CN113505649B - 一种自来水加氯控制方法及装置 - Google Patents
一种自来水加氯控制方法及装置 Download PDFInfo
- Publication number
- CN113505649B CN113505649B CN202110651549.7A CN202110651549A CN113505649B CN 113505649 B CN113505649 B CN 113505649B CN 202110651549 A CN202110651549 A CN 202110651549A CN 113505649 B CN113505649 B CN 113505649B
- Authority
- CN
- China
- Prior art keywords
- chlorination
- tap water
- picture
- valve
- pictures
- 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.)
- Active
Links
- 238000005660 chlorination reaction Methods 0.000 title claims abstract description 111
- 239000008399 tap water Substances 0.000 title claims abstract description 95
- 235000020679 tap water Nutrition 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 77
- 230000001276 controlling effect Effects 0.000 claims abstract description 27
- 230000001105 regulatory effect Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 31
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 17
- 238000004659 sterilization and disinfection Methods 0.000 abstract description 10
- 230000009471 action Effects 0.000 description 19
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 12
- 239000000460 chlorine Substances 0.000 description 12
- 229910052801 chlorine Inorganic materials 0.000 description 12
- 241000195493 Cryptophyta Species 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 238000004062 sedimentation Methods 0.000 description 8
- 230000005284 excitation Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- QWPPOHNGKGFGJK-UHFFFAOYSA-N hypochlorous acid Chemical compound ClO QWPPOHNGKGFGJK-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 229940060587 alpha e Drugs 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000008394 flocculating agent Substances 0.000 description 1
- 208000018914 glucose metabolism disease Diseases 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 125000003396 thiol group Chemical group [H]S* 0.000 description 1
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
- C02F1/50—Treatment of water, waste water, or sewage by addition or application of a germicide or by oligodynamic treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
