CN114956294A - 基于人工神经网络的智能加药系统及方法 - Google Patents
基于人工神经网络的智能加药系统及方法 Download PDFInfo
- Publication number
- CN114956294A CN114956294A CN202210671221.6A CN202210671221A CN114956294A CN 114956294 A CN114956294 A CN 114956294A CN 202210671221 A CN202210671221 A CN 202210671221A CN 114956294 A CN114956294 A CN 114956294A
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- data
- dosing
- orthophosphate
- 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
Links
- 239000003814 drug Substances 0.000 title claims abstract description 95
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 229940079593 drug Drugs 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000010865 sewage Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 67
- 238000004062 sedimentation Methods 0.000 claims description 36
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 32
- 229910052698 phosphorus Inorganic materials 0.000 claims description 32
- 239000011574 phosphorus Substances 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 18
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 239000002699 waste material Substances 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- DJFBJKSMACBYBD-UHFFFAOYSA-N phosphane;hydrate Chemical compound O.P DJFBJKSMACBYBD-UHFFFAOYSA-N 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 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
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000013589 supplement Substances 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
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/58—Treatment of water, waste water, or sewage by removing specified dissolved compounds
-
- 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
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/10—Inorganic compounds
- C02F2101/105—Phosphorus compounds
-
- 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
- C02F2209/18—PO4-P
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Hydrology & Water Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种基于人工神经网络的智能加药系统及方法，系统包括信息采集装置、加药执行单元、现场CPU控制系统和人工神经网络计算系统，所述信息采集装置用于实时采集污水处理系统的数据信息，并将采集数据发送给现场CPU控制系统；所述现场CPU控制系统用于对采集信息进行处理，并发送控制命令给加药执行单元；所述加药执行单元根据控制命令进行药物投加操作；所述人工神经网络计算系统用于根据优质样本对人工神经网络进行训练，将信息采集装置实时采集数据和历史数据作为输入参数，对加药量进行实时预测。本发明避免了药物浪费和对水体的二次污染，保证了预测结果的精确性，降低了人工成本，确保了系统的高效运行。
Description
技术领域
本发明涉及一种基于人工神经网络的智能加药系统及方法，属于污水处理技术领域。
背景技术
随着经济的快速发展，水资源短缺的压力越来越大，人们越来越意识到合理利用水资源的重要性，只有充分尊重水资源自然循环的规律，实现水资源的多次循环利用，维持水资源的循环平衡，才是水资源可持续利用的有效途径。而污水处理系统的广泛应用是社会可持续发展的必然选择。为使污水达到排水某一水体或再次使用的水质要求对其进行净化的过程。
随着国家对污水厂污染排放物标准越来越高，传统生物除磷已无法满足现有的TP排放标准，用化学除磷的方式作为生物除磷的补充成为了一个必要的手段。但是在化学除磷过程中，药剂投加量过少导致出水不达标，投加量过多，一方面造成药剂的严重浪费，另一方面对水体造成了二次污染，因此，药剂投加量是污水处理技术中最为重要的一个影响因素。
目前国内化学除磷技术普遍根据人工经验控制药剂投加量，较为先进的水厂引入了前馈+反馈的数学模型，但是模型中各项参数所占的权重依旧是根据人工经验设置，且整个系统具有很大的迟滞性，既无法真正实现精准加药，也无法应对冲击负荷，导致出水质量和药剂使用效率得不到保证，对水厂运营带来了很大的不便和风险。
发明内容
为了解决上述问题，本发明提出了一种基于人工神经网络的智能加药系统及方法，能够解决加药量不精确和系统反馈不及时的问题。
本发明解决其技术问题采取的技术方案是：
一方面，本发明实施例提供的一种基于人工神经网络的智能加药系统，用于对污水处理系统进行加药控制，包括信息采集装置、加药执行单元、现场CPU控制系统和人工神经网络计算系统，所述信息采集装置用于实时采集污水处理系统的数据信息，并将采集数据发送给现场CPU控制系统；所述现场CPU控制系统用于对采集信息进行处理，并发送控制命令给加药执行单元；所述加药执行单元根据控制命令进行药物投加操作；所述人工神经网络计算系统用于根据优质样本对人工神经网络进行训练，将信息采集装置实时采集数据作为输入参数，对加药量进行实时预测。
作为本实施例一种可能的实现方式，所述信息采集装置包括流量计、正磷酸盐在线监测仪和总磷测定仪，所述流量计设置在反应池的进水管中，用于实时采集反应池的进水流量；所述正磷酸盐在线监测仪设置在反应池内部前端位置，用于实时采集进水正磷酸盐量；所述总磷测定仪设置在沉淀池的出水管中，用于实时采集出水总磷量。
作为本实施例一种可能的实现方式，所述加药执行单元包括药物投加泵和电动阀，所述药物投加泵根据控制命令控制投加药物的流量，所述电动阀根据控制命令控制阀门开度。
作为本实施例一种可能的实现方式，所述现场CPU控制系统用于接收人工神经网络计算系统和云服务器的控制命令对信息采集装置和加药执行单元进行控制，并对采集的数据信息进行处理和筛选后将优质数据发送至人工神经网络计算系统。
作为本实施例一种可能的实现方式，所述人工神经网络计算系统包括正磷酸盐含量预测模块和药物投加量预测模块，所述正磷酸盐含量预测模块用于搭建并训练正磷酸盐含量神经网络，将进水流量、进水正磷酸盐浓度、加药量、加药后出水磷浓度的历史数据作为输入参数，对沉淀池正磷酸盐含量进行预测，将所对应正磷酸盐含量的历史数据作为输出参数；所述药物投加量预测模块用于搭建并训练药物投加量神经网络，将进水流量、沉淀池正磷酸盐含量、沉淀池总磷的历史数据作为输入参数，对药物投加量进行预测，所对应药物投加量的历史数据作为输出参数。
作为本实施例一种可能的实现方式，基于人工神经网络的智能加药系统，还包括云服务器；所述云服务器用于数据处理和数据存储，并实现人人工神经网络计算系统对实际加药量的远程控制，对历史优质数据进行管理，为人工神经网络不断更新迭代提供优质样本。
另一方面，本发明实施例提供的一种基于人工神经网络的智能加药方法，包括以下步骤：
采集污水处理系统的数据信息；
对采集的数据信息进行处理，筛选的优质数据；
将筛选的优质数据进行保存；
将将筛选的优质数据和历史优质数据作为优质样本；
建立正磷酸盐含量预测模型和药物投加量预测模型，利用优质样本进行训练；
基于实时采集的数据进行沉淀池正磷酸盐含量预测；
基于实时采集的数据进行药物投加量预测；
根据预测的最优药物投加量进行药物投加。
作为本实施例一种可能的实现方式，所述采集的数据信息包括进水流量、进水正磷酸盐、沉淀池正磷酸盐和出水总磷。
作为本实施例一种可能的实现方式，所述沉淀池正磷酸盐含量预测的过程具体为：将进水流量、进水正磷酸盐浓度、加药量、加药后出水磷浓度的历史数据作为正磷酸盐含量预测模型的输入参数，将所对应正磷酸盐含量的历史数据作为正磷酸盐含量预测模型的输出参数，对沉淀池正磷酸盐含量进行预测。
作为本实施例一种可能的实现方式，所述药物投加量预测的过程具体为：将进水流量、沉淀池正磷酸盐含量、沉淀池总磷的历史数据作为药物投加量预测模型的输入参数，所对应药物投加量的历史数据作为药物投加量预测模型的输出参数，对药物投加量进行预测。
本发明实施例的技术方案可以具有的有益效果如下：
本发明能够根据沉淀池水体中的各项实时参数通过人工神经网络对加药量进行实时预测，响应时间快，药物利用率高，保证出水达标的前提下最大程度上节省药物，避免了药物浪费和对水体的二次污染，使用优质样本数据对人工神经网络进行训练，保证了预测结果的精确性，整个系统可实现全自动化运行，降低了人工成本，通过数据线可实现对系统的现场控制，通过云服务器可实现远程控制和监控，人工神经网络可根据优质数据不断自动更新迭代，确保了系统的高效运行。
附图说明
图1是根据一示例性实施例示出的一种基于人工神经网络的智能加药系统的结构图；
图2是根据一示例性实施例示出的一种基于人工神经网络的智能加药方法流程图；
图3是根据一示例性实施例示出的一种基于人工神经网络的智能加药场景示意图；
图4是根据一示例性实施例示出的一种数据存储流程图；
图5是根据一示例性实施例示出的一种神经网络训练流程图；
图6是根据一示例性实施例示出的一种神经网络预测流程图；
图3中，①为流量计，②为正磷酸盐在线监测仪，③为总磷测定仪，④为反应池，⑤为沉淀池，⑥为投加泵，⑦为储药罐。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示，本发明实施例提供的一种基于人工神经网络的智能加药系统，用于对污水处理系统进行加药控制，包括信息采集装置、加药执行单元、现场CPU控制系统和人工神经网络计算系统，所述信息采集装置用于实时采集污水处理系统的数据信息，并将采集数据发送给现场CPU控制系统；所述现场CPU控制系统用于对采集信息进行处理，并发送控制命令给加药执行单元；所述加药执行单元根据控制命令进行药物投加操作；所述人工神经网络计算系统用于根据优质样本对人工神经网络进行训练，将信息采集装置实时采集数据作为输入参数，对加药量进行实时预测。
作为本实施例一种可能的实现方式，所述信息采集装置包括流量计、正磷酸盐在线监测仪和总磷测定仪，所述流量计设置在反应池的进水管中，用于实时采集反应池的进水流量；所述正磷酸盐在线监测仪设置在反应池内部前端位置，用于实时采集进水正磷酸盐量；所述总磷测定仪设置在沉淀池的出水管中，用于实时采集出水总磷量。
作为本实施例一种可能的实现方式，所述加药执行单元包括药物投加泵和电动阀，所述药物投加泵根据控制命令控制投加药物的流量，所述电动阀根据控制命令控制阀门开度。
作为本实施例一种可能的实现方式，所述现场CPU控制系统用于接收人工神经网络计算系统和云服务器的控制命令对信息采集装置和加药执行单元进行控制，并对采集的数据信息进行处理和筛选后将优质数据发送至人工神经网络计算系统。
作为本实施例一种可能的实现方式，所述人工神经网络计算系统包括正磷酸盐含量预测模块和药物投加量预测模块，所述正磷酸盐含量预测模块用于搭建并训练正磷酸盐含量神经网络，将进水流量、进水正磷酸盐浓度、加药量、加药后出水磷浓度的历史数据作为输入参数，对沉淀池正磷酸盐含量进行预测，将所对应正磷酸盐含量的历史数据作为输出参数；所述药物投加量预测模块用于搭建并训练药物投加量神经网络，将进水流量、沉淀池正磷酸盐含量、沉淀池总磷的历史数据作为输入参数，对药物投加量进行预测，所对应药物投加量的历史数据作为输出参数。
作为本实施例一种可能的实现方式，基于人工神经网络的智能加药系统，还包括云服务器；所述云服务器用于数据处理和数据存储，并实现人人工神经网络计算系统对实际加药量的远程控制，对历史优质数据进行管理，为人工神经网络不断更新迭代提供优质样本。
如图2所示，本发明实施例提供的一种基于人工神经网络的智能加药方法，包括以下步骤：
采集污水处理系统的数据信息；
对采集的数据信息进行处理，筛选的优质数据；
将筛选的优质数据进行保存；
将将筛选的优质数据和历史优质数据作为优质样本；
建立正磷酸盐含量预测模型和药物投加量预测模型，利用优质样本进行训练；
基于实时采集的数据进行沉淀池正磷酸盐含量预测；
基于实时采集的数据进行药物投加量预测；
根据预测的最优药物投加量进行药物投加。
作为本实施例一种可能的实现方式，所述采集的数据信息包括进水流量、进水正磷酸盐、沉淀池正磷酸盐和出水总磷。
作为本实施例一种可能的实现方式，所述沉淀池正磷酸盐含量预测的过程具体为：将进水流量、进水正磷酸盐浓度、加药量、加药后出水磷浓度的历史数据作为正磷酸盐含量预测模型的输入参数，将所对应正磷酸盐含量的历史数据作为正磷酸盐含量预测模型的输出参数，对沉淀池正磷酸盐含量进行预测。
作为本实施例一种可能的实现方式，所述药物投加量预测的过程具体为：将进水流量、沉淀池正磷酸盐含量、沉淀池总磷的历史数据作为药物投加量预测模型的输入参数，所对应药物投加量的历史数据作为药物投加量预测模型的输出参数，对药物投加量进行预测。
如图3所示，本发明的一种基于人工神经网络的智能加药系统，包括底层的各项信息采集装置与加药执行单元、中层的地面CPU控制系统、上层的人工神经网络计算系统以及云服务器。底层的各项信息采集装置，主要作用于沉淀池，对进水总磷、正出水总磷、进水流量、污泥回流量进行实时检测和采集；地面CPU控制系统将采集到的实时信息进行处理和筛选，并将信息实时发送至人工神经网络计算系统或云服务器；云服务器对实时信息进行储存，并对历史优质数据进行管理；通过实验或历史运行数据获得优质样本，人工神经网络计算系统根据优质样本训练人工神经网络，再将采集到的实时数据信息作为输入参数，通过人工神经网络计算系统的分析及计算，预测出最优加药量；将人工神经网络计算系统的输出值①发送至地面CPU控制系统实现直接现场控制，②通过云服务器发送至所述的地面CPU控制系统，实现间接远程控制；执行单元接受地面CPU控制系统发送的数据信息，执行相应动作，达到药物的精准投加，并且整个过程响应迅速，解决了系统反馈不及时的问题。
如图3所示，采用本发明基于人工神经网络的智能加药系统进行智能加药的具体过程如下。
(1)采集污水处理系统的数据信息。所述的各项信息采集装置，主要作用于沉淀池，对进水流量、进水正磷酸盐、沉淀池正磷酸盐、沉淀池总磷、出水总磷进行实时检测和采集，并将采集到的信息传送至所述的地面CPU控制系统。
(2)对采集的数据信息进行处理，筛选的优质数据。所述的地面CPU控制系统对步骤(1)中所采集的信息通过滤波技术及数据甄别功能进行处理和筛选，将满足要求的优质数据发送至所述的人工神经网络计算系统或所述的云服务器。
滤波技术，主要算法为算数平均滤波算法。首先依次采集1组20个数据，并顺序存入数据存储器Data0～Data20中，20个数据采集完成后，对20个数据去除最大值及最小值、并对剩余的18个数据求算数平均，结果当作可用的当前值发送至云服务器。算完一次后，Data0中的数据丢弃，并将Data1中数据存入Data0中，Data2中数据存入Data1中，依次类推，最新采集的数据存入Data20中，数据存储器中的数据进行依次平移，并再次执行上述算法，不断对采集的数据进行处理。
(3)将筛选的优质数据进行保存。所述的云服务器中包含的数据库功能对步骤(2)中处理和筛选后的实时信息按行储存，最新数据保存在最后一行，并对历史优质数据进行管理。附图4对数据存储流程进行说明：地面控制cpu发出命令，启动采集装置进行实时采集，将采集到的信息传送至地面控制cpu，经过地面控制cpu判断，如果数据为可靠数据，则存入数据库，作为神经网络计算系统数据源的一部分，如果判断得出数据不可靠，例如与上一组数据差距超过某一设定值，则放弃此组数据，进行下一轮采集。
对历史库中的历史数据进行管理获得优质样本的主要算法为，历史数据平均值比较算法，对采集的各个参数的历史数据进行求平均，如果新采集的数据与历史平均数据差值超过设定值，则认为当前数据不可靠，不作为训练样本存入人工神经网络中。
(4)将将筛选的优质数据和历史优质数据作为优质样本；基于人工神经网络建立预测模型，利用优质样本进行训练；并基于实时采集的数据进行对沉淀池正磷酸盐含量和药物投加量进行预测。通过实验或历史运行数据获得优质样本，所述的人工神经网络计算系统根据优质样本训练人工神经网络，再将步骤(3)处理完成的实时数据信息作为人工神经网络的输入参数，通过人工神经网络计算系统的分析及计算，预测出正磷酸盐含量，进而预测出最优加药量。附图5为神经网络训练过程流程图，神经网络训练过程为已知技术，不再详述。附图6为神经网络预测流程图，神经网络预测过程为已知技术，不再详述。
人工神经网络的具体分析及计算过程如下：
构建人工神经网络，根据输入参数变量个数确定神经网络输入层的参数个数、中间层的层数、输出层的参数个数。输入神经元个数为输入参数个数，中间层的层数为按照以下公式确定：
Nh＝Ns/(α*(Ni+No))
其中：Ni是输入层神经元个数；
No是输出层神经元个数；
Ns是训练集的样本数；这里算的层数为4层。
α是可以自取的任意值变量，通常范围可取2-10。这里取5。
输出层神经元数取1个。
对输入的输入层参数按照BP神经元网络算法，计算输出值与历史存储值差值，如果差值不在给定的范围内则进行反向传播的过程；对各层参数权重进行更新，修正误差信号，直至差值达到指定值，训练完成。
(5)根据预测的最优药物投加量进行药物投加。将步骤(4)中所述的最优加药量，①发送至所述的地面CPU控制系统实现直接现场控制，②通过所述的云服务器发送至所述的地面CPU控制系统，实现间接远程控制。所述的执行单元所述的地面CPU控制系统发送的数据信息，执行相应动作，达到药物的精准投加，并且整个过程响应迅速，解决了系统反馈不及时的问题。
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)
