CN113569935A - 一种基于svm和主元贡献图的软化加药方法、系统及设备 - Google Patents

一种基于svm和主元贡献图的软化加药方法、系统及设备 Download PDF

Info

Publication number
CN113569935A
CN113569935A CN202110821160.2A CN202110821160A CN113569935A CN 113569935 A CN113569935 A CN 113569935A CN 202110821160 A CN202110821160 A CN 202110821160A CN 113569935 A CN113569935 A CN 113569935A
Authority
CN
China
Prior art keywords
softening
svm
principal component
svm model
dosing
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.)
Granted
Application number
CN202110821160.2A
Other languages
English (en)
Other versions
CN113569935B (zh
Inventor
赵泽盟
孙玉芬
史元腾
孙朋
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.)
China Coal Energy Research Institute Co Ltd
Original Assignee
China Coal Energy Research Institute 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 China Coal Energy Research Institute Co Ltd filed Critical China Coal Energy Research Institute Co Ltd
Priority to CN202110821160.2A priority Critical patent/CN113569935B/zh
Publication of CN113569935A publication Critical patent/CN113569935A/zh
Application granted granted Critical
Publication of CN113569935B publication Critical patent/CN113569935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F5/00—Softening water; Preventing scale; Adding scale preventatives or scale removers to water, e.g. adding sequestering agents
    • C02F5/08—Treatment of water with complexing chemicals or other solubilising agents for softening, scale prevention or scale removal, e.g. adding sequestering agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2301/00—General aspects of water treatment
    • C02F2301/08—Multistage treatments, e.g. repetition of the same process step under different conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Hydrology & Water Resources (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Treatment Of Water By Ion Exchange (AREA)

Abstract

本发明提供了一种基于SVM和主元贡献图的软化加药方法、系统及设备，通过控制器对软化加药工艺单元进行有效控制，可以保证软化产水合格情况下，减少药剂的加入量，节约运行成本。同时，可以根据水质波动自动调节运行工艺参数；本发明提供的技术方案中，控制器中的第一SVM模型、第二SVM模型和主元贡献图模型均采用了核函数，根据调试，优选采用高斯核函数，使所述输出结果贴合实际情况，使得监测控制更加准确、更具适应性，提高了软化加药工艺运行稳定性。

