RU2814957C2 - Способ обнаружения аномалий в установке для обработки воды - Google Patents
Способ обнаружения аномалий в установке для обработки воды Download PDFInfo
- Publication number
- RU2814957C2 RU2814957C2 RU2021128973A RU2021128973A RU2814957C2 RU 2814957 C2 RU2814957 C2 RU 2814957C2 RU 2021128973 A RU2021128973 A RU 2021128973A RU 2021128973 A RU2021128973 A RU 2021128973A RU 2814957 C2 RU2814957 C2 RU 2814957C2
- Authority
- RU
- Russia
- Prior art keywords
- data
- sensors
- installation
- algorithm
- probability
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000009434 installation Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 15
- 239000002351 wastewater Substances 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 12
- 239000000126 substance Substances 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 19
- 238000005259 measurement Methods 0.000 description 16
- 238000005273 aeration Methods 0.000 description 15
- 239000001301 oxygen Substances 0.000 description 14
- 229910052760 oxygen Inorganic materials 0.000 description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 13
- 239000007789 gas Substances 0.000 description 6
- 239000003344 environmental pollutant Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000013626 chemical specie Substances 0.000 description 3
- 239000006260 foam Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000010802 sludge Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000001845 vibrational spectrum Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- -1 nitrate ions Chemical class 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Abstract
Изобретение относится к обнаружению аномалий при эксплуатации установок для обработки воды. Техническим результатом является повышение безопасности работы установки. Способ содержит этапы, на которых получают данные от датчиков, отражающих рабочее состояние установки, и дополнительные данные и обрабатывают эти данные в системе для сбора и обработки, которая осуществляет этап обучения, в течение которого система вычисляет параметры распределения вероятностей, с учетом указанных данных, причем указанный алгоритм выдает указатель, отражающий общее состояние установки в виде вероятностного закона; этап применения алгоритма, на котором вводят значения, считанные датчиками в реальном времени, вычисляют значения плотности вероятности для всех датчиков и, в зависимости от результата вычисления этого значения плотности вероятности, если данное значение плотности вероятности является низким, делают вывод о том, что датчики предоставляют значения, отличные от значений, которые они предоставляли во время этапа обучения, и тогда отмечают аномалию при эксплуатации установки; причем указанный вероятностный закон представляет собой упрощенную версию с независимыми распределениями Гаусса или версию с многомерным распределением Гаусса. 1 з.п. ф-лы, 1 ил.
Description
Настоящее изобретение относится к области обработки воды.
В частности, настоящее изобретение относится к обнаружению аномалий при эксплуатации установок для обработки воды.
Например, известно, что обнаруживаемыми аномалиями могут являться следующие:
- обнаружение поломок или сбоев в оборудовании или приборах;
- обнаружение нештатного события, например пенообразования;
- обнаружение изменений условий эксплуатации (например смены оператора);
- обнаружение изменения в свойствах или количестве подлежащих обработке сточных вод, вводимых в процесс;
- и т.д.
Следует понимать, что такое обнаружение аномалий может являться полезным по более чем одной причине.
- С одной стороны, отслеживание оператором на объекте всех параметров установки в реальном времени является затруднительным (если не невозможным). Поэтому для того, чтобы сделать возможным скорейшее предупреждение оператора о проблеме в установке, чтобы решением этой проблемы можно было бы заняться при первой возможности, был бы особенно преимущественным алгоритм обнаружения аномалий, связанный с актуальными результатами измерений различных параметров установки.
- С другой стороны, поставщики оборудования и расходных материалов обычно не присутствуют на установке. Поэтому такое инструментальное средство было бы чрезвычайно полезным для оповещения поставщиков в случае отказа одной из единиц оборудования (или в случае указывающего на отказ отклонения от «штатной» эксплуатации) или же для предупреждения отказов в случае перерасхода (или неоптимального использования) одного из расходных материалов (например газа) и для обеспечения возможности отслеживания поставщиками в реальном времени вероятности аномалии в установке (и для предупреждения и помощи оператору на объекте, если это необходимо, то удаленно, с целью оптимизации процесса).
В решениях, предложенных в настоящее время в данной отрасли промышленности и литературе, не рекомендуется применение датчиков; для обеспечения возможности обнаружения аномалии рекомендуется исполнение лабораторных анализов, которые выполняются через равные промежутки времени, например каждую неделю или каждый месяц. Поэтому понятно, что частота обнаружения аномалий является низкой и данный способ может пропускать большое количество главных событий, наступающих в установке.
