参考数据集，其中，参考测量值(21)是通过神经网络被映射到向量空间(VR)的参考向量(rtj)：‑在线测量，其中，在时间ti的测量值和在时间ti之前的任何时间(t1,...,ti‑1)的测量值借助于神经网络被映射到向量空间的测量向量xti；‑借助于可预定窗口宽度(h)的核密度估计量ph(xti)(公式AA)，将测量向量xti与n个参考向量rtj进行比较，其中，(公式BB)是概率密度函数(PDF)；基于来自核密度估计量ph(xti)的值，关于实际状态与参考状态(RZ)的偏差来创建针对时间ti的评估。
Description
技术领域
本发明涉及一种用于自动在线检测流体的实际状态与流体的参考状态的偏差的方法。本发明进一步涉及一种被设计用于实施该方法的设备。
背景技术
在过程和/或自动化技术的许多应用中，借助于测量设备，特别是在线测量设备，确定和/或监测流体的状态，尤其是关于流体的质量。被称为在线测量设备的测量设备直接并且立即在待监测的流体中检测测量量，而不需要例如移除或预处理所需的流体的样本。Endress+Hauser集团生产和销售各种这样的测量设备。
然而，在不具有在线能力的测量设备的情况下，通常需要由应用工程师进行取样，然后预处理待分析的样本，例如通过添加导致由光学或电化学传感器检测的样本的变化的试剂。与上述在线测量方法相比，在这种情况下，可以以更高精度并且有选择性地实现显著更低的检测/确定极限，即，即使在存在干扰物质的情况下。然而，采样和预处理所需的漫长测量时间以及伴随的低测量频率是不利的。
出现以下问题：为了能够立即检测流体的变化，特别是质量状态的变化，即关于流体的质量，使用在线测量设备是必要条件。另一方面，基于通过在线测量设备捕获的测量值的评估，例如关于由污染源引起的增加的危险，例如灾难，通常很困难。特别地，基于单个在线测量值(诸如，电导率、温度或pH值)来明确地确定流体质量的潜在危害是一个巨大的挑战。
为了迎接这一挑战，通常利用多个测量设备基本上同时捕获关于不同测量变量的多个在线测量值。测量变量例如是流体的不同测量量和/或在不同测量点处测量的流体的测量量。在这种情况下的目的是基于关于不同测量变量在线捕获的测量值的总和，关于流体的质量，特别是关于流体状态随时间的变化，陈述关于流体的状态。特别是在复杂系统中，尽管存在大量信息，诸如关于不同测量点和测量量的测量值，但仍需要快速评估实际状态。
因此产生了关于测量变量的测量值的组合评估的任务。例如，在线捕获的测量值的多变量数据分析将以这样的方式进行，即，立即且可靠地检测流体的不期望的质量状态和流体的变化。对于需要高水平可靠性的应用领域尤其如此。在本申请的上下文中，相关示例是对未经处理的水和/或饮用水的评估，因为应该立即和可靠地检测饮用水质量的下降，例如由于病原菌的污染，以便排除对人口的任何风险。
现有技术中已知不同的方法用于测量值，特别是周期性地获得的测量值(包括所谓的时间序列)的多变量数据分析。一个示例是神经网络。基于神经网络的多变量数据分析方法主要是自学习方法。
在R.Page于2011年在巴塞尔大学提交的、名为“Approaches to hazard-orientedgroundwater management based on multivariate analysis of groundwater quality(基于地下水水质多元分析的以灾害为导向的地下水管理方法)”的开篇论文中描述了基于神经网络的方法的概述，特别是关于未经处理的水和/或饮用水的评估。在该作品中，提出了关于通过神经网络，对饮用水和/或未经处理的水进行监测，执行多变量数据分析的可能性。结果同样由R.Page等人，在2015年，以“Multivariate analysis of groundwater-quality time-series using self-organizing maps and Sammon’s mapping(使用自组织映射和Sammon映射对地下水质量时间序列进行多变量分析)”为题发布在期刊“WaterResources Management(水源管理)”，第29版，第3957页起的科学文章中。
其中描述的方法结合了具有Sammon误差函数的特殊形式的神经网络，即所谓的自组织映射(简称SOM，也称为Kohonen映射)。在这种情况下，维度减小导致基于在线测量值，危险的早期检测的任务的复杂性降低，其中，保留测量值的必要信息内容。
在这种情况下，基本上同时周期性地捕获的每个时间ti的测量值被映射到向量xti，其中，最小化Sammon误差函数E：
在此，i和k表示两个任意时间，其中，i＝1,...,n以及k＝1,...,n是次数。
是在时间ti捕获的测量值的向量xti与在时间tk捕获的测量值的向量xtk之间的原始向量空间中的距离。dik是基于SOM计算的维度减小的向量空间中的相关向量之间的距离。通过最小化的Sammon误差函数，获得一组维度减小的向量，其尽可能最好地再现测量值分布的原始模式。
SOM和Sammon误差函数的组合被称为SOM-SM。SOM-SM方法使得可以以在维度减小的向量空间中排列并且将在所有测量时间，相对于彼此的测量值的关系再现为模式的向量的形式表示多变量时间序列，同时保持其相对分布。基于该表示，目的是获得用于评估流体的特定标准。
发明内容
