CN116235600A - 用于确定最佳凝结剂剂量的过程、系统和计算机可读存储介质 - Google Patents
用于确定最佳凝结剂剂量的过程、系统和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116235600A CN116235600A CN202180065240.8A CN202180065240A CN116235600A CN 116235600 A CN116235600 A CN 116235600A CN 202180065240 A CN202180065240 A CN 202180065240A CN 116235600 A CN116235600 A CN 116235600A
- Authority
- CN
- China
- Prior art keywords
- coagulant
- water
- quality index
- coagulation
- dose
- 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.)
- Pending
Links
- 239000000701 coagulant Substances 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000008569 process Effects 0.000 title abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 266
- 238000005345 coagulation Methods 0.000 claims abstract description 93
- 230000015271 coagulation Effects 0.000 claims abstract description 92
- 238000013178 mathematical model Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000011045 prefiltration Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 10
- 238000002835 absorbance Methods 0.000 claims description 9
- 238000002834 transmittance Methods 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 239000007787 solid Substances 0.000 description 9
- 238000010200 validation analysis Methods 0.000 description 7
- 238000005189 flocculation Methods 0.000 description 6
- 230000016615 flocculation Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000010802 sludge Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 229910021578 Iron(III) chloride Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 229940037003 alum Drugs 0.000 description 1
- GVXIVWJIJSNCJO-UHFFFAOYSA-L aluminum;calcium;sulfate Chemical compound [Al+3].[Ca+2].[O-]S([O-])(=O)=O GVXIVWJIJSNCJO-UHFFFAOYSA-L 0.000 description 1
- 125000000129 anionic group Chemical group 0.000 description 1
- 229920006318 anionic polymer Polymers 0.000 description 1
- 235000012206 bottled water Nutrition 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 229920006317 cationic polymer Polymers 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009300 dissolved air flotation Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- RBTARNINKXHZNM-UHFFFAOYSA-K iron trichloride Chemical compound Cl[Fe](Cl)Cl RBTARNINKXHZNM-UHFFFAOYSA-K 0.000 description 1
- RUTXIHLAWFEWGM-UHFFFAOYSA-H iron(3+) sulfate Chemical compound [Fe+3].[Fe+3].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O RUTXIHLAWFEWGM-UHFFFAOYSA-H 0.000 description 1
- 229910000360 iron(III) sulfate Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000010841 municipal wastewater Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 239000011146 organic particle Substances 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 230000003442 weekly effect Effects 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
- C02F1/008—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
- 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