Description

一种基于SVM和主元贡献图的软化加药方法、系统及设备
技术领域
本发明涉及工业水处理技术领域，具体为一种基于SVM和主元贡献图的软化加药方法、系统及设备。
背景技术
在工业水处理中，钙、镁硬度是主要的去除目标之一。目前，软化加药系统通常都采用过量的药剂进行软化，保证产水水质达标。同时，现场工程师对出水水质不达标的情况进行手动调节，使得加药与实际情况存在一定的滞后性，加药量受人为因素影响大。
上述软化加药系统会导致水中无机盐含量和污泥量大幅度上升，如若后续采用零排放工艺，将使得零排放工程投资、运行成本大幅升高。目前，一些自动加药装置也是对加药泵和特定仪表进行连锁，形成一对一或多对一回路。但是软化加药整体是一个系统，单回路控制只能保证产水水质达标，不能从根本上减少药剂的使用量。
发明内容
针对现有技术中软化加药系统存在水中无机盐含量和污泥量大幅度上升的问题，导致后续采用零排放工艺时，将使得零排放工程投资、运行成本大幅升，本发明提供一种基于SVM和主元贡献图的软化加药方法、系统及设备，该方法保证软化产水合格情况下，减少药剂的加入量，节约运行成本。
本发明是通过以下技术方案来实现：
一种基于SVM和主元贡献图的软化加药方法，包括如下步骤：
获取实时软化工艺运行信息；
建立第一SVM模型、第二SVM模型和主元贡献图模型；
将实时软化工艺运行信息输入至预设的第一SVM模型；
第一SVM模型输出[1，-1]，当第一SVM模型输出1时，实时软化工艺运行信息输入至预设的第二SVM模型；当第一SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第二SVM模型输出[1，-1]，当第二SVM模型输出1时，则不需要调整软化工艺运行参数；当第二SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
主元贡献图模型接收到第一SVM模型和第二SVM模型输出-1时的实时软化工艺运行信息后，根据主元贡献图调整实时软化工艺运行参数，调整后的软化工艺信息重新输入至第一SVM模型，直至软化工艺信息通过第二SVM模型后不再需要调整，工作结束。
优选的，实时软化工艺运行信息包括原水信息、第一反应池信息、第二反应池信息、絮凝池信息、沉淀池信息、产水水质信息和污泥信息。
优选的，第一SVM模型、第二SVM模型和主元贡献图模型均引入核函数，所述核函数采用高斯核函数。
优选的，第一SVM模型是利用同一类型软化加药工艺硬度达标水质和硬度超标水质训练得到。
优选的，第二SVM模型是利用同一类型软化加药工艺硬度达标情况下TDS达标水质和硬度达标情况下TDS超标水质训练得到。
优选的，主元贡献图模型是利用同一类型软化加药工艺硬度和TDS均达标水质训练得到。
优选的，主元贡献图通过调整软化加药系统相应的阀门开度或电机转速来调整实时软化工艺运行参数。
一种基于SVM和主元贡献图的软化加药系统，包括通过电源连接设置的软化加药工艺单元和控制器；
所述软化加药工艺单元包括原水池、氢氧化钠加药装置、氢氧化钙加药装置、混凝剂加药装置、碳酸钠加药装置、絮凝剂加药装置、第一反应池、第二反应池、絮凝池、沉淀池、产水池、污泥池、污泥回流泵和污泥排放泵；
原水池的输出端连接第一反应池的输入端；第一反应池的输出端连接第二反应池的输入端；第二反应池的输出端连接絮凝池的输入端；絮凝池的输入端连接沉淀池的输出端，沉淀池的输出端分别连接产水池、污泥回流泵和污泥排放泵的输入端；污泥回流泵的输出端分别连接第一反应池和第二反应池的输入端；污泥排放泵的输出端连接污泥池的输入端；氢氧化钠加药装置的输出端连接第一反应池的输入端；氢氧化钙加药装置的输出端连接第一反应池的输入端；混凝剂加药装置的输出端分别连接第一反应池和第二反应池的输入端；碳酸钠加药装置的输出端分别连接第一反应池和第二反应池的输入端；絮凝剂加药装置的输出端连接絮凝池的输入端。
优选的，控制器包括信息获取模块、数据处理模块、第一数据控制模块、第二数据控制模块和第三数据控制模块；
信息获取模块，用于获取实时软化工艺运行信息；
数据处理模块，用于建立第一SVM模型、第二SVM模型和主元贡献图模型；
