CN111401582B - 一种生活污水处理设施异常识别方法及监控平台 - Google Patents

Abstract

本发明公开了一种生活污水处理设施异常识别方法及监控平台，包括：S1、获取污水提升泵在正常工作状态下、特定时间内的电流、出口流量数据，以及该污水提升泵在发生故障前、特定时间内的电流、出口流量数据，用于构建异常分析数据集，S2、通过聚类算法对异常分析数据集进行聚类分析，得到异常类数据簇；S3、根据所述异常类数据簇得到数值边界，构建异常识别模型；S4、采集污水提升泵的电流、出口流量数据，输入所述异常识别模型，以进行异常判断。进一步对所述异常类数据簇进行时序分析以得到时间边界并加入所述异常识别模型。本发明的异常识别方法对所述时间边界内的数据进行综合判断，能够预警所述污水处理设施的初期异常运行。

Description

一种生活污水处理设施异常识别方法及监控平台

技术领域

本发明属于生活污水处理设施领域，具体为一种生活污水处理设施异常识别方法及监控平台。

背景技术

在水环境综合整治的大背景下，农村生活污水治理对于改善地表水环境质量的意义越来越重大。但是农村生活污水具有水量不稳定、水质差异大、污染物浓度高等特点，不便于布设管网与修建污水处理厂统一处理，目前多采用分散式污水处理设施处理。

分散式生活污水处理设施具有数量多、分布广以及所处位置偏远等特点，无法安排工作人员常驻处理设施点，通常以定期巡检和维护的形式进行运维和故障排除。随着互联网、物联网技术的发展，所述污水处理设施的设备、水质、水量等运行数据通过互联网、物联网传输至统一的平台进行监控。

所述生活污水处理设施在正常工作时，部分尺寸较小的、格栅无法处理的垃圾会进入并积聚在污水提升泵中，导致所述污水提升泵堵塞，甚至严重故障。对此，现有的生活污水处理设施监控平台只能对数据或者简单状态进行监控，无法对监控数据进行深度挖掘，因此无法监测并识别初期堵泵状态，设施运行的有效性以及效率难以保证，运维工作的效率也低，增加了人工、能耗成本，与此同时排放不达标的水污染了农村地表水。

发明内容

为了克服上述现有技术的缺陷，本发明提供了一种生活污水处理设施异常识别方法及监控平台。

本发明解决其技术问题所采用的技术方案是：

一种生活污水处理设施异常识别方法，包括：

S1、获取污水提升泵在正常工作状态下、特定时间T_c内的电流、出口流量数据，以及该污水提升泵在发生故障前、特定时间T_c内的电流、出口流量数据，用于构建异常分析数据集X＝{x_i|i＝1,2,3,…,n}，其中，二维向量x_i＝(I_i,Q_i)，x_i表示第i个二维向量，I_i表示第i个电流数据，Q_i表示第i个出口流量数据,n表示所述异常分析数据集X中二维向量的总数；

S2、通过聚类算法对异常分析数据集进行聚类分析，得到异常类数据簇X_f；

S3、根据所述异常类数据簇X_f得到数值边界；对所述异常类数据簇进行时序分析：得到所述异常类数据簇X_f的每一个元素的原有时间标签T_fi，进而建构一含时的异常数据集X_fn＝{x_fni|i＝1,2,3,…,N₂}，其中x_fni＝(I_fi,Q_fi,T_fi)；根据异常数据集X_fn中最早的异常点x_fn1＝(I_f1,Q_f1,T_f1)确定时间边界T_b；所述数值边界和时间边界T_b用于构建异常识别模型；

S4、采集污水提升泵的电流、出口流量数据，且输入所述异常识别模型，对该时间边界T_b内的所述电流数据、出口流量数据进行综合异常判断，以对污水提升泵的运行状态进行异常判断。

根据一个优选实施例，所述聚类分析的步骤包括：

S21、定义所述聚类算法的数据分类数量为二，即分类结果为正常类和异常类；

S22、将正常类的聚类中心点初始化为由额定电流I_e、额定出口流量Q_e构成的二维向量x_rc＝(I_e,Q_e)，将异常类的聚类中心点初始化为污水提升泵损坏前一分钟或者严重堵塞时的电流I_k与出口流量Q_k所构成的二维向量x_fc＝(I_k,Q_k)；

