CN117278591A - 基于云平台的园区异常报警系统 - Google Patents
基于云平台的园区异常报警系统 Download PDFInfo
- Publication number
- CN117278591A CN117278591A CN202311354628.7A CN202311354628A CN117278591A CN 117278591 A CN117278591 A CN 117278591A CN 202311354628 A CN202311354628 A CN 202311354628A CN 117278591 A CN117278591 A CN 117278591A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- wastewater
- sensor data
- stage
- 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
Links
- 239000002351 wastewater Substances 0.000 claims abstract description 114
- 238000012544 monitoring process Methods 0.000 claims abstract description 69
- 238000004519 manufacturing process Methods 0.000 claims abstract description 52
- 230000005856 abnormality Effects 0.000 claims abstract description 32
- 238000007405 data analysis Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 46
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
Abstract
本发明涉及工业园区管理技术领域，具体涉及基于云平台的园区异常报警系统，该系统包括：多个一级废水监测传感器，实时监测各企业废水的质量参数，并生成第一级传感器数据；至少一个二级废水监测传感器，用于实时监测园区各企业混合废水的综合质量参数，并生成第二级传感器数据；一个云平台，包括数据接收储存模块、数据分析模块、生产项目信息存储模块以及交叉验证模块，异常报警模块，接收云平台数据分析模块的分析结果，并根据该结果产生相应的报警信号。本发明，通过数据分析模块内的源追溯子模块，系统能协同一级废水监测传感器数据，精确确定导致异常的废水来源，能够分析是由哪些排水分管道混合造成的废水指标异常。
Description
技术领域
本发明涉及工业园区管理技术领域，尤其涉及基于云平台的园区异常报警系统。
背景技术
工业园区常常集中了多家制造业和化工企业，这些企业的生产活动可能会产生大量的废水排放。在传统的废水管理系统中，一般仅通过在单一或几个关键点设置传感器来监测废水的质量，然而，这些系统通常只能提供有限的信息，如某一时间点某个位置的废水质量，而不能准确地反映整个园区内废水排放的总体状况。更重要的是，这些系统往往缺乏有效的数据分析和追溯溯源能力，因此在发生废水质量异常时，很难迅速确定异常来源，从而影响了应对措施的及时性和有效性。
此外，现有的废水监测系统通常没有预设企业各部门的生产项目信息，因此在接收到异常报警后，很难判断是否是误报警，这就可能导致不必要的经济和时间损失，更糟糕的是，由于缺乏有效的数据管理和分析模块，这些系统通常无法在废水质量异常出现时提供准确和有用的信息，使得管理层在应对废水排放问题时如同“摸着石头过河”。
针对这些问题和局限性，本发明提出了一种基于云平台的园区异常报警系统。该系统不仅具备实时监测和报警的基础功能，还通过集成多个一级和至少一个二级废水监测传感器，以及一个功能强大的云平台，实现了废水质量的全面、实时和准确监控。
发明内容
基于上述目的，本发明提供了基于云平台的园区异常报警系统。
基于云平台的园区异常报警系统，该系统包括：
a:多个一级废水监测传感器，分别安装在园区各企业的排水分管道上，用于实时监测各企业废水的质量参数，并生成第一级传感器数据；
b:至少一个二级废水监测传感器，安装在园区排水主管道上，用于实时监测园区各企业混合废水的综合质量参数，并生成第二级传感器数据；
c:一个云平台，包括数据接收储存模块、数据分析模块、生产项目信息存储模块以及交叉验证模块，其中，
数据接收储存模块，用于接收并存储第一级传感器数据以及第二级传感器数据；
数据分析模块，用于对接收到的第一级传感器数据以及第二级传感器数据进行分析，该数据分析模块还包括源追溯子模块，用于在接收到第二级传感器数据异常时，协同一级废水监测传感器的第一级传感器数据，追溯导致异常的废水来源；
生产项目信息存储模块，用于预先存储各企业各部门的生产项目信息；
交叉验证模块，用于比对由一级废水监测传感器生成的第一级传感器数据和生产项目信息存储模块中的生产项目信息，判断是否出现误报警，
d:异常报警模块，接收云平台数据分析模块的分析结果，并根据该结果产生相应的报警信号。
进一步地，所述交叉验证模块根据比对结果调整一级废水监测传感器的灵敏度参数，并将调整结果反馈至一级废水监测传感器。
进一步地，所述云平台包括中央处理单元，以及与中央处理单元连接的多个数据存储单元和一个网络接口单元，其中：
中央处理单元负责整体的数据处理和逻辑控制，与数据接收储存模块、数据分析模块、生产项目信息存储模块以及交叉验证模块进行数据和控制信号的交换；
数据接收储存模块与中央处理单元连接，负责从一级和二级废水监测传感器接收数据，并将这些数据按照预定格式存储在与之关联的数据存储单元中，此模块将存储的数据元信息发送到中央处理单元；
数据分析模块与中央处理单元连接，接收中央处理单元的控制信号，并根据这些信号从数据接收储存模块关联的数据存储单元中获取需要分析的数据，源追溯子模块在获取二级传感器数据异常信号后，调用与一级废水监测传感器相关联的数据进行协同分析，并将分析结果返回给中央处理单元；
生产项目信息存储模块与中央处理单元连接，负责存储各企业各部门的生产项目信息，并将这些信息同步给中央处理单元；
交叉验证模块与中央处理单元连接，接收来自中央处理单元的控制信号，获取一级废水监测传感器生成的第一级传感器数据和生产项目信息存储模块中的生产项目信息，进行比对分析以判断是否出现误报警，并将比对结果返回给中央处理单元；
网络接口单元与中央处理单元连接，负责与外部网络进行数据交换，以便将分析和报警信息传输至外部系统或终端。
进一步地，所述数据分析模块具体包括：
参数分析：采用傅立叶变换方法，将从数据接收储存模块获取的第一级传感器数据和第二级传感器数据转换为频域数据，随后应用线性回归算法分解出各质量参数；
超标判定：使用支持向量机算法，根据参数分析分解得到的各质量参数进行分类，与预设的排放标准进行比对，若支持向量机算法输出结果表明任一参数超标，则生成一个带有时间戳和超标参数细节的异常标识符。
进一步地，所述源追溯子模块追溯导致异常的废水来源步骤包括：
S1：首先根据接收到的异常标识符，调取与异常时间窗口相匹配的一级废水监测传感器生成的第一级传感器数据；
S2：通过Z-score标准化去除数据噪声和异常值，使得各排水分管道的数据可进行比对；
S3：采用特征工程手段进行主成分分析，从各排水分管道的一级传感器数据中提取主要质量参数作为特征向量；
S4：使用贝叶斯网络算法，根据从第一级传感器数据中提取的特征向量，构建概率模型，该概率模型用于量化各排水分管道废水与第二级传感器数据异常的概率关系；
S5：通过概率模型，源追溯子模块识别出概率第一的两条或多条导致异常的排水分管道，并使用时间序列分析，确定排水分管道在异常时间窗口内的废水流量和质量参数的变化趋势；
S6：将S4、S5结果进行逻辑融合，通过加权投票机制确定最终导致第二级传感器数据异常的排水分管道。
进一步地，所述概率模型基于条件概率分布构建贝叶斯网络，其中多个节点分别代表每条一级废水监测传感器所在的排水分管道以及二级废水监测传感器；
将每条排水分管道分别记作P1,P2,…,Pn，将二级废水监测传感器记作S，将条件概率P(S∣P1,P2,…,Pn)预先计算和存储；
第二级传感器数据异常时，根据该条件概率和贝叶斯公式计算后验概率P(P1,P2,…,Pn)∣S)。
进一步地，所述加权投票机制具体包括：
对于每条被概率模型识别出的导致异常的排水分管道，通过时间序列分析生成“相似性得分”；
设置一个阈值T，当排水分管道的后验概率高于T时，将对应的“相似性得分”进入加权投票环节；
在加权投票环节中，各排水分管道的“相似性得分”乘以其后验概率，即加权得分＝“相似性得分”×后验概率；
所有参与投票的排水分管道的加权得分进行累计，并按照得分从高到低排序；
按照排序顺序选择两条或多条排水分管道作为最终导致第二级传感器数据异常的废水来源。
进一步地，所述生产项目信息存储模块具体包括：
项目数据库，用于存储各企业各部门生产项目信息，该生产项目信息包括项目名称、项目编号、预计废水排放类型以及标准质量参数；
数据关联分析单元，用于与数据分析模块以及交叉验证模块的接口，在接收到第一级传感器数据后，对第一级传感器数据与预存储的生产项目信息进行比对和验证。
进一步地，所述交叉验证模块具体包括：
接收第一级传感器数据和生产项目信息存储模块中的生产项目信息，并将二者进行一一比对，通过规则引擎，预载有用于判断废水异常的条件和规则，该规则引擎用于分析数据比对单元比对后的结果；
计算比对结果与规则引擎中的条件和规则的匹配度，以判断是否出现误报警，验证结果输出、生成并发送交叉验证的结果到数据分析模块，触发相应的报警。
本发明的有益效果：
本发明，通过在各企业排水分管道上安装一级废水监测传感器以及在园区排水主管道上安装二级废水监测传感器，系统可以实时收集和分析废水质量参数。这一设置不仅可以实时监控单个企业的废水排放情况，还能及时捕捉园区范围内可能的废水质量异常，从而使得管理层能够在第一时间采取应对措施。
本发明，具备出色的追溯溯源能力，当二级废水监测传感器在园区排水主管道中检测到废水质量异常时，通过数据分析模块内的源追溯子模块，系统能协同一级废水监测传感器数据，精确确定导致异常的废水来源，能够分析是由哪两条或多条排水分管道混合造成的废水指标异常，为园区管理层提供了极具价值的数据支持，有助于针对性地解决问题。
本发明，通过预设各企业各部门的生产项目信息，系统进一步优化了异常数据的处理，大大减少了误报警的可能性，交叉验证模块可以与生产项目信息存储模块进行数据比对，确保报警结果的准确性，不仅提高了系统整体的可靠性，也避免了因误报警带来的不必要的经济和时间损失。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明，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他的附图。
图1为本发明实施例的异常报警系统系统逻辑示意图；
图2为本发明实施例的源追溯子模块追溯导致异常的废水来源步骤示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1－图2所示，基于云平台的园区异常报警系统，该系统包括：
a:多个一级废水监测传感器，分别安装在园区各企业的排水分管道上，用于实时监测各企业废水的质量参数，并生成第一级传感器数据；
b:至少一个二级废水监测传感器，安装在园区排水主管道上，用于实时监测园区各企业混合废水的综合质量参数，并生成第二级传感器数据；
c:一个云平台，包括数据接收储存模块、数据分析模块、生产项目信息存储模块以及交叉验证模块，其中，
数据接收储存模块，用于接收并存储第一级传感器数据以及第二级传感器数据；
数据分析模块，用于对接收到的第一级传感器数据以及第二级传感器数据进行分析，该数据分析模块还包括源追溯子模块，用于在接收到第二级传感器数据异常时，协同一级废水监测传感器的第一级传感器数据，追溯导致异常的废水来源(分析是由哪两条或多条排水分管道混合造成的废水指标异常)；
生产项目信息存储模块，用于预先存储各企业各部门的生产项目信息；
交叉验证模块，用于比对由一级废水监测传感器生成的第一级传感器数据和生产项目信息存储模块中的生产项目信息，判断是否出现误报警，
d:异常报警模块，接收云平台数据分析模块的分析结果，并根据该结果产生相应的报警信号。
交叉验证模块根据比对结果调整一级废水监测传感器的灵敏度参数，并将调整结果反馈至一级废水监测传感器。
云平台包括中央处理单元，以及与中央处理单元连接的多个数据存储单元和一个网络接口单元，其中：
中央处理单元负责整体的数据处理和逻辑控制，与数据接收储存模块、数据分析模块、生产项目信息存储模块以及交叉验证模块进行数据和控制信号的交换；
数据接收储存模块与中央处理单元连接，负责从一级和二级废水监测传感器接收数据，并将这些数据按照预定格式存储在与之关联的数据存储单元中，此模块将存储的数据元信息发送到中央处理单元；
数据分析模块与中央处理单元连接，接收中央处理单元的控制信号，并根据这些信号从数据接收储存模块关联的数据存储单元中获取需要分析的数据，源追溯子模块在获取二级传感器数据异常信号后，调用与一级废水监测传感器相关联的数据进行协同分析，并将分析结果返回给中央处理单元；
生产项目信息存储模块与中央处理单元连接，负责存储各企业各部门的生产项目信息，并将这些信息同步给中央处理单元；
交叉验证模块与中央处理单元连接，接收来自中央处理单元的控制信号，获取一级废水监测传感器生成的第一级传感器数据和生产项目信息存储模块中的生产项目信息，进行比对分析以判断是否出现误报警，并将比对结果返回给中央处理单元；
网络接口单元与中央处理单元连接，负责与外部网络进行数据交换，以便将分析和报警信息传输至外部系统或终端。
数据分析模块具体包括：
参数分析：采用傅里叶变换方法，将从数据接收储存模块获取的第一级传感器数据和第二级传感器数据转换为频域数据，随后应用线性回归算法分解出各质量参数(例如，pH值、化学需氧量、总有机碳等)；
超标判定：使用支持向量机(SVM)算法，根据参数分析分解得到的各质量参数进行分类，与预设的排放标准进行比对，若支持向量机算法输出结果表明任一参数超标，则生成一个带有时间戳和超标参数细节的异常标识符。
源追溯子模块追溯导致异常的废水来源步骤包括：
S1：首先根据接收到的异常标识符，调取与异常时间窗口(例如，异常发生前后15分钟)相匹配的一级废水监测传感器生成的第一级传感器数据；
S2：通过Z-score标准化去除数据噪声和异常值，使得各排水分管道的数据可进行比对；
S3：采用特征工程手段进行主成分分析，从各排水分管道的一级传感器数据中提取主要质量参数作为特征向量；
S4：使用贝叶斯网络算法，根据从第一级传感器数据中提取的特征向量，构建概率模型，该概率模型用于量化各排水分管道废水与第二级传感器数据异常的概率关系；
S5：通过概率模型，源追溯子模块识别出概率第一的两条或多条导致异常的排水分管道，并使用时间序列分析，例如，动态时间规整(DTW)算法，确定排水分管道在异常时间窗口内的废水流量和质量参数的变化趋势；
S6：将S4、S5结果进行逻辑融合，通过加权投票机制确定最终导致第二级传感器数据异常的排水分管道。
概率模型基于条件概率分布构建贝叶斯网络，其中多个节点分别代表每条一级废水监测传感器所在的排水分管道以及二级废水监测传感器；
将每条排水分管道分别记作P1,P2,…,Pn，将二级废水监测传感器记作S，将条件概率P(S∣P1，P2，…，Pn)预先计算和存储；
第二级传感器数据异常时，根据该条件概率和贝叶斯公式计算后验概率P(P1，P2，…，Pn∣S)；
在贝叶斯网络中，P(S∣P1，P2，…，Pn是一个条件概率分布，表示在给定各个一级废水监测传感器(位于排水分管道P1,P2,…,Pn)的情况下，二级废水监测传感器S出现异常的概率，这里，S代表二级废水监测传感器，而P1,P2,…,Pn代表各个一级废水监测传感器所在的排水分管道；
具体来说，在网络建模过程中，每个一级传感器在分管道P1,P2,…,Pn上的废水质量参数(如pH值，化学需氧量等)会被用作特征，这些特征与二级传感器S的综合质量参数(即异常或非异常状态)存在一定的概率关联；
通过收集历史数据和进行统计分析，可以预先计算和存储这个条件概率分布P(S∣P1，P2，…，Pn)，然后，在实时运行过程中，如果二级传感器S发生异常，系统会使用这个预先计算的条件概率分布，结合当前一级传感器的实时数据，来推断哪一条或哪几条分管道最可能是异常源。
后验概率P(P1，P2，…，Pn∣S)是在观察到二级废水监测传感器S数据异常后，各一级废水监测传感器所在的排水分管道P1,P2,…,Pn负责引起该异常的概率。简而言之，这个后验概率给出了在已知二级传感器S发生异常的情况下，哪一个或哪几个排水分管道最有可能是异常的源头；
这个后验概率通常是通过贝叶斯公式计算的，该公式考虑了一级传感器在各个排水分管道P1,P2,…,Pn的测量数据以及二级传感器S的异常状态。根据贝叶斯规则：
其中，
P(S∣P1P2，…，Pn)是条件概率，表示在给定一级废水监测传感器数据的情况下，二级传感器S出现异常的概率；
P(P1，P2，…，Pn)是各排水分管道P1,P2,…,Pn在正常运行条件下的先验概率；
P(S)是二级传感器S出现异常的边缘概率。
这种后验概率计算的一个主要优点是它能够结合所有可用的信息(即一级和二级传感器的数据)来进行更准确的推断，在实际应用中，这有助于准确地确定导致废水异常的具体来源，从而使得园区管理更加高效和精确。
加权投票机制具体包括：
对于每条被概率模型识别出的导致异常的排水分管道，通过时间序列分析生成“相似性得分”；
设置一个阈值T，当排水分管道的后验概率高于T时，将对应的“相似性得分”进入加权投票环节；
在加权投票环节中，各排水分管道的“相似性得分”乘以其后验概率，即加权得分＝“相似性得分”×后验概率；
所有参与投票的排水分管道的加权得分进行累计，并按照得分从高到低排序；
按照排序顺序选择两条或多条排水分管道作为最终导致第二级传感器数据异常的废水来源；