第一数据控制模块，用于第一SVM模型输出[1，-1]，当第一SVM模型输出1时，实时软化工艺运行信息输入至预设的第二SVM模型；当第一SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第二数据控制模块，用于第二SVM模型输出[1，-1]，当第二SVM模型输出1时，则不需要调整软化工艺运行参数；当第二SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第三数据控制模块，用于主元贡献图模型接收到第一SVM模型和第二SVM模型输出-1时的实时软化工艺运行信息后，根据主元贡献图调整实时软化工艺运行参数，调整后的软化工艺信息重新输入至第一SVM模型。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述基于SVM和主元贡献图的软化加药方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供了一种基于SVM和主元贡献图的软化加药方法，通过产水硬度达标和超标水质生成第一SVM模型，通过产水硬度达标情况下，TDS达标和超标水质生成第二SVM模型，通过产水硬度和TDS均达标的水质生成主元贡献图模型。将实时软化工艺运行信息或主元贡献图调整后的软化运行信息输入至第一SVM模型，若第一SVM模型输出1，将软化工艺运行信息输入至第二SVM模型，若第一SVM模型输出-1，将软化工艺运行信息输入至主元贡献图模型。将第一SVM模型输出1的软化工艺运行信息输入至第二SVM模型，若第二SVM模型输出1，则不需要调整工艺参数，若第二SVM模型输出-1，将软化工艺运行信息输入至主元贡献图模型。将第一SVM模型或第二SVM模型输出-1的软化工艺运行信息输入至主元贡献图模型，根据主元贡献图调整相应参数，将调整后的软化运行信息返回第一SVM模型。
本发明提供了一种基于SVM和主元贡献图的软化加药系统，通过控制器对软化加药工艺单元进行有效控制，可以保证软化产水合格情况下，减少药剂的加入量，节约运行成本。同时，可以根据水质波动自动调节运行工艺参数；本发明提供的技术方案中，控制器中的第一SVM模型、第二SVM模型和主元贡献图模型均采用了核函数，根据调试，优选采用高斯核函数，使所述输出结果贴合实际情况，使得监测控制更加准确、更具适应性，提高了软化加药工艺运行稳定性。
附图说明
图1为本发明中基于SVM和主元贡献图的软化加药方法流程示意图；
图2为本发明中基于SVM和主元贡献图的软化加药系统结构示意图；
图3为本发明中控制器的结构示意图。
图中：1-原水TDS仪；2-原水硬度仪；3-原水碱度仪；4-原水电导率仪；5-原水镁表；6-原水钙表；7-原水pH计；8-原水流量计；9-原水温度计；10-原水自动阀；11-氢氧化钠加药自动阀；12-氢氧化钙加药自动阀；13-絮凝剂加药自动阀；14-第一反应池混凝剂加药自动阀；15-第二反应池混凝剂加药自动阀；16-第一反应池碳酸钠加药自动阀；17-第二反应池碳酸钠加药自动阀；18-第一反应池搅拌器；19-第二反应池搅拌器；20-絮凝池搅拌器；21-第一反应池pH计；22-第一反应池电导率仪；23-第二反应池pH计；24-第二反应池电导率仪；25-沉淀池泥位计；26-沉淀池浊度仪；27-污泥回流管道自动阀；28-污泥排放管道自动阀；29-污泥回流泵；30-污泥排放泵；31-回流污泥浊度仪；32-回流污泥压力表；33-回流污泥流量计；34-产水TDS仪；35-产水电导率仪；36-产水钙表；37-产水pH计；38-产水硬度仪；39-产水碱度仪；40-产水浊度仪；41-第一反应池；42-第二反应池；43-絮凝池；44-沉淀池：45-氢氧化钠加药装置；46-氢氧化钙加药装置；47-混凝剂加药装置；48-碳酸钠加药装置；49-絮凝剂加药装置；50-原水池；51-产水池；52-污泥池；53-控制器。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明提供了一种基于SVM和主元贡献图的软化加药方法，该方法保证软化产水合格情况下，减少药剂的加入量，节约运行成本。
具体的，该软化加药方法，包括如下步骤：
获取实时软化工艺运行信息；
建立第一SVM模型、第二SVM模型和主元贡献图模型；
将实时软化工艺运行信息输入至预设的第一SVM模型；
第一SVM模型输出[1，-1]，当第一SVM模型输出1时，实时软化工艺运行信息输入至预设的第二SVM模型；当第一SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第二SVM模型输出[1，-1]，当第二SVM模型输出1时，则不需要调整软化工艺运行参数；当第二SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
主元贡献图模型接收到第一SVM模型和第二SVM模型输出-1时的实时软化工艺运行信息后，根据主元贡献图调整实时软化工艺运行参数，调整后的软化工艺信息重新输入至第一SVM模型，直至软化工艺信息通过第二SVM模型后不再需要调整，工作结束。
具体的，实时软化工艺运行信息包括原水信息、第一反应池信息、第二反应池信息、絮凝池信息、沉淀池信息、产水水质信息和污泥信息。
