CN112863134B - 一种农村污水处理设施运行异常的智能诊断系统及方法 - Google Patents
一种农村污水处理设施运行异常的智能诊断系统及方法 Download PDFInfo
- Publication number
- CN112863134B CN112863134B CN202011625037.5A CN202011625037A CN112863134B CN 112863134 B CN112863134 B CN 112863134B CN 202011625037 A CN202011625037 A CN 202011625037A CN 112863134 B CN112863134 B CN 112863134B
- Authority
- CN
- China
- Prior art keywords
- data
- alarm
- information
- abnormal
- sewage treatment
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种农村污水处理设施运行异常的智能诊断系统及方法,该智能诊断系统包括数据采集模块、数据接收模块、数据存储模块和数据分析模块;数据分析模块包括异常检测单元、报警收敛单元和故障诊断单元;异常检测单元用于筛选异常数据信息,得到报警信息;报警收敛单元用于报警收敛,获得有效的报警事件信息;故障诊断单元用于设施异常运行模式分类,获得诊断结果。本发明通过异常检测单元、报警收敛单元、故障诊断单元实现了设施运行异常的智能诊断,能够全面、综合的监控和诊断设施运行情况,及时发现故障隐患,降低设施异常误报、漏报率,并减少维修事件的发生,提高了设施运行和运维工作效率,减少了人力成本。
Description
技术领域
本发明涉及污水处理技术领域,尤其涉及一种农村污水处理设施运行异常的智能诊断系统及方法。
背景技术
农村生活污水处理设施数量庞大、分布分散、规模小且技术模式多样,通常以定期巡检和维护的形式进行运行异常发现和故障排除。根据现场调研终端设施运行情况,发现动力设施运行状态不佳,普遍存在泵和风机等动力设备易损坏或断电,不能及时被发现;农村生活污水本身水量水质变化就很大,加上提升泵瞬时流量过大,造成冲击负荷和水力停留时间不足;厌氧-缺氧-好氧池中溶解氧条件控制不好,风机曝气不充足,导致硝化与脱氮效率低下;回流系统未控制等问题。
随着互联网、物联网技术的发展,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,现有的平台对设施的运行监控是独立的,没有形成系统的异常识别,会出现误报、漏报等现象,设施运行的稳定性和有效性难以保证。一方面人员投入大、专业运维人才缺乏,另一方面巡检效率低、漏检率高、故障对应滞后,导致设施运行的稳定性差,达标排放管理能力低。
如何基于实时监测数据进行大数据量的管理,智能识别处理设施运行异常以及故障诊断,挖掘实时监测数据背后的监管价值,并有效减少异常误报、漏报等现象,以便推动农村污水处理设施监管决策的落地实施,提高监管效率和降低成本,现有技术还没有提供系统的解决方案。
发明内容
本发明提供了一种农村污水处理设施运行异常的智能诊断系统及方法,该系统和方法能够实现农村污水处理设施运行异常的智能诊断,能够全面、综合的监控和诊断各农村污水处理设施在各运行环节中的运行情况,及时发现故障隐患,以便进行监控报警以及故障模式定位与处理,降低设施异常误报、漏报率,并减少维修事件的发生,提高设施运行和运维工作效率,减少人力成本。
具体技术方案如下:
本发明提供了一种农村污水处理设施运行异常的智能诊断系统,包括:数据采集模块、数据接收模块、数据存储模块和数据分析模块;
数据采集模块,用于采集待诊断的农村污水处理设施的数据信息;所述数据信息包括基础属性数据信息和监测业务数据信息;
数据接收模块,用于接收数据采集模块获取的数据信息,并传输至数据存储模块中;
数据存储模块,用于存储数据接收模块所接收的数据信息;
数据分析模块,包括:异常检测单元、报警收敛单元和故障诊断单元;
异常检测单元,用于筛选含有异常监测业务数据的异常数据信息,并将每一组异常数据信息作为一条报警信息,输出至报警收敛单元;
报警收敛单元,用于存储异常检测单元输出的报警信息,并对报警信息进行报警收敛,获得有效的报警事件以及相对应的数据信息,将报警事件信息输出至故障诊断单元;
故障诊断单元,用于接收报警事件信息,并对报警事件信息进行设施异常运行模式分类,获得该报警事件相对应的设施异常运行模式,即为诊断结果。
本发明所述的待诊断的农村生活污水处理设施可以指某一具体的农村污水处理设施,也可以指某一区域内的所有或部分农村污水处理设施;上述智能诊断系统既可以是间断性的检测和诊断,也可以是实时的检测和诊断。
上文所述的设施异常运行模式是指设施的水量负荷异常运行模式或者设施的进水浓度负荷异常运行模式;其中,水量负荷异常运行模式是指农村污水处理设施处于进水水量发生异常的运行模式中,可以是进水水量数据过高或进水水量数据过低两种异常情况;进水浓度负荷异常运行模式是指农村污水处理设施处于各进水水质监测指标浓度异常的运行模式中,可以是水质监测指标中的一个或多个指标的数据过高或过低等多种异常情况。
本发明之所以将报警事件归结为上述两种异常运行模式,是因为:农村污水处理设施本身具有农村污水水量和水质变化大,设施处理规模小以及处理工艺类型多样的特点,其出现异常的种类非常多,例如:水量异常、水质异常、设备异常、仪表异常等等,但是上述异常最终都会在水量负荷或者进水浓度负荷的异常运行模式中体现出来。所以,每类报警事件总能归结到其中一种异常运行模式中;而在本领域中上述异常运行模式均存在常规的处理手段,供本领域技术人员处理。采用本发明诊断系统获得结果是各报警事件属于水量负荷异常运行模式或者进水浓度负荷异常运行模式中的哪一种,而本领域对于这两种异常的设施运行模式已有普遍认可的处理方式,根据诊断结果,可以与现有的常规控制策略进行匹配,进而指导农村生活污水处理设施的调控。
数据接收模块可以同时接收大量的实时监测业务数据,并交由数据存储模块进行存储,该数据接收模块运行于服务器端,服务器端通过数据接收模块接收数据后,利用数据存储模块根据时间戳分布式进行存储,接收到的实时监测业务数据组成实时监测业务数据库,同时将数据写入Kafka消息队列系统。
进一步地,所述数据存储模块由三个数据库组成,分别为时序数据库InfluxDB,关系型数据库PostgreSQL和No-SQL数据库Redis;
时序数据库InfluxDB,用于存储有time列时间戳的时序型监测数据;
关系型数据库PostgreSQL,用于存储有逻辑分类的关系类型数据;
No-SQL数据库Redis,用于存储需要支持大数据量读取的缓存类型数据。
进一步地,所述基础属性数据信息包括:农村污水处理设施的行政区域、设施编号、设施名称、处理规模、处理工艺、设施结构参数和设施设备型号参数;
所述行政区域包括农村污水处理设施所属的省、市、区/县、镇、村的名称;所述处理规模为农村污水处理设施的日处理水量;所述处理工艺为农村污水处理设施的工艺类型;所述设施结构参数为设施工艺单元的类型信息、工艺单元深度、工艺单元横截面积信息;所述设施设备参数为各设备型号参数、通讯参数和控制参数;
所述监测业务数据信息包括:监测时间、水质数据、水量数据、工艺运行状态数据、设备运行数据、运行能耗数据;
所述水质数据包括:进水和出水的水质监测指标数据;水质监测指标为pH值、化学需氧量、悬浮物、氨氮、总磷、粪大肠菌群、总氮、动植物油、电导率和浊度中的一种或多种;
所述工艺运行状态数据包括:工艺单元的运行状态监测指标数据;运行状态监测指标为液位、温度、溶解氧、氧化还原电位、污泥浓度中的一种或多种。
所述设备运行数据包括:工作泵的当前状态和远控状态,应急泵的当前状态和远控状态,风机的当前状态和远控状态;
所述运行能耗数据包括:泵和风机的电流、功率、电能。
上述数据信息中,基础属性数据信息仅需采集一次即可,若处理设施做处理工艺和处理水量的变动,则需重新采集;监测业务数据信息可以是间歇性的数据采集模式,也可以是实时的数据采集模式。
