基于深度学习的水质污染异常数据在线识别系统及方法与流程
本发明涉及水质数据处理,具体涉及基于深度学习的水质污染异常数据在线识别系统及方法。
背景技术:
1、在线水质监测通常由取样泵将水样输送至一个或多个流通测量腔,并由温度、电导率、ph、溶解氧、浊度或光学测量通道连续形成多参读数。现有数据处理方式常按照相同采样时刻组合各通道读数,再利用阈值、统计模型或深度学习模型识别异常。该方式能够处理持续变化较慢的数据,但其训练样本通常以探头侧时间戳作为事件位置,未对取样管路、分配支路和测量腔中的输运过程作一致描述。
2、在支路流量波动或取样泵停顿时,同一段入口水样到达不同测量通道的体积位移和物理历时会发生变化;探头自身的响应速度也不相同,测量腔中的混合与置换还会使短时变化产生拖尾。由此,相同采样时刻的多通道读数可能对应不同入口水样,固定时间平移也不能同时补偿流动阶段和停顿阶段的响应。若仍将这些读数组合作为同一事件特征,污染变化可能被拆分,正常变化也可能形成非同步异常,因而难以在变流量运行条件下保持同源水样污染异常识别的一致性。
技术实现思路
1、本发明提供基于深度学习的水质污染异常数据在线识别系统及方法,以解决如何在流量变化及探头响应滞后下在线识别同源水团的污染异常数据的技术问题。
2、第一方面,本发明提供了基于深度学习的水质污染异常数据在线识别系统,包括:
3、同步采集模块,用于同步采集公共取样入口的入口流量、各测量支路的支路流量、多参数水质探头对各所述测量支路水样测得的多参读数及采样时刻;
4、入口分团模块,用于依据所述入口流量形成的入口累计体积将连续水样划分为等体积入口水团,并确定各所述入口水团的入口时刻;
5、响应生成模块,用于采用参考液塞标定所得的转移模型,按照各所述入口水团自所述入口时刻至各所述采样时刻的支路置换体积增量和响应历时增量的实际顺序进行滚动运算,生成复合算子和发布掩码;
6、联合反演模块,用于根据所述复合算子和所述多参读数执行共同边界约束的因果联合反演,生成按所述入口水团排列的水团矩阵,并在所述发布掩码为1时冻结对应的水团矩阵列;
7、异常识别模块,用于将已冻结的所述水团矩阵和相邻水团差矩阵输入双流因果深度网络,生成异常标签,并根据所述异常标签和所述入口时刻生成起始时刻和持续时长。
8、本发明提供的基于深度学习的水质污染异常数据在线识别系统,以入口流量对应的累计体积组织连续水样,使污染事件位置与公共取样入口处的水样体积对应;转移模型按照支路置换体积增量和响应历时增量的实际次序递推,能够保留流量变化、停顿、测量腔置换及探头响应共同造成的路径差异;共同边界约束在维持各测量通道独立幅值和方向的同时,使同一入口水团的变化边界共同参与反演;双流因果深度网络仅使用已发布入口水团进行识别。由此可降低多通道时间错位对异常标签和事件边界的影响,提升变流量运行条件下在线污染异常识别的一致性,适配泵停顿后的连续处理,并输出与公共取样入口相对应的起始时刻和持续时长。
9、第二方面,本发明提供了基于深度学习的水质污染异常数据在线识别方法,包括以下步骤:
10、步骤s1,同步采集公共取样入口的入口流量、各测量支路的支路流量、多参数水质探头对各所述测量支路水样测得的多参读数及采样时刻;
11、步骤s2,依据所述入口流量形成的入口累计体积将连续水样划分为等体积入口水团,并确定各所述入口水团的入口时刻;
12、步骤s3,采用参考液塞标定所得的转移模型,按照各所述入口水团自所述入口时刻至各所述采样时刻的支路置换体积增量和响应历时增量的实际顺序进行滚动运算,生成复合算子和发布掩码;
13、步骤s4,根据所述复合算子和所述多参读数执行共同边界约束的因果联合反演,生成按所述入口水团排列的水团矩阵,并在所述发布掩码为1时冻结对应的水团矩阵列;
14、步骤s5,将已冻结的所述水团矩阵和相邻水团差矩阵输入双流因果深度网络,生成异常标签,并根据所述异常标签和所述入口时刻生成起始时刻和持续时长。
15、第三方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第二方面的基于深度学习的水质污染异常数据在线识别方法。
1.基于深度学习的水质污染异常数据在线识别系统,其特征在于,所述系统包括:
2.根据权利要求1所述的基于深度学习的水质污染异常数据在线识别系统,其特征在于,所述同步采集模块中参考液塞注入与同步采集,包括:
3.根据权利要求1所述的基于深度学习的水质污染异常数据在线识别系统,其特征在于,所述同步采集模块中转移模型标定,包括:
4.根据权利要求1所述的基于深度学习的水质污染异常数据在线识别系统,其特征在于,所述入口分团模块被配置为执行:
5.根据权利要求1所述的基于深度学习的水质污染异常数据在线识别系统,其特征在于,所述响应生成模块被配置为执行:
6.根据权利要求1所述的基于深度学习的水质污染异常数据在线识别系统,其特征在于,所述联合反演模块被配置为执行:
7.根据权利要求1所述的基于深度学习的水质污染异常数据在线识别系统,其特征在于,所述异常识别模块中双流因果深度网络构建,包括:
8.根据权利要求1所述的基于深度学习的水质污染异常数据在线识别系统,其特征在于,所述异常识别模块中异常标签与识别结果生成,包括:
9.基于深度学习的水质污染异常数据在线识别方法,其特征在于,执行如权利要求1到8中任一项所述的基于深度学习的水质污染异常数据在线识别系统,包括以下步骤:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求9所述的基于深度学习的水质污染异常数据在线识别方法。
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