CN113885398B - 一种基于可微推理的水循环智能感知与监控*** - Google Patents
一种基于可微推理的水循环智能感知与监控*** Download PDFInfo
- Publication number
- CN113885398B CN113885398B CN202111243146.5A CN202111243146A CN113885398B CN 113885398 B CN113885398 B CN 113885398B CN 202111243146 A CN202111243146 A CN 202111243146A CN 113885398 B CN113885398 B CN 113885398B
- Authority
- CN
- China
- Prior art keywords
- unit
- module
- reasoning
- monitoring
- micro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/005—Processes using a programmable logic controller [PLC]
- C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/005—Processes using a programmable logic controller [PLC]
- C02F2209/008—Processes using a programmable logic controller [PLC] comprising telecommunication features, e.g. modems or antennas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Water Supply & Treatment (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于可微推理的水循环智能感知与监控***,它包括处理器模块,处理器模块的数据端分别与特征知识库模块、智能感知模块、智能控制模块连接,智能感知模块通过转换模块与特征知识库模块连接;特征知识库模块包括可微推理单元、特征知识库单元、特征知识图谱单元,特征知识图谱单元的数据端与可微推理单元、特征知识库单元、转换模块连接。本发明的目的是为了解决现有水环境监测与控制方法精度低、效率低、耗时长及操作复杂的技术问题,提高水环境监控效率与智能化水平,而提供的一种基于可微推理的水循环智能感知与监控***。
Description
技术领域
本发明属于水环境监测与修复技术领域,具体涉及一种基于可微推理的水循环智能感知与监控***。
背景技术
随着经济发展和产业结构调整,水环境污染事件频频发生。据监察部统计,当前水资源已被严重污染并持续恶化,每年约1700起以上;中国有关部门针对118个城市进行连续性监测的数据表明,约有64%的城市地下水遭受严重污染,33%的地下水受到轻度污染。当前水环境污染治理成为重中之重,然而现阶段水环境监测、控制方法无法第一时间精准评估、分析水环境问题并匹配解决方案,且操作复杂、效率低、需要大量人力,远远不能满足水环境监测与修复需求。对此,申请人提出一种基于可微推理的水循环智能感知与监控***。
发明内容
本发明的目的是为了解决现有水环境监测与控制方法精度低、效率低、耗时长及操作复杂的技术问题,提高水环境监控效率与智能化水平,而提供的一种基于可微推理的水循环智能感知与监控***。
一种基于可微推理的水循环智能感知与监控***,它包括处理器模块,处理器模块的数据端分别与特征知识库模块、智能感知模块、智能控制模块连接,智能感知模块通过转换模块与特征知识库模块连接;
智能控制模块用于处理未达标水体,使水环境处于达标状态;
特征知识库模块包括可微推理单元、特征知识库单元、特征知识图谱单元,特征知识图谱单元的数据端与可微推理单元、特征知识库单元、转换模块连接。
上述特征知识库单元包括收集单元、构建单元、及应用单元;
收集模块进行多源异构数据的收集;
构建单元对收集到的多源异构数据进行类别分类、抽取及定义特征,形成多类别的特征集合;然后将多源多类别的特征集合进行异构知识融合,通过监督随机游走的方式获得融合特征;最后根据融合特征和通过可微推理对复杂问题迭代推理,构建水循环智能感知与监控特征知识图谱并储存在特征知识库中;
应用单元通过可微推理单元与智能感知模块及智能控制模块链接,进行水环境监测诊断、预警或者决策控制服务,实现循环控制与优化更新。
利用可微推理单元对特征知识图谱单元进行更新和处理应用单元复杂问题时,采用以下步骤:
S1:将接收到的问题q(如:数据指标分级、告警信息与决策方案等)通过输入端预处理转换为分布式向量,得到上下文字符串(cw1,cw2,…,cwm)即(h、r1、r2,…,rm-2、t)用来表达事实三元组及问题表示为上下文字符串通过线性变换成位置感知向量qi(i=1,2,…,n),qi∈Rq用来体现第i个推理步骤的相关问题;
S2:将第一步推理任务传输至可微循环神经网络,开始多次迭代推理,可微循环神经网络由n个可微神经元构成,每个可微神经元参与当前一次推理任务,且每个部分由控制器、识别元、记忆元三部分组成,对于第i步(i=1,2,……,n)推理过程,通过接收第i步推理任务感知向量qi与第i-1步记忆元中获得的记忆向量mi-1,经过控制器处理得到控制向量ci=(qi,mi-1)并传递到识别元,识别元基于给定的特征知识库,将全局或局部知识图谱路径规划与当前推理任务控制向量ci相关联,基于ci的类别特征,在知识图谱(KG)中游走抽取代表性路径L(l1,l2……ll),利用内容相似性评估函数推断识别控制向量ci与代表性路径L间的匹配值P并进行排序,最后选取最优路径,得到解向量Ai=(ci,pmax),记忆元通过对ci、mi-1与Ai进行整合,储存进记忆元mi=(ci,mi-1,Ai)中并传递至下一推理任务ci+1,迭代执行之前的步骤,最终通过n步推理过程,得到迭代计算答案,其中,在记忆元中设置存储结构,将推理过程中的中间状态存储在记忆门中,后续推理过程中在mi-1和即将产生的mi中***,判断与先前推理任务的相似性,若相似度高则可跳过推理步骤,直接调用存储的记忆状态,动态的调整推理过程的长度,减少推理次数;
S3:根据问题q和最终推理过程记忆的结果mn,通过输出端输出最终答案。
可微推理单元的数据端分别与特征知识库单元、智能感知模块、智能控制模块两两双向链接,智能感知模块的输出端与特征知识库单元的输入端连接,智能控制模块的输出端与特征知识库单元的输入端连接,智能感知模块与智能控制模块双向链接。
智能感知模块包括目标检测单元、多传感器融合单元、多机通讯单元、预警单元,目标检测单元以及多传感器融合单元的输入端用于与监测机器人连接、输出端与多机通讯单元的输入端连接,多机通讯单元的输出端与预警单元的输出端连接。
目标检测单元通过PC端或移动端对监测机器人下达监测参数、监测范围、采集周期等指令,使监测机器人基于毫米波雷达、激光雷达、可见光及红外模块对周围环境进行智能感知,实时采集指定位置的环境参数;并针对采集信息的异构多源特点,融合多个传感器信息,以提高对环境感知的准确性和鲁棒性,通过多机通信单元将实时监控状态、环境感知信息和轨迹关键位置视频监控信息等数据实时传回至操作端,通过预警单元对实时数据处理。
在使用智能感知模块对监测位置水环境进行诊断时,采用以下步骤:
首先,将监测点采集周期内的a种环境参数监测数据{a1},{a2},…,{aj},…,{aa}进行标准化归一化处理后得到a′hj,利用加权平均和对每项环境参数处理得到aj′;其次,通过与可微推理链接,获得监测位置地理信息,同时考虑主客观因素,推理获得各项指标的权重值Wvj;最后利用各项指标值和权重值,构建了参数阈值模型Va,此外,通过可微推理在知识库中推理输出水环境评价阈值,并建立等级评价集Vf′(其中f为对应等级),通过归一化标准化处理得到组合阈值评价值Vf,将参数阈值模型输出值与组合阈值评价值连接,对监测位置水环境状况进行诊断,相关公式如下:
智能控制模块包括决策调控单元、与决策调控单元输出端连接的指令生成与推送单元,指令生成与推送单元的输出端与D/A转换器的输入端连接,D/A转换器的输出端与功能控制单元的输入端连接,功能控制单元用于执行控制方案,包括加药控制和曝气控制。
智能感知模块中的预警单元在监测达标后通过转换模块更新到特征知识库单元;超标则通过应急告警单元及时发出警示信号,决策调控单元根据告警信息,通过处理器模块在特征知识库模块中经过可微推理单元对复杂的实际水体环境进行高效地模拟推理演练,迭代求解并不断调整现有策略,匹配生成高质量可验证控制方案备选,并根据不同类型的多属性决策模型筛选最优控制方案解决问题;
具体包括以下步骤:
决策调控单元根据告警信息,基于复杂的实际水体环境,将需要解决的问题作为输入变量X,问题应具体包括监测点时空信息、超标参数、超标指标值等,经过可微推理迭代计算,在特征知识库中匹配生成k种控制方案备选,即K={k1,…,kr,…,kk};将s个属性S={S1,…Sq,…,Ss}(如:污染程度、修复目标、修复周期、预期成本、可接受风险等)的不确定性作为约束条件,对决策者不同需求下某一或多种属性赋予权重对K和S利用多种不确定形式(如:区间数、区间三角模糊数、区间粗糙度和云模型等)生成决策矩阵D=(KSrq)k×s,筛选多种多属性决策方案;将方案输入决策模型,引入虚拟任务,通过构造分配序列,结合智能控制方案下的水环境控制过程虚拟仿真模块,通过人机协同精准群决策模式对虚拟修复效果进行测量和评估,在此情况下对k种备选方案K在不同属性S下的虚拟仿真效果综合优先级别值进行筛选排序,最终输出最优控制方案并实施,减少对环境二次污染案,通过智能感知模块对水环境控制监测和评估水环境实际控制效果,验证方案可行性并反馈更新到特征知识库。
处理器模块的数据端还分别与可视化模块、存储模块连接,可视化模块利用BIM技术和GIS模型,引入时空参数建立监测场地三维模型,通过将实际监测场地的环境参数和地理特征与模型有效衔接,可直观的在时间维度和空间维度上观察监测场地水循环智能感知与监控过程中数据、控制方案和结果等的变化;存储模块用于储存构建的特征知识图谱、水环境简报和水环境控制方案。
与现有技术相比,本发明具有如下技术效果:
1)本发明构建了集信息感知、收集、采集、分析、推理、评估、告警、决策和控制于一体的基于可微推理的水循环智能感知与监控***。发明从公开数据库、百度百科、垂直网站、文献、调研报告及专家经验等多来源融合获得多源异构数据,构建了水循环特征知识库。特征知识库通过中央处理器与智能感知、智能控制、显示、存储和转换五大模块链接,运用***化、智能化的思路,解决以往水环境工作中以人工为主、操作复杂、耗时长、精度低、易出错等问题,能够更加精准评估与分析水环境状况,实时控制水体突发性污染事件,有效规避潜在的水环境风险,提高水环境监测和评估效率。
2)本发明加入了一种可微推理单元,以特征知识库为依托,与智能感知和智能控制模块双向链接,通过一种高效的、端对端的可微循环神经网络对任务分阶段分步寻求最优路径进行渐进式推理,可加强推理的结构化和迭代思考能力,提高求解准确率,减少推理复杂度,能够解决各种未知情景下复杂推理任务;此外,通过可微推理对复杂问题迭代推理,使信息聚合充分挖掘隐含信息和完善补全知识图谱。
3)本发明可实现水环境监测数字化、评估精准化、控制自动化、治理智能化和管理可视化,为环境管理者和决策者提供了便捷的技术支持和决策手段。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明的***整体框图;
图2为本发明的可微循环神经网络结构图;
图3为本发明的渐进式可微推理架构图。
具体实施方式
一种基于可微推理的水循环智能感知与监控***,它包括处理器模块1,处理器模块1的数据端分别与特征知识库模块2、智能感知模块3、智能控制模块4连接,智能感知模块3通过转换模块5与特征知识库模块2连接;
特征知识库模块2包括可微推理单元2-1、特征知识库单元2-2、特征知识图谱单元2-3,特征知识图谱单元2-3的数据端与可微推理单元2-1、特征知识库单元2-2、转换模块5连接。
如图1所示,特征知识库单元2-2包括收集单元、构建单元和应用单元。
具体地,收集单元通过爬虫或数据采集软件爬取各类百科网站、垂直网站、调研资料及专家经验库进行多源异构数据收集,数据具体包括(a)结构化数据、(b)半结构化数据和(c)非结构化数据。
具体地,构建单元通过对收集单元从各类垂直网站、百科网站、专家知识库等收集到的多源异构数据进行类别分类、抽取及定义特征,形成事实三元组(头实体h、关系/属性r、尾实体/属性值t)多类别的特征集合;然后将多源多类别的特征集合进行异构知识融合,通过监督随机游走的方式将一系列(h、r、t)的关系路径连接得到融合特征;最后根据融合特征和通过可微推理对复杂问题迭代推理,构建水循环智能感知与监控特征知识图谱并储存在特征知识库中,此外通过可微推理迭代推理选取最优路径对复杂问题迭代推理,并完善融合路径,使信息聚合以解决知识图谱残缺与隐含信息不充分挖掘的问题。应用单元将通过可微推理单元与所述智能感知模块及智能控制模块链接,进行水环境监测诊断、预警或者决策控制服务,实现循环控制与优化更新。
如图2所示,可微推理是一种利用可微神经网络通过输入端、可微循环神经网络及输出端三部分来完成未知情景下的推理任务并补充更新知识图谱。它基于特征知识库,分步求解推理任务最优路径,使模型实现端到端结构化的明确推理。具体实现步骤为:
S1:将接收到的问题q(如:数据指标分级、告警信息与决策方案等)通过输入端预处理转换为分布式向量,得到上下文字符串(cw1,cw2,…,cwm)即(h、r1、r2,…,rm-2、t)用来表达事实三元组及问题表示为上下文字符串通过线性变换成位置感知向量qi(i=1,2,…,n),qi∈Rq用来体现第i个推理步骤的相关问题。
S2:将第一步推理任务传输至可微循环神经网络,开始多次迭代推理。可微循环神经网络由n个可微神经元构成,每个可微神经元参与当前一次推理任务,且每个部分由控制器、识别元、记忆元三部分组成。对于第i步(i=1,2,……,n)推理过程,通过接收第i步推理任务感知向量qi与第i-1步记忆元中获得的记忆向量mi-1,经过控制器处理得到控制向量ci=(qi,mi-1)并传递到识别元。识别元基于给定的特征知识库,将全局或局部知识图谱路径规划与当前推理任务控制向量ci相关联,基于ci的类别特征,在知识图谱(KG)中游走抽取代表性路径L(l1,l2……l1),利用内容相似性评估函数推断识别控制向量ci与代表性路径L间的匹配值P并进行排序,最后选取最优路径,得到解向量Ai=(ci,pmax)。记忆元通过对ci、mi-1与Ai进行整合,储存进记忆元mi=(ci,mi-1,Ai)中并传递至下一推理任务ci+1,迭代执行之前的步骤,最终通过n步推理过程,得到迭代计算答案。其中,在记忆元中设置存储结构,将推理过程中的中间状态存储在记忆门中,后续推理过程中在mi-1和即将产生的mi中***,判断与先前推理任务的相似性,若相似度高则可跳过推理步骤,直接调用存储的记忆状态,动态的调整推理过程的长度,减少推理次数。
S3:根据问题q和最终推理过程记忆的结果mn,通过输出端输出最终答案。
通过神经元之间的自我注意力的联系,可微神经网络可以通过一种柔和的方法,搜索多样化路径,可适应任意未知场景并解释其执行的潜在推理,突出端到端的可微性、结构的明确性和推理的稳定性,以进行模型训练解决多个模块任意情景的单跳和多跳问题,挖掘潜在信息,补充更新特征知识库,提高推理的准确性与降低任务的复杂性。
同时如图3所示,可微推理与特征知识库、智能感知模块和智能控制模块两两双向链接,对水体环境状况分阶段分步渐进推理,得出新知识、新判断、新决策,实现水环境监测、评估、控制等的循环处理,实现***静态信息管理与即时即用动态循环感知监控的虚实交互。
如图1所示,智能感知模块包括目标检测、多传感器融合、多机通讯单元和预警单元。目标检测单元通过PC端或移动端对监测机器人下达监测参数、监测范围、采集周期等指令,使监测机器人基于毫米波雷达、激光雷达、可见光及红外模块对周围环境进行智能感知,实时采集指定位置的环境参数(包括水体理化特性、污染物浓度、生物活性等),并针对采集信息的异构多源特点,融合多个传感器信息,以提高对环境感知的准确性和鲁棒性,通过多机通信单元将实时监控状态、环境感知信息和轨迹关键位置视频监控信息等数据实时传回至操作端,通过预警单元阈值模型和预测模型对实时数据处理,通过可视化单元对监测位置状况实时观测,对水环境监测和控制过程中的异常情况进行预测计算和报警提示,实现两者间高效的信息互联。
具体地,首先,将监测点采集周期内的a种环境参数监测数据{a1},{a2},...,{aj},...,{aa}进行标准化归一化处理后得到a′hj,利用加权平均和对每项环境参数处理得到aj′;其次,通过与可微推理链接,获得监测位置地理信息,同时考虑主客观因素,推理获得各项指标的权重值Wvj;最后利用各项指标值和权重值,构建了参数阈值模型Va。此外,通过可微推理在知识库中推理输出水环境评价阈值,并建立等级评价集Vf′(其中f为对应等级),通过归一化标准化处理得到组合阈值评价值Vf。将参数阈值模型输出值与组合阈值评价值连接,对监测位置水体状况进行诊断。相关公式如下:
更进一步地,利用边缘计算网关构建未来预测模型,对水环境参数变化趋势进行推理预测,并依据组合阈值评价值诊断可能出现的状况,并由此可及时应对突发污染事件,尽早有效处理,减少服务器压力,提高各模块并联处理效率。在预警单元监测达标通过转换模块更新到特征知识库,超标则通过应急告警单元及时向操作端发出警示。
此外,预警单元与可视化模块链接,将现实中的状况映射在PC端或移动端,实现“物理世界-信息世界”的双向信息交流融合,能直观掌握实际情况,进行及时有效决策。
如图1所示,智能控制模块包括决策调控单元、指令生成与推送单元、D/A转换器、功能控制单元。智能控制模块用于处理未达标水体,使水环境处于达标状态。
具体地,决策调控单元根据告警信息,通过中央处理器在特征知识库中经过可微推理对复杂的实际水体环境进行高效地模拟推理演练,迭代求解并不断调整现有策略,匹配生成高质量可验证控制方案备选,并根据不同类型的多属性决策模型筛选最优控制方案解决问题。具体步骤如下:
具体地,决策调控单元根据告警信息,基于复杂的实际水体环境,将需要解决的问题作为输入变量X,问题应具体包括监测点时空信息、超标参数、超标指标值等,经过可微推理迭代计算,在特征知识库中匹配生成k种控制方案备选,即K={k1,...,kr,...,kk};将s个属性S={s1,...sq,...,ss}(如:污染程度、修复目标、修复周期、预期成本、可接受风险等)的不确定性作为约束条件,对决策者不同需求下某一或多种属性赋予权重对K和S利用多种不确定形式(如:区间数、区间三角模糊数、区间粗糙度和云模型等)生成决策矩阵D=(KSrq)k×s,筛选多种多属性决策方案;将方案输入决策模型,引入虚拟任务,通过构造分配序列,结合智能控制方案下的水环境控制过程虚拟仿真模块,通过人机协同精准群决策模式对虚拟修复效果进行测量和评估,在此情况下对k种备选方案K在不同属性S下的虚拟仿真效果综合优先级别值进行筛选排序,最终输出最优控制方案并实施,减少对环境二次污染案。通过智能感知模块对水环境控制监测和评估水环境实际控制效果,验证方案可行性并反馈更新到特征知识库。
具体地,指令生成与推送单元用于将生成的控制方案通过中央处理器传送处理;D/A转换器用于将控制方案变成电压或电流信号,送到功能控制单元进行执行;功能控制单元用于执行控制方案,包括加药控制和曝气控制等,该单元采用基于反馈线性化和时间放缩控制的切换控制器,提高控制的稳定性和实现工作的高效运转。其中,加药控制通过设置药剂配比、药剂类型、加药计量和加药次数等参数,最大限度发挥药剂功效,避免处理不及时或二次污染的现象发生;曝气控制则是通过调节曝气量和曝气时间使曝气分布均衡、稳定,在提高控制精度和处理效率的同时也节约成本和能耗。
具体地,转换模块用于将数据采集信息、风险评估状况、智能控制结果转换为结构化数据储存在已构建的特征知识图谱,自动更新已构建的特征知识图谱。
所述可视化模块包括PC端或移动端,借助BIM技术和GIS模型,引入时空参数建立监测场地三维模型,通过将实际监测场地的环境参数和地理特征与模型有效衔接,能够直观的在时间维度和空间维度上观察监测场地水循环智能感知与监控过程中数据、控制方案和结果等的变化。
具体地,存储模块用于储存特征知识图谱、水环境简报和水环境控制方案等。
具体的,一种基于可微推理的水循环智能感知与监控***,包括以下步骤:
步骤一:搭建渐进式可微推理单元2-1,同时构建基于可微推理的特征知识图谱2-3并储存在特征知识库2-2中;
步骤二:在智能感知模块3设定监测参数信息,按照所设计工艺流程,对监测点进行数据采集、处理、传输。完成这一道工序后,基于可微推理2-1在预警单元3-4诊断监测点数据的达标情况,若合格则通过转换模块5储存到特征知识库2-2;若不合格则传输至智能控制模块4进行控制,同时结合应急告警单元3-6和可视化模块6精准定位监测点地理与环境信息,及时有效地进行反馈。
步骤三:在智能控制模块4中,基于决策者不同需求,调整决策模型;综合上述信息,在特征知识库模块2中经过可微推理单元2-1并结合虚拟仿真模块对复杂的实际水体环境进行高效地模拟推理演练,筛选最优控制方案。完成这道工序后,通过指令生成与推送单元4-2、D/A转换器4-3及切换控制器执行控制方案。
步骤四:完成控制方案工艺流程后,进行新一轮的水循环智能感知与智能控制工艺流程,重复步骤二,在原参数设定的情景下进行二次监测,若控制达标,则通过转换模块5更新到特征知识库;若控制不达标,则重复步骤三,直到实现控制,结束该套工艺。
Claims (7)
1.一种基于可微推理的水循环智能感知与监控***,其特征在于,它包括处理器模块(1),处理器模块(1)的数据端分别与特征知识库模块(2)、智能感知模块(3)、智能控制模块(4)连接,智能感知模块(3)通过转换模块(5)与特征知识库模块(2)连接;
特征知识库模块(2)包括可微推理单元(2-1)、特征知识库单元(2-2)、特征知识图谱单元(2-3),特征知识图谱单元(2-3)的数据端与可微推理单元(2-1)、特征知识库单元(2-2)、转换模块(5)连接;
利用可微推理单元(2-1)对特征知识图谱单元(2-3)进行更新和处理应用单元复杂问题时,采用以下步骤:
S1:将接收到的问题q通过输入端预处理转换为分布式向量,得到上下文字符串(cw1,cw2,…,cwm)即(h、r1、r2,…,rm-2、t)用来表达事实三元组及问题表示为上下文字符串通过线性变换成位置感知向量qi(i=1,2,…,n),qi∈Rq用来体现第i个推理步骤的相关问题;
S2:将第一步推理任务传输至可微循环神经网络,开始多次迭代推理,可微循环神经网络由n个可微神经元构成,每个可微神经元参与当前一次推理任务,且每个部分由控制器、识别元、记忆元三部分组成,对于第i步(i=1,2,……,n)推理过程,通过接收第i步推理任务感知向量qi与第i-1步记忆元中获得的记忆向量mi-1,经过控制器处理得到控制向量ci=(qi,mi-1)并传递到识别元,识别元基于给定的特征知识库,将全局或局部知识图谱路径规划与当前推理任务控制向量ci相关联,基于ci的类别特征,在知识图谱中游走抽取代表性路径L(l1,l2……ll),利用内容相似性评估函数推断识别控制向量ci与代表性路径L间的匹配值P并进行排序,最后选取最优路径pmax,得到解向量Ai=(ci,pmax),记忆元通过对ci、mi-1与Ai进行整合,储存进记忆元mi=(ci,mi-1,Ai)中并传递至下一推理任务ci+1,迭代执行之前的步骤,最终通过n步推理过程,得到迭代计算答案,其中,在记忆元中设置存储结构,将推理过程中的中间状态存储在记忆门中,后续推理过程中在mi-1和即将产生的mi中***,判断与先前推理任务的相似性,若相似度高则可跳过推理步骤,直接调用存储的记忆状态,动态的调整推理过程的长度,减少推理次数;
S3:根据问题q和最终推理过程记忆的结果mn,通过输出端输出最终答案;
在使用智能感知模块(3)对监测位置水环境进行诊断时,采用以下步骤:
首先,将监测点采集周期内的a种环境参数监测数据{a1},{a2},…,{aj},…,{aa}进行标准化归一化处理后得到a′hj,利用加权平均和对每项环境参数处理得到aj′;其次,通过与可微推理链接,获得监测位置地理信息,同时考虑主客观因素,推理获得各项指标的权重值Wvj;最后利用各项指标值和权重值,构建了参数阈值模型Va,此外,通过可微推理在知识库中推理输出水环境评价阈值,并建立等级评价集Vf′,其中f为对应等级,通过归一化标准化处理得到组合阈值评价值Vf,将参数阈值模型输出值与组合阈值评价值连接,对监测位置水环境状况进行诊断;
智能感知模块(3)中的预警单元(3-4)在监测达标后通过转换模块(5)更新到特征知识库单元(2-2);超标则通过应急告警单元(3-6)及时发出警示信号,决策调控单元(4-1)根据告警信息,通过处理器模块(1)在特征知识库模块(2)中经过可微推理单元(2-1)对复杂的实际水体环境进行高效地模拟推理演练,迭代求解并不断调整现有策略,匹配生成高质量可验证控制方案备选,并根据不同类型的多属性决策模型筛选最优控制方案解决问题;
具体包括以下步骤:
决策调控单元根据告警信息,基于复杂的实际水体环境,将需要解决的问题作为输入变量X,问题应具体包括监测点时空信息、超标参数、超标指标值等,经过可微推理迭代计算,在特征知识库中匹配生成k种控制方案备选,即K={k1,...,kr,...,kk};将s个属性S={s1,...sq,...,ss}的不确定性作为约束条件,对决策者不同需求下某一或多种属性赋予权重对K和S利用多种不确定形式生成决策矩阵D=(KSrq)k×s,筛选多种多属性决策方案;将方案输入决策模型,引入虚拟任务,通过构造分配序列,结合智能控制方案下的水环境控制过程虚拟仿真模块,通过人机协同精准群决策模式对虚拟修复效果进行测量和评估,在此情况下对k种备选方案K在不同属性S下的虚拟仿真效果综合优先级别值进行筛选排序,最终输出最优控制方案并实施,减少对环境二次污染,通过智能感知模块对水环境控制监测和评估水环境实际控制效果,验证方案可行性并反馈更新到特征知识库。
2.根据权利要求1所述的***,其特征在于,所述特征知识库单元(2-2)包括收集单元、构建单元、及应用单元;
收集模块进行多源异构数据的收集;
构建单元对收集到的多源异构数据进行类别分类、抽取及定义特征,形成多类别的特征集合;然后将多源多类别的特征集合进行异构知识融合,通过监督随机游走的方式获得融合特征;最后根据融合特征和通过可微推理对复杂问题迭代推理,构建水循环智能感知与监控特征知识图谱并储存在特征知识库中;
应用单元通过可微推理单元(2-1)与智能感知模块(3)及智能控制模块(4)链接,进行水环境监测诊断、预警或者决策控制服务,实现循环控制与优化更新。
3.根据权利要求1所述的***,其特征在于,可微推理单元(2-1)的数据端分别与特征知识库单元(2-2)、智能感知模块(3)、智能控制模块(4)两两双向链接,智能感知模块(3)的输出端与特征知识库单元(2-2)的输入端连接,智能控制模块(4)的输出端与特征知识库单元(2-2)的输入端连接,智能感知模块(3)与智能控制模块(4)双向链接,智能控制模块(4)用于处理未达标水体,使水环境处于达标状态。
4.根据权利要求1至3其中之一所述的***,智能感知模块(3)包括目标检测单元(3-1)、多传感器融合单元(3-2)、多机通讯单元(3-3)、预警单元(3-4),目标检测单元(3-1)以及多传感器融合单元(3-2)的输入端用于与监测机器人(3-5)连接、输出端与多机通讯单元(3-3)的输入端连接,多机通讯单元(3-3)的输出端与预警单元(3-4)的输出端连接。
5.根据权利要求4所述的***,其特征在于,目标检测单元(3-1)通过PC端或移动端对监测机器人(3-5)下达监测参数、监测范围、采集周期等指令,使监测机器人(3-5)基于毫米波雷达、激光雷达、可见光及红外模块对周围环境进行智能感知,实时采集指定位置的环境参数;并针对采集信息的异构多源特点,融合多个传感器信息,以提高对环境感知的准确性和鲁棒性,通过多机通信单元(3-3)将实时监控状态、环境感知信息和轨迹关键位置视频监控信息等数据实时传回至操作端,通过预警单元(3-4)对实时数据处理。
6.根据权利要求1至3其中之一所述的***,其特征在于,智能控制模块(4)包括决策调控单元(4-1)、与决策调控单元(4-1)输出端连接的指令生成与推送单元(4-2),指令生成与推送单元(4-2)的输出端与D/A转换器(4-3)的输入端连接,D/A转换器(4-3)的输出端与功能控制单元的输入端连接,功能控制单元用于执行控制方案,包括加药控制和曝气控制。
7.根据权利要求1所述的***,其特征在于,处理器模块(1)的数据端还分别与可视化模块(6)、存储模块(7)连接,可视化模块(6)利用BIM技术和GIS模型,引入时空参数建立监测场地三维模型,通过将实际监测场地的环境参数和地理特征与模型有效衔接,可直观的在时间维度和空间维度上观察监测场地水循环智能感知与监控过程中数据、控制方案和结果等的变化;存储模块(7)用于储存构建的特征知识图谱、水环境简报和水环境控制方案。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111243146.5A CN113885398B (zh) | 2021-10-25 | 2021-10-25 | 一种基于可微推理的水循环智能感知与监控*** |
US17/901,119 US20230131178A1 (en) | 2021-10-25 | 2022-09-01 | Water circulation intelligent sensing and monitoring system based on differentiable reasoning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111243146.5A CN113885398B (zh) | 2021-10-25 | 2021-10-25 | 一种基于可微推理的水循环智能感知与监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113885398A CN113885398A (zh) | 2022-01-04 |
CN113885398B true CN113885398B (zh) | 2022-07-01 |
Family
ID=79014020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111243146.5A Active CN113885398B (zh) | 2021-10-25 | 2021-10-25 | 一种基于可微推理的水循环智能感知与监控*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230131178A1 (zh) |
CN (1) | CN113885398B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227750A (zh) * | 2023-05-09 | 2023-06-06 | 烟台尚美丽家新能源有限公司 | 一种生物质原料多联供综合管理***及管理方法 |
CN116629550B (zh) * | 2023-05-26 | 2023-11-07 | 扬州市勘测设计研究院有限公司 | 一种基于云计算的水环境监管方法及调度运行*** |
CN116573741A (zh) * | 2023-07-13 | 2023-08-11 | 济南山源环保科技有限公司 | 一种基于物联网的工业循环排污水处理*** |
CN117460128B (zh) * | 2023-12-20 | 2024-03-19 | 东莞市钜欣电子有限公司 | 基于多维数据分析的光罩调光控制方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373390A (zh) * | 2015-07-23 | 2017-02-01 | 中国国防科技信息中心 | 基于自适应神经模糊推理***的道路交通状态评价方法 |
KR101914971B1 (ko) * | 2018-03-23 | 2018-11-06 | 주식회사 대은계전 | 환경 모니터링 및 계측 제어 장치 |
CN111368095A (zh) * | 2020-02-28 | 2020-07-03 | 河海大学 | 基于水利知识-事理耦合网络的决策支持***架构与方法 |
CN112180780A (zh) * | 2020-09-09 | 2021-01-05 | 四川九门科技股份有限公司 | 一种智慧能耗监测管理***及方法 |
CN113087030A (zh) * | 2021-03-02 | 2021-07-09 | 天津大学 | 一种水资源双循环反馈控制***及方法 |
CN113494939A (zh) * | 2021-04-15 | 2021-10-12 | 浙江工商大学 | 一种农村生活污水分散式监测方法 |
-
2021
- 2021-10-25 CN CN202111243146.5A patent/CN113885398B/zh active Active
-
2022
- 2022-09-01 US US17/901,119 patent/US20230131178A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373390A (zh) * | 2015-07-23 | 2017-02-01 | 中国国防科技信息中心 | 基于自适应神经模糊推理***的道路交通状态评价方法 |
KR101914971B1 (ko) * | 2018-03-23 | 2018-11-06 | 주식회사 대은계전 | 환경 모니터링 및 계측 제어 장치 |
CN111368095A (zh) * | 2020-02-28 | 2020-07-03 | 河海大学 | 基于水利知识-事理耦合网络的决策支持***架构与方法 |
CN112180780A (zh) * | 2020-09-09 | 2021-01-05 | 四川九门科技股份有限公司 | 一种智慧能耗监测管理***及方法 |
CN113087030A (zh) * | 2021-03-02 | 2021-07-09 | 天津大学 | 一种水资源双循环反馈控制***及方法 |
CN113494939A (zh) * | 2021-04-15 | 2021-10-12 | 浙江工商大学 | 一种农村生活污水分散式监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113885398A (zh) | 2022-01-04 |
US20230131178A1 (en) | 2023-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113885398B (zh) | 一种基于可微推理的水循环智能感知与监控*** | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN108830745A (zh) | 基于监控信息的电网连锁故障诊断、预警、评估*** | |
Li et al. | A spatiotemporal directed graph convolution network for ultra-short-term wind power prediction | |
Zhang et al. | H2GNN: Hierarchical-hops graph neural networks for multi-robot exploration in unknown environments | |
Pranolo et al. | Robust LSTM With tuned-PSO and bifold-attention mechanism for analyzing multivariate time-series | |
WO2022257190A1 (zh) | 一种基于量子游走的行为轨迹序列多特征模拟方法 | |
CN107516168A (zh) | 一种生态环境质量综合评价方法 | |
CN112733440A (zh) | 海上油气水井智能故障诊断方法、***、存储介质、设备 | |
Dai et al. | Spatio-temporal deep learning framework for traffic speed forecasting in IoT | |
CN111209968A (zh) | 基于深度学习的多气象因子模式预报温度订正方法及*** | |
Liu et al. | Safety monitoring data classification method based on wireless rough network of neighborhood rough sets | |
CN116523187A (zh) | 一种基于bim的工程进度监控方法及其*** | |
CN117669895A (zh) | 公路工程环境影响评估*** | |
Wang et al. | Weather condition-based hybrid models for multiple air pollutants forecasting and minimisation | |
CN117787508A (zh) | 基于模型预测的建筑施工过程碳排放处理方法及*** | |
Zhang et al. | Three‐Way Group Decisions with Incomplete Spherical Fuzzy Information for Treating Parkinson’s Disease Using IoMT Devices | |
He et al. | Representation learning of knowledge graph for wireless communication networks | |
CN108629362A (zh) | 一种面向移动环境的学习行为习惯发现量化***及方法 | |
CN114078070A (zh) | 一种多源数据融合的文旅安全监测及溯源分析方法及*** | |
Yu et al. | Sustainability assessment indicators and methodology for intelligent buildings | |
CN114547979A (zh) | 一种基于北斗卫星短报文服务的时空碳排放监测*** | |
CN114118678A (zh) | 一种基于边缘物联网的炼铁厂管理***及其架构方法 | |
Hong | Construction of international education talents training mechanism based on data fusion algorithm | |
CN114048801B (zh) | 一种基于规则的个体活动-出行行为决策协同建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |