用于检测水处理设备中异常的方法与流程

用于检测水处理设备中异常的方法
1.本发明涉及水处理的领域。
2.更具体地，本发明涉及水处理设备的操作中的异常检测。
3.作为例示，已知的是检测到的异常可能如下：
4.‑
装备或仪器的损坏或故障的检测。
5.‑
异常事件(例如，起泡)的检测。
6.‑
操作变化(例如，操作者的变化)的检测。
7.‑
输入工艺中的、待处理废水的性质或数量的变化的检测。
8.‑
......等等。
9.应当理解，异常的这种检测可能因不止一个原因而是有益的：
10.‑
一方面，现场操作者难以(如果不是不可能的话)实时监测设备的所有参数。因此，与设备的各种参数的相关测量相结合的异常检测算法将是特别有利的，以便使得可以非常快速地警告操作者设备内的问题，然后可以有机会尽早解决该问题。
11.‑
另一方面，装备和消耗品的提供者通常不在设备处。因此，这种工具对于以下是非常有益的：在装备之一出现故障的情况下(或者在偏离“正常”操作的情况下，指示故障)向提供者发出警报，或者在消耗品之一(例如气体)过度消耗(或者非最佳使用)的情况下防止出故障，以及允许提供者实时监测设备异常的概率(并且，如果需要，远程警告和帮助现场操作者，以用于工艺优化的目的)。
12.目前在该行业和文献中提出的解决方案不提倡使用传感器；他们提倡执行实验室分析，这些实验室分析定期(例如，每周或每月)进行，以便能够检测异常。因此，可以理解，检测异常的频率较低，并且这种方法可能会遗漏设备中发生的大量重大事件。
13.另一已经讨论过的解决方案(可认为是稍微更相关的)包括监测实验室分析以及由传感器提供的数据，这些传感器安装在现场且非常定期地(例如，每15分钟一次)提供测量值。
14.在这种情况下的问题是，由于传感器众多(这些传感器具有很大的可变性)，操作者通常可获得非常大量的数据，并且相互独立地监测所有这些传感器可能导致触发许多错误警报，同时错过“真实”异常。
15.作为例示，独立于其他测量来考虑，氧气浓度的非常大幅增加因为是异常的而可能触发警报，然而，这种大幅增加可能由进入的废水中污染物浓度的非常大幅的降低(这本身不是异常)来解释。在这种情况下，将触发错误警报。
16.同样，对罐进行曝气的泵的电流增加可能具有两个原因：泵的速度增加(例如，如果气体流率增加)或马达故障。因此，电流的单独测量不足以提供可靠的警报，而如果它与其他测量(比如曝气罐的需氧量、溶解氧的浓度、或氧气流率)相结合，并且借助于合适的异常检测工具，则可以产生可靠的警报。
17.最后，应当指出，一些水处理设备根据上游工艺而操作差异非常大。
18.例如，可以提及制药或农业食品生产场所下游的水净化设备：从一次生产运行到另一次生产运行，废水的性质将发生巨大变化，因此测量的参数也将发生巨大变化。将在设
备处测量的参数与上游生产运行类型相结合则使得可以立即确定观察到的变化是归因于异常还是归因于上游生产运行的变化。
19.因此，错误警报受到限制，并且正确检测到的异常的数量被最大化。
20.于是，本发明的目的是提出一种用于检测这种废水处理设施中出现的异常的新方法，所述方法基于算法。
21.如将在下文中更详细看到的，在此提出的方法具有许多优点：
22.‑
该算法能够处理性质非常不同的数据，比如传感器测量值、机器状态(使用中/停机)、生产运行次数、传感器校准数据、实验室分析文件，每项输入数据与发生概率相关联，这允许对复杂场景进行分析。
23.‑
该算法使得可以处理大量数据。随着传感器数量和可获得数据量的预期增加，拥有使得可以聚合所有这些数据(即使数据量非常大)的工具是非常重要的。使用的输入数据的量和性质不受限制。
24.‑
描述性模型实施起来是复杂的；该模型需要针对每个净化设备配置以及可能针对每个操作模式的开发和验证步骤。相比之下，在此提出的算法是统计工具；该算法容易实施，并且只需要设置一个学习步骤。然后，可以用设备寿命内的新数据(例如通过添加与设备或其环境相关的新传感器或新信息源)对该算法进行补充。
25.‑
该算法允许实时进行复杂的分析：通过关联大量弱信号(即，各种参数的微小变化，这些微小变化在它们彼此分开考虑时不会触发警告)，可以揭示更大的问题。概率分布将各种信号联系起来，以便从全局角度分析这些信号，从而关注某些事件之间的相关性。
26.‑
无论使用的数据的量和性质如何，该算法都会产生反映设备总体状态的单一指标：概率。如果此概率是高的，则这意味着输入到算法中的数据组合是非常可能的，这意味着操作是正常的。如果该概率是低的，则这意味着算法的单项数据或数据组合具有低的发生概率，并且该低的发生概率警告设备内的异常。
27.如上所解释，模型的输入数据可以具有变化的性质。例如，这可能是如下的问题：
28.‑
传感器：传感器可以安装在设备中的不同位置处，例如安装在装备(泵、涡轮机等)上、或者甚至直接安装在曝气罐中、或者安装在设备的入口管道或出口管道上等等。
29.‑
日期：操作可能根据以下而有所不同：季节(夏季设备停工、冬季平均温度较低等)、一周中的某天(周末某些设备上游不生产)、或者甚至一天中的某时间(夜间市政净化设备接收的废水较少)等。因此，将设备数据与一天中的某时间、一周中的某天、或季节相关联可以是有益的。
30.‑
上游机器和上游生产数据的状态：在这些用于净化用过的工业水的设备中，废水的性质取决于设备上游的工艺。由于此原因，上游工艺中使用的机器的状态，或者正在进行的生产运行的参考可以解释废水的性质，并且因此可以与净化设备中测得的某些值相关联。
31.‑
天气数据：气候事件(强降雨、干旱、极端温度)也可以用于补充数据库，检测工具能够凭借该数据库发挥作用。
32.以下是可以使用的传感器的示例列表：
33.‑
溶解氧传感器：它可以是电化学或光学传感器；然而，将优选地使用光学传感器。放置在曝气罐中的此传感器使得可以测量溶解氧的浓度。
34.这种测量可能与罐的强曝气同时进行、特别相关，因为在曝气期间溶解氧浓度的增加速率(和曝气停止时的减少速率)各自(与曝气流率相结合)一方面是曝气装备的正确操作的良好指标，另一方面是曝气罐中活性污泥的需氧量的良好指标。
35.‑
电化学探针，比如ph或氧化还原探针；将优选地使用包括3个电极的探针，以便补偿某些干扰离子的影响，并且使用配备有温度传感器的探针，以便补偿温度的影响。探针的使用时间、以及测量中随时间的变化也可以被监测，因为这些是探针的正确操作的指标，并且因此也是测量的可靠性的指标。
36.‑
选择性膜探针。这些电化学探针包括仅对某些化学物质可渗透的膜；因此，它们使得可以测量试图在设备中降解的铵、硝酸盐或其他化学物质的浓度。类似于ph/氧化还原探针，包括3个电极和温度补偿的探针将是优选的。
37.‑
光谱探针：市场上可获得越来越多的探针，这些探针使得可以通过分光光度法测量有机负荷、氮负荷或悬浮物质的量。可以使用多种类型的探针：测量一个或多个波长下的吸收，测量相对较大波长范围内的荧光峰值。在所有情况下，光学测量可以与有机污染或氮污染的浓度相关联。使得可以在扩大范围内测量吸收光谱、因此使得可以一方面补偿浊度的影响并且另一方面构建更稳定的相关性的探针将是优选的。该探针将有利地放置在曝气罐的上游和/或下游。
38.‑
在线分析仪：替代性地，各种化学物质的浓度可以通过在线分析仪获得。在这种情况下，分析仪有利地位于罐附近，并且以规则的间隔采集样本以便分析。
39.‑
浊度：可以使用允许浊度测量的探针，或者可以使用允许与浊度、或与悬浮液中固体浓度相关联的任何其他测量(反向散射的光、成60
°
散射的光、吸收光等)的探针。该探针将可能放置在曝气罐的上游、或下游，或直接放置在曝气罐中。
40.‑
电导率：电导率是相当可靠且可易于测量的水质指标。在某些情况下，该电导率可以与化学需氧量(cod，例如，城市用水中的)相关联。该电导率可以通过传导或感应方法、或任何其他使得可以估计电导率的方法来测量。该探针可以放置在设备上游或下游的管道中，或直接放置在曝气罐中。
41.‑
气体流率：可以监测注入曝气罐中的氧气(或空气)的流率。流量计(优选为热质量流量计)放置在用于将气体注入罐中的装备的上游。
42.‑
振动传感器。测量用于将气体注入水中的装备的振动。传感器优选地放置在齿轮传动马达上(或者替代性地放置在马达上)。被监测的信号可以从振动光谱中选择，或者是与正常操作期间产生的振动光谱的偏差。
43.‑
电流钳。放置在曝气装备电源周围的这种钳使得可以测量马达的电流。这种钳可能伴随有温度测量。
44.‑
水或污泥流率：超声波或电磁流量计可以用在设备的不同点处：在污泥再循环期间，在进入的废水流的上游、在流出的经处理的水流的下游，等等。
45.当然，传感器的这种列表仅仅是可以使用的传感器的例示，而不是穷尽的。
46.关于根据本发明提出的算法，将可能添加如下任何传感器，这些传感器使得可以监测所讨论的净化设备中特别关注的参数，并且这些传感器在上文没有提到。
47.如上所描述的，本发明提出实施用于解释数据的算法，使得可以计算传感器给出它们显示的值的概率是多少。如果此概率是高的，则认为没有异常；如果此概率是低的，则
算法检测到异常。
48.更准确地说：
49.‑
在训练阶段(即创建专家系统的阶段)：针对所有传感器计算概率分布；
50.‑
在算法的使用阶段：传感器读取的值被插入概率计算算法中。如果此概率是低的，则这表明传感器传送的值与它们在学习阶段期间传送的值非常不同；该算法因此检测或标记异常。
51.数学上，下文给出了算法的两个示例：具有独立高斯分布的简化版本、以及具有多元高斯分布的更复杂且更精确的版本。
52.算法1：
53.1.在t1到t
m
的时间段内训练：
54.a.选择输入数据x
j
(t)，j＝1
……
n，这可以指示异常。ex：x
j
可以是设备中(例如，通过上文列出的传感器的示例)执行的所有测量。
55.b.利用以下公式计算参数μ1，
…
，μ
n
，σ1，
…
，σ
n
：
[0056][0057][0058]
其中μ
j
＝训练时段内变量j的平均值，并且σ
j
＝训练时段内变量j的标准差。
[0059]
2.针对时间段t＞t
m
使用算法：
[0060]
考虑新的时间步长t，计算p(t)：
[0061][0062]
如果p(t)＜∈，则检测到异常。
[0063]
数值示例：
[0064]
2个输入变量：
[0065]
‑
x1，罐中的氧气的浓度
[0066]
‑
x2，入口处的污染物的浓度
[0067]
在3个月的训练时段内，计算如下：
[0068]
μ1＝2g/m3[0069]
μ2＝100g(碳)/m3[0070]
σ1＝0.3g/m3[0071]
σ2＝5g(碳)/m3[0072]
最小异常阈值被设定为∈＝10
‑4。
[0073]
于是，在算法的使用时段内，观察到以下的新传感器值：
[0074]
‑
x1(t)＝2.1g/m3[0075]
‑
x2(t)＝96g/m3[0076]
然后可以计算以下概率密度：
[0077][0078]
在这个第一时间步长内，概率是高的；因此，没有检测到异常。
[0079]
在第二时间步长内
[0080]
‑
x1(t)＝2.7g/m3[0081]
‑
x2(t)＝85g/m3[0082][0083]
由于此第二概率是非常低的，则表明存在异常。
[0084]
由于此第二概率是非常低的，则表明存在异常。
[0085]
算法2：
[0086]
1.在t1到t
m
的时间段内训练：
[0087]
a.选择输入数据x
j
(t)，这可以指示异常。ex：x
j
可以是设备中(例如，通过上文列出的传感器的示例)执行的所有测量。
[0088]
b.利用以下公式计算参数μ和∑：(注意：在第二版本中，x，μ和∑是多维的)
[0089][0090][0091]
2.针对t＞t
m
使用算法：
[0092]
考虑新的时间步长t，计算p(t)：
[0093][0094]
如果p(t)＜∈，则检测到异常。
[0095]
数值示例：
[0096]
现在考虑与上文相同的具有第二时间步长值的示例：
[0097]
‑
x1(t)＝2.7g/m3[0098]
‑
x2(t)＝85g/m3[0099]
因此，计算如下：
[0100]
‑
[0101]
‑
∑＝[[0.09，
‑
0.2]，[
‑
1，25]]
[0102]
然后计算以下概率密度：
[0103][0104]
该算法允许变量x1相对于变量x2的依赖性。o2浓度高的事实可以用入口处污染物
浓度低来解释。因此，没有检测到异常。
[0105]
在下文，将呈现在法国的水处理设备的背景下实现的示例性实施例，其中布置了来自以下列表的大约二十个传感器：
[0106]
‑
罐中的氧气浓度的传感器
[0107]
‑
经注入的氧气流率的传感器
[0108]
‑
罐的入口处的含碳污染物的传感器(测量cod或“化学需氧量”，在此是在实验室中测量的)
[0109]
‑
表面固体的传感器，同样在罐入口处(测量sm“悬浮物质”，在此是在实验室中测量的)
[0110]
‑
设备入口处的废水的流率的测量值
[0111]
图1中所附的图表示出了概率计算的结果。
[0112]
横坐标上绘制出所讨论时段的月份，并且纵坐标上绘制出在每个时刻(在此是利用算法2)计算出的概率密度的对数。对数使得可以“将值展平”，以便更好地看到概率在特定时刻的大幅下降。
[0113]
算法(2号算法)在两个月(十一月和十二月)的时段内进行“训练”。然后，该算法提供了与由传感器在十二月至十二月的一年时段内测量的值相关联的概率。
[0114]
该算法示出了在以下时段中的可以很容易解释的非常低的概率值：
[0115]
‑
假日时段：十二月底、八月份、各个法定假日(例如，五月份中的法定假日)
[0116]
‑
三月初设备停工的时段
[0117]
但是，该算法在以下时段中也示出非常低的值：
[0118]
‑
七月初和整个九月到十月。在这些时候，似乎在现场的设备中形成了泡沫。算法表明，它有效地检测出此时段期间的异常。
[0119]
‑
已经在六月初，该算法示出比训练时段期间低得多的概率值。这些低概率可以由设备操作者的变化来解释。
[0120]
最后两个事件的检测对于气体提供者和站点使用者两者是非常有益的；例如，这使得可以了解装备的过度氧气消耗。从保障设施的角度来看，这也可能是有益的。
[0121]
综上，从图中可以推测出以下事实：
[0122]
‑
在a处：七月初首次检测到泡沫
[0123]
‑
在b处：九月至十月观察到大量泡沫
[0124]
‑
在c处：事实上，在设备中更换操作者之后，早在七月就可以预料到这种现象。
[0125]
因此，本发明涉及一种用于操作水处理设备的方法，该方法包括检测该设备的操作中的异常的阶段，其特征在于，该异常检测阶段包括以下措施的实施：
[0126]
‑
提供代表该设备的操作状态的数据，这些数据由安装在该设备本身中的选定位置处、或该设备的输入管道或输出管道上的传感器提供，并且在适当的情况下，还提供附加数据，这些数据包含在由以下形成的组中：
[0127]
‑
i)关于日期/时段的数据，在这些日期/时段期间，该设备的操作受到监测；
[0128]
‑
j)代表上游机器的状态的数据，该上游机器产生要在该设备中处理的废水；
[0129]
‑
k)表征气候条件的天气数据，在这些气候条件下该设备的操作受到监测；
[0130]
‑
提供用于获取和处理这些数据的系统，该系统配备有用于处理这些数据的算法，
该算法能够执行以下：
[0131]
a.执行学习阶段，在该学习阶段期间，该系统针对所有这些传感器计算概率分布的参数、并且在适当的情况下计算所述附加数据；
[0132]
b.执行使用该算法的阶段，在该阶段中该系统将由这些传感器实时读取的值插入到该算法中，以便针对所有这些传感器计算概率密度，并且根据该密度的结果，如果该概率是低的，则断定这些传感器正在传送与它们在该学习阶段期间传送的值非常不同的值，并且然后标记异常。
[0133]
根据本发明的优选实施例，用于获取和处理数据的系统也能够以下列方式进行通信：
[0134]
‑
该系统能够与云/托管信息技术系统进行通信；
[0135]
‑
该系统能够将聚合后的数据(通过有线或无线)传输到服务器；
[0136]
‑
该服务器被编程为接收这些数据，将这些数据存储在数据库中，将这些数据转换成适于查看的格式，并且根据建议处理所述数据；
[0137]
‑
该算法的结果、以及该算法的计算所需的数据因此可在数字媒体(比如平板电脑、电话、计算机)上远程获得。