CN110426996A - 基于大数据及人工智能的环境污染监测方法 - Google Patents
基于大数据及人工智能的环境污染监测方法 Download PDFInfo
- Publication number
- CN110426996A CN110426996A CN201910628414.1A CN201910628414A CN110426996A CN 110426996 A CN110426996 A CN 110426996A CN 201910628414 A CN201910628414 A CN 201910628414A CN 110426996 A CN110426996 A CN 110426996A
- Authority
- CN
- China
- Prior art keywords
- pollution treatment
- treatment system
- data
- pollution
- factory
- 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.)
- Granted
Links
Classifications
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31264—Control, autonomous self learn knowledge, rearrange task, reallocate resources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于大数据及人工智能的环境污染监测方法,本发明涉及一种监测治污系统运行状况的方法,应用在环境污染防治的监管方法领域,以及企业治污系统的数据分析领域,为解决政府环保部门或企业无法远程监察治污系统是否配合生产系统正常运行的问题,本发明设计了一种基于企业生产系统及治污系统的配电系统数据实时分析生产系统与治污系统运行状态的方法,应用统计机器学习方法分析判断治污系统是否配合生产系统正常运行。
Description
技术领域
基于大数据及人工智能的环境污染监测方法,本发明涉及一种监测治污系统运行状况的方法,应用在环境 污染防治的监管方法领域,以及企业治污系统的数据分析领域。
背景技术
现有的工业污染防治措施是通过建立规章制度强制企业安装治污系统,但对治污系统的运行情况缺乏远程 监控方法。配电系统具有联网功能,生产系统及治污系统的电力运行数据由配电系统供应商采集并存储在 云端或数据中心,数据由企业管理,并未对治污系统的运行情况做分析,也并未由政府环保部门监管。
发明内容
为解决政府环保部门或企业无法远程监察治污系统是否配合生产系统(过程中产生污染物)运行的问题, 本发明设计了一种根据企业生产系统及治污系统的配电系统数据实时分析生产系统与治污系统运行状态 的方法,应用统计机器学习方法分析判断治污系统是否配合生产系统正常运行。
当生产系统正常工作时,治污系统配合生产系统工作,治污系统的配电系统负载也随着生产系统的配电负 载变化而成规律性变化,负载变化主要体现为配电系统电流值的变化。
分析生产系统和配套的治污系统的运行数据,包括生产系统的配电系统电流值和治污系统的配电系统电流 值。
采用机器学习算法,将连续时间点的生产系统和配套的治污系统正常工作时的电流值和生产系统工作而治 污系统未工作或未充分工作时的电流值作为训练数据,同时比较同行业同规模企业生产系统及治污系统的 电流数据,实时分析某企业连续时间点的电流值,预测生产系统工作而治污系统未工作状态的可能性。 生产系统正常工作时的负载电流值(范围值)对应治污系统正常工作时的电流值(范围值),当连续时间 点的治污系统的电流值低于阈值时,则存在治污系统未正常工作的可能。
附图说明
图1:数据监测架构图
①数据监测中心
②数据监测中心数据库
③配电系统服务商1
④配电系统服务商1数据库
⑤配电系统服务商2
⑥配电系统服务商2数据库
⑦配电系统服务商3
⑧配电系统服务商3数据库
⑨工厂1
⑩工厂2
工厂3
工厂4
工厂5
工厂6
具体实施方式
如图1所示,⑨工厂1和⑩工厂2的配电设备是由③配电系统供应商1提供,⑨工厂1和⑩工厂2的实时 用电数据被采集存储在④配电系统服务商1数据库;工厂3和工厂4的配电设备是由⑤配电系统供应 商2提供,工厂1和工厂2的实时用电数据存储在⑥配电系统服务商2数据库;工厂5和工厂6 的配电设备是由⑦配电系统供应商3提供,工厂5和工厂6的实时用电数据存储在⑧配电系统服务商 3数据库。
④配电系统服务商1数据库、⑥配电系统服务商2数据库、⑧配电系统服务商3数据库中的⑨工厂1、⑩工 厂2、工厂3、工厂4、工厂5、工厂6数据传输到②数据监测中心数据库,②数据监测中心数据 库由①数据监测中心管理,通过数据分析方法监测⑨工厂1、⑩工厂2、工厂3、工厂4、工厂5、工厂6的生产系统与治污系统运行状态。
数据分析方法:
如表所示,历史数据记录了以天为单位的连续时间(每5分钟测量一次)测量数据,包括生产系统电流、 治污系统电流、生产与治污电流差,生产与治污电流差=生产系统电流-治污系统电流。
日期 | 时间 | 生产系统电流 | 治污系统电流 | 生产与治污电流差 | 是否正常 |
2018/12/01 | 0:00:00 | 10 | 4 | 6 | 是 |
2018/12/01 | 0:05:00 | 10 | 4 | 6 | 是 |
2018/12/01 | 0:10:00 | 11 | 5 | 6 | 是 |
2018/12/01 | 0:15:00 | 11 | 5 | 6 | 是 |
2018/12/01 | 0:20:00 | 12 | 6 | 6 | 是 |
2018/12/01 | 0:25:00 | 12 | 1 | 11 | 否 |
2018/12/01 | 0:30:00 | 13 | 1 | 12 | 否 |
2018/12/01 | 0:35:00 | 13 | 1 | 12 | 否 |
表中,“是否正常”分为“是”和“否”两个状态,“是”表示治污系统未发现异常,“否”表示治污系统 存在异常。因子“生产系统电流”、“治污系统电流”、“生产与治污电流差”分为1、2、3、4、5、6、7、8、 9、10、…、29、30,共30个级别,数字越大代表电流范围值更大。