进一步地,异常检测单元中,报警信息的获取方法为:
1)采集待监测农村污水处理设施的数据信息,该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
2)将步骤1)的数据信息输入至异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
3)以每个异常向量矩阵中的每一个向量作为一条报警信息;
所述异常判别模型的构建方法,包括:
(A)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;
(B)预先设定各个监测业务数据出现异常的理论数值区间,根据理论数值区间,从步骤(A)的数据信息中初步筛选出含有异常监测业务数据的异常向量;
(C)以每一个监测业务指标作为基准,对步骤(B)获得的异常向量进行模糊聚类分析,获得每个监测业务指标所对应的聚类结果;
(D)将步骤(B)获得的异常向量和步骤(C)获得的每个监测业务指标所对应的聚类结果作为训练集,输入至判别模型中进行训练,得到针对不同监测业务指标进行数据异常判断的异常判别模型。
进一步地,步骤(B)中,所述理论数值区间的确定方法为以下(i)和(ii)中的任意一种;
(i)恒定的理论数值区间:获取待诊断农村污水处理设施所处区域内的所有农村污水处理设施的历史监测业务数据,利用统计分析方法,获得恒定的理论数值区间;
(ii)动态的理论数值区间:获取待诊断农村污水处理设施所处区域内的所有农村污水处理设施的历史监测业务数据,使用均值漂移模型对历史监测业务数据在时间序列上进行分段检验,寻找均值漂移点,得到对应监测业务指标的动态的理论数值区间。
上文所述的统计分析方法包括常规的数据统计(比如分钟频率的数据,先按照时间维度统计分析成按时、按月、按季度、按年的平均值或者累计值(一般液位数据都是按分钟频率即实时分析;水质数据是平均值;水量数据、设备运行时长、设备启停次数、设施用电量是累计值),假设正态分布和3Sigma策略等。在使用均值漂移模型的过程中,若出现周期性变化或持续单调变化的情况,则需要反复迭代均值漂移模型,直到寻找到均值漂移点。
上文所述的异常判别模型能够针对数据信息中每个监测业务指标进行判别,为了便于分析和理解,可以分成几个模块,例如:水量异常判别模块、水质异常判别模块、设备异常判别模块、仪表异常判别模块、效果异常判别模块、其它异常判别模块等。
其中,水量异常判别模块中判断的异常指标为:水量负荷、水量波动幅度和瞬时水量等;主要判断:水量是否超负荷,水量是否低负荷,水量波动幅度是否过大,瞬时水量是否偏大或偏小。
水质异常判别模块中判断的异常指标为:水质浓度;主要判断:进水浓度是否异常高或者异常低,出水浓度是否超标等。
设备异常判别模块中判断的异常指标为:风机运行状态、风机启停行为、提升泵运行状态、提升泵启停行为等;主要判断:主风机/副风机是否无法远程开启,主副风机是否同时运行,主/副风机开启时电流值是否过大或过小,主/副风机是否故障,主/副风机开启是否过于频繁,主/副风机是否持续开启或持续未开启,主/副提升泵是否无法远程开启,主/副提升泵是否同时运行,主/副提升泵开启时电流值是否过大或过小,主/副提升泵是否故障,主/副提升泵开启是否过于频繁,主/副提升泵是否持续开启或持续未开启,主/副风机是否处于开启状态但运行电流却为零,主/副风机是否处于关闭状态但运行电流却不为零,主/副提升泵是否处于开启状态但运行电流却为零,主/副提升泵是否处于关闭状态但运行电流却不为零,浮球是否处于高水位但提升未开启,浮球是否处于低水位但提升泵开启,提升泵是否未开启但流量计示数有变化等。
效果异常判别模块中判断的异常指标为:设施运行状况、设施出水状况和设施能耗状况等;主要判断:设施是否无效运行,设施是否出水超标,设施能耗是否显著升高(如日用电量超标等)等。
仪表异常判别模块中判断的异常指标为:终端断电情况、电量计通讯异常情况、液位计异常情况、浮球异常情况、流量计异常情况、摄像头异常情况和信号异常情况等;主要判断:设施的终端是否发生断电,是否获取不到电量计数据,液位计液位是否长时间无变化,液位是否超限,液位传感器是否通信异常,浮球高低液位是否长时间无变化,流量计是否长时间无变化,流量计是否通信异常,摄像头抓取图像是否异常,终端信号是否极弱或偏弱等。
其它异常判别模块中判断的异常指标为:示范设备数据读取情况、示范设备运行异常情况、门禁异常情况、终端漏电流超限情况、就地控制上报情况等;主要判断:是否读取不到设备(水质设备、水量设备、运行状态设备等)的运行数据,示范设备运行是否异常,门禁是否异常,终端漏电流是否超限,现场站点是否处于就地控制模式等。
数据分析模块分别采用两种算法进行数据信息的识别和分析,一是,定时分析算法,采用APScheduler框架,可以自定义分析时间,利用当前采集的监测业务数据信息进行效验。二是,实时分析算法,该算法采用Kapacitor框架,可以是NFA算法,即结合分布式流处理引擎技术的复杂事件处理能力算法,NFA由点和边组成的一个状态图,以农村污水处理设施运行监测业务指标的一个初始状态作为起点,经过一系列的中间状态,达到终态。点分为起始状态、中间状态、最终状态三种,边分为take、ignore、proceed三种;
take:必须存在一个条件判断,当采集的污水处理设施运行监测业务指标的流数据满足take边条件判断时,把这个流数据放入结果集,将状态转移到下一状态;
ignore:当运行监测业务指标的流数据到来时,可以忽略这个流数据,将状态自旋在当前不变,是一个自己到自己的状态转移;
proceed:又叫做状态的空转移,当前状态可以不依赖于运行监测业务指标的流数据到来而直接转移到下一状态;根据流数据在各个中间状态间流转,如果流转到终态,则事件检测。
由于判别模型是基于每一个监测业务数据进行的判断,一条数据信息中有可能出现多个异常的监测业务数据,所以该条数据信息通过判别模型后获得的报警信息会是采集时数据信息量的N倍,N=该条数据信息中异常的监测业务数据的数量。这就造成从异常检测单元输出的数据信息将成倍增长,不利于后期故障诊断单元的诊断。所以,需要通过报警收敛单元进行数据的收敛,以降低信息量。
进一步地,所述报警收敛单元包括:存储单元和收敛分析单元;
存储单元,用于将所有异常检测单元获得的报警信息存入缓存的Redis数据库中,以及用于将收敛分析模块获得的报警事件信息存入分析结果数据库中进行历史查询和实时展示;
收敛分析单元,用于调取Redis数据库中的数据,并根据预先设定的报警收敛方法进行收敛分析,将报警信息进行合并或舍弃,得到有效的报警事件信息。
本发明基于上述异常判别模型能够判断农村污水处理设施是否正常运行,如出现异常状态,则需要制定报警规则进行进一步地业务计算(比如指标M1异常,但报警组合规则是M1和M2同时异常才报警;还有指标M1异常,但报警规则是M1异常持续多长时间才报警,这种异常如果不符合报警规则就会被过滤掉,符合报警规则的保留下来作为报警事件,根据不同的异常类型可以分为各类报警事件集,并存入分析结果数据库中,以便进行历史查询和实时展示。
上文所述的收敛规则或方法:一般是当某些报警频繁地且同时出现时,考虑为同一个报警;再比如,按照报警收敛规则,一个监控项的第1次,第2次,第10次,第50次连续报警值得关注,可以设置收敛表达式为1,2,10,50,那么在报警通知生成时对于第3,4,…,9,11,12,…,49次报警可以忽略,这个规则可以按需要达到自动收敛。采用关联分析技术,对相关的报警进行一次报警,不再进行单独报警;也可以在同一监控项的多个设施同时发生异常报警的情况下,按规则合并成一条报警,即将类似性质的报警分类为单个通知;当报警发出后,停止重复发送由此报警引发的其他报警;另外,对于一些离散的报警是否每个设施每次都报警,需要对系统干扰有一定的忍耐度,解决系统误报的问题。这些规则可以按具体情况去实现,最终的目的是以最简洁的方式暴露最值得关注的报警。
进一步优选,收敛分析单元采用的收敛方法为以下(I)和(II)中的一种或两种;