Другое решение, уже описанное и, вероятно, несколько более актуальное, состоит в отслеживании как лабораторных анализов, так и данных, предоставляемых датчиками, которые установлены на объекте и предоставляют результаты измерений весьма регулярно (например каждые 15 минут).
В этом случае проблемой является то, что вследствие наличия многочисленных датчиков, имеющих значительную изменчивость, оператор обычно имеет в доступе очень большой объем данных, и отслеживание всех этих датчиков независимо друг от друга может приводить к срабатыванию множества ложных сигналов тревоги и, в то же время, пропуску «истинных» аномалий.
Например, при рассмотрении независимо от других результатов измерений весьма значительное увеличение концентрации кислорода может приводить к срабатыванию сигнала тревоги, так как это является отклонением от нормы, однако столь значительное увеличение может объясняться весьма значительным уменьшением концентрации загрязнителей в поступающих сточных водах, что само по себе не является аномалией. В этом случае будет срабатывать ложный сигнал тревоги.
Аналогично, увеличение силы электрического тока насоса, аэрирующего резервуары, может иметь две причины: увеличение скорости насоса (например, если увеличивается расход газа) или отказ двигателя. Поэтому сам по себе результат измерения электрического тока является недостаточным для предоставления надежного сигнала тревоги, тогда как если он связан с результатами других измерений, например с потребностью в кислороде аэрационного резервуара, концентрацией растворенного кислорода или расходом кислорода, при помощи подходящего инструментального средства обнаружения аномалий можно сгенерировать надежный сигнал тревоги.
Наконец, следует отметить, что в зависимости от процесса выше по потоку некоторые установки для обработки воды значительно отличаются в их эксплуатации.
Например, можно упомянуть установки для очистки воды ниже по потоку относительно фармацевтических и агропромышленных производственных объектов: свойства сточных вод и, таким образом, измеряемые параметры будут резко изменяться от одного технологического цикла к другому. Тогда наличие связи параметров, измеряемых на установке, с технологическим циклом выше по потоку делает возможным немедленное определение возможности отнесения наблюдаемых изменений к аномалии или изменению в технологическом цикле выше по потоку.
Таким образом, ограничиваются ложные сигналы тревоги и доводится до максимума количество обнаруженных аномалий.
Тогда целью настоящего изобретения является предоставление нового способа обнаружения аномалий, возникающих в указанной установке для обработки сточных вод, причем указанный способ основан на алгоритме.
Как будет более подробно видно ниже в данном документе, предложенный в данном документе способ имеет множество преимуществ.
- Указанный алгоритм выполнен с возможностью обработки данных с весьма различными свойствами, таких как результаты измерений датчиков, состояние машины (в эксплуатации/остановлена), номер технологического цикла, калибровочные данные датчиков, файлы лабораторных анализов, при этом каждый элемент данных связывается с вероятностью наступления события, что позволяет анализировать сложные сценарии.
- Алгоритм делает возможной обработку большого объема данных. При условии ожидаемого увеличения количества датчиков и объема доступных данных важно иметь инструментальное средство, делающее возможным агрегирование всех этих данных даже тогда, когда имеется очень большой объем данных. Объем и свойства используемых входных данных не ограничены.
- Описательная модель является сложной для реализации; она требует этапов разработки и валидации для каждой конфигурации установки для очистки и, возможно, для каждого режима работы. Предложенный алгоритм, напротив, представляет собой статистическое инструментальное средство; его легко реализовать и он требует лишь одного этапа обучения во время установки. Затем он может дополняться новыми данными в течение срока службы установки, например при добавлении новых датчиков или новых источников информации, относящейся к установке или ее окружению.
- Это делает возможным комплексный анализ в реальном времени: за счет увязки большого количества слабых сигналов (т.е. небольших изменений в различных параметрах, которые не приводят к срабатыванию предупреждений при их рассмотрении отдельно друг от друга) можно выявить более значимую проблему. Распределение вероятностей связывает различные сигналы с целью их анализа с глобальной точки зрения и, таким образом, в отношении зависимости между определенными событиями.
- Независимо от объема и свойств используемых данных алгоритм приводит к единственному указателю, отражающему общее состояние установки: вероятности. Если эта вероятность является высокой, это означает, что комбинация данных, введенных в алгоритм, является весьма вероятной, и это означает, что эксплуатация является штатной. Если вероятность является низкой, это означает, что или единичный элемент данных, или комбинация элементов данных алгоритма имеет низкую вероятность наступления, и эта низкая вероятность наступления предупреждает об аномалии в установке.
Как объяснено выше, входные данные модели могут иметь переменные свойства. Они, например, могут относиться к следующему.
- Датчики: датчики могут быть установлены в различных местоположениях в установке, например на оборудовании (насосах, турбинах и т.д.) или даже непосредственно в аэрационных резервуарах, или на впускных или выпускных трубопроводах установки и т.д.
- Даты: эксплуатация может отличаться в зависимости от времен года (прекращение эксплуатации установки летом, снижение средних температур зимой и т.д.), дня недели (на некоторых установках производство выше по потоку отсутствует по выходным) или даже времени суток (городская установка для очистки принимает меньше сточных вод ночью) и т.д. По этой причине может быть полезно скоррелировать данные установки со временем суток, днем недели или временем года.
- Состояние машины выше по потоку и производственных данных выше по потоку: в этих установках для очистки отработанной промышленной воды свойства сточных вод зависят от процесса выше по потоку относительно установки. По этой причине состояние машины, используемой в процессе выше по потоку, или эталонный находящийся в процессе выполнения технологический цикл может объяснять свойства сточных вод, поэтому их можно скоррелировать с определенными значениями, измеряемыми в установке для очистки.
- Погодные данные: климатические явления (сильный ливень, засуха, экстремальные температуры) также можно использовать для дополнения базы данных, при помощи которой может действовать инструментальное средство обнаружения.
Ниже приведен список примеров датчиков, которые могут использоваться.
- Датчик растворенного кислорода: он может представлять собой электрохимический или оптический датчик; однако предпочтительно будет использоваться оптический датчик. Этот датчик, размещенный в аэрационном резервуаре, делает возможным измерение концентрации растворенного кислорода.
Данное измерение может являться особенно актуальным одновременно с сильной аэрацией резервуара, так как скорость увеличения концентрации растворенного кислорода во время аэрации (и ее уменьшения после прекращения аэрации) являются (наряду с расходом при аэрации) полезными показателями, с одной стороны, правильной эксплуатации аэрационного оборудования и, с другой стороны, потребности в кислороде активного ила в аэрационном резервуаре.
- Электрохимический зонд, такой как детектор рН или окислительно-восстановительный зонд; предпочтительно будут использоваться зонды, содержащие 3 электрода для компенсации влияния некоторых мешающих ионов, а также зонды, оснащенные датчиками температуры для компенсации влияния температуры. Можно отслеживать время использования зонда, а также изменения во времени результата измерения, так как они являются показателями правильной эксплуатации зонда и, таким образом, надежности результата измерения.
- Селективный мембранный зонд: такие электрохимические зонды содержат мембрану, проницаемую лишь для определенных химических частиц; поэтому они делают возможным измерение концентраций ионов аммония, нитрата или других химических частиц, которые склонны к распаду в установке. Подобно детекторам pH и окислительно-восстановительным зондам предпочтительными будут являться зонды, содержащие 3 электрода и обеспечивающие компенсацию влияния температуры.
- Спектральный зонд: на рынке доступно возрастающее количество зондов, делающих возможным измерение органической нагрузки, азотной нагрузки или количества взвешенного вещества при помощи спектрофотометрии. Можно использовать большое количество типов зондов: для измерения поглощения на одной или более длин волн, для измерения максимума флуоресценции в относительно широком диапазоне длин волн. Во всех случаях результат оптического измерения можно скоррелировать с концентрацией органических и азотсодержащих загрязнителей. Предпочтительными будут являться зонды, делающие возможным измерение спектра поглощения в расширенном диапазоне, что делает возможными, с одной стороны, компенсацию влияния мутности и, с другой стороны, построение более надежных корреляций. Данный зонд преимущественно будет размещен выше по потоку и/или ниже по потоку относительно аэрационного резервуара.
- Поточный анализатор: альтернативно значения концентрации различных химических частиц могут быть получены при помощи поточных анализаторов. В этом случае анализатор предпочтительно располагают вблизи резервуара и пробу для анализа отбирают через равные промежутки времени.
- Мутность: можно использовать зонд, делающий возможным измерение мутности или любое другое измерение, которое можно скоррелировать с мутностью или с концентрацией твердых веществ в суспензии (обратно рассеянный свет, свет, рассеянный под углом 60°, поглощенный свет и т.д.). Данный зонд, вероятно, будет размещен выше по потоку относительно аэрационного резервуара или ниже по потоку, или непосредственно в аэрационном резервуаре.
- Проводимость: проводимость представляет собой весьма надежный и легко измеримый показатель качества воды. В некоторых случаях ее можно скоррелировать с химическим потреблением кислорода (ХПК - например в воде для городского потребления). Ее можно измерить кондуктивным или индуктивным способом, или любым другим способом, делающим возможной оценку проводимости. Данный зонд может быть размещен в трубопроводах выше по потоку или ниже по потоку относительно установки, или непосредственно в аэрационном резервуаре.
- Расход газа: может отслеживаться расход кислорода (или воздуха), нагнетаемого в аэрационный резервуар. Выше по потоку относительно оборудования для нагнетания газа в резервуар размещен расходомер (предпочтительно тепловой расходомер).
- Датчик вибраций: измеряются вибрации оборудования для нагнетания газа в воду. Этот датчик предпочтительно размещают на редукторном двигателе (или альтернативно на двигателе). Отслеживаемый сигнал может быть выбран из спектра вибраций или отклонения от спектра вибраций, генерируемого при штатной эксплуатации.
- Токоизмерительные клещи: эти клещи, размещенные вокруг источника питания аэрационного оборудования, делают возможным измерение тока двигателя. Эти клещи могут сопровождаться измерением температуры.
- Расход воды или ила: ультразвуковые или электромагнитные расходомеры могут использоваться в различных местах установки: выше по потоку относительно входящего потока сточных вод, ниже по потоку относительно выходящего потока обработанной воды, в ходе рециркуляции ила и т.д.
Данный список датчиков, разумеется, является лишь иллюстрацией датчиков, которые могут использоваться, и никоим образом не является исчерпывающим.
Что касается алгоритма, предложенного согласно настоящему изобретению, могут быть добавлены любые датчики, делающие возможным отслеживание параметра, представляющего особый интерес, в рассматриваемой установке для очистки, и не упомянутые выше.
Как описано выше, в настоящем изобретении предложена реализация алгоритма для интерпретации данных, делающего возможным вычисление, какова вероятность того, что датчики предоставят значение, которое они отображают. Если эта вероятность является высокой, считается, что аномалии отсутствуют; если эта вероятность является низкой, алгоритм обнаруживает аномалию.
Точнее:
- на этапе обучения (т.е. на этапе создания экспертной системы) вычисляется распределение вероятностей для всех датчиков;
- на этапе применения алгоритма значения, считанные датчиками, вводятся в алгоритм вычисления вероятности. Если вероятность является низкой, это указывает на то, что датчики предоставляют значения, весьма отличные от значений, которые они предоставляли во время этапа обучения; таким образом, алгоритм обнаруживает, или отмечает, аномалию.
Ниже в математической форме представлены два примера алгоритмов: упрощенная версия с независимыми распределениями Гаусса и более сложная и более точная версия с многомерным распределением Гаусса.
Алгоритм 1:
1. Обучение в течение периода времени от t1 до tm:
a. выбор входных данных xj(t), где j=1…n, которые могут указывать на аномалии. Например: xj может представлять собой результаты всех измерений, выполненных в установке (например при помощи примерных датчиков, перечисленных выше);
b. вычисление параметров μ1, …, μn, σ1, …, σn по следующим формулам:
где μj - среднее переменной j за период обучения, и σj - стандартное отклонение переменной j за период обучения.
2. Использование алгоритма для периода времени t > tm:
рассмотрение нового временного интервала t, вычисление p(t):
Аномалия обнаружена, если: p(t) < ϵ
Численный пример:
2 входные переменные:
- x1, концентрация кислорода в резервуаре
- x2, концентрация загрязнителей на впуске
За период обучения в течение 3 месяцев вычислено следующее:
μ1 = 2 г/м3
μ2 = 100 г(углерод)/м3
σ1 = 0,3 г/м3
σ2 = 5 г(углерод)/м3
Минимальный порог аномалии устанавливают на .
Затем в течение периода применения алгоритма получают следующие новые значения датчиков:
- x1(t) = 2,1 г/м3
- x2(t) = 96 г/м3
Тогда можно вычислить следующую плотность вероятности:
В течение этого первого временного интервала вероятность является высокой; следовательно, аномалии не обнаружено.
В течение второго временного интервала
- x1(t) = 2,7 г/м3
- x2(t) = 85 г/м3
Так как вторая вероятность является весьма низкой, это указывает на аномалию.
Так как вторая вероятность является весьма низкой, это указывает на аномалию.
Алгоритм 2:
1. Обучение в течение периода времени от t1 до tm:
a. выбор входных данных xj(t), которые могут указывать на аномалии. Например: xj может представлять собой результаты всех измерений, выполненных в установке (например при помощи примерных датчиков, перечисленных выше);
b. вычисление параметров μ и Σ по следующим формулам: (примечание: x, μ и Σ в данной второй версии являются многомерными)
2. Использование алгоритма для t > tm:
рассмотрение нового временного интервала t, вычисление p(t):
Аномалия обнаружена, если: p(t) < ϵ
Численный пример:
ниже рассмотрен тот же пример, что и выше, со значениями второго временного интервала:
- x1(t) = 2,7 г/м3
- x2(t) = 85 г/м3
Таким образом, вычисляют следующее:
-
- ]
Затем вычисляются следующую плотность вероятности:
Алгоритм допускает зависимость переменной x1 от переменной x2. Высокую концентрацию O2 можно объяснить низкой концентрацией загрязнителей на впуске. Поэтому аномалии не обнаружены.
Ниже будет представлен примерный вариант осуществления, реализованный во Франции в контексте установки для обработки воды, в которой скомпонованы приблизительно двадцать датчиков из следующего списка:
- датчики концентрации кислорода в резервуаре;
- датчики расхода нагнетаемого кислорода;
- датчики углеродсодержащих загрязнителей на впуске резервуара (измерение ХПК, или «химической потребности в кислороде», в данном случае осуществляется в лаборатории);
- датчики твердых веществ на поверхности, аналогично на впуске резервуара (измерение SM, «взвешенных веществ», в данном случае осуществляется в лаборатории);
- измерения расхода сточных вод на впуске установки.
На приложенном графике на фиг. 1 представлены результаты вычисления вероятности.
На оси абсцисс обозначены месяцы рассматриваемого периода, а на оси ординат обозначен логарифм вычисленной (в данном случае с помощью алгоритма 2) плотности вероятности в каждый момент времени. Логарифм позволяет «сгладить значения», чтобы были лучше видны значительные перепады вероятности в некоторые моменты времени.
Алгоритм (алгоритм №2) «обучали» в течение двух месяцев (ноябрь и декабрь). Затем алгоритм предоставляет вероятность, связанную со значениями, которые были измерены датчиками в течение одного года, с декабря по декабрь.
Алгоритм показывает весьма низкие значения вероятности, которые можно легко объяснить в следующие периоды:
- отпускные периоды: конец декабря, август, различные банковские выходные дни (например в мае);
- период прекращения эксплуатации установки в самом начале марта.
Однако алгоритм также показывает весьма низкие значения в следующие периоды:
- начало июля и в течение всего сентября и октября. В это время в установке на объекте, по-видимому, образовывалась пена. Алгоритм показывает, что с его помощью в течение данного периода эффективно обнаруживается аномалия;
- уже в начале июня алгоритм показывает намного более низкие значения вероятности, чем во время периода обучения. Эти низкие вероятности можно объяснить сменой оператора установки.
Обнаружение двух последних событий является весьма полезным как для поставщика газа, так и для пользователя объекта; оно делает возможным, например, понимание причин избыточного потребления кислорода оборудованием. Это также может быть полезно с точки зрения обеспечения безопасности установок.
Подводя итог вышесказанному, исходя из данной фигуры можно предположить следующие факты:
- A: пена была впервые обнаружена в начале июля
- В: большое количество пены наблюдалось в сентябре-октябре
- С: данное явление можно было предвидеть уже в июле после смены оператора на установке.
Таким образом, настоящее изобретение относится к способу эксплуатации установки для обработки воды, который включает этап обнаружения аномалий при эксплуатации установки, который характеризуется тем, что этап обнаружения аномалий включает реализацию следующих мер:
- получение данных, отражающих рабочее состояние установки, при этом эти данные предоставляют датчики, установленные в выбранных местоположениях в самой установке или во входных или выходных трубопроводах установки, и, в случае необходимости, также предоставляют дополнительные данные, которые включены в группу, образованную следующими данными:
- i) данные в отношении дат/периодов, в течение которых отслеживали работу установки;
- j) данные, отражающие состояние машины выше по потоку, производящей сточные воды, которые подлежат обработке в установке;
- k) погодные данные, характеризующие климатические условия, в которых отслеживали работу установки;
- предоставление системы для сбора и обработки указанных данных, которая оснащена алгоритмом для обработки этих данных, выполненным с возможностью осуществления следующего:
a. осуществление этапа обучения, в течение которого система вычисляет параметры распределения вероятностей для всех датчиков и, в случае необходимости, указанных дополнительных данных;
b. осуществление этапа применения алгоритма, на котором система вводит в алгоритм значения, считанные датчиками в реальном времени, с целью вычисления плотности вероятности для всех датчиков и, в зависимости от результата вычисления этой плотности, если вероятность является низкой, делает вывод о том, что датчики предоставляют значения, весьма отличные от значений, которые они предоставляли во время этапа обучения, и тогда отмечает аномалию.
Согласно предпочтительному варианту осуществления настоящего изобретения система для сбора и обработки данных также выполнена с возможностью осуществления связи следующим образом:
- она выполнена с возможностью осуществления связи с облачной/серверной информационно-технологической системой;
- она выполнена с возможностью передачи агрегированных данных (проводным или беспроводным образом) на сервер;
- сервер запрограммирован на прием данных, их хранение в базах данных, преобразование этих данных в формат, подходящий для просмотра, и обработки указанных данных в соответствии с рекомендациями;
- результаты алгоритма, а также данные, необходимые для вычислений алгоритма, таким образом, являются доступными удаленным образом на цифровом носителе, таком как планшет, телефон, компьютер.
Claims (13)
1. Способ обнаружения аномалий при эксплуатации установки для обработки воды, отличающийся тем, что включает реализацию следующих мер:
- получение данных, отражающих рабочее состояние установки, при этом эти данные предоставляют датчики, установленные в выбранных местоположениях в самой установке или во входных или выходных трубопроводах установки,
- получение дополнительных данных, которые включены в группу, образованную следующими данными:
i) данные в отношении дат/периодов, в течение которых отслеживали работу установки;
j) данные, отражающие состояние машины выше по потоку, производящей сточные воды, которые подлежат обработке в установке;
k) погодные данные, характеризующие климатические условия, в которых отслеживали работу установки;
- предоставление системы для сбора и обработки указанных данных, которая оснащена алгоритмом для обработки этих данных, выполненным с возможностью осуществления следующего:
a) осуществление этапа обучения, в течение которого система вычисляет параметры распределения вероятностей, с учетом данных, измеренных указанными датчиками, и с учетом указанных дополнительных данных, причем указанный алгоритм выдает указатель, отражающий общее состояние установки в виде вероятностного закона;
b) осуществление этапа применения алгоритма, на котором система вводит в алгоритм значения, считанные датчиками в реальном времени, с целью вычисления значения плотности вероятности для всех датчиков и, в зависимости от результата вычисления этого значения плотности вероятности, если данное значение плотности вероятности является низким, т. е. ниже фиксированного порога, делает вывод о том, что датчики предоставляют значения, отличные от значений, которые они предоставляли во время этапа обучения, и тогда отмечает аномалию при эксплуатации установки;
причем указанный вероятностный закон представляет собой упрощенную версию с независимыми распределениями Гаусса или версию с многомерным распределением Гаусса.
2. Способ по п. 1, отличающийся тем, что система сбора и обработки данных выполнена с возможностью:
- осуществления связи с облачной/серверной информационно-технологической системой;
- передачи указанных данных, предоставленных датчиками, и, в случае необходимости, указанных дополнительных данных, а также результатов, предоставленных алгоритмом, на удаленный сервер, при этом сам сервер выполнен с возможностью приема данных, их хранения в базах данных, преобразования этих данных в формат, подходящий для просмотра, и обработки указанных данных в соответствии с рекомендациями, обеспечивающими возможность удаленного доступа к этим данным и результатам на цифровом носителе для всех уполномоченных лиц.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19305357.6 | 2019-03-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2021128973A RU2021128973A (ru) | 2023-04-05 |
| RU2814957C2 true RU2814957C2 (ru) | 2024-03-07 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011081514A1 (en) * | 2009-12-31 | 2011-07-07 | Petroliam Nasional Berhad (Petronas) | Method and apparatus for monitoring performance and anticipate failures of plant instrumentation |
| RU2573471C2 (ru) * | 2009-09-18 | 2016-01-20 | Херайзн Ойлфилд Сольюшнс Инк. | Установка и способ концентрирования загрязнений в сточных водах |
| EP2743602B1 (fr) * | 2012-12-17 | 2016-03-09 | Electricité de France | Détection d'anomalie dans un système de fourniture d'eau chaude |
| US20170060124A1 (en) * | 2015-08-28 | 2017-03-02 | International Business Machines Corporation | Estimation of abnormal sensors |
| US20170097647A1 (en) * | 2015-10-02 | 2017-04-06 | Aquasight LLC | Systems and methods for optimizing water utility operation |
| WO2019045699A1 (en) * | 2017-08-30 | 2019-03-07 | Siemens Aktiengesellschaft | RECURRENT GAUSSIAN MIXTURE MODEL FOR ESTIMATING SENSOR STATUS IN STATUS MONITORING |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2573471C2 (ru) * | 2009-09-18 | 2016-01-20 | Херайзн Ойлфилд Сольюшнс Инк. | Установка и способ концентрирования загрязнений в сточных водах |
| WO2011081514A1 (en) * | 2009-12-31 | 2011-07-07 | Petroliam Nasional Berhad (Petronas) | Method and apparatus for monitoring performance and anticipate failures of plant instrumentation |
| EP2743602B1 (fr) * | 2012-12-17 | 2016-03-09 | Electricité de France | Détection d'anomalie dans un système de fourniture d'eau chaude |
| US20170060124A1 (en) * | 2015-08-28 | 2017-03-02 | International Business Machines Corporation | Estimation of abnormal sensors |
| US20170097647A1 (en) * | 2015-10-02 | 2017-04-06 | Aquasight LLC | Systems and methods for optimizing water utility operation |
| WO2019045699A1 (en) * | 2017-08-30 | 2019-03-07 | Siemens Aktiengesellschaft | RECURRENT GAUSSIAN MIXTURE MODEL FOR ESTIMATING SENSOR STATUS IN STATUS MONITORING |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11021376B2 (en) | Water network monitor, monitoring system and method | |
| CN111898691B (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
| CN109891032B (zh) | 用于一流体系统的常规在线水质及安全监测的系统及方法 | |
| EP2920064B1 (en) | A method and system for monitoring quality of ballast water of a vessel | |
| US20220153618A1 (en) | Method for detecting anomalies in a water treatment plant | |
| US8920619B2 (en) | Carbon nanotube sensor | |
| WO2012069992A2 (en) | Remote monitoring of carbon nanotube sensor | |
| EP2145051A2 (fr) | Procede et installation de controle en temps reel de la qualite de l'eau d'un reseau de distribution | |
| Li et al. | A reliable sewage quality abnormal event monitoring system | |
| CN204143214U (zh) | 一种水质预警及控制排放系统 | |
| AU2017291053B2 (en) | Process for monitoring the concentration of bacteria in a water distribution network | |
| EP3721022B1 (fr) | Procédé d'évaluation de l'état d'un système de distribution d'eau | |
| RU2814957C2 (ru) | Способ обнаружения аномалий в установке для обработки воды | |
| Näykki et al. | Application of the Nordtest method for “real-time” uncertainty estimation of on-line field measurement | |
| CN113125355A (zh) | 水质监管系统 | |
| CN112229975B (zh) | 一种水质在线监测装置和监测方法 | |
| Ziya Öztürk et al. | Evaluation of a fast wastewater odour characterisation procedure using a chemical sensor array | |
| Thompson et al. | Protecting water quality and public health using a smart grid | |
| CN110648505A (zh) | 气体监测自动化报警仪表系统 | |
| Gujral et al. | Automatic water level and water quality monitoring | |
| CN117109665B (zh) | 一种河流生态环境数据在线监测方法及系统 | |
| Rachmatika et al. | Development of realtime, handheld and portable flood distribution and water quality sensor based android smartphone | |
| Aravindaguru et al. | Streamlining Industrial Wastewater Management Through Real Time IoT Cloud Monitoring | |
| Winkler et al. | Investigative monitoring in the context of detecting anthropogenic impact on an epipotamal river | |
| CN117825645A (zh) | 一种天然水的智能处理方法及装置 |