一种污染治理设备运维方法及系统技术方案

本发明专利技术涉及设备运行状态监测技术领域，特别是一种污染治理设备运维方法及系统，构建动态数据预测模型，预测得到治理设备中各子设备在运维时间段内基于时间序列的预测运行数据本；通过层次聚类法对所述特性数据库中的实际运行数据进行聚类处理，得到治理设备中各子设备在运维时间段内基于时间序列的初始聚类运行数据本；通过Z

【技术实现步骤摘要】
一种污染治理设备运维方法及系统


[0001]本专利技术涉及设备运行状态监测
，特别是一种污染治理设备运维方法及系统。

技术介绍

[0002]污染治理设备是指用于减少或消除环境污染物排放的设备或系统，这些设备能够对空气、水或土壤中的污染物进行处理或过滤，以确保环境质量得到改善和保护。然而，传统的污染治理设备运维方法存在一些问题，比如人工巡检效率低下、设备故障难以及数据监测不及时等；传统的污染治理设备往往需要人工操作和维护，这不仅要求大量的人力资源投入，而且效率较低。为了提高设备的运维效率，本专利技术提出了一种污染治理设备运维方法，该方法利用物联网技术，将污染治理设备与云平台相连接，实现数据的实时监测与分析，并通过智能算法进行设备的故障预警和维修指导。

