本发明属于水质监测，具体涉及智慧工地水质监测调控系统、方法及存储介质。
背景技术：
1、近年来，随着物联网、大数据、人工智能等技术的快速发展，智慧工地水质在线监测系统应运而生。该系统利用先进的传感器技术实时监测施工现场水质环境，并通过数据采集模块将数据传输至数据处理中心。数据处理中心采用高效的算法和强大的计算能力，对接收到的数据进行处理和分析，得到工地水质污染情况。
2、中国专利cn116655130a公开了一种控制曝气的方法、系统、装置、设备和存储介质，该方法包括，获取监控污水的实时数据，其中，实时数据包括耗氧速率、氧转移效率和溶解氧浓度；通过实时数据，计算当前污水处理所需的曝气量；将当前污水处理的曝气量调整为当前污水处理所需的曝气量；但是现有污水曝气方法至少存在以下问题，首先，无法针对监控污水的实时数据对监测点污染程度进行评估，其次，也无法对实时数据监测点所关联的监测点污染状态进行评估，从而使得污水曝气处理时效性差，进而造成系统能耗增加的问题，针对上述问题，我们提出了智慧工地水质监测调控系统、方法及存储介质。
技术实现思路
1、本发明的目的在于针对现有技术的不足之处，提供智慧工地水质监测调控系统、方法及存储介质，解决了现有污水曝气方法至少存在以下问题，首先，无法针对监控污水的实时数据对监测点污染程度进行评估，其次，也无法对实时数据监测点所关联的监测点污染状态进行评估，从而使得污水曝气处理时效性差，进而造成系统能耗增加的问题。
2、本发明是这样实现的，智慧工地水质监测调控方法，所述智慧工地水质监测调控方法包括：
3、基于水质监测器获取水质监测信息，其中水质监测信息包括水质数据以及监测点坐标数据；
4、采集监测信息样本，对监测信息样本进行预处理，将监测信息样本分为训练集、测试集、验证集，基于训练集迭代训练水质评估模型，使用验证集对水质评估模型进行调整，使水质评估模型收敛，完成水质评估模型训练，基于测试集测试训练完毕后水质评估模型的模型精度，判断水质评估模型是否符合预设模型精度，若符合预设模型精度，输出水质评估模型；
5、加载水质监测信息，以水质监测信息为输入，水质评估模型识别异常监测点，基于异常监测点的水质异常度评估与异常监测点关联的关联监测点的脆性度；
6、基于水质异常度、脆性度生成污染处理指令，水质处理器响应于污染处理指令，执行污染处理指令。
7、优选地，所述采集监测信息样本，对监测信息样本进行预处理的方法，具体包括：
8、对采集到的监测信息样本进行清洗优化，获得原始信息数据；
9、以污染指标、水体参数、时间节点、监测坐标为基准，从原始信息数据中提取污染指标向量、水体参数向量、周期时段向量以及坐标特征向量；
10、加载提取到的污染指标向量、水体参数向量、周期时段向量以及坐标特征向量，对污染指标向量、水体参数向量、周期时段向量以及坐标特征向量进行标准化处理和哑变量处理，并将处理后的污染指标向量、水体参数向量、周期时段向量以及坐标特征向量拼接，得到高维污染扩展向量；
11、输入多维度的高维污染扩展向量集合k＝k1,k2,...,kn-1,kn，将高维污染扩展向量集合中的高维污染扩展向量kn映射至m维空间，输出高维污染扩展向量在m维空间对应最大的样本映射向量kmn。
12、优选地，所述基于训练集迭代训练水质评估模型的方法，具体包括：
13、引入时间序列分析模型，去除时间序列分析模型中预处理层，并基于渗流机制改进时间序列分析模型的池化层，生成改进型时间序列分析模型；
14、自定义异常点识别器，将异常点识别器置于改进池化层之后，用于识别异常监测点，其中，改进型时间序列分析模型包括输入层、编码层、卷积层、改进池化层、异常点识别器、污染因子提取器以及输出层；
15、选择合页损失函数为改进型时间序列分析模型的损失函数，以adam优化器调整时间序列分析模型的超参数；
16、其中，所述异常点识别器包括异常提取flatten层、残差连接模块以及自注意力层，所述异常提取flatten层与残差连接模块连接，残差连接模块与自注意力层连接。
17、优选地，所述基于训练集迭代训练水质评估模型的方法，具体还包括：
18、获取预处理后的样本映射向量kmn，将样本映射向量kmn输入输入层中，编码层获取输入层中样本映射向量kmn，编码层基于堆栈降噪自编码器对样本映射向量kmn进行编码标记，创建csv格式的数据集xl＝x1,x2,...,xk-1,xk以及数据集对应的污染标签集yl＝y1,y2,...,yk-1,yk；
19、将数据集xl＝x1,x2,...,xk-1,xk以及污染标签集yl＝y1,y2,...,yk-1,yk扩张至卷积层中，通过卷积层的卷积核引入扩张，增加局部特征感受野，其中，卷积层卷积结果表示为：
20、
21、其中，c为卷积层的卷积核数量，k为数据集中样本数量，d为卷积膨胀基数，f(xl)为局部特征感受野向量表示；
22、
23、其中，c为卷积层的卷积核数量，i为卷积层的层数，d为卷积膨胀基数；
24、将卷积层卷积结果输入改进池化层中，改进池化层降低卷积结果维度，对卷积结果进行拆解，保留权重影响大的特征信息，并基于特征信息输出最大池化特征；
25、其中，基于渗流机制改进时间序列分析模型的池化层时，池化层的最大池化提取函数表示为：
26、
27、w(xl)为卷积结果降维度输出结果，而g为池化层尺度参数，ψ(xl)为渗流机制改进函数；
28、
29、其中，λ为渗流机制改进函数的高斯环绕尺度，r(xl)为卷积结果经渗流机制最远传播距离，而为卷积结果经渗流机制平均传播距离；
30、加载最大池化特征，异常点识别器识别最大池化特征关联的异常监测点，输出异常监测点队列；
31、将异常监测点队列输入污染因子提取器，污染因子提取器提取异常监测点队列对应的水质污染因子。
32、优选地，所述水质评估模型识别异常监测点的方法，具体包括：
33、加载水质监测信息，水质评估模型对水质监测信息预处理，输出高维污染扩展向量在m维空间对应最大的监测映射向量kτmn；
34、异常点识别器中异常提取flatten层遍历监测映射向量kτmn，计算监测映射向量kτmn的异常度。
35、优选地，所述水质评估模型识别异常监测点的方法，具体还包括：
36、基于预设的异常阈值判断监测映射向量kτmn的异常度是否大于异常阈值，若大于异常阈值，则判定当前监测映射向量kτmn对应的监测点为异常监测点；
37、其中，监测映射向量kτmn的异常度通过公式(5)计算：
38、
39、其中，s(xl)为监测点的水质异常度，wτ(xl)为水质评估模型中池化层的最大池化提取值，u为监测点污染影响因子数量，u(x)为监测点污染影响因子权重值，α,β分别为监测点污染影响因子的前置加权系数以及后置加权系数；
40、
41、u为监测点污染影响因子数量，α,β分别为监测点污染影响因子的前置加权系数以及后置加权系数，而yk为污染标签输入向量；
42、基于异常监测点的水质异常度评估与异常监测点关联的关联监测点的脆性度；
43、
44、为关联监测点的脆性度，p为残差连接模块的耦合系数，v为关联监测点的数量。
45、所述水质处理器响应于污染处理指令，执行污染处理指令的方法，具体包括：
46、获取异常监测点的水质异常度，基于异常监测点的水质异常度确定异常监测点的水污染因子，基于水污染因子确定水质处理器的第一曝气量；
47、加载关联监测点的脆性度，基于关联监测点的脆性度确定水质处理器的第二曝气量；
48、加载第一曝气量、第二曝气量，基于第一曝气量、第二曝气量生成水质处理器控制指令，水质处理器响应于污染处理指令，确定水质处理器的工作参数，执行污染处理指令。
49、另一方面，本发明还提供了智慧工地水质监测调控系统，所述智慧工地水质监测调控系统，具体包括：
50、至少一组水质监测器，所述水质监测器用于获取水质监测信息，其中水质监测信息包括水质数据以及监测点坐标数据；
51、模型构建模块，模型构建模块由信息预处理单元、模型改进单元以及模型训练单元组成，模型构建模块用于采集监测信息样本，对监测信息样本进行预处理，基于训练集迭代训练水质评估模型，使用验证集对水质评估模型进行调整，输出构建训练完毕的水质评估模型；
52、异常监测点确定模块，异常监测点确定模块用于加载水质监测信息，以水质监测信息为输入，水质评估模型识别异常监测点，基于异常监测点的水质异常度评估与异常监测点关联的关联监测点的脆性度；
53、水质处理器，所述水质处理器基于水质异常度、脆性度生成污染处理指令，水质处理器响应于污染处理指令，执行污染处理指令。
54、优选地，所述水质处理器包括：
55、第一计算模块，所述第一计算模块用于获取异常监测点的水质异常度，基于异常监测点的水质异常度确定异常监测点的水污染因子，基于水污染因子确定水质处理器的第一曝气量；
56、第二计算模块，所述第二计算模块用于加载关联监测点的脆性度，基于关联监测点的脆性度确定水质处理器的第二曝气量；
57、水处理参数确定模块，水处理参数确定模块用于加载第一曝气量、第二曝气量，基于第一曝气量、第二曝气量生成水质处理器控制指令，水质处理器响应于污染处理指令，确定水质处理器的工作参数，执行污染处理指令。
58、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行所述的智慧工地水质监测调控方法。
59、与现有技术相比，本技术实施例主要有以下有益效果：
60、本发明实施例中，通过水质监测器获取水质监测信息，然后基于预构建的水质评估模型对监测点水质监测信息进行精准的评估和关联分析，从而保证了水质处理器对监测点进行精准高效的曝气处理，避免了污水处理时水质处理器响应不及时导致处理效果差的问题，同时也能基于监测点水质监测信息确定水质处理器的工作参数，保证了对工地污水高效处理。
61、本发明实施例中，在水质评估模型训练前，通过对监测信息样本进行预处理能够减少模型算法所需计算资源，从而保证了模型训练更为高效，同时也能避免模型训练时高维污染扩展向量容易出现过拟合的问题，同时通过映射得到的低维特征能够更有效地捕捉到原始数据中的关键信息，优化后续的特征提取和利用。
62、本发明实施例中，通过构建并训练水质评估模型能够为工地水污染处理提供精准的监测评估体系，且水质评估模型以改进型时间序列分析模型为初始模型，引入渗流机制、残差连接模块以及自注意力层，从而有效捕捉监测点异常特征信息，并融合渗流机制、残差连接模块以及自注意力层特征提取的优势，解决了现有无法针对监控污水的实时数据对监测点污染程度进行精准评估的问题，对提高工地水污染处理与智能调控具有重要意义，有助于降低水质污染程度，为施工安全、工程质量、工地环境等提供有力保障。
1.智慧工地水质监测调控方法，其特征在于，所述智慧工地水质监测调控方法包括：
2.如权利要求1所述的智慧工地水质监测调控方法，其特征在于：所述采集监测信息样本，对监测信息样本进行预处理的方法，具体包括：
3.如权利要求2所述的智慧工地水质监测调控方法，其特征在于：所述基于训练集迭代训练水质评估模型的方法，具体包括：
4.如权利要求3所述的智慧工地水质监测调控方法，其特征在于：所述基于训练集迭代训练水质评估模型的方法，具体还包括：
5.如权利要求4所述的智慧工地水质监测调控方法，其特征在于：所述水质评估模型识别异常监测点的方法，具体包括：
6.如权利要求5所述的智慧工地水质监测调控方法，其特征在于：所述水质评估模型识别异常监测点的方法，具体还包括：
7.如权利要求1所述的智慧工地水质监测调控方法，其特征在于：所述水质处理器响应于污染处理指令，执行污染处理指令的方法，具体包括：
8.智慧工地水质监测调控系统，用于执行如权利要求1-7任一所述的智慧工地水质监测调控方法，其特征在于：所述智慧工地水质监测调控系统，具体包括：
9.如权利要求8所述的智慧工地水质监测调控系统，其特征在于：所述水质处理器包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行如权利要求1-7任一所述的智慧工地水质监测调控方法。