(I)在某一监测时间点上,若同一个农村污水处理设施存在多个监测业务数据异常的报警信息,则将该多条报警信息进行合并,收敛为一条报警事件信息;
(II)在某一监测业务指标上,若同一个农村污水处理设施存在多个连续时间点的报警信息,则计算该多条报警信息中各监测业务数据的平均值,收敛为一条报警事件信息。
在获取报警事件及其对应的数据信息后,需要对报警事件进行诊断。进一步地,故障诊断单元中,将待分类的报警事件信息输入至模式分类器中,诊断该报警事件属于水量负荷异常运行模式或进水浓度负荷异常运行模式中的哪一种,即为诊断结果;
所述模式分类器的构建方法,包括:
(a)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;
(b)利用异常检测单元中的报警信息获取方法,获得区域内的所有报警信息;
(c)对步骤(b)的所有报警信息进行报警收敛,得到区域内的所有报警事件信息;
(d)计算步骤(c)获得的每条报警事件信息所对应的水量负荷和进水浓度负荷,得到报警事件的完整数据信息,以水量负荷或进水浓度负荷为分类标准,对报警事件的完整数据信息进行模糊聚类分析,得到基于水量负荷异常运行模式分类的若干类报警事件或基于进水浓度负荷异常运行模式分类的若干类报警事件;
(e)对步骤(d)获得的每一类报警事件的监测业务数据进行主分量分析,从中找到一个或多个最能代表该类报警事件的特征监测业务指标;
(f)将特征监测业务指标对应的数据信息和聚类结果作为训练集,输入至分类模型中,构建得到能够判断各报警事件所属异常运行模式的模式分类器。
运维人员根据上述智能诊断系统所获得的诊断结果,可以针对性的采取相应的运维策略,从而快速解决相应农村污水处理设施的故障。
水量负荷可以通过水量数据和设施结构参数计算获得;进水浓度负荷可以通过水质数据和设施结构参数计算获得。
本发明还提供了一种农村污水处理设施运行异常进行智能诊断的方法,包括以下步骤:
(1)构建异常判别模型:
(1-1)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
(1-2)预先设定各个监测业务数据出现异常的理论数值区间,根据理论数值区间,从步骤(1-1)的数据信息中初步筛选出含有异常监测业务数据的异常向量;
(1-3)以每一个监测业务指标作为基准,对步骤(1-2)获得的异常向量进行模糊聚类分析,获得每个监测业务指标所对应的聚类结果;
(1-4)将步骤(1-2)获得的异常向量和步骤(1-3)获得的每个监测业务指标所对应的聚类结果作为训练集,输入至判别模型中进行训练,得到针对不同监测业务指标进行数据异常判断的异常判别模型;
(2)构建模式分类器:
(2-1)将步骤(1-1)采集的数据信息输入至步骤(1)获得的异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
(2-2)以每个异常向量矩阵中的每一个向量作为一条报警信息,获得区域内的所有报警信息;
(2-3)对步骤(2-2)的所有报警信息进行报警收敛,得到区域内的所有报警事件信息;
(2-4)计算步骤(2-3)获得的每条报警事件信息所对应的水量负荷和进水浓度负荷,得到报警事件的完整数据信息,以水量负荷或进水浓度负荷为分类标准,对报警事件的完整数据信息进行模糊聚类分析,得到基于水量负荷异常运行模式分类的若干类报警事件或基于进水浓度负荷异常运行模式分类的若干类报警事件;
(2-5)对步骤(2-4)获得的每一类报警事件的监测业务数据进行主分量分析,从中找到一个或多个最能代表该类报警事件的特征监测业务指标;
(2-6)将特征监测业务指标对应的数据信息和聚类结果作为训练集,输入至分类模型中,构建得到能够判断各报警事件所属异常运行模式的模式分类器;
(3)采集待监测农村污水处理设施的数据信息,该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
(4)将步骤(3)的数据信息输入至异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
(5)以每个异常向量矩阵中的每一个向量作为一条报警信息,获得待测农村污水处理设施的所有报警信息;
(6)对步骤(5)的所有报警信息进行报警收敛,得到待测农村污水处理设施的所有报警事件信息;
(7)将步骤(6)的报警事件信息输入至模式分类器中,诊断该报警事件属于水量负荷异常运行模式或进水浓度负荷异常运行模式中的哪一种
所述基础属性数据信息包括:农村污水处理设施的行政区域、设施编号、设施名称、处理规模、处理工艺、设施结构参数和设施设备参数;
所述行政区域包括农村污水处理设施所属的省、市、区/县、镇、村的名称;所述处理规模为农村污水处理设施的日处理水量;所述处理工艺为农村污水处理设施的工艺类型;所述设施结构参数为设施工艺单元的类型信息、工艺单元深度、工艺单元横截面积信息;所述设施设备参数为各设备型号参数、通讯参数和控制参数;
所述监测业务数据信息包括:监测时间、水质数据、水量数据、工艺运行状态数据、设备运行数据、运行能耗数据;
所述水质数据包括:进水和出水的水质监测指标数据;水质监测指标为pH值、化学需氧量、悬浮物、氨氮、总磷、粪大肠菌群、总氮、动植物油、电导率和浊度中的一种或多种;
所述工艺运行状态数据包括:工艺单元的运行状态监测指标数据;运行状态监测指标为液位、温度、溶解氧、氧化还原电位、污泥浓度中的一种或多种。
所述设备运行数据包括:工作泵的当前状态和远控状态,应急泵的当前状态和远控状态,风机的当前状态和远控状态;
所述运行能耗数据包括:泵和风机的电流、功率、电能;
步骤(6)中,所述报警收敛的方法为以下(I)和(II)中的一种或两种;
(I)在某一监测时间点上,若同一个农村污水处理设施存在多个监测业务数据异常的报警信息,则将该多条报警信息进行合并,收敛为一条报警事件信息;
(II)在某一监测业务指标上,若同一个农村污水处理设施存在多个连续时间点的报警信息,则计算该多条报警信息中各监测业务数据的平均值,收敛为一条报警事件信息。
与现有技术相比,本发明具有以下有益效果:
本发明通过异常检测单元、报警收敛单元、故障诊断单元实现了农村污水处理设施运行异常的智能诊断,能够全面、综合的监控和诊断各农村污水处理设施在各运行环节中的运行情况,及时发现故障隐患,以便进行监控报警以及故障模式定位与处理,降低设施异常误报、漏报率,并减少维修事件的发生,提高了设施运行和运维工作效率,减少了人力成本。
附图说明
图1为实施例1中农村污水处理设施的智能诊断系统的框架图。
具体实施方式
下面结合具体实施例对本发明作进一步描述,以下列举的仅是本发明的具体实施例,但本发明的保护范围不仅限于此。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
实施例1
一种农村污水处理设施运行异常的智能诊断系统,由数据采集模块、数据接收模块、数据存储模块和数据分析模块组成。
数据采集模块,用于采集待诊断的农村污水处理设施的数据信息;所述数据信息包括基础属性数据信息和监测业务数据信息;
基础属性数据信息包括:农村污水处理设施的行政区域、设施编号、设施名称、处理规模、处理工艺、设施结构参数和设施设备型号参数;
行政区域包括农村污水处理设施所属的省、市、区/县、镇、村的名称;所述处理规模为农村污水处理设施的日处理水量;处理工艺为农村污水处理设施的工艺类型;所述设施结构参数为设施工艺单元的类型信息、工艺单元深度、工艺单元横截面积信息;所述设施设备参数为各设备型号参数、通讯参数和控制参数;
监测业务数据信息包括:监测时间、水质数据、水量数据、工艺运行状态数据、设备运行数据、运行能耗数据;
水质数据包括:进水和出水的水质监测指标数据;水质监测指标为pH值、化学需氧量、悬浮物、氨氮、总磷、粪大肠菌群、总氮、动植物油、电导率和浊度中的一种或多种;
工艺运行状态数据包括:工艺单元的运行状态监测指标数据;运行状态监测指标为液位、温度、溶解氧、氧化还原电位、污泥浓度中的一种或多种。
设备运行数据包括:工作泵的当前状态和远控状态,应急泵的当前状态和远控状态,风机的当前状态和远控状态;
运行能耗数据包括:泵和风机的电流、功率、电能。
上述数据信息中,基础属性数据信息仅需采集一次即可,若处理设施作处理工艺和处理水量的变动,则需重新采集;监测业务数据信息可以是间歇性的数据采集模式,也可以是实时的数据采集模式。
数据接收模块,用于接收数据采集模块获取的数据信息,并传输至数据存储模块中;
数据接收模块可以同时接收大量的实时监测业务数据,并交由数据存储模块进行存储,该数据接收模块运行于服务器端,服务器端通过数据接收模块接收数据后,利用数据存储模块根据时间戳分布式进行存储,接收到的实时监测业务数据组成实时监测业务数据库,同时将数据写入Kafka消息队列系统。
数据存储模块,用于存储数据接收模块所接收的数据信息;
所述数据存储模块由三个数据库组成,分别为时序数据库InfluxDB,关系型数据库PostgreSQL和No-SQL数据库Redis;
时序数据库InfluxDB,用于存储有time列时间戳的时序型监测数据;
关系型数据库PostgreSQL,用于存储有逻辑分类的关系类型数据;
No-SQL数据库Redis,用于存储需要支持大数据量读取的缓存类型数据。
数据分析模块,由异常检测单元、报警收敛单元和故障诊断单元组成;
数据分析模块分别采用两种算法进行数据信息的识别和分析,一是,定时分析算法,采用APScheduler框架,可以自定义分析时间,利用当前采集的监测业务数据信息进行效验。二是,实时分析算法,该算法采用Kapacitor框架,可以是NFA算法,即结合分布式流处理引擎技术的复杂事件处理能力算法,NFA由点和边组成的一个状态图,以农村污水处理设施运行监测业务指标的一个初始状态作为起点,经过一系列的中间状态,达到终态。点分为起始状态、中间状态、最终状态三种,边分为take、ignore、proceed三种;
take:必须存在一个条件判断,当采集的污水处理设施运行监测业务指标的流数据满足take边条件判断时,把这个流数据放入结果集,将状态转移到下一状态;
ignore:当运行监测业务指标的流数据到来时,可以忽略这个流数据,将状态自旋在当前不变,是一个自己到自己的状态转移;
proceed:又叫做状态的空转移,当前状态可以不依赖于运行监测业务指标的流数据到来而直接转移到下一状态;根据流数据在各个中间状态间流转,如果流转到终态,则事件检测。
异常检测单元,用于筛选含有异常监测业务数据的异常数据信息,并将每一组异常数据信息作为一条报警信息,输出至报警收敛单元;
异常检测单元中,报警信息的获取方法为:
1)采集待监测农村污水处理设施的数据信息,该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
2)将步骤1)的数据信息输入至异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
3)以每个异常向量矩阵中的每一个向量作为一条报警信息;
所述异常判别模型的构建方法,包括:
(A)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;
(B)预先设定各个监测业务数据出现异常的理论数值区间,根据理论数值区间,从步骤(A)的数据信息中初步筛选出含有异常监测业务数据的异常向量;
(C)以每一个监测业务指标作为基准,对步骤(B)获得的异常向量进行模糊聚类分析,获得每个监测业务指标所对应的聚类结果;
(D)将步骤(B)获得的异常向量和步骤(C)获得的每个监测业务指标所对应的聚类结果作为训练集,输入至判别模型中进行训练,得到针对不同监测业务指标进行数据异常判断的异常判别模型。
步骤(B)中,所述理论数值区间的确定方法为以下(i)和(ii)中的任意一种;
(i)恒定的理论数值区间:获取待诊断农村污水处理设施所处区域内的所有农村污水处理设施的历史监测业务数据,利用统计分析方法,获得恒定的理论数值区间;
(ii)动态的理论数值区间:获取待诊断农村污水处理设施所处区域内的所有农村污水处理设施的历史监测业务数据,使用均值漂移模型对历史监测业务数据在时间序列上进行分段检验,寻找均值漂移点,得到对应监测业务指标的动态的理论数值区间。
上文所述的统计分析方法包括常规的数据统计(比如分钟频率的数据,先按照时间维度统计分析成按时、按月、按季度、按年的平均值或者累计值(一般液位数据都是按分钟频率即实时分析;水质数据是平均值;水量数据、设备运行时长、设备启停次数、设施用电量是累计值),假设正态分布和3Sigma策略等。在使用均值漂移模型的过程中,若出现周期性变化或持续单调变化的情况,则需要反复迭代均值漂移模型,直到寻找到均值漂移点。
上文所述的异常判别模型能够针对数据信息中每个监测业务指标进行判别,为了便于分析和理解,可以分成几个模块,例如:水量异常判别模块、水质异常判别模块、设备异常判别模块、仪表异常判别模块、效果异常判别模块、其它异常判别模块等。
其中,水量异常判别模块中判断的异常指标为:水量负荷、水量波动幅度和瞬时水量等;主要判断:水量是否超负荷,水量是否低负荷,水量波动幅度是否过大,瞬时水量是否偏大或偏小。
水质异常判别模块中判断的异常指标为:水质浓度;主要判断:进水浓度是否异常高或者异常低,出水浓度是否超标等。
设备异常判别模块中判断的异常指标为:风机运行状态、风机启停行为、提升泵运行状态、提升泵启停行为等;主要判断:主风机/副风机是否无法远程开启,主副风机是否同时运行,主/副风机开启时电流值是否过大或过小,主/副风机是否故障,主/副风机开启是否过于频繁,主/副风机是否持续开启或持续未开启,主/副提升泵是否无法远程开启,主/副提升泵是否同时运行,主/副提升泵开启时电流值是否过大或过小,主/副提升泵是否故障,主/副提升泵开启是否过于频繁,主/副提升泵是否持续开启或持续未开启,主/副风机是否处于开启状态但运行电流却为零,主/副风机是否处于关闭状态但运行电流却不为零,主/副提升泵是否处于开启状态但运行电流却为零,主/副提升泵是否处于关闭状态但运行电流却不为零,浮球是否处于高水位但提升未开启,浮球是否处于低水位但提升泵开启,提升泵是否未开启但流量计示数有变化等。
效果异常判别模块中判断的异常指标为:设施运行状况、设施出水状况和设施能耗状况等;主要判断:设施是否无效运行,设施是否出水超标,设施能耗是否显著升高(如日用电量超标等)等。
仪表异常判别模块中判断的异常指标为:终端断电情况、电量计通讯异常情况、液位计异常情况、浮球异常情况、流量计异常情况、摄像头异常情况和信号异常情况等;主要判断:设施的终端是否发生断电,是否获取不到电量计数据,液位计液位是否长时间无变化,液位是否超限,液位传感器是否通信异常,浮球高低液位是否长时间无变化,流量计是否长时间无变化,流量计是否通信异常,摄像头抓取图像是否异常,终端信号是否极弱或偏弱等。
其它异常判别模块中判断的异常指标为:设备数据读取情况、设备运行异常情况、门禁异常情况、终端漏电流超限情况、就地控制上报情况等;主要判断:是否读取不到设备(水质设备、水量设备、运行状态设备等)的运行数据,设备运行是否异常,门禁是否异常,终端漏电流是否超限,现场站点是否处于就地控制模式等。
由于判别模型是基于每一个监测业务数据进行的判断,一条数据信息中有可能出现多个异常的监测业务数据,所以该条数据信息通过判别模型后获得的报警信息会是采集时数据信息量的N倍,N=该条数据信息中异常的监测业务数据的数量。这就造成从异常检测单元输出的数据信息将成倍增长,不利于后期故障诊断单元的诊断。所以,需要通过报警收敛单元进行数据的收敛,以降低信息量。
报警收敛单元,用于存储异常检测单元输出的报警信息,并对报警信息进行报警收敛,获得有效的报警事件以及相对应的数据信息,将报警事件信息输出至故障诊断单元;
所述报警收敛单元包括:存储单元和收敛分析单元;
存储单元,用于将所有异常检测单元获得的报警信息存入缓存的Redis数据库中,以及用于将收敛分析模块获得的报警事件信息存入分析结果数据库中进行历史查询和实时展示;
收敛分析单元,用于调取Redis数据库中的数据,并根据预先设定的报警收敛方法进行收敛分析,将报警信息进行合并或舍弃,得到有效的报警事件信息。
