Являясь типичным загрязнителем в промышленных и муниципальных сточных водах, LAS (прямоцепной алкилфенилсульфонат натрия) имеет решающее значение для контроля качества воды. Для традиционной аппаратуры мониторинга высокая стоимость эксплуатации и обслуживания на месте, запаздывание реагирования на неисправности болезненных точек, создание системы дальней эксплуатации и обслуживания и интеллектуального раннего предупреждения может обеспечить полный контроль процесса, основной путь реализации можно разделить на « подключение данных » « интеллектуальная диагностика » « подключение раннего предупреждения», три основных модуля, адаптированных к крупномасштабному применению отечественного оборудования мониторинга.
I. Взаимосвязь данных: построение архитектуры дальней связи по всем каналам связи
Основой для удаленной транспортировки и обслуживания является мониторинг передачи данных и состояния устройства в режиме реального времени, для чего требуется подключение к линии передачи данных « Устройство - край - облако».
1. Сбор данных терминала: вОнлайновый мониторинг поверхностно - активных веществВстроенный многомерный датчик, в дополнение к сбору данных о концентрации LAS, синхронный мониторинг оборудования скорости вращения корпуса насоса, запаса реагента, чистоты оптического пути и других эксплуатационных параметров, через шину 485 для интеграции данных; Для полевых сценариев без сети, оснащенных модулями NB - IoT или LoRa для передачи данных с низким энергопотреблением, чтобы гарантировать, что данные удаленных точек мониторинга не прерываются.
Предварительная обработка на краю: развертывание периферийных вычислительных шлюзов на станции мониторинга для фильтрации и шумоподавления собранных исходных данных, удаления недействительных данных из - за электромагнитных помех, а также преобразования эксплуатационных параметров устройства в протокольные данные о концентрации LAS (например, Modbus в MQTT), снижения давления обработки данных в облаке и обеспечения эффективности передачи.
3. Интеграция облачных платформ: создание единой платформы управления Интернетом вещей, стыковка данных различных станций мониторинга, реализация кривой концентрации LAS, визуальное отображение состояния работы устройства, поддержка управления иерархией разрешений, обслуживающий персонал может удаленно просматривать работу устройства в режиме реального времени через компьютер или мобильный терминал, без присутствия, чтобы понять всю картину мониторинга.
II. Интеллектуальная диагностика: создание модели прогнозирования неисправностей оборудования
В основе интеллектуального предупреждения лежит раннее распознавание неисправностей с помощью алгоритмов, а не пассивный ответ.
1. Калибровка характерных параметров: на основе исторических эксплуатационно - эксплуатационных данных, калибровка типичных характеристик неисправности оборудования, таких как запас реагента менее 10% может привести к прерыванию обнаружения, скорость пропускания света менее 85% может вызвать дрейф данных, аномальные колебания тока корпуса насоса предвещают механический сбой, эти характеристики преобразуются в алгоритмический порог идентификации.
2.Алгоритмическое моделирование AI: доступ к моделям машинного обучения на облачной платформе и автоматическое выявление аномальных тенденций посредством непрерывного изучения параметров работы устройства. Например, когда светопроницаемость светового пути снижается со скоростью 3% в день, модель может предвидеть обнаружение неисправности через 5 дней, заранее запуская напоминание об очистке; Если коэффициент изменчивости данных обнаружения LAS внезапно увеличивается, он может быть автоматически определен как отказ реагента или дрейф датчика, и запускается процедура самоконтроля.
3. Дистанционная диагностическая связь: когда модель распознает аномалию, можно издать инструкции по самоконтролю удаленно, контрольное оборудование для калибровки нулевой точки, промывки трубопроводов и другого основного обслуживания; Для неисправностей, которые не могут быть решены удаленно, автоматически генерируются накладные на обслуживание, обозначаются точки отказа, причины и решения, нажимаются на терминал обслуживающего персонала, чтобы сократить время позиционирования неисправности.
III. Взаимодействие в области раннего предупреждения: обеспечение многоступенчатого реагирования и управления рисками
Интеллектуальное раннее предупреждение должно быть связано с бизнес - сценарием, принимая во внимание эксплуатацию оборудования и управление рисками качества воды.
1. Классификационный механизм раннего предупреждения: установление двойного порога раннего предупреждения, уровень оборудования делится на "незначительные аномалии (например, недостаточный запас реагента)" умеренные неисправности (например, загрязнение оптическим путем) "" тяжелые неисправности (например, повреждение датчика) "три уровня, соответственно, запускает напоминание, дистанционное вмешательство, инструкции по ремонту на месте; Уровень качества воды, когда концентрация LAS превышает стандартное значение раннего предупреждения, синхронизируется с предупреждением экологического надзора и корпоративного транспорта, чтобы обеспечить быстрый ответ на риск загрязнения.
2. Управление эксплуатацией и обслуживанием замкнутого цикла: создание замкнутого процесса раннего предупреждения - утилизации - обратной связи, после того, как обслуживающий персонал завершит обработку неисправностей, необходимо загрузить запись утилизации на платформу, модель оптимизирует порог раннего предупреждения в соответствии с эффектом утилизации, сформирует самоитеративную систему эксплуатации и обслуживания, повысит точность последующих прогнозов.
3. Оптимизация адаптации к локализации: для аппаратных характеристик отечественного оборудования мониторинга LAS, настройка протокола связи и алгоритмической модели, снижение порога преобразования оборудования, в то же время опираясь на локализованную облачную платформу для достижения передачи данных с низкой задержкой, адаптация к сложной внутренней сетевой среде мониторинга.
Пройдя вышеуказанный путь,Онлайновый мониторинг поверхностно - активных веществМожет быть реализован переход от « ручной инспекции » к « дистанционному интеллектуальному контролю и контролю», который не только снижает затраты на эксплуатацию и обслуживание, но и повышает эффективность профилактики и контроля рисков качества воды, а также обеспечивает воспроизводимый план для интеллектуального обновления мониторинга водной среды.