- C02F2103/02—Non-contaminated water, e.g. for industrial water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Hydrology & Water Resources (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Treatment Of Water By Oxidation Or Reduction (AREA)
- Control Of Non-Electrical Variables (AREA)
Abstract
本发明公开了一种自来水加氯控制方法及装置，其中方法包括实时获取待检测自来水区域内的自来水图片；识别所述自来水图片，得到对应的水质输出结果；将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策；基于所述MDP决策调控所述待检测自来水区域内的加氯阀门的开度。本发明实施例提供的自来水加氯控制方法及装置，通过对实时获取到的自来水图片进行识别与分析，得到准确的MDP决策，解决了现有的加氯消毒过程具有较大的时延性与迟滞性的技术问题，从而提高了加氯控制的时效性。
Description
技术领域
本发明涉及净水处理技术领域，尤其是涉及一种自来水加氯控制方法。
背景技术
加氯消毒的原理是氯可在水中迅速形成次氯酸，次氯酸分子体积微小，电荷为中性，易经细胞壁渗透入水藻的细菌体内，抑制和破坏菌体内的各种酶系统，使巯基被氧化而破坏，影响细菌体内的氧化还原作用，使其体内葡萄糖代谢障碍，导致水藻死亡，达到消毒目的。
现如今，加氯消毒凭借着成本低、效果好、几乎不产生有害物质的优点，逐渐演变为当前净水处理、消除水藻所采用的主要方式。然而在实际应用中，在加氯消毒过后，自来水厂是采取对随机水质进行抽查的方式，当查明有水质不合格之后才会对氯气的阀门进行调整，这就导致了整个加氯消毒过程具有较大的时延性与迟滞性，水藻消毒难以达标，影响加氯消毒的最终效果。
发明内容
本发明提供一种自来水加氯控制方法及装置，以解决现有的加氯消毒过程具有较大的时延性与迟滞性的技术问题，通过对实时获取到的自来水图片进行识别与分析，得到准确的MDP决策，提高了加氯控制的时效性。
为了解决上述技术问题，本发明实施例提供了一种自来水加氯控制方法，包括：
实时获取待检测自来水区域内的自来水图片；
识别所述自来水图片，得到对应的水质输出结果；
将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策；
基于所述MDP决策调控所述待检测自来水区域内的加氯阀门的开度。
作为其中一种优选方案，所述识别所述自来水图片，得到对应的水质输出结果，具体为：
对待训练自来水图片集进行训练，其中，所述待训练自来水图片集的类型至少包括透明图片、浅绿图片、深绿图片和墨绿图片；
基于所述训练结果识别所述实时自来水图片，得到对应的水质输出结果。
作为其中一种优选方案，所述对待训练自来水图片集进行训练，具体为：
分别将预设数量的所述透明图片、预设数量的所述浅绿图片、预设数量的所述深绿图片和预设数量的所述墨绿图片代入Alexnet模型中进行训练。
作为其中一种优选方案，所述将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策，具体为：
基于所述水质输出结果构建加氯控制的奖励函数；
以加氯阀门开度的状态集合构建加氯控制的Q值表；
根据贪婪算法计算所述Q学习算法模型中的算法目标值；
基于所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，以确定最优的用于调控加氯阀门的开度的所述MDP决策。
作为其中一种优选方案，所述基于所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，具体为：
根据预置的更新式进行更新，所述预置的更新式为：
其中，为加氯阀门在环境状态St下阀门开度/>的价值，环境状态St对应自来水图片的不同类型，A为阀门开度，α为学习效率，R为奖励函数，γ为衰减因子，γ∈[0,1]，St为本时刻，St+1为下一时刻。
本发明另一实施例提供了一种自来水加氯控制装置，包括：
实时获取模块，用于实时获取待检测自来水区域内的自来水图片；
水质识别模块，用于识别所述自来水图片，得到对应的水质输出结果；
Q学习算法模块，用于将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策；
调控模块，用于根据所述MDP决策调控所述待检测自来水区域内的加氯阀门的开度。
作为其中一种优选方案，所述水质识别模块包括：
