CN116116181B - 一种基于模型优化的废气废水处理方法及装置 - Google Patents
一种基于模型优化的废气废水处理方法及装置 Download PDFInfo
- Publication number
- CN116116181B CN116116181B CN202310408682.9A CN202310408682A CN116116181B CN 116116181 B CN116116181 B CN 116116181B CN 202310408682 A CN202310408682 A CN 202310408682A CN 116116181 B CN116116181 B CN 116116181B
- Authority
- CN
- China
- Prior art keywords
- waste gas
- waste water
- parameter
- integrated treatment
- waste
- 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
- 239000002912 waste gas Substances 0.000 title claims abstract description 189
- 238000004065 wastewater treatment Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 239000002351 wastewater Substances 0.000 claims abstract description 222
- 239000007789 gas Substances 0.000 claims abstract description 104
- 238000000746 purification Methods 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000005265 energy consumption Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010926 purge Methods 0.000 claims abstract description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 38
- 231100000719 pollutant Toxicity 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 33
- 239000007788 liquid Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 14
- 239000002699 waste material Substances 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 6
- 238000005202 decontamination Methods 0.000 claims description 5
- 239000010802 sludge Substances 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 239000010865 sewage Substances 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 229920005906 polyester polyol Polymers 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- 238000005276 aerator Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006303 photolysis reaction Methods 0.000 description 2
- 230000015843 photosynthesis, light reaction Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007084 catalytic combustion reaction Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000004332 deodorization Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005188 flotation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000015110 jellies Nutrition 0.000 description 1
- 239000008274 jelly Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006864 oxidative decomposition reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/30—Controlling by gas-analysis apparatus
-
- 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
-
- 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
- C02F2209/003—Downstream control, i.e. outlet monitoring, e.g. to check the treating agents, such as halogens or ozone, leaving the process
-
- 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
- C02F2209/02—Temperature
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Feedback Control In General (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明的实施例提供一种基于模型优化的废气废水处理方法及装置，该方法涉及大数据技术领域，该方法包括：获取工厂的当前生产量；利用检测设备对废气废水一体化处理设备进行检测，以获得废气废水一体化处理设备的当前净化处理参数；其中，当前净化处理参数包括：当前废水进入流量、当前废气进入流量、当前废水进入温度以及当前废气进入温度；将当前生产量以及当前净化处理参数输入经过训练的参数预测神经网络模型，以预测出废气废水一体化处理设备的目标运行控制参数；以及，基于目标运行控制参数对废气废水一体化处理设备进行控制。该方法能够有效地降低废气废水处理成本和能耗。
