CN112915641A - 一种滤池反冲洗控制方法 - Google Patents

Abstract

本发明公开了一种滤池反冲洗控制方法，属于滤池反冲洗领域，包括：步骤S1，采集一滤池的第一状态参数，对第一状态参数进行寻优处理，得到一优化的过滤周期；步骤S2，采集滤池的第二状态参数，以及对应的反冲洗参数组，对第二状态参数、反冲洗参数组进行寻优处理，得到一优化的反冲洗参数组；步骤S3，根据优化后的过滤周期和反冲洗参数组对滤池进行反冲洗控制。本技术方案的有益效果在于：对滤池的过滤周期及反冲洗参数进行优化，从而优化控制滤池的反冲洗过程，进一步提高出水量和降低能耗和生产成本，实现过滤环节的精细化控制。

Description

一种滤池反冲洗控制方法

技术领域

本发明涉及滤池反冲洗控制领域，尤其涉及一种滤池反冲洗控制方法。

背景技术

在水处理厂中，滤池是为了进一步去除水中杂质的重要环节之一，当过滤池工作一段时间后，被截留的污染物会穿透滤层，使得水质急剧变坏，滤层过滤阻力增大至超过最大允许的阻力，导致滤池无法正常工作。为了恢复滤池的正常工作，需要对滤池进行反冲洗操作，利用反向水流(自上而下)对过滤层进行冲洗，从而使滤层再生，滤池重新开始正常工作。不同类型的滤池具有不同的反冲洗强度与反冲时间，对于普通快滤池反冲洗强度为10-15L/(s·m²)，反冲洗时间为5-10分钟。

目前，对滤池进行反冲洗过程需要满足以下条件：过滤时间超过设定值，或水头损失大于设定值，或通过上位机强制进行冲洗，而这些设定值，以及对应的反冲洗参数通常都是根据人工经验确定，其精确度较差；同时反冲洗过程中的反冲洗参数同样是根据经验设置，参数设置不合理，当冲洗强度过高、反冲时间过大时，会造成不必要的能源浪费和成本损失；当冲洗强度过高、反冲时间过小时，则无法保证出厂水水质是否能够稳定达标，因此针对以上问题，迫切需要设计出一种滤池反冲洗控制方法，以满足实际使用的需要。

发明内容

针对现有技术中存在的上述问题，现提供一种滤池反冲洗控制方法，提高反冲洗效果，提高滤池的清洁度，充分发挥过滤功能。

具体技术方案如下所示：

一种滤池反冲洗控制方法，包括：

步骤S1，采集一滤池的第一状态参数，所述第一状态参数包括过滤前的初始滤池状态参数，以及反冲洗前的滤池状态参数，对所述第一状态参数进行寻优处理，得到一优化的过滤周期；

步骤S2，采集所述滤池的第二状态参数，以及对应的反冲洗参数组，所述第二状态参数包括所述初始反冲洗状态参数和所述反冲洗后的滤池状态参数，对所述第二状态参数、所述反冲洗参数组进行寻优处理，得到一优化的所述反冲洗参数组；

步骤S3，根据优化后的所述过滤周期和所述反冲洗参数组对所述滤池进行反冲洗控制。

上述的滤池反冲洗控制方法，其中，所述步骤S1具体包括：

步骤S11，于一预设的单次过滤周期中，采集所述滤池对应的过滤前的初始状态参数；

步骤S12，对所述过滤前的初始状态参数进行预处理；

步骤S13，根据一训练好的初始周期预测模型对所述过滤前的初始状态参数进行处理，得到一第一预测周期；

步骤S14，采集所述滤池的当前过滤时长；

步骤S15，根据所述第一预测周期和所述当前过滤时长判断是否进行反冲洗：

若是，则进入步骤S16；

若否，则返回所述步骤S14；

步骤S16，采集反冲洗前的滤池状态参数，并根据所述反冲洗前的滤池状态参数判断所述第一预测周期是否合理，输出一判断结果，若所述判断结果表示所述第一预测周期合理，则将所述第一预测周期作为所述最优过滤周期，并结束流程。