因此，本发明的目的是提出一种可靠且可自动化的方法，用于借助于神经网络在线监测流体，特别是位于过程中的流体，其中，该方法尤其可以快速检测和评估关于质量的变化。本发明还基于获得为该方法设计的设备的目的。
关于该方法，该目的通过权利要求1实现。
权利要求1涉及一种用于自动在线检测流体的实际状态与流体的参考状态的偏差的方法，其中，关于至少三个测量变量，以组合方式评估基本上同时捕获的测量值，其中，所述测量变量是所述流体的不同测量量和/或在不同测量点测量的所述流体的测量量，至少包括以下方法步骤：
a)通过以下步骤创建参考数据集：
-参考测量值在n个不同时间tj,j＝1,…,n,的周期性的在线检测，该参考测量值在每种情况下为关于至少三个测量变量基本上同时地被检测的，其中，当检测到所述参考测量值时，所述流体处于参考状态；
-存储所述参考测量值；
-通过神经网络排列所述参考测量值并且投影到具有减小的维度d的向量空间中，其中，所述减小的维度d小于所述测量变量的数量，使得在时间tj检测的参考测量值在每种情况下都被映射到所述向量空间的参考向量rtj：
-存储所述n个参考向量；
b)在线测量，包括：
-在时间ti，关于所述流体的至少三个测量变量，基本上同时地检测的测量值的在线检测；
-存储所述测量值；
c)周期性地执行方法步骤b)，其中，在时间ti处的测量值和在时间ti之前的任何时间(t1,...,ti-1)处的测量值通过神经网络被周期性地排列并且被投射到减小的维度d的向量空间中，使得在时间ti检测的测量值被映射到所述向量空间的测量向量xti；
d)存储所述测量向量xti；
e)通过可预定窗口宽度h的核密度估计量ph(xti)，比较所述测量向量xti和所述n个参考向量rtj：
其中，
是概率密度函数；
f)基于所述核密度估计量ph(xti)的值，关于与所述参考状态的偏差，创建针对时间ti的评估。
因此，在本发明的方法步骤a)中，首先通过参考状态创建参考数据集。在这种情况下，参考状态被定义为被认为是正常状态的状态，其中，流体在质量方面处于可接受的状态，即满足对流体质量的所有要求。例如，使用安全关键的非在线测量的测量量，可以验证可接受的状态。在参考状态下，例如既没有流体污染也没有异常的运行状态。在流体处于参考状态的时间间隔内，然后周期性地(即，在不同的时间tj)检测关于在线测量变量的测量值。在该过程中，在任何时间tj，基本上同时检测至少三个不同的测量变量。借助于在参考状态中检测的参考测量值，因此精确地映射测量变量自然地经受并且在质量方面被接受的波动的范围。
在这种情况下，优选地选择用于测量值的周期性检测的时间间隔和测量频率，使得对测量变量的足够的参考测量值可用。这通常取决于系统关于参考状态下的流体所经受的操作和操作状态的动力学，例如用于填充蓄水器的期望值曲线。例如，如果动力学基本上是周期性动力学，则至少应该采用一个周期的时间间隔内的测量值。在饮用水和/或未经处理的水的情况下，大约一周的典型时间尺度通常就足够了。因此，每小时约6个测量值的测量值频率将给出参考测量值的大约1000个测量时间tj。
使用神经网络表示在n个时间检测到的参考测量值，并随后投影到减小的向量空间中。由此在n个不同时间tj，j＝1,...,n处检测的参考测量值在每种情况下被映射到参考向量rtj。
随后，在时间ti，捕获在线测量值，然后将其与在神经网络和投影中排列之后的参考测量值相关联。为此，使用神经网络中的排列和到减小的维度d的向量空间中的投影，其中在每个时间ti，形成具有在时间ti处的测量值并且具有在时间ti之前的任何时间(t1,...,ti-1)的测量值的神经网络。在每个时间ti检测的测量值在此被映射到测量向量xti。
减小的维度d小于测量变量的数量，即，在三个测量变量的情况下，例如，最多d＝2。由于维度d和测量值与参考测量值的测量变量的选择是相同的，因此将测量值和参考测量值投影到相同的向量空间中。
根据本发明，在方法步骤f)中使用核密度估计量来评估关于所有n个参考向量rtj的集合的测量向量xti：
核密度估计量也被称为Parzen窗口估计量。在此，h是初始可预定的窗口宽度，以及
是概率密度函数，其中，形成为概率密度函数的自变量是测量向量和参考向量之间的差的大小除以可预定的窗口宽度h。这是针对n个参考向量中的每一个完成的。随后考虑可预定的窗口宽度和减小的维度d形成平均值。
核密度估计量是根据参考向量rtj，j＝1,...,n的总和，测量向量xti的出现有大多可能性的度量。在这种情况下，使用本领域技术人员将用作参考测量值的分布的基础的概率密度函数；这也取决于涉及的过程或流体的动力学。
本发明的优点如下：
-可以基于所检测的在线测量值进行自动且快速的，即基本上即时的评估。
-为了评估流体的状态，特别是在质量方面，不需要选择关于在线测量变量的特定阈值。通过参考数据集，检测被认为是正常的参考状态中的流体的自然异质性。使用参考状态是指可以在没有进一步细节的情况下检测和评估关于质量的先前看不见的状态和波动。
-与基于神经网络的其他方法相比，根据本发明，仅形成一次具有参考测量值的神经网络。利用测量值，在每种情况下在每个时间ti新形成神经网络。因此，关于质量的状态随时间的变化变得可见并且与历史相关。
