CN115072849A - 用于给排水工程的水资源处理进程控制方法 - Google Patents

用于给排水工程的水资源处理进程控制方法 Download PDF

Info

Publication number
CN115072849A
CN115072849A CN202210855790.6A CN202210855790A CN115072849A CN 115072849 A CN115072849 A CN 115072849A CN 202210855790 A CN202210855790 A CN 202210855790A CN 115072849 A CN115072849 A CN 115072849A
Authority
CN
China
Prior art keywords
water
turbidity
neural network
reaction time
loss
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
CN202210855790.6A
Other languages
English (en)
Other versions
CN115072849B (zh
Inventor
王国强
谢文慧
黄梅
蒋小音
姜颖
黄琳
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.)
Jiangsu Zhongan Construction Group Co ltd
Original Assignee
Jiangsu Zhongan Construction Group 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 Jiangsu Zhongan Construction Group Co ltd filed Critical Jiangsu Zhongan Construction Group Co ltd
Priority to CN202210855790.6A priority Critical patent/CN115072849B/zh
Publication of CN115072849A publication Critical patent/CN115072849A/zh
Application granted granted Critical
Publication of CN115072849B publication Critical patent/CN115072849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • C02F2209/11—Turbidity
    • 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
    • C02F2209/40—Liquid flow rate
    • 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
    • C02F2209/44—Time
    • 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]

Abstract

本发明涉及控制或调节技术领域，具体涉及用于给排水工程的水资源处理进程控制方法。方法包括：获取历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据；利用历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据，对全连接神经网络进行训练；将预设的絮凝剂投加量、水流速度和反应时间输入到训练好的全连接神经网络中，将总体损失函数最小时对应的更新后的絮凝剂投加量、水流速度和反应时间作为最优参数，调节水资源处理过程中的工艺参数；所述总体损失函数是根据浊度损失项和参数调控损失项得到的。本发明提供的方法能够保证水资源处理中工艺参数的小幅度调节。

Description

用于给排水工程的水资源处理进程控制方法
技术领域
本发明涉及控制或调节技术领域，具体涉及用于给排水工程的水资源处理进程控制方法。
背景技术
在给水行业中，需要对水资源进行循环利用，对水资源的净化处理是实现水资源循环利用的重要手段，净化处理的一个主要目的是去除水中的胶体颗粒杂质，通过在水中加入净化剂来使水中的胶体颗粒互相碰撞聚集，形成较大絮状聚集物，经沉降作用使聚集物沉降在净化池底，并经过后续的过滤等处理环节使其从水中分离出来。净化处理的效果直接影响到后续其他水资源循环利用步骤的处理效果。因此准确实时评价水资源处理的进程、对其进行分析并控制净化工艺设备参数是提高净水质量以及减少净水成本的关键因素。
净水处理过程中，净化处理进程是与净化工艺设备参数设置以及待处理水质有关的，这些参数包括净水剂投加量、水流速度、反应时间等，待处理水质的好坏一般用浊度表示。因此，对净化反应的进程的控制需要通过对净化工艺设备参数的控制来实现，现有技术中一般不能实时调节净化工艺设备参数，在待处理水质发生变化时一般依赖人工对净化工艺设备参数进行调节。这种方式依赖操作人员的经验且不同人员对于参数的调节可能不同进而导致处理水浊度不稳定，而现有的利用神经网络对净化工艺设备参数与处理后水浊度进行拟合从而控制设备工艺参数的方法未考虑到设备参数调节的小幅度性；所述小幅度性即设备参数需要温和调节，不能瞬间具有剧烈变化，若出现剧烈变化则可能导致聚集物由于剧烈的水流，温度以及净化剂量等反应环境参数的变化导致重新分散、稳定，导致难以再次聚集形成较大聚集物而无法降低处理后水的浊度。因此，需要一种可以根据历史净化工艺参数设定以及对应处理后水浊度数据来对净化工艺参数进行实时温和控制的方法来实现对水资源处理进程的控制。
发明内容
为了解决现有方法在对净化工艺参数进行调节时存在的无法保证调节幅度较小的问题，本发明的目的在于提供一种用于给排水工程的水资源处理进程控制方法，所采用的技术方案具体如下：
本发明提供了一种用于给排水工程的水资源处理进程控制方法，该方法包括以下步骤：
获取历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据；所述工艺参数包括絮凝剂投加量、水流速度、反应时间；
利用所述历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据，对全连接神经网络进行训练，得到训练好的全连接神经网络；所述全连接神经网络用于获得处理后水浊度下降数据；
将预设的絮凝剂投加量、预设的水流速度和预设的反应时间输入到训练好的全连接神经网络中，将总体损失函数最小时对应的更新后的絮凝剂投加量、水流速度和反应时间作为最优参数，根据所述最优参数，调节水资源处理过程中的工艺参数；所述总体损失函数是根据浊度损失项和参数调控损失项得到的；所述浊度损失项的获取过程为：根据训练好的全连接神经网络在输入预设工艺参数后的输出结果和在输入更新后的工艺参数的输出结果，构建浊度损失项；所述参数调控损失项的获取过程为：根据所述预设工艺参数和全连接神经网络更新后的工艺参数，得到参数调控损失项。
优选的，浊度损失项为：
Figure DEST_PATH_IMAGE001
其中，
Figure 530574DEST_PATH_IMAGE002
为浊度损失项，
Figure 320675DEST_PATH_IMAGE003
为训练好的全连接神经网络在输入预设工艺参数后的输出结果，
Figure 871742DEST_PATH_IMAGE004
为更新的输入工艺参数输入训练好的全连接神经网络后的输出结果，
Figure 156224DEST_PATH_IMAGE005
为以
Figure 210768DEST_PATH_IMAGE006
为底的指数函数。
优选的，所述根据所述预设工艺参数和全连接神经网络更新后的工艺参数，得到参数调控损失项，包括：
利用典型相关分析算法计算絮凝剂投加量和处理后水浊度下降数据对应的相关系数；利用典型相关分析算法计算水流速度和处理后水浊度下降数据对应的相关系数；利用典型相关分析算法计算反应时间和处理后水浊度下降数据对应的相关系数；
根据所述絮凝剂投加量和处理后水浊度下降数据对应的相关系数、水流速度和处理后水浊度下降数据对应的相关系数、反应时间和处理后水浊度下降数据对应的相关系数、絮凝剂投加量的预设值、水流速度的预设值、反应时间的预设值、更新后的絮凝剂投加量、更新后的水流速度和更新后的反应时间，构建参数调控损失项。
优选的，所述参数调控损失项为：
Figure 171770DEST_PATH_IMAGE007
其中，
Figure 678975DEST_PATH_IMAGE008
为参数调控损失项，
Figure 767148DEST_PATH_IMAGE009
为絮凝剂投加量和处理后水浊度下降数据对应的相关系数，
Figure 941777DEST_PATH_IMAGE011
为水流速度和处理后水浊度下降数据对应的相关系数，
Figure 808102DEST_PATH_IMAGE012
为反应时间和处理后水浊度下降数据对应的相关系数，
Figure 818915DEST_PATH_IMAGE013
为絮凝剂投加量的预设值，
Figure 428888DEST_PATH_IMAGE015
为水流速度的预设值，
Figure 458023DEST_PATH_IMAGE016
为反应时间的预设值，
Figure 495250DEST_PATH_IMAGE017
为更新后的絮凝剂投加量，
Figure 258937DEST_PATH_IMAGE018
为更新后的水流速度，
Figure 672601DEST_PATH_IMAGE019
为更新后的反应时间，
Figure 556244DEST_PATH_IMAGE020
为絮凝剂投加量的最大值，
Figure 29950DEST_PATH_IMAGE022
为水流速度的最大值，
Figure DEST_PATH_IMAGE023
为反应时间的最大值。
优选的，所述总体损失函数为：
Figure 546513DEST_PATH_IMAGE024
其中，
Figure 498289DEST_PATH_IMAGE025
为总体损失函数，
Figure 252749DEST_PATH_IMAGE002
为浊度损失项，
Figure 897357DEST_PATH_IMAGE008
为参数调控损失项。
优选的，全连接神经网络的训练，包括：
将历史水资源处理中的各项工艺参数作为全连接神经网络的输入，将对应的处理后水浊度下降数据作为全连接神经网络的输出，利用多组历史水资源处理中的数据对全连接神经网络进行训练；
全连接神经网络的损失函数为均方差损失函数。
优选的，所述处理后水浊度下降数据为待处理水浊度与水资源处理工艺参数设定后间隔预设反应时间后采集的水浊度的差值。
本发明具有如下有益效果：本发明首先获取了历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据；所述工艺参数包括絮凝剂投加量、水流速度、反应时间；利用水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据，对全连接神经网络进行训练，得到训练好的全连接神经网络；然后将预设的絮凝剂投加量、预设的水流速度和预设的反应时间输入到训练好的全连接神经网络中，将总体损失函数最小时对应的更新后的絮凝剂投加量、水流速度和反应时间作为最优参数，根据所述最优参数，调节水资源处理过程中设备的参数；所述总体损失函数是根据浊度损失项和参数调控损失项得到的；所述浊度损失项的获取过程为：根据训练好的全连接神经网络在输入预设工艺参数后的输出结果和在输入更新后的工艺参数的输出结果，构建浊度损失项；所述参数调控损失项的获取过程为：根据所述预设工艺参数和全连接神经网络更新后的工艺参数，得到参数调控损失项。由于基于图像处理的絮凝工艺参数控制依赖图像处理效果，而图像处理效果易受到各种光照、水面波动的影响而导致处理效果较差；本发明提供的方法相比于人工控制具有实时性，稳定性，相比于图像处理控制具有较好的准确性，相比于现有的基于神经网络对净化工艺参数进行控制的方法具有一定的温和性，本发明提供的方法克服了水资源处理过程中工艺参数实时调节过程中因变动过大而导致絮凝物分散稳定使处理后水浊度居高不下的缺陷，能够保证水资源处理过程中工艺参数的小幅度调节。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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附图。
图1为本发明提供的一种用于给排水工程的水资源处理进程控制方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于给排水工程的水资源处理进程控制方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于给排水工程的水资源处理进程控制方法的具体方案。
用于给排水工程的水资源处理进程控制方法实施例：
现有方法在对净化工艺参数进行调节时存在无法保证调节幅度较小的问题。为了解决上述问题，本实施例提出了一种用于给排水工程的水资源处理进程控制方法，如图1所示，本实施例的用于给排水工程的水资源处理进程控制方法包括以下步骤：
步骤S1，获取历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据；所述工艺参数包括絮凝剂投加量、水流速度、反应时间。
本实施例首先获取历史水资源处理过程中净化工艺的各项工艺参数以及对应的处理后水浊度下降数据，所述工艺参数包括絮凝剂投加量、水流速度和反应时间，处理后水浊度下降数据是在水资源处理过程中工艺参数设定后间隔预设反应时间后采集的水浊度数据相比于待处理水浊度下降的值。由于水资源净化过程是具有延时性的，即将工艺参数设定好后，反应是需要时间的，因此采集处理后水浊度下降数据是需要在开始净化后间隔预设的反应时间后采集的水的浊度，将这个浊度与待处理水浊度做差后得到的数据作为处理后水浊度下降数据（处理前水浊度减处理后水浊度，这个差值是大于等于0的，即处理后的水浊度一定比处理前小）。
经上述数据采集环节后，可获得历史水资源处理过程中净化工艺的絮凝剂投加量、水流速度、反应时间以及对应的处理后水浊度下降数据。净化工艺的一组工艺参数（工艺参数包括絮凝剂投加量、水流速度和反应时间）对应一个处理后水浊度下降值，一组絮凝剂投加量、水流速度、反应时间的数据以及对应的处理后水浊度下降数据构成一组历史数据，采集多组这样的历史数据，构成历史数据集。
步骤S2，利用所述历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据，对全连接神经网络进行训练，得到训练好的全连接神经网络；所述全连接神经网络用于获得处理后水浊度下降数据。
本实施例利用获取的历史工艺参数数据以及对应的处理后水浊度下降数据训练神经网络。
具体的，对于获取的历史数据集，其中每组数据均为一个净化工艺参数数据以及一个处理后水浊度数据。将净化工艺参数数据作为输入数据，其对应的处理后水浊度数据作为输出数据（标签），训练全连接（FC）神经网络，即历史数据集中的每组数据均可作为这个神经网络的训练数据。在全连接神经网络的训练过程中，利用均方差损失函数作为神经网络的损失函数。全连接神经网络的训练过程为现有技术，此处不再赘述。
至此，获得学习到净化工艺参数与处理后水浊度关系的全连接神经网络。
步骤S3，将预设的絮凝剂投加量、预设的水流速度和预设的反应时间输入到训练好的全连接神经网络中，将总体损失函数最小时对应的更新后的絮凝剂投加量、水流速度和反应时间作为最优参数，根据所述最优参数，调节水资源处理过程中的工艺参数；所述总体损失函数是根据浊度损失项和参数调控损失项得到的；所述浊度损失项的获取过程为：根据训练好的全连接神经网络在输入预设工艺参数后的输出结果和在输入更新后的工艺参数的输出结果，构建浊度损失项；所述参数调控损失项的获取过程为：根据所述预设工艺参数和全连接神经网络更新后的工艺参数，得到参数调控损失项。
本实施例将训练好的全连接（FC）神经网络的内部参数保持不变，接下来本实施例给定预设的絮凝剂投加量、预设的水流速度和预设的反应时间，在具体应用中，絮凝剂投加量的预设值、水流速度的预设值和反应时间的预设值实施者自行设置。在净化设备运行的同时启动参数调控过程，待处理水浊度参数是通过传感器测定的；本实施例将絮凝剂投加量的预设值、水流速度的预设值和反应时间的预设值（即初始工艺参数）输入前述步骤训练好的FC网络中，将输入数据中各工艺参数作为待更新参数，设定更新损失函数，所述更新损失函数设计方式如下：
对于一组预设的工艺参数来说，一个最好的参数控制结果应使前述步骤中训练好的全连接神经网络的输出浊度下降数据较大，但参数控制结果相较于预设（初始）工艺参数设定结果不应变化过大，原因如下：若参数调控的结果中，工艺参数变化过大会导致已经聚合的絮凝物重新分散稳定，即絮凝剂投加变化剧烈会导致胶体粒子与絮凝物形成自稳定形态，不易聚集；水流速度变化剧烈会扰动水中絮凝物，使其分散稳定；反应时间变化剧烈会导致已经聚集的絮凝物由于粒子运动重新分散；这些情况均会使浊度下降值变小；基于此，在设计更新损失函数时需要关注参数更新程度的变化。对于全连接（FC）神经网络的输出结果，即处理后水浊度下降数据，其值越大，说明处理效果越好，基于此，在设计更新损失函数时，应当让处理后水浊度下降数据尽可能的大。
基于上述思想，本实施例设定浊度损失项
Figure 619326DEST_PATH_IMAGE002
，即：
Figure 125525DEST_PATH_IMAGE001
其中，
Figure 983759DEST_PATH_IMAGE002
为浊度损失项，
Figure 799268DEST_PATH_IMAGE003
为训练好的全连接神经网络在输入预设工艺参数后的输出结果，
Figure 742954DEST_PATH_IMAGE004
为更新的输入工艺参数输入训练好的全连接神经网络后的输出结果，
Figure 52843DEST_PATH_IMAGE027
为以
Figure 765584DEST_PATH_IMAGE006
为底的指数函数。
Figure 17574DEST_PATH_IMAGE002
的值越趋近于0，说明更新后的工艺参数使水的浊度下降值越大。
本实施例设定参数调控损失项
Figure 199288DEST_PATH_IMAGE008
方式如下：
参数调控损失项衡量的是参数更新过程中更新后的参数设置与更新前的预设参数设定的差异大小，这个差异大小是由不同种类的设备参数（絮凝剂投加量、水流速度和反应时间）综合构成的，为了更好的控制参数更新后与其对应的预设设置值的差异较小，应衡量不同种类设备参数对处理后水浊度下降数据的相关关系，根据数据集中每组数据（每个L、V、T对应一个Z），分别利用典型相关分析算法计算数据L、V、T与Z的相关系数
Figure DEST_PATH_IMAGE029
，其中，
Figure DEST_PATH_IMAGE031
为絮凝剂投加量和处理后水浊度下降数据对应的相关系数，
Figure 358874DEST_PATH_IMAGE011
为水流速度和处理后水浊度下降数据对应的相关系数，
Figure DEST_PATH_IMAGE033
为反应时间和处理后水浊度下降数据对应的相关系数。这三个相关系数为-1到1之间的值，相关系数的值越趋近于-1，越说明负相关；相关系数的值越趋近于1，越说明正相关；相关系数的值越趋近于0，越说明不相关。典型相关分析算法为现有技术，此处不再赘述。相关系数的绝对值越大，说明该工艺参数更值得关注，本实施例基于各项工艺参数对应的相关系数，获得各项工艺参数对应的权重；根据絮凝剂投加量、水流速度和反应时间三者的相关系数绝对值的大小，并结合这三个参数的变化情况构建参数调控损失项loss2，即：
Figure 208012DEST_PATH_IMAGE034
其中，
Figure 365324DEST_PATH_IMAGE008
为参数调控损失项，
Figure 549181DEST_PATH_IMAGE009
为絮凝剂投加量和处理后水浊度下降数据对应的相关系数，
Figure DEST_PATH_IMAGE035
为水流速度和处理后水浊度下降数据对应的相关系数，
Figure 466452DEST_PATH_IMAGE012
为反应时间和处理后水浊度下降数据对应的相关系数，
Figure 153786DEST_PATH_IMAGE037
为絮凝剂投加量的预设值，
Figure 481999DEST_PATH_IMAGE038
为水流速度的预设值，
Figure 638305DEST_PATH_IMAGE016
为反应时间的预设值，
Figure 342956DEST_PATH_IMAGE017
为更新后的絮凝剂投加量，
Figure 884795DEST_PATH_IMAGE040
为更新后的水流速度，
Figure 134642DEST_PATH_IMAGE019
为更新后的反应时间，
Figure 761933DEST_PATH_IMAGE020
为絮凝剂投加量的最大值，
Figure 739116DEST_PATH_IMAGE041
为水流速度的最大值，
Figure 401041DEST_PATH_IMAGE023
为反应时间的最大值，絮凝剂投加量的最大值、水流速度的最大值和反应时间的最大值由设备决定，
Figure 821790DEST_PATH_IMAGE042
为絮凝剂投加量对应的权重，
Figure 936376DEST_PATH_IMAGE043
为水流速度对应的权重，
Figure 717250DEST_PATH_IMAGE044
为反应时间对应的权重，
Figure 499262DEST_PATH_IMAGE008
为一个归一化的数值，
Figure 90911DEST_PATH_IMAGE046
的值越趋近于0，说明该次更新越符合参数变化小的要求。
至此，采用上述方法得到浊度损失项
Figure 692794DEST_PATH_IMAGE002
和参数调控损失项
Figure 277359DEST_PATH_IMAGE008
。
参数调控损失项和浊度损失项设定好之后，需要分别设置参数调控损失项和浊度损失项的关注程度，对于二者的关注程度是与调控损失项本身的大小有关的，若参数调控损失项
Figure 648297DEST_PATH_IMAGE008
较大，即使浊度损失项
Figure 688146DEST_PATH_IMAGE002
较小，这种方式也不是最优的调控方式。本实施例对两个损失项的关注权重进行设定，并构建如下的总体损失函数：
Figure 511746DEST_PATH_IMAGE024
其中，
Figure 900002DEST_PATH_IMAGE025
为总体损失函数，总体损失函数综合衡量了更新后参数的变化是否符合两个损失项的要求，
Figure 876179DEST_PATH_IMAGE025
的值越趋近于0，说明更新后的参数越符合调控要求。
本实施例将预设的絮凝剂投加量、预设的水流速度和预设的反应时间作为训练好的全连接神经网络的输入，利用随机梯度下降法将预设设定参数进行更新，使得对应的
Figure 58899DEST_PATH_IMAGE025
最小，此时对应的更新结果的形式仍与输入参数的形式一样，即也包括絮凝剂投加量、水流速度和反应时间，将这个更新后的参数设定值作为絮凝工艺设备的最优参数，利用最优参数调控絮凝工艺设备的参数，实现控制的目的。
本实施例首先获取了历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据；所述工艺参数包括絮凝剂投加量、水流速度、反应时间；利用水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据，对全连接神经网络进行训练，得到训练好的全连接神经网络；然后将预设的絮凝剂投加量、预设的水流速度和预设的反应时间输入到训练好的全连接神经网络中，将总体损失函数最小时对应的更新后的絮凝剂投加量、水流速度和反应时间作为最优参数，根据所述最优参数，调节水资源处理过程中的工艺参数；所述总体损失函数是根据浊度损失项和参数调控损失项得到的；所述浊度损失项的获取过程为：根据训练好的全连接神经网络在输入预设工艺参数后的输出结果和在输入更新后的工艺参数的输出结果，构建浊度损失项；所述参数调控损失项的获取过程为：根据所述预设工艺参数和全连接神经网络更新后的工艺参数，得到参数调控损失项。由于基于图像处理的絮凝工艺参数控制依赖图像处理效果，而图像处理效果易受到各种光照、水面波动的影响而导致处理效果较差；本实施例提供的方法相比于人工控制具有实时性，稳定性，相比于图像处理控制具有较好的准确性，相比于现有的基于神经网络对净化工艺参数进行控制的方法具有一定的温和性，本实施例提供的方法克服了水资源处理过程中工艺参数实时调节过程中因变动过大而导致絮凝物分散稳定使处理后水浊度居高不下的缺陷，能够保证水资源处理过程中工艺参数的小幅度调节。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用于给排水工程的水资源处理进程控制方法，其特征在于，该方法包括以下步骤：
获取历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据；所述工艺参数包括絮凝剂投加量、水流速度、反应时间；
利用所述历史水资源处理中的各项工艺参数以及对应的处理后水浊度下降数据，对全连接神经网络进行训练，得到训练好的全连接神经网络；所述全连接神经网络用于获得处理后水浊度下降数据；
将预设的絮凝剂投加量、预设的水流速度和预设的反应时间输入到训练好的全连接神经网络中，将总体损失函数最小时对应的更新后的絮凝剂投加量、水流速度和反应时间作为最优参数，根据所述最优参数，调节水资源处理过程中的工艺参数；所述总体损失函数是根据浊度损失项和参数调控损失项得到的；所述浊度损失项的获取过程为：根据训练好的全连接神经网络在输入预设工艺参数后的输出结果和在输入更新后的工艺参数的输出结果，构建浊度损失项；所述参数调控损失项的获取过程为：根据所述预设工艺参数和全连接神经网络更新后的工艺参数，得到参数调控损失项。
2.根据权利要求1所述的用于给排水工程的水资源处理进程控制方法，其特征在于，浊度损失项为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为浊度损失项，
Figure DEST_PATH_IMAGE006
为训练好的全连接神经网络在输入预设工艺参数后的输出结果，
Figure DEST_PATH_IMAGE008
为更新的输入工艺参数输入训练好的全连接神经网络后的输出结果，
Figure DEST_PATH_IMAGE010
为以
Figure DEST_PATH_IMAGE012
为底的指数函数。
3.根据权利要求1所述的用于给排水工程的水资源处理进程控制方法，其特征在于，所述根据所述预设工艺参数和全连接神经网络更新后的工艺参数，得到参数调控损失项，包括：
利用典型相关分析算法计算絮凝剂投加量和处理后水浊度下降数据对应的相关系数；利用典型相关分析算法计算水流速度和处理后水浊度下降数据对应的相关系数；利用典型相关分析算法计算反应时间和处理后水浊度下降数据对应的相关系数；
根据所述絮凝剂投加量和处理后水浊度下降数据对应的相关系数、水流速度和处理后水浊度下降数据对应的相关系数、反应时间和处理后水浊度下降数据对应的相关系数、絮凝剂投加量的预设值、水流速度的预设值、反应时间的预设值、更新后的絮凝剂投加量、更新后的水流速度和更新后的反应时间，构建参数调控损失项。
4.根据权利要求1所述的用于给排水工程的水资源处理进程控制方法，其特征在于，所述参数调控损失项为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为参数调控损失项，
Figure DEST_PATH_IMAGE018
为絮凝剂投加量和处理后水浊度下降数据对应的相关系数，
Figure DEST_PATH_IMAGE020
为水流速度和处理后水浊度下降数据对应的相关系数，
Figure DEST_PATH_IMAGE022
为反应时间和处理后水浊度下降数据对应的相关系数，
Figure DEST_PATH_IMAGE024
为絮凝剂投加量的预设值，
Figure DEST_PATH_IMAGE026
为水流速度的预设值，
Figure DEST_PATH_IMAGE028
为反应时间的预设值，
Figure DEST_PATH_IMAGE030
为更新后的絮凝剂投加量，
Figure DEST_PATH_IMAGE032
为更新后的水流速度，
Figure DEST_PATH_IMAGE034
为更新后的反应时间，
Figure DEST_PATH_IMAGE036
为絮凝剂投加量的最大值，
Figure DEST_PATH_IMAGE038
为水流速度的最大值，
Figure DEST_PATH_IMAGE040
为反应时间的最大值。
5.根据权利要求1所述的用于给排水工程的水资源处理进程控制方法，其特征在于，所述总体损失函数为：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE044
为总体损失函数，
Figure 982800DEST_PATH_IMAGE004
为浊度损失项，
Figure 352470DEST_PATH_IMAGE016
为参数调控损失项。
6.根据权利要求1所述的用于给排水工程的水资源处理进程控制方法，其特征在于，全连接神经网络的训练，包括：
将历史水资源处理中的各项工艺参数作为全连接神经网络的输入，将对应的处理后水浊度下降数据作为全连接神经网络的输出，利用多组历史水资源处理中的数据对全连接神经网络进行训练；
全连接神经网络的损失函数为均方差损失函数。
7.根据权利要求1所述的用于给排水工程的水资源处理进程控制方法，其特征在于，所述处理后水浊度下降数据为待处理水浊度与水资源处理工艺参数设定后间隔预设反应时间后采集的水浊度的差值。
CN202210855790.6A 2022-07-21 2022-07-21 用于给排水工程的水资源处理进程控制方法 Active CN115072849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210855790.6A CN115072849B (zh) 2022-07-21 2022-07-21 用于给排水工程的水资源处理进程控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210855790.6A CN115072849B (zh) 2022-07-21 2022-07-21 用于给排水工程的水资源处理进程控制方法

Publications (2)

Publication Number Publication Date
CN115072849A true CN115072849A (zh) 2022-09-20
CN115072849B CN115072849B (zh) 2022-11-11

Family

ID=83260217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210855790.6A Active CN115072849B (zh) 2022-07-21 2022-07-21 用于给排水工程的水资源处理进程控制方法

Country Status (1)

Country Link
CN (1) CN115072849B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000218263A (ja) * 1999-02-01 2000-08-08 Meidensha Corp 水質制御方法及びその装置
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
CN110054274A (zh) * 2019-05-13 2019-07-26 深圳江行联加智能科技有限公司 一种净水絮凝沉淀投药控制技术

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000218263A (ja) * 1999-02-01 2000-08-08 Meidensha Corp 水質制御方法及びその装置
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
CN110054274A (zh) * 2019-05-13 2019-07-26 深圳江行联加智能科技有限公司 一种净水絮凝沉淀投药控制技术

Also Published As

Publication number Publication date
CN115072849B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN111966053A (zh) 一种智能絮凝剂决策系统
CN110054274B (zh) 一种净水絮凝沉淀投药控制方法
CN101561661B (zh) 模糊控制方法和模糊控制器
CN114663405B (zh) 用于农药生产企业的废水处理控制方法
CN107728477A (zh) 一种工厂化水产养殖水质溶解氧预测控制方法及系统
JP2020065964A (ja) 排水処理方法および排水処理システム
CN105301960B (zh) 一种自来水凝絮剂投加量的控制方法
CN111498974A (zh) 基于bp神经网络的智慧加药控制系统
JP2007029851A (ja) 凝集剤注入制御装置および方法
CN114663684A (zh) 一种絮凝反应实时智能分析的方法、系统及运算设备
CN115108617B (zh) 混凝加药方法及系统
CN115072849B (zh) 用于给排水工程的水资源处理进程控制方法
CN108646553A (zh) 一种统计在线监控闭环控制系统模型质量的方法
CN115527628A (zh) 城市污水化学除磷工艺的在线控制方法及系统
CN112132700A (zh) 用于调控水质的配方决策方法
US20230257283A1 (en) Process, system, and computer readable storage medium for determining optimal coagulant dosage
CN115375009B (zh) 一种建立混凝智能监控联动系统的方法
CN114380379A (zh) 一种煤泥水的加药控制方法及系统
KR20060092660A (ko) 퍼지제어를 이용한 하·폐수 처리장의 자동제어장치 및 방법
KR19980053273A (ko) 상수처리 시스템의 응집제 주입율 자동 연산 장치 및 방법
JP4784241B2 (ja) 浄水プロセスの凝集剤注入方法及び装置
JP2007098287A (ja) 浄水プロセスの運転管理方法
KR100573189B1 (ko) 신경망 2자 유도 PID 제어기의 튜닝방법을 이용한정수처리 시스템의 pH 제어 방법 및 그 장치
Evans et al. Intelligent based auto-coagulation control applied to a water treatment works
CN116679026A (zh) 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法

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