用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能系统和方法技术方案

本文介绍了分析从水厂获取的历史和实时数据，使用先进技术确定过程和资产健康诊断和异常检测，并基于这些确定控制水厂和/或提供警报的系统和方法。

An Intelligent System for Process and Asset Health Diagnosis, Abnormal Detection and Control in Wastewater Treatment Plant or Drinking Water Plant

【技术实现步骤摘要】
【国外来华专利技术】用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能系统和方法
本文公开了分析从水厂获取的历史和实时数据的系统和方法，使用先进技术确定过程和资产健康诊断和异常检测，并基于这些确定来控制水厂和/或提供警报。
技术介绍
废水处理厂和饮用水厂需要日常监测和运行，以确保过程卫生达到排放标准，同时降低运行成本。处理过程诊断、数据异常识别、设备健康诊断是操作人员采取正确的决策或控制动作的关键步骤。传统上，水处理是漫长的过程，需要利用传感器(如水质传感器和资产传感器)或实验室测试生成的大量数据。目前，大多数的日常诊断都是由人根据经验和简单的数据分析(如阈值判断)做出的。很难同时处理多个参数来分析可能的传感器欺骗或健康问题，从而始终进行最佳控制。不同的人做出这样的决定和判断可能导致水厂管理的质量水平不同。另外，在工厂设计和运行过程中，根据经验保留较大的裕度，以确保即使在最坏的情况下也能达到排放标准，这导致更高的运行成本。智能诊断系统能帮助人们提高日常操作效率，提高诊断质量，使诊断更全面和可靠。这样的系统也有助于提高运行质量，及时预防故障，最终提高效益。因此，需要一种方法和系统来快速、连续、准确地诊断过程和资产健康状况、检测异常，并高质量经济有效地动态控制水处理过程。
技术实现思路
本专利技术公开了用于废水处理厂或饮用水厂的过程和资产健康诊断和异常检测的智能方法或系统。该系统包括用于确定包括过程和资产健康状况在内的工厂健康状况的整个诊断方法。能够将结果作为通知推送到用户界面，或者推送到控制系统，以便根据结果采取动作。诊断数据能从一个或更多个流入传感器、资产传感器、过程传感器、排放传感器、实验室试验、工厂动态或静态模拟模型、用于模拟或预测工厂过程或资产的任何其他模型等获得。与传统的人类经验或简单阈值方法相比，本文所描述的系统和方法结合了一系列先进的方法或算法，以获得更全面、更可靠的诊断结果。本文所述的系统和方法向最终用户提供智能水厂诊断服务或产品，以便更好地监测和管理日常操作。算法或模型可以是但不限于监督学习、无监督学习、风险识别、异常检测、统计分析、交叉验证等。所有的算法或模型都能随着数据的加载而连续升级。另外，本文公开了使用具有基于物理模型和基于工厂数据的模型/算法的协同作用的预测分析对水厂进行动态控制和操作的方法和系统。水处理厂包括废水处理厂和饮用水处理厂。系统的实施例获取工厂数据，采集工厂动态特征，在其智能模块“工厂健康诊断”和“高级控制器”中进行分析以主动预测工厂性能以及优化其控制和运行，然后将优化后的控制策略传递给厂下控制系统进行实时控制。智能模块是基于工厂物理模型和基于数据模型/算法的协同作用的地方。该智能控制系统将工厂运行控制从传统的经验水平提高到基于知识和数据的水平，并能够处理更复杂的情况，使工厂控制和运行更加可靠和有效。水处理控制的智能控制能基于工厂设施的动态状态有效地利用工厂设施，平衡排放质量和工厂运行成本，提高工厂的生产效率和可靠性。本文还公开了一种快速求解具有一定安全水平的最优控制策略或参数的方法或方式。本专利技术公开了一种智能水厂健康诊断和异常检测方法的实施例，包括从水厂获取数据；对获取到的数据进行分析以对水厂进行健康诊断或异常检测；并基于水厂的健康诊断或异常检测采取一个或更多个动作。一方面，水处理厂包括废水处理厂或饮用水处理厂。从水厂获取数据可包括使用一个或更多个流入传感器、资产传感器、过程传感器、排放传感器、实验室测试、工厂动态或静态模拟模型等获取数据。对获取的数据进行分析以对水厂进行健康诊断或异常检测，可以包括对获取的数据应用一种或更多种诊断方法，如监督学习、无监督学习、与模拟模型的交叉验证、异常检测和风险模式识别。一方面，监督学习的诊断方法包括从带标签的训练数据推断功能的机器学习任务。训练数据可以从根据水厂传感器或模拟模型生成的历史或在线数据库中获得。标签可以包含以下中的一个或更多个：工厂健康状态、风险水平、异常、问题、根本原因和缓解方案。一方面，监督学习的诊断方法从被数字化为数据集的历史事件、人类经验或模拟场景中学习诊断规则。能够实施监督学习的诊断方法来确定或预测日常运行中的设备健康状况。监督学习诊断方法可以包括以下中的一种或更多种：决策树；梯度提升决策树(GBDT)/梯度提升回归树(GBRT)/多重累积回归树(MART)；人工神经网络；卷积神经网络(CNN)；循环神经网络(RNN)；长短期记忆(LSTM)；门控循环单元(GRU)；支持向量机，包括RBF等各种核方法、朴素贝叶斯分类、最大熵分类；集成学习方法，包括提升(boosting)、自适应提升、套袋(Bagging)、随机森林；线性回归；逻辑回归；高斯过程回归；条件随机域(CRF))；以及压缩感知方法，例如基于稀疏表示的分类(SRC)。另一方面，无监督学习诊断方法包括从没有标签的数据集推断功能的机器学习任务。没有标签的数据集能从根据水厂传感器或模拟模型生成的历史或在线数据库中获得。能够通过无监督学习诊断方法来确定以下中的一个或更多个：水厂健康状况、风险水平、异常、问题、根本原因和缓解方案。无监督学习诊断方法包括下列方法中的一种或更多种：层次聚类、k均值、均值平移、谱聚类、奇异值分解(SVD)、主成分分析(PCA)、鲁棒性主成分分析(RPCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、趋势Loess分解(STL)、期望最大化(EM)、隐马尔可夫(Markov)模型(HMM)、高斯混合模型(GMM)、自动编码器、变分自动编码器(VAE)、生成对抗网络(GAN)、深度信任网络(DBN)、受限玻尔兹曼机(RBM)和最小绝对收缩和选择运算符(LASSO)等。另一方面，与模拟模型的交叉验证的诊断方法包括传感器值与模拟模型的输出或实验室测试结果的相应值的交叉验证，以确定传感器欺骗，其中传感器值与模拟模型的输出或实验室测试结果之间的显著差距提供传感器欺骗的证据。与模拟模型交叉验证的诊断方法用于识别、校准、移除或替换传感器欺骗数据，以确保数据质量。传感器欺骗包括但不限于噪音、异常值和漂移。另一方面，异常检测诊断方法包括根据正常数据集确定异常或异常值的算法，其中异常包括传感器欺骗数据、异常的流入水或排放水质量、异常能耗或控制参数。通常，该方法用于检测训练数据集中不存在的异常，和用于识别以前未发生的异常。在异常检测中用到的算法包括下列方法中的一种或更多种：最大似然估计、卡尔曼滤波器、趋势Loess分解(STL)、自回归综合移动平均模型(ARIMA)以及指数平滑法，如霍尔特温特斯(Holt-Winters)季节方法等。另一方面，风险识别诊断方法包括用于确定水厂中非频发的高风险事件(污泥中毒、污泥膨胀、超过最大工厂容量和重金属中毒)的模型。用于确定非频发的高风险事件的模型可以包括以下中的一个或更多个：溶解氧消耗率、气流-溶解氧响应模型、生成污泥健康指数、最大流入耐受性模型等。或者，在上述方法的实施例中，可以选择并行执行多个诊断方法，以对水厂进行健康诊断或异常检测。同样，能够依次执行多种诊断方法，以对水厂进行健康诊断或异常检测。另外，可选地，基于水厂的健康诊断或异常检测采取一个或更多个动作可包括在显示器上的图形用户界面中显示有关水厂本文档来自技高网...

【技术保护点】
1.一种智能水厂健康诊断异常检测与控制方法，包括：从水厂获取数据；对获取的数据进行分析以对水厂进行健康诊断或异常检测；以及基于对水厂的健康诊断或异常检测采取一个或更多个动作。

【技术特征摘要】
【国外来华专利技术】1.一种智能水厂健康诊断异常检测与控制方法，包括：从水厂获取数据；对获取的数据进行分析以对水厂进行健康诊断或异常检测；以及基于对水厂的健康诊断或异常检测采取一个或更多个动作。2.如权利要求1所述的方法，其中，所述水厂包含废水处理厂或饮用水厂。3.如权利要求1-2中任一项所述的方法，其中，从水厂获取数据包括使用一个或更多个本地工厂流入传感器、资产传感器、过程传感器、排放传感器、实验室测试、工厂动态或静态模拟模型以及历史数据和全球/云数据库中心来获取数据。4.如权利要求1-3中任一项所述的方法，其中，对获取的数据进行分析以对水厂进行健康诊断或异常检测包括对获取的数据应用一种或更多种诊断方法。5.如权利要求4所述的方法，其中，所述一种或更多种诊断方法包括以下中的一种或更多种：监督学习、无监督学习、与模拟模型的交叉验证、数据驱动模型、异常检测和风险模式识别。6.如权利要求5所述的方法，其中，所述监督学习的诊断方法包括从带标签的训练数据推断功能的机器学习任务。7.如权利要求6所述的方法，其中，所述训练数据获取自根据水厂传感器或模拟模型生成的历史数据库或在线数据库。8.如权利要求6所述的方法，其中，所述标签包括以下中的一个或更多个：工厂健康状态、风险水平、异常、问题、根本原因、污染物特征和缓解方案。9.如权利要求6-8中任一项所述的方法，其中，所述监督学习的诊断方法从被数字化为数据集的历史事件、人类经验或模拟场景中学习诊断规则，所述历史事件包括来自数据中心的本地和全球案例。10.如权利要求9所述的方法，其中，实施所述监督学习的诊断方法以确定或预测日常运行中的工厂健康状况。11.如权利要求6-10中任一项所述的方法，其中，所述监督学习的诊断方法包括以下中的一个或更多个：决策树；梯度提升决策树(GBDT)/梯度提升回归树(GBRT)/多重累积回归树(MART)；人工神经网络；卷积神经网络(CNN)；循环神经网络(RNN)；长短期记忆(LSTM)；门控循环单元(GRU)；支持向量机，包括诸如RBF等各种核方法、朴素贝叶斯分类、最大熵分类；集成学习方法，包括提升、自适应提升、套袋、随机森林；线性回归；逻辑回归；高斯过程回归；条件随机域(CRF)；以及压缩感知方法，例如基于稀疏表示的分类(SRC)。12.如权利要求5所述的方法，其中，所述无监督学习的诊断方法包括从没有标签的数据集推断功能的机器学习任务。13.如权利要求12所述的方法，其中，从根据水厂传感器或模拟模型生成的历史或在线数据库中获取所述没有标签的数据集。14.如权利要求13所述的方法，其中，通过所述无监督学习的诊断方法来确定以下中的一个或更多个：工厂健康状况、风险水平、异常、问题、根本原因和缓解方案。15.如权利要求12-14中任一项所述的方法，其中，所述无监督学习的诊断方法包括以下中的一种或多种：层次聚类、k均值、均值平移、谱聚类、奇异值分解(SVD)、主成分分析(PCA)、鲁棒性主成分分析(RPCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、趋势Loess分解(STL)、期望最大化(EM)、隐马尔可夫模型(HMM)、高斯混合模型(GMM)、自动编码器、变分自动编码器(VAE)、生成对抗网络(GAN)、深度信任网络(DBN)、受限玻尔兹曼机(RBM)和最小绝对收缩和选择运算符(LASSO)等等。16.如权利要求5所述的方法，其中，所述与模拟模型的交叉验证的诊断方法包括传感器值与模拟模型的输出或实验室测试结果的相应值的交叉验证，以确定传感器欺骗，其中，所述传感器值与模拟模型的输出或实验室测试结果之间的显著差距提供传感器欺骗的证据。17.如权利要求16所述的方法，其中，所述与模拟模型的交叉验证的诊断方法被用于识别、校准、移除或替换传感器欺骗数据，以确保数据质量。18.如权利要求5所述的方法，其中，所述异常检测的诊断方法包括根据正常数据集确定异常或异常值的算法，其中，所述异常包括传感器欺骗数据、资产风险状态、异常的流入水或工艺水或排放水质量、特定污染物识别、异常能耗或异常化学消耗或控制参数。19.如权利要求18所述的方法，其中，所述异常不存在于训练数据集中，并用于识别以前未发生的异常。20.如权利要求18-19中任一项所述的方法，其中，所述算法包括但不限于下列方法中的一种或更多种：最大似然估计、卡尔曼滤波器、趋势Loess分解(STL)、自回归综合移动平均模型(ARIMA)以及指数平滑法，例如霍尔特温特斯季节方法。21.如权利要求5所述的方法，其中，所述风险识别的诊断方法包括用于确定水厂中非频发的高风险事件的模型，所述高风险事件包括检测到污染物、污泥中毒、污泥膨胀、超过最大工厂容量和超过工厂能力。22.如权利要求21所述的方法，其中，所述用于确定非频发的高风险事件的模型包括以下中的一个或更多个：水谱特征异常、溶解氧消耗率、气流-溶解氧响应模型、生成的污泥健康指数和最大流入耐受模型。23.如权利要求5-22中任一项所述的方法，其中，并行执行多个诊断方法以对水厂进行健康诊断或异常检测。24.如权利要求5-23中任一项所述的方法，其中，依次执行多个诊断方法以对水厂进行健康诊断或异常检测。25.如权利要求1-24中任一项所述的方法，其中，基于对水厂的健康诊断或异常检测采取一个或更多个动作包括在显示器上的图形用户界面中显示关于水厂的健康诊断或异常检测的信息。26.如权利要求1-25中任一项所述的方法，其中，基于对水厂的健康诊断或异常检测采取一个或更多个动作包括向控制水厂的至少一部分的控制系统提供关于水厂的健康诊断或异常检测的数据。27.如权利要求26所述的方法，其中，提供给控制水厂的至少一部分的控制系统的关于水厂的健康诊断或异常检测的数据被所述控制系统用来改变水厂的至少一个运行参数。28.一种智能水厂健康诊断异常...

【专利技术属性】
技术研发人员：夏子君，吕苏，万朝阳，王昱，毕喜婧，王国梁，唐传友，朱志平，马文超，董勤，王斯靖，李一松，凌佳佳，
申请(专利权)人：BL科技有限责任公司，
类型：发明
国别省市：美国,US