崔梓華，陳媛媛，原志鋒

（廣東申菱環(huán)境系統(tǒng)股份有限公司）

1 研究背景

工業(yè)企業(yè)建設(shè)需要著力解決企業(yè)能耗、污染、物料、噪聲等環(huán)境問題，真正實(shí)現(xiàn)生活、工業(yè)生產(chǎn)、交通、環(huán)境的融合。

近年來，隨著信息技術(shù)的飛速發(fā)展，帶動(dòng)了大數(shù)據(jù)處理與分析、智能預(yù)測(cè)與診斷、智能優(yōu)化與決策等新興領(lǐng)域的蓬勃發(fā)展。在這一背景下，需要探索建立環(huán)境人工智能（Artificial Intelligence，以下簡(jiǎn)稱AI，即環(huán)境AI）技術(shù)體系，通過環(huán)境大數(shù)據(jù)采集與處理、基于環(huán)境大數(shù)據(jù)的系統(tǒng)診斷與預(yù)測(cè)、基于事件和預(yù)測(cè)的動(dòng)態(tài)調(diào)度與優(yōu)化控制、基于計(jì)算機(jī)視覺的行為和事件智能識(shí)別等關(guān)鍵技術(shù)，研發(fā)工業(yè)企業(yè)智慧環(huán)控系統(tǒng)，對(duì)客戶產(chǎn)品的使用環(huán)境、生產(chǎn)生活所要求的不同室內(nèi)環(huán)境以及固廢氣污染物排放的達(dá)標(biāo)環(huán)境進(jìn)行24 小時(shí)實(shí)時(shí)檢測(cè)和智能化調(diào)節(jié)控制，實(shí)現(xiàn)能源的動(dòng)態(tài)管理、生態(tài)環(huán)境的平衡以及安全運(yùn)維的保障。

本項(xiàng)目成果具有廣闊的應(yīng)用空間，可面向多元化用戶（例如，各類型工業(yè)企業(yè)、園區(qū)管理者、運(yùn)營商、政府部門等）定制推廣，實(shí)現(xiàn)其運(yùn)營全生命周期的能耗、污染、噪聲等環(huán)境系統(tǒng)管控。本項(xiàng)目的研究和應(yīng)用有利于探索和建立自主創(chuàng)新的環(huán)境AI 技術(shù)體系，為工業(yè)企業(yè)乃至全國各行業(yè)提供可持續(xù)發(fā)展的有效技術(shù)方案，為我國工業(yè)企業(yè)轉(zhuǎn)型升級(jí)提供堅(jiān)實(shí)的技術(shù)力量。

2 人工智能技術(shù)應(yīng)用及內(nèi)容

環(huán)控系統(tǒng)如何有效運(yùn)行成為研究和應(yīng)用領(lǐng)域的熱點(diǎn)和目標(biāo)，圍繞環(huán)境AI 技術(shù)體系，本項(xiàng)目的研究開發(fā)內(nèi)容主要有以下幾方面內(nèi)容。

2.1 環(huán)境大數(shù)據(jù)采集與處理

本研究將研發(fā)大規(guī)模的數(shù)據(jù)采集中間件，解決大規(guī)模數(shù)據(jù)并發(fā)采集的可靠性、及時(shí)性及數(shù)據(jù)標(biāo)準(zhǔn)化的問題[1]。

大數(shù)據(jù)采集中間件的結(jié)構(gòu)見圖1。

圖1 大數(shù)據(jù)采集中間件結(jié)構(gòu)示意圖

擬使用OPC UA 標(biāo)準(zhǔn)實(shí)現(xiàn)系統(tǒng)內(nèi)外各服務(wù)及組件的信息交互，構(gòu)建可擴(kuò)展的數(shù)據(jù)采集中間件，通過這套按OPC UA標(biāo)準(zhǔn)構(gòu)建的數(shù)據(jù)采集中間件，實(shí)現(xiàn)了工業(yè)企業(yè)內(nèi)部的傳感器及執(zhí)行器、自動(dòng)化系統(tǒng)、MES、ERP等各種不同類型及層級(jí)的數(shù)據(jù)源的數(shù)據(jù)融合及數(shù)據(jù)交互。另外，為解決對(duì)大量數(shù)據(jù)并發(fā)請(qǐng)求的實(shí)時(shí)性和穩(wěn)定性問題，擬研究采用Redis 搭建數(shù)據(jù)緩存。通過各種通信接口協(xié)議實(shí)現(xiàn)數(shù)據(jù)接收后，將各系統(tǒng)大量的數(shù)據(jù)放入redis 供上層系統(tǒng)使用。

2.2 系統(tǒng)診斷和健康預(yù)測(cè)

系統(tǒng)診斷和健康預(yù)測(cè)是通過綜合利用產(chǎn)品設(shè)備的各類數(shù)據(jù)信息，如當(dāng)前的運(yùn)行數(shù)據(jù)、狀況數(shù)據(jù)、當(dāng)前的環(huán)境和工作條件數(shù)據(jù)、出廠的試驗(yàn)數(shù)據(jù)和歷史數(shù)據(jù)等，并借助如工藝數(shù)學(xué)模型、大數(shù)據(jù)分析和人工智能判別等技術(shù)，預(yù)測(cè)關(guān)鍵部件或設(shè)備系統(tǒng)的未來健康狀態(tài)趨勢(shì)，以及預(yù)估的剩余使用壽命[2‐3]。文章結(jié)合相關(guān)理論基礎(chǔ)，擬通過對(duì)以下AI模型的研究，開發(fā)系統(tǒng)診斷和健康預(yù)測(cè)AI 引擎，實(shí)現(xiàn)對(duì)設(shè)備健康狀態(tài)的認(rèn)知和預(yù)測(cè)：

1）基于故障狀態(tài)信息的故障診斷與預(yù)測(cè)模型

即通過直接輸入故障事件，并基于此事件與相關(guān)參數(shù)的關(guān)系類比，通過大數(shù)據(jù)分析技術(shù)，預(yù)測(cè)未來出現(xiàn)同類故障時(shí)，其他狀態(tài)參數(shù)的趨勢(shì)或閾值，進(jìn)而對(duì)即將出現(xiàn)的故障進(jìn)行預(yù)判，對(duì)整體健康狀態(tài)進(jìn)行識(shí)別與評(píng)估；

2）基于異常數(shù)據(jù)的故障診斷與預(yù)測(cè)模型

收集及記錄設(shè)備在非正常工作狀態(tài)下的特征數(shù)據(jù)，如壓力、溫度、振動(dòng)、電流、功率等的裂變過程數(shù)據(jù)及故障閾值數(shù)據(jù)，結(jié)合設(shè)備的工藝特性對(duì)這些數(shù)據(jù)進(jìn)行分析實(shí)現(xiàn)基于趨勢(shì)分析的故障和健康預(yù)測(cè)；

3）基于使用環(huán)境信息的故障預(yù)測(cè)模型

基于設(shè)備設(shè)計(jì)參數(shù)中的環(huán)境要求，通過對(duì)設(shè)備運(yùn)行環(huán)境參數(shù)進(jìn)行數(shù)據(jù)分析，對(duì)設(shè)備關(guān)鍵部件和系統(tǒng)整體進(jìn)行故障和健康預(yù)測(cè)。

擬采用的預(yù)測(cè)和識(shí)別算法包括：

1）概率趨勢(shì)分析算法

此算法通過異?，F(xiàn)象對(duì)應(yīng)的關(guān)鍵參數(shù)集，依據(jù)歷史數(shù)據(jù)建立各參數(shù)變化與故障損傷的概率模型(退化概率軌跡)，與當(dāng)前多參數(shù)概率狀態(tài)空間進(jìn)行比較，對(duì)當(dāng)前健康狀態(tài)判斷與趨勢(shì)進(jìn)行分析。通過當(dāng)前參數(shù)概率空間與已知損傷狀態(tài)概率空間的干涉來進(jìn)行定量的損傷判定，基于既往歷史信息來進(jìn)行趨勢(shì)分析與故障預(yù)測(cè)（見圖2）[4]；

圖2 概率趨勢(shì)分析模型

2）基于工藝模型的趨勢(shì)分析算法

此算法利用建立被觀測(cè)對(duì)象動(dòng)態(tài)響應(yīng)模型（包括退化過程中的動(dòng)態(tài)響應(yīng)），針對(duì)當(dāng)前系統(tǒng)的響應(yīng)輸出，進(jìn)行參數(shù)辨識(shí)，對(duì)照正常狀態(tài)下的參數(shù)統(tǒng)計(jì)特性，對(duì)故障模式進(jìn)行確認(rèn)、故障診斷和故障預(yù)測(cè)（見圖3）[5]。

圖3 基于工藝模型的趨勢(shì)分析圖

3）神經(jīng)網(wǎng)絡(luò)分析算法

此算法把以往已監(jiān)測(cè)到的故障現(xiàn)象及相關(guān)的故障特征數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，把可能的故障原因作為輸出節(jié)點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)能力，通過已記錄的故障特征數(shù)據(jù)及相應(yīng)故障原因?qū)ι窠?jīng)網(wǎng)絡(luò)模型進(jìn)行“訓(xùn)練/學(xué)習(xí)”，然后利用“訓(xùn)練/學(xué)習(xí)”后的模型對(duì)當(dāng)前設(shè)備進(jìn)行故障診斷。由于神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力及自適應(yīng)特征，因此比較適合難以建立相對(duì)準(zhǔn)確數(shù)學(xué)模型的設(shè)備故障診斷。

2.3 能源負(fù)荷預(yù)測(cè)與優(yōu)化控制

能源負(fù)荷預(yù)測(cè)與優(yōu)化控制是通過綜合利用室外氣象數(shù)據(jù)，人員行為識(shí)別數(shù)據(jù)，產(chǎn)品設(shè)備運(yùn)行數(shù)據(jù)和歷史數(shù)據(jù)等，并借助工藝數(shù)學(xué)模型、大數(shù)據(jù)分析和人工智能判別等技術(shù)，對(duì)室內(nèi)環(huán)境調(diào)節(jié)負(fù)荷進(jìn)行預(yù)測(cè)，進(jìn)而對(duì)系統(tǒng)節(jié)能運(yùn)行進(jìn)行優(yōu)化控制。

在項(xiàng)目中，結(jié)合相關(guān)理論基礎(chǔ)，擬通過負(fù)荷預(yù)測(cè)、系統(tǒng)優(yōu)化控制以及能源與室內(nèi)環(huán)境節(jié)能優(yōu)化三大AI 模型進(jìn)行研究，開發(fā)能源負(fù)荷預(yù)測(cè)與優(yōu)化控制AI 引擎，實(shí)現(xiàn)環(huán)控系統(tǒng)用能的智慧化管理。

1）負(fù)荷預(yù)測(cè)

影響日逐時(shí)冷負(fù)荷的因素很多，包括室外氣象參數(shù)、室內(nèi)人員數(shù)量、人員行為（通過行為和事件智能識(shí)別AI 引擎的識(shí)別結(jié)果輸入）、建筑結(jié)構(gòu)、室內(nèi)設(shè)備以及系統(tǒng)工作方式等，其中氣象參數(shù)中就有干球溫度、相對(duì)濕度、風(fēng)力大小、太陽輻射量等。逐時(shí)負(fù)荷的大小與上述各種影響因素之間是一種多變量、多耦合、非線性的映射關(guān)系[6]。

優(yōu)先考慮采用整體收斂性和準(zhǔn)確性更高的小波神經(jīng)網(wǎng)絡(luò)建立冷負(fù)荷預(yù)測(cè)模型，負(fù)荷預(yù)測(cè)控制主要包括預(yù)測(cè)模型、滾動(dòng)優(yōu)化以及反饋校正。預(yù)測(cè)模型結(jié)合三基地建筑主體信息，佛山市氣象參數(shù)，功能分區(qū)等信息篩選確定7 大主要模型輸入?yún)?shù)，則設(shè)計(jì)預(yù)測(cè)模型結(jié)構(gòu)見圖4。

圖4 負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由于系統(tǒng)首次運(yùn)行缺少數(shù)據(jù)，對(duì)于前面兩個(gè)月的負(fù)荷預(yù)測(cè)，擬采用移動(dòng)平均法，在樣本數(shù)據(jù)積累一年之后，則由AI系統(tǒng)記錄到的數(shù)據(jù)作為輸入層逐時(shí)參數(shù)，對(duì)系統(tǒng)實(shí)時(shí)冷負(fù)荷進(jìn)行預(yù)測(cè)輸出。

2）系統(tǒng)優(yōu)化控制

搭建空調(diào)系統(tǒng)的仿真模擬平臺(tái)，對(duì)系統(tǒng)正常運(yùn)行的所有工況和所有故障進(jìn)行動(dòng)態(tài)模擬，同步采集相應(yīng)動(dòng)態(tài)數(shù)據(jù)，篩選分析出有效樣本數(shù)據(jù)并考慮特殊事件影響因子，進(jìn)而實(shí)現(xiàn)對(duì)系統(tǒng)模型的準(zhǔn)確辨識(shí)。

同時(shí)，基于預(yù)測(cè)的建筑空調(diào)負(fù)荷數(shù)據(jù)，通過迷糊神經(jīng)網(wǎng)絡(luò)控制器模型對(duì)下一時(shí)刻的控制參數(shù)（流量和溫度）進(jìn)行預(yù)測(cè)，最終根據(jù)下一時(shí)刻控制參數(shù)（出口流量和出口溫度）與其影響因素之間的關(guān)系，用于預(yù)測(cè)系統(tǒng)運(yùn)行的控制策略。

仿真平臺(tái)的數(shù)據(jù)采集模型運(yùn)行仿真步長設(shè)置為5s，數(shù)據(jù)采集時(shí)間間隔取1min，動(dòng)態(tài)采集夏季，過渡季及冬季相系統(tǒng)運(yùn)行數(shù)據(jù)。

3）能源與空調(diào)節(jié)能優(yōu)化

目前，園區(qū)用能系統(tǒng)主要包括天然氣、太陽能、余熱利用、暖通用能等四大板塊系統(tǒng)，未來還可以進(jìn)行用能系統(tǒng)的擴(kuò)展。

搭建覆蓋各用能板塊設(shè)備的動(dòng)態(tài)聯(lián)合仿真平臺(tái)，用該仿真平臺(tái)對(duì)用能板塊設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行采集，并基于已建立的園區(qū)能源系統(tǒng)節(jié)能評(píng)價(jià)系統(tǒng)對(duì)設(shè)計(jì)及運(yùn)行參數(shù)進(jìn)行對(duì)比分析，通過對(duì)比平臺(tái)內(nèi)部嵌入的能效和最優(yōu)運(yùn)行參數(shù)數(shù)據(jù)庫，對(duì)各大系統(tǒng)及相應(yīng)設(shè)備進(jìn)行優(yōu)化分析和能效評(píng)價(jià)，并通過自動(dòng)尋優(yōu)反饋到用能設(shè)備，以達(dá)到最佳節(jié)能效果下的各項(xiàng)數(shù)據(jù)，作為園區(qū)能源系統(tǒng)運(yùn)行控制的技術(shù)和數(shù)據(jù)沉淀（見圖5）。

圖5 能源系統(tǒng)節(jié)能評(píng)價(jià)結(jié)構(gòu)圖

2.4 固廢氣處理預(yù)測(cè)與達(dá)標(biāo)控制

固廢氣處理預(yù)測(cè)與達(dá)標(biāo)控制是通過綜合利用固廢氣達(dá)標(biāo)排放數(shù)據(jù)，產(chǎn)品設(shè)備運(yùn)行數(shù)據(jù)和歷史數(shù)據(jù)等，并借助工藝數(shù)學(xué)模型、大數(shù)據(jù)分析和人工智能判別等技術(shù)，對(duì)固廢氣進(jìn)行處理預(yù)測(cè)，達(dá)標(biāo)處理優(yōu)化以及自動(dòng)監(jiān)測(cè)。

在項(xiàng)目中，結(jié)合相關(guān)理論基礎(chǔ)，擬通過固廢氣處理預(yù)測(cè)模型、達(dá)標(biāo)控制模型以及自動(dòng)監(jiān)測(cè)系統(tǒng)進(jìn)行研究，開發(fā)固廢氣處理預(yù)測(cè)與達(dá)標(biāo)控制AI 引擎，在保障固廢氣達(dá)標(biāo)排放的基礎(chǔ)上，通過優(yōu)化控制以及利用谷電等措施進(jìn)一步降低固廢氣處理能耗，從而在規(guī)避用能高峰的同時(shí)實(shí)現(xiàn)與整個(gè)工業(yè)廠區(qū)的能源轉(zhuǎn)化的整體協(xié)調(diào)。

