CN112799330A - 一种工业废水治理ai控制系统及方法 - Google Patents

一种工业废水治理ai控制系统及方法 Download PDF

Info

Publication number
CN112799330A
CN112799330A CN202110077568.3A CN202110077568A CN112799330A CN 112799330 A CN112799330 A CN 112799330A CN 202110077568 A CN202110077568 A CN 202110077568A CN 112799330 A CN112799330 A CN 112799330A
Authority
CN
China
Prior art keywords
module
wastewater
turbidity
wastewater treatment
industrial wastewater
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
CN202110077568.3A
Other languages
English (en)
Inventor
孙伟杰
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.)
Zhejiang Jinglijie Environmental Technology Co ltd
Original Assignee
Zhejiang Jinglijie Environmental Technology Co 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 Zhejiang Jinglijie Environmental Technology Co ltd filed Critical Zhejiang Jinglijie Environmental Technology Co ltd
Priority to CN202110077568.3A priority Critical patent/CN112799330A/zh
Publication of CN112799330A publication Critical patent/CN112799330A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • G05B19/0425—Safety, monitoring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1254—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Automation & Control Theory (AREA)
  • Separation Of Suspended Particles By Flocculating Agents (AREA)

Abstract

本发明属于工业废水治理技术领域，公开了一种工业废水治理AI控制系统及方法，所述工业废水治理AI控制系统包括：视频监控模块、废水成分检测模块、废水浊度检测模块、水质检测模块、中央控制模块、废水过滤模块、废水净化模块、回收模块、故障预测模块、显示模块。本发明通过废水浊度检测模块可以免去待测量颜色废水对浊度检测的数据有影响，提高检测准确性并且可以实现快速检测；同时，通过故障预测模块基于数据驱动，避免了人工假设故障概率分布或构造状态量关联性，并且由于根据神经网络模型直接得到故障概率，因而，具有一定鲁棒性；可以针对不同局部放电类别进行故障概率预测，提升了概率预测效果。

