CN116402233A - 一种超滤膜污染预测方法 - Google Patents
一种超滤膜污染预测方法 Download PDFInfo
- Publication number
- CN116402233A CN116402233A CN202310446057.3A CN202310446057A CN116402233A CN 116402233 A CN116402233 A CN 116402233A CN 202310446057 A CN202310446057 A CN 202310446057A CN 116402233 A CN116402233 A CN 116402233A
- Authority
- CN
- China
- Prior art keywords
- water
- ultrafiltration membrane
- data
- inlet
- pressure difference
- 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
- 239000012528 membrane Substances 0.000 title claims abstract description 88
- 238000000108 ultra-filtration Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 148
- 238000004140 cleaning Methods 0.000 claims abstract description 29
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 31
- 229910052760 oxygen Inorganic materials 0.000 claims description 31
- 239000001301 oxygen Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000011109 contamination Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 13
- 229910052757 nitrogen Inorganic materials 0.000 claims description 12
- 238000005406 washing Methods 0.000 claims description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 9
- 229910052698 phosphorus Inorganic materials 0.000 claims description 9
- 239000011574 phosphorus Substances 0.000 claims description 9
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 3
- 239000003599 detergent Substances 0.000 claims description 3
- 238000011010 flushing procedure Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000007800 oxidant agent Substances 0.000 claims description 3
- 230000001590 oxidative effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 11
- 239000010865 sewage Substances 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 239000002033 PVDF binder Substances 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009285 membrane fouling Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Separation Using Semi-Permeable Membranes (AREA)
Abstract
本发明涉及一种超滤膜污染预测方法，其包括如下步骤：(1)采集超滤膜运行过程中的进水水质数据、出水流量数据以及超滤膜运行操作数据中的多项数据，并对上述参数进行预处理；(2)将步骤(1)中的预处理后的数据引入随机森林回归模型，得到预测的跨膜压差数据；(3)根据所述预测的跨膜压差数据判断超滤膜污染等级，若0kpa<预测的跨膜压差(TMP)≤10kpa，则判断为轻度污染；若10kpa<预测的跨膜压差≤20kpa，则判断为中度污染；若预测的跨膜压差＞20kpa，则判断为重度污染。通过本发明的预测方法，能够根据实际情况，采用恰当的清洗处理方法，降低生产成本，延长膜寿命，更快地恢复超滤膜运行。
Description
技术领域
本发明属于城镇污水处理厂污水深度处理技术领域，具体涉及一种超滤膜污染预测方法。
背景技术
随着城市化的快速发展，工业生产活动和城镇居民人口逐渐增加，对水量、水质安全的需求不断提高，对城镇污水厂出水水质要求也随之提高，采用深度处理技术，可使城镇污水达到排放标准要求。
近年来，超滤膜技术作为城镇污水深度处理手段被广泛使用，不仅可以截留水质SS、细菌等，也可以去除一部分的TN、TP、COD，可适应多种水质条件并提高出水水质。但是，膜污染是制约超滤技术在水处理领域应用的主要因素，关系到产水效率和运行成本。
目前，多数城镇污水厂对于膜污染还没有可信可用的预测方法，主要以人工观察来判断膜污染程度，以人工经验来操作膜污染清洗方式，以恢复超滤膜功能。不仅存在滞后性，会降低超滤膜寿命，同时也会增加生产成本。
现有技术中，基于跨膜压差进行超滤膜污染评判的主要参数，实时检测跨膜压差虽然相比人工观察具有更高的准确性，但同样存在滞后性。通过开发数学模型预测跨膜压差，建立超滤膜污染的预测方法是目前的研究重点。
发明内容
本发明的目的是提供一种超滤膜污染预测方法，从而能够根据实际情况，采用恰当的清洗处理方法，降低生产成本，延长膜寿命，更快地恢复超滤膜运行。
为达到上述目的，本发明采用的技术方案是：
一种超滤膜污染预测方法，其包括如下步骤：
(1)采集超滤膜运行过程中的进水水质数据、出水流量数据以及超滤膜运行操作数据中的多项数据，并对上述参数进行预处理；
(2)将步骤(1)中的预处理后的数据引入随机森林回归模型，得到预测的跨膜压差数据；
(3)根据所述预测的跨膜压差数据判断超滤膜污染等级，若0kpa<预测的跨膜压差(TMP)≤10kpa，则判断为轻度污染；若10kpa<预测的跨膜压差≤20kpa，则判断为中度污染；若预测的跨膜压差＞20kpa，则判断为重度污染。
随机森林具有分类速度快、参数调整少、能有效避免过度拟合、高效处理高维大样本数据的优点，并且它可以估计特征的重要性和抗噪声能力。
优选地，所述的进水水质数据包括进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、进水氨氮、进水总磷、进水总氮中的至少四种。
优选地，所述出水流量数据包括浓水出水流量和纯水出水流量。
优选地，所述超滤膜运行操作数据包括水洗时间、药洗时间和气洗时间。
根据一些具体且优选实施方式，所述步骤(1)中采集的数据为：进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、进水氨氮、进水总磷、进水总氮、浓水出水流量、纯水出水流量。
优选地，步骤(1)中，所述预处理的方法包括缺失值处理和异常值处理。
优选地，步骤(2)中，所述随机森林回归模型由训练数据进行训练，再经测试数据进行评价测试得到，所述训练数据和所述测试数据的输入参数分别为进水水质数据、出水流量数据以及超滤膜运行操作数据，输出参数为采集的跨膜压差数据。
随机森林回归模型的建立方法为：
(1)采集超滤膜运行过程中的进水水质数据、出水流量数据、超滤膜运行操作数据中的多项数据以及跨膜压差；
(2)对步骤(1)采集的数据进行预处理。处理方式包括缺失值处理和异常值处理。
步骤(3)、将步骤(2)的预处理后的数据分别分为80％数据为训练集，20％数据为测试集，以预处理后的进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、进水氨氮、进水总磷、进水总氮、浓水出水流量和纯水出水流量为输入参数，以跨膜压差为输出参数。将输入参数和输出参数分别引入随机森林回归模型进行训练，建立初步预测模型
将步骤(1)中的预处理后的数据划分为训练集和测试集，其中，训练集采用有放回的随机选取方法抽取多个训练样本，形成多个子训练集，作为决策树的训练数据，再由多棵决策树形成以跨膜压差为输出数据的随机森林回归模型；利用测试集对初步预测模型进行测试，评价模型运行的可行性、准确性。预测模型评价指标为平均标准百分比误差(MAPE)、平均绝对误差(MAE)。
进一步优选地，所述评价测试的评价指标为平均标准百分比误差和平均绝对误差。
进一步优选地，所述训练采用Python语言或Java语言环境建立机器学习训练模型。
若采用Python语言建立模型，需输出pmml后缀模型。
优选地，将所述随机森林回归模型嵌入Tempo大数据分析平台，进行可视化场景应用展示并根据输出结果建立预警模块。
进一步优选地，所述预警模块包含膜污染等级判定以及操作指示建议专家库。
根据一些具体且优选实施方式，若所述超滤膜污染等级膜污染等级判断为轻度污染，则所述操作指示包括在线物理清洗、增加清洗频次、延长清洗时间、加大清洗水量、正反逆向冲洗中的一个或多个；若所述超滤膜污染等级膜污染等级判断为中度污染，则所述操作指示包括离线化学清洗、氧化剂清洗、加酶洗涤剂清洗中的一个或多个；若所述超滤膜污染等级膜污染等级判断为高度污染，则所述操作指示为更换超滤膜。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
