CN116090709A - 基于金属加工监控的偷排预警分析方法及系统 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及基于金属加工监控的偷排预警分析方法及系统，包括：采集得到标准监控数据和实际监控数据；根据标准监控数据得到每个工艺类别的标准用电、标准用水和标准图像公共因子向量，根据实际监控数据得到实际用电、实际用水、实际图像公共因子向量，根据实际和标准用电、用水、图像公共因子向量得到每个时间段的用电异常率、用水异常率、用电可信度、用水可信度和第一相似度；根据每个时间段的用电异常率、用水异常率、用电可信度、用水可信度和第一相似度得到每个时间段的偷排概率，根据每个时间段的偷排概率进行偷排预警，从而避免企业篡改数据导致的偷排预警不准确的现象。

Description

基于金属加工监控的偷排预警分析方法及系统

技术领域

本申请涉及数据处理领域，具体涉及基于金属加工监控的偷排预警分析方法及系统。

背景技术

现有方法一般通过分析金属表面处理时的用电、用水数据异常情况来确定企业是否存在偷排行为，但是进行异常分析所用的两种数据一般通过水表和电表来进行采集记录，而电水表数据容易被人为修改，导致实际采集的数据与真实数据存在差距，进而导致难以进行偷排分析。基于此，本专利提出了一种基于金属加工监控的偷排预警分析方法及系统，通过引入污水排放的监控视频数据，计算实际监控视频数据所属工艺类别，结合该类别的电表和水表数据与实际数据的相似度，对可能的偷排情况进行分析预警。

发明内容

为了解决上述技术问题，本发明提供基于金属加工监控的偷排预警分析方法，所述方法包括：

获取标准用电序列、标准用水序列、标准图像序列、实际用电序列、实际用水序列和实际图像序列；

根据标准用电序列、标准用水序列、标准图像序列、实际用电序列和实际图像序列得到每个时间段的用电异常率和用电可信度，包括：

根据标准用电序列、标准用水序列和标准图像序列得到每个工艺类别的用电子序列和图像子序列；根据每个工艺类别的用电子序列和图像子序列得到每个工艺类别的标准用电公共因子向量和标准图像公共因子向量；根据实际图像序列得到每个第一实际图像段的实际图像公共因子向量和第一相似度；根据每个第一实际图像段、实际用电序列得到每个第一实际用电段的实际用电公共因子向量和所属工艺类别；根据每个第一实际用电段的实际用电公共因子向量、所属工艺类别、每个工艺类别的标准用电公共因子向量得到每个时间段的用电异常率；根据每个第一实际用电段的实际用电公共因子向量、每个第一实际图像段的实际图像公共因子向量、每个工艺类别的标准用电公共因子向量和标准图像因子向量得到每个时间段的用电可信度；

根据标准用水序列、标准用电序列、标准图像序列、实际用水序列和实际图像序列得到每个时间段的用水异常率和用水可信度；

根据每个时间段的用水异常率、用电异常率、用水可信度和用电可信度得到每个时间段的第一偷排概率；根据每个第一实际图像段的第一相似度、每个时间段的用水异常率和用电异常率得到每个时间段的第二偷排概率；

将每个时间段的第一偷排概率和第二偷排概率中的较大值作为每个时间段的偷排概率，根据每个时间段的偷排概率进行偷排预警。

优选的，所述根据标准用电序列、标准用水序列和标准图像序列得到每个工艺类别的用电子序列和图像子序列，包括的具体步骤为：

根据标准用电序列得到用电相似度序列，根据标准用水序列得到用水相似度序列；

将用电相似度序列中每个时刻的用电相似度值与用水相似度序列中同时刻的用水相似度值的比值作为每个时刻的第一指标，将每个时刻的第一指标按时序排列得到第一指标序列；根据第一指标序列得到周期曲线，获取周期曲线的频谱，根据频谱得到多个周期；

以任意一个周期为目标周期，以目标周期为分段长度，对周期曲线进行分割得到目标周期的多个曲线段，将目标周期的每个曲线段与目标周期的其他所有曲线段的相似度值均值作为目标周期的每个曲线段的综合相似度，将综合相似度大于第一预设阈值的曲线段对应的区域作为目标周期的曲线区域，将周期曲线中同一周期的曲线区域划分为一种工艺类别，得到多种工艺类别；

根据标准用电序列和目标周期的曲线区域得到每个工艺类别的用电子序列，包括：在标准用电序列中获取与目标周期的曲线区域对应时刻的子序列作为目标周期的用电子序列，将目标周期的用电子序列划分到目标周期的曲线区域对应的工艺类别中，得到每个工艺类别的用电子序列；

根据标准图像序列和目标周期的曲线区域得到获取每个工艺类别的图像子序列。

优选的，所述根据每个工艺类别的用电子序列和图像子序列得到每个工艺类别的标准用电公共因子向量和标准图像公共因子向量，包括的具体步骤为：

根据每个工艺类别的用电子序列计算每个工艺类别的标准用电公共因子向量，包括：

每个工艺类别的用电子序列是由每个时刻的标准用电向量构成；将所有工艺类别中的所有时刻的标准用电向量作为因子分析的输入向量，通过因子分析法，得到每个标准用电向量的特殊因子向量和所有输入向量的公共因子向量，计算所述特殊因子向量的熵值，计算所述公共因子向量的熵值，将特殊因子向量的熵值与公共因子向量的熵值的累加和记为每个标准用电向量的第一累加和，将每个标准用电向量的特殊因子向量的熵值与第一累加和的商作为每个标准用电向量的用电标量，将每个工艺类别的所有标准用电向量的用电标量按时序排列得到每个工艺类别的用电标量序列；

将每个工艺类别中用电标量序列作为因子分析的输入向量，通过因子分析得到每个工艺类别的标准用电公共因子向量；

根据每个工艺类别的图像子序列计算每个工艺类别的标准图像公共因子向量。

优选的，所述根据实际图像序列得到每个第一实际图像段的实际图像公共因子向量和第一相似度，包括的具体步骤为：

将任意一个实际图像段记为目标图像段；

根据目标图像段得到第一实际图像段和第一实际图像段的所属工艺类别，包括：

获取目标图像段的公共因子向量，计算目标图像段的公共因子向量与每个工艺类别的标准图像公共因子向量的余弦相似度，记为目标图像段与每个工艺类别的第一相似度；获取第一相似度最大值对应的工艺类别记为目标图像段的参考工艺类别，判断目标图像段与参考工艺类别的第一相似度是否满足预设条件，当满足预设条件时，将目标图像段作为第一实际图像段，将第一实际图像段的公共因子向量作为第一实际图像段的实际图像公共因子向量，将第一实际图像段的参考工艺类别作为第一实际图像段的工艺类别；将目标图像段与参考工艺类别的第一相似度记为目标图像段的第一相似度；

当不满足预设条件时，将任意一个其他实际图像段作为目标图像段，重复执行根据目标图像段得到第一实际图像段和第一实际图像段的所属工艺类别，直至遍历所有的实际图像段，得到所有的第一实际图像段以及每个第一实际图像段的所属工艺类别。

优选的，所述根据每个第一实际图像段、实际用电序列得到每个第一实际用电段的实际用电公共因子向量和所属工艺类别，包括的具体步骤为：

对于一个工艺类别，获取该工艺类别中每个第一实际图像段对应的时间段，在实际用电序列中获得与所得时间段对应的子序列作为第一实际用电段，将第一实际用电段划分到该工艺类别；对每个工艺类别进行处理，得到每个工艺类别的多个第一实际用电段；获取每个第一实际用电段的实际公共因子向量。

优选的，所述根据每个第一实际用电段的实际用电公共因子向量、所属工艺类别、每个工艺类别的标准用电公共因子向量得到每个时间段的用电异常率，包括的具体步骤为：

以任意一个工艺类别为目标工艺类别，以目标工艺类别中的任意一个时间段为目标时间段；

对于目标工艺类别的目标时间段，计算目标时间段对应的第一实际用电段的实际用电公共因子向量与目标工艺类别的标准用电公共因子向量的余弦相似度，记为目标时间段的第一用电相似度，将1减去目标时间段的第一用电相似度得到目标时间段的用电异常率。

优选的，所述根据每个第一实际用电段的实际用电公共因子向量、每个第一实际图像段的实际图像公共因子向量、每个工艺类别的标准用电公共因子向量和标准图像因子向量得到每个时间段的用电可信度，包括的具体步骤为：

以任意一个工艺类别为目标工艺类别，以目标工艺类别中的任意一个时间段为目标时间段；

根据目标时间段对应的第一实际用电段的实际用电公共因子向量、第一实际图像段的实际图像公共因子向量和目标工艺类别的标准用电公共因子向量、标准图像公共因子向量得到目标时间段的用电可信度，包括：

计算目标时间段的实际用电公共因子向量与目标时间段的实际图像公共因子向量的余弦相似度，记为目标时间段的第二用电相似度，将目标工艺类别的标准用电公共因子向量与标准图像公共因子向量的余弦相似度记为目标工艺类别的第三用电相似度，将目标工艺类别的第三用电相似度与目标时间段的第二用电相似度的比值作为目标时间段的用电可信度。

优选的，所述根据每个时间段的用水异常率、用电异常率、用水可信度和用电可信度得到每个时间段的第一偷排概率，包括的具体步骤为：

第一偷排概率的表达式为：

其中，

表示第

个时间段的用水异常率，

表示第

个时间段的用电异常率，

表示第

个时间段的用电可信度，

表示第

个时间段的用水可信度，

表示第

个时间段的 第一偷排概率。

优选的，所述根据每个第一实际图像段的第一相似度、每个时间段的用水异常率和用电异常率得到每个时间段的第二偷排概率，包括的具体步骤为：

第二偷排概率的表达式为：

其中，

表示第

个时间段对应的第一实际图像段与参考工艺类别的第一相似度，

表示第

个时间段的用电异常率，

表示第

个时间段的用水异常率，

表示第

个时间 段的第二偷排概率。

基于金属加工监控的偷排预警分析系统，所述系统包括：

数据采集模块、数据处理模块、预警模块，其中数据采集模块用于采集相关数据，数据处理模块通过调用计算机程序实现基于金属加工监控的偷排预警分析方法的步骤得到每个时间段的预警指令，预警模块根据预警指令发出警报提醒。

本发明实施例至少具有如下有益效果：

获取得到标准用电序列、标准用水序列、标准图像序列，实际用电序列、实际用水序列和实际图像序列，根据标准用电序列和标准用水序列和标准图像序列得到每个工艺类别的用电数据、用水数据和图像数据；该方式分析了根据每个工艺的周期性差异特征来对标准用水序列进行工艺类别划分，使得得到的每个工艺类别的用电数据、用水数据和图像数据更准确。

为了防止环境因子造成同工艺类别的数据差异，因而获取每个工艺类别的标准用电公共特征、标准用水公共特征和标准图像公共特征，然后根据实际用电序列、用水序列、图像序列中每个数据段与每个工艺类别的标准用电、用水、图像特征来获取实际用电序列、用水序列、图像序列中每个数据段的所属类别，提取出实际用电序列、用水序列、图像序列中每个数据段的实际用电、用水、图像公共特征；

考虑到图像数据不容易被无痕篡改的特征，根据图像数据为基础来计算第二偷排概率，但是考虑到有些偷排现象利用图像数据难以被反映的情况，需利用用电、用水数据来计算第一偷排概率。

根据标准用电公共特征、实际用电公共特征的差异得到每个时间段用电异常率，根据标准用水公共特征与实际用水公共特征的差异得到每个时间段的用水异常率，根据实际用电、图像之间联系和标准用电、图像之间的联系的变化情况得到每个时间段的用电可信度，根据实际用水、图像之间的联系与标准用水、图像之间的联系变化情况得到每个时间段的用水可信度，根据每个时间段用电异常率、用水异常率和用电可信度和用水可信度得到每个时间段的第一偷排概率，该方式考虑了企业篡改用电数据和用水数据导致用电用水数据不准确，因而考虑了篡改数据会导致用电、图像数据的联系发生变化，因而计算了每个时间段的用电可信度，同理计算了用水可信度；通过考虑数据可信度得到的第一偷排概率更准确。

根据标准图像公共特征与实际图像公共特征的差异得到实际图像序列中每个图像段的第一相似度，根据每个时间段的用水异常率、每个时间段的用电异常率得到增益系数，根据每个图像段的第一相似度和增益系数得到每个时间段的第二偷排概率，该方式是以图像数据为基础，以用水、用电数据为辅助，使得计算出的偷排概率更准确。

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为本发明提供的基于金属加工监控的偷排预警分析方法及系统的流程图。

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基于金属加工监控的偷排预警分析方法及系统，其具体实施方式、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。

下面结合附图具体的说明本发明所提供的基于金属加工监控的偷排预警分析方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于金属加工监控的偷排预警分析方法及系统的步骤流程图，该方法包括以下步骤：

步骤S001，采集实际监控数据和标准监控数据。

由于本实施例的目的是通过数据异常分析来掌握企业可能存在的偷排情况，因此首先需要进行数据采集得到标准监控数据和实际监控数据，其中，实际监控数据和标准监控数据均包含用电数据、用水数据和视频数据。

1、获取标准监控数据：

为了保证此时获得的标准用电数据和标准用水数据是正常数据，首先对企业实地调研多天，采集得到标准用电序列、标准用水序列和标准视频序列。

获取标准用电序列：采集废水生产设备或车间用电量、污水站用电量、蒸发器用电 量等，将同一时刻采集到的所有电量值构成每个时刻的标准用电向量，将每个时刻的标准 用电向量按时序排列得到用标准用电序列

；标准用电序列

中每个元素表示每个时刻的标 准用电向量，例如：同一时刻采集的污水站用电量、蒸发器用电量等用电量构成的标准用电 向量；

获取标准用水序列：采集生产用水量、生活用水量、废水产生量、废水排放量、中水 回用量、蒸发量、零散废水转移量等，将同一时刻采集到的所有用水量构成每个时刻的标准 用水向量，将每个时刻的标准用水向量按时序排列得到标准用水序列B，标准用水序列

中 每个元素表示每个时刻的标准用水向量，例如：同一时刻采集的生活用水量、废水排放量等 构成的标准用水向量；

获取标准图像序列：在废水标准化排放口、零散废水转运区域等关键位置处安装 24小时视频监控；将同一时刻采集到的所有区域的视频图像构成每个时刻的标准图像向 量，将所有时刻的标准图像向量按时序排列得到标准图像序列

，标准图像序列

中的每个 元素表示每个时刻的标准图像向量。

将标准用电序列、标准用水序列和标准图像序列称为标准监控数据。

由于对企业进行调研时，企业一般不会偷排污水，因而得到的标准用电、用水和图像序列描述的是无偷排现象的数据。

2、采集得到实际监控数据：

企业内部安装水表、电表和监控相机，通过电表数据得到实际用电序列

、通过水 表数据得到实际用水序列

和通过监控相机得到实际图像序列

。

实际用电序列是由每个时刻的实际用电向量按时序排列得到，每个时刻的实际用电向量是由每个时刻的每种用电量值构成，实际用水序列是由每个时刻的实际用水向量按时序排列得到，每个时刻的实际用水向量是由每个时刻的每种用电量值构成，实际图像序列是由每个时刻的实际图像向量按时序排列得到，每个时刻的实际图像向量是由每个时刻的每个位置的视频图像构成。

将实际用电序列、实际用水序列每个实际图像序列称为实际监控数据。

获取企业每个工艺所需要的时间，在每个工艺的所需时间中获取最小值记为

。

利用

的滑窗，以

为移动步长在实际图像序列

上滑动，得到多个实际图像 段，将第

个实际图像段记为

，在本实施例中

取10min，在其他实施例中可根据实际需求 来进行调整。

步骤S002，获得标准监控数据的周期曲线，根据标准监控数据的周期曲线得到多个工艺类别。

常规方法是通过直接比较实际数据与标准数据的差异来得到每个时间段的偷排概率，但企业往往通过修改电表和水表的方式，将实际用电数据和实际用水数据调整成无偷排现象的用电数据和用水数据，从而来掩盖偷排的事实。因此难以直接通过比较实际的用电、用水数据与标准数据的差异来进行偷排判定；而视频数据一般难以被无痕迹的修改，不直接比较实际视频数据与标准视频数据来进行偷排判定的原因为：不同工艺特点不同，有的工艺会导致水表面有较为明显的变化，通过视频图像变化可以明显检测到，但有的工艺会导致水中的有害离子的浓度增大，但无色的有害离子在视频图像上难以检测得到，因此此时无法通过比较实际视频数据与标准视频数据的差异来进行偷排判定，需结合用电、用水数据与视频数据之间的关联性的变化情况来进行偷排检测。

考虑到用水数据和用电数据均是通过对应的仪器，例如水表和电表，而水表和电表容易被人为影响，导致数据的不真实，而企业人员难以对采集到的图像数据进行修改；因此首先通过标准监控数据的用电数据和用水数据找到对应的模式，例如：电镀、电氧化、酸洗、蚀刻等工艺模式。

由于每个模式的数据呈现周期性，而每天的同一个时刻进行的工艺不一定相同，因此首先需要将数据进行周期性划分，将属于同一个周期模式的数据划分出来，同时每个时刻的数据包含用电数据和用水数据和视频图像三种数据，每个时刻的用电数据和用水数据均为一个多维向量，例如：每个时刻的用电数据是一个用电向量，每个时刻的用水数据是一个用水向量，因此首先通过数据降维的方法对每个时刻的每种数据进行处理，考虑到周期是时间上的一种体现，因此首先计算相邻时刻的同种数据序列的相似性得到相似性序列，然后对所述的相似性序列进行周期性计算，具体如下：

首先将标准用电序列

中相邻两个时刻的用电向量计算余弦相似度得到用电相似 度序列，用电相似度序列中每个元素为每个时刻的用电相似度值，每个时刻的用电相似度 是通过每个时刻与前一个时刻的用电向量计算得到，同理利用标准用水序列

得到用水相 似度序列，用水相似度序列中每个元素为每个时刻的用水相似度值。

将每个时刻的用电相似度值与用水相似度值得比值作为每个时刻的第一指标，将 每个时刻的第一指标按时序排列得到第一指标序列；对第一指标序列进行

分解得到周 期曲线，将周期曲线进行傅里叶变换得到周期曲线的频谱，获取频谱中幅值不为0的频率集 合，将频率集合中每个频率值的倒数作为周期，得到多个周期。以其中一个周期为目标周 期，以目标周期为分段长度，对周期曲线进行分割得到目标周期的多个曲线段，将目标周期 的每个曲线段与目标周期的其他曲线段计算余弦相似度得到目标周期的每个曲线段的多 个相似度值，将目标周期的每个曲线段与目标周期的其他所有曲线段的相似度值均值作为 目标周期的每个曲线段的综合相似度，将周期曲线中综合相似度值大于相似度阈值的曲线 段对应的区域作为目标周期的曲线区域，即每个周期的曲线区域，因而每个周期在周期曲 线中对应一部分曲线区域，本实施例中相似度阈值取0.9，其他实施例可根据实际需求进行 调整，将该曲线区域作为该周期的曲线区域，多个周期得到多个曲线区域，由于每种工艺存 在固定的周期性变化，因而每种周期的曲线区域对应一种工艺类别，将周期曲线中同一周 期的曲线区域划分为一种工艺类别，得到多种工艺类别；例如电镀、电氧化、酸洗、蚀刻等工 艺。

由于周期曲线与标准用电序列存在时刻对应关系，对于一个周期的曲线区域，在 标准用电序列

中获取与该周期的曲线区域对应时刻的子序列作为该周期的用电子序列， 将该周期的用电子序列划分到该周期的曲线区域对应的工艺类别中，对每个周期的曲线区 域进行处理，得到每个周期的用电子序列的工艺类别，同理获取标准用水序列

的每个周期 的用水子序列，并得到每个周期的用水子序列的工艺类别。在标准图像序列

中获取与每个 工艺类别时间段对应的图像子序列，将图像子序列划分至对应工艺类别中，因而得到每个 图像子序列的工艺类别。同时也将每个标准用电向量、每个标准用水向量和每个标准图像 向量划分到每个工艺类别中。

步骤S003，计算每个工艺类别的标准用电、用水和图像公共因子向量，计算第一实际用电段的实际用电公共因子向量、第一实际用水段的实际用水公共因子向量、第一实际图像段的实际图像公共因子向量。

对于每个工艺类别来说，由于环境因素干扰导致同一工艺类别的数据可能不完全相同，为了对每个工艺类别的数据进行准确的描述，采用因子分析的方法提取到每个工艺类别的公共特征，即得到每个工艺类别的公共因子向量来表示每个工艺类别的特征。

1、计算每个工艺类别的标准用电公共因子向量、标准用水公共因子向量和标准图像公共因子向量：

以每个工艺类别的标准用电公共因子向量的计算方法为例来说明，具体实现如下：

由于每个时刻的标准用电数据构成标准用电向量，所有时刻的用电向量构成标准用电序列，因子分析可以对多个序列进行分析得到这些数据的共同特征，但现在标准用电序列中的每个元素是向量格式，因此首先需要将每个向量格式的数据转化为标量形式才能使用因子分析方法来进行数据分析，考虑到后续需采用因子分析方法对用电数据进行公共特征提取，为了避免不同方法带来的误差，因而需先通过因子分析的方法将每个向量格式的数据转化为标量形式，具体转化过程如下：

将每个工艺类别中的每个时刻的标准用电向量作为因子分析的输入向量，通过因子分析法，得到每个标准用电向量的特殊因子向量和所有输入向量的公共因子向量，与公共因子向量相比，特殊因子向量更能表示每个输入向量的特征，因此基于此类得到每个标准用电向量的用电标量，具体为：

计算每个标准用电向量的特殊因子向量的熵值，需要说明的是每个标准用电向量的特殊因子向量的熵值的获取方法为：将每个标准用电向量的特殊因子向量看作一维的序列，获取该一维序列的信息熵作为每个标准用电向量的特征因子向量的熵值。计算所有输入向量的公共因子向量的熵值，计算每个标准用电向量的特殊因子向量的熵值与公共因子向量的熵值的累加和，记为每个标准用电向量的第一累加和，将每个标准用电向量的特殊因子向量的熵值与第一累加和的商作为每个标准用电向量的用电标量。

将每个工艺类别的所有标准用电向量的用电标量按时序排列得到每个工艺类别的用电标量序列；

得到用电标量序列后，就可以对用电数据进行公共特征的提取，每个工艺类别中用电标量序列作为因子分析的输入向量，通过因子分析得到每个工艺类别的标准用电公共因子向量，所述标准用电公共因子向量表示的是每个工艺类别的标准用电数据的公共特征，因此可以将该特征作为不同类别的区分特征。

同理得到每个工艺类别的标准用水公共因子向量。

由于图像数据为二维数据，因而需先对标准图像数据预处理才能得到每个工艺类别的标准图像公共因子向量，具体预处理方法为：

在标准图像序列

中每个时刻的标准图像向量中获取每张图像，将每张图像的每 行数据拼接在一起得到每个图像的序列数据，将每个时刻的标准图像向量中所有图像的序 列数据拼接在一起得到每个时刻的第一图像向量，此时即可将二维图像数据转化为序列数 据，此时每个时刻的第一图像向量与标准用电向量具有相同的格式，此时可以类比每个工 艺类别的标准用电公共因子向量的计算方法来得到每个工艺类别的标准图像公共因子向 量。

2、计算每个工艺类别的实际用电公共因子向量、实际用水公共因子向量和实际视频公共因子向量：

企业可能通过对电表和水表进行修改导致数据不真实，因而需结合实际监控数据来对企业偷排情况进行判定。

(1)对实际用电序列、用水序列和图像序列进行工艺类别划分：

与用电数据和用水数据相比，视频数据的修改难度较大，因此首先通过实际视频数据来确定每个数据的工艺类别。由于在步骤S001中划分的实际图像段是通过滑窗得到，因而会存在一些实际图像段对应不止一个工艺，例如有些实际图像段描述的信息既包含电镀工艺也包含氧化工艺，因而需选择第一实际图像段，即第一实际图像段为只描述一个工艺的信息，而非多个工艺的信息；然后再分析第一实际图像段所属的工艺类别。

将任意一个实际图像段记为目标图像段；

根据目标图像段得到第一实际图像段和第一实际图像段的所属工艺类别：

将目标图像段中的所有图像向量作为一个工艺类别，类比计算每个工艺类别的图 像公共因子向量计算方法得到目标图像段的公共因子向量，计算目标图像段的公共因子向 量与每个工艺类别的图像公共因子向量的余弦相似度，记为目标图像段与每个工艺类别的 第一相似度

；获取第一相似度最大值对应的工艺类别记为目标图像段的参考工艺类别， 判断目标图像段与参考工艺类别的第一相似度是否大于第一相似度阈值，本实施例中第一 相似度阈值取0.7，其他实施例中的第一相似度阈值可根据实际需求进行调整，当目标图像 段与参考工艺类别的第一相似度大于0.7时，将目标图像段作为第一实际图像段，此时认为 目标图像段所描述的是同一工艺类别的信息，而不是对应多个工艺类别的信息；将目标图 像段的参考工艺类别作为目标图像段的工艺类别。

当目标图像段与参考工艺类别的第一相似度小于0.7时，此时认为目标图像段描述的是多个工艺类别的信息，因而目标图像段不是第一实际图像段，将任意一个其他实际图像段作为目标图像段，重复执行，根据目标图像段得到第一实际图像段和第一实际图像段的所属工艺类别，直至遍历所有的实际图像段，得到所有的第一实际图像段以及每个第一实际图像段的所属工艺类别。

对于一个工艺类别，获取该工艺类别中每个实际图像段对应的时间段，在实际用电序列中获得与所得时间段对应的子序列作为第一实际用电段，将第一实际用电段划分到该工艺类别。对每个工艺类别进行处理，得到每个工艺类别的第一实际用电段；同理的得到工艺类别的第一实际用水段。

每个工艺类别对应多个时间段，每个时间段对应一个第一实际用电段、一个第一实际用水段和一个第一实际图像段。

(2) 计算第一实际用电段的实际用电公共因子向量、每个第一实际用水段的实际用水公共因子向量和每个第一实际图像段的实际图像公共因子向量：

将第一实际用电段作为一个工艺类别，类比每个工艺类别的用电公共因子向量的计算方法，得到第一实际用电段的实际用电公共因子向量，同理得到每个第一实际用水段的实际用水公共因子向量。

步骤S004，根据每个工艺类别的标准用电、用水和图像的公共因子向量、第一实际用电段的实际用电公共因子向量、每个第一实际用水段的实际用水公共因子向量和每个第一实际图像段的实际图像公共因子向量得到每个时间段的偷排概率。

由于排放的污水类型的不同，异常有两种可能：一种异常是对应工艺导致的污水在外表上没有多大差别，即图像数据难以区分，因而利用图像数据进行分析难以识别出污水偷排排放的异常情况，而用电数据和用水数据可以体现出污水偷排的异常情况，因而此时可以基于此得到每个时间段的第一偷排概率。另一种异常是对应工艺导致的污水有明显的变化，可以通过图像数据反映出来，此时可以图像数据为基础，以用电数据和用水数据为辅助得到每个时间段的第二偷排概率。结合每个时间段的第一偷排概率和第二偷排概率得到每个时间段的偷排概率。

具体步骤如下：

1、计算每个时间段的用电异常、用水异常、用电可信度和用水可信度：

对于一个工艺类别的第

个时间段，计算该时间段对应的第一实际用电段的实际用 电公共因子向量与该工艺类别的标准用电公共因子向量的余弦相似度，记为第

时间段的第 一用电相似度，将1减去第

个时间段的第一用电相似度得到第

个时间段的用电异常率

， 该值越大说明该时间段的实际用电数据与标准用电数据存在较大差异，而标准用电数据为 不存在偷排现象的用电数据，因而该时间段的实际用电数据越异常，即通过用电数据分析 得到的该时间段存在偷排现象的概率越大；

对于一个工艺类别的第

个时间段，计算该时间段对应的第一实际用电段的实际用 水公共因子向量与该工艺类别的标准用水公共因子向量的余弦相似度，记为第

个时间段的 第一用水相似度，将1减去第

个时间段的第一用水相似度得到第

个时间段的用水异常率

，该值说明该时间段的实际用水数据与标准用水数据存在较大差异，而标准用水数据为 不存在偷排现象的用水数据，因而该时间段的实际用水数据越异常，即通过用水数据分析 得到的该时间段存在偷排现象的概率越大；

对于一个工艺类别的第

个时间段，计算第

个时间段的实际用电公共因子向量与 第

个时间段的实际图像公共因子向量的余弦相似度，记为第

个时间段的第二用电相似度， 将该工艺类别的标准用电公共因子向量与标准图像公共因子向量的余弦相似度记为该工 艺类别的第三用电相似度，将每个工艺类别的第三用电相似度与第

个时间段的第二用电相 似度的比值作为第

个时间段的用电可信度

，该值越大，该时间段的实际用电数据的可信 度越高，即被篡改的可能性越小，该值通过实际图像数据、实际用电数据之间的联系与标准 图像数据、标准用电数据之间的联系的变化情况来反映，其中第二用电相似度反映实际用 电数据与实际图像数据之间的联系，第三用电相似度表示标准时间用电数据和标准图像数 据之间的联系，该数据是通过调研得到，该数据不存在篡改现象，因而第三用电相似度反映 了准确用电数据与图像数据之间的关系，当企业通过修改电表来掩盖偷排时，会导致联系 值发生变化，因此可以通过第二用电相似度与第三用电相似度的比值作为第

个时间段的用 电可信度；

对于一个工艺类别的第

个时间段，计算第

个时间段的实际用水公共因子向量与 第

个时间段的实际图像公共因子向量的余弦相似度，记为第

个时间段的第二用水相似度， 将该工艺类别的标准用水公共因子向量与标准图像公共因子向量的余弦相似度记为该工 艺类别的第三用水相似度，将每个工艺类别的第三用水相似度与第

个时间段的第二用水相 似度的比值作为第

个时间段的用水可信度

，该值越大，该时间段的实际用水数据的可信 度越高，即被篡改的可能性越小，该值通过实际图像数据、实际用水数据之间的联系与标准 图像数据、标准用水数据之间的联系的变化情况来反映，其中第二用水似度反映实际用水 数据与实际图像数据之间的联系，第三用水似度表示标准时间用水数据和标准图像数据之 间的联系，该数据是通过调研得到，该数据不存在篡改现象，因而第三用水似度反映了准确 用水数据与准确图像数据之间的关系，当企业通过修改水表来掩盖偷排时，会导致联系值 发生变化，因此可以通过第二用水相似度与第三用水相似度的比值作为第

个时间段的用水 可信度；

2、计算每个时间段的第一偷排概率：

根据每个时间段的用电异常率、用水异常率、用电可信度和用水可信度得到每个时间段的第一偷排概率：

其中，

表示第

个时间段的用水异常率，该值越大说明该时间段的用水数据与标 准用水数据差别越大，因而该时间段的偷排概率越大，

表示第

个时间段的用电异常率， 该值越大说明该时间段的用电数据与标准用电数据差别较大，因而该时间段的偷排概率越 大，

表示第

个时间段的用电可信度，该值越大说明每个时间段的实际用电数据的可信度 越大，即被修改的可能性越小，因而利用该数据进行偷排分析的准确性越大，

表示第

个 时间段的用水可信度，该值越大说明该时间段的实际用水数据越可靠，即被修改的可能性 越小，因而利用该数据进行偷排分析的准确性越大，

表示第

个时间段的第一偷排概率。

3、计算每个时间段的第二偷排概率：

其中，

表示第

个时间段的第一实际图像段与参考工艺类别的第一相似度，该值 越大说明第

时间段的实际图像数据与参考工艺类别的标准图像数据的相似度越大，而参考 工艺类别的标准图像数据为不存在偷排现象的图像数据，因而该时间段存在偷排的概率越 小，

表示第

个时间段的用电、用水异常率的均值，该值越大说明第

个时间段的实际用 电、用水数据与标准用电、用水数据存在较大差异，因而通过用电、用水数据分析得到的偷 排概率越大，由于

取值分布在区间

中，因而

大于1，因而将

作为增 益系数。

将第

时间段的第一偷排概率和第二偷排概率中较大值作为第

个时间段的偷排概 率。

步骤S005，根据每个时间段的偷排概率进行偷排预警。

当每个时间段的偷排概率大于概率阈值时，本实施例中概率阈值取0.7，其他实施例的概率阈值可根据实际需求进行调整，认为此时存在偷排现象，此时预警系统发出警告提示。

本发明实施例提出基于金属加工监控的偷排预警分析系统，包括数据采集模块、数据处理模块、预警模块，其中数据采集模块用于采集相关数据，数据处理模块通过调用计算机程序实现基于金属加工监控的偷排预警分析方法得到每个时间段的预警指令，预警模块根据预警指令发出警报提醒。

综上所述，本发明实施例提供了基于金属加工监控的偷排预警分析方法及系统，获取得到标准用电序列、标准用水序列、标准图像序列，实际用电序列、实际用水序列和实际图像序列，根据标准用电序列和标准用水序列和标准图像序列得到每个工艺类别的用电数据、用水数据和图像数据；该方式分析了根据每个工艺的周期性差异特征来对标准用水序列进行工艺类别划分，使得得到的每个工艺类别的用电数据、用水数据和图像数据更准确。

为了防止环境因子造成同工艺类别的数据差异，因而获取每个工艺类别的标准用电公共特征、标准用水公共特征和标准图像公共特征，然后根据实际用电序列、用水序列、图像序列中每个数据段与每个工艺类别的标准用电、用水、图像特征来对实际用电序列、用水序列、图像序列中每个数据段的所属类别并提取出实际用电序列、用水序列、图像序列中每个数据段的实际用电、用水、图像公共特征；

考虑到图像数据不容易被无痕篡改的特征，根据图像数据为基础来计算第二偷排概率，但是考虑到有些偷排现象利用图像数据难以被反映的情况，需利用用电、用水数据来计算第一偷排概率。

根据标准用电公共特征、实际用电公共特征的差异得到每个时间段用电异常率，根据标准用水公共特征与实际用水公共特征的差异得到每个时间段的用水异常率，根据实际用电、图像之间联系和标准用电、图像之间的联系的变化情况得到每个时间段的用电可信度，根据实际用水、图像之间的联系与标准用水、图像之间的联系变化情况得到每个时间段的用水可信度，根据每个时间段用电异常率、用水异常率和用电可信度和用水可信度得到每个时间段的第一偷排概率，该方式考虑了企业篡改用电数据和用水数据导致用电用水数据不准确，因而考虑了篡改数据会导致用电、图像数据的联系发生变化，因而计算了每个时间段的用电可信度，同理计算了用水可信度；通过考虑数据可信度得到的第一偷排概率更准确。

根据标准图像公共特征与实际图像公共特征的差异得到实际图像序列中每个图像段的第一相似度，根据每个时间段的用水异常率、每个时间段的用电异常率得到增益系数，根据每个图像段的第一相似度和增益系数得到每个时间段的第二偷排概率，该方式是以图像数据为基础，以用水、用电数据为辅助，使得计算出的偷排概率更准确。

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。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。

本说明书中的每个实施例均采用递进的方式描述，每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 (10)

1.基于金属加工监控的偷排预警分析方法，其特征在于，所述方法包括：

获取标准用电序列、标准用水序列、标准图像序列、实际用电序列、实际用水序列和实际图像序列；

根据标准用电序列、标准用水序列、标准图像序列、实际用电序列和实际图像序列得到每个时间段的用电异常率和用电可信度，包括：

根据标准用电序列、标准用水序列和标准图像序列得到每个工艺类别的用电子序列和图像子序列；根据每个工艺类别的用电子序列和图像子序列得到每个工艺类别的标准用电公共因子向量和标准图像公共因子向量；根据实际图像序列得到每个第一实际图像段的实际图像公共因子向量和第一相似度；根据每个第一实际图像段、实际用电序列得到每个第一实际用电段的实际用电公共因子向量和所属工艺类别；根据每个第一实际用电段的实际用电公共因子向量、所属工艺类别、每个工艺类别的标准用电公共因子向量得到每个时间段的用电异常率；根据每个第一实际用电段的实际用电公共因子向量、每个第一实际图像段的实际图像公共因子向量、每个工艺类别的标准用电公共因子向量和标准图像因子向量得到每个时间段的用电可信度；

根据标准用水序列、标准用电序列、标准图像序列、实际用水序列和实际图像序列得到每个时间段的用水异常率和用水可信度；

根据每个时间段的用水异常率、用电异常率、用水可信度和用电可信度得到每个时间段的第一偷排概率；根据每个第一实际图像段的第一相似度、每个时间段的用水异常率和用电异常率得到每个时间段的第二偷排概率；

将每个时间段的第一偷排概率和第二偷排概率中的较大值作为每个时间段的偷排概率，根据每个时间段的偷排概率进行偷排预警。

2.如权利要求1所述的基于金属加工监控的偷排预警分析方法，其特征在于，所述根据标准用电序列、标准用水序列和标准图像序列得到每个工艺类别的用电子序列和图像子序列，包括的具体步骤为：

根据标准用电序列得到用电相似度序列，根据标准用水序列得到用水相似度序列；

将用电相似度序列中每个时刻的用电相似度值与用水相似度序列中同时刻的用水相似度值的比值作为每个时刻的第一指标，将每个时刻的第一指标按时序排列得到第一指标序列；根据第一指标序列得到周期曲线，获取周期曲线的频谱，根据频谱得到多个周期；

以任意一个周期为目标周期，以目标周期为分段长度，对周期曲线进行分割得到目标周期的多个曲线段，将目标周期的每个曲线段与目标周期的其他所有曲线段的相似度值均值作为目标周期的每个曲线段的综合相似度，将综合相似度大于第一预设阈值的曲线段对应的区域作为目标周期的曲线区域，将周期曲线中同一周期的曲线区域划分为一种工艺类别，得到多种工艺类别；

根据标准用电序列和目标周期的曲线区域得到每个工艺类别的用电子序列，包括：在标准用电序列中获取与目标周期的曲线区域对应时刻的子序列作为目标周期的用电子序列，将目标周期的用电子序列划分到目标周期的曲线区域对应的工艺类别中，得到每个工艺类别的用电子序列；

根据标准图像序列和目标周期的曲线区域得到获取每个工艺类别的图像子序列。

3.如权利要求1所述的基于金属加工监控的偷排预警分析方法，其特征在于，所述根据每个工艺类别的用电子序列和图像子序列得到每个工艺类别的标准用电公共因子向量和标准图像公共因子向量，包括的具体步骤为：

根据每个工艺类别的用电子序列计算每个工艺类别的标准用电公共因子向量，包括：

每个工艺类别的用电子序列是由每个时刻的标准用电向量构成；将所有工艺类别中的所有时刻的标准用电向量作为因子分析的输入向量，通过因子分析法，得到每个标准用电向量的特殊因子向量和所有输入向量的公共因子向量，计算所述特殊因子向量的熵值，计算所述公共因子向量的熵值，将特殊因子向量的熵值与公共因子向量的熵值的累加和记为每个标准用电向量的第一累加和，将每个标准用电向量的特殊因子向量的熵值与第一累加和的商作为每个标准用电向量的用电标量，将每个工艺类别的所有标准用电向量的用电标量按时序排列得到每个工艺类别的用电标量序列；

将每个工艺类别中用电标量序列作为因子分析的输入向量，通过因子分析得到每个工艺类别的标准用电公共因子向量；

根据每个工艺类别的图像子序列计算每个工艺类别的标准图像公共因子向量。

4.如权利要求1所述的基于金属加工监控的偷排预警分析方法，其特征在于，所述根据实际图像序列得到每个第一实际图像段的实际图像公共因子向量和第一相似度，包括的具体步骤为：

将任意一个实际图像段记为目标图像段；

根据目标图像段得到第一实际图像段和第一实际图像段的所属工艺类别，包括：

获取目标图像段的公共因子向量，计算目标图像段的公共因子向量与每个工艺类别的标准图像公共因子向量的余弦相似度，记为目标图像段与每个工艺类别的第一相似度；获取第一相似度最大值对应的工艺类别记为目标图像段的参考工艺类别，判断目标图像段与参考工艺类别的第一相似度是否满足预设条件，当满足预设条件时，将目标图像段作为第一实际图像段，将第一实际图像段的公共因子向量作为第一实际图像段的实际图像公共因子向量，将第一实际图像段的参考工艺类别作为第一实际图像段的工艺类别；将目标图像段与参考工艺类别的第一相似度记为目标图像段的第一相似度；

当不满足预设条件时，将任意一个其他实际图像段作为目标图像段，重复执行根据目标图像段得到第一实际图像段和第一实际图像段的所属工艺类别，直至遍历所有的实际图像段，得到所有的第一实际图像段以及每个第一实际图像段的所属工艺类别。

5.如权利要求1所述的基于金属加工监控的偷排预警分析方法，其特征在于，所述根据每个第一实际图像段、实际用电序列得到每个第一实际用电段的实际用电公共因子向量和所属工艺类别，包括的具体步骤为：

对于一个工艺类别，获取该工艺类别中每个第一实际图像段对应的时间段，在实际用电序列中获得与所得时间段对应的子序列作为第一实际用电段，将第一实际用电段划分到该工艺类别；对每个工艺类别进行处理，得到每个工艺类别的多个第一实际用电段；获取每个第一实际用电段的实际公共因子向量。

6.如权利要求1所述的基于金属加工监控的偷排预警分析方法，其特征在于，所述根据每个第一实际用电段的实际用电公共因子向量、所属工艺类别、每个工艺类别的标准用电公共因子向量得到每个时间段的用电异常率，包括的具体步骤为：

以任意一个工艺类别为目标工艺类别，以目标工艺类别中的任意一个时间段为目标时间段；

对于目标工艺类别的目标时间段，计算目标时间段对应的第一实际用电段的实际用电公共因子向量与目标工艺类别的标准用电公共因子向量的余弦相似度，记为目标时间段的第一用电相似度，将1减去目标时间段的第一用电相似度得到目标时间段的用电异常率。

7.如权利要求1中所述的基于金属加工监控的偷排预警分析方法，其特征在于，所述根据每个第一实际用电段的实际用电公共因子向量、每个第一实际图像段的实际图像公共因子向量、每个工艺类别的标准用电公共因子向量和标准图像因子向量得到每个时间段的用电可信度，包括的具体步骤为：

以任意一个工艺类别为目标工艺类别，以目标工艺类别中的任意一个时间段为目标时间段；

根据目标时间段对应的第一实际用电段的实际用电公共因子向量、第一实际图像段的实际图像公共因子向量和目标工艺类别的标准用电公共因子向量、标准图像公共因子向量得到目标时间段的用电可信度，包括：

计算目标时间段的实际用电公共因子向量与目标时间段的实际图像公共因子向量的余弦相似度，记为目标时间段的第二用电相似度，将目标工艺类别的标准用电公共因子向量与标准图像公共因子向量的余弦相似度记为目标工艺类别的第三用电相似度，将目标工艺类别的第三用电相似度与目标时间段的第二用电相似度的比值作为目标时间段的用电可信度。

8.如权利要求1所述的基于金属加工监控的偷排预警分析方法，其特征在于，所述根据每个时间段的用水异常率、用电异常率、用水可信度和用电可信度得到每个时间段的第一偷排概率，包括的具体步骤为：

第一偷排概率的表达式为：

其中，

表示第

个时间段的用水异常率，

表示第

个时间段的用电异常率，

表示第

个时间段的用电可信度，

表示第

个时间段的用水可信度，

表示第

个时间段的第一偷排概率。

9.如权利要求1所述的基于金属加工监控的偷排预警分析方法，其特征在于，所述根据每个第一实际图像段的第一相似度、每个时间段的用水异常率和用电异常率得到每个时间段的第二偷排概率，包括的具体步骤为：

第二偷排概率的表达式为：

其中，

表示第

个时间段对应的第一实际图像段与参考工艺类别的第一相似度，

表示第

个时间段的用电异常率，

表示第

个时间段的用水异常率，

表示第

个时间段的第二偷排概率。

10.基于金属加工监控的偷排预警分析系统，其特征在于，所述系统包括：

数据采集模块、数据处理模块、预警模块，其中数据采集模块用于采集相关数据，数据处理模块通过调用计算机程序实现权利要求

任意一项方法的步骤得到每个时间段的预警指令，预警模块根据预警指令发出警报提醒。

Images