在这种情况下，形成具有所有n个参考测量值的总和的神经网络。对于每个时间ti，新形成具有周期性地检测的测量值的另一神经网络，并且创建测量向量xti。在SOM计算之前的测量值的数据集的归一化中，例如，使用所计算的测量值的数据集的平均值和参考数据集的标准偏差以便也考虑到不同的初始情况(例如季节性)和系统固有的波动。在关于质量的时间ti的状态的评估中，将时间ti的测量向量与所有参考向量的集合进行比较。在根据本发明的方法中，优化信息内容，因为第二神经网络可以适应测量值的数据集，并且尽可能多地将系统的原始动力学传递到减小的向量空间。在时间ti的测量变量的在线检测之后，直接创建参考向量和测量向量。通过根据本发明的方法，因此可以实现对流体的实际状态的基本上永久的和自适应的在线监测，并且因此最终还可以实现评估关于流体质量的过程。
在有利的实施例中，神经网络和投影的形成在自组织映射或Kohonen映射(SOM)的基础上进行，其中，在所述投影中使用Sammon误差函数(SM)。关于该实施例，再次参考上述科学文章“Multivariate analysis of groundwater-quality time-series using self-organizing maps and Sammon’s mapping”，其中详细地描述了SOM-SM方法的执行。
在一个实施例中，减小的维度d大于1，优选为2。
在优选实施例中，概率密度函数是正态分布的概率密度函数。
当然，取决于流体和/或流体的动力学，现有技术中已知的其他概率密度函数也是可能的，例如，伽马分布、柯西分布或洛伦兹分布或威布尔分布的概率密度函数。
在一个实施例中，通过所述参考测量值的分布的标准偏差和/或所述参考测量值的分布的分位数的距离来估计所述可预定窗口宽度。
在现有技术中，术语“分位数”指的是分布的不同区域，其中，分布的相等大部分(＝分位数)位于每个区域内。已知的示例是中值，通过该中值，分布的值被分成相同大小的两个区域。通常还使用将分布分成四个同样大的部分的四分位数。四分位距是指第三和第一四分位数之间的差，即Q(0.75)-Q(0.25)。四分位距包括分布的中间50％，并且在现有技术中被用作离差的度量。
示例是使用四分位距IQ4R和标准偏差σ，估算核密度估计量的可预定窗口宽度h：
当然，可预定窗口宽度h也可以仅由四分位距IQ4R或另一分位数距离或标准偏差确定。
在一个实施例中，通过为第一类型的至少两个不同类别(Ka1,Ka2,...)的划分，关于实际状态与参考状态的偏差，在时间ti评估流体。该划分取决于核密度估计量ph(xti)是否超过或低于第一上限和/或下限可预定阈值。优选地，存在上限阈值和下限阈值。
在本发明的优选实施例中，在针对时间ti评估流体的实际状态时，考虑测量向量xti和第二测量向量xtk之间的差。第二测量向量xtk属于时间ti之前的时间tk，即k＝1,…,i-1。因此，时间tk可以是例如紧接在时间ti之前的时间ti-1。
在该实施例中，除了基于核密度估计量的评估之外，还考虑系统的历史。因此，在时间ti的流体的评估一方面关于在时间ti的关于参考测量值(核密度估计量标准)发生测量值的概率，另一方面关于测量值的发展或历史而进行，使得例如可以检测到突然的变化。为了评估差异，例如，使用测量向量xti和xtk之间的距离d_ik，即d_ik＝|xti-xtk|。
在该实施例的发展中，通过为第二类型的至少两个不同类别的划分，在时间ti，关于偏差评估流体。为第二类型的至少两个类别的划分取决于测量向量xti和第二测量向量xtk之间的差是否超过或低于上限和/或下限可预定阈值。
在特别有利的发展中，具有至少两个报警等级的报警系统被用来显示所述实际状态与所述参考状态的偏差以及显示所述测量向量xti与所述测量向量xtk之间的差。在这种情况下，所述报警系统基于所述第一和第二类型的类别的组合。这种报警系统也在2015年，由R.Page和P.Huggenberger在期刊Aqua&Gas(水和气)，No.12，第28页起的技术出版物中提出，但是，没有指定根据本发明的用于计算评估标准的特定标准。
在最简单的情况下，这是具有相同或不同加权线性系数的线性组合。然而，另一种可能性也是非线性组合。例如，核密度估计量(第一类型的类别)或关于历史的差异(第二类型的类别)的影响可以被引入具有指数函数的报警系统，这取决于报警系统是否将被设计为对实际状态与参考状态的偏差或流体的历史敏感。
在发展中，报警系统显示在时间ti，每个测量变量对报警等级的贡献。
在另一发展中，报警系统显示在时间ti，第一和第二类型的类别对报警等级的贡献。
在适当的情况下，在该发展中，仅对具有提升的报警等级的情况显示测量变量和/或第一和第二类型的类别的贡献。
在根据本发明的方法的一个实施例中，对流体的至少两个不同的参考状态执行方法步骤a)。在执行方法步骤c)-f)之前，执行以下方法步骤a2)：
a2)选择所述至少两个不同参考状态中的一个。
在所述方法步骤a2)之后，关于所选择的参考状态，执行方法步骤c)-f)。这意味着对于借助于步骤f)中的核密度估计量的评估，仅将测量值与相应地选择的参考状态的参考测量值进行比较。
在发展中，流体是未处理的水和/或饮用水。未处理的水和/或饮用水可以来自例如临时饮用水蓄水器、集水区、含水层或泉水。未处理的水和/或饮用水可以在容器中，例如罐、管道的蓄水器、观察管和/或地下水井。然而，在开始时限定的测量点也可以在不同深度的不同井或观察管中彼此接近，其中，测量点彼此连通(例如，通过水道和/或水管)。
在该实施例的发展中，通过未处理的水和/或饮用水是否经受泵送操作来定义两个不同的参考状态。例如，在地下水泵送的情况下存在泵送操作。