本发明基于上述异常判别模型能够判断农村污水处理设施是否正常运行,如出现异常状态,则需要制定报警规则进行进一步地业务计算(比如指标M1异常,但报警组合规则是M1和M2同时异常才报警;还有指标M1异常,但报警规则是M1异常持续多长时间才报警,这种异常如果不符合报警规则就会被过滤掉,符合报警规则的保留下来作为报警事件,根据不同的异常类型可以分为各类报警事件集,并存入分析结果数据库中,以便进行历史查询和实时展示。
上文所述的收敛规则或方法:一般是当某些报警频繁地且同时出现时,考虑为同一个报警;再比如,按照报警收敛规则,一个监控项的第1次,第2次,第10次,第50次连续报警值得关注,可以设置收敛表达式为1,2,10,50,那么在报警通知生成时对于第3,4,…,9,11,12,…,49次报警可以忽略,这个规则可以按需要达到自动收敛。采用关联分析技术,对相关的报警进行一次报警,不再进行单独报警;也可以在同一监控项的多个设施同时发生异常报警的情况下,按规则合并成一条报警,即将类似性质的报警分类为单个通知;当报警发出后,停止重复发送由此报警引发的其他报警;另外,对于一些离散的报警是否每个设施每次都报警,需要对系统干扰有一定的忍耐度,解决系统误报的问题。这些规则可以按具体情况去实现,最终的目的是以最简洁的方式暴露最值得关注的报警。
具体的,收敛分析单元采用的收敛方法为以下(I)和(II)中的一种或两种;
(I)在某一监测时间点上,若同一个农村污水处理设施存在多个监测业务数据异常的报警信息,则将该多条报警信息进行合并,收敛为一条报警事件信息;
(II)在某一监测业务指标上,若同一个农村污水处理设施存在多个连续时间点的报警信息,则计算该多条报警信息中各监测业务数据的平均值,收敛为一条报警事件信息。
故障诊断单元,用于接收报警事件信息,并对报警事件信息进行设施异常运行模式分类,获得该报警事件相对应的设施异常运行模式,即为诊断结果。
在获取报警事件及其对应的数据信息后,需要对报警事件进行诊断。
故障诊断单元中,将待分类的报警事件信息输入至模式分类器中,诊断该报警事件属于水量负荷异常运行模式或进水浓度负荷异常运行模式中的哪一种,即为诊断结果;
所述模式分类器的构建方法,包括:
(a)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;
(b)利用异常检测单元中的报警信息获取方法,获得区域内的所有报警信息;
(c)对步骤(b)的所有报警信息进行报警收敛,得到区域内的所有报警事件信息;
(d)计算步骤(c)获得的每条报警事件信息所对应的水量负荷和进水浓度负荷,得到报警事件的完整数据信息,以水量负荷或进水浓度负荷为分类标准,对报警事件的完整数据信息进行模糊聚类分析,得到基于水量负荷异常运行模式分类的若干类报警事件或基于进水浓度负荷异常运行模式分类的若干类报警事件;
(e)对步骤(d)获得的每一类报警事件的监测业务数据进行主分量分析,从中找到一个或多个最能代表该类报警事件的特征监测业务指标;
(f)将特征监测业务指标对应的数据信息和聚类结果作为训练集,输入至分类模型中,构建得到能够判断各报警事件所属异常运行模式的模式分类器。
运维人员根据上述智能诊断系统所获得的诊断结果,可以针对性的采取相应的运维策略,从而快速解决相应农村污水处理设施的故障。
水量负荷可以通过水量数据和设施结构参数计算获得;进水浓度负荷可以通过水质数据和设施结构参数计算获得。
本实施例还提供了一种农村污水处理设施运行异常进行智能诊断的方法,具体步骤如下:
(1)构建异常判别模型:
(1-1)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
基础属性数据信息包括:农村污水处理设施的行政区域、设施编号、设施名称、处理规模、处理工艺、设施结构参数和设施设备参数;
行政区域包括农村污水处理设施所属的省、市、区/县、镇、村的名称;所述处理规模为农村污水处理设施的日处理水量;所述处理工艺为农村污水处理设施的工艺类型;所述设施结构参数为设施工艺单元的类型信息、工艺单元深度、工艺单元横截面积信息;所述设施设备参数为各设备型号参数、通讯参数和控制参数;
监测业务数据信息包括:监测时间、水质数据、水量数据、工艺运行状态数据、设备运行数据、运行能耗数据;
水质数据包括:进水和出水的水质监测指标数据;水质监测指标为pH值、化学需氧量、悬浮物、氨氮、总磷、粪大肠菌群、总氮、动植物油、电导率和浊度中的一种或多种;
工艺运行状态数据包括:工艺单元的运行状态监测指标数据;运行状态监测指标为液位、温度、溶解氧、氧化还原电位、污泥浓度中的一种或多种。
设备运行数据包括:工作泵的当前状态和远控状态,应急泵的当前状态和远控状态,风机的当前状态和远控状态;
运行能耗数据包括:泵和风机的电流、功率、电能;
(1-2)预先设定各个监测业务数据出现异常的理论数值区间,根据理论数值区间,从步骤(1-1)的数据信息中初步筛选出含有异常监测业务数据的异常向量;
(1-3)以每一个监测业务指标作为基准,对步骤(1-2)获得的异常向量进行模糊聚类分析,获得每个监测业务指标所对应的聚类结果;
(1-4)将步骤(1-2)获得的异常向量和步骤(1-3)获得的每个监测业务指标所对应的聚类结果作为训练集,输入至判别模型中进行训练,得到针对不同监测业务指标进行数据异常判断的异常判别模型;
(2)构建模式分类器:
(2-1)将步骤(1-1)采集的数据信息输入至步骤(1)获得的异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
(2-2)以每个异常向量矩阵中的每一个向量作为一条报警信息,获得区域内的所有报警信息;
(2-3)对步骤(2-2)的所有报警信息进行报警收敛,得到区域内的所有报警事件信息;
报警收敛的方法为以下(I)和(II)中的一种或两种;
(I)在某一监测时间点上,若同一个农村污水处理设施存在多个监测业务数据异常的报警信息,则将该多条报警信息进行合并,收敛为一条报警事件信息;
(II)在某一监测业务指标上,若同一个农村污水处理设施存在多个连续时间点的报警信息,则计算该多条报警信息中各监测业务数据的平均值,收敛为一条报警事件信息。
(2-4)计算步骤(2-3)获得的每条报警事件信息所对应的水量负荷和进水浓度负荷,得到报警事件的完整数据信息,以水量负荷或进水浓度负荷为分类标准,对报警事件的完整数据信息进行模糊聚类分析,得到基于水量负荷异常运行模式分类的若干类报警事件或基于进水浓度负荷异常运行模式分类的若干类报警事件;
(2-5)对步骤(2-4)获得的每一类报警事件的监测业务数据进行主分量分析,从中找到一个或多个最能代表该类报警事件的特征监测业务指标;
(2-6)将特征监测业务指标对应的数据信息和聚类结果作为训练集,输入至分类模型中,构建得到能够判断各报警事件所属异常运行模式的模式分类器;
(3)采集待监测农村污水处理设施的数据信息,该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
(4)将步骤(3)的数据信息输入至异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
(5)以每个异常向量矩阵中的每一个向量作为一条报警信息,获得待测农村污水处理设施的所有报警信息;
(6)对步骤(5)的所有报警信息进行报警收敛,得到待测农村污水处理设施的所有报警事件信息;
报警收敛的方法为以下(I)和(II)中的一种或两种;
(I)在某一监测时间点上,若同一个农村污水处理设施存在多个监测业务数据异常的报警信息,则将该多条报警信息进行合并,收敛为一条报警事件信息;
(II)在某一监测业务指标上,若同一个农村污水处理设施存在多个连续时间点的报警信息,则计算该多条报警信息中各监测业务数据的平均值,收敛为一条报警事件信息;
(7)将步骤(6)的报警事件信息输入至模式分类器中,诊断该报警事件属于水量负荷异常运行模式或进水浓度负荷异常运行模式中的哪一种
本发明所述的待诊断的农村生活污水处理设施可以指某一具体的农村污水处理设施,也可以指某一区域内的所有或部分农村污水处理设施;上述智能诊断系统既可以是间断性的检测和诊断,也可以是实时的监测和诊断。
上文所述的设施异常运行模式是指设施的水量负荷异常运行模式或者设施的进水浓度负荷异常运行模式;其中,水量负荷异常运行模式是指农村污水处理设施处于进水水量发生异常的运行模式中,可以是进水水量过高或进水水量过低两种异常情况;进水浓度负荷异常运行模式是指农村污水处理设施处于各进水水质监测指标浓度异常的运行模式中,可以是水质监测指标中的一个或多个指标的数据过高或过低等多种异常情况。
本发明之所以将报警事件归结为上述两种异常运行模式,是因为:农村污水处理设施本身具有农村污水水量和水质变化大,设施处理规模小以及处理工艺类型多样的特点,其出现异常的种类非常多,例如:水量异常、水质异常、设备异常、仪表异常等等,但是上述异常最终都会在水量负荷或者进水浓度负荷的异常运行模式中体现出来。所以,每类报警事件总能归结到其中一种异常运行模式中;而在本领域中上述异常运行模式均存在常规的处理手段,供本领域技术人员处理。采用本发明诊断系统获得结果是各报警事件属于水量负荷异常运行模式或者进水浓度负荷异常运行模式中的哪一种,而本领域对于这两种异常的设施运行模式已有普遍认可的处理方式,根据诊断结果,可以与现有的常规控制策略进行匹配,进而指导农村生活污水处理设施的调控。
Claims (4)
1.一种农村污水处理设施运行异常的智能诊断系统,其特征在于,包括:数据采集模块、数据接收模块、数据存储模块和数据分析模块;
数据采集模块,用于采集待诊断的农村污水处理设施的数据信息;所述数据信息包括基础属性数据信息和监测业务数据信息;
所述基础属性数据信息包括:农村污水处理设施的行政区域、设施编号、设施名称、处理规模、处理工艺、设施结构参数和设施设备参数;
所述行政区域包括农村污水处理设施所属的省、市、区/县、镇、村的名称;所述处理规模为农村污水处理设施的日处理水量;所述处理工艺为农村污水处理设施的工艺类型;所述设施结构参数为设施工艺单元的类型信息、工艺单元深度、工艺单元横截面积信息;所述设施设备参数为各设备型号参数、通讯参数和控制参数;
所述监测业务数据信息包括:监测时间、水质数据、水量数据、工艺运行状态数据、设备运行数据、运行能耗数据;
所述水质数据包括:进水和出水的水质监测指标数据;水质监测指标为pH值、化学需氧量、悬浮物、氨氮、总磷、粪大肠菌群、总氮、动植物油、电导率和浊度中的一种或多种;
所述工艺运行状态数据包括:工艺单元的运行状态监测指标数据;运行状态监测指标为液位、温度、溶解氧、氧化还原电位、污泥浓度中的一种或多种;
所述设备运行数据包括:工作泵的当前状态和远控状态,应急泵的当前状态和远控状态,风机的当前状态和远控状态;
所述运行能耗数据包括:泵和风机的电流、功率、电能;
数据接收模块,用于接收数据采集模块获取的数据信息,并传输至数据存储模块中;
数据存储模块,用于存储数据接收模块所接收的数据信息;
数据分析模块,包括:异常检测单元、报警收敛单元和故障诊断单元;
异常检测单元中,报警信息的获取方法为:
1)采集待监测农村污水处理设施的数据信息,该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
2)将步骤1)的数据信息输入至异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
3)以每个异常向量矩阵中的每一个向量作为一条报警信息;
所述异常判别模型的构建方法,包括:
(A)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;
(B)预先设定各个监测业务数据出现异常的理论数值区间,根据理论数值区间,从步骤(A)的数据信息中初步筛选出含有异常监测业务数据的异常向量;
(C)以每一个监测业务指标作为基准,对步骤(B)获得的异常向量进行模糊聚类分析,获得每个监测业务指标所对应的聚类结果;
(D)将步骤(B)获得的异常向量和步骤(C)获得的每个监测业务指标所对应的聚类结果作为训练集,输入至判别模型中进行训练,得到针对不同监测业务指标进行数据异常判断的异常判别模型;
步骤(B)中,所述理论数值区间的确定方法为以下(i)和(ii)中的任意一种;
(i)恒定的理论数值区间:获取待诊断农村污水处理设施所处区域内的所有农村污水处理设施的历史监测业务数据,利用统计分析方法,获得恒定的理论数值区间;
(ii)动态的理论数值区间:获取待诊断农村污水处理设施所处区域内的所有农村污水处理设施的历史监测业务数据,使用均值漂移模型对历史监测业务数据在时间序列上进行分段检验,寻找均值漂移点,得到对应监测业务指标的动态的理论数值区间;
故障诊断单元中,将待分类的报警事件信息输入至模式分类器中,诊断该报警事件属于水量负荷异常运行模式或进水浓度负荷异常运行模式中的哪一种,即为诊断结果;
所述模式分类器的构建方法,包括:
(a)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;
(b)利用异常检测单元中的报警信息获取方法,获得区域内的所有报警信息;
(c)对步骤(b)的所有报警信息进行报警收敛,得到区域内的所有报警事件信息;
(d)计算步骤(c)获得的每条报警事件信息所对应的水量负荷和进水浓度负荷,得到报警事件的完整数据信息,以水量负荷或进水浓度负荷为分类标准,对报警事件的完整数据信息进行模糊聚类分析,得到基于水量负荷异常运行模式分类的若干类报警事件或基于进水浓度负荷异常运行模式分类的若干类报警事件;
(e)对步骤(d)获得的每一类报警事件的监测业务数据进行主分量分析,从中找到一个或多个最能代表该类报警事件的特征监测业务指标;
(f)将特征监测业务指标对应的数据信息和聚类结果作为训练集,输入至分类模型中,构建得到能够判断各报警事件所属异常运行模式的模式分类器;
异常检测单元,用于筛选含有异常监测业务数据的异常数据信息,并将每一组异常数据信息作为一条报警信息,输出至报警收敛单元;
报警收敛单元,用于存储异常检测单元输出的报警信息,并对报警信息进行报警收敛,获得有效的报警事件以及相对应的数据信息,将报警事件信息输出至故障诊断单元;
所述报警收敛单元包括:存储单元和收敛分析单元;
存储单元,用于将所有异常检测单元获得的报警信息存入缓存的Redis数据库中,以及用于将收敛分析模块获得的报警事件信息存入分析结果数据库中进行历史查询和实时展示;
收敛分析单元,用于调取Redis数据库中的数据,并根据预先设定的报警收敛方法进行收敛分析,将报警信息进行合并或舍弃,得到有效的报警事件信息;
故障诊断单元,用于接收报警事件信息,并对报警事件信息进行设施异常运行模式分类,获得该报警事件相对应的设施异常运行模式,即为诊断结果。
2.如权利要求1所述的农村污水处理设施运行异常的智能诊断系统,其特征在于,所述数据存储模块由三个数据库组成,分别为时序数据库InfluxDB,关系型数据库PostgreSQL和No-SQL数据库Redis;
时序数据库InfluxDB,用于存储有time列时间戳的时序型监测数据;
关系型数据库PostgreSQL,用于存储有逻辑分类的关系类型数据;
No-SQL数据库Redis,用于存储需要支持大数据量读取的缓存类型数据。
3.一种农村污水处理设施运行异常进行智能诊断的方法,其特征在于,包括以下步骤:
(1)构建异常判别模型:
(1-1)采集待监测农村污水处理设施所对应的区域内所有农村污水处理设施的数据信息;该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
(1-2)预先设定各个监测业务数据出现异常的理论数值区间,根据理论数值区间,从步骤(1-1)的数据信息中初步筛选出含有异常监测业务数据的异常向量;
(1-3)以每一个监测业务指标作为基准,对步骤(1-2)获得的异常向量进行模糊聚类分析,获得每个监测业务指标所对应的聚类结果;
(1-4)将步骤(1-2)获得的异常向量和步骤(1-3)获得的每个监测业务指标所对应的聚类结果作为训练集,输入至判别模型中进行训练,得到针对不同监测业务指标进行数据异常判断的异常判别模型;
(2)构建模式分类器:
(2-1)将步骤(1-1)采集的数据信息输入至步骤(1)获得的异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
(2-2)以每个异常向量矩阵中的每一个向量作为一条报警信息,获得区域内的所有报警信息;
(2-3)对步骤(2-2)的所有报警信息进行报警收敛,得到区域内的所有报警事件信息;
(2-4)计算步骤(2-3)获得的每条报警事件信息所对应的水量负荷和进水浓度负荷,得到报警事件的完整数据信息,以水量负荷或进水浓度负荷为分类标准,对报警事件的完整数据信息进行模糊聚类分析,得到基于水量负荷异常运行模式分类的若干类报警事件或基于进水浓度负荷异常运行模式分类的若干类报警事件;
(2-5)对步骤(2-4)获得的每一类报警事件的监测业务数据进行主分量分析,从中找到一个或多个最能代表该类报警事件的特征监测业务指标;
(2-6)将特征监测业务指标对应的数据信息和聚类结果作为训练集,输入至分类模型中,构建得到能够判断各报警事件所属异常运行模式的模式分类器;
(3)采集待监测农村污水处理设施的数据信息,该数据信息是以每个农村污水处理设施在每一监测时间点上所采集的所有数据作为向量构成的向量矩阵;
(4)将步骤(3)的数据信息输入至异常判别模型中,针对不同的监测业务指标进行判别,筛选获得基于不同监测业务指标的多个异常向量矩阵;
(5)以每个异常向量矩阵中的每一个向量作为一条报警信息,获得待测农村污水处理设施的所有报警信息;
(6)对步骤(5)的所有报警信息进行报警收敛,得到待测农村污水处理设施的所有报警事件信息;
(7)将步骤(6)的报警事件信息输入至模式分类器中,诊断该报警事件属于水量负荷异常运行模式或进水浓度负荷异常运行模式中的哪一种。
4.如权利要求3所述的农村污水处理设施运行异常进行智能诊断的方法,其特征在于,所述数据信息包括基础属性数据信息和监测业务数据信息;
所述基础属性数据信息包括:农村污水处理设施的行政区域、设施编号、设施名称、处理规模、处理工艺、设施结构参数和设施设备参数;
所述行政区域包括农村污水处理设施所属的省、市、区/县、镇、村的名称;所述处理规模为农村污水处理设施的日处理水量;所述处理工艺为农村污水处理设施的工艺类型;所述设施结构参数为设施工艺单元的类型信息、工艺单元深度、工艺单元横截面积信息;所述设施设备参数为各设备型号参数、通讯参数和控制参数;
所述监测业务数据信息包括:监测时间、水质数据、水量数据、工艺运行状态数据、设备运行数据、运行能耗数据;
所述水质数据包括:进水和出水的水质监测指标数据;水质监测指标为pH值、化学需氧量、悬浮物、氨氮、总磷、粪大肠菌群、总氮、动植物油、电导率和浊度中的一种或多种;
所述工艺运行状态数据包括:工艺单元的运行状态监测指标数据;运行状态监测指标为液位、温度、溶解氧、氧化还原电位、污泥浓度中的一种或多种;
所述设备运行数据包括:工作泵的当前状态和远控状态,应急泵的当前状态和远控状态,风机的当前状态和远控状态;
所述运行能耗数据包括:泵和风机的电流、功率、电能;
步骤(6)中,所述报警收敛的方法为以下(I)和(II)中的一种或两种;
(I)在某一监测时间点上,若同一个农村污水处理设施存在多个监测业务数据异常的报警信息,则将多条报警信息进行合并,收敛为一条报警事件信息;
(II)在某一监测业务指标上,若同一个农村污水处理设施存在多个连续时间点的报警信息,则计算多条报警信息中各监测业务数据的平均值,收敛为一条报警事件信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625037.5A CN112863134B (zh) | 2020-12-31 | 2020-12-31 | 一种农村污水处理设施运行异常的智能诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625037.5A CN112863134B (zh) | 2020-12-31 | 2020-12-31 | 一种农村污水处理设施运行异常的智能诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112863134A CN112863134A (zh) | 2021-05-28 |
CN112863134B true CN112863134B (zh) | 2022-11-18 |
Family
ID=75999397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011625037.5A Active CN112863134B (zh) | 2020-12-31 | 2020-12-31 | 一种农村污水处理设施运行异常的智能诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112863134B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391554B (zh) * | 2021-06-16 | 2022-06-17 | 江苏东南环保科技有限公司 | 一种基于人工智能的电镀方法 |
CN113484057A (zh) * | 2021-07-20 | 2021-10-08 | 杭州塞博环境科技有限公司 | 一种水处理设施能效的计算评估方法及其设备、系统 |
CN114813192B (zh) * | 2022-05-07 | 2023-03-21 | 安徽中科大国祯信息科技有限责任公司 | 一种用于农村污水的污水处理设施状态及能耗监测系统及方法 |
CN116186101A (zh) * | 2022-07-28 | 2023-05-30 | 安徽万舟清环境科技有限公司 | 用于监控污水收集、存储和排放过程的系统 |
CN116155930A (zh) * | 2022-07-28 | 2023-05-23 | 安徽万舟清环境科技有限公司 | 一种监控污水转运过程的系统 |
CN117573459A (zh) * | 2022-08-03 | 2024-02-20 | 华为技术有限公司 | 一种故障检测方法、装置、电子设备及存储介质 |
CN116385241B (zh) * | 2023-04-18 | 2024-02-13 | 广东省广业环保服务有限公司 | 基于物联网的农村生活污水治理设施精准运维管理系统 |
CN117035230B (zh) * | 2023-08-08 | 2024-04-30 | 上海东振环保工程技术有限公司 | 一种基于大数据分析的污水处理设备运行状态评估方法 |
CN116823834B (zh) * | 2023-08-30 | 2023-11-24 | 江苏锡澄环境科学研究院有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014016691A (ja) * | 2012-07-06 | 2014-01-30 | Hitachi Ltd | 設備維持管理業務支援システム、およびその方法 |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
CN105788194A (zh) * | 2016-04-08 | 2016-07-20 | 北京搜狐新媒体信息技术有限公司 | 一种监测报警方法及装置 |
CN106681305A (zh) * | 2017-01-03 | 2017-05-17 | 华南理工大学 | 一种Fast RVM污水处理在线故障诊断方法 |
CN109816940A (zh) * | 2019-03-21 | 2019-05-28 | 北京天诚同创电气有限公司 | 污水处理厂的故障报警方法和装置 |
CN110322027A (zh) * | 2019-07-04 | 2019-10-11 | 南京大学 | 一种农村生活污水物联网管理平台 |
CN110366031A (zh) * | 2019-07-24 | 2019-10-22 | 长春融成智能设备制造股份有限公司 | 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法 |
CN110708204A (zh) * | 2019-11-18 | 2020-01-17 | 上海维谛信息科技有限公司 | 一种基于运维知识库的异常处理方法、系统、终端及介质 |
CN111401582A (zh) * | 2020-03-12 | 2020-07-10 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种生活污水处理设施异常识别方法及监控平台 |
CN112093828A (zh) * | 2020-09-04 | 2020-12-18 | 中交疏浚技术装备国家工程研究中心有限公司 | 基于云计算的分散式污水处理智能平台 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012137934A (ja) * | 2010-12-27 | 2012-07-19 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム |
CN110088619A (zh) * | 2017-10-09 | 2019-08-02 | Bl科技有限责任公司 | 用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能系统和方法 |
EP3791236A4 (en) * | 2018-05-07 | 2022-06-08 | Strong Force Iot Portfolio 2016, LLC | METHODS AND SYSTEMS FOR DATA COLLECTION, LEARNING AND STREAMING MACHINE SIGNALS FOR ANALYSIS AND MAINTENANCE USING THE INDUSTRIAL INTERNET OF THINGS |
CN110113208A (zh) * | 2019-05-08 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 报警信息处理方法、装置、设备及计算机可读存储介质 |
CN111506478A (zh) * | 2020-04-17 | 2020-08-07 | 上海浩方信息技术有限公司 | 基于人工智能实现告警管理控制的方法 |
-
2020
- 2020-12-31 CN CN202011625037.5A patent/CN112863134B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014016691A (ja) * | 2012-07-06 | 2014-01-30 | Hitachi Ltd | 設備維持管理業務支援システム、およびその方法 |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
CN105788194A (zh) * | 2016-04-08 | 2016-07-20 | 北京搜狐新媒体信息技术有限公司 | 一种监测报警方法及装置 |
CN106681305A (zh) * | 2017-01-03 | 2017-05-17 | 华南理工大学 | 一种Fast RVM污水处理在线故障诊断方法 |
CN109816940A (zh) * | 2019-03-21 | 2019-05-28 | 北京天诚同创电气有限公司 | 污水处理厂的故障报警方法和装置 |
CN110322027A (zh) * | 2019-07-04 | 2019-10-11 | 南京大学 | 一种农村生活污水物联网管理平台 |
CN110366031A (zh) * | 2019-07-24 | 2019-10-22 | 长春融成智能设备制造股份有限公司 | 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法 |
CN110708204A (zh) * | 2019-11-18 | 2020-01-17 | 上海维谛信息科技有限公司 | 一种基于运维知识库的异常处理方法、系统、终端及介质 |
CN111401582A (zh) * | 2020-03-12 | 2020-07-10 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种生活污水处理设施异常识别方法及监控平台 |
CN112093828A (zh) * | 2020-09-04 | 2020-12-18 | 中交疏浚技术装备国家工程研究中心有限公司 | 基于云计算的分散式污水处理智能平台 |
Also Published As
Publication number | Publication date |
---|---|
CN112863134A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112863134B (zh) | 一种农村污水处理设施运行异常的智能诊断系统及方法 | |
CN112093828B (zh) | 基于云计算的分散式污水处理智能平台 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN114047719A (zh) | 一种农村生活污水处理设施远程监测评估系统与运行方法 | |
CN101162247B (zh) | 电气装置“亚健康”运行状态识别方法 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
WO2022142954A1 (zh) | 一种智慧化海上平台生活污水处理系统 | |
CN111259334A (zh) | 一种工业企业大用户用水异常监测预警方法 | |
CN107292501A (zh) | 一种评估废水监测数据质量的方法及设备 | |
CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
CN113112169A (zh) | 一种污水处理厂的智慧云服务系统 | |
CN113494939A (zh) | 一种农村生活污水分散式监测方法 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN116820014B (zh) | 一种交通机电设备智能化监控预警方法及系统 | |
CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
CN117196120A (zh) | 一种用户用水行为分析算法 | |
CN117273203A (zh) | 一种基于GAT-Transformer时间序列模型的水质预测方法与系统 | |
CN116051136A (zh) | 基于价格波动规律的价格监测预警系统及方法 | |
CN113240542B (zh) | 一种污水管网可视化系统 | |
CN117370818B (zh) | 基于人工智能的供排水管网智能诊断方法及智慧环保系统 | |
CN117670051A (zh) | 一种无人值守城乡供水运维分析系统 | |
CN117151681A (zh) | 一种连续多级船闸运行设备性能预警与智能检修方法 | |
CN114116843A (zh) | 基于用电数据的村镇小型污水处理设施运行监测方法 | |
CN113552834A (zh) | 基于用电信息的分散式污水处理站监控系统与方法 | |
CN112819294A (zh) | 一种智能化污水收集系统 |
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 |