一种基于神经网络的DTRO膜渗透通量控制方法与流程

一种基于神经网络的dtro膜渗透通量控制方法
技术领域
1.本发明涉及污水处理技术领域，具体是一种基于神经网络的dtro膜渗透通量控制方法。


背景技术：

2.反渗透膜是一种仿生半透膜制成的具有一定特性的人工半透膜，是反渗透技术的核心构件。反渗透技术原理是在高于溶液渗透压的作用下，依据其他物质不能透过半透膜的规则而将这些物质和水分离开来。dtro膜(碟管式反渗透膜)是反渗透的一种形式，是专门用来处理高浓度污水的膜组件，其核心技术是碟管式膜片膜柱。
3.因此，为了保证污水处理设备出水水质合格，dtro膜的渗透通量是污水处理设备的重要运行参数；渗透通量过高会导致滤后水中杂质颗粒增多，水头损失增长过快，处理周期缩短；渗透通量的降低有利于降低滤后水浊度，延长处理周期，但会导致产水能力减少。所以合适的渗透通量对污水处理设备运行非常重要。为此，本发明提出一种基于神经网络的dtro膜渗透通量控制方法。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于神经网络的dtro膜渗透通量控制方法。
5.为实现上述目的，根据本发明的第一方面的实施例提出一种基于神经网络的dtro膜渗透通量控制方法，应用于污水处理设备，包括如下步骤：
6.步骤一：通过数据采集设备获取原始渗透数据，具体获取步骤为：
7.首先获取控制系统中所有污水处理设备中dtro膜的渗透通量，并分析挖掘所有污水处理设备的潜在关联运行参数数据；然后将最终得到的产水系数pz反馈至控制系统；
8.步骤二：对获取的原始过滤数据进行审核后，将审核通过的原始过滤数据转化为显性过滤数据存储在数据库中；所述显性过滤数据包括污水处理过程中的dtro膜渗透通量、液面高度、进水水质系数、各项环境参数以及产水系数pz；具体为：
9.设定预设水质阈值以及预设第一产水阈值；当出水水质系数小于预设水质阈值或者pz小于预设第一产水阈值时，排除对应的原始过滤数据；
10.步骤三：以数据库中存储的显性过滤数据为样本集，基于ai深度学习识别算法分析得到污水处理设备的渗透通量参照模型；
11.步骤四：采集当前污水处理设备的潜在关联运行参数数据作为输入数据输入至渗透通量参照模型，输出对应的渗透通量计算值；控制系统控制所述污水处理设备中的dtro膜以所述渗透通量计算值进行污水处理工作；并按照液位调节范围调节污水处理设备的液面高度；
12.步骤五：在污水处理设备运行过程中，采集所述污水处理设备的产水关联参数数据并进行效处偏离系数pl分析，判断是否需要调节dtro膜的渗透通量。
13.进一步地，其中，步骤五具体包括：
14.获取所述污水处理设备的产水关联参数数据，所述产水关联参数数据包括进水流量、进水水质系数、出水水质系数、液面高度以及产水系数；
15.根据所述产水关联参数数据计算得到效处值xm，建立效处值xm随时间变化的曲线图；将xm与预设效处阈值相比较；若xm≤预设效处阈值，则截取对应的曲线段进行标注，记为偏离曲线段；
16.在预设时间段内，统计偏离曲线段的数量为c1，将所有偏离曲线段上对应效处值xm与预设效处阈值的差值对时间进行积分得到偏离参考面积m1；利用公式pl=c1
×
a3+m1
×
a4计算得到所述污水处理设备的效处偏离系数pl，其中a3、a4均为系数因子；
17.将效处偏离系数pl与预设第一偏离阈值相比较；若pl大于预设第一偏离阈值，则表明此时污水处理设备污水处理效率低下，生成调节信号至渗通调节模块。
18.进一步地，根据产水关联参数数据计算得到效处值xm，具体为：
19.将进水流量、进水水质系数、出水水质系数、液面高度以及产水系数依次标记为l1、m1、m2、g1以及pt；
20.利用公式xm=[(m2-m1)
×
g1+pt
×
g2]/(l1
×
g3+g1
×
g4)计算得到所述污水处理设备的效处值xm，其中g1、g2、g3、g4均为系数因子。
[0021]