在另一个发展中，至少两种不同的参考状态由未处理的水和/或饮用水是否来自不同来源、海水厂和/或含水层来定义。
在该方法的一个实施例中，测量量从以下测量量的组中选择：
-料位、温度、浊度、含氧量、电导率、压力、氧化还原电位、流量、pH值、光谱吸收系数。
原则上，现有技术中已知的其他测量量，特别是可以在线测量的分析测量量，当然也是合适的。
关于该设备，该目的通过权利要求17来实现。权利要求17包括一种报警系统，用于自动在线检测流体的实际状态与流体的参考状态的偏差。该设备包括具有至少三个在线测量设备的测量装置。因此，该设备包括计算机程序产品。所述在线测量设备和所述计算机程序产品被设计为执行根据本发明的方法。
在发展中，计算机程序产品被设计为至少部分地在至少一个服务器和/或云中执行参考测量值和/或测量值的存储和/或处理。
总之，借助于本发明，可以快速且立即地检测、评估和显示位于过程中的流体的变化。在示例性实施例中，该变化涉及状态关于质量的潜在危险，因为评估流体的实际状态与流体的参考状态的偏差以及流体的状态关于质量的变化。最后应当注意，本发明不限于水质的系统监测。其他应用示例包括，例如，化学和/或药物或食品加工工业的过程中的流体的评估。
附图说明
参考以下附图，更详细地解释本发明。这些附图示出：
图1：根据本发明的设备的实施例。
图2：根据本发明的方法的实施例。
具体实施方式
图1示出了根据本发明的设备的实施例的示意图。流体1在此被示为具有三个不同测量点4的水道。测量装置7包括四个不同的在线测量设备71,72,73,74，其基本上同时检测测量变量MV1,MV2,MV3，MV4。在该示例中，测量装置7还包括上级单元70，参考测量值21和测量值2被传输到该上级单元70。流体1最初处于参考状态RZ，其中，在参考周期(例如，一周)中检测参考测量值21。当然，本发明不以任何方式限于在此示出的示例性实施例。
随后，通过计算机程序产品8，经由数据连接93，将参考测量值21发送到数据库94。数据连接93可以采用例如因特网连接的形式，但也可以采用现有技术已知的任何其他数据连接的形式。数据库94可以驻留在服务器91上，其中，服务器又可以至少部分地是云92的一部分。测量值2也通过数据连接93被发送到数据库94。计算机程序产品8使用参考测量值21、时间ti的测量值和核密度估计量的值来创建评估。这在若干时间ti内周期性规则地被执行。
在这种情况下，该设备可以是分散式质量监控系统的一部分，例如在所谓的“软件即服务”(简称SaaS)模型中，其中仅发送和显示报警等级W0、W1、W2。在这种情况下，报警等级W0表示例如“无危险”，而报警等级W1表示“轻微增加的危险”，报警等级W2表示“高危险”。在报警等级W0、W1、W2的基础上，因此在分散的24h监测系统的框架内基本上立即(即在线)发送变化，其中，监测基于在线测量设备71,…,74进行。在这种情况下，例如，仅在报警等级W1或W2存在的情况下，将显示由测量变量MV1,MV2,MV3对报警等级W1或W2做出的相应贡献。例如，如果存在报警等级W1并且测量变量MV1对报警等级W1的贡献基本上是100％或者恰好小于100％，则例如首先检查在相应测量点4处，分配给测量变量MV1的测量设备72。这提供了上述可靠性，但也防止了错误警报的发生。
图2示出了根据本发明的方法的实施例的示意图。在该实施例中，针对四个测量变量MV1,MV2,MV3,MV4的情况，示出了在分析时段中，在时间ti的测量值2的周期性的检测以及在参考时段中，在时间tj的参考测量值21的周期性的检测。在该示例中，参考周期大约是一周，其中，流体以参考状态RZ存在。在另一实施例中，在每种情况下，对于第一参考状态RZ和另一参考状态RZ'，对于测量变量MV1,MV2,MV3,MV4，也可以存在多个这样的时间序列。
在自动化过程中，首先创建具有参考测量值21的神经网络，其中，神经网络是SOM或Kohonen映射。基于SOM结果的Sammon投影(SM)，获得SOM-SM表示，其中，n个参考测量值21被投影到n个参考向量rtj上。还通过周期性地检测的测量值2，创建在分析周期的每个测量时间ti新形成的神经网络。分析周期的测量时间ti的测量值在每种情况下，被投影到测量向量xti上。在每个时间tj和ti的投影的参考向量rtj和测量向量xti是二维向量空间VR中的向量。
在时间ti的测量变量的在线检测之后，直接比较参考向量rtj和测量向量xti。在每个时间ti，基于参考向量rtj和测量向量xti，确定核密度估计量的值，其中，在这种情况下，正态分布的概率密度函数被用作概率密度函数PDF：
可预定窗口宽度h在每种情况下被估计为：
同时，在每个测量时间ti，计算与前一测量时间tk的向量的欧几里德距离：|xti-xtk|。该实施例中的测量时间tk和ti是直接连续的测量时间(k＝i-1)。其他实施例也是可能的，其中，k＝i-2,i-3,…,等。
然后，基于核密度估计量ph(xti)和欧几里德距离|xti-xtk|的组合确定报警等级。在该示例性实施例中，存在四个报警等级W0(无报警)以及W1,W2,W3(提升的报警等级)。然后，在报警等级高于W0的时间ti，另外显示测量变量MV1,MV2,MV3,MV4对报警等级的贡献，以及在此也被称为MV_PZ的核密度估计量ph(xti)和在此也被称为MV_ED的欧几里德距离|xti-xtk|的贡献。
参考符号列表
1 流体
2 测量值
21 参考测量值
