CN117332261B - 一种滤芯的效能评价方法、系统及存储介质 - Google Patents
一种滤芯的效能评价方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117332261B CN117332261B CN202311633840.7A CN202311633840A CN117332261B CN 117332261 B CN117332261 B CN 117332261B CN 202311633840 A CN202311633840 A CN 202311633840A CN 117332261 B CN117332261 B CN 117332261B
- Authority
- CN
- China
- Prior art keywords
- purification efficiency
- filter element
- membership
- index
- efficiency
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 238000000746 purification Methods 0.000 claims abstract description 248
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 230000000306 recurrent effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 81
- 230000007704 transition Effects 0.000 claims description 76
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 73
- 238000013210 evaluation model Methods 0.000 claims description 44
- 238000012423 maintenance Methods 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims 8
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000015556 catabolic process Effects 0.000 abstract description 6
- 238000006731 degradation reaction Methods 0.000 abstract description 6
- 230000004927 fusion Effects 0.000 abstract description 6
- 239000003651 drinking water Substances 0.000 description 31
- 235000020188 drinking water Nutrition 0.000 description 31
- 238000012544 monitoring process Methods 0.000 description 10
- 239000012855 volatile organic compound Substances 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000035622 drinking Effects 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000006722 reduction reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 3
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- OSVXSBDYLRYLIG-UHFFFAOYSA-N dioxidochlorine(.) Chemical compound O=Cl=O OSVXSBDYLRYLIG-UHFFFAOYSA-N 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 239000004155 Chlorine dioxide Substances 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 239000003463 adsorbent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 235000019398 chlorine dioxide Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 150000008282 halocarbons Chemical class 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 125000001997 phenyl group Chemical class [H]C1=C([H])C([H])=C(*)C([H])=C1[H] 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 239000000941 radioactive substance Substances 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种滤芯的效能评价方法、系统及存储介质，属于滤芯效能评价技术领域，本发明通过构建基于时间序列的滤芯的净化效能信息，最终基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，并基于下一预设时间之内的净化效能隶属度生成相关的维护建议。本发明通过融合递归神经网络以及循环空间注意力机制，使得注意力集中在滤芯的净化效能的指标特征中，能够抑制多尺度特征融合所带来的干扰信息，提高对异常工作参数的识别精度。另一方面，本发明融合了马尔科夫链以及深度神经网络，相比于现有技术，能够更加精确地预测出滤芯的效能所处的退化阶段。