原水信息包括原水TDS、硬度、碱度、电导率、Mg2+、Ca2+、pH、流量、温度和原水管道阀门开度信息；
第一反应池信息包括第一反应池内水质pH、电导率、氢氧化钠加药管道阀门开度、氢氧化钙加药管道阀门开度、第一反应池混凝剂加药管道阀门开度、第一反应池碳酸钠加药管道阀门开度、第一反应池污泥回流管道阀门开度和第一反应池搅拌器转速；
第二反应池信息包括第二反应池内水质pH、电导率、第二反应池混凝剂加药管道阀门开度、第二反应池碳酸钠加药管道阀门开度、第二反应池污泥回流管道阀门开度和第二反应池搅拌器转速；
絮凝池信息包括絮凝池絮凝剂加药管道阀门开度和絮凝池搅拌器转速；
沉淀池信息包括沉淀池水质浊度和沉淀池泥位；
产水信息包括产水TDS、电导率、Ca2+、pH、硬度、碱度和浊度；
污泥信息包括回流污泥pH、流量、管道压力、污泥回流泵转速、污泥排放泵转速。
本发明中第一SVM模型、第二SVM模型和主元贡献图模型均引入核函数，所述核函数采用高斯核函数。
本发明的实时软化运行信息在第一SVM模型、第二SVM模型和主元贡献图模型中循环超过99次没有实现第一SVM模型和第二SVM模型输出值均为1，则放大TDS标准10％，运行正常后，恢复原TDS标准。
具体的，第一SVM模型是利用同一类型软化加药工艺硬度达标水质和硬度超标水质训练得到。
将硬度超标和硬度达标软化运行信息进行人工分类训练第一SVM模型，第一SVM模型输出[1，-1]，分别对应硬度达标的软化运行信息和硬度不达标的软化运行信息。
若第一SVM模型输出为1时，将软化运行信息输入至第二SVM模型。
若第一SVM模型输出为-1时，将软化运行信息输入至主元贡献图模型。
具体的，第二SVM模型是利用同一类型软化加药工艺硬度达标情况下TDS达标水质和硬度达标情况下TDS超标水质训练得到。
将第一SVM模型输出为1对应的TDS超标和TDS达标软化运行信息进行人工分类训练第二SVM模型，第二SVM模型输出[1，-1]，分别对应TDS达标的软化运行信息和TDS不达标的软化运行信息。
若第二SVM模型输出为1时，结束，不需要改变运行参数。
若第二SVM模型输出为-1时，将软化运行信息输入至主元贡献图模型。
具体的，主元贡献图模型是利用同一类型软化加药工艺硬度和TDS均达标水质训练得到。
将第一SVM模型或第二SVM模型输出为1对应的软化运行信息训练第二主元贡献图模型，主元贡献图模型输出影响硬度或TDS超标的主要因素，通过主元贡献图分析，调整软化运行工艺参数，将调整后的软化运行参数输入至第一SVM模型。
主元贡献图通过调整软化加药系统相应的阀门开度或电机转速来调整实时软化工艺运行参数。
实施例
本实施例提供一种基于SVM和主元贡献图的软化加药方法，具体步骤如下：
S101：分别获取第一SVM模型训练数据：硬度达标软化运行信息，硬度不达标软化运行信息，第二SVM模型训练数据：硬度达标但TDS不达标软化运行信息，硬度和TDS均达标的软化运行信息，和主元贡献图训练数据硬度和TDS均为超标的软化运行信息。
S102：训练第一SVM模型
S1021：对第一SVM模型训练数据进行标准化处理；
Figure BDA0003172006580000091
其中，xi为训练数据，ui为变量的均值，σi为变量的标准差。
S1022：现场工程师根据实际情况设置硬度阈值。对标准化后的训练数据进行标记，硬度达标软化运行信息标记为yi＝1；硬度不达标软化运行信息标记为yi＝-1；
S1023：构建拉格朗日函数：
Figure BDA0003172006580000092
其中，ω为目标函数权重向量，b为目标函数阈值，ξi为松弛变量，ai为KKT乘子，ai≥0，μi为拉格朗日乘子，μi≥0；
S1024：选择核函数，并对目标函数对偶化：
Figure BDA0003172006580000093
Figure BDA0003172006580000094
0≤ai≤C，i＝1,2,3，……，N
其中，C为惩罚系数。
S1025：通过SMO算法求解，获得参数a*。
S1026：通过a*求解参数b*
Figure BDA0003172006580000095
其中，K(x,z)为核函数，本发明优选高斯核函数。
S1027：获得分类决策函数
Figure BDA0003172006580000101
S103：训练第二SVM模型，其步骤与训练第一SVM模型大致相同，此处不在赘述。
S104：训练主元贡献图模型
S1041：将训练数据经过高斯核函数处理，投影到高维线性可分空间，并对高维线性可分空间的训练数据进行标准化处理；
S1042：求解特征值和特征向量：
Figure BDA0003172006580000102