S23、针对所述异常分析数据集中每一个二维向量x_i，计算其所对应的点到所述正常类的聚类中心点x_rc的欧式距离

以及到异常类的聚类中心点x_fc的欧式距离

并且判断这两个欧式距离d_rci、d_fci的大小，若d_rci>d_fci，将该点x_i归入异常类,且记为x_fi＝(I_fi,Q_fi)；若d_rci＜d_fci，则将该点x_i归入正常类,且记为x_ri＝(I_ri,Q_ri)；若d_rci＝d_fci，则默认归入正常类；得到由所述正常类的全部元素构成的正常类数据簇X_r＝{x_ri|i＝1,2,3,…,N₁}，以及由异常类的全部元素构成的异常类数据簇X_f＝{x_fi|i＝1,2,3,…,N₂}，其中，N₁表示所述正常类数据簇中元素的总数量，N₂表示所述异常类数据簇中元素的总数量；

S24、计算所述正常类数据簇的中心点

且计算该中心点x_rc′与所述正常类的聚类中心点x_rc的欧式距离E_rc；计算所述异常类数据簇的中心点

且计算该中心点x_fc′与所述异常类的聚类中心点x_fc的欧式距离E_fc；

S25、定义停止迭代的阈值D₁，以及最高迭代次数j；定义第一迭代结束条件为当前迭代次数达到所述最高迭代次数j，定义第二迭代结束条件为所述欧式距离E_rc、E_fc均低于所述阈值D₁；当所述第一迭代结束条件或所述第二迭代结束条件满足时，结束迭代，得到最终分类结果：两类数据簇——正常类数据簇X_r、异常类数据簇X_f；否则，将所述正常类的聚类中心点x_rc的值更新为当前正常类数据簇的中心点x_rc′的值，所述异常类的聚类中心点x_fc的值更新为当前异常类数据簇的中心点x_fc′的值后，重复所述步骤S23-S25以进行迭代。

根据一个优选实施例，所述步骤S3中，选取所述异常类数据簇X_f中电流最小、流量最大的点x_fb＝(I_fmin,Q_fmax)作为数值边界,用于构建异常识别模型。

根据一个优选实施例，计算所述异常数据集X_fn的所有元素的时间均值

计算所述最早的异常点x_fn1与所述时间均值

的时间差且扣除所述污水提升泵停止运行的时间T_idle，得到所述时间边界

或者，根据另一个优选实施例，通过所述异常类数据簇的中心点x_fc′确定所述时间边界：定义数据选择阈值D₂，获取所述含时的异常数据集X_fn中，与所述中心点x_fc′的欧氏距离小于所述阈值D₂的元素的时间标签的均值

计算所述最早的异常点x_fn1与所述时间均值

的时间差且扣除所述污水提升泵停止运行的时间T_idle，得到所述时间边界

根据一个优选实施例，所述步骤S4中，所述异常识别模型对所述污水提升泵的电流数据以及出口流量数据在所述时间边界T_b内的平均值

进行异常判断，若所述电流平均值

大于所述电流值I_fmin，或者所述出口流量平均值

小于所述出口流量值Q_fmax，则判定所述污水提升泵运行异常；所述电流数据平均值

所述出口流量数据平均值

其中N表示所述时间边界T_b内所采集到的电流/出口流量的总数据量，I_ti表示所述时间边界T_b内的电流数据，Q_ti表示所述时间边界T_b内的出口流量数据。

根据一个优选实施例，所述时间边界内的电流数据包括所述电流数据的实时采集数据项I_t1，所述时间边界内的出口流量数据包括所述出口流量数据的实时采集数据项Q_t1。

一种生活污水处理设施监控平台,包括若干污水处理站点和服务器；其中，

所述污水处理站点包括污水提升泵及备用污水提升泵，且设有数据采集装置、无线网络装置和控制装置；所述数据采集装置用于采集所述污水提升泵的工作参数数据，包括电流、出口流量等，该数据采集装置与所述无线网络装置连接，且借助该无线网络装置与所述服务器进行通信连接，将所述工作参数数据发送到所述服务器；所述控制装置与所述无线网络装置通信连接，且与所述污水提升泵及备用污水提升泵通信连接，用于控制污水提升泵；

所述服务器，以一定时间周期，通过所述生活污水处理设施异常识别方法对其收到的工作参数数据进行处理，以判断所述污水提升泵的运行状态，若该污水提升泵处于异常运行状态，则通过所述无线网络装置向所述控制装置发送控制指令，控制该污水提升泵停止运行，同时启用所述备用污水提升泵，向管理员发送异常告警。

