本发明涉及数据分析，具体是基于水处理超标事故动态仿真的故障模式与影响分析方法。
背景技术：
1、污水处理是环境保护的重要组成部分，因此，分析污水处理系统失效导致超标事故发生（如cod、nh3-n等）对环保监管及处理系统性能尤为重要，目前研究出水水质预测的方法主要有如人工神经网络（ann）（bekkari，2019），支持向量机（svm）（wang等，2018），基于优化支持向量机回归（svr）（chen等，2023；wang等，2022），基于卷积神经网络（cnn）（hu等，2023；yang等，2023），基于改进循环神经网络（rnn）（yang等，2023），这些模型采用了更广泛的特性，一定程度上提高了预测精度，但这些方法均没有考虑因物理设备失效造成的出水超标，例如气浮池刮泥机故障后，污泥无法从系统中排出，最终造成出水超标，这在常规水质过程工艺参数（ph、orp）上很难直接体现，增加悬浮物在线监测仪又会大大增加污水运行的成本。
技术实现思路
1、为了解决上述技术问题，本发明的目的在于提供基于水处理超标事故动态仿真的故障模式与影响分析方法，包括以下步骤：
2、步骤s1：根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列，获取各流程子序列的水质数据，根据各个流程子序列的水质数据，各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型；
3、步骤s2：根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数；
4、步骤s3：基于机器学习构建svr模型，基于图卷积神经网络构建全过程最终出水预测模型，将svr模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型，生成污水处理过程的最终出水水质预测结果；
5、步骤s4：若最终出水水质预测结果不位于预设的最终出水水质阈值区间内，则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级，根据影响度等级对各流程子序列对应的污水处理设备进行提前检修。
6、进一步的，根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列，获取各流程子序列的水质数据的过程包括：
7、获取当前污水处理设备的工艺流程特性，获取污水处理过程中各个污水处理设备的工艺流程特性，根据所述工艺流程特性将污水处理过程划分为若干流程子序列；
8、在各个流程子序列设置水质监测点位，根据各个流程子序列的工艺流程特性获取各个水质监测点位的水质监测指标；
9、所述水质监测点位根据水质监测指标获取水质监测数据并标记监测时间，设置监测周期。
10、进一步的，根据各个流程子序列的水质数据，各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型的过程包括：
11、构建数字空间，构建各污水处理设备的名称框并映射至数字空间，获取当前污水处理过程中各污水处理设备的配置信息，根据各污水处理设备的配置信息对各污水处理设备的名称框进行属性赋值，获取各污水处理设备的功能框；
12、构建功能框图，获取污水处理过程中各污水处理设备之间的装配顺序以及装配关系，将各污水处理设备的功能框作为功能框图的节点，将各污水处理设备之间的装配顺序以及装配关系作为功能框图的连接关系；
13、获取各个流程子序列的水质监测点位若干监测周期内的水质监测数据，将各个流程子序列的水质监测数据与功能框图中各个流程子序列对应的功能框进行匹配，获取仿真模型。
14、进一步的，根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数的过程包括：
15、获取各个流程子序列的污水处理设备在若干历史监测周期内发生故障的历史发生数据，根据所述历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障、各类型故障对应的累计次数以及各类型故障对应的水质监测数据，所述场景包括实际运行条件强度和实际运行条件环境，根据不同场景下各类型故障对应的累计次数获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率；
16、基于模仿学习思想，使用模拟器生成各个流程子序列的污水处理设备在不同场景下产生的各类型故障以及各类型故障对应的水质监测数据的仿真数据，将仿真数据代入仿真模型进行模型测试，获取在各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命性故障发生并产生实际影响的条件概率、致命性故障总数以及各类型故障总数，并根据各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命性故障发生并产生实际影响的条件概率、致命性故障总数、各类型故障总数以及各类型故障的故障概率，获取各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数，所述致命性故障表示污水经过一系列污水处理过程后，污水的出水水质不合格。
17、进一步的，根据各类型故障对应的累计次数获取各个流程子序列的污水处理设备产生的各类型故障的故障概率的计算公式为：
18、；
19、其中，p为故障概率，为转化系数，c为累计次数。
20、需要进一步说明的是，在具体实施过程中，致命性故障概率的计算公式为：
21、
22、为致命度指数，表示第t个流程子序列的污水处理设备每百万次运行由第q类型故障造成的致命性故障的次数；
23、表示流程子序列的第q类型故障总数；
24、表示流程子序列的类型故障的编号；
25、表示流程子序列的第q类型故障的故障概率；
26、表示流程子序列的第q类型故障的故障概率与实际运行条件强度修正系数；
27、表示流程子序列的第q类型故障的故障概率与实际运行条件环境修正系数；
28、表示单位调整系数；
29、表示第q类型故障对应的致命性故障总数与故障总数之比；
30、表示第q类型故障对应的致命性故障发生并产生实际影响的条件概率。
31、进一步的，基于机器学习构建svr模型的过程包括：
32、基于机器学习构建svr模型，将各流程子序列的水质监测点位在若干历史监测周期内监测的水质监测数据作为训练集和测试集，将所述训练集输入到所述svr模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述svr模型进行测试，直至符合预设要求，输出svr模型。
33、进一步的，基于图卷积神经网络构建全过程最终出水预测模型，将svr模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型，生成污水处理过程的最终出水水质预测结果的过程包括：
34、通过图注意力网络对仿真模型中的功能框图进行学习，根据svr模型获取各流程子序列当前监测周期的水质预测数据时序序列，将各流程子序列的当前监测周期的水质预测数据时序序列导入图注意力网络；
35、通过注意力机制获取功能框图各个其他节点对目标节点的影响权重，将所述影响权重分配到各其他节点，利用图注意力网络的相邻聚合生成特征的聚合表示，生成污水处理过程的最终出水水质预测结果。
36、进一步的，通过图注意力网络对svr模型中的功能框图进行学习，在功能框图目标节点i及其他节点j之间影响值为：
37、；
38、其中，sigmoid表示激活函数，concact表示特征向量拼接，w表示特征变换参数矩阵，表示状态转移矩阵，，表示功能框图中目标节点i与其他节点j的低维向量表示；
39、通过功能框图中目标节点i与其他节点j之间影响值和目标节点i及所有其他节点的影响值的总和的比值获取影响权重，将所述影响权重进行归一化处理后，利用邻居聚合机制对目标节点i的特征进行更新表示；
40、；
41、其中，表示目标节点i的最终更新表示，致命度指数，表示激活函数；
42、根据上述公式，生成节点i的向量表示后，进行下一相连节点的向量表示，以此类推，将功能框图中所有节点进行表示后，计算节点的向量内积获取污水处理过程的最终出水水质预测结果。
43、进一步的，若最终出水水质预测结果不位于预设的最终出水水质阈值区间内，则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级，根据影响度等级对各流程子序列对应的污水处理设备进行提前检修的过程包括：
44、预设最终出水水质阈值区间，将污水处理过程的最终出水水质预测结果与最终出水水质阈值区间进行比较；
45、若污水处理过程的最终出水水质预测结果不位于最终出水水质阈值区间内，则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数，获取各个流程子序列的影响度等级，通过所述影响度等级对各个流程子序列进行排序，影响度等级越高，则排序越高，生成排序结果，根据排序结果对各流程子序列对应的污水处理设备进行提前检修。
46、进一步的，则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各个流程子序列的污水处理设备在不同场景下的各类型故障对应的致命度指数，获取各个流程子序列的影响度等级的过程包括：
47、；
48、其中，表示第t个流程子序列的影响度等级，
49、表示第t个流程子序列包括的类型故障数量，z表示第t个流程子序列包括的类型故障的编号，表示转换系数，表示第t个流程子序列的第z类型故障的致命度指数，表示第z类型故障的故障概率。
50、与现有技术相比，本发明的有益效果是：本发明用故障类型及影响分析方法构建分析模型，通过仿真模型计算故障概率，求出致命度，通过svr模型完成各流程子流程中的水质数据预测后，通过最终出水预测模型对各流程子序列的水质预测数据进行整合，根据以及各污水处理设备之间的装配顺序以及装配关系污水处理过程的最终出水水质预测结果，若最终出水水质预测结果不位于预设的最终出水水质阈值区间内，则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级，根据影响度等级对各流程子序列对应的污水处理设备进行提前检修，实现了污水处理设备由正常状态转变成故障状态前的早期故障的预测，从而在污水处理设备故障成熟之前采取预防措施。
1.基于水处理超标事故动态仿真的故障模式与影响分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于水处理超标事故动态仿真的故障模式与影响分析方法，其特征在于，根据污水处理设备的工艺流程特性将污水处理过程划分为若干流程子序列，获取各流程子序列的水质数据的过程包括：
3.根据权利要求2所述的基于水处理超标事故动态仿真的故障模式与影响分析方法，其特征在于，根据各个流程子序列的水质数据，各污水处理设备的配置信息以及各污水处理设备之间的装配顺序以及装配关系构建仿真模型的过程包括：
4.根据权利要求3所述的基于水处理超标事故动态仿真的故障模式与影响分析方法，其特征在于，根据各个流程子序列的历史发生数据获取各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及各类型故障对应的致命度指数的过程包括：
5.根据权利要求4所述的基于水处理超标事故动态仿真的故障模式与影响分析方法，其特征在于，基于机器学习构建svr模型的过程包括：
6.根据权利要求5所述的基于水处理超标事故动态仿真的故障模式与影响分析方法，其特征在于，基于图卷积神经网络构建全过程最终出水预测模型，将svr模型输出的各流程子序列当前监测周期的水质预测数据时序序列输入全过程最终出水预测模型，生成污水处理过程的最终出水水质预测结果的过程包括：
7.根据权利要求6所述的基于水处理超标事故动态仿真的故障模式与影响分析方法，其特征在于，若最终出水水质预测结果不位于预设的最终出水水质阈值区间内，则根据各个流程子序列的污水处理设备在不同场景下产生的各类型故障的故障概率以及致命度指数生成各个流程子序列的影响度等级，根据影响度等级对各流程子序列对应的污水处理设备进行提前检修的过程包括：