进一步地，其中水质系数从多个维度进行计算，包括水浊度、ph值、溶解氧浓度以及硫化物浓度，综合得出水体的水质系数。
[0022]
进一步地，其中产水系数pz的具体计算方法为：
[0023]
获取出水水质系数为z1，将单位时间产水量标记为sl；利用公式pz=z1
×
a1+sl
×
a2计算得到产水系数pz，其中a1、a2为系数因子。
[0024]
进一步地，步骤三具体包括：
[0025]
将从数据库获取的显性过滤数据作为样本集，建立误差逆向传播神经网络模型；误差逆向传播神经网络模型至少包括一层隐含层；
[0026]
将参数训练集按照设定比例划分为训练集、测试集和校验集；
[0027]
通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为渗透通量参照模型。
[0028]
进一步地，所述渗通调节模块的具体工作步骤为：
[0029]
当所述污水处理设备处于渗透通量调节状态时，持续观察所述污水处理设备的产水系数pt以及效处偏离系数pl；
[0030]
当产水系数pt大于预设第二产水阈值或者效处偏离系数pl小于预设第二偏离阈值时，停止调节；将此时所述污水处理设备中dtro膜的渗透通量标记为渗通调节终值；其中，预设第二产水阈值大于预设第一产水阈值；预设第二偏离阈值小于预设第一偏离阈值。
[0031]
进一步地，所述渗通调节模块用于将渗通调节终值与此时污水处理设备的潜在关联运行参数数据进行统合，得到工作人员的再调节行为数据，并将再调节行为数据上传至控制系统；所述控制系统通过神经网络学习再调节行为数据与已经存储在数据库中的显性过滤数据，得到新的渗透通量参照模型。
[0032]
与现有技术相比，本发明的有益效果是：
[0033]
本发明中通过数据采集设备获取控制系统中所有污水处理设备中dtro膜的渗透
通量，并分析挖掘污水处理设备的潜在关联运行参数数据，得到原始过滤数据；以审核通过的原始过滤数据为样本集，基于ai深度学习识别算法分析得到渗透通量参照模型；采集当前污水处理设备的潜在关联运行参数数据作为输入数据输入至渗透通量参照模型分析匹配，输出渗透通量计算值；控制系统控制污水处理设备中dtro膜以渗透通量计算值进行污水处理工作，并按照液位调节范围调节污水处理设备的液面高度；提高dtro膜渗透通量的控制精度，从而提高污水处理效率；
[0034]
本发明在污水处理设备运行过程中，采集污水处理设备的产水关联参数数据并进行效处偏离系数pl分析，判断是否需要调节dtro膜的渗透通量，以提高污水处理效率；若效处偏离系数pl大于预设第一偏离阈值，则生成调节信号至渗通调节模块，以提醒工作人员需要调节dtro膜的渗透通量，以提高污水处理效率；当产水系数pt大于预设第二产水阈值或者效处偏离系数pl小于预设第二偏离阈值时，停止调节；并将再调节行为数据上传至控制系统；控制系统通过神经网络学习再调节行为数据与已经存储在数据库中的显性过滤数据，得到新的渗透通量参照模型，不断提高模型的精度和准确度，进而提高污水处理效率。
附图说明
[0035]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1为本发明一种基于神经网络的dtro膜渗透通量控制方法的原理框图。
具体实施方式
[0037]
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0038]
如图1所示，一种基于神经网络的dtro膜渗透通量控制方法，应用于污水处理设备，包括如下步骤：
[0039]
步骤一：通过数据采集设备获取原始渗透数据，具体获取步骤为：
[0040]
首先获取控制系统中所有污水处理设备中dtro膜的渗透通量，并分析挖掘所有污水处理设备的潜在关联运行参数数据，潜在关联运行参数数据表现为污水处理设备以该渗透通量工作时的液面高度、进水水质系数以及各项环境参数；其中各项环境参数包括水温、气压、湿度等；
[0041]
然后将最终得到的产水系数pz反馈至控制系统；其中水质系数在进行计算时，从多个维度进行计算，包括水浊度、ph值、溶解氧浓度、硫化物浓度等，综合得出水体的水质系数；其中，水质系数越高，则代表水质越好；
[0042]
其中产水系数pz的具体计算方法为：
[0043]
获取出水水质系数为z1，将单位时间产水量标记为sl；利用公式pz=z1
×
a1+sl
×
a2计算得到产水系数pz，其中a1、a2为系数因子；
[0044]
步骤二：对获取的原始过滤数据进行审核后，将审核通过的原始过滤数据转化为显性过滤数据存储在数据库中；显性过滤数据包括污水处理过程中的dtro膜渗透通量、液面高度、进水水质系数、各项环境参数以及产水系数pz；
[0045]
对于周期时间内的滤后水并不是所有的都是合格的，为此，控制系统设定有预设水质阈值以及预设第一产水阈值，当出水水质系数小于预设水质阈值或者产水系数pz小于预设第一产水阈值时，对应的原始过滤数据不做参考；
[0046]
步骤三：以数据库中存储的显性过滤数据为样本集，基于ai深度学习识别算法分析得到污水处理设备的渗透通量参照模型；具体为：
[0047]
将从数据库获取的显性过滤数据作为样本集，建立误差逆向传播神经网络模型；误差逆向传播神经网络模型至少包括一层隐含层；
[0048]
将参数训练集按照设定比例划分为训练集、测试集和校验集；通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为渗透通量参照模型；
[0049]
步骤四：采集当前污水处理设备的潜在关联运行参数数据；并将采集到的潜在关联运行参数数据作为输入数据输入渗透通量参照模型分析匹配；输出污水处理设备的渗透通量计算值；
[0050]
控制系统接收到渗透通量计算值后，控制污水处理设备中dtro膜以渗透通量计算值进行污水处理工作，并按照液位调节范围调节污水处理设备的液面高度；其中液位调节范围的来源为数据库，即在相应的渗透通量条件下，对应的液面高度范围；
[0051]
步骤五：在污水处理设备运行过程中，采集污水处理设备的产水关联参数数据并进行效处偏离系数pl分析，判断是否需要调节dtro膜的渗透通量，以提高污水处理效率；具体分析步骤为：
[0052]
获取污水处理设备的产水关联参数数据，产水关联参数数据包括进水流量、进水水质系数、出水水质系数、液面高度以及产水系数；
[0053]
将进水流量、进水水质系数、出水水质系数、液面高度以及产水系数依次标记为l1、m1、m2、g1以及pt；
[0054]
利用公式xm=[(m2-m1)
×
g1+pt
×
g2]/(l1
×
g3+g1
×
g4)计算得到污水处理设备的效处值xm，其中g1、g2、g3、g4均为系数因子；其中，效处值xm越大，则表明污水处理效率越高；
[0055]
建立效处值xm随时间变化的曲线图；将xm与预设效处阈值相比较；若xm≤预设效处阈值，则截取对应的曲线段进行标注，记为偏离曲线段；
[0056]
在预设时间段内，统计偏离曲线段的数量为c1，将所有偏离曲线段上对应效处值xm与预设效处阈值的差值对时间进行积分得到偏离参考面积m1；利用公式pl=c1
×
a3+m1
×
a4计算得到污水处理设备的效处偏离系数pl，其中a3、a4均为系数因子；
[0057]
将效处偏离系数pl与预设第一偏离阈值相比较；若pl大于预设第一偏离阈值，则表明此时污水处理设备污水处理效率低下，生成调节信号至渗通调节模块，以提醒工作人员需要调节dtro膜的渗透通量，以提高污水处理效率；
[0058]
渗通调节模块用于工作人员调节dtro膜的渗透通量，具体为：
[0059]
当污水处理设备处于渗透通量调节状态时，持续观察污水处理设备的产水系数pt
以及效处偏离系数pl；
[0060]
当产水系数pt大于预设第二产水阈值或者效处偏离系数pl小于预设第二偏离阈值时，停止调节；将此时污水处理设备中dtro膜的渗透通量标记为渗通调节终值；其中，预设第二产水阈值大于预设第一产水阈值；预设第二偏离阈值小于预设第一偏离阈值；
