[发明专利]用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能系统和方法

权利要求书

1.一种智能水厂健康诊断异常检测与控制方法，包括：

从水厂获取数据；

对获取的数据进行分析以对水厂进行健康诊断或异常检测；以及

基于对水厂的健康诊断或异常检测采取一个或更多个动作。

2.如权利要求1所述的方法，其中，所述水厂包含废水处理厂或饮用水厂。

3.如权利要求1-2中任一项所述的方法，其中，从水厂获取数据包括使用一个或更多个本地工厂流入传感器、资产传感器、过程传感器、排放传感器、实验室测试、工厂动态或静态模拟模型以及历史数据和全球/云数据库中心来获取数据。

4.如权利要求1-3中任一项所述的方法，其中，对获取的数据进行分析以对水厂进行健康诊断或异常检测包括对获取的数据应用一种或更多种诊断方法。

5.如权利要求4所述的方法，其中，所述一种或更多种诊断方法包括以下中的一种或更多种：监督学习、无监督学习、与模拟模型的交叉验证、数据驱动模型、异常检测和风险模式识别。

6.如权利要求5所述的方法，其中，所述监督学习的诊断方法包括从带标签的训练数据推断功能的机器学习任务。

7.如权利要求6所述的方法，其中，所述训练数据获取自根据水厂传感器或模拟模型生成的历史数据库或在线数据库。

8.如权利要求6所述的方法，其中，所述标签包括以下中的一个或更多个：工厂健康状态、风险水平、异常、问题、根本原因、污染物特征和缓解方案。

9.如权利要求6-8中任一项所述的方法，其中，所述监督学习的诊断方法从被数字化为数据集的历史事件、人类经验或模拟场景中学习诊断规则，所述历史事件包括来自数据中心的本地和全球案例。

10.如权利要求9所述的方法，其中，实施所述监督学习的诊断方法以确定或预测日常运行中的工厂健康状况。

11.如权利要求6-10中任一项所述的方法，其中，所述监督学习的诊断方法包括以下中的一个或更多个：决策树；梯度提升决策树(GBDT)/梯度提升回归树(GBRT)/多重累积回归树(MART)；人工神经网络；卷积神经网络(CNN)；循环神经网络(RNN)；长短期记忆(LSTM)；门控循环单元(GRU)；支持向量机，包括诸如RBF等各种核方法、朴素贝叶斯分类、最大熵分类；集成学习方法，包括提升、自适应提升、套袋、随机森林；线性回归；逻辑回归；高斯过程回归；条件随机域(CRF)；以及压缩感知方法，例如基于稀疏表示的分类(SRC)。

12.如权利要求5所述的方法，其中，所述无监督学习的诊断方法包括从没有标签的数据集推断功能的机器学习任务。

13.如权利要求12所述的方法，其中，从根据水厂传感器或模拟模型生成的历史或在线数据库中获取所述没有标签的数据集。

14.如权利要求13所述的方法，其中，通过所述无监督学习的诊断方法来确定以下中的一个或更多个：工厂健康状况、风险水平、异常、问题、根本原因和缓解方案。

15.如权利要求12-14中任一项所述的方法，其中，所述无监督学习的诊断方法包括以下中的一种或多种：层次聚类、k均值、均值平移、谱聚类、奇异值分解(SVD)、主成分分析(PCA)、鲁棒性主成分分析(RPCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、趋势Loess分解(STL)、期望最大化(EM)、隐马尔可夫模型(HMM)、高斯混合模型(GMM)、自动编码器、变分自动编码器(VAE)、生成对抗网络(GAN)、深度信任网络(DBN)、受限玻尔兹曼机(RBM)和最小绝对收缩和选择运算符(LASSO)等等。