CN113830896B - 基于图神经网络的好氧段氧气预警方法、系统及设备 - Google Patents
基于图神经网络的好氧段氧气预警方法、系统及设备 Download PDFInfo
- Publication number
- CN113830896B CN113830896B CN202111134431.3A CN202111134431A CN113830896B CN 113830896 B CN113830896 B CN 113830896B CN 202111134431 A CN202111134431 A CN 202111134431A CN 113830896 B CN113830896 B CN 113830896B
- Authority
- CN
- China
- Prior art keywords
- oxygen concentration
- oxygen
- aerobic
- aerobic tank
- tank
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 189
- 239000001301 oxygen Substances 0.000 title claims abstract description 189
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 239000007788 liquid Substances 0.000 claims abstract description 68
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 238000005273 aeration Methods 0.000 claims description 26
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 21
- 238000004062 sedimentation Methods 0.000 claims description 17
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 229910021529 ammonia Inorganic materials 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 25
- 238000000746 purification Methods 0.000 abstract description 15
- 230000002093 peripheral effect Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 241000894006 Bacteria Species 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001651 autotrophic effect Effects 0.000 description 2
- 238000007664 blowing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- -1 ammonium ion (NH 4 +) ion Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003301 hydrolyzing effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/14—NH3-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/22—O2
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Hydrology & Water Resources (AREA)
- Microbiology (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开实施例中提供了一种基于图神经网络的好氧段氧气预警方法、系统及设备,属于测量技术领域,具体包括:在预设时段内采集目标好氧段的运行数据;构建数据结构图;利用图神经网络从数据结构图中提取各个时刻好氧池的液体中氧气浓度对应的目标特征;得到下一时段好氧池的液体中氧气浓度对应的氧气预测区间;根据氧气预测区间判断下一时段好氧池的液体中氧气浓度是否符合预设条件;当氧气预测区间不符合预设条件时,则发送预警信息。通过本公开的方案,采集好氧段及周围不同设备对应的数据形成运行数据,并据此建立数据结构图,利用图神经网络从数据结构图中提取特征输入门控循环模型,得到预测结果,提高了净水效率以及预警的实时性和精准度。
Description
技术领域
本公开实施例涉及测量技术领域,尤其涉及一种基于图神经网络的好氧段氧气预警方法、系统及设备。
背景技术
目前,AO净水工艺在厌氧段和好氧段对氧气浓度有着相应的标准,只有在相应的氧气浓度下厌氧段和好氧段才能发挥其相应的作用,厌氧段的氧气浓度必须小于0.2md/L,在这中氧气浓度下,厌氧池内的异养菌将大分子有机物和不溶性有机物分解为小分子有机物和可溶性有机物;好氧段DO=2~4mg/L,在这个氧气浓度下好氧段中的自养菌将在厌氧段中分解得到的小分子有机物和可溶性有机物,然后回流至厌氧池,实现污水的无害化处理。在这个环节里,氧气浓度是关键,好氧池通过向水体吹空气的方式增加水体的氧气浓度,这个环节称为曝气。这时考虑到经济因素,在曝气环节控制曝气的量就成为了一个问题,传统方法只能凭借经验去判断氧气浓度是否足够完成净水,或者分时间段去检测水体中氧气浓度,人工操作存在误差,且容易影响净水效果。
