CN117800425B - 基于人工智能的净水器控制方法及系统 - Google Patents
基于人工智能的净水器控制方法及系统 Download PDFInfo
- Publication number
- CN117800425B CN117800425B CN202410233903.8A CN202410233903A CN117800425B CN 117800425 B CN117800425 B CN 117800425B CN 202410233903 A CN202410233903 A CN 202410233903A CN 117800425 B CN117800425 B CN 117800425B
- Authority
- CN
- China
- Prior art keywords
- water quality
- state
- state vector
- water purifier
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 766
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 341
- 230000003068 static effect Effects 0.000 claims abstract description 226
- 230000008859 change Effects 0.000 claims abstract description 83
- 238000011217 control strategy Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 80
- 238000005457 optimization Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 3
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 10
- 229910052801 chlorine Inorganic materials 0.000 description 10
- 239000000460 chlorine Substances 0.000 description 10
- 239000000306 component Substances 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 7
- 239000003651 drinking water Substances 0.000 description 4
- 235000020188 drinking water Nutrition 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Water Treatment By Sorption (AREA)
Abstract
本申请提供一种基于人工智能的净水器控制方法及系统，通过第一水质处理网络获取各个净水器状态点的静态状态向量，以及通过第二水质处理网络获取变化状态向量，能够全面、深入地了解水质状态的变化趋势和特征，基于静态状态向量和变化状态向量对第一水质处理网络和第二水质处理网络进行更新，生成了最终的目标净水器控制AI模型，对水质状态检测数据中的静态和动态特征具有很好的适应性，能够确保在不同净水器状态点下获取的水质状态信息准确、可靠。最后，通过目标净水器控制AI模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略，能够实现对净水器的精准控制，实现对净水器水质状态的高效、智能处理。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的净水器控制方法及系统。
背景技术
随着人们对饮用水质量的日益关注，净水器作为家庭和企业中常见的水处理设备，其性能和控制方法的优化变得尤为重要。传统的净水器通常依赖于手动或预设的程序进行操作和控制，这些方法往往无法实时响应水源质量的变化，也无法针对不同用户的具体需求进行个性化调整。此外，这些方法往往忽视了各种水质参数之间可能存在的复杂关联性，从而限制了其处理效果和准确度。
在一些尝试引入智能化元素的净水器控制方法中，虽然采用了AI模型来优化控制策略，但多数还停留在单一模型的运用上，无法充分发挥AI的潜力。例如，只考虑静态的水质状态，而没有注意到水质参数随时间的动态变化，这可能导致控制策略无法适应实际环境的变化。也即，现有的人工智能净水器控制方法在处理复杂多变的水质状态时仍存在一定的局限性，如无法准确识别水质状态的变化趋势和特征，以及无法根据实时水质状态生成有效的控制策略等。
发明内容
有鉴于此，本申请的目的在于提供一种基于人工智能的净水器控制方法及系统，通过确定初始净水器控制AI模型，并结合样例净水器控制学习数据进行训练，以获取水质状态的静态和动态特征。进一步地，通过更新第一水质处理网络和第二水质处理网络，生成最终的目标净水器控制AI模型，该模型能够准确识别水质状态的变化趋势和特征，并根据实时水质状态生成有效的控制策略。这种方法不仅提高了净水器的处理效果和运行效率，还降低了能耗和运行成本，为用户带来了更好的使用体验。
依据本申请的第一方面，提供一种基于人工智能的净水器控制方法，所述方法包括：
确定初始净水器控制AI模型，所述初始净水器控制AI模型包括第一水质处理网络和第二水质处理网络；
确定样例净水器控制学习数据，所述样例净水器控制学习数据中包括多个净水器状态点的净水器水质状态记录流，每个净水器状态点的净水器水质状态记录流中包括多个参考水质状态参数及参考水质状态参数之间的关联参数；
依据所述第一水质处理网络分别获取各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，依据所述第二水质处理网络分别获取各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的变化状态向量；
基于所述静态状态向量更新所述第一水质处理网络，及基于所述静态状态向量及变化状态向量更新所述第二水质处理网络，生成最终的目标净水器控制AI模型，所述目标净水器控制AI模型中的第一水质处理网络对水质状态检测数据中任意一个水质状态参数在多个净水器状态点获取的静态状态向量符合静态特征规则，所述目标净水器控制AI模型中的第二水质处理网络对所述水质状态检测数据中任意一个水质状态参数在不同净水器状态点获取的变化状态向量符合动态特征规则；
基于所述目标净水器控制AI模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略。
在第一方面的一种可能的实施方式中，所述基于所述静态状态向量更新所述第一水质处理网络的步骤，包括：
基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列；
基于所述静态状态向量序列计算与所述第一水质处理网络相关的第一训练代价参数；所述第一训练代价参数包括：所述任意一个参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离、不同参考水质状态参数的静态状态向量序列之间的特征距离及不同参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离；
基于所述第一训练代价参数更新所述第一水质处理网络中的网络参数信息。
在第一方面的一种可能的实施方式中，所述基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列的步骤，包括：
基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，分别多次获取任意一个所述参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列；
则所述第一训练代价参数还包括：多次生成的任意一个参考水质状态参数的静态状态向量序列之间的特征距离。
在第一方面的一种可能的实施方式中，所述基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列的步骤，包括：
将任意一个参考水质状态参数的各个净水器状态点的静态状态向量基于时序构建一序列，从所述序列中随机选择多个净水器状态点的静态状态向量构建所述任意一个参考水质状态参数基于时域窗口的静态状态向量序列；
对所述静态状态向量序列中多个净水器状态点的静态状态向量进行扰动得到所述扰动状态向量序列。
在第一方面的一种可能的实施方式中，所述基于所述静态状态向量及变化状态向量更新所述第二水质处理网络的步骤，包括：
基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，及相应净水器状态点的各个参考水质状态参数的变化状态向量，获取任意一个所述参考水质状态参数在各个净水器状态点的注意力状态向量；
基于所述参考水质状态参数在各个净水器状态点的注意力状态向量计算第二训练代价参数，所述第二训练代价参数包括：任意一个参考水质状态参数与其衔接水质状态参数的注意力状态向量之间的特征距离，及任意一个参考水质状态参数与其不衔接水质状态参数的注意力状态向量之间的特征距离；
