Faida:
- Uwezo wa kutumia mfululizo wa muda, kuvuka kizingiti na dhana za udhibiti wa ubora wa vitambuzi (QA/QC).
- Uwezo wa kuunda skanning isiyo ya kawaida, muhtasari wa mwenendo na mkakati unaokosekana wa data na AI
- Uwezo wa kuthibitisha kupita kiasi na hitilafu zilizoonyeshwa na AI na data ghafi na urekebishaji.
Wewe ni mhandisi wa zamu katika kiwanda cha kutibu maji machafu cha eneo la viwanda lililopangwa. Kituo cha ufuatiliaji kinachoendelea kilicho kwenye rekodi za duka kiliyeyushwa oksijeni (DO), pH, upitishaji na mahitaji ya oksijeni ya kemikali (COD) kila baada ya dakika 15. Saa 03:40 asubuhi, thamani ya COD kwenye skrini ya SCADA inaruka hadi 1,240 mg/L na mfumo huota kengele. Kikomo cha kutokwa 250 mg/L. Swali unalohitaji kuuliza kabla ya hofu ni: Je, hili ni tukio la uchafuzi wa mazingira halisi au ni rekodi ya vitambuzi? Katika kitengo hiki, utajifunza jinsi ya kutumia modeli ya lugha (LLM) kama "msaidizi wa kwanza wa kusoma" kwa kuchanganua data ya mfululizo wa saa, kuashiria hitilafu na kutoa mihtasari ya mwenendo; Lakini tunajadili kwa nini hatamwachia uamuzi wa mwisho.
Anatomy ya data ya ufuatiliaji unaoendelea
Data ya ufuatiliaji wa mazingira ni mfululizo wa wakati unaokusanywa kwa vipindi vya muda vya kawaida. Kila sehemu ya kipimo hubeba muhuri wa muda, thamani na bendera ya ubora. Ili kupata maana ya data mbichi, lazima utofautishe dhana tatu:
- Mwenendo: Mwelekeo wa muda mrefu (k.m. ongezeko la msimu wa upitishaji).
- Msimu/mzunguko: Sampuli zinazojirudia wakati wa mchana au mwaka (k.m., mwinuko wa DO kwa usanisinuru ya mchana).
- Anomaly: Thamani za umoja au za muda mfupi ambazo kitakwimu zinapotoka kutoka kwa muundo unaotarajiwa.
Kigezo
Aina ya ufuatiliaji wa kawaida
Kikomo cha sampuli (kuacha)
Tatizo la sensor ya kawaida
pH
Dakika 1-5
6-9 (bila umoja)
Kuhama kwa electrode ya kumbukumbu
Oksijeni iliyoyeyushwa (DO)
Dakika 5-15
≥ 5 mg/L (wastani wa kupokea)
Uchafuzi wa utando (biofouling)
conductivity
Dakika 5-15
Inategemea darasa, µS/cm
Calibration drift
COD (kichanganuzi endelevu)
Dakika 15-60
250mg/L
Uchovu wa reagent, kuziba
PM10 (hewa)
Saa 1
50 µg/m³ (saa 24)
Athari ya unyevu / condensation
Kwa nini bendera za QA/QC ni muhimu?
QA/QC (uhakikisho wa ubora / udhibiti wa ubora) ni kuhusu kuambatisha lebo ya uaminifu kwa kila kipimo. Hata kama thamani inaonekana kitakwimu kuwa "kipimo kilichopita", ni batili ikiwa ilitolewa nje ya dirisha la urekebishaji au ikiwa kitambuzi kinafanyiwa matengenezo. Nambari za bendera za kawaida:
Maana ya Bendera----- ---------------------------------------G Nzuri - halali, vipimo vinavyokubalikaMshukiwa — inatia shaka, uthibitisho unahitajikaM Haipo — inakosekana / tupu rekodiC Urekebishaji — dirisha la urekebishaji/utunzaji, data batiliEKadiriwa — imehesabiwa thamani iliyokadiriwa.
Kidokezo: Fungua kumbukumbu za urekebishaji na urekebishaji kila wakati kabla ya kuanza uchanganuzi wa kupita kiasi. Ikiwa COD inaruka saa 03:40 inaambatana na urekebishaji wa kiotomatiki wa usiku mmoja au mabadiliko ya kitendanishi, hii ni data ya bendera ya "C"; Sio somo la kengele, lakini kwa kusafisha data.
