污水厂的数据遍布在污水厂整个的生产运行过程中，运行人员需要从中获取有效的运行经验，从而指导污水厂的生产运行，污水厂的数据从杂乱无章到脉络清晰，需要运行管理人员对数据进行分析判断，把这些数据变成生产管理所需要的关键数据，这就是数据分析在污水厂工艺调控中的作用。
有些同行也在问，污水厂的数据分析对污水厂的作用真的有么?为什么在之前没有做数据分析也一直不错，那样的数据分析还有用么?公众号一直在努力以提升污水厂的运行管理为最终的目的，数据化管理通过真实有效的数据，改变一个污水厂以来关键运行人员的经验知道运行的模式，去除人为因素在污水厂的工艺管理上的影响，以更精准的历史数据和数据分析来指导污水厂的生产运行，这样的生产成为有轨化，有序化的自我完善的体系，将会使生产管理越来越简易，也越来越高效。应该说所有的效率化来源于基础的全面性的数据收集和分析，针对污水厂的特殊性，我们需要通过各种手段，去收集挖掘发现数据在污水厂的管理中的应用，从而使污水厂的管理真正成为管理，而不是救火。
公众号这一期从进水水质的24小时的分析来谈谈污水厂数据分析对生产管理的作用。污水处理厂里很多运行数据是来自于进水水质，而进水水质的确定是每个污水厂需要认真进行的工作。但是在一般的污水厂中，进水取样一般是取瞬时样，较为常见的是在每天早晨化验室人员上班后取样进行分析，这样的取样数值在一天内偶然性较大，不能代表一天的进水平均值，因此在实际运行中，建议定期或者采用在线取样装置来进行定时取样，关于取样公众号之前的一篇文章中进行了详细的说明，大家可以点击回看文章后面的链接阅读。
这一期公众号收集了两个污水厂所做的24小时水质分析数据，进行一些数据分析，先来看A厂的一些数据：
每两小时取样做一次化验，从化验的数据表格上，很难观察到具体的变化的情况，这种情况下，我们一般要采用数据的可视化工具，通过表格软件的图表功能，可以把这些数据转化成变化的曲线，从曲线上进行数据的分析：
从这张图中可以看到，1月的COD值变化极大，极大的拉伸了整个图表的纵坐标，使其他月份的曲线无法准确看到，这就是今天我们要讨论的数据坏点的去除问题。对于这种异常的数据我们要怎样的进行分析呢?
首先要确认这些异常数据的来源，一般来说，污水厂的进水取样点会放在粗格栅或者细格栅后面，而厂区内的生产生活产生的废水一般通过厂内的污水管道会排入到污水厂的集水井内，这部分废水来源有办公区的生活污水，污泥车间的脱泥上清液，污泥储池的溢流，二沉池的浮渣液，各车间的生产洗涤排水等等。这些废水有时会干扰进水水质，而有时特殊情况下，比如初期暴雨，厂外异常检修等都会造成进厂水质突增。为此我们分析了取样期间的工艺运行情况。了解到出现这么大的变化的原因是由于A厂的污水处理车间在1月27日进行工艺排泥造成的进水水质增加。在除去1月份的COD高幅度变化曲线以后的2～12月份变化曲线来看，2月、5月的变化曲线明显高于其他各月的曲线，这个主要是由于工艺排泥对厂区区进水的影响造成的，其中2月是净化车间的运行排泥，5月是通过浓缩池的上清液回流到厂区污水里造成的影响，而其余各月都是全天的变化趋势基本持平。这样我们就能确厂内工艺排泥对进水水质的影响较大，为此我们把1月份的数据认为收到了严重的外界干扰，采样分析得到的数据不代表真实的进水水质，因此把1月份数据判别为数据坏点，在后续的分析中，我们进行了剔除，剔除1月份的数据后，重新绘制的曲线如下：
当数据坏点去除以后，曲线变化就比较明显的集中在了500上下，特别是2月和5月的同样存在的这样的问题，因此通过曲线很容易看到，进水水质COD基本在500mg/L上下波动。
我们把A厂区进水COD的各月份24小时数据进行年平均值为845.90mg/L，在抛去1、2、5月的厂内工艺运行排水对COD的影响数据以后，进水COD平均值为498.05mg/L。根据上述数据，可以近似推出厂区排水造成的进水水质的污染幅度增加在400～500mg/L之间。
通过A厂的数据分析我们了解了数据坏点的分析和处理方法，接下来我们再来看看B厂的数据，由于B厂的数据量较大，我们做了部分数据的截图，大家了解数据表的结构就可以了：
延伸阅读：
B厂在做24小时取样时，进行了每一个小时取一次样的方式进行了化验，COD的化验结果如下：
可以看到当我们的化验频次增加以后，数据量明显上升，大量的数据形成的数据表格显得更加的复杂和无序，我们还是利用曲线来进行可视化的分析：
当我们做出这样的曲线来的时候，我们感到非常的杂乱和无序，因为数据点位多，B厂从2013年4月开始做24小时分析，有时某个月还增加数次分析，这样做出来的数据众多，当这些数据通过曲线的形式放在一张图表中的时候，就会变成上面的样子，非常的无序。数据的可视化，是我们分析数据的基本途径之一，当数据曲线凌乱成这样的时候，大部分人是无法看到其中的规律性的，为此我们在选择数据的可视化转化的时候，就要进行合理的选择，为此我们选择了散点图，对这些数据进行分析，得出这样的一张图表：
当这样的曲线图出现的时候，我们很容易看到这些点的密集度在什么样的一个区间范围内，一天的进水水质的变化呈现一个非常规律性的变化区间，通过颜色的笔绘之后，我们能看到更明显的一个范围变化：
当这样的图表出现之后，后续的数据分析就更有依据了，从数据点可以看到，日进水水质的变化情况是一个波浪式的变化情况，每日从零点开始进水水质逐步下降，到早晨七点到10点期间达到一个最低峰，而后开始逐步一天进水水质最高的时刻，然后逐步下降，到了上午10点左右，出现一个低谷，而后开始逐步上升，在12~14点期间到达全天的第一个高峰，随后就开始回落，有持续的一个下降过程，一直到夜间19点下降到低峰值，也是全天的第二个低谷期间。达到19~20点的低峰以后，又开始逐步回升，在24点达到峰值，开始进入到下一个循环过程。从全天的水质曲线变化来看，全天的变化是一个有规律的波动的过程，这个主要与居民的生活习惯相互对应，是居民生活习惯的一个体现，两个波谷区间都是居民大量使用生活用水的时间，说明当居民大量使用生活用水的时候，对进水水质的稀释作用是非常明显的，也说明城市居民在早晨和晚间的时段，是大量用水的集中时段。
今天我们通过两个水厂的24小时化验数据进行了数据分析的一些技巧的说明，在污水厂的海量数据里面，运行人员要把这些数据变成真正有效的，对生产起到很大帮助的资料，是需要很多数据分析的技巧在里面的，比如24小时化验的结果，我们还可以延展开去，利用加权平均值检测一天的实际进水的平均值;利用每次24小时数据的最大值，最小值，平均值来预测一天中最接近平均值的时段，在不具备连续取样的条件下，在最接近平均值时段进行取样等等。。。大家有兴趣的话，可以深入的探索一下这方面的内容，数据分析就是这样，在平淡的数据中不断地深入挖掘，并利用挖掘出来的资料来指导我们生产，也是公众号推广数据化分析的重要意图。
延伸阅读：
原标题：数据分析对污水厂工艺调控的作用（四）