cov(X)pi＝λipii＝1,2,……,2(mn+4)
λ1≥λ2≥Λ≥λ2(mn+4)
Figure BDA0003172006580000103
其中，cov(X)为X的协方差矩阵，λi为特征值，特征值为从大到小进行排列的，pi为特征值对应的特征向量，∧为特征值矩阵，P为荷载矩阵。
S1043：选取主元贡献率大于85％的主元建立主元贡献图模型。
Figure BDA0003172006580000104
S105：将实时软化运行信息带入到第一SVM模型，若第一SVM模型输出1，则将软化运行信息送至第二SVM模型，若第一SVM模型输出值为-1，则将软化运行信息送至主元贡献图模型。
S106：将第一SVM模型输出为1的软化运行信息，输入至第二SVM模型，若第二SVM模型输出1，不需要改变运行参数，若第二SVM模型输出值为-1，则将软化运行信息送至主元贡献图模型。
S107：将第一SVM模型或第二SVM模型输出为-1的软化运行信息输入至主元贡献图模型，找出主元贡献值的绝对值最大的影响变量。如果该变量为控制输出变量，则对该变量运行参数进行调节；如该变量不是控制输出变量，则用控制输出变量与该变量进行相关性分析，调节相关度最大的控制输出变量。
S108：将参数调节后的软化运行信息，带入到第一SVM模型，重复步骤S105-S107，直到第一SVM模型和第二SVM模型均输出1为止，若循环超过99次没有实现第一SVM模型和第二SVM模型输出值均为1，则放大TDS标准10％，运行正常后，恢复原TDS标准。
S109：软化运行数据更新，将硬度分类后实时软化工艺运行信息取代时间较久的第一SVM模型训练数据，用于更新第一SVM模型训练数据；将SVM输出1的TDS分类后软化工艺运行信息取代时间较久第二SVM模型训练信息，用于更新第二SVM模型；将硬度和TDS均达标的实时软化工艺运行信息取代时间较久主元贡献图模型训练信息，用于更新主元贡献图模型。
综上所述，本发明提供了一种基于SVM和主元贡献图的软化加药方法，通过产水硬度生成第一SVM模型，通过产水TDS生成第二SVM模型，通过硬度和TDS均达标的水质生成主元贡献图模型。将实时软化工艺运行信息或主元贡献图调整后的软化运行信息输入至第一SVM模型，若第一SVM模型输出1，将软化工艺运行信息输入至第二SVM模型，若第一SVM模型输出-1，将软化工艺运行信息输入至主元贡献图模型。将第一SVM模型输出1的软化工艺运行信息输入至第二SVM模型，若第二SVM模型输出1，则不需要调整工艺参数，若第二SVM模型输出1，将软化工艺运行信息输入至主元贡献图模型。将第一SVM模型或第二SVM模型输出-1的软化工艺运行信息输入至主元贡献图模型，根据主元贡献图调整相应参数，将调整后的软化运行信息返回第一SVM模型。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例
本发明在一个实施例中，提供一种基于SVM和主元贡献图的软化加药系统，能够用于实现上述实施例中的软化加药方法，具体的，参见图2，该软化加药系统包括通过电源连接设置的软化加药工艺单元和控制器53；
软化加药工艺单元包括原水池50、氢氧化钠加药装置45、氢氧化钙加药装置46、混凝剂加药装置47、碳酸钠加药装置48、絮凝剂加药装置49、第一反应池41、第二反应池42、絮凝池43、沉淀池44、产水池51、污泥池52、污泥回流泵29和污泥排放泵30；
原水池50的输出端连接第一反应池41的输入端；第一反应池41的输出端连接第二反应池42的输入端；第二反应池42的输出端连接絮凝池43的输入端；絮凝池43的输入端连接沉淀池44的输出端，沉淀池44的输出端分别连接产水池51、污泥回流泵29和污泥排放泵30的输入端；污泥回流泵29的输出端分别连接第一反应池41和第二反应池42的输入端；污泥排放泵30的输出端连接污泥池52的输入端；氢氧化钠加药装置45的输出端连接第一反应池41的输入端；氢氧化钙加药装置46的输出端连接第一反应池41的输入端；混凝剂加药装置47的输出端分别连接第一反应池41和第二反应池42的输入端；碳酸钠加药装置48的输出端分别连接第一反应池41和第二反应池42的输入端；絮凝剂加药装置49的输出端连接絮凝池43的输入端。
原水池50的出口端设置有原水TDS仪1、原水硬度仪2、原水碱度仪3、原水电导率仪4、原水密度仪5、原水钙表6、原水pH计7、原水流量计8、原水温度计9和原水自动阀10；
第一反应池41内装配有第一反应池pH计21、第一反应池电导率仪22和第一反应池搅拌器18；
第二反应池42内装配有第二反应池pH计23、第二反应池电导率仪24和第二反应池搅拌器19；
絮凝池搅拌器20装配在絮凝池43内；
在沉淀池44内装配沉淀池泥位计25和沉淀池浊度仪26；
