实时数据异常检测模块
污水监控 环境监测 云平台
半夜三点，我盯着电脑屏幕上的折线图突然开始剧烈波动——污水厂进水口的COD浓度在十分钟内从200mg/L飙升到1200mg/L。这不是普通的污染事件，系统自动触发警报的同时，Python脚本已经开始抓取周边企业排水数据。
def detect_anomaly(sensor_data): baseline = get_rolling_avg() # 获取72小时移动平均 threshold = baseline * 3.5 # 动态阈值 if any(value > threshold for value in sensor_data[-10:]): # 定位具体污染源 upstream_data = requests.get(f'http://cloud-platform/api/upstream?location={location}') polluter_ids = [x['id'] for x in upstream_data if x['value'] > baseline*2] # 启动应急采样 control_robot('collect', coordinates) return polluter_ids return None这段代码的巧妙之处在于动态阈值的设定——不是固定数值，而是根据移动平均实时调整。上周某化工厂偷偷排放时，系统就是靠这个方法在常规监测设备还没反应时提前15分钟预警的。
云端的数据可不是简单存个Excel完事。我们在AWS上搭建的物联平台，每个监测点数据都带着空间坐标：
// 污水管网三维可视化 const pipeLayer = new ThreeJS.Layer({ dataSource: 's3://monitoring-data/2023-08/pipe-network.json', style: { color: (feature) => { const ph = feature.properties.waterQuality.ph; return ph < 6 ? '#ff0000' : ph > 8 ? '#0000ff' : '#00ff00'; }, flowRate: (feature) => feature.properties.flow * 0.2 } });当鼠标悬停在虚拟管网上时，pH值、流速、电导率等20多项参数实时显示。环保局的人第一次看到这个系统时说："这比《钢铁侠》里的全息投影还带劲"。
不过真正让老运维师傅们服气的还是预测模型。去年用LSTM网络训练出的水质预测系统，提前三天准确预测了暴雨导致的处理厂超负荷：
# 水质预测模型核心代码 class WaterQualityLSTM(nn.Module): def __init__(self, input_size=8, hidden_size=64): super().__init__() self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True) self.fc = nn.Linear(hidden_size, 3) # 预测COD/氨氮/总磷 def forward(self, x): # x形状: (batch_size, 72小时, 8个特征) out, _ = self.lstm(x) return self.fc(out[:, -1, :]) # 取最后一个时间步 # 训练时特别注意处理缺失值 df.fillna(method='ffill', inplace=True) scaler = RobustScaler() # 应对异常值比标准Scaler更稳定有个趣事：模型刚开始总把下雨时的COD预测值搞错，后来发现是训练数据里缺少暴雨泵站倒灌的监测点数据——机器再聪明也得靠准确的数据投喂。
现在的监控中心大屏上，全市2000多个监测点像星空般闪烁。红色预警出现时，3D地图自动定位到某段管网，调出实时视频确认是否有人偷排。上次逮到个半夜用无人机往雨水井倒废液的，AI识别飞手都比保安快。
技术永远只是工具，但当传感器网络、云平台和算法模型真正联动时，那些原本消失在暗管里的污染物终于无所遁形。或许这就是数字时代的环境守护者该有的样子——既懂代码的严谨，又明白污水里藏着的人性博弈。