基于AI的智能水质数据采集与处理方法与流程
本发明涉及水质数据采集与处理,尤其涉及基于ai的智能水质数据采集与处理方法。
背景技术:
1、面向污水处理厂、再生水厂或园区水处理系统,随着工业化和城市化进程加速,进水水质波动加剧、污染物种类日趋复杂,传统的水质数据采集与处理方式存在周期长、频次低、覆盖范围窄等缺陷,难以满足实时预警与精细化管理需求,因此进行智能水质数据采集与处理方法研究具有迫切必要性;现有水质数据采集与处理的主要实现流程为:首先,基于在目标水域部署的多参数传感器阵列,如电化学传感器、紫外光谱传感器以及无人机载多光谱相机等,实现ph(potential of hydrogen,酸碱度)、溶解氧、氨氮、浊度、等多源水质数据的采集;接着,通过4g/5g蜂窝网络等将原始的多源水质数据与地理位置标签上传至边缘计算网关或云端服务器;然后,基于滑动窗口滤波剔除离群值、线性插值填充短时缺失值等预处理方法,对原始的多源水质数据进行去噪与标准化;之后,将去噪与标准化后得到的合格多源水质数据,基于主成分分析或典型相关分析等算法对合格多源水质数据进行特征融合,得到融合后的低维特征向量,将该低维特征向量输入预设ai(artificialintelligence,人工智能)分析模型,如支持向量机用于水质分类、长短期记忆网络用于水质指标趋势预测等,进行水质情况预测。
2、发现上述技术至少存在如下技术问题:
3、现有水质数据采集与处理的主要实现流程,基本实现了从数据采集、传输、预处理到模型预测的自动化闭环,是目前水质监测领域的主流技术路线;然而,在实际应用中,上述技术路线在面对水力扰动剧烈、悬浮物粒径突变、多传感器交叉干扰等复杂现场工况时,常出现数据一致性与耦合关系表达失真的问题。
4、在污水处理厂、再生水厂或园区水处理系统中进行水质数据采集与处理过程中,当进水水质异常波动时,如回流污泥与混合液扰动剧烈时,水体中会携带大量悬浮颗粒物,由于不同粒径颗粒的沉降速度与启动流速存在显著差异,故悬浮物呈现大颗粒先导、细颗粒尾随的粒径分选现象,现有水质监测点普遍将多参数光学传感器,例如浊度传感器、cod(chemical oxygen demand,化学需氧量)紫外吸收传感器、叶绿素荧光传感器等集成安装在同一水体介质中,由于所有光学传感器的测量信号均依赖于光在水体中的透射、散射或荧光激发等,因此光学传感器在监测如浊度、cod、叶绿素a等光学水质数据时,会因为大粒径悬浮颗粒物对入射光和信号光产生强烈的散射与衰减而引发光学交叉干扰,例如紫外光被大颗粒散射衰减导致cod传感器输出假阳性吸收值,颗粒物对激发光和发射光的双重衰减导致叶绿素荧光信号基线抬升等,而现有技术通常采用浊度补偿算法、滑动窗口滤波或统计离群值剔除等算法对各光学传感器独立进行数据处理,由于不同光学传感器对同一颗粒群干扰的响应时间与响应幅度各不相同,独立处理可能导致各传感器通道的如瞬时尖峰、平缓抬升、基线漂移等异常信号识别不同步,例如浊度的瞬时尖峰被滑动窗口平滑剔除,而cod的延迟假阳性因变化相对平缓被判定为有效数据予以保留,进而导致处理后的光学水质数据在时间轴上出现各光学水质数据变化节点错位、光学水质数据间的一致性精度不足等问题,进一步的,这种光学水质数据变化节点错位、光学水质数据间的一致性精度不足的问题会导致不同光学水质数据之间的物理化学耦合关系表征不准确,例如,浊度与叶绿素在富营养水体中通常呈负相关,而存在大颗粒散射干扰时可能出现浊度飙升而叶绿素无变化或反降等问题,在基于存在物理化学耦合关系表征不准确的光学水质数据进行特征提取时,导致生成的水质特征向量虽各单指标数值在预设正常范围内,但整体水质特征向量存在特征偏差,例如浊度极高而cod极低等,基于存在特征偏差的水质特征向量进行多源数据融合及水质情况预测等水质数据处理时,最终导致水质数据处理准确性不足的技术问题。
技术实现思路
1、本发明通过提供基于ai的智能水质数据采集与处理方法,解决了现有技术中存在水质数据处理准确性不足的问题,实现了水质数据处理准确性的提高。
2、为解决上述发明目的,本发明提供的技术方案如下:基于ai的智能水质数据采集与处理方法,包括:进行识别多光学传感器响应时序错位物理与化学耦合异常的水质数据采集一致性监测,依据监测结果检测跨传感器异步响应异常,若检测存在跨传感器异步响应异常,则针对性选择水质光学传感器动态时移补偿或贝叶斯反演幅值校正;若检测不存在跨传感器异步响应异常,则进行包括跨指标可信度向量获取和判断水质多源指标是否冲突的跨指标耦合一致性校验;在跨指标耦合一致性校验结束后,基于校验结果进行包括数据可信度评分向量获取、动态特征权重向量获取和水质预测输入序列获取的自注意力动态特征获取与预测输入构建。
3、上述技术方案,与现有技术相比至少具有如下有益效果:
4、1、上述方案通过进行水质数据采集一致性监测,依据监测结果检测跨传感器异步响应异常,若检测存在跨传感器异步响应异常,则针对性选择水质光学传感器动态时移补偿或贝叶斯反演幅值校正,有助于减少因悬浮物粒径分选引发的多传感器响应时序错位和幅值失谐,使各光学传感器的数据在时间轴上对齐、幅值关系符合物理化学规律,从而从源头提升数据一致性;若不存在跨传感器异步响应异常,则直接进行跨指标耦合一致性校验,有助于验证水质数据是否保持指标间固有耦合关系,及时发现并标记低可信指标,减少单指标清洗破坏整体工况一致性,确保特征向量的物理合理性;在跨指标耦合一致性校验结束后,基于校验结果进行包括数据可信度评分向量获取、动态特征权重向量获取和水质预测输入序列获取的自注意力动态特征获取与预测输入构建,有助于生成带可信度标签的预测输入序列,通过可信度调节的注意力机制抑制失真数据干扰、增强可信特征,使后续水质预测能够自适应地依赖高质量信息,最终实现了水质数据处理准确性的提高。
5、2、上述方案通过针对性获取水质光学传感器延迟参数和水质光学传感器幅度比值参数,有助于高精度量化各光学传感器因响应特性差异而产生的时序错位和幅值失谐程度,克服了现有技术仅依赖单一传感器或固定统计规则进行异常检测时无法区分干扰来源、易导致误判或漏判的不足;当水质光学传感器延迟参数符合水质光学传感器延迟异常条件时,采取水质光学传感器动态时移补偿,当水质光学传感器延迟参数不符合水质光学传感器延迟异常条件时,则进入幅值异常判别;当水质光学传感器幅度比值参数符合水质光学传感器幅值异常条件时,若符合,则采取贝叶斯反演幅值校正,反之,则进行跨指标耦合一致性校验,有助于减少因局部异常未被及时校正而污染整个水质多源指标,相比现有技术对各传感器独立处理、忽略异步响应的方式,能够从全局上保证时间轴对齐和幅值比例合理,从而提升后续跨指标耦合校验和特征提取的可靠性,最终实现水质数据处理准确性的整体提高。
6、3、当污水处理厂或园区水处理系统的进水水质成分发生根本性变化时,例如上游工业废水混入导致悬浮物中有机物比例显著改变,使得历史稳定工况下建立的物理化学耦合约束中的标准比例系数不再适用,此时,若继续使用原有的固定耦合模型进行残差计算和可信度判断,会导致大量正常数据被误判为耦合异常,故需要执行预设耦合模型的另一种获取方式,针对性获取所有指标的平均耦合残差和低耦合可信指标占比,有助于实时量化当前耦合模型与现场工况的匹配程度,克服现有技术中固定模型无法感知水质成分漂移、长期运行后误判率升高的缺陷,为模型更新提供可靠的触发依据,若连续预设时间段数量的数据一致性监测时间段的平均耦合残差超过预设平均耦合阈值,且低耦合可信指标占比超过预设占比阈值,则判定当前预设耦合模型失效,触发耦合模型更新,将最近预设采样时间段数量的采样数据一致性监测时间段的水质多源指标作为临时训练集,对于每个目标指标,以其他指标的测量值作为输入特征,以目标指标的真实值作为输出标签,重新训练一个如随机森林或岭回归等轻量级回归模型,有助于使耦合模型能够在线自适应跟踪进水成分的变化,提升了系统的鲁棒性和自动化水平,保证了长期运行中跨指标耦合校验的准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com