与现有技术相比，本发明的有益效果是：

1、通过聚类算法对大数据进行处理，获得了有效的数值评价指标——数值边界，提高了异常识别的准确率。

2、对所述异常类数据簇X_f进行时序分析，获得时间边界，对该时间边界内的数据进行综合判断，判断结果更加可靠，同时，规避了所述单一数据的有效性问题。

3、所述由数值边界和时间边界构成的异常识别模型能及时识别所述污水处理设施的早期异常运行，以满足及时维护的需求，既能避免不必要的维护，也能够避免严重故障的发生，进而避免了不达标污水的排放。

附图说明

图1为实施例的生活污水处理设施异常识别方法的流程示意图。

图2为图1的步骤S2的流程示意图。

图3是图2的详细流程示意图。

图4为另一实施例的生活污水处理设施异常识别方法的流程示意图。

图5为实施例的实施例的生活污水处理设施监控平台的示意图。

附图说明：

10.污水处理站点，11.污水提升泵，12.备用污水提升泵，13.数据采集装置，14.无线网络装置，15.控制装置，20.服务器。

具体实施方式

以下结合附图对本发明进一步说明。

如图1所示，本实施例的一种生活污水处理设施异常识别方法，包括：

S1、获取污水提升泵在正常工作状态下、特定时间T_c内的电流、出口流量数据，以及该污水提升泵在发生故障前、特定时间T_c内的电流、出口流量数据，用于构建异常分析数据集X＝{x_i|i＝1,2,3,…,n}，其中，二维向量x_i＝(I_i,Q_i)；以一次/分钟的频率采集所述电流、出口流量数据，且所述特定时间T_c为一周时，所述异常分析数据集中包含的二维向量的数量n＝7×24×60×2＝20160个。在现有生活污水处理设施异常识别方法中，针对大数据处理，主流的处理方式为先对数据进行清洗，滤除无效数据，再比较该数据与监控阈值的大小。但是在实际监控中，生活污水处理，尤其是农村生活污水处理中，污水排放量是不稳定的，仅通过数值大小的比较无法有效区分无效数据与正常波动的数据。

S2、通过聚类算法对异常分析数据集进行聚类分析，得到异常类数据簇X_f,优选的，如图2和图3所示所述聚类分析的步骤包括：

S21、定义所述聚类算法的数据分类数量为二，即分类结果为正常类和异常类；

S22、将正常类的聚类中心点初始化为由额定电流I_e、额定出口流量Q_e构成的二维向量x_rc＝(I_e,Q_e)，将异常类的聚类中心点初始化为污水提升泵损坏前一分钟或堵塞严重时的电流I_k与出口流量Q_k所构成的二维向量x_fc＝(I_k,Q_k)；容易理解，所述聚类中心的选取具有一定任意性，所述聚类中心点x_rc、x_fc只是一种优选，也可以初始化为其他二维向量；

S23、针对所述异常分析数据集中每一个二维向量x_i，计算其所对应的点到所述正常类的聚类中心点x_rc的欧式距离

以及到异常类的聚类中心点x_fc的欧式距离

并且判断这两个欧式距离d_rci、d_fci的大小，若d_rci>d_fci，将该点x_i归入异常类,且记为x_fi＝(I_fi,Q_fi)；若d_rci＜d_fci，则将该点x_i归入正常类,且记为x_ri＝(I_ri,Q_ri)；若d_rci＝d_fci，在本实施例中，默认归入正常类；据此，构建两类数据簇——由所述正常类的全部元素构成的正常类数据簇X_r＝{x_ri|i＝1,2,3,…,N₁}、由异常类的全部元素构成的异常类数据簇X_f＝{x_fi|i＝1,2,3,…,N₂}；

S24、计算所述正常类数据簇的中心点

且计算该中心点x_rc′与所述正常类的聚类中心点x_rc的欧式距离E_rc；计算所述异常类数据簇的中心点

且计算该中心点x_fc′与所述异常类的聚类中心点x_fc的欧式距离E_fc；

S25、定义停止迭代的阈值D₁，以及最高迭代次数；本实施例中所述阈值D₁优选为0.1，所述最高迭代次数j优选为六次；定义第一迭代结束条件为当前迭代次数达到所述最高迭代次数j，定义第二迭代结束条件为所述欧式距离E_rc、E_fc均低于所述阈值D₁；

记录当前迭代次数，判断所述第一迭代结束条件是否满足，若当前迭代次数不小于六次，则停止迭代，得到最终分类结果：两类数据簇——正常类数据簇X_r、异常类数据簇X_f；

若当前迭代次数小于六次，则进一步判断所述欧式距离E_rc、E_fc是否低于所述阈值D₁；若欧式距离E_rc>D₁,或者E_fc>D₁,将所述正常类的聚类中心点x_rc的值更新为当前正常类数据簇的中心点x_rc′的值，并且将所述异常类的聚类中心点x_fc的值更新为当前异常类数据簇的中心点x_fc′的值后，重复所述步骤S23-S25以进行迭代；若欧式距离E_rc≤D₁,且E_fc≤D₁，则停止迭代，得到最终分类结果：两类数据簇——正常类数据簇X_r、异常类数据簇X_f。所述迭代结束条件的判断次序不影响最后的分类结果，可以前后调换。

本实施例的异常识别方法使用聚类算法，对数据进行聚类分析，得到正常类数据簇X_r和异常类数据簇X_f。再通过对所述异常类数据簇X_f的分析，进而得到有效的数值评价指标——数值边界，提高了异常识别的准确率，能够识别出初期设备异常数据。

S3、根据所述异常类数据簇X_f得到数值边界，优选的，选取所述异常类数据簇X_f中电流最小、流量最大的点x_fb＝(I_fmin,Q_fmax)作为数值边界,用于构建异常识别模型。

S4、采集污水提升泵的电流、出口流量数据，且输入所述异常识别模型，以对污水提升泵的运行状态进行异常判断。

如图4所示，进一步的，所述步骤S3中还包括：对所述异常类数据簇X_f进行时序分析，获得所述异常类数据簇X_f的每一个元素的原有时间标签T_fi，进而建构一含时的异常数据集X_fn＝{x_fni|i＝1,2,3,…,N₂}，其中x_fni＝(I_fi,Q_fi,T_fi)。找到该异常数据集X_fn中最早的异常点x_fn1＝(I_f1,Q_f1,T_f1),以确定时间边界T_b。为了进一步提高准确率，本实施例的异常识别方法在所述异常判断模型中加入了时间边界，对该时间边界内的数据进行综合判断，与对单一数据进行判断相比，判断结果更加可靠，同时，规避了所述单一数据的有效性问题，不需要进行数据清洗。

优选的，可通过以下方法确定所述时间边界T_b：

1)计算所述异常数据集X_fn的所有元素的时间均值

计算所述最早的异常点x_fn1与所述时间均值

的时间差且扣除所述污水提升泵停止运行的时间T_idle，即得到时间边界

或者，2)通过所述异常类数据簇的中心点x_fc′确定所述时间边界：定义数据选择阈值D₂，本实施例中，该阈值D₂优选为0.15；获取所述含时的异常数据集X_fn中，与所述中心点x_fc′的欧氏距离小于所述阈值D₂的元素的时间标签的均值

该步骤中涉及欧式距离的计算省略时间参数，仅针对电流参数和出口流量参数计算所述最早的异常点x_fn1与所述时间均值

的时间差且扣除所述污水提升泵停止运行的时间T_idle，即得到时间边界

所述时间边界是一个相对值，描述了所述污水提升泵从轻微堵塞到相对比较严重的堵塞的时间周期，因此该时间边界选取越长，有助于判断结果的精度的提高。但是，等到堵塞程度较高时，识别出设备运行异常，再发出告警。设备故障甚至损坏的几率也更高，不利于设备维护，也不利于污水处理。本发明提供了两种确定所述时间边界的方法，通过聚类算法以及时序分析，得到的时间边界兼顾了监控有效性和及时维护的需求。

将所述时间边界T_b加入所述异常识别模型中，用于对该时间边界T_b内的所述电流数据、出口流量数据进行综合异常判断；优选的，所述综合异常判断方法为：若所述电流平均值

大于所述电流值I_fmin，或者所述出口流量平均值

小于所述出口流量值Q_fmax，则判定所述污水提升泵运行异常。

本发明的异常识别方法通过聚类算法对数据进行分类，得到所述异常类数据簇X_f，进而得到所述数值边界x_fb＝(I_fmin,Q_fmax)，该数值边界描述了所述污水处理设施的堵塞程度较轻时的工作参数；获取所述异常类数据簇X_f的各个元素的时间标签后构造所述异常数据集X_fn，通过时序分析，进而获得时间边界。在监控中，对所述时间边界内的数据进行综合判断，保障了异常识别的精度，能够预警所述污水处理设施的异常运行，在设备出现一定程度的堵塞后，即可对设备进行维护，进而能够及时发现所述污水处理设施的异常运行状态，做到及时维护，也避免了严重故障的发生，有利于污水处理，避免了不达标污水的排放。

