CN113984124B - 一种介质过滤器检测方法、系统、介质及电子终端 - Google Patents

一种介质过滤器检测方法、系统、介质及电子终端 Download PDF

Info

Publication number
CN113984124B
CN113984124B CN202111266904.5A CN202111266904A CN113984124B CN 113984124 B CN113984124 B CN 113984124B CN 202111266904 A CN202111266904 A CN 202111266904A CN 113984124 B CN113984124 B CN 113984124B
Authority
CN
China
Prior art keywords
filter
real
state
detection
detected
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
Application number
CN202111266904.5A
Other languages
English (en)
Other versions
CN113984124A (zh
Inventor
谭洋
吴杉
陈坤
石袁媛
梁前龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202111266904.5A priority Critical patent/CN113984124B/zh
Publication of CN113984124A publication Critical patent/CN113984124A/zh
Application granted granted Critical
Publication of CN113984124B publication Critical patent/CN113984124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种介质过滤器检测方法、系统、介质及电子终端，方法包括：获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测；本发明中的介质过滤器检测方法，较好地实现了对介质过滤器的故障检测，自动化程度较高，能够对故障点进行较精准的定位与修复。

Description

一种介质过滤器检测方法、系统、介质及电子终端
技术领域
本发明涉及检测技术领域，尤其涉及一种介质过滤器检测方法、系统、介质及电子终端。
背景技术
介质过滤器是一种利用过滤介质去除水中各中悬浮物、微生物、以及其他微细颗粒，最终达到降低水浊度、净化水质效果的一种高效过滤设备，在工业领域中应用广泛，当介质过滤器出现异常时，将出现过滤故障，影响生产进度，对企业造成不必要的损失。
目前，通常采用人工观察的方式，判断介质过滤器是否出现异常或故障，导致检测精确度较低，检测效率较低，且不能准确找出故障原因，无法进行针对性修复。
发明内容
本发明提供一种介质过滤器检测方法、系统、介质及电子终端，以解决现有技术中不便于对介质过滤器进行故障判断与检测，且不能准确找到故障原因，无法进行针对性修复的问题。
本发明提供的介质过滤器检测方法，包括：
获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；
根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测。
可选的，利用预先训练好的介质过滤器检测模型对待检测数据进行检测的步骤包括：
采集训练数据；
将所述训练数据输入预设的神经网络进行训练，获取介质过滤器检测模型；
将所述待检测数据输入所述介质过滤器检测模型进行过滤器检测与打分，获取对应的介质过滤器的检测分数，以及对应的过滤器的关联状态评估值，所述关联状态至少包括以下之一：滤料状态、关联阀门状态和反洗设备状态；
根据所述检测分数和所述关联状态评估值，对介质过滤器进行检测。
可选的，待检测反洗流量包括：反洗进水流量、反洗出水流量和反洗进气流量；
所述待检测压力传感器数据包括：过滤进水压力、过滤出水压力、反洗进水压力和反洗进气压力；
所述待检测数据还包括：关联设备检测状态，所述关联设备检测状态包括：水泵状态、风机状态和关联阀门执行状态。
可选的，将所述训练数据输入预设的神经网络进行训练，获取介质过滤器检测模型的步骤包括：
获取训练数据，训练数据包括：过滤器真实进出水流量、真实反洗流量、真实压力传感器数据，以及对应的真实过滤器状态、真实出水水质、真实过滤器分数和关联状态真实值，所述关联状态真实值包括：滤料状态真实值、自动阀门状态真实值和反洗设备状态真实值；
将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测，获取预测结果，所述预测结果包括：过滤器预测状态、出水水质预测值、滤料状态预测值、自动阀门状态预测值和反洗设备状态预测值；
根据所述训练数据中的真实过滤器状态、真实出水水质、真实过滤器分数、关联状态真实值和所述预测结果，对所述神经网络进行训练，获取介质过滤器检测模型。
可选的，所述训练数据还包括：关联设备真实状态，所述关联设备真实状态包括：水泵真实状态、风机真实状态和关联阀门真实执行状态；
将所述过滤器真实进出水流量、真实反洗流量、真实压力传感器数据和关联设备真实执行状态输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测，获取预测结果。
可选的，根据所述训练数据中的真实过滤器状态、真实出水水质、真实过滤器分数、关联状态真实值和所述预测结果，对所述神经网络进行训练的步骤包括：
根据所述真实过滤器状态、真实出水水质、过滤器预测状态和出水水质预测值，对所述神经网络进行一次训练；
通过对所述过滤器预测状态和出水水质进行加权，获取对应的介质过滤器的预测分数；
根据所述真实过滤器分数和预测分数，对所述神经网络进行二次训练；
根据所述关联状态真实值、滤料状态预测值、自动阀门状态预测值和反洗设备状态预测值，对所述神经网络进行三次训练；
通过对所述神经网络进行一次训练、二次训练及三次训练，获取介质过滤器检测模型。
可选的，将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测的步骤包括：
将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行特征峰提取，获取特征峰信息，所述特征峰信息包括：不同阶段的特征峰高度、特征峰宽度、特征峰面积及相应的变异系数；
根据所述特征峰信息，进行过滤器状态预测、出水水质预测和关联状态预测。
可选的，根据所述检测分数和所述关联状态评估值，对介质过滤器进行检测的步骤包括：
预先设置决策库，所述决策库包括：多个与介质过滤器的检测分数和关联状态评估值相匹配的故障处理策略；
将所述检测分数、关联状态评估值与所述决策库中的故障处理方法进行匹配，确定与所述检测分数和关联状态评估值相匹配的故障处理策略；
根据对应的所述故障处理策略，执行相应故障处理操作。
可选的，所述检测规则的获取方式为：利用工程经验、设备运行原理、过滤反洗理论、检测逻辑组合中的至少之一进行获取。
本发明还提供一种介质过滤器检测系统，包括：
采集模块，用于获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；
检测模块，根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测；所述采集模块与检测模块连接。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述方法。
本发明还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述任一项所述方法。
本发明的有益效果：本发明中的介质过滤器检测方法、系统、介质及电子终端，通过获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测，较好地实现了对介质过滤器的故障检测，自动化程度较高，能够对故障点进行较精准的定位，从而实现针对性的修复，成本较低。
附图说明
图1是本发明实施例中介质过滤器检测方法的流程示意图。
图2是本发明实施例中介质过滤器检测方法中利用预先训练好的介质过滤器检测模型对待检测数据进行检测的流程示意图。
图3是本发明实施例中介质过滤器检测方法中获取介质过滤器检测模型的流程示意图。
图4是本发明实施例中介质过滤器检测方法中进行介质过滤器检测的流程示意图。
图5是本发明实施例中介质过滤器检测系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
发明人发现，介质过滤器作为常用的过滤设备，在工业领域中应用广泛，当介质过滤器出现异常时，将出现过滤故障，影响生产进度，对企业造成不必要的损失。然而目前，对于介质过滤器的故障检测，通常采用人工观察的方式，判断介质过滤器是否出现异常或故障，导致检测精确度较低，检测效率较低，且不能准确找出故障原因，无法进行针对性修复。因此，发明人提出一种介质过滤器检测方法、系统、介质及电子终端，通过获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测，较好地实现了对介质过滤器的故障检测，检测精确度较高，自动化程度较高，能够对故障点进行较精准的定位，从而实现针对性的修复，成本较低，可实施性较强。
如图1所示，本实施例中的介质过滤器检测方法，包括：
S101：获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；通过获取上述待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据中的至少一个，能够便于后续对介质过滤器进行故障检测。
在一些实施例中，待检测反洗流量包括：反洗进水流量、反洗出水流量和反洗进气流量；所述待检测压力传感器数据包括：过滤进水压力、过滤出水压力、反洗进水压力和反洗进气压力。所述过滤进水压力可以通过在过滤进水干管设置相应的压力传感器获得，所述过滤出水压力可以通过在过滤出水干管设置相应的压力传感器获得，所述反洗进水压力可以通过在反洗进水干管设置相应的压力传感器获得，所述反洗进气压力可以通过在反洗进气干管设置相应的压力传感器获得。
在一些实施例中，所述待检测数据还包括：关联设备检测状态，所述关联设备检测状态包括：水泵状态、风机状态和关联阀门执行状态。所述水泵状态可以根据水泵电机的电流信号和水泵出口的电动阀门的状态获得，所述风机状态可以根据风机电机的电流信号和风机出口的电动阀门的状态获得，所述关联阀门执行状态指过滤器进水管和过滤器出水管上的自动阀门的启闭状态。
S102：根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测。通过根据预设的检测方式，对获取的检测数据进行检测，即通过将待检测数据输入预先训练好的介质过滤器进行检测，和/或根据预设的检测规则对待检测数据进行检测，能够较好地实现对介质过滤器的检测，检测精确度较高，自动化程度较高，能够对故障点进行较精准的定位，从而实现针对性的修复，成本较低，可实施性较强，实施较方便。
如图2所示，在一些实施例中，利用预先训练好的介质过滤器检测模型对待检测数据进行检测的步骤包括：
S201：采集训练数据；所述训练数据包括：过滤器真实进出水流量、真实反洗流量、真实压力传感器数据、关联设备真实状态，以及对应的真实过滤器状态、真实出水水质、真实过滤器分数和关联状态真实值，所述关联设备真实状态包括：水泵真实状态、风机真实状态和关联阀门真实执行状态，通过采集上述多参数的训练数据，便于后续对多参数进行耦合训练，提高介质过滤器检测的精确度。其中，所述过滤器真实进出水流量可以通过在介质过滤器的过滤进水干管和过滤出水干管设置流量传感器获得，所述真实反洗流量包括：真实反洗进水流量、真实反洗出水流量和真实反洗进气风量，所述真实反洗进水流量可以通过在反洗进水干管设置流量传感器获得，所述真实反洗出水流量可以通过在反洗出水干管设置流量传感器获得，所述真实反洗进气风量可以通过在反洗进气干管设置流量计获得；所述真实压力传感器数据包括：真实过滤进水压力、真实反洗进水压力和真实反洗进气压力；所述水泵真实状态可以根据水泵电机的电流信号和水泵出口的电动阀门的状态获得，所述风机真实状态可以根据风机电机的电流信号和风机出口的电动阀门的状态获得，所述关联阀门真实执行状态指过滤器进水管和过滤器出水管上的自动阀门的启闭状态。
在一些实施例中，还可以采集滤料寿命和反洗时间作为训练数据，以此提高后续介质过滤器检测模型的精确度。
S202：将所述训练数据输入预设的神经网络进行训练，获取介质过滤器检测模型；通过将包含多参数的训练数据输入预设的神经网络进行迭代训练，能够获取较优的准确度较高的介质过滤器检测模型，实现对介质过滤器的多参数耦合，所述神经网络可以为卷积神经网络或深度神经网络等。
S203：将所述待检测数据输入所述介质过滤器检测模型进行过滤器检测与打分，获取对应的介质过滤器的检测分数，以及对应的过滤器的关联状态评估值，所述关联状态至少包括以下之一：滤料状态、关联阀门状态和反洗设备状态；所述关联阀门状态指过滤器进水管和过滤器出水管上自动阀门及介质过滤器其他自动阀门的状态，即是否出现异常或故障。通过将待检测数据输入预先训练好的介质过滤器检测模型进行检测与打分，能够获取较准确的介质过滤器的检测分数和对应的介质过滤器的关联状态评估值，实现了对介质过滤器的实时自动检测，能够对介质过滤器的异常点或故障点进行较精准地定位，便于后续对介质过滤器进行精准修复与维护。
S204：根据所述检测分数和所述关联状态评估值，对介质过滤器进行检测。即根据所述检测分数和关联状态评估值，匹配相应的故障处理策略，进而进行介质过滤器修复与维护，实现对介质过滤器的自动检测与维护，自动化程度较高，检测精确度较高，实施较方便，成本较低。
如图3所示，为了提高介质过滤器检测模型的检测精确度，发明人提出，将所述训练数据输入预设的神经网络进行训练，获取介质过滤器检测模型的步骤包括：
S301：获取训练数据，所述训练数据包括：过滤器真实进出水流量、真实反洗流量、真实压力传感器数据，以及对应的真实过滤器状态、真实出水水质、真实过滤器分数和关联状态真实值，所述关联状态真实值包括：滤料状态真实值、自动阀门状态真实值和反洗设备状态真实值；
S302：将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测，获取预测结果，所述预测结果包括：过滤器预测状态、出水水质预测值、滤料状态预测值、自动阀门状态预测值和反洗设备状态预测值；所述过滤器预测状态指神经网络输出的介质过滤器的状态参数，所述状态参数可以根据实际情况进行设置，此处不再赘述。
S303：根据所述训练数据中的真实过滤器状态、真实出水水质、真实过滤器分数、关联状态真实值和所述预测结果，对所述神经网络进行训练，获取介质过滤器检测模型。通过调整神经网络梯度下降的速度、迭代学习率、学习次数及迭代次数，获得较优的介质过滤器检测模型。
由于介质过滤器检测涉及大量数据，为了提高介质过滤器检测模型的检测精确度，发明人提出，所述训练数据还包括：关联设备真实状态，所述关联设备真实状态包括：水泵真实状态、风机真实状态和关联阀门真实执行状态；
将所述过滤器真实进出水流量、真实反洗流量、真实压力传感器数据和关联设备真实执行状态输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测，获取预测结果。有效结合了水泵、风机和关联阀门等关联设备的状态进行过滤器检测，从而提高介质过滤器的故障或异常检测的精确度。
在一些实施例中，根据所述训练数据中的真实过滤器状态、真实出水水质、真实过滤器分数、关联状态真实值和所述预测结果，对所述神经网络进行训练的步骤包括：
根据所述真实过滤器状态、真实出水水质、过滤器预测状态和出水水质预测值，对所述神经网络进行一次训练；即根据真实过滤器状态和过滤器预测状态之间的差异，及真实出水水质和出水水质预测值之间的差异，对神经网络进行一次训练；
通过对所述过滤器预测状态和出水水质进行加权，获取对应的介质过滤器的预测分数；
根据所述真实过滤器分数和预测分数，对所述神经网络进行二次训练；即根据真实过滤器分数和预测分数之前的差异，对神经网络进行二次训练；
根据所述关联状态真实值、滤料状态预测值、自动阀门状态预测值和反洗设备状态预测值，对所述神经网络进行三次训练；即根据滤料状态真实值和滤料状态预测值之间的差异、自动阀门状态真实值和自动阀门状态预测值之间的差异、反洗设备状态真实值和反洗设备状态预测值之间的差异，对所述神经网络进行三次训练；此处的反洗设备指介质过滤器反洗过程中所涉及的设备，可以根据实际情况进行设置，此处不再赘述。
通过对所述神经网络进行一次训练、二次训练及三次训练，获取介质过滤器检测模型。所述一次训练、二次训练和三次训练依次进行，通过对所述神经网络进行一次训练、二次训练和三次训练，有效提高介质过滤器检测模型的检测精确度。
进一步地，将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测的步骤包括：
将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行特征峰提取，获取特征峰信息，所述特征峰信息包括：不同阶段的特征峰高度、特征峰宽度、特征峰面积及相应的变异系数；
根据所述特征峰信息，进行过滤器状态预测、出水水质预测和关联状态预测。通过进行特征峰提取，获取特征峰信息，不同的特征峰信息代表了不同的异常情况，并根据所述特征峰信息，进行过滤器状态预测、出水水质预测和关联状态预测，能够较好地提高介质过滤器检测模型的精确度，适应性较强。
在一些实施例中，还可以利用统计学对所述特征峰信息进行分析，获取分析结果，进而实现对介质过滤器的检测，如：特征峰的宽度代表信号延续时长，特征峰的高度代表最大值，特征峰的面积表示体积量，特征峰的变异系数表示波动幅度等，通过统计学的方式能够较精确地完成对介质过滤器的检测。
如图4所示，根据所述检测分数和所述关联状态评估值，对介质过滤器进行检测的步骤包括：
S401：预先设置决策库，所述决策库包括：多个与介质过滤器的检测分数和关联状态评估值相匹配的故障处理策略；所述故障处理策略包括：自动处理策略和警示策略，对于可以自动控制调整的故障，采用自动处理策略，对于无法进行自动调整，需要人工修复的故障，采用警示策略；所述自动处理策略如延长降液位时间、延长气洗时间、延长水洗时间、延长气水混合洗时间、连续重复反洗过滤器等，本领域技术人员应知晓，降液位指介质过滤器反洗之前的降低液位的操作。
S402：将所述检测分数、关联状态评估值与所述决策库中的故障处理方法进行匹配，确定与所述检测分数和关联状态评估值相匹配的故障处理策略；
S403：根据对应的所述故障处理策略，执行相应故障处理操作。通过匹配相应的故障策略并执行，实现对介质过滤器故障或异常的精准维护与修复。
在一些实施例中，所述检测规则的获取方式为：利用工程经验、设备运行原理、过滤反洗理论、检测逻辑组合中的至少之一进行获取。例如：所述检测规则包括：当过滤器进水干管的流量和压力偏离预设的工况点太多，即过滤器进水干管的流量和压力超出相应的阈值范围时，则判定过滤供水泵出现异常；当反洗进水流量和压力偏离工况点太多，即反洗进水流量和反洗进水压力超出相应的阈值范围时，则判定介质过滤器滤料异常；当介质过滤器长时间未反洗时，则判定滤料异常、阀门异常，并发出提示或警示；当介质过滤器自动阀门启闭组合不属于预置工况组合的情况时，则执行状态报阀门异常，所述工况组合为介质过滤器的自动阀门的正常启闭组合；当阀门启闭命令发出后，长时间未收到到位信号，则判断对应的阀门异常等。
请参考图5，本实施例还提供一种介质过滤器检测系统，包括：
采集模块，用于获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；
检测模块，根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测；所述采集模块与检测模块连接。本实施例中的介质过滤器检测系统，获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；根据预设的检测方式，对待检测数据进行检测，获取检测结果，检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测，较好地实现了对介质过滤器的故障检测，检测精确度较高，自动化程度较高，能够对故障点进行较精准的定位，从而实现针对性的修复，成本较低，可实施性较强，系统稳定性较高。
在一些实施例中，利用预先训练好的介质过滤器检测模型对待检测数据进行检测的步骤包括：
采集训练数据；
将所述训练数据输入预设的神经网络进行训练，获取介质过滤器检测模型；
将所述待检测数据输入所述介质过滤器检测模型进行过滤器检测与打分，获取对应的介质过滤器的检测分数，以及对应的过滤器的关联状态评估值，所述关联状态至少包括以下之一：滤料状态、关联阀门状态和反洗设备状态；
根据所述检测分数和所述关联状态评估值，对介质过滤器进行检测。
在一些实施例中，待检测反洗流量包括：反洗进水流量、反洗出水流量和反洗进气流量；
所述待检测压力传感器数据包括：过滤进水压力、过滤出水压力、反洗进水压力和反洗进气压力；
所述待检测数据还包括：关联设备检测状态，所述关联设备检测状态包括：水泵状态、风机状态和关联阀门执行状态。
在一些实施例中，将所述训练数据输入预设的神经网络进行训练，获取介质过滤器检测模型的步骤包括：
获取训练数据，训练数据包括：过滤器真实进出水流量、真实反洗流量、真实压力传感器数据，以及对应的真实过滤器状态、真实出水水质、真实过滤器分数和关联状态真实值，所述关联状态真实值包括：滤料状态真实值、自动阀门状态真实值和反洗设备状态真实值；
将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测，获取预测结果，所述预测结果包括：过滤器预测状态、出水水质预测值、滤料状态预测值、自动阀门状态预测值和反洗设备状态预测值；
根据所述训练数据中的真实过滤器状态、真实出水水质、真实过滤器分数、关联状态真实值和所述预测结果，对所述神经网络进行训练，获取介质过滤器检测模型。
在一些实施例中，所述训练数据还包括：关联设备真实状态，所述关联设备真实状态包括：水泵真实状态、风机真实状态和关联阀门真实执行状态；
将所述过滤器真实进出水流量、真实反洗流量、真实压力传感器数据和关联设备真实执行状态输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测，获取预测结果。
在一些实施例中，根据所述训练数据中的真实过滤器状态、真实出水水质、真实过滤器分数、关联状态真实值和所述预测结果，对所述神经网络进行训练的步骤包括：
根据所述真实过滤器状态、真实出水水质、过滤器预测状态和出水水质预测值，对所述神经网络进行一次训练；
通过对所述过滤器预测状态和出水水质进行加权，获取对应的介质过滤器的预测分数；
根据所述真实过滤器分数和预测分数，对所述神经网络进行二次训练；
根据所述关联状态真实值、滤料状态预测值、自动阀门状态预测值和反洗设备状态预测值，对所述神经网络进行三次训练；
通过对所述神经网络进行一次训练、二次训练及三次训练，获取介质过滤器检测模型。
在一些实施例中，将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测的步骤包括：
将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行特征峰提取，获取特征峰信息，所述特征峰信息包括：不同阶段的特征峰高度、特征峰宽度、特征峰面积及相应的变异系数；
根据所述特征峰信息，进行过滤器状态预测、出水水质预测和关联状态预测。
在一些实施例中，根据所述检测分数和所述关联状态评估值，对介质过滤器进行检测的步骤包括：
预先设置决策库，所述决策库包括：多个与介质过滤器的检测分数和关联状态评估值相匹配的故障处理策略；
将所述检测分数、关联状态评估值与所述决策库中的故障处理方法进行匹配，确定与所述检测分数和关联状态评估值相匹配的故障处理策略；
根据对应的所述故障处理策略，执行相应故障处理操作。
在一些实施例中，所述检测规则的获取方式为：利用工程经验、设备运行原理、过滤反洗理论、检测逻辑组合中的至少之一进行获取。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种介质过滤器检测方法，其特征在于，包括：
获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；
根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测；
利用预先训练好的介质过滤器检测模型对待检测数据进行检测的步骤包括：
采集训练数据；
将所述训练数据输入预设的神经网络进行训练，获取介质过滤器检测模型；
将所述待检测数据输入所述介质过滤器检测模型进行过滤器检测与打分，获取对应的介质过滤器的检测分数，以及对应的过滤器的关联状态评估值，所述关联状态至少包括以下之一：滤料状态、关联阀门状态和反洗设备状态；
根据所述检测分数和所述关联状态评估值，对介质过滤器进行检测；
将所述训练数据输入预设的神经网络进行训练，获取介质过滤器检测模型的步骤包括：
获取训练数据，训练数据包括：过滤器真实进出水流量、真实反洗流量、真实压力传感器数据，以及对应的真实过滤器状态、真实出水水质、真实过滤器分数和关联状态真实值，所述关联状态真实值包括：滤料状态真实值、自动阀门状态真实值和反洗设备状态真实值；
将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测，获取预测结果，所述预测结果包括：过滤器预测状态、出水水质预测值、滤料状态预测值、自动阀门状态预测值和反洗设备状态预测值；
根据所述训练数据中的真实过滤器状态、真实出水水质、真实过滤器分数、关联状态真实值和所述预测结果，对所述神经网络进行训练，获取介质过滤器检测模型；
根据所述训练数据中的真实过滤器状态、真实出水水质、真实过滤器分数、关联状态真实值和所述预测结果，对所述神经网络进行训练的步骤包括：
根据所述真实过滤器状态、真实出水水质、过滤器预测状态和出水水质预测值，对所述神经网络进行一次训练；
通过对所述过滤器预测状态和出水水质进行加权，获取对应的介质过滤器的预测分数；
根据所述真实过滤器分数和预测分数，对所述神经网络进行二次训练；
根据所述关联状态真实值、滤料状态预测值、自动阀门状态预测值和反洗设备状态预测值，对所述神经网络进行三次训练；
通过对所述神经网络进行一次训练、二次训练及三次训练，获取介质过滤器检测模型。
2.根据权利要求1所述的介质过滤器检测方法，其特征在于，待检测反洗流量包括：反洗进水流量、反洗出水流量和反洗进气流量；
所述待检测压力传感器数据包括：过滤进水压力、过滤出水压力、反洗进水压力和反洗进气压力；
所述待检测数据还包括：关联设备检测状态，所述关联设备检测状态包括：水泵状态、风机状态和关联阀门执行状态。
3.根据权利要求1所述的介质过滤器检测方法，其特征在于，
所述训练数据还包括：关联设备真实状态，所述关联设备真实状态包括：水泵真实状态、风机真实状态和关联阀门真实执行状态；
将所述过滤器真实进出水流量、真实反洗流量、真实压力传感器数据和关联设备真实执行状态输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测，获取预测结果。
4.根据权利要求1所述的介质过滤器检测方法，其特征在于，将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行过滤器状态预测、出水水质预测和关联状态预测的步骤包括：
将所述过滤器真实进出水流量、真实反洗流量和真实压力传感器数据输入所述神经网络进行特征峰提取，获取特征峰信息，所述特征峰信息包括：不同阶段的特征峰高度、特征峰宽度、特征峰面积及相应的变异系数；
根据所述特征峰信息，进行过滤器状态预测、出水水质预测和关联状态预测。
5.根据权利要求1所述的介质过滤器检测方法，其特征在于，根据所述检测分数和所述关联状态评估值，对介质过滤器进行检测的步骤包括：
预先设置决策库，所述决策库包括：多个与介质过滤器的检测分数和关联状态评估值相匹配的故障处理策略；
将所述检测分数、关联状态评估值与所述决策库中的故障处理方法进行匹配，确定与所述检测分数和关联状态评估值相匹配的故障处理策略；
根据对应的所述故障处理策略，执行相应故障处理操作。
6.根据权利要求1所述的介质过滤器检测方法，其特征在于，所述检测规则的获取方式为：利用工程经验、设备运行原理、过滤反洗理论、检测逻辑组合中的至少之一进行获取。
7.一种采用如权利要求1-6任一项所述介质过滤器检测方法的介质过滤器检测系统，其特征在于，包括：
采集模块，用于获取待检测数据，所述待检测数据至少包括以下之一：待检测过滤器进出水流量、待检测反洗流量和待检测压力传感器数据；
检测模块，根据预设的检测方式，对所述待检测数据进行检测，获取检测结果，所述检测方式至少包括以下之一：利用预先训练好的介质过滤器检测模型对待检测数据进行检测、根据预先设置的检测规则对待检测数据进行检测，完成介质过滤器检测；所述采集模块与检测模块连接。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述方法。
9.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至6中任一项所述方法。
CN202111266904.5A 2021-10-28 2021-10-28 一种介质过滤器检测方法、系统、介质及电子终端 Active CN113984124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111266904.5A CN113984124B (zh) 2021-10-28 2021-10-28 一种介质过滤器检测方法、系统、介质及电子终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111266904.5A CN113984124B (zh) 2021-10-28 2021-10-28 一种介质过滤器检测方法、系统、介质及电子终端

Publications (2)

Publication Number Publication Date
CN113984124A CN113984124A (zh) 2022-01-28
CN113984124B true CN113984124B (zh) 2024-02-02

Family

ID=79743875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111266904.5A Active CN113984124B (zh) 2021-10-28 2021-10-28 一种介质过滤器检测方法、系统、介质及电子终端

Country Status (1)

Country Link
CN (1) CN113984124B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106714942A (zh) * 2014-08-12 2017-05-24 沃特普兰尼特公司 智能流体过滤管理系统
CN107448299A (zh) * 2016-04-22 2017-12-08 通用电气公司 燃气涡轮机过滤器壳体的基于状态监测的系统
JP2019048279A (ja) * 2017-09-12 2019-03-28 東芝情報システム株式会社 浄水器システム
WO2019172736A2 (ko) * 2019-07-09 2019-09-12 엘지전자 주식회사 필터의 교체시기 판단 방법 및 필터의 교체시기를 판단하는 공기 조화기
CN110410189A (zh) * 2019-07-02 2019-11-05 一汽解放汽车有限公司 柴油颗粒过滤器的故障诊断方法、装置、车辆及存储介质
CN110486349A (zh) * 2019-07-26 2019-11-22 中国第一汽车股份有限公司 一种过滤器失效检测方法、液压系统、车辆及存储介质
KR20190130879A (ko) * 2018-05-15 2019-11-25 주식회사 프리모 수질 개선용 필터의 딥러닝 기반 수명 확인 장치
CN110963639A (zh) * 2019-11-06 2020-04-07 南京天河水环境科技有限公司 智能水处理装置
CN111573782A (zh) * 2020-05-25 2020-08-25 青岛涌利兴水科技有限公司 水处理设备膜污染控制方法和装置
CN211384109U (zh) * 2019-07-01 2020-09-01 江苏科雷斯普能源科技股份有限公司 精密离线过滤器监控系统
CN111881980A (zh) * 2020-07-29 2020-11-03 上海钧正网络科技有限公司 一种车辆故障检测方法、装置、计算机设备和存储介质
CN212864411U (zh) * 2020-05-12 2021-04-02 中铁第四勘察设计院集团有限公司 一种模块式智能微污染水净化装置
DE102020204137A1 (de) * 2020-03-31 2021-09-30 Hengst Filtration GmbH Erfassung eines zustandes eines filtermittels

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106714942A (zh) * 2014-08-12 2017-05-24 沃特普兰尼特公司 智能流体过滤管理系统
CN107448299A (zh) * 2016-04-22 2017-12-08 通用电气公司 燃气涡轮机过滤器壳体的基于状态监测的系统
JP2019048279A (ja) * 2017-09-12 2019-03-28 東芝情報システム株式会社 浄水器システム
KR20190130879A (ko) * 2018-05-15 2019-11-25 주식회사 프리모 수질 개선용 필터의 딥러닝 기반 수명 확인 장치
CN211384109U (zh) * 2019-07-01 2020-09-01 江苏科雷斯普能源科技股份有限公司 精密离线过滤器监控系统
CN110410189A (zh) * 2019-07-02 2019-11-05 一汽解放汽车有限公司 柴油颗粒过滤器的故障诊断方法、装置、车辆及存储介质
WO2019172736A2 (ko) * 2019-07-09 2019-09-12 엘지전자 주식회사 필터의 교체시기 판단 방법 및 필터의 교체시기를 판단하는 공기 조화기
CN110486349A (zh) * 2019-07-26 2019-11-22 中国第一汽车股份有限公司 一种过滤器失效检测方法、液压系统、车辆及存储介质
CN110963639A (zh) * 2019-11-06 2020-04-07 南京天河水环境科技有限公司 智能水处理装置
DE102020204137A1 (de) * 2020-03-31 2021-09-30 Hengst Filtration GmbH Erfassung eines zustandes eines filtermittels
CN212864411U (zh) * 2020-05-12 2021-04-02 中铁第四勘察设计院集团有限公司 一种模块式智能微污染水净化装置
CN111573782A (zh) * 2020-05-25 2020-08-25 青岛涌利兴水科技有限公司 水处理设备膜污染控制方法和装置
CN111881980A (zh) * 2020-07-29 2020-11-03 上海钧正网络科技有限公司 一种车辆故障检测方法、装置、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Machine learning based simulation of water treatment using LDH/MOF nanocomposites》;Rahmad Syah;《Environmental Technology & Innovation》;全文 *
《基于广义回归径向神经网络的工业超纯水智能远程运维系统》;沈洁;《电力信息与通信技术》;全文 *
《基于西门子PLC的超纯水控制系统设计》;张凤西等;《实验室研究与探索》;全文 *

Also Published As

Publication number Publication date
CN113984124A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN104992270B (zh) 输变电设备状态检修辅助决策系统及方法
CN102760208B (zh) 基于模拟疫苗的动态人工免疫故障诊断方法
CN106649755A (zh) 一种多维度实时变电设备数据的阈值自适应设置异常检测方法
Maere et al. Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering
CN106840732B (zh) 一种性能评测方法及装置
CN114580852B (zh) 基于工业大数据的水泵挡水板清理实时提醒系统
CN106682159A (zh) 一种阈值配置方法
CN113673600A (zh) 一种工业信号异常预警方法、系统、存储介质及计算设备
CN204113674U (zh) 污水泵送站和污水系统
CN114692723A (zh) 一种反渗透膜污堵预警方法及系统
CN105466707A (zh) 用于离心泵中的故障检测的方法、系统和计算机程序
CN113984124B (zh) 一种介质过滤器检测方法、系统、介质及电子终端
CN110866558A (zh) 一种基于多源数据融合分析的旋转设备状态预警方法
CN114252274A (zh) 一种燃气轮机进气滤器堵塞的在线检测方法
Skaf et al. A simple state-based prognostic model for filter clogging
CN115487589B (zh) 一种水厂滤池自动过滤控制管理系统
CN103157320A (zh) Y型过滤器堵塞检测方法以及堵塞检测系统
EP4209464A1 (en) Chemical dosing optimization apparatus and method for water treatment plant
CN112329953A (zh) 一种工业炉全流程智能诊断和优化运行系统
US20140052425A1 (en) Method and apparatus for evaluating a model of an industrial plant process
CN109072721B (zh) 适用于电力生产工厂回路的供水泵送管理
CN103745005A (zh) 基于疫苗移植的动态人工免疫故障诊断方法
CN115879680A (zh) 钢铁表面缺陷判定规则管理系统
CN108096888A (zh) 一体化滤池反冲洗控制系统及控制该系统的方法
CN116681268B (zh) 过滤器生产线运行管理方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd.

Address before: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant