一种农村生活污水处理的控制方法、云端服务器及系统与流程

本申请涉及污水处理技术领域，特别涉及一种农村生活污水处理的控制方法、云端服务器及系统。

背景技术：

农村生活污水处理有着与城市生活污水处理不同的条件，因为农村居住环境的分散性特点，决定了农村生活污水无法像城市一样集中收集，统一处理。目前常用的农村生活污水处理方法主要有建管网、传统厌氧好氧（anoxicoxic，简称ao）工艺法、序批式生物膜反应器（sequencingbatchbiofilmreactor，简称sbbr）法。建管网集中收集、统一处理的方法，是使用与城市生活污水处理相同的方式，建造与后期运维成本都很高。传统ao法，是大型水厂大多会采用的方法，但如果用于小型设备，缺少了抗冲击性，会使出水指标不稳定，同时ao法由于没有独立的污泥回流系统，从而不能培养出具有独特功能的污泥，难降解物质的降解率较低。sbbr法是序批式反应法，在城市生活污水处理中有着不错的稳定性，但是工序固定，每个工序的反应时长固定，脱氮除磷效率不高，在面对农村生活污水用水时间与用水量都不确定的情况下，很难保证菌群的活性与出水的稳定。

而现有的污水处理工艺大都面向通用城市污水处理领域，针对农村生活污水这一特定的领域，适用的方法很少，大都是由大型水厂的处理模式演化而来，需要定期维护，清掏并补充填料，并且需要大批的维护人员定期对设备进行巡检，有问题不能及时发现，当发现时设备内的生态平衡已经紊乱，菌种已大部分丧失活性，浪费人力成本，三分建七分管。

在农村生活污水这一特定领域，除了要考虑污水处理的工艺方法，还要考虑每家每户进水时间与水量不定的条件，所以使得传统污水处理工艺在农村生活污水处理领域收效甚微。因此，研发一种适用于农村生活污水的处理工艺就成为具有战略意义的目标。

技术实现要素：

本申请实施例要达到的技术目的是提供一种农村生活污水处理的控制方法、云端服务器及系统，用以解决当前农村生活污水处理过程中，现有的处理工艺效果不佳的问题。

为解决上述技术问题，本申请实施例提供了一种农村生活污水处理的控制方法，应用于云端服务器，包括：

接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新；

当根据数据信息确定目标设备处于当前工艺处理周期内的第一预设环节时，获取当前的处理工艺参考模型；

根据数据信息中目标设备在当前工艺处理周期内的进水参数信息，从处理工艺参考模型中匹配得到一目标处理工艺；

当检测到目标设备的菌落调整信息时，根据菌落调整信息对目标处理工艺进行调整，得到调整后的目标处理工艺，其中，菌落调整信息包括：菌种和/或有机物的流向信息；

将包括目标处理工艺的处理结果发送至目标设备，处理结果用于使目标设备在当前工艺处理周期结束后，执行目标处理工艺。

优选地，如上所述的控制方法，在接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新的步骤之后，方法还包括：

当检测到当前时间位于模型创建周期的一个创建节点时，根据数据集重新构建处理工艺参考模型。

具体地，如上所述的控制方法，根据数据集重新构建处理工艺参考模型的步骤包括：

根据预训练神经网络模型对数据集进行预训练，得到工艺向量和时间向量，并根据预设验证方法将数据集划分为训练集和测试集；

根据工艺向量、时间向量以及测试集构建基于注意力机制的神经网络模型；

根据训练集对神经网络模型进行训练得到目标神经网络模型；

根据目标神经网络模型以及预设的判断条件，确定处理工艺参考模型。

进一步的，如上所述的控制方法，根据预训练神经网络模型对数据集进行预训练，得到工艺向量和时间向量的步骤包括：

对数据集进行预处理，预处理包括：解码和规范化标注；

根据预训练神经网络模型对预处理后的数据集进行训练，得到时间向量和工艺向量。

优选地，如上所述的控制方法，在接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新的步骤之后，方法还包括：

当检测到当前时间为巡检周期的一个巡检节点时，获取目标设备在上一个巡检节点与当前时间之间上传的目标数据信息；

根据目标数据信息确定目标设备的当前生态环境状态；

当根据当前生态环境状态确定需要对目标设备进行生态环境调整时，根据当前生态环境状态生成菌落调整信息。

具体地，如上所述的控制方法，根据目标数据信息确定目标设备的当前生态环境状态的步骤包括：

根据目标数据信息以及预设数据模型进行比对，得到比对结果，预设数据模型包括：菌种成分和生长状态与数据信息的对应关系；

根据比对结果，确定当前生态环境中各菌种的当前比例关系；

根据当前比例关系和预设比例关系，确定当前生态环境状态。

优选地，如上所述的控制方法，在接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新的步骤之后，方法还包括：

当检测到目标设备处于当前工艺处理周期内的第二预设环节时，获取当前工艺处理周期中的进水参数信息；

根据进水参数信息，得到预估的下一个工艺处理周期的目标进水参数信息；

当根据目标进水参数信息，确定目标设备需要进行菌落调整时，生成菌落调整信息。

优选地，如上所述的控制方法，还包括：

当检测到目标设备处于当前工艺处理周期内的第三预设环节时，获取目标设备在预设时间间隔内的进水量；

当目标设备在预设时间间隔内的进水量为零时，发送休眠信号至目标设备。

进一步的，如上所述的控制方法，在发送休眠信号至目标设备的步骤之后，还包括：

当从目标设备上传的数据信息中，检测到进水量大于零时，发送激活信号至目标设备。

优选地，如上所述的控制方法，在接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新的步骤之后，还包括：

当目标设备上传的数据信息中携带有故障信息时，根据故障信息生成电子预警工单，并下发至与目标设备对应的运维终端。

在本申请的另一优选实施例中还提供了一种云端服务器，包括：

第一处理模块，用于接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新；

第二处理模块，用于当根据数据信息确定目标设备处于当前工艺处理周期内的第一预设环节时，获取当前的处理工艺参考模型；

第三处理模块，用于根据数据信息中的当前进水参数信息从处理工艺参考模型中匹配得到一目标处理工艺；

第四处理模块，用于当检测到目标设备的菌落调整信息时，根据菌落调整信息对目标处理工艺进行调整，得到调整后的目标处理工艺，其中，菌落调整信息包括：菌种和/或有机物的流向信息；

第五处理模块，用于将包括目标处理工艺的处理结果发送至目标设备，处理结果用于使目标设备在当前处理工艺周期结束后，执行目标处理工艺。

优选地，如上所述的云端服务器，还包括：

第六处理模块，用于当检测到当前时间位于模型创建周期的一个创建节点时，根据数据集重新构建处理工艺参考模型。

具体地，如上所述的云端服务器，第六处理模块包括：

第一处理单元，用于根据预训练神经网络模型对数据集进行预训练，得到工艺向量和时间向量，并根据预设验证方法将数据集划分为训练集和测试集；

第二处理单元，用于根据工艺向量、时间向量以及测试集构建基于注意力机制的神经网络模型；

第三处理单元，用于根据训练集对神经网络模型进行训练得到目标神经网络模型；

第四处理单元，用于根据目标神经网络模型以及预设的判断条件，确定处理工艺参考模型。

进一步的，如上所述的云端服务器，第一处理单元包括：

第一处理子单元，用于对数据集进行预处理，预处理包括：解码和规范化标注；

第二处理子单元，用于根据预训练神经网络模型对预处理后的数据集进行训练，得到时间向量和工艺向量。

优选地，如上所述的云端服务器，还包括：

第七处理模块，用于当检测到当前时间为巡检周期的一个巡检节点时，获取目标设备在上一个巡检节点与当前时间之间上传的目标数据信息；

第八处理模块，用于根据目标数据信息确定目标设备的当前生态环境状态；

第九处理模块，用于当根据当前生态环境状态确定需要对目标设备进行生态环境调整时，根据当前生态环境状态生成菌落调整信息。

具体地，如上所述的云端服务器，第八处理模块包括：

第五处理单元，用于根据目标数据信息以及预设数据模型进行比对，得到比对结果，预设数据模型包括：菌种成分和生长状态与数据信息的对应关系；

第六处理单元，用于根据比对结果，确定当前生态环境中各菌种的当前比例关系；

第七处理单元，用于根据当前比例关系和预设比例关系，确定当前生态环境状态。

优选地，如上所述的云端服务器，还包括：

第十处理模块，用于当检测到目标设备处于当前工艺处理周期内的第二预设环节时，获取当前工艺处理周期中的进水参数信息；

第十一处理模块，用于根据进水参数信息，得到预估的下一个工艺处理周期的目标进水参数信息；

第十二处理模块，用于当根据目标进水参数信息，确定目标设备需要进行菌落调整时，生成菌落调整信息。

优选地，如上所述的云端服务器，还包括：

第十三处理模块，用于当检测到目标设备处于当前工艺处理周期内的第三预设环节时，获取目标设备在预设时间间隔内的进水量；

第十四处理模块，用于当目标设备在预设时间间隔内的进水量为零时，发送休眠信号至目标设备。

进一步的，如上所述的云端服务器，还包括：

第十五处理模块，用于当从目标设备上传的数据信息中，检测到进水量大于零时，发送激活信号至目标设备。

优选地，如上所述的云端服务器，还包括：

第十六处理模块，用于当目标设备上传的数据信息中携带有故障信息时，根据故障信息生成电子预警工单，并下发至与目标设备对应的运维终端。

本申请的再一优选实施例中还提供了一种农村生活污水处理系统，包括：多个一体化设备以及如上所述的云端服务器；

其中，一体化设备用于监测自身的设备运行情况，并将生成的数据信息发送至云端服务器；接收云端服务器反馈的目标处理工艺，并在当前工艺处理周期结束后，在下一个工艺处理周期执行目标处理工艺。

具体地，如上所述的农村生活污水处理系统，一体化设备中设置有多个监测设备，用于监测一体化设备的设备运行情况，监测设备包括：溶解氧和酸碱度检测仪、温度传感器、氧化还原电位监测仪、nh-n传感器、no-n传感器、悬浮物监测仪、进水流量传感器、出水流量传感器中的至少一项。

本申请的又一优选实施例中还提供了一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所述的农村生活污水处理的控制方法。

与现有技术相比，本申请实施例提供的一种农村生活污水处理的控制方法、云端服务器及系统，至少具有以下有益效果：

本申请的农村生活污水处理的控制方法，基于物联网技术获取多个一体化设备的数据信息，并基于人工智能技术根据目标设备的数据信息进行处理工艺的匹配，得到符合目标设备当前情况的处理工艺并下发至目标设备进行执行，即通过及时调整污水处理工艺，有利于保证污水处理的效果，解决因农村污水进水参数不定，导致出现浪费或处理效果不佳的问题，同时将生态环境调整结合至处理工艺中，有利于保证设备内的生态平衡，避免因生态平衡紊乱导致处理效果不理想的情况出现，进一步的保证污水处理效果。

附图说明

图1为本申请的农村生活污水处理的控制方法的流程示意图之一；

图2为本申请的农村生活污水处理的控制方法的流程示意图之二；

图3为本申请的目标神经网络的结构示意图；

图4为本申请的农村生活污水处理的控制方法的流程示意图之三；

图5为本申请的农村生活污水处理的控制方法的流程示意图之四；

图6为本申请的农村生活污水处理的控制方法的流程示意图之五；

图7为本申请的农村生活污水处理的控制方法的流程示意图之六；

图8为本申请的农村生活污水处理的控制方法的流程示意图之七；

图9为本申请的云端服务器的结构示意图；

图10为本申请的农村生活污水处理系统的结构示意图。

具体实施方式

为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在本申请所提供的实施例中，应理解，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。

参见图1，本申请的一优选实施例提供了一种农村生活污水处理的控制方法，应用于云端服务器，包括：

步骤s101，接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新；

步骤s102，当根据数据信息确定目标设备处于当前工艺处理周期内的第一预设环节时，获取当前的处理工艺参考模型；

步骤s103，根据数据信息中目标设备在当前工艺处理周期内的进水参数信息，从处理工艺参考模型中匹配得到一目标处理工艺；

步骤s104，当检测到目标设备的菌落调整信息时，根据菌落调整信息对目标处理工艺进行调整，得到调整后的目标处理工艺，其中，菌落调整信息包括：菌种和/或有机物的流向信息；

步骤s105，将包括目标处理工艺的处理结果发送至目标设备，处理结果用于使目标设备在当前工艺处理周期结束后，执行目标处理工艺。

在本申请的一具体实施例中提供了一种应用于云端服务器的农村生活污水处理的控制方法，其中，该云端服务器通过物联网技术与多个用于农村生活污水处理的一体化设备连接，云端服务器会接收一体化设备实时上传的数据信息，并利用大数据技术根据该数据信息对云端服务器的数据库中的数据集进行补充更新，用于备案，且便于后续根据一体化设备上传的数据信息对一体化设备的运行状态进行判断，进而便于对一体化设备的处理工艺进行调整，以便保证出水水质的稳定性，其中，一体化设备优选为泥膜协同一体化设备，其中所述数据信息可包括：进水参数信息、出水参数信息、处理过程参数信息、设备运行状态信息等。其中，进水参数信息包括：溶解氧、酸碱度；出水参数信息包括：氨氮、硝态氮等；处理过程参数信息包括：悬浮物等；设备运行状态信息包括：温度、氧化还原电位等。

当根据数据信息确定目标设备处于当前工艺处理周期内的第一预设环节时，确定目标设备需要进行下一个工艺处理周期的规划，其中，第一预设处理环节优选为当前工艺处理周期的最后一个环节或最后一个环节中的某一个动作，此时获取当前的处理工艺参考模型，并根据目标设备在当前工艺处理周期内的进水参数信息对下一个工艺处理周期的进水参数信息进行预测，或直接作为下一个工艺处理周期的进水参数信息，从处理工艺参考模型中匹配得到一目标处理工艺，并作为下一个工艺处理周期的基础工艺，需要说明是此处所述的目标设备为多个一体化设备中的任意一个。

此时还会检测云端服务器中是否存在关于目标设备的菌落调整信息，若不存在菌落调整信息，则表明此时目标设备内的生态环境处于预设的正常状态，因此，将该目标处理工艺直接作为目标设备下一个工艺处理周期的处理工艺；若存在菌落调整信息，则表明目标设备中的生态环境已处于非正常状态，例如：即将紊乱状态或开始紊乱状态，因此为保证目标设备内的生态环境稳定，需要根据该菌落调整信息对目标处理工艺进行调整，得到调整后的目标处理工艺，并作为该目标处理工艺下一个工艺处理周期的处理工艺；然后，将包括该目标处理工艺的处理结果发送至目标设备，使目标设备在当前工艺处理周期结束，进入下一个工艺处理周期时，执行该目标处理工艺，对农村生活污水进行净化处理。其中，目标处理工艺中包括但不限于对提水水量、曝气量、回泥量和排水量的具体限定。

综上所述，本申请的农村生活污水处理的控制方法，基于物联网技术获取多个一体化设备的数据信息，基于大数据技术构建数据库，并基于人工智能技术根据目标设备的数据信息进行处理工艺的匹配，得到符合目标设备当前情况的最佳处理工艺，并下发至目标设备进行执行，即通过及时调整污水处理工艺，有利于保证污水处理的效果和出水稳定性，解决因农村污水进水参数不固定，导致出现浪费或处理效果不佳的问题，同时将生态环境调整结合至处理工艺中，有利于保证设备内的生态平衡，避免因生态平衡紊乱导致处理效果不理想的情况出现，进一步的保证污水处理效果。

优选地，如上所述的控制方法，在接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新的步骤之后，方法还包括：

当检测到当前时间位于模型创建周期的一个创建节点时，根据数据集重新构建处理工艺参考模型。

在本申请的另一优选实施例中，还会对数据集进行周期性建模，即当当前时间位于模型创建周期的一个创建节点时，根据当前的数据集重新构建一处理工艺参考模型，即云端服务器会基于大数据技术对多个一体化设备上传的数据信息进行处理，构建处理工艺参考模型，有利于保证得到的处理工艺参考模型的适用范围和处理效果；而进行周期性建模，有利于及时根据一体化设备的最新数据信息，对处理工艺参考模型进行调整，保证处理工艺参考模型的适用性和实时性。

参见图2，具体地，如上所述的控制方法，根据数据集重新构建处理工艺参考模型的步骤包括：

步骤s201，根据预训练神经网络模型对数据集进行预训练，得到工艺向量和时间向量，并根据预设验证方法将数据集划分为训练集和测试集；

步骤s202，根据工艺向量、时间向量以及测试集构建基于注意力机制的神经网络模型；

步骤s203，根据训练集对神经网络模型进行训练得到目标神经网络模型；

步骤s204，根据目标神经网络模型以及预设的判断条件，确定处理工艺参考模型。

在本申请的一具体实施例中，具体公开了根据数据集重新构建处理工艺参考模型的步骤，其中，在重新构建处理工艺参考模型时，首先，根据预先设定的预训练神经网络模型对当前的数据集进行预训练，以得到时间向量和工艺向量，同时，在此过程中可同步进行数据集的划分，即根据预设验证方法将数据集划分为训练集和测试集，以便于进行后续进行神经网络的构建和训练；其中，在一具体实施例中，预训练神经网络模型优选为连续词袋模型（continuousbag-of-wordsmodel，简称cbow）；预设验证方法优选为十折交叉验证法；需要说明的是，此处对预训练和数据集划分两个步骤的先后顺序不做具体限定，即两者可一前一后，也可同时进行。

在获取到上述的时间向量、工艺向量、测试集和训练集后，会根据时间向量、工艺向量和测试集构建一神经网络模型，且在该神经网络模型中，添加有注意力机制，用于对预设的特定词汇进行捕捉，并添加权重，有利于解决长序列前端语义稀释的问题，以便得到的神经网络模型更加符合处理工艺的流程描述需求。在本申请的一具体实施例中，所构建的神经网络模型如图3所示，其基于bilsm-crf（bi-directionallongshort-termmemory-conditionalrandomfield）和注意力机制构建。

在得到所述神经网络模型后，根据训练集对该神经网络模型进行训练，即对神经网络模型进行调整，以使得到的目标神经网络模型与当前一体化设备的状态相对应，保证基于该目标神经网络得到的处理工艺参考模型的实时性和适用性。

在根据目标神经网络模型得到处理工艺参考模型时，还会与预设的判断条件进行融合，使其在满足根据进水参数信息进行处理的基础上，通过技术人员根据实际环境情况、政策要求等因素设定用于筛选的参数和/或公式等，对处理工艺参考模型进形进一步的约束，用以进一步保证该处理工艺参考模型的适用性和实时性。

可选地，目标神经网络模型主要依据进水参数得到处理工艺参考模型，判断条件主要根据出水参数对处理工艺参考模型进行筛选。

参见图4，进一步的，如上所述的控制方法，根据预训练神经网络模型对数据集进行预训练，得到工艺向量和时间向量的步骤包括：

步骤s401，对数据集进行预处理，预处理包括：解码和规范化标注；

步骤s402，根据预训练神经网络模型对预处理后的数据集进行训练，得到时间向量和工艺向量。

在本申请的另一优选实施例中，根据预训练神经网络模型对数据集进行预训练，得到工艺向量和时间向量的具体步骤包括：首先对数据集中的数据进行预处理，以使数据满足在预训练神经网络模型中训练的形式要求，其中预处理的步骤包括：解码和规范化标注，其中在进行规范化标注时，优选地为根据bio标注体系进行标注。然后，将预处理后的数据集带入预训练神经网络模型中，进行训练，即可得到所需的时间向量和工艺向量。

参见图5，优选地，如上所述的控制方法，在接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新的步骤之后，方法还包括：

步骤s501，当检测到当前时间为巡检周期的一个巡检节点时，获取目标设备在上一个巡检节点与当前时间之间上传的目标数据信息；

步骤s502，根据目标数据信息确定目标设备的当前生态环境状态；

步骤s503，当根据当前生态环境状态确定需要对目标设备进行生态环境调整时，根据当前生态环境状态生成菌落调整信息。

在本申请的另一优选实施例中，当当前时间为巡检周期的一巡检节点时，确定此时需要对数据库中每一个一体化设备对应的数据信息进行巡检，此时会获取目标设备在上一个巡检节点到当前时间之间的目标数据信息，通过对该目标数据信息进行处理，可确定目标设备中的当前生态环境状态，即由数据信息推断设备内的生态环境状态。例如，当该生态环境状态中的菌种比例超出预设范围时，确定生态环境即将紊乱，此时确定需要对目标设备进行生态环境调整，进而根据当前生态环境状态和正常的生态环境状态生成菌落调整信息，以便于在下发目标处理工艺之前根据该菌落调整信息对目标处理工艺进行调整，使得目标设备在下一个工艺处理周期内可通过调节某环节的时长、改变污泥流向等形式，实现生态环境调整，以保证目标设备内的生态环境的稳定，避免因生态环境紊乱导致目标设备无法对污水进行处理，或处理效果不理想的问题。

在一具体实施例中，菌种优选为硝化菌和反硝化菌，当目标设备内的硝化菌比例过多时，菌落调整信息为增加回泥时长，即将硝化菌回流至沉淀池；当目标设备内的反硝化菌比例过多时，菌落调整信息为将部分污泥回流至粪水分离区。

参见图6，具体地，如上所述的控制方法，根据目标数据信息确定目标设备的当前生态环境状态的步骤包括：

步骤s601，根据目标数据信息以及预设数据模型进行比对，得到比对结果，预设数据模型包括：菌种成分和生长状态与数据信息的对应关系；

步骤s602，根据比对结果，确定当前生态环境中各菌种的当前比例关系；

步骤s603，根据当前比例关系和预设比例关系，确定当前生态环境状态。

在本申请的一具体实施例中，根据目标数据信息确定目标设备的当前生态环境状态时，将目标数据信息与预设数据模型进行比对，得到比对结果，其中，预设数据模型中包括：菌种成分和生长状态与数据信息的对应关系，使得根据比对结果即可自动确定当前生态环境中各菌种的当前比例关系，通过得到的当前比例关系与生态环境处于正常状态时的预设比例关系，进行判断，即可确定当前生态环境状态为正常、即将紊乱或紊乱。

可选的，在菌种成分和生长状态与数据信息的对应关系中，数据信息优选为溶解氧和悬浮物。

参见图7，优选地，如上所述的控制方法，在接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新的步骤之后，方法还包括：

步骤s701，当检测到目标设备处于当前工艺处理周期内的第二预设环节时，获取当前工艺处理周期中的进水参数信息；

步骤s702，根据进水参数信息，得到预估的下一个工艺处理周期的目标进水参数信息；

步骤s703，当根据目标进水参数信息，确定目标设备需要进行菌落调整时，生成菌落调整信息。

在本申请的另一优选实施例中，在接收到数据信息后，当检测到目标设备处于当前工艺处理周期的第二预设环节时，获取当前工艺处理周期中的进水参数信息，并利用深度学习的方法，对下一个工艺处理周期的目标进水参数信息进行预估，进而根据目标进水参数信息对目标设备的生态环境进行评估，若确定根据该目标进行参数进行处理时，存在使生态环境紊乱的可能，则确定需要进行菌落调整，此时生成菌落调整信息，以保证在下一个工艺处理周期内，进行生态环境的调整，从而保证目标设备的正常运行。

可选地，上述根据进水参数信息进行判断是否需要进行菌落调整的步骤，可结合至上述巡检时根据目标数据信息确定目标设备的当前生态环境状态的步骤中。

参见图8，优选地，如上所述的控制方法，还包括：

步骤s801，当检测到目标设备处于当前工艺处理周期内的第三预设环节时，获取目标设备在预设时间间隔内的进水量；

步骤s802，当目标设备在预设时间间隔内的进水量为零时，发送休眠信号至目标设备。

优选地，在检测到目标设备处于当前工艺处理周期内的第三预设环节时，控制方法包括重点获取目标设备在预设时间间隔内的进水量，当预设时间间隔内的进水量为零时，可推断使用该目标设备的人员为零，此时为节省成本，发送休眠信号至目标设备，使目标设备进入休眠状态，所述目标设备处于休眠状态，除根据预设流程维持目标设备内生态环境的必要部分运行外，其他部分停止运行。优选地，预设时间间隔为两天。

需要说明的是，本文中的第三预设环节、第二预设环节和第一预设环节可为同一个环节。

进一步的，如上所述的控制方法，在发送休眠信号至目标设备的步骤之后，还包括：

当从目标设备上传的数据信息中，检测到进水量大于零时，发送激活信号至目标设备。

在本申请的另一优选实施例中，在向目标设备发送休眠信号，使目标设备进入休眠状态后，会监测该目标设备上传的数据信息，当数据信息表示进水量大于零时，确定该目标设备目前有人员使用，此时发送激活信号至目标设备，使目标设备进入正常的运行模式，保证对污水的及时有效处理。

可选地，上述根据进水量控制目标设备休眠或激活的步骤，也可结合至上述巡检节点时进行处理过程中。

优选地，如上所述的控制方法，在接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新的步骤之后，还包括：

当目标设备上传的数据信息中携带有故障信息时，根据故障信息生成电子预警工单，并下发至与目标设备对应的运维终端。

在本申请的另一优选实施例中，当目标设备上传的数据信息中携带有故障信息时，确定目标设备故障，此时根据故障信息生成电子预警工单，并下发至与目标设备对应的运维终端，使得负责该运维终端的运维人员可通过线上或线下的方式对该目标设备进行维护，避免目标设备长时间故障对污水处理和用户的生活环境造成影响。

参见图9，在本申请的另一优选实施例中还提供了一种云端服务器，包括：

第一处理模块901，用于接收多个用于农村生活污水处理的一体化设备实时上传的数据信息，并对数据库中的数据集进行补充更新；

第二处理模块902，用于当根据数据信息确定目标设备处于当前工艺处理周期内的第一预设环节时，获取当前的处理工艺参考模型；

第三处理模块903，用于根据数据信息中的当前进水参数信息从处理工艺参考模型中匹配得到一目标处理工艺；

第四处理模块904，用于当检测到目标设备的菌落调整信息时，根据菌落调整信息对目标处理工艺进行调整，得到调整后的目标处理工艺，其中，菌落调整信息包括：菌种和/或有机物的流向信息；

第五处理模块905，用于将包括目标处理工艺的处理结果发送至目标设备，处理结果用于使目标设备在当前处理工艺周期结束后，执行目标处理工艺。

优选地，如上所述的云端服务器，还包括：

第六处理模块，用于当检测到当前时间位于模型创建周期的一个创建节点时，根据数据集重新构建处理工艺参考模型。

具体地，如上所述的云端服务器，第六处理模块包括：

第一处理单元，用于根据预训练神经网络模型对数据集进行预训练，得到工艺向量和时间向量，并根据预设验证方法将数据集划分为训练集和测试集；

第二处理单元，用于根据工艺向量、时间向量以及测试集构建基于注意力机制的神经网络模型；

第三处理单元，用于根据训练集对神经网络模型进行训练得到目标神经网络模型；

第四处理单元，用于根据目标神经网络模型以及预设的判断条件，确定处理工艺参考模型。

进一步的，如上所述的云端服务器，第一处理单元包括：

第一处理子单元，用于对数据集进行预处理，预处理包括：解码和规范化标注；

第二处理子单元，用于根据预训练神经网络模型对预处理后的数据集进行训练，得到时间向量和工艺向量。

优选地，如上所述的云端服务器，还包括：

第七处理模块，用于当检测到当前时间为巡检周期的一个巡检节点时，获取目标设备在上一个巡检节点与当前时间之间上传的目标数据信息；

第八处理模块，用于根据目标数据信息确定目标设备的当前生态环境状态；

第九处理模块，用于当根据当前生态环境状态确定需要对目标设备进行生态环境调整时，根据当前生态环境状态生成菌落调整信息。

具体地，如上所述的云端服务器，第八处理模块包括：

第五处理单元，用于根据目标数据信息以及预设数据模型进行比对，得到比对结果，预设数据模型包括：菌种成分和生长状态与数据信息的对应关系；

第六处理单元，用于根据比对结果，确定当前生态环境中各菌种的当前比例关系；

第七处理单元，用于根据当前比例关系和预设比例关系，确定当前生态环境状态。

优选地，如上所述的云端服务器，还包括：

第十处理模块，用于当检测到目标设备处于当前工艺处理周期内的第二预设环节时，获取当前工艺处理周期中的进水参数信息；

第十一处理模块，用于根据进水参数信息，得到预估的下一个工艺处理周期的目标进水参数信息；

第十二处理模块，用于当根据目标进水参数信息，确定目标设备需要进行菌落调整时，生成菌落调整信息。

优选地，如上所述的云端服务器，还包括：

第十三处理模块，用于当检测到目标设备处于当前工艺处理周期内的第三预设环节时，获取目标设备在预设时间间隔内的进水量；

第十四处理模块，用于当目标设备在预设时间间隔内的进水量为零时，发送休眠信号至目标设备。

进一步的，如上所述的云端服务器，还包括：

第十五处理模块，用于当从目标设备上传的数据信息中，检测到进水量大于零时，发送激活信号至目标设备。

优选地，如上所述的云端服务器，还包括：

第十六处理模块，用于当目标设备上传的数据信息中携带有故障信息时，根据故障信息生成电子预警工单，并下发至与目标设备对应的运维终端。

本申请的云端服务器的实施例是与上述控制方法的实施例对应的云端服务器，上述控制方法实施例中的所有实现手段均适用于该云端服务器的实施例中，也能达到相同的技术效果。

参见图10，在本申请的再一优选实施例中还提供了一种农村污水处理系统，包括：多个一体化设备1以及如上所述的云端服务器2；

其中，一体化设备1用于监测自身的设备运行情况，并将生成的数据信息发送至云端服务器2；接收云端服务器2反馈的目标处理工艺，并在当前工艺处理周期结束后，在下一个工艺处理周期执行目标处理工艺。

在本申请的一优选实施例中还提供了一种农村生活污水处理系统，其包括多个一体化设备1和如上所述的云端服务器2，其中，云端服务器2在使用过程中可实现上述基于云端服务器2的农村污水处理的控制方法的步骤，在此不再赘述；所述一体化设备1用于监测自身的设备运行情况，并将生成的数据信息发送至云端服务器2；当该一体化设备1作为目标设备时，还会接收云端服务器2反馈的目标处理工艺，并在进入下一个工艺处理周期时，执行该目标处理工艺。

优选地，在另一实施例中，当接收到云端服务器2发送的休眠信号时，进入休眠状态，在接收到激活信号后重新激活。且在休眠状态时，除根据预设流程维持一体化设备内生态环境的必要部分运行外，其他部分停止运行。

具体地，如上所述的农村生活污水处理系统，一体化设备中设置有多个监测设备，用于监测一体化设备的设备运行情况，监测设备包括：溶解氧和酸碱度检测仪、温度传感器、氧化还原电位监测仪、nh-n传感器、no-n传感器、悬浮物监测仪、进水流量传感器、出水流量传感器中的至少一项。

在本申请的又一优选实施例中还提供了一种可读存储介质，可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上所述的农村生活污水处理的控制方法。

此外，本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。