CN117272192B - 基于污水检测的磁混凝高效沉淀池污水处理系统 - Google Patents
基于污水检测的磁混凝高效沉淀池污水处理系统 Download PDFInfo
- Publication number
- CN117272192B CN117272192B CN202311559473.0A CN202311559473A CN117272192B CN 117272192 B CN117272192 B CN 117272192B CN 202311559473 A CN202311559473 A CN 202311559473A CN 117272192 B CN117272192 B CN 117272192B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- point
- interval
- change
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 40
- 238000004062 sedimentation Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000015271 coagulation Effects 0.000 title claims abstract description 28
- 238000005345 coagulation Methods 0.000 title claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 113
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000001556 precipitation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- C02F1/48—Treatment of water, waste water, or sewage with magnetic or electric fields
- C02F1/488—Treatment of water, waste water, or sewage with magnetic or electric fields for separation of magnetic materials, e.g. magnetic flocculation
-
- 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
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
- C02F1/5209—Regulation methods for flocculation or precipitation
-
- 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
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
- C02F1/5281—Installations for water purification using chemical agents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Abstract
本发明涉及数据处理领域,具体涉及基于污水检测的磁混凝高效沉淀池污水处理系统,包括:采集磁混凝高效沉淀区不同位置处的温度数据;对各个位置处的温度数据进行分段,获得温度数据的多个数据区间;获得每个数据区间中每个数据点的数据变化区间,根据数据变化区间两个端点数据点获得正常温度数据参考值;根据数据变化区间的数据变化与正常温度数据参考值获得每个数据点的温度变化程度;根据温度变化程度获得每个数据点的温度评估值;获得的各个位置的温度数据的中各数据点的温度评估值;根据每个数据点的温度评估值获得每个数据区间调整后的样本数量;根据每个数据区间调整后的样本数量,通过孤立森林算法,获得异常数据。
Description
技术领域
本发明涉及数据处理领域,具体涉及基于污水检测的磁混凝高效沉淀池污水处理系统。
背景技术
在磁混凝高效沉淀池污水处理系统中,往往需要对温度数据进行异常检测,而常用的一种异常检测算法为孤立森林算法。该算法不借助类似距离、密度等指标去描述样本与其它样本的差异,而是直接刻画所谓的梳理程度。而该算法中样本集的数量(孤立树的个数)往往是固定的,这会导致对于不同数据分布特征的数据段进行孤立森林异常检测时会出现不同的问题,进而影响算法的有效性,影响磁混凝高效沉淀池污水处理系统的效率。
在现有技术中,孤立森林算法中对样本数据中的数据分布本身就有一定的要求,例如对于较为平滑的数据段,如果再进行固定的个数的孤立树的建立是没有必要的,会导致算法的计算量大;对于变化剧烈的数据段,其中异常数据可能较多,那么就需要更多的孤立树来精确计算其异常得分值。同时由于系统中有一些温度变化为正常现象,但传统算法中基于数据大小作为特征值的孤立树建立方法在当前场景中不适用。
针对上述问题,本发明提出了基于污水检测的磁混凝高效沉淀池污水处理系统。首先通过采集到的各个位置的温度数据之间的规律性计算出一个沉淀区温度评估值,可用于构建孤立数的特征值,并且依据样本集中的温度评估值自适应确定样本集的数量,从而有效提高系统效率。
发明内容
为了解决上述问题,本发明提供基于污水检测的磁混凝高效沉淀池污水处理系统,所述系统包括:
温度数据采集模块,用于采集磁混凝高效沉淀区不同位置处的温度数据;
温度数据分析处理模块,用于对各个位置处的温度数据进行分段,获得每一个位置温度数据的多个数据区间;获得每个数据区间中每个数据点的数据变化区间,根据数据变化区间两个端点数据获得正常温度数据参考值;根据数据变化区间的数据变化与正常温度数据参考值获得每个数据点的温度变化程度;根据温度变化程度获得每个数据点的第一温度评估值;对第一温度评估值进行阈值化处理获得各个位置的温度数据中各数据点的第二温度评估值;根据每个数据点的第二温度评估值获得每个数据区间调整后的样本数量;
异常数据检测模块,用于根据每个数据区间调整后的样本数量,通过孤立森林算法,获得异常数据。
进一步的,所述对各个位置处的温度数据进行分段,获得每一个位置温度数据的多个数据区间,包括的步骤为:
将各个位置处的温度数据按照预设时间长度进行数据区间的划分,获得各个位置处的温度数据的多个数据区间。
进一步的,所述获得每个数据区间中每个数据点的数据变化区间,根据数据变化区间两个端点数据获得正常温度数据参考值,包括的步骤为:
将每个数据区间中的任意一个数据点记为当前数据点,以当前数据点为中心,向数据点的两端进行延伸,延伸的到导数为0的数据点截止,由延伸的数据点构成当前数据点的数据变化区间,然后获得数据区间中每个数据点的数据变化区间;根据数据变化区间两个端点数据获得正常温度数据的参考值。
进一步的,所述根据数据变化区间两个端点数据获得正常温度数据的参考值,将该值记为获得正常温度数据的参考值,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点所在数据变化区间的两个端点数据的第一均值,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中左侧端点数据/>的温度值,/> 表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中右侧端点数据/>的温度值;
然后获得所有数据点所在的数据区间的两个端点数据的均值,求所有数据点所在的数据区间的两个端点数据的第一均值的均值,并作为正常温度数据的参考值。
进一步的,所述根据数据变化区间的数据变化与正常温度数据参考值获得每个数据点的温度变化程度,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的温度变化程度, 表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中第/>个数据点的温度值,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点所在数据变化区间的两个端点数据的第一均值,数据变化区间记为/>,/>表示数据变化区间的左端点的时间点,/>表示数据变化区间的右端点的时间点,/>表示数据变化区间的区间长度。
进一步的,所述根据温度变化程度获得每个数据点的温度评估值,包括的步骤为:
将第个温度数据中第/>个数据区间中第/>个数据点的温度变化程度记为/>,将第/>个温度数据中第/>个数据区间中第/>个数据点的温度变化程度记为/>,将第/>个温度数据中第/>个数据区间起始时间点记为/>,将第/>个温度数据中第/>个数据区间的起始时间点记为/>,根据/>与/>的差值、/>与/>的差值以及第/>个温度数据中第/>个数据区间的方差获得第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值。
进一步的,所述根据与/>的差值、/>与/>的差值以及第/>个温度数据中第/>个数据区间的方差获得第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值,/>表示第/>个温度数据中第/>个数据区间的方差,/>表示线性归一化函数。
进一步的,所述获得各个位置的温度数据中各数据点的温度评估值,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的第二温度评估值,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值,/>表示第个温度数据中第/>个数据区间中第/>个数据点的左右邻域各五个数据点的导数的均值,/>表示预设阈值。
进一步的,所述根据每个数据点的温度评估值获得每个数据区间调整后的样本数量,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间调整后的样本数量,/>表示第/>个温度数据中第/>个数据区间中所有数据点的温度评估值的方差,10为放大系数。
进一步的,所述根据每个数据区间调整后的样本数量,通过孤立森林算法,获得异常数据,包括的步骤为:
根据确定的每个温度数据中每个数据区间的样本数量,然后采用温度评估值作为孤立树建立的特征值进行孤立森林算法的异常检测得到异常得分值,当异常得分值时,/>为预设阈值,则标记该数据区间内的温度数据为异常数据。
本发明具有如下有益效果:在通过孤立森林算法对磁混凝高效沉淀池的温度数据进行异常监测时,因为样本集中所包含的数据点的数量关系到对温度数据判断的准确性,因此本发明根据不同监测位置处的温度数据的变化来自适应确定样本集的数量,从而使得对温度数据的监测更加的准确。
并且发明能够通过将沉淀区多个位置的温度数据之间的联系考虑其整体温度即温度评估值,避免了采用单个维度温度数据的假异常情况造成的偏差,使得异常检测更加准确。能够通过分析进行孤立树建立是的样本集中数据的分布情况确定样本集的数量,相较于传统的孤立森林算法中固定样本集的数量的方法,可以在有效减小算法计算量的同时提高算法的准确性及效率,进而提高基于污水检测的磁混凝高效沉淀池污水处理系统的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的基于污水检测的磁混凝高效沉淀池污水处理系统的系统框图。
图 2 为本发明一个实施例提供的不同位置温度数据出现数据变化时的温度数据排序图。
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污水检测的磁混凝高效沉淀池污水处理系统,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污水检测的磁混凝高效沉淀池污水处理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于污水检测的磁混凝高效沉淀池污水处理系统,该系统包括以下模块:
温度数据采集模块101,用于采集磁混凝高效沉淀区的温度数据;
磁混凝高效沉淀池分为多个功能区,其中沉淀区是用于处理水体或废水中含悬浮物、颗粒物和悬浮固体物质,在磁混凝高效沉淀池污水处理系统中,往往需要对温度数据进行异常检测,因此在沉淀区的中心区域处,在垂直于水平面方向上均匀的安放5个温度传感器,分别采集沉淀区不同位置处的温度数据,采样间隔为30秒采样一次,采样时长为12个小时。然后获得5个传感器的温度数据,按照从上到下的顺序将其分别记为第一温度数据、第二温度数据、…、第五温度数据,这些温度数据中包含若干数据点,每个数据点表示每个时刻的温度值。
至此,获得了沉淀区的温度数据。
温度数据分析处理模块102:
需要说明的是,因为在沉淀池中其各个位置的温度数据之间存在着一定的联系,如某个位置的温度变化会导致其他位置温度发生变化,因此可利用各个位置的温度变化的规律性获得一个代表磁混凝高效沉淀池中沉淀区的温度评估值,该值在计算过程中,会将由化学反应引起的沉淀区的温度变得平滑,防止在异常检测过程中出现偏差。同时,根据数据段中温度评估值的数据分布可以表征数据段的优选程度,进而实现自适应确定数据段中样本集的数量。具体实现方法如下:
a.对采集到的各个位置的温度数据进行分段;
需要说明的是,本实施例在对沉淀区的温度数据进行异常检测时,使用孤立森林算法,如果对采集到的所有温度数据进行孤立森林算法的异常检测,想要达到较好的检测结果就需要随机抽样非常多个样本集,即使这样部分时间点的数据可能还无法参与检测。同时对于多个样本数据集,在进行异常得分值的计算时的计算量大;如果仅仅是增加样本集中样本数据的个数,过多的样本数据则会导致构建的树深度过大,进而导致算法效率下降。综上分析,需要对采集到的温度数据按照时间进行分段,然后根据分段数据的变化来自适应确定样本集的数量。能够减小算法的计算时间,增加对温度数据异常检测的准确性。
具体的,以第一温度数据为例,将第一温度数据从第一个数据点开始,按照每一小时的时间长度进行数据区间的划分,即每个数据区间包含120个数据点,获得第一温度数据的多个数据区间。然后再获得每一个温度数据的多个数据区间。
b.通过各个位置的温度数据,计算温度评估值,并实现自适应确定样本集的数量;
需要说明的是,根据上述获得的样本集对沉淀区的温度进行评估,温度评估可以理解为当前时刻磁混凝高效沉淀池中沉淀区整体的温度。因为当某一位置的温度数据发生变化,则其沉淀区的整体温度就出现变化,那么温度评估值就会比较高,则该位置的温度数据为异常情况的可能性较高。不同位置的温度数据出现变化的原因是因为沉淀区中可能会发生化学反应如氧化还原反应、酸碱中和反应等,这些化学反应会导致出现吸热或者放热的现象,就会导致在局部范围内温度发生变化,而这种变化属于正常的温度变化。因此本步骤将通过不同样本集内数据点的变化区分这种正常的温度变化,从而得出可以用来异常检测的温度评估值,同时依据数据分段中的温度评估值实现自适应调整样本集数量。具体实现过程如下:
需要说明的是,在磁混凝高效沉淀池进行污水处理的过程中,温度对污水处理过程的影响较大,因此在该系统中对于温度的把控要及其严格。在正常情况下,沉淀区中的温度要保持在一个稳定的状态,但由于沉淀区中的化学反应会导致局部范围内温度发生变化。具体的,对于放热的化学反应,其在局部范围内的温度应该时会先升高,在放热反应发生的过程中,由与热传递现象,发生放热的局部区域温度升高速率并不会太快,而是会扩散到其他区域,那么其他位置的温度也会有不同程度的升高,这就会导致不同位置的温度监测数据会出现相应的变化。当放热反应结束后,根据能量守恒定律,用于放热的化学反应在结束后也会吸收热量,从而温度也会逐渐恢复到原有的水平。如图2所示,为化学反应发生在第一温度传感器位置的温度变化情况,在这过程中不同位置的温度变化具有一定的滞后性,因此第二温度传位置的温度比第一温度传感位置的温度发生的变化的时间稍微推迟一些,并且不同位置的温度监测数据变化强度是不同的,因此利用不同位置温度变化的滞后性的时间间隔的规律性,以及不同位置温度强度变化的规律性表征某一时刻的温度评估值,其温度评估值的计算过程如下:
首先通过多项式拟合技术对各个位置采集到的温度数据分别进行曲线拟合,分别记为、/>、/>、/>、/>,其中,/>表示第/>个位置处的温度数据的拟合曲线,r=1,2,3,4,5,x表示曲线拟合的自变量。记温度值。然后根据划分的数据区间获得每一个数据区间的拟合曲线,记为:/>,/>表示第/>个温度数据中第/>个数据区间的拟合曲线,当第/>个数据区间内第/>个数据点未发生数据变化时,那么拟合曲线的导数值趋于0,即导数值的绝对值小于等于0.1,该值为经验值,实施者可根据不同的实施环境自行设定。然后再比较该数据点的邻域数据点的变化,其邻域数据点为该数据点的左右两侧各五个数据点,当其邻域数据点的导数值也趋近于0时,则认为该数据点为正常数据点,则其温度评估值设置为0。特殊说明,当第/>个数据点位于数据区间的起始点或末尾点时,只需要向右或向左延伸五个数据点即可。
进一步的,当第个数据区间内第/>个数据点发生数据变化时,那么拟合曲线的导数值不趋于0时,则认为该点处数据发生变化,则需要判断该数据点的邻域数据点的变化程度,以便确定在各个位置中温度变化的规律性,从而得到温度评估值。
具体的,以第个数据区间内第/>个数据点为中心,向数据点的两端进行延伸,延伸的到导数为0的数据点截止,则由延伸的数据点构成当前数据点的数据变化区间,记录该区间在时间上的范围为/>。然后获得该数据变化区间两个端点数据点的均值,式中,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中左侧端点数据/>的温度值,/> 表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中右侧端点数据/>的温度值;然后求所有数据变化区间端点数据点的均值,将这些均值的均值记为正常温度数据的参考值。
进一步的,求该数据点所在数据变化区间的温度变化程度。因为数据变化区间内数据的变化反映的是沉淀区内温度的变化,因此在数据曲线中会形成波峰区域,则获得的数据变化区间即对应的是波峰区域,然后根据波峰区域数据点的变化来获得该数据点对应的波峰幅度变化程度,其计算公式如下:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的温度变化程度, 表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中第/>个数据点的温度值,数据变化区间记为/>,/>表示数据变化区间的左端点的时间点,/>表示数据变化区间的右端点的时间点,/>表示数据变化区间的区间长度;/>表示该数据点所在数据变化区间中的温度值与正常数据点差值的和,/>表示该数据区间的温度变化程度。可见,温度差值越大、区间越小则说明对应波峰或波谷越高或越低,即其幅度越大,温度变化程度越大。
进一步的,以同样的方法,找到第+1个数据点的数据变化区间,其中, />表示/>个温度数据中第/>个数据区间中数据点的个数,并且计算该数据变化区间的温度变化程度,记该区间为/>,温度变化程度为/>,因为不同位置处的温度数据是呈现滞后性变化的,考虑温度变化程度相对于位置的规律性,其表现的越规律则表征其越可能是由化学反应引起的正常温度变化,其温度评估值越低。
具体的,温度变化的规律性表现在时间上的规律性,即温度变化程度越大的数据区间应越先出现,并且其相邻时刻对应的数据变化区间的温度变化程度差与其对应的时间位置差的比值也存在着一些规律性。因此,按照每个位置的温度数据中出现数据变化的先后顺序对每个位置的温度数据进行排序,数据变化区间中最大的点越靠前越是先变化的,如图2所示,第一温度数据先出现数据变化,因此排序后的温度变化程度在第一个位置。按照时间的先后顺序不同位置处的温度变化程度是越来越低的。记排序后各个位置的温度数据的温度变化程度分别为/>,其对应数据变化区间的起始点分别为/>,那么获得每一个温度数据中当前数据点的温度评估值,其计算公式如下:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值,/>表示第/>个温度数据中第/>个数据区间的方差,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的温度变化程度,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的温度变化程度,/>表示第/>个温度数据中第/>个数据区间的起始时间点,/>表示第/>个温度数据中第/>个数据区间起始时间点;/>表示经过了时间/>,其第/>个温度数据中第/>个数据区间与第/>个温度数据中第/>个数据区间的温度变化程度变化了,其比值表示单位时间长度温度变化程度的变化率,4表示除了/>剩余的温度数据的数量,/>表示线性归一化函数。
进一步的,获得的各个位置的温度数据中各数据点的第一温度评估值,其数学表达式如下:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的第二温度评估值,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的左右邻域各五个数据点的导数的均值,/>表示预设阈值,取/>,该值为经验值,实施者可根据不同的实施环境自行设定。
需要说明的是,获得每条温度数据中各个数据点的第二温度评估值后,然后根据各数据点的温度评估值的分布来对样本集数量进行调整。如果分段数据中的温度评估值越平稳,则其需要较小的样本数量就可以计算出准确的异常得分值,反之如果数据分段中的温度评估值变化较为剧烈,则其需要较多的样本数量。因此通过计算该数据区间所有数据点的温度评估值的方差来表示数据变化的剧烈程度,然后根据数据方差进行样本数量的调整。其计算公式如下:,其中/>表示第/>个温度数据中第/>个数据区间调整后的样本数量,/>表示第/>个温度数据中第/>个数据区间中所有数据点的温度评估值的方差,10为放大系数。
异常数据检测模块103,通过孤立森林算法,获得异常数据;
根据确定的每个温度数据中每个数据区间的样本数量,然后采用温度评估值作为孤立树建立的特征值进行孤立森林算法的异常检测得到异常得分值,当异常得分值时,则标记每个数据区间内的样本数据(即每个数据区间内的温度数据)为异常数据,表示沉淀区出现异常情况,取/>,该值为经验值,实施者可根据不同的实施环境自行设定。对于出现的温度异常情况,该系统可以将其标记为异常状态并触发相应的预警机制,以便相关技术人员及时进行污水沉淀运行状态的检查处理,进而提高基于污水检测的磁混凝高效沉淀池污水处理系统的准确性及效率。
至此,完成了基于污水检测的磁混凝高效沉淀池污水处理系统。
以上所述仅为本发明的较佳实施例而已,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 (4)
1.基于污水检测的磁混凝高效沉淀池污水处理系统,其特征在于,所述系统包括:
温度数据采集模块,用于采集磁混凝高效沉淀区不同位置处的温度数据;
温度数据分析处理模块,用于对各个位置处的温度数据进行分段,获得每一个位置温度数据的多个数据区间;获得每个数据区间中每个数据点的数据变化区间,根据数据变化区间两个端点数据获得正常温度数据参考值;根据数据变化区间的数据变化与正常温度数据参考值获得每个数据点的温度变化程度;根据温度变化程度获得每个数据点的第一温度评估值;对第一温度评估值进行阈值化处理获得各个位置的温度数据中各数据点的第二温度评估值;根据每个数据点的第二温度评估值获得每个数据区间调整后的样本数量;
异常数据检测模块,用于根据每个数据区间调整后的样本数量,通过孤立森林算法,获得异常数据;
所述根据温度变化程度获得每个数据点的第一温度评估值,包括的步骤为:
将第个温度数据中第/>个数据区间中第/>个数据点的温度变化程度记为/>,将第/>个温度数据中第/>个数据区间中第/>个数据点的温度变化程度记为/>,将第/>个温度数据中第/>个数据区间起始时间点记为/>,将第/>个温度数据中第/>个数据区间的起始时间点记为/>,根据/>与/>的差值、/>与/>的差值以及第/>个温度数据中第/>个数据区间的方差获得第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值;
所述根据与/>的差值、/>与/>的差值以及第/>个温度数据中第/>个数据区间的方差获得第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值,表示第/>个温度数据中第/>个数据区间的方差,/>表示线性归一化函数;
所述对第一温度评估值进行阈值化处理获得各个位置的温度数据中各数据点的第二温度评估值,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的第二温度评估值,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的左右邻域各五个数据点的导数的均值,其中,通过多项式拟合技术对各个位置采集到的温度数据分别进行曲线拟合,得到拟合曲线,所述导数为所述拟合曲线上数据点的导数,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的第一温度评估值,/>表示预设阈值;
所述根据每个数据点的第二温度评估值获得每个数据区间调整后的样本数量,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间调整后的样本数量,/>表示第/>个温度数据中第/>个数据区间中所有数据点的第二温度评估值的方差,10为放大系数;
所述根据每个数据区间调整后的样本数量,通过孤立森林算法,获得异常数据,包括的步骤为:
根据确定的每个温度数据中每个数据区间的样本数量,然后采用温度评估值作为孤立树建立的特征值进行孤立森林算法的异常检测得到异常得分值,当异常得分值/>时,/>为预设阈值,则标记该数据区间内的温度数据为异常数据。
2.根据权利要求1所述的基于污水检测的磁混凝高效沉淀池污水处理系统,其特征在于,所述用于对各个位置处的温度数据进行分段,获得每一个位置温度数据的多个数据区间,包括的步骤为:
将各个位置处的温度数据按照预设时间长度进行数据区间的划分,获得各个位置处的温度数据的多个数据区间。
3.根据权利要求1所述的基于污水检测的磁混凝高效沉淀池污水处理系统,其特征在于,所述获得每个数据区间中每个数据点的数据变化区间,根据数据变化区间两个端点数据获得正常温度数据参考值,包括的步骤为:
将每个数据区间中的任意一个数据点记为当前数据点,以当前数据点为中心,向数据点的两端进行延伸,延伸的到导数为0的数据点截止,由延伸的数据点构成当前数据点的数据变化区间,然后获得数据区间中每个数据点的数据变化区间;根据数据变化区间两个端点数据获得正常温度数据的参考值;
所述根据数据变化区间两个端点数据获得正常温度数据的参考值,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点所在数据变化区间的两个端点数据的第一均值,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中左侧端点数据/>的温度值,/> 表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中右侧端点数据/>的温度值;
然后获得所有数据点所在的数据变化区间的两个端点数据的第一均值,求所有数据点所在的数据变化区间的两个端点数据的第一均值的均值,并作为正常温度数据的参考值。
4.根据权利要求1所述的基于污水检测的磁混凝高效沉淀池污水处理系统,其特征在于,所述根据数据变化区间的数据变化与正常温度数据参考值获得每个数据点的温度变化程度,包括的步骤为:
式中,表示第/>个温度数据中第/>个数据区间中第/>个数据点的温度变化程度, 表示第/>个温度数据中第/>个数据区间中第/>个数据点的数据变化区间中第/>个数据点的温度值,/>表示第/>个温度数据中第/>个数据区间中第/>个数据点所在数据变化区间的两个端点数据的第一均值,数据变化区间记为/>,/>表示数据变化区间的左端点的时间点,/>表示数据变化区间的右端点的时间点,/>表示数据变化区间的区间长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311559473.0A CN117272192B (zh) | 2023-11-22 | 2023-11-22 | 基于污水检测的磁混凝高效沉淀池污水处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311559473.0A CN117272192B (zh) | 2023-11-22 | 2023-11-22 | 基于污水检测的磁混凝高效沉淀池污水处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272192A CN117272192A (zh) | 2023-12-22 |
CN117272192B true CN117272192B (zh) | 2024-03-08 |
Family
ID=89201249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311559473.0A Active CN117272192B (zh) | 2023-11-22 | 2023-11-22 | 基于污水检测的磁混凝高效沉淀池污水处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272192B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111721907A (zh) * | 2020-06-30 | 2020-09-29 | 重庆工商大学 | 污水处理原位监测系统 |
CN116190818A (zh) * | 2023-02-20 | 2023-05-30 | 郑州大学 | 基于多维传感融合的锂电池装置、锂电池监测装置及方法 |
CN116228176A (zh) * | 2023-05-10 | 2023-06-06 | 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 |
CN116610482A (zh) * | 2023-07-18 | 2023-08-18 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
CN116878886A (zh) * | 2023-09-05 | 2023-10-13 | 济宁鲁威液压科技股份有限公司 | 一种用于冷却塔水泵轴承磨损的监测方法 |
CN116989897A (zh) * | 2023-09-26 | 2023-11-03 | 山东聚亨源环保科技有限公司 | 一种低功耗的可车载式危废库远程异常监测系统 |
CN117093879A (zh) * | 2023-10-19 | 2023-11-21 | 无锡尚航数据有限公司 | 一种数据中心智能化运营管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777873B (zh) * | 2018-06-04 | 2021-03-02 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
-
2023
- 2023-11-22 CN CN202311559473.0A patent/CN117272192B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111721907A (zh) * | 2020-06-30 | 2020-09-29 | 重庆工商大学 | 污水处理原位监测系统 |
CN116190818A (zh) * | 2023-02-20 | 2023-05-30 | 郑州大学 | 基于多维传感融合的锂电池装置、锂电池监测装置及方法 |
CN116228176A (zh) * | 2023-05-10 | 2023-06-06 | 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 |
CN116610482A (zh) * | 2023-07-18 | 2023-08-18 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
CN116878886A (zh) * | 2023-09-05 | 2023-10-13 | 济宁鲁威液压科技股份有限公司 | 一种用于冷却塔水泵轴承磨损的监测方法 |
CN116989897A (zh) * | 2023-09-26 | 2023-11-03 | 山东聚亨源环保科技有限公司 | 一种低功耗的可车载式危废库远程异常监测系统 |
CN117093879A (zh) * | 2023-10-19 | 2023-11-21 | 无锡尚航数据有限公司 | 一种数据中心智能化运营管理方法及系统 |
Non-Patent Citations (2)
Title |
---|
Operating temperatures of open-rack installed photovoltaic inverters;Z. Zhang et al.;《Solar Energy》;第344-351页 * |
基于温度定性趋势分析的锌冶炼焙烧炉实时状态评价;陈宇 等;《冶金自动化》;第46卷(第4期);第86-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272192A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
CN111191671B (zh) | 一种用电器波形检测方法、系统、电子设备及存储介质 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN116522270A (zh) | 用于智慧海绵城市的数据处理系统 | |
CN117272192B (zh) | 基于污水检测的磁混凝高效沉淀池污水处理系统 | |
CN117196353A (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN1410189A (zh) | 连铸二冷区铸坯表面温度准确测定方法 | |
CN107312850A (zh) | 一种pcr无效扩增的检测方法 | |
CN109808641A (zh) | 防盗告警方法及装置、电子设备和可读存储介质 | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN117390378A (zh) | 一种双碳平台数据智能管理方法及系统 | |
US20100023263A1 (en) | Position Detection Method And Position Detection Apparatus For A Preceding Vehicle And Data Filtering Method | |
CN116400639A (zh) | 一种plc采集数据智能清洗方法及系统 | |
CN110425711A (zh) | 一种智能功率模块的温度控制方法、装置以及空调器 | |
CN108595380B (zh) | 一种高炉异常炉况检测方法 | |
CN111397677A (zh) | 一种基于超声波计量的脉动流检测方法 | |
CN108226092B (zh) | 基于近红外光谱相似度的模型界外样本识别方法 | |
CN115436593A (zh) | 一种湖泊水质监测系统 | |
CN112184645A (zh) | 风机叶片检测方法、系统及其计算机可存储介质 | |
JP6116398B2 (ja) | 波形推定装置及び波形推定方法 | |
CN112781556A (zh) | 一种基于多数据融合滤波的井盖异动监测方法和装置 | |
CN117312617B (zh) | 基于污水数据监测的实时污水处理方法及系统 | |
CN117407728B (zh) | 一种用于干细胞的存储环境实时监测方法及系统 | |
CN114965325B (zh) | 一种氯离子检测方法、装置及计算机可读存储介质 |
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 |