可见,亟需一种能提前对净水效果进行预测的高效精准的基于图神经网络的好氧段氧气预警方法。
发明内容
有鉴于此,本公开实施例提供一种基于图神经网络的好氧段氧气预警方法、系统及设备,至少部分解决现有技术中存在净水效率和预测精准度较低的问题。
第一方面,本公开实施例提供了一种基于图神经网络的好氧段氧气预警方法,包括:
在预设时段内采集目标好氧段的运行数据,其中,所述运行数据包括厌氧池流入好氧池液体中氧气浓度、曝气量、所述好氧池内氨气和铵离子浓度,以及,二沉池回流至所述厌氧池和所述好氧池的液体中氧气浓度;
根据采集到的全部所述运行数据构建数据结构图;
利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征;
将全部所述目标特征输入门控循环模型,得到下一时段所述好氧池的液体中氧气浓度对应的氧气预测区间;
根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件;
当所述氧气预测区间不符合所述预设条件时,则发送预警信息。
根据本公开实施例的一种具体实现方式,所述根据采集到的全部所述运行数据构建数据结构图的步骤,包括:
分别将所述预设时段内的好氧池内氧气浓度、厌氧池内氧气浓度、二沉池内氧气浓度、曝气量,以及,好氧池内氨气和铵离子浓度作为节点;
将所述好氧池内氧气浓度分别与其他所述节点连接、所述好氧池内氨气和铵离子浓度与所述厌氧池内氧气浓度连接,以及,所述二沉池内氧气浓度与所述厌氧池内氧气浓度连接,形成所述数据结构图。
根据本公开实施例的一种具体实现方式,所述利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征的步骤之后,所述方法还包括:
通过所述图神经网络对所述目标特征中不同信息值添加对应权重。
根据本公开实施例的一种具体实现方式,所述根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件的步骤,包括:
判断氧气预测区间内每个时刻所述好氧池内氧气浓度是否小于阈值;
若氧气预测区间内每个时刻所述好氧池内氧气浓度小于所述阈值,则判定下一时段所述好氧池的液体中氧气浓度不符合所述预设条件;
若氧气预测区间内每个时刻所述好氧池内氧气浓度大于或等于所述阈值,则下一时段所述好氧池的液体中氧气浓度符合所述预设条件。
根据本公开实施例的一种具体实现方式,所述发送预警信息的步骤之后,所述方法还包括:
计算当前时刻所述好氧池的液体中氧气浓度与所述阈值的差值;
结合所述差值和预设公式计算所述好氧池所需的曝气量。
第二方面,本公开实施例提供了一种基于图神经网络的好氧段氧气预警系统,包括:
采集模块,用于在预设时段内采集目标好氧段的运行数据,其中,所述运行数据包括厌氧池流入好氧池液体中氧气浓度、曝气量、所述好氧池内氨气和铵离子浓度,以及,二沉池回流至所述厌氧池和所述好氧池的液体中氧气浓度;
构建模块,用于根据采集到的全部所述运行数据构建数据结构图;
提取模块,用于利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征;
输入模块,用于将全部所述目标特征输入门控循环模型,得到下一时段所述好氧池的液体中氧气浓度对应的氧气预测区间;
判断模块,用于根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件;
预警模块,用于当所述氧气预测区间不符合所述预设条件时,则发送预警信息。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于图神经网络的好氧段氧气预警方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于图神经网络的好氧段氧气预警方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于图神经网络的好氧段氧气预警方法。
本公开实施例中的基于图神经网络的好氧段氧气预警方案,包括:在预设时段内采集目标好氧段的运行数据,其中,所述运行数据包括厌氧池流入好氧池液体中氧气浓度、曝气量、所述好氧池内氨气和铵离子浓度,以及,二沉池回流至所述厌氧池和所述好氧池的液体中氧气浓度;根据采集到的全部所述运行数据构建数据结构图;利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征;将全部所述目标特征输入门控循环模型,得到下一时段所述好氧池的液体中氧气浓度对应的氧气预测区间;根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件;当所述氧气预测区间不符合所述预设条件时,则发送预警信息。
本公开实施例的有益效果为:通过本公开的方案,采集预设时段内好氧段及周围不同设备对应的数据形成运行数据,并据此建立数据结构图,利用图神经网络从数据结构图中提取特征输入门控循环模型,得到氧气预测区间,提高了净水效率以及预警的实时性和精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种基于图神经网络的好氧段氧气预警方法的流程示意图;