在沉淀池44的出口端设置产水TDS仪34、产水电导率仪35、产水钙表36、产水pH计37、产水硬度仪38、产水碱度仪39和产水浊度仪40；
在氢氧化钠加药装置45的出口端设置氢氧化钠加药自动阀11；
在氢氧化钙加药装置46的出口端设置氢氧化钙加药自动阀12；
在混凝剂加药装置47的出口端设置第一反应池混凝剂加药自动阀14和第二反应池混凝剂加药自动阀15；
在碳酸钠加药装置48的出口端设置第一反应池碳酸钠加药自动阀16和第二反应池碳酸钠加药自动阀17；
在絮凝剂加药装置49的出口端设置絮凝剂加药自动阀13；
在沉淀池44的出口端设置污泥回流管道自动阀27和污泥排放管道自动阀28；
在污泥回流泵29的出口端设置回流污泥浊度仪31、回流污泥压力表32、回流污泥流量计33。
具体的，控制器53包括信息获取模块、数据处理模块、第一数据控制模块、第二数据控制模块和第三数据控制模块；
信息获取模块，用于获取实时软化工艺运行信息；
数据处理模块，用于建立第一SVM模型、第二SVM模型和主元贡献图模型；
第一数据控制模块，用于第一SVM模型输出[1，-1]，当第一SVM模型输出1时，实时软化工艺运行信息输入至预设的第二SVM模型；当第一SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第二数据控制模块，用于第二SVM模型输出[1，-1]，当第二SVM模型输出1时，则不需要调整软化工艺运行参数；当第二SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第三数据控制模块，用于主元贡献图模型接收到第一SVM模型和第二SVM模型输出-1时的实时软化工艺运行信息后，根据主元贡献图调整实时软化工艺运行参数，调整后的软化工艺信息重新输入至第一SVM模型。
信息获取模块的输入端分别连接原水TDS仪1、原水硬度仪2、原水碱度仪3、原水电导率仪4、原水镁表5、原水钙表6、原水pH计7、原水流量计8、原水温度计9、原水自动阀10、氢氧化钠加药自动阀11、氢氧化钙加药自动阀12、絮凝剂加药自动阀13、第一反应池混凝剂加药自动阀14、第二反应池混凝剂加药自动阀15、第一反应池碳酸钠加药自动阀16、第二反应池碳酸钠加药自动阀17、第一反应池搅拌器18、第二反应池搅拌器19、絮凝池搅拌器20、第一反应池pH计21、第一反应池电导率仪22、第二反应池pH计23、第二反应池电导率仪24、沉淀池泥位计25、沉淀池浊度仪26、污泥回流管道自动阀27、污泥排放管道自动阀28、污泥回流泵29、污泥排放泵30、回流污泥浊度仪31、回流污泥压力表32、回流污泥流量计33、产水TDS仪34、产水电导率仪35、产水钙表36、产水pH计37、产水硬度仪38、产水碱度仪39和40产水浊度仪。
第三数据控制模块的输出端分别连接原水自动阀10、氢氧化钠加药自动阀11、氢氧化钙加药自动阀12、絮凝剂加药自动阀13、第一反应池混凝剂加药自动阀14、第二反应池混凝剂加药自动阀15、第一反应池碳酸钠加药自动阀16、第二反应池碳酸钠加药自动阀17、第一反应池搅拌器18、第二反应池搅拌器19、絮凝池搅拌器20、污泥回流管道自动阀27、污泥排放管道自动阀28、污泥回流泵29和污泥排放泵30。
控制器53上设置人机交互模块，人机交互模块输入端连接控制器的输出端，实时软化运行信息、数据处理模块和控制输出模块的信号信息。
本发明再一个实施例中，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于软化加药方法的操作。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于SVM和主元贡献图的软化加药方法，其特征在于，包括如下步骤：
获取实时软化工艺运行信息；
建立第一SVM模型、第二SVM模型和主元贡献图模型；
将实时软化工艺运行信息输入至预设的第一SVM模型；
第一SVM模型输出[1，-1]，当第一SVM模型输出1时，实时软化工艺运行信息输入至预设的第二SVM模型；当第一SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第二SVM模型输出[1，-1]，当第二SVM模型输出1时，则不需要调整软化工艺运行参数；当第二SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
主元贡献图模型接收到第一SVM模型和第二SVM模型输出-1时的实时软化工艺运行信息后，根据主元贡献图调整实时软化工艺运行参数，调整后的软化工艺信息重新输入至第一SVM模型，直至软化工艺信息通过第二SVM模型后不再需要调整，工作结束。
2.根据权利要求1所述的一种基于SVM和主元贡献图的软化加药方法，其特征在于，所述实时软化工艺运行信息包括原水信息、第一反应池信息、第二反应池信息、絮凝池信息、沉淀池信息、产水水质信息和污泥信息。
3.根据权利要求1所述的一种基于SVM和主元贡献图的软化加药方法，其特征在于，所述第一SVM模型、第二SVM模型和主元贡献图模型均引入核函数，所述核函数采用高斯核函数。
4.根据权利要求1所述的一种基于SVM和主元贡献图的软化加药方法，其特征在于，所述第一SVM模型是利用同一类型软化加药工艺硬度达标水质和硬度超标水质训练得到。
5.根据权利要求1所述的一种基于SVM和主元贡献图的软化加药方法，其特征在于，所述第二SVM模型是利用同一类型软化加药工艺硬度达标情况下TDS达标水质和硬度达标情况下TDS超标水质训练得到。
6.根据权利要求1所述的一种基于SVM和主元贡献图的软化加药方法，其特征在于，所述主元贡献图模型是利用同一类型软化加药工艺硬度和TDS均达标水质训练得到。
7.根据权利要求1所述的一种基于SVM和主元贡献图的软化加药方法，其特征在于，所述主元贡献图通过调整软化加药系统相应的阀门开度或电机转速来调整实时软化工艺运行参数。
8.一种基于SVM和主元贡献图的软化加药系统，其特征在于，包括通过电源连接设置的软化加药工艺单元和控制器(53)；
所述软化加药工艺单元包括原水池(50)、氢氧化钠加药装置(45)、氢氧化钙加药装置(46)、混凝剂加药装置(47)、碳酸钠加药装置(48)、絮凝剂加药装置(49)、第一反应池(41)、第二反应池(42)、絮凝池(43)、沉淀池(44)、产水池(51)、污泥池(52)、污泥回流泵(29)和污泥排放泵(30)；
原水池(50)的输出端连接第一反应池(41)的输入端；第一反应池(41)的输出端连接第二反应池(42)的输入端；第二反应池(42)的输出端连接絮凝池(43)的输入端；絮凝池(43)的输入端连接沉淀池(44)的输出端，沉淀池(44)的输出端分别连接产水池(51)、污泥回流泵(29)和污泥排放泵(30)的输入端；污泥回流泵(29)的输出端分别连接第一反应池(41)和第二反应池(42)的输入端；污泥排放泵(30)的输出端连接污泥池(52)的输入端；氢氧化钠加药装置(45)的输出端连接第一反应池(41)的输入端；氢氧化钙加药装置(46)的输出端连接第一反应池(41)的输入端；混凝剂加药装置(47)的输出端分别连接第一反应池(41)和第二反应池(42)的输入端；碳酸钠加药装置(48)的输出端分别连接第一反应池(41)和第二反应池(42)的输入端；絮凝剂加药装置(49)的输出端连接絮凝池(43)的输入端。
9.根据权利要求8所述的一种基于SVM和主元贡献图的软化加药系统，其特征在于，控制器(53)包括信息获取模块、数据处理模块、第一数据控制模块、第二数据控制模块和第三数据控制模块；
信息获取模块，用于获取实时软化工艺运行信息；
数据处理模块，用于建立第一SVM模型、第二SVM模型和主元贡献图模型；
第一数据控制模块，用于第一SVM模型输出[1，-1]，当第一SVM模型输出1时，实时软化工艺运行信息输入至预设的第二SVM模型；当第一SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第二数据控制模块，用于第二SVM模型输出[1，-1]，当第二SVM模型输出1时，则不需要调整软化工艺运行参数；当第二SVM模型输出-1时，则将实时软化工艺运行信息输入至预设的主元贡献图模型；
第三数据控制模块，用于主元贡献图模型接收到第一SVM模型和第二SVM模型输出-1时的实时软化工艺运行信息后，根据主元贡献图调整实时软化工艺运行参数，调整后的软化工艺信息重新输入至第一SVM模型。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于SVM和主元贡献图的软化加药方法的步骤。
CN202110821160.2A 2021-07-20 2021-07-20 一种基于svm和主元贡献图的软化加药方法、系统及设备 Active CN113569935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110821160.2A CN113569935B (zh) 2021-07-20 2021-07-20 一种基于svm和主元贡献图的软化加药方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110821160.2A CN113569935B (zh) 2021-07-20 2021-07-20 一种基于svm和主元贡献图的软化加药方法、系统及设备

Publications (2)

Publication Number Publication Date
CN113569935A true CN113569935A (zh) 2021-10-29
CN113569935B CN113569935B (zh) 2024-02-09

Family

ID=78165833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110821160.2A Active CN113569935B (zh) 2021-07-20 2021-07-20 一种基于svm和主元贡献图的软化加药方法、系统及设备

Country Status (1)

Country Link
CN (1) CN113569935B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013152288A1 (en) * 2012-04-06 2013-10-10 Applied Materials, Inc. Increasing signal to noise ratio for creation of generalized and robust prediction models
CN107219779A (zh) * 2016-03-22 2017-09-29 周楠 一种水处理药剂的投加方法及装置
US20190337232A1 (en) * 2018-05-02 2019-11-07 Carnegie Mellon University Non-dimensionalization of variables to enhance machine learning in additive manufacturing processes
CN112216352A (zh) * 2020-10-13 2021-01-12 山东建筑大学 基于tdksfa非线性贡献图的间歇过程故障辨识方法及系统
CN112488541A (zh) * 2020-12-04 2021-03-12 深圳先进技术研究院 面向工地用电设备多模态故障预警方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013152288A1 (en) * 2012-04-06 2013-10-10 Applied Materials, Inc. Increasing signal to noise ratio for creation of generalized and robust prediction models
CN107219779A (zh) * 2016-03-22 2017-09-29 周楠 一种水处理药剂的投加方法及装置
US20190337232A1 (en) * 2018-05-02 2019-11-07 Carnegie Mellon University Non-dimensionalization of variables to enhance machine learning in additive manufacturing processes
CN112216352A (zh) * 2020-10-13 2021-01-12 山东建筑大学 基于tdksfa非线性贡献图的间歇过程故障辨识方法及系统
CN112488541A (zh) * 2020-12-04 2021-03-12 深圳先进技术研究院 面向工地用电设备多模态故障预警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金秀章;郝兆平;佟纯涛;尹小菁;: "KPCA和LSSVM在SCR脱硝反应器入口NO_x含量软测量中的应用", 工业仪表与自动化装置, no. 05 *

Also Published As

Publication number Publication date
CN113569935B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN113687040A (zh) 基于决策树算法的水厂实时投药量预测方法、装置及介质
CN113297796B (zh) 一种基于混合工艺的智能控制方法及系统
JP4492473B2 (ja) 凝集剤注入制御装置および方法
CN112132700A (zh) 用于调控水质的配方决策方法
dos Santos et al. Intelligent system for improving dosage control
CN111522230A (zh) Mimo异因子紧格式无模型控制方法
CN113705898A (zh) 自来水混凝剂加药量的预测方法及系统
CN113569935A (zh) 一种基于svm和主元贡献图的软化加药方法、系统及设备
JP2011197714A (ja) プロセス制御システム
CN112529076A (zh) 一种降低高质量成曲酱油杂质产出率的方法和装置
KR100573189B1 (ko) 신경망 2자 유도 PID 제어기의 튜닝방법을 이용한정수처리 시스템의 pH 제어 방법 및 그 장치
CN112666998B (zh) 一种调控米粉含水率的方法及装置
Akbarizadeh et al. Modeling and optimization of poly electrolyte dosage in water treatment process by GMDH Type-NN and MOGA
CN110825051B (zh) 一种基于gap metric的不确定系统的多模型控制方法
Patel et al. Development of Multi Input Multi Output Coupled Process Control Laboratory Test Setup
JP7337545B2 (ja) 制御装置、制御方法及びコンピュータプログラム
Ratnaweera et al. Simulation program for wastewater coagulation
Gómez-Quintero et al. A reduced linear model of an activated sludge process
CN104730929B (zh) 一种自适应pid控制方法、控制芯片及控制器
CN113867233B (zh) 一种基于中试研究的颗粒污泥处理的控制方法及系统
Juntunen et al. Modelling of residual aluminum in water treatment process
Pekel et al. Textile Wastewater Treatment with Coagulation and GPC Control
Li et al. Supervisory predictive control of weighted least square support vector machine based on Cauchy distribution
Mulla et al. Investigation of Adjustable Radial Basis Function estimations for Non-Linear System
WO2022022816A1 (de) Steuern eines technischen systems mittels eines datenbasierten regelungsmodells

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