上述的滤池反冲洗控制方法，其中，所述步骤S13具体包括：

步骤S131，采集一预设时间跨度的水厂历史数据，将所述水厂历史数据作为初始样本数据；

步骤S132，基于机器学习算法，建立所述初始周期预测模型，根据所述初始样本数据对所述初始周期预测模型进行训练；

步骤S133，利用训练好的所述初始周期预测模型对预处理后的所述过滤前的初始状态参数进行处理，得到所述第一预测周期。

上述的滤池反冲洗控制方法，其中，所述步骤S16中，若所述判断结果表示所述第一预测周期不合理，则所述步骤S1还包括：

步骤S17，根据所述反冲洗前的滤池状态参数对所述第一预测周期进行修正；

步骤S18，将修正后的所述第一预测周期及对应的所述过滤前的初始状态参数作为新的样本数据，并返回所述步骤S13中，对所述初始周期预测模型重新进行训练、优化，建立自学习机制，对所述单次过滤周期进行优化。

上述的滤池反冲洗控制方法，其中，所述第一状态参数包括所述过滤前的初始状态参数，以及所述反冲洗前的滤池状态参数；

所述过滤前的初始状态参数包括上一过滤周期的平均水质参数、初始过滤水损、初始滤后水质、环境参数以及当前过滤周期，所述环境参数包括PH值和温度；

所述反冲洗前的滤池状态参数包括反冲洗前的滤后水质分数、滤层水头损失、滤层含泥量以及液位连续上升时间。

上述的滤池反冲洗控制方法，其中，所述步骤S2具体包括：

步骤S21，于滤池反冲洗前，采集所述滤池的初始反冲洗状态参数；

步骤S22，对所述初始反冲洗状态参数进行预处理；

步骤S23，根据一训练好的初始反冲洗预测模型对所述初始反冲洗状态参数进行处理，得到一预测反冲洗参数组，所述预测反冲洗参数组包括各反冲洗阶段的反冲洗强度和反冲时间；

步骤S24，于完成滤池反冲洗后，采集反冲洗后的滤池状态参数；

步骤S25，判断各阶段的所述反冲洗强度是否合理：

若合理，则进入步骤S26；

若不合理，则对所述反冲洗强度进行修正，并返回所述步骤S23；

步骤S26，判断各阶段的所述反冲时间是否合理：

若合理，则将所述预测反冲洗参数组作为所述最优反冲洗参数组，并结束流程；

若不合理，则对所述反冲时间进行修正，并返回所述步骤S23；

其中，所述第二状态参数包括所述初始反冲洗状态参数和所述反冲洗后的滤池状态参数。

上述的滤池反冲洗控制方法，其中，当所述步骤S25和步骤S26中的判断结果表示所述反冲洗强度和/或所述反冲时间不合理时，则所述步骤S23还包括：

将修正后的所述反冲洗强度和/或所述反冲时间及对应的所述初始反冲洗状态参数作为新的样本数据，对所述初始反冲洗预测模型重新进行训练、优化，建立自学习机制，对所述反冲洗参数进行优化。

上述的滤池反冲洗控制方法，其中，所述初始反冲洗状态参数包括过滤水损、当前过滤时长、液位连续上升时间、滤层含泥量以及环境参数。

上述的滤池反冲洗控制方法，其中，所述反冲洗后的滤池状态参数包括气冲阶段的滤层膨胀度和滤后水质变化率、混冲阶段的滤层膨胀度和滤后水质变化率以及水冲阶段的滤层膨胀度和滤后水质变化率。

上述的滤池反冲洗控制方法，其中，所述步骤S24具体包括：

步骤S241，通过一设置于滤池砂层的上方的激光红外测距仪获取反冲洗过程中各阶段的初始时刻时与所述滤池砂层的第一距离，以及末期时刻时与所述滤池砂层的第二距离；

步骤S242，根据所述第一距离和所述第二距离，得到各阶段所述滤池砂层的增加厚度和初始厚度，通过二值比值法，得到各阶段的所述滤层膨胀度。

本技术方案的有益效果在于：

本发明基于机器学习算法对滤池的过滤周期及反冲洗参数进行优化，从而对滤池的反冲洗过程进行优化控制，在保证出水水质稳定且达标的前提下，充分发挥滤池的生产能力，进一步提高出水量和降低能耗和生产成本，实现过滤环节的精细化控制。

附图说明

图1是本发明中，一种滤池反冲洗控制方法的流程示意图；

图2是本发明中，所述步骤S1的流程示意图；

图3是本发明中，所述步骤S13的流程示意图；

图4是本发明中，所述步骤S2的流程示意图；

图5是本发明中，所述步骤S24的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明提供一种滤池反冲洗控制方法，属于滤池反冲洗控制领域，如图1所示，包括：

步骤S1，采集一滤池的第一状态参数，第一状态参数包括过滤前的初始滤池状态参数，以及反冲洗前的滤池状态参数，对第一状态参数进行寻优处理，得到一优化的过滤周期；

在步骤S1中，对滤池的过滤周期寻优处理：

首先，采集滤池的第一状态参数，第一状态参数包括过滤前的初始状态参数，以及反冲洗前的滤池状态参数。

具体数据采集过程：于滤池过滤前，采集滤池的初始状态参数，滤池的初始状态参数包括：

上一过滤周期的平均水质参数，针对不同类型的滤池，采集的水质参数数据不同，例如：对于深床滤池，需要采集深床滤池的平均滤前SS、平均滤前TN、平均滤前TP等数据；

初始过滤水损，初始过滤水损为反冲洗结束一定时间后的过滤水损，大约为10min左右；

初始滤后水质，采集反冲洗结束一定时间后的水质参数，大约为10min左右，针对不同类型滤池的滤后水质参数，对其进行水质打分，得到初始滤后水质；

环境参数，例如PH值和温度；

当前过滤周期T，当前过滤工作过程中，目前已累计的过滤时长。

于反冲洗前，即过滤末期时刻，采集反冲洗前的滤池状态参数，将采集的反冲洗前的滤池状态参数作为过滤周期寻优算法中判断过滤周期是否合理的评估指标，反冲洗前的滤池状态参数具体包括：

反冲洗前的滤后水质分数、滤层水头损失、滤层含泥量以及液位连续上升时间。

其中，针对不同类型的滤池，需要建立不同的水质评估打分体制，对采集的不同类型的滤池的水质参数进行打分得到上述滤后水质分数，水质评估打分体制可采集现有技术中的打分体制，或根据实际的滤池类型确定，在此不再赘述；

在一个较佳的实施例中，如图2所示，步骤S1具体包括：

步骤S11，于一预设的单次过滤周期中，采集滤池对应的过滤前的初始状态参数；

步骤S12，对过滤前的初始状态参数进行预处理；

步骤S13，根据一训练好的初始周期预测模型对过滤前的初始状态参数进行处理，得到一第一预测周期；

步骤S14，采集滤池的当前过滤时长；

步骤S15，根据第一预测周期和当前过滤时长判断是否进行反冲洗：

若是，则进入步骤S16；

若否，则返回步骤S14；

步骤S16，采集反冲洗前的滤池状态参数，并根据反冲洗前的滤池状态参数判断第一预测周期是否合理，输出一判断结果；

若判断结果表示第一预测周期合理，则将第一预测周期作为最优过滤周期，并结束流程。

若判断结果表示第一预测周期不合理，则步骤S1还包括：

步骤S17，根据反冲洗前的滤池状态参数对第一预测周期进行修正；

步骤S18，将修正后的第一预测周期及对应的过滤前的初始状态参数作为新的样本数据，并返回步骤S13中，将新的样本数据并入样本数据库中，对初始周期预测模型重新进行训练、优化，建立自学习机制，重复步骤S13的后续步骤，直至判断结果表示模型输出的预测周期合理，完成对单次过滤周期的优化。

具体的，在本实施例中，通过实际采集的反冲洗前的滤池状态参数对模型进行不断优化，从而使得模型输出的预测周期最优。具体为：采集过滤前的初始状态参数，输入初始周期预测模型中预测得到第一预测周期，基于模型预测的第一预测周期控制滤池的过滤工作周期(即控制反冲洗过程的开始时间)，于当前过滤时长到达上述的一个过滤工作周期时，即可进行反冲洗操作；在当前反冲洗过程开始前，采集反冲洗前的滤池状态参数来评估模型的输出结果合理性，当输出结果合理时，则当前模型为最优状态；若不合理，则对模型输出的预测周期修正后，再返回对模型进行重新训练。

在一个较佳的实施例中，如图3所示，步骤S13具体包括：

步骤S131，采集一预设时间跨度的水厂历史数据，将水厂历史数据作为初始样本数据；

步骤S132，基于机器学习算法，建立初始周期预测模型，根据初始样本数据对初始周期预测模型进行训练；

步骤S133，利用训练好的初始周期预测模型对预处理后的过滤前的初始状态参数进行处理，得到第一预测周期。

具体的，在本实施例中，在周期模型寻优之前，先采集基础数据，基础数据为一预设时间跨度的水厂历史数据作为初始样本数据，其中样本数据的时间颗粒度为一个过滤工作周期与单次反冲洗所需时长之和，下文中简称为单次过滤周期，建立第一样本数据库，将上述初始样本数据录入第一样本数据库中，基于机器学习算法，建立滤池状态参数与过滤工作周期T之间的对应关系，训练模型，并利用训练好的过滤周期模型，建议单次过滤工作周期T。

步骤S2，采集滤池的第二状态参数，以及对应的反冲洗参数组，第二状态参数包括初始反冲洗状态参数和反冲洗后的滤池状态参数，对第二状态参数、反冲洗参数组进行寻优处理，得到一优化的反冲洗参数组；

在步骤S2中，对滤池的反冲洗参数寻优处理：

采集滤池的第二状态参数和反冲洗参数组，第二状态参数包括初始反冲洗状态参数和反冲洗后的滤池状态参数；

其中，上述初始反冲洗状态参数包括过滤水损、当前过滤时长(即累计过滤时长T)、液位连续上升时间t、滤层含泥量以及环境参数(pH、温度)。

反冲洗过程中包括气冲阶段、混冲阶段和水冲阶段三个阶段，于反冲洗过程中，采集各阶段的滤层膨胀度和滤后水质变化率，作为上述反冲洗后的滤池状态参数；

反冲洗参数组包括气冲阶段的气冲参数、混冲阶段的气水混冲参数和水冲阶段的水冲参数，其中气冲参数包括反冲洗强度q1，反冲时间t1；气水混冲参数包括反冲洗强度q1+q2，反冲时间t2：水冲参数包括反冲洗强度q3，反冲时间t3。

在一个较佳的实施例中，如图4所示，步骤S2具体包括：

步骤S21，于滤池反冲洗前，采集滤池的初始反冲洗状态参数；

步骤S22，对初始反冲洗状态参数进行预处理；

步骤S23，根据一训练好的初始反冲洗预测模型对初始反冲洗状态参数进行处理，得到一预测反冲洗参数组，预测反冲洗参数组包括各反冲洗阶段的反冲洗强度和反冲时间；

在步骤S23中，采集一预设时间跨度的水厂历史数据作为初始样本数据，建立第二样本数据库，将上述初始样本数据录入第二样本数据库中，基于机器学习算法，建立反冲洗前的滤池状态参数与各阶段的反冲洗参数组之间的关系，训练模型，将上述初始反冲洗状态参数(具体参数见上文)输入训练好的模型中，并输出上述预测反冲洗参数组。

步骤S24，于完成滤池反冲洗后，采集反冲洗后的滤池状态参数，即在反冲洗的三个阶段(气冲阶段、混冲阶段、水冲阶段)，分别采集各阶段结束时的滤层膨胀度、滤后水质变化率，作为各阶段反冲洗参数的评价指标；

步骤S25，判断各阶段的反冲洗强度是否合理：

若合理，则进入步骤S26；

若不合理，则对反冲洗强度进行修正，并返回步骤S23；

步骤S26，判断各阶段的反冲时间是否合理：

若合理，则将预测反冲洗参数组作为最优反冲洗参数组，并结束流程；

若不合理，则对反冲时间进行修正，并返回步骤S23。

进一步的，上述步骤S25和步骤S26，可以同时进行，也可以调换顺序。

在一个较佳的实施例中，当步骤S25和步骤S26中的判断结果表示反冲洗强度和/或反冲时间不合理时，则步骤S23还包括：

将修正后的反冲洗强度和/或反冲时间及对应的初始反冲洗状态参数作为新的样本数据，对初始反冲洗预测模型重新进行训练、优化，建立自学习机制，对反冲洗参数进行优化。

具体的，根据采集的各阶段结束时的滤层膨胀度、滤后水质变化率对步骤S23输出的预测反冲洗参数组进行修正，将修正后的反冲洗参数组及其对应的反冲洗前滤池状态参数作为新的样本并入第二样本数据库中，对模型进行重新训练、优化，建立自学习机制，完成滤池反冲洗参数的优化。

即对滤池的反冲洗参数寻优处理具体为：将相应的参数输入一预先训练好的初始反冲洗预测模型中，输出预测反冲洗参数组，基于预测反冲洗参数组对滤池进行反冲洗过程控制，即对各阶段的反冲洗强度以及反冲时间进行控制，在当前反冲洗环节结束后，采集当前反冲洗环节的滤池状态参数，作为评价指标，以评估上述初始反冲洗预测模型输出的预测反冲洗参数组是否合理，即各阶段的反冲洗强度、反冲时间，当反冲洗强度、反冲时间不合理时，对其进行修正，并将修正后的各阶段的反冲洗强度、反冲时间，以及对应的滤池状态参数作为新样本数据，将新样本数据录入第二样本数据库，以进行模型的重新训练。

步骤S3，根据优化后的过滤周期和反冲洗参数组对滤池进行反冲洗控制。

于上述较佳的实施例中，如图5所示，其中，步骤S24具体包括：

步骤S241，通过一布设于一滤池砂层的上方的激光红外测距仪获取反冲洗过程中各阶段的初始时刻时与滤池砂层的第一距离，以及末期时刻时与滤池砂层的第二距离，其中激光红外测距仪与滤池的底部相隔一预设距离；

步骤S242，根据第一距离和第二距离，得到各阶段滤池砂层的增加厚度和初始厚度，通过二值比值法，得到各阶段的滤层膨胀度。

具体的，在本实施例中，上述滤层膨胀度可通过光影测距法测得，具体采用如下步骤测得：在滤池砂层上方设置一激光红外测距仪，获取测距仪与滤池底部的距离，在反冲洗过程的各个阶段最初和最末期时，利用测距仪测量与砂层之间的距离，从而可以得到各阶段的滤层增加厚度以及初始厚度，计算二值比值，得到气冲阶段的滤层膨胀度e1，混冲阶段的滤层膨胀度e2和水冲阶段按阶段的滤层膨胀度e3。

本技术方案的有益效果在于：

本发明基于机器学习算法对滤池的过滤周期及反冲洗参数进行优化，从而对滤池的反冲洗过程进行优化控制，在保证出水水质稳定且达标的前提下，充分发挥滤池的生产能力，进一步提高出水量和降低能耗和生产成本，实现过滤环节的精细化控制。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种滤池反冲洗控制方法，其特征在于，包括：

步骤S1，采集一滤池的第一状态参数，所述第一状态参数包括过滤前的初始滤池状态参数，以及反冲洗前的滤池状态参数，对所述第一状态参数进行寻优处理，得到一优化的过滤周期；

步骤S2，采集所述滤池的第二状态参数，以及对应的反冲洗参数组，所述第二状态参数包括所述初始反冲洗状态参数和所述反冲洗后的滤池状态参数，对所述第二状态参数、所述反冲洗参数组进行寻优处理，得到一优化的所述反冲洗参数组；

步骤S3，根据优化后的所述过滤周期和所述反冲洗参数组对所述滤池进行反冲洗控制。

2.根据权利要求1所述的一种滤池反冲洗控制方法，其特征在于，所述步骤S1具体包括：

步骤S11，于一预设的单次过滤周期中，采集所述滤池对应的过滤前的初始滤池状态参数；

步骤S12，对所述过滤前的初始滤池状态参数进行预处理；

步骤S13，根据一训练好的初始周期预测模型对所述过滤前的初始滤池状态参数进行处理，得到一第一预测周期；

步骤S14，采集所述滤池的当前过滤时长；

步骤S15，根据所述第一预测周期和所述当前过滤时长判断是否进行反冲洗：

若是，则进入步骤S16；

若否，则返回所述步骤S14；

步骤S16，采集反冲洗前的滤池状态参数，并根据所述反冲洗前的滤池状态参数判断所述第一预测周期是否合理，输出一判断结果，若所述判断结果表示所述第一预测周期合理，则将所述第一预测周期作为所述最优过滤周期，并结束流程。

3.根据权利要求2所述的一种滤池反冲洗控制方法，其特征在于，所述步骤S13具体包括：

步骤S131，采集一预设时间跨度的水厂历史数据，将所述水厂历史数据作为初始样本数据；

步骤S132，基于机器学习算法，建立所述初始周期预测模型，根据所述初始样本数据对所述初始周期预测模型进行训练；

步骤S133，利用训练好的所述初始周期预测模型对预处理后的所述过滤前的初始滤池状态参数进行处理，得到所述第一预测周期。

4.根据权利要求2所述的一种滤池反冲洗控制方法，其特征在于，所述步骤S16中，若所述判断结果表示所述第一预测周期不合理，则所述步骤S1还包括：

步骤S17，根据所述反冲洗前的滤池状态参数对所述第一预测周期进行修正；

步骤S18，将修正后的所述第一预测周期及对应的所述过滤前的初始滤池状态参数作为新的样本数据，并返回所述步骤S13中，对所述初始周期预测模型重新进行训练、优化，建立自学习机制，对所述单次过滤周期进行优化。

5.根据权利要求2所述的一种滤池反冲洗控制方法，其特征在于，所述过滤前的初始滤池状态参数包括上一过滤周期的平均水质参数、初始过滤水损、初始滤后水质、环境参数以及当前过滤周期，所述环境参数包括PH值和温度；

所述反冲洗前的滤池状态参数包括反冲洗前的滤后水质分数、滤层水头损失、滤层含泥量以及液位连续上升时间。

6.根据权利要求1所述的一种滤池反冲洗控制方法，其特征在于，所述步骤S2具体包括：

步骤S21，于滤池反冲洗前，采集所述滤池的初始反冲洗状态参数；

步骤S22，对所述初始反冲洗状态参数进行预处理；

步骤S23，根据一训练好的初始反冲洗预测模型对所述初始反冲洗状态参数进行处理，得到一预测反冲洗参数组，所述预测反冲洗参数组包括各反冲洗阶段的反冲洗强度和反冲时间；

步骤S24，于完成滤池反冲洗后，采集反冲洗后的滤池状态参数；

步骤S25，判断各阶段的所述反冲洗强度是否合理：

若合理，则进入步骤S26；

若不合理，则对所述反冲洗强度进行修正，并返回所述步骤S23；

步骤S26，判断各阶段的所述反冲时间是否合理：

若合理，则将所述预测反冲洗参数组作为所述最优反冲洗参数组，并结束流程；

若不合理，则对所述反冲时间进行修正，并返回所述步骤S23。

7.根据权利要求6所述的一种滤池反冲洗控制方法，其特征在于，当所述步骤S25和步骤S26中的判断结果表示所述反冲洗强度和/或所述反冲时间不合理时，则所述步骤S23还包括：

将修正后的所述反冲洗强度和/或所述反冲时间及对应的所述初始反冲洗状态参数作为新的样本数据，对所述初始反冲洗预测模型重新进行训练、优化，建立自学习机制，对所述反冲洗参数进行优化。

8.根据权利要求6所述的一种滤池反冲洗控制方法，其特征在于，所述初始反冲洗状态参数包括过滤水损、当前过滤时长、液位连续上升时间、滤层含泥量以及环境参数。

9.根据权利要求6所述的一种滤池反冲洗控制方法，其特征在于，所述反冲洗后的滤池状态参数包括气冲阶段的滤层膨胀度和滤后水质变化率、混冲阶段的滤层膨胀度和滤后水质变化率以及水冲阶段的滤层膨胀度和滤后水质变化率。

10.根据权利要求9所述的一种滤池反冲洗控制方法，其特征在于，所述步骤S24具体包括：

步骤S241，通过一设置于滤池砂层的上方的激光红外测距仪获取反冲洗过程中各阶段的初始时刻时与所述滤池砂层的第一距离，以及末期时刻时与所述滤池砂层的第二距离；

步骤S242，根据所述第一距离和所述第二距离，得到各阶段所述滤池砂层的增加厚度和初始厚度，通过二值比值法，得到各阶段的所述滤层膨胀度。

Images