技术实现思路

[0003]本专利技术克服了现有技术的不足，提供了一种污染治理设备运维方法及系统。
[0004]为达到上述目的本专利技术采用的技术方案为：本专利技术第一方面公开了一种污染治理设备运维方法，包括以下步骤：S102：构建动态数据预测模型，获取治理设备在运维时间段内的实际环境参数，将所述实际环境参数导入动态数据预测模型中，预测得到治理设备中各子设备在运维时间段内基于时间序列的预测运行数据本；S104：通过各监测传感器持续采集治理设备在运维时间段内的实际运行数据，构建数据库，并将各监测传感器持续采集得到的实际运行数据输入至所述数据库中，采集完成后，得到特性数据库；S106：通过层次聚类法对所述特性数据库中的实际运行数据进行聚类处理，以将各实际运行数据聚类至对应的聚类簇中，得到治理设备中各子设备在运维时间段内基于时间序列的初始聚类运行数据本；S108：通过Z
‑
Score算法对所述初始聚类运行数据本中的实际运行数据进行评测，从而筛选出离群数据，并对所述离群数据进行重新聚类，得到治理设备中各子设备在运维时间段内基于时间序列的最终聚类运行数据本；S110：将各子设备对应的预测运行数据本与最终聚类运行数据本进行配对分析，得到运行数据异常子设备；对所述运行数据异常子设备进行故障分析，生成运维报告，并将所述运维报告输送至远程用户端。
[0005]进一步地，本专利技术的一个较佳实施例中，构建动态数据预测模型，获取治理设备在运维时间段内的实际环境参数，将所述实际环境参数导入动态数据预测模型中，预测得到治理设备中各子设备在运维时间段内基于时间序列的预测运行数据本，具体为：获取治理设备在预设环境参数组合时所对应的历史运行数据信息，基于深度学习
网络构建动态数据预测模型，并将所述历史运行数据信息分为训练数据本与测试数据本；将所述训练数据本导入动态数据预测模型中，基于训练数据本通过交叉损失函数对所述动态数据预测模型进行反向传播训练，当训练误差收敛至预设值后，保存动态数据预测模的训练参数；通过测试数据本对动态数据预测模的训练参数进行测试，当测试结果满足预设要求后，则将所述训练参数输出，得到训练完成的动态数据预测模型；获取治理设备在运维时间段内的实际环境参数，将所述实际环境参数导入所述训练完成的动态数据预测模型中进行预测，预测得到治理设备中各子设备在运维时间段内基于时间序列的预测运行数据本。
[0006]进一步地，本专利技术的一个较佳实施例中，通过层次聚类法对所述特性数据库中的实际运行数据进行聚类处理，以将各实际运行数据聚类至对应的聚类簇中，得到治理设备中各子设备在运维时间段内基于时间序列的初始聚类运行数据本，具体为：S202：获取特性数据库中的实际运行数据，并将每一个实际运行数据均视为独立的聚类簇，并获取每一聚类簇与其余聚类簇之间的欧式距离；S204：根据每一聚类簇与其余聚类簇之间的欧式距离构建距离矩阵，在所述距离矩阵中检索出两个距离最近的聚类簇，并将两个距离最近的聚类簇合并为一个新的聚类簇；S206：更新距离矩阵，将新的聚类簇添加到距离矩阵中，并重新计算新的聚类簇与其余聚类簇之间的欧式距离；S208：重复S204
‑
S206步骤，直至聚类簇数目达到预设聚类簇数目，停止迭代；生成聚类结果，并将聚类结果表示为一个聚类树；其中，聚类树用于可视化聚类结果以及选择最优聚类簇数目；S210：根据所述聚类树将特性数据库中的实际运行数据分配到不同的聚类簇中，分配完毕后，将聚类树中的各个聚类簇进行划分，得到治理设备中各子设备在运维时间段内基于时间序列的初始聚类运行数据本。
[0007]进一步地，本专利技术的一个较佳实施例中，通过Z
‑
Score算法对所述初始聚类运行数据本中的实际运行数据进行评测，从而筛选出离群数据，并对所述离群数据进行重新聚类，得到治理设备中各子设备在运维时间段内基于时间序列的最终聚类运行数据本，具体为：获取各初始聚类运行数据本中每一实际运行数据的平均值和标准差，根据所述平均值和标准差计算得到各初始聚类运行数据本中每一实际运行数据的Z
‑
Score值；构建Z
‑
Score数据集，将各初始聚类运行数据本中每一实际运行数据的Z
‑
Score值导入所述Z
‑
Score数据集中；逐一判断所述Z
‑
Score值是否大于预设阈值，将Z
‑
Score值大于预设阈值的实际运行数据标记为离群数据，并将该离群数据在当前所属的初始聚类运行数据本中剔出；获取在初始聚类运行数据本中剔出的离群数据，将在初始聚类运行数据本中剔出的离群数据输入至其余初始聚类运行数据本中，并获取该离群数据在其余初始聚类运行数据本中的Z
‑
Score值；若该离群数据在其余初始聚类运行数据本中的Z
‑
Score值均大于预设阈值，则将该离群数据标记为无效数据，将该无效数据彻底剔除；
若该离群数据在其余初始聚类运行数据本中的Z
‑
Score值存在不大于预设阈值的情况，则将该离群数据在其余初始聚类运行数据本中的Z
‑
Score值进行大小排序，然后提取出最小Z
‑
Score值，并将该离群数据聚类至与最小Z
‑
Score值对应的初始聚类运行数据本中；直至对各初始聚类运行数据本的离群数据处理完毕后，将处理完毕的各初始聚类运行数据本转化为基于时间序列的最终聚类运行数据本。
[0008]进一步地，本专利技术的一个较佳实施例中，将各子设备对应的预测运行数据本与最终聚类运行数据本进行配对分析，得到运行数据异常子设备，具体为：S302：获取各子设备对应的预测运行数据本与最终聚类运行数据本，并根据时间序列对预测运行数据本与最终聚类运行数据本在相同时间节点的运行数据进行配对，得到若干对运行数据点对；S304：通过曼哈顿距离算法计算每一对运行数据点对的曼哈顿距离，并计算所有曼哈顿距离的平均值，将该平均值作为对应子设备的预测运行数据本与最终聚类运行数据本之间的平均曼哈顿距离，根据所述平均曼哈顿距离确定出对应子设备的预测运行数据本与最终聚类运行数据本之间相似度；S306：将所述相似度与预设相似度进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污染治理设备运维方法，其特征在于，包括以下步骤：S102：构建动态数据预测模型，获取治理设备在运维时间段内的实际环境参数，将所述实际环境参数导入动态数据预测模型中，预测得到治理设备中各子设备在运维时间段内基于时间序列的预测运行数据本；S104：通过各监测传感器持续采集治理设备在运维时间段内的实际运行数据，构建数据库，并将各监测传感器持续采集得到的实际运行数据输入至所述数据库中，采集完成后，得到特性数据库；S106：通过层次聚类法对所述特性数据库中的实际运行数据进行聚类处理，以将各实际运行数据聚类至对应的聚类簇中，得到治理设备中各子设备在运维时间段内基于时间序列的初始聚类运行数据本；S108：通过Z
‑
Score算法对所述初始聚类运行数据本中的实际运行数据进行评测，从而筛选出离群数据，并对所述离群数据进行重新聚类，得到治理设备中各子设备在运维时间段内基于时间序列的最终聚类运行数据本；S110：将各子设备对应的预测运行数据本与最终聚类运行数据本进行配对分析，得到运行数据异常子设备；对所述运行数据异常子设备进行故障分析，生成运维报告，并将所述运维报告输送至远程用户端。2.根据权利要求1所述的一种污染治理设备运维方法，其特征在于，构建动态数据预测模型，获取治理设备在运维时间段内的实际环境参数，将所述实际环境参数导入动态数据预测模型中，预测得到治理设备中各子设备在运维时间段内基于时间序列的预测运行数据本，具体为：获取治理设备在预设环境参数组合时所对应的历史运行数据信息，基于深度学习网络构建动态数据预测模型，并将所述历史运行数据信息分为训练数据本与测试数据本；将所述训练数据本导入动态数据预测模型中，基于训练数据本通过交叉损失函数对所述动态数据预测模型进行反向传播训练，当训练误差收敛至预设值后，保存动态数据预测模的训练参数；通过测试数据本对动态数据预测模的训练参数进行测试，当测试结果满足预设要求后，则将所述训练参数输出，得到训练完成的动态数据预测模型；获取治理设备在运维时间段内的实际环境参数，将所述实际环境参数导入所述训练完成的动态数据预测模型中进行预测，预测得到治理设备中各子设备在运维时间段内基于时间序列的预测运行数据本。3.根据权利要求1所述的一种污染治理设备运维方法，其特征在于，通过层次聚类法对所述特性数据库中的实际运行数据进行聚类处理，以将各实际运行数据聚类至对应的聚类簇中，得到治理设备中各子设备在运维时间段内基于时间序列的初始聚类运行数据本，具体为：S202：获取特性数据库中的实际运行数据，并将每一个实际运行数据均视为独立的聚类簇，并获取每一聚类簇与其余聚类簇之间的欧式距离；S204：根据每一聚类簇与其余聚类簇之间的欧式距离构建距离矩阵，在所述距离矩阵中检索出两个距离最近的聚类簇，并将两个距离最近的聚类簇合并为一个新的聚类簇；S206：更新距离矩阵，将新的聚类簇添加到距离矩阵中，并重新计算新的聚类簇与其余
聚类簇之间的欧式距离；S208：重复S204
‑
S206步骤，直至聚类簇数目达到预设聚类簇数目，停止迭代；生成聚类结果，并将聚类结果表示为一个聚类树；其中，聚类树用于可视化聚类结果以及选择最优聚类簇数目；S210：根据所述聚类树将特性数据库中的实际运行数据分配到不同的聚类簇中，分配完毕后，将聚类树中的各个聚类簇进行划分，得到治理设备中各子设备在运维时间段内基于时间序列的初始聚类运行数据本。4.根据权利要求1所述的一种污染治理设备运维方法，其特征在于，通过Z
‑
Score算法对所述初始聚类运行数据本中的实际运行数据进行评测，从而筛选出离群数据，并对所述离群数据进行重新聚类，得到治理设备中各子设备在运维时间段内基于时间序列的最终聚类运行数据本，具体为：获取各初始聚类运行数据本中每一实际运行数据的平均值和标准差，根据所述平均值和标准差计算得到各初始聚类运行数据本中每一实际运行数据的Z
‑
Score值；构建Z
‑
Score数据集，将各初始聚类运行数据本中每一实际运行数据的Z
‑
Score值导入所述Z
‑
Score数据集中；逐一判断所述Z
‑
Score值是否大于预设阈值，将Z
‑
Score值大于预设阈值的实际运行数据标记为离群数据，并将该离群数据在当前所属的初始聚类运行数据本中剔出；获取在初始聚类运行数据本中剔出的离群数据，将在初始...

【专利技术属性】
技术研发人员：张家铭，李书鹏，郝贵宝，周波生，邹鹏，许铁柱，张孟昭，
申请(专利权)人：北京建工环境修复股份有限公司，
类型：发明
国别省市：