本发明提供了一种基于随机森林回归模型的超滤膜污染预测方法，考察进出水水质、水量及操作方式与跨膜压差输出因子的模型计算关系，通过前馈-反馈相结合的方式全面分析，减少计算量的同时提高预测准确性。本发明的膜污染随机森林预测模型学习过程快，准确度高，可以及时监测、预测膜污染程度，及时提出建议与操作方法，恢复超滤膜运行工作效率，降低生产能耗、成本。
附图说明
图1为本发明实施例中的超滤膜污染预测方法的流程图；
图2为本发明实施例中的随机森林预测模型原理示意图。
具体实施方式
下面结合实施例对本发明作进一步描述。但本发明并不限于以下实施例。实施例中采用的实施条件可以根据具体使用的不同要求做进一步调整，未注明的实施条件为本行业中的常规条件。本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
图1是本实施例的超滤膜污染预测方法的流程图，其包括如下步骤：
步骤(1)、模型相关参数数据采集。采集超滤膜运行过程进水水质数据：进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、进水氨氮、进水总磷、进水总氮；出水流量数据：浓水出水流量、纯水出水流量；超滤膜运行操作参数：跨膜压差。进水水质数据、出水流量数据、超滤膜运行操作参数均来自自动化设备采集。
步骤(2)、对步骤(1)采集的数据进行预处理。处理方式包括缺失值处理和异常值处理。
步骤(3)、将步骤(2)的预处理后的数据分别分为80％数据为训练集，20％数据为测试集，以预处理后的进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、进水氨氮、进水总磷、进水总氮、浓水出水流量和纯水出水流量为输入参数，以跨膜压差为输出参数。将输入参数和输出参数分别引入随机森林回归模型进行训练，建立初步预测模型。图2为本实施例中随机森林预测模型原理示意图，训练集采用有放回的随机选取方法抽取多个训练样本，形成多个子训练集，作为决策树的训练数据，再由多棵决策树形成以跨膜压差为输出数据的随机森林回归模型。利用测试集对初步预测模型进行测试，评价模型运行的可行性、准确性。本实施例中采用Python语言、Java语言等环境建立机器学习训练模型。其中，若采用Python语言建立模型，需输出pmml后缀模型。预测模型评价指标为平均标准百分比误差(MAPE)、平均绝对误差(MAE)。本实施例中，经过180组数据的训练，输出参数跨膜压差的MAPE和MAE分别为15.5％和0.4kpa，从而建立了超滤膜污染预测模型。
步骤(4)、将建立的超滤膜污染预测模型嵌入Tempo大数据分析平台，进行可视化场景应用展示并根据输出结果建立预警模块。大数据分析平台建立的预警模块包含膜污染等级判定以及操作指示建议专家库。其中：
轻度污染等级为0kpa<跨膜压差(TMP)≤10kpa，操作指示有“在线物理清洗，可增加清洗频次，延长清洗时间，加大清洗水量，正反逆向冲洗等”；
中度污染等级为10<跨膜压差(TMP)≤20kpa，操作指示有“离线化学清洗，将膜拆除并化学药剂浸泡清洗，如酸溶液清洗、碱溶液清洗、氧化剂清洗、加酶洗涤剂等”；
重度污染等级为跨膜压差(TMP)＞20kpa，操作指示为“更换超滤膜”。
实施例2
本实施例基本同实施例1，区别仅在于：以进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、浓水出水流量、纯水出水流量为输入参数，以跨膜压差为输出参数。本实施例中，经过180组数据的训练，输出参数跨膜压差的MAPE和MAE分别为32％和1kpa。
实施例3
本实施例基本同实施例1，区别仅在于：以进水溶解氧、进水生化需氧量、进水氨氮、进水总磷、进水总氮、进水pH为输入参数，以跨膜压差为输出参数。本实施例中，经过180组数据的训练，输出参数跨膜压差的MAPE和MAE分别为23％和1kpa。
实施例4
本实施例基本同实施例1，区别仅在于：以浓水出水流量、纯水出水流量、水洗时间、药洗时间、气洗时间为输入参数，以跨膜压差为输出参数。本实施例中，经过180组数据的训练，输出参数跨膜压差的MAPE和MAE分别为43％和1.5kpa。
实施例5
本实施例基本同实施例1，区别仅在于：以进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、浓水出水流量、纯水出水流量、水洗时间、药洗时间、气洗时间为输入参数，以跨膜压差为输出参数。本实施例中，经过180组数据的训练，输出参数跨膜压差的MAPE和MAE分别为18.2％和0.8kpa。
分别采用实施例1至实施例5的超滤膜污染预测方法对同一污水处理系统中的超滤膜(PVDF)进行超滤膜污染预测，方法如下：
(1)采用自动化设备采集所需的输入参数数据；
(2)对步骤(1)采集的数据进行预处理，包括缺失值处理和异常值处理；
(3)将步骤(2)中预处理后的输入参数数据代入对应的超滤膜污染预测模型，获得输出参数跨膜压差预测值，与实测值进行比较，结果见表1；
(4)Tempo大数据分析平台根据跨膜压差预测值判断超滤膜污染等级并提供操作指示。
表1
采用实施例1～实施例5的超滤膜污染预测方法的预测结果均为膜污染等级属于轻度污染，Tempo大数据分析平台提示“在线物理清洗”，以清洗膜表面污染物。其中，实施例1的预测结果相对误差最低，稳定性最好。实施例2在膜污染程度增加时，预测值偏低且预测值偏差出现增大趋势，存在超滤膜污染严重时不易被发现而导致采取清洗维护措施不及时，降低超滤膜使用寿命的风险。实施例3相比实施例2，预测值偏差虽有所下降，但整体稳定性仍需要提高。实施例4的输入参数基本为超滤膜运行工况数据，预测值整体偏高，会干扰对膜污染程度的判断，加大膜清洗频次，导致超滤膜使用寿命降低。实施例5的稳定性相比实施例3有所改进，但仍然不及实施例1。
因此，优选以进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、进水氨氮、进水总磷、进水总氮、浓水出水流量和纯水出水流量为输入参数，以跨膜压差为输出参数，基于随机森林回归模型建立超滤膜污染预测方法。
本发明实施例中膜污染随机森林预测模型学习过程快，准确度高。本发明实施例通过前馈-反馈相结合的方式全面分析，减少计算量的同时进一步提高预测准确性。本发明实施例可以及时预测跨膜压差，从而实现监测膜污染程度，并及时提出建议与操作方法，恢复超滤膜运行工作效率，降低生产能耗、成本。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种超滤膜污染预测方法，其特征在于：其包括如下步骤：
(1)采集超滤膜运行过程中的进水水质数据、出水流量数据以及超滤膜运行操作数据中的多项数据，并对上述参数进行预处理；
(2)将步骤(1)中的预处理后的数据引入随机森林回归模型，得到预测的跨膜压差数据；
(3)根据所述预测的跨膜压差数据判断超滤膜污染等级，若0kpa<预测的跨膜压差(TMP)≤10kpa，则判断为轻度污染；若10kpa<预测的跨膜压差≤20kpa，则判断为中度污染；若预测的跨膜压差＞20kpa，则判断为重度污染。
2.根据权利要求1所述的超滤膜污染预测方法，其特征在于：所述的进水水质数据包括进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、进水氨氮、进水总磷、进水总氮中的至少四种；
和/或，所述出水流量数据包括浓水出水流量和纯水出水流量；
和/或，所述超滤膜运行操作数据包括水洗时间、药洗时间和气洗时间。
3.根据权利要求1或2所述的超滤膜污染预测方法，其特征在于：所述步骤(1)中采集的数据为：进水溶解氧、进水pH、进水水温、进水悬浮物、进水化学需氧量、进水生化需氧量、进水氨氮、进水总磷、进水总氮、浓水出水流量、纯水出水流量。
4.根据权利要求1所述的超滤膜污染预测方法，其特征在于：步骤(1)中，所述预处理的方法包括缺失值处理和异常值处理。
5.根据权利要求1所述的超滤膜污染预测方法，其特征在于：步骤(2)中，所述随机森林回归模型由训练数据进行训练，再经测试数据进行评价测试得到，所述训练数据和所述测试数据的输入参数分别为进水水质数据、出水流量数据以及超滤膜运行操作数据，输出参数为采集的跨膜压差数据。
6.根据权利要求5所述的超滤膜污染预测方法，其特征在于：所述评价测试的评价指标为平均标准百分比误差和平均绝对误差。
7.根据权利要求5所述的超滤膜污染预测方法，其特征在于：所述训练采用Python语言或Java语言环境建立机器学习训练模型。
8.根据权利要求1所述的超滤膜污染预测方法，其特征在于：将所述随机森林回归模型嵌入Tempo大数据分析平台，进行可视化场景应用展示并根据输出结果建立预警模块。
9.根据权利要求8所述的超滤膜污染预测方法，其特征在于：所述预警模块包含膜污染等级判定以及操作指示建议专家库。
10.根据权利要求9所述的超滤膜污染预测方法，其特征在于：若所述超滤膜污染等级膜污染等级判断为轻度污染，则所述操作指示包括在线物理清洗、增加清洗频次、延长清洗时间、加大清洗水量、正反逆向冲洗中的一个或多个；若所述超滤膜污染等级膜污染等级判断为中度污染，则所述操作指示包括离线化学清洗、氧化剂清洗、加酶洗涤剂清洗中的一个或多个；若所述超滤膜污染等级膜污染等级判断为高度污染，则所述操作指示为更换超滤膜。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310446057.3A CN116402233A (zh) | 2023-04-24 | 2023-04-24 | 一种超滤膜污染预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310446057.3A CN116402233A (zh) | 2023-04-24 | 2023-04-24 | 一种超滤膜污染预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116402233A true CN116402233A (zh) | 2023-07-07 |
Family
ID=87016023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310446057.3A Pending CN116402233A (zh) | 2023-04-24 | 2023-04-24 | 一种超滤膜污染预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116402233A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117101419A (zh) * | 2023-10-23 | 2023-11-24 | 山东卫康生物医药科技有限公司 | 一种医用功能食品生产控制系统 |
| CN118113968A (zh) * | 2024-04-30 | 2024-05-31 | 潍坊鑫山环保重工科技有限公司 | 一种污水处理流量在线监测系统 |
-
2023
- 2023-04-24 CN CN202310446057.3A patent/CN116402233A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117101419A (zh) * | 2023-10-23 | 2023-11-24 | 山东卫康生物医药科技有限公司 | 一种医用功能食品生产控制系统 |
| CN117101419B (zh) * | 2023-10-23 | 2024-01-09 | 山东卫康生物医药科技有限公司 | 一种医用功能食品生产控制系统 |
| CN118113968A (zh) * | 2024-04-30 | 2024-05-31 | 潍坊鑫山环保重工科技有限公司 | 一种污水处理流量在线监测系统 |
| CN118113968B (zh) * | 2024-04-30 | 2024-07-12 | 潍坊鑫山环保重工科技有限公司 | 一种污水处理流量在线监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116402233A (zh) | 一种超滤膜污染预测方法 | |
| CN111489271B (zh) | 污水管理云平台 | |
| CN112417765B (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
| CN109064048B (zh) | 基于废水处理流程分析的废水排放源快速排查方法与系统 | |
| CN108088974B (zh) | 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法 | |
| US20150053612A1 (en) | Method and system for treating waste material | |
| CN111160776A (zh) | 利用分块主成分分析的污水处理过程异常工况检测方法 | |
| CN115078667A (zh) | 一种基于物联网技术的工业污水排放处理在线监测分析预警系统 | |
| CN115105964B (zh) | 一种基于故障诊断专家系统提升膜性能的方法 | |
| JP7437998B2 (ja) | 水処理システム、水処理システムの運転管理支援システム及び水処理システムの運転方法 | |
| CN112101402A (zh) | 一种基于知识模糊学习的膜污染预警方法 | |
| Han et al. | An intelligent detecting system for permeability prediction of MBR | |
| CN116485611A (zh) | 一种锂电池正极材料生产废水处理方法及系统 | |
| KR20120001116A (ko) | 하폐수 처리장의 공정진단 시스템 및 방법 | |
| Yogarathinam et al. | Performance evaluation of whey flux in dead-end and cross-flow modes via convolutional neural networks | |
| CN112131740A (zh) | 一种净水器滤芯寿命的预测方法 | |
| CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| CN113848307A (zh) | 一种针对污泥膨胀的特征提取主成分分析在线监测方法 | |
| CN117776336A (zh) | 水预处理方法及厌氧氨氧化水处理工艺 | |
| CN116589078B (zh) | 基于数据融合的污水处理智能控制方法及系统 | |
| KR20160057595A (ko) | 막차압(TMP:Trans Membrane Pressure) 측정 결과를 이용하여 막세정을 하는 막여과 공정 운영방법 | |
| CN214088151U (zh) | 一种垃圾渗滤液处理系统及监测系统 | |
| JP4466046B2 (ja) | 近似ｂｏｄ５測定方法および近似ｂｏｄ５測定装置およびこの装置を用いた水質監視装置、廃水処理システム | |
| JP3505559B2 (ja) | 汚濁負荷量計 | |
| CN116110516B (zh) | 一种污水处理过程异常工况识别方法和装置 |
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 |