基于所述第二训练代价参数更新所述第二水质处理网络中的网络参数信息。
在第一方面的一种可能的实施方式中，所述获取任意一个所述参考水质状态参数在各个净水器状态点的注意力状态向量的步骤，包括：
将所述任意一个参考水质状态参数在任意一个净水器状态点的静态状态向量与变化状态向量进行权重融合，生成所述任意一个参考水质状态参数在任意一个净水器状态点的注意力状态向量。
在第一方面的一种可能的实施方式中，所述初始净水器控制AI模型还包括训练观测单元；则所述方法还包括：
所述训练观测单元基于所述各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量和变化状态向量，确定任意静态状态向量和变化状态向量是否属于同一参考水质状态参数；
基于所述训练观测单元的观测结果，更新所述第一水质处理网络和第二水质处理网络。
在第一方面的一种可能的实施方式中，所述基于所述训练观测单元的观测结果，更新所述第一水质处理网络和第二水质处理网络的步骤，包括：
基于所述训练观测单元的观测结果计算第三训练代价参数，所述第三训练代价参数包括：所述训练观测单元基于任意一个参考水质状态参数的静态状态向量及其变化状态向量的融合信息进行观测的结果，及所述训练观测单元基于任意一个参考水质状态参数的静态状态向量及其它参考水质状态参数的变化状态向量的融合信息进行观测的结果；
基于所述第三训练代价参数更新所述第一水质处理网络和第二水质处理网络的网络参数信息。
在第一方面的一种可能的实施方式中，所述基于所述目标净水器控制AI模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略的步骤，包括：
将所述静态状态向量和所述变化状态向量进行融合，生成目标状态向量；
利用预设的情境感知策略，基于所述目标状态向量和当前的环境条件识别出当前的水质处理情境，所述环境条件包括季节条件、天气条件、用水高峰时段条件，所述水质处理情境包括常规处理情境、应急处理情境、节能模式情境或者新出现的未知模式情境；
根据识别出的水质处理情境，从净水器控制策略库中检索相应的自适应控制策略；
基于模拟仿真或历史数据对所述自适应控制策略进行评估，并基于评估结果利用遗传算法或者粒子群优化对所述自适应控制策略进行优化调整，生成优化调整后的目标自适应控制策略；
将所述目标自适应控制策略应用于目标净水器，并实时监控所述目标净水器的运行状态和水质状态，通过收集所述目标净水器应用所述目标自适应控制策略后的反馈数据，对所述目标自适应控制策略的实施效果进行实时评估和调整。
依据本申请的第二方面，提供一种基于人工智能的净水器控制系统，所述基于人工智能的净水器控制系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于人工智能的净水器控制系统实现前述的基于人工智能的净水器控制方法。
依据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在所述计算机可执行指令被执行时，实现前述的基于人工智能的净水器控制方法。
依据上述任意一个方面，本申请的技术效果在于：
通过确定初始净水器控制AI模型，并结合样例净水器控制学习数据进行训练，能够实现对净水器水质状态的高效、智能处理，其次，通过第一水质处理网络获取各个净水器状态点的静态状态向量，以及通过第二水质处理网络获取变化状态向量，能够全面、深入地了解水质状态的变化趋势和特征。这为后续的净水器控制策略生成提供了有力的数据支持。再次，基于静态状态向量和变化状态向量对第一水质处理网络和第二水质处理网络进行更新，生成了最终的目标净水器控制AI模型，对水质状态检测数据中的静态和动态特征具有很好的适应性，能够确保在不同净水器状态点下获取的水质状态信息准确、可靠。最后，通过目标净水器控制AI模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略，能够实现对净水器的精准控制，不仅可以提高净水器的处理效果，还可以降低能耗和运行成本，为用户带来更好的使用体验。由此，能够实现对净水器水质状态的高效、智能处理，提高净水器控制的准确性和效率，降低能耗和运行成本，为用户带来更好的使用体验。
也即，本申请可以精确地获取并分析各个净水器状态点的水质状态记录流，从而实现了对净水器水质状态的实时、动态监控。不仅关注单个参考水质状态参数的静态状态，而且还考虑了其变化状态，因此能够更全面、深入地理解和把握水质的实际情况。基于静态状态向量和变化状态向量更新了水质处理网络，使得最终的目标净水器控制AI模型具有更强的泛化能力和预测准确性。可以根据最终的目标净水器控制AI模型自动生成相应的净水器控制策略，大大提高了净水器的自动化和智能化程度，也更有利于保障出水质量。由此，可以显著提高净水器的使用效率，降低维护成本，并为用户提供更加健康、安全的饮用水。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于人工智能的净水器控制方法的流程示意图。
图2示出了本申请实施例所提供的用于实现上述的基于人工智能的净水器控制方法的基于人工智能的净水器控制系统的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加至少一个其它操作，也可以从流程图中销毁至少一个操作。
图1示出了本申请实施例提供的基于人工智能的净水器控制方法及系统的流程示意图，应当理解，在其它实施例中，本实施例的基于人工智能的净水器控制方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该基于人工智能的净水器控制方法的详细步骤包括：
步骤S110，确定初始净水器控制AI模型，所述初始净水器控制AI模型包括第一水质处理网络和第二水质处理网络。
本实施例中，所述初始净水器控制AI模型是一个预先设定的、未经训练或仅经过基础训练的机器学习模型，专门用于控制净水器的操作。该模型旨在通过学习不断优化其控制策略，以提高净水器的性能和效率。例如，假设有一个深度学习模型，其初始状态是基于历史数据和基本的水处理知识设定的。在开始时，可能只能处理一些简单的水质问题，但随着学习的深入，将能够处理更复杂的情况。
所述第一水质处理网络是初始净水器控制AI模型中的一个组件，负责处理与水质状态相关的静态数据。静态数据指的是在特定时间点或条件下测量得到的水质参数值，这些值通常不会随时间频繁变化。例如，假设要测量水的pH值，这个值在一段时间内可能是相对稳定的。第一水质处理网络的任务就是接收这些静态的pH值数据，并学习如何根据这些数据做出决策。
所述第二水质处理网络是初始净水器控制AI模型中的另一个组件，专注于处理水质状态的动态数据。动态数据指的是随时间变化的水质参数值，以及这些参数值之间的关联和趋势。例如，浊度是一个可能随时间变化的水质参数。当水中悬浮颗粒增多时，浊度会上升。第二水质处理网络会分析浊度随时间的变化趋势，以及这种变化与其他水质参数（如pH值）之间的关联。
由此，在本实施例中，基于人工智能的净水器控制系统作为服务器运行，在服务器的存储系统中，已经预置了一个初始净水器控制AI模型。这个初始净水器控制AI模型由两个核心组件构成：第一水质处理网络和第二水质处理网络。第一水质处理网络和第二水质处理网络在结构上有所不同，分别用于处理静态和动态的水质数据。初始净水器控制AI模型可以是基于之前的水质处理经验和一些通用规则构建的，但还需要进一步的学习和优化才能适应更复杂和多变的水质处理任务。
步骤S120，确定样例净水器控制学习数据，所述样例净水器控制学习数据中包括多个净水器状态点的净水器水质状态记录流，每个净水器状态点的净水器水质状态记录流中包括多个参考水质状态参数及参考水质状态参数之间的关联参数。
本实施例中，所述样例净水器控制学习数据是一组用于训练AI模型的数据集，包含了多个净水器在不同状态下的水质状态记录。这些样例净水器控制学习数据用于教导AI模型如何根据当前的水质状态做出有效的控制决策。例如，一个净水器可能在不同的时间点记录了水的pH值、浊度、余氯等多个参数的值。这些记录构成了一个数据集，可以被用来训练AI模型，使其学会如何根据这些参数调整净水器的操作设置。
所述净水器状态点是指净水器在某一特定时刻或条件下的状态，通常由多个水质参数的值来定义。每个状态点都代表了净水器在某一时间点的性能和水质处理效果。例如，假设在早上8点测量了一个净水器的出水pH值和浊度，这两个参数的值就定义了一个净水器状态点。
所述参考水质状态参数是用于评估水质状况的参数或指标，如pH值、浊度、余氯等，提供了关于水当前状态的信息，是制定控制策略的基础。例如，在评估饮用水质量时，通常会关注其pH值（衡量水的酸碱性）、浊度（衡量水中悬浮颗粒的数量）以及余氯（衡量消毒效果）等参数。
所述关联参数描述了不同水质状态参数之间的关系或相互影响。了解这些关联有助于更全面地理解水质状况，并制定出更有效的控制策略。例如，在某些情况下，高浊度可能会导致余氯消毒效果下降。因此，浊度和余氯之间就存在一种关联关系，需要在制定控制策略时予以考虑。
由此，在本实施例中，为了训练和优化初始净水器控制AI模型，服务器从多个净水器设备中收集了大量的实际运行数据，包括了各种水质参数（如pH值、浊度、余氯、有机物含量等）在不同时间点和不同状态下的测量值，以及这些参数之间的关联信息（如同时变化的趋势、相互影响的程度等）。这些数据被整理成一个个净水器状态点的水质状态记录流，每个水质状态记录流都包含了完整的水质信息，可以用于训练和验证初始净水器控制AI模型。
步骤S130，依据所述第一水质处理网络分别获取各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，依据所述第二水质处理网络分别获取各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的变化状态向量。
本实施例中，所述静态状态向量是第一水质处理网络输出的结果，表示了水质状态在某个时间点或条件下的静态特征。这些静态特征是通过提取和学习水质状态记录流中的静态信息得到的，通常包括水质参数的平均值、最大值、最小值等统计量。例如，对于上述的净水器，可以使用第一水质处理网络来处理其一天内的pH值数据。网络可能会输出一个静态状态向量，包含了这一天内pH值的平均值、最大值和最小值等信息。这个向量就代表了这一天内净水器出水pH值的静态特征。
所述变化状态向量是第二水质处理网络输出的结果，表示了水质状态随时间变化的动态特征。这些动态特征是通过分析水质状态记录流中参数值的变化趋势、波动幅度以及参数之间的关联关系得到的。继续以上述净水器为例，可以使用第二水质处理网络来处理其连续几天的浊度数据。网络可能会输出一个变化状态向量，包含了浊度在这段时间内的变化趋势、波动幅度以及与其他水质参数（如pH值）之间的关联关系等信息。这个向量就代表了这段时间内净水器出水浊度的动态特征。
通过结合静态状态向量和变化状态向量，能够更全面地理解当前的水质状况，并据此制定出更有效的控制策略。例如，如果静态状态向量显示pH值偏低，而变化状态向量显示pH值有持续下降的趋势，那么AI模型可能会生成一个提高净水器碱度投放量的控制策略，以维持水质的稳定性。
也即，在本实施例中，对于每个净水器状态点的水质状态记录流，服务器首先使用第一水质处理网络进行分析。这个第一水质处理网络通过一系列的算法和计算，将原始的水质参数数据转换成静态状态向量。这些静态状态向量反映了水质参数在单个状态点上的固有特性和稳定状态，如pH值的平均水平、浊度的最大值等。
同时，服务器使用第二水质处理网络来分析水质参数的变化趋势。这个第二水质处理网络关注的是水质参数在不同状态点之间的动态变化，如pH值的波动范围、浊度的上升趋势等。通过分析这些变化，第二水质处理网络生成了变化状态向量，这些变化状态向量捕捉了水质参数的动态特征和变化规律。
步骤S140，基于所述静态状态向量更新所述第一水质处理网络，及基于所述静态状态向量及变化状态向量更新所述第二水质处理网络，生成最终的目标净水器控制AI模型，所述目标净水器控制AI模型中的第一水质处理网络对水质状态检测数据中任意一个水质状态参数在多个净水器状态点获取的静态状态向量符合静态特征规则，所述目标净水器控制AI模型中的第二水质处理网络对所述水质状态检测数据中任意一个水质状态参数在不同净水器状态点获取的变化状态向量符合动态特征规则。
本实施例中，所述静态特征规则是指在水质处理过程中，某些水质参数在特定条件下所表现出的稳定、不变的特性或规律。这些规则是通过分析大量的静态状态向量得出的，用于指导AI模型在处理静态水质数据时做出决策。例如，假设经过分析发现，当水的pH值处于7.0至7.5之间时，净水器的过滤效果最佳。这个规律就可以被视为一个静态特征规则，用于指导AI模型在处理pH值数据时做出决策。当新的水质数据输入时，如果pH值符合这个规则，AI模型就知道应该保持当前的过滤设置不变。
所述动态特征规则是指在水质处理过程中，水质参数随时间或条件变化所表现出的趋势、波动或关联特性。这些规则是通过分析变化状态向量得出的，用于指导净水器控制AI模型在处理动态水质数据时做出决策。例如，假设经过分析发现，当浊度连续三天上升超过某个阈值时，净水器的过滤效果会明显下降。这个规律就可以被视为一个动态特征规则。当新的水质数据输入时，如果浊度的变化趋势符合这个规则，净水器控制AI模型就知道应该调整过滤设置以提高过滤效果。
由此，在本实施例中，服务器根据提取出的静态状态向量和变化状态向量来逐步更新AI模型。首先，使用静态状态向量来优化第一水质处理网络的参数和结构，使其能够更好地识别和理解水质参数的静态特征。这包括调整网络的层数、神经元的数量、激活函数等，以及通过反向传播算法来优化网络的权重和偏置。
然后，服务器结合静态状态向量和变化状态向量来更新第二水质处理网络。这个第二水质处理网络不仅需要理解水质参数的静态特征，还需要捕捉它们的动态变化。因此，在更新过程中，服务器会特别关注那些能够反映水质参数变化趋势和相互影响的特征和规则，并据此调整第二水质处理网络的参数和结构。
经过多轮迭代和优化后，服务器生成了最终的目标净水器控制AI模型。这个目标净水器控制AI模型在处理新的水质状态检测数据时能够准确地识别出静态和动态特征规则，并据此生成相应的控制策略。为了验证目标净水器控制AI模型的性能，服务器还会使用一些保留的验证数据集来测试模型的准确性和泛化能力。
一旦目标净水器控制AI模型训练完成并验证有效，服务器就可以开始生成具体的净水器控制策略了。当新的水质状态检测数据输入到目标净水器控制AI模型中时，目标净水器控制AI模型会根据其学习到的静态和动态特征规则来处理这些数据，并输出相应的静态状态向量和变化状态向量。
步骤S150，基于所述目标净水器控制AI模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略。
服务器根据这些静态状态向量和变化状态向量来决策净水器的控制策略。例如，如果静态状态向量显示当前水质的pH值偏低，而变化状态向量显示pH值有持续下降的趋势，那么服务器可能会生成一个提高净水器碱度投放量的控制策略。这个控制策略会被发送到净水器设备中，指导其进行相应的操作和调整，以确保输出水质的稳定性和安全性。
基于以上步骤，通过确定初始净水器控制AI模型，并结合样例净水器控制学习数据进行训练，能够实现对净水器水质状态的高效、智能处理，其次，通过第一水质处理网络获取各个净水器状态点的静态状态向量，以及通过第二水质处理网络获取变化状态向量，能够全面、深入地了解水质状态的变化趋势和特征。这为后续的净水器控制策略生成提供了有力的数据支持。再次，基于静态状态向量和变化状态向量对第一水质处理网络和第二水质处理网络进行更新，生成了最终的目标净水器控制AI模型，对水质状态检测数据中的静态和动态特征具有很好的适应性，能够确保在不同净水器状态点下获取的水质状态信息准确、可靠。最后，通过目标净水器控制AI模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略，能够实现对净水器的精准控制，不仅可以提高净水器的处理效果，还可以降低能耗和运行成本，为用户带来更好的使用体验。由此，能够实现对净水器水质状态的高效、智能处理，提高净水器控制的准确性和效率，降低能耗和运行成本，为用户带来更好的使用体验。
也即，本申请可以精确地获取并分析各个净水器状态点的水质状态记录流，从而实现了对净水器水质状态的实时、动态监控。不仅关注单个参考水质状态参数的静态状态，而且还考虑了其变化状态，因此能够更全面、深入地理解和把握水质的实际情况。基于静态状态向量和变化状态向量更新了水质处理网络，使得最终的目标净水器控制AI模型具有更强的泛化能力和预测准确性。可以根据最终的目标净水器控制AI模型自动生成相应的净水器控制策略，大大提高了净水器的自动化和智能化程度，也更有利于保障出水质量。由此，可以显著提高净水器的使用效率，降低维护成本，并为用户提供更加健康、安全的饮用水。
在一种可能的实施方式中，步骤S140可以包括：
步骤S141，基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列。
步骤S142，基于所述静态状态向量序列计算与所述第一水质处理网络相关的第一训练代价参数。所述第一训练代价参数包括：所述任意一个参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离、不同参考水质状态参数的静态状态向量序列之间的特征距离及不同参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离。
步骤S143，基于所述第一训练代价参数更新所述第一水质处理网络中的网络参数信息。
本实施例中，服务器首先基于第一水质处理网络生成了各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量。
然后，服务器选择了一个参考水质状态参数（例如pH值），并获取了该参数基于时域窗口的静态状态向量序列。这个静态状态向量序列反映了pH值在一段时间内的静态特征。
为了增强模型的鲁棒性，服务器对静态状态向量序列进行了扰动，生成了扰动状态向量序列。扰动可以包括添加噪声、随机改变某些向量的值等。
服务器接下来计算了与第一水质处理网络相关的第一训练代价参数。这些参数用于衡量模型在处理静态水质数据时的性能。
第一训练代价参数包括了三个部分：所选参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离、不同参考水质状态参数的静态状态向量序列之间的特征距离以及不同参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离。
特征距离可以采用欧氏距离、余弦相似度等方式计算，用于衡量向量之间的相似性或差异性。
最后，服务器基于计算得到的第一训练代价参数更新了第一水质处理网络中的网络参数信息。这些参数包括网络的权重、偏置等，通过优化这些参数，服务器期望第一水质处理网络能够更好地处理静态水质数据，并输出更准确的静态状态向量。
通过这个过程，服务器的第一水质处理网络得到了更新和优化，为后续的水质处理和控制提供了更准确的基础。
在一种可能的实施方式中，步骤S141可以包括：基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，分别多次获取任意一个所述参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列。则所述第一训练代价参数还包括：多次生成的任意一个参考水质状态参数的静态状态向量序列之间的特征距离。
本实施例中，服务器已经通过第一水质处理网络生成了各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量。现在，服务器需要基于这些静态状态向量来获取静态状态向量序列，并进一步生成扰动状态向量序列。
首先，服务器选择了一个参考水质状态参数（例如浊度）。
基于时域窗口（例如最近一小时、一天或一周的数据），服务器多次从水质状态记录流中提取该参考水质状态参数的静态状态向量，形成多个静态状态向量序列。每次提取的向量序列可能由于水质波动、设备运行状态变化等因素而有所不同。这些静态状态向量序列反映了在不同时间段内浊度的静态特征。
对于每个静态状态向量序列，服务器都进行了扰动处理。扰动可以包括添加随机噪声、对向量的某些维度进行微调等。通过扰动，服务器生成了与原始静态状态向量序列相对应的多个扰动状态向量序列。这些扰动序列用于模拟实际水质处理过程中可能出现的各种不确定性和干扰因素。
服务器计算了多次生成的同一个参考水质状态参数的静态状态向量序列之间的特征距离。这可以通过计算向量序列之间的欧氏距离、曼哈顿距离或余弦相似度等方式实现。特征距离衡量了不同时间段内浊度静态特征的相似性和差异性。如果距离较小，说明浊度的静态特征在不同时间段内较为稳定；如果距离较大，则说明浊度的静态特征发生了显著变化。
除了之前计算的第一训练代价参数外（包括静态状态向量序列与扰动状态向量序列之间的特征距离等），服务器现在还将多次生成的同一个参考水质状态参数的静态状态向量序列之间的特征距离纳入第一训练代价参数的计算中。这样做可以帮助服务器更全面地评估第一水质处理网络在处理静态水质数据时的性能，并考虑到水质状态在不同时间段内的变化情况。
通过以上步骤，服务器获取了丰富的静态状态向量序列和扰动状态向量序列数据，并计算了相应的特征距离作为第一训练代价参数的一部分。这些数据将为后续的水质处理网络更新和优化提供有力支持。
在一种可能的实施方式中，步骤S141可以包括：
步骤S1411，将任意一个参考水质状态参数的各个净水器状态点的静态状态向量基于时序构建一序列，从所述序列中随机选择多个净水器状态点的静态状态向量构建所述任意一个参考水质状态参数基于时域窗口的静态状态向量序列。
步骤S1412，对所述静态状态向量序列中多个净水器状态点的静态状态向量进行扰动得到所述扰动状态向量序列。
本实施例中，服务器已经通过第一水质处理网络生成了各个净水器状态点的净水器水质状态记录流，并且从中提取了各个参考水质状态参数的静态状态向量。现在，服务器需要基于这些静态状态向量来构建静态状态向量序列，并进一步生成扰动状态向量序列。
首先，服务器首先选择了一个参考水质状态参数，例如总溶解固体（TDS）。对于该参考水质状态参数，服务器拥有各个净水器状态点的静态状态向量。这些状态点可以是在不同时间点上净水器的工作状态记录。
服务器按照时间顺序，将这些静态状态向量构建成一序列。这个序列反映了TDS在不同净水器状态点上的变化情况。从这个序列中，服务器随机选择了多个净水器状态点的静态状态向量。这些被选中的状态点基于时域窗口（如最近一小时、一天或一周的数据）构成了一个静态状态向量序列。这个序列代表了在该时域窗口内TDS的静态特征。
服务器接下来对静态状态向量序列中的每个静态状态向量进行扰动。扰动可以是添加随机噪声、对向量的某些维度进行微调，或者通过某种算法改变向量的值。扰动的目的是模拟实际水质处理过程中可能出现的各种不确定性和干扰因素，从而增强模型的鲁棒性。
经过扰动处理后，服务器得到了与原始静态状态向量序列相对应的扰动状态向量序列。这个扰动序列包含了原始序列中的一些变异信息，用于训练模型以更好地适应实际的水质变化。
通过以上步骤，服务器成功地构建了任意一个参考水质状态参数基于时域窗口的静态状态向量序列，并生成了相应的扰动状态向量序列。这些数据将用于后续的水质处理网络更新和优化过程中，帮助服务器更准确地处理和控制净水器的水质状态。
在一种可能的实施方式中，所述基于所述静态状态向量及变化状态向量更新所述第二水质处理网络的步骤，包括：
步骤S144，基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，及相应净水器状态点的各个参考水质状态参数的变化状态向量，获取任意一个所述参考水质状态参数在各个净水器状态点的注意力状态向量。
步骤S145，基于所述参考水质状态参数在各个净水器状态点的注意力状态向量计算第二训练代价参数，所述第二训练代价参数包括：任意一个参考水质状态参数与其衔接水质状态参数的注意力状态向量之间的特征距离，及任意一个参考水质状态参数与其不衔接水质状态参数的注意力状态向量之间的特征距离。
步骤S146，基于所述第二训练代价参数更新所述第二水质处理网络中的网络参数信息。
本实施例中，服务器已经通过第一水质处理网络生成了各个净水器状态点的净水器水质状态记录流，并且从中提取了各个参考水质状态参数的静态状态向量和变化状态向量。现在，服务器需要基于这些向量来更新第二水质处理网络，以提高对水质状态变化的响应能力。
服务器首先选择了一个参考水质状态参数，例如余氯含量。对于该参考水质状态参数，服务器已经拥有了各个净水器状态点的静态状态向量和变化状态向量。静态状态向量反映了水质在某一时刻的静态特征，而变化状态向量则反映了水质状态的变化趋势。
服务器结合静态状态向量和变化状态向量，通过一定的算法（如注意力机制）计算得到了该参考水质状态参数在各个净水器状态点的注意力状态向量。这个注意力状态向量既包含了水质的静态特征信息，又突出了状态变化的重要性，有助于服务器更准确地理解和预测水质状态的变化。
服务器接下来基于注意力状态向量计算第二训练代价参数。这些参数用于衡量第二水质处理网络在处理水质状态变化时的性能。
第二训练代价参数包括了两个部分：任意一个参考水质状态参数与其衔接水质状态参数的注意力状态向量之间的特征距离，以及任意一个参考水质状态参数与其不衔接水质状态参数的注意力状态向量之间的特征距离。衔接水质状态参数指的是在时间上或空间上与当前参考水质状态参数紧密相关的其他水质状态参数。
特征距离可以采用欧氏距离、余弦相似度等方式计算，用于衡量向量之间的相似性或差异性。通过计算这些特征距离，服务器可以了解第二水质处理网络在处理不同水质状态变化时的性能表现。
最后，服务器基于计算得到的第二训练代价参数更新第二水质处理网络中的网络参数信息。这些参数包括网络的权重、偏置等，通过优化这些参数，服务器期望第二水质处理网络能够更好地处理水质状态的变化，并输出更准确的预测结果。其中，更新网络参数信息可以采用梯度下降等优化算法进行。服务器通过不断地调整网络参数，使得第二训练代价参数最小化，从而提高第二水质处理网络在处理水质状态变化时的准确性和稳定性。
通过以上步骤，服务器的第二水质处理网络得到了更新和优化，为后续的水质处理和控制提供了更准确的基础。同时，通过引入注意力机制和计算第二训练代价参数，服务器能够更全面地考虑水质状态的变化趋势和重要性信息，提高了对水质状态变化的响应能力和预测准确性。
在一种可能的实施方式中，步骤S144可以包括：将所述任意一个参考水质状态参数在任意一个净水器状态点的静态状态向量与变化状态向量进行权重融合，生成所述任意一个参考水质状态参数在任意一个净水器状态点的注意力状态向量。
本实施例中，服务器现在要处理的是各个净水器状态点的水质数据，特别是关于某个参考水质状态参数（如浊度）的数据。服务器已经拥有了这些状态点的静态状态向量和变化状态向量，现在需要将这些信息融合，以生成注意力状态向量。
服务器首先确定了一个参考水质状态参数，例如浊度。浊度是衡量水质清澈程度的一个重要指标。对于这个参考水质状态参数，服务器已经通过第一水质处理网络生成了各个净水器状态点的静态状态向量。这些向量反映了在不同时间点上，浊度的静态特征，如平均值、最大值等。
同时，服务器还拥有相应净水器状态点的变化状态向量。这些向量描述了浊度随时间的变化趋势，如上升、下降或保持稳定。
服务器接下来进行权重融合操作。这一步的目的是将静态状态向量和变化状态向量的信息结合起来，以生成注意力状态向量。权重融合可以通过多种方式实现，例如加权平均、神经网络融合等。在这个场景中，服务器可能使用了一个预定义的权重分配方案，或者通过训练得到了最优的权重值。通过权重融合，服务器确保了在生成的注意力状态向量中，既包含了浊度的静态特征信息（如当前浊度水平），又突出了其动态变化的重要性（如浊度是否在迅速增加）。
经过权重融合处理后，服务器得到了浊度在任意一个净水器状态点的注意力状态向量。这个向量综合了静态和动态两方面的信息，有助于服务器更全面地理解当前的水质状态。所述注意力状态向量可以被视为一种增强的特征表示，它突出了那些对于水质处理和控制至关重要的信息。通过这种方式，服务器能够更有效地监控和调节净水器的运行状态，以确保水质的稳定和达标。
通过以上步骤，服务器成功地生成了参考水质状态参数在各个净水器状态点的注意力状态向量。这些向量将作为后续水质处理网络更新和优化的重要输入数据。
在一种可能的实施方式中，所述初始净水器控制AI模型还包括训练观测单元。则所述方法还包括：所述训练观测单元基于所述各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量和变化状态向量，确定任意静态状态向量和变化状态向量是否属于同一参考水质状态参数。基于所述训练观测单元的观测结果，更新所述第一水质处理网络和第二水质处理网络。
本实施例中，训练观测单元的任务是监控净水器状态点的水质状态记录流，并根据这些水质状态记录流来优化第一水质处理网络和第二水质处理网络的性能。
详细地，训练观测单元开始工作，不断地接收来自各个净水器状态点的净水器水质状态记录流。这些净水器水质状态记录流中包含了各个参考水质状态参数的静态状态向量和变化状态向量。
对于接收到的每一条净水器水质状态记录，训练观测单元首先要确定其中的静态状态向量和变化状态向量是否属于同一参考水质状态参数。这是非常重要的，因为只有确保数据的匹配性，才能准确地评估水质状态的变化趋势和网络模型的性能。例如，如果一条净水器水质状态记录中包含了浊度的静态状态向量和余氯的变化状态向量，训练观测单元会识别出它们不属于同一参数，并可能将这些数据标记为无效或进行分离处理。
基于训练观测单元的观测结果，服务器开始评估第一水质处理网络和第二水质处理网络的性能。这包括分析网络在处理不同水质状态参数时的准确性、稳定性和响应速度等方面。如果发现某个网络在处理特定参数时性能不佳，服务器会根据训练观测单元提供的数据对网络进行针对性的优化。这可能包括调整网络结构、更新权重参数、引入新的学习算法等。
例如，如果第一水质处理网络在处理高浊度水时表现出较大的误差，服务器可以利用训练观测单元收集到的相关数据来重新训练网络，提高其处理类似情况的准确性。
训练观测单元的工作是持续的。它会不断地监控净水器的水质状态变化，并将最新的数据反馈给服务器。服务器则根据这些反馈数据定期或实时地更新第一水质处理网络和第二水质处理网络，以确保它们始终能够适应实际的水质变化和处理需求。通过这种持续的监控和迭代更新机制，服务器的净水器控制AI模型能够不断提升其性能，为用户提供更加优质和稳定的水质处理服务。
在一种可能的实施方式中，所述基于所述训练观测单元的观测结果，更新所述第一水质处理网络和第二水质处理网络的步骤，包括：
步骤A110，基于所述训练观测单元的观测结果计算第三训练代价参数，所述第三训练代价参数包括：所述训练观测单元基于任意一个参考水质状态参数的静态状态向量及其变化状态向量的融合信息进行观测的结果，及所述训练观测单元基于任意一个参考水质状态参数的静态状态向量及其它参考水质状态参数的变化状态向量的融合信息进行观测的结果。
步骤A120，基于所述第三训练代价参数更新所述第一水质处理网络和第二水质处理网络的网络参数信息。
服务器已经通过训练观测单元收集到了大量的净水器水质状态数据，并且这些数据已经经过处理，生成了各个参考水质状态参数的静态状态向量和变化状态向量。现在，服务器将根据这些观测结果来更新第一水质处理网络和第二水质处理网络的网络参数信息，以提高水质处理的准确性和效率。
由此，服务器首先基于训练观测单元的观测结果来计算第三训练代价参数。这些参数将用于衡量网络在处理水质状态数据时的性能表现。
第三训练代价参数的计算考虑了两种情况：一种是基于任意一个参考水质状态参数的静态状态向量及其变化状态向量的融合信息进行观测的结果；另一种是基于任意一个参考水质状态参数的静态状态向量及其它参考水质状态参数的变化状态向量的融合信息进行观测的结果。这两种情况分别反映了网络在处理相同参数和不同参数时的性能。
例如，对于浊度这一参考水质状态参数，服务器将分别计算其静态状态向量与变化状态向量融合后的观测结果，以及浊度的静态状态向量与其他参数（如余氯、pH值等）的变化状态向量融合后的观测结果。这些观测结果将作为第三训练代价参数的重要组成部分。
服务器接下来将基于计算得到的第三训练代价参数来更新第一水质处理网络和第二水质处理网络的网络参数信息。这些参数包括网络的权重、偏置等，它们对于网络的性能表现具有决定性的影响。
更新网络参数信息的过程可以采用各种优化算法来实现，如梯度下降法、随机梯度下降法等。服务器将根据具体的算法和网络结构来调整这些参数的值，以使得第三训练代价参数最小化。
通过不断地迭代和优化，第一水质处理网络和第二水质处理网络的性能将逐渐提升。它们将能够更准确地处理各种复杂的水质状态数据，并输出更可靠的预测和控制信号。这将有助于提高净水器的处理效率和水质稳定性，为用户提供更好的用水体验。
在一种可能的实施方式中，步骤S150可以包括：
步骤S151，将所述静态状态向量和所述变化状态向量进行融合，生成目标状态向量。
本实施例中，服务器已经通过目标净水器控制AI模型得到了关于水质状态的静态状态向量和变化状态向量。现在，服务器将根据这些静态状态向量和变化状态向量来生成对应的净水器控制策略，以确保水质处理的准确性和效率。
服务器首先将静态状态向量和变化状态向量进行融合，生成目标状态向量。这个目标状态向量综合了水质的静态特征和动态变化信息，为后续的情境识别和控制策略选择提供了全面的数据基础。例如，静态状态向量可能反映了水质的平均浊度、pH值等稳定指标，而变化状态向量则捕捉了这些指标随时间的波动情况。通过融合这两个向量，服务器能够更全面地了解当前的水质状态。
步骤S152，利用预设的情境感知策略，基于所述目标状态向量和当前的环境条件识别出当前的水质处理情境，所述环境条件包括季节条件、天气条件、用水高峰时段条件，所述水质处理情境包括常规处理情境、应急处理情境、节能模式情境或者新出现的未知模式情境。
接下来，服务器利用预设的情境感知策略，基于目标状态向量和当前的环境条件（如季节、天气、用水高峰时段等）来识别当前的水质处理情境。这些情境可能包括常规处理情境、应急处理情境、节能模式情境或者新出现的未知模式情境。
例如，在夏季高温且用水高峰时段，服务器可能识别出当前为应急处理情境，需要增加净水器的处理能力以满足高需求；而在夜间低峰时段且水质稳定时，则可能识别为节能模式情境，可以适当降低净水器的运行功率以节省能源。
步骤S153，根据识别出的水质处理情境，从净水器控制策略库中检索相应的自适应控制策略。
根据识别出的水质处理情境，服务器从净水器控制策略库中检索相应的自适应控制策略。这些策略是预先设计好的，针对不同情境下的水质处理需求进行了优化。例如，在应急处理情境下，服务器可能检索到一个旨在快速降低浊度和提高处理量的控制策略；而在节能模式情境下，则可能选择一个旨在保持水质稳定的同时降低能耗的策略。
步骤S154，基于模拟仿真或历史数据对所述自适应控制策略进行评估，并基于评估结果利用遗传算法或者粒子群优化对所述自适应控制策略进行优化调整，生成优化调整后的目标自适应控制策略。
在检索到自适应控制策略后，服务器会基于模拟仿真或历史数据对其进行评估。评估的目的在于验证策略的有效性并发现可能存在的改进空间。
如果评估结果显示策略性能不佳或存在优化空间，服务器将利用遗传算法或粒子群优化等优化技术对策略进行调整。这些算法能够在参数空间中搜索更优的解，从而改进控制策略的性能。
经过优化调整后，服务器将生成一个优化后的目标自适应控制策略。这个策略将更适应当前的水质处理情境和环境条件，有助于提高净水器的处理效率和水质稳定性。
步骤S155，将所述目标自适应控制策略应用于目标净水器，并实时监控所述目标净水器的运行状态和水质状态，通过收集所述目标净水器应用所述目标自适应控制策略后的反馈数据，对所述目标自适应控制策略的实施效果进行实时评估和调整。
最后，服务器将目标自适应控制策略应用于目标净水器，并实时监控其运行状态和水质状态。通过收集净水器应用策略后的反馈数据（如处理量、能耗、水质指标等），服务器可以对策略的实施效果进行实时评估和调整。
如果发现策略在实际应用中存在问题或性能下降，服务器将及时进行调整或重新选择更合适的控制策略。这种实时的监控和调整机制确保了净水器始终能够在最佳状态下运行，为用户提供稳定且优质的水质处理服务。
图2所示的基于人工智能的净水器控制100包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相连，如通过总线1002相连。可选地，基于人工智能的净水器控制100还可以包括收发器1004，收发器1004可以用于该服务器与其它服务器之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际调度中收发器1004不限于一个，该基于人工智能的净水器控制100的结构并不构成对本申请实施例的限定。
处理器1001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（ApplicationSpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其它可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器1003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其它类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其它类型的动态存储设备，也可以是EEPROM（ElectricallyErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（CompactDiscRead Only Memory，只读光盘）或其它光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其它磁存储设备、或者能够用于携带或存储程序代码并能够由计算机读取的任何其它介质，在此不做限定。
存储器1003用于存储执行本申请实施例的程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的程序代码，以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有程序代码，程序代码被处理器执行时可实现前述方法实施例的步骤及相应内容。
应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以基于需求以其它的顺序执行。此外，各流程图中的部分或全部步骤依据实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以基于需求灵活配置，本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用依据本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。
Claims (4)
1.一种基于人工智能的净水器控制方法，其特征在于，所述方法包括：
确定初始净水器控制AI模型，所述初始净水器控制AI模型包括第一水质处理网络和第二水质处理网络；
确定样例净水器控制学习数据，所述样例净水器控制学习数据中包括多个净水器状态点的净水器水质状态记录流，每个净水器状态点的净水器水质状态记录流中包括多个参考水质状态参数及参考水质状态参数之间的关联参数，所述净水器状态点是指净水器在某一特定时刻或条件下的状态，由多个水质参数的值来定义，所述参考水质状态参数是用于评估水质状况的参数或指标，所述关联参数描述了不同水质状态参数之间的关系或相互影响；
依据所述第一水质处理网络分别获取各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，依据所述第二水质处理网络分别获取各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的变化状态向量，所述静态状态向量表示水质状态在某个时间点或条件下的静态特征，所述静态特征是通过提取和学习水质状态记录流中的静态信息得到的，包括水质参数的平均值、最大值、最小值，所述变化状态向量表示水质状态随时间变化的动态特征，所述动态特征是通过分析水质状态记录流中参数值的变化趋势、波动幅度以及参数之间的关联关系得到的；
基于所述静态状态向量更新所述第一水质处理网络，及基于所述静态状态向量及变化状态向量更新所述第二水质处理网络，生成最终的目标净水器控制AI模型，所述目标净水器控制AI模型中的第一水质处理网络对水质状态检测数据中任意一个水质状态参数在多个净水器状态点获取的静态状态向量符合静态特征规则，所述目标净水器控制AI模型中的第二水质处理网络对所述水质状态检测数据中任意一个水质状态参数在不同净水器状态点获取的变化状态向量符合动态特征规则，所述静态特征规则是指在水质处理过程中某些水质参数在特定条件下所表现出的稳定、不变的特性或规律，所述动态特征规则是指在水质处理过程中水质参数随时间或条件变化所表现出的趋势、波动或关联特性；
基于所述目标净水器控制AI模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略；
所述基于所述静态状态向量更新所述第一水质处理网络的步骤，包括：
基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列；
基于所述静态状态向量序列计算与所述第一水质处理网络相关的第一训练代价参数；所述第一训练代价参数包括：所述任意一个参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离、不同参考水质状态参数的静态状态向量序列之间的特征距离及不同参考水质状态参数的静态状态向量序列与扰动状态向量序列之间的特征距离；
基于所述第一训练代价参数更新所述第一水质处理网络中的网络参数信息；
所述基于所述静态状态向量及变化状态向量更新所述第二水质处理网络的步骤，包括：
基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，及相应净水器状态点的各个参考水质状态参数的变化状态向量，获取任意一个所述参考水质状态参数在各个净水器状态点的注意力状态向量；
基于所述参考水质状态参数在各个净水器状态点的注意力状态向量计算第二训练代价参数，所述第二训练代价参数包括：任意一个参考水质状态参数与其衔接水质状态参数的注意力状态向量之间的特征距离，及任意一个参考水质状态参数与其不衔接水质状态参数的注意力状态向量之间的特征距离；
基于所述第二训练代价参数更新所述第二水质处理网络中的网络参数信息；
所述获取任意一个所述参考水质状态参数在各个净水器状态点的注意力状态向量的步骤，包括：
将所述任意一个参考水质状态参数在任意一个净水器状态点的静态状态向量与变化状态向量进行权重融合，生成所述任意一个参考水质状态参数在任意一个净水器状态点的注意力状态向量；
所述初始净水器控制AI模型还包括训练观测单元；则所述方法还包括：
所述训练观测单元基于所述各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量和变化状态向量，确定任意静态状态向量和变化状态向量是否属于同一参考水质状态参数；
基于所述训练观测单元的观测结果，更新所述第一水质处理网络和第二水质处理网络；
所述基于所述训练观测单元的观测结果，更新所述第一水质处理网络和第二水质处理网络的步骤，包括：
基于所述训练观测单元的观测结果计算第三训练代价参数，所述第三训练代价参数包括：所述训练观测单元基于任意一个参考水质状态参数的静态状态向量及其变化状态向量的融合信息进行观测的结果，及所述训练观测单元基于任意一个参考水质状态参数的静态状态向量及其它参考水质状态参数的变化状态向量的融合信息进行观测的结果；
基于所述第三训练代价参数更新所述第一水质处理网络和第二水质处理网络的网络参数信息；
所述基于所述目标净水器控制AI模型决策输出的静态状态向量和变化状态向量生成对应的净水器控制策略的步骤，包括：
将所述静态状态向量和所述变化状态向量进行融合，生成目标状态向量；
利用预设的情境感知策略，基于所目标状态向量和当前的环境条件识别出当前的水质处理情境，所述环境条件包括季节条件、天气条件、用水高峰时段条件，所述水质处理情境包括常规处理情境、应急处理情境、节能模式情境或者新出现的未知模式情境；
根据识别出的水质处理情境，从净水器控制策略库中检索相应的自适应控制策略；
基于模拟仿真或历史数据对所述自适应控制策略进行评估，并基于评估结果利用遗传算法或者粒子群优化对所述自适应控制策略进行优化调整，生成优化调整后的目标自适应控制策略；
将所述目标自适应控制策略应用于目标净水器，并实时监控所述目标净水器的运行状态和水质状态，通过收集所述目标净水器应用所述目标自适应控制策略后的反馈数据，对所述目标自适应控制策略的实施效果进行实时评估和调整。
2.根据权利要求1所述的基于人工智能的净水器控制方法，其特征在于，所述基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列的步骤，包括：
基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，分别多次获取任意一个所述参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列；
则所述第一训练代价参数还包括：多次生成的任意一个参考水质状态参数的静态状态向量序列之间的特征距离。
3.根据权利要求1所述的基于人工智能的净水器控制方法，其特征在于，所述基于所述第一水质处理网络生成的各个净水器状态点的净水器水质状态记录流中各个参考水质状态参数的静态状态向量，获取任意一个参考水质状态参数基于时域窗口的静态状态向量序列，及对所述静态状态向量序列进行扰动生成的扰动状态向量序列的步骤，包括：
将任意一个参考水质状态参数的各个净水器状态点的静态状态向量基于时序构建一序列，从所述序列中随机选择多个净水器状态点的静态状态向量构建所述任意一个参考水质状态参数基于时域窗口的静态状态向量序列；
对所述静态状态向量序列中多个净水器状态点的静态状态向量进行扰动得到所述扰动状态向量序列。
4.一种基于人工智能的净水器控制系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-3中任意一项所述的基于人工智能的净水器控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410233903.8A CN117800425B (zh) | 2024-03-01 | 2024-03-01 | 基于人工智能的净水器控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410233903.8A CN117800425B (zh) | 2024-03-01 | 2024-03-01 | 基于人工智能的净水器控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117800425A CN117800425A (zh) | 2024-04-02 |
| CN117800425B true CN117800425B (zh) | 2024-06-07 |
Family
ID=90433849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410233903.8A Active CN117800425B (zh) | 2024-03-01 | 2024-03-01 | 基于人工智能的净水器控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117800425B (zh) |
Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101020128A (zh) * | 2006-11-29 | 2007-08-22 | 东南大学 | 自来水厂混凝系统投药量的多模型综合动态矩阵控制方法 |
| KR100882800B1 (ko) * | 2008-08-22 | 2009-02-09 | (주)썬텍엔지니어링 | 정수처리시설 감시제어시스템 |
| WO2015184729A1 (en) * | 2014-06-05 | 2015-12-10 | Tsinghua University | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms |
| CN105929749A (zh) * | 2016-06-21 | 2016-09-07 | 苏州迈奇杰智能技术有限公司 | 一种基于微处理器人工智能控制智能饮水机器 |
| CN109211317A (zh) * | 2018-09-10 | 2019-01-15 | 杭州老板电器股份有限公司 | 净水器控制方法、装置、净水器及计算机可读介质 |
| KR20190001450U (ko) * | 2019-06-11 | 2019-06-18 | 제이엘솔루션 주식회사 | 산업용 스마트 정수기 |
| CN111018151A (zh) * | 2019-11-26 | 2020-04-17 | 珠海格力智能装备有限公司 | 净水方法及装置、净水系统 |
| CN112765718A (zh) * | 2021-02-02 | 2021-05-07 | 中冶京诚工程技术有限公司 | 基于bim和物联网技术的净水厂运维系统及方法 |
| KR20210067138A (ko) * | 2019-11-29 | 2021-06-08 | 주식회사 디엔씨 | 폐수 처리 동작을 제어하기 위한 방법 및 장치 |
| CN113723703A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 基于多源数据融合和深度学习的水质预测方法及其系统 |
| CN113812851A (zh) * | 2021-09-09 | 2021-12-21 | 熊猫智慧水务有限公司 | 一种用于直饮水净水设备的水龄控制系统 |
| CN114240151A (zh) * | 2021-12-17 | 2022-03-25 | 北京百度网讯科技有限公司 | 制水控制方法与装置、电子设备及存储介质 |
| CN114239387A (zh) * | 2021-11-30 | 2022-03-25 | 武汉新烽光电股份有限公司 | 一种有机生化反应菌种投放指导方法及系统 |
| CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
| KR20220078828A (ko) * | 2020-12-04 | 2022-06-13 | 주식회사 아이핍 | 수질사고 대응형 정보화 시스템 |
| CN114818938A (zh) * | 2022-04-28 | 2022-07-29 | 广州怡水水务科技有限公司 | 一种浓水利用节能型ro膜处理净水方法 |
| CN114840035A (zh) * | 2022-03-25 | 2022-08-02 | 中国中建设计研究院有限公司 | 具有前置过滤检测模块的远传智能水表控制方法及系统 |
| CN115108595A (zh) * | 2022-06-27 | 2022-09-27 | 重庆远通电子技术开发有限公司 | 基于机器学习的净水剂智能投加方法 |
| WO2022217589A1 (zh) * | 2021-04-16 | 2022-10-20 | 长沙有色冶金设计研究院有限公司 | 基于深度学习的水质图像分析方法、系统、设备及介质 |
| CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警系统 |
| CN116378974A (zh) * | 2023-05-31 | 2023-07-04 | 宜宾科全矿泉水有限公司 | 一种净水器智能控制系统 |
| CN116539829A (zh) * | 2023-05-12 | 2023-08-04 | 上海航天动力科技工程有限公司 | 一种水质监测感知分析方法 |
| CN116699982A (zh) * | 2023-05-06 | 2023-09-05 | 华能荆门热电有限责任公司 | 用于废水处理的在线加药控制方法及系统 |
| CN117105461A (zh) * | 2023-08-24 | 2023-11-24 | 北京石油化工学院 | 基于机器学习的大数据污水预测处理方法 |
| CN117185383A (zh) * | 2023-10-18 | 2023-12-08 | 广东栗子科技有限公司 | 基于tds信息的净水器智能控制方法及装置 |
| CN117349731A (zh) * | 2023-11-09 | 2024-01-05 | 嘉应学院 | 河流水体污染修复过程智能监管系统及方法 |
| CN117491586A (zh) * | 2024-01-03 | 2024-02-02 | 江门市澳华生物科技有限公司 | 一种水质检测方法及其系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210069811A (ko) * | 2019-12-04 | 2021-06-14 | 엘지전자 주식회사 | 인공지능 정수기 |
-
2024
- 2024-03-01 CN CN202410233903.8A patent/CN117800425B/zh active Active
Patent Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101020128A (zh) * | 2006-11-29 | 2007-08-22 | 东南大学 | 自来水厂混凝系统投药量的多模型综合动态矩阵控制方法 |
| KR100882800B1 (ko) * | 2008-08-22 | 2009-02-09 | (주)썬텍엔지니어링 | 정수처리시설 감시제어시스템 |
| WO2015184729A1 (en) * | 2014-06-05 | 2015-12-10 | Tsinghua University | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms |
| CN105929749A (zh) * | 2016-06-21 | 2016-09-07 | 苏州迈奇杰智能技术有限公司 | 一种基于微处理器人工智能控制智能饮水机器 |
| CN109211317A (zh) * | 2018-09-10 | 2019-01-15 | 杭州老板电器股份有限公司 | 净水器控制方法、装置、净水器及计算机可读介质 |
| KR20190001450U (ko) * | 2019-06-11 | 2019-06-18 | 제이엘솔루션 주식회사 | 산업용 스마트 정수기 |
| CN111018151A (zh) * | 2019-11-26 | 2020-04-17 | 珠海格力智能装备有限公司 | 净水方法及装置、净水系统 |
| KR20210067138A (ko) * | 2019-11-29 | 2021-06-08 | 주식회사 디엔씨 | 폐수 처리 동작을 제어하기 위한 방법 및 장치 |
| KR20220078828A (ko) * | 2020-12-04 | 2022-06-13 | 주식회사 아이핍 | 수질사고 대응형 정보화 시스템 |
| CN112765718A (zh) * | 2021-02-02 | 2021-05-07 | 中冶京诚工程技术有限公司 | 基于bim和物联网技术的净水厂运维系统及方法 |
| WO2022217589A1 (zh) * | 2021-04-16 | 2022-10-20 | 长沙有色冶金设计研究院有限公司 | 基于深度学习的水质图像分析方法、系统、设备及介质 |
| CN113723703A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 基于多源数据融合和深度学习的水质预测方法及其系统 |
| CN113812851A (zh) * | 2021-09-09 | 2021-12-21 | 熊猫智慧水务有限公司 | 一种用于直饮水净水设备的水龄控制系统 |
| CN114239387A (zh) * | 2021-11-30 | 2022-03-25 | 武汉新烽光电股份有限公司 | 一种有机生化反应菌种投放指导方法及系统 |
| CN114240151A (zh) * | 2021-12-17 | 2022-03-25 | 北京百度网讯科技有限公司 | 制水控制方法与装置、电子设备及存储介质 |
| CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
| CN114840035A (zh) * | 2022-03-25 | 2022-08-02 | 中国中建设计研究院有限公司 | 具有前置过滤检测模块的远传智能水表控制方法及系统 |
| CN114818938A (zh) * | 2022-04-28 | 2022-07-29 | 广州怡水水务科技有限公司 | 一种浓水利用节能型ro膜处理净水方法 |
| CN115108595A (zh) * | 2022-06-27 | 2022-09-27 | 重庆远通电子技术开发有限公司 | 基于机器学习的净水剂智能投加方法 |
| CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警系统 |
| CN116699982A (zh) * | 2023-05-06 | 2023-09-05 | 华能荆门热电有限责任公司 | 用于废水处理的在线加药控制方法及系统 |
| CN116539829A (zh) * | 2023-05-12 | 2023-08-04 | 上海航天动力科技工程有限公司 | 一种水质监测感知分析方法 |
| CN116378974A (zh) * | 2023-05-31 | 2023-07-04 | 宜宾科全矿泉水有限公司 | 一种净水器智能控制系统 |
| CN117105461A (zh) * | 2023-08-24 | 2023-11-24 | 北京石油化工学院 | 基于机器学习的大数据污水预测处理方法 |
| CN117185383A (zh) * | 2023-10-18 | 2023-12-08 | 广东栗子科技有限公司 | 基于tds信息的净水器智能控制方法及装置 |
| CN117349731A (zh) * | 2023-11-09 | 2024-01-05 | 嘉应学院 | 河流水体污染修复过程智能监管系统及方法 |
| CN117491586A (zh) * | 2024-01-03 | 2024-02-02 | 江门市澳华生物科技有限公司 | 一种水质检测方法及其系统 |
Non-Patent Citations (8)
| Title |
|---|
| A decision fusion method based on classification models for water quality monitoring;Ladjal, M 等;ENVIRONMENTAL SCIENCE AND POLLUTION RESEARCH;20230228;第30卷(第9期);22532-22549 * |
| A review of artificial intelligence in water purification and wastewater treatment: Recent advancements;Safeer, S 等;JOURNAL OF WATER PROCESS ENGINEERING;20221031;第49卷;1-18 * |
| 人工智能技术在水厂工艺模拟中的应用;智国铮等;净水技术;20200601;第39卷;50-55 * |
| 人工神经网络模型在黄河水质预测中的应用;郭庆春;何振芳;李力;;人民黄河;20111020(10);48-49 * |
| 净水厂数字孪生模型构建方法研究与实践;周圣文等;计算机集成制造系统;20230410;第29卷(第6期);1867-1881 * |
| 基于T-S模糊神经网络的颍河水质时空变化特征分析;张文;王莉;;环境科学与技术;20151215(12);260-267 * |
| 智慧水厂的建设与思考;吴勇等;城镇供水;20221215(第6期);73-79 * |
| 机器学习在水处理系统中的应用;皇甫小留等;给水排水;20221110;第58卷(第11期);153-165 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117800425A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10472254B2 (en) | Apparatus and method for analyzing influence variable on membrane fouling of seawater desalination system | |
| WO2019081937A1 (en) | DETERMINING OPERATING STATUS FROM COMPLEX SENSOR DATA | |
| KR20160114211A (ko) | 수 처리 시스템 및 방법 | |
| CN111782491B (zh) | 一种磁盘故障预测方法、装置、设备及存储介质 | |
| Pattanayak et al. | Development of chemical oxygen on demand (COD) soft sensor using edge intelligence | |
| KR20140068436A (ko) | 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법 | |
| CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN112100024B (zh) | 一种资源负载异常检测方法、装置及设备 | |
| CN112216351A (zh) | 一种脱硫优化方法、装置、电子设备及存储介质 | |
| CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
| CN117800425B (zh) | 基于人工智能的净水器控制方法及系统 | |
| Dheda et al. | Long short term memory water quality predictive model discrepancy mitigation through genetic algorithm optimisation and ensemble modeling | |
| CN116739829A (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| CN114048362A (zh) | 基于区块链的电力数据异常检测方法、装置和系统 | |
| CN114139604A (zh) | 基于在线学习的电力工控攻击监测方法和装置 | |
| CN105372995A (zh) | 污水处理系统测控方法 | |
| CN116675277B (zh) | 一种基于物联网的低能耗废水浓缩系统控制方法 | |
| CN117092908A (zh) | 基于遗传算法的废水处理设备智能控制方法及系统 | |
| KR20160114550A (ko) | 수 처리 시스템 및 방법 | |
| Parvathy et al. | Hybrid machine learning based false data injection attack detection and mitigation model for waste water treatment plant | |
| Hao et al. | Comparing predictive machine learning models for short-and long-term urban water demand forecasting in Milan, Italy | |
| Polupan et al. | Genetic algorithm usage for optimization of saturator operation | |
| KR20220151887A (ko) | 비간섭 부하 모니터링 시스템을 이용한 가전 기기 분류 방법 및 시스템 | |
| CN117408440B (zh) | 基于多维传感器的河道排污口污水智能处理方法及系统 | |
| KR102137201B1 (ko) | 정수 처리 시스템의 구축 전에 운영 프로그램 성능을 평가하기 위한 장치 및 정수 처리 시스템의 가상신호 발생 장치 |
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 |