[0061]
渗通调节模块用于将渗通调节终值与此时污水处理设备的潜在关联运行参数数据进行统合，得到工作人员的再调节行为数据；并将再调节行为数据上传至控制系统；控制系统通过神经网络学习再调节行为数据与已经存储在数据库中的显性过滤数据，得到新的渗透通量参照模型，不断提高模型的精度和准确度，进而提高污水处理效率。
[0062]
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
[0063]
本发明的工作原理：
[0064]
一种基于神经网络的dtro膜渗透通量控制方法，在工作时，通过数据采集设备获取控制系统中所有污水处理设备中dtro膜的渗透通量，并分析挖掘污水处理设备的潜在关联运行参数数据，得到原始过滤数据；以审核通过的原始过滤数据为样本集，基于ai深度学习识别算法分析得到渗透通量参照模型；采集当前污水处理设备的潜在关联运行参数数据作为输入数据输入至渗透通量参照模型分析匹配，输出渗透通量计算值；控制系统控制污水处理设备中dtro膜以渗透通量计算值进行污水处理工作，并按照液位调节范围调节污水处理设备的液面高度；提高dtro膜渗透通量的控制精度，从而提高污水处理效率；
[0065]
在污水处理设备运行过程中，采集污水处理设备的产水关联参数数据并进行效处偏离系数pl分析，判断是否需要调节dtro膜的渗透通量，以提高污水处理效率；若效处偏离系数pl大于预设第一偏离阈值，则生成调节信号至渗通调节模块，以提醒工作人员需要调节dtro膜的渗透通量，以提高污水处理效率；当产水系数pt大于预设第二产水阈值或者效处偏离系数pl小于预设第二偏离阈值时，停止调节；并将再调节行为数据上传至控制系统；控制系统通过神经网络学习再调节行为数据与已经存储在数据库中的显性过滤数据，得到新的渗透通量参照模型，不断提高模型的精度和准确度，进而提高污水处理效率。
[0066]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0067]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

技术特征：
1.一种基于神经网络的dtro膜渗透通量控制方法，应用于污水处理设备，其特征在于，包括如下步骤：步骤一：通过数据采集设备获取原始渗透数据，具体获取步骤为：首先获取控制系统中所有污水处理设备中dtro膜的渗透通量，并分析挖掘所有污水处理设备的潜在关联运行参数数据；然后将最终得到的产水系数pz反馈至控制系统；步骤二：对获取的原始过滤数据进行审核后，将审核通过的原始过滤数据转化为显性过滤数据存储在数据库中；所述显性过滤数据包括污水处理过程中的dtro膜渗透通量、液面高度、进水水质系数、各项环境参数以及产水系数pz；具体为：设定预设水质阈值以及预设第一产水阈值；当出水水质系数小于预设水质阈值或者pz小于预设第一产水阈值时，对应的原始过滤数据不做参考；步骤三：以数据库中存储的显性过滤数据为样本集，基于ai深度学习识别算法分析得到污水处理设备的渗透通量参照模型；步骤四：采集当前污水处理设备的潜在关联运行参数数据作为输入数据输入至渗透通量参照模型，输出对应的渗透通量计算值；控制系统控制所述污水处理设备中的dtro膜以所述渗透通量计算值进行污水处理工作；并按照液位调节范围调节污水处理设备的液面高度；步骤五：在污水处理设备运行过程中，采集所述污水处理设备的产水关联参数数据并进行效处偏离系数pl分析，判断是否需要调节dtro膜的渗透通量。2.根据权利要求1所述的一种基于神经网络的dtro膜渗透通量控制方法，其特征在于，其中，步骤五的具体工作步骤如下：获取所述污水处理设备的产水关联参数数据，所述产水关联参数数据包括进水流量、进水水质系数、出水水质系数、液面高度以及产水系数；根据所述产水关联参数数据计算得到效处值xm，建立效处值xm随时间变化的曲线图；将xm与预设效处阈值相比较；若xm≤预设效处阈值，则截取对应的曲线段进行标注，记为偏离曲线段；在预设时间段内，统计偏离曲线段的数量为c1，将所有偏离曲线段上对应效处值xm与预设效处阈值的差值对时间进行积分得到偏离参考面积m1；利用公式pl=c1
×
a3+m1
×
a4计算得到所述污水处理设备的效处偏离系数pl，其中a3、a4均为系数因子；将效处偏离系数pl与预设第一偏离阈值相比较；若pl大于预设第一偏离阈值，则表明此时污水处理设备污水处理效率低下，生成调节信号至渗通调节模块。3.根据权利要求2所述的一种基于神经网络的dtro膜渗透通量控制方法，其特征在于，根据产水关联参数数据计算得到效处值xm，具体为：将进水流量、进水水质系数、出水水质系数、液面高度以及产水系数依次标记为l1、m1、m2、g1以及pt；利用公式xm=[(m2-m1)
×
g1+pt
×
g2]/(l1
×
g3+g1
×
g4)计算得到所述污水处理设备的效处值xm，其中g1、g2、g3、g4均为系数因子。4.根据权利要求3所述的一种基于神经网络的dtro膜渗透通量控制方法，其特征在于，其中水质系数从多个维度进行计算，包括水浊度、ph值、溶解氧浓度以及硫化物浓度，综合得出水体的水质系数。
5.根据权利要求4所述的一种基于神经网络的dtro膜渗透通量控制方法，其特征在于，其中产水系数pz的具体计算方法为：获取出水水质系数为z1，将单位时间产水量标记为sl；利用公式pz=z1
×
a1+sl
×
a2计算得到产水系数pz，其中a1、a2为系数因子。6.根据权利要求1所述的一种基于神经网络的dtro膜渗透通量控制方法，其特征在于，步骤三具体包括：将从数据库获取的显性过滤数据作为样本集，建立误差逆向传播神经网络模型；误差逆向传播神经网络模型至少包括一层隐含层；将参数训练集按照设定比例划分为训练集、测试集和校验集；通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为渗透通量参照模型。7.根据权利要求2所述的一种基于神经网络的dtro膜渗透通量控制方法，其特征在于，所述渗通调节模块的具体工作步骤为：当所述污水处理设备处于渗透通量调节状态时，持续观察所述污水处理设备的产水系数pt以及效处偏离系数pl；当产水系数pt大于预设第二产水阈值或者效处偏离系数pl小于预设第二偏离阈值时，停止调节；将此时所述污水处理设备中dtro膜的渗透通量标记为渗通调节终值；其中，预设第二产水阈值大于预设第一产水阈值；预设第二偏离阈值小于预设第一偏离阈值。8.根据权利要求7所述的一种基于神经网络的dtro膜渗透通量控制方法，其特征在于，所述渗通调节模块用于将渗通调节终值与此时污水处理设备的潜在关联运行参数数据进行统合，得到工作人员的再调节行为数据，并将再调节行为数据上传至控制系统；所述控制系统通过神经网络学习再调节行为数据与已经存储在数据库中的显性过滤数据，得到新的渗透通量参照模型。

技术总结
本发明公开了一种基于神经网络的DTRO膜渗透通量控制方法，涉及污水处理技术领域，包括通过数据采集设备获取原始过滤数据；对获取的原始过滤数据进行审核后，以审核通过的原始过滤数据为样本集，基于AI深度学习识别算法分析得到污水处理设备的渗透通量参照模型；采集当前污水处理设备的潜在关联运行参数数据作为输入数据输入至渗透通量参照模型，输出对应的渗透通量计算值；控制系统控制DTRO膜以渗透通量计算值进行污水处理工作；在污水处理过程中，采集污水处理设备的产水关联参数数据并进行效处偏离系数分析，判断是否需要调节DTRO膜的渗透通量，提高DTRO膜渗透通量的控制精度，从而提高污水处理效率。从而提高污水处理效率。从而提高污水处理效率。


技术研发人员：曾昌伍 张晓看
受保护的技术使用者：安徽冠臻环保科技有限公司
技术研发日：2023.05.16
技术公布日：2023/8/4