魏　媛,馮天恒,黃平捷,侯迪波,張光新

(浙江大學 工業(yè)控制技術(shù)國家重點實驗室,浙江 杭州 310027)

?

管網(wǎng)水質(zhì)多指標動態(tài)關(guān)聯(lián)異常檢測方法

魏媛,馮天恒,黃平捷,侯迪波,張光新

(浙江大學 工業(yè)控制技術(shù)國家重點實驗室,浙江 杭州 310027)

摘要:為了提高城市供水管網(wǎng)水質(zhì)監(jiān)測系統(tǒng)的污染檢測能力,利用污染物所引起多個指標變化之間的關(guān)聯(lián)特性,提出基于多常規(guī)水質(zhì)指標動態(tài)關(guān)聯(lián)分析的水質(zhì)異常檢測方法.應(yīng)用動態(tài)時間規(guī)整算法(DTW)衡量多個常規(guī)水質(zhì)指標時間序列間的動態(tài)距離,刻畫各指標波動的相似程度和動態(tài)關(guān)聯(lián)特性.利用D-S證據(jù)理論融合各指標單獨的異常概率,將融合后得到的供水管網(wǎng)水質(zhì)異常概率與所設(shè)定的多指標融合異常概率閾值進行比較,作出當前時刻水質(zhì)是否存在水質(zhì)異常的綜合判斷.依托課題組模擬供水管網(wǎng)實驗系統(tǒng),設(shè)計不同濃度的硫酸銅和鐵氰化鉀污染物的注入實驗,利用在線監(jiān)測的pH值、濁度、余氯、溶解氧等8種常規(guī)水質(zhì)指標進行動態(tài)關(guān)聯(lián)分析和水質(zhì)異常檢測,方法的可行性和異常檢測性能通過受試者工作特征曲線(ROC)進行驗證.

關(guān)鍵詞：常規(guī)水質(zhì)指標；數(shù)據(jù)融合；水質(zhì)異常檢測；時間序列分析；動態(tài)時間規(guī)整；相關(guān)性分析

水是人類賴以生存的自然資源,飲用水的質(zhì)量與人們生產(chǎn)生活息息相關(guān).城市供水系統(tǒng)中任一環(huán)節(jié)出現(xiàn)問題,均可能對居民的日常生活用水造成嚴重影響[1].建立一套能夠準確挖掘異常水質(zhì)狀況并及時進行預(yù)警處理的飲用水污染預(yù)警系統(tǒng)對于保障廣大居民的用水安全意義重大.水質(zhì)異常檢測作為后續(xù)響應(yīng)操作的基礎(chǔ),在整個水質(zhì)預(yù)警系統(tǒng)中起著非常重要的作用.

供水管網(wǎng)中的水質(zhì)監(jiān)測數(shù)據(jù)在日常觀測中的變化稱為水質(zhì)波動.引起管網(wǎng)水質(zhì)發(fā)生波動的原因包括日常背景變化、工藝操作變化、儀表傳輸噪聲以及水質(zhì)污染事件等.在水質(zhì)異常檢測中,最受關(guān)注的是由于水質(zhì)污染事件所引起的水質(zhì)波動,如何能夠?qū)⒁蛭廴疚镒⑷胨鸬漠惓Ｗ兓瘡某Ｒ?guī)水質(zhì)波動中剝離出來,是水質(zhì)異常檢測的核心.

早期的研究主要依據(jù)統(tǒng)計學方法,通過判斷單一水質(zhì)指標測量值是否超出背景數(shù)據(jù)均值3倍標準差的范圍來判斷是否存在異常[2]；為了克服水質(zhì)數(shù)據(jù)本身存在的波動性對檢測結(jié)果的影響,之后的研究逐漸向時間序列分析的方向過渡[3]；近年來,隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展,水質(zhì)異常檢測逐漸打破單一參數(shù)的束縛,研究人員開始利用機器學習的相關(guān)方法將多個傳感器的檢測結(jié)果進行融合,以期達到更好的檢測效果.貝葉斯網(wǎng)絡(luò)[4]、決策樹[5]、人工神經(jīng)網(wǎng)絡(luò)[6]、支持向量機[7]等有監(jiān)督的學習算法以及K平均聚類[8]、軌跡聚類[9]、最小橢球體積聚類[10]、多維最近鄰聚類[11]等無監(jiān)督的學習算法都在水質(zhì)異常檢測領(lǐng)域得到了廣泛的應(yīng)用；此外,針對空間分布傳感器檢測結(jié)果的融合逐漸成為研究的熱點[12-13].雖然上述研究的方法不同,但結(jié)果都體現(xiàn)出了多指標異常檢測性能的優(yōu)勢.