训练单元，用于对待训练自来水图片集进行训练，其中，所述待训练自来水图片集的类型至少包括透明图片、浅绿图片、深绿图片和墨绿图片；
识别单元，用于根据所述训练结果识别所述实时自来水图片，得到对应的水质输出结果。
作为其中一种优选方案，所述对待训练自来水图片集进行训练，具体为：
分别将预设数量的所述透明图片、预设数量的所述浅绿图片、预设数量的所述深绿图片和预设数量的所述墨绿图片代入Alexnet模型中进行训练。
作为其中一种优选方案，所述Q学习算法模块包括：
奖励函数单元，用于根据所述水质输出结果构建加氯控制的奖励函数；
Q值表单元，用于根据加氯阀门开度的状态集合构建加氯控制的Q值表；
算法目标值单元，用于根据贪婪算法计算所述Q学习算法模型中的算法目标值；
更新单元，用于根据所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，以确定最优的用于调控加氯阀门的开度的所述MDP决策。
作为其中一种优选方案，所述根据所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，具体为：
根据预置的更新式进行更新，所述预置的更新式为：
其中，为加氯阀门在环境状态St下阀门开度/>的价值，环境状态St对应自来水图片的不同类型，A为阀门开度，α为学习效率，R为奖励函数，γ为衰减因子，γ∈[0,1]，St为本时刻，St+1为下一时刻。
相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点，首先实时获取某一自来水区域内的自来水图片，对其进行识别分析，得到准确的实时水质结果，为后续的调控过程提供了准确的数据支撑；然后借助相关的算法分析模型，对实时水质结果进行处理，得到最优的用于调控加氯阀门的开度的MDP决策，从而使得在后续的调控过程中，加氯阀门能够基于准确的处理结果，及时调控某一自来水区域内的加氯程度，从而解决了现有技术的加氯消毒过程具有大时延、大时滞等缺点，同时提高了加氯控制的时效性，从而能够对自来水中的水藻进行有效地消毒处理，且整个控制过程无需人工干预，保障了自来水加氯消毒的最终效果。
附图说明
图1是本发明其中一种实施例中的自来水加氯控制方法的流程示意图；
图2是本发明其中一种实施例中的Alexnet模型的流程示意图；
图3是本发明其中一种实施例中的自来水加氯控制装置的结构示意图。
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。
在本申请描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种自来水加氯控制方法，具体的，请参见图1，图1示出为本发明其中一种实施例中的自来水加氯控制方法的流程示意图，其中所述控制方法包括：
S1、实时获取待检测自来水区域内的自来水图片；
S2、识别所述自来水图片，得到对应的水质输出结果；
S3、将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策；
S4、基于所述MDP决策调控所述待检测自来水区域内的加氯阀门的开度。
应当说明的是，在发明实施例中可以通过设于自来水池内的高清摄像头获取自来水图片，高清摄像头的数量可以设置为多个，需要保证每一区域至少设置一个，高清摄像头的型号、位置以及镜头朝向由实际的设计要求、水池的尺寸大小、以及水池的标定类型等因素决定，在此不再赘述。
对于自来水厂的水源来说，水源一般是透明色的，但是由于水藻的繁殖，水源的颜色就会变绿，按照水藻繁殖的数量不同，水的颜色可以分为浅绿色、深绿色和墨绿色。在本发明中，考虑到自来水池中会因局部氮磷的排放导致局部的水藻大量繁殖，进而导致水质不达标，在本实施例中的对自来水图片的识别环节是基于自来水图片的颜色判断对应的水质。当然，考虑到实际应用中的自来水图片具有较大的可变性，本实施例是先将待检测自来水区域内的自来水进行沉淀，并放入沉淀池，然后用高清摄像头对沉淀池进行拍摄得到沉淀池的照片，进而对其进行分析，得到对应的水质输出结果，优选地，从待检测自来水区域取水之后添加絮凝剂，将水引导至沉淀池处去除水中悬浮物，此时使用高清摄像头对沉淀池处的水进行拍摄，得到自来水图片P，以进行后续的识别处理。
进一步地，在上述实施例中，对于步骤S2：识别所述自来水图片，得到对应的水质输出结果，具体为：
S21、对待训练自来水图片集进行训练，其中，所述待训练自来水图片集的类型至少包括透明图片、浅绿图片、深绿图片和墨绿图片；
S22、基于所述训练结果识别所述实时自来水图片，得到对应的水质输出结果。
优选地，上述实施例中的训练过程是基于Alexnet模型进行训练，具体的，请参见图2，图2示出为本发明其中一种实施例中的Alexnet模型的流程示意图，具体的Alexnet模型可参照现有技术，在本实施例中，Alexnet模型每一层的具体设计如下：
第一层为卷积层：输入的图像规格为227×227×3(RGB图像)，使用步长为4，96个大小规格为11×11的卷积核，进行特征提取，卷积后的数据为55×55×96，使用relu作为激励函数，此层输出后的数据为55×55×96。
第二层为池化层：池化核为3×3，步长为2，池化后的数据为27×27×96。
第三层为卷积层：输入的图像规格为27×27×96，使用步长为1，256个5×5大小的卷积核，进一步进行特征提取，使用relu作为激励函数，此层输出后的数据为27×27×256。
第四层为池化层：池化核为3×3，步长为1，池化后的数据为13×13×256。
第五层为卷积层：输入的图像规格为13×13×256，使用步长为1，384个3×3大小的卷积核，进一步进行特征提取，使用relu作为激励函数，此层输出后的数据为13×13×384。
第六层为卷积层：输入的图像规格为13×13×256，使用步长为1，384个3×3大小的卷积核，进一步进行特征提取，使用relu作为激励函数，此层输出后的数据为13×13×384。
第七层为卷积层：输入的图像规格为13×13×384，使用步长为1，256个3×3大小的卷积核，进一步进行特征提取，使用relu作为激励函数，此层输出后的数据为13×13×256。
第八层为池化层：池化核为3×3，步长为2，池化后的数据为6×6×256。
第九层为全连接层：这里使用4096个神经元，将第八层池化后的6×6×256＝4096个数据全部一一输入到神经元上，激活函数为relu。
第十层为全连接层：这里还是4096个神经元，激活函数为relu。
第十一层为4个神经元：代表4个预测的识别目标，激活函数为softmax。
在本实施例中，优选地，收集透明、浅绿、深绿和墨绿四类池水图片，每类100张，共400张。将这400张图片放入Alexnet模型中进行模型训练，epochs设置为1000，metrics设置为accuracy。
优选地，经过Alexnet模型的训练后，将拍摄后的沉淀池自来水图片P输入训练好的模型中，输出层4个神经元分别代表四种分类结果，分别代表透明、浅绿色、深绿色和墨绿色，分类输出结果如下表所示：
| 输入沉淀池图片 | 深度学习模型输出 |
| 透明 | 1000 |
| 浅绿色 | 0100 |
| 深绿色 | 0010 |
| 墨绿色 | 0001 |
举例来说，输入一张拍摄到的透明沉淀池水的自来水图片，输出结果为1000，表示Alexnet模型判断该自来水池待检测区域颜色为透明，从而使得后续的Q学习算法模型能够根据不同自来水的颜色和奖励函数，自适应调整对应的氯气阀门的开度，以得到最佳的奖励。
当然，以上所述的Alexnet模型只是本发明的一种优选的实施方式，基于神经网络算法，还可优选其他训练模型对自来水图片进行训练，以得到准确的训练结果，在此不再赘述。
进一步地，在本实施例中，对于步骤S3：所述将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策，具体为：
S31、基于所述水质输出结果构建加氯控制的奖励函数；
S32、以加氯阀门开度的状态集合构建加氯控制的Q值表；
S33、根据贪婪算法计算所述Q学习算法模型中的算法目标值；
S34、基于所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，以确定最优的用于调控加氯阀门的开度的所述MDP决策。
在本实施例中，Q学习算法是指现有技术中的强化学习之Q-Learning，Q-Learning是强化学习算法中value-based的算法，Q即为Q(s，a)，就是在某一个时刻的state状态下，采取动作a能够获得收益的期望，环境会根据agent的动作反馈相应的reward奖赏，算法的主要思想就是将state和action构建成一张Q_table表来存储Q值，然后根据Q值来选取能够获得最大收益的动作。
MDP决策又称马尔科夫决策过程，简单来说，该决策过程是根据不确定性，生成每个时间段的下个动作，行成一个有效的路径，找到一个好的控制策略。具体来说，智能体在每个时间段对环境的观察来决定当前时间段的动作(在本实施例中智能体动作即指氯气阀门动作)，并获取这个动作之后的回报值，在下个时间段，环境(即指获取到的实时自来水的图片对应的水质结果)会应为之前的动作发生变化，这时候感知到新的环境S来选择新的动作a并获取新的回报，这样一直持续下去直到到达目标点。
为了便于理解，本实施例采用如下描述详细说明涉及Q学习算法中的MDP决策确定过程：
在本实施例中，MDP是由<S,A,P,R,γ>构成的一个集合。其中：S表示状态的集合，S＝{s1,s2}，s1表示池水颜色，s2表示氯气阀门开度。A表示氯气阀门多智体的动作(S2代表的是开度这个状态，A代表的是将阀门打开至多少开度的一个动作)；A1:25％开度,A2:50％开度，A3:75％开度，A4：完全打开，γ表示为衰减因子，γ∈[0,1]；α表示为学习效率，α∈[0,1]，ε表示为贪婪算法探索度，ε∈[0,1]。
对于奖励函数，如下所述：
R：基于状态和行为的奖励函数，
关于本实施例中的Q值表，优选地，如下表格所示，表格第一行表示氯气阀门多智体的动作，表格第一列表示本时刻St和下一时刻St+1的状态，表格内表示为氯气阀门多智体在环境状态St下选择动作/>的价值，即Q值，以此类推。
对于强化学习之Q-Learning的学习过程，首先初始化，将表格中所有Q(S,Ai)置零，设置奖励函数，然后设置起始时间T＝0，终止学习周期Tmax，学习效率α、衰减度γ和贪婪算法探索度ε；之后，根据贪婪算法选择动作Ai；在概率为1-ε的情况下，氯气阀门多智体选择Q值最大所对应的一个联合动作Ai，当存在多个最大Q值时，随机选择一个氯气阀门多智体的动作Ai；在概率为ε的情况下，氯气阀门多智体随机选择动作Ai，当对应的多智体执行动作Ai后，返回奖励值R和下一个状态St+1。
进一步地，在上述实施例中，在返回奖励值R和下一个状态St+1后，更新所述加氯控制的Q值表，具体的，
根据预置的更新式进行更新，所述预置的更新式为：
其中，为加氯阀门在环境状态St下阀门开度/>的价值，环境状态St对应自来水图片的不同类型，A为阀门开度，α为学习效率，R为奖励函数，γ为衰减因子，γ∈[0,1]，St为本时刻，St+1为下一时刻，/>表示旧的/> 表示St+1状态下最大的Q值，T＝T+1，判断T≥Tmax，若成立，则学习结束，Q学习算法模型输出对应的MDP决策，否则重复上述Q学习过程。
本发明另一实施例提供了一种自来水加氯控制装置，具体的，请参见图3，图3示出为本发明其中一种实施例中的自来水加氯控制装置的结构示意图，具体包括：
实时获取模块11，用于实时获取待检测自来水区域内的自来水图片；
水质识别模块12，用于识别所述自来水图片，得到对应的水质输出结果；
Q学习算法模块13，用于将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策；
调控模块14，用于根据所述MDP决策调控所述待检测自来水区域内的加氯阀门的开度。
进一步地，在上述实施例中，所述水质识别模块12包括：
训练单元，用于对待训练自来水图片集进行训练，其中，所述待训练自来水图片集的类型至少包括透明图片、浅绿图片、深绿图片和墨绿图片；
识别单元，用于根据所述训练结果识别所述实时自来水图片，得到对应的水质输出结果。
进一步地，在上述实施例中，所述对待训练自来水图片集进行训练，具体为：
分别将预设数量的所述透明图片、预设数量的所述浅绿图片、预设数量的所述深绿图片和预设数量的所述墨绿图片代入Alexnet模型中进行训练。
进一步地，在上述实施例中，所述Q学习算法模块13包括：
奖励函数单元，用于根据所述水质输出结果构建加氯控制的奖励函数；
Q值表单元，用于根据加氯阀门开度的状态集合构建加氯控制的Q值表；
算法目标值单元，用于根据贪婪算法计算所述Q学习算法模型中的算法目标值；
更新单元，用于根据所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，以确定最优的用于调控加氯阀门的开度的所述MDP决策。
进一步地，在上述实施例中，所述根据所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，具体为：
根据预置的更新式进行更新，所述预置的更新式为：
其中，为加氯阀门在环境状态St下阀门开度/>的价值，环境状态St对应自来水图片的不同类型，A为阀门开度，α为学习效率，R为奖励函数，γ为衰减因子，γ∈[0,1]，St为本时刻，St+1为下一时刻。
本发明实施例提供的自来水加氯控制方法及装置，有益效果在于以下所述中的至少一点，首先实时获取某一自来水区域内的自来水图片，对其进行识别分析，得到准确的实时水质结果，为后续的调控过程提供了准确的数据支撑；然后借助相关的算法分析模型，对实时水质结果进行处理，得到最优的用于调控加氯阀门的开度的MDP决策，从而使得在后续的调控过程中，加氯阀门能够基于准确的处理结果，及时调控某一自来水区域内的加氯程度，从而解决了现有技术的加氯消毒过程具有大时延、大时滞等缺点，同时提高了加氯控制的时效性，从而能够对自来水中的水藻进行有效地消毒处理，且整个控制过程无需人工干预，保障了自来水加氯消毒的最终效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种自来水加氯控制方法，其特征在于，包括：
实时获取待检测自来水区域内的自来水图片；
识别所述自来水图片，得到对应的水质输出结果；
将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策；
基于所述MDP决策调控所述待检测自来水区域内的加氯阀门的开度；
所述识别所述自来水图片，得到对应的水质输出结果，具体为：
对待训练自来水图片集进行训练，其中，所述待训练自来水图片集的类型至少包括透明图片、浅绿图片、深绿图片和墨绿图片；
基于所述训练结果识别所述实时自来水图片，得到对应的水质输出结果；
所述将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策，具体为：
基于所述水质输出结果构建加氯控制的奖励函数；
以加氯阀门开度的状态集合构建加氯控制的Q值表；
根据贪婪算法计算所述Q学习算法模型中的算法目标值；
基于所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，以确定最优的用于调控加氯阀门的开度的所述MDP决策。
2.如权利要求1所述的自来水加氯控制方法，其特征在于，所述对待训练自来水图片集进行训练，具体为：
分别将预设数量的所述透明图片、预设数量的所述浅绿图片、预设数量的所述深绿图片和预设数量的所述墨绿图片代入Alexnet模型中进行训练。
3.如权利要求1所述的自来水加氯控制方法，其特征在于，所述基于所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，具体为：
根据预置的更新式进行更新，所述预置的更新式为：
其中，为加氯阀门在环境状态St下阀门开度/>的价值，环境状态St对应自来水图片的不同类型，A为阀门开度，α为学习效率，R为奖励函数，γ为衰减因子，γ∈[0,1]，St为本时刻，St+1为下一时刻。
4.一种自来水加氯控制装置，其特征在于，包括：
实时获取模块，用于实时获取待检测自来水区域内的自来水图片；
水质识别模块，用于识别所述自来水图片，得到对应的水质输出结果；
Q学习算法模块，用于将所述水质输出结果代入预置的Q学习算法模型中，得到用于调控加氯阀门的开度的MDP决策；
调控模块，用于根据所述MDP决策调控所述待检测自来水区域内的加氯阀门的开度；
所述水质识别模块包括：
训练单元，用于对待训练自来水图片集进行训练，其中，所述待训练自来水图片集的类型至少包括透明图片、浅绿图片、深绿图片和墨绿图片；
识别单元，用于根据所述训练结果识别所述实时自来水图片，得到对应的水质输出结果；
所述Q学习算法模块包括：
奖励函数单元，用于根据所述水质输出结果构建加氯控制的奖励函数；
Q值表单元，用于根据加氯阀门开度的状态集合构建加氯控制的Q值表；
算法目标值单元，用于根据贪婪算法计算所述Q学习算法模型中的算法目标值；
更新单元，用于根据所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，以确定最优的用于调控加氯阀门的开度的所述MDP决策。
5.如权利要求4所述的自来水加氯控制装置，其特征在于，所述对待训练自来水图片集进行训练，具体为：
分别将预设数量的所述透明图片、预设数量的所述浅绿图片、预设数量的所述深绿图片和预设数量的所述墨绿图片代入Alexnet模型中进行训练。
6.如权利要求4所述的自来水加氯控制装置，其特征在于，所述根据所述加氯控制的奖励函数和所述算法目标值更新所述加氯控制的Q值表，具体为：
根据预置的更新式进行更新，所述预置的更新式为：
其中，为加氯阀门在环境状态St下阀门开度/>的价值，环境状态St对应自来水图片的不同类型，A为阀门开度，α为学习效率，R为奖励函数，γ为衰减因子，γ∈[0,1]，St为本时刻，St+1为下一时刻。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110651549.7A CN113505649B (zh) | 2021-06-10 | 2021-06-10 | 一种自来水加氯控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110651549.7A CN113505649B (zh) | 2021-06-10 | 2021-06-10 | 一种自来水加氯控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505649A CN113505649A (zh) | 2021-10-15 |
| CN113505649B true CN113505649B (zh) | 2023-11-17 |
Family
ID=78009829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110651549.7A Active CN113505649B (zh) | 2021-06-10 | 2021-06-10 | 一种自来水加氯控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505649B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114620819B (zh) * | 2022-03-01 | 2023-03-28 | 红云红河烟草(集团)有限责任公司 | 一种卷烟异味气体喷淋水洗循环水pH值调节方法 |
| CN114815735B (zh) * | 2022-06-27 | 2022-09-23 | 武汉华信数据系统有限公司 | 自来水加氯控制方法、装置、电子设备及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100900717B1 (ko) * | 2009-01-08 | 2009-06-04 | 주식회사 바램 | 상수도 관로용 밸브의 원격제어 감시 시스템 및 그 방법 |
| CN103011356A (zh) * | 2012-08-15 | 2013-04-03 | 重庆水务集团股份有限公司 | 一种高浊度水系自动投药控制方法 |
| CN106371316A (zh) * | 2016-10-25 | 2017-02-01 | 大唐（北京）水务工程技术有限公司 | 基于pso‑lssvm的水岛加药在线控制方法和装置 |
| CN107229970A (zh) * | 2017-06-27 | 2017-10-03 | 重庆科技学院 | 共享直饮水水质自适应动态自学习在线监测系统 |
| CN107540125A (zh) * | 2017-09-28 | 2018-01-05 | 珠海格力电器股份有限公司 | 净水设备及其过滤控制方法和装置 |
| CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
| CN109678231A (zh) * | 2018-11-15 | 2019-04-26 | 西安建筑科技大学 | 一种基于增量式pid控制的水箱加氯消毒方法及系统 |
| CN109928483A (zh) * | 2019-05-06 | 2019-06-25 | 重庆昕晟环保科技有限公司 | 一种基于智能算法自动控制的二次供水补加氯消毒系统 |
| CN110515411A (zh) * | 2019-09-05 | 2019-11-29 | 江苏环保产业技术研究院股份公司 | 一种水处理加药量控制方法及系统 |
| CN110751643A (zh) * | 2019-10-21 | 2020-02-04 | 睿视智觉（厦门）科技有限公司 | 一种水质异常检测方法、装置及设备 |
| CN110910067A (zh) * | 2019-11-25 | 2020-03-24 | 南京师范大学 | 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统 |
| CN110930016A (zh) * | 2019-11-19 | 2020-03-27 | 三峡大学 | 一种基于深度q学习的梯级水库随机优化调度方法 |
| JP2020065964A (ja) * | 2018-10-23 | 2020-04-30 | 水ｉｎｇ株式会社 | 排水処理方法および排水処理システム |
| CN111233112A (zh) * | 2020-02-19 | 2020-06-05 | 重庆昕晟环保科技有限公司 | 一种二次供水智能补加氯消毒系统及补加氯的方法 |
| JP2020134284A (ja) * | 2019-02-19 | 2020-08-31 | 学校法人 中央大学 | 情報処理装置、情報処理方法、及びプログラム |
-
2021
- 2021-06-10 CN CN202110651549.7A patent/CN113505649B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100900717B1 (ko) * | 2009-01-08 | 2009-06-04 | 주식회사 바램 | 상수도 관로용 밸브의 원격제어 감시 시스템 및 그 방법 |
| CN103011356A (zh) * | 2012-08-15 | 2013-04-03 | 重庆水务集团股份有限公司 | 一种高浊度水系自动投药控制方法 |
| CN106371316A (zh) * | 2016-10-25 | 2017-02-01 | 大唐（北京）水务工程技术有限公司 | 基于pso‑lssvm的水岛加药在线控制方法和装置 |
| CN107229970A (zh) * | 2017-06-27 | 2017-10-03 | 重庆科技学院 | 共享直饮水水质自适应动态自学习在线监测系统 |
| CN107540125A (zh) * | 2017-09-28 | 2018-01-05 | 珠海格力电器股份有限公司 | 净水设备及其过滤控制方法和装置 |
| CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
| JP2020065964A (ja) * | 2018-10-23 | 2020-04-30 | 水ｉｎｇ株式会社 | 排水処理方法および排水処理システム |