采用统计学习分析方法,以历史数据作为训练集,以提Adboost升算法为例,通过反复修改训练数据的权 值分布,构建一系列基本分类器(弱分类器),并将这些基本分类器线性组合,构成一个强分类器。根据 历史数据,给定一个二类分类的训练数据集T={(x1,y1),(x2,y2),(x3,y3),...,(xN,yN)}
其中,每个样本点由实例与标记组成,实例标记yi∈Y={-1,+1},X是实例空间,Y是标记集 合。从训练数据中学习一系列弱分类器或基本分类器,并将这些弱分类器线性组合成为一个强分类器。 输入:训练数据集T={(x1,y1),(x2,y2),(x3,y3),...,(xN,yN)},其中yi∈Y={-1,+1};
弱分类器。
输出:最终分类器G(x).
初始化训练数据的权值分布D1=(w11,...,w1i,...,w1n),i=1,2,...,N
对m=1,2,...,M
使用具有权值分布Dm的训练数据集学习,得到基本分类器Gm(x):X→{-1,+1}
计算Gm(x)在训练数据集上的分类误差率
计算Gm(x)的系数这里的对数是自然对数。
更新训练数据集的权值分布
Dm+1=(wm+1,1,...,wm+1,i,...,wm+1,N)
Zm是规范化因子它使Dm+1成为一个概率分布。
构建基本分类器的线性组合
得到最终分类器
历史数据“生产系统电流”、“治污系统电流”、“生产与治污电流差”3个特征属性(x)和1个类别“是否正 常”(y)作为训练数据,实时数据的生产系统电流、治污系统电流、生产与治污电流差作为输入值,输出 值(预测值)为是否正常。设定连续20个采集点中预测值(是否正常)有超过80%的“否”,说明治污系 统未在生产系统工作时正常运行。y=1代表正常(是),y=-1代表非正常(否)。
同样原理,应用机器学习方法分析气体检测值、水质检测值、是否超标,当排污口的气体检测仪、水质检 测仪数据连续时间点高于阈值,则存在排污超标的可能。
考虑到实际情况中污染企业的夜间排污问题,为了更精准计算分析出排污问题,具体方法:以凌晨0:00 至4:00为重点采集时间节点(测量点)。
Claims (2)
1.基于大数据及人工智能的环境污染监测方法,配电系统供应商采集工厂电力数据并传输到数据监测中心,数据监测中心采用机器学习算法分析工厂电力数据。
2.根据权利要求项1,基于大数据及人工智能的环境污染监测方法,将连续时间点的生产系统和配套的治污系统正常工作时的电流值和生产系统工作而治污系统未工作或未充分工作时的电流值作为训练数据,同时比较同行业同规模企业生产系统及治污系统的电流数据,实时分析某企业连续时间点的电流值,预测生产系统工作而治污系统未工作的可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628414.1A CN110426996B (zh) | 2019-07-12 | 2019-07-12 | 基于大数据及人工智能的环境污染监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628414.1A CN110426996B (zh) | 2019-07-12 | 2019-07-12 | 基于大数据及人工智能的环境污染监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110426996A true CN110426996A (zh) | 2019-11-08 |
CN110426996B CN110426996B (zh) | 2023-06-23 |
Family
ID=68409297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910628414.1A Active CN110426996B (zh) | 2019-07-12 | 2019-07-12 | 基于大数据及人工智能的环境污染监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110426996B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275333A (zh) * | 2020-01-20 | 2020-06-12 | 江苏神彩科技股份有限公司 | 污染数据处理方法和装置 |
CN111815915A (zh) * | 2020-06-18 | 2020-10-23 | 宾麦供水设备股份有限公司 | 智慧泵房监控方法及系统 |
CN114912548A (zh) * | 2022-07-11 | 2022-08-16 | 国网信息通信产业集团有限公司 | 一种利用电力人工智能的大气污染用户识别系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050288812A1 (en) * | 2004-06-03 | 2005-12-29 | National Cheng Kung University | Quality prognostics system and method for manufacturing processes |
CN101180590A (zh) * | 2005-03-18 | 2008-05-14 | 布赖恩·G·斯旺森 | 预测性排放物监测系统及方法 |
JP2009199237A (ja) * | 2008-02-20 | 2009-09-03 | Seiko Epson Corp | 排出規制管理システム、常時排出規制管理装置、警報時排出規制管理装置、排出規制管理方法、および、排出規制管理プログラム |
CN104766158A (zh) * | 2015-03-18 | 2015-07-08 | 福建望诚电子有限公司 | 一种环保全过程监测系统 |
CN105278492A (zh) * | 2014-06-26 | 2016-01-27 | 广东柯内特环境科技有限公司 | 一种区域排污的智能监控系统和方法 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