多指標水質(zhì)信息融合并非簡單的數(shù)據(jù)疊加.污染物進入水體后,會引起多個水質(zhì)指標之間的聯(lián)動變化,且由于受到水體緩沖、儀器檢測原理等因素的影響,各指標對污染物的響應(yīng)速度及持續(xù)時間不同[14].現(xiàn)有的多傳感器信息融合的異常檢測方法多是通過統(tǒng)計一段時間窗口內(nèi)出現(xiàn)異常的指標個數(shù)來對各指標的決策結(jié)果進行直接融合[15-16],往往對于污染物注入前、后指標之間的相關(guān)性變化挖掘不夠充分,且由于各指標時間序列的波動變化并非完全同步,往往會導致融合后的判斷結(jié)果存在滯后和誤判.

本文針對該問題,提出基于動態(tài)時間規(guī)整算法的水質(zhì)異常檢測方法.動態(tài)時間規(guī)整算法是一種將時間規(guī)整與距離測度結(jié)合起來進行相似性度量的方法.因該算法對序列在時間軸的伸縮、扭曲和異位等形變具有較好的包容性,在語音識別、機器學習等領(lǐng)域的序列相似度比較中得到了很好的應(yīng)用.本文將動態(tài)時間規(guī)整算法引入到多水質(zhì)指標的變化相似度分析中,通過滑動時間窗讀取一定長度窗口內(nèi)各個水質(zhì)參數(shù)的時間序列,利用動態(tài)時間規(guī)整算法來計算任意兩個指標時間序列之間的動態(tài)距離,得到兩兩指標間波動的動態(tài)關(guān)聯(lián)系數(shù).利用D-S證據(jù)理論的方法融合每個參數(shù)各自的基本異常概率,判斷當前時刻的水質(zhì)是否存在異常.該方法旨在通過多指標關(guān)聯(lián)特性的挖掘來提高異常檢測的靈敏程度,同時減少因各指標響應(yīng)速度不同所導致的檢測誤判和滯后.

1管網(wǎng)水質(zhì)異常檢測算法

水質(zhì)異常是指一個或多個水質(zhì)指標在一定時間內(nèi)所呈現(xiàn)出的偏離正常行為的波動狀況[17].由污染物所引起的水質(zhì)異常通常會造成一個或多個水質(zhì)指標產(chǎn)生波動,且不同指標的變化之間呈現(xiàn)一定的關(guān)聯(lián)性,這與因傳感器故障、儀器傳輸噪聲等因素所引起的水質(zhì)監(jiān)測數(shù)據(jù)波動有著本質(zhì)的區(qū)別.這種關(guān)聯(lián)特性的利用可以在單一指標檢測的基礎(chǔ)之上,進一步提高異常檢測的準確性和靈敏程度.本文將單參數(shù)的基本異常概率和多參數(shù)的動態(tài)關(guān)聯(lián)系數(shù)進行融合,通過D-S證據(jù)理論的基本概率分配函數(shù)定義基于單參數(shù)的異常概率,利用動態(tài)時間規(guī)整算法來計算水質(zhì)參數(shù)兩兩間的動態(tài)關(guān)聯(lián)系數(shù).依據(jù)合成規(guī)則將單參數(shù)層面的異常概率與多參數(shù)層面的相關(guān)程度進行融合,對當前時刻水質(zhì)是否存在異常作出綜合判斷.

1.1單參數(shù)基本異常概率計算

對于單指標的時間序列,異常的定義通常是指一段時間內(nèi)的觀測值相對于參考值的偏移程度.本文通過D-S證據(jù)理論的基本概率分配函數(shù)來定義每個指標(證據(jù))各自的異常概率.