1.一种基于人工神经网络的智能加药系统，用于对污水处理系统进行加药控制，其特征在于，包括信息采集装置、加药执行单元、现场CPU控制系统和人工神经网络计算系统，所述信息采集装置用于实时采集污水处理系统的数据信息，并将采集数据发送给现场CPU控制系统；所述现场CPU控制系统用于对采集信息进行处理，并发送控制命令给加药执行单元；所述加药执行单元根据控制命令进行药物投加操作；所述人工神经网络计算系统用于根据优质样本对人工神经网络进行训练，将信息采集装置实时采集数据作为输入参数，对加药量进行实时预测。
2.根据权利要求1所述的基于人工神经网络的智能加药系统，其特征在于，所述信息采集装置包括流量计、正磷酸盐在线监测仪和总磷测定仪，所述流量计设置在反应池的进水管中，用于实时采集反应池的进水流量；所述正磷酸盐在线监测仪设置在反应池内部前端位置，用于实时采集进水正磷酸盐量；所述总磷测定仪设置在沉淀池的出水管中，用于实时采集出水总磷量。
3.根据权利要求1所述的基于人工神经网络的智能加药系统，其特征在于，所述加药执行单元包括药物投加泵和电动阀，所述药物投加泵根据控制命令控制投加药物的流量，所述电动阀根据控制命令控制阀门开度。
4.根据权利要求1所述的基于人工神经网络的智能加药系统，其特征在于，所述现场CPU控制系统用于接收人工神经网络计算系统和云服务器的控制命令对信息采集装置和加药执行单元进行控制，并对采集的数据信息进行处理和筛选后将优质数据发送至人工神经网络计算系统。
5.根据权利要求1所述的基于人工神经网络的智能加药系统，其特征在于，所述人工神经网络计算系统包括正磷酸盐含量预测模块和药物投加量预测模块，所述正磷酸盐含量预测模块用于搭建并训练正磷酸盐含量神经网络，将进水流量、进水正磷酸盐浓度、加药量、加药后出水磷浓度的历史数据作为输入参数，对沉淀池正磷酸盐含量进行预测，将所对应正磷酸盐含量的历史数据作为输出参数；所述药物投加量预测模块用于搭建并训练药物投加量神经网络，将进水流量、沉淀池正磷酸盐含量、沉淀池总磷的历史数据作为输入参数，对药物投加量进行预测，所对应药物投加量的历史数据作为输出参数。
6.根据权利要求1-5任意一项所述的基于人工神经网络的智能加药系统，其特征在于，还包括云服务器；所述云服务器用于数据处理和数据存储，并实现人人工神经网络计算系统对实际加药量的远程控制，对历史优质数据进行管理，为人工神经网络不断更新迭代提供优质样本。
7.一种基于人工神经网络的智能加药方法，其特征在于，包括以下步骤：
采集污水处理系统的数据信息；
对采集的数据信息进行处理，筛选的优质数据；
将筛选的优质数据进行保存；
将将筛选的优质数据和历史优质数据作为优质样本；
建立正磷酸盐含量预测模型和药物投加量预测模型，利用优质样本进行训练；
基于实时采集的数据进行沉淀池正磷酸盐含量预测；
基于实时采集的数据进行药物投加量预测；
根据预测的最优药物投加量进行药物投加。
8.根据权利要求7所述的基于人工神经网络的智能加药方法，其特征在于，所述采集的数据信息包括进水流量、进水正磷酸盐、沉淀池正磷酸盐和出水总磷。
9.根据权利要求8所述的基于人工神经网络的智能加药方法，其特征在于，所述沉淀池正磷酸盐含量预测的过程具体为：将进水流量、进水正磷酸盐浓度、加药量、加药后出水磷浓度的历史数据作为正磷酸盐含量预测模型的输入参数，将所对应正磷酸盐含量的历史数据作为正磷酸盐含量预测模型的输出参数，对沉淀池正磷酸盐含量进行预测。
10.根据权利要求8所述的基于人工神经网络的智能加药方法，其特征在于，所述药物投加量预测的过程具体为：将进水流量、沉淀池正磷酸盐含量、沉淀池总磷的历史数据作为药物投加量预测模型的输入参数，所对应药物投加量的历史数据作为药物投加量预测模型的输出参数，对药物投加量进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210671221.6A CN114956294B (zh) | 2022-06-14 | 2022-06-14 | 基于人工神经网络的智能加药系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210671221.6A CN114956294B (zh) | 2022-06-14 | 2022-06-14 | 基于人工神经网络的智能加药系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114956294A true CN114956294A (zh) | 2022-08-30 |
| CN114956294B CN114956294B (zh) | 2024-02-09 |
Family