- C02F1/5209—Regulation methods for flocculation or precipitation
-
- 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
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
-
- 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
- C02F2209/04—Oxidation reduction potential [ORP]
-
- 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
- C02F2209/05—Conductivity or salinity
-
- 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
- C02F2209/05—Conductivity or salinity
- C02F2209/055—Hardness
-
- 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
- C02F2209/06—Controlling or monitoring parameters in water treatment pH
-
- 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
- C02F2209/20—Total organic carbon [TOC]
-
- 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
Abstract
一种用于确定待添加到水中以用于凝结处理的凝结剂的最佳量的方法、系统和计算机可读存储介质。该方法包括：通过评估未用凝结剂处理的水的至少一个与凝结相关的进水参数，利用根据历史数据构建的第一数学模型来预测对于相应的标称凝结剂剂量将会达到的水质指数，所述历史数据包括：(i)先前施用的凝结剂剂量；以及(ii)先前确定的水的水质指数的值。该方法还包括确定所预测的水质指数是否在目标范围内。如果所预测的质量指数不在目标范围内，则可以调整凝结剂剂量，并且可以评估调整后的剂量，以预测如果将调整后的凝结剂剂量施用到水中将会达到的水质指数。
Description
本申请要求以下申请的优先权：(i)2020年12月30日提交的第63/132,162号美国临时申请，以及(ii)2020年11月18日提交的第63/115,320号美国临时申请。优先权申请的全部内容以引用的方式并入本文中。
背景技术
对水进行净化以去除不溶性有机物和/或不需要的颗粒对于许多应用是重要的，例如处理与各种工业过程相关的进料、废水流、工艺流和副产品、提供安全的饮用水以及处理和控制市政和工业废水。凝结是一种水处理技术，通常在过滤之前应用，以增强处理过程从水中去除颗粒的能力。凝结包括向水中施用凝结剂，以中和电荷，使颗粒分离，并使颗粒聚集以形成絮体或沉淀物，然后可以使其从悬浮液中沉淀出来，并且将其从水中过滤出。
凝结是一个复杂的过程，受多个变量(诸如浊度、温度、pH值、碱度、有机物、剂量和凝结剂类型)的影响。目前的简单化技术没有充分考虑影响凝结的变量之间的相互作用。由于影响凝结的复杂机制和多个变量，很难建立一个准确的凝结过程确定性模型来确定凝结剂的最佳量，而且还没有这种广泛接受的适用于大多数情况的过程模型。在几乎所有情况下，都会向水中施加过量的凝结剂，这会浪费凝结剂，并且在凝结剂成本和污泥处理控制(因为产生的污泥量增加)这两方面增加运行成本。另一方面，也可能出现凝结剂剂量不足，这可能无法充分去除浊度以满足监管要求。
仍然需要改进的方法和系统来实现凝结剂的最佳量，以在不浪费凝结剂和增加运行成本的情况下实现最大的凝结效果。
发明内容
在一方面，本公开内容提供了一种用于确定待添加以用于凝结处理的凝结剂的最佳量的方法。该方法包括：利用已经根据历史数据构建的第一数学模型，通过评估未用凝结剂处理的水的至少一个与凝结相关的进水参数来预测对于相应的标称凝结剂剂量将会达到的水质指数，所述历史数据包括：(i)先前施用的凝结剂剂量；以及(ii)已经用先前施用的凝结剂剂量处理的水的水质指数的先前确定的值，并且确定所预测的水质指数是否在目标范围内。如果所预测的水质指数不在目标范围内，则可以调整标称凝结剂剂量，并且可以使用第一数学模型评估调整后的凝结剂剂量以预测对于调整后的凝结剂剂量将会达到的水质指数。
在另一方面，本公开内容提供了一种凝结处理系统。该系统可以包括：水可以流过的管道、被配置为至少存储第一数学模型的存储器、以及控制器，该控制器被配置为：基于第一数学模型预测在向水施用标称凝结剂剂量的情况下将会达到的水质指数，并且确定所预测的水质指数是否在目标范围内。如果水质指数不在目标范围内，则控制器还可以被配置为调整标称凝结剂剂量并重复预测功能和确定功能。
在另一方面，本公开内容提供了一种非暂时性计算机可读存储介质，该计算机可读存储介质中存储有能够由处理器执行的程序。该程序可以使处理器执行所述方法的预测步骤、确定步骤和调整步骤。
附图说明
图1是示出用于确定最佳凝结剂剂量的示例性前馈方法的流程图。
图2是示出用于分别训练用于计算凝结剂剂量和预测水质指数的第一回归模型和第二回归模型的示例性算法的流程图。
图3是示出通过使用前馈和反馈控制来确定最佳凝结剂剂量的示例性方法的流程图。
图4是示例性凝结系统的示意图。
具体实施方式
在以下描述中，阐述了许多细节以提供对本公开内容的理解。然而，本领域技术人员可以理解，可以在没有这些细节的情况下实践本公开内容的方法和系统，并且可以对所描述的实施例进行许多变化或修改。
本文公开了一种用于确定待添加以用于凝结处理的凝结剂的最佳剂量的方法、系统和计算机可读存储介质。例如，所公开的实施例通过使用机器学习技术和前馈控制测量来建立计算模型以预测给定凝结剂剂量的处理结果，从而确定用于实现期望的凝结效果的最佳或最小有效凝结剂剂量。在一个方面，可以构建数学模型，例如机器学习模型，以通过考虑测量的(多个)原水参数和历史数据来精确地对凝结过程进行建模，从而提供稳健和最优的剂量计算。
用于确定最佳凝结剂剂量的前馈控制方法
该方法包括预测在向水中施用标称凝结剂剂量的情况下将会达到的水质指数。水质指数可以是处理过的水质的任何量度，例如浊度。可以通过使用数学模型评估标称凝结剂剂量和至少一个测量的水的与凝结相关的进水参数来预测水质指数。数学模型是根据水的历史数据构建的，水的历史数据包括：(i)先前施用的凝结剂剂量；以及(ii)已经用先前施用的凝结剂剂量处理的水的水质指数的先前确定的值。然后，一旦通过使用数学模型预测出水质指数，就确定所预测的水质指数是否在目标范围内。如果所预测的水质指数不在目标范围内，则调整标称凝结剂剂量，并且使用调整后的凝结剂剂量基于数学模型预测后续的水质指数。可以重复该过程，直到预测的水质指数在目标范围内。然后，可以将相应的凝结剂剂量(即，标称凝结剂剂量或调整后的凝结剂剂量，无论哪个以被预测为达到目标水质指标为准)施用到水中。
所公开的方法通过采用机器学习技术和前馈控制来连续地或周期性地计算用于满足处理目标的最佳剂量，从而克服了现有技术方法的缺点。所公开的方法使用历史剂量历史和相应的处理结果，将其与当前水质指标目标进行比较以确定最佳剂量。如以下所解释的，与向水中施用过量凝结剂的现有方法相比，这些方法已经被证明是有效的，并且可以减少浪费和成本。
图1示出了使用前馈方法确定最佳凝结剂剂量的示例性流程图。首先，收集与水有关的数据。例如，可以收集实时输入数据。该数据包括未用凝结剂处理的进水的至少一个测量的与凝结相关的进水参数，并且可以包括收集的任何其他相关数据。数据可以输入到回归模型2中，以用于预测水质指数。标称凝结剂剂量也输入到回归模型2中。标称剂量可以是回归模型1输出的凝结剂剂量，如下文更详细讨论的，或者标称凝结剂剂量可以是用于凝结处理的当前剂量设定值。实时输入数据(包括水的与凝结相关的进水参数的一个或多个测量值)和标称凝结剂剂量被输入到回归模型2中，以预测在将标称凝结剂剂量施加到未经处理的原水中的情况下将会达到的水质指数。可以通过回归模型1和/或回归模型2实时评估实时输入数据(例如，与凝结相关的(多个)进水参数)。
可以根据水的历史数据构建回归模型2，水的历史数据包括以下至少两个：(i)未经处理的原水的(多个)与凝结相关的进水参数的(多个)先前测量值，(ii)先前施用的凝结剂剂量，以及(iii)已经用先前施用的凝结剂剂量处理的水的水质指数的先前确定的值。这两种类型的历史数据中的至少一种是(iii)水的水质指数的先前确定的值。优选地，回归模型2由所有三个(i)-(iii)构建。该模型可以根据机器学习算法来构建，该机器学习算法已经使用历史数据来训练以识别数据中的模式和关系以形成预测模型。
在接收到原水的一个或多个与凝结相关的进水参数的(多个)测量值以及标称凝结剂剂量或调整后的凝结剂剂量时，回归模型2可以预测在向原水施用标称凝结剂剂量的情况下将会达到的水质指数。
水质指数是指示凝结剂有效性的客观变量。水质指数可以是已经用凝结剂处理的水的指示凝结剂的量的可测量参数。例如，水质指数可以是预过滤浊度、总有机物含量、254nm波长处的紫外线吸收率、254nm波长处的紫外线透射率或指示凝结剂有效性的任何其他参数中的一个或多个。因此，所公开的方法通过预测在将特定的凝结剂剂量施用到水中的情况下可能导致的水质指数来预测特定凝结剂剂量可能有多有效。换句话说，水质指数被用作一个客观变量，以根据原水、未处理水的(多个)与凝结相关的进水参数和标称凝结剂剂量来评估标称凝结剂剂量的有效性。
与凝结相关的进水参数是水的可测量参数，其指示在施用凝结剂之前水的状态。例如，与凝结相关的进水参数可以是任何与施用凝结剂之后水中的固体颗粒和有机颗粒和材料凝结的能力相关或影响其能力的参数。在进水或原水(例如，未用凝结剂处理的水)中测量与凝结相关的进水参数。与凝结相关的进水参数(也称为实时进水数据或原水参数)可以是流量、pH值、浊度、电导率、254nm波长处的紫外线吸收率、254nm波长处的紫外线透射率、总有机碳、温度、颜色、溶解氧、氧化还原电位、悬浮固体、表面电荷/电动电势、颗粒计数器、碱度、总硬度或任何其他与凝结相关的参数。虽然可以基于单个与凝结相关的进水参数预测水质指数，但通过评估水的多个与凝结相关进水参数，可以进行更稳健的预测。因此，该方法还可以包括评估水的一个、两个、三个、五个或更多个与凝结相关的参数。
该方法还可以包括测量未经处理的原水的一个或多个与凝结相关的进水参数。例如，与凝结相关的参数可以通过定位于凝结剂泵上游的传感器在线测量(参见图4)。传感器可以是用于测量流入水或进水的与凝结相关的参数的原水传感器。替代地，与凝结相关的参数(例如，碱度和/或总硬度)可以作为等分试样收集，并且在实验室中进行分析。如果使用回归模型2向水中施用标称凝结剂剂量，则测量的(多个)与凝结相关的参数可以用作输入到控制器中以用于预测水质指数的(多个)前馈参数。
在通过经由回归模型2评估测量的(多个)未处理的水中的与凝结相关的参数和标称凝结剂剂量来预测在向水中施用标称凝结剂剂量的情况下将会达到的水质指数之后，该方法包括确定所预测的水质指数是否在目标范围内。如图1所示，如果所预测的水质指数在目标范围内，则标称凝结剂剂量可以由过程控制器输出。例如，过程控制器可以生成控制信号以自动向水中施用标称凝结剂剂量(例如，通过发送信号以控制将凝结剂从容器泵入水中的泵)，或者可以向显示器或用户界面(UI)输出指令以指示系统的操作员施用标称凝结剂剂量，或者可以基于反馈控制来调节标称凝结剂剂量。
另一方面，如果所预测的水质指数不在目标范围内，则调整标称凝结剂剂量，并且将调整后的凝结剂剂量输入回归模型2，以预测在向水中施用调整后的凝结剂剂量的情况下将会达到的水质指数。例如，目标水质指数可以是0.1至0.8NTU、0.2至0.6NTU或0.3至0.5NTU范围内的预过滤浊度。如果处理过的水的预过滤浊度(作为水质指数)的预测值高于目标预过滤浊度，则可以预期标称凝结剂剂量将提供不充分的凝结和絮凝，以及降低的沉降效率和更短的过滤运行时间。在这种情况下，处理器增加标称凝结剂剂量，然后经由回归模型2评估增加的标称凝结剂剂量以及未处理水的(多个)与凝结相关的参数，以预测在向未处理的水施用增加的凝结剂剂量的情况下将会达到的水质指数。
另一方面，如果处理过的水的预过滤浊度(作为水质指标)的预测值低于目标预过滤浊度，则预计标称凝结剂剂量过高，这可能会不必要地增加成本。在这种情况下，处理器降低标称凝结剂剂量，然后经由回归模型2评估降低的标称凝结剂剂量以及未处理的水的(多个)与凝结相关的参数，以预测在向未处理的水施用降低的凝结剂剂量的情况下将会达到的水质指数。换句话说，如图1所示，与未处理的水的一个或多个与凝结相关的参数一起评估调整后的凝结剂剂量(其相对于首次评估的标称凝结剂剂量增加或减少)，以预测在将调整后的凝结剂剂量施用于未处理的水的情况下，将达到的新的水质指数。
然后，评估基于调整后的凝结剂剂量的新预测的水质指数，以确定其是否在目标范围内。如果新预测的水质指数在目标范围内，则过程控制器输出调整后的凝结剂剂量，例如，作为控制过程设备的信号，或输出到由用户操作的显示器或用户界面。如果新预测的水质指数不在目标范围内，则再次调整该调整后的凝结剂剂量，并且重复该过程以预测新的水质指数。该方法可以包括逐步调整标称凝结剂剂量，并且重复预测步骤和确定步骤，直到预测的水质指数被确定为在目标范围内为止。一旦所预测的水质指数在目标范围内，则可以输出该凝结剂剂量(即，标称凝结剂剂量或调整后的凝结剂剂量)以用于进一步的动作，例如向水中施用该凝结剂剂量(即，标称凝结剂剂量或调整后的凝结剂剂量，无论哪个以被预测为达到目标范围内的水质指数为准)，指示用户向水中施用凝结剂剂量，或例如基于反馈控制等进一步处理和/或调节凝结剂剂量。
如图1所示，该方法可以进一步包括基于未经处理的原水的一个或多个与凝结相关的进水参数的测量值来计算标称凝结剂剂量。优选地，基于多于一个与凝结相关的进水参数来计算标称凝结剂剂量，以实现更稳健的计算。可以通过评估实时数据来计算凝结剂剂量，包括使用回归模型1测量的未处理的原水的(多个)与凝结相关的参数。回归模型1是根据水的历史数据构建的数学模型，水的历史数据包括：(i)未用凝结剂处理的水的与凝结相关的进水参数的先前测量值；以及(ii)先前施用的凝结剂剂量。该数学模型可以根据机器学习算法构建，该机器学习算法已经使用历史数据进行了训练，以识别数据中的模式和关系，例如，先前测量的与凝结相关的参数和先前施用的凝结剂剂量之间的模式和关系。在接收到原水的一个或多个与凝结相关的参数的(多个)测量值时，回归模型1可以基于(多个)与凝结相关的参数的(多个)测量值来计算控制器在过去会施用的凝结剂剂量。
然后，可以将计算出的凝结剂剂量作为标称凝结剂剂量输入到回归模型2中，以确定为达到目标水质指标而预测的最佳凝结剂剂量。替代地，如图1所示，由回归模型1计算的凝结剂剂量可以由过程控制器输出(例如，作为控制过程设备的信号)，或者可以输出到用户界面以指示系统的操作员施用标称凝结剂剂量。
如图1所示，通过经由回归模型2预测水质指数和/或经由回归模型1计算标称凝结剂剂量来确定最佳凝结剂剂量的过程可以在设定的时间周期内重复。例如，过程控制器可以使用回归模型1和/或回归模型2重复收集实时数据以进行评估，以确定每分钟、每5分钟、每15分钟、每30分钟或每小时的最佳凝结剂剂量。替代地，如果水的状态(例如，实时输入数据)相对稳定，则可以以更长的间隔重复该过程，例如每天一次或两次。
数学模型训练
图2示出了用于构建和训练数学模型的示例性算法。回归模型1和回归模型2可以分别由第一机器学习算法和第二机器学习算法构建。机器学习模型可以是单变量或多变量回归模型，该单变量或多变量回归模型被训练为通过考虑一个或数个解释变量来提供稳健且最佳剂量计算，该一个或数个解释变量包括(多个)与凝结相关的进水参数和任何其他原水参数，以及处理目标或目标变量(例如，目标范围内的水质指标)。
为了训练模型，首先收集并存储历史数据，如图2所示。历史数据包括：原水、未处理的水的(多个)与凝结相关的进水参数的(在线和/或在实验室中进行的)历史测量值，向原水、未处理的水施用的历史凝结剂剂量以及施用凝结剂后达到的水质指数的历史值。历史数据还可以包括与已收集的水有关的任何其他数据。可以在任何以前的时间段(例如30天至5年、2个月至2年或6个月至1年)内收集历史数据。如图2所示，一旦收集了历史数据，就对该数据进行过滤和预处理，例如，根据已知方法去除异常值。然后，可以根据历史数据准备包括例如训练数据集、验证数据集和测试数据集中的一个或多个的数据集并将其存储在存储器中。
训练数据集可以适合于回归模型，以(i)基于原水的一个或多个与凝结相关的参数计算标称凝结剂剂量(回归模型1)，以及(ii)基于原水的一个或者多个与凝结有关的参数和标称凝结剂剂量预测水质指数(回归模型2)。例如，可以关于训练数据集训练模型，以推断解释变量(例如，历史与凝结相关的参数和历史凝结剂剂量)和(多个)目标变量(例如历史水质指数)之间的模式和关系，以形成用于预测凝结剂剂量和水质指数的预测模型。
例如，回归模型1可以识别出历史数据中的原水的历史的与凝结相关的进水参数和相应的施用到原水的历史凝结剂剂量之间的模式和/或关系，以开发出一种基于原水的(多个)与凝结相关的进水参数的(多个)实时测量值来预测过去本应施用的凝结剂剂量的算法。回归模型2可以识别出历史数据中的以下各项中的至少两项之间的模式和/或关系：(i)原水的历史的与凝结相关的进水参数，(ii)相应的施用到原水的历史凝结剂剂量，以及(iii)通过向原水施用历史凝结剂剂量而达到的所得历史水质指数，其中的至少一个是(iii)历史水质指数，以开发出一种基于原水的(多个)与凝结相关的进水参数的(多个)实时测量值来预测在向原水施加标称凝结剂剂量的情况下将会达到的水质指数的算法。优选地，回归模型2识别出历史数据中所有三个(i)-(iii)之间的模式和关系。
学习方法(例如，监督学习)可以包括任何合适的机器学习回归方法，例如线性回归、梯度增强回归、Quadent、决策树、梯度增强决策树(GBDT)/梯度增强决策树(GBRT)/多重加法回归树(MART)、人工神经网络(ANN)、卷积神经网络(CNN)和递归神经网络(RNN)。
然后，可以通过使用模型来验证拟合模型，该模型基于历史数据(回归模型1)和验证数据集中的在向水中施用标称凝结剂剂量的情况下将会达到的水质指数(回归模型2)来预测过去施用的凝结剂剂量。验证过程可以用于进一步调整拟合模型，以准确预测凝结剂剂量和水质指数。一旦模型已经得到验证，就可以使用测试数据集来评估适合于训练数据集的最终模型。在训练、验证和/或测试阶段，模型可以基于历史数据进行自我学习，并且调整其算法，例如，添加新的解释变量或进行任何其他调整，以提高它们的预测的准确度。参考图2，一旦经过训练和验证，就生成回归模型文件并将其存储在例如存储器中，然后(例如，控制器)可以使用经训练的模型来评估实时数据以计算凝结剂剂量并预测水质指数。
用于开发所公开的机器学习算法的编程工具没有特别限制，可以包括但不限于开源工具，例如Python开源机器学习库、规则引擎(例如
)、编程语言(包括Python、
SQL、R)和各种关系数据库架构。
如图2所示，回归模型1和回归模型2可以基于模型收集和评估的新数据重新训练，以计算标称凝结剂值和/或预测水质指数。例如，可以以设定的时间间隔(例如每周、每月或每年)或任何其他合适的间隔周期性地重新训练模型。例如，基于在前30天(或其他设定的时间间隔)期间收集的实时数据，可以每30天保留回归模型1和回归模型2一次。可以对收集到的数据进行过滤和预处理，并且将其添加到存储的数据集，例如训练数据集、验证数据集和/或测试数据集中的一个或多个，或用于保留的新数据集。然后，可以基于更新后的和/或新的(多个)数据集重新训练回归模型1和回归模型2。在再训练期间，回归模型会自我学习并且基于更新后的/新的(多个)数据集更新其算法和/或添加新的解释变量。通过周期性地重新训练该模型，可以随着时间的推移进一步提高其预测精度。
用于确定最佳凝结剂剂量的前馈和反馈控制方法
图3示出了用于使用前馈控制和反馈控制来确定最终凝结剂剂量的示例性方法的流程图。图3中的方法包括图1中所示的前馈方法，其用于通过回归模型1计算凝结剂剂量输出1和/或基于由回归模型2预测的水质指数计算最佳凝结剂剂量输出2。如图3所示，可以通过反馈控制回路进一步调整由前馈模型输出的前馈剂量。反馈控制回路可以包括收集指示凝结剂剂量的有效性的数据(例如，实时数据)，并且基于收集的数据调整凝结剂剂量。图3中所示的反馈参数包括测量预过滤浊度、预过滤UVT(例如，基于254nm波长下的UV吸收率/透射率的有机物含量)以及已经用凝结剂剂量处理的水中的流动电流。反馈参数可以包括比图3所示的参数更少或更多的参数。例如，反馈参数可以附加地或备选地包括流动电流、颗粒散射、254nm波长处的紫外线吸收率、254nm波长处的紫外线透射率、pH值、总有机碳和预过滤浊度中的一个或多个。
(多个)反馈参数可以在凝结剂泵下游和/或过滤器上游在线测量或在实验室中测量。例如，参考图4，(多个)反馈传感器可以包括流动电流SCD、颗粒散射PART、254nmUV254下的紫外线吸收率/透射率、总有机碳TOC、pH值和预过滤浊度NTU。在图4中，(多个)反馈传感器在线定位在凝结剂泵的下游，并且定位在固体分离罐的上游(例如SCD和PART)或下游(例如UV254、TOC、pH值和NTU)。然而，(多个)反馈传感器可以定位于凝结剂泵下游的任何位置，以用于测量反馈参数，和/或定位于固体分离罐下游的过滤器(未示出)的上游。
可以评估测量的(多个)反馈参数，以相应地调整凝结剂剂量。例如，被配置为接收所测量的(多个)反馈参数的过程控制器可以被配置为评估所测量的参数并相应地调整该凝结剂剂量。替代地，可以使用另一个处理器来评估测量的(多个)反馈参数并调整凝结剂剂量。最终的凝结剂剂量然后可以被输出到处理器控制器，以用于自动控制凝结剂泵以施用最终的凝结剂剂量或向用户输出指令(例如，经由用户接口)以调节凝结剂剂量。
可以使用(多个)实时反馈测量值连续地或周期性地进行前馈模型的验证和调整。替代地，例如，如果连续的在线反馈测量值不可用，作为等分试样采集的抓取样本的实验室分析可以用作软传感器，以用于间歇性验证和调整前馈模型。如果连续的在线替代参数反馈测量值可以用于解释变量以外的变量，则使用替代在线参数的回归模型可以用于预测(预报)用于模型验证和调整的解释变量结果。
当基于反馈控制调整凝结剂剂量(例如，前馈剂量)时，该结果与由控制器收集的其他数据一起存储，并可以用于重新训练回归模型1和回归模型2。例如，在再训练期间，可以过滤和处理由反馈控制所做的调整，并且将其与自上次训练以来收集的其他数据一起添加到训练数据集。该模型可以从基于反馈控制对凝结剂剂量所做的调整中自我学习，以调整其算法和/或识别新的解释变量，以进一步提高模型在确定最佳浓度时的预测精度。前馈控制和反馈控制的组合可以精确地模拟凝结过程，以精确地计算最佳凝结剂剂量，从而减少浪费和成本并提高效率。
凝结处理系统和计算机可读存储介质
本公开内容还涉及凝结处理系统。图4中示出了示例性系统，其中，水沿着从图的左手侧到右手侧的方向流过导管。用于测量流入水(例如，未处理的原水)的一个或多个与凝结相关的进水参数的多个传感器在线定位(例如，安装)在凝结剂泵上游的位置处。传感器可以包括流量传感器(FM)、浊度传感器(NTU)、电导率传感器(COND)、254nm波长(UV254)下的紫外线吸收率/透射率传感器、总有机碳传感器(TOC)和温度传感器(TEMP)。该系统不限于这些传感器，并且可以包括这些传感器中的一个或多个。例如，该系统可以附加地或替代地包括图4中未示出的传感器，例如颜色传感器、溶解氧传感器、氧化还原电位(ORP)传感器和/或用于测量水的与凝结相关的参数的任何其他合适的传感器。除了在线传感器之外，其他与凝结相关的参数(例如碱度和/或总硬度)也可以在实验室中测量。
该系统还包括用于将凝结剂泵入原水的凝结剂泵。凝结剂泵可以是用于以确定的剂量向原水施用凝结剂的任何合适的泵或注射器。在图4中，凝结剂被泵入任何快速混合罐、絮凝(絮凝物)罐和固体分离罐上游的水中，但是可以在任何合适的位置处将其施用到水中。本文公开的方法和系统中使用的凝结剂可以是用于实现水中的颗粒物质的凝结和/或絮凝的任何合适的凝结剂或助凝剂。例如，凝结剂可以是以下各项中的一项或多项，但不限于以下各项：钙硫酸铝(Alum)、氯化铁、硫酸铁、聚合氯化铝(PAC)和有机阴离子/阳离子聚合物。凝结剂可以连续、间歇或周期性地施加到水中。凝结剂配量计划可以被存储在存储器中。
继续参考图4，该系统可以包括凝结剂泵下游的快速混合罐，其用于在快速混合过程中搅拌和混合水和凝结剂。快速混合罐可以直接位于凝结剂泵的下游，以用于快速混合凝结剂和水，以将凝结剂分散在整个水流中，并且将混合物均匀地混合。还可以或替代地提供絮凝罐。絮凝罐可以提供温和的搅拌或缓慢的混合(例如，相对于任何快速混合罐)，以促进颗粒碰撞并增强絮体生长。凝结混合的下游是固体分离罐，当悬浮颗粒和絮体流过该罐时，该罐可使其从水中沉淀出来。一层堆积的固体(称为污泥)形成在罐底部处，可以被定期清除。固体分离罐的下游是过滤器(未示出)，以用于进一步从水中去除杂质，例如，通过将水过滤通过多孔粒状材料(例如沙子或碳)的层或基座。水系统不限于图4所示的实施例。例如，该系统可以包括用于凝结和/或絮凝的已知罐的任何组合，其可以包括比图4所示的罐更少或更多的罐。例如，该系统可以另外或替代地包括用于去除悬浮物的溶解空气浮选(DAF)罐。
如图4所示，系统还包括过程优化控制器，其被配置为从一个或多个在线传感器接收数据(例如实时数据)和/或实验室数据(包括前馈参数和反馈参数的数据)。过程控制器可以被配置为评估来自在线传感器和/或实验室的数据输入，以使用本文公开的任何方法确定最佳凝结剂剂量。例如，处理器控制器可以被配置为实现图1中所示的前馈控制模型，包括回归模型1和/或回归模型2，以用于通过预测通过施用标称凝结剂剂量而会达到的水质指数来确定最佳凝结剂剂量，和/或计算标称凝结剂剂量或调整后的凝结剂剂量，和/或图3所示的用于确定最终凝结剂剂量的前馈/反馈控制方法。过程控制器还可以被配置为控制凝结剂泵以施用由前馈控制方法和/或反馈控制方法确定的凝结剂剂量。替代地，水系统可以具有用于控制凝结剂泵(包括剂量和时间表)的另一个专用控制器。过程控制器可以将所确定的最佳凝结剂剂量(例如，作为控制信号)输出到用于控制凝结剂泵的专用控制器。过程控制器可以替代地或附加地被配置为(例如，经由用户接口)向系统的操作员输出由本文公开的任何方法确定的凝结剂剂量，使得用户可以手动操作凝结剂泵以向水中施用所确定的凝结剂剂量。控制器还可以被配置为(例如，经由用户接口)从用户接收指令。例如，用户可以经由回归模型1和/或回归模型2向控制器输入标称凝结剂剂量以进行分析，或者可以指示控制器以其他方式调整凝结剂剂量。
过程控制器可以被配置为执行各种软件程序，包括执行本文公开的全部或部分过程和算法的软件。例如，过程控制器可以被配置为处理用于机器学习和其他算法和软件程序的数据，例如前馈数据和/或反馈数据，以便输出参数值(例如，标称凝结剂剂量、水质指数和最终凝结剂剂量)。作为一个示例，控制器可以包括处理器、可操作地联接到处理器的存储器，以及存储在存储器中的包括处理器可执行指令的一个或多个模块和/或机器学习算法，这些处理器可执行指令用于指示控制器使用前馈和/或反馈模型(包括经过训练的数学(机器学习)模型，例如回归模型1和/或回归模型2)来处理与凝结处理系统的操作相关联的一组参数的输入值(例如，测量的原水的(多个)与凝结相关的参数、标称凝结剂剂量和测量的反馈参数)，以输出目标参数的值(例如，标称凝结剂剂量、水质指数和最终凝结剂剂量)；并且至少部分地基于输出值来控制水处理系统的至少一个操作。指令可以指示控制器控制凝结剂的剂量，或者控制接口等以允许用户施用所确定的凝结剂剂量。存储器可以进一步被配置为存储从在线传感器和实验室收集的实时数据、训练、验证和/或测试数据集以及任何其他数据。
过程控制器包括硬件，例如用于处理数字信号的电路以及例如用于处理模拟信号的电路。例如，控制器可以包括电路板上的一个或多个电路器件(例如，IC)或一个或多个电路元件(例如，电阻器、电容器)。控制器可以是中央处理单元(CPU)或任何其他合适的处理器。过程控制器可以是专用或通用计算机或处理系统的一部分或形成专用或通用计算机或处理系统的一部分，该专用或通用计算机或处理系统可以实现根据所公开的实施例的机器学习算法。可以使用一个或多个控制器、处理器或处理单元、存储器和可操作地将包括存储器在内的各种部件联接到控制器的总线。控制器可以包括执行本文描述的方法的模块。模块可以被编程到处理器的集成电路中，或者从存储器、存储设备或网络或其组合加载。例如，控制器可以执行操作和其他系统指令，以及凝结处理系统的软件算法、机器学习算法、计算机可执行指令和处理功能。
过程控制器可以与许多其他通用或专用计算系统环境或配置一起操作。可以适合于与所公开的实施例一起使用的已知的计算系统、环境和/或配置的示例可以包括但不限于个人计算机系统、服务器计算机系统、薄客户端、厚客户端、诸如平板电脑和移动设备的手持设备、膝上型计算机设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机系统、大型计算机系统以及包括任何上述系统或设备的分布式云计算环境等。
水处理系统的各个部件可以经由任何类型的数字数据通信(诸如通信网络)相互连接。还可以通过网络设备(例如有线或无线以太网卡、无线网络适配器)或设计成便于通过网络与其他设备通信的任何其他设备向过程控制器提供数据。网络可以是例如局域网(LAN)、广域网(WAN)以及形成因特网的计算机和网络。该系统可以通过网络交换数据并与其他系统通信。例如，该方法可以在云计算环境(包括公共云、私有云和混合云)中实践。该方法还可以或替代地在分布式云计算环境中实践，其中任务由通过通信网络链接的远程处理设备执行。在分布式云计算环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机系统存储介质中。该系统也可以被配置为离线工作。
本公开内容还涉及一种非暂时性计算机可读存储介质，其被配置为存储计算机可执行功能(例如用于实现所公开的方法的功能)的计算机可执行程序。例如，计算机可执行功能可以包括处理由控制器收集的实时输入数据、通过使用回归模型1评估未处理水的至少一个测量的与凝结相关参数来计算凝结剂剂量、以及通过使用回归模型2评估标称凝结剂剂量和未用凝结剂处理的水的至少一个与凝结相关的参数来预测在向水施用标称凝结剂剂量的情况下将会达到的水质指数、确定所预测的水质指数是否在目标范围内、以及在所预测的水质指数不在目标范围内的情况下，调整标称凝结剂剂量，并且基于回归模型2预测在向水中施用调整后的凝结剂剂量的情况下将会达到的水质指数。计算机可执行功能还可以包括与反馈控制方法相关的功能，以及控制凝结剂泵以以指示的剂量施用凝结剂和/或(例如，经由用户接口)向用户输出指令(例如，关于凝结剂剂量的指令)，以及与所公开的方法相关的任何其他功能。计算机可读存储介质还可以存储由控制器收集的实时数据、训练数据集、验证数据集和测试数据集中的一个或多个，以及机器学习算法和计算机可执行指令。
存储介质可以包括存储器和/或任何其他存储设备。存储器可以是例如计算机的随机存取存储器(RAM)。存储器可以是诸如SRAM和DRAM的半导体存储器。存储设备可以是例如寄存器、诸如硬盘设备的磁存储设备、诸如光盘设备的光存储设备、内部或外部硬盘驱动器、服务器、固态存储设备、CD-ROM、DVD、其他光盘或磁盘存储或其他存储设备。
本文公开的方法、系统、计算机可读存储介质以及计算机程序和机器学习算法可以集成到现有的水和/或凝结处理系统和基础设施中，以便修改现有系统以根据本文公开的方法计算最佳凝结剂剂量。
应当理解，以上公开的特征和功能或其替代方案可以理想地组合成不同的方法和系统。此外，本领域技术人员随后可以进行各种替代、修改、变化或改进，并且也意图被所公开的实施例所涵盖。这样，可以在不脱离本公开内容的精神和范围的情况下进行各种改变。
Claims (15)
1.一种用于确定待施用到凝结处理系统中的水的凝结剂的最佳量的方法，所述方法包括：
利用已经根据所述水的历史数据构建的第一数学模型，通过评估先前未用凝结剂处理的水的至少一个与凝结相关的进水参数来预测对于相应的标称凝结剂剂量将会达到的水质指数，所述水的历史数据包括：(i)先前施用的凝结剂剂量；以及(ii)已经用先前施用的凝结剂剂量处理的水的水质指数的先前确定的值；
确定对于相应的标称凝结剂剂量的所预测的水质指数是否在目标范围内；以及
在所预测的水质指数不在所述目标范围内的情况下，调整所述标称凝结剂剂量，并且基于所述第一数学模型来预测对于调整后的凝结剂剂量将会达到的水质指数。
2.根据权利要求1所述的方法，还包括：在所预测的水质指数在所述目标范围内的情况下，向所述水施用所述标称凝结剂剂量。
3.根据权利要求1所述的方法，其中，在所预测的水质指数不在所述目标范围内的情况下，逐步调整所述标称凝结剂剂量，重复预测步骤和确定步骤，直到所预测的水质指数在所述目标范围内为止，然后向所述水施用所述调整后的凝结剂剂量。
4.根据权利要求1所述的方法，其中：
用于构建所述第一数学模型的所述历史数据还包括先前测量的未用所述凝结剂处理的水的与凝结相关的进水参数；并且
所述第一数学模型是多变量回归模型，所述多变量回归模型已经使用所述历史数据进行了训练，以识别先前测量的与凝结相关的进水参数、先前施用的凝结剂剂量和先前确定的水质指数的值之间的关系。
5.根据权利要求1所述的方法，还包括：基于未用所述凝结剂处理的水的所述至少一个与凝结相关的进水参数来计算所述标称凝结剂剂量。
6.根据权利要求1所述的方法，还包括：基于未用所述凝结剂处理的水的多个与凝结相关的进水参数来计算所述标称凝结剂剂量，
其中，所述凝结剂剂量是通过使用第二数学模型评估所述多个与凝结相关的进水参数来计算的，所述第二数学模型是根据历史数据构建的，所述历史数据包括：(i)先前测量的未用所述凝结剂处理的水的多个与凝结相关的进水参数的值；以及(ii)先前施用的凝结剂剂量。
7.根据权利要求6所述的方法，其中，所述第二数学模型是多变量回归模型，所述多变量回归模型已经使用所述历史数据进行了训练，以识别所述多个凝结参数的先前测量值与先前施用的凝结剂剂量之间的关系。
8.根据权利要求6所述的方法，还包括：基于所收集的新数据周期性地重新训练所述第一数学模型和所述第二数学模型中的一个或两者。
9.根据权利要求1所述的方法，其中：
所述至少一个与凝结相关的进水参数选自由流量、pH值、浊度、电导率、254nm波长处的紫外线吸收率、254nm波长处的紫外线透射率、总有机碳、温度、颜色、溶解氧、氧化还原电位、碱度和总硬度组成的组，并且
所述水质指数是选自由预过滤浊度、总有机物含量、254nm波长处的紫外线吸收率和254nm波长处的紫外线透射率组成的组中的至少一项。
10.根据权利要求1所述的方法，还包括：基于在凝结剂注射器下游测量到的反馈参数来调节所述凝结剂剂量，其中，所述反馈参数是选自由流动电流、颗粒散射、254nm波长处的紫外线吸收率、254nm波长处的紫外线透射率、pH值、总有机碳和预过滤浊度组成的组中的至少一项。
11.一种凝结处理系统，包括：
导管，其被配置为使水流通过；
存储器，其被配置为存储至少由所述水的历史数据构建的第一数学模型，所述历史数据包括：(i)先前施用的凝结剂剂量；以及(ii)已经用先前施用的凝结剂剂量处理的水的水质指数的先前确定的值；和
控制器，其被配置为：
基于所述第一数学模型，通过评估未用凝结剂处理的水的至少一个与凝结相关的进水参数来预测对于相应的标称凝结剂剂量将会达到的水质指数；
确定对于所述相应的标称凝结剂剂量的所预测的水质指数是否在目标范围内；以及
在所预测的水质指数不在所述目标范围内的情况下，调整所述标称凝结剂剂量，并且基于所述第一数学模型来预测对于调整后的凝结剂剂量将会达到的水质指数。
12.根据权利要求11所述的凝结处理系统，还包括：
原水传感器，其被配置为测量未用凝结剂处理的水的所述至少一个与凝结相关的进水参数，以及
凝结剂注射器，其被配置为将所述凝结剂施用到所述水，其中，所述凝结剂注射器定位在所述原水传感器的下游。
13.根据权利要求11所述的凝结处理系统，还包括反馈传感器，所述反馈传感器被配置为测量已经用所述凝结剂处理的水的反馈参数，所述反馈传感器定位在凝结剂注射器的下游，
其中：
所述反馈参数是选自由流动电流、颗粒散射、254nm波长处的紫外线吸收率、254nm波长处的紫外线透射率、pH值、总有机碳和预过滤浊度组成的组中的至少一项；并且
所述控制器还被配置为基于在所述凝结剂注射器的下游测量到的所述反馈参数来调节施用到所述水的所述凝结剂剂量。
14.根据权利要求11所述的凝结处理系统，其中，所述控制器还被配置为通过使用第二数学模型评估所述至少一个与凝结相关的进水参数来计算所述标称凝结剂剂量，所述第二数学模型是根据所述水的所述历史数据构建的，所述历史数据包括：(i)先前测量的未用所述凝结剂处理的水的多个与凝结相关的进水参数的值；以及(ii)先前施用的凝结剂剂量。
15.一种非暂时性计算机可读存储介质，其中存储有能够由处理器执行的程序，所述程序使所述处理器执行：
利用根据历史数据构建的第一数学模型，通过评估未用凝结剂处理的水的至少一个与凝结相关的进水参数来预测对于相应的标称凝结剂剂量将会达到的水质指数，所述历史数据包括：(i)先前施用的凝结剂剂量；以及(ii)已经用先前施用的凝结剂剂量处理的水的水质指数的先前确定的值；
确定对于相应的标称凝结剂剂量的所预测的水质指数是否在目标范围内；以及
在所预测的水质指数不在所述目标范围内的情况下，调整所述标称凝结剂剂量，并且基于所述第一数学模型来预测对于调整后的凝结剂剂量将会达到的水质指数。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063115320P | 2020-11-18 | 2020-11-18 | |
| US63/115,320 | 2020-11-18 | ||
| US202063132162P | 2020-12-30 | 2020-12-30 | |
| US63/132,162 | 2020-12-30 | ||
| PCT/US2021/051853 WO2022108659A1 (en) | 2020-11-18 | 2021-09-24 | Process, system, and computer readable storage medium for determining optimal coagulant dosage |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116235600A true CN116235600A (zh) | 2023-06-06 |
Family
ID=81709593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180065240.8A Pending CN116235600A (zh) | 2020-11-18 | 2021-09-24 | 用于确定最佳凝结剂剂量的过程、系统和计算机可读存储介质 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230257283A1 (zh) |
| EP (1) | EP4248602A4 (zh) |
| CN (1) | CN116235600A (zh) |
| CA (1) | CA3190398A1 (zh) |
| WO (1) | WO2022108659A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115385432A (zh) * | 2022-09-19 | 2022-11-25 | 上海西派埃智能化系统有限公司 | 一种污水除磷的方法及系统 |
| CN116947189B (zh) * | 2023-09-19 | 2023-12-08 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6408227B1 (en) * | 1999-09-29 | 2002-06-18 | The University Of Iowa Research Foundation | System and method for controlling effluents in treatment systems |
| FI118981B (fi) * | 2003-08-29 | 2008-05-30 | Kemira Oyj | Menetelmä ja laitejärjestely kemikaalien automaattisen annostelun säätämiseksi |
| CN102531121A (zh) * | 2012-02-28 | 2012-07-04 | 天津大学 | 水处理混凝剂最佳投量预测系统及预测方法 |
| JP6250431B2 (ja) * | 2014-02-21 | 2017-12-20 | メタウォーター株式会社 | 水処理プロセスの制御方法及び制御装置 |
| JP6422901B2 (ja) * | 2016-02-12 | 2018-11-14 | 株式会社東芝 | 管理支援システム、管理支援方法及び管理支援プログラム |
| JP7264697B2 (ja) * | 2019-04-02 | 2023-04-25 | 横河電機株式会社 | プラント運転支援システム及びプラント運転支援方法 |
| CN111718028A (zh) * | 2020-06-24 | 2020-09-29 | 南京邮电大学 | 一种基于大数据分析的净水厂混凝剂投加智能化建模方法 |
-
2021
- 2021-09-24 CN CN202180065240.8A patent/CN116235600A/zh active Pending
- 2021-09-24 US US17/609,592 patent/US20230257283A1/en active Pending
- 2021-09-24 WO PCT/US2021/051853 patent/WO2022108659A1/en unknown
- 2021-09-24 EP EP21895308.1A patent/EP4248602A4/en active Pending
- 2021-09-24 CA CA3190398A patent/CA3190398A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230257283A1 (en) | 2023-08-17 |
| EP4248602A4 (en) | 2024-04-17 |
| CA3190398A1 (en) | 2022-05-27 |
| EP4248602A1 (en) | 2023-09-27 |
| WO2022108659A1 (en) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230257283A1 (en) | Process, system, and computer readable storage medium for determining optimal coagulant dosage | |
| CN103011356B (zh) | 一种高浊度水系自动投药控制方法 | |
| US6408227B1 (en) | System and method for controlling effluents in treatment systems | |
| EP3445720A1 (en) | Water treatment system and method | |
| JP4492473B2 (ja) | 凝集剤注入制御装置および方法 | |
| CN113705898A (zh) | 自来水混凝剂加药量的预测方法及系统 | |
| Tahraoui et al. | Optimisation and prediction of the coagulant dose for the elimination of organic micropollutants based on turbidity | |
| US11866348B2 (en) | System, apparatus, and method for treating wastewater in real time | |
| Abba et al. | Multi-parametric modeling of water treatment plant using AI-based non-linear ensemble | |
| Sheng et al. | Assessment and optimization of coagulation process in water treatment plant: A review | |
| KR101253481B1 (ko) | 수처리 시설의 응집제 투입량 최적 제어 시스템 | |
| KR100331708B1 (ko) | 상수처리 시스템의 응집제 주입율 자동 연산 장치 및 방법 | |
| CN111268780B (zh) | 一种污水处理方法 | |
| Van Leeuwen et al. | Empirical mathematical models and artificial neural networks for the determination of alum doses for treatment of southern Australian surface waters | |
| CN114380378B (zh) | 智能控磷药品投加方法、装置及存储介质 | |
| CN113039160A (zh) | 测量和控制废水流中的有机物 | |
| JP2007098287A (ja) | 浄水プロセスの運転管理方法 | |
| Alsaeed et al. | Modeling jar test results using gene expression to determine the optimal alum dose in drinking water treatment plants | |
| Al-Baidhani et al. | Prediction of water treatment plant outlet turbidity using artificial neural network | |
| Pandilov et al. | Application of intelligent optimization tools in determination and control of dosing of flocculent in water treatment | |
| CN115759399A (zh) | 投加控制方法、装置、设备及存储介质 | |
| Kriti et al. | Artificial neural network modelling of shyamala water works, Bhopal MP, India: A green approach towards the optimization of water treatment process | |
| Gomes et al. | Coagulant dosage determination in a water treatment plant using dynamic neural network models | |
| CN111356655A (zh) | 确定用于处理原水的凝结剂的剂量的方法 | |
| Yavich et al. | Chemical feed control using coagulation computer models and a streaming current detector |
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 |