CN117688311B - 一种难降解含盐废水深度处理实时监测方法及系统 - Google Patents
一种难降解含盐废水深度处理实时监测方法及系统 Download PDFInfo
- Publication number
- CN117688311B CN117688311B CN202410155778.3A CN202410155778A CN117688311B CN 117688311 B CN117688311 B CN 117688311B CN 202410155778 A CN202410155778 A CN 202410155778A CN 117688311 B CN117688311 B CN 117688311B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- data segment
- preset
- dimension
- monitoring
- 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 391
- 150000003839 salts Chemical class 0.000 title claims abstract description 56
- 239000002351 wastewater Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000004065 wastewater treatment Methods 0.000 claims abstract description 10
- 238000012098 association analyses Methods 0.000 claims abstract description 4
- 230000000875 corresponding effect Effects 0.000 claims description 177
- 230000006870 function Effects 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000005342 ion exchange Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种难降解含盐废水深度处理实时监测方法及系统,该方法包括:获取待监测难降解含盐废水在当前时刻时每个预设维度下的监测数据序列,并对每个监测数据进行分解;确定每个预设维度下的周期时长;对每个监测数据序列进行分段;确定每个监测数据段对应的目标噪声因子;对每两个预设维度下的所有监测数据段进行波动关联分析处理;确定每个监测数据段对应的异常噪声指标;根据每个监测数据段对应的目标窗口大小,通过SG滤波算法,对每个监测数据段进行去噪;根据去噪后的监测数据段进行废水处理监测。本发明通过对监测数据序列进行数据去噪处理,提高了对难降解含盐废水进行处理监测的准确度。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种难降解含盐废水深度处理实时监测方法及系统。
背景技术
对难降解含盐废水进行处理监测时,通常采用的方式为:通过采集的与难降解含盐废水处理相关的监测数据,对难降解含盐废水进行处理监测。由于环境等因素的影响,通过传感器采集的监测数据往往受到一定程度的噪声影响,使采集的监测数据可能不能表征难降解含盐废水处理的真实情况,因此,对采集的监测数据进行去噪处理至关重要。目前,对数据进行去噪时,通常采用的方法为:根据预设窗口大小,通过SG滤波,对数据进行去噪。
然而,当根据预设窗口大小,通过SG滤波,对监测数据进行去噪时,经常会存在如下技术问题:
由于预设窗口大小往往是通过人工经验设置的窗口大小,所以参与SG滤波的窗口大小的设置往往受到人为主观因素的影响,从而导致参与SG滤波的窗口大小设置的准确度较差,进而导致对监测数据进行去噪的准确度较差,从而导致对难降解含盐废水进行处理监测的准确度较差。
发明内容
为了解决由于对监测数据进行去噪的准确度较差而导致的对难降解含盐废水进行处理监测的准确度较差的技术问题,本发明提出了一种难降解含盐废水深度处理实时监测方法及系统。
第一方面,本发明提供了一种难降解含盐废水深度处理实时监测方法,该方法包括:
获取待监测难降解含盐废水在当前时刻时每个预设维度下的监测数据序列,并对每个监测数据序列中的每个监测数据进行分解,得到每个监测数据在预设数量个分量维度下的分量数据;
根据每个预设维度下的所有监测数据在同一个分量维度下的分量数据中极值之间的时间跨度,确定每个预设维度下的周期时长;
根据每个预设维度下的周期时长,对每个预设维度下的监测数据序列进行分段,得到每个预设维度下的监测数据段;
根据每个监测数据段中的所有极值和所有相邻极值之间的时间跨度,以及每个监测数据段中所有监测数据在预设数量个分量维度下的分量数据,确定每个监测数据段对应的目标噪声因子;
对每两个预设维度下的所有监测数据段进行波动关联分析处理,得到每两个预设维度之间的目标关联因子;
根据每个监测数据段所属预设维度与所有其他预设维度之间的目标关联因子,以及所有预设维度下的监测数据段对应的目标噪声因子,确定每个监测数据段对应的异常噪声指标;
根据每个监测数据段对应的异常噪声指标和预设窗口大小,确定每个监测数据段对应的目标窗口大小,并根据每个监测数据段对应的目标窗口大小,通过SG滤波算法,对每个监测数据段进行去噪;
根据去噪后的监测数据段进行废水处理监测。
可选地,所述对每个监测数据序列中的每个监测数据进行分解,得到每个监测数据在预设数量个分量维度下的分量数据,包括:
通过EMD算法,对每个监测数据序列中的每个监测数据进行分解,得到每个监测数据在预设数量个分量维度下的分量数据,其中,分量数据是IMF分量。
可选地,所述根据每个预设维度下的所有监测数据在同一个分量维度下的分量数据中极值之间的时间跨度,确定每个预设维度下的周期时长,包括:
将任意一个预设维度确定为标记维度,将任意一个分量维度确定为标记分量维度;
将所述标记维度下的所有监测数据在所述标记分量维度下的分量数据中任意一个相邻极值之间的时间跨度的两倍,确定为所述标记维度在所述标记分量维度下的目标代表时长,其中,相邻极值之间的时间跨度是相邻极值对应的采集时刻之间的时长;
将所述标记维度在所有分量维度下的目标代表时长的最小公倍数,确定为所述标记维度下的周期时长。
可选地,所述根据每个监测数据段中的所有极值和所有相邻极值之间的时间跨度,以及每个监测数据段中所有监测数据在预设数量个分量维度下的分量数据,确定每个监测数据段对应的目标噪声因子,包括:
根据每个监测数据段中的所有极值和所有相邻极值之间的时间跨度,确定每个监测数据段对应的离群代表因子;
将任意一个预设维度确定为标记维度,将所述标记维度下的任意一个监测数据段确定为标记数据段;
将所述标记维度下除了所述标记数据段之外的每个监测数据段,确定为参考数据段,得到所述标记数据段对应的参考数据段集合;
根据所述标记数据段对应的离群代表因子和其对应的参考数据段集合中所有参考数据段对应的离群代表因子,以及所述标记数据段和其对应的参考数据段集合中所有参考数据段中所有监测数据在预设数量个分量维度下的分量数据,确定所述标记数据段对应的目标噪声因子。
可选地,监测数据段对应的目标噪声因子对应的公式为:
;
;
;
;;其中,是第i个预设维度下的第m个监测数据段对应的目标噪声因子;i是预设维度的序号;m是预设维度下的监测数据段的序号;是归一化函数;是第i个预设维度下的第m个监测数据段对应的离群代表因子;是第i个预设维度下的第m个监测数据段对应的初始噪声因子;是第i个预设维度下的第m个监测数据段对应的参考数据段集合中参考数据段的数量;b是第i个预设维度下的第m个监测数据段对应的参考数据段集合中参考数据段的序号;N是预设数量;c是分量维度的序号;是取绝对值函数;是第i个预设维度下的第m个监测数据段中所有监测数据在第c个分量维度下的分量数据的标准差;是第i个预设维度下的第m个监测数据段中所有监测数据在预设数量个分量维度下的分量数据的标准差的累加值;是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段中所有监测数据在第c个分量维度下的分量数据的标准差;是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段中所有监测数据在预设数量个分量维度下的分量数据的标准差的累加值;是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段对应的离群代表因子;是第i个预设维度下的第m个监测数据段中极值的数量;j是第i个预设维度下的第m个监测数据段中极值的序号;是第i个预设维度下的第m个监测数据段中第j个极值;是第i个预设维度下的第m个监测数据段中所有极值的均值;是第i个预设维度下的第m个监测数据段中,第j个极值与其相邻的两个极值之间的时间跨度的均值。
可选地,所述对每两个预设维度下的所有监测数据段进行波动关联分析处理,得到每两个预设维度之间的目标关联因子,包括:
将任意一个预设维度确定为标记维度,将所述标记维度下的任意一个监测数据段确定为标记数据段;
通过主成分分析,确定所述标记数据段对应的主成分直线,并将所述标记数据段中的每个监测数据与其对应在该主成分直线上的函数值的差值,确定为每个监测数据对应的参考值,得到所述标记数据段对应的参考值段;
根据每两个预设维度下的所有监测数据段对应的参考值段,确定每两个预设维度之间的目标关联因子。
可选地,两个预设维度之间的目标关联因子对应的公式为:
;
;其中,是第i个预设维度与第个预设维度之间的目标关联因子;i和是预设维度的序号,并且;M是预设维度下的监测数据段的数量;m是预设维度下的监测数据段的序号;是第i个预设维度下第m个监测数据段与第个预设维度下第m个监测数据段之间的初始关联因子;是以自然常数为底的指数函数;是取绝对值函数;是第i个预设维度下第m个监测数据段对应的主成分直线的斜率;是第个预设维度下第m个监测数据段对应的主成分直线的斜率;是归一化函数;是第i个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差;是第个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差。
可选地,监测数据段对应的异常噪声指标对应的公式为:
;
;其中,是第i个预设维度下的第m个监测数据段对应的异常噪声指标;i和是预设维度的序号,并且;m是预设维度下的监测数据段的序号;是第i个预设维度下的第m个监测数据段对应的目标噪声因子;G是预设维度的数量;是第个预设维度下的第m个监测数据段对应的目标噪声因子;是第i个预设维度与第个预设维度之间的目标关联因子;表征第i个预设维度下的第m个监测数据段与第个预设维度下的第m个监测数据段之间的差异;是归一化函数;是取绝对值函数;是第i个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差;是第个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差。
可选地,所述根据每个监测数据段对应的异常噪声指标和预设窗口大小,确定每个监测数据段对应的目标窗口大小,包括:
对每个监测数据段对应的异常噪声指标进行线性归一化,得到每个监测数据段对应的标准噪声指标;
根据每个监测数据段对应的标准噪声指标和预设窗口大小,确定每个监测数据段对应的目标窗口大小,其中,标准噪声指标和预设窗口大小均与目标窗口大小呈正相关。
第二方面,本发明提供了一种难降解含盐废水深度处理实时监测系统,包括处理器和存储器,上述处理器用于处理存储在上述存储器中的指令以实现上述的一种难降解含盐废水深度处理实时监测方法。
本发明具有如下有益效果:
