reverse_osmosis_model

RO膜污染监控与CIP预测系统

系统简介

基于压差预测数据分析膜污染速率，自动计算最优CIP清洗时机。

核心原理：

• 通过滑动窗口计算污染速率 k 值（压差上升速度）
• 识别 k 值持续上升的时间段，找出污染最严重的时机
• 综合一段、二段数据，给出最优CIP建议

主要功能：

• 支持 RO1-RO4 四个机组同时分析
• 提供 4 种决策策略（最早/最晚/加权/严重度）
• 自动生成日志、图表、HTML报告
• 支持 API 回调推送决策结果

快速开始

1. 基本运行

from main_simple import main

# 使用默认参数（策略3-加权平均，当前时间，所有机组）
result_df = main()

# 指定策略和时间
result_df = main(strategy=3, start_date='2025-08-26 00:00:00')

# 只分析特定机组
result_df = main(strategy=1, unit_filter='RO1')

2. 自动监控模式

启动监控系统：

python smart_monitor.py

监控系统功能：

• 每5秒检查一次 config.json 中的 cip_times.*.actual_time
• 检测到 actual_time 变化时，自动触发预测
• 保存预测结果到 predicted_time（仅用于记录）
• 自动发送预测结果到回调接口
• 循环监控，无需人工干预

工作流程：

修改actual_time → 监控检测 → 执行预测 → 保存predicted_time → 发送回调 → 继续监控

3. 策略说明

策略	说明	适用场景
1	最早时机 - 取一段/二段中较早的	保守维护
2	最晚时机 - 取一段/二段中较晚的	最大化运行时间
3	加权平均 - 根据k值加权（推荐）	平衡维护和运行
4	污染严重 - 选k值最大的段	基于实际污染程度

配置文件 (config.json)

{
  "api": {
    "base_url": "http://example.com",
    "callback_endpoint": "/api/cip/callback",
    "jwt_token": "your_token"
  },
  "scada": {
    "project_id": "12345"
  },
  "cip_times": {
    "RO1": {
      "actual_time": "2025-09-11 10:30:00",
      "predicted_time": null
    },
    "RO2": {
      "actual_time": "2025-09-30 10:30:00",
      "predicted_time": null
    },
    "RO3": {
      "actual_time": "2025-09-12 10:05:00",
      "predicted_time": null
    },
    "RO4": {
      "actual_time": "2025-09-29 10:30:00",
      "predicted_time": null
    }
  }
}

字段说明：

• cip_times：各机组CIP时间状态
  • actual_time：实际执行的CIP时间（修改此字段触发预测）
  • predicted_time：模型预测的下次CIP时间（仅用于记录，不参与计算）
• api：API回调配置，用于推送预测结果
• scada.project_id：项目标识，用于API回调

使用说明：

1. 手动更新：直接修改 actual_time 字段，监控系统会自动检测并触发预测
2. API更新：调用提供的接口函数更新（见下方API集成部分）

算法原理

核心逻辑

1. 获取预测数据 → 从污染预测模型获取未来压差数据
2. 计算k值 → 7天滑动窗口线性回归，得到污染速率序列
3. 识别上升段 → 找出k值连续上升的时间段
4. 应用约束 → 至少距离起点30天（避免过早CIP）
5. 找最优点 → 在有效时间段内选k值最大的点
6. 策略综合 → 对一段、二段按策略综合决策

参数调整

核心参数在 OptimalCIPPredictor 类中：

• window_days=7：k值计算窗口，增大平滑噪声，减小提高敏感度
• min_continuous_rising=3：k值连续上升最小点数，增大避免误报
• min_delay_days=30：最小延迟天数，根据实际CIP周期调整

输出示例

控制台输出

分析机组 RO1
  预测天数: 90天
  找到RO1压差列: 2个
  C.M.RO1_DB@DPT_1_pred: 2025-10-15 18:00:00 (第71天, k=0.000234)
  C.M.RO1_DB@DPT_2_pred: 2025-10-18 12:00:00 (第75天, k=0.000198)
  RO1最优CIP时机: 2025-10-16 08:00:00

==================================================
分析完成
==================================================
机组类型           CIP时机              策略说明
   RO1  2025-10-16 08:00:00  加权平均策略 (第72天)
   RO2  2025-11-04 06:00:00  加权平均策略 (第91天)
   RO3  2025-10-28 14:00:00  加权平均策略 (第84天)
   RO4              None      无有效CIP时机

日志与图表

系统自动生成完整的分析记录，保存在 analysis_logs/ 目录：

目录结构

analysis_logs/
├── CIP_Analysis_20251015_095138.log              # 主日志
├── data/                                          # 数据文件
│   ├── CIP_Analysis_20251015_095138_prediction_data.csv    # 原始预测数据
│   ├── CIP_Analysis_20251015_095138_RO1_pressure_data.csv  # RO1压差数据
│   ├── CIP_Analysis_20251015_095138_RO2_pressure_data.csv
│   └── CIP_Analysis_20251015_095138_final_results.csv      # 最终结果
├── plots/                                         # 图表
│   ├── CIP_Analysis_20251015_095138_pressure_trends.png    # 压差趋势图
│   └── CIP_Analysis_20251015_095138_unit_comparison.png    # 机组对比图
└── reports/                                       # 报告
    ├── CIP_Analysis_20251015_095138_analysis_data.json     # 完整分析数据
    └── CIP_Analysis_20251015_095138_report.html            # HTML报告

主要输出

1. 压差趋势图 (pressure_trends.png)

• 4个子图，分别展示RO1-RO4的压差变化
• 一段、二段压差曲线对比
• 自动截取到各机组预测周期

2. 机组对比图 (unit_comparison.png)

• 左图：各机组预测周期对比（柱状图）
• 右图：CIP建议时机分布（距起点天数）

3. HTML报告 (report.html)

• 会话信息、输入参数、分析结果
• 带样式的表格展示
• 适合分享和存档

4. 主日志 (.log)

• 详细记录每个机组的分析过程
• k值计算、时间段识别、策略选择
• API调用结果、耗时统计

API集成

方式1：手动更新配置文件

直接修改 config.json 中的 actual_time：

{
  "cip_times": {
    "RO1": {
      "actual_time": "2025-10-12 12:00:00",  // 修改这里
      "predicted_time": null
    }
  }
}

监控系统会在5秒内检测到变化并自动触发预测。

方式2：通过代码接口更新

系统提供了两个接口函数，用于从外部系统获取实际CIP时间并自动触发预测：

1. 单个机组更新

from smart_monitor import SmartCIPMonitor

monitor = SmartCIPMonitor()

# 更新RO1的实际CIP时间
success = monitor.update_actual_cip_time('RO1', '2025-10-12 12:00:00')

if success:
    print("更新成功，系统将自动触发预测")

2. 批量更新多个机组

from smart_monitor import SmartCIPMonitor

# 定义数据获取函数
def get_cip_times_from_database():
    """从数据库或其他接口获取实际CIP时间"""
    # TODO: 实现具体的数据获取逻辑
    return {
        'RO1': '2025-10-12 12:00:00',
        'RO2': '2025-10-13 08:30:00',
        'RO3': '2025-10-14 15:45:00',
        'RO4': '2025-10-15 10:20:00'
    }

monitor = SmartCIPMonitor()

# 批量获取并更新
results = monitor.fetch_and_update_from_api(
    api_function=get_cip_times_from_database
)

# 查看结果
for unit_name, success in results.items():
    print(f"{unit_name}: {'成功' if success else '失败'}")

3. 完整集成示例

from smart_monitor import SmartCIPMonitor
import threading
import time

# 创建监控器
monitor = SmartCIPMonitor()

# 启动监控系统（后台线程）
monitor.running = True
thread = threading.Thread(target=monitor.monitor_loop, daemon=True)
thread.start()

# 定期从外部接口获取并更新（主线程）
while True:
    # 从数据库或API获取实际CIP时间
    results = monitor.fetch_and_update_from_api(
        api_function=get_cip_times_from_database
    )
    
    # 等待1小时后再次检查
    time.sleep(3600)

API回调推送

配置了API后，预测完成会自动推送结果：

推送格式：

{
  "list": [
    {
      "type": "RO1",
      "project_id": "12345",
      "ctime": "2025-10-16 08:00:00"
    }
  ]
}

失败会自动重试3次，间隔10秒。

接口函数说明

函数	功能	参数	返回值
update_actual_cip_time	更新单个机组时间	unit_name, actual_time_str	bool
fetch_and_update_from_api	批量获取并更新	api_url 或 api_function	dict

注意事项：

• 时间格式必须是 YYYY-MM-DD HH:MM:SS
• 机组名称必须是 RO1, RO2, RO3, RO4 之一
• 更新后无需手动触发预测，监控系统会自动处理
• 相同的时间不会重复触发预测

依赖模块

• fouling_model_0922.predict.Predictor：压差预测模型
• cip.run_this.main：计算各机组预测周期
• logging_system.CIPAnalysisLogger：日志和图表生成

---

注意事项

1. 预测周期不够：确保预测数据至少覆盖30天以上
2. 频繁无结果：可以降低 min_continuous_rising 或 min_delay_days
3. 结果不合理：检查预测模型质量，或尝试不同策略
4. 查看详细过程：打开 analysis_logs/ 目录下的日志文件
5. 配置文件格式：确保 actual_time 格式为 YYYY-MM-DD HH:MM:SS
6. 监控系统：监控系统必须保持运行才能自动触发预测
7. API集成：使用接口函数更新时，确保监控系统在后台运行

常见问题

Q: 如何触发预测？
A: 有两种方式：1) 手动修改 config.json 中的 actual_time；2) 使用代码接口 update_actual_cip_time()

Q: 更新 actual_time 后多久会触发预测？
A: 监控系统每5秒检查一次配置文件，所以最多5秒内会触发

Q: predicted_time 有什么用？
A: 仅用于记录模型预测结果，不参与任何计算和判断逻辑

Q: 如何避免重复预测？
A: 系统自动记录已处理的时间，相同的 actual_time 不会重复触发

Q: 如何集成到现有系统？
A: 参考"API集成"部分，使用提供的接口函数从数据库或API获取实际CIP时间并更新