3 测量量
4 测量点
5 参考数据集
6 报警系统
7 测量装置
70 上级单元
71,72,73,... 在线测量设备
8 计算机程序产品
91 服务器
92 云
93 数据连接
94 数据库
RZ,RZ' 参考状态
MV1,MV2,MV3,... 测量变量
tj,j＝1,…,n 21的检测的时间
ti 2的检测的时间
tk 在时间ti之前2的检测的时间
PDF 概率密度函数
d 减小的维度
xti 测量向量
rtj j＝1,…,n 参考向量
VR 向量空间
h 可预定窗口宽度
ph(xti) 可预定窗口宽度h的xti的核密度估计量
σ 标准偏差
IQR 分位数的距离
IQ4R 四分位距
Ka1,Ka2,... 第一类型的类别
Kb1,Kb2,... 第二类型的类别
G1,... 第一阈值
G2,... 第二阈值
W0,W1,...... 报警等级
Claims (16)
1.一种用于自动在线检测流体(1)的实际状态与所述流体(1)的参考状态(RZ)的偏差的方法，其中，关于至少三个测量变量(MV1，MV2，MV3；...)，以组合方式评估基本上同时捕获的测量值(2)，
其中，所述测量变量(MV1，MV2，MV3；...)是所述流体(1)的不同测量量(3)和/或在不同测量点(4)测量的所述流体(1)的测量量(3)，
至少包括以下方法步骤：
a)通过以下步骤创建参考数据集(5)：
-参考测量值(21)在n个不同时间(tj，j＝1，...，n)的周期性的在线检测，所述参考测量值(21)在每种情况下关于所述至少三个测量变量(MV1，MV2，MV3；...)基本上同时地被检测，其中，其中当检测到所述参考测量值(21)时，所述流体(1)处于所述参考状态(RZ)；
-存储所述参考测量值(21)；
-通过神经网络排列所述参考测量值(21)并且投影到具有减小的维度(d)的向量空间(VR)中，其中，所述减小的维度(d)小于所述测量变量(MV1，MV2，MV3，...)的数量，使得在时间tj检测的参考测量值(21)在每种情况下都被映射到所述向量空间(VR)的参考向量(rtj)：
-存储n个所述参考向量rtj；
b)在线测量，包括：
-在时间ti，关于所述流体(1)的至少三个测量变量(MV1，MV2，MV3；...)，基本上同时地检测的测量值(2)的在线检测；
-存储所述测量值(2)；
c)周期性地执行方法步骤b)，其中，在时间ti处的测量值和在时间ti之前的任何时间(t1，...，ti-1)处的测量值通过神经网络被周期性地排列并且被投射到减小的维度d的向量空间中，使得在时间ti检测的测量值被映射到所述向量空间的测量向量xti；
d)存储所述测量向量xti；
e)通过可预定窗口宽度(h)的核密度估计量ph(xti)，比较所述测量向量xti和n个所述参考向量rtj：
其中，
是概率密度函数(PDF)；
f)基于所述核密度估计量ph(xti)的值，关于所述实际状态与所述参考状态(RZ)的偏差，创建针对时间ti的评估。
2.根据权利要求1所述的方法，
其中，所述神经网络和所述投影的形成在自组织映射或Kohonen映射的基础上进行，
以及其中，在所述投影中使用Sammon误差函数，
和/或
其中，所述减小的维度(d)大于1。
3.根据权利要求2所述的方法，其中，所述减小的维度(d)为2。
4.根据权利要求1至3中的任一项所述的方法，
其中，所述概率密度函数(PDF)是正态分布的概率密度函数(PDF)：
5.根据权利要求1至3中的任一项所述的方法，
其中，通过所述参考测量值(21)的分布的标准偏差(σ)和/或所述参考测量值(21)的分位数(IQR)的距离来估计所述可预定窗口宽度(h)。
6.根据权利要求1至3中的任一项所述的方法，
其中，通过分为第一类型的至少两个不同类别(Ka1，Ka2，...)的划分来实现关于所述实际状态与所述参考状态(RZ)的偏差，在时间ti对所述流体(1)的评估，
以及其中，所述划分取决于所述核密度估计量ph(xti)是否超过或低于第一上限和/或下限可预定阈值(G1，...)。
7.根据权利要求1至3中的任一项所述的方法，
其中，在针对时间ti评估所述流体(1)的实际状态时，考虑所述测量向量xti和第二测量向量xtk之间的差，
其中，所述第二测量向量xtk属于时间ti之前的时间tk。
8.根据权利要求6所述的方法，
其中，在针对时间ti评估所述流体(1)的实际状态期间，执行分为第二类型的至少两种不同类别(Kb1，Kb2，...)的划分，
以及其中，所述划分取决于所述测量向量xti和所述第二测量向量xtk之间的差是否超过或低于第二上限和/或下限可预定阈值(G2，...)。
9.根据权利要求8所述的方法，
其中，具有至少两个报警等级(W0，W1，...)的报警系统(6)被用来显示所述实际状态与所述参考状态(RZ)的偏差以及所述测量向量xti与所述向量xtk之间的差，
以及其中，所述报警系统(6)基于所述第一类型的类别(Ka1，Ka2，...)和所述第二类型的类别(Kb1，Kb2，...)的组合。
10.根据权利要求9所述的方法，
其中，所述报警系统(6)显示在时间ti，每个测量变量(MV1，MV2，MV3；...)对所述报警等级(W0，W1，...)的贡献，
和/或
其中，所述报警系统(6)显示在时间ti，所述第一类型的类别(Ka1，Ka2，...)和所述第二类型的类别(Kb1，Kb2，...)对所述报警等级(W0，W1，...)的贡献。
11.根据权利要求1至3中的任一项所述的方法，
其中，对所述流体(1)的至少两种不同的参考状态(RZ，RZ′)执行方法步骤a)，
以及其中，在执行方法步骤c)-f)之前，执行以下方法步骤a2)，
a2)选择所述至少两个不同参考状态(RZ；RZ′)中的一个；
其中，在方法步骤a2)之后，关于相应地选择的参考状态(RZ；RZ′)，在每种情况下，执行方法步骤c)-f)。
12.根据权利要求1至3中的任一项所述的方法，
其中，所述流体(1)是未处理的水和/或饮用水。
13.根据权利要求1至3中的任一项所述的方法，
其中，通过未经处理的水和/或饮用水是否经受泵送操作，定义所述至少两种不同的参考状态(RZ，RZ′，...)，
和/或
其中，通过未经处理的水和/或饮用水是否来自不同的泉水、海水厂和/或含水层，定义所述至少两种不同的参考状态(RZ，RZ′，...)。
14.根据权利要求1至3中的任一项所述的方法，
其中，所述测量量(3)选自下列测量量(3)的组：
-料位、温度、浊度、含氧量、电导率、压力、氧化还原电位、流量、pH值、光谱吸收系数。
15.一种用于自动在线检测流体(1)的实际状态与所述流体(1)的参考状态(RZ)的偏差的报警系统，
具有测量装置(7)，所述测量装置(7)包括至少三个在线测量设备(71，72，73，...)以及
具有计算机程序产品(8)，
其中，所述在线测量设备(71，72，73，...)和所述计算机程序产品(8)被设计为执行根据权利要求1至14之一所述的方法。
16.根据权利要求15所述的报警系统，
其中，所述计算机程序产品(8)被设计为：
至少部分地在至少一个服务器(91)上和/或云(92)中执行所述参考测量值(21)和/或所述测量值(2)的存储和/或处理。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102016120663.6 | 2016-10-28 | ||
| DE102016120663.6A DE102016120663A1 (de) | 2016-10-28 | 2016-10-28 | Verfahren zur automatisierten in-line Erkennung von Abweichungen eines Ist-Zustands eines Fluides von einem Referenzzustand des Fluides |
| PCT/EP2017/076461 WO2018077666A1 (de) | 2016-10-28 | 2017-10-17 | Verfahren zur automatisierten in-line erkennung von abweichungen eines ist-zustands eines fluides von einem referenzzustand des fluides an hand statistischer methoden, insbesondere für die überwachung einer trinkwasserversorgung |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109891235A CN109891235A (zh) | 2019-06-14 |
| CN109891235B true CN109891235B (zh) | 2021-12-31 |
Family
ID=60138367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780066197.0A Active CN109891235B (zh) | 2016-10-28 | 2017-10-17 | 基于统计方法，自动在线检测流体的实际状态与流体的参考状态的偏差的方法，特别是用于监测饮用水供应 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11193920B2 (zh) |
| EP (1) | EP3532840B1 (zh) |
| CN (1) | CN109891235B (zh) |
| DE (1) | DE102016120663A1 (zh) |
| WO (1) | WO2018077666A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960525B (zh) * | 2018-07-20 | 2021-11-16 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
| DE102021126826A1 (de) | 2021-10-15 | 2023-04-20 | Vega Grieshaber Kg | Computerimplementiertes Verfahren zur Klassierung eines Mediums, Datenverarbeitungseinrichtung und Messgerät |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016070195A1 (en) * | 2014-10-31 | 2016-05-06 | Purdue Research Foundation | Moisture management & perennial crop sustainability decision system |
