CN116633978B - 基于物联网的污水处理远程监控系统 - Google Patents
基于物联网的污水处理远程监控系统 Download PDFInfo
- Publication number
- CN116633978B CN116633978B CN202310903788.6A CN202310903788A CN116633978B CN 116633978 B CN116633978 B CN 116633978B CN 202310903788 A CN202310903788 A CN 202310903788A CN 116633978 B CN116633978 B CN 116633978B
- Authority
- CN
- China
- Prior art keywords
- sewage treatment
- monitoring
- data
- cloud platform
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 242
- 239000010865 sewage Substances 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 claims abstract description 165
- 230000008569 process Effects 0.000 claims abstract description 128
- 238000004891 communication Methods 0.000 claims abstract description 63
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000002787 reinforcement Effects 0.000 claims abstract description 11
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 44
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- RGVBVVVFSXWUIM-UHFFFAOYSA-M bromo(dimethyl)sulfanium;bromide Chemical compound [Br-].C[S+](C)Br RGVBVVVFSXWUIM-UHFFFAOYSA-M 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000003014 reinforcing effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 54
- 238000005516 engineering process Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Abstract
本发明公开了一种基于物联网的污水处理远程监控系统，涉及智能监控领域，包含采集检测模块、网络通讯模块、监控云平台、监控质量监测模块、功耗优化模块和安全加固模块，所述采集检测模块的输出端与所述网络通讯模块的输入端连接，所述网络通讯模块与所述监控云平台双向连接，所述监控质量监测模块与监控云平台双向连接，所述功耗优化模块的输出端与所述监控云平台模块的输入端连接，所述安全加固模块全程工作；本发明能够实现对污水处理过程的远程监控和管理；自动化、智能化程度高。
Description
技术领域
本发明涉及智能监控领域，且更具体地涉及一种基于物联网的污水处理远程监控系统。
背景技术
随着全球人口的增长和城市化进程的加速，当下社会水污染问题越发的严重，水的问题已经严重的影响到人类的发展，污水处理成为了重要的环境问题，在这种情况下，国家一方面教导大家节约用水减少排放，另一方面积极建设污水处理站，加大对工业污水和生活污水处理的力度，使污水都能经过处理后再排放，这一系列的措施取得了很大的成效。但是污水远程数据处理能力滞后。污水远程数据处理系统是一种用于处理污水的计算机系统,通常由多个模块组成,包括传感器、数据采集器、数据处理单元、控制器等。这个系统可以实时监测污水中的各种参数,如温度、pH值、溶解氧、总氮、总磷等,并将这些数据传送到数据处理中心进行处理。
在数据处理中心,这些数据会被进行处理和清洗,然后被用于分析污水的性质、污染源、水质状况等,以便进行相应的治理和保护。现有技术中污水远程数据处理能力滞后，数据信息处理能力滞后。
现有技术还在存在其他不足，比如：
（1）缺乏网络安全保障 基于物联网的污水处理远程监控系统涉及到大量敏感数据的传输和存储。然而，当前的技术在网络安全方面存在一定的缺陷，容易受到黑客攻击和数据泄露的风险。
（2）数据采集和处理的复杂性 监控系统需要收集和处理大量的实时数据，如污水处理厂的水质、流量和压力等信息。然而，目前的技术在数据采集和处理方面还存在一些问题。例如，传感器的精度和可靠性可能存在一定的难题，导致数据不准确或不稳定。
（3）缺乏智能化调度和管理 目前的污水处理远程监控系统主要聚焦在数据采集和传输方面，缺乏智能化调度和管理的功能。
（4）高成本和技术门槛 基于物联网的污水处理远程监控系统的建设和运维成本较高，且需要一定的技术专业知识，这可能限制了一些中小型污水处理厂使用该技术的能力。
因此，本文公开了一种基于物联网的污水处理远程监控系统，能够实现对工会数据通信接入设备的监控和管理。
发明内容
针对现有技术的不足，本发明公开了一种基于物联网的污水处理远程监控系统，能够实现对污水处理过程的远程监控和管理；通过低延迟多频段5G网络降低网络通信延迟和数据信号通讯干扰；通过网络优化单元提高网络性能；采用多层次加权评价算法综合评价监控云平台的监控质量，并将评价结果反馈给监控云平台，以便监控云平台进行优化和调整；采用改进式聚类算法和深度序列学习算法实现污水处理过程和污水处理设备异常的实时告警和超前预警，提高异常处理效率；通过数据预测单元预测工会数据通信接入设备工作状态走向，实现工会数据通信接入设备异常的超前预警；采用自适应优化方法实时调整监控系统工作策略，以降低监控系统功耗；通过云防护平台抵御外界恶意攻击；自动化、智能化程度高。
本发明采用以下技术方案：
一种基于物联网的污水处理远程监控系统，所述系统包括：
采集检测模块，用于采集和感知污水处理过程中的参数，所述采集检测模块采用微纳传感器组实现污水处理过程参数的高速低功耗感知，所述微纳传感器组包括微纳水质传感器、微纳水流量传感器、微纳温度传感器和微纳气体传感器，所述采集检测模块通过无线通讯方式提取微纳传感器组感知数据和污水处理设备状态数据；
