技术背景
___
水处理设施通常设计用于在要求苛刻、环境恶劣的条件下长期运行，其使用寿命通常超过50年。传统上，水处理厂和污水处理厂主要采用两种过程控制与维护策略：
- 经验指导性过程控制与维护：高度依赖操作人员的经验以及通过实验室/试点研究积累的历史实践或知识。
- 前瞻性过程控制与维护：仅在系统故障导致显著过程偏差时才调整控制参数或进行维护。
与其他设施相同，水处理厂和污水处理厂不可避免地会出现性能衰减。此外，这些设施始终在动态条件下运行，例如原水特性（如温度和有机负荷）的季节性和日常波动、处理能力和出水水质需求的变化，以及其他多种因素。因此，传统的过程控制与维护策略可能导致运行效率低下和额外的运营成本，原因包括难以实时适应不断变化的运行条件、实验条件与实际运行条件之间可能存在不匹配，以及计划外停机和维修的风险。
因此，实施前瞻性过程控制与维护策略以应对变化的条件或预测的故障，对于实现资源高效、甚至长期实现碳中和的水处理设施运行至关重要。具体而言，前瞻性过程控制要求在不断变化的条件下持续监测和调整过程参数，以维持最佳性能；前瞻性维护还涉及基于设备状态的预测，以提前预判设备退化并安排维护活动。
技术优势
___
新宜团队已经开发并在其多个项目中应用基于机器学习的数字孪生系统（ML-enabled DTs）。从以当前为中心的SCADA系统出发，实现了实时监测，并通过短期预测的网络物理系统（CPS）实现自适应控制和有限的前瞻性过程控制与维护（PC&M），能够提供实时系统评估、预测分析以及前瞻性的过程控制与维护。
应用实例
___
机器学习驱动的数字孪生助理膜生物反应器（MBR）水厂智能运维
依靠新宜中心开发的机器学习驱动的数字孪生技术（ML DT），市政污水MBR可实现智能化的过程控制与维护（PC&M），显著提升运营效率与可持续性：
-
通过动态调节溶解氧浓度，有效降低了系统能耗，助力绿色低碳运行；
-
依托对不同运行条件下膜污染趋势的精准预测，实现了设备的预测性维护，显著减少了停机风险与运维成本。
此ML模型具有以下创新点：
非自回归Seq2Seq模型：
Encoder编码过去五天900组间歇运行（即7分钟运行、1分钟间歇）周期的各类运行、水质数据，Decoder接收未来时间步的已知运维条件信息（如预计产水流量、清洗剂投加等），通过预测头实现对未来一天180组间歇运行周期的膜比通量下降趋势（即膜污染程度）的精准预测。
MBR大数据：
来源于两个大型污水厂、总计十二条独立运行的MBR廊道各类物联网（IoT）仪表的每分钟数据以及水厂离线运维信息数据表。处理过后用于建模和模型验证的时序数据总计跨度长达两年、超过36万5千组。
自定义损失函数：
针对现实仪表数据中的“离群值”和“数据不平衡”问题，自主设计了加权Huber损失函数（PEE-Huber），显著提升了模型的性能和对稀缺数据（如严重膜堵或清洗后恢复数据）的建模能力。
模型落地应用：
部署了可视化网页应用，对物联网（IoT）数据中心历史数据的实时抓取、去噪和模型在线预测，方便水厂一线工程人员实时交互使用，便于MBR膜污染的实时监测和预测，实现了从“模型”到“工具”的落地闭环