| CN105868853A (zh) * | 2016-03-28 | 2016-08-17 | 山东大学 | 一种短期风电功率组合概率预测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6845336B2 (en) * | 2002-06-25 | 2005-01-18 | Prasad S. Kodukula | Water treatment monitoring system |
| US9672471B2 (en) * | 2007-12-18 | 2017-06-06 | Gearbox Llc | Systems, devices, and methods for detecting occlusions in a biological subject including spectral learning |
| US9996925B2 (en) * | 2013-10-30 | 2018-06-12 | Worcester Polytechnic Institute | System and method for assessing wound |
| US10203231B2 (en) * | 2014-07-23 | 2019-02-12 | Hach Company | Sonde |
| WO2016025859A2 (en) * | 2014-08-14 | 2016-02-18 | Soneter, Inc. | Devices and system for channeling and automatic monitoring of fluid flow in fluid distribution systems |
| US10309816B2 (en) * | 2014-08-22 | 2019-06-04 | Schlumberger Technology Corporation | Methodologies and apparatus for the recognition of production tests stability |
-
2016
- 2016-10-28 DE DE102016120663.6A patent/DE102016120663A1/de active Pending
-
2017
- 2017-10-17 EP EP17786895.7A patent/EP3532840B1/de active Active
- 2017-10-17 CN CN201780066197.0A patent/CN109891235B/zh active Active
- 2017-10-17 WO PCT/EP2017/076461 patent/WO2018077666A1/de unknown
- 2017-10-17 US US16/345,850 patent/US11193920B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016070195A1 (en) * | 2014-10-31 | 2016-05-06 | Purdue Research Foundation | Moisture management & perennial crop sustainability decision system |
| CN105868853A (zh) * | 2016-03-28 | 2016-08-17 | 山东大学 | 一种短期风电功率组合概率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Multivariate Analysis of Groundwater-Quality Time-Series Using Self-organizing Maps and Sammon’s Mapping;Rebecca M. Page 等;《Water Resour Manage》;20150613;第29卷(第11期);第3957-3969页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102016120663A1 (de) | 2018-05-03 |
| US20190257806A1 (en) | 2019-08-22 |
| US11193920B2 (en) | 2021-12-07 |
| EP3532840A1 (de) | 2019-09-04 |
| EP3532840B1 (de) | 2024-09-11 |
| WO2018077666A1 (de) | 2018-05-03 |
| CN109891235A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aue et al. | Structural breaks in time series | |
| JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
| Li et al. | Multiple attribute control charts with false discovery rate control | |
| CN109891235B (zh) | 基于统计方法，自动在线检测流体的实际状态与流体的参考状态的偏差的方法，特别是用于监测饮用水供应 | |
| CN113155178A (zh) | 传感器系统和方法 | |
| Zwetsloot et al. | A robust phase I exponentially weighted moving average chart for dispersion | |
| Yang et al. | Nonparametric profile monitoring using dynamic probability control limits | |
| Cogoni et al. | Time evolution of the PSD in crystallization operations: An analytical solution based on Ornstein‐Uhlenbeck process | |
| Li et al. | On autoregressive model selection for the exponentially weighted moving average control chart of residuals in monitoring the mean of autocorrelated processes | |
| Khedmati et al. | A new control scheme for phase‐ii monitoring of simple linear profiles in multistage processes | |
| Dawod et al. | On the performance of coefficient of variation control charts in Phase I | |
| US10360249B2 (en) | System and method for creation and detection of process fingerprints for monitoring in a process plant | |
| McKenna et al. | Event detection from water quality time series | |
| Zhang et al. | Remaining useful life estimation for systems with time‐varying mean and variance of degradation processes | |
| Memar et al. | Multivariate variability monitoring using EWMA control charts based on squared deviation of observations from target | |
| Hussain et al. | Robust fault detection using subspace aided data driven design | |
| Chang et al. | Change‐point detection for shifts in control charts using EM change‐point algorithms | |
| Sogandi et al. | Change point estimation of gamma regression profiles with a linear trend disturbance | |
| Davoodi et al. | Estimating the step‐change time of the location parameter in multistage processes using mle | |
| Shang et al. | Change‐point detection in phase I for profiles with binary data and random predictors | |
| CN114938339B (zh) | 一种数据处理方法和相关装置 | |
| Gui | Statistical inferences and applications of the half exponential power distribution | |
| CN112287302B (zh) | 用于检测油液酸碱度的方法、计算设备和计算机存储介质 | |
| CN116882632A (zh) | 一种车辆安全评估方法、系统、装置、设备以及存储介质 | |
| CN116147677A (zh) | 确定被测变量的测量值的特定于应用的总似然性的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |