CN114149076B - 一种厌氧氨氧化污水处理系统的智能调试系统 - Google Patents

Abstract

本发明公开了一种厌氧氨氧化污水处理系统的智能调试系统，包括传感单元、采集单元、数据分析单元、主控站、污水处理单元；传感单元，包括多个传感器；采集单元用于接收并储存来自传感单元的数据；数据分析单元，包括比较分析模块、第一输入模块和第二输入模块；比较分析模块与主控站相连，第一输入模块与采集单元相连，第二输入模块与污水处理单元相连；主控站用于对整个系统进行控制分析，完成自适应调节；污水处理单元，包括检测校验模块和污水过滤模块。本发明有效提高厌氧氨氧化污水处理系统数字化管理，智能算法控制方式能够根据系统污水样本集不断学习，对控制方式做出合理决策，完成系统自适应调节，自动化程度较高，降低人工运维成本。

Description

一种厌氧氨氧化污水处理系统的智能调试系统

技术领域

本发明属于水处理技术领域，确切的说涉及一种厌氧氨氧化污水处理系统的智能调试系统。

背景技术

近年来在水资源不断开发，用水量不断增大的背景下，污水处理成为环保领域内亟待解决的重要问题。目前主要的污水处理方法包括化学处理方法、物理化学处理方法、生物处理方法。但长久以来，国内的污水处理厂存在自动化水平较低，污水处理能耗较高等问题。这一方面是由于智能化系统在污水处理领域起步较晚，技术储备不足，导致污水处理系统不稳定。但也有不少关于智能化系统应用于污水处理的研究，CN211470805U公开了一种污水处理设备智能管控系统，该系统包括智能应用子系统，用于根据监控的数据和设备运行数据，对污水处理设备进行智能管控；CN112666331A公开了一种工业污水处理智能控制系统，在污水处理的每个工序段均设有分控制器，分控制器均与检测仪连接，分控制器通过无线网络连接至远程监测控制器，可根据当前检测数据与设定时段的历史检测数据均值的对比分析结果判定水质波动情况，从而进行针对性的应对和控制，能够更为合理有效的控制水质调整设备的工作参数。

厌氧氨氧化是一种新型脱氮技术，是由厌氧菌进行的。在厌氧条件下，厌氧氨氧化菌以亚硝酸盐为氧化剂将氨氧化为氮气或以氨为电子供体将亚硝酸盐还原为氮气，比全程硝化节省60%以上的供氧量。另外，厌氧氨氧化过程为自养过程，不需要额外的碳源，且产泥量少，污泥处置费可节约85%。然而厌氧氨氧化工艺在实际运行过程中，由于厌氧氨氧化菌的生长速率慢，需生活在严格的缺氧条件下，生存条件苛刻，导致厌氧氨氧化工艺操作复杂，系统很难稳定运行，需投入较大劳动力进行操作，因此迫切需要人工智能化系统进行调试。

发明内容

为了克服现有技术的不足，本发明旨在提供一种厌氧氨氧化污水处理系统的智能调试系统，通过实时数据监测、传输、制定决策、实时智能分析并控制污水处理设备，从而实现污水厌氧氨氧化处理设施的智能化监测控制，降低人力投入，提高其运行过程的自动化和智能化。

本发明的目的可以通过以下技术方案来实现：

一种厌氧氨氧化污水处理系统的智能调试系统，包括传感单元、采集单元、数据分析单元、主控站、污水处理单元；

所述的传感单元，包括多个传感器；

所述的采集单元用于接收并储存来自传感单元的数据；

所述的数据分析单元，包括比较分析模块、第一输入模块和第二输入模块；比较分析模块与主控站相连，第一输入模块与采集单元相连，第二输入模块与污水处理单元相连；

所述的主控站用于对整个系统进行控制分析，完成自适应调节，包括显示模块、报警器、边缘计算模块和PID模块；

所述的污水处理单元，包括检测校验模块和污水过滤模块。

所述的传感单元和采集单元分别设有GPRS无线数据传输模组，用于数据互传或者通过云端平台进行数据交互；所述的传感单元包括pH传感器、污泥浓度传感器、DO溶氧仪和氨氮传感器。

所述的采集单元内设有多个采集模块，所述采集模块与所述传感器数量相同，各采集模块分别存储对应的传感器的数据。

所述的数据分析单元的第一输入模块、第二输入模块与比较分析模块连接，比较分析模块用于比较采集模块实测值与系统设定值的偏差，第一输入模块用于传输采集模块的数据，第二输入模块用于传输检测校验模块的数据。

所述的主控站的边缘计算模块内设置机器学习模块与智能算法，将经训练后的卷积神经网络模型导入边缘计算模块，获得针对不同工况下的污水处理控制策略模型，根据所述采集单元感知当前时间节点的污水指标，经训练后的所述卷积神经网络模型对所述当前时间节点的一段时间范围内的污水数据进行预测分析。

所述的主控站的显示模块实现污水处理过程在线监测；所述报警器用于当实测值与设定值偏差超出边缘计算模块动作上下限百分比时，启动报警，转PID控制模式；所述边缘计算模块和PID模块均与所述污水过滤模块连接，所述边缘计算模块基于所述卷积神经网络模型的分析结果启动污水过滤模块，所述PID模块用于对从比较分析模块输入的数据执行比例、积分和微分控制，将数据转化为控制信号，根据控制信号启动污水处理单元。

所述的污水处理单元的检测校验模块与所述数据分析单元的第二输入模块连接，检测校验模块用于检测过滤后的污水达到校正值，否则返回第二输入模块经由比较分析模块进行二次处理。

导入所述边缘计算模块的卷积神经网络模型，包括卷积层、池化层与全连接层，基于污水样本集对所述卷积神经网络模型进行训练，按照1-污泥浓度、2-溶解氧、3-pH值、4-氨氮的顺序预设卷积计算权重，所述污水样本集为采集污水成分数据即可构成二维数据输入样本，输入为n×m的矩阵，行数n表示采样点个数，m表示采集的成分数目。

所述卷积神经网络模型，包括卷积层、池化层与全连接层；所述卷积层作为特征提取器，通过权值共享的卷积操作可减少待优化参数个数及训练复杂度，添加激活函数ReLU增加网络的非线性表达能力，获得更深层的特征图；所述池化层用于进一步特征提取，对上一层特征图进行池化操作，进行特征压缩，提取主要特征；所述全连接层用于直接输出，输出层激活函数采用Softmax函数。

所述控制算法包括：根据所述采集单元感知当前时间节点的污水指标；经过训练后的卷积神经网络模型对所述当前时间节点的一段时间范围内的污水数据进行预测分析；所述边缘计算模块基于所述卷积神经网络模型的分析结果启动污水过滤模块，实现不同工况下的精准控制。

本发明的有益效果是：

1.基于智能污水处理系统，有效提高厌氧氨氧化污水处理系统数字化管理。

2.智能算法控制方式能够根据系统污水样本集不断学习，对控制方式做出合理决策，完成系统自适应调节。

3.系统自动化程度较高，避免人为干预等粗放式调控手段对厌氧氨氧化污水处理过程的影响，降低人工运维成本。

附图说明

为了更清楚的说明本发明的技术方案，下面将对实施例中所需要使用附图作简单的介绍，显而易见的，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获取其它附图。

图1所示是厌氧氨氧化污水处理系统的智能调试系统的结构框图。

图2所示是基于CNN的污水处理边缘计算模块控制流程图。

图3所示是基于CNN的污水检测学习流程图。

具体实施方式

如图1所示，厌氧氨氧化污水处理系统的智能调试系统包括传感单元、采集单元、数据分析单元、主控站、污水处理单元。所述传感单元内设有若干传感器模块，所述采集单元内设有若干采集模块，所述传感器模块与所述采集模块数量相同，所述传感器和所述采集单元均各自集成有GPRS无线数传模组，通过云端平台进行数据交互，传感器模块包括，pH传感器、污泥浓度传感器、DO溶氧仪和氨氮传感器，所述采集模块与所述第一输入模块连接；所述采集单元用于采集传感单元内数据，判断传感器是否正常运行，以确定传感单元测量值分量的有效性，并对有效数据进行存储。

