Table of Contents
为什么数据质量是首要问题
机器学习文献大多聚焦于算法选择，然而水厂的实际部署一再表明，算法很少是限制因素。在行业短暂的事后复盘记录中，大多数失败的AI水处理试点项目，其根源在于传感器证据质量差，而非模型能力不足。只要输入数据条件良好，梯度提升回归或物理信息神经网络都能以高精度预测出水氨氮或曝气需求。当传感器现场提供的是噪声大、漂移或间歇性的证据时，任何算法的精巧都无法挽救模型的性能。
这一教训在多个参考部署中都有体现——全面AI管理的西安第三再生水厂、K-water的华城AI水处理厂，以及由CEIT和Hispavista Labs开发的SIMURAI数字孪生平台：调试阶段的主要工作集中在传感器数据质量上，而非模型调优。
四个数据质量维度及其仪表规格
准确性
准确性是测量值与真实工艺值之间的接近程度。对于机器学习而言：
- 工艺pH：准确度达到±0.02 pH或更优，并具备自动温度补偿。
- 溶解氧：准确度为±0.1 mg/L或读数的1%，取两者中较大值。
- 电导率：准确度为读数的±1%，并具有可追溯的电极常数记录。
- 浊度：准确度为读数的±2%，或在低于1 NTU时为±0.02 NTU。
完整性
完整性是指不存在数据缺口。随着缺失样本的累积，模型性能会下降，因此模型开发者会设定缺口预算——通常远低于每周样本量的百分之一——超过该预算则认为信号不可靠。因此，仪表必须包含：
- 自诊断状态寄存器，以便标记数据缺口，而非被静默填充。
- 本地数据记录，以便网络中断时不会丢失证据。
- 有据可查的断电后恢复行为。
及时性
及时性是指读数到达模型时的时效。对于实时控制而言：
- 分析仪响应时间：接触式电极低于30秒，湿化学法低于2分钟。
- 厂区网络内Modbus轮询延迟低于500毫秒。
- 时间戳应来自变送器，而非数据采集服务器，以避免网络抖动期间的歧义。
一致性
一致性是指相同的工艺状态在不同时间和不同传感器单元上产生相同读数的特性。要求包括：
- 漂移在每个校准周期内限制在量程的很小百分比范围内。
- 同一系列的所有传感器采用标准化的单位和寄存器布局。
- 参考化学物质的可追溯性，以支持跨厂比较。
数据质量失败时会发生什么
AI试点项目遇到困难时报告的故障模式大体一致：
- 静默漂移：曝气溶解氧传感器在数周内漂移零点几mg/L而无报警；模型将漂移视为真实趋势，并缓慢地使曝气失调。
- 通信中断：氨氮传感器在季风季节网络不稳定期间间歇性掉线；模型对硝化作用的预测持续退化，直至传感器修复。
- 时间漂移：变送器和数据采集服务器使用不同的时钟；模型错误地归因因果关系，并发出适得其反的加药建议。
上述每种故障模式都可以在仪表层面加以预防，而每种故障在事后检测的代价都很高昂。
模型所需的诊断元数据
现代水处理机器学习模型不仅依赖主测量值，还需要每个传感器的元数据：
- 距上次已知良好状态的校准时长（小时）。
- 基于电极电流、膜响应或光学散射推导的污垢估算值。
- 传感器尖端温度，该温度并不总是等同于工艺主体温度。
- 汇总自诊断状态的健康标志。
上海七枚的溶解氧变送器和多参数传感器系列在文档化的Modbus寄存器上公开上述每个字段，这意味着机器学习平台无需编写复杂的封装软件即可对自身输入进行门控。
数据质量治理实践
成功的水厂机器学习团队共享以下治理实践：
- 每个训练数据集都进行版本管理，以便在模型重新训练时能发现传感器性能的变化。
- 每日计算每个传感器的数据质量评分，并与原始测量值一同存储。
- 传感器更换或校准事件作为一等事件记录在训练数据中。
- 数字孪生平台同时摄取测量值和数据质量评分，以便下游模型决定对每个输入的信任程度。
不同水质化学条件下的传感器数据质量
同一传感器在不同水体中表现不同。市政二级出水中pH电极的寿命通常为12至18个月。高有机物或高盐度的工业废水可能将该寿命缩短至4至8个月。因此，模型开发者需要特定水质化学条件下的预期寿命数据，而不仅仅是实验室基准数据。
上海七枚为其在线pH电极、电导率仪和余氯变送器系列维护了特定水质化学条件下的性能包络，并发布在与数字孪生供应商所用标准工艺分类一致的应用说明中。
机器学习部署的工程检查清单
规划机器学习控制回路的工程师在将信号提升为模型输入之前，应确认以下事项：
- 传感器满足或超过其变量类别的数据质量包络要求。
- 自诊断状态以机器可读的形式暴露给模型。
- 采样和网络延迟预算已端到端验证。
- 针对水厂实际工艺，已记录特定水质化学条件下的漂移和污垢数据。
- 每次测量都计算并存储每个传感器的数据质量评分。
结语
机器学习的承诺，其强度取决于训练所用证据的质量。那些将数据质量视为首要工程 discipline、并使仪表规格与四个经典维度保持一致的水处理厂，将持续超越那些在较弱数据上运行相同算法的同行。上海七枚乐于发布每种水质化学条件下的证据，并在寄存器层面公开诊断元数据，这正是其分析仪今年持续出现在参考AI水处理部署的数据质量方案中的原因之一。
