CN115310567B - 一种基于大数据的污水处理设备运行监测系统及方法 - Google Patents
一种基于大数据的污水处理设备运行监测系统及方法 Download PDFInfo
- Publication number
- CN115310567B CN115310567B CN202211244466.7A CN202211244466A CN115310567B CN 115310567 B CN115310567 B CN 115310567B CN 202211244466 A CN202211244466 A CN 202211244466A CN 115310567 B CN115310567 B CN 115310567B
- Authority
- CN
- China
- Prior art keywords
- data
- analyzed
- operation data
- target
- pair
- 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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F33/00—Control of operations performed in washing machines or washer-dryers
- D06F33/30—Control of washing machines characterised by the purpose or target of the control
- D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
- D06F33/42—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of draining
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2307/00—Location of water treatment or water treatment device
- C02F2307/12—Location of water treatment or water treatment device as part of household appliances such as dishwashers, laundry washing machines or vacuum cleaners
Abstract
本发明涉及污水处理设备运行监测技术领域,具体为一种基于大数据的污水处理设备运行监测系统及方法,包括终端历史数据获取模块、特征因素集分析模块、安全评估模型构建模块、实时监测数据匹配模块和预警响应模块;终端历史数据获取模块用于获取自动清洗设备构成的智能终端历史数据;所述特征因素集分析模块用于分析污水处理区块的特征因素集;所述安全评估模型构建模块用于构建目标特征因素对应的运行安全评估模型并计算安全评估指数;所述实时监测数据匹配模块用于获取实时待分析数据并基于安全评估模型进行匹配闭并传输预警信号;所述预警响应模块用于接收预警信号进行预警响应。
Description
技术领域
本发明涉及污水处理设备运行监测技术领域,具体为一种基于大数据的污水处理设备运行监测系统及方法。
背景技术
目前在很多自动清洗设备如自动洗衣机中会安装污水处理设备,这类污水处理设备为自动洗衣机产生的污水的处理以及存储提供有效的解决方法,如公开号为“CN107572693B 自动洗衣机内的污水处理设备”,该发明中就体现了污水处理设备与自动洗衣机共同工作的实用性和方便性;但与此同时,基于一体的设备就无法有效的检测污水处理设备运行工作上出现的问题,当自动洗衣机中出现问题,无法有效的分析出是否是污水处理设备运行方面的问题,且在自动洗衣机运行过程中对污水处理设备产生数据的影响因素众多,无法有效快速的分析用户输入数据与污水处理设备本身的运行数据之间的联系,从而增加该设备监测的难度。
发明内容
本发明的目的在于提供一种基于大数据的污水处理设备运行监测系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的污水处理设备运行监测方法,包括以下步骤:
步骤S1:获取由m台自动清洗设备构成的智能终端历史数据,间隔时长智能终端历史数据记录自动清洗设备中输入区块的第一运行数据和污水处理区块的第二运行数据,m为大于1的正整数;分析多台自动清洗设备是为了保证数据来源的多样性;
步骤S2:基于第一运行数据记录和第二运行数据记录,分析污水处理区块的特征因素集;间隔时长特征因素集包括分类特征因素和目标特征因素;分析特征因素集是为了找到影响污水处理区块对应数据产生差异化的特征因素;分类特征因素是为了将数据分析方向化以及简单化;
步骤S3:基于特征因素集中的目标特征因素,构建目标特征因素对应的运行安全评估模型并计算安全评估指数;
步骤S4:获取实时监测的待分析第二运行数据和待分析第一运行数据,基于待分析第一运行数据和待分析第二运行数据,匹配步骤S3中的运行安全模型以及计算实时安全评估指数并进行污水处理设备的预警。
进一步的,间隔时长步骤S2包括以下步骤:
间隔时长第一运行数据包括自动清洗设备记录的间隔时长、清洗物的数据和自动清洗设备操作者的操作内容,间隔时长是指本次使用自动清洗设备距离上次使用的间隔时长;间隔时长第二运行数据包括污水处理区块的运行区块、运行区块对应的运行时长和污水处理区块内感应设备的相关数据,间隔时长感应设备的相关数据是指液位传感器感应的液位数据;间隔时长液位数据反应的是污水处理区块工作储存的水量多少;
建立第二运行数据对应的目标数据对(uij,vij,wij),其中uij表示第i台自动清洗设备第j次使用记录的运行区块个数,vij表示第i台自动清洗设备第j次使用记录中污水处理区块的运行时长,wij表示第i台自动清洗设备第j次使用记录中的总储水量;i≤m,j≤n,n为监测周期内自动清洗设备的使用总次数;
设置第一运行数据中任一自动清洗设备记录的间隔时长、清洗物的数据为标定数据,获取标定数据对应的目标数据对集合,提取当uij=2时目标数据对为第一目标数据对,计算第一目标数据对中运行时长的平均值v01和总储水量的平均值w01;提取当uij=3时对应的目标数据对为第二目标数据对,计算第二目标数据对中运行时长的平均值v02和总储水量的平均值w02;因为在实际自动清洗设备如自动洗衣机运行时,对应三个污水收集箱通常会存在两种情况,一是只有漂水收集箱和加洗衣粉清洗水收集箱工作,此种情况对应的是不进行甩干的清洗模式,另一种情况则是三个污水收集箱均会产生储水量,则对应的是进行甩干的完整清洗模式;所以在此处通过不同的清洗模式切入分析,提供了数据分析的方向性;同时在分析清洗模式是否对第二运行数据产生影响时,通过设定标定数据保证了影响参数的唯一性;
计算|v01-v02|的第一目标差值和|w01-w02|的第二目标差值,若第一目标差值和第二目标差值至少存在任一目标差值大于等于预设差值阈值时,则输出第一运行数据中的操作内容为分类特征因素,若第一目标差值和第二目标差值均小于预设差值阈值时,则继续分析特征因素。系统可以根据判定操作内容是否对第二运行数据产生影响来分析后续第一运行数据的考虑范围,且操作内容为直观获取数据,有效的传输数据信号,降低了对第二运行数据分析的难度和复杂度。
进一步的,间隔时长步骤S2还包括以下步骤:
步骤S21:当不存在分类特征因素时,获取部分目标数据对集合G,G={(vij,wij)},间隔时长部分目标数据对集合G包括运行时间vij和总储水量wij;不存在分类特征因素表明不需考虑第一运行数据中操作内容对第二运行数据的影响;
步骤S22:获取集合G对应第一运行数据中的间隔时长xij和清洗物的数据yij并构建用户数据集合R,R={(xij,yij)};间隔时长清洗物的数据是指自动清洗设备记录的清洗物的负载数据;因为如在自动洗衣机中会存在搅拌筒在未进水前对筒内的衣服进行空转,来实现洗衣机中衣物负载的范围感知,从而决定洗衣机中排水量的多少,因此衣物的多少与污水产生的多少存在一定的联系;
步骤S23:依次构建集合G对应集合R中数据的序列对,间隔时长序列对包括间隔时长对应运行时间的序列对集合Z1、间隔时长对应总储水量的序列对Z2、清洗物的数据对应运行时间的序列对集合Z3和清洗物的数据对应总储水量的序列对集合Z4;Z1={(xij,vij)},Z2={(xij,wij)},Z3=(yij,vij),Z4=(yij,wij);
步骤S24:获取集合中的不同序列对并依次构建对应集合的拟合曲线Nz1、Nz2、Nz3和Nz4;标记拟合曲线中的最小值和最大值并连接两点构成比较线段,获取拟合曲线中对应的序列对与比较线段的垂直距离,提取第r个拟合曲线中垂直距离小于等于预设距离阈值的序列对个数hr,标记hr/Hr大于等于比例阈值对应的拟合曲线为目标曲线,Hr表示第r个拟合曲线中序列对的总个数,1≤r≤s,s表示拟合曲线的总个数;比值大于比例阈值说明序列对拟合出来的曲线通过线性化后可能存在线性关系,从而说明该拟合曲线中的序列对对应的第一运行数据是影响第二运行数据的特征因素;
步骤S25:获取目标曲线对应集合中的序列对,输出序列对中的第一运行数据为目标特征因素;目标特征因素所属的序列对为拥抱数据对;
步骤S26:当存在分类特征因素时,获取集合G对应第一运行数据中的间隔时长xij、清洗物的数据yij和操作内容zij并构建用户数据集合R’,R’={(xij,yij,zij)};并按顺序进行步骤S23至步骤S25。
进一步的,间隔时长步骤S3包括以下步骤:
判断目标特征因素所属拥抱数据对的个数,当拥抱数据对的数量仅为一时,则构建第一运行安全评估模型为间隔时长拥抱数据对所属的拟合曲线;
当拥抱数据对的数量等于二且拥抱数据对不相同时,则构建第二运行安全评估模型为两个拥抱数据对所属的拟合曲线;
当拥抱数据对的数量大于二或者拥抱数据对的数量等于二的第二运行数据相同时,则构建第d种拥抱数据对所属拟合曲线中比较线段的运行安全评估模型fd=ed1*b+ed2,并计算安全评估指数fd对应的ed1和ed2;f={vij,wij},b={xij,yij,zij};1≤d≤s;其中ed1表示第d种拥抱数据对对应的系数,ed2表示第d种拥抱数据对对应的常数;
若拥抱数据对的数量为零时,获取除步骤S1中第一运行数据以外的输入区块相关数据,继续分析步骤S2-步骤S3,直至拥抱数据对的数量不为零。分析拥抱数据对数量为零的情况是因为在不清楚影响因素的前提下本发明设置的第一运行数据是最为直观且熟悉的数据,为了保证数据分析的有效性则添加对除去第一运行数据以外的其他数据进行二次分析以保证有效分析影响污水处理区块运行异常的影响因素,为实时监测污水处理设备运行状态进行数据化的反馈与预警。
进一步的,间隔时长步骤S4包括以下步骤:
间隔时长待分析第一运行数据为历史数据分析得到的目标特征因素对应的数据;
当待分析第一运行数据种类数量为一时,匹配第一运行安全评估模型;若间隔时长待分析第一运行数据对应第一运行安全评估模型中的第二运行数据与待分析第二运行数据相似度小于等于相似度阈值时,则输出预警信号;
当待分析第一运行数据种类数量为二且拥抱数据对不相同时,匹配第二运行安全模型;此时,间隔时长待分析第一运行数据包括待分析第一运行数据一和待分析第一运行数据二,间隔时长待分析第二运行数据包括待分析第二运行数据一和待分析第二运行数据二;若间隔时长待分析第一运行数据一对应第二运行安全评估模型中的第二运行数据与待分析第二运行数据一的相似度小于等于相似度阈值时,或者间隔时长待分析第一运行数据二对应第二运行安全评估模型中的第二运行数据与间隔时长待分析第二运行数据二的相似度小于等于相似度阈值时,则输出预警信号。
进一步的,间隔时长步骤S4还包括以下步骤:
当待分析第一运行数据种类数量为二且拥抱数据对中第二运行数据相同时,将待分析第一运行数据代入拥抱数据对所属拟合曲线中比较线段的运行安全评估模型,获取对应的待分析安全评估指数f10和f20,计算f10-f20的差值为区别值e0,若区别值大于等于区别值阈值,则输出预警信号;因为同一因变量在独立关联两个自变量时,自变量的数值与因变量的数值存在对应关系,所以通过对应关系可实时监测到输入自变量所影响因变量的变化判断是否异常;
当待分析第一运行数据种类数量大于二时,且待分析第一运行数据对应拥抱数据对中的第二运行数据均相同时,则代入对应的运行安全评估模型,获取对应的待分析安全评估指数fd,遍历待分析安全评估指数fd计算区别值ed,若间隔时长区别值ed存在任一值大于等于区别值阈值,则输出预警信号;
当待分析第一运行数据对应拥抱数据对中的第二运行数据不完全相同时,设置满足条件,间隔时长满足条件包括第一满足条件和第二满足条件,间隔时长第一满足条件为对于拥抱数据对中第二运行数据相同的待分析第一运行数据同上述分析方式,第二满足条件为对其余待分析第一运行数据的分析方式同待分析第一运行数据种类数量为一时的分析方式相同;当存在任一满足条件不满足时,输出预警信号。
一种基于大数据的污水处理设备运行监测系统,包括终端历史数据获取模块、特征因素集分析模块、安全评估模型构建模块、实时监测数据匹配模块和预警响应模块;
间隔时长终端历史数据获取模块用于获取自动清洗设备构成的智能终端历史数据,间隔时长智能终端历史数据记录自动清洗设备中输入区块的第一运行数据和污水处理区块的第二运行数据;
间隔时长特征因素集分析模块用于分析污水处理区块的特征因素集;
间隔时长安全评估模型构建模块用于构建目标特征因素对应的运行安全评估模型并计算安全评估指数;
间隔时长实时监测数据匹配模块用于获取实时待分析数据并基于安全评估模型进行匹配闭并传输预警信号;
间隔时长预警响应模块用于接收预警信号进行预警响应。
进一步的,间隔时长特征因素集分析模块包括目标数据对建立单元、第一运行数据标定单元、分类特征因素分析单元、序列对建立单元、拟合曲线绘制单元和目标特征因素分析单元;
间隔时长目标数据对建立单元用于建立第二运行数据的目标数据对;
间隔时长第一运行数据标定单元用于标定任一数据第一运行数据;
间隔时长分类特征因素分析单元用于基于提取第一目标差值和第二目标差值判断是否存在分类特征因素;
间隔时长序列对建立单元用于目标数据对集合对应用户数据集合中数据的序列对;
间隔时长拟合曲线绘制单元用于绘制序列对相应的拟合曲线;
间隔时长目标特征因素分析单元用于基于拟合曲线分析对应的目标特征因素。
与现有技术相比,本发明所达到的有益效果是:本发明基于自动清洗设备中的输入区块的运行数据和污水处理区块的运行数据分析两种数据之间的关联性以找出对应影响的特征因素,并基于历史大数据构建对应特征因素的运行安全评估模型来评估实时获取的运行数据是否能反应污水处理区块的正常运行工作,本发明可以有效分析出一体式自动清洗设备中的污水处理区块的运行状态问题,有效快速的基于历史数据分析出特征因素,降低了此种类型设备运行监测的难度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的污水处理设备运行监测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:一种基于大数据的污水处理设备运行监测方法,包括以下步骤:
步骤S1:获取由m台自动清洗设备构成的智能终端历史数据,间隔时长智能终端历史数据记录自动清洗设备中输入区块的第一运行数据和污水处理区块的第二运行数据,m为大于1的正整数;分析多台自动清洗设备是为了保证数据来源的多样性;
步骤S2:基于第一运行数据记录和第二运行数据记录,分析污水处理区块的特征因素集;间隔时长特征因素集包括分类特征因素和目标特征因素;分析特征因素集是为了找到影响污水处理区块对应数据产生差异化的特征因素;分类特征因素是为了将数据分析方向化以及简单化;
步骤S3:基于特征因素集中的目标特征因素,构建目标特征因素对应的运行安全评估模型并计算安全评估指数;
步骤S4:获取实时监测的待分析第二运行数据和待分析第一运行数据,基于待分析第一运行数据和待分析第二运行数据,匹配步骤S3中的运行安全模型以及计算实时安全评估指数并进行污水处理设备的预警。
间隔时长步骤S2包括以下步骤:
间隔时长第一运行数据包括自动清洗设备记录的间隔时长、清洗物的数据和自动清洗设备操作者的操作内容,间隔时长是指本次使用自动清洗设备距离上次使用的间隔时长;间隔时长第二运行数据包括污水处理区块的运行区块、运行区块对应的运行时长和污水处理区块内感应设备的相关数据,间隔时长感应设备的相关数据是指液位传感器感应的液位数据;间隔时长液位数据反应的是污水处理区块工作储存的水量多少;
建立第二运行数据对应的目标数据对(uij,vij,wij),其中uij表示第i台自动清洗设备第j次使用记录的运行区块个数,vij表示第i台自动清洗设备第j次使用记录中污水处理区块的运行时长,wij表示第i台自动清洗设备第j次使用记录中的总储水量;i≤m,j≤n,n为监测周期内自动清洗设备的使用总次数;
设置第一运行数据中任一自动清洗设备记录的间隔时长、清洗物的数据为标定数据,获取标定数据对应的目标数据对集合,提取当uij=2时目标数据对为第一目标数据对,计算第一目标数据对中运行时长的平均值v01和总储水量的平均值w01;提取当uij=3时对应的目标数据对为第二目标数据对,计算第二目标数据对中运行时长的平均值v02和总储水量的平均值w02;因为在实际自动清洗设备如自动洗衣机运行时,对应三个污水收集箱通常会存在两种情况,一是只有漂水收集箱和加洗衣粉清洗水收集箱工作,此种情况对应的是不进行甩干的清洗模式,另一种情况则是三个污水收集箱均会产生储水量,则对应的是进行甩干的完整清洗模式;所以在此处通过不同的清洗模式切入分析,提供了数据分析的方向性;同时在分析清洗模式是否对第二运行数据产生影响时,通过设定标定数据保证了影响参数的唯一性;
计算|v01-v02|的第一目标差值和|w01-w02|的第二目标差值,若第一目标差值和第二目标差值至少存在任一目标差值大于等于预设差值阈值时,则输出第一运行数据中的操作内容为分类特征因素,若第一目标差值和第二目标差值均小于预设差值阈值时,则继续分析特征因素。系统可以根据判定操作内容是否对第二运行数据产生影响来分析后续第一运行数据的考虑范围,且操作内容为直观获取数据,有效的传输数据信号,降低了对第二运行数据分析的难度和复杂度。
间隔时长步骤S2还包括以下步骤:
步骤S21:当不存在分类特征因素时,获取部分目标数据对集合G,G={(vij,wij)},间隔时长部分目标数据对集合G包括运行时间vij和总储水量wij;不存在分类特征因素表明不需考虑第一运行数据中操作内容对第二运行数据的影响;
步骤S22:获取集合G对应第一运行数据中的间隔时长xij和清洗物的数据yij并构建用户数据集合R,R={(xij,yij)};间隔时长清洗物的数据是指自动清洗设备记录的清洗物的负载数据;因为如在自动洗衣机中会存在搅拌筒在未进水前对筒内的衣服进行空转,来实现洗衣机中衣物负载的范围感知,从而决定洗衣机中排水量的多少,因此衣物的多少与污水产生的多少存在一定的联系;
步骤S23:依次构建集合G对应集合R中数据的序列对,间隔时长序列对包括间隔时长对应运行时间的序列对集合Z1、间隔时长对应总储水量的序列对Z2、清洗物的数据对应运行时间的序列对集合Z3和清洗物的数据对应总储水量的序列对集合Z4;Z1={(xij,vij)},Z2={(xij,wij)},Z3=(yij,vij),Z4=(yij,wij);
步骤S24:获取集合中的不同序列对并依次构建对应集合的拟合曲线Nz1、Nz2、Nz3和Nz4;标记拟合曲线中的最小值和最大值并连接两点构成比较线段,获取拟合曲线中对应的序列对与比较线段的垂直距离,提取第r个拟合曲线中垂直距离小于等于预设距离阈值的序列对个数hr,标记hr/Hr大于等于比例阈值对应的拟合曲线为目标曲线,Hr表示第r个拟合曲线中序列对的总个数,1≤r≤s,s表示拟合曲线的总个数;比值大于比例阈值说明序列对拟合出来的曲线通过线性化后可能存在线性关系,从而说明该拟合曲线中的序列对对应的第一运行数据是影响第二运行数据的特征因素;
步骤S25:获取目标曲线对应集合中的序列对,输出序列对中的第一运行数据为目标特征因素;目标特征因素所属的序列对为拥抱数据对;
步骤S26:当存在分类特征因素时,获取集合G对应第一运行数据中的间隔时长xij、清洗物的数据yij和操作内容zij并构建用户数据集合R’,R’={(xij,yij,zij)};并按顺序进行步骤S23至步骤S25。如实施例所示,当存在分类特征因素时,拟合曲线共存在六种,即分别由如下序列对集合构成:Z1’={(xij,vij)},Z2’={(xij,wij)},Z3’=(yij,vij),Z4’=(yij,wij),Z5’=(zij,vij),Z6’=(zij,wij)。
步骤S21-步骤S26如实施例所示:
当不存在分类特征因素时,存在三个自动清洗设备A、B,间隔时长自动清洗设备是具有污水处理装置的自动洗衣机;
A中存在三组数据,分别表示三次使用记录,具体如下:
a1:第一运行数据(2.7kg,6h),第二运行数据(2,11min,2.1L);
a2:第一运行数据(1.9kg,3h),第二运行数据(2,32min,1.1L);
a3:第一运行数据(5.3kg,1.5h),第二运行数据(3,45min,3.9L);
B中存在四组数据,分别表示两次使用记录,具体如下:
b1:第一运行数据(4.3kg,1h),第二运行数据(3,46min,3.2L);
b2:第一运行数据(3.7kg,0.9h),第二运行数据(2,23min,1.9L);
则部分目标数据对集合:
G={(11min,2.1L),(32min,1.1L),(45min,3.9L),(46min,3.2L),(23min,1.9L)},对应的用户数据集合R={(2.7kg,6h),(1.9kg,3h),(5.3kg,1.5h),(4.3kg,1h),(3.7kg,0.9h)};
则Z1={(2.7kg,11min),(1.9kg,32min),(5.3kg,45min),(4.3kg,46min),(3.7kg,23min)};
Z2={(2.7kg,2.1L),(1.9kg,1.1L),(5.3kg,3.9L),(4.3kg,3.2L),(3.7kg,1.9L)}
Z3={(6h,11min),(3h,32min),(1.5h,45min),(1h,46min),(0.9h,23min)}
Z4={(6h,2.1L),(3h,1.1L),(1.5h,3.9L),(1h,3.2L),(0.9h,1.9L)};
若分析得到的Z2序列对集合对应的拟合曲线Nz2为目标曲线,则第一运行数据中的清洗物的数据为特征目标因素,且此时拥抱数据对为(xij,wij)有且仅有一个;
若存在分类特征因素,则第一运行数据就会存在操作内容的影响,即上述第一运行数据为(2,2.7kg,6h),存在三个影响因素,且对应序列对集合由Z1-Z4变为Z1-Z6。
间隔时长步骤S3包括以下步骤:
判断目标特征因素所属拥抱数据对的个数,当拥抱数据对的数量仅为一时,说明一个目标特征因素仅对第二运行数据中的一个数据产生影响,则构建第一运行安全评估模型为间隔时长拥抱数据对所属的拟合曲线;
当拥抱数据对的数量等于二且拥抱数据对不相同时,则构建第二运行安全评估模型为两个拥抱数据对所属的拟合曲线;
当拥抱数据对的数量大于二或者拥抱数据对的数量等于二的第二运行数据相同时,则构建第d种拥抱数据对所属拟合曲线中比较线段的运行安全评估模型fd=ed1*b+ed2,并计算安全评估指数fd对应的ed1和ed2;f={vij,wij},b={xij,yij,zij};1≤d≤s;其中ed1表示第d种拥抱数据对对应的系数,ed2表示第d种拥抱数据对对应的常数;
当拥抱数据对的数量大于二时说明一定会存在不同的目标特征因素对同一第二运行数据产生影响,因为第二运行数据差异的变化只有两个而目标特征因素却存在三种;
若拥抱数据对的数量为零时,获取除步骤S1中第一运行数据以外的输入区块相关数据,继续分析步骤S2-步骤S3,直至拥抱数据对的数量不为零。间隔时长相关数据可以为用户使用自动清洗设备连接入水管道的温度、洗衣物的材质、自动清洗设备放置的地面平整度等数据,且这些数据均属于非设备自身决定的输入数据。分析拥抱数据对数量为零的情况是因为在不清楚影响因素的前提下本发明设置的第一运行数据是最为直观且熟悉的数据,为了保证数据分析的有效性则添加对除去第一运行数据以外的其他数据进行二次分析以保证有效分析影响污水处理区块运行异常的影响因素,为实时监测污水处理设备运行状态进行数据化的反馈与预警。
间隔时长步骤S4包括以下步骤:
间隔时长待分析第一运行数据为历史数据分析得到的目标特征因素对应的数据;
当待分析第一运行数据种类数量为一时,匹配第一运行安全评估模型;若间隔时长待分析第一运行数据对应第一运行安全评估模型中的第二运行数据与待分析第二运行数据相似度小于等于相似度阈值时,则输出预警信号;
当待分析第一运行数据种类数量为二且拥抱数据对不相同时,匹配第二运行安全模型;此时,间隔时长待分析第一运行数据包括待分析第一运行数据一和待分析第一运行数据二,间隔时长待分析第二运行数据包括待分析第二运行数据一和待分析第二运行数据二;若间隔时长待分析第一运行数据一对应第二运行安全评估模型中的第二运行数据与待分析第二运行数据一的相似度小于等于相似度阈值时,或者间隔时长待分析第一运行数据二对应第二运行安全评估模型中的第二运行数据与间隔时长待分析第二运行数据二的相似度小于等于相似度阈值时,则输出预警信号。
如实施例所示:当实时获取的待分析第一运行数据为清洗物的数据时,且分析得到对应影响的第二运行数据为液位数据,那么与分析对应关系的拟合曲线进行匹配,找取横坐标对应的纵坐标与实际得到的数据进行比较,相似度不满足时则出输出预警信号;
数量为二时是指两种曲线均要满足才表明没有异常,只要任一曲线对应的数据与实际数据产生超过阈值的偏差就会预警。
间隔时长步骤S4还包括以下步骤:
当待分析第一运行数据种类数量为二且拥抱数据对中第二运行数据相同时,将待分析第一运行数据代入拥抱数据对所属拟合曲线中比较线段的运行安全评估模型,如f1=e11*待分析第一运行数据+e12,f2=e21*待分析第二运行数据+e22,获取对应的待分析安全评估指数f10和f20,计算f10-f20的差值为区别值e0,若区别值大于等于区别值阈值,则输出预警信号;因为同一因变量在独立关联两个自变量时,自变量的数值与因变量的数值存在对应关系,所以通过对应关系可实时监测到输入自变量所影响因变量的变化判断是否异常;
当待分析第一运行数据种类数量大于二时,且待分析第一运行数据对应拥抱数据对中的第二运行数据均相同时,则代入对应的运行安全评估模型,获取对应的待分析安全评估指数fd,遍历待分析安全评估指数fd计算区别值ed,若间隔时长区别值ed存在任一值大于等于区别值阈值,则输出预警信号;
当待分析第一运行数据对应拥抱数据对中的第二运行数据不完全相同时,设置满足条件,间隔时长满足条件包括第一满足条件和第二满足条件,间隔时长第一满足条件为对于拥抱数据对中第二运行数据相同的待分析第一运行数据同上述分析方式,第二满足条件为对其余待分析第一运行数据的分析方式同待分析第一运行数据种类数量为一时的分析方式相同;当存在任一满足条件不满足时,输出预警信号。
如实施例:当待分析第一运行数据对应的拥抱数据对为(自动清洗设备记录的间隔时长,运行时长)、(清洗物的数据,液位数据)和(自动清洗设备操作者的操作内容,运行时长);由上述关系可知间隔时长和操作内容相同影响于运行时长,而清洗物的数据单独影响液位数据,则需设置满足条件一和满足条件二;
满足条件一是代入计算间隔时长对应拟合曲线获取的待分析安全评估指数,以及操作内容对应拟合曲线获取的待分析安全评估指数,做两者的差值判断是否大于区别值阈值,小于则满足条件一;
满足条件二是分析清洗物的数据对应液位数据的拟合曲线,代入实时的清洗物数据,分析对应实时液位数据与拟合曲线上的液位数据的相似度,若相似度大于相似度阈值,则满足条件二,此时污水处理区块运行无异常。
一种基于大数据的污水处理设备运行监测系统,包括终端历史数据获取模块、特征因素集分析模块、安全评估模型构建模块、实时监测数据匹配模块和预警响应模块;
间隔时长终端历史数据获取模块用于获取自动清洗设备构成的智能终端历史数据,间隔时长智能终端历史数据记录自动清洗设备中输入区块的第一运行数据和污水处理区块的第二运行数据;
间隔时长特征因素集分析模块用于分析污水处理区块的特征因素集;
间隔时长安全评估模型构建模块用于构建目标特征因素对应的运行安全评估模型并计算安全评估指数;
间隔时长实时监测数据匹配模块用于获取实时待分析数据并基于安全评估模型进行匹配闭并传输预警信号;
间隔时长预警响应模块用于接收预警信号进行预警响应。
间隔时长特征因素集分析模块包括目标数据对建立单元、第一运行数据标定单元、分类特征因素分析单元、序列对建立单元、拟合曲线绘制单元和目标特征因素分析单元;
间隔时长目标数据对建立单元用于建立第二运行数据的目标数据对;
间隔时长第一运行数据标定单元用于标定任一数据第一运行数据;
间隔时长分类特征因素分析单元用于基于提取第一目标差值和第二目标差值判断是否存在分类特征因素;
间隔时长序列对建立单元用于目标数据对集合对应用户数据集合中数据的序列对;
间隔时长拟合曲线绘制单元用于绘制序列对相应的拟合曲线;
间隔时长目标特征因素分析单元用于基于拟合曲线分析对应的目标特征因素。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (4)
1.一种基于大数据的污水处理设备运行监测方法,其特征在于,包括以下步骤:
步骤S1:获取由m台自动清洗设备构成的智能终端历史数据,所述智能终端历史数据记录自动清洗设备中输入区块的第一运行数据和污水处理区块的第二运行数据,m为大于1的正整数;
步骤S2:基于第一运行数据记录和第二运行数据记录,分析污水处理区块的特征因素集;所述特征因素集包括分类特征因素和目标特征因素;
所述步骤S2包括以下步骤:
所述第一运行数据包括自动清洗设备记录的间隔时长、清洗物的数据和自动清洗设备操作者的操作内容,所述间隔时长是指本次使用自动清洗设备距离上次使用的间隔时长;所述第二运行数据包括污水处理区块的运行区块、运行区块对应的运行时长和污水处理区块内感应设备的相关数据,所述感应设备的相关数据是指液位传感器感应的液位数据;
建立第二运行数据对应的目标数据对(uij,vij,wij),其中uij表示第i台自动清洗设备第j次使用记录的运行区块个数,vij表示第i台自动清洗设备第j次使用记录中污水处理区块的运行时长,wij表示第i台自动清洗设备第j次使用记录中的总储水量;i≤m,j≤n,n为监测周期内自动清洗设备的使用总次数;
设置第一运行数据中任一自动清洗设备记录的间隔时长、清洗物的数据为标定数据,获取标定数据对应的目标数据对集合,提取当uij=2时目标数据对为第一目标数据对,计算第一目标数据对中运行时长的平均值v01和总储水量的平均值w01;提取当uij=3时对应的目标数据对为第二目标数据对,计算第二目标数据对中运行时长的平均值v02和总储水量的平均值w02;
计算|v01-v02|的第一目标差值和|w01-w02|的第二目标差值,若第一目标差值和第二目标差值至少存在任一目标差值大于等于预设差值阈值时,则输出第一运行数据中的操作内容为分类特征因素,若第一目标差值和第二目标差值均小于预设差值阈值时,则继续分析特征因素;
所述步骤S2还包括以下步骤:
步骤S21:当不存在分类特征因素时,获取部分目标数据对集合G,G={(vij,wij)},所述部分目标数据对集合G包括运行时间vij和总储水量wij;
步骤S22:获取集合G对应第一运行数据中的间隔时长xij和清洗物的数据yij并构建用户数据集合R,R={(xij,yij)};所述清洗物的数据是指自动清洗设备记录的清洗物的负载数据;
步骤S23:依次构建集合G对应集合R中数据的序列对,所述序列对包括间隔时长对应运行时间的序列对集合Z1、间隔时长对应总储水量的序列对Z2、清洗物的数据对应运行时间的序列对集合Z3和清洗物的数据对应总储水量的序列对集合Z4;Z1={(xij,vij)},Z2={(xij,wij)},Z3=(yij,vij),Z4=(yij,wij);
步骤S24:获取集合中的不同序列对并依次构建对应集合的拟合曲线Nz1、Nz2、Nz3和Nz4;标记拟合曲线中的最小值和最大值并连接两点构成比较线段,获取拟合曲线中对应的序列对与比较线段的垂直距离,提取第r个拟合曲线中垂直距离小于等于预设距离阈值的序列对个数hr,标记hr/Hr大于等于比例阈值对应的拟合曲线为目标曲线,Hr表示第r个拟合曲线中序列对的总个数,1≤r≤s,s表示拟合曲线的总个数;
步骤S25:获取目标曲线对应集合中的序列对,输出序列对中的第一运行数据为目标特征因素;目标特征因素所属的序列对为拥抱数据对;
步骤S26:当存在分类特征因素时,获取集合G对应第一运行数据中的间隔时长xij、清洗物的数据yij和操作内容zij并构建用户数据集合R’,R’={(xij,yij,zij)};并按顺序进行步骤S23至步骤S25;
步骤S3:基于特征因素集中的目标特征因素,构建目标特征因素对应的运行安全评估模型并计算安全评估指数;
所述步骤S3包括以下步骤:
判断目标特征因素所属拥抱数据对的个数,当拥抱数据对的数量仅为一时,则构建第一运行安全评估模型为所述拥抱数据对所属的拟合曲线;
当拥抱数据对的数量等于二且拥抱数据对不相同时,则构建第二运行安全评估模型为两个拥抱数据对所属的拟合曲线;
当拥抱数据对的数量大于二或者拥抱数据对的数量等于二的第二运行数据相同时,则构建第d种拥抱数据对所属拟合曲线中比较线段的运行安全评估模型fd=ed1*b+ed2,并计算安全评估指数fd对应的ed1和ed2;f={vij,wij},b={xij,yij,zij};1≤d≤s;其中ed1表示第d种拥抱数据对对应的系数,ed2表示第d种拥抱数据对对应的常数;
若拥抱数据对的数量为零时,获取除步骤S1中第一运行数据以外的输入区块相关数据,继续分析步骤S2-步骤S3,直至拥抱数据对的数量不为零;
步骤S4:获取实时监测的待分析第二运行数据和待分析第一运行数据,基于待分析第一运行数据和待分析第二运行数据,匹配步骤S3中的运行安全模型以及计算实时安全评估指数并进行污水处理设备的预警;
所述步骤S4包括以下步骤:
所述待分析第一运行数据为历史数据分析得到的目标特征因素对应的数据;
当待分析第一运行数据种类数量为一时,匹配第一运行安全评估模型;若所述待分析第一运行数据对应第一运行安全评估模型中的第二运行数据与待分析第二运行数据相似度小于等于相似度阈值时,则输出预警信号;
当待分析第一运行数据种类数量为二且拥抱数据对不相同时,匹配第二运行安全模型;此时,所述待分析第一运行数据包括待分析第一运行数据一和待分析第一运行数据二,所述待分析第二运行数据包括待分析第二运行数据一和待分析第二运行数据二;若所述待分析第一运行数据一对应第二运行安全评估模型中的第二运行数据与待分析第二运行数据一的相似度小于等于相似度阈值时,或者所述待分析第一运行数据二对应第二运行安全评估模型中的第二运行数据与所述待分析第二运行数据二的相似度小于等于相似度阈值时,则输出预警信号。
2.根据权利要求1所述的一种基于大数据的污水处理设备运行监测方法,其特征在于,所述步骤S4还包括以下步骤:
当待分析第一运行数据种类数量为二且拥抱数据对中第二运行数据相同时,将待分析第一运行数据代入拥抱数据对所属拟合曲线中比较线段的运行安全评估模型,获取对应的待分析安全评估指数f10和f20,计算f10-f20的差值为区别值e0,若区别值大于等于区别值阈值,则输出预警信号;
当待分析第一运行数据种类数量大于二时,且待分析第一运行数据对应拥抱数据对中的第二运行数据均相同时,则代入对应的运行安全评估模型,获取对应的待分析安全评估指数fd,遍历待分析安全评估指数fd计算区别值ed,若所述区别值ed存在任一值大于等于区别值阈值,则输出预警信号;
当待分析第一运行数据对应拥抱数据对中的第二运行数据不完全相同时,设置满足条件,所述满足条件包括第一满足条件和第二满足条件,所述第一满足条件为对于拥抱数据对中第二运行数据相同的待分析第一运行数据同上述分析方式,第二满足条件为对其余待分析第一运行数据的分析方式同待分析第一运行数据种类数量为一时的分析方式相同;当存在任一满足条件不满足时,输出预警信号。
3.一种基于大数据的污水处理设备运行监测系统,应用权利要求1-2中任一项所述的一种基于大数据的污水处理设备运行监测方法,其特征在于,包括终端历史数据获取模块、特征因素集分析模块、安全评估模型构建模块、实时监测数据匹配模块和预警响应模块;
所述终端历史数据获取模块用于获取自动清洗设备构成的智能终端历史数据,所述智能终端历史数据记录自动清洗设备中输入区块的第一运行数据和污水处理区块的第二运行数据;
所述特征因素集分析模块用于分析污水处理区块的特征因素集;
所述安全评估模型构建模块用于构建目标特征因素对应的运行安全评估模型并计算安全评估指数;
所述实时监测数据匹配模块用于获取实时待分析数据并基于安全评估模型进行匹配闭并传输预警信号;
所述预警响应模块用于接收预警信号进行预警响应。
4.根据权利要求3所述的一种基于大数据的污水处理设备运行监测系统,其特征在于:所述特征因素集分析模块包括目标数据对建立单元、第一运行数据标定单元、分类特征因素分析单元、序列对建立单元、拟合曲线绘制单元和目标特征因素分析单元;
所述目标数据对建立单元用于建立第二运行数据的目标数据对;
所述第一运行数据标定单元用于标定任一数据第一运行数据;
所述分类特征因素分析单元用于基于提取第一目标差值和第二目标差值判断是否存在分类特征因素;
所述序列对建立单元用于目标数据对集合对应用户数据集合中数据的序列对;
所述拟合曲线绘制单元用于绘制序列对相应的拟合曲线;
所述目标特征因素分析单元用于基于拟合曲线分析对应的目标特征因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211244466.7A CN115310567B (zh) | 2022-10-12 | 2022-10-12 | 一种基于大数据的污水处理设备运行监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211244466.7A CN115310567B (zh) | 2022-10-12 | 2022-10-12 | 一种基于大数据的污水处理设备运行监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115310567A CN115310567A (zh) | 2022-11-08 |
CN115310567B true CN115310567B (zh) | 2022-12-20 |
Family
ID=83868493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211244466.7A Active CN115310567B (zh) | 2022-10-12 | 2022-10-12 | 一种基于大数据的污水处理设备运行监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310567B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307584B (zh) * | 2023-03-20 | 2023-09-29 | 海口明邦实业有限责任公司 | 一种基于大数据的医疗洗涤供热监管系统及方法 |
CN116466168B (zh) * | 2023-04-24 | 2023-11-24 | 江苏新博能源科技有限公司 | 一种基于云计算的新能源管理平台异常监测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011192039A (ja) * | 2010-03-15 | 2011-09-29 | Toshiba Corp | 上下水道プラントの運転状況監視システム |
CN106093329A (zh) * | 2016-06-24 | 2016-11-09 | 南京工业大学 | 一种纠错能力可控的水质监测数据可靠性提升方法 |
CN111221306A (zh) * | 2020-01-17 | 2020-06-02 | 石化盈科信息技术有限责任公司 | 一种污水系统关键指标的预测方法 |
CN113468709A (zh) * | 2020-03-30 | 2021-10-01 | 广州展闰数域科技有限公司 | 智能监控状态和调节空调参数及预测空调故障的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7036697B2 (ja) * | 2018-09-27 | 2022-03-15 | 株式会社日立製作所 | 監視システム及び監視方法 |
-
2022
- 2022-10-12 CN CN202211244466.7A patent/CN115310567B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011192039A (ja) * | 2010-03-15 | 2011-09-29 | Toshiba Corp | 上下水道プラントの運転状況監視システム |
CN106093329A (zh) * | 2016-06-24 | 2016-11-09 | 南京工业大学 | 一种纠错能力可控的水质监测数据可靠性提升方法 |
CN111221306A (zh) * | 2020-01-17 | 2020-06-02 | 石化盈科信息技术有限责任公司 | 一种污水系统关键指标的预测方法 |
CN113468709A (zh) * | 2020-03-30 | 2021-10-01 | 广州展闰数域科技有限公司 | 智能监控状态和调节空调参数及预测空调故障的方法 |
Non-Patent Citations (1)
Title |
---|
水利工程设备智能监控与诊断系统分析;李庆涛;《山东水利》;20200831;第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115310567A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115310567B (zh) | 一种基于大数据的污水处理设备运行监测系统及方法 | |
CN116821833B (zh) | 一种机器滤布粘连的数据异常检测方法 | |
CN109443419B (zh) | 一种基于机器学习的整流器在线监测方法 | |
CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN103699514A (zh) | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 | |
CN111066003A (zh) | 对流程行业中的设备进行状态监测的方法、装置及介质 | |
CN117235649B (zh) | 一种基于大数据的工业设备状态智能监测系统及方法 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN116467662A (zh) | 一种制粒机故障识别方法及系统 | |
CN114543982A (zh) | 设备的振动检测方法、装置、振动检测设备及存储介质 | |
CN113934536A (zh) | 面向边缘计算的数据采集方法 | |
CN116951328B (zh) | 基于大数据的排水管线运行智慧监控系统 | |
CN112288126A (zh) | 一种采样数据异常变化在线监测与诊断方法 | |
CN111948534A (zh) | 发电机状态预警方法及系统 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN108595380B (zh) | 一种高炉异常炉况检测方法 | |
CN115146977A (zh) | 一种基于物联网的企业能效数据管理方法及系统 | |
CN111340072A (zh) | 一种基于数据整体信息和邻域结构的工业过程故障检测方法 | |
CN116795065B (zh) | 一种不饱和聚酯树脂的生产设备控制方法及系统 | |
CN117119503B (zh) | 基于5g工业互联网的智慧矿山数据采集方法 | |
CN117082105B (zh) | 一种绿色智慧医院设施监控系统及方法 | |
CN117433978B (zh) | 一种传输用除尘器的监测预警方法及系统 | |
CN116523438B (zh) | 基于人脸识别的物资管理与安防系统 |
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 |