该概率模型和加权投票机制结合了废水质量参数和时间序列的相似性得分，提供了一种更为精确和全面的方法来确定导致废水异常的具体来源。这不仅提高了系统的准确性，而且也优化了异常响应机制。
生产项目信息存储模块具体包括：
项目数据库，用于存储各企业各部门生产项目信息，该生产项目信息包括项目名称、项目编号、预计废水排放类型以及标准质量参数；
数据关联分析单元，用于与数据分析模块以及交叉验证模块的接口，在接收到第一级传感器数据后，对第一级传感器数据与预存储的生产项目信息进行比对和验证。
交叉验证模块具体包括：
接收第一级传感器数据和生产项目信息存储模块中的生产项目信息，并将二者进行一一比对，通过规则引擎，预载有用于判断废水异常的条件和规则，该规则引擎用于分析数据比对单元比对后的结果；
计算比对结果与规则引擎中的条件和规则的匹配度，以判断是否出现误报警，验证结果输出、生成并发送交叉验证的结果到数据分析模块，触发相应的报警；
所述交叉验证模块通过数据比对单元、规则引擎、误报警检测算法以及验证结果输出单元的协同工作，确保准确地比对第一级传感器数据和生产项目信息，进一步通过规则引擎和误报警检测算法进行深入分析，以准确地判断是否出现误报警，该模块不仅能有效减少误报警率，还能在出现异常时提供更多上下文信息给数据分析模块，有助于更准确地确定导致异常的废水来源。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (9)
1.基于云平台的园区异常报警系统，其特征在于，该系统包括：
a:多个一级废水监测传感器，分别安装在园区各企业的排水分管道上，用于实时监测各企业废水的质量参数，并生成第一级传感器数据；
b:至少一个二级废水监测传感器，安装在园区排水主管道上，用于实时监测园区各企业混合废水的综合质量参数，并生成第二级传感器数据；
c:一个云平台，包括数据接收储存模块、数据分析模块、生产项目信息存储模块以及交叉验证模块，其中，
数据接收储存模块，用于接收并存储第一级传感器数据以及第二级传感器数据；
数据分析模块，用于对接收到的第一级传感器数据以及第二级传感器数据进行分析，该数据分析模块还包括源追溯子模块，用于在接收到第二级传感器数据异常时，协同一级废水监测传感器的第一级传感器数据，追溯导致异常的废水来源；
生产项目信息存储模块，用于预先存储各企业各部门的生产项目信息；
交叉验证模块，用于比对由一级废水监测传感器生成的第一级传感器数据和生产项目信息存储模块中的生产项目信息，判断是否出现误报警，
d:异常报警模块，接收云平台数据分析模块的分析结果，并根据该结果产生相应的报警信号。
2.根据权利要求1所述的基于云平台的园区异常报警系统，其特征在于，所述交叉验证模块根据比对结果调整一级废水监测传感器的灵敏度参数，并将调整结果反馈至一级废水监测传感器。
3.根据权利要求2所述的基于云平台的园区异常报警系统，其特征在于，所述云平台包括中央处理单元，以及与中央处理单元连接的多个数据存储单元和一个网络接口单元，其中：
中央处理单元负责整体的数据处理和逻辑控制，与数据接收储存模块、数据分析模块、生产项目信息存储模块以及交叉验证模块进行数据和控制信号的交换；
数据接收储存模块与中央处理单元连接，负责从一级和二级废水监测传感器接收数据，并将这些数据按照预定格式存储在与之关联的数据存储单元中，此模块将存储的数据元信息发送到中央处理单元；
数据分析模块与中央处理单元连接，接收中央处理单元的控制信号，并根据这些信号从数据接收储存模块关联的数据存储单元中获取需要分析的数据，源追溯子模块在获取二级传感器数据异常信号后，调用与一级废水监测传感器相关联的数据进行协同分析，并将分析结果返回给中央处理单元；
生产项目信息存储模块与中央处理单元连接，负责存储各企业各部门的生产项目信息，并将这些信息同步给中央处理单元；
交叉验证模块与中央处理单元连接，接收来自中央处理单元的控制信号，获取一级废水监测传感器生成的第一级传感器数据和生产项目信息存储模块中的生产项目信息，进行比对分析以判断是否出现误报警，并将比对结果返回给中央处理单元；
网络接口单元与中央处理单元连接，负责与外部网络进行数据交换，以便将分析和报警信息传输至外部系统或终端。
4.根据权利要求3所述的基于云平台的园区异常报警系统，其特征在于，所述数据分析模块具体包括：
参数分析：采用傅立叶变换方法，将从数据接收储存模块获取的第一级传感器数据和第二级传感器数据转换为频域数据，随后应用线性回归算法分解出各质量参数；
超标判定：使用支持向量机算法，根据参数分析分解得到的各质量参数进行分类，与预设的排放标准进行比对，若支持向量机算法输出结果表明任一参数超标，则生成一个带有时间戳和超标参数细节的异常标识符。
5.根据权利要求4所述的基于云平台的园区异常报警系统，其特征在于，所述源追溯子模块追溯导致异常的废水来源步骤包括：
S1：首先根据接收到的异常标识符，调取与异常时间窗口相匹配的一级废水监测传感器生成的第一级传感器数据；
S2：通过Z-score标准化去除数据噪声和异常值，使得各排水分管道的数据可进行比对；
S3：采用特征工程手段进行主成分分析，从各排水分管道的一级传感器数据中提取质量参数作为特征向量；
S4：使用贝叶斯网络算法，根据从第一级传感器数据中提取的特征向量，构建概率模型，该概率模型用于量化各排水分管道废水与第二级传感器数据异常的概率关系；
S5：通过概率模型，源追溯子模块识别出概率第一的两条或多条导致异常的排水分管道，并使用时间序列分析，确定排水分管道在异常时间窗口内的废水流量和质量参数的变化趋势；
S6：将S4、S5结果进行逻辑融合，通过加权投票机制确定最终导致第二级传感器数据异常的排水分管道。
6.根据权利要求5所述的基于云平台的园区异常报警系统，其特征在于，所述概率模型基于条件概率分布构建贝叶斯网络，其中多个节点分别代表每条一级废水监测传感器所在的排水分管道以及二级废水监测传感器；
将每条排水分管道分别记作P1,P2,…,Pn，将二级废水监测传感器记作S，将条件概率P(S∣P1，P2，…，Pn)预先计算和存储；
第二级传感器数据异常时，根据该条件概率和贝叶斯公式计算后验概率P(P1，P2，…，Pn∣S)。
7.根据权利要求6所述的基于云平台的园区异常报警系统，其特征在于，所述加权投票机制具体包括：
对于每条被概率模型识别出的导致异常的排水分管道，通过时间序列分析生成“相似性得分”；
设置一个阈值T，当排水分管道的后验概率高于T时，将对应的“相似性得分”进入加权投票环节；
在加权投票环节中，各排水分管道的“相似性得分”乘以其后验概率，即加权得分＝“相似性得分”×后验概率；
所有参与投票的排水分管道的加权得分进行累计，并按照得分从高到低排序；
按照排序顺序选择两条或多条排水分管道作为最终导致第二级传感器数据异常的废水来源。
8.根据权利要求7所述的基于云平台的园区异常报警系统，其特征在于，所述生产项目信息存储模块具体包括：
项目数据库，用于存储各企业各部门生产项目信息，该生产项目信息包括项目名称、项目编号、预计废水排放类型以及标准质量参数；
数据关联分析单元，用于与数据分析模块以及交叉验证模块的接口，在接收到第一级传感器数据后，对第一级传感器数据与预存储的生产项目信息进行比对和验证。
9.根据权利要求8所述的基于云平台的园区异常报警系统，其特征在于，所述交叉验证模块具体包括：
接收第一级传感器数据和生产项目信息存储模块中的生产项目信息，并将二者进行一一比对，通过规则引擎，预载有用于判断废水异常的条件和规则，该规则引擎用于分析数据比对单元比对后的结果；
计算比对结果与规则引擎中的条件和规则的匹配度，以判断是否出现误报警，验证结果输出、生成并发送交叉验证的结果到数据分析模块，触发相应的报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354628.7A CN117278591A (zh) | 2023-10-18 | 2023-10-18 | 基于云平台的园区异常报警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354628.7A CN117278591A (zh) | 2023-10-18 | 2023-10-18 | 基于云平台的园区异常报警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117278591A true CN117278591A (zh) | 2023-12-22 |
Family
ID=89200941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311354628.7A Pending CN117278591A (zh) | 2023-10-18 | 2023-10-18 | 基于云平台的园区异常报警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117278591A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610942A (zh) * | 2024-01-22 | 2024-02-27 | 广东智环创新环境科技有限公司 | 基于物联网的产业园区环保监督管理预警方法及系统 |
-
2023
- 2023-10-18 CN CN202311354628.7A patent/CN117278591A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610942A (zh) * | 2024-01-22 | 2024-02-27 | 广东智环创新环境科技有限公司 | 基于物联网的产业园区环保监督管理预警方法及系统 |
| CN117610942B (zh) * | 2024-01-22 | 2024-03-29 | 广东智环创新环境科技有限公司 | 基于物联网的产业园区环保监督管理预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Di Maio et al. | Fault detection in nuclear power plants components by a combination of statistical methods | |
| JP4762088B2 (ja) | プロセス異常診断装置 | |
| CN111475804A (zh) | 一种告警预测方法及系统 | |
| JP5996384B2 (ja) | プロセス監視診断装置、プロセス監視診断プログラム | |
| CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
| JP2009070071A (ja) | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 | |
| CN117278591A (zh) | 基于云平台的园区异常报警系统 | |
| CN109981328A (zh) | 一种故障预警方法及装置 | |
| JP2012009064A (ja) | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 | |
| CN101470426A (zh) | 一种故障检测的方法和系统 | |
| CN107273924A (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| Sarda et al. | A multi-step anomaly detection strategy based on robust distances for the steel industry | |
| Atzmueller et al. | Anomaly detection and structural analysis in industrial production environments | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
| KR101997580B1 (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
| CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
| Lithoxoidou et al. | Malfunction diagnosis in industrial process systems using data mining for knowledge discovery | |
| Melhem et al. | Product quality prediction using alarm data: Application to the semiconductor manufacturing process | |
| CN114662981A (zh) | 基于大数据应用的污染源企业监管方法 | |
| CN117287640B (zh) | 供水风险的预警方法、装置、设备及存储介质 | |
| CN106125643A (zh) | 一种基于机器学习技术的工控安防方法 | |
| EP3864506A1 (en) | Systems and methods for data-driven process improvement | |
| CN115392812B (zh) | 一种异常根因定位方法、装置、设备及介质 |
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 |