Description

一种工业废水治理AI控制系统及方法
技术领域
本发明属于工业废水治理技术领域，尤其涉及一种工业废水治理AI控制系统及方法方法。
背景技术
工业废水（industrial wastewater ）包括生产废水、生产污水及冷却水，是指工业生产过程中产生的废水和废液，其中含有随水流失的工业生产用料、中间产物、副产品以及生产过程中产生的污染物。工业废水种类繁多，成分复杂。例如电解盐工业废水中含有汞，重金属冶炼工业废水含铅、镉等各种金属，电镀工业废水中含氰化物和铬等各种重金属，石油炼制工业废水中含酚，农药制造工业废水中含各种农药等。由于工业废水中常含有多种有毒物质，污染环境对人类健康有很大危害，因此要开发综合利用，化害为利，并根据废水中污染物成分和浓度，采取相应的净化措施进行处置后，才可排放。然而，现有工业废水治理AI控制系统对废水浊度检测不准确，检测慢；同时，不能对治理设备故障进行预测。
综上所述，现有技术存在的问题是：现有工业废水治理AI控制系统对废水浊度检测不准确，检测慢；同时，不能对治理设备故障进行预测。
发明内容
针对现有技术存在的问题，本发明提供了一种工业废水治理AI控制系统及方法。
本发明是这样实现的，一种工业废水治理AI控制系统包括：
视频监控模块、废水成分检测模块、废水浊度检测模块、水质检测模块、中央控制模块、废水过滤模块、废水净化模块、回收模块、故障预测模块、显示模块；
视频监控模块，与中央控制模块连接，用于通过摄像器监控工业废水治理过程视频；
废水成分检测模块，与中央控制模块连接，用于通过成分检测设备检测工业废水成分数据；
废水浊度检测模块，与中央控制模块连接，用于通过浊度检测器检测工业废水浊度数据；
水质检测模块，与中央控制模块连接，用于通过水质检测器检测工业废水处理后水质数据；
中央控制模块，与视频监控模块、废水成分检测模块、废水浊度检测模块、水质检测模块、废水过滤模块、废水净化模块、回收模块、故障预测模块、显示模块连接，用于通过AI控制器控制各个模块正常工作；
废水过滤模块，与中央控制模块连接，用于通过过滤设备对工业废水进行过滤处理；
废水净化模块，与中央控制模块连接，用于通过净化设备对工业废水进行净化处理；
回收模块，与中央控制模块连接，用于通过回收设备对工业废水净化进行回收；
故障预测模块，与中央控制模块连接，用于通过预测程序对工业废水治理设备故障概率进行预测；
显示模块，与中央控制模块连接，用于通过显示器显示监控视频、废水成分、废水浊度、水质、故障预测结果。
一种工业废水治理AI控制方法包括以下步骤：
步骤一，通过视频监控模块利用摄像器监控工业废水治理过程视频；通过废水成分检测模块利用成分检测设备检测工业废水成分数据；通过废水浊度检测模块利用浊度检测器检测工业废水浊度数据；通过水质检测模块利用水质检测器检测工业废水处理后水质数据；
步骤二，中央控制模块AI控制器控制各个模块正常工作；
步骤三，通过废水过滤模块利用过滤设备对工业废水进行过滤处理；通过废水净化模块利用净化设备对工业废水进行净化处理；通过回收模块利用回收设备对工业废水净化进行回收；
步骤四，通过故障预测模块利用预测程序对工业废水治理设备故障概率进行预测；
步骤五，通过显示模块利用显示器显示监控视频、废水成分、废水浊度、水质、故障预测结果。
进一步，所述废水浊度检测模块检测方法如下：
（1）通过浊度检测设备将待测废水放置检测容器内，设置光源发出光经过准直透镜组准直后，垂直射入检测容器的参考溶液中，入射光经过参考溶液散射后到达反光镜环的内侧壁，经镜面反射后完全沿轴向射出；光线通过凸透镜汇聚到光强检测板上，通过光强检测板记录光强信号；
（2）确定需要用到的光强信号个数，将光强检测板上收集到的光强按其所对应的散射光角度进行划分,取用其中的p个角度光强值来计算浊度，p是1到10的整数；
（3）取2p+1种已知浊度值的参考溶液，检测每种溶液在不同角度光强值，按照上步的方法确定p个角度的组合，依次将所有角度组合的光强代入公式列出2p+1个方程，解出每种角度组合所对应的an,b0,bn；
（4）确定选取的角度组合，另取m种已知浊度的参考溶液，m是大于2p+1的正整数，检测每种溶液各角度光强值；
（5）对废水浊度进行检测、计算。
进一步，所述散射光角度进行划分具体是：
（2.1）以6的整倍数角度θ是中心，正负3度扇形环内的光强值相加作是θ角度的发偏射光强值，依此将角范围划分等份，分别是0°,6°,12°等等的发偏射光强。
进一步，所述第（3）步骤中，Z＝1+Σn＝1panInb0+Σn＝1pbnIn。
进一步，所述第（4）步骤中，依次将光强值与步骤（3）得到的相同角度组合的系数an,b0,bn代入公式Z＝1+Σn＝1panInb0+Σn＝1pbnIn即可解出浊度Z的估计值Z^；计算m种参考溶液估计值Z^i与标准值Zi的相对偏差的平均值e，即：e＝1mΣi＝1m|Z^i-Zi|Zi；通过比较不同角度的组合，选出使e最小的一组角度组合，即是检测角度个数是p时的角度组合，该角度组合所用的参数an,b0,bn也随之确定。
进一步，所述故障预测模块预测方法如下：
1）通过监测设备采集废水治理设备参数，并采集废水治理设备的PRPS图谱数据并对其进行预处理；
2）基于经过预处理的PRPS图谱数据提取局部放电特征；
3）将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出废水治理设备具有某类绝缘缺陷的概率值P(Dk)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出废水治理设备在Dk的条件下发生故障的概率P(F|Dk)；
4）基于下述公式获得废水治理设备的最终故障概率P(F)：
Figure 319908DEST_PATH_IMAGE001
；
其中，n表示废水治理设备的绝缘缺陷类型数量，k＝1,2,3……n；P(Dk)表示卷积神经网络输出的废水治理设备为某类绝缘缺陷的概率值，Dk表示n类绝缘缺陷；P(F|Dk)表示长短时记忆神经网络输出的废水治理设备在Dk条件下发生故障的概率。
进一步，所述采用无监督网络模型自编码器提取局部放电特征；所述废水治理设备至少包括GIS设备，并且GIS设备的绝缘缺陷类型数量n＝4。
进一步，所述卷积神经网络包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层；对卷积神经网络进行训练包括：采集训练样本集数据进行训练，采用交叉熵代价函数，利用随机梯度下降法更新模型参数；通过反向传播算法进行有监督微调，优化模型参数；其中激活函数采用不饱和非线性函数；所述输出分类层采用Softmax分类器。
本发明的优点及积极效果为：本发明通过废水浊度检测模块可以把光源等集成在较小测量体内，密封后可以浸入水中检测周围水体的浊度，在浊度的原位就可以测量，还可以免去待测量颜色废水对浊度检测的数据有影响，提高检测准确性并且可以实现快速检测；同时，通过故障预测模块基于数据驱动，避免了人工假设故障概率分布或构造状态量关联性，并且由于根据神经网络模型直接得到故障概率，因而，具有一定鲁棒性；可以针对不同局部放电类别进行故障概率预测，提升了概率预测效果。
附图说明
图1是本发明实施例提供的工业废水治理AI控制方法流程图。
图2是本发明实施例提供的工业废水治理AI控制系统结构框图。
图3是本发明实施例提供的废水浊度检测模块检测方法流程图。
图4是本发明实施例提供的散射光角度进行划分方法流程图。
图5是本发明实施例提供的故障预测模块预测方法流程图。
图2中：1、视频监控模块；2、废水成分检测模块；3、废水浊度检测模块；4、水质检测模块；5、中央控制模块；6、废水过滤模块；7、废水净化模块；8、回收模块；9、故障预测模块；10、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的工业废水治理AI控制系统及方法包括以下步骤：
S101，通过视频监控模块利用摄像器监控工业废水治理过程视频；通过废水成分检测模块利用成分检测设备检测工业废水成分数据；通过废水浊度检测模块利用浊度检测器检测工业废水浊度数据；通过水质检测模块利用水质检测器检测工业废水处理后水质数据；
S102，中央控制模块AI控制器控制各个模块正常工作；
S103，通过废水过滤模块利用过滤设备对工业废水进行过滤处理；通过废水净化模块利用净化设备对工业废水进行净化处理；通过回收模块利用回收设备对工业废水净化进行回收；
S104，通过故障预测模块利用预测程序对工业废水治理设备故障概率进行预测；
S105，通过显示模块利用显示器显示监控视频、废水成分、废水浊度、水质、故障预测结果。
如图2所示，本发明实施例提供的工业废水治理AI控制系统包括：视频监控模块1、废水成分检测模块2、废水浊度检测模块3、水质检测模块4、中央控制模块5、废水过滤模块6、废水净化模块7、回收模块8、故障预测模块9、显示模块10。
视频监控模块1，与中央控制模块5连接，用于通过摄像器监控工业废水治理过程视频；
废水成分检测模块2，与中央控制模块5连接，用于通过成分检测设备检测工业废水成分数据；
废水浊度检测模块3，与中央控制模块5连接，用于通过浊度检测器检测工业废水浊度数据；
水质检测模块4，与中央控制模块5连接，用于通过水质检测器检测工业废水处理后水质数据；
中央控制模块5，与视频监控模块1、废水成分检测模块2、废水浊度检测模块3、水质检测模块4、废水过滤模块6、废水净化模块7、回收模块8、故障预测模块9、显示模块10连接，用于通过AI控制器控制各个模块正常工作；
废水过滤模块6，与中央控制模块5连接，用于通过过滤设备对工业废水进行过滤处理；
废水净化模块7，与中央控制模块5连接，用于通过净化设备对工业废水进行净化处理；
回收模块8，与中央控制模块5连接，用于通过回收设备对工业废水净化进行回收；
故障预测模块9，与中央控制模块5连接，用于通过预测程序对工业废水治理设备故障概率进行预测；
显示模块10，与中央控制模块5连接，用于通过显示器显示监控视频、废水成分、废水浊度、水质、故障预测结果。
如图3所示，本发明提供的废水浊度检测模块3检测方法如下：
S201，通过浊度检测设备将待测废水放置检测容器内，设置光源发出光经过准直透镜组准直后，垂直射入检测容器的参考溶液中，入射光经过参考溶液散射后到达反光镜环的内侧壁，经镜面反射后完全沿轴向射出；光线通过凸透镜汇聚到光强检测板上，通过光强检测板记录光强信号；
S202，确定需要用到的光强信号个数，将光强检测板上收集到的光强按其所对应的散射光角度进行划分,取用其中的p个角度光强值来计算浊度，p是1到10的整数；
S203，取2p+1种已知浊度值的参考溶液，检测每种溶液在不同角度光强值，按照上步的方法确定p个角度的组合，依次将所有角度组合的光强代入公式列出2p+1个方程，解出每种角度组合所对应的an,b0,bn；
S204，确定选取的角度组合，另取m种已知浊度的参考溶液，m是大于2p+1的正整数，检测每种溶液各角度光强值；
S205，对废水浊度进行检测、计算。
如图4所示，本发明提供的散射光角度进行划分具体是：
S301，以6的整倍数角度θ是中心，正负3度扇形环内的光强值相加作是θ角度的发偏射光强值，依此将角范围划分等份，分别是0°,6°,12°等等的发偏射光强。
本发明提供的第S203步骤中，Z＝1+Σn＝1panInb0+Σn＝1pbnIn。
本发明提供的第S204步骤中，依次将光强值与步骤S203得到的相同角度组合的系数an,b0,bn代入公式Z＝1+Σn＝1panInb0+Σn＝1pbnIn即可解出浊度Z的估计值Z^；计算m种参考溶液估计值Z^i与标准值Zi的相对偏差的平均值e，即：e＝1mΣi＝1m|Z^i-Zi|Zi；通过比较不同角度的组合，选出使e最小的一组角度组合，即是检测角度个数是p时的角度组合，该角度组合所用的参数an,b0,bn也随之确定。
如图5所示，本发明提供的故障预测模块9预测方法如下：
S401，通过监测设备采集废水治理设备参数，并采集废水治理设备的PRPS图谱数据并对其进行预处理；
S402，基于经过预处理的PRPS图谱数据提取局部放电特征；
S403，将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出废水治理设备具有某类绝缘缺陷的概率值P(Dk)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出废水治理设备在Dk的条件下发生故障的概率P(F|Dk)；
S404，基于下述公式获得废水治理设备的最终故障概率P(F)：
Figure 489858DEST_PATH_IMAGE001
；
其中，n表示废水治理设备的绝缘缺陷类型数量，k＝1,2,3……n；P(Dk)表示卷积神经网络输出的废水治理设备为某类绝缘缺陷的概率值，Dk表示n类绝缘缺陷；P(F|Dk)表示长短时记忆神经网络输出的废水治理设备在Dk条件下发生故障的概率。
本发明提供的采用无监督网络模型自编码器提取局部放电特征；所述废水治理设备至少包括GIS设备，并且GIS设备的绝缘缺陷类型数量n＝4。
本发明提供的卷积神经网络包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层；对卷积神经网络进行训练包括：采集训练样本集数据进行训练，采用交叉熵代价函数，利用随机梯度下降法更新模型参数；通过反向传播算法进行有监督微调，优化模型参数；其中激活函数采用不饱和非线性函数；所述输出分类层采用Softmax分类器。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (9)

1.一种工业废水治理AI控制系统，其特征在于，所述工业废水治理AI控制系统包括：
视频监控模块、废水成分检测模块、废水浊度检测模块、水质检测模块、中央控制模块、废水过滤模块、废水净化模块、回收模块、故障预测模块、显示模块；
视频监控模块，与中央控制模块连接，用于通过摄像器监控工业废水治理过程视频；
废水成分检测模块，与中央控制模块连接，用于通过成分检测设备检测工业废水成分数据；
废水浊度检测模块，与中央控制模块连接，用于通过浊度检测器检测工业废水浊度数据；
水质检测模块，与中央控制模块连接，用于通过水质检测器检测工业废水处理后水质数据；
中央控制模块，与视频监控模块、废水成分检测模块、废水浊度检测模块、水质检测模块、废水过滤模块、废水净化模块、回收模块、故障预测模块、显示模块连接，用于通过AI控制器控制各个模块正常工作；
废水过滤模块，与中央控制模块连接，用于通过过滤设备对工业废水进行过滤处理；
废水净化模块，与中央控制模块连接，用于通过净化设备对工业废水进行净化处理；
回收模块，与中央控制模块连接，用于通过回收设备对工业废水净化进行回收；
故障预测模块，与中央控制模块连接，用于通过预测程序对工业废水治理设备故障概率进行预测；
显示模块，与中央控制模块连接，用于通过显示器显示监控视频、废水成分、废水浊度、水质、故障预测结果。
2.一种如权利要求1所述的工业废水治理AI控制方法，其特征在于，所述工业废水治理AI控制方法包括以下步骤：
步骤一，通过视频监控模块利用摄像器监控工业废水治理过程视频；通过废水成分检测模块利用成分检测设备检测工业废水成分数据；通过废水浊度检测模块利用浊度检测器检测工业废水浊度数据；通过水质检测模块利用水质检测器检测工业废水处理后水质数据；
步骤二，中央控制模块AI控制器控制各个模块正常工作；
步骤三，通过废水过滤模块利用过滤设备对工业废水进行过滤处理；通过废水净化模块利用净化设备对工业废水进行净化处理；通过回收模块利用回收设备对工业废水净化进行回收；
步骤四，通过故障预测模块利用预测程序对工业废水治理设备故障概率进行预测；
步骤五，通过显示模块利用显示器显示监控视频、废水成分、废水浊度、水质、故障预测结果。
3.如权利要求1所述工业废水治理AI控制系统，其特征在于，所述废水浊度检测模块检测方法如下：
（1）通过浊度检测设备将待测废水放置检测容器内，设置光源发出光经过准直透镜组准直后，垂直射入检测容器的参考溶液中，入射光经过参考溶液散射后到达反光镜环的内侧壁，经镜面反射后完全沿轴向射出；光线通过凸透镜汇聚到光强检测板上，通过光强检测板记录光强信号；
（2）确定需要用到的光强信号个数，将光强检测板上收集到的光强按其所对应的散射光角度进行划分,取用其中的p个角度光强值来计算浊度，p是1到10的整数；
（3）取2p+1种已知浊度值的参考溶液，检测每种溶液在不同角度光强值，按照上步的方法确定p个角度的组合，依次将所有角度组合的光强代入公式列出2p+1个方程，解出每种角度组合所对应的an,b0,bn；
（4）确定选取的角度组合，另取m种已知浊度的参考溶液，m是大于2p+1的正整数，检测每种溶液各角度光强值；
（5）对废水浊度进行检测、计算。
4.如权利要求3所述工业废水治理AI控制系统，其特征在于，所述散射光角度进行划分具体是：
（2.1）以6的整倍数角度θ是中心，正负3度扇形环内的光强值相加作是θ角度的发偏射光强值，依此将角范围划分等份，分别是0°,6°,12°等等的发偏射光强。
5.如权利要求3所述工业废水治理AI控制系统，其特征在于，所述第（3）步骤中，Z＝1+Σn＝1panInb0+Σn＝1pbnIn。
6.如权利要求3所述工业废水治理AI控制系统，其特征在于，所述第（4）步骤中，依次将光强值与步骤（3）得到的相同角度组合的系数an,b0,bn代入公式Z＝1+Σn＝1panInb0+Σn＝1pbnIn即可解出浊度Z的估计值Z^；计算m种参考溶液估计值Z^i与标准值Zi的相对偏差的平均值e，即：e＝1mΣi＝1m|Z^i-Zi|Zi；通过比较不同角度的组合，选出使e最小的一组角度组合，即是检测角度个数是p时的角度组合，该角度组合所用的参数an,b0,bn也随之确定。
7.如权利要求1所述工业废水治理AI控制系统，其特征在于，所述故障预测模块预测方法如下：
1）通过监测设备采集废水治理设备参数，并采集废水治理设备的PRPS图谱数据并对其进行预处理；
2）基于经过预处理的PRPS图谱数据提取局部放电特征；
3）将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出废水治理设备具有某类绝缘缺陷的概率值P(Dk)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出废水治理设备在Dk的条件下发生故障的概率P(F|Dk)；
4）基于下述公式获得废水治理设备的最终故障概率P(F)：
Figure DEST_PATH_IMAGE001
；
其中，n表示废水治理设备的绝缘缺陷类型数量，k＝1,2,3……n；P(Dk)表示卷积神经网络输出的废水治理设备为某类绝缘缺陷的概率值，Dk表示n类绝缘缺陷；P(F|Dk)表示长短时记忆神经网络输出的废水治理设备在Dk条件下发生故障的概率。
8.如权利要求7所述工业废水治理AI控制系统，其特征在于，所述采用无监督网络模型自编码器提取局部放电特征；所述废水治理设备至少包括GIS设备，并且GIS设备的绝缘缺陷类型数量n＝4。
9.如权利要求7所述工业废水治理AI控制系统，其特征在于，所述卷积神经网络包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层；对卷积神经网络进行训练包括：采集训练样本集数据进行训练，采用交叉熵代价函数，利用随机梯度下降法更新模型参数；通过反向传播算法进行有监督微调，优化模型参数；其中激活函数采用不饱和非线性函数；所述输出分类层采用Softmax分类器。
CN202110077568.3A 2021-01-20 2021-01-20 一种工业废水治理ai控制系统及方法 Pending CN112799330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110077568.3A CN112799330A (zh) 2021-01-20 2021-01-20 一种工业废水治理ai控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110077568.3A CN112799330A (zh) 2021-01-20 2021-01-20 一种工业废水治理ai控制系统及方法

Publications (1)

Publication Number Publication Date
CN112799330A true CN112799330A (zh) 2021-05-14

Family

ID=75810877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110077568.3A Pending CN112799330A (zh) 2021-01-20 2021-01-20 一种工业废水治理ai控制系统及方法

Country Status (1)

Country Link
CN (1) CN112799330A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106292485A (zh) * 2015-06-08 2017-01-04 天津钢清果净科技发展有限公司 基于物联网的环保设备监控系统
CN107703102A (zh) * 2017-11-27 2018-02-16 清远市新中科检测有限公司 环保要求中对废水浊度的检测方法
CN108314111A (zh) * 2018-04-17 2018-07-24 苏州迪维勒普信息科技有限公司 工业废水排放监控系统
CN110334866A (zh) * 2019-07-05 2019-10-15 上海交通大学 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统
CN110668634A (zh) * 2019-09-06 2020-01-10 淮阴工学院 一种应用改性凹凸棒土的智能工业废水治理系统
CN112047568A (zh) * 2020-08-27 2020-12-08 盐城师范学院 一种水产养殖废水杀菌处理系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106292485A (zh) * 2015-06-08 2017-01-04 天津钢清果净科技发展有限公司 基于物联网的环保设备监控系统
CN107703102A (zh) * 2017-11-27 2018-02-16 清远市新中科检测有限公司 环保要求中对废水浊度的检测方法
CN108314111A (zh) * 2018-04-17 2018-07-24 苏州迪维勒普信息科技有限公司 工业废水排放监控系统
CN110334866A (zh) * 2019-07-05 2019-10-15 上海交通大学 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统
CN110668634A (zh) * 2019-09-06 2020-01-10 淮阴工学院 一种应用改性凹凸棒土的智能工业废水治理系统
CN112047568A (zh) * 2020-08-27 2020-12-08 盐城师范学院 一种水产养殖废水杀菌处理系统及方法

Similar Documents

Publication Publication Date Title
EP2920064B1 (en) A method and system for monitoring quality of ballast water of a vessel
US5646863A (en) Method and apparatus for detecting and classifying contaminants in water
CN110412230B (zh) 一种基于鱼类行为的水污染监测预警装置及其预警方法
CN210895538U (zh) 水质智能监管装置和设备
EP1794583A1 (en) System for monitoring quality of water system
CN104823037A (zh) 确定多相废水的液相浑浊度
JPH0627014A (ja) 水質汚染監視装置及びその方法
KR102261819B1 (ko) 인공지능 시뮬레이션을 이용한 정수처리장의 운영 시스템
AU2008287539A1 (en) Systems and methods for detecting toxins in a sample
Arndt et al. Making waves: Time for chemical surface water quality monitoring to catch up with its technical potential
CN114839343B (zh) 一种便携式水质监测巡检仪装置及使用方法
Razman et al. Design and analysis of water quality monitoring and filtration system for different types of water in Malaysia
CN102073292A (zh) 监控水质的方法和装置
Bertoldi et al. Microplastic abundance quantification via a computer-vision-based chemometrics-assisted approach
CN112799330A (zh) 一种工业废水治理ai控制系统及方法
KR102211283B1 (ko) 완충저류조를 이용한 배수구역 관리시스템 및 이를 이용한 배수구역 관리 방법
Wu et al. Intelligent Warning of Membrane Fouling Based on Robust Deep Neural Network
CN108909833B (zh) 基于策略迭代的智能汽车转向控制方法
Ansari Water Pollution Management and detection techniques: a Review
CN216669729U (zh) 水质监控装置
CN111272950B (zh) 一种智能污染物追踪系统
KR101795910B1 (ko) 유기성 막 오염의 예측 방법
JP7443265B2 (ja) 原水を処理するための凝固剤の用量を決定する方法
Razman et al. A Review on Water Quality Monitoring Methods Based on Electronics and Optical Sensing
JP2020094962A (ja) 水質測定システムおよびメンテナンス方法決定方法

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

Application publication date: 20210514

RJ01 Rejection of invention patent application after publication