ID=82963718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210671221.6A Active CN114956294B (zh) | 2022-06-14 | 2022-06-14 | 基于人工神经网络的智能加药系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114956294B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008296176A (ja) * | 2007-06-01 | 2008-12-11 | Panasonic Corp | 地下水汚染の浄化方法 |
| 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 |
| KR101253481B1 (ko) * | 2012-10-31 | 2013-04-10 | (주)모리트 | 수처리 시설의 응집제 투입량 최적 제어 시스템 |
| KR20130118682A (ko) * | 2012-04-20 | 2013-10-30 | 경북대학교 산학협력단 | 인 농도 예측을 통한 최적 응집제 주입장치 |
| CN103889900A (zh) * | 2011-10-28 | 2014-06-25 | 旭化成化学株式会社 | 药剂注入控制方法及药剂注入控制装置 |
| CN106168759A (zh) * | 2016-07-12 | 2016-11-30 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制方法和系统 |
| CN206440945U (zh) * | 2016-07-12 | 2017-08-25 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制系统 |
| CN207645874U (zh) * | 2017-10-30 | 2018-07-24 | 清华大学深圳研究生院 | 一种混凝自动加药控制系统 |
| CN108793351A (zh) * | 2017-04-26 | 2018-11-13 | 北京济安金信科技有限公司 | 污水处理方法、系统及具有该系统的电子设备 |
| CN110981021A (zh) * | 2019-12-23 | 2020-04-10 | 中新国际联合研究院 | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 |
| CN111777138A (zh) * | 2019-11-18 | 2020-10-16 | 山东新日电气设备有限公司 | 一种基于物联网的污水处理精细化控制系统及控制方法 |
| CN111994970A (zh) * | 2020-07-31 | 2020-11-27 | 上海上实龙创智能科技股份有限公司 | 一种基于lstm的污水高效沉淀池加药预测方法和加药系统 |
| CN113644848A (zh) * | 2021-07-13 | 2021-11-12 | 江苏大学 | 一种基于分段阈值的永磁同步电机无位置传感器控制方法 |
| CA3183622A1 (en) * | 2020-06-24 | 2021-12-30 | Mrutyunjaya Sahu | Intelligent waterbody management system |
-
2022
- 2022-06-14 CN CN202210671221.6A patent/CN114956294B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008296176A (ja) * | 2007-06-01 | 2008-12-11 | Panasonic Corp | 地下水汚染の浄化方法 |
| CN103889900A (zh) * | 2011-10-28 | 2014-06-25 | 旭化成化学株式会社 | 药剂注入控制方法及药剂注入控制装置 |
| KR20130118682A (ko) * | 2012-04-20 | 2013-10-30 | 경북대학교 산학협력단 | 인 농도 예측을 통한 최적 응집제 주입장치 |
| 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 |
| KR101253481B1 (ko) * | 2012-10-31 | 2013-04-10 | (주)모리트 | 수처리 시설의 응집제 투입량 최적 제어 시스템 |
| CN206440945U (zh) * | 2016-07-12 | 2017-08-25 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制系统 |
| CN106168759A (zh) * | 2016-07-12 | 2016-11-30 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制方法和系统 |
| CN108793351A (zh) * | 2017-04-26 | 2018-11-13 | 北京济安金信科技有限公司 | 污水处理方法、系统及具有该系统的电子设备 |
| CN207645874U (zh) * | 2017-10-30 | 2018-07-24 | 清华大学深圳研究生院 | 一种混凝自动加药控制系统 |
| CN111777138A (zh) * | 2019-11-18 | 2020-10-16 | 山东新日电气设备有限公司 | 一种基于物联网的污水处理精细化控制系统及控制方法 |
| CN110981021A (zh) * | 2019-12-23 | 2020-04-10 | 中新国际联合研究院 | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 |
| CA3183622A1 (en) * | 2020-06-24 | 2021-12-30 | Mrutyunjaya Sahu | Intelligent waterbody management system |
| CN111994970A (zh) * | 2020-07-31 | 2020-11-27 | 上海上实龙创智能科技股份有限公司 | 一种基于lstm的污水高效沉淀池加药预测方法和加药系统 |
| CN113644848A (zh) * | 2021-07-13 | 2021-11-12 | 江苏大学 | 一种基于分段阈值的永磁同步电机无位置传感器控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114956294B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110515411B (zh) | 一种水处理加药量控制方法及系统 | |
| CN1325393C (zh) | 废水处理的控制方法和废水处理的控制系统 | |
| CN110824923A (zh) | 一种基于深度学习与云计算的污水处理控制方法及其系统 | |
| CN101825870A (zh) | 一种控制水处理絮凝剂投放量的方法及系统 | |
| CN111680429B (zh) | 水箱主动调蓄方法及系统、电子设备、存储介质 | |
| CN115793471A (zh) | 一种基于污水处理监测的可调式控制方法及系统 | |
| CN114956294B (zh) | 基于人工神经网络的智能加药系统及方法 | |
| CN114488973A (zh) | 再生水厂全流程工艺参数优化方法、装置及电子设备 | |
| CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
| CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测系统 | |
| CN116956155A (zh) | 一种基于人工智能的污水处理智能加药方法及系统 | |
| CN112266073A (zh) | 一种用于污水处理碳源投加的智能控制方法及系统 | |
| KR102535640B1 (ko) | 상수도 운영 시스템의 운전 자동화를 위한 강화학습 장치 및 방법 | |
| CN115759399A (zh) | 投加控制方法、装置、设备及存储介质 | |
| CN114315057B (zh) | 水处理控制方法、系统、计算机设备及存储介质 | |
| CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
| CN115806344A (zh) | 一种orp控制精准曝气的系统 | |
| CN113838542B (zh) | 化学需氧量智能预测方法和系统 | |
| CN116029612A (zh) | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 | |
| CN111967667B (zh) | 一种轨道交通分布式运维方法及系统 | |
| CN114315058A (zh) | 水处理控制方法、系统、计算机设备及存储介质 | |
| CN115215436B (zh) | 一种基于同步除磷的智能加药除磷控制系统及控制方法 | |
| CN113688973A (zh) | 一种基于深度神经网络的供水泵站调度方法 | |
| CN111847617A (zh) | 一种除磷加药智能控制系统 | |
| CN113778028B (zh) | 基于边云协同与双增量的智能混凝算法 |
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 |