1）處理控制

固廢氣處理過程是一個(gè)強(qiáng)非線性系統(tǒng)，設(shè)計(jì)采用自組織模糊神經(jīng)網(wǎng)絡(luò)建立固廢氣處理過程的非線性預(yù)測(cè)模型，基于預(yù)測(cè)模型實(shí)現(xiàn)固廢氣達(dá)標(biāo)參數(shù)的精確控制，除了保障固廢氣處理過程的穩(wěn)定可靠外，需要盡可能降低固廢氣系統(tǒng)運(yùn)行能耗，設(shè)計(jì)一種針對(duì)固廢氣處理過程多種非線性耦合達(dá)標(biāo)控制的模型預(yù)測(cè)控制方法，該模型可以根據(jù)嵌入的各種處理過程運(yùn)行參數(shù)數(shù)據(jù)庫，實(shí)時(shí)矯正調(diào)優(yōu)控制變量，以保證固廢氣處理達(dá)標(biāo)和用能最優(yōu)。

該系統(tǒng)需要建立可靠的模型，設(shè)計(jì)采用自組織模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型（見圖6）。

圖6 自組織模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)圖

2）達(dá)標(biāo)控制

采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建固廢氣處理過程預(yù)測(cè)模型，包括輸入層參數(shù)和輸出層控制變量，模型預(yù)測(cè)數(shù)據(jù)將同步至控制器進(jìn)行動(dòng)態(tài)達(dá)標(biāo)調(diào)節(jié)。

以污水處理達(dá)標(biāo)控制為例，其污水處理預(yù)測(cè)和控制系統(tǒng)的結(jié)構(gòu)圖如圖7所示。

圖7 污水處理預(yù)測(cè)和控制系統(tǒng)結(jié)構(gòu)圖

模型的輸入?yún)?shù)取園區(qū)近一至兩周的真實(shí)水質(zhì)采樣，包括考慮天氣，降水等環(huán)境影響因子，采樣時(shí)間間隔取10min，控制變量主要有氨氮（以N計(jì)）（mg/L），總磷（以P 計(jì)）（mg/L），需 氧 量（COD 和BOD5）和懸浮物（SS），控制對(duì)象為溶解氧和硝態(tài)氮（見圖7）。

3）自動(dòng)監(jiān)測(cè)

在對(duì)固廢氣處理預(yù)測(cè)和達(dá)標(biāo)控制的基礎(chǔ)上，設(shè)計(jì)固廢氣系統(tǒng)的監(jiān)測(cè)系統(tǒng)，以廢氣自動(dòng)監(jiān)測(cè)系統(tǒng)為例（見圖8）。

圖8 廢氣自動(dòng)監(jiān)測(cè)系統(tǒng)圖

3 結(jié)語

人工智能技術(shù)方面有技術(shù)創(chuàng)新和突破在工業(yè)企業(yè)環(huán)控系統(tǒng)中應(yīng)用中有技術(shù)創(chuàng)新和突破，一方面提高工業(yè)企業(yè)環(huán)控水平，降低能耗和運(yùn)行成本，將有效解決傳統(tǒng)工業(yè)企業(yè)環(huán)控系統(tǒng)存在的行業(yè)痛點(diǎn)；同時(shí)，項(xiàng)目的智慧環(huán)控系統(tǒng)助力工業(yè)企業(yè)實(shí)現(xiàn)固廢氣的達(dá)標(biāo)排放，降低對(duì)環(huán)境的影響，推動(dòng)生產(chǎn)與生活的融合；降低能耗，降低能耗峰值，實(shí)現(xiàn)節(jié)能減排和用能均衡性。因此，環(huán)境AI 技術(shù)及智慧環(huán)控平臺(tái)的發(fā)展能帶動(dòng)上下游發(fā)展和產(chǎn)業(yè)升級(jí)。