CN111186878A - 一种通过神经网络实现超滤循环泵调节的方法、装置、系统 - Google Patents

一种通过神经网络实现超滤循环泵调节的方法、装置、系统 Download PDF

Info

Publication number
CN111186878A
CN111186878A CN201911340726.9A CN201911340726A CN111186878A CN 111186878 A CN111186878 A CN 111186878A CN 201911340726 A CN201911340726 A CN 201911340726A CN 111186878 A CN111186878 A CN 111186878A
Authority
CN
China
Prior art keywords
neural network
ultrafiltration
circulating pump
model
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911340726.9A
Other languages
English (en)
Inventor
嵇达文
杨仕桥
邵哲如
王健生
朱亮
徐忻
王超颖
李昕
钱中华
王文俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Everbright Envirotech China Ltd
Original Assignee
Everbright Envirotech China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Everbright Envirotech China Ltd filed Critical Everbright Envirotech China Ltd
Priority to CN201911340726.9A priority Critical patent/CN111186878A/zh
Publication of CN111186878A publication Critical patent/CN111186878A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/44—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis
    • C02F1/444—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis by ultrafiltration or microfiltration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Separation Using Semi-Permeable Membranes (AREA)

Abstract

本发明提供了一种通过神经网络实现超滤循环泵调节的方法、装置、系统，所述方法包括：对原始数据进行预处理，采用预处理后的数据集对神经网络模型进行训练，基于获得的神经网络模型，推荐超滤循环泵的工作功率。本发明采用训练后的神经网络模型给出科学的循环泵调节，具有自学习功能，避免了人工经验的差别而导致优化过程长、优化结果不理想等情况；不仅能够高效准确地找寻出优化解，而且能够基于所述优化解实现超滤循环泵的有效调节，节约资源、能源的浪费，并延长设备的使用寿命。

Description

一种通过神经网络实现超滤循环泵调节的方法、装置、系统
技术领域
本发明涉及过滤技术领域，更具体地涉及实时通过神经网络实现超滤循环泵调节的方法、装置、系统以及计算机存储介质。
背景技术
随着经济社会的发展，水环境污染加剧，水源水质恶化，水中的污染物尤其是有机污染物越来越多。而传统的饮用水处理方法仅对一般的有机污染物起作用，对“两虫”、藻类的去除效果不佳，且消毒容易产生副产物。超滤(ultrafiltration，UF)技术能满足新一代饮用水净化工艺要求，去除饮用水中的“两虫”、病毒、细菌、藻类、水生生物，保障饮用水的安全性，已广泛应用于美国、日本等发达国家的城市水厂。超滤技术是介于微滤和纳滤之间的一种膜分离技术。超滤膜可截留水中绝大部分悬浮物、胶体，但无法去除溶解性小分子物质，阻碍超滤技术在饮用水处理中的应用。
超滤循环泵是渗滤液处理工艺流程中能耗第二大的设备。在实际运行中，大多数情况下都没有进行优化运行，只是为了使得循环流量达到设计参数的要求，直接将循环泵开到满频，这一方面导致设备寿命受到影响，另一方面导致不必要的能源浪费。因此针对超滤循环泵节能降耗已然是亟待解决的问题。因此，现有技术中对于循环泵调节可能存在不适用实际情况的问题。
本发明专利的目的在于基于神经网络对超滤循环泵进行调节，以使超滤循环泵基于实际的情况设置对应的工作功率，而不浪费不必要资源和能源。
本发明采用训练后的神经网络模型给出科学的循环泵调节，具有自学习功能，避免了人工经验的差别而导致优化过程长、优化结果不理想等情况；不仅能够高效准确地找寻出优化解，而且能够基于所述优化解实现超滤循环泵的有效调节，节约资源、能源的浪费，并延长设备的使用寿命。
发明内容
考虑到上述问题而提出了本发明。本发明提供了一种通过神经网络实现超滤循环泵调节的方法，所述方法包括：对原始数据进行预处理，采用预处理后的数据集对神经网络模型进行训练，基于获得的神经网络模型，推荐超滤循环泵的工作功率。
本发明采用训练后的神经网络模型给出科学的循环泵调节，具有自学习功能，避免了人工经验的差别而导致优化过程长、优化结果不理想等情况；不仅能够高效准确地找寻出优化解，而且能够基于所述优化解实现超滤循环泵的有效调节，节约资源、能源的浪费，并延长设备的使用寿命。
根据本发明一方面，提供了一种通过神经网络实现超滤循环泵调节的方法，其特征在于，所述方法包括：
步骤S1，对原始数据进行预处理，
步骤S2，采用预处理后的数据集对神经网络模型进行训练，
步骤S3，基于获得的神经网络模型，推荐超滤循环泵的工作功率。
示例性地，所述步骤S1对原始数据进行预处理包括：缺失值处理、异常值处理；
示例性地，所述缺失值处理的方法包括：删除法、填补法等；
示例性地，在对所述异常值进行处理之前还包括：对异常值进行判别；其中，所述对异常值进行判别的方法主要包括：统计分析方法、3σ原则、箱型图分析方法等；
示例性地，所述步骤S1对原始数据进行预处理还包括：数据标准化、变量筛选等；
示例性地，所述步骤S1对原始数据进行预处理之前还包括：通过调节超滤循环泵的开度来实时获取不同工况的参数；
其中，所述不同工况的参数包括COD、氨氮、进水流量、产水流量、温度、进水压力、浓水压力、循环泵的工作功率等；
示例性的，所述步骤S2包括：
步骤S21，将预处理后的数据集划分成训练集和测试集；
步骤S22，采用训练集进行训练神经网络模型，并采用测试集来对建立的模型进行评价；
步骤S23，重复S21和S22，来优化模型的参数，使模型结果达到预期，获取达到模型结果预期的模型。
示例性地，所述步骤S23的所述优化模型的参数过程中包括，采用梯度下降法。
其中，所述梯度下降法采用的公式如下：
Figure BDA0002332186140000031
其中θi表示求解的待定系数，α表示步长，J(θ)表示关于θ令方差最小的损失函数。
示例性地，所述获得的神经网络模型包括三层网络结构；
其中，所述三层网络结构包括：输入层、隐藏层和输出层。
根据本发明的另一方面提供一种通过神经网络实现超滤循环泵调节的装置，其特征在于，包括：
预处理模块，用于对原始数据进行预处理，
训练模块，用于采用预处理后的数据集对神经网络模型进行训练，
评价模块，基于获得的神经网络模型，推荐超滤循环泵的工作功率。
根据本发明另一方面，提供一种通过神经网络实现超滤循环泵调节的系统，所述系统包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行本发明的通过神经网络实现超滤循环泵调节的方法。
根据本发明另一方面，提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本发明的通过神经网络实现超滤循环泵调节的方法的相应步骤，并且用于实现根据本发明实施例的通过神经网络实现超滤循环泵调节的装置中的相应模块。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是用于实现根据本发明实施例的通过神经网络实现超滤循环泵调节的方法的示意性流程图；
图2是神经网络的结构示意图；
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
在现有技术中，基于跨膜压差进行膜污染评价主要采用以下两种方法：
第一种方法是采用公式：
Figure BDA0002332186140000041
其中，P表示膜污染程度；Qt表示膜组件运行时间t后，单位时间产水量；Q0表示膜组件单位时间内初始产水量，prediff0和predifft分别表示膜组件运行初始膜压差和运行时间t后膜压差。
而针对没有测量跨膜压差的，我们假定跨膜压差恒定情况下采用产水量来进行计算：
Figure BDA0002332186140000042
另一种方法是采用公式：
1/J′sp＝1+(FI)Vsp
其中J表示膜通量，单位L/(m2·h)；
J′sp表示相对单位膜通量，计算公式：J′sp＝Jsp/Jsp0，无因次量；
Jsp表示单位膜通量，计算公式：Jsp＝J/p，单位L/(m2·h·Pa)；
p表示跨膜压差，单位Pa；
Jsp0表示过滤初始阶段单位膜通量，计算公式：Jsp0＝J0/p0，单位L/(m2·h·Pa)；
J0表示过滤初始膜通量，单位L/(m2·h)；
p0表示过滤初始跨膜压差，单位Pa；
Vsp表示单位面积膜的产水量，单位L/m2；
FI表示膜污染指数，单位m2/L。
并且，根据J′sp的不同，可以计算出不同的FI。FI可以用于表征膜污染速率，即FI越小，污染越缓慢；反之，则污染越快。FI不区分具体的污染机制，计算方法简明扼要，可以较好地描述膜污染情况，表征污染速率以及污染程度。通量恒定时，FI的大小可直接决定最终的压头损失；而跨膜压差恒定时，FI直接与最终的产水量有关。
下面，参照图1至图2来描述本发明实施例提出的通过神经网络实现超滤循环泵调节的方法。示例性地，本发明的神经网络结构为三层结构，其中图2示出了本发明一实施例中的神经网络的结构示意图，图2示出了根据本发明一实施例中的通过神经网络实现超滤循环泵调节的方法的示意流程图。
参照图2可知，本申请的通过神经网络实现超滤循环泵调节的方法，其主要包括如下步骤：
步骤S1，对原始数据进行预处理，
步骤S2，采用预处理后的数据集对神经网络模型进行训练，
步骤S3，基于获得的神经网络模型，推荐超滤循环泵的工作功率。
示例性地，所述步骤S1对原始数据进行预处理包括：根据实际工艺，如果没有安装测量出水压力的装置，可以根据原理超滤膜出水压力等于进水压力减去浓水压力，从而计算出超滤膜压差等于进水压力与出水压力的差值。
其中，涉及到初始膜压差和膜通量的确定，本发明包括选取运行工况最好情况作为初始状态，对应的膜压差和膜通量作为初始膜压差和初始膜通量；选取运行工况最好的情况作为初始状态更加具有参照性和科学性，并且能够提高评价的准确度。
其中，膜通量计算公式：
J＝V/(T×A)
其中，J是膜通量，V是取样体积L，T是取样时间h，A是膜有效面积。
示例性地，所述步骤S1对原始数据进行预处理包括：缺失值处理、异常值处理；
在实际运行过程中，可能出现数据采集终端短时故障等情况，而导致数据缺失，这就需要对缺失值进行处理，在缺失值处理时可以采用本领域技术人员知晓的所有合适的方法实现；
示例性地，所述缺失值处理的方法包括：删除法、填补法等；
其中删除法包括将有缺失的数据样本或有过多缺失数据的变量直接删除；填补法包括替代法和模型预测法，其中替代法有均值插补法、众数插补法、就近补齐法等，模型预测法有回归法、极大似然估计法、灰度理论法、随机森林法等。上述填补法属于示例，本领域其他的能够解决缺失值问题的方法均可以在此处运用。
优选地，本发明采用回归填补法处理缺失值，一方面因为根据实验情况，可以发现超滤进水水质变化波动有一定的规律性，根据回归填补法可以尽可能的还原缺失数据；另一方面通过回归填补法填补缺失值可以提高后续神经网络模型训练的有效性，进而提高神经网络模型进行循环泵调节的准确性。
由于数据的采集通常是通过仪表设备进行的，而仪表设备难免会出现故障等情况，这样就会导致采集的数据出现个别数据异常，即出现数据异常值。
为了提高采集数据的准确性，因而需要对异常值进行处理；
示例性地，在对所述异常值进行处理之前包括：对异常值进行判别；先从采集的数据中找出数据的异常值，从而进一步对所述异常值进行处理。
其中，所述对异常值进行判别的方法主要包括：统计分析方法、3σ原则、箱型图分析方法等；
统计分析方法包括对各属性值的数据进行一个描述性的统计，从而判别出异常值；3σ原则中σ表示标准差，先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差(即异常值)，含有该粗大误差的数据应予以剔除就得出3σ；箱形图(Box-plot)又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图，箱形图的绘制依靠实际数据，不需要事先假定数据服从特定的分布形式，没有对数据作任何限制性要求，它只是真实直观地表现数据形状的本来面貌，由此可见，箱形图在识别异常值方面有一定的优越性。当然，本领域其他合适的用于判定数据异常值的方法也可以在此处应用。
在经过上述异常值判定方法判定出异常值之后，接下来进行异常值的处理，所述异常值的处理主要包括：直接删除异常值；或者将异常值视为缺失值，即可以采用本申请上述处理缺失值的方法来处理异常值；又或者用平均值来进行修正。本领域其他的能够解决异常值问题的方法均可以在此处运用。
示例性地，所述步骤S1对原始数据进行预处理还包括：数据标准化、变量筛选等；
由于各个参数的量纲存在差异，需要进行数据标准化将参数转成无量纲，进而便于计算。
本申请中可以根据采样时间内的数据、相关系数、以及信息熵等确定模型的参数，其中输入参数包括：膜污染指数、COD、氨氮、温度、进水流量、产水流量，输出参数包括：循环泵的工作功率。
为了优化超滤循环泵运行，根据工况来进行优化，就要求有足够的工况历史数据，而很多情况下超滤循环泵的运行时都设置为满频运行，这就导致历史工况较为单一，因此需要对超滤循环泵进行实验。实验目的，是通过调节超滤循环泵的开度来实时获取不同工况的参数，从而去除工况单一而导致模型效果不佳的可能性。实验方法具体为调节超滤循环泵的开度，并获取其他参数的变化，如循环流量、产水流量、相关压力等。将实验运行时间内的超滤数据作为样本，选取对应参数包括COD、氨氮、进水流量、产水流量、温度、进水压力、浓水压力、循环泵的工作功率等。
示例性地，所述步骤S1对原始数据进行预处理之前还包括：通过调节超滤循环泵的开度来实时获取不同工况的参数；其中，所述不同工况的参数包括COD、氨氮、进水流量、产水流量、温度、进水压力、浓水压力、循环泵工作功率等；
示例性地，所述步骤S2进一步包括：
步骤S21，将预处理后的数据集划分成训练集和测试集；
步骤S22，采用训练集进行训练神经网络模型，并采用测试集来对建立的模型进行评价；
步骤S23，重复S21和S22，来优化模型的参数，使模型结果达到预期，获取达到模型结果预期的模型。
示例性地，所述步骤S23的所述优化模型的参数过程中包括，采用梯度下降法。
其中，所述梯度下降法采用的公式如下：
Figure BDA0002332186140000071
其中θi表示求解的待定系数，α表示步长，J(θ)表示关于θ令方差最小的损失函数。
示例性地，所述获得的神经网络模型包括三层网络结构；参考图2可知，其中，所述三层网络结构包括：输入层、隐藏层和输出层。
其中，除了输入层，每一层的节点都包含了一个非线性变换。
示例性地，本发明中的神经网络模型包括，输入层节点数为6个，输出层节点数为1个，隐藏层为一层，隐藏层节点数为8个。
具体地，可以根据实际的需要来设计和选择神经网络模型的层数以及节点个数。
其中，本发明采用通用的Sigmoid函数作为激活函数数。
示例性地，神经网络模型可以需要根据具体工艺、具体采样时间进行重新更新模型参数，以符合工况的变化。
根据本发明的另一方面提供一种通过神经网络实现超滤循环泵调节的装置，其特征在于，包括：
预处理模块，用于对原始数据进行预处理，
训练模块，用于采用预处理后的数据集对神经网络模型进行训练，
评价模块，基于获得的神经网络模型，推荐超滤循环泵的工作功率。
根据本发明另一方面，提供一种通过神经网络实现超滤循环泵调节的系统，所述系统包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行本发明的通过神经网络实现超滤循环泵调节的方法。
根据本发明另一方面，提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本发明的通过神经网络实现超滤循环泵调节的方法的相应步骤，并且用于实现根据本发明实施例的通过神经网络实现超滤循环泵调节的装置中的相应模块。
现如今在实际运行中，超滤循环泵的运行大部分情况下都不是在最优的状态下运行，为了达到设计参数的要求，能源的浪费现象存在比较严重。本发明通过实时采集超滤系统的实时工况数据，主要包括水质、水量、循环泵的工作功率等利用神经网络算法，计算循环泵最佳运行功率，实现超滤循环泵的优化运行，从工况的角度出发，在满足生产要求的同时达到节能降耗的效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的物品分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种通过神经网络实现超滤循环泵调节的方法，其特征在于，所述方法包括：
步骤S1，对原始数据进行预处理，
步骤S2，采用预处理后的数据集对神经网络模型进行训练，
步骤S3，基于获得的神经网络模型，推荐超滤循环泵的工作功率。
2.如权利要求1所述的通过神经网络实现超滤循环泵调节的方法，其特征在于，所述预处理包括：缺失值处理和/或异常值处理。
3.如权利要求2所述的通过神经网络实现超滤循环泵调节的方法，其特征在于，在对异常值进行处理之前还包括：对所述异常值进行判别。
4.如权利要求1所述的通过神经网络实现超滤循环泵调节的方法，所述对原始数据进行预处理还包括：数据标准化和/或变量筛选。
5.如权利要求4所述的通过神经网络实现超滤循环泵调节的方法，其特征在于，经过所述变量筛选之后确定输入参数和输出参数，其中输入参数包括：膜污染指数、COD、氨氮、温度、进水流量和/或产水流量，输出参数包括：循环泵的工作功率。
6.如权利要求5所述的通过神经网络实现超滤循环泵调节的方法，其特征在于，所述采用预处理后的数据集对神经网络模型进行训练进一步包括：
步骤S21，将所述预处理后的数据集划分成训练集和测试集；
步骤S22，采用所述训练集进行训练神经网络模型，并采用所述测试集来对建立的模型进行评价；
步骤S23，重复S21和S22，来优化模型的参数，使模型结果达到预期，获取达到模型结果预期的模型。
7.如权利要求1所述的通过神经网络实现超滤循环泵调节的方法，其特征在于，在步骤S1之前还包括：通过调节所述超滤循环泵的开度来实时获取不同工况的参数。
8.如权利要求6所述的通过神经网络实现超滤循环泵调节的方法，其特征在于，所述优化模型的参数过程中包括，采用梯度下降法进行优化，所述梯度下降法采用的公式如下：
Figure FDA0002332186130000011
其中θi表示求解的待定系数，α表示步长，J(θ)表示关于θ令方差最小的损失函数。
9.一种通过神经网络实现超滤循环泵调节的装置，其特征在于，包括：
预处理模块，用于对原始数据进行预处理，
训练模块，用于采用预处理后的数据集对神经网络模型进行训练，
评价模块，基于获得的神经网络模型，推荐超滤循环泵的工作功率。
10.一种通过神经网络实现超滤循环泵调节的系统，所述系统包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行权利要求1-8之一所述的通过神经网络实现超滤循环泵调节的方法。
11.一种计算机存储介质，在所述计算机存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行权利要求1-8之一所述的通过神经网络实现超滤循环泵调节的方法。
CN201911340726.9A 2019-12-23 2019-12-23 一种通过神经网络实现超滤循环泵调节的方法、装置、系统 Pending CN111186878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911340726.9A CN111186878A (zh) 2019-12-23 2019-12-23 一种通过神经网络实现超滤循环泵调节的方法、装置、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911340726.9A CN111186878A (zh) 2019-12-23 2019-12-23 一种通过神经网络实现超滤循环泵调节的方法、装置、系统

Publications (1)

Publication Number Publication Date
CN111186878A true CN111186878A (zh) 2020-05-22

Family

ID=70703344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911340726.9A Pending CN111186878A (zh) 2019-12-23 2019-12-23 一种通过神经网络实现超滤循环泵调节的方法、装置、系统

Country Status (1)

Country Link
CN (1) CN111186878A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112456639A (zh) * 2020-11-10 2021-03-09 盐城工学院 一种厌氧消化中硫化氢产生量的智能预测方法
CN113087077A (zh) * 2021-03-26 2021-07-09 中信环境技术（广州）有限公司 压力式超滤膜净水系统节能降耗控制系统及方法、装置和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5742500A (en) * 1995-08-23 1998-04-21 Irvin; William A. Pump station control system and method
CN108275759A (zh) * 2018-01-29 2018-07-13 深圳多诺信息科技有限公司 基于神经网络的水处理方法及系统
CN108875913A (zh) * 2018-05-30 2018-11-23 江苏大学 一种基于卷积神经网络的松茸快速无损检测系统及方法
CN109081399A (zh) * 2018-08-01 2018-12-25 江苏凯纳水处理技术有限公司 反渗透系统的预测及诊断方法及其装置
CN109420424A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 一种石灰石-石膏湿法烟气脱硫系统节能优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5742500A (en) * 1995-08-23 1998-04-21 Irvin; William A. Pump station control system and method
CN109420424A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 一种石灰石-石膏湿法烟气脱硫系统节能优化方法
CN108275759A (zh) * 2018-01-29 2018-07-13 深圳多诺信息科技有限公司 基于神经网络的水处理方法及系统
CN108875913A (zh) * 2018-05-30 2018-11-23 江苏大学 一种基于卷积神经网络的松茸快速无损检测系统及方法
CN109081399A (zh) * 2018-08-01 2018-12-25 江苏凯纳水处理技术有限公司 反渗透系统的预测及诊断方法及其装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李剑波等: "《大数据挖掘技术与应用》", 31 July 2018, 延吉：延边大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112456639A (zh) * 2020-11-10 2021-03-09 盐城工学院 一种厌氧消化中硫化氢产生量的智能预测方法
CN112456639B (zh) * 2020-11-10 2022-11-22 盐城工学院 一种厌氧消化中硫化氢产生量的智能预测方法
CN113087077A (zh) * 2021-03-26 2021-07-09 中信环境技术（广州）有限公司 压力式超滤膜净水系统节能降耗控制系统及方法、装置和介质

Similar Documents

Publication Publication Date Title
CN111204842A (zh) 一种通过神经网络实现超滤膜污染评价的方法、装置、系统
US9248406B2 (en) On-line performance management of membrane separation process
JP6609808B2 (ja) 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法
Maere et al. Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering
EP3172548B1 (fr) Procédé pour détecter des anomalies dans un réseau de distribution, en particulier d'eau potable
CN111186878A (zh) 一种通过神经网络实现超滤循环泵调节的方法、装置、系统
Hernandez et al. Assessment and prediction of water quality in shrimp culture using signal processing techniques
Reis Multiscale and multi-granularity process analytics: A review
CN112857471B (zh) 工业物联网的化工废水处理排放在线监测预警管理云平台
CN116226484B (zh) 一种超滤水处理装置监测数据管理系统
Rachman et al. Assessment of silt density index (SDI) as fouling propensity parameter in reverse osmosis (RO) desalination systems
Han et al. Data-driven decision-making for wastewater treatment process
US20230214714A1 (en) Learning model generating device, inferring device, and aeration amount control device
CN114298242A (zh) 一种智能家居用全屋循环净水系统
Shim et al. Deep learning with data preprocessing methods for water quality prediction in ultrafiltration
Abuwatfa et al. A review on membrane fouling prediction using artificial neural networks (ANNs)
JP2019153045A (ja) データ処理装置及びデータ処理方法
CN116432998A (zh) 一种面向水质异常监测的大数据内反馈方法及系统
Leontyev et al. Application of assimilation and filtration methods for satellite water sensing data for plankton population evolution processes predictive modeling
Mashhadi Meighani et al. Artificial intelligence vs. classical approaches: a new look at the prediction of flux decline in wastewater treatment
JP2020170544A (ja) 情報処理装置
Blankert et al. Potential pitfalls in membrane fouling evaluation: merits of data representation as resistance instead of flux decline in membrane filtration
CN116448234A (zh) 一种电力变压器运行状态声纹监测方法及系统
CN117060353A (zh) 基于前馈神经网络高压直流输电系统故障诊断方法及系统
Sivchenko et al. Floc sensor prototype tested in the municipal wastewater treatment plant

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200522