D-S證據(jù)理論由Dempster[18]提出,并由Shafer進一步完善[19].D-S證據(jù)理論依靠證據(jù)(即多源信息)的積累,逐漸縮小假設(shè)范圍,從而實現(xiàn)多源信息的融合.證據(jù)理論最基本的內(nèi)容包括3個部分：識別框架、基本概率分配函數(shù)和合成規(guī)則.

識別框架是一個元素可窮舉的集合,集合內(nèi)互斥的各元素代表所有的可能性.在水質(zhì)異常檢測中,識別框架中只包含正常(normal)與異常(abnormal)兩個元素.基本概率分配函數(shù)是從識別框架的冪集到[0,1]的映射,框架中所有可能性的概率之和為1.在水質(zhì)異常檢測的實際應(yīng)用中,單參數(shù)的基本異常概率須能夠反映出水質(zhì)時間序列在短時間內(nèi)的動態(tài)變化,因此引入短時均方根[20]來衡量水質(zhì)時間序列在時間窗口內(nèi)的波動情況.定義基本概率分配函數(shù)如下：

(1)

式中：m(Abnornal)為當前時刻該水質(zhì)指標發(fā)生異常的概率；D為當前時刻向前一個時間窗內(nèi)各個觀測值的短時均方根；σ為水質(zhì)正常波動下歷史數(shù)據(jù)的短時均方根平均值,由歷史數(shù)據(jù)訓練而得.當水質(zhì)時間序列的波動為零時,m(Abnormal)=0；當水質(zhì)時間序列的波動趨于無窮時,m(Abnormal)=1.定義的單參數(shù)的基本異常概率符合實際物理含義.

1.2多參數(shù)關(guān)聯(lián)系數(shù)計算

在污染物注入系統(tǒng)之后并非所有的監(jiān)測指標都會有響應(yīng).不同的污染物可能會引起不同指標的變化,且各指標的變化之間存在較強的關(guān)聯(lián)性.在將多個指標的檢測結(jié)果進行融合前,需要引入各個指標之間變化的關(guān)聯(lián)程度.

度量多指標時間序列相關(guān)性的主要方法包括Minkowski距離、動態(tài)時間規(guī)整、奇異值分解和基于點分布特征的方法等[21].動態(tài)時間規(guī)整算法(dynamictimewarping,DTW) 最早用于語音信號處理方向,由Berndt等[22]引入到時間序列分析中,用于度量兩個任意長度的時間序列的相似度.DTW算法對時間序列的同步問題穩(wěn)健性較好,允許時間序列長度不同,且允許不同步的點進行對應(yīng)計算,因此對于在時間軸上存在伸縮、扭曲和異位的時間序列,采用該算法能夠較好地度量兩時間序列之間的相似性.

DTW算法的原理如圖1所示,圖中,γ為電導率.依據(jù)兩點間的歐式距離可以構(gòu)造距離矩陣d.

(2)

DTW算法的實質(zhì)是在所有的點點匹配中尋找一種使得平均距離最短的匹配模式,即

(3)

圖1　DTW算法原理圖Fig.1　Schematic diagram of DTW

考慮到各指標在時間軸上可能存在響應(yīng)不同步的情形,引入最大允許時間偏差ξ.ξ為兩序列對應(yīng)點進行匹配時最大可以允許的時間軸異位,定義t0時刻兩時間序列間在最大允許時間偏差為ξ時的動態(tài)距離為

(4)

得到當前時刻兩序列的動態(tài)距離之后,將該距離值映射到[0,1]內(nèi),得到動態(tài)關(guān)聯(lián)系數(shù)為

(5)

(6)

1.3概率合成

合成規(guī)則是用于計算同一識別框架下不同證據(jù)信息的基本概率融合方法,根據(jù)實際情況不同,存在很多不同的合成規(guī)則.在水質(zhì)異常檢測中,正常的水質(zhì)波動情況下各參數(shù)的聯(lián)動性較弱,污染事件通常會引發(fā)兩種或兩種以上水質(zhì)指標的聯(lián)動變化,因此本文的概率融合選擇將DTW算法得到的任意兩參數(shù)之間關(guān)聯(lián)系數(shù)與兩參數(shù)各自的單參數(shù)基本異常概率進行相乘,得到融合后的異常概率關(guān)聯(lián)矩陣.從矩陣各元素中選取最大值作為當前時刻的水質(zhì)異常概率,通過與所設(shè)定的異常概率報警閾值進行比較,給出當前時刻水質(zhì)是否存在異常的判斷結(jié)果.

(7)

綜上所示,提出的水質(zhì)異常檢測方法計算流程如圖2所示.

概率合成規(guī)則是取單指標異常概率與多指標關(guān)聯(lián)系數(shù)乘積的最大值,因此如果只是單一指標因信號傳輸故障、瞬時噪聲引入等原因?qū)е碌牟▌?不會對乘積結(jié)果產(chǎn)生大幅度影響；當兩個或兩個以上水質(zhì)指標監(jiān)測值同時出現(xiàn)大幅波動,且各參數(shù)的波動具有較強的相關(guān)性時,融合概率有可能超過閾值形成異常報警.這樣的融合結(jié)果不僅能夠利用多參數(shù)之間的相關(guān)性實現(xiàn)準確的異常挖掘,而且可以有效地避免因傳感器噪聲、信號干擾等造成的誤報,盡量在保證檢出率的前提下降低誤報率.

圖2　異常判斷流程圖Fig.2　Anomaly detection flow chart

2管網(wǎng)污染物注入實驗

2.1污染物注入實驗設(shè)計

整個實驗是在課題組的供水管網(wǎng)模擬實驗系統(tǒng)上進行的.管網(wǎng)構(gòu)造如圖3所示,包括自動加藥混合系統(tǒng)以及在線監(jiān)測系統(tǒng)兩個部分.加藥過程通過PLC控制加藥支路的蠕動泵來實現(xiàn),全部在線監(jiān)測儀器都安置在主管路沿線上.

圖3　污染注入模擬實驗管網(wǎng)示意圖Fig.3　Experimental pipeline system structure diagram

根據(jù)《生活飲用水衛(wèi)生標準》(GB5749-2006)的有關(guān)規(guī)定可知,城市飲用水的主要監(jiān)測指標可以分為感官性狀與一般理化指標、微生物指標、毒理指標、消毒劑指標以及放射性指標.雖然近幾年傳感器技術(shù)的迅猛提升使得針對特定污染物的專用指標分析技術(shù)得到了快速的發(fā)展,然而整個自然界污染物質(zhì)種類繁多,專用指標分析技術(shù)很難覆蓋全部種類.最常用的是諸如溫度、濁度、pH、電導率等感官性狀與一般理化指標.在該實驗系統(tǒng)中,進行在線測量的水質(zhì)指標包括pH、濁度(turb)、溶解氧(dissolvedoxygen,DO)、總有機碳(totalorganiccarbon,TOC)、化學需氧量(chemicaloxygendemand,COD)、氨氮(NH3-N)、硝氮(NO3-N)和余氯(Cl),具體檢測內(nèi)容及測量精度如表1所示.表中，TD為濁度.所有傳感器的采樣間隔統(tǒng)一設(shè)置為1min.實驗藥品選用硫酸銅溶液和鐵氰化鉀溶液.這兩種物質(zhì)是電鍍、制銅、顏料、制革等領(lǐng)域中常用的工業(yè)原料,也是《污水綜合排放指標》和飲用水衛(wèi)生標準中嚴控的指標,且這兩類污染物一旦注入供水管網(wǎng),將會引起多種常規(guī)水質(zhì)監(jiān)測指標的異常波動.

實驗分為正常情況下的水質(zhì)監(jiān)測和污染物注入后的水質(zhì)監(jiān)測兩個階段,全部實驗持續(xù)5h,包含301個采樣時間點.前100min為正常情況下的水質(zhì)監(jiān)測實驗,該過程開啟主管路,關(guān)閉加藥支路,通過在線監(jiān)測儀器對各個水質(zhì)參數(shù)進行在線測量.隨后開展6組污染物注入實驗,分別通過加藥桶注入3組不同濃度的硫酸銅溶液和3組不同質(zhì)量濃度的鐵氰化鉀溶液,具體加入的污染物溶液質(zhì)量濃度如表2所示,每組注入實驗持續(xù)時間為10min.表中，ρ1～ρ3分別為第1～3次注入質(zhì)量濃度.

表1　污染注入模擬實驗儀器儀表信息與對應(yīng)檢測項目

表2　污染注入模擬實驗加藥質(zhì)量濃度

圖4　正常的水質(zhì)監(jiān)測和污染物引起的異常Fig.4　Fluctuation in normal observation and contamination injection

圖4記錄的是正常情況下的水質(zhì)波動和污染物注入后引起異常的監(jiān)測結(jié)果.圖中,t為時間.其中前100個點為正常水質(zhì)的監(jiān)測結(jié)果,用于訓練窗口短時均方根和兩兩參數(shù)間動態(tài)距離的平均值.從第101點開始出現(xiàn)的灰色陰影部分表示污染物添加時刻.前3個灰色陰影分別對應(yīng)于三次硫酸銅溶液注入,后3個分別對應(yīng)鐵氰化鉀溶液的注入.

2.2單參數(shù)的基本異常概率計算

利用前100min系統(tǒng)正常運行情況下的水質(zhì)監(jiān)測數(shù)據(jù),分別計算出8個參數(shù)歷史情況下短時均方根的均值σ.從第101個時間點開始進行污染物注入實驗,通過比較各參數(shù)在當前窗口內(nèi)的短時均方根D與歷史均值σ的偏離程度來計算單參數(shù)的基本異常概率.分別選取硫酸銅注入實驗中t1=105時刻和鐵氰化鉀注入實驗中t2=205時刻的監(jiān)測值進行分析,得到各參數(shù)的基本異常概率Pab,如表3所示.

表3　單參數(shù)基本異常概率計算

由基本異常概率可以看出,在硫酸銅溶液注入實驗中,pH、COD、TOC反應(yīng)強烈,氨氮、硝氮、余氯反應(yīng)不明顯；在鐵氰化鉀溶液注入實驗中,TOC、氨氮、硝氮、余氯反應(yīng)強烈,pH、濁度沒有明顯變化.若基于單一參數(shù)的檢測結(jié)果進行異常判斷,則非常容易產(chǎn)生漏報.接下來考慮引入多參數(shù)間的關(guān)聯(lián)分析.

2.3多參數(shù)的動態(tài)關(guān)聯(lián)矩陣計算

圖5　正常情況下各參數(shù)的平均動態(tài)距離矩陣Fig.5　Average dynamic distance matrix under normal observation

圖6　t1=105時刻多指標動態(tài)關(guān)聯(lián)程度示意圖Fig.6　Multi-parameters dynamic correlation diagram at t1=105

圖7　t2=205時刻多指標動態(tài)關(guān)聯(lián)程度示意圖Fig.7　Multi-parameters dynamic correlation diagram at t2=205

2.4概率合成與異常判斷

利用提出的合成規(guī)則,將單指標的基本異常概率和多指標的關(guān)聯(lián)系數(shù)進行相乘,并從中選取最大值,可以得到t1=105和t2=205兩個時刻融合后的異常概率分別為

P(t1)=0.670 3,P(t2)=0.764 9.

(8)

得到融合的概率后,通過與設(shè)定的閾值進行比較,可以作出異常判斷.

3實驗結(jié)果分析

3.1檢測結(jié)果統(tǒng)計分析

對各參數(shù)所有時刻的監(jiān)測數(shù)據(jù)進行分析處理,將融合概率的異常判斷結(jié)果按真陽性(truepositive,TP)、假陽性(falsepositive,FP)、真陰性(truenegative,TN)及假陰性(falsenegative,FN)進行統(tǒng)計,具體定義參見表4.根據(jù)統(tǒng)計的判定結(jié)果,可以定義算法的判斷準確度(accuracy,ACC).

表4　異常檢測混淆矩陣

(9)

基于以上定義,記錄301個采樣點的判定結(jié)果,如表5所示.設(shè)置觸發(fā)異常報警的概率閾值為0.65,得到融合后的檢測結(jié)果,如圖5所示.從實驗的統(tǒng)計結(jié)果可以看出,6次污染事件都成功檢出,檢測準確度可達95.3%.

表5　水質(zhì)檢測統(tǒng)計結(jié)果

如表5所示,在整組實驗的301個時間點中,共產(chǎn)生3個誤報(FP)的時間點,其中有2個誤報點是發(fā)生在整組實驗開始的階段.對比圖4可以看出,由于系統(tǒng)剛剛啟動,濁度、溶解氧等指標相對不穩(wěn)定,造成誤判.針對產(chǎn)生的11個漏報(FN)的時間點進行深入分析.圖8中，AE、AR分別為實際情況和檢測結(jié)果.由圖8可以看出,這些漏報點都發(fā)生在事件開始的階段,即在事件發(fā)生與產(chǎn)生報警之間存在一定的遲延,平均每次事件的遲延為1.0～2.0個時間步長.

圖8　實際事件與檢測結(jié)果對比圖Fig.8　Comparison between actual events and detection results

3.2ROC曲線和異常檢測性能分析

ROC曲線[23](受試者工作特征曲線)是使用最廣泛的算法性能評價方法.ROC曲線是以誤報率(falsepositiverate,FPR)為橫坐標、檢出率(truepositiverate,TPR)為縱坐標繪制而成的,曲線與橫軸和直線x=1所圍成的圖形面積被稱為ROC曲線下面積.ROC曲線下面積越大,算法的性能越好.此外,從原點引出的對角線意味著隨機判定的結(jié)果,因此一個算法的ROC曲線應(yīng)在對角線左上方,才能說明該方法是有效的.

圖9　ROC曲線效果圖Fig.9　Roc curve comparison diagram

如圖9的虛線所示為采用動態(tài)時間規(guī)整算法得到的ROC曲線.為了凸顯動態(tài)時間規(guī)整在處理時間軸存在形變問題時的有效性,引入直接利用皮爾遜相關(guān)系數(shù)法(具體算法參見文獻[16])計算兩兩指標之間的波動相關(guān)性的方法進行對比,ROC曲線如點劃線所示.從圖9可以看出,雖然皮爾遜相關(guān)系數(shù)法相較于其他的多指標融合水質(zhì)異常檢測算法而言,將多個參數(shù)之間的相關(guān)性納入水質(zhì)評價當中,但由于受各參數(shù)在時間軸上表現(xiàn)不一致的影響,ROC曲線下面積明顯小于基于動態(tài)時間規(guī)整算法的ROC曲線下面積.特別是當誤報率較小時,動態(tài)時間規(guī)整算法的檢出率遠高于相關(guān)系數(shù)法.這說明基于動態(tài)時間規(guī)整的異常檢測算法不僅能夠較好地挖掘各參數(shù)之間的波動相關(guān)性,更避免了因參數(shù)反應(yīng)速度不一致所帶來的影響,具有較好的檢測效果.

4結(jié)語

針對目前城市供水水質(zhì)污染種類眾多、現(xiàn)有報警技術(shù)未充分利用多指標內(nèi)在關(guān)聯(lián)信息等問題,本文提出基于多水質(zhì)指標間動態(tài)關(guān)聯(lián)分析進行水質(zhì)異常檢測的方法.通過衡量單參數(shù)層面的異常概率以及多參數(shù)兩兩之間的動態(tài)相關(guān)性,得到融合后的水質(zhì)異常概率,從而判斷當前水質(zhì)是否存在異常.選取多組不同濃度的硫酸銅溶液和鐵氰化鉀溶液進行管網(wǎng)模擬實驗,利用實驗所得的數(shù)據(jù)對方法的有效性進行驗證.實驗結(jié)果表明,采用該方法可以有效地挖掘污染物注入前、后水質(zhì)指標間的內(nèi)在聯(lián)系,利用關(guān)聯(lián)信息對因污染物引起的水質(zhì)異常波動進行檢測和識別,在保證了檢出率的情況下盡可能降低誤報率,同時能夠較好地克服各參數(shù)在時間軸上表現(xiàn)不一致所帶來的干擾,實現(xiàn)更加及時、準確地水質(zhì)異常檢測.城市供水管網(wǎng)的空間跨度遠大于實驗室模擬系統(tǒng),因此在實際應(yīng)用中,算法的性能可能會受制于傳感器安裝位置以及響應(yīng)速度的影響.未來的研究可以著眼于如何利用供水網(wǎng)絡(luò)中多個檢測站點的信息來提升異常檢測的準確性.

參考文獻(References)：

[1]TAMMINENS,RAMOSH,COVASD.WatersupplysystemperformancefordifferentpipematerialspartI;waterqualityanalysis[J].WaterResourcesManagement, 2008, 22(11): 1579-1607.

[2]BYERMD,CARLSONK.Real-timedetectionofintentionalchemicalcontaminationinthedistributionsystem[J].JournalAmericanWaterWorksAssociation, 2005, 97(7): 1-34．

[3]FARUKD.AhybridneuralnetworkandARIMAmodelforwaterqualitytimeseriesprediction[J].EngineeringApplicationsofArtificialIntelligence, 2010, 23(4): 586-594．

[4]BABINSM,BURKOMHS,MNATSAKANYANZR,etal.Drinkingwatersecurityandpublichealthdiseaseoutbreaksurveillance[J].JohnsHopkinsAplTechnicalDigest, 2008, 27(4): 403-411．

[5]OLIKERN,OSTAFELDA.Acoupledclassification-evolutionaryoptimizationmodelforcontaminationeventdetectioninwaterdistributionsystems[J].WaterResearch, 2014, 51(6): 234-245．

[6]PERELMANL,ARADJ,HOUSHM,etal.Eventdetectioninwaterdistributionsystemsfrommultivariatewaterqualitytimeseries[J].EnvironmentalScienceandTechnology, 2012, 46(15): 8212-8219．

[7]MODARESIF,ARAGHINEJADS.Acomparativeassessmentofsupportvectormachines,probabilisticneuralnetworks,andk-nearestneighboralgorithmsforwaterqualityclassification[J].WaterResourcesManagement, 2014, 28(12): 4095-4111．

[8]ZOUH,ZOUZ,WANGX.AnenhancedK-meansalgorithmforwaterqualityanalysisoftheHaiheriverinChina[J].InternationalJournalofEnvironmentalResearchandPublicHealth, 2015, 12(11): 14400-14413．

[9]MCKENNASA,VUGRINED,HARTDB,etal.Multivariatetrajectoryclusteringforfalsepositivereductioninonlineeventdetection[J].JournalofWaterResourcesPlanningandManagement, 2013, 139(1): 3-12．

[10]OLIKERN,OSTFELDA.Minimumvolumeellipsoidclassificationmodelforcontaminationeventdetectioninwaterdistributionsystems[J].BulletinoftheAtomicScientists, 2014, 57(6): 1-12．

[11]MCKENNASA,KLISEKA.Multivariateapplicationsfordetectinganomalouswaterquality[C] ∥ 2006WaterDistributionSystemsAnalysisSymposium.Cincinnati: [s.n.], 2006: 1-11．

[12]YANGYJ,HAUGHTRC,GOODRICHJA.Real-timecontaminantdetectionandclassificationinadrinkingwaterpipeusingconventionalwaterqualitysensors:techniquesandexperimentalresults[J].JournalofEnvironmentalManagement, 2009, 90(8): 2494-2506．

[13]OLIKERN,OSTFELDA.Waterqualityeventdetectioninwaternetworksthroughmultiplesensorsdata[C] ∥ProceedingsofWorldEnvironmentalandWaterResourcesCongress.Austin:IEEE, 2015: 902-906．

[14]BENSALEHMS,QASIMSM,OBEIDAM,etal.Areviewonwirelesssensornetworkforwaterpipelinemonitoringapplications[C] ∥ 2013CollaborationTechnologiesandSystems(CTS)ofIEEE.SanDiego:IEEE, 2013: 128-131．

[15]JONATHANA,MASHORH,LINAP,etal.Adynamicthresholdsschemeforcontaminanteventdetectioninwaterdistributionsystems[J].WaterResearch, 2013, 47(5): 1899-1908．

[16]SHUMINGL,HANC,KATES,etal.Contaminationeventdetectionusingmultipletypesofconventionalwaterqualitysensorsinsourcewater[J].EnvironmentalMonitoringandAssessment, 2014, 16(8): 2028-2038．

[17]MUNIZCD,NIETOPJ,FERNANDEZJR,etal.DetectionofoutliersinwaterqualitymonitoringsamplesusingfunctionaldataanalysisinSanEstebanestuary(NorthernSpain) [J].ScienceoftheTotalEnvironment, 2012, 439(1): 54-61．

[18]GIAOBC,ANHDT.Similaritysearchinmultiplehighspeedtimeseriesstreamsunderdynamictimewarping[C] ∥ 2015NationalFoundationforScienceandTechnologyDevelopmentConferenceonInformationandComputerScience.HoChiMinhCity:IEEE, 2015: 82-87．

[19]ZHUQY,ZHANGGX,FENGTH,etal.Studyonwaterqualityanalysisandearly-warningtechnologybasedonroughsetandevidencetheory[J].JournalofZhejiangUniversity, 2012, 38(6): 747-754.

[20] 楊將新,鄭華文,曹衍龍,等. 基于自適應(yīng)AR模型的核電站松動件報警方法[J]. 原子能科學技術(shù), 2010, 44(6): 701-705．

YANGJiang-xin,ZHENGHua-wen,CAOYan-long,etal.Alarmingmethodofloosepartsinnuclearpowerplantbasedonadaptiveauto-regressivemodel[J].AtomicEnergyScienceandTechnology, 2010, 44(6): 701-705．

[21] 李正欣,張鳳鳴,李克武. 基于DTW的多元時間序列模式匹配方法[J]. 模式識別與人工智能, 2011, 03(4): 425-430．

LIZheng-xin,ZHANGFeng-ming,LIKe-wu.DTWbasedpatternmatchingmethodformultivariatetimeseries[J].PatternRecognitionandArtificialIntelligence, 2011, 03(4): 425-430．

[22]BERNDTDJ,CLIFFORDJ.Findingpatternsintimeseries:adynamicprogrammingapproach[J].AdvancesinKnowledgeDiscoveryandDataMining, 1996, 1(1): 229-248．

[23]FAWCETTT.AnintroductiontoROCanalysis[J].PatternRecognitionLetters, 2006, 27(8): 861-874.

收稿日期：2015-11-15.浙江大學學報(工學版)網(wǎng)址： www.journals.zju.edu.cn/eng

基金項目：國家自然科學基金資助項目(61573313；U1509208)；浙江省科技廳公益資助項目(2014C33025)；浙江省重點研發(fā)計劃資助項目(2015C03G2010034).

作者簡介：魏媛(1990-)，女，碩士生，從事多源信息融合水質(zhì)異常檢測技術(shù)研究. ORCID: 0000-0002-5312-8791. E-mail: vera_wy@zju.edu.cn 通信聯(lián)系人：黃平捷，男，副教授. ORCID: 0000-0002-5487-6097. E-mail: huangpingjie@zju.edu.cn

DOI:10.3785/j.issn.1008-973X.2016.07.025

中圖分類號：X 832

文獻標志碼：A

文章編號：1008-973X(2016)07-1402-08

Contaminationeventdetectionmethodbasedondynamiccorrelationanalysisofmultiplewaterqualityparameters

WEIYuan,FENGTian-heng,HUANGPing-jie,HOUDi-bo,ZHANGGuang-xin

(State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China)

Abstract:A multivariate correlation analysis method was proposed by exploring the internal correlation within conventional water quality parameters before and after the occurrence of contamination event in order to improve the performance of the existing water quality anomaly detection methods. The dynamic distance between each two monitored parameters was calculated to define the fluctuation correlation of the two time series by using the dynamic time warping (DTW) method. The correlation coefficient was fused with univariate basic abnormal probability based on D-S evidence theory in order to obtain the fused probability. The synthesis alarm decision was made by comparing the fused probability with the threshold. The proposed method was tested with experimental monitoring data collected from the laboratory pipeline system. Different concentrations of copper sulfate and potassium ferricyanide were separately injected into the pipeline system. Eight conventional monitoring parameters were measured by sensors installed along the pipeline. The collected monitoring data was applied to correlation analysis and probability fusion based on the proposed method. The ROC analysis was introduced to verify the performance and validity of the techniques．

Key words:conventional water parameter; data fusion; water quality event detection; time series analysis; dynamic time warping; correlation analysis