图2为本公开实施例提供的一种基于图神经网络的好氧段氧气预警方法涉及的图神经网络模型示意图;
图3为本公开实施例提供的一种基于图神经网络的好氧段氧气预警系统的结构示意图;
图4为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
目前,AO净水工艺在厌氧段和好氧段对氧气浓度有着相应的标准,只有在相应的氧气浓度下厌氧段和好氧段才能发挥其相应的作用,其中好氧段DO=2~4mg/L,在这个氧气浓度下好氧段中的自养菌将在厌氧段中分解得到的小分子有机物和可溶性有机物氧化。在这个环节里,氧气浓度是关键,好氧池通过向水体吹空气的方式增加水体的氧气浓度,这个环节称为曝气。这时考虑到经济因素,在好氧段添加氧气的量就成为了一个问题,传统方法只能凭借经验去添加氧气,或者分时间段去检测水体中有机物含量,人工操作存在误差,且容易影响净水效果。
本公开实施例提供一种基于图神经网络的好氧段氧气预警方法,所述方法可以应用于净水工艺场景的水质监测过程中。
参见图1,为本公开实施例提供的一种基于图神经网络的好氧段氧气预警方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,在预设时段内采集目标好氧段的运行数据,其中,所述运行数据包括厌氧池流入好氧池液体中氧气浓度、曝气量、所述好氧池内氨气和铵离子浓度,以及,二沉池回流至所述厌氧池和所述好氧池的液体中氧气浓度;
具体实施时,当使用场景为AO净水法时,考虑到污水首先进入格栅池除掉较大杂物,然后进入调节池使水初步沉降,分离,再进入厌氧池,使污水在大量水解细菌,酸化菌的作用下将不溶性有机物水解成无机物,将难生物降解的大分子有机物转化成易生物降解的小物质的过程,下一步是好氧池,在曝气提供的溶解氧的条件下新陈代谢消耗污水中的有机物,达到去除有机物的目的,然后是二沉池,使污泥分离,然后是消毒池,接着是排水口,然后流出干净的水。在这其中好氧池内的液体会回流到厌氧池,二沉池内污泥会回流到好氧池,厌氧池和调节池,分别搜集厌氧池流入好氧池液体中氧气浓度,二沉池回流进好氧池和厌氧池的液体的氧气浓度以及好氧池内氨气(NH3)和铵离子(NH4+)离子浓度。则可以采集所述预设时段内的厌氧池流入好氧池液体中氧气浓度、曝气量、所述好氧池内氨气和铵离子浓度,以及,二沉池回流至所述厌氧池和所述好氧池的液体中氧气浓度,以便于后续对所述运行数据进行分析处理。
S102,根据采集到的全部所述运行数据构建数据结构图;
具体实施时,如图2所示,考虑到所述好氧段内,所述厌氧池、所述二沉池和所述曝气量都会对所述好氧池内的氧气浓度产生影响,可以利用图卷积网络捕获在好氧池内影响氧气浓度的拓扑结构,对路网的空间依赖性进行建模,得到所述数据结构图。
S103,利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征;
具体实施时,将上述的点和边的节点输入到两层的图卷积神经网络中,得到相对应的目标特征。当然,还可以选择周期性获取上述一组数据进行构图从而提高预测精度。
S104,将全部所述目标特征输入门控循环模型,得到下一时段所述好氧池的液体中氧气浓度对应的氧气预测区间;
具体实施时,所述门控循环模型可以为门控递归单元捕获所述好氧段内运行数据的动态变化,对时间依赖性进行建模得到。可以从所述图神经网络中提取多个所述目标特征,然后将全部所述目标特征输入所述门控循环模型,然后通过所述门控循环模型对所述好氧池的液体中氧气浓度进行预测,得到所述氧气预测区间。
S105,根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件;
具体实施时,所述氧气预测区间为下一时段内所述好氧池的液体中氧气浓度的预测结果,在得到所述氧气预测区间后,可以将所述氧气预测区间与所述预设条件进行比对,从而确定下一步操作流程。
S106,当所述氧气预测区间不符合所述预设条件时,则发送预警信息。
例如,得到所述氧气预测区间为未来5分钟内的所述好氧池的液体中氧气浓度预测,当所述氧气预测区间不符合所述预设条件时,则发送所述预警信息以提醒工作人员,提高了对净水效果的预测效率和预测精度。当然,若所述氧气预测区间符合所述预设条件时,则禁止发送所述预警信息。
本实施例提供的基于图神经网络的好氧段氧气预警方法,通过在预设时段内采集好氧段及周围不同设备对应的数据形成运行数据,并据此建立图神经网络,利用图神经网络从图神经网络中提取特征输入门控循环模型,得到氧气预测区间,提高了净水效率以及预警的实时性和精准度。
在上述实施例的基础上,步骤S102所述的,根据采集到的全部所述运行数据构建数据结构图,包括:
分别将每个所述采集时刻的好氧池、厌氧池、二沉池、曝气量,以及,好氧池内氨气和铵离子浓度作为节点;
将好氧池分别与其他所述节点连接、所述好氧池内氨气和铵离子浓度与所述厌氧池连接,以及,所述二沉池与所述厌氧池连接,形成所述数据结构图。
具体实施时,考虑到对所述好氧池的液体中氧气浓度产生影响的参数,可以分别将所述预设时段内的好氧池内氧气浓度、厌氧池内氧气浓度、二沉池内氧气浓度、曝气量,以及,好氧池内氨气和铵离子浓度作为节点。然后将所述好氧池内氧气浓度分别与其他所述节点连接、所述好氧池内氨气和铵离子浓度与所述厌氧池内氧气浓度连接,以及,所述二沉池内氧气浓度与所述厌氧池内氧气浓度连接,得到所述好氧段的拓扑结构,对路网的空间依赖性进行建模形成所述数据结构图。
可选的,步骤S103所述的,利用图神经网络从所述图神经网络中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征之后,所述方法还包括:
通过所述图神经网络对所述目标特征中不同信息值添加对应权重。
具体实施时,在提取到所述目标特征后,所述目标特征内存在各种作用于所述好氧池的参数,可以通过所述图神经网络自动对所述目标特征中不同信息值添加对应权重,以使得后续的预测结果更加精准。
进一步的,步骤S105所述的,根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件,包括:
根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件;
具体的,可以根据现有的水质标准计算分解水体内的有机物至符合标准的所需氧气量,然后结合当前好氧池内有机物含量计算得到所述阈值。然后将所述氧气预测区间与所述阈值进行比对,从而确定下一步操作流程。
若氧气预测区间内每个时刻所述好氧池内氧气浓度小于所述阈值,则判定下一时段所述好氧池的液体中氧气浓度不符合所述预设条件;
具体的,当检测到氧气预测区间内每个时刻所述好氧池内氧气浓度小于所述阈值,则判定下一时段所述好氧池的液体中氧气浓度不符合所述预设条件,下一时段所述好氧池的液体中氧气浓度不足以完全分解有机物。
若氧气预测区间内每个时刻所述好氧池内氧气浓度大于或等于所述阈值,则下一时段所述好氧池的液体中氧气浓度符合所述预设条件。
具体实施时,当检测到氧气预测区间内每个时刻所述好氧池内氧气浓度大于或等于所述阈值,则判定下一时段所述好氧池的液体中氧气浓度符合所述预设条件,下一时段所述好氧池的液体中氧气浓度足以完全分解有机物。
可选的,步骤S106所述的,发送预警信息之后,所述方法还包括:
计算当前时刻所述好氧池的液体中氧气浓度与所述阈值的差值;
结合所述差值和预设公式计算所述好氧池所需的曝气量。
具体实施时,可以在发送所述预警信息的时刻后,再计算当前时刻所述好氧池的液体中氧气浓度与所述阈值的差值,然后结合所述差值和所述预设公式计算所述好氧池所需的曝气量,然后可以将所述好氧池所需的曝气量同时发送至工作人员处以提供曝气操作的参考量,或者,发送至所述好氧池所需的曝气量至所述好氧池外接的曝气阀,实现自动向所述好氧池内曝气,提高净水效率。
与上面的方法实施例相对应,参见图3,本公开实施例还提供了一种基于图神经网络的好氧段氧气预警系统30,包括:
采集模块301,用于在预设时段内采集目标好氧段的运行数据,其中,所述运行数据包括厌氧池流入好氧池液体中氧气浓度、曝气量、所述好氧池内氨气和铵离子浓度,以及,二沉池回流至所述厌氧池和所述好氧池的液体中氧气浓度;
构建模块302,用于根据采集到的全部所述运行数据构建数据结构图;
提取模块303,用于利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征;
输入模块304,用于将全部所述目标特征输入门控循环模型,得到下一时段所述好氧池的液体中氧气浓度对应的氧气预测区间;
判断模块305,用于根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件;
预警模块306,用于当所述氧气预测区间不符合所述预设条件时,则发送预警信息。
图3所示系统可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图4,本公开实施例还提供了一种电子设备40,该电子设备包括:至少一个处理器以及与该至少一个处理器通信连接的存储器。其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于图神经网络的好氧段氧气预警方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于图神经网络的好氧段氧气预警方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的基于图神经网络的好氧段氧气预警方法。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于图神经网络的好氧段氧气预警方法,其特征在于,包括:
在预设时段内采集目标好氧段的运行数据,其中,所述运行数据包括厌氧池流入好氧池液体中氧气浓度、曝气量、所述好氧池内氨气和铵离子浓度,以及,二沉池回流至所述厌氧池和所述好氧池的液体中氧气浓度;
根据采集到的全部所述运行数据构建数据结构图;
利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征;
将全部所述目标特征输入门控循环模型,得到下一时段所述好氧池的液体中氧气浓度对应的氧气预测区间;
根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件;
当所述氧气预测区间不符合所述预设条件时,则发送预警信息。
2.根据权利要求1所述的方法,其特征在于,所述根据采集到的全部所述运行数据构建数据结构图的步骤,包括:
分别将所述预设时段内的好氧池内氧气浓度、厌氧池内氧气浓度、二沉池内氧气浓度、曝气量,以及,好氧池内氨气和铵离子浓度作为节点;
将所述好氧池内氧气浓度分别与其他所述节点连接、所述好氧池内氨气和铵离子浓度与所述厌氧池内氧气浓度连接,以及,所述二沉池内氧气浓度与所述厌氧池内氧气浓度连接,形成所述数据结构图。
3.根据权利要求1所述的方法,其特征在于,所述利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征的步骤之后,所述方法还包括:
通过所述图神经网络对所述目标特征中不同信息值添加对应权重。
4.根据权利要求1所述的方法,其特征在于,所述根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件的步骤,包括:
判断氧气预测区间内每个时刻所述好氧池内氧气浓度是否小于阈值;
若氧气预测区间内每个时刻所述好氧池内氧气浓度小于所述阈值,则判定下一时段所述好氧池的液体中氧气浓度不符合所述预设条件;
若氧气预测区间内每个时刻所述好氧池内氧气浓度大于或等于所述阈值,则下一时段所述好氧池的液体中氧气浓度符合所述预设条件。
5.根据权利要求4所述的方法,其特征在于,所述发送预警信息的步骤之后,所述方法还包括:
计算当前时刻所述好氧池的液体中氧气浓度与所述阈值的差值;
结合所述差值和预设公式计算所述好氧池所需的曝气量。
6.一种基于图神经网络的好氧段氧气预警系统,其特征在于,包括:
采集模块,用于在预设时段内采集目标好氧段的运行数据,其中,所述运行数据包括厌氧池流入好氧池液体中氧气浓度、曝气量、所述好氧池内氨气和铵离子浓度,以及,二沉池回流至所述厌氧池和所述好氧池的液体中氧气浓度;
构建模块,用于根据采集到的全部所述运行数据构建数据结构图;
提取模块,用于利用图神经网络从所述数据结构图中提取各个时刻所述好氧池的液体中氧气浓度对应的目标特征;
输入模块,用于将全部所述目标特征输入门控循环模型,得到下一时段所述好氧池的液体中氧气浓度对应的氧气预测区间;
判断模块,用于根据所述氧气预测区间判断下一时段所述好氧池的液体中氧气浓度是否符合预设条件;
预警模块,用于当所述氧气预测区间不符合所述预设条件时,则发送预警信息。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的基于图神经网络的好氧段氧气预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111134431.3A CN113830896B (zh) | 2021-09-27 | 2021-09-27 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111134431.3A CN113830896B (zh) | 2021-09-27 | 2021-09-27 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113830896A CN113830896A (zh) | 2021-12-24 |
CN113830896B true CN113830896B (zh) | 2022-12-27 |
Family
ID=78970602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111134431.3A Active CN113830896B (zh) | 2021-09-27 | 2021-09-27 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113830896B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004025160A (ja) * | 2002-06-21 | 2004-01-29 | H2L Co Ltd | 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法 |
WO2006056212A2 (en) * | 2004-11-26 | 2006-06-01 | Krüger Off-Shore A/S | Improved method for water purification |
CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 |
CN107402586A (zh) * | 2017-08-29 | 2017-11-28 | 北京易沃特科技有限公司 | 基于深度神经网络的溶解氧浓度控制方法及系统 |
CN111458471A (zh) * | 2019-12-19 | 2020-07-28 | 中国科学院合肥物质科学研究院 | 一种基于图神经网络的水域检测预警方法 |
CN112529296A (zh) * | 2020-12-11 | 2021-03-19 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
CN112661259A (zh) * | 2020-12-15 | 2021-04-16 | 海天水务集团股份公司 | 一种曝气过程自适应控制方法及系统 |
CN112766549A (zh) * | 2021-01-07 | 2021-05-07 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
CN112782975A (zh) * | 2020-12-02 | 2021-05-11 | 海天水务集团股份公司 | 一种基于深度学习的污水处理曝气智能控制方法及系统 |
CN113011661A (zh) * | 2021-03-24 | 2021-06-22 | 河海大学 | 一种用于河流生态修复的曝气控制系统及其控制方法 |
-
2021
- 2021-09-27 CN CN202111134431.3A patent/CN113830896B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004025160A (ja) * | 2002-06-21 | 2004-01-29 | H2L Co Ltd | 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法 |
WO2006056212A2 (en) * | 2004-11-26 | 2006-06-01 | Krüger Off-Shore A/S | Improved method for water purification |
CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 |
CN107402586A (zh) * | 2017-08-29 | 2017-11-28 | 北京易沃特科技有限公司 | 基于深度神经网络的溶解氧浓度控制方法及系统 |
CN111458471A (zh) * | 2019-12-19 | 2020-07-28 | 中国科学院合肥物质科学研究院 | 一种基于图神经网络的水域检测预警方法 |
CN112782975A (zh) * | 2020-12-02 | 2021-05-11 | 海天水务集团股份公司 | 一种基于深度学习的污水处理曝气智能控制方法及系统 |
CN112529296A (zh) * | 2020-12-11 | 2021-03-19 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
CN112661259A (zh) * | 2020-12-15 | 2021-04-16 | 海天水务集团股份公司 | 一种曝气过程自适应控制方法及系统 |
CN112766549A (zh) * | 2021-01-07 | 2021-05-07 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
CN113011661A (zh) * | 2021-03-24 | 2021-06-22 | 河海大学 | 一种用于河流生态修复的曝气控制系统及其控制方法 |
Non-Patent Citations (1)
Title |
---|
基于增长型神经网络的污水处理过程溶解氧控制;甄博然等;《中南大学学报(自然科学版)》;20090910;第40卷;第74-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113830896A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685281B (zh) | 污染来源预测方法、装置及电子设备 | |
CN112712801B (zh) | 一种语音唤醒方法、装置、电子设备及存储介质 | |
CN115034497B (zh) | 多站点日水位预测方法、装置、电子设备及计算机介质 | |
CN110619027A (zh) | 一种房源信息的推荐方法、装置、终端设备及介质 | |
CN111143769B (zh) | 一种基于大数据的出行方式分担率的预测方法和预测装置 | |
CN117610895B (zh) | 重点污染源管控时间的确定方法、装置、电子设备及介质 | |
CN114971093A (zh) | 城市道路交通流属性预测方法、系统、设备及介质 | |
CN117576651B (zh) | 一种用于辅助驾驶的车道线拟合方法、系统及车辆 | |
CN113830896B (zh) | 基于图神经网络的好氧段氧气预警方法、系统及设备 | |
CN115840881B (zh) | 空气数据处理方法、装置及相关设备 | |
CN108629980B (zh) | 一种通过控制交通流量改善空气质量的方法 | |
CN111739587A (zh) | 一种颗粒物监测数据的处理方法、装置、存储介质及终端 | |
CN112685610B (zh) | 虚假注册账号识别方法及相关装置 | |
CN114491171A (zh) | 基于工业物联网的数据处理方法、系统、介质及电子设备 | |
CN114185805A (zh) | 一种埋点验证方法、装置、设备及存储介质 | |
CN115253462A (zh) | 净水机滤芯寿命更新方法、装置、设备及存储介质 | |
CN113111860A (zh) | 道路移动源排放计算方法、装置、设备及介质 | |
CN114155545A (zh) | 表格识别方法、装置、可读介质及电子设备 | |
CN117092309B (zh) | 基于大数据的社区供水水质监测方法及系统 | |
CN117526318B (zh) | 配电网状态评估方法、装置、电子设备、存储介质 | |
CN111178929A (zh) | 展示信息的价值调整方法、装置、电子设备及可读介质 | |
CN118267845B (zh) | 脱酸工艺胺液浓度变化自动监测系统及方法 | |
CN113282835B (zh) | 停车地点推荐方法、装置和电子设备 | |
CN117196534A (zh) | 光伏电站施工进度的确定方法、装置、系统、设备及介质 | |
CN112819165A (zh) | 一种概念识别方法、装置、电子设备及介质 |
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 |