EP3942374A1 - Méthode de détection d'anomalies dans une installation de traitement des eaux - Google Patents

Méthode de détection d'anomalies dans une installation de traitement des eaux

Info

Publication number
EP3942374A1
EP3942374A1 EP20703280.6A EP20703280A EP3942374A1 EP 3942374 A1 EP3942374 A1 EP 3942374A1 EP 20703280 A EP20703280 A EP 20703280A EP 3942374 A1 EP3942374 A1 EP 3942374A1
Authority
EP
European Patent Office
Prior art keywords
data
sensors
station
algorithm
plant
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.)
Withdrawn
Application number
EP20703280.6A
Other languages
German (de)
English (en)
Inventor
Marie Lefranc
Thomas Bourgeois
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Liquide SA
LAir Liquide SA pour lEtude et lExploitation des Procedes Georges Claude
Original Assignee
Air Liquide SA
LAir Liquide SA pour lEtude et lExploitation des Procedes Georges Claude
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Air Liquide SA, LAir Liquide SA pour lEtude et lExploitation des Procedes Georges Claude filed Critical Air Liquide SA
Publication of EP3942374A1 publication Critical patent/EP3942374A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/001—Upstream control, i.e. monitoring for predictive control
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/008—Processes using a programmable logic controller [PLC] comprising telecommunication features, e.g. modems or antennas
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2303/00—Specific treatment goals
    • C02F2303/14—Maintenance of water treatment installations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25428—Field device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2605—Wastewater treatment

Definitions

  • the present invention relates to the field of water treatment.
  • the present invention is concerned with the detection of operating anomalies in water treatment stations.
  • the anomalies detected may be the following:
  • the detection of an abnormal phenomenon for example foaming.
  • this anomaly detection can be of interest in more than one way: on the one hand, it is difficult (if not impossible) for the on-site operator to monitor all of the station's parameters in real time.
  • An anomaly detection algorithm coupled with relevant measurements of various station parameters would then be particularly advantageous to allow the operator to very quickly alert the operator of a problem on the station, a problem that he can then address in the as fast as we can.
  • the suppliers of equipment and consumables are most often not present on the station.
  • a tool could be extremely useful for alerting them in the event of a failure of one of the devices (or deviation from “normal” operation announcing a failure) or even warning them in the event of overconsumption (or use non-optimal) of one of the consumables (for example a gas), and to allow them to follow in real time the probability of an anomaly of the station (and alert and help if necessary remotely the operator on site for the optimization of its process).
  • the solutions currently proposed in this industry or in the literature do not advocate the use of sensors, they advocate the performance of laboratory analyzes, carried out at regular intervals, for example every week or every month, to allow to detect an anomaly. It is understood that then the frequency of detection of anomalies is low, this method can only cause to miss a good number of important events occurring in the station.
  • the problem in this case is that the operator generally has at his disposal a very large amount of data due to many sensors, sensors that have a lot of variability, and following all these sensors independently of each other can lead to a lot of triggering. false alarms while missing the “real” anomalies.
  • an increase in the electric current of the pump allowing the aeration of the basins can have two causes: an increase in the pump speed (if, for example, the gas flow is increased) or a failure of the motor.
  • the measurement of the electric current alone is therefore insufficient to provide a reliable alarm, while if it is coupled with other measurements such as for example the oxygen demand of the aeration basin, the dissolved oxygen concentration, or the oxygen flow rate , and thanks to a suitable anomaly detection tool, a reliable alarm can be generated.
  • some water treatment stations operate in a very variable way depending on the upstream process.
  • the objective of the present invention is therefore to propose a new method for detecting anomalies occurring in such an effluent treatment installation, a method which is based on an algorithm.
  • the algorithm can process data of a wide variety of types, such as sensor measurements, machine status (in service / shutdown), production number, sensor calibration data, laboratory analysis files., each input data item being associated with a probability of occurrence which allows the analysis of complex scenarios.
  • the algorithm makes it possible to process a large amount of data. With the expected increase in the number of sensors and data available, it is essential to have a tool that can aggregate all this data, even in very large numbers.
  • the number and nature of the data used as input is not limited.
  • a descriptive model is complex to implement, it requires development and validation steps for each configuration of the wastewater treatment plant and possibly for each operating mode.
  • the algorithm proposed here is on the contrary a statistical tool, it is not very complex to implement and only requires a learning step when setting up. It can then be enriched with new data over the life of the station, for example with the addition of new sensors or new sources of information relating to the station or its environment.
  • It allows a complex analysis in real time: by associating a large number of weak signals (ie small variations of different parameters which do not trigger alerts when we look at them separately from each other) we can reveal a more important problem .
  • a probability law links the various signals in order to analyze them in a global way and thus respect the dependence between certain events.
  • the algorithm results in a single indicator that reflects the general condition of the station: a probability. If this probability is high, it means that the combination of data fed back into the algorithm is very probable, which means that the operation is normal. If the probability is low, it means that either a single or a combination of data from the algorithm have a low probability of occurrence and this low probability of occurrence alerts on an anomaly on the station.
  • the input data to the model can be of various kinds. It can be for example:
  • the sensors can be installed at various locations in the station, for example at equipment level (pumps, turbines, etc.), or even directly in aeration basins, or at inlet or outlet pipes. exit from the station ... etc ....
  • operation may be different depending on the season (station shutdown in summer, colder temperatures on average in winter, etc.), the day of the week (no production upstream from certain stations on weekends ), or even by the hour (less effluent entering the municipal wastewater treatment plant during the night) etc ... For this it may be interesting to correlate the data of the station to the hour, to the day of the week or the season.
  • Dissolved Oxygen Sensor This can be an electrochemical or optical sensor, but preferably an optical sensor is used. This sensor placed in the aeration basin allows a measurement of the dissolved oxygen concentration.
  • This measurement can be particularly relevant simultaneously with a strong aeration of the basin, since the rate of growth during aeration (and of decrease when stopping the aeration) of the dissolved oxygen concentration are respectively (coupled to the flow rate of aeration) good indicators of the proper functioning of the ventilation equipment on the one hand, and of the oxygen demand of the activated sludge in the aeration basin on the other.
  • Electrochemical probe such as pH or redox probes, preferably probes comprising 3 electrodes will be used in order to compensate for the impact of certain interfering ions, as well as probes fitted with temperature sensors in order to compensate for the impact of temperature.
  • the use time of the probe, as well as the temporal variation of the measurement can also be followed because they are indicators of the good functioning of the probe, and therefore of the reliability of the measurement.
  • Electrochemical probes have a membrane that is permeable for certain chemical species only, so they can measure the concentrations of ammonium, nitrate, or other chemical species that we are trying to degrade in the station.
  • probes comprising 3 electrodes and temperature compensation will be preferred.
  • Spectral probe There are more and more probes on the market for measuring the organic load, the nitrogen load or the quantity of matter in suspension by spectrophotometry. Several types of probes can be used: measurement of the absorbance at one or more wavelengths, measurement of the fluorescence peak over a greater or lesser range of wavelengths. In all the In this case, the optical measurement can be correlated with the concentration of organic or nitrogen pollution. Preference will be given to probes allowing the measurement of the absorbance spectrum over a wide range, thus making it possible on the one hand to compensate for the effect of turbidity, and on the other hand to construct more robust correlations. This probe will advantageously be placed upstream and / or downstream of the aeration basin.
  • the concentrations of different chemical species can be obtained by online analyzers.
  • the analyzer is advantageously located near the basin, and a sample is taken at regular intervals for analysis.
  • Turbidity A probe allowing the measurement of turbidity can be used, or any other measurement that can be correlated with turbidity, or with the concentration of suspended solids (backscattered light, light scattered at 60 °, absorbed light, etc.) .
  • This probe can be placed upstream of the aeration basin, or downstream, or directly in the aeration basin.
  • Conductivity is a fairly reliable and easily measurable indicator of water quality. It can in some cases be correlated with chemical oxygen demand (COD - in municipal water for example). It can be measured by a conductive or inductive method, or any other method to estimate the conductivity. This probe can be placed in the pipes upstream or downstream of the station, or in the aeration basin directly.
  • Gas flow the flow of oxygen (or air) injected into the aeration basin can be monitored.
  • a flow meter (preferably a thermal mass flow meter) is placed upstream of the gas injection equipment in the basin.
  • Vibration sensor The vibrations are measured on the water gas injection equipment.
  • the sensor is preferably placed at the level of the gear motor (or alternatively at the level of the motor).
  • the tracked signal can be either the vibration spectrum, or a deviation from a vibration spectrum generated in normal operation.
  • Amperometric clamp placed at the power supply of the ventilation equipment allows the measurement of the motor current. This clamp can be accompanied by a temperature measurement.
  • Ultrasonic or electromagnetic flowmeters can be used at various points in the station: upstream for the effluent flow entering, downstream for the outgoing treated water flow, at the sludge recirculation level ...
  • any sensors making it possible to monitor a parameter of particular interest in the wastewater treatment plant considered not mentioned above may be added.
  • the present invention proposes to implement an algorithm for the interpretation of the data, making it possible to calculate what is the probability that the sensors give the value that they display. If this probability is high, it is considered that there are no anomalies, if this probability is low the algorithm detects an anomaly.
  • a probability law is calculated for all the sensors
  • This second probability being very low, it is indicative of an anomaly.
  • This second probability being very low, it is indicative of an anomaly.
  • X j can all be measurements made in the station (for example among the examples of sensors listed above).
  • the algorithm has taken into account the dependence of the variable x 1 on the variable x 2 . Having a high O 2 concentration can be explained by the low concentration of pollutants at the inlet. Therefore, no anomalies are detected.
  • the algorithm shows very low probability values which are very easily explained in the following periods:
  • the algorithm shows much lower probability values than in the training period. These low probabilities can be explained by a change of station operator.
  • the present invention therefore relates to a method of operating a water treatment installation, which comprises a phase of detecting anomalies in the operation of the station, characterized in that the phase of detecting anomalies comprises the setting.
  • the data acquisition and processing system is also able to communicate as follows: - it is able to communicate with a dematerialized / hosted IT system (“cloud”);
  • the server is programmed to receive the data, store them in databases, convert this data into a format suitable for viewing, and process this data according to recommendations;
  • a digital medium such as for example a tablet, a telephone, a computer.

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Microbiology (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Organic Chemistry (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Physical Or Chemical Processes And Apparatus (AREA)

Abstract

Une méthode d'opération d'une installation de traitement des eaux, qui comporte une phase de détection d'anomalies dans le fonctionnement de la station, se caractérisant en ce que la phase de détection d'anomalies comporte la mise en oeuvre des mesures suivantes : - on dispose de données représentatives de l'état de fonctionnement de la station, données fournies par des capteurs installés à des endroits choisis de la station elle-même ou au niveau des canalisations d'entrée ou de sortie de la station, - on dispose également le cas échéant de données additionnelles situées dans le groupe formé par : i) des données de dates/périodes durant lesquelles le fonctionnement de la station est suivi; j) des données représentatives de l'état de la machine amont produisant les effluents à traiter dans la station; k) des données météo caractérisant les conditions climatiques dans lesquelles le fonctionnement de la station est suivi; - on dispose d'un système d'acquisition et de traitement de ces données, muni d'un algorithme de traitement de ces données, apte à réaliser les déterminations suivantes : a) à réaliser une phase d'apprentissage durant laquelle le système calcule les paramètres d'une loi de probabilité pour l'ensemble des capteurs ainsi que le cas échéant desdites données additionnelles; b) à réaliser une phase d'utilisation de l'algorithme où le système insère les valeurs qui sont lues en temps réel par les capteurs dans l'algorithme, pour calculer une densité de probabilité pour l'ensemble des capteurs et selon le résultat de cette densité, si cette probabilité est basse, conclure que les capteurs prennent des valeurs très différentes de celles qu'ils prenaient lors de la phase d'apprentissage, et pointer alors une anomalie.

Description

Méthode de détection d’anomalies dans une installation de traitement des eaux
La présente invention concerne le domaine du traitement des eaux.
Et plus précisément la présente invention s’intéresse à la détection d’anomalies de fonctionnement de stations de traitement des eaux.
On sait à titre illustratif que les anomalies détectées peuvent être les suivantes :
La détection de casses ou de pannes d’équipements ou d’instruments.
La détection d’un phénomène anormal par exemple un moussage.
La détection de changements opératoires (par exemple un changement d’opérateur).
La détection d’un changement de nature ou de quantité des effluents à traiter entrant dans le procédé.
...etc..
On le conçoit, cette détection d’anomalie peut être intéressante à plus d’un titre : d’une part, il est difficile (voire impossible) pour l’opérateur sur site de suivre tous les paramètres de la station en temps réel. Un algorithme de détection d’anomalies couplé avec des mesures pertinentes de différents paramètres de la station serait alors tout particulièrement avantageux pour permettre d’alerter très rapidement l'opérateur d’un problème sur la station, problème qu’il peut alors adresser dans les meilleurs délais.
d’autre part, les fournisseurs d’équipements et de consommables sont le plus souvent non présents sur la station. Ainsi, un tel outil pourrait être extrêmement intéressant pour les alerter en cas de panne d’un des équipements (ou de déviation par rapport à un fonctionnement « normal » annonciatrice d’une panne) ou encore les prévenir en cas de surconsommation (ou utilisation non optimale) de l’un des consommables (par exemple un gaz), et pour leur permettre de suivre en temps réel la probabilité d’anomalie de la station (et alerter et aider si nécessaire à distance l’opérateur sur site pour l’optimisation de son procédé). Les solutions proposées à l’heure actuelle dans cette industrie ou dans la littérature ne prônent pas l’utilisation de capteurs, elles prônent la réalisation d’analyses laboratoires, faites à intervalle régulier, par exemple toutes les semaines ou tous les mois, pour permettre de détecter une anomalie. On conçoit qu’alors la fréquence de détection d’anomalies est basse, cette méthode ne peut que faire rater bon nombre d'événements importants se produisant dans la station.
Une autre solution déjà évoquée, et sans doute un peu plus pertinente, consiste à la fois à suivre des analyses en laboratoires et les données fournies par des capteurs installés sur site donnant des mesures très régulièrement (par exemple toutes les 15 minutes).
Le problème dans ce cas est que l’opérateur a à sa disposition en général un très grand nombre de données du fait de nombreux capteurs, capteurs qui ont beaucoup de variabilité, et suivre tous ces capteurs indépendamment les uns des autres peut amener à déclencher beaucoup de fausses alarmes tout en ratant les “vraies” anomalies.
A titre illustratif, observée indépendamment des autres mesures, une hausse très importante de la concentration en oxygène peut déclencher une alarme parce que n’étant pas dans la moyenne, alors que cette hausse importante peut être expliquée par une baisse très importante de concentration de polluants dans l’effluent entrant, ce qui n’est pas une anomalie en soi. Dans ce cas on déclencherait une fausse alarme.
De même, une hausse du courant électrique de la pompe permettant l’aération des bassins peut avoir deux causes : une hausse du régime de la pompe (si par exemple on augmente le débit de gaz) ou une panne du moteur. La mesure du courant électrique seule est donc insuffisante pour fournir une alarme fiable, tandis que si elle est couplée avec d’autres mesures comme par exemple la demande en oxygène du bassin d’aération, la concentration en oxygène dissous, ou le débit en oxygène, et grâce à un outil de détection d’anomalie adapté, une alarme fiable peut être générée. Enfin, il est à noter que certaines stations de traitement des eaux s'opèrent de façon très variable en fonction du procédé en amont. On peut citer par exemple les stations d’épuration des eaux en aval de sites de production pharmaceutiques ou agroalimentaires : la nature de l’effluent va changer de façon drastique d’une production à l’autre, et donc les paramètres mesurés également. Associer les paramètres mesurés sur la station à un type de production amont permet alors de déterminer de façon immédiate si les variations observées sont attribuables à une anomalie ou à un changement dans la production amont.
On limite ainsi les fausses alarmes et maximise le nombre d’anomalies correctement détectées.
La présente invention a alors pour objectif de proposer une nouvelle méthode de détection des anomalies se produisant dans une telle installation de traitement d’effluents, méthode qui est basée sur un algorithme.
Comme nous le verrons plus en détails dans ce qui suit, la méthode proposée ici présente plusieurs avantages:
L’algorithme peut traiter des données de nature très variée, telles que mesures d’un capteur, état d’une machine (en service/arrêtée), numéro de production, données de calibration de capteurs, fichiers d’analyse de laboratoire., chaque donnée d’entrée étant associée à une probabilité d’occurrence ce qui permet l’analyse de scénario complexes.
L’algorithme permet de traiter un grand nombre de données. Avec l’augmentation attendue du nombre de capteurs et de données disponibles, il est capital d’avoir un outil permettant d’agréger toutes ces données, même en très grand nombre. Le nombre et la nature des données utilisées en entrée n’est pas limité.
Un modèle descriptif est complexe à mettre en œuvre, il nécessite des étapes de développement et validation pour chaque configuration de station d’épuration et éventuellement pour chaque mode de fonctionnement. L’algorithme proposé ici est au contraire un outil statistique, il est peu complexe à mettre en oeuvre et ne demande qu’une étape d’apprentissage à la mise en place. Il peut ensuite être enrichi de nouvelles données au fur et à mesure de la vie de la station, par exemple avec l’ajout de nouveaux capteurs ou de nouvelles sources d’informations relatives à la station ou à son environnement. - Il permet une analyse complexe en temps réel : en associant un grand nombre de signaux faibles (i.e. de faibles variations de différents paramètres qui ne déclenchent pas d'alertes quand on les regarde séparément les uns des autres) on peut révéler un problème plus important. Une loi de probabilité lie les différents signaux afin de les analyser de façon globale et respecter ainsi la dépendance entre certains évènements.
Peu importe le nombre et la nature des données utilisées, l’algorithme résulte en un seul indicateur qui reflète l’état général de la station : une probabilité. Si cette probabilité est élevée, cela signifie que la combinaison de données remontées dans l’algorithme est très probable ce qui signifie que le fonctionnement est normal. Si la probabilité est faible, cela signifie que soit un unique soit une combinaison de données de l’algorithme ont une probabilité faible d'occurrence et cette faible probabilité d’occurrence alerte sur une anomalie sur la station.
Comme expliqué précédemment, les données d’entrée du modèle peuvent être de nature variée. Il peut s’agir à titre d’exemple :
de capteurs : les capteurs peuvent être installés à divers endroits de la station par exemple au niveau des équipements (pompes, turbines, ... ), ou encore directement dans les bassins d’aération, ou au niveau des canalisations d’entrée ou de sortie de la station ... etc....
de dates : le fonctionnement peut être différent en fonction des saisons (arrêt de la station en été, températures plus froides en moyenne en hiver, ... ), du jour de la semaine (pas de production en amont de certaines stations les week end), ou encore de l’heure (moins d’effluent en entrée de station d’épuration municipale pendant la nuit) etc.... Il peut pour cela être intéressant de corréler les données de la station à l’heure, au jour de la semaine ou à la saison.
- d’état de la machine amont et de données de production amont : dans ces stations d’épuration d’eaux usées industrielles, la nature des effluents dépend du procédé en amont de la station. Pour cette raison, l’état de la machine en cours d’utilisation au niveau du procédé amont, ou la référence de la production en cours peut expliquer la nature de l'effluent, et donc être corrélé à certaines valeurs mesurées dans la station d’épuration. de données météo : des évènements climatiques (pluies abondantes, sécheresse, températures extrêmes) peuvent aussi être utilisés pour compléter la base de données grâce à laquelle l’outil de détection peut fonctionner.
On liste dans ce qui suit des exemples de capteurs pouvant être utilisés :
Capteur d’oxygène dissous : il peut s’agir d’un capteur électrochimique ou optique, mais on utilisera de préférence un capteur optique. Ce capteur placé dans le bassin d’aération permet une mesure de la concentration d’oxygène dissous.
Cette mesure peut être particulièrement pertinente simultanément à une forte aération du bassin, car le taux de croissance pendant l’aération (et de décroissance à l’arrêt de l’aération) de la concentration en oxygène dissous sont respectivement (couplés au débit d’aération) des bons indicateurs du bon fonctionnement des équipements aérations d’une part, et de la demande en oxygène des boues activées dans le bassin d’aération d’autre part.
Sonde électrochimique tel que des sondes pH, redox, on utilisera de préférence des sondes comportant 3 électrodes afin de compenser l’impact de certains ions interférents, ainsi que des sondes dotées de capteurs de température afin de compenser l’impact de la température. Le temps d’utilisation de la sonde, ainsi que la variation temporelle de la mesure peuvent aussi être suivis car ce sont des indicateurs du bon fonctionnement de la sonde, et donc de la fiabilité de la mesure.
Sonde à membrane sélective. Ces sondes électrochimiques comportent une membrane perméable pour certaines espèces chimiques seulement, elles permettent donc de mesurer les concentrations d’ammonium, de nitrate, ou autres espèces chimiques que l’on cherche à dégrader dans la station. De même que pour les sondes pH / redox, on préférera des sondes comportant 3 électrodes et une compensation en température.
Sonde spectrale : Il existe de plus en plus de sondes sur le marché permettant de mesurer la charge organique, la charge azotée ou la quantité de matière en suspension par spectrophotométrie. Plusieurs type de sondes peuvent être utilisés : mesure de l’absorbance à une ou plusieurs longueurs d’onde, mesure du pic de fluorescence sur une plage plus ou moins grande de longueurs d’onde. Dans tous les cas, la mesure optique peut être corrélée à la concentration de pollution organique ou azotée. On préférera des sondes permettant la mesure du spectre d’absorbance sur une plage étendue, permettant ainsi d’une part de compenser l’effet de la turbidité, et d’autre part de construire des corrélations plus robustes. Cette sonde sera avantageusement placée en amont et/ou en aval du bassin d'aération.
Analyseur en ligne : alternativement, les concentrations de différentes espèces chimiques peuvent être obtenues par des analyseurs en ligne. Dans ce cas, l’analyseur est avantageusement situé à proximité du bassin, et un échantillon est prélevé à intervalle régulier pour analyse.
Turbidité : Une sonde permettant la mesure de la turbidité peut être utilisée, ou toute autre mesure pouvant être corrélée à la turbidité, ou à la concentration de solides en suspension (lumière rétrodiffusée, lumière diffusée à 60°, lumière absorbée, ... ). Cette sonde pourra être placée en amont du bassin d’aération, ou en aval, ou directement dans le bassin d’aération.
Conductivité : La conductivité est un indicateur assez fiable et facilement mesurable de la qualité de l’eau. Elle peut dans certains cas être corrélée à la demande chimique en oxygène (DCO - dans des eaux municipales par exemple). Elle peut être mesurée par une méthode conductive ou inductive, ou toute autre méthode permettant d’estimer la conductivité. Cette sonde peut être placée dans les canalisations en amont ou aval de la station, ou dans le bassin d’aération directement.
Débit de gaz : le débit d’oxygène (ou d’air) injecté dans le bassin d’aération peut être suivi. Un débitmètre (de préférence un débitmètre massique thermique) est placé en amont de l’équipement d’injection de gaz dans le bassin.
Capteur de vibration. Les vibrations sont mesurées sur l’équipement d’injection de gaz dans l’eau. Le capteur est placé préférentiellement au niveau du motoréducteur (ou alternativement au niveau du moteur). Le signal suivi peut être au choix le spectre de vibration, ou une déviation par rapport à un spectre de vibration généré en fonctionnement normal.
Pince ampérométrique. Cette pince placée au niveau de l’alimentation électrique de l’équipement d’aération permet la mesure du courant du moteur. Cette pince peut être accompagnée d’une mesure de température.
Débit d’eau ou de boues : Des débitmètres à ultrason ou électromagnétiques peuvent être utilisés en divers points de la station : en amont pour le débit d’effluent entrant, en aval pour le débit d’eau traitée sortant, au niveau de la recirculation des boues...
Cette liste de capteurs n’est bien sûr qu’illustrative des capteurs pouvant être utilisés, nullement exhaustive.
Pour l’algorithme proposé selon la présente invention, tous capteurs permettant de suivre un paramètre ayant un intérêt particulier dans la station d’épuration considérée non cité ci-dessus pourra être ajouté.
Comme signalé précédemment, la présente invention propose de mettre en oeuvre un algorithme pour l’interprétation des données, permettant de calculer quelle est la probabilité que les capteurs donnent la valeur qu’ils affichent. Si cette probabilité est haute, on considère qu’il n’y a pas d’anomalies, si cette probabilité est basse l’algorithme détecte une anomalie.
Plus précisément :
dans une phase d'entraînement (i.e. de création d’un système expert) : on calcule une loi de probabilité pour l’ensemble des capteurs ;
dans la phase d’utilisation de l’algorithme : on insère les valeurs qui sont lues par les capteurs dans l’algorithme de calcul de probabilité. Si cette probabilité est basse, cela indique que les capteurs prennent des valeurs très différentes de celles qu’ils prenaient lors de la phase d’apprentissage, l’algorithme détecte, pointe, alors une anomalie.
Mathématiquement on présente deux exemples d’algorithme ci-dessous. Une version simplifiée avec des lois gaussiennes indépendantes et une version plus complexe et plus précise avec une gaussienne multivariée.
Algorithme 1 :
1. Entraînement sur la période de temps t1 à tm :
a. Choix des données d’entrées Xj(t) , j=l ...n, qui pourraient être indicatrices des anomalies. Ex : Xj peuvent être toutes des mesures faites dans la station (par exemple parmi les exemples de capteurs listés ci-dessus). b. Calcul des paramètres m1, ... , mh, s1, ... , sn avec les formules suivantes :
où m, = moyenne de la variable j sur la période d'entraînement, et s, = l'écart-type de la variable j sur la période d'entraînement.
2. Utilisation de l’algorithme pour la période de temps t > tm :
Etant donné un nouveau pas de temps t, calcul de p(t) :
On détecte une anomalie si : p(t) < e
Exemple numérique :
2 variables d’entrée :
- xl t concentration en oxygène dans le bassin
- x2, concentration des polluants en entrée
Sur une période d’entraînement de 3 mois, on calcule :
On se fixe un seuil minimum d’anomalie à e = 10-4.
Puis sur la période d’utilisation de l’algorithme, on observe les nouvelles valeurs de capteurs suivantes :
- X1(t) = 2.1 g/m3
- x2 (t) = 96 g/m 3
On peut alors calculer la densité de probabilité suivante : Sur ce premier pas de temps la probabilité est haute, on ne détecte donc pas d’anomalie.
Sur un deuxième pas de temps
X1(t) = 2.7 g/m3
x2 (t) = 85 g/m 3
Cette deuxième probabilité étant très basse, elle est indicatrice d’une anomalie.
Cette deuxième probabilité étant très basse, elle est indicatrice d’une anomalie.
Algorithme 2 :
1. Entraînement sur la période de temps tx à tm :
a. Choix des données d’entrées Xj(t) qui pourraient être indicatrices des anomalies. Ex : Xj peuvent être toutes des mesures faites dans la station (par exemple parmi les exemples de capteurs listés ci-dessus)..
b. Calcul des paramètres m et å avec les formules suivantes : (note : x, m et å sont multidimensionnels, dans cette deuxième version)
2. Utilisation de l’algorithme pour t > tm :
Etant donné un nouveau pas de temps t, calcul de p(t) :
On détecte une anomalie si : p(t) < e
Exemple numérique : On prend le même exemple que ci-dessus avec les valeurs du deuxième pas de temps :
- X1(t) = 2.7 g/m3
- x2 (t) = 85 g/m 3
On calcule alors :
On calcule alors la densité de probabilité suivante :
L’algorithme a bien pris en compte la dépendance de la variable x1 par rapport à la variable x2. Le fait d’avoir une concentration en 02 forte peut être expliqué par la concentration faible de polluants en entrée. On ne détecte donc pas d’anomalies.
On présente dans ce qui suit un exemple de mise en œuvre réalisé dans le cadre d’une station de traitement des eaux en France, où l’on a mis en place une vingtaine de capteurs parmi lesquels ceux listés ci-dessous :
- capteurs de concentration en oxygène dans des bassins
- capteurs de débit d’oxygène injecté
- capteur de pollution carbonée en entrée de bassin (mesure de DCO“Demande Chimique en Oxygène”, ici mesurée en laboratoire)
- capteur de solide en surface en entrée de bassin également (mesure de MES “Matières en Suspension”, ici mesurée en laboratoire)
- mesures de débit d’effluent en entrée de station
On présente sur le graphe annexé en figure 1 les résultats d’un calcul de probabilité. Représenté en abscisses le mois de la période considérée, et en ordonnées, le logarithme de la densité de probabilité calculé à chaque instant (Ici avec l'algorithme 2). Le logarithme permet d' "écraser les valeurs" pour mieux voir les fortes baisses de probabilités en certain instants. L’algorithme (le No2) est « entraîné » sur une période de deux mois (novembre et décembre). L’algorithme fournit ensuite la probabilité liée aux valeurs mesurées par les capteurs sur une période d’une année de décembre à décembre.
L’algorithme montre des valeurs de probabilité très basses qui s’expliquent très facilement dans les périodes suivantes :
- des périodes de vacances : fin décembre, mois d'août, différents jours fériés (au mois de mai par exemple)
- une période d’arrêt de la station tout début mars
Mais l’algorithme montre aussi des valeurs très basses dans les périodes suivantes :
- début juillet et tout septembre-octobre. A ce moment-là, il apparaît que le site a vu une formation de mousse dans la station. L’algorithme montre qu’il détecte effectivement une anomalie à cette période.
- déjà début juin, l’algorithme montre des valeurs de probabilité beaucoup plus basses que dans la période d’entraînement. Ces probabilités basses peuvent être expliquées par un changement d’opérateur de la station.
Ces deux derniers événements sont des anomalies très intéressantes à détecter à la fois pour le fournisseur de gaz mais aussi pour le site utilisateur, cela permet par exemple de comprendre une trop forte consommation d’oxygène sur les équipements. Cela pourrait également avoir un intérêt du point de vue de la sécurisation des installations.
En résumé on pointe bien sur la figure les faits suivants :
- en A : une première détection de mousse début juillet
- en B : beaucoup de mousse observée en septembre-octobre
- en C : le fait que ce phénomène aurait pu être anticipé dès juillet, suite à un changement d’opérateur dans la station.
La présente invention concerne alors une méthode d’opération d’une installation de traitement des eaux, qui comporte une phase de détection d’anomalies dans le fonctionnement de la station, se caractérisant en ce que la phase de détection d’anomalies comporte la mise en oeuvre des mesures suivantes : - on dispose de données représentatives de l’état de fonctionnement de la station, données fournies par des capteurs installés à des endroits choisis de la station elle-même ou au niveau des canalisations d’entrée ou de sortie de la station, ainsi que le cas échéant de données additionnelles situées dans le groupe formé par :
- i) des données de dates/périodes durant lesquelles le fonctionnement de la station est suivi ;
- j) des données représentatives de l’état de la machine amont produisant les effluents à traiter dans la station ;
- k) des données météo caractérisant les conditions climatiques dans lesquelles le fonctionnement de la station est suivi ;
- on dispose d’un système d’acquisition et de traitement de ces données, muni d’un algorithme de traitement de ces données, apte à réaliser les déterminations suivantes :
a. à réaliser une phase d'apprentissage durant laquelle le système calcule les paramètres d'une loi de probabilité pour l'ensemble des capteurs ainsi que le cas échéant desdites données additionnelles ;
b. à réaliser une phase d’utilisation de l’algorithme où le système insère les valeurs qui sont lues en temps réel par les capteurs dans l’algorithme, pour calculer une densité de probabilité pour l’ensemble des capteurs et selon le résultat de cette densité, si cette probabilité est basse, conclure que les capteurs prennent des valeurs très différentes de celles qu’ils prenaient lors de la phase d’apprentissage, et pointer alors une anomalie.
Selon un mode préféré de mise en œuvre de l’invention, le système d’acquisition et de traitements de données est également apte à communiquer de la façon suivante : - il est apte à communiquer avec un système d’informatique dématérialisée/hébergée (« cloud ») ;
- il est apte à transmettre des données (en filaire ou sans fil), agrégées, à un serveur ;
- le serveur est programmé pour recevoir les données, les stocker dans des bases de données, convertir ces données en un format adapté pour la visualisation, et traiter ces données selon des préconisations ;
- les résultats de l'algorithme, ainsi que les données nécessaires au calcul de l'algorithme, sont ainsi disponibles à distance sur un support digital tel que par exemple une tablette, un téléphone, un ordinateur.

Claims

REVENDICATIONS
1. Méthode d’opération d’une installation de traitement des eaux, qui comporte une phase de détection d’anomalies dans le fonctionnement de la station, se caractérisant en ce que la phase de détection d’anomalies comporte la mise en oeuvre des mesures suivantes :
- on dispose de données représentatives de l’état de fonctionnement de la station, données fournies par des capteurs installés à des endroits choisis de la station elle-même ou au niveau des canalisations d’entrée ou de sortie de la station,
- on dispose également le cas échéant de données additionnelles situées dans le groupe formé par : i) des données de dates/périodes durant lesquelles le fonctionnement de la station est suivi ; j) des données représentatives de l’état de la machine amont produisant les effluents à traiter dans la station ; k) des données météo caractérisant les conditions climatiques dans lesquelles le fonctionnement de la station est suivi ;
- on dispose d’un système d’acquisition et de traitement de ces données, muni d’un algorithme de traitement de ces données, apte à réaliser les déterminations suivantes : a) à réaliser une phase d'apprentissage durant laquelle le système calcule les paramètres d'une loi de probabilité pour l'ensemble des capteurs ainsi que le cas échéant desdites données additionnelles ; b) à réaliser une phase d’utilisation de l’algorithme où le système insère les valeurs qui sont lues en temps réel par les capteurs dans l’algorithme, pour calculer une densité de probabilité pour l’ensemble des capteurs et selon le résultat de cette densité, si cette probabilité est basse, conclure que les capteurs prennent des valeurs très différentes de celles qu’ils prenaient lors de la phase d’apprentissage, et pointer alors une anomalie.
2. Méthode selon la revendication 1 , se caractérisant en ce que le système d’acquisition et de traitement est apte :
- à communiquer avec un système d’informatique dématérialisée/hébergée (« cloud ») ;
- à transmettre lesdites données fournies par les capteurs, et le cas échéant lesdites données additionnelles, ainsi que les résultats fournis par l’algorithme, à un serveur distant, le serveur étant lui-même apte à recevoir les données, les stocker dans des bases de données, convertir ces données en un format adapté pour la visualisation, et traiter ces données selon des préconisations, permettant l’accès à distance à ces données et résultats sur un support digital pour toute personne autorisée.
EP20703280.6A 2019-03-22 2020-02-12 Méthode de détection d'anomalies dans une installation de traitement des eaux Withdrawn EP3942374A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19305357.6A EP3712735A1 (fr) 2019-03-22 2019-03-22 Méthode de détection d'anomalies dans une installation de traitement des eaux
PCT/EP2020/053650 WO2020193000A1 (fr) 2019-03-22 2020-02-12 Méthode de détection d'anomalies dans une installation de traitement des eaux

Publications (1)

Publication Number Publication Date
EP3942374A1 true EP3942374A1 (fr) 2022-01-26

Family

ID=66218028

Family Applications (2)

Application Number Title Priority Date Filing Date
EP19305357.6A Withdrawn EP3712735A1 (fr) 2019-03-22 2019-03-22 Méthode de détection d'anomalies dans une installation de traitement des eaux
EP20703280.6A Withdrawn EP3942374A1 (fr) 2019-03-22 2020-02-12 Méthode de détection d'anomalies dans une installation de traitement des eaux

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP19305357.6A Withdrawn EP3712735A1 (fr) 2019-03-22 2019-03-22 Méthode de détection d'anomalies dans une installation de traitement des eaux

Country Status (7)

Country Link
US (1) US20220153618A1 (fr)
EP (2) EP3712735A1 (fr)
JP (1) JP2022526143A (fr)
CN (1) CN113574485A (fr)
AU (1) AU2020246873A1 (fr)
CA (1) CA3132906A1 (fr)
WO (1) WO2020193000A1 (fr)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3712736A1 (fr) * 2019-03-22 2020-09-23 L'air Liquide, Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude Méthode de détection d'anomalies dans une installation de traitement des eaux mettant en oeuvre un appareil d'injection d'oxygène dans un bassin d'épuration
JP7775686B2 (ja) * 2021-12-13 2025-11-26 三機工業株式会社 水処理プラントの運転管理支援システム及び運転管理支援方法
CN115495499B (zh) 2022-09-22 2023-05-30 生态环境部南京环境科学研究所 一种基于污染场地同介质多批次海量数据的整合统计方法
JP7679440B2 (ja) * 2023-10-24 2025-05-19 株式会社西原ネオ 汚濁負荷監視システム及び汚濁負荷の把握方法
CN120373916B (zh) * 2025-06-27 2025-09-05 宁波欣智信息科技有限公司 基于多源水务传感器数据采集方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0626697B1 (fr) * 1993-05-21 1997-07-30 Hitachi, Ltd. Procédé de surveillance et de diagnostic des défaillances d'une installation
US20030236649A1 (en) * 2002-06-25 2003-12-25 Kodukula Prasad S. Water treatment monitoring system

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2784311B1 (fr) * 1998-10-09 2000-12-08 Air Liquide Dispositif d'agitation d'un liquide dans un reacteur et d'injection d'un gaz dans ce liquide
JP2001117626A (ja) * 1999-10-20 2001-04-27 Babcock Hitachi Kk プラント監視装置
JP2003005823A (ja) * 2001-06-20 2003-01-08 Hitachi Ltd 遠隔監視方法及び監視制御用オペレーション装置
FR2975606B1 (fr) * 2011-05-25 2013-05-31 Air Liquide Equipement pour l'injection d'un gaz dans un bassin d'epuration
FR3032273B1 (fr) * 2015-01-30 2019-06-21 Safran Aircraft Engines Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine
GB201502578D0 (en) * 2015-02-16 2015-04-01 Pulsar Process Measurement Ltd Pump monitoring method
US10082787B2 (en) * 2015-08-28 2018-09-25 International Business Machines Corporation Estimation of abnormal sensors
US10429830B2 (en) * 2015-10-02 2019-10-01 Aquasight LLC Systems and methods for optimizing water utility operation
WO2019045699A1 (fr) * 2017-08-30 2019-03-07 Siemens Aktiengesellschaft Modèle de mélange gaussien récurrent pour estimation d'état de capteur dans une surveillance d'état

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0626697B1 (fr) * 1993-05-21 1997-07-30 Hitachi, Ltd. Procédé de surveillance et de diagnostic des défaillances d'une installation
US20030236649A1 (en) * 2002-06-25 2003-12-25 Kodukula Prasad S. Water treatment monitoring system

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
See also references of WO2020193000A1 *
SOLOMON AMOS: "Anomaly detection algorithm implemented in Python My musings on Machine learning and AI", 12 September 2017 (2017-09-12), pages 1 - 9, XP055878643, Retrieved from the Internet <URL:https://udohsolomon.github.io/_posts/2017-09-12-Anomaly-detection/> [retrieved on 20220113] *

Also Published As

Publication number Publication date
EP3712735A1 (fr) 2020-09-23
CN113574485A (zh) 2021-10-29
JP2022526143A (ja) 2022-05-23
CA3132906A1 (fr) 2020-10-01
AU2020246873A1 (en) 2021-10-14
WO2020193000A1 (fr) 2020-10-01
US20220153618A1 (en) 2022-05-19

Similar Documents

Publication Publication Date Title
WO2020193000A1 (fr) Méthode de détection d&#39;anomalies dans une installation de traitement des eaux
Etheridge et al. Using in situ ultraviolet‐visual spectroscopy to measure nitrogen, carbon, phosphorus, and suspended solids concentrations at a high frequency in a brackish tidal marsh
CN110954482B (zh) 基于静止卫星和极轨卫星的大气污染网格化监控方法
AU2017333493B2 (en) A system and method for constant online water quality and safety monitoring of a fluid system
EP2920064B1 (fr) Procédé et systeme pour la surveillance de la qualité d&#39;eau de ballast dans un navire
FR2957097A1 (fr) Systeme et procede de surveillance de ressources dans un reseau de distribution d&#39;eau
CN119335940A (zh) 一种基于物联网的污水处理数据实时监控方法及系统
EP3478851B1 (fr) Procédé de contrôle de la concentration de bactéries dans un réseau de distribution d&#39;eau
Cuevas et al. Evolution of NO2 levels in Spain from 1996 to 2012
EP3688458A1 (fr) Detection et caracterisation ameliorees d&#39;anomalies dans un continuum d&#39;eau
EP2145051A2 (fr) Procede et installation de controle en temps reel de la qualite de l&#39;eau d&#39;un reseau de distribution
EP3721022B1 (fr) Procédé d&#39;évaluation de l&#39;état d&#39;un système de distribution d&#39;eau
Kim et al. Long-term behavior and stability of calibration models for NO and NO 2 low-cost sensors
Paramonov et al. Condensation/immersion mode ice-nucleating particles in a boreal environment
Shangguan et al. Autonomous in situ measurements of freshwater alkalinity
CN120293874A (zh) 一种基于全光谱分析的水质在线监测系统
CN117951584B (zh) 一种基于ai和物联网技术的海洋数据处理和信息调度系统
CN118378137A (zh) 排水管网故障确定方法、装置和设备
CN205449792U (zh) 一种水质采样装置及其监测系统
CN113125355A (zh) 水质监管系统
WO2019063648A1 (fr) Detection et caracterisation ameliorees d&#39;anomalies dans un continuum d&#39;eau
Bigi et al. Aerosol absorption using in situ filter-based photometers and ground-based sun photometry in the Po Valley urban atmosphere
RU2814957C2 (ru) Способ обнаружения аномалий в установке для обработки воды
CN120741808B (zh) 一种给排水水质异常检测方法及系统
CN119416119B (zh) 一种基于深度学习生成误差的水质异常数据监测方法及其系统

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20211022

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20230329

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Effective date: 20241217