所述数据分析单元分别与所述主控站和污水处理单元连接，所述数据分析单元包括所述比较分析模块、第一输入模块和第二输入模块，所述采集模块与所述第一输入模块连接，所述第一输入模块、第二输入模块与所述比较分析模块连接，所述比较分析模块与主控站连接；所述比较分析模块用于比较采集模块实测值与系统设定值的偏差，所述第一输入模块用于传输采集模块输入的数据，所述第二输入模块用于传输检测校验模块输入的数据。

所述主控站与所述污水处理单元连接，所述主控站包括边缘计算模块、报警器与PID模块。所述边缘计算模块与所述污水处理单元连接，所述PID模块与所述污水过滤模块连接；所述边缘计算模块用于完成系统自适应调节，所述边缘计算模块内设置机器学习模块与智能算法，所述报警器用于当实测值与设定值偏差超出边缘计算模块动作上下限百分比时，启动报警，转PID控制模式，所述PID模块用于对从比较分析模块输入的数据执行比例、积分和微分控制，将数据转化为控制信号，根据控制信号启动污水处理单元，所述显示模块实现污水处理过程在线监测。

所述污水处理单元包括污水过滤模块与检测校验模块，检测校验模块与第二输入模块连接。检测校验模块与第二输入模块连接，检测校验模块用于检测过滤后的污水达到校正值，否则返回第二输入模块进行二次处理。

具体实施中，传感单元内可设有4个传感器模块，传感器模块包括，pH传感器、污泥浓度传感器、DO溶氧仪和氨氮传感器，pH传感器厂家如E+H在线pH计检测仪、DDK在线pH计检测仪等，污泥浓度传感器厂家如哈希在线污泥浓度计、E+H在线污泥浓度计等，DO溶氧仪厂家如DDK在线溶氧仪、E+H在线溶氧仪，氨氮传感器厂家如哈希氨氮在线分析仪、岛津氨氮在线检测仪等。本实例中，传感单元采用E+H在线pH计检测仪，E+H在线污泥浓度计，E+H在线溶氧仪和哈希氨氮在线分析仪构成传感装置，传感器单元具有485通讯接口转无线GPRS功能；采集单元内设有4个采集模块，采集单元采用STM32。首先通过传感单元检查污水中特定指标的含量，经采集单元确定传感单元的测定指标是否有效，检查方式是通过检测传感器元件是否工作在系统额定电压、指令运行范围、工作频率来确定其有效性。

按图2所示的基于CNN的污水处理边缘计算模块控制流程图，检测数值经采集模块通过输入模块将实时数据输入比较分析模块，判断预处理污水比例不超出自适应调节范围（如表1）。

表1 边缘计算模块在各参量下的自适应调节范围

序号	污水指标	范围
			1	污泥浓度	500-4000 mg/L
2	溶解氧	0.1-1.0
			3	pH值	6.8-7.5
4	氨氮	＜100 mg

启动边缘计算模块，输入为4×4的矩阵，行数4表示采样点个数，列数4表示采集的成分分别为污泥浓度、溶解氧、pH和氨氮，按图3所示的污水检测学习流程，基于污水样本集对所述卷积神经网络模型（CNN）进行训练，构建特征图导入CNN模型，按照1-污泥浓度、2-溶解氧、3-pH值、4-氨氮的顺序预设卷积计算权重，经卷积计算后的结果判断污水是否达标，生成控制策略，控制污水过滤模块进行污水处理；否则报警器亮起，启动PID模块，通过比例、积分、微分环节控制污水过滤模块。过滤完成后，检测校验模块将实时处理后的污水指标数据进行采集，并进行生产现场工艺参数监测，校验过滤后的污水是否达到校正值。

上述描述中的实施方案可以进一步组合或者替换，且实施方案仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域普通技术人员对本发明的技术方案做出的各种变化和改进，均属于本发明的保护范围。本发明的保护范围由所附权利要求及其任何等同物给出。

Claims (7)

1.一种厌氧氨氧化污水处理系统的智能调试系统，其特征在于，包括传感单元、采集单元、数据分析单元、主控站、污水处理单元；

所述的传感单元，包括多个传感器；

所述的采集单元用于接收并储存来自传感单元的数据；

所述的数据分析单元，包括比较分析模块、第一输入模块和第二输入模块；比较分析模块与主控站相连，第一输入模块与采集单元相连，第二输入模块与污水处理单元相连；

所述的主控站用于对整个系统进行控制分析，完成自适应调节，包括显示模块、报警器、边缘计算模块和PID模块；

所述的污水处理单元，包括检测校验模块和污水过滤模块；

所述的数据分析单元的第一输入模块、第二输入模块与比较分析模块连接，比较分析模块用于比较采集模块实测值与系统设定值的偏差，第一输入模块用于传输采集模块的数据，第二输入模块用于传输检测校验模块的数据；

所述的主控站的边缘计算模块内设置机器学习模块与智能算法，将经训练后的卷积神经网络模型导入边缘计算模块，获得针对不同工况下的污水处理控制策略模型，根据所述采集单元感知当前时间节点的污水指标，经训练后的所述卷积神经网络模型对所述当前时间节点的一段时间范围内的污水数据进行预测分析；

所述的主控站的显示模块实现污水处理过程在线监测；所述报警器用于当实测值与设定值偏差超出边缘计算模块动作上下限百分比时，启动报警，转PID控制模式；所述边缘计算模块和PID模块均与所述污水过滤模块连接，所述边缘计算模块基于所述卷积神经网络模型的分析结果启动污水过滤模块，所述PID模块用于对从比较分析模块输入的数据执行比例、积分和微分控制，将数据转化为控制信号，根据控制信号启动污水处理单元。

2.根据权利要求1所述的智能调试系统，其特征在于，所述的传感单元和采集单元分别设有GPRS无线数据传输模组，用于数据互传或者通过云端平台进行数据交互；所述的传感单元包括pH传感器、污泥浓度传感器、DO溶氧仪和氨氮传感器。

3.根据权利要求1所述的智能调试系统，其特征在于，所述的采集单元内设有多个采集模块，所述采集模块与所述传感器数量相同，各采集模块分别存储对应的传感器的数据。

4.根据权利要求1所述的智能调试系统，其特征在于，所述的污水处理单元的检测校验模块与所述数据分析单元的第二输入模块连接，检测校验模块用于检测过滤后的污水达到校正值，否则返回第二输入模块经由比较分析模块进行二次处理。

5.根据权利要求1所述的智能调试系统，其特征在于，导入所述边缘计算模块的卷积神经网络模型，包括卷积层、池化层与全连接层，基于污水样本集对所述卷积神经网络模型进行训练，按照1-污泥浓度、2-溶解氧、3-pH值、4-氨氮的顺序预设卷积计算权重，所述污水样本集为采集污水成分数据即可构成二维数据输入样本，输入为n×m的矩阵，行数n表示采样点个数，m表示采集的成分数目。

6.根据权利要求1或者5所述的智能调试系统，其特征在于，所述卷积神经网络模型，包括卷积层、池化层与全连接层；所述卷积层作为特征提取器，通过权值共享的卷积操作可减少待优化参数个数及训练复杂度，添加激活函数ReLU增加网络的非线性表达能力，获得更深层的特征图；所述池化层用于进一步特征提取，对上一层特征图进行池化操作，进行特征压缩，提取主要特征；所述全连接层用于直接输出，输出层激活函数采用Softmax函数。

7.根据权利要求1所述的智能调试系统，其特征在于，控制算法包括：根据所述采集单元感知当前时间节点的污水指标；经过训练后的卷积神经网络模型对所述当前时间节点的一段时间范围内的污水数据进行预测分析；所述边缘计算模块基于所述卷积神经网络模型的分析结果启动污水过滤模块，实现不同工况下的精准控制。

Images