如图5所示，本实施例的生活污水处理设施监控平台,包括若干污水处理站点10和服务器20；其中，

所述污水处理站点10包括污水提升泵11及备用污水提升泵12，且设有数据采集装置13、无线网络装置14以及控制装置15；所述数据采集装置13包括电流传感器、流量计等，用于采集所述污水提升泵11、12的工作参数数据，包括电流、出口流量等，例如以一次/分钟的频率采集电流和出口流量，该数据采集装置13与所述无线网络装置14连接，且借助该无线网络装置14与所述服务器20进行通信连接，将所述工作参数数据发送到所述服务器20；优选的，所述无线网络装置14采用4G无线终端；所述控制装置15与所述无线网络装置14通信连接，且与所述污水提升泵11及备用污水提升泵12通信连接，用于控制污水提升泵11、12；

所述服务器20接收所述工作参数数据，并且优选的，通过所述生活污水处理设施异常识别方法，以一定时间周期，例如每两小时，对所述工作参数数据进行一次处理和判断，以判断所述污水提升泵11的运行状态，若该污水提升泵11处于异常运行状态，则通过所述无线网络装置14向所述控制装置15发送控制指令，控制该污水提升泵11停止运行，同时启用所述备用污水提升泵12，通过例如电子邮件、短信息等方式向管理员发送异常告警。所述数据采集装置13、无线网络装置14以及控制装置15均为现有成熟的产品，可通过市售获得，对于这些装置的详细技术信息，此处不再赘述。

所述监控平台采用所述生活污水处理设施异常识别方法对所述污水提升泵11的异常运行状态进行识别，此时该污水提升泵11还未达到运行故障的程度，切换至所述备用污水提升泵12，并发送告警。维护人员即可进行维护，避免了设备故障，同时保证了所述污水处理站点持续地、稳定运行。有利于偏远地区，尤其是农村污水处理场景下的设备维护，避免了维护人员的不必要的工作，优化了人力资源的分配。

以上实施例详细介绍本发明的异常识别方法和监控平台的步骤、工作原理，但不应视为对本发明的限制。结合本发明的技术方案，本领域技术人员还可以对本发明做进一步修改、替换等，但任何简单修改、等同替换都将落入本发明的权利要求书所要求的保护范围内。

Claims (8)

1.一种生活污水处理设施异常识别方法，其特征在于包括：

S1、获取污水提升泵在正常工作状态下、特定时间T_c内的电流、出口流量数据，以及该污水提升泵在发生故障前、特定时间T_c内的电流、出口流量数据，用于构建异常分析数据集X＝{x_i|i＝1,2,3,…,n}，x_i＝(I_i,Q_i)，I_i表示第i个电流数据，Q_i表示第i个出口流量数据；

S2、通过聚类算法对异常分析数据集进行聚类分析，得到异常类数据簇X_f；

S3、根据所述异常类数据簇X_f得到数值边界；对所述异常类数据簇进行时序分析：得到所述异常类数据簇X_f的每一个元素的原有时间标签T_fi，建构一含时的异常数据集X_fn＝{x_fni|i＝1,2,3,…,N₂}，x_fni＝(I_fi,Q_fi,T_fi)，根据异常数据集X_fn中最早的异常点x_fn1＝(I_f1,Q_f1,T_f1)确定时间边界T_b；所述数值边界和时间边界T_b用于构建异常识别模型；

S4、采集污水提升泵的电流、出口流量数据，且输入所述异常识别模型，对该时间边界T_b内的所述电流数据、出口流量数据进行综合异常判断，以对污水提升泵的运行状态进行异常判断。

2.根据权利要求1所述的异常识别方法，其特征在于，所述聚类分析的步骤包括：

S21、定义所述聚类算法的数据分类数量为二，即分类结果为正常类和异常类；

S22、将正常类的聚类中心点初始化为由额定电流I_e、额定出口流量Q_e构成的二维向量x_rc＝(I_e,Q_e)，将异常类的聚类中心点初始化为污水提升泵损坏前一分钟或堵塞严重时的电流I_k与出口流量Q_k所构成的二维向量x_fc＝(I_k,Q_k)；

S23、针对所述异常分析数据集中每一个二维向量x_i，计算其所对应的点到所述正常类的聚类中心点x_rc的欧式距离

以及到异常类的聚类中心点x_fc的欧式距离

并且判断这两个欧式距离d_rci、d_fci的大小，若d_rci>d_fci，将该点x_i归入异常类,且记为x_fi＝(I_fi,Q_fi)；若d_rci＜d_fci，则将该点x_i归入正常类,且记为x_ri＝(I_ri,Q_ri)；若d_rci＝d_fci，则默认归入正常类；得到由所述正常类的全部元素构成的正常类数据簇X_r＝{x_ri|i＝1,2,3,…,N₁}，以及由异常类的全部元素构成的异常类数据簇X_f＝{x_fi|i＝1,2,3,…,N₂}；

S24、计算所述正常类数据簇的中心点

且计算该中心点x_rc′与所述正常类的聚类中心点x_rc的欧式距离E_rc；计算所述异常类数据簇的中心点

且计算该中心点x_fc′与所述异常类的聚类中心点x_fc的欧式距离E_fc；

S25、定义停止迭代的阈值D₁，以及最高迭代次数j；定义第一迭代结束条件为当前迭代次数达到所述最高迭代次数j，定义第二迭代结束条件为所述欧式距离E_rc、E_fc均低于所述阈值D₁；当所述第一迭代结束条件或所述第二迭代结束条件满足时，结束迭代，得到最终分类结果：两类数据簇——正常类数据簇X_r、异常类数据簇X_f；否则，将所述正常类的聚类中心点x_rc的值更新为当前正常类数据簇的中心点x_rc′的值，所述异常类的聚类中心点x_fc的值更新为当前异常类数据簇的中心点x_fc′的值后，重复所述步骤S23-S25以进行迭代。

3.根据权利要求1所述的异常识别方法，其特征在于，所述步骤S3中，选取所述异常类数据簇X_f中电流最小、流量最大的点x_fb＝(I_fmin,Q_fmax)作为数值边界,用于构建异常识别模型。

4.根据权利要求1所述的异常识别方法，其特征在于，计算所述异常数据集X_fn的所有元素的时间均值

计算所述最早的异常点x_fn1与所述时间均值

的时间差且扣除所述污水提升泵停止运行的时间T_idle，得到所述时间边界

5.根据权利要求2所述的异常识别方法，其特征在于，定义数据选择阈值D₂，获取所述含时的异常数据集X_fn中，与所述中心点x_fc′的欧氏距离小于所述阈值D₂的元素的时间标签的均值

计算所述最早的异常点x_fn1与所述时间均值

的时间差且扣除所述污水提升泵停止运行的时间T_idle，得到所述时间边界

6.根据权利要求3所述的异常识别方法，其特征在于，所述步骤S4中，所述异常识别模型对所述污水提升泵的电流数据以及出口流量数据在所述时间边界T_b内的平均值

进行异常判断，若所述电流平均值

大于所述电流值I_fmin，或者所述出口流量平均值

小于所述出口流量值Q_fmax，则判定所述污水提升泵运行异常。

7.根据权利要求6所述的异常识别方法，其特征在于，所述时间边界内的电流数据包括所述电流数据的实时采集数据项I_t1，所述时间边界内的出口流量数据包括所述出口流量数据的实时采集数据项Q_t1。

8.一种生活污水处理设施监控平台,包括若干污水处理站点和服务器，其特征在于，所述污水处理站点包括污水提升泵及备用污水提升泵，且设有数据采集装置、无线网络装置和控制装置；所述数据采集装置用于采集所述污水提升泵的工作参数数据，包括电流、出口流量等，该数据采集装置与所述无线网络装置连接，且借助该无线网络装置与所述服务器进行通信连接，将所述工作参数数据发送到所述服务器；所述控制装置与所述无线网络装置通信连接，且与所述污水提升泵及备用污水提升泵通信连接，用于控制污水提升泵；

所述服务器，以一定时间周期，通过权利要求1-7任意一项所述的生活污水处理设施异常识别方法对其收到的工作参数数据进行处理，以判断所述污水提升泵的运行状态，若该污水提升泵处于异常运行状态，则通过所述无线网络装置向所述控制装置发送控制指令，控制该污水提升泵停止运行，同时启用所述备用污水提升泵，向管理员发送异常告警。

Images