CN117933093A - 基于水处理超标事故动态仿真的故障模式与影响分析方法 - Google Patents
基于水处理超标事故动态仿真的故障模式与影响分析方法 Download PDFInfo
- Publication number
- CN117933093A CN117933093A CN202410241322.9A CN202410241322A CN117933093A CN 117933093 A CN117933093 A CN 117933093A CN 202410241322 A CN202410241322 A CN 202410241322A CN 117933093 A CN117933093 A CN 117933093A
- Authority
- CN
- China
- Prior art keywords
- sewage treatment
- flow
- subsequence
- faults
- water quality
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 238000005094 computer simulation Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 239000010865 sewage Substances 0.000 claims abstract description 162
- 238000000034 method Methods 0.000 claims abstract description 123
- 230000008569 process Effects 0.000 claims abstract description 109
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000002498 deadly effect Effects 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 67
- 238000010586 diagram Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004659 sterilization and disinfection Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000010802 sludge Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005188 flotation Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
Classifications
-
- 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
- Activated Sludge Processes (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于水处理超标事故动态仿真的故障模式与影响分析方法,涉及数据分析技术领域,将污水处理过程划分为若干流程子序列,获取各流程子序列的水质数据,构建仿真模型;根据各个流程子序列的历史发生数据获取各个流程子序列在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数;基于机器学习构建SVR模型,基于图卷积神经网络构建全过程最终出水预测模型,生成污水处理过程的最终出水水质预测结果;根据各个流程子序列在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级,根据影响度等级对各流程子序列对应的污水处理设备进行提前检修,从而在污水处理设备故障成熟之前采取预防措施。
Description
技术领域
本发明涉及数据分析技术领域,具体是基于水处理超标事故动态仿真的故障模式与影响分析方法。
背景技术
污水处理是环境保护的重要组成部分,因此,分析污水处理系统失效导致超标事故发生(如COD、NH3-N等)对环保监管及处理系统性能尤为重要,目前研究出水水质预测的方法主要有如人工神经网络(ANN)(Bekkari,2019),支持向量机(SVM)(Wang等,2018),基于优化支持向量机回归(SVR)(Chen等,2023;Wang等,2022),基于卷积神经网络(CNN)(Hu等,2023;Yang等,2023),基于改进循环神经网络(RNN)(Yang等,2023),这些模型采用了更广泛的特性,一定程度上提高了预测精度,但这些方法均没有考虑因物理设备失效造成的出水超标,例如气浮池刮泥机故障后,污泥无法从系统中排出,最终造成出水超标,这在常规水质过程工艺参数(pH、ORP)上很难直接体现,增加悬浮物在线监测仪又会大大增加污水运行的成本。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于水处理超标事故动态仿真的故障模式与影响分析方法,包括以下步骤:
步骤S1:根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列,获取各流程子序列的水质数据,根据各个流程子序列的水质数据,各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型;
步骤S2:根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数;
步骤S3:基于机器学习构建SVR模型,基于图卷积神经网络构建全过程最终出水预测模型,将SVR模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型,生成污水处理过程的最终出水水质预测结果;
步骤S4:若最终出水水质预测结果不位于预设的最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级,根据影响度等级对各流程子序列对应的污水处理设备进行提前检修。
进一步的,根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列,获取各流程子序列的水质数据的过程包括:
获取当前污水处理设备的工艺流程特性,获取污水处理过程中各个污水处理设备的工艺流程特性,根据所述工艺流程特性将污水处理过程划分为若干流程子序列;
在各个流程子序列设置水质监测点位,根据各个流程子序列的工艺流程特性获取各个水质监测点位的水质监测指标;
所述水质监测点位根据水质监测指标获取水质监测数据并标记监测时间,设置监测周期。
进一步的,根据各个流程子序列的水质数据,各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型的过程包括:
构建数字空间,构建各污水处理设备的名称框并映射至数字空间,获取当前污水处理过程中各污水处理设备的配置信息,根据各污水处理设备的配置信息对各污水处理设备的名称框进行属性赋值,获取各污水处理设备的功能框;
构建功能框图,获取污水处理过程中各污水处理设备之间的装配顺序以及装配关系,将各污水处理设备的功能框作为功能框图的节点,将各污水处理设备之间的装配顺序以及装配关系作为功能框图的连接关系;
获取各个流程子序列的水质监测点位若干监测周期内的水质监测数据,将各个流程子序列的水质监测数据与功能框图中各个流程子序列对应的功能框进行匹配,获取仿真模型。
进一步的,根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数的过程包括:
获取各个流程子序列的污水处理设备在若干历史监测周期内发生故障的历史发生数据,根据所述历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障、各类型故障对应的累计次数以及各类型故障对应的水质监测数据,所述场景包括实际运行条件强度和实际运行条件环境,根据不同场景下各类型故障对应的累计次数获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率;
基于模仿学习思想,使用模拟器生成各个流程子序列的污水处理设备在不同场景下产生的各类型故障以及各类型故障对应的水质监测数据的仿真数据,将仿真数据代入仿真模型进行模型测试,获取在各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命性故障发生并产生实际影响的条件概率、致命性故障总数以及各类型故障总数,并根据各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命性故障发生并产生实际影响的条件概率、致命性故障总数、各类型故障总数以及各类型故障的故障概率,获取各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数,所述致命性故障表示污水经过一系列污水处理过程后,污水的出水水质不合格。
进一步的,根据各类型故障对应的累计次数获取各个流程子序列的污水处理设备产生的各类型故障的故障概率的计算公式为:
;
其中,P为故障概率,为转化系数,C为累计次数。
需要进一步说明的是,在具体实施过程中,致命性故障概率的计算公式为:
为致命度指数,表示第T个流程子序列的污水处理设备每百万次运行由第q类型故障造成的致命性故障的次数;
表示流程子序列的第q类型故障总数;
表示流程子序列的类型故障的编号;
表示流程子序列的第q类型故障的故障概率;
表示流程子序列的第q类型故障的故障概率与实际运行条件强度修正系数;
表示流程子序列的第q类型故障的故障概率与实际运行条件环境修正系数;
表示单位调整系数;
表示第q类型故障对应的致命性故障总数与故障总数之比;
表示第q类型故障对应的致命性故障发生并产生实际影响的条件概率。
进一步的,基于机器学习构建SVR模型的过程包括:
基于机器学习构建SVR模型,将各流程子序列的水质监测点位在若干历史监测周期内监测的水质监测数据作为训练集和测试集,将所述训练集输入到所述SVR模型中进行训练,直至损失函数训练平稳,并保存模型参数,通过测试集对所述SVR模型进行测试,直至符合预设要求,输出SVR模型。
进一步的,基于图卷积神经网络构建全过程最终出水预测模型,将SVR模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型,生成污水处理过程的最终出水水质预测结果的过程包括:
通过图注意力网络对仿真模型中的功能框图进行学习,根据SVR模型获取各流程子序列当前监测周期的水质预测数据时序序列,将各流程子序列的当前监测周期的水质预测数据时序序列导入图注意力网络;
通过注意力机制获取功能框图各个其他节点对目标节点的影响权重,将所述影响权重分配到各其他节点,利用图注意力网络的相邻聚合生成特征的聚合表示,生成污水处理过程的最终出水水质预测结果。
进一步的,通过图注意力网络对SVR模型中的功能框图进行学习,在功能框图目标节点i及其他节点j之间影响值为:
;
其中,sigmoid表示激活函数,concact表示特征向量拼接,w表示特征变换参数矩阵,表示状态转移矩阵,/>,/>表示功能框图中目标节点i与其他节点j的低维向量表示;
通过功能框图中目标节点i与其他节点j之间影响值和目标节点i及所有其他节点的影响值的总和的比值获取影响权重/>,将所述影响权重进行归一化处理后,利用邻居聚合机制对目标节点i的特征进行更新表示;
;
其中,表示目标节点i的最终更新表示,致命度指数,/>表示激活函数;
根据上述公式,生成节点i的向量表示后,进行下一相连节点的向量表示,以此类推,将功能框图中所有节点进行表示后,计算节点的向量内积获取污水处理过程的最终出水水质预测结果。
进一步的,若最终出水水质预测结果不位于预设的最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级,根据影响度等级对各流程子序列对应的污水处理设备进行提前检修的过程包括:
预设最终出水水质阈值区间,将污水处理过程的最终出水水质预测结果与最终出水水质阈值区间进行比较;
若污水处理过程的最终出水水质预测结果不位于最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数,获取各个流程子序列的影响度等级,通过所述影响度等级对各个流程子序列进行排序,影响度等级越高,则排序越高,生成排序结果,根据排序结果对各流程子序列对应的污水处理设备进行提前检修。
进一步的,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数,获取各个流程子序列的影响度等级的过程包括:
;
其中,表示第T个流程子序列的影响度等级,
表示第T个流程子序列包括的类型故障数量,z表示第T个流程子序列包括的类型故障的编号,/>表示转换系数,/>表示第T个流程子序列的第z类型故障的致命度指数,表示第z类型故障的故障概率。
与现有技术相比,本发明的有益效果是:本发明用故障类型及影响分析方法构建分析模型,通过仿真模型计算故障概率,求出致命度,通过SVR模型完成各流程子流程中的水质数据预测后,通过最终出水预测模型对各流程子序列的水质预测数据进行整合,根据以及各污水处理设备之间的装配顺序以及装配关系污水处理过程的最终出水水质预测结果,若最终出水水质预测结果不位于预设的最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级,根据影响度等级对各流程子序列对应的污水处理设备进行提前检修,实现了污水处理设备由正常状态转变成故障状态前的早期故障的预测,从而在污水处理设备故障成熟之前采取预防措施。
附图说明
图1为本申请实施例的基于水处理超标事故动态仿真的故障模式与影响分析方法的原理图。
具体实施方式
下面结合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、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,基于水处理超标事故动态仿真的故障模式与影响分析方法,包括以下步骤:
步骤S1:根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列,获取各流程子序列的水质数据,根据各个流程子序列的水质数据,各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型;
步骤S2:根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数;
步骤S3:基于机器学习构建SVR模型,基于图卷积神经网络构建全过程最终出水预测模型,将SVR模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型,生成污水处理过程的最终出水水质预测结果;
步骤S4:若最终出水水质预测结果不位于预设的最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级,根据影响度等级对各流程子序列对应的污水处理设备进行提前检修。
需要进一步说明的是,在具体实施过程中,根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列,获取各流程子序列的水质数据的过程包括:
获取当前污水处理设备的工艺流程特性,所述工艺流程特性包括污水处理设备进水端的水质参数,可以为(pH,COD,ORP等)一个或多个输入参数、污水处理设备出水端的水质参数,可以为(pH,COD,ORP等)一个或多个输出参数,污水处理设备的状态变量,所述状态变量表示污水处理设备指在设备及部件在一个特定事件内执行了一系列动作活动后的结果,例如,通过生物接触氧化池、活性污泥法等方法,通过生物作用将有机物质降解为较为稳定的无机物质等,通过包括氯消毒、紫外线消毒和臭氧消毒等方法杀灭水中的细菌和病毒等;获取污水处理过程中各个污水处理设备的工艺流程特性,根据所述工艺流程特性将污水处理过程划分为若干流程子序列;
在各个流程子序列设置水质监测点位,根据各个流程子序列的工艺流程特性获取各个水质监测点位的水质监测指标;
所述水质监测点位根据水质监测指标获取水质监测数据并标记监测时间,设置监测周期。
需要进一步说明的是,在具体实施过程中,根据各个流程子序列的水质数据,各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型的过程包括:
构建数字空间,构建各污水处理设备的名称框并映射至数字空间,获取当前污水处理过程中各污水处理设备的配置信息,根据各污水处理设备的配置信息对各污水处理设备的名称框进行属性赋值,获取各污水处理设备的功能框;
构建功能框图,获取污水处理过程中各污水处理设备之间的装配顺序以及装配关系,将各污水处理设备的功能框作为功能框图的节点,将各污水处理设备之间的装配顺序以及装配关系作为功能框图的连接关系;
获取各个流程子序列的水质监测点位若干监测周期内的水质监测数据,将各个流程子序列的水质监测数据与功能框图中各个流程子序列对应的功能框进行匹配,获取仿真模型。
需要进一步说明的是,在具体实施过程中,根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数的过程包括:
获取各个流程子序列的污水处理设备在若干历史监测周期内发生故障的历史发生数据,根据所述历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障、各类型故障对应的累计次数以及各类型故障对应的水质监测数据,所述场景包括实际运行条件强度和实际运行条件环境,根据不同场景下各类型故障对应的累计次数获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率;
基于模仿学习思想,使用模拟器生成各个流程子序列的污水处理设备在不同场景下产生的各类型故障以及各类型故障对应的水质监测数据的仿真数据,将仿真数据代入仿真模型进行模型测试,获取在各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命性故障发生并产生实际影响的条件概率、致命性故障总数以及各类型故障总数,并根据各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命性故障发生并产生实际影响的条件概率、致命性故障总数、各类型故障总数以及各类型故障的故障概率,获取各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数,所述致命性故障表示污水经过一系列污水处理过程后,污水的出水水质不合格。
需要进一步说明的是,在具体实施过程中,根据各类型故障对应的累计次数获取各个流程子序列的污水处理设备产生的各类型故障的故障概率的计算公式为:
;
其中,P为故障概率,为转化系数,C为累计次数。
需要进一步说明的是,在具体实施过程中,致命性故障概率的计算公式为:
为致命度指数,表示第T个流程子序列的污水处理设备每百万次运行由第q类型故障造成的致命性故障的次数;
表示流程子序列的第q类型故障总数;
表示流程子序列的类型故障的编号;
表示流程子序列的第q类型故障的故障概率;
表示流程子序列的第q类型故障的故障概率与实际运行条件强度修正系数;
表示流程子序列的第q类型故障的故障概率与实际运行条件环境修正系数;
表示单位调整系数;
表示第q类型故障对应的致命性故障总数与故障总数之比;
表示第q类型故障对应的致命性故障发生并产生实际影响的条件概率。
需要进一步说明的是,在具体实施过程中,基于机器学习构建SVR模型的过程包括:
基于机器学习构建SVR模型,将各流程子序列的水质监测点位在若干历史监测周期内监测的水质监测数据作为训练集和测试集,将所述训练集输入到所述SVR模型中进行训练,直至损失函数训练平稳,并保存模型参数,通过测试集对所述SVR模型进行测试,直至符合预设要求,输出SVR模型。
需要进一步说明的是,在具体实施过程中,基于图卷积神经网络构建全过程最终出水预测模型,将SVR模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型,生成污水处理过程的最终出水水质预测结果的过程包括:
通过图注意力网络对仿真模型中的功能框图进行学习,根据SVR模型获取各流程子序列当前监测周期的水质预测数据时序序列,将各流程子序列的当前监测周期的水质预测数据时序序列导入图注意力网络;
通过注意力机制获取功能框图各个其他节点对目标节点的影响权重,将所述影响权重分配到各其他节点,利用图注意力网络的相邻聚合生成特征的聚合表示,生成污水处理过程的最终出水水质预测结果。
需要进一步说明的是,在具体实施过程中,通过图注意力网络对SVR模型中的功能框图进行学习,在功能框图目标节点i及其他节点j之间影响值为:
;
其中,sigmoid表示激活函数,concact表示特征向量拼接,w表示特征变换参数矩阵,表示状态转移矩阵,/>,/>表示功能框图中目标节点i与其他节点j的低维向量表示;
通过功能框图中目标节点i与其他节点j之间影响值和目标节点i及所有其他节点的影响值的总和的比值获取影响权重/>,将所述影响权重进行归一化处理后,利用邻居聚合机制对目标节点i的特征进行更新表示;
;
其中,表示目标节点i的最终更新表示,致命度指数,/>表示激活函数;
根据上述公式,生成节点i的向量表示后,进行下一相连节点的向量表示,以此类推,将功能框图中所有节点进行表示后,计算节点的向量内积获取污水处理过程的最终出水水质预测结果。
需要进一步说明的是,在具体实施过程中,若最终出水水质预测结果不位于预设的最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级,根据影响度等级对各流程子序列对应的污水处理设备进行提前检修的过程包括:
预设最终出水水质阈值区间,将污水处理过程的最终出水水质预测结果与最终出水水质阈值区间进行比较;
若污水处理过程的最终出水水质预测结果不位于最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数,获取各个流程子序列的影响度等级,通过所述影响度等级对各个流程子序列进行排序,影响度等级越高,则排序越高,生成排序结果,根据排序结果对各流程子序列对应的污水处理设备进行提前检修。
需要进一步说明的是,在具体实施过程中,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数,获取各个流程子序列的影响度等级的过程包括:
;
其中,表示第T个流程子序列的影响度等级,/>表示第T个流程子序列包括的类型故障数量,z表示第T个流程子序列包括的类型故障的编号,/>表示转换系数,/>表示第T个流程子序列的第z类型故障的致命度指数,/>表示第z类型故障的故障概率。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.基于水处理超标事故动态仿真的故障模式与影响分析方法,其特征在于,包括以下步骤:
步骤S1:根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列,获取各流程子序列的水质数据,根据各个流程子序列的水质数据,各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型;
步骤S2:根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数;
步骤S3:基于机器学习构建SVR模型,基于图卷积神经网络构建全过程最终出水预测模型,将SVR模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型,生成污水处理过程的最终出水水质预测结果;
步骤S4:若最终出水水质预测结果不位于预设的最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级,根据影响度等级对各流程子序列对应的污水处理设备进行提前检修。
2.根据权利要求1所述的基于水处理超标事故动态仿真的故障模式与影响分析方法,其特征在于,根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列,获取各流程子序列的水质数据的过程包括:
获取当前污水处理设备的工艺流程特性,获取污水处理过程中各个污水处理设备的工艺流程特性,根据所述工艺流程特性将污水处理过程划分为若干流程子序列;
在各个流程子序列设置水质监测点位,根据各个流程子序列的工艺流程特性获取各个水质监测点位的水质监测指标;
所述水质监测点位根据水质监测指标获取水质监测数据并标记监测时间,设置监测周期。
3.根据权利要求2所述的基于水处理超标事故动态仿真的故障模式与影响分析方法,其特征在于,根据各个流程子序列的水质数据,各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型的过程包括:
构建数字空间,构建各污水处理设备的名称框并映射至数字空间,获取当前污水处理过程中各污水处理设备的配置信息,根据各污水处理设备的配置信息对各污水处理设备的名称框进行属性赋值,获取各污水处理设备的功能框;
构建功能框图,获取污水处理过程中各污水处理设备之间的装配顺序以及装配关系,将各污水处理设备的功能框作为功能框图的节点,将各污水处理设备之间的装配顺序以及装配关系作为功能框图的连接关系;
获取各个流程子序列的水质监测点位若干监测周期内的水质监测数据,将各个流程子序列的水质监测数据与功能框图中各个流程子序列对应的功能框进行匹配,获取仿真模型。
4.根据权利要求3所述的基于水处理超标事故动态仿真的故障模式与影响分析方法,其特征在于,根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数的过程包括:
获取各个流程子序列的污水处理设备在若干历史监测周期内发生故障的历史发生数据,根据所述历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障、各类型故障对应的累计次数以及各类型故障对应的水质监测数据,所述场景包括实际运行条件强度和实际运行条件环境,根据不同场景下各类型故障对应的累计次数获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率;
基于模仿学习思想,使用模拟器生成各个流程子序列的污水处理设备在不同场景下产生的各类型故障以及各类型故障对应的水质监测数据的仿真数据,将仿真数据代入仿真模型进行模型测试,获取在各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命性故障发生并产生实际影响的条件概率、致命性故障总数以及各类型故障总数,并根据各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命性故障发生并产生实际影响的条件概率、致命性故障总数、各类型故障总数以及各类型故障的故障概率,获取各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数。
5.根据权利要求4所述的基于水处理超标事故动态仿真的故障模式与影响分析方法,其特征在于,基于机器学习构建SVR模型的过程包括:
基于机器学习构建SVR模型,将各流程子序列的水质监测点位在若干历史监测周期内监测的水质监测数据作为训练集和测试集,将所述训练集输入到所述SVR模型中进行训练,直至损失函数训练平稳,并保存模型参数,通过测试集对所述SVR模型进行测试,直至符合预设要求,输出SVR模型。
6.根据权利要求5所述的基于水处理超标事故动态仿真的故障模式与影响分析方法,其特征在于,基于图卷积神经网络构建全过程最终出水预测模型,将SVR模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型,生成污水处理过程的最终出水水质预测结果的过程包括:
通过图注意力网络对仿真模型中的功能框图进行学习,根据SVR模型获取各流程子序列当前监测周期的水质预测数据时序序列,将各流程子序列的当前监测周期的水质预测数据时序序列导入图注意力网络;
通过注意力机制获取功能框图各个其他节点对目标节点的影响权重,将所述影响权重分配到各其他节点,利用图注意力网络的相邻聚合生成特征的聚合表示,生成污水处理过程的最终出水水质预测结果。
7.根据权利要求6所述的基于水处理超标事故动态仿真的故障模式与影响分析方法,其特征在于,若最终出水水质预测结果不位于预设的最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级,根据影响度等级对各流程子序列对应的污水处理设备进行提前检修的过程包括:
预设最终出水水质阈值区间,将污水处理过程的最终出水水质预测结果与最终出水水质阈值区间进行比较;
若污水处理过程的最终出水水质预测结果不位于最终出水水质阈值区间内,则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数,获取各个流程子序列的影响度等级,通过所述影响度等级对各个流程子序列进行排序,影响度等级越高,则排序越高,生成排序结果,根据排序结果对各流程子序列对应的污水处理设备进行提前检修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410241322.9A CN117933093B (zh) | 2024-03-04 | 2024-03-04 | 基于水处理超标事故动态仿真的故障模式与影响分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410241322.9A CN117933093B (zh) | 2024-03-04 | 2024-03-04 | 基于水处理超标事故动态仿真的故障模式与影响分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117933093A true CN117933093A (zh) | 2024-04-26 |
CN117933093B CN117933093B (zh) | 2024-07-05 |
Family
ID=90759498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410241322.9A Active CN117933093B (zh) | 2024-03-04 | 2024-03-04 | 基于水处理超标事故动态仿真的故障模式与影响分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933093B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138825A (zh) * | 2015-08-06 | 2015-12-09 | 云南电网有限责任公司电力科学研究院 | 一种基于萤火虫优化算法的断路器可靠性评估方法 |
CN111160776A (zh) * | 2019-12-30 | 2020-05-15 | 华东理工大学 | 利用分块主成分分析的污水处理过程异常工况检测方法 |
CN111178602A (zh) * | 2019-12-18 | 2020-05-19 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于支持向量机和神经网络的循环水损失预测方法 |
KR102471662B1 (ko) * | 2022-04-04 | 2022-11-28 | 김상준 | 하수처리장 통합관리 서버 및 이를 포함한 시스템 |
CN115578015A (zh) * | 2022-12-07 | 2023-01-06 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
-
2024
- 2024-03-04 CN CN202410241322.9A patent/CN117933093B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138825A (zh) * | 2015-08-06 | 2015-12-09 | 云南电网有限责任公司电力科学研究院 | 一种基于萤火虫优化算法的断路器可靠性评估方法 |
CN111178602A (zh) * | 2019-12-18 | 2020-05-19 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于支持向量机和神经网络的循环水损失预测方法 |
CN111160776A (zh) * | 2019-12-30 | 2020-05-15 | 华东理工大学 | 利用分块主成分分析的污水处理过程异常工况检测方法 |
KR102471662B1 (ko) * | 2022-04-04 | 2022-11-28 | 김상준 | 하수처리장 통합관리 서버 및 이를 포함한 시스템 |
CN115578015A (zh) * | 2022-12-07 | 2023-01-06 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117933093B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11169514B2 (en) | Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data | |
JP4762088B2 (ja) | プロセス異常診断装置 | |
CN111679952B (zh) | 告警阈值生成方法及装置 | |
KR20090078501A (ko) | 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치 | |
GB2379752A (en) | Root cause analysis under conditions of uncertainty | |
CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
CN106790604B (zh) | 一种高精度的大坝安全远程监测系统 | |
CN111664083B (zh) | 一种基于贝叶斯网络的核电主泵故障诊断方法 | |
CN111612128A (zh) | 一种sf6高压断路器状态主动预警方法及装置 | |
CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN112287988A (zh) | 一种水污染源在线监测数据异常的识别方法 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
Gocheva-Ilieva et al. | Assaying SARIMA and generalised regularised regression for particulate matter PM10 modelling and forecasting | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN117370919B (zh) | 污水处理设备远程监控系统 | |
CN117933093B (zh) | 基于水处理超标事故动态仿真的故障模式与影响分析方法 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN116433041B (zh) | 一种小流域水生态的集成治理方法及系统 | |
Zhang et al. | Effluent Quality Prediction of Wastewater Treatment System Based on Small-world ANN. | |
CN116398823A (zh) | 一种基于算法的燃气管道检测预警系统及方法 | |
CN113866375A (zh) | 出水含氮物智能在线监测方法和系统 | |
EP4128070A1 (en) | Method of hierarchical machine learning for an industrial plant machine learning system | |
Zeng et al. | A convolutional neural network-based prediction mechanism for sewage treatment | |
CN109767816A (zh) | 一种基于深度神经网络的化学工艺危险自动化分析的方法 | |
CN117035230B (zh) | 一种基于大数据分析的污水处理设备运行状态评估方法 |
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 |