CN109472468A (zh) * | 2018-10-23 | 2019-03-15 | 广东柯内特环境科技有限公司 | 针对voc有机废气的企业排污智能监控数据分析系统 |
CN109978048A (zh) * | 2019-03-22 | 2019-07-05 | 大唐环境产业集团股份有限公司 | 一种脱硫塔浆液循环泵故障分析与诊断方法 |
-
2019
- 2019-07-12 CN CN201910628414.1A patent/CN110426996B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050288812A1 (en) * | 2004-06-03 | 2005-12-29 | National Cheng Kung University | Quality prognostics system and method for manufacturing processes |
CN101180590A (zh) * | 2005-03-18 | 2008-05-14 | 布赖恩·G·斯旺森 | 预测性排放物监测系统及方法 |
JP2009199237A (ja) * | 2008-02-20 | 2009-09-03 | Seiko Epson Corp | 排出規制管理システム、常時排出規制管理装置、警報時排出規制管理装置、排出規制管理方法、および、排出規制管理プログラム |
CN105278492A (zh) * | 2014-06-26 | 2016-01-27 | 广东柯内特环境科技有限公司 | 一种区域排污的智能监控系统和方法 |
CN104766158A (zh) * | 2015-03-18 | 2015-07-08 | 福建望诚电子有限公司 | 一种环保全过程监测系统 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
CN109472468A (zh) * | 2018-10-23 | 2019-03-15 | 广东柯内特环境科技有限公司 | 针对voc有机废气的企业排污智能监控数据分析系统 |
CN109978048A (zh) * | 2019-03-22 | 2019-07-05 | 大唐环境产业集团股份有限公司 | 一种脱硫塔浆液循环泵故障分析与诊断方法 |
Non-Patent Citations (1)
Title |
---|
竟静静: "基于KingView 的水泥厂节能减排监测及预警系统设计", 《能源与环保》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275333A (zh) * | 2020-01-20 | 2020-06-12 | 江苏神彩科技股份有限公司 | 污染数据处理方法和装置 |
CN111815915A (zh) * | 2020-06-18 | 2020-10-23 | 宾麦供水设备股份有限公司 | 智慧泵房监控方法及系统 |
CN111815915B (zh) * | 2020-06-18 | 2021-07-30 | 宾麦供水设备股份有限公司 | 智慧泵房监控方法及系统 |
CN114912548A (zh) * | 2022-07-11 | 2022-08-16 | 国网信息通信产业集团有限公司 | 一种利用电力人工智能的大气污染用户识别系统及方法 |
CN114912548B (zh) * | 2022-07-11 | 2022-10-25 | 国网信息通信产业集团有限公司 | 一种利用电力人工智能的大气污染用户识别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110426996B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110870B (zh) | 一种基于事件图谱技术的设备故障智能监控方法 | |
Miller et al. | Automated daily pattern filtering of measured building performance data | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN104793605B (zh) | 一种利用正态分布判定设备故障的方法 | |
CN110426996A (zh) | 基于大数据及人工智能的环境污染监测方法 | |
CN109492857A (zh) | 一种配电网故障风险等级预测方法和装置 | |
CN102282552A (zh) | 基于模式的智能控制、监测及自动化的系统、方法和计算机程序 | |
CN103810533A (zh) | 一种基于云模型的配电网故障风险识别方法 | |
CN106600074A (zh) | 基于dfhsmm的非侵入式电力负荷监测方法及系统 | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN206312210U (zh) | 一种配电网设备的状态评估系统 | |
CN104091035A (zh) | 一种基于数据驱动算法的空间站有效载荷健康监测方法 | |
Zhu et al. | Dynamic alarm prediction for critical alarms using a probabilistic model | |
CN110826237B (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
US20220414526A1 (en) | Intelligent fault detection system | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN111126477A (zh) | 一种混合贝叶斯网络的学习与推理方法 | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
CN102521698B (zh) | 大型建筑工程质量的关键工序识别与监控方法 |
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 |