Description
技术领域
本发明涉及大数据技术领域，具体而言，涉及一种基于模型优化的废气废水处理方法及装置。
背景技术
当前的工厂进行生产活动的过程中，为了使得排放物达到排放标准，会使用废水处理设备和废气处理设备对排放物进行净化后再排放。虽然通过废水处理设备和废气处理设备实现了排放物的净化，但是当前的废水处理设备和废气处理设备却存在着浪费能源的情况。
发明内容
有鉴于此，本发明的目的在于提供一种基于模型优化的废气废水处理方法及装置，通过参数预测神经网络模型对废气废水一体化处理设备的目标运行控制参数进行预测，并利用预测出的目标运行控制参数对所述废气废水一体化处理设备进行控制，能够在保证排放物达标的情况下，提高废气废水一体化处理设备的工作能效值，从而有效地降低废气废水处理成本和能耗。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明提供一种基于模型优化的废气废水处理方法，应用于废气废水处理系统，所述废气废水处理系统包括：设置于工厂的废气废水一体化处理设备以及检测设备。第一方面所述的方法包括：获取工厂的当前生产量；利用检测设备对废气废水一体化处理设备进行检测，以获得废气废水一体化处理设备的当前净化处理参数；其中，当前净化处理参数包括：当前废水进入流量、当前废气进入流量、当前废水进入温度以及当前废气进入温度；将当前生产量以及当前净化处理参数输入经过训练的参数预测神经网络模型，以预测出废气废水一体化处理设备的目标运行控制参数；以及，基于目标运行控制参数对废气废水一体化处理设备进行控制；
其中，参数预测神经网络模型的训练过程包括如下步骤：获取数据集，数据集包括多组训练数据，每组训练数据包括：工厂的历史生产量、废气废水一体化处理设备的历史净化处理参数以及对应的预设运行控制参数；其中，历史净化处理参数包括：历史废水进入流量、历史废气进入流量、历史废水进入温度以及历史废气进入温度；并且其中，在工厂按照历史生产量运行、废气废水一体化处理设备的净化处理参数为历史净化处理参数的情况下，当废气废水一体化处理设备按照预设运行控制参数运行时，废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值；以及，利用数据集对参数预测神经网络模型进行训练，以得到经过训练的参数预测神经网络模型；其中，预设运行控制参数被作为参数预测神经网络模型的输出变量，历史生产量以及历史净化处理参数被作为参数预测神经网络模型的输入变量。
第二方面，本发明提供一种基于模型优化的废气废水处理装置，也可以称为一种基于模型优化的废气废水处理系统。该装置包括设置于工厂的废气废水一体化处理设备、控制台以及检测设备，控制台与废气废水一体化处理设备以及检测设备连接。其中，控制台，用于获取工厂的当前生产量；控制台，还用于利用检测设备对废气废水一体化处理设备进行检测，以获得废气废水一体化处理设备的当前净化处理参数；其中，当前净化处理参数包括：当前废水进入流量、当前废气进入流量、当前废水进入温度以及当前废气进入温度；控制台，还用于将当前生产量以及当前净化处理参数输入经过训练的参数预测神经网络模型，以预测出废气废水一体化处理设备的目标运行控制参数；控制台，还用于基于目标运行控制参数对废气废水一体化处理设备进行控制；
其中，参数预测神经网络模型的训练过程包括如下步骤：获取数据集，数据集包括多组训练数据，每组训练数据包括：工厂的历史生产量、废气废水一体化处理设备的历史净化处理参数以及对应的预设运行控制参数；其中，历史净化处理参数包括：历史废水进入流量、历史废气进入流量、历史废水进入温度以及历史废气进入温度；并且其中，在工厂按照历史生产量运行、废气废水一体化处理设备的净化处理参数为历史净化处理参数的情况下，当废气废水一体化处理设备按照预设运行控制参数运行时，废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值；以及，利用数据集对参数预测神经网络模型进行训练，以得到经过训练的参数预测神经网络模型；其中，预设运行控制参数被作为参数预测神经网络模型的输出变量，历史生产量以及历史净化处理参数被作为参数预测神经网络模型的输入变量。
在本发明的可选实施例中，每组训练数据的获取过程包括如下步骤：在预设时间段中，获取工厂的目标时刻生产量以及废气废水一体化处理设备的目标时刻净化处理参数；其中，目标时刻净化处理参数包括：目标时刻废水进入流量、目标时刻废气进入流量、目标时刻废水进入温度以及目标时刻废气进入温度；获取建议运行控制参数集合，建议运行控制参数集合包括多个大小不同的建议运行控制参数；在工厂按照目标时刻生产量运行、废气废水一体化处理设备的净化处理参数为目标时刻净化处理参数的情况下，确定每个建议运行控制参数对应的能效值；其中，能效值根据如下公式确定：
ENF=NOE/（P*C）
其中，ENF表示能效值，NOE表示废气废水一体化处理设备的已净化液体和已净化气体的排放总流量，P表示废气废水一体化处理设备的运行功率，C表示液体排放物以及气体排放物中的污染物总浓度；以及，将建议运行控制参数集合中满足筛选条件且能效值最高的建议运行控制参数作为目标时刻生产量以及目标时刻净化处理参数对应的预设运行控制参数；其中，筛选条件包括：按照建议运行控制参数运行的废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值。
在本发明的可选实施例中，控制台，还用于确定废气废水一体化处理设备的多个可调控参数；控制台，还用于在工厂按照参考生产量运行、废气废水一体化处理设备的净化处理参数为参考净化处理参数的情况下，确定每个可调控参数对废气废水一体化处理设备的影响量；其中，影响量表示：对于按照可调控参数运行的废气废水一体化处理设备，在基于预设调整步长对可调控参数进行调整前后，废气废水一体化处理设备的能效值变化量；以及，控制台，还用于将多个可调控参数中影响量最大的可调控参数作为建议运行控制参数。
在本发明的可选实施例中，基于模型优化的废气废水处理方法还包括：控制台，还用于确定废气废水一体化处理设备的多个可调控参数；控制台，还用于在工厂按照参考生产量运行、废气废水一体化处理设备的净化处理参数为参考净化处理参数的情况下，确定每个可调控参数对废气废水一体化处理设备的影响量；其中，影响量表示：对于按照可调控参数运行的废气废水一体化处理设备，在基于预设调整步长对可调控参数进行调整前后，废气废水一体化处理设备的能效值变化量；以及，控制台，还用于将多个可调控参数中影响量最小的可调控参数作为建议运行控制参数。
在本发明的可选实施例中，影响量按照如下公式进行计算：
INFend=|enf1-enf2|；
其中，INFend表示影响量，enf1表示按照调整前的可调控参数运行的废气废水一体化处理设备的能效值，enf2表示按照调整后的可调控参数运行的废气废水一体化处理设备的能效值，调整前的可调控参数与调整后的可调控参数之间的差值为预设调整步长。
在本发明的可选实施例中，每组训练数据的获取过程包括如下步骤：在预设时间段中，获取工厂的目标时刻生产量以及废气废水一体化处理设备的目标时刻净化处理参数；其中，目标时刻净化处理参数包括：目标时刻废水进入流量、目标时刻废气进入流量、目标时刻废水进入温度以及目标时刻废气进入温度；获取建议运行控制参数集合，建议运行控制参数集合包括多个大小不同的建议运行控制参数；将目标时刻生产量、目标时刻净化处理参数以及每个建议运行控制参数输入经过训练的能效值预测模型，以预测出每个建议运行控制参数对应的能效值；其中，能效值表示：在工厂按照目标时刻生产量运行、废气废水一体化处理设备的净化处理参数为目标时刻净化处理参数并且废气废水一体化处理设备按照建议运行控制参数运行的情况下，废气废水一体化处理设备的已净化液体和已净化气体的排放总流量与做功数值之间的比值，做功数值为废气废水一体化处理设备的运行功率与液体排放物以及气体排放物中的污染物总浓度的乘积；以及，将建议运行控制参数集合中满足筛选条件且能效值最高的建议运行控制参数作为目标时刻生产量以及目标时刻净化处理参数对应的预设运行控制参数；其中，
筛选条件包括：按照建议运行控制参数运行的废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值。
在本发明的可选实施例中，当前净化处理参数还包括废气废水一体化处理设备的当前运行温度，历史净化处理参数还包括废气废水一体化处理设备的历史运行温度。
在本发明的可选实施例中，工厂包括化工工厂，废气废水一体化处理设备包括电机，建议运行控制参数包括电机的运行功率。
本发明实施例提供的基于模型优化的废气废水处理方法的有益效果包括以下内容：
在工厂按照历史生产量运行、废气废水一体化处理设备的净化处理参数为历史净化处理参数的情况下，当废气废水一体化处理设备按照预设运行控制参数运行时，该废气废水一体化处理设备满足如下条件：废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值。因此，在利用历史生产量、历史净化处理参数以及对应的预设运行控制参数对参数预测神经网络模型进行训练后，该经过训练的参数预测神经网络模型所预测出的目标运行控制参数能够使得：“废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值”。也即是说，本发明实施例提供的方法通过参数预测神经网络模型对废气废水一体化处理设备的目标运行控制参数进行预测，并利用预测出的目标运行控制参数对所述废气废水一体化处理设备进行控制，能够在保证排放物达标的情况下，提高废气废水一体化处理设备的工作能效值，从而有效地降低废气废水处理成本和能耗。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例所提供的基于模型优化的废气废水处理装置的一种框图；
图2为本发明实施例所提供的一种基于模型优化的废气废水处理方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
为了解决上文现有技术中存在的问题：“当前的废水处理设备和废气处理设备却存在着浪费能源的情况”。本发明实施例提出了一种技术方案，包括基于模型优化的废气废水处理方法及装置。本方案通过参数预测神经网络模型对废气废水一体化处理设备的目标运行控制参数进行预测，并利用预测出的目标运行控制参数对所述废气废水一体化处理设备进行控制，能够在保证排放物达标的情况下，提高废气废水一体化处理设备的工作能效值，从而有效地降低废气废水处理成本和能耗。
其中，现有技术中的技术方案所存在的技术问题的原因是：“当前的废水处理设备和废气处理设备的调控方式是人工实现的，并且人工开启后以最大功率运行，从而导致能源的浪费”。需要说明的是，以上现有技术中的技术方案所存在的技术问题，均是发明人经过仔细的实践研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在实现本发明过程中对本发明做出的贡献。
首先，下面结合附图对该基于模型优化的废气废水处理装置进行阐述。
请参照图1，图1示出了本发明实施例提供的基于模型优化的废气废水处理装置的一种框图。其中，基于模型优化的废气废水处理装置100包括：设置于工厂的废气废水一体化处理设备110、控制台120以及检测设备130，控制台120与废气废水一体化处理设备110以及检测设备130连接。该连接方式包括有线连接和无线连接（例如WiFi连接、蜂窝网络连接等）。
在可选的实施例中，控制台120包括但不限于：服务器、台式电脑、笔记本电脑、集成式控制电路、嵌入式电路等等。控制台120可以与废气废水一体化处理设备110以及检测设备130之间进行数据信令和控制信令的交互，以实现对废气废水一体化处理设备110以及检测设备130的控制，并且可以实现本发明以下实施例提供的基于模型优化的废气废水处理方法。
在可选的实施例中，废气废水一体化处理设备110包括废气处理设备和废水处理设备。在一个实施例中，废气处理设备包括但不限于：废气塔、活性炭吸附设备、UV光解废气处理设备、等离子废气处理设备、UV光解活性炭废气处理一体机、等离子活性炭废气处理一体机、生物除臭设备、脉冲除尘设备、油烟净化器、催化燃烧设备、环保在线监测设备等。废水处理设备废气处理设备包括但不限于：离心机、污泥脱水机、曝气机、气浮机、刮泥机、除污机等。关于这些设备的更具体说明请参照相关技术。
其中，离心机主要用于将悬浮液中的固体颗粒与液体分开。污泥脱水机：特点是可自动控制运行，连续生产，无级调速，对多种污泥适用。曝气机：是通过散气叶轮，将微气泡直接注入未经处理的污水中，从而形成大的悬浮物絮团，在气泡群的浮升作用下絮团浮上液面形成浮渣，利用刮渣机从水中分离。气浮机：是一种去除各种工业和市政污水中的悬浮物、油脂及各种胶状物的设备。刮泥机：主要用于城市污水处理厂、自来水厂以及工业废水处理中直径较大的圆形沉淀池中，排除沉降在池底的污泥和撇除池面的浮渣。除污机：是一种可以连续自动拦截并清除流体中各种形状杂物的水处理专用设备，可广泛地应用于城市污水处理。
例如，当所述工厂为生产聚酯多元醇树脂的化工工厂时，所述废气废水一体化处理设备110对该化工工厂的处理过程可以包括：废水经管道输送至废气废水一体化处理设备110的界区内的废水缓冲罐，再经废水泵输送至焚烧处理装置。废气通过管道输送至废气废水一体化处理设备110的界区。待废水、废气中的有机物成分完全氧化分解产生的高温烟气进入导热油加热器，烟气降温后最终经烟囱达标排放。其中，经过处理的废水可以回用，废气经过导热油加热器降温后最终经烟囱达标排放。
在可选的实施例中，检测设备130包括能够用于检测废气废水一体化处理设备110的各种参数的处理器。例如，检测设备130包括但不限于：流量传感器、温度传感器、污染物浓度传感器、功率传感器等。
进一步的，下面给出一种基于模型优化的废气废水处理方法的实现方式。请参阅图2，图2示出了本发明实施例提供的一种基于模型优化的废气废水处理方法的流程示意图。
该基于模型优化的废气废水处理方法可以应用于上述图1所示的基于模型优化的废气废水处理装置100。具体来说，该基于模型优化的废气废水处理方法可以包括以下步骤S210~S240，下面依次进行说明。
S210，控制台120获取工厂的当前生产量。
例如，当工厂为生产聚酯多元醇树脂的化工工厂时，该当前生产量可以是每小时生产聚酯多元醇树脂的量。该当前生产量可以是利用产量检测设备检测的，或者是人工测算的，对此不作限定。
S220，控制台120利用检测设备130对废气废水一体化处理设备110进行检测，以获得废气废水一体化处理设备110的当前净化处理参数。
其中，当前净化处理参数包括：当前废水进入流量、当前废气进入流量、当前废水进入温度以及当前废气进入温度。其中，当前净化处理参数可以通过检测设备130中的流量传感器以及温度传感器进行检测。
S230，控制台120将当前生产量以及当前净化处理参数输入经过训练的参数预测神经网络模型，以预测出废气废水一体化处理设备110的目标运行控制参数。
S240，控制台120基于目标运行控制参数对废气废水一体化处理设备110进行控制。
具体来说，在上述S230中，参数预测神经网络模型的训练过程可以包括如下步骤1.1-1.2：
步骤1.1，控制台120获取数据集。
其中，所述数据集可以包括多组训练数据，每组训练数据可以包括：工厂的历史生产量、废气废水一体化处理设备110的历史净化处理参数以及对应的预设运行控制参数。
其中，历史净化处理参数包括：历史废水进入流量、历史废气进入流量、历史废水进入温度以及历史废气进入温度。并且其中，在工厂按照历史生产量运行、废气废水一体化处理设备110的净化处理参数为历史净化处理参数的情况下，当废气废水一体化处理设备110按照预设运行控制参数运行时，废气废水一体化处理设备110的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备110的能耗低于预设能耗阈值。
步骤1.2，控制台120利用数据集对参数预测神经网络模型进行训练，以得到经过训练的参数预测神经网络模型。其中，预设运行控制参数被作为参数预测神经网络模型的输出变量，历史生产量以及历史净化处理参数被作为参数预测神经网络模型的输入变量。
上述的参数预测神经网络模型的结构可以包括：输入层、隐藏层以及输出层。其中，输入层包括历史生产量和废气废水一体化处理设备的历史净化处理参数作为输入变量。隐藏层包括一系列的神经元，每个神经元都有一组权重和偏差。隐藏层的任务是根据输入变量计算出一系列的中间值，这些中间值可以被用于进一步计算输出变量。输出层包括预设运行控制参数作为输出变量。输出层的任务是将隐藏层的输出计算为预测值。
并且，上述的参数预测神经网络模型的激活函数可以采用ReLU和线性函数，损失函数可以采用均方误差（MSE）。用于更新神经元的权重和偏差，以减小损失函数的值的优化算法可以采用梯度下降法。
其中，上述的参数预测神经网络模型可以为小型模型，具体来说包括两个隐藏层，第一个隐藏层的神经元数量为第二个隐藏层的神经元数量的两倍，例如，第一个隐藏层包括32个神经元，第二个隐藏层包括16个神经元。
可以理解，根据上述步骤1.1和1.2，在利用历史生产量、历史净化处理参数以及对应的预设运行控制参数对参数预测神经网络模型进行训练后，该经过训练的参数预测神经网络模型所预测出的目标运行控制参数能够使得：“废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值”。
在上述方法实施例中，在工厂按照历史生产量运行、废气废水一体化处理设备的净化处理参数为历史净化处理参数的情况下，当废气废水一体化处理设备按照预设运行控制参数运行时，该废气废水一体化处理设备满足如下条件：废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值。因此，在利用历史生产量、历史净化处理参数以及对应的预设运行控制参数对参数预测神经网络模型进行训练后，该经过训练的参数预测神经网络模型所预测出的目标运行控制参数能够使得：“废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备的能耗低于预设能耗阈值”。也即是说，本发明实施例提供的方法通过参数预测神经网络模型对废气废水一体化处理设备的目标运行控制参数进行预测，并利用预测出的目标运行控制参数对所述废气废水一体化处理设备进行控制，能够在保证排放物达标的情况下，提高废气废水一体化处理设备的工作能效值，从而有效地降低废气废水处理成本和能耗。
可选的，上述实施例的参数预测神经网络模型的训练过程中，当前净化处理参数还包括废气废水一体化处理设备110的当前运行温度，历史净化处理参数还包括废气废水一体化处理设备110的历史运行温度。也即是对参数预测神经网络模型的输入参数进行新增，将废气废水一体化处理设备110的运行温度增加到输入变量中，以进一步提升对目标运行控制参数的预测准确程度。
在可选的实施例中，对于步骤1.1中的每组训练数据，其的获取过程可以包括如下步骤2.1-2.4：
步骤2.1，控制台120在预设时间段中，获取工厂的目标时刻生产量以及废气废水一体化处理设备110的目标时刻净化处理参数。
其中，目标时刻净化处理参数包括：目标时刻废水进入流量、目标时刻废气进入流量、目标时刻废水进入温度以及目标时刻废气进入温度。
步骤2.2，控制台120获取建议运行控制参数集合，建议运行控制参数集合包括多个大小不同的建议运行控制参数。
例如，当废气废水一体化处理设备110包括废气塔以及污泥脱水机时，建议运行控制参数可以包括废气塔的电动泵的运行功率、废气塔的风机的转速、废气塔的喷水层的喷水量、污泥脱水机的离心机的运行功率中的任意一个参数。以建议运行控制参数为废气塔的电动泵的运行功率举例，建议运行控制参数集合中可以包括多个大小不同的废气塔的电动泵的运行功率。
可选的，工厂包括化工工厂，废气废水一体化处理设备110包括电机，所述建议运行控制参数包括电机的运行功率。
步骤2.3，控制台120在工厂按照目标时刻生产量运行、废气废水一体化处理设备110的净化处理参数为目标时刻净化处理参数的情况下，确定每个建议运行控制参数对应的能效值。
其中，能效值根据如下的能效值计算公式确定：ENF=NOE/（P*C）。其中，ENF表示能效值，NOE表示废气废水一体化处理设备110的已净化液体和已净化气体的排放总流量，P表示废气废水一体化处理设备110的运行功率，C表示液体排放物以及气体排放物中的污染物总浓度。
步骤2.4，控制台120将建议运行控制参数集合中满足筛选条件且能效值最高的建议运行控制参数作为目标时刻生产量以及目标时刻净化处理参数对应的预设运行控制参数。
其中，筛选条件包括：按照建议运行控制参数运行的废气废水一体化处理设备110的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备110的能耗低于预设能耗阈值。
在上述步骤2.1-2.4中，通过能效值的计算公式以计算出每个建议运行控制参数对应的能效值，并将满足筛选条件且能效值最高的建议运行控制参数作为上述用于训练参数预测神经网络模型的预设运行控制参数。可以使得废气废水一体化处理设备110既能够满足排放标准，又能够工作在最佳能效值，并且能够进一步降低废气废水处理成本和能耗。
可选的，预设时间段为过去一年。在该实施例中，一组训练数据可以包括过去一年的某个目标时刻中，工厂的生产量、废气废水一体化处理设备110的净化处理参数以及对应的预设运行控制参数。通过在预设时间段的范围内调整目标时刻的值并重复执行步骤2.1-2.4即可获取多组训练数据，从而实现上述步骤1.1。
在一个实施例中，图2所示的基于模型优化的废气废水处理方法还可以包括如下步骤3.1-3.3：
步骤3.1，控制台120确定废气废水一体化处理设备110的多个可调控参数。
例如，当废气废水一体化处理设备110包括废气塔以及污泥脱水机时，多个可调控参数可以包括：废气塔的电动泵的运行功率、废气塔的风机的转速、废气塔的喷水层的喷水量、污泥脱水机的离心机的运行功率。
步骤3.2，控制台120在工厂按照参考生产量运行、废气废水一体化处理设备110的净化处理参数为参考净化处理参数的情况下，确定每个可调控参数对废气废水一体化处理设备110的影响量。
其中，影响量表示：对于按照可调控参数运行的废气废水一体化处理设备110，在基于预设调整步长对可调控参数进行调整前后，废气废水一体化处理设备110的能效值变化量。
可选的，影响量按照如下公式进行计算：INFend=|enf1-enf2|。其中，INFend表示影响量，enf1表示按照调整前的可调控参数运行的废气废水一体化处理设备110的能效值，enf2表示按照调整后的可调控参数运行的废气废水一体化处理设备110的能效值，调整前的可调控参数与调整后的可调控参数之间的差值为预设调整步长。enf1和enf2的具体计算公式可以参照上述的能效值计算公式进行计算。
步骤3.3，控制台120将多个可调控参数中影响量最大的可调控参数作为建议运行控制参数。
在上述步骤3.1-3.3中，通过将多个可调控参数中影响量最大的可调控参数作为建议运行控制参数，可以仅通过一个运行控制参数即可实现对废气废水一体化处理设备110的调整，以实现本发明实施例的目的，并且可以降低对废气废水一体化处理设备110的控制复杂程度，方便工作人员进行控制，以及提高控制效率。
在另一个实施例中，图2所示的基于模型优化的废气废水处理方法还可以包括如下步骤4.1-4.3：
步骤4.1，控制台120确定废气废水一体化处理设备110的多个可调控参数。
例如，当废气废水一体化处理设备110包括废气塔以及污泥脱水机时，多个可调控参数可以包括：废气塔的电动泵的运行功率、废气塔的风机的转速、废气塔的喷水层的喷水量、污泥脱水机的离心机的运行功率。
步骤4.2，控制台120在工厂按照参考生产量运行、废气废水一体化处理设备110的净化处理参数为参考净化处理参数的情况下，确定每个可调控参数对废气废水一体化处理设备110的影响量。
其中，影响量表示：对于按照可调控参数运行的废气废水一体化处理设备110，在基于预设调整步长对可调控参数进行调整前后，废气废水一体化处理设备110的能效值变化量。
可选的，影响量按照如下公式进行计算：INFend=|enf1-enf2|。其中，INFend表示影响量，enf1表示按照调整前的可调控参数运行的废气废水一体化处理设备110的能效值，enf2表示按照调整后的可调控参数运行的废气废水一体化处理设备110的能效值，调整前的可调控参数与调整后的可调控参数之间的差值为预设调整步长。enf1和enf2的具体计算公式可以参照上述的能效值计算公式进行计算。
步骤4.3，控制台120将多个可调控参数中影响量最小的可调控参数作为建议运行控制参数。
在上述步骤4.1-4.3中，通过将多个可调控参数中影响量最小的可调控参数作为建议运行控制参数，可以仅通过一个运行控制参数即可实现对废气废水一体化处理设备110的调整，以实现本发明实施例的目的，并且可以降低对废气废水一体化处理设备110的控制复杂程度，方便工作人员进行控制，以及提高控制精度。
在其他的实施例中，对于上述步骤1.1中的每组训练数据，其的获取过程可以包括如下步骤5.1-5.4：
步骤5.1，控制台120在预设时间段中，获取工厂的目标时刻生产量以及废气废水一体化处理设备110的目标时刻净化处理参数。
其中，目标时刻净化处理参数包括：目标时刻废水进入流量、目标时刻废气进入流量、目标时刻废水进入温度以及目标时刻废气进入温度。
步骤5.2，控制台120获取建议运行控制参数集合，建议运行控制参数集合包括多个大小不同的建议运行控制参数。
例如，当废气废水一体化处理设备110包括废气塔以及污泥脱水机时，建议运行控制参数可以包括废气塔的电动泵的运行功率、废气塔的风机的转速、废气塔的喷水层的喷水量、污泥脱水机的离心机的运行功率中的任意一个参数。以建议运行控制参数为废气塔的电动泵的运行功率举例，建议运行控制参数集合中可以包括多个大小不同的废气塔的电动泵的运行功率。
步骤5.3，控制台120将目标时刻生产量、目标时刻净化处理参数以及每个建议运行控制参数输入经过训练的能效值预测模型，以预测出每个建议运行控制参数对应的能效值。
其中，能效值表示：在工厂按照目标时刻生产量运行、废气废水一体化处理设备110的净化处理参数为目标时刻净化处理参数并且废气废水一体化处理设备110按照建议运行控制参数运行的情况下，废气废水一体化处理设备110的已净化液体和已净化气体的排放总流量与做功数值之间的比值，做功数值为废气废水一体化处理设备110的运行功率与液体排放物以及气体排放物中的污染物总浓度的乘积。
关于该能效值预测模型的训练过程及原理可以参照上述参数预测神经网络模型的训练过程及原理。并且，该能效值预测模型的结构可以与上述参数预测神经网络模型的结构类似。具体来说，能效值预测模型可以为小型模型，具体来说包括两个隐藏层，第一个隐藏层的神经元数量为第二个隐藏层的神经元数量的两倍，例如，第一个隐藏层包括32个神经元，第二个隐藏层包括16个神经元。
步骤5.4，控制台120将建议运行控制参数集合中满足筛选条件且能效值最高的建议运行控制参数作为目标时刻生产量以及目标时刻净化处理参数对应的预设运行控制参数。
其中，筛选条件包括：按照建议运行控制参数运行的废气废水一体化处理设备110的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且废气废水一体化处理设备110的能耗低于预设能耗阈值。
在上述步骤5.1-5.4中，通过能效值预测模型以预测出每个建议运行控制参数对应的能效值，并将满足筛选条件且能效值最高的建议运行控制参数作为上述用于训练参数预测神经网络模型的预设运行控制参数。可以使得废气废水一体化处理设备110既能够满足排放标准，又能够工作在最佳能效值，并且能够进一步降低废气废水处理成本和能耗。另外，在该实施例中，先后通过两个神经网络模型接力的方式来对废气废水一体化处理设备的目标运行控制参数进行预测，可以使得每个神经网络模型的结构简单而有效，避免使用大模型，方便方案的部署，对于处理能力一般的控制台120也能够适用。
基于上述实施例，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述基于模型优化的废气废水处理方法的步骤。
具体地，该存储介质可以为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述实施例中的方法，从而解决“当前的废水处理设备和废气处理设备却存在着浪费能源的情况”的问题。因此，本发明的目的在于提供一种基于模型优化的废气废水处理方法及装置，通过参数预测神经网络模型对废气废水一体化处理设备的目标运行控制参数进行预测，并利用预测出的目标运行控制参数对所述废气废水一体化处理设备进行控制，能够在保证排放物达标的情况下，提高废气废水一体化处理设备的工作能效值，从而有效地降低废气废水处理成本和能耗。
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本发明的实施例而已，并不用于限制本发明的保护范围，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)
1.一种基于模型优化的废气废水处理方法，其特征在于，应用于废气废水处理系统，所述废气废水处理系统包括：设置于工厂的废气废水一体化处理设备以及检测设备；其中，
所述基于模型优化的废气废水处理方法包括：
获取所述工厂的当前生产量；
利用所述检测设备对所述废气废水一体化处理设备进行检测，以获得所述废气废水一体化处理设备的当前净化处理参数；其中，所述当前净化处理参数包括：当前废水进入流量、当前废气进入流量、当前废水进入温度以及当前废气进入温度；
将所述当前生产量以及所述当前净化处理参数输入经过训练的参数预测神经网络模型，以预测出所述废气废水一体化处理设备的目标运行控制参数；以及，
基于所述目标运行控制参数对所述废气废水一体化处理设备进行控制；
其中，所述参数预测神经网络模型的训练过程包括如下步骤：
获取数据集，所述数据集包括多组训练数据，每组训练数据包括：所述工厂的历史生产量、所述废气废水一体化处理设备的历史净化处理参数以及对应的预设运行控制参数；
其中，所述历史净化处理参数包括：历史废水进入流量、历史废气进入流量、历史废水进入温度以及历史废气进入温度；并且其中，在所述工厂按照所述历史生产量运行、所述废气废水一体化处理设备的净化处理参数为所述历史净化处理参数的情况下，当所述废气废水一体化处理设备按照所述预设运行控制参数运行时，所述废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且所述废气废水一体化处理设备的能耗低于预设能耗阈值；以及，
利用所述数据集对所述参数预测神经网络模型进行训练，以得到所述经过训练的参数预测神经网络模型；其中，所述预设运行控制参数被作为所述参数预测神经网络模型的输出变量，所述历史生产量以及所述历史净化处理参数被作为所述参数预测神经网络模型的输入变量；
其中，每组所述训练数据的获取过程包括如下步骤：
在预设时间段中，获取所述工厂的目标时刻生产量以及所述废气废水一体化处理设备的目标时刻净化处理参数；其中，所述目标时刻净化处理参数包括：目标时刻废水进入流量、目标时刻废气进入流量、目标时刻废水进入温度以及目标时刻废气进入温度；
获取建议运行控制参数集合，所述建议运行控制参数集合包括多个大小不同的建议运行控制参数；
在所述工厂按照所述目标时刻生产量运行、所述废气废水一体化处理设备的净化处理参数为所述目标时刻净化处理参数的情况下，确定每个所述建议运行控制参数对应的能效值；其中，所述能效值根据如下公式确定：
ENF=NOE/（P*C）
其中，ENF表示所述能效值，NOE表示所述废气废水一体化处理设备的已净化液体和已净化气体的排放总流量，P表示所述废气废水一体化处理设备的运行功率，C表示液体排放物以及气体排放物中的污染物总浓度；以及，
将所述建议运行控制参数集合中满足筛选条件且能效值最高的建议运行控制参数作为所述目标时刻生产量以及所述目标时刻净化处理参数对应的预设运行控制参数；其中，
所述筛选条件包括：按照所述建议运行控制参数运行的所述废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且所述废气废水一体化处理设备的能耗低于预设能耗阈值。
2.根据权利要求1所述的一种基于模型优化的废气废水处理方法，其特征在于，所述基于模型优化的废气废水处理方法还包括：
确定所述废气废水一体化处理设备的多个可调控参数；
在所述工厂按照参考生产量运行、所述废气废水一体化处理设备的净化处理参数为参考净化处理参数的情况下，确定每个所述可调控参数对所述废气废水一体化处理设备的影响量；其中，所述影响量表示：对于按照所述可调控参数运行的所述废气废水一体化处理设备，在基于预设调整步长对所述可调控参数进行调整前后，所述废气废水一体化处理设备的能效值变化量；以及，
将所述多个可调控参数中影响量最大的可调控参数作为所述建议运行控制参数。
3.根据权利要求1所述的一种基于模型优化的废气废水处理方法，其特征在于，所述基于模型优化的废气废水处理方法还包括：
确定所述废气废水一体化处理设备的多个可调控参数；
在所述工厂按照参考生产量运行、所述废气废水一体化处理设备的净化处理参数为参考净化处理参数的情况下，确定每个所述可调控参数对所述废气废水一体化处理设备的影响量；其中，所述影响量表示：对于按照所述可调控参数运行的所述废气废水一体化处理设备，在基于预设调整步长对所述可调控参数进行调整前后，所述废气废水一体化处理设备的能效值变化量；以及，
将所述多个可调控参数中影响量最小的可调控参数作为所述建议运行控制参数。
4.根据权利要求2或3所述的一种基于模型优化的废气废水处理方法，其特征在于，所述影响量按照如下公式进行计算：
INFend=|enf1-enf2|；
其中，INFend表示所述影响量，enf1表示按照调整前的可调控参数运行的所述废气废水一体化处理设备的能效值，enf2表示按照调整后的可调控参数运行的所述废气废水一体化处理设备的能效值，所述调整前的可调控参数与所述调整后的可调控参数之间的差值为所述预设调整步长。
5.根据权利要求1所述的一种基于模型优化的废气废水处理方法，其特征在于，所述当前净化处理参数还包括所述废气废水一体化处理设备的当前运行温度，所述历史净化处理参数还包括所述废气废水一体化处理设备的历史运行温度。
6.根据权利要求1所述的一种基于模型优化的废气废水处理方法，其特征在于，所述工厂包括化工工厂，所述废气废水一体化处理设备包括电机，所述建议运行控制参数包括所述电机的运行功率。
7.一种基于模型优化的废气废水处理装置，其特征在于，包括设置于工厂的废气废水一体化处理设备、控制台以及检测设备，所述控制台与所述废气废水一体化处理设备以及所述检测设备连接；其中，
所述控制台，用于获取所述工厂的当前生产量；
所述控制台，还用于利用所述检测设备对所述废气废水一体化处理设备进行检测，以获得所述废气废水一体化处理设备的当前净化处理参数；其中，所述当前净化处理参数包括：当前废水进入流量、当前废气进入流量、当前废水进入温度以及当前废气进入温度；
所述控制台，还用于将所述当前生产量以及所述当前净化处理参数输入经过训练的参数预测神经网络模型，以预测出所述废气废水一体化处理设备的目标运行控制参数；
所述控制台，还用于基于所述目标运行控制参数对所述废气废水一体化处理设备进行控制；
其中，所述参数预测神经网络模型的训练过程包括如下步骤：
获取数据集，所述数据集包括多组训练数据，每组训练数据包括：所述工厂的历史生产量、所述废气废水一体化处理设备的历史净化处理参数以及对应的预设运行控制参数；
其中，所述历史净化处理参数包括：历史废水进入流量、历史废气进入流量、历史废水进入温度以及历史废气进入温度；并且其中，在所述工厂按照所述历史生产量运行、所述废气废水一体化处理设备的净化处理参数为所述历史净化处理参数的情况下，当所述废气废水一体化处理设备按照所述预设运行控制参数运行时，所述废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且所述废气废水一体化处理设备的能耗低于预设能耗阈值；以及，
利用所述数据集对所述参数预测神经网络模型进行训练，以得到所述经过训练的参数预测神经网络模型；其中，所述预设运行控制参数被作为所述参数预测神经网络模型的输出变量，所述历史生产量以及所述历史净化处理参数被作为所述参数预测神经网络模型的输入变量；
其中，每组所述训练数据的获取过程包括如下步骤：
在预设时间段中，获取所述工厂的目标时刻生产量以及所述废气废水一体化处理设备的目标时刻净化处理参数；其中，所述目标时刻净化处理参数包括：目标时刻废水进入流量、目标时刻废气进入流量、目标时刻废水进入温度以及目标时刻废气进入温度；
获取建议运行控制参数集合，所述建议运行控制参数集合包括多个大小不同的建议运行控制参数；
在所述工厂按照所述目标时刻生产量运行、所述废气废水一体化处理设备的净化处理参数为所述目标时刻净化处理参数的情况下，确定每个所述建议运行控制参数对应的能效值；其中，所述能效值根据如下公式确定：
ENF=NOE/（P*C）
其中，ENF表示所述能效值，NOE表示所述废气废水一体化处理设备的已净化液体和已净化气体的排放总流量，P表示所述废气废水一体化处理设备的运行功率，C表示液体排放物以及气体排放物中的污染物总浓度；以及，
将所述建议运行控制参数集合中满足筛选条件且能效值最高的建议运行控制参数作为所述目标时刻生产量以及所述目标时刻净化处理参数对应的预设运行控制参数；其中，
所述筛选条件包括：按照所述建议运行控制参数运行的所述废气废水一体化处理设备的液体排放物中的污染物浓度以及气体排放物中的污染物浓度均符合排放标准，并且所述废气废水一体化处理设备的能耗低于预设能耗阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310408682.9A CN116116181B (zh) | 2023-04-18 | 2023-04-18 | 一种基于模型优化的废气废水处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310408682.9A CN116116181B (zh) | 2023-04-18 | 2023-04-18 | 一种基于模型优化的废气废水处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116116181A CN116116181A (zh) | 2023-05-16 |
| CN116116181B true CN116116181B (zh) | 2023-07-18 |
Family
ID=86304921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310408682.9A Active CN116116181B (zh) | 2023-04-18 | 2023-04-18 | 一种基于模型优化的废气废水处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116116181B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116392938B (zh) * | 2023-06-07 | 2023-08-29 | 张家港市锦明环保工程装备有限公司 | 一种废气脱硝反应工艺 |
| CN117398817B (zh) * | 2023-11-30 | 2024-04-30 | 中山市凌宇机械有限公司 | 一种集约式压缩空气净化系统及方法 |
| CN117764332A (zh) * | 2023-12-19 | 2024-03-26 | 广东精英纺织服饰科技有限公司 | 一种环保高效的纺织印染废水处理系统 |
| CN117983034B (zh) * | 2024-04-07 | 2024-06-18 | 浙江微盾环保科技有限公司 | 医废处理设备的尾气处理及监测系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1119682A (ja) * | 1997-07-08 | 1999-01-26 | Mitsubishi Chem Corp | 活性汚泥法による排水処理装置 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103744293B (zh) * | 2014-01-27 | 2017-06-16 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
| CN105975800B (zh) * | 2016-06-21 | 2017-04-19 | 中南大学 | 用于化学重金属废水处理过程的多参数优化方法及装置 |
| 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 |
| CN110824915B (zh) * | 2019-09-30 | 2022-06-07 | 华南师范大学 | 基于ga-dbn网络的废水处理智能监控方法及系统 |
| CN112577161B (zh) * | 2019-09-30 | 2022-05-27 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN111701444B (zh) * | 2020-07-01 | 2022-02-08 | 盐城工学院 | 一种基于卷积神经网络的生物滴滤塔处理有机废气的方法 |
| CN112250166B (zh) * | 2020-08-27 | 2023-03-21 | 盐城工学院 | 基于智能化sbr电极工艺的印染废水高效脱毒梯度处理方法 |
| WO2022106917A1 (en) * | 2020-11-17 | 2022-05-27 | Imubit Israel Ltd. | Predictive control systems and methods with offline gains learning and online control |
| CN114944203A (zh) * | 2022-05-11 | 2022-08-26 | 华南师范大学 | 基于自动寻优算法与深度学习的废水处理监控方法及系统 |
| CN114927171A (zh) * | 2022-05-20 | 2022-08-19 | 南京工业大学 | 一种多相态有机污染物治理的能量平衡混合建模方法 |
| CN115309117B (zh) * | 2022-08-04 | 2024-05-14 | 浙江大学 | 一种基于数据驱动的wfgd出口so2浓度预测及智能优化方法 |
| CN115353223A (zh) * | 2022-08-10 | 2022-11-18 | 盐城工学院 | 一种基于anfis模型的实验室废水处理一体化方法及装置 |
| CN115841241A (zh) * | 2022-11-03 | 2023-03-24 | 北京市燕京药业有限公司 | 一种用于化工生产废气的环保处理方法及系统 |
-
2023
- 2023-04-18 CN CN202310408682.9A patent/CN116116181B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1119682A (ja) * | 1997-07-08 | 1999-01-26 | Mitsubishi Chem Corp | 活性汚泥法による排水処理装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116116181A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116116181B (zh) | 一种基于模型优化的废气废水处理方法及装置 | |
| CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和系统 | |
| Schmitt et al. | Prediction of membrane fouling using artificial neural networks for wastewater treated by membrane bioreactor technologies: bottlenecks and possibilities | |
| US20220315464A1 (en) | Methods, systems and device for controlling biological treatment processes and systems | |
| KR100941949B1 (ko) | 부유식 표면포기장치를 이용한 에스비알 공법의 하수 또는 폐수 처리장치 및 반응조의 제어방법 | |
| KR100331708B1 (ko) | 상수처리 시스템의 응집제 주입율 자동 연산 장치 및 방법 | |
| Rishitha et al. | IoT based automation in domestic sewage treatment plant to optimize water quality and power consumption | |
| Ullmer et al. | WADO™: water design optimization—methodology and software for the synthesis of process water systems | |
| KR100708396B1 (ko) | 유수 분리장치 | |
| Nabi Bidhendi et al. | Water and wastewater minimization in Tehran oil refinery using water pinch analysis | |
| Cristea et al. | Model Predictive Control of the waste water treatment plant based on the Benchmark Simulation Model No. 1-BSM1 | |
| CN208684701U (zh) | 一种难降解工业废水生化处理系统 | |
| CN117263464A (zh) | 一种节能型工业污水处理系统及污水处理方法 | |
| CN109942144A (zh) | 一种工业园区综合废水处理系统 | |
| Guo et al. | Machine-learning-aided application of high-gravity technology to enhance ammonia recovery of fresh waste leachate | |
| JP4655447B2 (ja) | 水処理装置、水処理方法及び水処理プログラム | |
| Ramesh et al. | Relevance of Artificial Intelligence in Wastewater Management | |
| CN111310991A (zh) | 一种工业园区污水处理设施运行费用的预测方法 | |
| Wu et al. | The application of membrane bioreactor technology to the treatment of wastewater from a multifunctional supermarket | |
| KR101833002B1 (ko) | 센서기반 하폐수 회분식 처리 시스템 | |
| CN206751597U (zh) | 一种生产橡胶废水处理装置 | |
| Şimşek et al. | Artificial neural network approach for the prediction of effluents streams from a wastewater treatment plant: a case study in Kocaeli (Turkey) | |
| KR102632229B1 (ko) | 스마트 수처리 시스템 및 그 구축 방법 | |
| JP2002331283A (ja) | 運転支援システム | |
| JP2002336889A (ja) | 水質シミュレーション装置 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Model Optimization Based Waste Gas and Wastewater Treatment Method and Device Granted publication date: 20230718 Pledgee: Postal Savings Bank of China Limited Zhangdian District Branch, Zibo City Pledgor: Keyang Environmental Technology Co.,Ltd. Registration number: Y2024980012813 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |