CN114971164B - 一种基于人工智能的污泥处理设备异常检测方法及系统 - Google Patents

Abstract

本发明涉及污泥处理技术领域，具体涉及一种基于人工智能的污泥处理设备异常检测方法及系统，包括：根据影响污泥状态指标值的污泥参数的种类，实时获取当前N个时刻对应的N组污泥参数，并根据每种污泥参数各自对应的指标影响度，计算当前N个时刻各自对应的污泥状态指标值，进而确定污泥处理设备是否出现异常。本发明利用污泥参数来计算污泥状态指标，并利用污泥状态指标来对污泥处理设备进行反向检测，可以实现对污泥处理设备的全面检测，提高了污泥处理设备检测的可靠性。

Description

一种基于人工智能的污泥处理设备异常检测方法及系统

技术领域

本发明涉及污泥处理技术领域，具体涉及一种基于人工智能的污泥处理设备异常检测方法及系统。

背景技术

目前，我国污泥处置方法主要包括填埋、焚烧、水体消纳以及土地利用等，其中填埋是最主要的处理方式。但是，经过这些污泥处理方式处理后的污泥并没有得到真正有效的处置，从而造成了环境污染的转移。

随着技术的不断发展，现在已研发出可对污泥进行有效处理的成套的污泥处理流程，该污泥处理流程包括多个工艺流程，一般为浓缩、消化、干化、脱水以及焚烧等最终处置，在每个工序中都是通过相应的设备来完成。要保证污泥处理效果，最为重要的就是需要对污泥处理过程进行监测，实现对污泥处理设备的工作状态的实时检测，防止污泥处理过程中出现设备长时间异常现象，进而引起处理后的污泥含水量高、含固量低等问题。

由于污泥处理过程通常较为繁琐、复杂，目前的污泥处理设备检测存在以下问题：1、在通过检测装置对污泥处理设备进行检测时，各种污泥处理过程中的各种噪声都会对污泥处理设备的检测造成影响，进而导致检测结果不准确。2、污泥处理设备不仅会出现外在表面异常，还存在许多难以直接观察到的异常，比如各零件之间的故障以及各控制器的异常等，此时对污泥处理设备进行异常检测时，很难做到对污泥处理设备进行全面的异常检测，导致检测结果可靠性较差。3、针对污泥处理过程中的设备异常检测和维护，往往是在设备出现明显异常时才开始进行，在设备出现异常与异常发现之间的这段时间里，存在着极大的处理风险。并且，在处理这一类异常时需要花费一段较长的停机时间进行维护，严重影响污泥处理的顺利进行。

发明内容

本发明的目的在于提供一种基于人工智能的污泥处理设备异常检测方法及系统，用于解决现有的污泥处理设备异常检测可靠性较差的问题。

为了解决上述技术问题，本发明所采用的技术方案具体如下：

本发明提供了一种基于人工智能的污泥处理设备异常检测方法，包括以下步骤：

获取预先确定的影响污泥状态指标值的污泥参数的种类以及每种影响污泥状态指标值的污泥参数各自所对应的指标影响度；

根据影响污泥状态指标值的污泥参数的种类，实时获取当前N个时刻对应的N组污泥参数，每组污泥参数包括c种影响污泥状态指标值的污泥参数；

根据N组污泥参数以及c种影响污泥状态指标值的污泥参数各自对应的指标影响度，计算当前N个时刻各自对应的污泥状态指标值；

根据当前N个时刻各自对应的污泥状态指标值，确定污泥处理设备是否出现异常。

进一步的，根据当前N个时刻各自对应的污泥状态指标值，确定污泥处理设备是否出现异常的步骤包括：

根据当前N个时刻各自对应的污泥状态指标值，并利用预先构建并训练好的污泥状态预测网络，预测未来a个时刻对应的污泥状态指标值；

分别判断未来a个时刻对应的污泥状态指标值是否位于污泥状态指标值设定范围内，若有一个时刻对应的污泥状态指标值不位于污泥状态指标值设定范围内，则判定污泥处理设备出现异常。

进一步的，影响污泥状态指标值的污泥参数的种类以及每种污泥参数各自所对应的指标影响度的确定步骤包括：

获取历史经过污泥处理后的n组污泥参数，每组污泥参数包括m种污泥参数；

设定待计算的m种污泥参数各自对应的指标影响度，并设置各个指标影响度的限定条件；

根据n组污泥参数以及设定的待计算的m种污泥参数各自对应的指标影响度，计算n组污泥参数各自对应的n个污泥状态指标值；

根据n个污泥状态指标值，构造目标函数，并根据设置的各个指标影响度的限定条件，对目标函数进行求解，求解出m种污泥参数各自对应的指标影响度的最优解；

分别判断求解出来的m种污泥参数各自对应的指标影响度是否低于设定影响度阈值，若不低于设定影响度阈值，则将该污泥参数作为影响污泥状态指标值的污泥参数，从而得到影响污泥状态指标值的污泥参数的种类，并对各个影响污泥状态指标值的污泥参数各自对应的指标影响度进行重新分配，从而得到每种影响污泥状态指标值的污泥参数各自所对应的指标影响度。

进一步的，构造目标函数的步骤包括：

计算n个污泥状态指标值的均值，进而分别计算n个污泥状态指标值与该均值的差值，并根据所述差值，确定第一判定值；

获取滑动窗口尺寸，在滑动窗口滑动过程中，计算n个污泥状态指标值中的任意两个污泥状态指标值的差值，并根据任意两个污泥状态指标值的差值以及滑动窗口尺寸，确定第二判定值；

根据第一判定值和第二判定值，确定目标函数。

进一步的，第一判定值对应的计算公式为：

其中，P1为第一判定值，Eq为待计算的m种污泥参数各自对应的指标影响度构成的序列，W_i为n个污泥状态指标值中的第i个污泥状态指标值，为n个污泥状态指标值的均值。

进一步的，第二判定值对应的计算公式为：

其中，P2为第二判定值，Eq为待计算的m种污泥参数各自对应的指标影响度构成的序列，k为中间参数，G为滑动窗口尺寸，d_i,t为n个污泥状态指标值中的第i个污泥状态指标值与第t个污泥状态指标值的差值的绝对值。

进一步的，目标函数置和设置的各个指标影响度的限定条件对应的计算公式为：

H＝max{P1(Eq)+P2(Eq)}

其中，H为目标函数，P1为第一判定值，P2为第二判定值，Eq为待计算的m种污泥参数各自对应的指标影响度构成的序列，max为取最大值函数，为设置的指标影响度的限定条件，F_k为待计算的第k种污泥参数对应的指标影响度。

进一步的，污泥状态指标值设定范围的确定步骤包括：

获取预先确定的影响污泥状态指标值的污泥参数的种类以及每种影响污泥状态指标值的污泥参数各自所对应的指标影响度；

根据影响污泥状态指标值的污泥参数的种类，获取污泥处理设备未发生故障时的L组污泥参数，每组污泥参数包括c种影响污泥状态指标值的污泥参数；

根据L组污泥参数以及c种影响污泥状态指标值的污泥参数各自对应的指标影响度，计算L组污泥参数各自对应的污泥状态指标值；

获取L组污泥参数各自对应的污泥状态指标值的上限值和下限值，并将不低于下限值且不高于上限值所对应的区间作为污泥状态指标值设定范围。

本发明还提供了一种基于人工智能的污泥处理设备异常检测系统，系统包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的基于人工智能的污泥处理设备异常检测方法。

本发明具有如下有益效果：本发明根据预先确定的影响污泥状态指标值的污泥参数的种类，获取多组污泥参数，并根据每组污泥参数中每种污泥参数对应的指标影响度，计算每组污泥参数所对应的污泥状态指标值，并根据污泥状态指标值来确定污泥处理设备是否出现异常。由于本发明是利用污泥参数来计算污泥状态指标，并利用污泥状态指标来对污泥处理设备进行反向检测，不仅可以实现对污泥处理设备的全面检测，同时避免了污泥处理过程中的各种噪声影响，有效提高了污泥处理设备异常检测的可靠性，同时还提高了检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明基于人工智能的污泥处理设备异常检测方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明主要通过人工智能的方法对处理后的污泥状态参数进行分析，并基于污泥状态实现对污泥处理设备进行监测，以便对污泥处理过程中的设备异常进行检测，并及时作出预警，提高了污泥处理效率，大大降低了能耗，且能够保证污泥处理效果最佳。

本发明主要适用于污水、废水处理厂处理后的污泥，通过污泥处理后的污泥参数，对污泥处理过程中的污泥处理设备进行异常检测，并及时进行提示，防止因设备异常导致污泥脱水效果降低等问题。下面会结合附图，对本发明的主要技术方案进行详细介绍。

本实施例提供了一种基于人工智能的污泥处理设备异常检测方法，该方法首先通过传感器以及各检测设备，获取经过污泥处理后的污泥参数，然后对获取的各种污泥参数进行分析，获取污泥状态指标值，然后利用污泥状态指标来对其设备进行反向检测，提高了污泥处理设备异常检测的可靠性和准确性。如图1所示，该基于人工智能的污泥处理设备异常检测方法具体包括以下步骤：

步骤S1：获取预先确定的影响污泥状态指标值的污泥参数的种类以及每种影响污泥状态指标值的污泥参数各自所对应的指标影响度。

其中，经过处理后的污泥会有多种污泥参数，如含水率、PH、粒径、挥发酚、矿物油、铅汞等离子含量、CO、SO2含量等污泥参数，由于这些不同的污泥参数对后续基于污泥参数所确定的用于表征污泥处理效果的污泥状态指标的影响是不同的，有些影响程度较大，有些影响程度较小，有些可能不存在影响，因此首先需要确定影响污泥状态指标值的污泥参数的种类以及每种影响污泥状态指标值的污泥参数各自所对应的指标影响度，具体确定步骤如下：

(1-1)获取历史经过污泥处理后的n组污泥参数，每组污泥参数包括m种污泥参数。

其中，在污泥历史处理过程中，通过设置各种参数监测仪、传感器以及各种仪器设备，对污泥处理后的各种可能的污泥参数进行提取，这些污泥参数能够体现污泥处理后的效果，以便后续基于这些污泥参数对污泥状态指标进行评价、分析。这些污泥参数有很多，如含水率、PH、粒径、挥发酚、矿物油、铅汞等离子含量、CO、SO2含量等污泥参数，这些污泥参数能够体现污泥处理的效果。通过对一次污泥历史处理过程中的各种污泥参数进行提取，本实施例设污泥参数的种类为m种，那么就可以得到包含有m种污泥参数的一组污泥参数。通过多次污泥历史处理过程中的各种污泥参数进行提取，就可以得到多组污泥参数，本实施例设可以得到n组污泥参数，每组污泥参数包括m种污泥参数。

(1-2)设定待计算的m种污泥参数各自对应的指标影响度，并设置各个指标影响度的限定条件。

考虑到不同的污泥参数对后续步骤(1-3)中污泥状态指标的贡献度不同，也即影响程度不同，若通过人为设定不同参数对后续步骤(1-3)中污泥状态指标分析的影响度，会存在较大的人为主观性，同时不能客观体现各污泥参数对于污泥状态指标分析的贡献度，将会导致污泥状态判定不准确，进一步将对后续影响污泥处理设备异常判定结果。因此，本实施例将建立影响度分析模型，用于分析各污泥参数对于污泥状态指标分析的贡献程度，以获取最佳的各污泥参数的影响度组合。

其中，影响度分析模型具体为：首先，随机选取m个单位方向(e1,e2,…,em)，通过m个单位方向的线性组合可以构成多个方向向量E＝F1*e1+F2*e2+…+Fm*em，其中(F1、F2、…、Fm)为方向向量E在各个单位方向上的分量大小，各分量的大小即为m种污泥参数各自对应的指标影响度，m种污泥参数各自对应的指标影响度的限定条件F1+F2+…+Fm＝1，也就是F_k为第k种污泥参数对应的指标影响度。这里的(F1、F2、…、Fm)是待求量，后续的步骤(1-3)-(1-4)会通过构建目标函数的方式，以获取最佳的各分量组合，即客观准确的获取各污泥参数对污泥状态指标的影响度。

(1-3)根据n组污泥参数以及设定的待计算的m种污泥参数各自对应的指标影响度，计算n组污泥参数各自对应的n个污泥状态指标值。

其中，对于m种污泥参数各自对应的指标影响度构成的序列(F1、F2、…、Fm)，这里将该序列简称为投影向量Eq，根据n组污泥参数，可以计算出n组污泥参数各自对应的n个污泥状态指标值，污泥状态指标值表征了经过污泥处理后的污泥的状态，也即污泥处理设备的效果指标，这n个污泥状态指标值构成序列(W1、W2、…、Wn)。其中，这n个污泥状态指标值中的第i个污泥状态指标值的计算公式为：

式中，W_i为n个污泥状态指标值中的第i个污泥状态指标值，Fj为第j种污泥参数对应的指标影响度，x_ij为第i组污泥参数中的第j种污泥参数。

(1-4)根据n个污泥状态指标值，构造目标函数，并根据设置的各个指标影响度的限定条件，对目标函数进行求解，求解出m种污泥参数各自对应的指标影响度的最优解。

其中，根据步骤(1-3)获取的在投影向量Eq上的污泥状态指标值序列(W1、W2、…、Wn)，通过构建投影向量判定指标模型，该投影向量判定指标模型包括第一判定值和第二判定值，进而构造目标函数，进一步对污泥状态指标进行分析，分析各污泥状态指标的分布情况，以获取最优的投影向量Eq。其中，构造目标函数的具体步骤如下：

(1-4-1)计算n个污泥状态指标值的均值，进而分别计算n个污泥状态指标值与该均值的差值，并根据差值，确定第一判定值，该第一判定值用于分析在投影向量Eq上各污泥状态指标的整体分布情况，对应的计算公式为：

其中，P1为第一判定值，Eq为待计算的m种污泥参数各自对应的指标影响度构成的序列，W_i为n个污泥状态指标值中的第i个污泥状态指标值，为n个污泥状态指标值的均值，即在投影方向Eq上{W₁,W₂,...,W_n}的均值。

(1-4-2)获取滑动窗口尺寸，在滑动窗口滑动过程中，计算n个污泥状态指标值中的任意两个污泥状态指标值的差值，并根据任意两个污泥状态指标值的差值以及滑动窗口尺寸，确定第二判定值，该第二判定值用于分析在投影向量Eq上各污泥状态指标的局部分布情况，对应的计算公式为：

其中，P2为第二判定值，Eq为待计算的m种污泥参数各自对应的指标影响度构成的序列，k为中间参数，d_i,t为n个污泥状态指标值中的第i个污泥状态指标值与第t个污泥状态指标值的差值的绝对值，G为滑动窗口尺寸，即分析局部距离时所用时所设定的窗口尺寸，实施者可根据经验、数据统计、实验等方式进行设定。

(1-4-3)根据第一判定值和第二判定值，确定目标函数。

通过第一判定值和第二判定值的表达式可知，为保证获取包含原始信息量最大的投影方向Eq，当污泥状态指标在该投影向量上的布局满足整体分布越分散、局部分布越聚集时，所包含的信息量越大，也即不同特征在该投影方向上的差异越大，相同特征在该投影向量上的差异越小，此时对应投影向量为最佳的投影向量，此时可以得到分析污泥状态指标时各污泥参数所对应的最佳贡献度。因此，基于向向量判定模型构建目标函数，用于获取最佳的分量组合，该目标函数具体为：

H＝max{P1(Eq)+P2(Eq)} (5)

其中，H为目标函数，P1为第一判定值，P2为第二判定值，max为取最大值函数。

通过上述该目标函数的表达式可知，当目标函数最大时所对应的投影向量为最佳的方向向量，该投影向量对应的各分量组合为最佳组合：(F1⁰、F2⁰、…、Fm⁰)，也即获取各污泥参数对于污泥状态指标分析时的影响度。因此，在通过上述的步骤(1-4-1)-(1-4-3)构建好目标函数之后，根据设置的各个指标影响度的限定条件，也就是对该目标函数进行求解，即利用现有技术中的智能寻优方法进行寻优求解，求解出m种污泥参数各自对应的指标影响度的最优解，该最优解即为投影向量对应的各分量组合为最佳组合：(F1⁰、F2⁰、…、Fm⁰)。由于现有技术中的智能寻优方法有很多，例如蚁群算法、遗传算法等，实施者可以根据实际情况选择使用其中一种具体的方法，此处不再赘述。

(1-5)分别判断求解出来的m种污泥参数各自对应的指标影响度是否低于设定影响度阈值，若不低于设定影响度阈值，则将该污泥参数作为影响污泥状态指标值的污泥参数，从而得到影响污泥状态指标值的污泥参数的种类，并对各个影响污泥状态指标值的污泥参数各自对应的指标影响度进行重新分配，从而得到每种影响污泥状态指标值的污泥参数各自所对应的指标影响度。

其中，在求解出m种污泥参数各自对应的指标影响度的最优解之后，即在获取各污泥参数对污泥状态指标的贡献度后，为避免无关因污泥参数对污泥状态的影响导致后续污泥处理设备异常判定的精度降低等问题，将最优的污泥参数的指标影响度低于设定影响度阈值所对应的污泥参数舍弃，只保留不低于设定影响度阈值所对应的污泥参数，避免其对污泥状态指标分析造成影响。在本实施例中，设定影响度阈值设置为0.05。通过对m种污泥参数进行舍弃操作后，最终得到c种污泥参数，c≤m，我们将这c种污泥参数作为影响污泥状态指标值的污泥参数。同时，将这c种污泥参数各自对应的指标影响度进行重新分配，就可以得到这c种影响污泥状态指标值的污泥参数各自所对应的指标影响度。其中，对这c种污泥参数各自对应的指标影响度进行重新分配对应的计算公式为：

其中，Fj⁰为c种污泥参数中的第j种污泥参数对应的指标影响度，F′j为c种污泥参数中的第j种污泥参数对应的重新分配后的指标影响度。

至此，通过上述的步骤(1-1)-(1-5)，可以获取影响污泥状态指标值的污泥参数的种类，即c种污泥参数，以及这c种污泥参数各自所对应的指标影响度，即(F′1、F′2、…、F′c)。

上述步骤S1基于污泥自身特征来获取各污泥参数对于污泥状态指标分析的影响度，避免了人为设定各污泥参数的指标影响度的主观性、随机性，有利于提高后续污泥处理设备的检测精度。

步骤S2：根据影响污泥状态指标值的污泥参数的种类，实时获取当前N个时刻对应的N组污泥参数，每组污泥参数包括c种影响污泥状态指标值的污泥参数。

其中，根据步骤S1所获取的影响污泥状态指标值的污泥参数的种类，在实时对污泥处理设备进行异常检测时，实时获取当前N个时刻对应的N组污泥参数，每组污泥参数都包括这c种影响污泥状态指标值的污泥参数。

步骤S3：根据N组污泥参数以及c种影响污泥状态指标值的污泥参数各自对应的指标影响度，计算当前N个时刻各自对应的污泥状态指标值，对应的计算公式为：

式中，W_i为当前N个时刻中的第i个时刻对应的污泥状态指标值，F′j为c种影响污泥状态指标值的污泥参数中的第j种污泥参数对应的指标影响度，x_ij为N组污泥参数中的第i组污泥参数中的c种影响污泥状态指标值的污泥参数中的第j种污泥参数。

步骤S4：根据当前N个时刻各自对应的污泥状态指标值，并利用预先构建并训练好的污泥状态预测网络，预测未来a个时刻对应的污泥状态指标值。

根据步骤S3可以获得当前N个时刻各自对应的污泥状态指标值，基于这当前N个时刻各自对应的污泥状态指标值，利用预先构建并训练好的污泥状态预测网络，对未来时刻污泥状态指标值进行预测，以便基于污泥状态指标预测值对污泥处理设备的异常情况进行提前判定，即提前检测到污泥处理设备的异常，并及时预警，避免造成设备重大损坏，严重影响污泥处理效果。其中，污泥状态预测网络预先构建和训练的过程如下：

首先，通过LSTM模型(长短期记忆模型)和全连接网络FC，构造污泥状态预测网络，该污泥状态预测网络的目标函数采用的是均方差损失函数。

其次，构造污泥状态预测网络的训练数据集，该训练数据集包括多组训练数据，每组训练数据为历史污泥处理过程中，当前N个时刻各自对应的污泥状态指标值构成的序列{W₁,W₂,...,W_N}。为了实现对污泥状态指标值的准确预测，训练数据的组数是大量的，并且这些训练数据不仅包括历史污泥处理过程中，污泥处理设备正常时所对应的污泥状态指标值构成的序列，同时包括历史污泥处理过程中，污泥处理设备异常时所对应的污泥状态指标值构成的序列。这里的污泥处理设备异常包括不同种类的污泥处理设备故障所引起的污泥处理设备异常。同时，为每组训练数据制作标签数据，标签数据为历史污泥处理过程中当前N个时刻之后的a个时刻各自对应的污泥状态指标值构成的序列{W_N+1,W_N+2,...,W_N+a}。在本实施例中，每组训练数据由历史污泥处理过程中的前5个时刻各自对应的污泥状态指标值构成，即每组训练数据为(W₁,W₂,W₃,W₄,W₅)，每组训练数据对应的标签数据为前5个时刻之后的3个时刻各自对应的污泥状态指标值，即每组训练数据的标签数据为(W₆,W₇,W₈)。

最后，利用训练数据集，对构造的污泥状态预测网络进行迭代训练。在进行训练时，将序列{W₁,W₂,...,W_N}输入到LSTM模型中，通过LSTM模型对输入序列进行分析，获取对应的特征向量H，用于对未来N+a时刻的污泥状态指标值进行预测。基于LSTM模型提取该特征向量H后，将该特征向量H输入到全连接网络FC中，由全连接网络FC对序列{W₁,W₂,...,W_N}之后的a个时刻各自对应的污泥状态指标值构成的序列{W_N+1,W_N+2,...,W_N+a}进行预测，进而不断更新LSTM模型和全连接网络FC中的各个参数，最终得到训练好的污泥状态预测网络。

需要说明的是，本步骤的目的是利用预先构建并训练好的污泥状态预测网络，来预测未来a个时刻对应的污泥状态指标值，而构建和训练污泥状态预测网络的关键是根据应用需要，确定出网络的模型结构，本实施例的网络模型的结构为LSTM模型-全连接网络FC，以及确定网络的训练数据集和标签数据，而至于训练的详细过程属于现有技术，此处不再进行详细描述。

步骤S5：分别判断未来a个时刻对应的污泥状态指标值是否位于污泥状态指标值设定范围内，若有一个时刻对应的污泥状态指标值不位于污泥状态指标值设定范围内，则判定污泥处理设备出现异常。

其中，通过上述步骤S4，可以获取预测的未来a个时刻对应的污泥状态指标值，将这未来a个时刻对应的污泥状态指标值与预先确定的污泥状态指标值设定范围进行比较，也就是与污泥处理设备正常情况下的污泥状态指标范围进行比较，以便于后续对污泥处理设备异常情况的检测，该污泥状态指标值设定范围的确定步骤包括：

(5-1)获取预先确定的影响污泥状态指标值的污泥参数的种类以及每种影响污泥状态指标值的污泥参数各自所对应的指标影响度。

由于本步骤中获取预先确定的影响污泥状态指标值的污泥参数的种类以及每种影响污泥状态指标值的污泥参数各自所对应的指标影响度的方式，与上述步骤S1是完全相同的，由于步骤S1已经做出了详细描述，此处不再赘述。

(5-2)根据影响污泥状态指标值的污泥参数的种类，获取污泥处理设备未发生故障时的L组污泥参数，每组污泥参数包括c种影响污泥状态指标值的污泥参数。

在历史污泥处理过程中，根据影响污泥状态指标值的污泥参数的种类，获取L组理想处理情况下的污泥参数，也就是获取L组污泥处理设备正常情况下的污泥参数。

(5-3)根据L组污泥参数以及c种影响污泥状态指标值的污泥参数各自对应的指标影响度，计算L组污泥参数各自对应的污泥状态指标值。

根据步骤(5-2)中所获取的污泥处理设备未发生故障时的L组污泥参数，并结合步骤S1中所获取的每种影响污泥状态指标值的污泥参数各自所对应的指标影响度，计算这L组污泥参数各自对应的污泥状态指标值，具体计算过程可以参考上述的公式(1)或公式(7)，此处不再赘述。

(5-4)获取L组污泥参数各自对应的污泥状态指标值的上限值和下限值，并将不低于下限值且不高于上限值所对应的区间作为污泥状态指标值设定范围。

根据步骤(5-3)中获取的L组污泥参数各自对应的污泥状态指标值，获取对应的二维分布图，二维分布图的横坐标为L组污泥参数中的各个组数，二维分布图的纵坐标为该组污泥参数所对应的污泥状态指标值。根据该二维分布图，获取各个污泥状态指标值的上限值W_上和下限值W_下，并将[W_上，W_下]作为污泥状态指标值设定范围，也即污泥处理设备正常情况下的污泥状态指标范围。

通过上述步骤(5-1)-(5-4)，可以获取污泥状态指标值设定范围，在获取该污泥状态指标值设定范围后，判断预测得到的未来a个时刻对应的污泥状态指标值是否位于该污泥状态指标值设定范围[W_上，W_下]内，若有一个污泥状态指标值不位于该污泥状态指标值设定范围[W_上，W_下]内，则认为污泥处理设备存在发生异常的风险，此时则提示相关管理人员对污泥处理设备进行全面检测，以防止设备出现重大异常导致污泥处理效果降低、污泥处理效率低下等问题；若所有的污泥状态指标值均位于该污泥状态指标值设定范围[W_上，W_下]内，则认为污泥处理设备不存在发生异常的风险，急污泥处理设备处于正常状态。

本实施例还提供了一种基于人工智能的污泥处理设备异常检测系统，系统包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的基于人工智能的污泥处理设备异常检测方法。由于该基于人工智能的污泥处理设备异常检测方法已经在上述内容中进行了详细介绍，此处不再赘述。

本发明通过污泥处理设备处理后的污泥状态指标来对其污泥处理设备进行反向检测，能有效降低检测过程中的噪声影响，同时仅对处理后的污泥进行检测，方便快捷，能够有效降低系统检测量，同时有效避免人工检测的主观性，降低错检误检现象。另外，本发明通过时序分析法对污泥状态指标进行预测，以便实现对污泥处理设备的工作状态进行预测，进一步提高了设备异常检测效率。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于人工智能的污泥处理设备异常检测方法，其特征在于，包括以下步骤：

获取预先确定的影响污泥状态指标值的污泥参数的种类以及每种影响污泥状态指标值的污泥参数各自所对应的指标影响度；

根据影响污泥状态指标值的污泥参数的种类，实时获取当前N个时刻对应的N组污泥参数，每组污泥参数包括c种影响污泥状态指标值的污泥参数；

根据N组污泥参数以及c种影响污泥状态指标值的污泥参数各自对应的指标影响度，计算当前N个时刻各自对应的污泥状态指标值；

根据当前N个时刻各自对应的污泥状态指标值，确定污泥处理设备是否出现异常；

所述计算当前N个时刻各自对应的污泥状态指标值的方法为：

式中，W_i为当前N个时刻中的第i个时刻对应的污泥状态指标值，F′j为c种影响污泥状态指标值的污泥参数中的第j种污泥参数对应的指标影响度，x_ij为N组污泥参数中的第i组污泥参数中的c种影响污泥状态指标值的污泥参数中的第j种污泥参数；根据当前N个时刻各自对应的污泥状态指标值，确定污泥处理设备是否出现异常的步骤包括：

根据当前N个时刻各自对应的污泥状态指标值，并利用预先构建并训练好的污泥状态预测网络，预测未来a个时刻对应的污泥状态指标值；

分别判断未来a个时刻对应的污泥状态指标值是否位于污泥状态指标值设定范围内，若有一个时刻对应的污泥状态指标值不位于污泥状态指标值设定范围内，则判定污泥处理设备出现异常；

影响污泥状态指标值的污泥参数的种类以及每种污泥参数各自所对应的指标影响度的确定步骤包括：

获取历史经过污泥处理后的n组污泥参数，每组污泥参数包括m种污泥参数；

设定待计算的m种污泥参数各自对应的指标影响度，并设置各个指标影响度的限定条件；

根据n组污泥参数以及设定的待计算的m种污泥参数各自对应的指标影响度，计算n组污泥参数各自对应的n个污泥状态指标值；

根据n个污泥状态指标值，构造目标函数，并根据设置的各个指标影响度的限定条件，对目标函数进行求解，求解出m种污泥参数各自对应的指标影响度的最优解；

分别判断求解出来的m种污泥参数各自对应的指标影响度是否低于设定影响度阈值，若不低于设定影响度阈值，则将该污泥参数作为影响污泥状态指标值的污泥参数，从而得到影响污泥状态指标值的污泥参数的种类，并对各个影响污泥状态指标值的污泥参数各自对应的指标影响度进行重新分配，从而得到每种影响污泥状态指标值的污泥参数各自所对应的指标影响度；

构造目标函数的步骤包括：

计算n个污泥状态指标值的均值，进而分别计算n个污泥状态指标值与该均值的差值，并根据所述差值，确定第一判定值；

获取滑动窗口尺寸，在滑动窗口滑动过程中，计算n个污泥状态指标值中的任意两个污泥状态指标值的差值，并根据任意两个污泥状态指标值的差值以及滑动窗口尺寸，确定第二判定值；

根据第一判定值和第二判定值，确定目标函数；

第一判定值对应的计算公式为：

其中，P1为第一判定值，Eq为待计算的m种污泥参数各自对应的指标影响度构成的序列，W_i为n个污泥状态指标值中的第i个污泥状态指标值，为n个污泥状态指标值的均值；

第二判定值对应的计算公式为：

其中，P2为第二判定值，Eq为待计算的m种污泥参数各自对应的指标影响度构成的序列，k为中间参数，G为滑动窗口尺寸，d_i,t为n个污泥状态指标值中的第i个污泥状态指标值与第t个污泥状态指标值的差值的绝对值；

目标函数置和设置的各个指标影响度的限定条件对应的计算公式为：

H＝max{P1(Eq)+P2(Eq)}

其中，H为目标函数，P1为第一判定值，P2为第二判定值，Eq为待计算的m种污泥参数各自对应的指标影响度构成的序列，max为取最大值函数，为设置的指标影响度的限定条件，F_k为待计算的第k种污泥参数对应的指标影响度。

2.根据权利要求1所述的基于人工智能的污泥处理设备异常检测方法，其特征在于，污泥状态指标值设定范围的确定步骤包括：

获取预先确定的影响污泥状态指标值的污泥参数的种类以及每种影响污泥状态指标值的污泥参数各自所对应的指标影响度；

根据影响污泥状态指标值的污泥参数的种类，获取污泥处理设备未发生故障时的L组污泥参数，每组污泥参数包括c种影响污泥状态指标值的污泥参数；

根据L组污泥参数以及c种影响污泥状态指标值的污泥参数各自对应的指标影响度，计算L组污泥参数各自对应的污泥状态指标值；

获取L组污泥参数各自对应的污泥状态指标值的上限值和下限值，并将不低于下限值且不高于上限值所对应的区间作为污泥状态指标值设定范围。

3.一种基于人工智能的污泥处理设备异常检测系统，其特征在于，系统包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现如权利要求1-2中任一项所述的基于人工智能的污泥处理设备异常检测方法。