Description
技术领域
本发明涉及滤芯评价技术领域，尤其涉及一种滤芯的效能评价方法、系统及存储介质。
背景技术
饮用水中有机污染物，主要是挥发性有机物（VOCs），如苯系物、卤代烃等，是导致饮用水有机物污染的主要污染源。VOCs超标不仅会危及人体健康，甚至会对人体器官造成不可恢复的损伤。吸附法是去除水中VOCs较为常用的物理方法，基于发达的孔隙结构、巨大的比表面积活性炭具有较强的吸附性能，其常被用作去除饮用水中分子量在1000~3000的VOCs的吸附剂，从而实现饮用水的净化。分子量低于1000的有机物则采用生物氧化降解的途径进行净化。除此之外，臭氧、过氧化氢、二氧化氯等氧化剂通过氧化还原反应也可去除水中VOCs。活性炭作为净水领域中使用最早，应用最广泛的一种净水材料，不仅可以净化饮用水中的有机物，同时可通过吸附去除水中的臭味、色度、余氯、胶体、重金属、放射性物质等污染物。而净水流量、污染物浓度、水质数据等因素对净化性能产生了一定的影响，现如今，对于净化效能的评价精度低下，无法得知是外部因素造成的还是由于滤芯自身的性能退化造成的。
发明内容
本发明克服了现有技术的不足，提供了一种滤芯的效能评价方法、系统及存储介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种滤芯的效能评价方法，包括以下步骤：
获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵；
根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果；
根据相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息；
基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，并基于下一预设时间之内的净化效能隶属度生成相关的维护建议。
进一步的，在本方法中，获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵，具体包括：
获取影响滤芯效能的指标数据信息，引入图卷积神经网络，通过对指标数据信息进行分类，获取正常的指标数据信息以及异常的指标数据信息；
将滤芯效能作为第一图节点，将正常的指标数据信息以及异常的指标数据信息作为第二图节点，并根据正常的指标数据信息以及异常的指标数据信息与滤芯效能之间的关系，构建有向边描述；
根据有向边描述将第一图节点以及第二图节点连接，生成正常指标的拓扑结构图以及异常指标的拓扑结构图，并获取正常指标的拓扑结构图以及异常指标的拓扑结构图对应的邻接矩阵；
根据正常指标的拓扑结构图以及异常指标的拓扑结构图对应的邻接矩阵生成相关的邻接矩阵，并将相关的邻接矩阵输出。
进一步的，在本方法中，根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果，具体包括：
基于递归神经网络构建指标数据识别模型，并引入循环空间注意力机制，将相关的邻接矩阵输入到循环空间注意力机制中计算，获取第一特征图；
通过对第一特征图中每个指标特征进行SoftMax操作，得到具有空间注意的第二特征图，并对具有空间注意的第二特征图和相关的邻接矩阵进行内积运算，生成第三特征图；
将第三特征图输入到指标数据识别模型中，将第三特征图与隐含状态协同工作，通过更新隐含层的状态，输出指标数据识别模型，并获取预设时间之内滤芯的工作参数信息；
将预设时间之内滤芯的工作参数信息输入到指标数据识别模型中进行识别，获取相关的指标识别结果。
进一步的，在本方法中，根据相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息，具体包括：
判断相关的指标识别结果是否为正常的指标识别结果，若相关的指标识别结果为正常的指标识别结果，则获取净化前的水质数据信息以及净化后的水质数据信息；
根据净化前的水质数据信息以及净化后的水质数据信息计算出滤芯的净化效能信息，并获取若干个时间戳的滤芯的净化效能信息，基于若干个时间戳的滤芯的净化效能信息构建基于时间序列的滤芯的净化效能信息；
若相关的指标识别结果为异常的指标识别结果，则获取滤芯在若干时间戳中工作时的工作参数数据信息，并将滤芯在若干时间戳中工作时的工作参数数据信息与预设工作参数信息进行对比，得到偏差率；
当偏差率大于预设偏差率时，获取偏差率大于预设偏差率所对应的工作参数，并根据偏差率大于预设偏差率所对应的工作参数生成预警信息。
进一步的，在本方法中，基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，具体包括：
设置若干净化效能隶属度范围数据信息，并根据净化效能隶属度范围数据信息对基于时间序列的滤芯的净化效能信息进行评价，生成基于时间序列的净化效能隶属度矩阵；
引入马尔科夫链，通过马尔科夫链对基于时间序列的净化效能隶属度矩阵中每个时间戳的净化效能隶属度进行状态转移概率计算，获取每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值；
根据每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值构建转移概率值矩阵，并通过PCA算法对转移概率值矩阵进行降维处理，生成转移概率特征矩阵；
基于深度学习网络构建净化效能评价模型，并将转移概率特征矩阵输入到净化效能评价模型中进行编码学习，通过净化效能评价模型获取转移到下一净化效能隶属度的转移概率值；
当转移到下一净化效能隶属度的转移概率值大于预设概率值时，则获取当前时间戳的净化效能隶属度，并将当前时间戳的净化效能隶属度下一等级的净化效能隶属度作为下一预设时间之内的净化效能隶属度输出。
进一步的，在本方法中，基于下一预设时间之内的净化效能隶属度生成相关的维护建议，具体包括：
通过大数据获取各种净化效能隶属度对应的维护建议，并构建知识图谱，将各种净化效能隶属度对应的维护建议输入到知识图谱中进行存储；
设置净化效能隶属度阈值数据信息，并判断下一预设时间之内的净化效能隶属度是否不大于净化效能隶属度阈值数据信息；
若下一预设时间之内的净化效能隶属度不大于净化效能隶属度阈值数据信息，则将下一预设时间之内的净化效能隶属度输入到知识图谱中进行数据匹配；
通过数据匹配，获取相关的维护建议，并将相关的维护建议按照预设方式进行发送。
本发明第二方面提供了一种滤芯的效能评价系统，滤芯的效能评价系统包括存储器以及处理器，存储器中包括滤芯的效能评价方法程序，滤芯的效能评价方法程序被处理器执行时，实现如下步骤：
获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵；
根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果；
根据相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息；
基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，并基于下一预设时间之内的净化效能隶属度生成相关的维护建议。
进一步的，在本系统中，根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果，具体包括：
基于递归神经网络构建指标数据识别模型，并引入循环空间注意力机制，将相关的邻接矩阵输入到循环空间注意力机制中计算，获取第一特征图；
通过对第一特征图中每个指标特征进行SoftMax操作，得到具有空间注意的第二特征图，并对具有空间注意的第二特征图和相关的邻接矩阵进行内积运算，生成第三特征图；
将第三特征图输入到指标数据识别模型中，将第三特征图与隐含状态协同工作，通过更新隐含层的状态，输出指标数据识别模型，并获取预设时间之内滤芯的工作参数信息；
将预设时间之内滤芯的工作参数信息输入到指标数据识别模型中进行识别，获取相关的指标识别结果。
进一步的，在本系统中，基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，具体包括：
设置若干净化效能隶属度范围数据信息，并根据净化效能隶属度范围数据信息对基于时间序列的滤芯的净化效能信息进行评价，生成基于时间序列的净化效能隶属度矩阵；
引入马尔科夫链，通过马尔科夫链对基于时间序列的净化效能隶属度矩阵中每个时间戳的净化效能隶属度进行状态转移概率计算，获取每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值；
根据每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值构建转移概率值矩阵，并通过PCA算法对转移概率值矩阵进行降维处理，生成转移概率特征矩阵；
基于深度学习网络构建净化效能评价模型，并将转移概率特征矩阵输入到净化效能评价模型中进行编码学习，通过净化效能评价模型获取转移到下一净化效能隶属度的转移概率值；
当转移到下一净化效能隶属度的转移概率值大于预设概率值时，则获取当前时间戳的净化效能隶属度，并将当前时间戳的净化效能隶属度下一等级的净化效能隶属度作为下一预设时间之内的净化效能隶属度输出。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括滤芯的效能评价方法程序，滤芯的效能评价方法程序被处理器执行时，实现任一项的滤芯的效能评价方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵，进而根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果，从而根据相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息，最终基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，并基于下一预设时间之内的净化效能隶属度生成相关的维护建议。本发明通过融合递归神经网络以及循环空间注意力机制，使得注意力集中在滤芯的净化效能的指标特征中，能够抑制多尺度特征融合所带来的干扰信息，提高对异常工作参数的识别精度。另一方面，本发明融合了马尔科夫链以及深度神经网络，相比于现有技术，能够更加精确地预测出滤芯的效能所处的退化阶段。
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，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他实施例的附图。
图1示出了一种滤芯的效能评价方法的整体方法流程图；
图2示出了一种滤芯的效能评价方法的第一方法流程图；
图3示出了一种滤芯的效能评价方法的第二方法流程图；
图4示出了一种滤芯的效能评价系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种滤芯的效能评价方法，包括以下步骤：
S102:获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵；
S104:根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果；
S106:根据相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息；
S108:基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，并基于下一预设时间之内的净化效能隶属度生成相关的维护建议。
需要说明的是，本发明通过融合递归神经网络以及循环空间注意力机制，使得注意力集中在滤芯的净化效能的指标特征中，能够抑制多尺度特征融合所带来的干扰信息，提高对异常工作参数的识别精度。另一方面，本发明融合了马尔科夫链以及深度神经网络，相比于现有技术，能够更加精确地预测出滤芯的效能所处的退化阶段。
进一步的，在本方法中，获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵，具体包括：
获取影响滤芯效能的指标数据信息，引入图卷积神经网络，通过对指标数据信息进行分类，获取正常的指标数据信息以及异常的指标数据信息；
将滤芯效能作为第一图节点，将正常的指标数据信息以及异常的指标数据信息作为第二图节点，并根据正常的指标数据信息以及异常的指标数据信息与滤芯效能之间的关系，构建有向边描述；
根据有向边描述将第一图节点以及第二图节点连接，生成正常指标的拓扑结构图以及异常指标的拓扑结构图，并获取正常指标的拓扑结构图以及异常指标的拓扑结构图对应的邻接矩阵；
根据正常指标的拓扑结构图以及异常指标的拓扑结构图对应的邻接矩阵生成相关的邻接矩阵，并将相关的邻接矩阵输出。
需要说明的是，影响滤芯效能的指标数据信息包括指标类型（如水流量、水质数据）、指标实时数据（水流量的流量信息、水质中污染物的浓度信息等），通过图卷积神经网络根据有向边描述将第一图节点以及第二图节点连接，生成正常指标的拓扑结构图以及异常指标的拓扑结构图，并获取正常指标的拓扑结构图以及异常指标的拓扑结构图对应的邻接矩阵，从而建立数据识别框架。
如图2所示，进一步的，在本方法中，根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果，具体包括：
S202:基于递归神经网络构建指标数据识别模型，并引入循环空间注意力机制，将相关的邻接矩阵输入到循环空间注意力机制中计算，获取第一特征图；
S204:通过对第一特征图中每个指标特征进行SoftMax操作，得到具有空间注意的第二特征图，并对具有空间注意的第二特征图和相关的邻接矩阵进行内积运算，生成第三特征图；
S206:将第三特征图输入到指标数据识别模型中，将第三特征图与隐含状态协同工作，通过更新隐含层的状态，输出指标数据识别模型，并获取预设时间之内滤芯的工作参数信息；
S208:将预设时间之内滤芯的工作参数信息输入到指标数据识别模型中进行识别，获取相关的指标识别结果。
需要说明的是，相关的指标识别结果包括正常的识别结果以及异常的识别结果（水流量异常、水质数据异常等），其中，滤芯的净化效能与水流量、水质数据密切相关，当水流量以及水质数据增大时，就会降低滤芯的净化效能。通过本方法能够使得注意力集中在滤芯的净化效能的指标特征中，能够抑制多尺度特征融合所带来的干扰信息，提高对异常工作参数的识别精度。
如图3所示，进一步的，在本方法中，根据相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息，具体包括：
S302:判断相关的指标识别结果是否为正常的指标识别结果，若相关的指标识别结果为正常的指标识别结果，则获取净化前的水质数据信息以及净化后的水质数据信息；
S304:根据净化前的水质数据信息以及净化后的水质数据信息计算出滤芯的净化效能信息，并获取若干个时间戳的滤芯的净化效能信息，基于若干个时间戳的滤芯的净化效能信息构建基于时间序列的滤芯的净化效能信息；
S306:若相关的指标识别结果为异常的指标识别结果，则获取滤芯在若干时间戳中工作时的工作参数数据信息，并将滤芯在若干时间戳中工作时的工作参数数据信息与预设工作参数信息进行对比，得到偏差率；
S308:当偏差率大于预设偏差率时，获取偏差率大于预设偏差率所对应的工作参数，并根据偏差率大于预设偏差率所对应的工作参数生成预警信息。
需要说明的是，正常的指标识别结果表明是收到滤芯内部异常的退化特征而导致的，而异常的指标识别结果为外部因素而导致滤芯效能异常的，如水流量、水质污染物浓度过大等情况，通过本方法能够根据偏差率大于预设偏差率所对应的工作参数生成预警信息，用户能够及时调控芯在工作时的工作参数数据信息，如水流量工作参数数据。
进一步的，在本方法中，基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，具体包括：
设置若干净化效能隶属度范围数据信息，并根据净化效能隶属度范围数据信息对基于时间序列的滤芯的净化效能信息进行评价，生成基于时间序列的净化效能隶属度矩阵；
引入马尔科夫链，通过马尔科夫链对基于时间序列的净化效能隶属度矩阵中每个时间戳的净化效能隶属度进行状态转移概率计算，获取每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值；
根据每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值构建转移概率值矩阵，并通过PCA算法对转移概率值矩阵进行降维处理，生成转移概率特征矩阵；
基于深度学习网络构建净化效能评价模型，并将转移概率特征矩阵输入到净化效能评价模型中进行编码学习，通过净化效能评价模型获取转移到下一净化效能隶属度的转移概率值；
当转移到下一净化效能隶属度的转移概率值大于预设概率值时，则获取当前时间戳的净化效能隶属度，并将当前时间戳的净化效能隶属度下一等级的净化效能隶属度作为下一预设时间之内的净化效能隶属度输出。
需要说明的是，净化效能隶属度包括低效能、低中效能、中效能、中高效能、高效能、超高效能等，而净化效能隶属度范围数据信息如， 效能值在0到0.1之间的范围为低效能的滤芯，效能值在0.1到0.2之间为低中效能的滤芯，以此类推，用户可以根据实际的情况进行设置，通过引入马尔科夫链能够计算出净化效能隶属度转移到下一净化效能隶属度的转移概率值，如某一时间戳的效能为超高效能，则下一等级的效能为高效能，此时，转移概率值表示从超高效能转移到高效能的概率值，通过本方法能够预测出下一预设时间之内的净化效能隶属度，本发明通过融合了马尔科夫链以及深度神经网络，相比于现有技术，能够更加精确地预测出滤芯的效能所处的退化阶段。
进一步的，在本方法中，基于下一预设时间之内的净化效能隶属度生成相关的维护建议，具体包括：
通过大数据获取各种净化效能隶属度对应的维护建议，并构建知识图谱，将各种净化效能隶属度对应的维护建议输入到知识图谱中进行存储；
设置净化效能隶属度阈值数据信息，并判断下一预设时间之内的净化效能隶属度是否不大于净化效能隶属度阈值数据信息；
若下一预设时间之内的净化效能隶属度不大于净化效能隶属度阈值数据信息，则将下一预设时间之内的净化效能隶属度输入到知识图谱中进行数据匹配；
通过数据匹配，获取相关的维护建议，并将相关的维护建议按照预设方式进行发送。
需要说明的是，净化效能隶属度阈值数据为用户自行设定的，而相关的维护建议包括清洗滤芯、更换滤芯等情况。
其中，将各种净化效能隶属度对应的维护建议输入到知识图谱中进行存储，具体包括：
根据所述各种净化效能隶属度对应的维护建议构建维护建议数据集导入多头注意力机制，通过所述多头注意力机制计算维护建议数据集中的维护建议之间的文本相关性；
引入特征排序CMFS算法对文本相关性进行冗余性搜索，通过冗余性搜索，获取冗余的维护建议，并将所述冗余的维护建议从所述维护建议数据集中剔除，生成新的维护建议数据集；
将所述知识图谱分为多个存储空间，并通过注意力机制计算新的维护建议数据集中每一维护建议的注意力分数，并对所述注意力分数进行排序，生成注意力分数排序结果；
根据所述注意力分数排序结果依次将所述新的维护建议数据集中维护建议输入到存储空间，并定期更新所述知识图谱。
需要说明的是，当文本相关性很高时，说明维护建议的相似性很高，存在相同的含义，通过引入特征排序CMFS算法对文本相关性进行冗余性搜索，从而剔除文本意思相关性很高的冗余的维护建议，优化了知识图谱的存储，通过根据所述注意力分数排序结果依次将所述新的维护建议数据集中维护建议输入到存储空间，能够将意思相近但不相同的维护建议存储到相近的存储空间，提高数据的查询效率。
此外，本方法还可以包括以下步骤：
获取滤芯异常的工作参数信息，判断所述滤芯异常的工作参数信息是否为水质异常的工作参数；
当所述滤芯异常的工作参数信息为水质异常的工作参数时，获取供应的饮用水源的监测数据信息，并判断所述供应的饮用水源的监测数据信息是否符合饮用标准；
若所述供应的饮用水源的监测数据信息不符合饮用标准，根据所述供应的饮用水源的监测数据信息构建检索标签，并基于所述检索标签对物联网水务管理平台进行水源电子控制开关进行检索；
通过检索之后，获取水源电子控制开关的位置信息以及相关的通信协议，根据所述水源电子控制开关的位置信息以及相关的通信协议生成水源开关控制策略，同时进行饮用水源的水质预警。
需要说明的是，当所述供应的饮用水源的监测数据信息不符合饮用标准时，则根据所述水源电子控制开关的位置信息以及相关的通信协议生成水源开关控制策略，从而切断水质不合格的水源继续通水，保障了用户的健康。
需要说明的是，本方法还可以包括以下步骤：
若饮用水源的监测数据信息不符合饮用标准时，则获取当前饮用水源的库存信息，并判断所述饮用水源的监测数据信息是否大于预设库存信息；
若所述饮用水源的监测数据信息大于预设库存信息，则获取非饮用水源的需求信息，当饮用水源的监测数据信息符合非饮用水源的需求信息的标准时，并引入遗传算法，根据所述遗传算法设置遗传代数；
将所述当前饮用水源的库存信息输入到遗传算法中进行遗传代数的迭代计算，对所述非饮用水源的需求信息进行最优的饮用水源资源分配，获取最优的饮用水源资源分配结果；
根据所述最优的饮用水源资源分配结果对当前饮用水源的库存信息进行库存分配，直至所述饮用水源的监测数据信息不大于预设库存信息，维持水源的平衡的同时，能够提高水资源的合理分配以及利用。
需要说明的是，非饮用水源的需求信息包括农业灌溉水、建筑用水等，而农业灌溉水、建筑用水均有一定的标准，当饮用水源的监测数据信息符合非饮用水源的需求信息的标准时，则根据所述最优的饮用水源资源分配结果对当前饮用水源的库存信息进行库存分配，直至所述饮用水源的监测数据信息不大于预设库存信息。
本发明第二方面提供了一种滤芯的效能评价系统4，滤芯的效能评价系统4包括存储器41以及处理器42，存储器41中包括滤芯的效能评价方法程序，滤芯的效能评价方法程序被处理器42执行时，实现如下步骤：
获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵；
根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果；
根据相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息；
基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，并基于下一预设时间之内的净化效能隶属度生成相关的维护建议。
进一步的，在本系统中，根据相关的邻接矩阵构建指标数据识别模型，并基于指标数据识别模型获取相关的指标识别结果，具体包括：
基于递归神经网络构建指标数据识别模型，并引入循环空间注意力机制，将相关的邻接矩阵输入到循环空间注意力机制中计算，获取第一特征图；
通过对第一特征图中每个指标特征进行SoftMax操作，得到具有空间注意的第二特征图，并对具有空间注意的第二特征图和相关的邻接矩阵进行内积运算，生成第三特征图；
将第三特征图输入到指标数据识别模型中，将第三特征图与隐含状态协同工作，通过更新隐含层的状态，输出指标数据识别模型，并获取预设时间之内滤芯的工作参数信息；
将预设时间之内滤芯的工作参数信息输入到指标数据识别模型中进行识别，获取相关的指标识别结果。
进一步的，在本系统中，基于深度神经网络构建净化效能评价模型，根据净化效能评价模型预测下一预设时间之内的净化效能隶属度，具体包括：
设置若干净化效能隶属度范围数据信息，并根据净化效能隶属度范围数据信息对基于时间序列的滤芯的净化效能信息进行评价，生成基于时间序列的净化效能隶属度矩阵；
引入马尔科夫链，通过马尔科夫链对基于时间序列的净化效能隶属度矩阵中每个时间戳的净化效能隶属度进行状态转移概率计算，获取每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值；
根据每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值构建转移概率值矩阵，并通过PCA算法对转移概率值矩阵进行降维处理，生成转移概率特征矩阵；
基于深度学习网络构建净化效能评价模型，并将转移概率特征矩阵输入到净化效能评价模型中进行编码学习，通过净化效能评价模型获取转移到下一净化效能隶属度的转移概率值；
当转移到下一净化效能隶属度的转移概率值大于预设概率值时，则获取当前时间戳的净化效能隶属度，并将当前时间戳的净化效能隶属度下一等级的净化效能隶属度作为下一预设时间之内的净化效能隶属度输出。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括滤芯的效能评价方法程序，滤芯的效能评价方法程序被处理器执行时，实现任一项的滤芯的效能评价方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种滤芯的效能评价方法，其特征在于，包括以下步骤：
获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据所述影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵；
根据所述相关的邻接矩阵构建指标数据识别模型，并基于所述指标数据识别模型获取相关的指标识别结果；
根据所述相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息；
基于深度神经网络构建净化效能评价模型，根据所述净化效能评价模型预测下一预设时间之内的净化效能隶属度，并基于所述下一预设时间之内的净化效能隶属度生成相关的维护建议；
根据所述相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息，具体包括：
判断所述相关的指标识别结果是否为正常的指标识别结果，若所述相关的指标识别结果为正常的指标识别结果，则获取净化前的水质数据信息以及净化后的水质数据信息；
根据所述净化前的水质数据信息以及净化后的水质数据信息计算出滤芯的净化效能信息，并获取若干个时间戳的滤芯的净化效能信息，基于所述若干个时间戳的滤芯的净化效能信息构建基于时间序列的滤芯的净化效能信息；
若所述相关的指标识别结果为异常的指标识别结果，则获取滤芯在若干时间戳中工作时的工作参数数据信息，并将所述滤芯在若干时间戳中工作时的工作参数数据信息与预设工作参数信息进行对比，得到偏差率；
当所述偏差率大于预设偏差率时，获取所述偏差率大于预设偏差率所对应的工作参数，并根据所述偏差率大于预设偏差率所对应的工作参数生成预警信息；
基于深度神经网络构建净化效能评价模型，根据所述净化效能评价模型预测下一预设时间之内的净化效能隶属度，具体包括：
设置若干净化效能隶属度范围数据信息，并根据所述净化效能隶属度范围数据信息对所述基于时间序列的滤芯的净化效能信息进行评价，生成基于时间序列的净化效能隶属度矩阵；
引入马尔科夫链，通过所述马尔科夫链对基于时间序列的净化效能隶属度矩阵中每个时间戳的净化效能隶属度进行状态转移概率计算，获取每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值；
根据所述每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值构建转移概率值矩阵，并通过PCA算法对所述转移概率值矩阵进行降维处理，生成转移概率特征矩阵；
基于深度学习网络构建净化效能评价模型，并将所述转移概率特征矩阵输入到所述净化效能评价模型中进行编码学习，通过所述净化效能评价模型获取转移到下一净化效能隶属度的转移概率值；
当所述转移到下一净化效能隶属度的转移概率值大于预设概率值时，则获取当前时间戳的净化效能隶属度，并将当前时间戳的净化效能隶属度下一等级的净化效能隶属度作为下一预设时间之内的净化效能隶属度输出。
2.根据权利要求1所述的一种滤芯的效能评价方法，其特征在于，获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据所述影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵，具体包括：
获取影响滤芯效能的指标数据信息，引入图卷积神经网络，通过对所述指标数据信息进行分类，获取正常的指标数据信息以及异常的指标数据信息；
将滤芯效能作为第一图节点，将所述正常的指标数据信息以及异常的指标数据信息作为第二图节点，并根据正常的指标数据信息以及异常的指标数据信息与滤芯效能之间的关系，构建有向边描述；
根据所述有向边描述将所述第一图节点以及第二图节点连接，生成正常指标的拓扑结构图以及异常指标的拓扑结构图，并获取正常指标的拓扑结构图以及异常指标的拓扑结构图对应的邻接矩阵；
根据所述正常指标的拓扑结构图以及异常指标的拓扑结构图对应的邻接矩阵生成相关的邻接矩阵，并将所述相关的邻接矩阵输出。
3.根据权利要求1所述的一种滤芯的效能评价方法，其特征在于，根据所述相关的邻接矩阵构建指标数据识别模型，并基于所述指标数据识别模型获取相关的指标识别结果，具体包括：
基于递归神经网络构建指标数据识别模型，并引入循环空间注意力机制，将所述相关的邻接矩阵输入到所述循环空间注意力机制中计算，获取第一特征图；
通过对所述第一特征图中每个指标特征进行SoftMax操作，得到具有空间注意的第二特征图，并对所述具有空间注意的第二特征图和相关的邻接矩阵进行内积运算，生成第三特征图；
将所述第三特征图输入到所述指标数据识别模型中，将所述第三特征图与隐含状态协同工作，通过更新隐含层的状态，输出指标数据识别模型，并获取预设时间之内滤芯的工作参数信息；
将所述预设时间之内滤芯的工作参数信息输入到所述指标数据识别模型中进行识别，获取相关的指标识别结果。
4.根据权利要求1所述的一种滤芯的效能评价方法，其特征在于，基于所述下一预设时间之内的净化效能隶属度生成相关的维护建议，具体包括：
通过大数据获取各种净化效能隶属度对应的维护建议，并构建知识图谱，将所述各种净化效能隶属度对应的维护建议输入到所述知识图谱中进行存储；
设置净化效能隶属度阈值数据信息，并判断所述下一预设时间之内的净化效能隶属度是否不大于所述净化效能隶属度阈值数据信息；
若所述下一预设时间之内的净化效能隶属度不大于净化效能隶属度阈值数据信息，则将所述下一预设时间之内的净化效能隶属度输入到所述知识图谱中进行数据匹配；
通过数据匹配，获取相关的维护建议，并将所述相关的维护建议按照预设方式进行发送。
5.一种滤芯的效能评价系统，其特征在于，所述滤芯的效能评价系统包括存储器以及处理器，所述存储器中包括滤芯的效能评价方法程序，所述滤芯的效能评价方法程序被所述处理器执行时，实现如下步骤：
获取影响滤芯效能的指标数据信息，并引入图卷积神经网络，根据所述影响滤芯效能的指标数据信息以及图神经网络生成相关的邻接矩阵；
根据所述相关的邻接矩阵构建指标数据识别模型，并基于所述指标数据识别模型获取相关的指标识别结果；
根据所述相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息；
基于深度神经网络构建净化效能评价模型，根据所述净化效能评价模型预测下一预设时间之内的净化效能隶属度，并基于所述下一预设时间之内的净化效能隶属度生成相关的维护建议；
根据所述相关的指标识别结果获取净化前的水质数据信息以及净化后的水质数据信息，并计算出滤芯的净化效能信息，构建基于时间序列的滤芯的净化效能信息，具体包括：
判断所述相关的指标识别结果是否为正常的指标识别结果，若所述相关的指标识别结果为正常的指标识别结果，则获取净化前的水质数据信息以及净化后的水质数据信息；
根据所述净化前的水质数据信息以及净化后的水质数据信息计算出滤芯的净化效能信息，并获取若干个时间戳的滤芯的净化效能信息，基于所述若干个时间戳的滤芯的净化效能信息构建基于时间序列的滤芯的净化效能信息；
若所述相关的指标识别结果为异常的指标识别结果，则获取滤芯在若干时间戳中工作时的工作参数数据信息，并将所述滤芯在若干时间戳中工作时的工作参数数据信息与预设工作参数信息进行对比，得到偏差率；
当所述偏差率大于预设偏差率时，获取所述偏差率大于预设偏差率所对应的工作参数，并根据所述偏差率大于预设偏差率所对应的工作参数生成预警信息；
基于深度神经网络构建净化效能评价模型，根据所述净化效能评价模型预测下一预设时间之内的净化效能隶属度，具体包括：
设置若干净化效能隶属度范围数据信息，并根据所述净化效能隶属度范围数据信息对所述基于时间序列的滤芯的净化效能信息进行评价，生成基于时间序列的净化效能隶属度矩阵；
引入马尔科夫链，通过所述马尔科夫链对基于时间序列的净化效能隶属度矩阵中每个时间戳的净化效能隶属度进行状态转移概率计算，获取每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值；
根据所述每个时间戳的净化效能隶属度转移到下一净化效能隶属度的转移概率值构建转移概率值矩阵，并通过PCA算法对所述转移概率值矩阵进行降维处理，生成转移概率特征矩阵；
基于深度学习网络构建净化效能评价模型，并将所述转移概率特征矩阵输入到所述净化效能评价模型中进行编码学习，通过所述净化效能评价模型获取转移到下一净化效能隶属度的转移概率值；
当所述转移到下一净化效能隶属度的转移概率值大于预设概率值时，则获取当前时间戳的净化效能隶属度，并将当前时间戳的净化效能隶属度下一等级的净化效能隶属度作为下一预设时间之内的净化效能隶属度输出。
6.根据权利要求5所述的一种滤芯的效能评价系统，其特征在于，根据所述相关的邻接矩阵构建指标数据识别模型，并基于所述指标数据识别模型获取相关的指标识别结果，具体包括：
基于递归神经网络构建指标数据识别模型，并引入循环空间注意力机制，将所述相关的邻接矩阵输入到所述循环空间注意力机制中计算，获取第一特征图；
通过对所述第一特征图中每个指标特征进行SoftMax操作，得到具有空间注意的第二特征图，并对所述具有空间注意的第二特征图和相关的邻接矩阵进行内积运算，生成第三特征图；
将所述第三特征图输入到所述指标数据识别模型中，将所述第三特征图与隐含状态协同工作，通过更新隐含层的状态，输出指标数据识别模型，并获取预设时间之内滤芯的工作参数信息；
将所述预设时间之内滤芯的工作参数信息输入到所述指标数据识别模型中进行识别，获取相关的指标识别结果。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括滤芯的效能评价方法程序，所述滤芯的效能评价方法程序被处理器执行时，实现如权利要求1-4任一项所述的滤芯的效能评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311633840.7A CN117332261B (zh) | 2023-12-01 | 2023-12-01 | 一种滤芯的效能评价方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311633840.7A CN117332261B (zh) | 2023-12-01 | 2023-12-01 | 一种滤芯的效能评价方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332261A CN117332261A (zh) | 2024-01-02 |
| CN117332261B true CN117332261B (zh) | 2024-03-22 |
Family
ID=89283467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311633840.7A Active CN117332261B (zh) | 2023-12-01 | 2023-12-01 | 一种滤芯的效能评价方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332261B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117740758B (zh) * | 2024-02-20 | 2024-04-19 | 深圳市伟昊净化设备有限公司 | 一种液体过滤过程中液体品质的探测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
| CN115346619A (zh) * | 2022-08-19 | 2022-11-15 | 杭州电子科技大学 | 一种基于图神经网络的高分子海水淡化膜的设计方法 |
| CN115456044A (zh) * | 2022-08-22 | 2022-12-09 | 浙江工业大学 | 一种基于知识图谱多集池化的装备健康状态评估方法 |
| WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技（深圳）有限公司 | 风险预测方法、装置、设备及存储介质 |
| CN116153437A (zh) * | 2023-04-19 | 2023-05-23 | 乐百氏(广东)饮用水有限公司 | 一种饮用水源的水质安全评价与水质预测方法及系统 |
| CN116882303A (zh) * | 2023-09-06 | 2023-10-13 | 深圳市联明电源有限公司 | 一种激光电源的寿命预测方法、系统及存储介质 |
-
2023
- 2023-12-01 CN CN202311633840.7A patent/CN117332261B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
| WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技（深圳）有限公司 | 风险预测方法、装置、设备及存储介质 |
| CN115346619A (zh) * | 2022-08-19 | 2022-11-15 | 杭州电子科技大学 | 一种基于图神经网络的高分子海水淡化膜的设计方法 |
| CN115456044A (zh) * | 2022-08-22 | 2022-12-09 | 浙江工业大学 | 一种基于知识图谱多集池化的装备健康状态评估方法 |
| CN116153437A (zh) * | 2023-04-19 | 2023-05-23 | 乐百氏(广东)饮用水有限公司 | 一种饮用水源的水质安全评价与水质预测方法及系统 |
| CN116882303A (zh) * | 2023-09-06 | 2023-10-13 | 深圳市联明电源有限公司 | 一种激光电源的寿命预测方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332261A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117332261B (zh) | 一种滤芯的效能评价方法、系统及存储介质 | |
| CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及系统 | |
| CN116168771B (zh) | 一种基于物联网的河流中全氟化合物污染监测方法及系统 | |
| CN113869052B (zh) | 基于ai的房屋地址匹配方法、存储介质及设备 | |
| CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
| Suman et al. | Detection and prediction of HMS from drinking water by analysing the adsorbents from residuals using deep learning | |
| CN116882303B (zh) | 一种激光电源的寿命预测方法、系统及存储介质 | |
| CN114118507A (zh) | 一种基于多维信息融合的风险评估预警方法和装置 | |
| CN116862081A (zh) | 一种污染治理设备运维方法及系统 | |
| CN116340586A (zh) | 基于云平台的汽车故障管理方法、系统及存储介质 | |
| Nanda et al. | Multi-layer perceptron's neural network with optimization algorithm for greenhouse gas forecasting systems | |
| CN116702059B (zh) | 一种基于物联网的智能生产车间管理系统 | |
| Khoshgoftaar et al. | Assessment of a new three-group software quality classification technique: An empirical case study | |
| CN117092908A (zh) | 基于遗传算法的废水处理设备智能控制方法及系统 | |
| CN115964470A (zh) | 一种摩托车配件的寿命预测方法及系统 | |
| CN115810409A (zh) | VOCs污染物分析方法及其装置、电子设备、存储介质 | |
| Vlachos et al. | Fast burst correlation of financial data | |
| CN113986673A (zh) | 一种故障关联方法、装置及计算机可读存储介质 | |
| CN112287084A (zh) | 一种基于集成学习的问答方法及系统 | |
| CN117172991B (zh) | 基于场地污染特征的微生物修复方案推荐方法及系统 | |
| CN117171675B (zh) | 基于多源数据的水环境微生物检测方法、系统及介质 | |
| CN114257490B (zh) | 无线网络性能告警分析方法及装置 | |
| CN117557970B (zh) | 基于数字孪生的智能建筑管理方法、系统及存储介质 | |
| CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及系统 | |
| Suman et al. | Research Article Detection and Prediction of HMS from Drinking Water by Analysing the Adsorbents from Residuals Using Deep Learning |
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 |