Гибридная временная сверточно-внимательная модель для прогнозирования остаточного ресурса водяного фильтра

Почему срок службы водяного фильтра имеет значение

Каждый стакан чистой воды из кранового фильтра зависит от небольшой картриджной вставки, заполненной мембранами и материалами, которые незаметно задерживают загрязнения. Если картридж эксплуатировать слишком долго, он уже не сможет эффективно удалять примеси; если его менять слишком рано, тратятся лишние деньги и ресурсы. В этом исследовании предлагается новый способ «слушать» данные со смарт-очистителей воды и точно предсказывать, сколько полезного ресурса осталось у каждого фильтра, без разборки устройства и химических тестов.

От грязной воды к умным данным

Современные фильтры для воды сталкиваются со сложной задачей. Им приходится справляться с бактериями, тяжёлыми металлами, органическими загрязнителями и переменным содержанием растворённых веществ, которое меняется от города к городу и даже от дома к дому. Традиционные методы оценки времени замены фильтра опираются на физические или химические измерения и экспертизу, что может быть медленным, дорогостоящим и трудноадаптируемым к новым условиям. Авторы утверждают, что подключённые очистители воды, уже оснащённые датчиками и сетевыми связями, предлагают лучший путь: использовать непрерывный поток эксплуатационных данных, чтобы изучать, как фильтры стареют в реальных условиях, в разных локациях и при разных режимах использования.

Создание библиотеки реальных циклов жизни фильтров

Для этого команда собрала большой набор данных из 9 837 полных жизненных циклов фильтров со смарт-устройств очистки воды, использованных в 2020–2023 годах в нескольких китайских городах, включая Гуанчжоу, Чунцин, Шаньдун, Шэньси и Ухань. Каждое устройство фиксировало ежедневные показатели, такие как общие растворённые вещества (TDS, мера качества воды), дни эксплуатации, общий объём очищенной воды, тип и размер мембраны, расход, входное давление, pH, время нагрева и частота промывок системы для самоочистки. Анализ корреляций между этими переменными показал, что остаточный ресурс фильтра сильнее всего связан с числом дней эксплуатации, объёмом обработанной воды и уровнем растворённых веществ в исходной воде; частые циклы промывки, указывающие на износ и загрязнение, были тесно связаны с сокращением срока службы.

Трёхслойный цифровой судья состояния фильтра

Сердцем исследования является новая предиктивная модель HTCA-LSTM, разработанная специально для длинных многосенсорных временных рядов, подобных тем, что генерируют смарт-фильтры. Модель работает в три этапа. Во-первых, модуль временной свёртки просматривает исторические данные, используя приём «дилатированной» (расширенной) свёртки, чтобы улавливать как краткосрочные, так и долгосрочные закономерности — например, как всплески интенсивного использования или недели с высоким TDS влияют на износ. Во-вторых, слой с затворным вниманием действует как прожектор, обучаясь выделять временные точки, несущие наиболее важную информацию о приближающемся отказе, и приглушать шумные или несущественные периоды. В-третьих, модуль LSTM ведёт себя как цифровой блокнот, обновляя внутреннее состояние во времени, чтобы отслеживать эволюцию состояния фильтра и превращать уточнённые признаки в конкретный прогноз остаточного ресурса.

Действительно ли эта умная модель работает лучше?

Чтобы проверить модель, авторы сравнили HTCA-LSTM с несколькими передовыми подходами к прогнозированию, широко используемыми в других областях, таких как спрос на энергию и погодные прогнозы. Они оценивали качество на трёх горизонтах предсказания — приблизительно для короткого, среднего и длинного горизонтов — и измеряли, насколько близки оценки модели к реальности. По всем горизонтам HTCA-LSTM последовательно демонстрировала меньшую ошибку прогнозирования по сравнению с конкурирующими методами, сокращая среднюю ошибку примерно на 7–12 процентов в сравнении с сильными базовыми моделями и опережая более традиционные архитектуры в стиле трансформера ещё большими отрывами. Модель также показала устойчивость в долгосрочных прогнозах и хорошую обобщаемость при тестировании на публичных наборах данных по энергосистемам, энергопотреблению зданий и метеостанциям, что указывает на полезность конструкции за пределами водяных фильтров.

Что это значит для повседневной безопасности воды

Для неспециалистов ключевой вывод прост: объединив три дополняющие друг друга метода, основанные на данных, в одну гибридную модель, исследователи создали цифровой инструмент, который может более надёжно определять, когда фильтр приближается к концу своего ресурса. Вместо опоры на фиксированные календарные графики, приблизительные оценки по объёму или инвазивные лабораторные тесты, умные очистители могли бы использовать этот подход для адаптации времени замены к реальному качеству воды и режиму использования. Это может означать более безопасную питьевую воду, меньше неожиданных отказов и более эффективное использование фильтрующих материалов в домах, школах и на предприятиях.

Цитирование: Chen, J., Yang, Y. & Su, L. A hybrid temporal convolutional attention model for water filter remaining useful life prediction. Sci Rep 16, 7289 (2026). https://doi.org/10.1038/s41598-026-38459-x

Ключевые слова: водная фильтрация, остаточный ресурс, прогнозирование временных рядов, глубокое обучение, прогностическое обслуживание