CN115826506B - 水处理控制系统及控制装置 - Google Patents
水处理控制系统及控制装置 Download PDFInfo
- Publication number
- CN115826506B CN115826506B CN202210767835.4A CN202210767835A CN115826506B CN 115826506 B CN115826506 B CN 115826506B CN 202210767835 A CN202210767835 A CN 202210767835A CN 115826506 B CN115826506 B CN 115826506B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- unit
- result
- regulation
- control
- 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
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种水处理控制系统和控制装置,其中系统包括:监控系统,处理系统,具有多个处理模块,每一处理模块与对应的监控模块连接,用于对监控模块获取的监控结果进行连续的比对,以获取每一监控结果是否超出设定阈值;若没有超出设定阈值,将监控结果和比对结果进行存储,若至少一个监控结果超出设定阈值,输入至机器学习系统中,本申请提供了一种对每一工序单元的设备运行参数、工艺参数以及处理结果进行独立监测的同时还要分析造成该工序单元出现问题的原因是否由该工序单元的前/后工序单元影响造成的,这样,在调节的时候可以对所有影响的工序都进行调整,而非孤立的只对有问题的工序进行调整。
Description
技术领域
本发明涉及水处理控制技术领域,特别是涉及一种水处理控制系统及控制装置。
背景技术
现有的水处理过程中,通过监控处理设备的运行参数或者工艺参数来判断处理过程是否出现错误,从而进行调控。例如公开号为:“CN103399544A”,公开了一种城市水处理自动化控制方法,其包括以下步骤:(1)设置一智能监控主站;(2)设置一数据分析站以及一与数据分析站连接的数据库服务器,所述输数据分析站与智能监控主站之间通过有线或无线通信的方式进行连接;(3)设置一机械预处理子站、一生化处理子站、一污泥浓缩子站以及一污泥脱水子站,所述机械预处理子站、生化处理子站、污泥浓缩子站、污泥脱水子站通过工业以太网与数据分析站连接;(4)上述工作站处于工作状态时,所述机械预处理子站、生化处理子站、污泥浓缩子站、污泥脱水子站分别将各自的所采集的数据信息发送给数据分析站,所述数据分析站通过将接收到的数据信息与数据库服务器中预设的参数数据信息进行匹对分析,将得出的分析结果发送给智能监控主站,智能监控主站根据分析结果,经数据分析站发送给机械预处理子站、生化处理子站、污泥浓缩子站、污泥脱水子站相对应的调整指令,上述各子站根据各自的调整指令进行调整,再将调整后的各子站的所采集的数据信息经数据分析站分析,得出分析结果,再将分析结果发送给智能监控主站,实现智能控制主站对各个子站的实时循环控制,以便最终得到最佳的水处理效果。
但是一般的,水处理具有若干个环节,虽然每一环节的处理工艺不同,但是之间相互关联,绝不是独立分割互不干涉的,因此,有些时候,某一工艺出现的问题并不一定是当前工艺造成的,也有可能是上个工艺或者下个工艺的错误而导致的。因此,如果不能综合判断影响因素,其调控的结果会受到很大的影响,设置调控完毕后不仅不能达到预期的效果,反而会造成整个工序出现问题。
发明内容
有鉴于此,本发明的主要目的在于提供一种水处理控制系统及控制装置。本发明采用的技术方案如下:
水处理控制系统,包括:
监控系统,具有多个监控模块,每一监控模块用于获取水处理过程中对应工序单元的监控结果;
处理系统,具有多个处理模块,每一处理模块与对应的监控模块连接,用于对监控模块获取的监控结果进行连续的比对,以获取每一监控结果是否超出设定阈值;若没有超出设定阈值,将监控结果和比对结果进行存储,若至少一个监控结果超出设定阈值,输入至机器学习系统中;
所述机器学习系统具有:
识别模块,用于至少获取超出设定阈值所对应的工序单元;
驱动工序表,连接所述识别模块,用于将所述工序单元对应的驱动码写入在驱动工序表中;
控制模块,用于加载所述驱动工序表,通过所述驱动工序表来设定任务学习资源的分配;
训练模型,导入任务学习资源建立至少一个以工序单元为主学习任务的主神经网络模型以及以工序单元对应的前/后工序单元中的一个或者多个建立的辅神经网络模型;所述主神经网络模型用于以工序单元对应的监控结果为基准进行迭代训练,以获取第一训练结果;
任意一个所述辅神经网络模型用于以工序单元对应的前/后工序单元中的一个进行迭代训练以获取第二训练结果;
模拟分析模型,以第一训练结果为基准调取第一调控指令对对应的工序单元进行模拟调控时,以分析与该工序单元对应的前/后工序单元的联动调控结果是否与单独以第二训练结果为基准调取对应的第二调控指令对前/后工序单元进行模拟调控时获得的第二调控结果相同,若相同,则由执行单元执行第一调控指令以对对工序单元进行调控,若不相同,基于联动调控结果和第二调控结果之间的差值来判断工序单元和工序单元对应的前/后工序单元对应的影响因子,基于所述影响因子生成联合调控指令以对工序单元、工序单元对应的前/后工序单元进行不同调控。
进一步地,每一所述监控模块用于对对应的工序单元的设备运行参数、工艺参数以及处理结果分别进行监控,以获取多分量组合的监控结果。
进一步地,所述监控模块具有:多个接入接口;每一接入接口用于接入一监控单元;
所述监控单元基于接入接口对应的获取监控数据以形成监控分量;
逻辑控制单元,用于连接每一监控单元,用于控制每一监控单元的接入逻辑和输出逻辑,从而控制多个监控分量的输出格式,输出后按照设定规则进行组合以形成监控结果。
进一步地,所述处理模块具有:处理单元;
处理单元上至少耦合有三个检测点,每一监测点设置有以基准单元;
解析单元,设置在处理单元的前部,用于接收监控模块的监控结果,并将检测结果按照设定规则反解以获取多个对应的监控分量;
所述监控分量输入至处理单元后按照设定的监测点的识别码进行对应识别,每一监测点用于将对应的监控分量和基准单元进行比对,以获取每一监控分量是否超出基准单元设定的设定阈值,若至少其中的一个监控分量超出设定阈值,则对应的将该监控分量和监控分量对应的监控结果发送至机器学习系统中。
进一步地,所述识别模块具有多个识别单元,每一识别单元用于与一处理模块对应;
所述识别单元用于获取监控分量和监控分量对应的监控结果,以及获取监控结果对应的工序单元。
进一步地,所述驱动工序表存储在存储模块中,
且驱动工序表具有:写入单元,基于识别单元获取的监控结果对应的工序单元,将至少一个工序单元对应的驱动码写入驱动工序表同一级别的目录中;
规则逻辑设定单元,基于写入单元的写入操作,来设定驱动工序表中同一级别的所述目录的加载规则,基于所述加载规则,将同一级别的所述目录中的驱动码进行同步加载。
进一步地,所述控制模块具有:
加载单元,用于同步加载所述目录中的至少一个驱动码;
资源管理单元,用于基于驱动码来对应的配置训练模型的主神经网络模型,并为每一主神经网络模型分配训练资源。
进一步地,所述训练模型包括:主神经网络模型,至少设置有一个,且所述主神经网络模型依据至少一个工序单元为主学习任务而建立;每一工序单元对应一驱动码;
辅神经网络模型,以构建主神经网络模型的工序单元对应的前/后工序单元中的一个或者多个建立,
所述主神经网络模型用于以工序单元对应的监控结果为基准进行迭代训练,以获取第一训练结果;
任意一个所述辅神经网络模型用于以工序单元对应的前/后工序单元中的一个进行迭代训练以获取第二训练结果。
进一步地,所述模拟分析模型包括:
第一分析单元,用于以第一训练结果为基准调取第一调控指令对对应的工序单元进行模拟调控,以获取工序单元对应的第一调控结果,以及该工序单元对应的前/后工序单元的联动调控结果;
第二分析单元,用于以第二训练结果为基准调取第二调控指令对前/后工序单元进行模拟调控,以获取前/后工序单元分别对应的第二调控结果;
比对单元,将联动调控结果和第二调控结果进行比对以获取比对结果;
调控指令生成单元,基于联动调控结果和第二调控结果之间的差值来判断工序单元和工序单元对应的前/后工序单元对应的影响因子,基于所述影响因子生成联合调控指令以对工序单元、工序单元对应的前/后工序单元进行不同调控。
本发明还提供了一种控制装置,包含所述的水处理控制系统。
本申请提供了一种对每一工序单元的设备运行参数、工艺参数以及处理结果进行独立监测的同时还要分析造成该工序单元出现问题的原因是否由该工序单元的前/后工序单元影响造成的,这样,在调节的时候可以对所有影响的工序都进行调整,而非孤立的只对有问题的工序进行调整。
附图说明
以下附图仅对本发明作示意性的说明和解释,并不用于限定本发明的范围,其中:
图1为本发明处理装置的框架原理图。
具体实施方式
为了使本发明的目的、技术方案、设计方法及优点更加清楚明了,以下结合附图通过具体实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
参照图1,本发明提供了一种水处理控制系统,包括:
监控系统,具有多个监控模块,每一监控模块用于获取水处理过程中对应工序单元的监控结果;每一所述监控模块用于对对应的工序单元的设备运行参数、工艺参数以及处理结果分别进行监控,以获取多分量组合的监控结果。所述监控模块具有:多个接入接口;每一接入接口用于接入一监控单元;所述监控单元基于接入接口对应的获取监控数据以形成监控分量;逻辑控制单元,用于连接每一监控单元,用于控制每一监控单元的接入逻辑和输出逻辑,从而控制多个监控分量的输出格式,输出后按照设定规则进行组合以形成监控结果。
处理系统,具有多个处理模块,每一处理模块与对应的监控模块连接,用于对监控模块获取的监控结果进行连续的比对,以获取每一监控结果是否超出设定阈值;若没有超出设定阈值,将监控结果和比对结果进行存储,若至少一个监控结果超出设定阈值,输入至机器学习系统中;
在上述中,具体的,所述处理模块具有:处理单元;
处理单元上至少耦合有三个检测点,每一监测点设置有以基准单元;
解析单元,设置在处理单元的前部,用于接收监控模块的监控结果,并将检测结果按照设定规则反解以获取多个对应的监控分量;
所述监控分量输入至处理单元后按照设定的监测点的识别码进行对应识别,每一监测点用于将对应的监控分量和基准单元进行比对,以获取每一监控分量是否超出基准单元设定的设定阈值,若至少其中的一个监控分量超出设定阈值,则对应的将该监控分量和监控分量对应的监控结果发送至机器学习系统中。
所述机器学习系统具有:
识别模块,用于至少获取超出设定阈值所对应的工序单元;其中,所述识别模块具有多个识别单元,每一识别单元用于与一处理模块对应;所述识别单元用于获取监控分量和监控分量对应的监控结果,以及获取监控结果对应的工序单元;
驱动工序表,连接所述识别模块,用于将所述工序单元对应的驱动码写入在驱动工序表中;其中,所述驱动工序表存储在存储模块中,且驱动工序表具有:写入单元,基于识别单元获取的监控结果对应的工序单元,将至少一个工序单元对应的驱动码写入驱动工序表同一级别的目录中;规则逻辑设定单元,基于写入单元的写入操作,来设定驱动工序表中同一级别的所述目录的加载规则,基于所述加载规则,将同一级别的所述目录中的驱动码进行同步加载。
控制模块,用于加载所述驱动工序表,通过所述驱动工序表来设定任务学习资源的分配;其中,所述控制模块具有:加载单元,用于同步加载所述目录中的至少一个驱动码;资源管理单元,用于基于驱动码来对应的配置训练模型的主神经网络模型,并为每一主神经网络模型分配训练资源。
训练模型,导入任务学习资源建立至少一个以工序单元为主学习任务的主神经网络模型以及以工序单元对应的前/后工序单元中的一个或者多个建立的辅神经网络模型;所述主神经网络模型用于以工序单元对应的监控结果为基准进行迭代训练,以获取第一训练结果;
任意一个所述辅神经网络模型用于以工序单元对应的前/后工序单元中的一个进行迭代训练以获取第二训练结果;
模拟分析模型,以第一训练结果为基准调取第一调控指令对对应的工序单元进行模拟调控时,以分析与该工序单元对应的前/后工序单元的联动调控结果是否与单独以第二训练结果为基准调取对应的第二调控指令对前/后工序单元进行模拟调控时获得的第二调控结果相同,若相同,则由执行单元执行第一调控指令以对对工序单元进行调控,若不相同,基于联动调控结果和第二调控结果之间的差值来判断工序单元和工序单元对应的前/后工序单元对应的影响因子,基于所述影响因子生成联合调控指令以对工序单元、工序单元对应的前/后工序单元进行不同调控。
在上述中,所述训练模型包括:主神经网络模型,至少设置有一个,且所述主神经网络模型依据至少一个工序单元为主学习任务而建立;每一工序单元对应一驱动码;
辅神经网络模型,以构建主神经网络模型的工序单元对应的前/后工序单元中的一个或者多个建立,
所述主神经网络模型用于以工序单元对应的监控结果为基准进行迭代训练,以获取第一训练结果;
任意一个所述辅神经网络模型用于以工序单元对应的前/后工序单元中的一个进行迭代训练以获取第二训练结果。
在上述中,所述模拟分析模型包括:
第一分析单元,用于以第一训练结果为基准调取第一调控指令对对应的工序单元进行模拟调控,以获取工序单元对应的第一调控结果,以及该工序单元对应的前/后工序单元的联动调控结果;
第二分析单元,用于以第二训练结果为基准调取第二调控指令对前/后工序单元进行模拟调控,以获取前/后工序单元分别对应的第二调控结果;
比对单元,将联动调控结果和第二调控结果进行比对以获取比对结果;
调控指令生成单元,基于联动调控结果和第二调控结果之间的差值来判断工序单元和工序单元对应的前/后工序单元对应的影响因子,基于所述影响因子生成联合调控指令以对工序单元、工序单元对应的前/后工序单元进行不同调控。
本发明还提供了一种控制装置,包含所述的水处理控制系统。
本申请提供了一种对每一工序单元的设备运行参数、工艺参数以及处理结果进行独立监测的同时还要分析造成该工序单元出现问题的原因是否由该工序单元的前/后工序单元影响造成的,这样,在调节的时候可以对所有影响的工序都进行调整,而非孤立的只对有问题的工序进行调整。
以下结合实施例对本发明进行详细的描述。
假设本申请存在连续的第一工序单元、第二工序单元、第三工序单元、第四工序单元以及第五工序单元。其中,第一工序单元、第二工序单元、第三工序单元、第四工序单元以及第五工序单元代表了独立的水处理工艺,比如过滤、加药处理、沉淀处理、生化处理以及酸碱平衡。
监控系统,具有5个独立的监控模块,用于分别监控第一工序单元、第二工序单元、第三工序单元、第四工序单元以及第五工序单元中设备运行参数、工艺参数以及处理结果。每一监控模块具有3个接入接口;每一接入接口用于接入一监控单元;所述监控单元基于接入接口对应的获取监控数据以形成监控分量;在本申请中,比如设备运行监控分量、工艺处理监控分量、处理结果监控分量。逻辑控制单元,用于连接每一监控单元,用于控制每一监控单元的接入逻辑和输出逻辑,从而控制设备运行监控分量、工艺处理监控分量、处理结果监控分量的输出格式,输出后按照设定规则进行组合以形成监控结果。在本申请中,输出格式可以按照数字形式输出,输出规则可以按照设定的排列顺序输出,每一分量之间用字符进行间隔,且所述字符用于后续监控点的识别。
处理系统,具有5个处理模块,,所述处理模块具有:处理单元;
处理单元上至少耦合有三个检测点,每一监测点设置有以基准单元;
解析单元,设置在处理单元的前部,用于接收监控模块的监控结果,并将检测结果按照设定规则反解以获取设备运行监控分量、工艺处理监控分量、处理结果监控分量;
所述设备运行监控分量、工艺处理监控分量、处理结果监控分量输入至处理单元后按照设定的监测点的识别码(对应的字符)进行对应识别,每一监测点用于将对应的监控分量和基准单元进行比对,以获取每一监控分量是否超出基准单元设定的设定阈值,若至少其中的一个监控分量超出设定阈值,则对应的将该监控分量和监控分量对应的监控结果发送至机器学习系统中。
比如在上述中,第二工序单元中的设备运行监控分量、工艺处理监控分量、处理结果监控分量至少一个出现错误,其他工序单元显示正常,造成此第二工序单元错误的原因有可能是第二工序单元本身出现了错误,也有可能是第一工序单元造成的,比如长时间处于高负荷低于上限阈值处理,此时设备处理效率降低,虽然并没有超出上限阈值,但一旦形成了一定的积累,就会给第二工序单元造成错误,或者比如在过滤过程中,滤料的过滤效率降低,也会导致第二工序单元出现错误,因此在调节的时候必须对第一工序单元和或第二工序单元进行同步的调整。
识别模块,所述识别模块具有5个识别单元,每一识别单元用于与一处理模块对应;所述识别单元用于获取监控分量和监控分量对应的监控结果,以及获取监控结果对应的工序单元;比如,基于上述的描述,第二工序单元出现了错误,则驱动工序表将所述第二工序单元对应的驱动码写入在驱动工序表中;但如果第二工序单元和第三工序单元均出现错误后,驱动工序表中的写入单元将第二工序单元和第三工序单元对应的驱动码写入驱动工序表同一级别的目录中;规则逻辑设定单元基于写入单元的写入操作,来设定驱动工序表中同一级别的所述目录的加载规则,基于所述加载规则,将同一级别的所述目录中的驱动码进行同步加载。
控制模块用于加载所述驱动工序表,通过所述驱动工序表来设定任务学习资源的分配;其中,所述控制模块具有:加载单元,用于同步加载所述目录中的至少一个驱动码;比如第二工序单元对应的驱动码,或者第二工序单元和第三工序单元对应的驱动码,资源管理单元用于基于驱动码来对应的配置训练模型的主神经网络模型,并为每一主神经网络模型分配训练资源。
基于上述描述,当只有第二工序单元出现错误后,对应的只有一个一主神经网络模型,当第二工序单元和第三工序单元均出现错误后,对应的有两个主神经网络模型,以此类推。
在上述中,当以第二工序单元建立主神经网络模型,其他第一工序单元、第三工序单元、第四工序单元以及第五工序单元对应的建立辅神经网络模型。
当以第二工序单元、第三工序单元分别建立一个主神经网络模型时,其他第一工序单元、第四工序单元以及第五工序单元对应的建立辅神经网络模型。
在上述中,当以第二工序单元建立主神经网络模型,所述主神经网络模型用于以第二工序单元对应的监控结果为基准进行迭代训练,以获取第一训练结果;任意一个所述辅神经网络模型用于以工序单元对应的第一工序单元和第三工序单元中的一个进行迭代训练以获取第二训练结果;
在上述中,当以第二工序单元、第三工序单元分别建立一个主神经网络模型时,一个主神经网络模型用于以第二工序单元对应的监控结果为基准进行迭代训练,以获取第三训练结果;和另一个主神经网络模型用于以第三工序单元对应的监控结果为基准进行迭代训练,以获取第四训练结果,任意一个所述辅神经网络模型用于以工序单元对应的第一工序单元、第三工序单元、第四工序单元中的一个进行迭代训练以获取第五训练结果;
以当以第二工序单元建立主神经网络模型为例,模拟分析模型以第一训练结果为基准调取第一调控指令对第二工序单元进行模拟调控时,以分析与第二工序单元对应的第一工序单元和第三工序单元的联动调控结果是否与单独以第二训练结果为基准调取对应的第二调控指令对第一工序单元和第三工序单元进行模拟调控时获得的第二调控结果相同,若相同,则由执行单元执行第一调控指令以对对工序单元进行调控,若不相同,基于联动调控结果和第二调控结果之间的差值来判断工序单元和工序单元对应的第一工序单元和第三工序单元对应的影响因子,基于所述影响因子生成联合调控指令以对工序单元、工序单元对应的第一工序单元和第三工序单元进行不同调控。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.水处理控制系统,其特征在于,包括:
监控系统,具有多个监控模块,每一监控模块用于获取水处理过程中对应工序单元的监控结果;
处理系统,具有多个处理模块,每一处理模块与对应的监控模块连接,用于对监控模块获取的监控结果进行连续的比对,以获取每一监控结果是否超出设定阈值;若没有超出设定阈值,将监控结果和比对结果进行存储,若至少一个监控结果超出设定阈值,输入至机器学习系统中;
所述机器学习系统具有:
识别模块,用于至少获取超出设定阈值所对应的工序单元;
驱动工序表,连接所述识别模块,用于将所述工序单元对应的驱动码写入在驱动工序表中;
控制模块,用于加载所述驱动工序表,通过所述驱动工序表来设定任务学习资源的分配;
训练模型,导入任务学习资源建立至少一个以工序单元为主学习任务的主神经网络模型以及以工序单元对应的前/后工序单元中的一个或者多个建立的辅神经网络模型; 所述主神经网络模型用于以工序单元对应的监控结果为基准进行迭代训练,以获取第一训练结果;
任意一个所述辅神经网络模型用于以工序单元对应的前/后工序单元中的一个进行迭代训练以获取第二训练结果;
模拟分析模型,以第一训练结果为基准调取第一调控指令对对应的工序单元进行模拟调控时,以分析与该工序单元对应的前/后工序单元的联动调控结果是否与单独以第二训练结果为基准调取对应的第二调控指令对前/后工序单元进行模拟调控时获得的第二调控结果相同,若相同,则由执行单元执行第一调控指令以对对工序单元进行调控,若不相同,基于联动调控结果和第二调控结果之间的差值来判断工序单元和工序单元对应的前/后工序单元对应的影响因子,基于所述影响因子生成联合调控指令以对工序单元、工序单元对应的前/后工序单元进行不同调控。
2.根据权利要求1所述的水处理控制系统,其特征在于,每一所述监控模块用于对对应的工序单元的设备运行参数、工艺参数以及处理结果分别进行监控,以获取多分量组合的监控结果。
3.根据权利要求2所述的水处理控制系统,其特征在于,所述监控模块具有:多个接入接口;每一接入接口用于接入一监控单元;
所述监控单元基于接入接口对应的获取监控数据以形成监控分量;
逻辑控制单元,用于连接每一监控单元,用于控制每一监控单元的接入逻辑和输出逻辑,从而控制多个监控分量的输出格式,输出后按照设定规则进行组合以形成监控结果。
4.根据权利要求1所述的水处理控制系统,其特征在于,所述处理模块具有:处理单元;
处理单元上至少耦合有三个检测点,每一监测点设置有以基准单元;
解析单元,设置在处理单元的前部,用于接收监控模块的监控结果,并将检测结果按照设定规则反解以获取多个对应的监控分量;
所述监控分量输入至处理单元后按照设定的监测点的识别码进行对应识别,每一监测点用于将对应的监控分量和基准单元进行比对,以获取每一监控分量是否超出基准单元设定的设定阈值,若至少其中的一个监控分量超出设定阈值,则对应的将该监控分量和监控分量对应的监控结果发送至机器学习系统中。
5.根据权利要求1所述的水处理控制系统,其特征在于,所述识别模块具有多个识别单元,每一识别单元用于与一处理模块对应;
所述识别单元用于获取监控分量和监控分量对应的监控结果,以及获取监控结果对应的工序单元。
6.根据权利要求1所述的水处理控制系统,其特征在于,所述驱动工序表存储在存储模块中,
且驱动工序表具有:写入单元,基于识别单元获取的监控结果对应的工序单元,将至少一个工序单元对应的驱动码写入驱动工序表同一级别的目录中;
规则逻辑设定单元,基于写入单元的写入操作,来设定驱动工序表中同一级别的所述目录的加载规则,基于所述加载规则,将同一级别的所述目录中的驱动码进行同步加载。
7.根据权利要求1所述的水处理控制系统,其特征在于,所述控制模块具有:
加载单元,用于同步加载目录中的至少一个驱动码;
资源管理单元,用于基于驱动码来对应的配置训练模型的主神经网络模型,并为每一主神经网络模型分配训练资源。
8.根据权利要求1所述的水处理控制系统,其特征在于,所述训练模型包括:主神经网络模型,至少设置有一个,且所述主神经网络模型依据至少一个工序单元为主学习任务而建立;每一工序单元对应一驱动码;
辅神经网络模型,以构建主神经网络模型的工序单元对应的前/后工序单元中的一个或者多个建立,
所述主神经网络模型用于以工序单元对应的监控结果为基准进行迭代训练,以获取第一训练结果;
任意一个所述辅神经网络模型用于以工序单元对应的前/后工序单元中的一个进行迭代训练以获取第二训练结果。
9.根据权利要求1所述的水处理控制系统,其特征在于,所述模拟分析模型包括:
第一分析单元,用于以第一训练结果为基准调取第一调控指令对对应的工序单元进行模拟调控,以获取工序单元对应的第一调控结果,以及该工序单元对应的前/后工序单元的联动调控结果;
第二分析单元,用于以第二训练结果为基准调取第二调控指令对前/后工序单元进行模拟调控,以获取前/后工序单元分别对应的第二调控结果;
比对单元,将联动调控结果和第二调控结果进行比对以获取比对结果;
调控指令生成单元,基于联动调控结果和第二调控结果之间的差值来判断工序单元和工序单元对应的前/后工序单元对应的影响因子,基于所述影响因子生成联合调控指令以对工序单元、工序单元对应的前/后工序单元进行不同调控。
10.一种控制装置,其特征在于,包含权利要求1-9任意一项所述的水处理控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767835.4A CN115826506B (zh) | 2022-06-30 | 2022-06-30 | 水处理控制系统及控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767835.4A CN115826506B (zh) | 2022-06-30 | 2022-06-30 | 水处理控制系统及控制装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115826506A CN115826506A (zh) | 2023-03-21 |
CN115826506B true CN115826506B (zh) | 2023-08-08 |
Family
ID=85522702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210767835.4A Active CN115826506B (zh) | 2022-06-30 | 2022-06-30 | 水处理控制系统及控制装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115826506B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002367875A (ja) * | 2001-06-07 | 2002-12-20 | Matsushita Electric Ind Co Ltd | プロセス工程管理システムおよびプロセス工程管理方法 |
JP2005327231A (ja) * | 2004-04-13 | 2005-11-24 | Osaka Gas Co Ltd | 製造履歴管理システム |
CN102638327A (zh) * | 2011-02-15 | 2012-08-15 | 中国移动通信集团公司 | 一种调整联合检测的码道数量的方法及装置 |
CN104332984A (zh) * | 2014-10-28 | 2015-02-04 | 国网宁夏电力公司电力科学研究院 | 一种基于类噪声的节点电压相互影响因子的在线辨识方法 |
JP2019133231A (ja) * | 2018-01-29 | 2019-08-08 | 富士通株式会社 | ストレス状況予測プログラム、情報処理装置及びストレス状況予測方法 |
CN113011679A (zh) * | 2021-04-10 | 2021-06-22 | 国能大渡河沙坪发电有限公司 | 水电站泄洪发电联合运行调控方法、装置及电子设备 |
CN113396370A (zh) * | 2019-03-07 | 2021-09-14 | 东芝数字解决方案株式会社 | 协调型学习系统以及监视系统 |
CN113845205A (zh) * | 2021-10-18 | 2021-12-28 | 江苏科易达环保科技有限公司 | 一种高盐高氮污水智能一体化除盐脱氮控制系统 |
CN114254915A (zh) * | 2021-12-17 | 2022-03-29 | 华中科技大学 | 轴类零件全流程加工质量合格状态决策及优化方法 |
CN114498934A (zh) * | 2022-02-09 | 2022-05-13 | 西安和利时系统工程有限公司 | 一种变电站监控系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11526808B2 (en) * | 2019-05-29 | 2022-12-13 | The Board Of Trustees Of The Leland Stanford Junior University | Machine learning based generation of ontology for structural and functional mapping |
-
2022
- 2022-06-30 CN CN202210767835.4A patent/CN115826506B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002367875A (ja) * | 2001-06-07 | 2002-12-20 | Matsushita Electric Ind Co Ltd | プロセス工程管理システムおよびプロセス工程管理方法 |
JP2005327231A (ja) * | 2004-04-13 | 2005-11-24 | Osaka Gas Co Ltd | 製造履歴管理システム |
CN102638327A (zh) * | 2011-02-15 | 2012-08-15 | 中国移动通信集团公司 | 一种调整联合检测的码道数量的方法及装置 |
CN104332984A (zh) * | 2014-10-28 | 2015-02-04 | 国网宁夏电力公司电力科学研究院 | 一种基于类噪声的节点电压相互影响因子的在线辨识方法 |
JP2019133231A (ja) * | 2018-01-29 | 2019-08-08 | 富士通株式会社 | ストレス状況予測プログラム、情報処理装置及びストレス状況予測方法 |
CN113396370A (zh) * | 2019-03-07 | 2021-09-14 | 东芝数字解决方案株式会社 | 协调型学习系统以及监视系统 |
CN113011679A (zh) * | 2021-04-10 | 2021-06-22 | 国能大渡河沙坪发电有限公司 | 水电站泄洪发电联合运行调控方法、装置及电子设备 |
CN113845205A (zh) * | 2021-10-18 | 2021-12-28 | 江苏科易达环保科技有限公司 | 一种高盐高氮污水智能一体化除盐脱氮控制系统 |
CN114254915A (zh) * | 2021-12-17 | 2022-03-29 | 华中科技大学 | 轴类零件全流程加工质量合格状态决策及优化方法 |
CN114498934A (zh) * | 2022-02-09 | 2022-05-13 | 西安和利时系统工程有限公司 | 一种变电站监控系统 |
Non-Patent Citations (1)
Title |
---|
基于联合控制域变换的多元工序质量控制方法;牛青等;《兰州交通大学学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115826506A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3798846B1 (en) | Operation and maintenance system and method | |
US7062580B2 (en) | Logic arrangement, system and method for configuration and control in fieldbus applications | |
CN110221975B (zh) | 创建接口用例自动化测试脚本的方法及装置 | |
CN114048857B (zh) | 算力分配方法、装置及算力服务器 | |
US20230385333A1 (en) | Method and system for building training database using automatic anomaly detection and automatic labeling technology | |
CN105224458A (zh) | 一种数据库测试方法及系统 | |
US11294356B2 (en) | Production control system | |
CN117114250B (zh) | 一种基于大模型的智能决策系统 | |
CN111949795A (zh) | 工单自动分类方法及装置 | |
CN115981240B (zh) | 数控机床故障原因确定方法、装置、设备及介质 | |
CN117118781A (zh) | 一种智能化工业网关设计方法及装置 | |
CN115826506B (zh) | 水处理控制系统及控制装置 | |
CN110764466B (zh) | 批量设备的模块化控制方法及装置 | |
KR102417694B1 (ko) | 다중 ai 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법 | |
CN114238474A (zh) | 基于排水系统的数据处理方法、装置、设备及存储介质 | |
CN112540837B (zh) | 业务处理组件调用方法、系统、电子设备和存储介质 | |
CN112363465B (zh) | 一种专家规则集训练方法、训练器和工业设备预警系统 | |
CN107766144A (zh) | 一种任务调度方法、装置及系统 | |
CN111638672A (zh) | 一种工业机台的自动控制系统 | |
US20210116900A1 (en) | Production Control System | |
KR102429393B1 (ko) | 프로파일링 기반 스마트 공장에서의 행위 이상탐지 인텔리전트 공유 시스템 및 그 방법 | |
CN111404266A (zh) | 一种远方定值智能比对方法、系统及装置 | |
Sarachaga et al. | Methodological approach for developing reconfigurable automation systems | |
JPH0652178A (ja) | 組立ライン作業計画作成支援システム | |
CN110716101A (zh) | 电力线路故障定位方法、装置、计算机和存储介质 |
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 |