本发明的一种难降解含盐废水深度处理实时监测方法,通过对监测数据序列进行数据处理,实现了对待监测难降解含盐废水的处理监测,解决了由于对监测数据进行去噪的准确度较差而导致的对难降解含盐废水进行处理监测的准确度较差的技术问题,提高了对监测数据进行去噪和对难降解含盐废水进行处理监测的准确度。首先,由于监测数据在预设数量个分量维度下的分量数据可以在不同方面表征该监测数据的特征,因此,确定每个监测数据在预设数量个分量维度下的分量数据,可以表征后续分析监测数据受到噪声影响的程度。接着,基于每个预设维度下的所有监测数据在同一个分量维度下的分量数据中极值之间的时间跨度,量化的每个预设维度下的周期时长可以表征该预设维度下的监测数据序列对应的分割步长。然后,对每个预设维度下的监测数据序列进行分段,可以便于后续精确地分析每个监测数据段受到的噪声影响。继续,量化的监测数据段对应的目标噪声因子越大,往往说明监测数据段受到的噪声影响越大。再者,量化的两个预设维度之间的目标关联因子越大,往往说明这两个预设维度之间越相关。之后,综合考虑每个监测数据段所属预设维度与所有其他预设维度之间的目标关联因子,以及所有预设维度下的监测数据段对应的目标噪声因子,可以提高每个监测数据段对应的异常噪声指标确定的准确度,并且确定的监测数据段对应的异常噪声指标越大,往往说明监测数据段受到的噪声影响越大,往往需要较大的滤波窗口。而后,基于每个监测数据段对应的异常噪声指标,对预设窗口大小进行修正,得到的每个监测数据段对应的目标窗口大小往往是该监测数据段进行SG滤波所需要的窗口大小,从而可以更加精确地对该监测数据段进行去噪。因此,根据每个监测数据段对应的目标窗口大小,通过SG滤波算法,对每个监测数据段进行去噪,得到的去噪后的监测数据段中的监测数据往往是可以表征待监测难降解含盐废水处理过程真实情况的数据。最后,根据去噪后的监测数据段进行废水处理监测,可以提高对待监测难降解含盐废水进行处理监测的准确度。
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为本发明的一种难降解含盐废水深度处理实时监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
参考图1,示出了本发明的一种难降解含盐废水深度处理实时监测方法的一些实施例的流程。该难降解含盐废水深度处理实时监测方法,包括以下步骤:
步骤S1,获取待监测难降解含盐废水在当前时刻时每个预设维度下的监测数据序列,并对每个监测数据序列中的每个监测数据进行分解,得到每个监测数据在预设数量个分量维度下的分量数据。
其中,待监测难降解含盐废水可以是待进行处理监测的难降解含盐废水。难降解含盐废水通常是指废水中含有高浓度的盐分,使得传统的废水处理方法对其降解处理具有一定的困难。处理难降解含盐废水时通常需要特殊的工艺和技术,比如,膜分离技术、离子交换、蒸发结晶、生物处理、电化学处理和高级氧化技术等。当前时刻,又称当前时间。预设维度可以是预先设置的与难降解含盐废水处理监测相关的维度。例如,预设维度可以是但不限于:真空度维度、进液流量维度和蒸汽温度维度。监测数据序列可以是时序序列。监测数据序列对应的时间段可以是预设时间段。预设时间段可以是预先设置的,以当前时刻为结束时间,位于待监测难降解含盐废水处理过程中的时间段。例如,预设时间段对应的时长可以为10分钟。监测数据序列中的监测数据可以是归一化后的预设维度值。例如,若某个预设维度是真空度维度,则该预设维度下的监测数据序列中的监测数据可以为归一化后的真空度。预设数量可以是预先设置的数量。
需要说明的是,由于监测数据在预设数量个分量维度下的分量数据可以在不同方面表征该监测数据的特征,因此,确定每个监测数据在预设数量个分量维度下的分量数据,可以表征后续分析监测数据受到噪声影响的程度。
作为示例,本步骤可以包括以下步骤:
第一步,获取待监测难降解含盐废水在当前时刻时每个预设维度下的监测数据序列。
例如,预设维度以真空度维度为例,在待监测难降解含盐废水处理过程中,可以通过真空度传感器,采集预设时间段内每个时刻的真空度,对采集的真空度进行归一化,并将归一化后的真空度作为真空度维度下的监测数据,按照采集时刻从早到晚的时间顺序,对真空度维度下的所有监测数据进行排序,得到真空度维度下的监测数据序列。需要说明的是,预设时间段越小,监测数据序列越能够表征待监测难降解含盐废水在当前时刻下的处理情况。
第二步,通过EMD(Empirical Mode Decomposition,信号分解)算法,对每个监测数据序列中的每个监测数据进行分解,可以将每个监测数据分解为预设数量个IMF(Intrinsic Mode Function,局部特征的本征模态函数)分量,由于这预设数量个IMF分量可以代表预设数量种IMF分量,所以每种IMF分量可以是每种分量维度下的分量数据,由此可以得到每个监测数据在预设数量个分量维度下的分量数据,此时,分量数据即为IMF分量。
例如,若将监测数据分解为3个IMF分量,这3个IMF分量分别为第一IMF分量、第二IMF分量和第三IMF分量,则可以将第一IMF分量作为该监测数据在第一个分量维度下的分量数据,将第二IMF分量作为该监测数据在第二个分量维度下的分量数据,并将第三IMF分量作为该监测数据在第三个分量维度下的分量数据。
步骤S2,根据每个预设维度下的所有监测数据在同一个分量维度下的分量数据中极值之间的时间跨度,确定每个预设维度下的周期时长。
其中,同一个分量维度下的分量数据可以表征同一个类型下的分量数据。例如,预设维度下的所有监测数据的第一个IMF分量,即为该预设维度下的所有监测数据在同一个分量维度下的分量数据。预设维度下的所有监测数据在同一个分量维度下的分量数据中极值的获取方法可以为:以采集时刻为横坐标,以该预设维度下的监测数据在同一个分量维度下的分量数据为纵坐标,作的曲线中的极值。
需要说明的是,基于每个预设维度下的所有监测数据在同一个分量维度下的分量数据中极值之间的时间跨度,量化的每个预设维度下的周期时长可以表征该预设维度下的监测数据序列对应的分割步长。
作为示例,本步骤可以包括以下步骤:
第一步,将任意一个预设维度确定为标记维度,将任意一个分量维度确定为标记分量维度。
第二步,将上述标记维度下的所有监测数据在上述标记分量维度下的分量数据中任意一个相邻极值之间的时间跨度的两倍,确定为上述标记维度在上述标记分量维度下的目标代表时长。
其中,相邻极值之间的时间跨度是相邻极值对应的采集时刻之间的时长。
第三步,将上述标记维度在所有分量维度下的目标代表时长的最小公倍数,确定为上述标记维度下的周期时长。
步骤S3,根据每个预设维度下的周期时长,对每个预设维度下的监测数据序列进行分段,得到每个预设维度下的监测数据段。
需要说明的是,对每个预设维度下的监测数据序列进行分段,可以便于后续精确地分析每个监测数据段受到的噪声影响。
作为示例,可以以每个预设维度下的周期时长为分割步长,以每个预设维度下的监测数据序列中的第一个监测数据为起点,对每个预设维度下的监测数据序列进行分段,并将得到的每个分段作为监测数据段,从而得到每个预设维度下的监测数据段。例如,若某个预设维度下的周期时长为2分钟,该预设维度下的监测数据序列对应的时长为4分钟,则可以将该预设维度下的监测数据序列中前2分钟采集的监测数据构成的分段,作为该预设维度下的一个监测数据段;并将该预设维度下的监测数据序列中后2分钟采集的监测数据构成的分段,作为该预设维度下的另一个监测数据段,可以得到该预设维度下的两个监测数据段。
步骤S4,根据每个监测数据段中的所有极值和所有相邻极值之间的时间跨度,以及每个监测数据段中所有监测数据在预设数量个分量维度下的分量数据,确定每个监测数据段对应的目标噪声因子。
需要说明的是,综合考虑监测数据段中的所有极值和所有相邻极值之间的时间跨度,以及监测数据段中所有监测数据在预设数量个分量维度下的分量数据,量化的监测数据段对应的目标噪声因子越大,往往说明监测数据段受到的噪声影响越大。
作为示例,本步骤可以包括以下步骤:
第一步,根据每个监测数据段中的所有极值和所有相邻极值之间的时间跨度,确定每个监测数据段对应的离群代表因子。
第二步,将任意一个预设维度确定为标记维度,将上述标记维度下的任意一个监测数据段确定为标记数据段。
第三步,将上述标记维度下除了上述标记数据段之外的每个监测数据段,确定为参考数据段,得到上述标记数据段对应的参考数据段集合。
其中,标记数据段对应的参考数据段集合可以包括:标记维度下除了标记数据段之外的所有监测数据段。例如,标记维度下第一个监测数据段对应的参考数据段集合可以包括:标记维度下除了第一个监测数据段之外的所有监测数据段。
第四步,根据上述标记数据段对应的离群代表因子和其对应的参考数据段集合中所有参考数据段对应的离群代表因子,以及上述标记数据段和其对应的参考数据段集合中所有参考数据段中所有监测数据在预设数量个分量维度下的分量数据,确定上述标记数据段对应的目标噪声因子。
例如,确定监测数据段对应的目标噪声因子对应的公式可以为:
;
;
;
;;其中,是第i个预设维度下的第m个监测数据段对应的目标噪声因子。i是预设维度的序号。m是预设维度下的监测数据段的序号,其中,m是预设维度下的监测数据段按照时间顺序进行排列得到的序号。是归一化函数。是第i个预设维度下的第m个监测数据段对应的离群代表因子。是第i个预设维度下的第m个监测数据段对应的初始噪声因子。是第i个预设维度下的第m个监测数据段对应的参考数据段集合中参考数据段的数量,也就是预设维度下监测数据段的数量减一。b是第i个预设维度下的第m个监测数据段对应的参考数据段集合中参考数据段的序号。N是预设数量。c是分量维度的序号。是取绝对值函数。是第i个预设维度下的第m个监测数据段中所有监测数据在第c个分量维度下的分量数据的标准差。是第i个预设维度下的第m个监测数据段中所有监测数据在预设数量个分量维度下的分量数据的标准差的累加值。是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段中所有监测数据在第c个分量维度下的分量数据的标准差。是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段中所有监测数据在预设数量个分量维度下的分量数据的标准差的累加值。是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段对应的离群代表因子。是第i个预设维度下的第m个监测数据段中极值的数量。j是第i个预设维度下的第m个监测数据段中极值的序号,其中,j是第i个预设维度下的第m个监测数据段中极值按照时间顺序进行排列得到的序号。是第i个预设维度下的第m个监测数据段中第j个极值。是第i个预设维度下的第m个监测数据段中所有极值的均值。是第i个预设维度下的第m个监测数据段中,第j个极值与其相邻的两个极值之间的时间跨度的均值。
需要说明的是,可以作为的权重。当越小时,往往说明第i个预设维度下的第m个监测数据段中,第j个极值与其相邻的两个极值之间的时间跨度相对越小。当越接近于0时,往往说明第i个预设维度下的第m个监测数据段中的第j个极值越接近该监测数据段的平均极值。一般来说,在难降解含盐废水处理过程中,真实的监测数据往往是稳定变化的。当越大时,往往说明第i个预设维度下的第m个监测数据段中的第j个极值越偏离该监测数据段的平均极值,并且第j个极值与其相邻的两个极值之间的时间跨度相对越小,往往说明第i个预设维度下的第m个监测数据段中的第j个极值越可能存在噪声异常。当越大时,往往说明第i个预设维度下的第m个监测数据段中的极值分布越可能存在异常,往往说明第i个预设维度下的第m个监测数据段受到的噪声影响往往越大。可以作为的权重。当越小时,往往说明第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段受到的噪声影响相对越小,往往说明第b个参考数据段越能够表征真实的废水处理情况。当越大时,往往说明第m个监测数据段和第b个参考数据段在第c个分量维度下分量数据的分布越不相近。当越大时,往往说明第m个监测数据段和第b个参考数据段在第c个分量维度下分量数据的分布越不相近,并且第b个参考数据段越能够表征真实的废水处理情况;往往说明第m个监测数据段越难以表示真实的废水处理情况,往往说明第m个监测数据段越可能受到了噪声的影响。所以,当越大时,往往说明第m个监测数据段越可能受到了噪声的影响。因此,当越大时,往往说明第m个监测数据段受到的噪声影响越大。
步骤S5,对每两个预设维度下的所有监测数据段进行波动关联分析处理,得到每两个预设维度之间的目标关联因子。
需要说明的是,对任意两个预设维度下的所有监测数据段进行波动关联分析处理,量化的这两个预设维度之间的目标关联因子越大,往往说明这两个预设维度之间越相关。
作为示例,本步骤可以包括以下步骤:
第一步,将任意一个预设维度确定为标记维度,将上述标记维度下的任意一个监测数据段确定为标记数据段。
第二步,通过主成分分析,确定上述标记数据段对应的主成分直线,并将上述标记数据段中的每个监测数据与其对应在该主成分直线上的函数值的差值,确定为每个监测数据对应的参考值,得到上述标记数据段对应的参考值段。
其中,主成分直线可以是以主成分方向为直线方向的直线。标记数据段对应的参考值段可以包括:标记数据段中所有监测数据对应的参考值。
可选地,每个监测数据对应的参考值的获取方法还可以为:以采集时刻为横坐标,以标记数据段中的监测数据为纵坐标,作标记数据段的拟合直线,得到标记数据段中的每个监测数据的拟合值,将每个监测数据与其拟合值的差值,作为每个监测数据对应的参考值。
第三步,根据每两个预设维度下的所有监测数据段对应的参考值段,确定每两个预设维度之间的目标关联因子。
例如,两个预设维度之间的目标关联因子对应的公式可以为:
;
;其中,是第i个预设维度与第个预设维度之间的目标关联因子。i和是预设维度的序号,并且。M是预设维度下的监测数据段的数量,由于监测数据的周期性特征,不同预设维度下的监测数据段的数量往往相等。m是预设维度下的监测数据段的序号,其中,m是预设维度下的监测数据段按照时间顺序进行排列得到的序号。是第i个预设维度下第m个监测数据段与第个预设维度下第m个监测数据段之间的初始关联因子。是以自然常数为底的指数函数。是取绝对值函数。是第i个预设维度下第m个监测数据段对应的主成分直线的斜率。是第个预设维度下第m个监测数据段对应的主成分直线的斜率。是归一化函数。是第i个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差。是第个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差。
需要说明的是,在难降解含盐废水的处理过程中,由于用于处理的模块之间往往是连通的,所以不同预设维度下的监测数据往往存在一定的关联性,比如,真空度的变化往往影响着进液情况,进一步影响后续的蒸汽量以及浓缩液的产量等。当越小时,往往说明第i个预设维度和第个预设维度下第m个监测数据段中的数据分布情况越相近,往往说明第i个预设维度和第个预设维度可能越相关。当越小时,往往说明第i个预设维度和第个预设维度下第m个监测数据段中的数据变化趋势越相近,往往说明第i个预设维度和第个预设维度可能越相关。因此,当越大时,往往说明第i个预设维度和第个预设维度可能越相关。
步骤S6,根据每个监测数据段所属预设维度与所有其他预设维度之间的目标关联因子,以及所有预设维度下的监测数据段对应的目标噪声因子,确定每个监测数据段对应的异常噪声指标。
其中,监测数据段是该监测数据段所属预设维度下的监测数据段。例如,若某个监测数据段是真空度维度下的监测数据段,则该监测数据段所属预设维度即为真空度维度。
需要说明的是,综合考虑每个监测数据段所属预设维度与所有其他预设维度之间的目标关联因子,以及所有预设维度下的监测数据段对应的目标噪声因子,可以提高每个监测数据段对应的异常噪声指标确定的准确度,并且确定的监测数据段对应的异常噪声指标越大,往往说明监测数据段受到的噪声影响越大,往往需要较大的滤波窗口。
作为示例,确定监测数据段对应的异常噪声指标对应的公式可以为:
;
;其中,是第i个预设维度下的第m个监测数据段对应的异常噪声指标。i和是预设维度的序号,并且。m是预设维度下的监测数据段的序号,m是预设维度下的监测数据段按照时间顺序进行排列得到的序号。是第i个预设维度下的第m个监测数据段对应的目标噪声因子。G是预设维度的数量。是第个预设维度下的第m个监测数据段对应的目标噪声因子。是第i个预设维度与第个预设维度之间的目标关联因子。表征第i个预设维度下的第m个监测数据段与第个预设维度下的第m个监测数据段之间的差异。是归一化函数。是取绝对值函数。是第i个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差。是第个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差。
需要说明的是,当越大时,往往说明第i个预设维度和第个预设维度可能越相关。可以作为和的权重。当越小时,往往说明第i个预设维度和第个预设维度下第m个监测数据段中的数据分布情况越相近。当越接近于0时,往往说明第i个预设维度和第个预设维度下第m个监测数据段对应的噪声特征越相近。当越大时,往往说明第i个预设维度下的第m个监测数据段与较多相关的监测数据段之间特征的存在较大差异,往往说明第i个预设维度下的第m个监测数据段受到的噪声影响程度相对越大。因此,当越大时,往往说明第i个预设维度下的第m个监测数据段受到的噪声影响程度相对越大,往往说明对第i个预设维度下的第m个监测数据段进行SG滤波时需要的窗口大小越大。
步骤S7,根据每个监测数据段对应的异常噪声指标和预设窗口大小,确定每个监测数据段对应的目标窗口大小,并根据每个监测数据段对应的目标窗口大小,通过SG滤波算法,对每个监测数据段进行去噪。
其中,预设窗口大小可以是预先设置的窗口大小。例如,预设窗口大小可以是20。
需要说明的是,基于每个监测数据段对应的异常噪声指标,对预设窗口大小进行修正,得到的每个监测数据段对应的目标窗口大小往往是该监测数据段进行SG滤波所需要的窗口大小,从而可以更加精确地对该监测数据段进行去噪。因此,根据每个监测数据段对应的目标窗口大小,通过SG滤波算法,对每个监测数据段进行去噪,得到的去噪后的监测数据段中的监测数据往往是可以表征待监测难降解含盐废水处理过程真实情况的数据。
作为示例,本步骤可以包括以下步骤:
第一步,对每个监测数据段对应的异常噪声指标进行线性归一化,得到每个监测数据段对应的标准噪声指标。
第二步,根据每个监测数据段对应的标准噪声指标和预设窗口大小,确定每个监测数据段对应的目标窗口大小。
其中,标准噪声指标和预设窗口大小均可以与目标窗口大小呈正相关。
例如,确定监测数据段对应的目标窗口大小对应的公式可以为:
;其中,是第i个预设维度下的第m个监测数据段对应的目标窗口大小。i是预设维度的序号。m是预设维度下的监测数据段的序号。是向上取整。L是预设窗口大小。是第i个预设维度下的第m个监测数据段对应的标准噪声指标。
需要说明的是,当越大时,往往说明第i个预设维度下的第m个监测数据段受到的噪声影响程度相对越大,往往说明对第i个预设维度下的第m个监测数据段进行SG滤波时需要的窗口大小越大。因此,可以表征第i个预设维度下的第m个监测数据段进行SG滤波时需要的窗口大小。
第三步,根据每个监测数据段对应的目标窗口大小,通过SG(Savitzky-Golay,信号平滑)滤波算法,对每个监测数据段进行去噪。
步骤S8,根据去噪后的监测数据段进行废水处理监测。
需要说明的是,基于去噪后的监测数据段进行废水处理监测,可以提高对待监测难降解含盐废水进行处理监测的准确度。
作为示例,可以通过LOF(Local Outlier Factor,异常检测)算法,对所有去噪后的监测数据段进行异常检测,若检测结果中存在异常,则可以发送异常提示信息,以提醒工作人员对待监测难降解含盐废水的处理进行异常检查。其中,异常提示信息可以为“待监测难降解含盐废水在当前时刻可能存在处理异常,即在当前时刻,待监测难降解含盐废水的部分处理步骤可能发生了异常,可能需要进行参数调节,建议检查”。
基于与上述方法实施例相同的发明构思,本发明提供了一种难降解含盐废水深度处理实时监测系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,上述计算机程序被处理器执行时实现一种难降解含盐废水深度处理实时监测方法的步骤。
综上,综合考虑每个监测数据段所属预设维度与所有其他预设维度之间的目标关联因子,以及所有预设维度下的监测数据段对应的目标噪声因子,量化的每个监测数据段对应的异常噪声指标可以表征监测数据段受到的噪声影响程度,因此,基于每个监测数据段对应的异常噪声指标,对预设窗口大小进行修正,得到的每个监测数据段对应的目标窗口大小往往是该监测数据段进行SG滤波所需要的窗口大小,从而可以更加提高对该监测数据段进行去噪的准确度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种难降解含盐废水深度处理实时监测方法,其特征在于,包括以下步骤:
获取待监测难降解含盐废水在当前时刻时每个预设维度下的监测数据序列,并对每个监测数据序列中的每个监测数据进行分解,得到每个监测数据在预设数量个分量维度下的分量数据,其中,监测数据序列对应的时间段是预设时间段;预设时间段是预先设置的,以当前时刻为结束时间,位于待监测难降解含盐废水处理过程中的时间段;
根据每个预设维度下的所有监测数据在同一个分量维度下的分量数据中极值之间的时间跨度,确定每个预设维度下的周期时长;
根据每个预设维度下的周期时长,对每个预设维度下的监测数据序列进行分段,得到每个预设维度下的监测数据段;
根据每个监测数据段中的所有极值和所有相邻极值之间的时间跨度,以及每个监测数据段中所有监测数据在预设数量个分量维度下的分量数据,确定每个监测数据段对应的目标噪声因子;
对每两个预设维度下的所有监测数据段进行波动关联分析处理,得到每两个预设维度之间的目标关联因子;
根据每个监测数据段所属预设维度与所有其他预设维度之间的目标关联因子,以及所有预设维度下的监测数据段对应的目标噪声因子,确定每个监测数据段对应的异常噪声指标;
根据每个监测数据段对应的异常噪声指标和预设窗口大小,确定每个监测数据段对应的目标窗口大小,并根据每个监测数据段对应的目标窗口大小,通过SG滤波算法,对每个监测数据段进行去噪;
根据去噪后的监测数据段进行废水处理监测;
所述根据每个监测数据段中的所有极值和所有相邻极值之间的时间跨度,以及每个监测数据段中所有监测数据在预设数量个分量维度下的分量数据,确定每个监测数据段对应的目标噪声因子,包括:
根据每个监测数据段中的所有极值和所有相邻极值之间的时间跨度,确定每个监测数据段对应的离群代表因子;
将任意一个预设维度确定为标记维度,将所述标记维度下的任意一个监测数据段确定为标记数据段;
将所述标记维度下除了所述标记数据段之外的每个监测数据段,确定为参考数据段,得到所述标记数据段对应的参考数据段集合;
根据所述标记数据段对应的离群代表因子和其对应的参考数据段集合中所有参考数据段对应的离群代表因子,以及所述标记数据段和其对应的参考数据段集合中所有参考数据段中所有监测数据在预设数量个分量维度下的分量数据,确定所述标记数据段对应的目标噪声因子;
监测数据段对应的目标噪声因子对应的公式为:
;
;
;
;;其中,是第i个预设维度下的第m个监测数据段对应的目标噪声因子;i是预设维度的序号;m是预设维度下的监测数据段的序号;是归一化函数;是第i个预设维度下的第m个监测数据段对应的离群代表因子;是第i个预设维度下的第m个监测数据段对应的初始噪声因子;是第i个预设维度下的第m个监测数据段对应的参考数据段集合中参考数据段的数量;b是第i个预设维度下的第m个监测数据段对应的参考数据段集合中参考数据段的序号;N是预设数量;c是分量维度的序号;是取绝对值函数;是第i个预设维度下的第m个监测数据段中所有监测数据在第c个分量维度下的分量数据的标准差;是第i个预设维度下的第m个监测数据段中所有监测数据在预设数量个分量维度下的分量数据的标准差的累加值;是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段中所有监测数据在第c个分量维度下的分量数据的标准差;是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段中所有监测数据在预设数量个分量维度下的分量数据的标准差的累加值;是第i个预设维度下的第m个监测数据段对应的参考数据段集合中,第b个参考数据段对应的离群代表因子;是第i个预设维度下的第m个监测数据段中极值的数量;j是第i个预设维度下的第m个监测数据段中极值的序号;是第i个预设维度下的第m个监测数据段中第j个极值;是第i个预设维度下的第m个监测数据段中所有极值的均值;是第i个预设维度下的第m个监测数据段中,第j个极值与其相邻的两个极值之间的时间跨度的均值。
2.根据权利要求1所述的一种难降解含盐废水深度处理实时监测方法,其特征在于,所述对每个监测数据序列中的每个监测数据进行分解,得到每个监测数据在预设数量个分量维度下的分量数据,包括:
通过EMD算法,对每个监测数据序列中的每个监测数据进行分解,得到每个监测数据在预设数量个分量维度下的分量数据,其中,分量数据是IMF分量。
3.根据权利要求1所述的一种难降解含盐废水深度处理实时监测方法,其特征在于,所述根据每个预设维度下的所有监测数据在同一个分量维度下的分量数据中极值之间的时间跨度,确定每个预设维度下的周期时长,包括:
将任意一个预设维度确定为标记维度,将任意一个分量维度确定为标记分量维度;
将所述标记维度下的所有监测数据在所述标记分量维度下的分量数据中任意一个相邻极值之间的时间跨度的两倍,确定为所述标记维度在所述标记分量维度下的目标代表时长,其中,相邻极值之间的时间跨度是相邻极值对应的采集时刻之间的时长;
将所述标记维度在所有分量维度下的目标代表时长的最小公倍数,确定为所述标记维度下的周期时长。
4.根据权利要求1所述的一种难降解含盐废水深度处理实时监测方法,其特征在于,所述对每两个预设维度下的所有监测数据段进行波动关联分析处理,得到每两个预设维度之间的目标关联因子,包括:
将任意一个预设维度确定为标记维度,将所述标记维度下的任意一个监测数据段确定为标记数据段;
通过主成分分析,确定所述标记数据段对应的主成分直线,并将所述标记数据段中的每个监测数据与其对应在该主成分直线上的函数值的差值,确定为每个监测数据对应的参考值,得到所述标记数据段对应的参考值段;
根据每两个预设维度下的所有监测数据段对应的参考值段,确定每两个预设维度之间的目标关联因子。
5.根据权利要求4所述的一种难降解含盐废水深度处理实时监测方法,其特征在于,两个预设维度之间的目标关联因子对应的公式为:
;
;其中,是第i个预设维度与第个预设维度之间的目标关联因子;i和是预设维度的序号,并且;M是预设维度下的监测数据段的数量;m是预设维度下的监测数据段的序号;是第i个预设维度下第m个监测数据段与第个预设维度下第m个监测数据段之间的初始关联因子;是以自然常数为底的指数函数;是取绝对值函数;是第i个预设维度下第m个监测数据段对应的主成分直线的斜率;是第个预设维度下第m个监测数据段对应的主成分直线的斜率;是归一化函数;是第i个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差;是第个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差。
6.根据权利要求4所述的一种难降解含盐废水深度处理实时监测方法,其特征在于,监测数据段对应的异常噪声指标对应的公式为:
;
;其中,是第i个预设维度下的第m个监测数据段对应的异常噪声指标;i和是预设维度的序号,并且;m是预设维度下的监测数据段的序号;是第i个预设维度下的第m个监测数据段对应的目标噪声因子;G是预设维度的数量;是第个预设维度下的第m个监测数据段对应的目标噪声因子;是第i个预设维度与第个预设维度之间的目标关联因子;表征第i个预设维度下的第m个监测数据段与第个预设维度下的第m个监测数据段之间的差异;是归一化函数;是取绝对值函数;是第i个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差;是第个预设维度下第m个监测数据段对应的参考值段中所有参考值的标准差。
7.根据权利要求1所述的一种难降解含盐废水深度处理实时监测方法,其特征在于,所述根据每个监测数据段对应的异常噪声指标和预设窗口大小,确定每个监测数据段对应的目标窗口大小,包括:
对每个监测数据段对应的异常噪声指标进行线性归一化,得到每个监测数据段对应的标准噪声指标;
根据每个监测数据段对应的标准噪声指标和预设窗口大小,确定每个监测数据段对应的目标窗口大小,其中,标准噪声指标和预设窗口大小均与目标窗口大小呈正相关。
8.一种难降解含盐废水深度处理实时监测系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-7中任一项所述的一种难降解含盐废水深度处理实时监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155778.3A CN117688311B (zh) | 2024-02-04 | 2024-02-04 | 一种难降解含盐废水深度处理实时监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155778.3A CN117688311B (zh) | 2024-02-04 | 2024-02-04 | 一种难降解含盐废水深度处理实时监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688311A CN117688311A (zh) | 2024-03-12 |
CN117688311B true CN117688311B (zh) | 2024-05-31 |
Family
ID=90130479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410155778.3A Active CN117688311B (zh) | 2024-02-04 | 2024-02-04 | 一种难降解含盐废水深度处理实时监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688311B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052663B (zh) * | 2024-03-19 | 2024-09-13 | 中交第三航务工程局有限公司 | 一种基坑施工过程位移三维一体化智能监测方法 |
CN118244266A (zh) * | 2024-05-20 | 2024-06-25 | 湖南云箭智能科技有限公司 | 一种特殊工装高精度测量方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304958A (zh) * | 2023-05-22 | 2023-06-23 | 山东中都机器有限公司 | 一种井下水处理异常智能监测系统及方法 |
CN116955938A (zh) * | 2023-09-20 | 2023-10-27 | 苏州新耀环保科技有限公司 | 一种基于数据分析的干式废气处理设备监测方法及系统 |
CN117167903A (zh) * | 2023-11-03 | 2023-12-05 | 江苏中安建设集团有限公司 | 基于人工智能的暖通设备异物故障检测方法 |
CN117310348A (zh) * | 2023-11-23 | 2023-12-29 | 东莞市时实电子有限公司 | 一种电源适配器故障实时监测方法及系统 |
CN117411189A (zh) * | 2023-12-14 | 2024-01-16 | 山东德源电力科技股份有限公司 | 一种微电网协调控制器的监测数据增强方法 |
CN117454096A (zh) * | 2023-12-25 | 2024-01-26 | 西安高商智能科技有限责任公司 | 一种电机生产质量检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160045117A1 (en) * | 2014-08-14 | 2016-02-18 | Nehemiah T. Liu | Peak Detection System and Method for Calculation of Signal-Derived Metrics |
EP3418831B1 (en) * | 2017-06-19 | 2023-08-16 | C.R.F. Società Consortile per Azioni | A method for performing a noise removal operation on a signal acquired by a sensor and system therefrom |
CN109063190B (zh) * | 2018-08-29 | 2020-07-14 | 百度在线网络技术(北京)有限公司 | 用于处理数据序列的方法和装置 |
CN115169479A (zh) * | 2022-07-20 | 2022-10-11 | 北京航空航天大学杭州创新研究院 | 污水处理过程远程监控方法、系统及存储介质 |
-
2024
- 2024-02-04 CN CN202410155778.3A patent/CN117688311B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304958A (zh) * | 2023-05-22 | 2023-06-23 | 山东中都机器有限公司 | 一种井下水处理异常智能监测系统及方法 |
CN116955938A (zh) * | 2023-09-20 | 2023-10-27 | 苏州新耀环保科技有限公司 | 一种基于数据分析的干式废气处理设备监测方法及系统 |
CN117167903A (zh) * | 2023-11-03 | 2023-12-05 | 江苏中安建设集团有限公司 | 基于人工智能的暖通设备异物故障检测方法 |
CN117310348A (zh) * | 2023-11-23 | 2023-12-29 | 东莞市时实电子有限公司 | 一种电源适配器故障实时监测方法及系统 |
CN117411189A (zh) * | 2023-12-14 | 2024-01-16 | 山东德源电力科技股份有限公司 | 一种微电网协调控制器的监测数据增强方法 |
CN117454096A (zh) * | 2023-12-25 | 2024-01-26 | 西安高商智能科技有限责任公司 | 一种电机生产质量检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
污水处理过程的集合型监测方法研究;李晨龙 等;测控技术;20160518;第35卷(第05期);49-52,60 * |
Also Published As
Publication number | Publication date |
---|---|
CN117688311A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117688311B (zh) | 一种难降解含盐废水深度处理实时监测方法及系统 | |
CN105466927B (zh) | 一种比浊法异常反应曲线的识别、修正及报警方法 | |
EP1031039A1 (en) | System for surveillance of spectral signals | |
CN116612820B (zh) | 基于数据分析的乳制品生产智能管理平台 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN117114213B (zh) | 一种村网共建便民网络服务方法及系统 | |
CN117030654A (zh) | 一种空气中痕量级二氧化硫浓度测量方法 | |
CN117251749B (zh) | 一种基于增量分析的物联网数据处理方法 | |
CN118013230B (zh) | 一种畜禽水质异常监测数据处理方法及系统 | |
CN117235652B (zh) | 一种基于大数据的钢丝加工环境监管方法及系统 | |
CN115950846A (zh) | 基于光学手段的猪饮用水检测方法及系统 | |
CN114757413A (zh) | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 | |
CN117786584A (zh) | 基于大数据分析的畜牧业水源污染监测预警方法及系统 | |
CN111145895B (zh) | 异常数据的检测方法及终端设备 | |
CN113576472B (zh) | 一种基于全卷积神经网络的血氧信号分割方法 | |
CN114020598B (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
CN115112699A (zh) | 一种xrf土壤重金属元素定量分析方法 | |
CN113848307A (zh) | 一种针对污泥膨胀的特征提取主成分分析在线监测方法 | |
CN115266835A (zh) | 一种基于电导率测量多种补偿的废水含盐量测量方法 | |
CN113916824B (zh) | 牛奶中αs1-酪蛋白的中红外快速批量检测方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN114048588A (zh) | 一种海洋ctd异常值剔除方法、系统、存储介质、终端及应用 | |
CN117290559B (zh) | 一种水处理剂含量监测方法及系统 | |
CN110377007A (zh) | 基于主元分析的化工过程故障诊断方法 | |
CN116110516B (zh) | 一种污水处理过程异常工况识别方法和装置 |
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 |