一种农村生活污水分散式监测方法

1.本发明涉及污水处理技术领域，特别涉及一种农村生活污水分散式监测方法。


背景技术：

2.由于农村居住点分散、污水产生量小变化大，污水处理设施自动化程度低、缺少统一监控和管理等特点，导致污水处理设施运营成本高、管理效率低，影响污水处理设施长期稳定运行。目前，农村生活污水包括人类、家禽粪尿及洗涤、洗浴和厨房废水等，大部分的村庄没有排水渠道和污水处理系统，生活污水直接排入附近河流。富含氮磷的农村生活污水是引起水体富营养化的重要原因。农村污水主要有以下特征：
3.水质特征
4.①
污水分布较分散，涉及范围广、随机性强，防治十分困难，管网收集系统不健全，粗放型排放，基本没有污水处理设施；
②
农村生活污水浓度低，变化大；
③
大部分农村生活污水的性质相差不大，水质波动大，可生化性强；
④
厕所排放的污水水质较差，但可进入化粪池用作肥料。
5.水量特征
6.①
一般农村的生活污水量都比较小，除小城镇外，一般农村人口居住分散，水量相对较少，产生的生活污水量也较小；
②
变化系数大，居民生活规律相近，导致农村生活污水排放量早晚比白天大，夜间排水量小，甚至断流，水量变化明显。
7.农村生活污水治理是单个企业无法或无力解决的共性问题，针对目前农村生活污水的信息难以采集、操作不方便、时效性差、决策滞后、信息难反馈等问题，本发明提出了一种农村生活污水分散式监测方法，以解决上述现有技术存在的问题。


技术实现要素：

8.本发明的目的在于针对现有技术的不足，提供一种农村生活污水分散式监测方法。
9.为解决上述问题，本发明提供以下技术方案：
10.一种农村生活污水分散式监测方法，包括有以下步骤：
11.通过检测设施采集农村分散式污水处理设施中的各项数据；其中，各项数据归集并建立基础知识库；
12.对农村分散式生活污水的治理情况分析，并建立农村生活污水的智能监测预警分析模型；
13.其中，农村生活污水的智能监测预警分析模型包括有农村生活污水处理过程智能预测与控制模型、农村生活污水出水水质预测模型和农村生活污水设备故障诊断与监测预警分析模型。
14.进一步的，所述基础知识库包括有：
15.农村生活污水的原始数据以及部门备案数据库，存储污水各项基础信息和后期治
理情况数据记录；
16.污水治理安全知识数据库，存储系统中农村生活污水治理知识；
17.农村生活污水治理监控数据库，整合处理并查询各个环节上传的数据；
18.统计分析数据库，存储整个污水监测治理环节中存在的信息；
19.安全预警数据库，对农村生活污水各项健康指标异常波动进行预警；
20.其中，农村生活污水监测治理数据库的数据为实时采集的数据，作为统计分析数据数据库以及安全预警数据库的源数据，农村生活污水的原始数据以及部门备案数据库以及污水治理安全知识数据库为农村生活污水监测治理数据库补充数据。
21.进一步的，所述农村生活污水处理过程智能预测与控制模型包括有以下步骤：
22.通过基于物联网的污水处理感知对污水处理流程信息进行采集并形成历史原始数据；
23.对历史原始数据进行数据预处理以后，进行数据补全，得到训练数据集；
24.利用训练数据集确定dbn最优网络结构，并对权重进行调整直至最终的dbn 模型；
25.物联网系统实时采集污水处理设备参数与中间污水水质数据相关数据，构成当前原始数据；
26.当前原始数据经数据预处理后，成为预测数据集；
27.利用建立的dbn模型与预测数据集预测污水处理结果，并控制污水处理全过程中设备运行；
28.其中，dbn最优网络结构包括输入层的节点个数、隐含层的节点个数、隐含层的层数。
29.进一步的，所述农村生活污水出水水质预测模型包括有以下步骤：
30.通过自底向上组合多个rbm模型结构构建成dbn网络，并输入每道工序的参量；
31.对dbn网络进行预训练，以确定初始化网络参数，以第i组的输入变量为输入，以排放被处理污水水质为输出，初始化各层间的连接权值与偏置，在预训练结束后，每层rbm模型结构得到初始化的参数，组成dbn网络的初步架构；
32.对dbn网络做微调整训练，根据输入数据与重构数据的损失函数，调整层与层之间的权值与偏置值；
33.输出满足各项指标的排放水质。
34.进一步的，所述dbn网络结构设置为100
×
100，网络大小设置为100，批量大小设置为110，学习效率设置为1，训练步数设置为500。
35.进一步的，所述dbn网络采用无监督贪婪优化算法。
36.进一步的，所述农村生活污水设备故障诊断与监测预警分析模型包括有以下步骤：
37.对当前设备基础数据、历史数据与设备缺陷信息以及实时数据库实施农村生活污水的在线监测，
38.通过机理分析和数据挖掘的手段拟合一个设备的正常运行模型，综合分析各项负责的监测条件，对比实时数据库与正常运行模型比较，若当前设备运行数据有偏离异常，则报警；
39.故障诊断与处理对设备典型故障机理分析，对其相关参数进行归类、筛选；
40.基于故障树，建立设备故障规则库，对设备健康状态进行评价，提出指导性解决方案。
41.进一步的，其中对所述数据预处理的方法采用非结构化数据的维度和度量抽取运算将非结构化数据由基本属性、语义特征、底层特征以及原始数据四个参量表示。
42.进一步的，所述实时数据进行实时处理、分析，采用kafka+storm实时运算对数据进行实时采集和分析。
43.进一步的，对所述历史数据、污水设备监测数据、发生故障次数以及检修数据报表分析产生故障的原因，采用多层前向bp网络和模糊联想记忆神经fam 网络相结合的故障诊断方法，包括有以下步骤：
44.首先用bp网络对输入故障征兆样本进行预分类；
45.然后应用fam网络在相应类中进行综合诊断；
46.其中，根据故障征兆向量把样本分成n类故障原因，第i类中有n
i
(i＝1,2,...,n) 个学习样本a
k
(k＝1,2,...,n
i
)；
47.测试时，将待诊断故障征兆向量输入bp网络进行分类，根据相应类中的第 k条规则得出一个诊断输出c
k
。
48.本发明的一种农村生活污水分散式监测方法，具有以下有益效果：
49.其一：本发明记录农村生活污水治理全过程的信息，从业务上为治理农村水污染提供单个企业无法或无力解决的共性问题解决方案，将环境保护主管部门、社会公众、运维企业、设备提供商有机地联系起来，随时随地即可实现农村生活污水的可实时监测、远程监控和提前预警性，有效达到农村生活污水安全监测中的智能分析、提前识别、提前预警等目标，增强农村生活污水质量安全监测的科技含量和竞争力，最终为保护中国农村的生态环境做出贡献。
50.其二：本发明通过农村生活污水处理过程智能预测与控制模型控制进行污水处理预测建模保证污水处理过程的精准性和稳定性；
51.其三：本发明通过农村生活污水出水水质预测模型的污水处理预测通过dbn 网络，保证出水水质能够满足要求；
52.其四：本发明通过农村生活污水设备故障诊断与监测预警分析模型确保农村生活污水处理过程中所产生的故障能够得到及时地发现与处理，最大程度地减少故障带来的消极影响。
53.其五：本发明解决农村生活污水治理是单个企业无法或无力解决的共性问题，以及目前农村生活污水的信息难以采集、操作不方便、时效性差、决策滞后、信息难反馈等问题。
54.其六：本发明的基础知识库在解决农村生活污水信息采集难的问题后，需要对各类农村生活污水数据进行分类统计分析，方便为环保部门、运维企业等机构实现农村生活污水远程智能监控、污水设备故障预测与预警提供数据基础。
附图说明
55.图1为农村生活污水智能化治理服务平台各方用户关系示意图；
56.图2为本发明农村生活污水设备故障诊断与监测预警分析模型的预警技术原理
图；
57.图3为本发明数据采集流程示意图；
58.图4为本发明农村生活污水的原始数据以及部门备案数据库的农村生活污水信息展示图；
59.图5为本发明污水监测治理数据库的污水治理信息图；
60.图6为本发明基础知识库的各个数据库关系图；
61.图7为本发明农村生活污水处理过程智能预测与控制模型的流程图；
62.图8为本发明农村生活污水出水水质预测模型的训练流程示意图；
63.图9为本发明农村生活污水设备故障诊断与监测预警分析模型的故障预警和诊断运行图；
64.图10为本发明农村生活污水治理智能监测预警系统的系统架构图；
65.图11为本发明农村生活污水流量监测图；
66.图12为本发明数据预处理方法的四面体模型示意图；
67.图13为本发明采用kafka+storm实时运算进行数据分析的流程图；
68.图14为本发明的流程图；
具体实施方式
69.为了便于理解本技术，下面将参照相关附图对本技术进行更全面的描述。附图中给出了本技术的实施例。但是，本技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本技术的公开内容更加透彻全面。
70.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
71.参照图1至图14所示，本实施例公开了一种农村生活污水分散式监测方法，包括有以下步骤：
72.通过检测设施采集农村分散式污水处理设施中的各项数据；其中，各项数据归集并建立基础知识库；
73.针对现有农村污水产生量、水质、治理技术、处理方式、处理效果、排放去向、污水处理厂规模及运营状况、水资源循环利用情况等数据收集困难、数据量大且分散、规律性不强、单体数据代表性不足，无法对农村生活污水大数据进行挖掘分析等问题；
74.本方案采用物联网技术，研究面向农村生活污水治理全过程的大数据信息采集技术，通过安装在粗格栅、提升泵房、曝气池等工艺区间的机泵、流量计等智能传感器采集数据，主要包括：进水水质、进水水量、出水水质、出水水量、关键工艺状态及控制信息、关键设备状态及控制信息、药剂物料状态及控制信息、能源消耗计量及控制信息，以及农村生活污水处理现场视频监控图像信息，工作人员的工作情况等多源异构数据。
75.基于物联网技术的农村生活污水大数据的采集传输，为农村生活污水知识库以及大数据中心的构建和数据挖掘分析奠定了数据基础，基于物联网技术的农村生活污水治理全过程数据采集流程图如图3所示。
76.对农村分散式生活污水的治理情况分析，并建立农村生活污水的智能监测预警分
析模型；
77.其中，农村生活污水的智能监测预警分析模型包括有农村生活污水处理过程智能预测与控制模型、农村生活污水出水水质预测模型和农村生活污水设备故障诊断与监测预警分析模型。
78.由于分散式污水处理设施所具有的系统性和复杂性，在农村生活污水处理过程中，存在着强非线性、多变量耦合、参数时变、大滞后、内外干扰频繁等问题，使得设施存日常运行的过程中存在一定的风险，经常出现一些故障，导致污水处理的出水水质难以保证。另外，分散式污水处理设施在设置的过程中，布局较为分散，在人力物力的投入方面存在一定的困难，一旦设施出现故障，很难进行及时的抢修，导致污水处理设施出水水质不达标的情况以及污水处理设施难以实现统一化、自动化和一体化等问题。因此，如何依托大数据实现对农村分散式生活污水的治理情况评价分析、针对不同情况的水污染的解决办法的挖掘开发和沉淀，实现农村生活污水处理过程智能预警与控制以及污水设备的故障诊断与智能化预警，保证污水处理过程的稳定性和精准性。本发明研究基于机器学习的农村生活污水智能监测预警分析模型。
79.本发明通过农村生活污水处理过程智能预测与控制模型控制进行污水处理预测建模保证污水处理过程的精准性和稳定性；
80.本发明通过农村生活污水出水水质预测模型的污水处理预测通过dbn网络，保证出水水质能够满足要求；
81.本发明通过农村生活污水设备故障诊断与监测预警分析模型确保农村生活污水处理过程中所产生的故障能够得到及时地发现与处理，最大程度地减少故障带来的消极影响。
82.在解决农村生活污水信息采集难的问题后，需要对各类农村生活污水数据进行分类统计分析，为环保部门、运维企业等机构实现农村生活污水远程智能监控、污水设备故障预测与预警提供数据基础。
83.因此，基础知识库十分必要，所述基础知识库包括有：
84.农村生活污水的原始数据以及部门备案数据库，存储污水各项基础信息和后期治理情况数据记录；
85.农村生活污水智能化治理的全过程中涉及到的污水地区以及相关部门较多，该数据库集中对污水地区，部门信息进行管理，除了污水的各项污染物含量、地区等基础信息之外，其中还涉及到后期治理的情况数据的记录，农村生活污水信息展示图如图4所示。
86.污水治理安全知识数据库，存储系统中农村生活污水治理知识；
87.该数据库主要存储了系统中农村生活污水治理的相关知识，包括生活污水污染物成分知识、污水水质特征信息。当消费者利用移动终端或者是pc进行查询时，数据中心就能够将相关结果反馈给企业和监管部门等相关用户。
88.农村生活污水治理监控数据库，整合处理并查询各个环节上传的数据；
89.农村生活污水各个环节上传的数据需要进行整合处理，形成统一的信息管理链。建立各地区农村生活污水相应的编码，查询特定需求信息。以杭州市xx 地区xx村的污水信息编码为例，查询其全过程的智能化治理信息，则如图5所示。
90.统计分析数据库，存储整个污水监测治理环节中存在的信息；
91.在整个污水监测治理环节中存在大量的信息，企业和监管部门可以利用这些数据进行统计分析。因此，该数据库根据企业和监管部门的需求整合了必要的数据。主要包括：污水日处理量、污水治理在各个环节的成本数据、减排量、问题解决率、水流量、污水信息编码编码等。企业和监管部门根据分析得到的结果进行相应的决策。
92.安全预警数据库，对农村生活污水各项健康指标异常波动进行预警；
93.生活污水的治理、监管、监测都存在较为严格的要求。数据中心对于水源样本、ph值、含氧量、cod、bod5和ss含量等方面时刻进行监控，防止对已重度污染的水源继续污染其他干净的水源，并且对农村生活污水各项健康指标异常波动进行预警。以某时刻a村的一条污水为例，污水治理最终要达到一个健康的指标。在储存中，利用数据采集设备，实时将这些数据传递到数据中心，当在治理过程中，发生异常，及时通知企业和监管部门采取措施。
94.其中，农村生活污水监测治理数据库的数据为实时采集的数据，作为统计分析数据数据库以及安全预警数据库的源数据，农村生活污水的原始数据以及部门备案数据库以及污水治理安全知识数据库为农村生活污水监测治理数据库补充数据，能够提供更加详细的农村生活污水治理相关的信息，五个数据库之间的关系如图6所示。
95.所述农村生活污水处理过程智能预测与控制模型包括有以下步骤：
96.通过基于物联网的污水处理感知对污水处理流程信息进行采集并形成历史原始数据；
97.首先是通过基于物联网的污水处理感知对污水处理每个处理流程、每项重要参数指标、重要处理设备部署无线传感器节点，实现对整个污水处理流程无死角全覆盖的信息感知，确保对污水处理流程信息进行全面、深入、透彻地感知与采集，形成历史原始数据；
98.对历史原始数据进行数据预处理以后，进行数据补全，得到训练数据集；
99.利用训练数据集确定dbn最优网络结构，并对权重进行调整直至最终的dbn 模型；
100.物联网系统实时采集污水处理设备参数与中间污水水质数据相关数据，构成当前原始数据；
101.当前原始数据经数据预处理后，成为预测数据集；
102.利用建立的dbn模型与预测数据集预测污水处理结果，并控制污水处理全过程中设备运行，流程图如图7所示。
103.其中，dbn最优网络结构包括输入层的节点个数、隐含层的节点个数、隐含层的层数。
104.通过利用无监督学习的机器学习dbn(deep belief networks)进行污水处理预测建模保证污水处理过程的精准性和稳定性,针对农村生活污水处理过程中，污水水质变化剧烈、污水处理过程与工艺复杂，如何保持污水处理过程的精准性、稳定性显得极为重要。
105.基于深度学习的农村生活污水处理过程的智能预测与控制模型，能够判断污水处理厂(站)各个工艺流程的运行状态，生贪婪成各种生产报表；通过对长期水质数据的分析，判断处理工艺是否合适，是否需要调整，投药量是否需要增加或减少，设备的运行间隔及周期是否合适，能源利用是否可以优化，并通过系统下发指令进行控制调整或指导工作人员现场调整；通过对长期运行水量的分析，描绘污水量增长的速度及全年变化特点，判断是否需要增加污水处理的规模；通过对全域药剂及物料的消耗特点，安排药剂及物料采购、物流及储存。
106.所述农村生活污水出水水质预测模型包括有以下步骤：
107.通过自底向上组合多个rbm模型结构构建成dbn网络，并输入每道工序的参量；
108.考虑最终排放水质是最终的直接指标，因此将最终水质作为污水处理结果的表征指标，通过构建dbn网络实现对排放水质的预测,通过自底向上组合多个 rbm构建dbn网络，预测模型输入包括每道工序参数、每道工序后的污水水质等参量。污水处理预测dbn网络构建流程如图8所示。
109.对dbn网络进行预训练，以确定初始化网络参数，以第i组的输入变量为输入，以排放被处理污水水质为输出，初始化各层间的连接权值与偏置，在预训练结束后，每层rbm模型结构得到初始化的参数，组成dbn网络的初步架构；
110.对dbn网络做微调整训练，根据输入数据与重构数据的损失函数，调整层与层之间的权值与偏置值；dbn的反馈算法只需对权值参数空间进行一个局部搜索，相比前向神经网络，训练快且收敛时间短。
111.输出满足各项指标的排放水质。
112.所述dbn网络结构设置为100
×
100，网络大小设置为100，批量大小设置为110，学习效率设置为1，训练步数设置为500。
113.所述dbn网络采用无监督贪婪优化算法。
114.所述农村生活污水设备故障诊断与监测预警分析模型包括有以下步骤：
115.对当前设备基础数据、历史数据与设备缺陷信息以及实时数据库实施农村生活污水的在线监测，不但实现预警，而且还可以实现对警情的处理和控制，从而减小故障的发生率，提高系统的运行效率。通过监测、预警和故障处理三种手段，为农村生活污水智能化治理提供可靠的保障，从而解决了农村生活污水治理运营的在控、可控，成本高等问题，将事故后报警转变为事故前预警、事故时控制,预警主要是学习历史数据。
116.通过机理分析和数据挖掘的手段拟合一个设备的正常运行模型，综合分析各项负责的监测条件(变化量、上下限等)，对比实时数据库与正常运行模型比较，若当前设备运行数据有偏离异常，则报警；
117.故障诊断与处理对设备典型故障机理分析，对其相关参数进行归类、筛选；
118.基于故障树，建立设备故障规则库，利用正向、反向推理以及混合推理方式匹配知识库类似经历，对设备健康状态进行评价，提出指导性解决方案，农村生活污水设备故障诊断与监测预警分析模型的故障预警和诊断运行图如图9 所示。
119.由于污水处理系统的工作连续性和不可替代性，一旦发生故障，就会造成严重影响，2013年1月大连市污水处理厂水下处污设备运行时出现故障，造成大连市30万人的生活污水无法得到及时处理，损失和影响甚大。因此，确保农村生活污水处理过程中所产生的故障能够得到及时地发现与处理，最大程度地减少故障带来的消极影响，污水设备故障诊断和预测预警分析是必不可少的一环。
120.其中对所述数据预处理的方法采用非结构化数据的维度和度量抽取运算将非结构化数据由基本属性、语义特征、底层特征以及原始数据四个参量表示。
121.农村生活污水大数据存在着结构化和非结构化数据，无法对农村生活污水大数据进行挖掘分析。因此本发明研究面向农村生活污水大规模非结构化数据的维度和度量抽取技术，对农村生活污水大大数据中的非结构化数据进行数据预处理。
122.一个非结构化数据可以由基本属性、语义特征、底层特征以及原始数据四个部分构成,而且四个部分的数据之间存在各种联系。其中：
123.基本属性:所有非结构化数据都具有的一般属性,这些属性不涉及数据的语义,包括名称、类型、创建者、创建时间等；
124.语义特征:以文字表达的非结构化数据特有的语义属性,包括作者创作意图、数据主题说明、底层特征含义等语义要素；
125.底层特征:通过各种专用处理技术(如图像、语音、视频等处理技术)获得的非结构化数据特性,例如对图像数据而言,有颜色、纹理、形状等；
126.原始数据:非结构化数据的原生态文件。
127.四面体数据模型就是从上述四个方面对非结构化数据进行全面刻画.主要是由一个顶点、四个刻面以及刻面间的交线共同组成，可以用六元组进行表示，其中的主要元素有v、sf、ba、rd、lf、conjs，在这些元素中v表示的是顶点和交点。sf是四面体语言特征刻面，其代表了数据语义的属性，主要包括创作意图与数据的主体说明。ba指的是四面体基本属性刻面，代表数据基本属性，其中包含着数据名称、数据类型、创建者以及创建的时间。rd是原始数据的刻面，代表着原始数据存储的文件。lf指的是底层特征刻面，包括图像颜色、形状、纹理。conjs指的是连接不同刻面的交线。
128.四面体数据的模型可以将语义特征和底层特征一体化的表达，同时还可以将异构数据统一的表达出来，其具有简单性、可扩展底层特征的动态变化，以四面体数据模型构建非结构化的数据管理平台，可以有效的实现异构数据统一存储并进行相关的操作，为进一步的数据处理提供更好的支持，四面体模型示意图如图12所示。
129.所述实时数据进行实时处理、分析，采用kafka+storm实时运算对数据进行实时采集和分析。
130.由于农村污水分散处理与监控预警是一个动态的过程，需要掌握农村生活污水系统运行的实时数据，对这些动态数据进行实时处理、分析，并让这些数据产生实时的应用效果如实时监测、预警等。因此我们采用kafka+storm实时运算技术对数据进行实时采集和分析。
131.storm是一个开源的分布式实时计算系统，可以简单、可靠的处理大量流数据。storm本身自己是没有消息接收器的，它是通过spout从数据源读取数据的。采集系统采集。kafka是一个分布式的消息队列系统。kafka+storm能满足获取数据输入，产生输出数据的基本需求；kafka的分布式、高性能和storm吻合；其中pub
‑
sub模型可以让多个storm业务共享输入数据；kafka灵活消费的模式能配合storm实现不丢不重(exactly
‑
once)的处理模型。kafka+storm的实时运算处理过程如图13所示；
132.其中storm(数据清洗)kafkaspout负责消费kafka数据，isdecodebolt负责判断数据是否解码，decodebolt负责数据解码，rulesbolt负责数据规则解析，引入规则引擎(drools)，解决数据变更需求。formatrule负责数据格式化规则，适应不同的格式。dataadapter负责数据存储适配，需要适配hdfs，hbase， spark,数据库等。errorbolt负责异常数据写入hdfs,方便异常数据明细查询。 statbolt统计从kafka消费数据量。
133.对所述历史数据、污水设备监测数据、发生故障次数以及检修数据报表分析产生故障的原因，采用多层前向bp网络和模糊联想记忆神经fam网络相结合的故障诊断方法，包
括有以下步骤：
134.首先用bp网络对输入故障征兆样本进行预分类；
135.然后应用fam网络在相应类中进行综合诊断；
136.其中，根据故障征兆向量把样本分成n类故障原因，第i类中有n
i
(i＝1,2,...,n) 个学习样本a
k
(k＝1,2,...,n
i
)；
137.故障诊断方法的学习过程是：输入故障征兆向量j(j＝1,2,...,n)到bp网络中，根据对应的故障类型j,确定bp网络的b(a)；同时在fam网络中由输入故障征兆向量和输出故障原因向量的样本对(j,j)构成一个诊断矩阵，即每个诊断矩阵就是一条规则。如此类推，完成n个样本学习。
138.测试时，将待诊断故障征兆向量输入bp网络进行分类，根据相应类中的第 k条规则得出一个诊断输出c
k
。
139.在诊断系统中模糊联想记忆网络并不是所有输出的简单相加，由于输入不同程度的作用于网络中的每条规则，所以输出也以不同的权重h
k
相加得到最后的诊断输出：
[0140][0141]
其中h
k
＝1
‑
d(a,a
k
)＝(a,a
k
)反映模糊联想记忆规则(a,a
k
)的可信度。式中为与k之间的明可夫斯基距离，其中p的取值范围为(1,2,3,...)在丝绸生产系统的故障诊断中,规则权值h＝(h1,h2,...h
k
,...)将随输入故障征兆向量与规则故障征兆向量的贴近度而变化，贴近度越大则权值越大，当征兆完全一致时贴近度为1，该规则的权值亦为1，据此即可得出合理的诊断结论,预警技术原理图如图2所示。
[0142]
目前农村生活污水分散式处理设施有着典型的空间分布分散的特点，农村生活污水分散处理缺乏信息化、自动化和智能化管理手段，现场设备维护人员由于缺乏专业知识，对管网及设备的异常和故障无法做出及时应对与处理，导致污水处理的出水水质难以保证等问题。这些都成为实现农村生态环境治理，实现乡村振兴的阻力。因此，如何提高农村分散式污水处理设备的管理和维护水平，如何加强其数据的分析能力等都亟需寻找一种新的技术支持。
[0143]
因此，本发明通过物联网技术实现农村生活污水治理全过程的信息采集融合与交换技术研究，解决数据收集困难、数据量大且分散、规律性不强、单体数据代表性不足，无法对农村生活污水大数据进行挖掘分析等问题；研究面向物联安全监测预警的农村生活污水智能处理大数据中心与一体化管理架构研究，构建基于农村生活污水智能处理知识库；通过利用深度学习、数据挖掘，研究基于大数据挖掘的农村生活污水智能监测预警技术研究，实现对农村生活污水治理的智能监测，实现污水设备的故障诊断与预测预警，最终构建面向分散式的农村生活污水治理智能监测预警系统，系统架构图如图10所示。
[0144]
本发明构建的面向分散式的农村生活污水治理智能监测预警系统能够实现以下几个功能：
[0145]
(1)农村生活污水治理的智能监测与远程监控功能
[0146]
本发明通过利用物联网技术实现农村生活污水治理全过程的信息采集融合，利用
大数据挖掘实现农村生活污水治理的智能监测与远程监控，实现污水处理自动化，主要包括以下功能：
[0147]
水质监测
[0148]
水质数据:单个水质监测点的水质(各种监测数据)情况，在系统中实时呈现；系统自动显示实时水质处于行业标准哪一级(根据行业对水质的标准要求，将水质分为六大类十五个等级)，当出水口水质不达标时，系统自动进行告警；水质告警列表也可以进行呈现。
[0149]
历史水质报表:历史数据在系统中通过曲线图的方式将水质进行呈现，系统提供具体的年、月、日、小时段等查询条件进行水质信息查询，也可以选择某个时间段进行查询。
[0150]
水流量监测与分析
[0151]
实时数据监测：系统可以查看、记录每一处设施入口和出口的瞬时流速、水温、流量等当前流量计读数、以及今日累计流量、前一日累计流量、上个月日平均流量等数据、月、年度累计总流量(双击可以看1
‑
12月的累计水流量)。
[0152]
水流量报表及分析:系统具有流量统计功能，支持按时间时、日、周、月、年查询该设施流量均值、总量(“时”只统计小时总量，“日”统计小时均值和日总量，周、月、年统计日均、周总量、月总量、年总量)等信息，支持报表、柱状图等多种显示方式，农村生活污水流量监测图如图11所示。
[0153]
趋势与预测分析：根据监测的历史数据，截取适当时期作为周期时间，分析该周期内农村用水和污水状态规律。根据历史趋势，预测当前或未来一段时期内污水流量或水质的状态，为运维人员开展相关工作提供参考。由于农村生产生活具有一定的周期性和规律性，该分析具有重要的实际意义。例如发现历史数据中，某区域春节时期污水量和水质指标发生明显改变，则在当年同时期到来之前，提供相关提示和历史数据，以便运维人员参考并做好相关准备。
[0154]
(2)农村生活污水治理的智能化预警功能
[0155]
水流量异常告警
[0156]
系统可以根据各个监测点的水流量工艺要求，设置水流量监测的告警阈值，如每天水流量低于或者高于某一个阈值，则系统会自动发出告警。该阈值既可以是固定值，也可以是动态的值(根据前一个月日平均值设定动态值)，也可以是两者之间的任一组合。
[0157]
具体如下：
[0158]
水流量过小告警:如当日累计水流量低于某一个阈值(可根据每一个站点自定义)，则系统会自动发出告警。
[0159]
水流量过大告警:如当日累计水流量高于某一个阈值(可根据每一个站点自定义)，则系统会自动发出告警。
[0160]
水流量异常波动告警:如当日累计水流量与上一月日平均水流量相比波动过大(比例可以自定义)，立即告警。
[0161]
流量计数据采集不到告警:在物联网网关在线的情况下，如连续15分钟采集不到流量计数据，立即告警。
[0162]
水质指标监测告警
[0163]
系统可以根据各个监测点的水质(如cod、nh3、tp、电导率等)指标工艺要求，设置水质指标监测的告警阈值，如水质指标低于或者高于某一个阈值，则系统会自动发出告警。
[0164]
同时，人员可以将站点的水质检测数据录入管理平台，以供管理人员远程查询监看，并形成相应的报表。可以录入化验的水质，包括cod、总磷、氨氮等水质参数的进出水指标，通过折线图可以展示站点的实际水质的走势情况，为站点的综合考核提供依据。管理单位也可以将站点抽检水质数据录入平台，作为抽检记录和考核基本档案。
[0165]
污水设备故障诊断与预警
[0166]
平台可远程实时查看设施每一台动力设备运行情况(包括运行、停止、功率及故障告警)；对每天每一台动力设备(水泵、风机)的起停、运行、故障告警等情况进行自动统计与分析。按照设备运行情况和管理维护情况进行评价并打分，得出站点综合健康状况，等级分为优、良、中及差。也可以对一个时间段的站点运行状况进行评价，得出健康状况曲线或者站点排名。
[0167]
当站点的环保设备停止工作或者出现异常情况，比如：风机、水泵等设备不正常工作，水流量异常，安防报警等情况，系统自动弹框告警，呈现现场的最新照片或者在线视频，同时会给对应运维人员发送告警短信。运维人员可以通过移动客户端接收工单，并按照工单处理与提交。当多点故障时，系统根据各个站点的当前污水流量、水质等情况对告警进行分级，以便在有限的维护力量下，按照危重程度制定维修安排，保障治理安全有效运行。
[0168]
预测警告
[0169]
根据当前污水数据或者历史污水数据分析，预测到水量或水质将达到设定阈值，则发出预测警告，提醒相关人员关注污水情况和设备状态。结合站点健康状况及预测工作负载压力，在预测到当前污水状态有可能超过处理能力时，提前发出警告，以便相关人员提前干预或检修，避免发生运行事故。
[0170]
以上所述，仅是本发明的较佳实施例而已，并非对本发明的技术范围作出任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明的技术方案的范围内。