ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਡੇਟਾ ਅਤੇ ਨਿਗਰਾਨੀ ਵਿਸ਼ਲੇਸ਼ਣ — ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ

ਲਾਭ:

ਸਮਾਂ ਲੜੀ, ਥ੍ਰੈਸ਼ਹੋਲਡ ਕਰਾਸਿੰਗ ਅਤੇ ਸੈਂਸਰ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ (QA/QC) ਧਾਰਨਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਏਆਈ ਦੇ ਨਾਲ ਅਸਮਾਨਤਾ ਸਕੈਨਿੰਗ, ਰੁਝਾਨ ਸੰਖੇਪ ਅਤੇ ਗੁੰਮ ਡੇਟਾ ਰਣਨੀਤੀ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ
ਕੱਚੇ ਡੇਟਾ ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਨਾਲ ਏਆਈ ਦੁਆਰਾ ਦਰਸਾਏ ਗਏ ਵਧੀਕੀਆਂ ਅਤੇ ਵਿਗਾੜਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਤੁਸੀਂ ਇੱਕ ਸੰਗਠਿਤ ਉਦਯੋਗਿਕ ਜ਼ੋਨ ਦੇ ਗੰਦੇ ਪਾਣੀ ਦੇ ਟਰੀਟਮੈਂਟ ਪਲਾਂਟ ਵਿੱਚ ਇੱਕ ਸ਼ਿਫਟ ਇੰਜੀਨੀਅਰ ਹੋ। ਆਉਟਲੇਟ 'ਤੇ ਸਥਿਤ ਇੱਕ ਨਿਰੰਤਰ ਨਿਗਰਾਨੀ ਸਟੇਸ਼ਨ ਹਰ 15 ਮਿੰਟਾਂ ਵਿੱਚ ਭੰਗ ਆਕਸੀਜਨ (DO), pH, ਚਾਲਕਤਾ ਅਤੇ ਰਸਾਇਣਕ ਆਕਸੀਜਨ ਦੀ ਮੰਗ (COD) ਰਿਕਾਰਡ ਕਰਦਾ ਹੈ। ਸਵੇਰੇ 03:40 ਵਜੇ, SCADA ਸਕ੍ਰੀਨ 'ਤੇ COD ਮੁੱਲ 1,240 mg/L ਤੱਕ ਛਾਲ ਮਾਰਦਾ ਹੈ ਅਤੇ ਸਿਸਟਮ ਇੱਕ ਅਲਾਰਮ ਵਧਾਉਂਦਾ ਹੈ। ਡਿਸਚਾਰਜ ਸੀਮਾ 250 mg/L. ਘਬਰਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਤੁਹਾਨੂੰ ਇਹ ਸਵਾਲ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ: ਕੀ ਇਹ ਇੱਕ ਅਸਲ ਪ੍ਰਦੂਸ਼ਣ ਘਟਨਾ ਹੈ ਜਾਂ ਕੀ ਇਹ ਇੱਕ ਸੈਂਸਰ ਰਿਕਾਰਡਿੰਗ ਹੈ? ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ (LLM) ਨੂੰ "ਪਹਿਲੀ ਰੀਡਿੰਗ ਅਸਿਸਟੈਂਟ" ਦੇ ਤੌਰ 'ਤੇ ਸਮਾਂ ਲੜੀ ਦੇ ਡੇਟਾ ਨੂੰ ਸਕੈਨ ਕਰਨ, ਵਿਗਾੜਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਨ ਅਤੇ ਰੁਝਾਨ ਦੇ ਸੰਖੇਪ ਬਣਾਉਣ ਲਈ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ; ਪਰ ਅਸੀਂ ਇਸ ਬਾਰੇ ਚਰਚਾ ਕਰ ਰਹੇ ਹਾਂ ਕਿ ਉਹ ਆਖਰੀ ਫੈਸਲਾ ਉਸ 'ਤੇ ਕਿਉਂ ਨਹੀਂ ਛੱਡੇਗਾ।

ਨਿਰੰਤਰ ਨਿਗਰਾਨੀ ਡੇਟਾ ਦੀ ਅੰਗ ਵਿਗਿਆਨ

ਵਾਤਾਵਰਣ ਨਿਗਰਾਨੀ ਡੇਟਾ ਇੱਕ ਸਮਾਂ ਲੜੀ ਹੈ ਜੋ ਨਿਯਮਤ ਸਮੇਂ ਦੇ ਅੰਤਰਾਲਾਂ 'ਤੇ ਇਕੱਠੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਹਰੇਕ ਮਾਪ ਬਿੰਦੂ ਵਿੱਚ ਇੱਕ ਟਾਈਮਸਟੈਂਪ, ਇੱਕ ਮੁੱਲ ਅਤੇ ਆਦਰਸ਼ਕ ਤੌਰ 'ਤੇ ਇੱਕ ਗੁਣਵੱਤਾ ਦਾ ਝੰਡਾ ਹੁੰਦਾ ਹੈ। ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਲਈ, ਤੁਹਾਨੂੰ ਤਿੰਨ ਧਾਰਨਾਵਾਂ ਨੂੰ ਵੱਖ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ:

ਰੁਝਾਨ: ਲੰਬੇ ਸਮੇਂ ਦਾ ਰੁਝਾਨ (ਜਿਵੇਂ ਕਿ ਚਾਲਕਤਾ ਵਿੱਚ ਮੌਸਮੀ ਵਾਧਾ)।
ਮੌਸਮੀ/ਚੱਕਰ: ਪੈਟਰਨ ਜੋ ਦਿਨ ਜਾਂ ਸਾਲ ਦੇ ਦੌਰਾਨ ਦੁਹਰਾਉਂਦੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ, ਦਿਨ ਵੇਲੇ ਪ੍ਰਕਾਸ਼ ਸੰਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ DO ਦਾ ਉੱਚਾ ਹੋਣਾ)।
ਵਿਗਾੜ: ਇਕਵਚਨ ਜਾਂ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੇ ਮੁੱਲ ਜੋ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਅਨੁਮਾਨਿਤ ਪੈਟਰਨ ਤੋਂ ਭਟਕਦੇ ਹਨ।

ਪੈਰਾਮੀਟਰ

ਆਮ ਨਿਗਰਾਨੀ ਸੀਮਾ

ਨਮੂਨਾ ਸੀਮਾ (ਡਿਸਚਾਰਜ)

ਆਮ ਸੈਂਸਰ ਸਮੱਸਿਆ

1-5 ਮਿੰਟ

6-9 (ਇਕਾਈ ਰਹਿਤ)

ਹਵਾਲਾ ਇਲੈਕਟ੍ਰੋਡ ਸ਼ਿਫਟ

ਘੁਲਣ ਵਾਲੀ ਆਕਸੀਜਨ (DO)

5-15 ਮਿੰਟ

≥ 5 ਮਿਲੀਗ੍ਰਾਮ/ਲਿਟਰ (ਮਾਧਿਅਮ ਪ੍ਰਾਪਤ ਕਰਨਾ)

ਝਿੱਲੀ ਫਾਊਲਿੰਗ (ਬਾਇਓਫਾਊਲਿੰਗ)

ਚਾਲਕਤਾ

5-15 ਮਿੰਟ

ਵਰਗ ਨਿਰਭਰ, µS/cm

ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਡ੍ਰਾਈਫਟ

ਸੀਓਡੀ (ਲਗਾਤਾਰ ਵਿਸ਼ਲੇਸ਼ਕ)

15-60 ਮਿੰਟ

250mg/L

ਰੀਐਜੈਂਟ ਥਕਾਵਟ, ਬੰਦ ਹੋਣਾ

PM10 (ਹਵਾ)

1 ਘੰਟਾ

50 µg/m³ (24 ਘੰਟੇ)

ਨਮੀ/ ਸੰਘਣਾਪਣ ਪ੍ਰਭਾਵ

QA/QC ਝੰਡੇ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹਨ?

QA/QC (ਗੁਣਵੱਤਾ ਭਰੋਸਾ / ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ) ਹਰੇਕ ਮਾਪ ਲਈ ਇੱਕ ਟਰੱਸਟ ਲੇਬਲ ਨੂੰ ਜੋੜਨ ਬਾਰੇ ਹੈ। ਭਾਵੇਂ ਕੋਈ ਮੁੱਲ ਅੰਕੜਿਆਂ ਅਨੁਸਾਰ "ਓਵਰਸ਼ੂਟ" ਵਜੋਂ ਜਾਪਦਾ ਹੈ, ਇਹ ਅਵੈਧ ਹੈ ਜੇਕਰ ਇਸਨੂੰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵਿੰਡੋ ਤੋਂ ਬਾਹਰ ਲਿਆ ਗਿਆ ਸੀ ਜਾਂ ਜੇ ਸੈਂਸਰ ਰੱਖ-ਰਖਾਅ ਅਧੀਨ ਹੈ। ਆਮ ਫਲੈਗ ਕੋਡ:

ਫਲੈਗ ਦਾ ਅਰਥ --------------------------------G ਚੰਗਾ — ਵੈਧ, ਸਵੀਕਾਰ ਕੀਤਾ ਮਾਪS ਸ਼ੱਕੀ — ਸ਼ੱਕੀ, ਤਸਦੀਕ ਦੀ ਲੋੜM ਗੁੰਮ — ਗੁੰਮ/ਖਾਲੀ ਰਿਕਾਰਡC ਕੈਲੀਬ੍ਰੇਸ਼ਨ — ਕੈਲੀਬ੍ਰੇਸ਼ਨ/ਸੰਭਾਲ ਵਿੰਡੋ, ਡਾਟਾ ਅਵੈਧE ਅਨੁਮਾਨਿਤ — ਲਗਾਇਆ ਗਿਆ ਅਨੁਮਾਨਿਤ ਮੁੱਲ

ਸੰਕੇਤ: ਇੱਕ ਵਾਧੂ ਵਿਸ਼ਲੇਸ਼ਣ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹਮੇਸ਼ਾਂ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਰੱਖ-ਰਖਾਅ ਲੌਗਸ ਨੂੰ ਖੋਲ੍ਹੋ। ਜੇਕਰ 03:40 'ਤੇ COD ਜੰਪ ਆਟੋਮੈਟਿਕ ਰਾਤੋ-ਰਾਤ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਜਾਂ ਰੀਐਜੈਂਟ ਤਬਦੀਲੀ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ "C" ਫਲੈਗ ਡੇਟਾ ਹੈ; ਇਹ ਅਲਾਰਮ ਦਾ ਵਿਸ਼ਾ ਨਹੀਂ ਹੈ, ਪਰ ਡੇਟਾ ਦੀ ਸਫਾਈ ਲਈ ਹੈ।

ਏਆਈ ਦੇ ਨਾਲ ਅਸਮਾਨਤਾ ਸਕੈਨਿੰਗ ਅਤੇ ਰੁਝਾਨ ਸੰਖੇਪ

ਤੁਸੀਂ ਸਾਰਣੀਬੱਧ ਡੇਟਾ, ਫਲੈਗ ਪੈਟਰਨਾਂ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਸਮੀਖਿਆ ਕਰਨ ਲਈ LLM ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਮਨੁੱਖੀ ਅੱਖ ਨੂੰ ਖੁੰਝ ਸਕਦਾ ਹੈ, ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਅਨੁਮਾਨਾਂ ਨੂੰ ਛਾਂਟ ਸਕਦਾ ਹੈ। ਨਾਜ਼ੁਕ ਬਿੰਦੂ: ਮਾਡਲ ਨੂੰ ਕੱਚੇ ਡੇਟਾ, ਇਕਾਈਆਂ ਅਤੇ ਸੀਮਾਵਾਂ ਨੂੰ ਇਕੱਠੇ ਦੇਣਾ ਅਤੇ ਇਸ ਤੋਂ ਪ੍ਰਮਾਣਿਤ ਨਿਰੀਖਣਾਂ ਲਈ ਪੁੱਛਣਾ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਕੀ ਇਸ ਪਾਣੀ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਡੇਟਾ ਵਿੱਚ ਕੋਈ ਸਮੱਸਿਆ ਹੈ?" ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ: "ਹੇਠਾਂ ਇੱਕ ਗੰਦੇ ਪਾਣੀ ਦੇ ਡਿਸਚਾਰਜ ਪੁਆਇੰਟ (ਕਾਲਮ: ਸਮਾਂ, COD [mg/L], ਕੰਡਕਟੀਵਿਟੀ [µS/cm], pH, QA ਫਲੈਗ) ਦੇ 15 ਮਿੰਟ ਦੀ ਨਿਗਰਾਨੀ ਡੇਟਾ ਹੈ)। ਡਿਸਚਾਰਜ COD ਸੀਮਾ 250 mg/L, pH ਸੀਮਾ 6-9 ਹੈ। ਤੁਹਾਡਾ ਕੰਮ: 1) ਸਿਰਫ਼ ਐਕਸਟੈਮਟੈਮ ਦੇ ਨਾਲ ਸੂਚੀਬੱਧ ਸਮਾਂ-ਸੀਮਾ 2) ਈ. 'G' (ਚੰਗੇ) ਫਲੈਗਸ ਨੂੰ ਇੱਕ ਵੱਖਰੀ 'ਪੜਤਾਲ ਦੀ ਲੋੜ' ਸੂਚੀ ਵਿੱਚ ਵੱਖ ਕਰੋ 3) ਹਰੇਕ ਓਵਰਸ਼ੂਟ ਲਈ ਇਹ ਸੰਕੇਤ ਕਰੋ ਕਿ ਇਹ ਇਕਵਚਨ ਉਛਾਲ (>= 3 ਲਗਾਤਾਰ ਲਾਈਨਾਂ) ਹੈ ਜਾਂ ਨਹੀਂ ਇਸਦੀ ਬਜਾਏ 'ਕੱਚੇ ਡੇਟਾ ਨਾਲ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ' ਲਿਖੋ ਜਾਂ ਇਸਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ।"

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਮਾਡਲ ਨੂੰ ਇੱਕ ਠੋਸ ਪ੍ਰਕਿਰਿਆ ਨਾਲ ਜੋੜਦਾ ਹੈ, ਝੰਡਿਆਂ ਨੂੰ ਪਾਰਸ ਕਰਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਸਪਸ਼ਟ "ਜੇਕਰ ਤੁਸੀਂ ਨਿਸ਼ਚਤ ਨਹੀਂ ਹੋ, ਤਾਂ ਨਾ ਕਹੋ" ਭਰਮ (ਬਣਾਇਆ ਵਿਆਖਿਆ) ਨੂੰ ਸੀਮਿਤ ਕਰਨ ਲਈ ਨਿਰਦੇਸ਼ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ।

ਸਾਵਧਾਨ: LLM ਸੰਖਿਆਤਮਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੁਲਨਾ ਵਿੱਚ ਗਲਤੀਆਂ ਕਰ ਸਕਦਾ ਹੈ; 248 mg/L ਨੂੰ "ਵੱਧ" ਜਾਂ 252 mg/L ਨੂੰ "ਸੀਮਾ ਦੇ ਅੰਦਰ" ਵਜੋਂ ਗਲਤ ਲੇਬਲ ਦੇ ਸਕਦਾ ਹੈ। ਮਾਡਲ ਸੂਚੀਆਂ ਦੀ ਹਰ ਇੱਕ ਤੋਂ ਵੱਧ ਦੀ ਮੁੜ-ਪੁਸ਼ਟੀ ਕਰੋ, ਜਾਂ ਤਾਂ ਕੱਚੀ ਸਾਰਣੀ ਤੋਂ ਜਾਂ ਕਿਸੇ ਫਾਰਮੂਲੇ ਨਾਲ (ਉਦਾਹਰਨ ਲਈ ਮੁੱਲ > 250)। ਮਾਡਲ ਸਕੈਨ; ਤੁਸੀਂ ਸੀਮਾ ਦਾ ਫੈਸਲਾ ਕਰੋ।

ਗੁੰਮ ਡਾਟਾ ਰਣਨੀਤੀ (ਇੰਪਿਊਟੇਸ਼ਨ)

ਸੈਂਸਰ ਬੰਦ ਹੋ ਜਾਂਦੇ ਹਨ, ਬਿਜਲੀ ਚਲੀ ਜਾਂਦੀ ਹੈ, ਸੰਚਾਰ ਟੁੱਟ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਭਰਦੇ ਹੋ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਰੁਝਾਨ ਅਤੇ ਵਧੀਕ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਗਲਤ ਇਮਤਿਹਾਨ ਇੱਕ ਓਵਰਸ਼ੂਟ "ਬਣਾ" ਸਕਦਾ ਹੈ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੈ ਜਾਂ ਅਸਲ ਓਵਰਸ਼ੂਟ ਨੂੰ ਲੁਕਾ ਸਕਦਾ ਹੈ।

np# 15 ਮਿੰਟ ਦੀ COD ਸੀਰੀਜ਼ ਦੇ ਤੌਰ 'ਤੇ pdimport numpy ਦੇ ਤੌਰ 'ਤੇ ਪਾਂਡਾ ਨੂੰ ਆਯਾਤ ਕਰੋ; -999 ਡਿਵਾਈਸ ਕੋਡ "ਕੋਈ ਡਾਟਾ ਨਹੀਂ" "ਫਲੈਗ": ["G", "G", "M", "M", "G", "S", "G", "G"],})# 1) ਡਿਵਾਈਸ ਕੋਡਾਂ ਨੂੰ ਅਸਲ ਗੁੰਮਸ਼ੁਦਾ ਮੁੱਲ ਵਿੱਚ ਬਦਲੋ। ਫਲੈਗ ਇਮਪਿਊਟੇਸ਼ਨ ਗੈਪ = df["koi"].isna()df["koi_full"] = df["koi"].interpolate(limit=2)df.loc[gap & df["koi_full"].notna(), "flag"] = "E" # ਅਨੁਮਾਨਿਤ # ਮਾਪ ਦੇ ਫੈਸਲੇ ਦੇ ਤੌਰ 'ਤੇ ਮਾਪਾਂ ਲਈ ਅਨੁਮਾਨਿਤ # 3) (G) ਮੁੱਲ ONLY = df[(df["koi_full"] > 250) & (df["flag"] == "G")]print(asyms[["ts", "koi_full", "flag"]])

ਇਸ ਪਹੁੰਚ ਵਿੱਚ, ਛੋਟੇ ਅੰਤਰਾਂ ਨੂੰ ਭਰਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਭਰੇ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ E ਨਾਲ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਓਵਰਸ਼ੂਟ ਦਾ ਫੈਸਲਾ ਸਿਰਫ਼ ਅਸਲ ਮਾਪ (G) ਤੋਂ ਲਿਆ ਜਾਂਦਾ ਹੈ। ਕਿਉਂਕਿ 1240 mg/L ਦੇ ਮੁੱਲ ਨੂੰ S (ਸ਼ੱਕੀ) ਵਜੋਂ ਫਲੈਗ ਕੀਤਾ ਗਿਆ ਹੈ, ਇਸ ਨੂੰ ਆਟੋਮੈਟਿਕ ਐਕਸੀਡੈਂਸ ਸੂਚੀ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ; ਪਹਿਲਾਂ ਤਸਦੀਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸੈਂਸਰ ਡਰਾਫਟ ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਦੁਆਰਾ ਪੁਸ਼ਟੀਕਰਨ

ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਸੋਨੇ ਦਾ ਮਿਆਰ ਹੈ ਕਿ ਕੀ ਓਵਰਸ਼ੂਟ ਅਸਲੀ ਹੈ ਜਾਂ ਸੈਂਸਰ ਡ੍ਰਾਈਫਟ ਇੱਕ ਸਮਕਾਲੀ ਗ੍ਰੈਬ ਨਮੂਨੇ ਦਾ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨਤੀਜਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਲਗਾਤਾਰ ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ 03:40 'ਤੇ 1240 mg/L ਦਿਖਾਇਆ, ਅਤੇ ਉਸ ਸਮੇਂ ਲਏ ਗਏ ਨਮੂਨੇ ਦਾ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਮਾਪਿਆ ਮੁੱਲ 205 mg/L ਹੈ, ਤਾਂ ਸਮੱਸਿਆ ਸੈਂਸਰ ਵਿੱਚ ਹੈ; ਡਿਸਚਾਰਜ ਨਹੀਂ ਇਹ ਖੇਤਰ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਨਾਲ AI ਆਉਟਪੁੱਟ ਜਾਂ SCADA ਅਲਾਰਮ ਦਾ ਤਿਕੋਣ ਹੈ।

ਮਿੰਨੀ ਕੇਸ

ਪੀਣ ਵਾਲੇ ਪਾਣੀ ਦੇ ਬੇਸਿਨ ਵਿੱਚ ਗੰਦਗੀ ਸੈਂਸਰ ਤਿੰਨ ਦਿਨਾਂ ਤੋਂ ਹੌਲੀ-ਹੌਲੀ ਵਧਦਾ ਰੁਝਾਨ ਦਿਖਾ ਰਿਹਾ ਸੀ। ਸ਼ਿਫਟ ਟੀਮ ਨੇ LLM ਨੂੰ ਹਫਤਾਵਾਰੀ ਡਾਟਾ ਦਿੱਤਾ; ਮਾਡਲ ਨੇ ਕਿਹਾ, "ਬਾਰਸ਼ ਤੋਂ ਬਾਅਦ ਦੇ ਰਨ-ਆਫ ਕਾਰਨ ਗੰਦਗੀ ਵਿੱਚ ਅਸਲ ਵਾਧਾ ਸੰਭਵ ਹੈ।" ਹਾਲਾਂਕਿ, ਜਦੋਂ ਇੰਜੀਨੀਅਰ ਨੇ ਮੌਸਮ ਵਿਭਾਗ ਦੇ ਰਿਕਾਰਡਾਂ 'ਤੇ ਨਜ਼ਰ ਮਾਰੀ, ਤਾਂ ਉਸਨੇ ਦੇਖਿਆ ਕਿ ਉਸ ਹਫ਼ਤੇ ਇਸ ਖੇਤਰ ਵਿੱਚ ਮੀਂਹ ਨਹੀਂ ਪਿਆ ਸੀ। ਫੀਲਡ ਨਿਰੀਖਣ ਦੌਰਾਨ, ਇਹ ਸਮਝਿਆ ਗਿਆ ਸੀ ਕਿ ਸੈਂਸਰ ਆਪਟੀਕਲ ਵਿੰਡੋ 'ਤੇ ਬਾਇਓਫਾਊਲਿੰਗ ਦਾ ਗਠਨ ਕੀਤਾ ਗਿਆ ਸੀ; ਸਫਾਈ ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤੋਂ ਬਾਅਦ, ਮੁੱਲ ਆਮ ਵਾਂਗ ਵਾਪਸ ਆ ਗਏ। LLM ਦੀ "ਸੰਭਾਵੀ ਅਸਲ ਘਟਨਾ" ਦੀ ਵਿਆਖਿਆ ਨੂੰ ਬਾਹਰੀ ਡੇਟਾ (ਬਾਰਸ਼ ਰਿਕਾਰਡ) ਅਤੇ ਫੀਲਡ ਕੰਟਰੋਲ ਦੁਆਰਾ ਰੱਦ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਬਕ: ਮਾਡਲ ਇੱਕ ਮੰਨਣਯੋਗ ਪਰ ਝੂਠੀ ਕਹਾਣੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ; ਵੈਰੀਫਿਕੇਸ਼ਨ ਚੇਨ ਇਸ ਨੂੰ ਫੜ ਲੈਂਦੀ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

ਕੈਲੀਬ੍ਰੇਸ਼ਨ/ਮੇਨਟੇਨੈਂਸ ਵਿੰਡੋ (ਫਲੈਗ C) ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਅਸਲ ਵੱਧ ਜਾਣ ਲਈ ਗਲਤੀ ਕਰਨਾ।
ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਚੁੱਪਚਾਪ ਭਰਨਾ ਅਤੇ ਅਸਲ ਮਾਪਾਂ ਦੇ ਤੌਰ 'ਤੇ ਲਗਾਏ ਗਏ ਮੁੱਲਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ।
ਇੱਕ ਨਿਰੰਤਰ ਘਟਨਾ ਲਈ ਇੱਕ ਇਕਵਚਨ ਉਛਾਲ (ਸਿੰਗਲ ਲਾਈਨ, ਸੰਭਵ ਤੌਰ 'ਤੇ ਬਿਜਲਈ ਸ਼ੋਰ) ਨੂੰ ਗਲਤੀ ਕਰਨਾ।
LLM ਦੀਆਂ ਬ੍ਰੇਕਪੁਆਇੰਟ ਤੁਲਨਾਵਾਂ (248 ਬਨਾਮ 250) 'ਤੇ ਅੰਨ੍ਹੇਵਾਹ ਭਰੋਸਾ ਕਰਨਾ।
ਇੱਕੋ ਸਮੇਂ ਦੇ ਪੈਰਾਮੀਟਰਾਂ (ਪੀਐਚ + ਕੰਡਕਟੀਵਿਟੀ + ਸੀਓਡੀ) ਦੀ ਕਰਾਸ-ਚੈਕਿੰਗ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕ ਮਾਪਦੰਡ ਦੇ ਅਧਾਰ ਤੇ ਫੈਸਲੇ ਲੈਣਾ।
ਨਮੂਨੇ/ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੀ ਪੁਸ਼ਟੀ ਦੇ ਨਾਲ ਸੈਂਸਰ ਡ੍ਰਾਈਫਟ ਨੂੰ ਰੱਦ ਕੀਤੇ ਬਿਨਾਂ ਅਲਾਰਮ ਨੂੰ "ਅਸਲ" ਘੋਸ਼ਿਤ ਕਰਨਾ।
ਸਥਾਨਕ ਸਮਾਂ/UTC ਅਤੇ ਗਰਮੀਆਂ ਦੇ ਸਮੇਂ ਦੀਆਂ ਤਬਦੀਲੀਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਅਤੇ ਘਟਨਾਵਾਂ ਨੂੰ ਗਲਤ ਸਮੇਂ ਨਾਲ ਜੋੜਨਾ।

ਸੰਖੇਪ ਵਿੱਚ

ਵਾਤਾਵਰਨ ਨਿਗਰਾਨੀ ਡੇਟਾ ਇੱਕ ਸਮਾਂ ਲੜੀ ਹੈ; ਰੁਝਾਨ, ਮੌਸਮੀਤਾ ਅਤੇ ਵਿਗਾੜ ਨੂੰ ਵੱਖ ਕੀਤੇ ਬਿਨਾਂ ਇਸ ਦੀ ਵਿਆਖਿਆ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ।
QA/QC ਫਲੈਗ ਡੇਟਾ ਦਾ ਟਰੱਸਟ ਟੈਗ ਹਨ; ਫੈਸਲੇ ਕੇਵਲ ਵੈਧ (G) ਡੇਟਾ ਤੋਂ ਲਏ ਜਾਂਦੇ ਹਨ।
LLM ਵਿਸੰਗਤੀ ਸਕੈਨਿੰਗ, ਐਕਸੀਡੈਂਸ ਲਿਸਟਿੰਗ ਅਤੇ ਰੁਝਾਨ ਸੰਖੇਪ ਲਈ ਇੱਕ ਤੇਜ਼ ਫਸਟ ਰੀਡ ਸਹਾਇਕ ਹੈ, ਨਾ ਕਿ ਕੋਈ ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ।
ਗੁੰਮ ਡਾਟਾ ਰਣਨੀਤੀ (ਇੰਪਿਊਟੇਸ਼ਨ) ਪਾਰਦਰਸ਼ੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ; ਭਰੇ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਵਧੀਕ ਫੈਸਲੇ ਲਈ ਆਧਾਰ ਵਜੋਂ ਨਹੀਂ ਲਿਆ ਗਿਆ ਹੈ।
ਸੈਂਸਰ ਡਰਾਫਟ, ਬਾਇਓਫਾਊਲਿੰਗ, ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਡ੍ਰਾਫਟ "ਨਕਲੀ ਓਵਰਸ਼ੂਟ" ਪੈਦਾ ਕਰਦੇ ਹਨ; ਨਮੂਨੇ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੀ ਪੁਸ਼ਟੀ ਨੂੰ ਵੱਖ ਕਰਦਾ ਹੈ।
AI ਆਉਟਪੁੱਟ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ; ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਰਿਕਾਰਡ ਅਤੇ ਫੀਲਡ ਨਿਯੰਤਰਣ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤੇ ਬਿਨਾਂ ਕੱਚਾ ਡੇਟਾ ਅਧਿਕਾਰਤ ਰਿਪੋਰਟ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦਾ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਤੁਹਾਡੇ ਕੋਲ 24-ਘੰਟੇ, 15-ਮਿੰਟ ਦਾ ਮਾਨੀਟਰਿੰਗ ਡੇਟਾਸੈਟ ਲਓ (ਜਾਂ ਸਿੰਥੈਟਿਕ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕਰੋ) (ਘੱਟੋ-ਘੱਟ ਇੱਕ ਪੈਰਾਮੀਟਰ: COD, pH, ਜਾਂ PM10) ਅਤੇ ਇੱਕ ਰਨ ਬਣਾਓ ਜੋ QA/QC ਫਲੈਗ ਅਤੇ ਸੂਚੀਆਂ ਦੀ ਸੀਮਾ ਤੋਂ ਵੱਧ ਨੂੰ ਜੋੜਦਾ ਹੈ। ਪਹਿਲਾਂ, ਇੱਕ ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਲਿਖੋ ਅਤੇ LLM ਨੂੰ ਵਿਗਾੜ ਅਤੇ ਵਧੀਕ ਸਕੈਨਿੰਗ ਲਈ ਪੁੱਛੋ; ਫਿਰ ਪਾਈਥਨ ਵਿੱਚ ਮੁੱਲ > ਸੀਮਾ ਫਿਲਟਰ ਨਾਲ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਉਹੀ ਵਧੀਕੀਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਘੱਟੋ-ਘੱਟ ਇੱਕ ਇਮਪਿਊਟੇਸ਼ਨ ਉਦਾਹਰਨ ਬਣਾਓ ਅਤੇ ਭਰੇ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ E ਨਾਲ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। ਹਰੇਕ "ਓਵਰਸ਼ੂਟ" ਲਈ ਤੁਹਾਨੂੰ "ਮੈਂ ਇਸਨੂੰ ਗ੍ਰੈਬ ਸੈਂਪਲ/ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਰਿਕਾਰਡ ਨਾਲ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਾਂ?" ਇੱਕ ਵਾਕ ਵਿੱਚ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ। ਆਖਰਕਾਰ, ਸਾਰਣੀ ਬਣਾਓ ਕਿ LLM ਦੁਆਰਾ ਫਲੈਗ ਕੀਤੀਆਂ ਗਈਆਂ ਕਿੰਨੀਆਂ ਵਿਸੰਗਤੀਆਂ ਅਸਲ ਘਟਨਾਵਾਂ ਹਨ ਅਤੇ ਕਿੰਨੀਆਂ ਸੈਂਸਰ/ਡੇਟਾ ਸਮੱਸਿਆਵਾਂ ਹਨ, ਜਾਇਜ਼ਤਾ ਦੇ ਨਾਲ।