CN115169479A - 污水处理过程远程监控方法、系统及存储介质 - Google Patents

污水处理过程远程监控方法、系统及存储介质 Download PDF

Info

Publication number
CN115169479A
CN115169479A CN202210857780.6A CN202210857780A CN115169479A CN 115169479 A CN115169479 A CN 115169479A CN 202210857780 A CN202210857780 A CN 202210857780A CN 115169479 A CN115169479 A CN 115169479A
Authority
CN
China
Prior art keywords
sewage treatment
abnormal condition
data
treatment process
platform
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.)
Pending
Application number
CN202210857780.6A
Other languages
English (en)
Inventor
李晨龙
马晓爽
王峰
陈文亮
袁常顺
王俊
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.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
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 Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202210857780.6A priority Critical patent/CN115169479A/zh
Priority to US17/938,916 priority patent/US20230112496A1/en
Publication of CN115169479A publication Critical patent/CN115169479A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2605—Wastewater treatment
    • 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]

Abstract

本发明公开了一种污水处理过程远程监控方法、系统及存储介质。一种污水处理过程远程监控方法，用污水处理数据采集平台采集各传感器数据，其中，所述污水处理数据采集平台中设置有至少一个用于采集污水数据的传感器；利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测，确定有异常情况，则警报提醒；利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型；利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数。

Description

污水处理过程远程监控方法、系统及存储介质
技术领域
本发明实施例涉及网络技术与安全，尤其涉及一种污水处理过程远程监控方法、系统及存储介质。
背景技术
近年来，随着“碳达峰、碳中和”的提出，标志着我国经济发展由高能耗、高排放向清洁、低能耗模式转变，给生态环保产业带来巨大挑战。污水处理过程作为生态环保产业之一近年来受到极大关注，其是一个典型的复杂流程工业过程，其优化运行涉及到多个动态性能指标，从能量转换的角度来看，传统污水处理模式的实质是以能耗换取水质。为了减少水污染，我们使用大量电能，并间接产生大量二氧化碳排放，这对全球生态环境产生了负面影响。因此，减少污水处理的能耗和物耗是产业升级的必然目标，实现这一目标跟污水处理过程的异常情况检测与诊断和水质、能耗多目标控制息息相关。然而，污水处理过程运行机理复杂，给监控带来挑战。此外，以往的研究只简单的对异常情况进行检测，没有谈及后续处理策略且检测准确性有待提高，同时，没有把能耗综合进行考虑，此外，面对大数据量时难以处理。因此，污水处理远程过程监控问题成为亟待解决的一个核心问题，具有重要的理论与实际意义。
发明内容
本发明提供一种污水处理过程远程监控方法、系统及存储介质，以解决污水处理远程过程监控问题。
第一方面，本发明实施例提供了一种污水处理过程远程监控方法，包括：
用污水处理数据采集平台采集各传感器数据，其中，所述污水处理数据采集平台中设置有至少一个用于采集污水数据的传感器；
利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测，确定有异常情况，则警报提醒；
利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型；
利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数。
较佳地，所述污水处理数据采集平台的传感器包括温度传感器、酸度计、碱度计、流量计、摄像头以及毫米波雷达。
较佳地，所述利用深度学习技术建立检测平台对污水处理过程异常情况进行检测，具体包括：
建立异常情况检测模型，其中，异常情况检测模型采取勒让德深度网络模型；采取残差生成器建立检测标准；对污水处理过程异常情况进行检测；其中，勒让德深度网络模型采用学习算法进行学习，其中，采用BP(Back Propagation)学习算法、RLS(RecursiveLeast Square)学习算法、L-M(Levenberg-Marquardt)学习算法的一种或几种；
所述利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型，具体包括：建立异常情况诊断模型；针对故障发生情况进行分类；对检测出的污水处理过程异常情况进行诊断分类；
所述利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数，具体包括:建立运行过程目标模型，描述运行目标与系统状态变量的动态特征，其中，多目标控制采取神经网络多目标优化控制方案；设计优化方法，获取控制变量优化设定值；利用控制器跟踪设定值，实现污水处理过程传感器数据的优化控制。
较佳地，勒让德深度网络模型是一个4层网络，分为输入层，输出层与两个中间层，其中第一中间层与第二中间层连接采取共享网络权值，第二中间层与输出层采取全连接形式；
将t维系统表示成如下形式，其展开是勒让德多项式形式：
Figure BDA0003756188210000031
其中，N(t，m)表示t元函数g展开成m(m＝2n，n＝0，1，...)次逼近多项式乘积项的总项数，wp(k)表示上式中第p个乘积项的权重系数，λ(p，q)表示第p个乘积项中变量zq(k)的次数，且
Figure BDA0003756188210000032
第二中间层与输出层采取全连接形式：
Figure BDA0003756188210000033
其中，
Figure BDA0003756188210000034
为勒让德深度网络模型输出，
Figure BDA0003756188210000035
表示第p个乘积项的权重系数。
较佳地，所述用污水处理数据采集平台采集各传感器数据之后，所述利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测之前，还包括：对所述传感器数据进行预处理，去除数据中的噪声。
较佳地，所述对所述传感器数据进行预处理，去除数据中的噪声，具体包括：通过云端进行数据存储和数据预处理，其中所述数据预处理，具体为：
通过对数据进行分解，去掉部分高频分量，重组等步骤来进行去噪处理。
第二方面，本发明提供一种污水处理过程远程监控系统，包括：
污水处理数据采集模块，用于利用污水处理数据采集平台采集各传感器数据，其中，所述污水处理数据采集平台中设置有至少一个用于采集污水数据的传感器；
异常检测模块，用于利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测，确定有异常情况，则警报提醒；
异常诊断模块，用于利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型；
优化控制模块，用于利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数。
较佳地，所述污水处理数据采集平台的传感器包括温度传感器、酸度计、碱度计、流量计、摄像头以及毫米波雷达。
较佳地，所述利用深度学习技术建立检测平台对污水处理过程异常情况进行检测，具体包括：
建立异常情况检测模型，其中，异常情况检测模型采取勒让德深度网络模型；采取残差生成器建立检测标准；对污水处理过程异常情况进行检测；其中，勒让德深度网络模型采用学习算法进行学习，其中，采用BP(Back Propagation)学习算法、RLS(RecursiveLeast Square)学习算法、L-M(Levenberg-Marquardt)学习算法的一种或几种；
所述利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型，具体包括：建立异常情况诊断模型；针对故障发生情况进行分类；对检测出的污水处理过程异常情况进行诊断分类；
所述利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数，具体包括:建立运行过程目标模型，描述运行目标与系统状态变量的动态特征，其中，多目标控制采取神经网络多目标优化控制方案；设计优化方法，获取控制变量优化设定值；利用控制器跟踪设定值，实现污水处理过程传感器数据的优化控制。
第三方面，本发明还提供了一种计算机存储介质，存储介质中存储有指令，指令运行时执行上述的一种污水处理过程远程监控方法。
本发明通过一种污水处理过程远程监控方法、系统及存储介质，综合利用多传感器信息融合策略、深度学习技术与优化控制技术建立控制平台，对污水处理过程异常水质与能耗进行多目标控制，从而达到节能减排的目的，为“碳达峰、碳中和”做贡献。以上结果可以在显示平台显示，支持本地与远程查看监控结果。本发明的一种污水处理过程远程监控系统与方法解决了现有污水处理过程监控准确性以及能耗浪费的问题，利用信息融合技术、数据处理技术、深度学习技术、故障检测与诊断技术和优化控制技术等技术给出一套全新的污水处理过程远程监控系统的设计与实施方案，具有监控范围广、监控指标全面、智能程度高、能耗低的有益效果。
附图说明
图1为本发明实施例一中的污水处理过程远程监控方法流程图；
图2是本发明实施例一中污水处理过程异常情况检测模型的残差生成器结构图；
图3是本发明实施例一中示例的学习算法的整体建模过程图；
图4本发明实施例一中的示例的污水处理过程的整体优化控制方案示意图；
图5是本发明实施例一中示例的勒让德深度网络模型结构图；
图6是本发明实施例一中示例的污水处理过程远程监控平台框图；
图7是本发明实施例二的污水处理过程远程监控系统。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种污水处理过程远程监控方法的流程图，本实施例具体包括如下步骤：
S110用污水处理数据采集平台采集各传感器数据，其中，污水处理数据采集平台中设置有至少一个用于采集污水数据的传感器。污水处理数据采集平台的传感器包括温度传感器、酸度计、碱度计、流量计、摄像头以及毫米波雷达。
S120利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测，确定有异常情况，则连接报警平台。
S130利用深度学习技术建立异常情况诊断平台对检测出的异常情况进行诊断，确定其异常情况类型。
S140利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数。
本实施例中，控制平台包括对异常水质以及污水处理能耗进行多目标控制，以实现节能减排的目的。
本实施例中，S120，具体包括：
建立异常情况检测模型，其中，异常情况检测模型采取勒让德深度网络模型；采取残差生成器建立检测标准；对污水处理过程异常情况进行检测；其中，勒让德深度网络模型采用学习算法进行学习，其中，采用BP学习算法、RLS学习算法、L-M学习算法的一种或几种；
S120，具体包括：建立异常情况诊断模型；针对故障发生情况进行分类；对检测出的污水处理过程异常情况进行诊断分类；
利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数，具体包括:建立运行过程目标模型，描述运行目标与系统状态变量的动态特征，其中，多目标控制采取神经网络多目标优化控制方案；设计优化方法，获取控制变量优化设定值；利用控制器跟踪设定值，实现污水处理过程传感器数据的优化控制。
在一些实施例中，在S110之前，在S120之后，还包括S150：对传感器数据进行预处理，去除数据中的噪声。
其中，对传感器数据进行预处理，去除数据中的噪声，具体包括：通过云端进行数据存储和数据预处理，其中数据预处理，具体为：
通过对数据进行分解，去掉部分高频分量，重组等步骤来进行去噪处理。
其中，云端数据存储与处理平台包括数据存储模块和数据预处理模块，可以有效对数据进行存储以及对数据进行预处理，提高监控准确性。
数据传输平台依靠互联网传输。异常情况检测平台可以对污水处理过程异常情况进行检测。异常情况诊断平台可以对检测出的污水处理过程异常情况进行诊断分类。控制平台包括对异常水质以及污水处理能耗进行多目标控制，以实现节能减排的目的。
本发明的一种污水处理过程控制方法可以实现对异常监控情况与污水处理过程能耗的整体控制，给出一套全新的污水处理过程控制方法设计与实施方案，具有控制准确性高、能耗低的有益效果。连接异常情况检测平台，对污水处理异常情况进行报警。包括终端显示模块以及远程显示模块。
温度传感器可以有效采集污水处理水温，因为温度的高低直接影响微生物活性。酸度计和碱度计可以对污水处理过程中污水的PH值进行采集，因为对于酸、碱废水的中和处理而言，PH值更是控制投药量和显示废水处理是否达标的最关键指标，因此，及时、准确地测量出废水的PH值就显得尤为重要。流量计可以对污水的流速进行采集。毫米波雷达可以对污水液位进行测量。摄像头可以对污水过程的运行、维护、安防进行监控。可以在云端进行数据存储，给远程监控带来方便。数据预处理，采取数据处理技术，通过对数据进行分解，去掉部分高频分量，重组等步骤来进行去噪处理，以此达到数据预处理的目的，提高监控准确性。污水处理过程异常情况包括水质酸碱度异常、流量异常与液位异常等。
异常情况检测模型采取勒让德深度网络模型。污水处理过程异常情况检测标准采取残差生成器建立检测标准。异常水质以及污水处理能耗的多目标控制采取神经网络多目标优化控制方案。
勒让德深度网络模型采用适当的学习算法进行学习，其中可以采用BP学习算法、RLS学习算法、L-M学习算法等。本专利采用L-M学习算法。
神经网络多目标优化控制方案包括：设计深度神经网络优化模型，获取控制变量优化设定值；设计深度神经网络模型构建污水处理过程，利用适当的学习算法作为深度神经网络模型的学习算法对其进行训练；设计深度神经网络优化控制器对异常水质与能耗进行多目标优化控制。
以下为一具体实例，以阐述本申请的污水处理过程远程监控方法的具体应用。
如图6所示，污水处理过程远程监控平台包括数据采集平台、云端数据存储与处理平台、数据传输平台、异常情况检测平台、异常情况诊断平台、控制平台、报警平台以及显示平台。首先，数据采集平台采集各传感器信息；然后，由传输平台传到云端数据存储与处理平台，利用数据处理技术对数据进行预处理，提高监控准确度；最后，建立异常情况检测平台、诊断平台与控制平台，综合利用多传感器信息融合策略、深度学习技术、故障检测与诊断技术和优化控制技术对污水处理过程进行监控，同时对异常水质与能耗进行多目标控制，从而达到节能减排的目的，为“碳达峰、碳中和”做贡献。本发明的一种污水处理过程远程监控系统与方法解决了现有污水处理过程监控准确性以及能耗浪费的问题，给出了一套全新的污水处理过程的智能感知系统设计与实施方案，具有监控范围广、监控指标全面、智能程度高、能耗低的有益效果。
具体实施方案：
步骤1，利用数据采集平台对各传感器数据进行采集。
数据采集平台由温度传感器、酸度计、碱度计、流量计、摄像头以及毫米波雷达构成，分别采集各个传感器的数据。
步骤2，由数据传输平台的传输网络将各传感器数据传输到云端数据存储与处理平台；并利用数据预处理模块进行预处理。
首先，对原始数据进行分解；
然后，把分解后的数据去掉部分高频分量，得到处理后的各分量以达到数据去噪的目的。
最后，数据重构。
步骤3，利用异常情况检测平台对污水处理过程异常情况进行检测。
首先，构建勒让德深度网络模型作为异常情况检测模型；
然后，借助残差生成器对污水处理构建检测标准；
最后，对污水处理过程异常情况进行检测，如果检测出现异常，连接报警平台进行报警。
步骤4，利用异常情况诊断平台对污水处理过程异常情况进行诊断。
首先，构建勒让德深度网络模型作为异常情况诊断模型；
然后，根据异常情况检测平台检测出的污水处理过程异常情况中的水质酸碱度异常、流量异常与液位异常，建立异常情况分类标签；
最后，借助异常情况诊断模型进行三分类，从而诊断异常情况，根据异常情况进行后续处理。
步骤5，构建控制方案，对污水处理过程异常水质与能耗进行多目标优化控制。
首先，设计勒让德深度网络优化模型，获取控制变量优化设定值；
然后，设计勒让德深度网络模型构建污水处理过程，利用适当的学习算法作为深度神经网络模型的学习算法对其进行训练；
最后，设计勒让德深度网络优化控制器对异常水质与能耗进行多目标优化控制。
步骤6，借助显示模块查看监控情况，支持远程监控。
综上所述，本发明结合数据处理技术、数据融合技术与人工智能技术等前沿科学，给出了一种污水处理过程的远程监控系统的设计方案，该发明可以对污水处理过程进行有效监控与控制。
以下对勒让德深度网络做进一步介绍：
模型结构图如图5所示，其是一个4层网络，分为输入层，输出层与两个中间层，其中第一中间层与第二中间层连接采取共享网络权值，第二中间层与输出层采取全连接形式。
可以将t维系统表示成如下形式，其展开是勒让德多项式形式：
Figure BDA0003756188210000111
其中，N(t，m)表示t元函数g展开成m(m＝2n，n＝0，1，...)次逼近多项式乘积项的总项数，wp(k)表示上式中第p个乘积项的权重系数，λ(p，q)表示第p个乘积项中变量zq(k)的次数，且
Figure BDA0003756188210000112
第二中间层与输出层采取全连接形式，如下式所示。
Figure BDA0003756188210000113
其中，
Figure BDA0003756188210000114
为勒让德深度网络模型输出，
Figure BDA0003756188210000115
表示上式中第p个乘积项的权重系数。
下面对本示例学习算法做进一步介绍：
本文采用L-M(Levenberg Marquardt)算法，其是G-N(Gauss-Newton)法的改进形式，其既拥有Gauss-Newton法的局部特性，又拥有梯度法的全局特性。
权值可以通过以下目标函数来训练
Figure BDA0003756188210000116
其中，y(k)为系统的输出，
Figure BDA0003756188210000117
为MTN预测模型的输出，
Figure BDA0003756188210000118
其为系统输出与模型输出之间的误差。
L-M算法来源于牛顿算法与G-N算法，牛顿法来源于多元函数的泰勒展开，
Figure BDA0003756188210000121
作为搜索方向。权值更新公式如下：
Figure BDA0003756188210000122
其中，
Figure BDA0003756188210000123
为Hessian矩阵，其包括了2阶导数项，如果去掉高阶导数项σ(wi)，牛顿算法变为G-N算法。权值跟新公式如下：
Figure BDA0003756188210000124
当矩阵
Figure BDA0003756188210000125
为病态矩阵，G-N法可能会陷入错误；尤其当矩阵
Figure BDA0003756188210000126
不可逆时，G-N算法不再适用。为了解决G-N算法的问题，引入L-M算法，它在G-N算法的基础上引入因子
Figure BDA0003756188210000127
其权值更新公式如下：
Figure BDA0003756188210000128
其中，
Figure BDA0003756188210000129
为常数且
Figure BDA00037561882100001210
其可以从0到一个很大的数。如果
Figure BDA00037561882100001211
为0，则L-M算法变为G-N算法，如果
Figure BDA00037561882100001212
很大，算法接近一个最陡的下降搜索，此时L-M算法与梯度算法相似。
整体建模过程如下图3所示。
下面对本示例数据预处理做进一步介绍：
步骤1，利用数据采集模块对各传感器数据进行采集。
步骤2，由传输网络把传感器数据传输到云端数据处理模块。
步骤3，利用数据处理模块进行预处理。
首先，对原始数据X(t)进行经验模态分解(Empirical Mode Decomposition，EMD)，分解结果为
Figure BDA0003756188210000131
由如下方法得到每一个本征模态函数(Intrinsic Mode Function，IMF)：
极大值包络线e+(t)和极小值包络线e_(t)由原有数据x(t)的所有极大值点和极小值点中分别通过三次样条函数来拟合得到。其上下包络线的均值作为原始数据的均值包络m1(t)，则：
Figure BDA0003756188210000132
将原始数据序列减去m1(t)，得到一个去掉低频的新数据
Figure BDA0003756188210000133
得到
Figure BDA0003756188210000134
一般，
Figure BDA0003756188210000135
不是一个平稳数据，不满足IMF的两个条件，重复上述过程，假定经过k次之后满足IMF的定义，则原始数据x(t)的一阶IMF分量为：
Figure BDA0003756188210000136
用原始数据减去imf1(t)，得到新数据r1(t)，则：r1(t)＝x(t)-imf1(t)；
如此反复进行，直到第n阶IMF分量或残余分量rn(t)小于预设值或当残余分量rn(t)是单调函数或常量时，EMD分解停止，得到相应的IMF分量。
然后，原始数据去噪。通过对高频IMF分量、低频IMF分量和余量分析，同时噪声能量多集中于高频的特点，经反复试验验证，把分解后的数据去掉部分高频分量，得到处理后的各分量。
最后，数据重构：把去掉部分高频分量后的数据进行重组，求得经过EMD处理后的数据，
Figure BDA0003756188210000137
其中去掉哪些高频分量需要试验确定。
下面对本示例的故障检测做进一步介绍：
利用异常情况检测平台对污水处理过程异常情况进行检测。
首先，构建勒让德深度网络模型作为异常情况检测模型，详见上文；
然后，借助残差生成器对污水处理构建检测标准；
如图2所示，残差生成器是根据勒让德深度网络模型的输出与实际输出的差值设计的，其思想来源于预测过程的思想。残差生成器的结构如图2所示，其中为e残差生成器的输出，
Figure BDA0003756188210000141
与y(k+1)分别表示勒让德深度网络模型的输出和实际输出。
阈值计算：为了实现基于残差的故障检测，采用阈值选择器对残差进行评估。监测标准可表示为:
如果Γ＞Lth，则检测到故障；
如果Γ≤Lth，无故障。
其中，Lth为阈值，残差信号的方差可作为残差评价函数。
Figure BDA0003756188210000142
其中，
Figure BDA0003756188210000143
N为采样点个数。当然，故障检测的标准也可以根据经验和试验进行选取。
最后，对污水处理过程异常情况进行检测，如果检测出现异常，连接报警平台进行报警。
下面对本示例中故障诊断进一步介绍：
首先，构建勒让德深度网络模型作为异常情况诊断模型；
然后，根据异常情况检测平台检测出的污水处理过程异常情况中的水质酸碱度异常、流量异常与液位异常，建立异常情况分类标签；
最后，借助异常情况诊断模型进行三分类，输出分别为-1，0，1，其中-1代表水质酸碱度异常；0代表流量异常；1代表液位异常。从而诊断异常情况，根据异常情况进行后续处理。
具体建模情况与上述的异常情况检测模型相同。
下面对本示例中控制部分进一步介绍：
一、整体控制方案
首先，设计勒让德深度网络优化模型，获取控制变量优化设定值；
模型输入为水质变量与现有能耗值，建立二次型最优形式，优化目标为水质变量与现有能耗值，经过优化得出控制变量优化设定值，其包括水质变量与能耗值。
然后，设计勒让德深度网络模型构建污水处理过程，利用L-M学习算法作为勒让德深度网络模型的学习算法对其进行训练，使模型收敛；(详见勒让德深度网络模型部分)
最后，设计勒让德深度网络优化控制器对异常水质与能耗进行多目标优化控制，勒让德深度网络优化控制器即为勒让德深度网络模型作为控制器应用。
整体结构如图4所示。
二、勒让德深度网络优化控制器。
其中，控制器模型为勒让德深度网络模型，其结构如图5所示，其是一个4层网络，分为输入层，输出层与两个中间层，其中第一中间层与第二中间层连接采取共享网络权值，第二中间层与输出层采取全连接形式。
可以将t维系统表示成如下形式，其展开是勒让德多项式形式：
Figure BDA0003756188210000151
其中，N(t，m)表示t元函数g展开成m(m＝2n，n＝0，1，...)次逼近多项式乘积项的总项数，wp(k)表示上式中第p个乘积项的权重系数，λ(p，q)表示第p个乘积项中变量zq(k)的次数，且
Figure BDA0003756188210000152
xj(k)＝{eCj(k)，eCj(k-1)，eCj(k-2)，...}，eCj(k)＝rj(k)-yj(k)。
第二中间层与输出层采取全连接形式，如下式所示。
Figure BDA0003756188210000161
其中，uCi(k)为勒让德深度网控制器输出，
Figure BDA0003756188210000162
表示式(2)中第p个乘积项的权重系数。
学习算法可定义如下目标函数:
Figure BDA0003756188210000163
其中，rj(k)为制变量优化设定值，yj(k)为输出。本专利中对应两个输出，分别为水质变量与能耗值。学习算法采用上述的L-M学习算法。
综上所述，本发明具有以下有益技术效果：
1)本发明综合信息融合技术、数据处理技术、深度学习技术、故障检测与诊断技术和优化控制技术，设计一种污水处理过程远程监控系统，包括数据采集平台、云端数据存储与处理平台、数据传输平台、异常情况检测平台、异常情况诊断平台、控制平台、报警平台以及显示平台。首先，数据采集平台采集各传感器信息；然后，由数据传输平台传到云端数据存储与处理平台，对数据进行保存，并利用数据处理技术对数据进行预处理，提供远程查看监控情况并提高监控准确度；最后，利用深度神经网络模型建立异常情况检测平台、诊断平台与控制平台，综合利用多传感器信息融合策略、深度学习技术、故障检测与诊断技术和优化控制技术对污水处理过程进行检测、诊断与控制，提高监控准确性以及能耗浪费的问题，起到节能减排的作用，为“碳中和、碳达峰”做贡献。所给出的一套全新的污水处理过程的远程监控系统设计与实施方案，具有监控范围广、监控指标全面、智能程度高、能耗低的有益效果。
2)本发明综合数据处理技术、数据融合技术以及故障检测与诊断技术，对污水处理过程异常情况检测平台进行整体设计，有效提高监控精度，完成污水处理过程异常情况整体检测。
3)本发明综合数据处理技术、数据融合技术以及故障检测与诊断技术，对污水处理过程异常情况诊断平台进行整体设计，有效提高诊断精度，完成污水处理过程的异常情况分类。
4)本发明综合数据处理技术、数据融合技术以及优化控制技术，对污水处理过程异常监控情况以及能耗问题进行综合控制，给出整体设计思路，提出基于深度神经网络的污水处理过程多目标优化控制方案，有效提高异常情况控制效果以及节能减排效果。
5)本发明开发设计云端数据存储与处理模块，通过数据处理技术对采集数据进行数据处理，有效提高建模精度；通过云端存储数据，方便远程调用与控制。
6)本发明开发设计显示平台，包括本地监控与远程监控，支持远程监控与控制。
本发明的实施例二还提供一种污水处理过程远程监控系统，如图7，包括：
污水处理数据采集模块310，用于利用污水处理数据采集平台采集各传感器数据，其中，所述污水处理数据采集平台中设置有至少一个用于采集污水数据的传感器；
异常检测模块320，用于利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测，确定有异常情况，则警报提醒；
异常诊断模块330，用于利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型；
优化控制模块340，用于利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数。
其中，污水处理数据采集平台的传感器包括温度传感器、酸度计、碱度计、流量计、摄像头以及毫米波雷达。
利用深度学习技术建立检测平台对污水处理过程异常情况进行检测，具体包括：
建立异常情况检测模型，其中，异常情况检测模型采取勒让德深度网络模型；采取残差生成器建立检测标准；对污水处理过程异常情况进行检测；其中，勒让德深度网络模型采用学习算法进行学习，其中，采用BP学习算法、RLS学习算法、L-M学习算法的一种或几种；
利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型，具体包括：建立异常情况诊断模型；针对故障发生情况进行分类；对检测出的污水处理过程异常情况进行诊断分类；
利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数，具体包括:建立运行过程目标模型，描述运行目标与系统状态变量的动态特征，其中，多目标控制采取神经网络多目标优化控制方案；设计优化方法，获取控制变量优化设定值；利用控制器跟踪设定值，实现污水处理过程传感器数据的优化控制。
本实施例系统可以执行前述实施例提供的任一种污水处理过程远程控制方法，因此也能实现相应的技术效果，前文已经进行了详细说明，此处不再赘述。
本发明的实施例还提供一种计算机设备，包括处理器和存储器；存储器用于存储计算机指令，处理器用于运行所述存储器存储的计算机指令，以执行前述实施例提供的任一种污水处理过程远程控制方法，因此也能实现相应的技术效果，前文已经进行了详细说明，此处不再赘述。
相应的，本发明的实施例还提供一种计算机可读存储介质，所述存储介质中存储有指令，所述指令运行时执行前述实施例提供的任一种污水处理过程远程控制方法，因此也能实现相应的技术效果，前文已经进行了详细说明，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种污水处理过程远程监控方法，其特征在于，包括：
用污水处理数据采集平台采集各传感器数据，其中，所述污水处理数据采集平台中设置有至少一个用于采集污水数据的传感器；
利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测，确定有异常情况，则警报提醒；
利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型；
利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数。
2.如权利要求1所述的污水处理过程远程监控方法，其特征在于，所述污水处理数据采集平台的传感器包括温度传感器、酸度计、碱度计、流量计、摄像头以及毫米波雷达。
3.如权利要求1所述的污水处理过程远程监控方法，其特征在于，所述利用深度学习技术建立检测平台对污水处理过程异常情况进行检测，具体包括：
建立异常情况检测模型，其中，异常情况检测模型采取勒让德深度网络模型；采取残差生成器建立检测标准；对污水处理过程异常情况进行检测；其中，勒让德深度网络模型采用学习算法进行学习，其中，采用BP学习算法、RLS学习算法、L-M学习算法的一种或几种；
所述利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型，具体包括：建立异常情况诊断模型；针对故障发生情况进行分类；对检测出的污水处理过程异常情况进行诊断分类；
所述利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数，具体包括:建立运行过程目标模型，描述运行目标与系统状态变量的动态特征，其中，多目标控制采取神经网络多目标优化控制方案；设计优化方法，获取控制变量优化设定值；利用控制器跟踪设定值，实现污水处理过程传感器数据的优化控制。
4.如权利要求3所述的污水处理过程远程监控方法，其特征在于，勒让德深度网络模型是一个4层网络，分为输入层，输出层与两个中间层，其中第一中间层与第二中间层连接采取共享网络权值，第二中间层与输出层采取全连接形式；
将t维系统表示成如下形式，其展开是勒让德多项式形式：
Figure FDA0003756188200000021
其中，N(t，m)表示t元函数g展开成m(m＝2n，n＝0，1，...)次逼近多项式乘积项的总项数，wp(k)表示上式中第p个乘积项的权重系数，λ(p，q)表示第p个乘积项中变量zq(k)的次数，且
Figure FDA0003756188200000022
第二中间层与输出层采取全连接形式：
Figure FDA0003756188200000023
其中，
Figure FDA0003756188200000024
为勒让德深度网络模型输出，
Figure FDA0003756188200000025
表示第p个乘积项的权重系数。
5.如权利要求1所述的污水处理过程远程监控方法，其特征在于，所述用污水处理数据采集平台采集各传感器数据之后，所述利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测之前，还包括：对所述传感器数据进行预处理，去除数据中的噪声。
6.如权利要求5所述的污水处理过程远程监控方法，其特征在于，所述对所述传感器数据进行预处理，去除数据中的噪声，具体包括：通过云端进行数据存储和数据预处理，其中所述数据预处理，具体为：
通过对数据进行分解，去掉部分高频分量，重组等步骤来进行去噪处理。
7.一种污水处理过程远程监控系统，其特征在于，包括：
污水处理数据采集模块，用于利用污水处理数据采集平台采集各传感器数据，其中，所述污水处理数据采集平台中设置有至少一个用于采集污水数据的传感器；
异常检测模块，用于利用深度学习技术建立异常情况检测平台对污水处理传感器数据的异常情况进行检测，确定有异常情况，则警报提醒；
异常诊断模块，用于利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型；
优化控制模块，用于利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数。
8.如权利要求7所述的一种污水处理过程远程监控系统，其特征在于，所述污水处理数据采集平台的传感器包括温度传感器、酸度计、碱度计、流量计、摄像头以及毫米波雷达。
9.如权利要求8所述的一种污水处理过程远程监控系统，其特征在于，所述利用深度学习技术建立检测平台对污水处理过程异常情况进行检测，具体包括：
建立异常情况检测模型，其中，异常情况检测模型采取勒让德深度网络模型；采取残差生成器建立检测标准；对污水处理过程异常情况进行检测；其中，勒让德深度网络模型采用学习算法进行学习，其中，采用BP学习算法、RLS学习算法、L-M学习算法的一种或几种；
所述利用深度学习技术建立异常情况诊断平台对检测出的所述异常情况进行诊断，确定其异常情况类型，具体包括：建立异常情况诊断模型；针对故障发生情况进行分类；对检测出的污水处理过程异常情况进行诊断分类；
所述利用各传感器数据信息，基于深度学习技术以优化控制污水处理过程参数，具体包括:建立运行过程目标模型，描述运行目标与系统状态变量的动态特征，其中，多目标控制采取神经网络多目标优化控制方案；设计优化方法，获取控制变量优化设定值；利用控制器跟踪设定值，实现污水处理过程传感器数据的优化控制。
10.一种计算机存储介质，其特征在于，存储介质中存储有指令，所述指令运行时执行如权利要求1-6中任一项所述的一种污水处理过程远程监控方法。
CN202210857780.6A 2022-07-20 2022-07-20 污水处理过程远程监控方法、系统及存储介质 Pending CN115169479A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210857780.6A CN115169479A (zh) 2022-07-20 2022-07-20 污水处理过程远程监控方法、系统及存储介质
US17/938,916 US20230112496A1 (en) 2022-07-20 2022-09-06 Remote monitoring method, system and storage medium for sewage treatment process

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210857780.6A CN115169479A (zh) 2022-07-20 2022-07-20 污水处理过程远程监控方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN115169479A true CN115169479A (zh) 2022-10-11

Family

ID=83496000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210857780.6A Pending CN115169479A (zh) 2022-07-20 2022-07-20 污水处理过程远程监控方法、系统及存储介质

Country Status (2)

Country Link
US (1) US20230112496A1 (zh)
CN (1) CN115169479A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678653A (zh) * 2023-05-26 2023-09-01 长江生态环保集团有限公司 一种基于传感器自检测的污水处理系统异常诊断方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228176B (zh) * 2023-05-10 2023-07-18 安徽皖欣环境科技有限公司 一种基于数据处理的污水处理数据高效管理系统
CN116661426B (zh) * 2023-07-14 2023-09-22 创域智能(常熟)网联科技有限公司 传感器运行控制系统的异常ai诊断方法及系统
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
CN116906125B (zh) * 2023-09-06 2023-12-29 四川高速公路建设开发集团有限公司 基于数据同步传输算法的软岩隧道安全监测方法及系统
CN117073806B (zh) * 2023-10-16 2023-12-29 深圳市利源水务设计咨询有限公司 基于人工智能的污水处理异位监测方法及系统
CN117171661B (zh) * 2023-11-03 2024-01-26 山东鸿远新材料科技股份有限公司 一种化工厂污水处理监控方法及系统
CN117216689B (zh) * 2023-11-08 2024-02-27 山东辰智电子科技有限公司 一种基于城市水利数据的地下管道排放预警系统
CN117408440B (zh) * 2023-12-15 2024-03-08 湖南蒙拓环境科技有限公司 基于多维传感器的河道排污口污水智能处理方法及系统
CN117590793B (zh) * 2024-01-19 2024-03-26 中建安装集团有限公司 一种基于物联网的水厂水处理一体化监控系统及方法
CN117688311A (zh) * 2024-02-04 2024-03-12 深圳市纯水一号水处理科技有限公司 一种难降解含盐废水深度处理实时监测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678653A (zh) * 2023-05-26 2023-09-01 长江生态环保集团有限公司 一种基于传感器自检测的污水处理系统异常诊断方法

Also Published As

Publication number Publication date
US20230112496A1 (en) 2023-04-13

Similar Documents

Publication Publication Date Title
CN115169479A (zh) 污水处理过程远程监控方法、系统及存储介质
Liu et al. A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture
She et al. Wear indicator construction of rolling bearings based on multi-channel deep convolutional neural network with exponentially decaying learning rate
CN104933841B (zh) 一种基于自组织神经网络的火灾预测方法
CN102013148B (zh) 多信息融合火灾探测方法
Wang et al. Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN111476278A (zh) 一种气体浓度智能化检测系统
CN115147645A (zh) 基于多特征信息融合的膜组件膜污染检测方法
Li et al. Collective efficacy of support vector regression with smoothness priority in marine sensor data prediction
He et al. A systematic method of remaining useful life estimation based on physics-informed graph neural networks with multisensor data
Liu et al. Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade
CN112580254A (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN116821610A (zh) 一种利用大数据优化风力发电效率的方法
CN117060353A (zh) 基于前馈神经网络高压直流输电系统故障诊断方法及系统
Dang et al. seq2graph: Discovering dynamic non-linear dependencies from multivariate time series
CN114970745B (zh) 物联网智能安防与环境大数据系统
CN114358244B (zh) 基于物联网的压力大数据智能检测系统
CN114386672B (zh) 环境大数据物联网智能检测系统
CN114390376B (zh) 火灾大数据远程探测与预警系统
CN116109039A (zh) 一种数据驱动异常检测与预警系统
CN116311739A (zh) 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法
Bi et al. A fault diagnosis algorithm for wind turbine blades based on bp neural network
He et al. An adaptive interval forecast CNN model for fault detection method
Zhang et al. Product quality reliability analysis based on rough Bayesian network

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