网络通讯模块，用于实现传感器数据和控制信号的远程传输和接收，所述网络通讯模块包括低延迟多频段5G网络和网络优化单元，所述低延迟多频段5G网络与所述网络优化单元协同工作；
监控云平台，用于污水处理过程的远程监控，所述监控云平台包括统计记录单元、分析处理单元、动态预警单元和远程控制单元，所述统计记录单元用于记录污水处理过程参数和污水处理设备状态数据，所述分析处理单元用于污水处理过程和污水处理设备的异常分析和预测，所述动态预警单元用于根据污水处理过程和污水处理设备的异常分析和预测进行实时告警和超前预警，所述远程控制单元用于根据实时告警和超前预警信息对污水处理过程和污水处理设备进行远程调控，所述统计记录单元的输出端与所述分析处理单元的输入端连接，所述分析处理单元的输出端与所述动态预警单元的输入端连接，所述动态预警单元的输出端与所述远程控制单元的输入端连接；
监控质量监测模块，用于监测监控云平台的监控质量，并反馈改进，所述监控质量监测模块采用多层次加权评价算法综合评价监控云平台的监控质量，并将评价结果反馈给监控云平台，以便监控云平台进行优化和调整；
功耗优化模块，用于降低监控系统运行功耗，实现系统节能和高效运行，所述功耗优化模块采用自适应优化方法实时调整监控系统工作策略，以降低监控系统功耗，所述自适应优化方法采用动态自适应优化算法评估监控系统工作过程，评估结果高于高阈值或低于低阈值时，则调整监控系统工作策略；
安全加固模块，用于保护污水处理远程监控系统的数据安全、内核平台安全和系统服务安全，所述安全加固模块通过采用云防护平台抵御外界恶意攻击；
其中，所述采集检测模块的输出端与所述网络通讯模块的输入端连接，所述网络通讯模块与所述监控云平台双向连接，所述监控质量监测模块与监控云平台双向连接，所述功耗优化模块的输出端与所述监控云平台模块的输入端连接，所述安全加固模块全程工作。
作为本发明进一步的技术方案，所述多层次加权评价算法设置监控云平台执行结果数据集为，n为监控云平台执行结果个数，/>n，将监控云平台执行结果数据集按照属性层次排列/>，/>，/>表示监控云平台执行结果属性层次，m为监控云平台执行结果属性层次个数，按照监控云平台执行结果属性层次对监控云平台执行结果加权评估输出函数公式为：
（1）
在公式（1）中，为监控云平台执行结果加权评估，/>为第j个监控云平台执行结果属性层次加权值，/>第j个监控云平台执行结果属性层次，/>为监控云平台执行结果最大值，/>为监控云平台执行结果最小值。所述动态自适应优化算法设置监控系统工作过程数据集为/>，t为监控系统工作时间个数，t时刻监控系统工作过程功耗特征数据集为/>，l为监控系统工作过程功耗特征个数，/>，t时刻监控系统工作过程功耗评估输出函数公式为：
（2）
在公式（2）中，为监控系统工作过程功耗评估结果，/>为监控系统工作过程功耗评估加权值，/>为监控系统工作过程功耗评估加权系数，/>为t时刻监控系统工作过程数据，/>为t时刻监控系统工作过程数据最大值，/>为t时刻监控系统工作过程数据最小值，/>为o时刻监控系统工作过程数据，/>为t时刻监控系统工作过程功耗最大值，/>为t时刻监控系统工作过程功耗最小值。
作为本发明进一步的技术方案，所述低延迟多频段5G网络通过多频段带宽聚合传输方式和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以降低网络延迟，并采用低电压调制通讯标准LVM-hscs降低数据信号通讯干扰。
作为本发明进一步的技术方案，所述网络优化单元的工作包括以下方面：
（1）通信协议优化，通过四层TCP/UDP传输协议，一层边界网关BGP协议和七层HTTP/HTTPS协议实现动静态数据的智能识别和自适应加速，以提高数据传输效率和可靠性；
（2）数据压缩与优化，采用流式压缩算法实时压缩和解压缩数据，以节省网络带宽和能源消耗；
（3）网络拓扑优化，通过自组织网络SON实现低延迟多频段5G网络拓扑结构的自适应优化调节，以提高网络性能；
（4）故障检测与恢复，通过监测通信链路的可用性发现通信故障或中断，并采取故障恢复策略和数据备份策略恢复通信链路；
（5）安全管理，通过制定密码策略和访问控制策略抵御数据泄露、篡改或非法访问。
作为本发明进一步的技术方案，所述统计记录单元通过大数据迁移系统BDMS实现数据的脱机储存、在线汇总、定期归档备份、权限共享和纠错追溯，并通过DataV可视化应用搭建工具对污水处理过程参数和污水处理设备状态数据进行图表化统计和显示，所述大数据迁移系统BDMS包括数据库MySQL和分布式日志ELK。
作为本发明进一步的技术方案，所述分析处理单元通过改进式聚类算法进行污水处理过程和污水处理设备异常分析，以实现污水处理过程和污水处理设备异常的实时告警，并采用深度序列学习算法实现污水处理过程和污水处理设备异常预测，以实现污水处理过程和污水处理设备异常的超前预警。
作为本发明进一步的技术方案，所述改进式聚类算法工作步骤包括：
步骤1、确定聚类数，所述改进式聚类算法采用模糊分割指标法确定聚类数，所述模糊分割指标法通过计算不同聚类数对应的模糊分割指标确定最优聚类数，并采用自适应聚类中心点算法自动选择最佳初始聚类中心点，以避免局部最优情况，所述改进式聚类算法添加数据点权重因子增强污水处理过程参数和污水处理设备状态数据在聚类过程中清晰度；
步骤2、初始化模糊矩阵，所述改进式聚类算法采用先验领域信息实现样本初始分类，并对模糊矩阵进行赋值，所述改进式聚类算法根据污水处理过程参数和污水处理设备状态数据样本特征赋予污水处理过程参数和污水处理设备状态数据样本不同权重，并通过迭代优化法优化聚类效果，所述迭代优化法与自适应学习率法结合基于迭代次数和预设参数值自动调整学习率，以提高改进式聚类算法的收敛速度和稳定性；
步骤3、计算聚类中心，所述改进式聚类算法采用软加权平均法计算聚类中心，以提高聚类的鲁棒性和稳健性，并通过约束条件限制聚类中心数量和位置，以避免聚类中心过多或过少情况，所述软加权平均法采用指数函数计算样本加权后平均值，以减少异常点的影响；
步骤4、更新模糊矩阵，所述改进式聚类算法根据聚类中心计算数据点到聚类中心的距离，并将距离转化为隶属度值，以更新模糊矩阵；
步骤5、判断收敛，设置最大迭代次数，迭代次数达到最大值判断模糊矩阵收敛，迭代次数未达到最大值判断模糊矩阵不收敛，则执行步骤4操作。
作为本发明进一步的技术方案，所述深度序列学习算法基于历史污水处理过程参数和污水处理设备状态数据和实时污水处理过程参数和污水处理设备状态数据精确预测污水处理过程和污水处理设备状态走向，以实现污水处理过程和污水处理设备异常的超前预警，所述深度序列学习算法包括输入层、嵌入层、循环层、卷积层、注意力层和输出层，所述深度序列学习算法模型的工作包括以下步骤：
步骤一、输入层，用于接收污水处理过程参数和污水处理设备状态序列数据的输入；
步骤二、嵌入层，用于将离散的污水处理过程参数和污水处理设备状态数据转换为连续的向量表示，以便于神经网络进行处理；
步骤三、循环层，用于处理具有时序关系的污水处理过程参数和污水处理设备状态数据，所述循环层通过在每个时间步上传递状态信息，实现对序列数据的建模和记忆；
步骤四、卷积层，用于处理一维或二维序列数据，所述卷积层通过使用不同大小的卷积核对输入进行滑动窗口处理，以提取局部特征，并进行汇总和组合；
步骤五、注意力层，用于在序列学习中建立全局的关注机制，以便网络能够关注与任务相关的部分，所述注意力层根据历史污水处理过程参数和污水处理设备状态数据和实时污水处理过程参数和污水处理设备状态数据动态计算不同位置的权重，以实现对不同部分关注程度的调整；
步骤六、输出层，用于任务结果进行输出，所述输出层配合全连接层和softmax激活函数输出类别的概率分布。
作为本发明进一步的技术方案，所述云防护平台通过双层检测防火墙实现云平台的安全加固，所述双层检测防火墙通过检查引擎对通讯请求和通讯内容进行异常检测，并定期进行云平台安全隐患检测和改进风险点复检。
积极有益效果：
本发明公开了一种基于物联网的污水处理远程监控系统，能够实现对污水处理过程的远程监控和管理；通过低延迟多频段5G网络降低网络通信延迟和数据信号通讯干扰；通过网络优化单元提高网络性能；采用多层次加权评价算法综合评价监控云平台的监控质量，并将评价结果反馈给监控云平台，以便监控云平台进行优化和调整；采用改进式聚类算法和深度序列学习算法实现污水处理过程和污水处理设备异常的实时告警和超前预警，提高异常处理效率；通过数据预测单元预测工会数据通信接入设备工作状态走向，实现工会数据通信接入设备异常的超前预警；采用自适应优化方法实时调整监控系统工作策略，以降低监控系统功耗；通过云防护平台抵御外界恶意攻击；自动化、智能化程度高。
附图说明
图1为本发明一种基于物联网的污水处理远程监控系统的整体架构示意图；
图2为本发明一种基于物联网的污水处理远程监控系统中监控云平台示意图；
图3为本发明一种基于物联网的污水处理远程监控系统中网络通讯模块的模型架构示意图；
图4为本发明一种基于物联网的污水处理远程监控系统中深度序列学习算法模型架构图。
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。
一种基于物联网的污水处理远程监控系统，所述系统包括：
采集检测模块，用于采集和感知污水处理过程中的参数，所述采集检测模块采用微纳传感器组实现污水处理过程参数的高速低功耗感知，所述微纳传感器组包括微纳水质传感器、微纳水流量传感器、微纳温度传感器和微纳气体传感器，所述采集检测模块通过无线通讯方式提取微纳传感器组感知数据和污水处理设备状态数据；
网络通讯模块，用于实现传感器数据和控制信号的远程传输和接收，所述网络通讯模块包括低延迟多频段5G网络和网络优化单元，所述低延迟多频段5G网络与所述网络优化单元协同工作；
监控云平台，用于污水处理过程的远程监控，所述监控云平台包括统计记录单元、分析处理单元、动态预警单元和远程控制单元，所述统计记录单元用于记录污水处理过程参数和污水处理设备状态数据，所述分析处理单元用于污水处理过程和污水处理设备的异常分析和预测，所述动态预警单元用于根据污水处理过程和污水处理设备的异常分析和预测进行实时告警和超前预警，所述远程控制单元用于根据实时告警和超前预警信息对污水处理过程和污水处理设备进行远程调控，所述统计记录单元的输出端与所述分析处理单元的输入端连接，所述分析处理单元的输出端与所述动态预警单元的输入端连接，所述动态预警单元的输出端与所述远程控制单元的输入端连接；
监控质量监测模块，用于监测监控云平台的监控质量，并反馈改进，所述监控质量监测模块采用多层次加权评价算法综合评价监控云平台的监控质量，并将评价结果反馈给监控云平台，以便监控云平台进行优化和调整；
功耗优化模块，用于降低监控系统运行功耗，实现系统节能和高效运行，所述功耗优化模块采用自适应优化方法实时调整监控系统工作策略，以降低监控系统功耗，所述自适应优化方法采用动态自适应优化算法评估监控系统工作过程，评估结果高于高阈值或低于低阈值时，则调整监控系统工作策略；
安全加固模块，用于保护污水处理远程监控系统的数据安全、内核平台安全和系统服务安全，所述安全加固模块通过采用云防护平台抵御外界恶意攻击；
其中，所述采集检测模块的输出端与所述网络通讯模块的输入端连接，所述网络通讯模块与所述监控云平台双向连接，所述监控质量监测模块与监控云平台双向连接，所述功耗优化模块的输出端与所述监控云平台模块的输入端连接，所述安全加固模块全程工作。
在具体实施例中，所述多层次加权评价算法设置监控云平台执行结果数据集为，n为监控云平台执行结果个数，/>n，将监控云平台执行结果数据集按照属性层次排列/>，/>，/>表示监控云平台执行结果属性层次，m为监控云平台执行结果属性层次个数，按照监控云平台执行结果属性层次对监控云平台执行结果加权评估输出函数公式为：
（1）
在公式（1）中，为监控云平台执行结果加权评估，/>为第j个监控云平台执行结果属性层次加权值，/>第j个监控云平台执行结果属性层次，/>为监控云平台执行结果最大值，/>为监控云平台执行结果最小值。
在具体实施例中，添加监控质量监测模块综合评价监控云平台的监控质量并根据评价结果优化调整，可以提高系统监控效率和性能，对比效果如表1所示；
表1速度对比统计表
抽取污水处理过程的不同环节进行监控，每个环节进行十组实验，随机介入，取用时的平均值统计至表1，如表1所示添加监控质量监测模块监控用时短，证明添加监控质量监测模块的有效性。
在上述实施例中，所述动态自适应优化算法设置监控系统工作过程数据集为，t为监控系统工作时间个数，t时刻监控系统工作过程功耗特征数据集为/>，l为监控系统工作过程功耗特征个数，/>，t时刻监控系统工作过程功耗评估输出函数公式为：
（2）
在公式（2）中，为监控系统工作过程功耗评估结果，/>为监控系统工作过程功耗评估加权值，/>为监控系统工作过程功耗评估加权系数，/>为t时刻监控系统工作过程数据，/>为t时刻监控系统工作过程数据最大值，/>为t时刻监控系统工作过程数据最小值，/>为t时刻监控系统工作过程数据，/>为t时刻监控系统工作过程功耗最大值，/>为o时刻监控系统工作过程功耗最小值。
在具体实施例中，采用动态自适应优化算法实时调整监控系统工作策略，能够有效降低监控系统功耗，采用公式（2）的监控系统工作过程评估结果调整监控系统工作策略与未调控负荷量对比统计如表2所示；
表2 功耗对比统计表
由表2可知，采用动态自适应优化算法实时调整监控系统工作策略，能够有效降低监控系统功耗。
在具体实施例中，基于物联网的污水处理远程监控系统由多个组成部分构成，包括传感器、数据采集系统、数据传输系统、远程监控和控制平台等。其工作流程如下：
传感器采集数据：利用不同类型的传感器对污水处理设备和管道等进行实时监测，监测参数包括pH值、溶解氧浓度、氨氮浓度、污水流量等。
数据采集系统：将传感器采集的数据传输到数据采集系统中，对数据进行处理、储存和分析。同时，数据采集系统还会采集其他需要的信息，如设备运行状态、故障报警等。
数据传输系统：将经过采集系统处理的数据传输到远程监控平台，通常采用无线传输方式，如WiFi、4G等。
远程监控和控制平台：接收来自数据传输系统的数据，实现数据可视化和远程监控功能。该平台可以提供实时监测、历史数据查看、报警信息提示和远程控制等功能，以保证污水处理设备的安全、高效运行。
基于该系统，污水处理企业可以及时得到污水处理设备的运行状态和污水质量数据，实时监测设备运行情况，提高管理效率，减少损失，优化生产过程。同时，该系统还能在污水处理设备出现故障或异常时，快速进行故障定位和修复，降低维护成本，并减少污水处理所产生的环境污染。该系统在城市污水处理领域具有广泛的应用前景。
在上述实施例中，所述低延迟多频段5G网络通过多频段带宽聚合传输方式和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以降低网络延迟，并采用低电压调制通讯标准LVM-hscs降低数据信号通讯干扰。
在具体实施例中，低延迟多频段5G网络是指采用多频段技术，通过同时使用毫米波、中频和低频等多个频段，以实现低延迟、高速率、高可靠性和广覆盖的5G网络。该网络结构主要包括以下几个方面：
多频段技术：通过使用不同频段的载波，在空间和时间维度上增加频带资源，实现了更高的带宽和数据传输速度。
布局优化：通过优化小区数量、大小和位置，利用自组织网络（SON）技术实现自适应调节，提高网络覆盖率和性能。
聚合技术：采用多个频段的聚合，可以最大化利用可用频谱，并提高网速和反应时间，确保了低延迟和可靠性。
流量优化：使用边缘计算技术，将计算、存储和网络通信等功能分布在不同的地方，降低数据传输距离和数据延迟，提高网络响应速度和效率。
添加低延迟多频段5G网络的监控系统响应速度与未添加低延迟多频段5G网络的监控系统响应速度相比统计如表3所示；
表3 响应速度对比统计表
如表3所示，添加低延迟多频段5G网络的监控系统响应速度大于未添加低延迟多频段5G网络的监控系统响应速度，证明低延迟多频段5G网络能够提高监控系统响应速度。
在上述实施例中，所述网络优化单元的工作包括以下方面：
（1）通信协议优化，通过四层TCP/UDP传输协议，一层边界网关BGP协议和七层HTTP/HTTPS协议实现动静态数据的智能识别和自适应加速，以提高数据传输效率和可靠性；
（2）数据压缩与优化，采用流式压缩算法实时压缩和解压缩数据，以节省网络带宽和能源消耗；
（3）网络拓扑优化，通过自组织网络SON实现低延迟多频段5G网络拓扑结构的自适应优化调节，以提高网络性能；
（4）故障检测与恢复，通过监测通信链路的可用性发现通信故障或中断，并采取故障恢复策略和数据备份策略恢复通信链路；
（5）安全管理，通过制定密码策略和访问控制策略抵御数据泄露、篡改或非法访问。
在具体实施例中，一种基于物联网的污水处理远程监控系统的无线通讯模块主要包括以下几个组成部分：
通信模块：该模块是整个无线通讯系统的核心部分，负责与其他设备进行通信。通常使用的无线通信技术包括WiFi、蓝牙、Zigbee、LoRa等，根据具体需求选择合适的通信模块。
天线：天线用于接收和发送无线信号，将信号转换为电信号或将电信号转换为无线信号。选择合适的天线可以提高通信质量和信号覆盖范围。
控制电路：控制电路负责管理通信模块的工作状态，包括开关控制、功耗管理等。通过控制电路可以实现低功耗运行和智能控制。
数据处理模块：数据处理模块负责对接收到的数据进行解析和处理，包括数据的转换、存储和分析等。这样可以将采集到的污水处理数据进行有效利用。
安全模块：安全模块用于确保数据的安全传输，包括加密算法、身份验证机制等。通过安全模块可以防止未经授权的访问和数据泄露。
电源管理模块：电源管理模块用于对通信模块进行电源供应和管理，包括电池管理、充电管理等。通过合理管理电源可以延长无线通讯模块的使用寿命。
以上是一种基于物联网的污水处理远程监控系统的无线通讯模块的一般构成，具体实现方案需要根据实际需求和技术条件进行选择和调整。
在上述实施例中，所述统计记录单元通过大数据迁移系统BDMS实现数据的脱机储存、在线汇总、定期归档备份、权限共享和纠错追溯，并通过DataV可视化应用搭建工具对污水处理过程参数和污水处理设备状态数据进行图表化统计和显示，所述大数据迁移系统BDMS包括数据库MySQL和分布式日志ELK。
在具体实施例中，统计记录单元是一个用于收集、分析和汇总数据的单元，旨在为用户提供有关特定活动或事件的统计信息。它通常包含以下功能：
数据收集：统计记录单元通过采集用户指定的数据源，如数据库、日志文件、传感器等，获取需要进行统计分析的数据。这些数据可以是用户行为、业务活动、系统性能等方面的信息。
数据处理与分析：该单元对收集到的数据进行处理和分析，以便生成有用的统计信息。它可以使用各种算法和技术，如数据聚合、过滤、排序、计算平均值、求和、最大最小值等，以得出统计结果。
统计报告生成：统计记录单元根据用户需求生成相应的统计报告。报告可以以表格、图表、图形等形式展示，并呈现给用户进行查阅和分析。报告内容可能包括数据趋势、关键指标、异常情况等。
可视化展示：为了更好地理解和分析数据，统计记录单元通常支持可视化展示功能。它可以将统计结果以直观、易懂的方式展示给用户，如折线图、柱状图、饼图等，让用户通过直观的图形界面来了解数据情况。
定时任务和自动化：统计记录单元通常支持定时任务和自动化处理，可以按照预定的时间间隔自动进行数据收集、分析和报告生成。这样可以节省人工操作的时间和精力，并提供及时更新的统计信息。
通过使用统计记录单元，用户可以更好地了解数据的特征和趋势，有助于做出决策、监控系统性能、优化业务流程等。同时，该单元还可以帮助用户发现异常情况、预测未来趋势、评估活动效果等，为业务发展提供有力支持。
在上述实施例中，所述分析处理单元通过改进式聚类算法进行污水处理过程和污水处理设备异常分析，以实现污水处理过程和污水处理设备异常的实时告警，并采用深度序列学习算法实现污水处理过程和污水处理设备异常预测，以实现污水处理过程和污水处理设备异常的超前预警。
在上述实施例中，所述改进式聚类算法工作步骤包括：
步骤1、确定聚类数，所述改进式聚类算法采用模糊分割指标法确定聚类数，所述模糊分割指标法通过计算不同聚类数对应的模糊分割指标确定最优聚类数，并采用自适应聚类中心点算法自动选择最佳初始聚类中心点，以避免局部最优情况，所述改进式聚类算法添加数据点权重因子增强污水处理过程参数和污水处理设备状态数据在聚类过程中清晰度；
步骤2、初始化模糊矩阵，所述改进式聚类算法采用先验领域信息实现样本初始分类，并对模糊矩阵进行赋值，所述改进式聚类算法根据污水处理过程参数和污水处理设备状态数据样本特征赋予污水处理过程参数和污水处理设备状态数据样本不同权重，并通过迭代优化法优化聚类效果，所述迭代优化法与自适应学习率法结合基于迭代次数和预设参数值自动调整学习率，以提高改进式聚类算法的收敛速度和稳定性；
步骤3、计算聚类中心，所述改进式聚类算法采用软加权平均法计算聚类中心，以提高聚类的鲁棒性和稳健性，并通过约束条件限制聚类中心数量和位置，以避免聚类中心过多或过少情况，所述软加权平均法采用指数函数计算样本加权后平均值，以减少异常点的影响；
步骤4、更新模糊矩阵，所述改进式聚类算法根据聚类中心计算数据点到聚类中心的距离，并将距离转化为隶属度值，以更新模糊矩阵；
步骤5、判断收敛，设置最大迭代次数，迭代次数达到最大值判断模糊矩阵收敛，迭代次数未达到最大值判断模糊矩阵不收敛，则执行步骤4操作。
在具体实施例中，利用matlab2018a对数据进行仿真，按4：1的比例对正常数据和异常数据进行分别抽样，随机抽取一万条记录进行数据清洗和规范化，并通过数据规约对数据进行降维采样，尽量保持原有数据集的有关特性，减少需要处理的数据量，将改进式聚类算法与传统聚类算法进行性能比较，模糊权重指数为2。分别对数据样本进行聚类，聚类结果如表4所示：
表4聚类结果对比
通过理论分析和实验发现，改进式聚类算法的运行速度比传统聚类算法快，且准确率高于传统聚类算法，对数据集抑制5%的噪声，在模拟实验环境下，基于改进聚类算法的异常检测具有聚类速度较快，分类好的特点，算法鲁棒性较好，能正确、及时发现异常，为异常实时检测提供技术支持。
在上述实施例中，所述深度序列学习算法基于历史污水处理过程参数和污水处理设备状态数据和实时污水处理过程参数和污水处理设备状态数据精确预测污水处理过程和污水处理设备状态走向，以实现污水处理过程和污水处理设备异常的超前预警，所述深度序列学习算法包括输入层、嵌入层、循环层、卷积层、注意力层和输出层，所述深度序列学习算法模型的工作包括以下步骤：
步骤一、输入层，用于接收污水处理过程参数和污水处理设备状态序列数据的输入；
步骤二、嵌入层，用于将离散的污水处理过程参数和污水处理设备状态数据转换为连续的向量表示，以便于神经网络进行处理；
步骤三、循环层，用于处理具有时序关系的污水处理过程参数和污水处理设备状态数据，所述循环层通过在每个时间步上传递状态信息，实现对序列数据的建模和记忆；
步骤四、卷积层，用于处理一维或二维序列数据，所述卷积层通过使用不同大小的卷积核对输入进行滑动窗口处理，以提取局部特征，并进行汇总和组合；
步骤五、注意力层，用于在序列学习中建立全局的关注机制，以便网络能够关注与任务相关的部分，所述注意力层根据历史污水处理过程参数和污水处理设备状态数据和实时污水处理过程参数和污水处理设备状态数据动态计算不同位置的权重，以实现对不同部分关注程度的调整；
步骤六、输出层，用于任务结果进行输出，所述输出层配合全连接层和softmax激活函数输出类别的概率分布。
在具体实施例中，通过深度序列学习算法实现污水处理过程和污水处理设备状态走向的精准预测，采用深度序列学习算法预测污水处理过程和污水处理设备状态走向与实际污水处理过程和污水处理设备状态走向的对比统计如表5所述；
表5对比统计表
由表5可知，通过深度序列学习算法预测污水处理过程和污水处理设备状态走向的结果，与实际污水处理过程和污水处理设备状态走向相同，证明该技术能够实现相应的效果。
在上述实施例中，所述云防护平台通过双层检测防火墙实现云平台的安全加固，所述双层检测防火墙通过检查引擎对通讯请求和通讯内容进行异常检测，并定期进行云平台安全隐患检测和改进风险点复检。
在具体实施例中，双层检测防火墙是一种网络安全设备，它使用了两个不同的检测机制来增强网络的防护能力。通常情况下，双层检测防火墙由两个独立的防火墙组成，分别位于网络的不同位置。第一层防火墙通常位于网络的边缘，它负责对所有进入网络的流量进行检查和过滤。这一层的防火墙使用基于规则或签名的方法来检测和阻止潜在的威胁。它可以识别和拦截恶意软件、网络攻击和非法访问等。第二层防火墙位于网络的内部，其主要目的是对内部网络进行保护。它通过监控内部流量，并使用深度包检测（DeepPacket Inspection）技术对流量进行分析和检查。它可以识别并阻止那些绕过第一层防火墙的威胁，比如内部网络中的恶意行为、数据泄露等。通过采用双层检测防火墙，可以提高网络的安全性和可靠性。第一层防火墙能够防止大多数常见的网络攻击，而第二层防火墙则提供了更深入的检测和保护，确保网络内部的安全。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (8)
1.一种基于物联网的污水处理远程监控系统，其特征在于：所述系统包括：
采集检测模块，用于采集和感知污水处理过程中的参数，所述采集检测模块采用微纳传感器组实现污水处理过程参数的高速低功耗感知，所述微纳传感器组包括微纳水质传感器、微纳水流量传感器、微纳温度传感器和微纳气体传感器，所述采集检测模块通过无线通讯方式提取微纳传感器组感知数据和污水处理设备状态数据；
网络通讯模块，用于实现传感器数据和控制信号的远程传输和接收，所述网络通讯模块包括低延迟多频段5G网络和网络优化单元，所述低延迟多频段5G网络与所述网络优化单元协同工作；
监控云平台，用于污水处理过程的远程监控，所述监控云平台包括统计记录单元、分析处理单元、动态预警单元和远程控制单元，所述统计记录单元用于记录污水处理过程参数和污水处理设备状态数据，所述分析处理单元用于污水处理过程和污水处理设备的异常分析和预测，所述动态预警单元用于根据污水处理过程和污水处理设备的异常分析和预测进行实时告警和超前预警，所述远程控制单元用于根据实时告警和超前预警信息对污水处理过程和污水处理设备进行远程调控，所述统计记录单元的输出端与所述分析处理单元的输入端连接，所述分析处理单元的输出端与所述动态预警单元的输入端连接，所述动态预警单元的输出端与所述远程控制单元的输入端连接；
监控质量监测模块，用于监测监控云平台的监控质量，并反馈改进，所述监控质量监测模块采用多层次加权评价算法综合评价监控云平台的监控质量，并将评价结果反馈给监控云平台，以便监控云平台进行优化和调整；
功耗优化模块，用于降低监控系统运行功耗，实现系统节能和高效运行，所述功耗优化模块采用自适应优化方法实时调整监控系统工作策略，以降低监控系统功耗，所述自适应优化方法采用动态自适应优化算法评估监控系统工作过程，评估结果高于高阈值或低于低阈值时，则调整监控系统工作策略；
安全加固模块，用于保护污水处理远程监控系统的数据安全、内核平台安全和系统服务安全，所述安全加固模块通过采用云防护平台抵御外界恶意攻击；
其中，所述采集检测模块的输出端与所述网络通讯模块的输入端连接，所述网络通讯模块与所述监控云平台双向连接，所述监控质量监测模块与监控云平台双向连接，所述功耗优化模块的输出端与所述监控云平台模块的输入端连接，所述安全加固模块全程工作；
所述多层次加权评价算法设置监控云平台执行结果数据集为，n为监控云平台执行结果个数，/>n，将监控云平台执行结果数据集按照属性层次排列/>，/>，/>表示监控云平台执行结果属性层次，m为监控云平台执行结果属性层次个数，按照监控云平台执行结果属性层次对监控云平台执行结果加权评估输出函数公式为：
（1）
在公式（1）中，为监控云平台执行结果加权评估，/>为第j个监控云平台执行结果属性层次加权值，/>第j个监控云平台执行结果属性层次，/>为监控云平台执行结果最大值，/>为监控云平台执行结果最小值；所述动态自适应优化算法设置监控系统工作过程数据集为/>，t为监控系统工作时间个数，t时刻监控系统工作过程功耗特征数据集为/>，l为监控系统工作过程功耗特征个数，/>，t时刻监控系统工作过程功耗评估输出函数公式为：
（2）
在公式（2）中，为监控系统工作过程功耗评估结果，/>为监控系统工作过程功耗评估加权值，/>为监控系统工作过程功耗评估加权系数，/>为t时刻监控系统工作过程数据，/>为t时刻监控系统工作过程数据最大值，/>为t时刻监控系统工作过程数据最小值，/>为o时刻监控系统工作过程数据，/>为t时刻监控系统工作过程功耗最大值，/>为t时刻监控系统工作过程功耗最小值。
2.根据权利要求1所述的一种基于物联网的污水处理远程监控系统，其特征在于：所述低延迟多频段5G网络通过多频段带宽聚合传输方式和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以降低网络延迟，并采用低电压调制通讯标准LVM-hscs降低数据信号通讯干扰。
3.根据权利要求1所述的一种基于物联网的污水处理远程监控系统，其特征在于：所述网络优化单元的工作包括以下方面：
（1）通信协议优化，通过四层TCP/UDP传输协议，一层边界网关BGP协议和七层HTTP/HTTPS协议实现动静态数据的智能识别和自适应加速，以提高数据传输效率和可靠性；
（2）数据压缩与优化，采用流式压缩算法实时压缩和解压缩数据，以节省网络带宽和能源消耗；
（3）网络拓扑优化，通过自组织网络SON实现低延迟多频段5G网络拓扑结构的自适应优化调节，以提高网络性能；
（4）故障检测与恢复，通过监测通信链路的可用性发现通信故障或中断，并采取故障恢复策略和数据备份策略恢复通信链路；
（5）安全管理，通过制定密码策略和访问控制策略抵御数据泄露、篡改或非法访问。
4.根据权利要求1所述的一种基于物联网的污水处理远程监控系统，其特征在于：所述统计记录单元通过大数据迁移系统BDMS实现数据的脱机储存、在线汇总、定期归档备份、权限共享和纠错追溯，并通过DataV可视化应用搭建工具对污水处理过程参数和污水处理设备状态数据进行图表化统计和显示，所述大数据迁移系统BDMS包括数据库MySQL和分布式日志ELK。
5.根据权利要求1所述的一种基于物联网的污水处理远程监控系统，其特征在于：所述分析处理单元通过改进式聚类算法进行污水处理过程和污水处理设备异常分析，以实现污水处理过程和污水处理设备异常的实时告警，并采用深度序列学习算法实现污水处理过程和污水处理设备异常预测，以实现污水处理过程和污水处理设备异常的超前预警。
6.根据权利要求5所述的一种基于物联网的污水处理远程监控系统，其特征在于：所述改进式聚类算法工作步骤包括：
步骤1、确定聚类数，所述改进式聚类算法采用模糊分割指标法确定聚类数，所述模糊分割指标法通过计算不同聚类数对应的模糊分割指标确定最优聚类数，并采用自适应聚类中心点算法自动选择最佳初始聚类中心点，以避免局部最优情况，所述改进式聚类算法添加数据点权重因子增强污水处理过程参数和污水处理设备状态数据在聚类过程中清晰度；
步骤2、初始化模糊矩阵，所述改进式聚类算法采用先验领域信息实现样本初始分类，并对模糊矩阵进行赋值，所述改进式聚类算法根据污水处理过程参数和污水处理设备状态数据样本特征赋予污水处理过程参数和污水处理设备状态数据样本不同权重，并通过迭代优化法优化聚类效果，所述迭代优化法与自适应学习率法结合基于迭代次数和预设参数值自动调整学习率，以提高改进式聚类算法的收敛速度和稳定性；
步骤3、计算聚类中心，所述改进式聚类算法采用软加权平均法计算聚类中心，以提高聚类的鲁棒性和稳健性，并通过约束条件限制聚类中心数量和位置，以避免聚类中心过多或过少情况，所述软加权平均法采用指数函数计算样本加权后平均值，以减少异常点的影响；
步骤4、更新模糊矩阵，所述改进式聚类算法根据聚类中心计算数据点到聚类中心的距离，并将距离转化为隶属度值，以更新模糊矩阵；
步骤5、判断收敛，设置最大迭代次数，迭代次数达到最大值判断模糊矩阵收敛，迭代次数未达到最大值判断模糊矩阵不收敛，则执行步骤4操作。
7.根据权利要求5所述的一种基于物联网的污水处理远程监控系统，其特征在于：所述深度序列学习算法基于历史污水处理过程参数和污水处理设备状态数据和实时污水处理过程参数和污水处理设备状态数据精确预测污水处理过程和污水处理设备状态走向，以实现污水处理过程和污水处理设备异常的超前预警，所述深度序列学习算法包括输入层、嵌入层、循环层、卷积层、注意力层和输出层，所述深度序列学习算法模型的工作包括以下步骤：
步骤一、输入层，用于接收污水处理过程参数和污水处理设备状态序列数据的输入；
步骤二、嵌入层，用于将离散的污水处理过程参数和污水处理设备状态数据转换为连续的向量表示，以便于神经网络进行处理；
步骤三、循环层，用于处理具有时序关系的污水处理过程参数和污水处理设备状态数据，所述循环层通过在每个时间步上传递状态信息，实现对序列数据的建模和记忆；
步骤四、卷积层，用于处理一维或二维序列数据，所述卷积层通过使用不同大小的卷积核对输入进行滑动窗口处理，以提取局部特征，并进行汇总和组合；
步骤五、注意力层，用于在序列学习中建立全局的关注机制，以便网络能够关注与任务相关的部分，所述注意力层根据历史污水处理过程参数和污水处理设备状态数据和实时污水处理过程参数和污水处理设备状态数据动态计算不同位置的权重，以实现对不同部分关注程度的调整；
步骤六、输出层，用于任务结果进行输出，所述输出层配合全连接层和softmax激活函数输出类别的概率分布。
8.根据权利要求1所述的一种基于物联网的污水处理远程监控系统，其特征在于：所述云防护平台通过双层检测防火墙实现云平台的安全加固，所述双层检测防火墙通过检查引擎对通讯请求和通讯内容进行异常检测，并定期进行云平台安全隐患检测和改进风险点复检。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310903788.6A CN116633978B (zh) | 2023-07-24 | 2023-07-24 | 基于物联网的污水处理远程监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310903788.6A CN116633978B (zh) | 2023-07-24 | 2023-07-24 | 基于物联网的污水处理远程监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116633978A CN116633978A (zh) | 2023-08-22 |
| CN116633978B true CN116633978B (zh) | 2023-10-31 |
Family
ID=87621604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310903788.6A Active CN116633978B (zh) | 2023-07-24 | 2023-07-24 | 基于物联网的污水处理远程监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116633978B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116915824B (zh) * | 2023-09-13 | 2023-11-24 | 长沙弘汇电子科技有限公司 | 一种基于物联网的水利工程闸泵远程监测系统 |
| CN117114226B (zh) * | 2023-10-20 | 2024-01-30 | 无锡宇拓物联信息科技有限公司 | 自动化设备的智能动态优化与工艺调度系统 |
| 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 |
| CN117391480A (zh) * | 2023-12-01 | 2024-01-12 | 广东华清智业环保科技有限公司 | 一种基于数字孪生的环保运营管理系统 |
| CN117348502A (zh) * | 2023-12-06 | 2024-01-05 | 山东再起数据科技有限公司 | 基于物联网的智能化远程终端控制系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107741738A (zh) * | 2017-10-20 | 2018-02-27 | 重庆华绿环保科技发展有限责任公司 | 一种污水处理过程监控智能预警云系统及污水处理监测预警方法 |
| CN109557888A (zh) * | 2019-01-24 | 2019-04-02 | 广州中国科学院沈阳自动化研究所分所 | 一种废水处理设备远程监控运维系统 |
| CN112311880A (zh) * | 2020-10-30 | 2021-02-02 | 中电智能技术南京有限公司 | 一种用于城市二次供水的物联网监测系统 |
| CN112445173A (zh) * | 2021-01-18 | 2021-03-05 | 深圳市水务工程检测有限公司 | 一种基于物联网的水质监控监测通信系统 |
| CN112598368A (zh) * | 2020-12-04 | 2021-04-02 | 贵州昱清浩瑞科技有限公司 | 污水处理在线监管平台 |
| CN114184761A (zh) * | 2021-12-27 | 2022-03-15 | 厦门理工学院 | 一种陆海空一体化污水智能监测系统及方法 |
| CN115578015A (zh) * | 2022-12-07 | 2023-01-06 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
| CN116040892A (zh) * | 2023-04-03 | 2023-05-02 | 珠水(广东)生态环境研究院有限公司 | 一种生活垃圾污水处理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BRPI0408502A (pt) * | 2003-03-17 | 2006-03-07 | Joule Microsystems Canada Inc | sistema que permite a análise remota de fluidos |
-
2023
- 2023-07-24 CN CN202310903788.6A patent/CN116633978B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107741738A (zh) * | 2017-10-20 | 2018-02-27 | 重庆华绿环保科技发展有限责任公司 | 一种污水处理过程监控智能预警云系统及污水处理监测预警方法 |
| CN109557888A (zh) * | 2019-01-24 | 2019-04-02 | 广州中国科学院沈阳自动化研究所分所 | 一种废水处理设备远程监控运维系统 |
| CN112311880A (zh) * | 2020-10-30 | 2021-02-02 | 中电智能技术南京有限公司 | 一种用于城市二次供水的物联网监测系统 |
| CN112598368A (zh) * | 2020-12-04 | 2021-04-02 | 贵州昱清浩瑞科技有限公司 | 污水处理在线监管平台 |
| CN112445173A (zh) * | 2021-01-18 | 2021-03-05 | 深圳市水务工程检测有限公司 | 一种基于物联网的水质监控监测通信系统 |
| CN114184761A (zh) * | 2021-12-27 | 2022-03-15 | 厦门理工学院 | 一种陆海空一体化污水智能监测系统及方法 |
| CN115578015A (zh) * | 2022-12-07 | 2023-01-06 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
| CN116040892A (zh) * | 2023-04-03 | 2023-05-02 | 珠水(广东)生态环境研究院有限公司 | 一种生活垃圾污水处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 污水处理厂智能监控系统设计研究;陈彦羽;李佳;;广东化工(第08期);118-119 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116633978A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116633978B (zh) | 基于物联网的污水处理远程监控系统 | |
| Sun et al. | Learning-based resource allocation strategy for industrial IoT in UAV-enabled MEC systems | |
| Chen et al. | Data quality of electricity consumption data in a smart grid environment | |
| CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
| Efstathopoulos et al. | Operational data based intrusion detection system for smart grid | |
| CN113723773A (zh) | 一种基于大数据分析的电能决策系统 | |
| Xue et al. | Prediction of computer network security situation based on association rules mining | |
| Chang et al. | Internet of things security detection technology based on grey association decision algorithm | |
| Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
| CN112907929A (zh) | 一种基于用电信息的环保监测系统和方法 | |
| CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
| CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
| Liang | Research on network security filtering model and key algorithms based on network abnormal traffic analysis | |
| Zhou et al. | Network security situation assessment methods and tactics based on multivariate spatiotemporal attack graph model | |
| Tan et al. | Research on Fault Prediction Model Based on 5G Data Center | |
| Zhang et al. | Research on information security evaluation based on artificial neural network | |
| Dai et al. | A microgrid controller security monitoring model based on message flow | |
| Huo et al. | A security situation assessment method based on support vector regression for power monitoring system | |
| Zhou et al. | Research on coverage control algorithm based on wireless sensor network | |
| Zhao et al. | An area-context-based credibility detection for big data in IoT | |
| Meng et al. | Application of Industrial Big Data Cloud Control Platform Based on Fusion Transmission Sensor | |
| Zheng | Research on Anti-stealing Algorithm of Distributed Photovoltaic Power System Based on Power Big Data | |
| Zhu et al. | A Data Mining Method for Analyzing Alarm Logs Generated by Network Boundary Defense Equipment In Power Grid | |
| Zhang et al. | Evaluation of Network Security State of Industrial Control System Based on BP Neural Network | |
| Han et al. | Security situation analysis and prediction system for large-scale network SSAP |
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 |