Uchanganuzi usio wa kawaida na muhtasari wa mwenendo ukitumia AI
Unaweza kutumia LLM kukagua data ya jedwali kwa haraka, mifumo ya bendera ambayo jicho la mwanadamu linaweza kukosa, na kutatua dhahania za awali. Jambo muhimu: Kutoa kielelezo data mbichi, vitengo na kikomo pamoja na kuuliza uchunguzi unaoweza kuthibitishwa kutoka kwake.
TAARIFA DHAIFU: "Je, kuna tatizo na data hii ya ubora wa maji?" STRONG PROMPT: "Ifuatayo ni dakika 15 za ufuatiliaji wa data ya sehemu ya kutiririsha maji machafu (safu wima: saa, COD [mg/L], utendakazi [µS/cm], pH, bendera ya QA). Kikomo cha utiaji COD ni 250 mg/L, pH kati ya 6-9. Kazi yako: 1) Orodhesha mihuri ya muda iliyo na alama za kipimo cha 'G' pekee; alama za kipimo cha 'G' 2 ndizo pekee. na alama za C/M/S katika orodha tofauti ya 'uthibitishaji unaohitajika' 3) Onyesha kwa kila mteremko wa kuruka (mstari mmoja) au kupanda kwa mfululizo (>= mistari 3 mfululizo). data badala yake."
Kidokezo chenye nguvu hufunga kielelezo kwa utaratibu madhubuti, kuchanganua bendera, na kujumuisha maagizo ya wazi ya "ikiwa huna uhakika, usiseme" ili kupunguza mawazo (tafsiri ya kujitengenezea).
Tahadhari: LLM inaweza kufanya makosa katika ulinganisho wa kizingiti cha nambari; Inaweza kukosea 248 mg/L kama "imezidi" au 252 mg/L kama "ndani ya kikomo." Thibitisha upya KILA ukiukaji wa orodha za modeli, ama kwa kuonekana kutoka kwa jedwali ghafi au kwa fomula (k.m. thamani > 250). mfano scans; Unaamua kikomo.
Mbinu ya data haipo (imputation)
Sensorer huziba, nguvu hukatika, mawasiliano hukatika. Jinsi unavyojaza data inayokosekana huathiri moja kwa moja mwelekeo wako na uchanganuzi wa waliozidi. Imputation ya uwongo inaweza "kuunda" overshoot ambayo haipo au kuficha overshoot halisi.
agiza panda kama pdimport numpy kama np# mfululizo wa COD wa dakika 15; -999 msimbo wa kifaa "no data" "flag": ["G", "G", "M", "M", "G", "S", "G", "G"],})# 1) Geuza misimbo ya kifaa ziwe thamani halisi iliyokosekana valuedf.loc[df["koi"] == -999, "koi"] = np.SHOnan# 2) RT 2 hatua za mstari (<2) RT flag imputationgap = df["koi"].isna()df["koi_full"] = df["koi"].interpolate(limit=2)df.loc[gap & df["koi_full"].notna(), "flag"] = "E" #Makadirio ya thamani ya G kwa uchanganuzi wa kipimo # 3) PEKEE = df[(df["koi_full"] > 250) & (df["flag"] == "G")]chapisha(asyms[["ts", "koi_full", "bendera"]])
Kwa njia hii, mapungufu mafupi yanajazwa, lakini maadili yaliyojazwa yana alama ya E na uamuzi wa overshoot unafanywa tu kutoka kwa kipimo halisi (G). Kwa kuwa thamani ya 1240 mg/L imealamishwa kama S (ya kutiliwa shaka), haijajumuishwa katika orodha ya kiotomatiki ya kuzidi; inathibitishwa kwanza.
Uthibitishaji kwa kuteleza kwa kihisi na urekebishaji
Kiwango cha dhahabu cha kubainisha ikiwa risasi iliyopindukia ni halisi au utelezi wa kihisi ni matokeo ya kimaabara ya sampuli ya kunyakua kwa wakati mmoja. Kwa mfano, ikiwa analyzer inayoendelea ilionyesha 1240 mg / L saa 03:40, na thamani ya kipimo cha maabara ya sampuli iliyochukuliwa wakati huo ni 205 mg / L, tatizo liko kwenye sensor; sio kutokwa. Huu ni utatuzi wa kengele ya pato la AI au SCADA na uwanja na maabara.
kesi ndogo
Sensor ya tope katika bonde la maji ya kunywa ilikuwa ikionyesha mwelekeo unaoongezeka polepole kwa siku tatu. Timu ya zamu ilitoa data ya kila wiki kwa LLM; "Ongezeko la kweli la tope kutokana na kukimbia baada ya mvua kunawezekana," mfano alisema. Hata hivyo, mhandisi huyo alipotazama kumbukumbu za hali ya hewa, aliona kuwa hakuna mvua katika eneo hilo wiki hiyo. Wakati wa ukaguzi wa shamba, ilieleweka kuwa biofouling ilikuwa imeunda kwenye dirisha la macho la sensor; Baada ya kusafisha na kurekebisha, maadili yanarudi kwa kawaida. Tafsiri ya LLM ya "tukio halisi linalowezekana" ilikanushwa na data ya nje (rekodi ya mvua) na udhibiti wa uwanja. Somo: Mfano unaweza kutoa hadithi inayokubalika lakini ya uwongo; mlolongo wa uthibitishaji unaikamata.
Makosa ya kawaida
- Kukosea data katika kidirisha cha urekebishaji/utunzaji (bendera C) kwa upitaji halisi.
- Kujaza data iliyokosekana kimyakimya na kuripoti thamani zilizowekwa kama vipimo halisi.
- Inakosea mdundo wa pekee (laini moja, ikiwezekana kelele ya umeme) kwa tukio linaloendelea.
- Kuamini kwa upofu ulinganisho wa sehemu za LLM (248 vs 250).
- Kufanya maamuzi kulingana na parameter moja bila kuangalia vigezo vya wakati mmoja (pH + conductivity + COD).
- Kutangaza kengele "halisi" bila kukataa utelezi wa kihisi kwa kutumia sampuli ya kunyakua/uthibitisho wa kimaabara.
- Kupuuza saa za ndani/UTC na zamu za majira ya kiangazi na kuhusisha matukio kwa wakati usiofaa.
Kwa muhtasari
- Data ya ufuatiliaji wa mazingira ni mfululizo wa wakati; Haiwezi kufasiriwa bila kutofautisha mwenendo, msimu na hali isiyo ya kawaida.
- Alama za QA/QC ni lebo ya kuaminika ya data; maamuzi hufanywa tu kutoka kwa data halali (G).
- LLM ni usaidizi wa haraka wa kusoma kwa mara ya kwanza kwa uchanganuzi wa hitilafu, uorodheshaji wa waliozidi kupita kiasi na muhtasari wa mwenendo, si watoa maamuzi.
- Mkakati wa data unaokosekana (imputation) unapaswa kuwa wazi; Thamani zilizojazwa zimewekwa alama na hazichukuliwi kama msingi wa uamuzi wa kuzidi.
- Sensor drift, biofouling, na calibration drift kuzalisha "overshoot bandia"; hutofautisha sampuli ya kunyakua na uthibitisho wa maabara.
- Pato la AI ni dhana; Data ghafi haiingii ripoti rasmi bila kuthibitishwa na rekodi ya urekebishaji na udhibiti wa uga.
Jukumu la maombi
Chukua seti ya data ya ufuatiliaji ya saa 24, ya dakika 15 uliyo nayo (au utengeneze kwa njia iliyosanifiwa) (angalau kigezo kimoja: COD, pH, au PM10) na uunde utekelezaji unaoongeza alama za QA/QC na kuorodhesha kupita kikomo. Kwanza, andika kidokezo chenye nguvu na uulize LLM kwa uchanganuzi wa hitilafu na kupita kiasi; Kisha uthibitishe kwa uhuru kuzidi sawa na thamani> kichujio cha kikomo kwenye Python. Tengeneza angalau mfano mmoja wa uigaji na utie alama kwa thamani zilizojazwa na E. Kwa kila "risasi" unapata "nitawezaje kuthibitisha hili kwa sampuli ya kunyakua/rekodi ya urekebishaji?" Jibu swali kwa sentensi moja. Hatimaye, weka jedwali ni makosa mangapi yaliyoalamishwa na LLM ni matukio ya kweli na ni ngapi ni matatizo ya kihisi/data, yenye uhalali.