Большинство операций по очистке воды работают в реактивном режиме. Параметр изменяется, измерение это показывает, и доза корректируется задним числом. Химические дозы следуют за условиями, которые уже изменились, а временной лаг между измерением, решением и реакцией является причиной того, что контроль никогда не бывает таким точным, как предполагает заданная точка. Прогнозирование меняет последовательность: предсказать состояние, затем сделать корректировку до его наступления.
Table of Contents
Переход от реактивных к предсказательным операциям
Реактивный контроль реагирует на измеренные отклонения, и возникающая нестабильность имеет конкретную причину — петлю задержки. Транспортировка образцов, реакция анализатора, мертвая зона контроллера, смешивание химикатов и время реакции складываются, и коррекция приходит к процессу, который уже изменился. Проблема наиболее выражена для параметров с медленной реакцией или для этапов обработки, где дозировка и эффект разделены временем задержки.
Предсказательная операция работает на входах, а не на результатах. Если мутность, температура и органическое содержание сырой воды прогнозируются на следующие несколько часов, доза коагулянта и план работы фильтра могут быть установлены для воды, которая поступает, а не для воды, которая уже пришла. Коммунальные службы, которые сделали этот переход, описывают преимущества теми же словами: меньше погонь за заданной точкой, более стабильное качество обработанной воды и меньшее напряжение на оборудование, которое больше не должно исправлять процесс, работающий с отставанием.
Подходы к прогнозированию с использованием машинного обучения
Системы прогнозирования обучаются на исторических операционных данных, чтобы предсказать будущие значения на основе текущих условий и известных влияний. Входные данные, которые имеют значение, — это те, которые имеют реальный причинный вес: тенденции качества источника воды, погода и осадки, сезонные паттерны и динамика самого процесса обработки.
Архитектуры нейронных сетей хорошо подходят для этой задачи, потому что отношения качества воды нелинейны и зависят от времени — событие осадков изменяет мутность, цвет и органическую нагрузку одновременно, и эффект на потребность в коагулянте не является суммой трех. Более простые статистические модели все еще имеют место, когда связь близка к линейной или когда история данных коротка.
Два практических предупреждения. Умение прогнозирования зависит от параметра и горизонта: мутность на несколько часов вперед — это гораздо более простая задача, чем остаточный хлор на день вперед в длинной распределительной системе, и сообщенные данные о точности из литературы не могут быть перенесены между объектами. А производительность модели изменяется по мере изменения источника воды или завода, поэтому системе прогнозирования необходим цикл повторного обучения и пересмотра, а не одноразовая настройка.
Прогнозирование качества источника воды
Прогнозирование сырой воды обычно является наиболее ценным приложением, потому что качество источника воды определяет все, что происходит ниже по течению. Мутность, органическое содержание, активность водорослей и температура определяют, сколько обработки требуется воде; их прогнозирование позволяет заранее установить коагуляцию, фильтрацию и дезинфекцию.
Самый ясный пример — дозировка коагулянта. Когда доза следует за прогнозируемым качеством сырой воды, а не за показанием предыдущей смены, завод избегает как переизбытка — что ведет к потере химикатов и образованию лишнего осадка — так и недодозировки, что приводит к перегрузке фильтров. Прогнозирование цветения водорослей поддерживает превентивную активацию улучшенной обработки до того, как проблемы с вкусом и запахом достигнут клиента, что в противном случае является процессом, основанным на жалобах, без хорошего результата для кого-либо.
Оптимизация процессов в реальном времени
Помимо источника воды, прогнозирование поддерживает оптимизацию этапов обработки в реальном времени. Модели для потребности в хлоре, времени работы фильтра и скорости загрязнения мембран позволяют вносить корректировки, которые поддерживают производительность при минимизации использования химикатов и энергии.
Эти возможности особенно важны для процессов с сильными взаимодействиями: обратный осмос, продвинутая окислительная обработка и биологическая обработка. Автоматизированные системы, которые считывают непрерывные данные с датчиков и корректируют заданные точки, будут поддерживать процесс стабильным при изменениях входных данных, которые бы исчерпали человеческого оператора, вносящего ручные изменения — в значительной степени потому, что автоматическая система не имеет задержки реакции и конкурирующих приоритетов.
Архитектура реализации
Прогнозирование требует инфраструктуры так же, как и алгоритмов. Три уровня:
Датчики. Адекватное разнообразие измерений — это то, что делает прогнозирование возможным. Модель не может прогнозировать то, что не измеряется выше по течению эффекта.
Вычисление. Облачные платформы предлагают масштаб для обучения моделей и кросс-сайтового обучения, но за счет зависимости от подключения и задержки. Граничные системы предлагают детерминированные времена реакции и продолжают работать, когда сеть не работает, но с ограниченными вычислительными мощностями. Большинство крупных реализаций в конечном итоге становятся гибридными: управление в реальном времени на краю, обучение и повторное обучение моделей в облаке.
Интеграция. Прогнозы имеют смысл генерировать только если они достигают системы управления или оператора вовремя для действий. Это означает определенные интерфейсы для SCADA, определенное поведение на случай, если прогноз недоступен, и оператора, который понимает, что такое прогноз и что не является.
Экономические и качественные преимущества
Финансовый аргумент основывается на нескольких измеримых эффектах: потребление химикатов, которое соответствует фактическому спросу, меньшее количество экстренных реагирований и меньший износ оборудования от постоянной коррекции. Качественные эффекты — более последовательная обработанная вода, меньше жалоб от клиентов, меньший риск несоответствия — труднее количественно оценить, но обычно это более сильный аргумент внутри компании.
Окупаемость сильно зависит от размера завода, стоимости химикатов и того, сколько из текущей операционной маржи тратится на компенсацию вариабельности процесса. Стоит рассчитать на основе данных самого завода, а не принимать общее число: экономия приходит от снижения вариации, а завод, который уже хорошо контролируется, имеет меньшую вариацию для устранения.
Куда это движется
Прогнозирование лучше всего понимать как следующий шаг после непрерывного мониторинга, а не как его замену. Завод без надежного непрерывного измерения не имеет ничего, на чем можно обучить модель; завод с непрерывным измерением, но без прогноза все еще реагирует, просто быстрее.
Реалистичный путь — это поэтапный подход — правильно установить датчики и историк данных, убедиться, что данные надежны, затем добавить прогнозирование там, где существует четкий драйвер и где операционная реакция на прогноз определена. Управление предсказательной обработкой — это не продукт, который можно установить; это способность, которая накапливается на основе хорошей базы измерений.