| CN109678231A (zh) * | 2018-11-15 | 2019-04-26 | 西安建筑科技大学 | 一种基于增量式pid控制的水箱加氯消毒方法及系统 |
| JP2020134284A (ja) * | 2019-02-19 | 2020-08-31 | 学校法人 中央大学 | 情報処理装置、情報処理方法、及びプログラム |
| CN109928483A (zh) * | 2019-05-06 | 2019-06-25 | 重庆昕晟环保科技有限公司 | 一种基于智能算法自动控制的二次供水补加氯消毒系统 |
| CN110515411A (zh) * | 2019-09-05 | 2019-11-29 | 江苏环保产业技术研究院股份公司 | 一种水处理加药量控制方法及系统 |
| CN110751643A (zh) * | 2019-10-21 | 2020-02-04 | 睿视智觉（厦门）科技有限公司 | 一种水质异常检测方法、装置及设备 |
| CN110930016A (zh) * | 2019-11-19 | 2020-03-27 | 三峡大学 | 一种基于深度q学习的梯级水库随机优化调度方法 |
| CN110910067A (zh) * | 2019-11-25 | 2020-03-24 | 南京师范大学 | 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统 |
| CN111233112A (zh) * | 2020-02-19 | 2020-06-05 | 重庆昕晟环保科技有限公司 | 一种二次供水智能补加氯消毒系统及补加氯的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505649A (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113505649B (zh) | 一种自来水加氯控制方法及装置 | |
| CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
| CN108510194A (zh) | 风控模型训练方法、风险识别方法、装置、设备及介质 | |
| CN106156781A (zh) | 排序卷积神经网络构建方法及其图像处理方法与装置 | |
| CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
| CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
| CN111122816B (zh) | 基于在线监测与图像识别相结合的水华预警系统及方法 | |
| CN102124964B (zh) | 海水养殖智能化管理系统 | |
| CN112633584B (zh) | 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN110673900A (zh) | 一种灯光效果调节方法、智能终端及存储介质 | |
| CN107203980A (zh) | 自适应多尺度暗通道先验的水下目标探测图像增强方法 | |
| CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
| CN109711592A (zh) | 一种基于遗传算法优化极限学习机的池塘水温预测方法 | |
| CN105160422B (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
| CN114088760A (zh) | 基于苹果糖度检测用调控苹果生长的方法、系统和装置 | |
| CN108845075B (zh) | 基于深度学习网络的堆肥腐熟实时预测方法 | |
| CN111104976B (zh) | 一种基于时间序列图像的蓝藻覆盖率计算方法 | |
| CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
| CN111582560A (zh) | 一种基于循环神经网络的水稻产量预测方法 | |
| CN116958961A (zh) | 一种基于改进YOLOv8s的轻量级石榴识别方法 | |
| CN115587713A (zh) | 一种基于强化学习的海洋牧场灾害决策方法 | |
| CN114331053A (zh) | 一种基于模糊层次评价模型的浅水湖泊富营养化评价方法 | |
| CN110175397B (zh) | 一种基于人工神经网络模型的灭菌参数选择方法及系统 | |
| CN113963212A (zh) | 基于Inception-Resnet神经网络的管道病害图像分类方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |