CN117726036A - 污染源监测设备的智慧管理***、方法及存储介质 - Google Patents
污染源监测设备的智慧管理***、方法及存储介质 Download PDFInfo
- Publication number
- CN117726036A CN117726036A CN202311783371.7A CN202311783371A CN117726036A CN 117726036 A CN117726036 A CN 117726036A CN 202311783371 A CN202311783371 A CN 202311783371A CN 117726036 A CN117726036 A CN 117726036A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- algorithm
- storage
- analysis
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 99
- 238000003860 storage Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims description 15
- 238000012423 maintenance Methods 0.000 claims abstract description 67
- 238000007726 management method Methods 0.000 claims abstract description 61
- 230000005540 biological transmission Effects 0.000 claims abstract description 40
- 238000013500 data storage Methods 0.000 claims abstract description 25
- 238000007405 data analysis Methods 0.000 claims abstract description 24
- 238000013480 data collection Methods 0.000 claims abstract description 21
- 238000012806 monitoring device Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 230000007787 long-term memory Effects 0.000 claims abstract description 8
- 230000006403 short-term memory Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 51
- 238000004519 manufacturing process Methods 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 23
- 230000002354 daily effect Effects 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004164 analytical calibration Methods 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013105 post hoc analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000002912 waste gas Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及环境监测技术领域，尤其是污染源监测设备的智慧管理***、方法及存储介质。污染源监测设备的智慧管理***包括数据收集模块、数据传输与存储模块、数据分析模块。数据收集模块配备多种监测设备，用于采集监测站点的环境监测数据和运维数据。数据传输与存储模块用于数据传输和数据存储。数据分析模块采用结合卷积神经网络与长短期记忆网络的混合模型作为超标预警算法，以实现对污染排放超标情况的预测和预警。本发明可提供自动化的预测报警监测方案，对污染源进行实时、准确的监控和管理。
Description
技术领域
本发明涉及环境监测技术领域，尤其是污染源监测设备的智慧管理***、方法及存储介质。
背景技术
在环境监测技术领域，尤其是水质监测技术中，现有的监测***主要依赖于传统监测设备，这些设备分布于不同监测点，收集水质相关数据。现有技术中，人工参与程度高，监测成本大，且整个水情治理的反应时间长，导致在紧急情况下无法迅速响应。
为了解决这个问题，现代监测***开始采用自动化设备，通过将数据通过网络传输到云计算平台，由专门开发的相关数据分析软件进行处理。然而，这些***仍然面临许多问题，比如在面对大规模和复杂的环境数据时，这些***可能无法高效处理，在需要快速响应的应用场景中可能会因数据处理和传输的延迟而表现不佳；此外，数据分析软件虽然能够处理和分析数据，但在预测复杂的环境变化和识别模式方面存在精确性不足的问题。
发明内容
本发明的目的是提供污染源监测设备的智慧管理***，用于实现对污染源的自动化的预测和报警，实时、准确的监控和管理污染源。
本发明提供的基础方案：污染源监测设备的智慧管理***，包括数据收集模块、数据传输与存储模块、数据分析模块，所述数据收集模块设有用于采集监测站点环境监测数据和运维数据的多种监测设备；所述数据传输与存储模块用于数据传输，所述数据传输将数据收集模块采集的数据安全传输至指定存储设施；所述数据传输与存储模块还用于数据存储，所述数据存储包括结构化数据存储和非结构化数据存储；所述数据分析模块包括使用超标预警算法实现污染排放超标的预警；所述超标预警算法采用卷积神经网络与长短期记忆网络的混合模型。
进一步，所述监测设备包括监控摄像头、电表数据采集器、高拍仪和数采仪，分别用于实现实时采集监测站点的视频监控数据、电力消耗数据、运维活动图像和环境监测数据。
进一步，所述数据存储的结构化数据存储采用关系型数据库管理***，非结构化数据存储采用分布式文件存储***。
进一步，所述超标预警算法包括特征提取、数据标注、划分数据集、序列构建、特征学***均小时排放量和日排放量，生成m个特征数据作为训练样本集；所述数据标注，根据预定的排放标准对每日数据进行超标标注；所述划分数据集，将标注的数据分为训练集和测试集；所述序列构建，将m个特征数据组成矩阵，并构造时间分布层进行卷积神经网络深度特征提取，不破坏动态时序关系；所述特征学习，通过卷积神经网络的卷积和池化操作处理时间序列，去除干扰和噪声后输入长短期记忆网络层进行时间序列分析；所述迭代调优，在训练过程中不断优化模型参数，以最小化预测误差；所述模型评估，使用测试集数据验证污染物浓度预测模型的效果，并对模型性能进行评估。
本发明的实现原理与有益效果：本发明中的数据收集模块采用多种监测设备采集环境监测数据和运维数据，如监控摄像头和数采仪等，提供了多样的实时数据，有助于全面掌握监测站点的实况。数据传输与存储模块通过关系型数据库和分布式文件***区分存储结构化和非结构化数据。可以保证数据安全，确保数据的可访问性和完整性。数据分析模块运用卷积神经网络（CNN）与长短期记忆网络（LSTM）的混合模型，该模型通过特征提取和学习来预测污染物的浓度。CNN用于深层特征提取和处理时间序列数据中的空间特征，而LSTM则处理时间序列数据的时间特征，经过迭代调优，模型能够最小化预测误差，并且通过测试集数据进行评估，以验证模型的准确性和可靠性。
进一步，所述数据分析模块还包括使用运维台账识别算法实现运维台账的自动化识别，所述运维台账识别算法包括数据学习、实表预处理、表格识别、变域数据抽取、表格重构、OCR处理以及后处理；
所述数据学习包括基础数据规则学习和空表学习，所述基础数据规则学习，对人工标记状态类别信息、设备易耗品仪器名称信息进行学习以及人员、时间、地点格式信息进行学习，形成规范数据表；所述空表学习包括分析不同运维台账表格模板，并识别空表的行列结构、空间位置和数据类型；所述实表预处理，对实际填写的运维台账表格进行图像预处理操作，包括去噪和歪斜校正，以提高OCR识别的准确性；所述表格识别，使用处理过后的图像与学习到的表格模板进行匹配，以确定表格类型并准备数据抽取；所述变域数据抽取包括从表格识别后的表格中剔除固有信息，抽取填写的数据，生成用于OCR的数据图像；所述表格重构包括将抽取的数据图像与空表模板相结合，生成完整的表格图像文件，以供进一步的文字识别；所述OCR处理，包括使用OCR技术从表格图像中识别数字、勾选状态、文本信息，并转换为文本文件；所述后处理包括对将OCR识别出的文本内容与基础数据规则形成的规范数据表进行对照，并根据文本相似度进行转换。
本方案的有益效果为：本方案实现了运维台账数据的自动化识别和处理，提高了数据处理效率并降低了人工错误。通过学习不同的台账模板和规则，***可以自动识别和提取台账中的关键信息，并将其转换为结构化数据。这种自动化处理减少了人工输入的时间和劳动成本，同时提升了数据准确性和可用性。利用OCR和后处理技术，***能够有效识别各种文本和数字信息，即使是在图像质量不佳的情况下也能保持较高的识别率。
进一步，所述数据分析模块还包括使用异常行为分析算法实现站房监控中异常行为的检测，所述异常行为分析算法包括：采用消息队列技术采集实时视频流；使用层次聚类算法对采集到的实时视频流进行关键帧进行初始筛选；结合语义相关算法对初始筛选后的关键帧进行直方图对比，以去除冗余帧，并使用Deepface模型对人脸进行识别；应用YoloV5目标检测算法和HRNet骨骼关键点提取，结合BiLSTM动作分类模型识别特定动作。
本方案的有益效果为：本方案中使用消息队列技术实时采集视频流，确保了数据的实时性和***的响应速度。层次聚类算法用于从大量视频数据中筛选关键帧，减少了处理的数据量，提高了效率。通过语义相关算法进一步去除冗余帧，优化了数据处理流程，节省了存储空间和计算资源。Deepface模型的应用在人脸识别方面提供了准确度高的识别功能，有助于确认个体身份和监测特定人员的行为。YoloV5算法和HRNet的结合使得目标检测和骨骼关键点的提取变得更加准确，而BiLSTM动作分类模型则能够识别出复杂的人体动作。因此，本方案可以准确地检测监控区域内的异常行为，实现***、预防事故。
进一步，所述数据分析模块还包括使用电力异常分析算法实现电力使用异常情况的分析，所述电力异常分析算法包括：获取第i小时生产设施用电量，治污设施用电量/>，其中i为整数，i>0且i<24；对一整日24小时的生产设施与治污设施的用电量/>和/>进行乘积操作，计算得到z值，/>，若z=0，则表示第i小时内生产设施与治污设施未同时开启。
本方案的有益效果为：本方案实现了对电力使用情况的实时监控和异常检测，能够快速识别出生产设施与治污设施在同一时间内是否有未同步运行的情况。
进一步，所述电力异常分析算法还包括：获取停产日期范围为q，其中q为从1到365的整数；对停产期间的每一天，计算生产设施用电量与治污设施的用电量乘积z，用于判断停产期间是否存在异常用电情况；若在停产期间的任一天内的z值大于0，则表示停产期间异常用电。
本方案的有益效果为：本方案通过在停产期间监测生产设施与治污设施的用电量乘积，可以有效地检测出在停产时段内是否发生了异常用电，能够帮助维护设备安全，避免不必要的能源浪费，并及时发现和处理故障设备的使用。
本发明还公开了污染源监测设备的智慧管理方法，其特征在于，包括数据收集步骤、数据传输与存储步骤、数据分析步骤以及管理步骤，所述数据收集步骤中使用多种监测设备来采集监测站点的环境监测数据和运维数据；所述数据传输与存储步骤用于数据传输，所述数据传输将数据收集模块采集的数据传输至指定存储设施；所述数据传输与存储步骤还包括数据存储，所述数据存储包括结构化数据存储和非结构化数据存储；所述数据分析步骤中包括使用运维台账识别算法、异常行为分析算法、电力异常分析算法和超标预警算法，分别实现运维台账的自动化识别、站房监控中异常行为的检测、电力使用异常情况的分析和污染排放超标的预警；所述管理步骤用于实现数据查询、报警通知、数据报告和记录管理。
本发明还公开了污染源监测设备的智慧管理装置，其特征在于，包括采集单元、传输与存储单元、分析单元以及管理单元，所述采集单元使用多种监测设备来采集监测站点的环境监测数据和运维数据；所述传输与存储单元将采集单元获取的数据传输至指定存储设施，并对这些数据进行存储管理，其中存储方式包括结构化数据存储和非结构化数据存储；所述分析单元包括通过运维台账识别算法实现运维台账的自动化识别、通过异常行为分析算法实现站房监控中的异常行为检测、通过电力异常分析算法实现电力使用的异常情况分析、通过超标预警算法实现污染排放超标情况的预警；所述管理单元用于实现数据的查询操作、发出报警通知、生成数据报告以及进行记录管理。
附图说明
图1为实施例一中污染源监测设备的智慧管理***的***架构图；
图2为实施例一中污染源监测设备的智慧管理***的超标预警算法流程图；
图3为实施例一中污染源监测设备的智慧管理***的超标预警结构图；
图4为实施例二中污染源监测设备的智慧管理***的运维台账识别算法流程图；
图5为实施例二中污染源监测设备的智慧管理***的运维记录结构图；
图6为实施例三中污染源监测设备的智慧管理***的异常行为分析算法流程图；
图7为实施例三中污染源监测设备的智慧管理***的异常分析内容结构图；
图8为实施例四中污染源监测设备的智慧管理***的排放监控模块结构图；
图9为实施例四中污染源监测设备的智慧管理***的事后分析模块结构图；
图10为实施例四中污染源监测设备的智慧管理***的数据报送模块结构图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
如图1所示的污染源监测设备的智慧管理***，用于实现对污染源的自动化的预测和报警，实时、准确的监控和管理污染源。污染源监测设备的智慧管理***包括数据收集模块、数据传输与存储模块、数据分析模块。
数据收集模块设有用于采集监测站点环境监测数据和运维数据的多种监测设备。本实施例中的监测设备包括监控摄像头、电表数据采集器、高拍仪和数采仪，其中，监控摄像头用于对监测监控站房进行实时监控，帮助识别异常行为。电表数据采集仪用于对生产设施及治污设施每日用电情况进行采集。高拍仪用于运维人员将运维的运维记录进行拍照识别。数采仪用于对废水、废气排放因子的排放情况进行采集。
数据传输与存储模块用于数据传输，将数据收集模块采集的数据监控数据、电力消耗数据、运维台账、排放数据安全传输至指定存储设施；数据传输与存储模块还用于数据存储，数据存储包括结构化数据存储和非结构化数据存储；数据存储的结构化数据存储采用关系型数据库管理***，非结构化数据存储采用分布式文件存储***。
本实施例中的数据分析模块包括使用超标预警算法实现污染排放超标的预警，超标预警算法采用改进的卷积神经网络与长短期记忆网络的混合模型，根据历史排放数据特征结合日排放污染排放趋势，可预测未来7天内的排放趋势。卷积神经网络与长短期记忆网络混合模型不仅能从环境数据中高效提取空间特征，还能捕捉这些特征随时间的动态变化，从而提高对环境污染趋势的预测准确性，相比于传统的单一模型更为高效和准确。
如图2所示的预警算法包括特征提取、数据标注、划分数据集、序列构建、特征学***均小时排放量和日排放量，生成m个特征数据作为训练样本集。本实施例中提取近3年的每日的各因子平均小时污染排放折算值、平均小时污染排放实测值、日污染排放折算值、日污染排放实测值等m个特征数据，并作为训练样本集。数据标注用于对每日数据进行超标标注。本实施例中根据各污染因子的污染排放标准标注日排放超标数据，明确哪些情况下发生了污染超标，为模型提供了学习环境污染模式的基础。划分数据集是将标注的数据分为训练集和测试集。本实施例中，数据被分割为训练集和测试集，其中训练集占比80%，测试集占20%，保证了模型有足够的数据进行学习同时也能有效评估其性能。序列构建是将m个特征数据组成矩阵，并构造时间分布层进行卷积神经网络深度特征提取，不破坏动态时序关系。本实施例中将m个特征数据组成1行m列矩阵。
在上述数据准备完成后，算法通过构建时间序列的数据结构和应用CNN的深度特征提取技术来处理这些数据，识别出污染数据中的重要空间特征。随后，这些特征被送入LSTM网络进行时间序列分析，以捕捉污染趋势的动态变化。此外，算法在训练过程中不断调整和优化模型参数，以提高预测的准确度。最终，算法的性能通过使用测试集数据进行评估，确保模型可以准确预测未来的污染情况。
本实施例中，完成训练和验证的模型还被封装成一个SDK，可以通过HTTP协议方便地调用，为环境污染提供实时预测。
根据本实施例中的超标预警算法，可以基于小时和日数据趋势来预测未来的排放情况，实现事前超标预警。如图3所示，当算法预测某一小时内的排放水平可能超出排污单位自身设置的上限或下限时，***会及时发出排放限值小时超标预警。同时，如果算法预计的小时排放水平可能会超过环境保护监管部门设定的法定标准，***将发出排放标准小时超标预警。此外，这种预测不仅限于短期内的小时级别，同样适用于长期的日级别排放预警。当算法分析表明未来七天内的任何一天排放水平有超标风险时，***也将发出相应的日超标预警，无论是针对排污单位的限值（排放限值日超标预警）还是环保监管的标准值（排放标准日超标预警）。
实施例二
本实施例与实施例一的不同之处在于，本实施例中的数据分析模块还包括运维台账识别算法实现运维台账的自动化识别。
运维台账识别算法针对环保数采仪运维过程中主要由日常巡检、维修、易耗品更换等表单组成，根据在线监测设备运维特征需要识别的运维台账由数字型、勾选状态、时间、地点、设备名称、仪器名称、易耗品名称、人员名称、合格状态等信息组成。如图4所示，本实施例中的运维台账识别算法包括数据学习、实表预处理、表格识别、变域数据抽取、表格重构、OCR处理以及后处理。
数据学习包括基础数据规则学习和空表学习。其中，基础数据规则学习，对人工标记状态类别信息、设备易耗品仪器名称信息进行学习以及人员、时间、地点格式信息进行学习，形成规范数据表，即算法通过学习大量标记好的表单样本（如维修记录、巡检表等），了解不同类型表单的结构和格式。空表学习包括分析不同运维台账表格模板，并识别空表的行列结构、空间位置和数据类型。即算法通过学习不同表单的空白模板，识别和适应多种不同格式的表单。实表预处理，对实际填写的运维台账表格进行图像预处理操作，包括去噪和歪斜校正。即当工作人员扫描或拍摄实际填写的表单时，算法首先对这些图像进行预处理，以便更准确地识别信息。
表格识别，使用处理过后的图像与学习到的表格模板进行匹配，以确定表格类型并准备数据抽取。变域数据抽取包括从表格识别后的表格中剔除固有信息，抽取填写的数据，生成用于OCR的数据图像。通过与学习的模板匹配，识别实际填写的表单类型，并从中提取关键信息，如勾选的选项、手写或打印的文本等。表格重构包括将抽取的数据图像与空表模板相结合，生成完整的表格图像文件，以供进一步的文字识别。即将提取出的信息按照原始格式重新组合，生成一张整洁、格式正确的电子表格。
OCR处理，包括使用OCR技术从表格图像中识别数字、勾选状态、文本信息，并转换为文本文件。后处理包括对将OCR识别出的文本内容与基础数据规则形成的规范数据表进行对照，并根据文本相似度进行转换，确保所有数据都准确无误地转录到***中。
如图5所示，本实施例中，通过高拍仪识别纸质运维单，将其根据运维台账识别算法转换为对应的电子运维记录，并对运维记录按照类型分为设备巡检记录、试剂更换记录、设备维修记录、仪器校准记录类型分别入库。其中，运维台账可查询电子台账与查看对应的纸质运维单，设备巡检记录可查询设备巡检记录以及对应的设备试剂状态，试剂更换记录可查询对应的试剂更换量、更换时间、更换周期等信息，设备维修记录可查询设备的损坏原因、损坏部件、维修时间、维修成本等信息，仪器校准记录可以查询仪器校准前、仪器校准后、校准原因、校准日期等信息。
实施例三
本实施例与实施例二的不同之处在于，本实施例中的数据分析模块还包括使用异常行为分析算法，所述异常行为分析算法主要用于识别站房内是否存在外部人员进入、非法修改设备参数等异常行为；其中外部人员进入识别采用人脸识别算法，非法修改设备参数采用目标检测算法。算法步骤如图6所示，包括：采用消息队列技术采集实时视频流；使用层次聚类算法对采集到的实时视频流进行关键帧进行初始筛选；结合语义相关算法对初始筛选后的关键帧进行直方图对比，以去除冗余帧，并使用Deepface模型对人脸进行识别；应用YoloV5目标检测算法和HRNet骨骼关键点提取，结合BiLSTM动作分类模型识别特定动作。
对于外部人员非法进入的识别，***采用了人脸识别流程。从实时视频流中采集关键帧，使用层次聚类算法初步提取关键帧，并通过直方图对比去除冗余帧，最终选取特定数量的关键帧（本实施例中提取每个关键时间点前后的五帧图片，共计十帧）进行深入分析。在这些关键帧中，使用Deepface人脸识别检测模型来识别和标注视频中的人脸信息。通过与数据库中已授权的人员名单进行对比，***能够及时识别并报警任何未授权的入侵者。
针对非法修改设备参数的行为则采用了目标检测算法。包括使用YoloV5算法对图片中的对象进行精确识别，并与预先学习的在线监测设备图像进行匹配，以标注出图片中的设备和其他关键元素。还通过HRNet提取人员的骨骼关键点，同时对图片进行降噪处理以提升识别准确性。BiLSTM动作分类模型对其动作进行分析，以判断是否存在弯腰调试等可疑动作。如果***检测到此类行为且发现没有相应的运维报备记录，将触发私自调参的报警机制。
此外，本实施例中的数据分析模块还包括使用电力异常分析算法实现电力使用异常情况的分析，电力异常分析算法包括：获取第i小时生产设施用电量，治污设施用电量/>，其中i为整数，i>0且i<24；对一整日24小时的生产设施与治污设施的用电量/>和/>进行乘积操作，计算得到z值，/>，若z=0，则表示第i小时内生产设施与治污设施未同时开启。
通过计算z值判断生产设施和治污设施是否有在同一小时内同时运行。如果在任何小时内，生产设施和治污设施的用电量乘积为0，则意味着在该小时内至少有一种设施未运行，因此z值将为0。这种情况下，***认定生产设施与治污设施没有同时开启，通过这种方法，电力异常分析算法能够有效地监控和确保生产设施和治污设施的合理运行。
本实施例中的电力异常分析算法还包括：获取停产日期范围为q，其中q为从1到365的整数；对停产期间的每一天，计算生产设施用电量与治污设施的用电量乘积z，用于判断停产期间是否存在异常用电情况；若在停产期间的任一天内的z值大于0，则表示停产期间异常用电。
如果在停产期间的任何一天里，生产设施和治污设施的用电量乘积大于0，则意味着尽管是停产期间，生产设施和治污设施中至少有一种设施在消耗电力，这是异常用电。这种情况可能意味着存在未经授权的设备使用、设备故障或其他形式的能源浪费。
此外，如图7所示，本实施例中的事中异常分析不仅包括异常行为和电力异常，还包括运维记录异常和监测数据异常。
通过审查运维记录，***能够判断设备是否遇到故障、是否处于检修或更换状态、是否发生断电、设备是否正在调试或校准等，能够快速了解设备的运行状态和及时响应任何技术问题。结合异常行为分析算法，***可以识别是否有未授权的外部人员进入监测区域或非法修改设备参数的情况，对于保障设备安全和数据完整性非常重要，尤其是在防止未授权访问和防止数据被篡改方面。而电力异常分析算法使***能够检测和报告停产期间或治污设施未启动时的异常电力使用情况。***还会对现场监测数据和异常报警数据进行对比分析。如果发现数据不一致，则可能表明存在数据传输异常，如数据丢失或错误传输，可以确保数据的完整性和可靠性。
实施例四
在本实施例中，污染源监测设备的智慧管理***还包括排放监控模块、事后分析模块以及数据报送模块；所述排放监控模块用于查询和监控各种排放数据；所述事后分析模块用于记录和统计异常排放事件；所述数据报送模块用于自动化整理和填报环保相关数据。
如图8所示的排放监控模块，用于提供全面的污染排放数据查询功能，包括实时排放、小时排放、日排放、月度报表和年度报表。用户可以根据时间、排污口等参数查询各种排放数据，从实时获取的分钟级数据到长期的月度和年度汇总报表。其中实时排放主要是实时展示数采仪获取的废水或者废气污染因子排放分钟数据，小时排放主要是展示获取的小时数据，日排放主要是展示获取每日均值排放数据，月度报表对当月每天的排放情况汇总形成序列数据，年度报表对当年各个月份的排放浓度、排放量等数据进行汇总统计。
如图9所示的事后分析模块，用于提供异常事件记录查询、异常事件统计分析以及异常事件路线图。事后分析模块主要对异常事件的发生时间、发生原因、责任人、处理方式等信息进行检索查询，同时对事件按照实际发生原因类别含故障、日常维护、不可抗力等提供统计分析。根据事件发生前后环境监测数据变化、站房视频行为变化、电力消耗变化等等按照时间线进行陈列展示。
如图10所示的数据报送模块，可以使企业能够根据特定模板快速导出并填报所需的排放数据，提高了数据报告的效率和准确性。其中，特定模板包括排污许可年度执行报告、环保税申报、企业环境信息披露和工业园区企业排放统计。
此外，本发明还公开了污染源监测设备的智慧管理方法和污染源监测设备的智慧管理装置。
污染源监测设备的智慧管理方法，包括数据收集步骤、数据传输与存储步骤、数据分析步骤以及管理步骤。
数据收集步骤中使用多种监测设备来采集监测站点的环境监测数据和运维数据。数据传输与存储步骤中，数据传输用于将数据收集模块采集的数据传输至指定存储设施；数据存储包括结构化数据存储和非结构化数据存储。数据分析步骤中包括使用运维台账识别算法、异常行为分析算法、电力异常分析算法和超标预警算法，分别实现运维台账的自动化识别、站房监控中异常行为的检测、电力使用异常情况的分析和污染排放超标的预警。管理步骤用于实现数据查询、报警通知、数据报告和记录管理。
污染源监测设备的智慧管理装置，包括采集单元、传输与存储单元、分析单元以及管理单元。采集单元使用多种监测设备来采集监测站点的环境监测数据和运维数据。传输与存储单元将采集单元获取的数据传输至指定存储设施，并对这些数据进行存储管理，其中存储方式包括结构化数据存储和非结构化数据存储。分析单元包括通过运维台账识别算法实现运维台账的自动化识别、通过异常行为分析算法实现站房监控中的异常行为检测、通过电力异常分析算法实现电力使用的异常情况分析、通过超标预警算法实现污染排放超标情况的预警。管理单元用于实现数据的查询操作、发出报警通知、生成数据报告以及进行记录管理。
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.污染源监测设备的智慧管理***，其特征在于，包括数据收集模块、数据传输与存储模块、数据分析模块，所述数据收集模块设有用于采集监测站点环境监测数据和运维数据的多种监测设备；所述数据传输与存储模块用于数据传输，所述数据传输将数据收集模块采集的数据安全传输至指定存储设施；所述数据传输与存储模块还用于数据存储，所述数据存储包括结构化数据存储和非结构化数据存储；所述数据分析模块包括使用超标预警算法实现污染排放超标的预警；所述超标预警算法采用卷积神经网络与长短期记忆网络的混合模型。
2.根据权利要求1所述的污染源监测设备的智慧管理***，其特征在于，所述监测设备包括监控摄像头、电表数据采集器、高拍仪和数采仪，分别用于实现实时采集监测站点的视频监控数据、电力消耗数据、运维活动图像和环境监测数据。
3.根据权利要求2所述的污染源监测设备的智慧管理***，其特征在于，所述数据存储的结构化数据存储采用关系型数据库管理***，非结构化数据存储采用分布式文件存储***。
4.根据权利要求1所述的污染源监测设备的智慧管理***，其特征在于，所述数据分析模块还包括使用运维台账识别算法实现运维台账的自动化识别，所述运维台账识别算法包括数据学习、实表预处理、表格识别、变域数据抽取、表格重构、OCR处理以及后处理；
所述数据学习包括基础数据规则学习和空表学习，所述基础数据规则学习，对人工标记状态类别信息、设备易耗品仪器名称信息进行学习以及人员、时间、地点格式信息进行学习，形成规范数据表；所述空表学习包括分析不同运维台账表格模板，并识别空表的行列结构、空间位置和数据类型；
所述实表预处理，对实际填写的运维台账表格进行图像预处理操作，包括去噪和歪斜校正，以提高OCR识别的准确性；
所述表格识别，使用处理过后的图像与学习到的表格模板进行匹配，以确定表格类型并准备数据抽取；
所述变域数据抽取包括从表格识别后的表格中剔除固有信息，抽取填写的数据，生成用于OCR的数据图像；
所述表格重构包括将抽取的数据图像与空表模板相结合，生成完整的表格图像文件，以供进一步的文字识别；
所述OCR处理，包括使用OCR技术从表格图像中识别数字、勾选状态、文本信息，并转换为文本文件；
所述后处理包括对将OCR识别出的文本内容与基础数据规则形成的规范数据表进行对照，并根据文本相似度进行转换。
5.根据权利要求1所述的污染源监测设备的智慧管理***，其特征在于，所述数据分析模块还包括使用异常行为分析算法实现站房监控中异常行为的检测，所述异常行为分析算法包括：采用消息队列技术采集实时视频流；使用层次聚类算法对采集到的实时视频流进行关键帧进行初始筛选；结合语义相关算法对初始筛选后的关键帧进行直方图对比，以去除冗余帧，并使用Deepface模型对人脸进行识别；应用YoloV5目标检测算法和HRNet骨骼关键点提取，结合BiLSTM动作分类模型识别特定动作。
6.根据权利要求1所述的污染源监测设备的智慧管理***，其特征在于，所述数据分析模块还包括使用电力异常分析算法实现电力使用异常情况的分析，所述电力异常分析算法包括：
获取第i小时生产设施用电量，治污设施用电量/>，其中i为整数，i>0且i<24；
对一整日24小时的生产设施与治污设施的用电量和/>进行乘积操作，计算得到z值，，若z=0，则表示第i小时内生产设施与治污设施未同时开启。
7.根据权利要求1所述的污染源监测设备的智慧管理***，其特征在于，所述超标预警算法包括特征提取、数据标注、划分数据集、序列构建、特征学习、迭代调优以及模型评估；
所述特征提取，通过提取近3年的每日各污染因子的平均小时排放量和日排放量，生成m个特征数据作为训练样本集；
所述数据标注，对每日数据进行超标标注；
所述划分数据集，将标注的数据分为训练集和测试集；
所述序列构建，将m个特征数据组成矩阵，并构造时间分布层进行卷积神经网络深度特征提取，不破坏动态时序关系；
所述特征学习，通过卷积神经网络的卷积和池化操作处理时间序列，去除干扰和噪声后输入长短期记忆网络层进行时间序列分析；
所述迭代调优，在训练过程中不断优化模型参数，以最小化预测误差；
所述模型评估，使用测试集数据验证污染物浓度预测模型的效果，并对模型性能进行评估。
8.根据权利要求6所述的污染源监测设备的智慧管理***，其特征在于，所述电力异常分析算法还包括：
获取停产日期范围为q，其中q为从1到365的整数；
对停产期间的每一天，计算生产设施用电量与治污设施的用电量乘积z，用于判断停产期间是否存在异常用电情况；若在停产期间的任一天内的z值大于0，则表示停产期间异常用电。
9.污染源监测设备的智慧管理方法，其特征在于，包括数据收集步骤、数据传输与存储步骤、数据分析步骤以及管理步骤，所述数据收集步骤中使用多种监测设备来采集监测站点的环境监测数据和运维数据；所述数据传输与存储步骤包用于数据传输，所述数据传输将数据收集模块采集的数据传输至指定存储设施；所述数据传输与存储步骤还包括数据存储，所述数据存储包括结构化数据存储和非结构化数据存储；所述数据分析步骤中包括使用运维台账识别算法、异常行为分析算法、电力异常分析算法和超标预警算法，分别实现运维台账的自动化识别、站房监控中异常行为的检测、电力使用异常情况的分析和污染排放超标的预警；所述管理步骤用于实现数据查询、报警通知、数据报告和记录管理。
10.污染源监测设备的智慧管理装置，其特征在于，包括采集单元、传输与存储单元、分析单元以及管理单元，所述采集单元使用多种监测设备来采集监测站点的环境监测数据和运维数据；所述传输与存储单元将采集单元获取的数据传输至指定存储设施，并对这些数据进行存储管理，其中存储方式包括结构化数据存储和非结构化数据存储；所述分析单元包括通过运维台账识别算法实现运维台账的自动化识别、通过异常行为分析算法实现站房监控中的异常行为检测、通过电力异常分析算法实现电力使用的异常情况分析、通过超标预警算法实现污染排放超标情况的预警；所述管理单元用于实现数据的查询操作、发出报警通知、生成数据报告以及进行记录管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311783371.7A CN117726036A (zh) | 2023-12-22 | 2023-12-22 | 污染源监测设备的智慧管理***、方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311783371.7A CN117726036A (zh) | 2023-12-22 | 2023-12-22 | 污染源监测设备的智慧管理***、方法及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117726036A true CN117726036A (zh) | 2024-03-19 |
Family
ID=90199634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311783371.7A Pending CN117726036A (zh) | 2023-12-22 | 2023-12-22 | 污染源监测设备的智慧管理***、方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726036A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932278A (zh) * | 2024-03-22 | 2024-04-26 | 四川省生态环境科学研究院 | 一种智慧城市环保监控***及方法 |
| CN118209150A (zh) * | 2024-05-20 | 2024-06-18 | 山东向明数智物联科技有限公司 | 污染源远程运维控制***及方法 |
-
2023
- 2023-12-22 CN CN202311783371.7A patent/CN117726036A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932278A (zh) * | 2024-03-22 | 2024-04-26 | 四川省生态环境科学研究院 | 一种智慧城市环保监控***及方法 |
| CN118209150A (zh) * | 2024-05-20 | 2024-06-18 | 山东向明数智物联科技有限公司 | 污染源远程运维控制***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Deep learning‐based safety helmet detection in engineering management based on convolutional neural networks | |
| CN111539550B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
| CN117726036A (zh) | 污染源监测设备的智慧管理***、方法及存储介质 | |
| Wang et al. | An improved robust principal component analysis model for anomalies detection of subway passenger flow | |
| CN110866642A (zh) | 安全监控方法、装置、电子设备和计算机可读存储介质 | |
| CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
| CN112633779B (zh) | 一种对环境监测数据可信度进行评估的方法 | |
| CN114912787A (zh) | 一种企业危险废物瞒报漏报风险的智能评估方法 | |
| CN106027528A (zh) | 一种web水平权限自动化识别的方法及装置 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
| CN115062851B (zh) | 基于多算法融合的排污异常监测方法及*** | |
| CN111666978B (zh) | 一种it***运维大数据的智能故障预警*** | |
| CN117314709A (zh) | 污水处理进度的智能监测*** | |
| CN118194142A (zh) | 一种智慧管网的震后修复工程分析方法及*** | |
| CN114625901A (zh) | 一种多算法整合方法及装置 | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测***及方法 | |
| CN115309871B (zh) | 一种基于人工智能算法的工业大数据处理方法及*** | |
| Salazar et al. | Monitoring approaches for security and safety analysis: application to a load position system | |
| CN115641694A (zh) | 一种基于智能图像处理的前中后端协同安全管理方法 | |
| CN113779125A (zh) | 一种施工安全信息管理方法及*** | |
| Qing | Research on equipment defect management system based on QR code | |
| CN110555016A (zh) | 一种多计量异常事件关联度分析方法 | |
| CN114662981A (zh) | 基于大数据应用的污染源企业监管方法 | |
| CN114881818A (zh) | 一种电子物证数据分析*** | |
| CN117078024B (zh) | 一种基于视频分析的危废数量变化检测***及方法 |
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 |