CN116502530B - 基于机器学习的膜污染预警方法及其装置 - Google Patents
基于机器学习的膜污染预警方法及其装置 Download PDFInfo
- Publication number
- CN116502530B CN116502530B CN202310474066.3A CN202310474066A CN116502530B CN 116502530 B CN116502530 B CN 116502530B CN 202310474066 A CN202310474066 A CN 202310474066A CN 116502530 B CN116502530 B CN 116502530B
- Authority
- CN
- China
- Prior art keywords
- early warning
- membrane
- pollution
- severe
- time
- 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
- 239000012528 membrane Substances 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 185
- 238000004140 cleaning Methods 0.000 claims description 92
- 238000012545 processing Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 30
- 238000011109 contamination Methods 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 238000009285 membrane fouling Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 59
- 239000011159 matrix material Substances 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000012850 discrimination method Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000036962 time dependent Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001728 nano-filtration Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001223 reverse osmosis Methods 0.000 description 2
- 238000000108 ultra-filtration Methods 0.000 description 2
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 241000669618 Nothes Species 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N2015/084—Testing filters
Abstract
本发明涉及一种基于机器学习的膜污染预警方法,其使用基于机器学习构建的膜污染预测模型,能够自动基于待膜处理水的进水水质参数预测并且输出在不同时刻下用于表征膜污染程度的电化学信息值,并从中获取时刻t的电化学信息值Zt和t+Δt时刻的电化学信息值Zt+Δt,然后基于膜污染预测模型输出的电化学信息值进行计算并判断相应的污染级别,最后根据判定的预警级别发出预警信号。本发明的膜污染预警方法能够及时对膜污染的情况进行预先了解以提前处理,维护膜污染处理系统的正常运转,延缓膜组件污堵的趋势,增加膜组件的运行周期。
Description
技术领域
本发明涉及膜污染技术领域,特别涉及一种基于机器学习的膜污染预警方法及其装置。
背景技术
膜处理在水处理中承担的作用越来越重要,但是膜污染问题影响着其在水处理中的应用。尽管膜处理过程中进水的预处理工艺已经十分成熟,但是膜污染的发生仍是不可避免地,随着膜污堵地逐渐加剧,膜组件的膜通量就会受到影响,当膜段间的压差累积到设定阈值时,则需要对膜处理系统的膜组件进行停机化学清洗,这直接影响着膜处理系统的运行效率。因此,需要对膜处理装置的污堵的预警就显得尤为重要。
现有技术中,对膜处理装置的污堵进行预警的常用方法是:设置若干传感器,在膜组件运行过程中采集大量的运行数据,通过对数据分析以判断膜通量的污堵或者段间压差达到阈值或极限,然后进行停机化学清洗。但这种方法具有明显的滞后性,有时可能在膜组件的污染情况已经很严重时才能发现问题,而此时膜组件的运行工况已经受到影响。
因此,如何在膜组件被污堵前进行提前预警以延缓膜组件的污堵趋势就显得尤为重要。
发明内容
有鉴于此,本发明实施例的目的在于提供一种膜污染预警方法,其使用基于机器学习构建的膜污染预测模型,能够自动基于待膜处理水的进水水质参数预测(或称“识别”)并且输出在不同时刻下用于表征膜污染程度的电化学信息值,然后基于膜污染预测模型输出的电化学信息值进行计算并判断相应的污染级别,并且进行预警提示,进而有利于及时对膜污染的情况进行预先了解以提前处理,维护膜污染处理系统的正常运转,延缓膜组件污堵的趋势,增加膜组件的运行周期。
本发明第一方面公开了一种基于机器学习的膜污染预警方法,所述方法包括以下步骤:
基于机器学习构建膜污染预测模型,所述膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值;
设定预警时间间隔Δt;
基于进水水质参数,通过构建好的所述膜污染预测模型预先输出膜处理系统在不同时刻下的电化学信息值,从中获取时刻t的电化学信息值Zt和t+Δt时刻的电化学信息值Zt+Δt;
计算预警判定公式E的数值:
当0<E<0.2时,判定为正常;当0.2≤E<0.4时,判定膜处理系统发生轻微污染,对应轻微污染预警级别;当E≥0.4时,判定膜处理系统发生严重污染,对应严重污染预警级别;
根据判定的预警级别发出预警信号。
在上述实现过程中,首先根据机器学习进行膜污染预测模型的构建,其中能够将待膜处理水的进水水质参数作为膜污染预测模型的输入,膜污染预测模型基于输入的进水水质参数能够预测并且输出不同时刻下用于表征膜处理系统污染程度的电化学信息值,其中,电化学信息值包括阻抗模值和/或界面电阻值与电容值。得到不同时刻下的电化学信息值后,从中获取某一时刻t的电化学信息值和t+Δt时刻的电化学信息值,然后根据预警判定公式进行计算数值,进而得出相应的污染级别,从而发出预警信号。
本发明的膜污染预警方法,通过膜污染预测模型能够在刚开始进水阶段就了解到膜处理系统将要发生污染的级别及相应时刻,即,在相应膜处理系统发生实时污染之前就能够对膜污染发生的可能性进行预测和提前预报,从而帮助膜污染系统的操作人员提前准备相关操作,以维护膜污染系统对水处理的正常运行。
进一步地,在根据判定的预警级别发出预警信号的步骤中,包括:
对通过膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理,从中获取轻微污染预警级别和严重污染预警级别将要出现的对应时间节点T轻微和T严重;
在所获取的时间节点T轻微和/或T严重到来之前的时刻T预警处发出预警信号。
在上述实现过程中,最终的预警信号是在模型预测的污染级别的相应时间节点将要到来之前一段时间的时刻处发出的,即时刻T预警,其能够发生在时间节点T轻微之前,或者T严重到来之前,或者在时间节点T轻微之前和T严重到来之前的时刻T预警处均能发生。相关技术人员容易理解的是,时刻T预警距离时间节点T轻微和T严重具有一个时间间隔(或称“时间长度”)。
而关于时间节点T轻微和T严重的获取,能够通过膜污染预测模型的输出数据或者借助于数据处理单元直接获得,因为如前所述,膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值,根据输出的与轻微污染级别和严重污染级别相关的电化学信息值就可以反推获得其相应的时间节点。
进一步地,本发明的方法还包括以下步骤:
获取膜处理系统中膜组件清洗的最短清洗周期D清洗周期;所谓“获取膜处理系统中膜组件清洗的最短清洗周期D清洗周期”能够依据既往水厂运行经验及膜通量、脱盐率和压力差变化等运行参数进行计算处理获得,也能够基于水厂工作人员预设好的最短清洗周期D清洗周期进行直接获取,其能够通过现有技术手段实现,在此不做限定;
对通过膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理,获取严重污染预警级别所出现的对应时间节点T严重,从零时刻到T轻微-预警、T严重-预警的时间区段依次记为D轻微-预警、D严重-预警;
当最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警,则判断为无需对相应进水进行预处理;
当最短清洗周期D清洗周期小于严重污染预警时间区段D严重-预警,则判断为需对相应进水进行预处理,且在预处理后,再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间区段D严重-预警,直到最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警。
膜组件清洗的最短清洗周期能够根据处理方(例如水厂)可承受的运行成本进行计算得出,这能够通过现有技术实现在此不再赘述。在计算得出相应膜处理系统的膜组件的最短清洗周期后可将其输入相应膜处理系统的控制系统,在本发明的方法中,能够通过获取单元获取该最短清洗周期。
所谓“预处理”是指在将待膜处理的水体进入到相应膜处理系统之前,通过现有技术的水处理方法对待膜处理的进水水质和/或膜组件进行处理,这能够通过现有技术实现,在此不再赘述。例如,轻微污染时可采用水洗,严重污染时可采用化学清洗。
所谓“当最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警”是指将从严重污染预警时间节点T严重获得的当下时刻(即“零时刻”)开始算起,到严重污染预警时间节点T严重到来的时间区段(或称“时间长度”)与最短清洗周期D清洗周期相比较,当最短清洗周期D清洗周期大于严重污染预警时间节点T严重到来这段时间区段D严重-预警时,则无需对相应进水进行预处理。反之,当最短清洗周期D清洗周期小于严重污染预警时间节点T严重到来这段时间区段D严重-预警时,则需要对相应进水进行预处理。并且在对待膜处理的进水进行预处理后,基于预处理后的进水水质参数,再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间节点T严重,如果最短清洗周期D清洗周期小于严重污染预警时间节点T严重到来这段时间区段时,则还需要对相应进水进行预处理;重复前述过程,直至最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警。
进一步地,在基于机器学习构建膜污染预测模型的步骤中,包括:
获取在不同进水水质条件下进水样本的进水水质参数,以形成进水水质参数样本集;
获取在前述不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集,以形成电化学信息值样本集;
将获取的进水水质参数样本集与电化学信息值样本集联合,以建立联合样本集;
基于联合样本集,对其中的进水水质参数进行特征化表征,以提取进水水质参数中引起膜处理系统的电化学信息值随时间发生显著性变化的关键水质因素;其中,所谓“显著性变化”是指在前述预警判定公式E>0.4时产生地变化。
将提取出的关键水质因素和时刻作为自变量,将与各个时刻相对应的、用于表征膜处理系统污染程度的电化学信息值作为因变量,对原始模型进行训练;
对经训练得到的模型进行模型评估,以获得膜污染预测模型。
在本发明中,不同进水水质条件下进水样本的进水水质参数的测定、电化学信息值随时间变化的测定都是基于相应特定膜工艺条件下进行的,基于此,模型的建立也是在基于相应特定膜工艺条件下进行的。所谓“特定膜工艺条件”是指特定种类的膜处理系统。也就是说,在本发明中,膜污染预警模型的建立与相应的特定膜工艺条件相对应,在工业实际应用中,可基于处理方的不同膜工艺系统(包括处理方选用的膜材料种类和特征)采集水质参数和电化学信息值、建立数据库和相应的膜污染预测模型。例如,对应处理方选用的反渗透膜、超滤膜或纳滤膜可以建立基于反渗透膜、超滤膜或纳滤膜特征并用于污染预警的膜污染预警模型,对应蒸馏气膜可以建立用于蒸馏气膜特征并且用于污染预警的膜污染预警模型等等;如果处理方选用的混合种类的膜处理系统,则能够在该选用的混合种类的膜处理系统的基础上进行参数的测定和模型的建立,以用于该混合种类的膜处理系统的污染预警。
所谓“将获取的进水水质参数样本集与电化学信息值样本集联合”是指将获取的进水水质参数样本集和相应水质条件下获取的相应膜处理系统的电化学信息值样本集基于他们之间的对应关系进行组合。
在模型的选择和建立过程中,首先通过关键因素评估法对进水水质参数样本集中的参数进行特征和表征,以寻找引起电化学信息值(阻抗模值Z或界面电阻值R与电容值C)发生显著性变化的关键因素,即影响膜污染程度和速度的关键因素。通过关键因素评估,能够对多维数据集(即联合样本集)进行降维去噪处理,从而为模型建立关键提取要素。然后,将提出出来的关键水质因素和时刻作为自变量输入,将表征膜污染程度的、与每一时刻相对应的电化学信息值作为因变量输出。
另外的,通过关键因素评估法确定影响膜处理系统的电化学信息值随时间发生显著性变化的关键水质因素后,能够在当最短清洗周期D清洗周期小于严重污染预警时间区段D严重、需要对相应进水进行预处理的过程中考虑被提前出的关键水质因素,即,在需要对相应进水进行预处理时,将被提取出的关键水质因素作为预处理的考量标准。
在上述获取电化学信息值样本集的步骤的实现过程中,首先采用电化学工作站监测膜组件的阻抗值Z,具体方法为向膜组件释放扰动信号(如交流电压100mV),在频率10-3-106Hz范围内对运行过程中的膜组件进行全频谱扫描,得到不同频率情况下膜的阻抗值随时间的变化和能奎斯特图(Nyquist图)。然后再采用相关性判别法或者等效电路法获取不同工艺运行条件下的阻抗数据(阻抗模值Z)或电化学元件信号(界面电阻值R和电容值C)随时间的变化曲线,具体步骤参照下面对当电化学信息值为阻抗模值的实施例和当电化学信息值为界面电阻值和电容值的实施例的介绍。在本发明中,所谓“不同工艺运行条件”是指特定种类(或称“某一种类”)的膜的不同的参数条件。
在一个实施例中,电化学信息值为阻抗模值,则在获取在不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集的步骤中,包括:
采用电化学工作站监测并且获取膜处理系统中膜组件在不同频率情况下随时间变化的阻抗数据(即全频谱扫描下的阻抗模值);
基于电化学工作站获取的在不同频率情况下的阻抗数据,将各时刻各频率所得阻抗模值与监测得到的膜组件参数进行相关性判别分析,以获得判别系数r2>0.9的阻抗模值所对应的频率;
通过电化学工作站在判别系数r2>0.9的频率下进行定频测量,得到定频测量下阻抗模值随时间变化的阻抗模值数据集,作为电化学信息值样本集。
在该实施例中,即通过相关性判别法获取定频测量下的阻抗模值随时间变化的阻抗模值数据集;具体地:基于电化学工作站获取的在不同频率情况下的阻抗数据,建立同一频率下阻抗值随时间的变化矩阵,采用皮尔逊相关性分析判断这同一频率下阻抗随时间的变化与膜工艺常规参数间的相关性,具体方法为计算同一频率下阻抗值矩阵与膜工艺参数的协方差与二者标准差的乘积之比,得到相关系数r,保留相关系数r2>0.9对应的频率值。采用电化学工作站在r2>0.9的频率值下进行定频测量,得到阻抗模值Z随时间变化的阻抗模值数据集,建立数据库B。在本发明中,膜工艺参数包括但不限于:膜通量、跨膜压差(TMP)等。
采用相关性判别法能够直接定频测量阻抗模值,操作简便,且数据处理的过程比较简单。
在另一个实施例中,电化学信息值为界面电阻值和电容值,则在获取在不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集的步骤中,包括:
采用电化学工作站监测并且获取膜处理系统中膜组件在不同频率情况下随时间变化的阻抗数据;
根据电化学工作站获取的在不同频率情况下的阻抗数据,建立等效电路模型;
根据等效电路模型确立代表膜外污染层和膜材料本体的电路元件的界面电阻值和电容值随时间变化的电化学元件信号数据集,作为电化学信息值样本集。
该实施例中,具体方法为通过分析电化学工作站测定的阻抗数据,建立不同的串联、并联的电化学元件系统分别代表膜和溶液,采用最小二乘法拟合,选取拟合误差小于1%的等效电路作为适配于解析膜污染动态的等效电路模型及其电路元件构成。根据等效电路模型确立代表膜外污染层与膜材料本体电路元件的电化学信号值,得到等效电路模型电路元件的电化学信息(界面电阻值R和电容值C)随时间变化的电化学元件信号数据集。
通过等效电路法,能够依据等效电路拟合分析出膜各个层的电化学信号,可以反映膜各个层的受污染情况,指示性更强。
进一步地,在对经训练得到的模型进行模型评估,以确定膜污染预测模型的步骤中,包括:
将回归系数R2作为评估模型回归性质的评价指标,回归系数R2的计算公式如下:
其中,y是实际值,是预测值,/>是所有实际值的平均值,R2∈[0,1];
并且,将AUC值作为模型分类性质的评估指标,包括:
根据训练得到的模型的预测数据进行数据分类;
根据分类结果,计算模型的召回率TPR和FPR,以FPR为x轴,TPR为y轴作图,得到ROC曲线,从而求得数据的AUC值;
将AUC值相对较大的模型确定为膜污染预测模型。
进一步地,原始模型选自以下模型中其中之一:回归模型、随机森林模型、支持向量机模型、前馈神经网络模型和循环神经网络模型。
本发明的第二方面还公开了一种基于机器学习的膜污染预测装置,膜污染预测装置包括:
模型构建单元,用于基于机器学习构建膜污染预测模型,使得膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值;
预警时间设定单元,用于设定预警时间间隔Δt;
预测单元,用于基于进水水质参数,通过构建好的膜污染预测模型预先输出膜处理系统在不同时刻下的电化学信息值,并从中获取某一时刻t的电化学信息值Zt和t+Δt时刻的电化学信息值Zt+Δt;
计算单元,用于计算预警判定公式E的数值:
当0<E<0.2时,判定为正常;当0.2≤E<0.4时,判定膜处理系统发生轻微污染,对应轻微污染预警级别;当E≥0.4时,判定膜处理系统发生严重污染,对应严重污染预警级别;
预警单元,用于根据判定的预警级别发出预警信号。
进一步地,膜污染预测装置还包括:
第一获取单元,用于对通过膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理,以获取轻微污染预警级别和严重污染预警级别分别出现的对应时间节点T轻微和T严重;
预警单元在所获取的时间节点T轻微和T严重到来之前的时刻T预警处发出预警信号。
进一步地,膜污染预测装置还包括:
第二获取单元,用于获取膜处理系统中膜组件清洗的最短清洗周期D清洗周期;
第三获取单元,用于获取轻微污染预警级别相对应的预警信号待发出的时刻T轻微-预警和严重污染预警级别相对应的预警信号待发出的时刻T严重-预警,并且将从零时刻到T轻微-预警、T严重-预警的时间区段依次记为D轻微-预警、D严重-预警;
比较判断单元,其用于将最短清洗周期D清洗周期与严重污染预警时间区段D严重-预警进行比较,并判断是否需要进行预处理;
其中,当最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警,则判断为无需对相应进水进行预处理,使其直接进入膜处理系统;
其中,当最短清洗周期D清洗周期小于严重污染预警时间区段D严重-预警,则判断为需对相应进水进行预处理;
其中,当相应进水被预处理后,第三获取单元再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间区段D严重-预警,比较判断单元则再次最短清洗周期D清洗周期与新获取的严重污染预警时间区段D严重-预警进行比较,此过程直到最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警。
进一步地,膜污染预测装置还包括:
第四获取单元,用于获取在不同进水水质条件下进水样本的进水水质参数,以形成进水水质参数样本集;
第五获取单元,用于获取在前述不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集,以形成电化学信息值样本集;
样本联合单元,用于将获取的进水水质参数样本集与电化学信息值样本集联合,以建立联合样本集;
关键水质因素提取单元,用于基于联合样本集,对其中的进水水质参数进行特征化表征,以提取进水水质参数中引起膜处理系统的电化学信息值随时间发生显著性变化的关键水质因素;
训练单元,用于将提取出的关键水质因素和时刻作为自变量,将对应时刻用于表征膜处理系统污染程度的电化学信息值作为因变量,对原始模型进行训练;
模型评估单元,用于对经训练得到的模型进行模型评估,以获得膜污染预测模型。
进一步地,电化学信息值为阻抗模值;或者,电化学信息值为界面电阻值和电容值。
本发明第三方面还公开了一种电子设备,电子设备包括存储器和处理器,存储器用于存储计算机程序,处理器运行计算机程序以使得电子设备执行本发明第一方面所公开的膜污染预警方法。
本发明第四方面还公开了一种可读存储介质,可读存储介质中存储有计算机程序指令,计算机程序指令被一处理器读取并运行时,执行本发明第一方面所公开的膜污染预警方法。
有益效果:在本发明的膜污染预警方法,其使用基于机器学习构建的膜污染预测模型,能够自动基于待膜处理水的进水水质参数预测并且输出在不同时刻下用于表征膜污染程度的电化学信息值,然后基于膜污染预测模型输出的电化学信息值进行计算并判断相应的污染级别,并且进行预警提示,进而有利于及时对膜污染的情况进行预先了解以提前处理,维护膜污染处理系统的正常运转,延缓膜组件污堵的趋势,增加膜组件的运行周期。
下面结合附图中所示的实施例以及附图标记详细公开本发明的膜污染预警方法。
附图说明
图1示出了本发明的膜污染预警方法的步骤流程图。
图2示出了本发明中使用电化学工作站对膜组件进行监测的框架示意图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围内。
实施例1
请参考图1,图1为本发明实施例提供了一种膜污染预警方法的流程示意图。其中,该膜污染预警方法包括:
S101、基于机器学习构建膜污染预测模型,所述膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值。
本申请实施例中,进水水质参数能够为CODCr(化学需氧量)、TOC(总有机碳)、NH3-N(氨氮)、TP(总磷)、TN(总氮),其能够现有的常规监测方法获得,利用与相应参数相关的传感器进行测量获得,对此本发明实施例不作限定;电化学信息值能够为阻抗模值,或者为界面电阻值与电容值。
本申请实施例中,膜污染预测模型能够为回归模型、随机森林模型、支持向量机模型、前馈神经网络模型和循环神经网络模型中的一种。作为一种优选的实施方式,膜污染预测模型为深度学习神经网络(CNN)模型。
S102、设定预警时间间隔Δt。在本实施例中,步骤S102发生在步骤S101之后,但可以理解的是,步骤S102也能够发生在步骤S101之前。
本发明实施例中,预警时间间隔Δt能够根据运行人员进行设定。预警时间间隔Δt的范围为24小时-48小时,优选地,为24小时,36小时,或48小时。
S103、基于进水水质参数,通过构建好的所述膜污染预测模型预先输出膜处理系统在不同时刻下的电化学信息值,从中获取时刻t的电化学信息值Zt和时刻t+Δt的电化学信息值Zt+Δt。
在本发明实施例中,时刻t指的是从通过膜污染预测模型基于进水水质参数进行预测膜处理系统的电化学信息值开始算起之后的每个时刻中的某一时刻,时刻t+Δt指的是从时刻t开始算起加上预警时间间隔Δt的时刻。
在步骤S103之前,还包括获取待处理水体的进水水质参数的步骤,具体获取方法能够通过现有技术中常规监测方法获得,例如通过相应传感器获得,本申请实施例不做限定。
S104、根据获取的时刻t的电化学信息值Zt、t+Δt时刻的电化学信息值Zt+Δt和预警时间间隔Δt,利用预警判定公式E进行计算E的数值:
当0<E<0.2时,判定为正常;当0.2≤E<0.4时,判定膜处理系统发生轻微污染,对应轻微污染预警级别;当E≥0.4时,判定膜处理系统发生严重污染,对应严重污染预警级别。
S105、根据判定的预警级别发出预警信号。
在本发明实施例中,可通过颜色对应不同的污染预警级别,优选地,轻微污染预警级别能够为黄色预警,而严重污染预警级别可显示为红色预警。
在本发明实施例中,该方法的执行主体可以为计算机、服务器等计算装置,或者带有处理芯片的硬件装置,对此本实施例不作任何限定。
在本发明实施例中,该方法的执行主体还可以为智能手机、平板电脑等智能设备,对此本实施例中同样不作任何限定。
在实际应用中,由于预先构建的膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值,使得在刚开始进水阶段就能够借助于膜污染预测模型的输出了解到膜处理系统将要发生污染的级别及相应时刻,从而帮助膜污染系统的操作人员提前准备相关操作,以维护膜污染系统对水处理的正常运行。
在本实施例中,在根据判定的预警级别发出预警信号的步骤S105中,还包括:
S501,对通过膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理,从中获取轻微污染预警级别和严重污染预警级别将要出现的对应时间节点T轻微和T严重;
S502,在所获取的时间节点T轻微和T严重到来之前的时刻T预警处发出预警信号。
在本实施例中,时刻T预警处于所获取的时间节点T轻微或T严重到来之前,即,时刻T预警与所获取的时间节点T轻微或T严重具有一时间间隔,能够取自1-60分钟的范围,优选的为30分钟,15分钟或者10分钟。
当然,在另外的实施例中,也可以设置为在所获取的时间节点T轻微或T严重到来之前的时刻T预警处发出预警信号。
当然,相关技术人员也应理解到的是,当从模型中获取到时间节点T轻微和T严重的当下时刻开始计算,到时间节点T轻微和/或T严重的时间区段(或称“时间长度”)小于提前设定的时刻T预警时,则在本方法下会直接发出预警信号。
在本实施例中,本发明的膜污染预警方法还包括以下步骤:
S106、获取膜处理系统中膜组件清洗的最短清洗周期T清洗周期。
S107、获取轻微污染预警级别相对应的预警信号待发出的时刻T轻微-预警和严重污染预警级别相对应的预警信号待发出的时刻T严重-预警,从零时刻到T轻微-预警、T严重-预警的时间区段依次记为D轻微-预警、D严重-预警;
;该步骤S107的实施过程能够为独立进行,也能够基于前述步骤S501的实施过程直接实现。
S108、当最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警,则判断为无需对相应进水进行预处理;当最短清洗周期D清洗周期小于严重污染预警时间区段D严重-预警,则判断为需对相应进水进行预处理。
S109、当需要进行预处理时对进水水体进行预处理,并且在预处理后,再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间节点T严重,直到最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警。即,在预处理后,重复进行上述S107和S108的步骤,直到最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警。
通过该判断过程,为是否进行进水的预处理提供了判断标准,使得膜污染处理的可执行性大大提高。而且,需要考虑的是,该预处理是在待预警的膜污染预警级别的时间节点到来之前即可进行,而无需再依靠膜污堵情况实时发生或者严重时再进行。
并且,在本实施例中,对进水进行预处理时,可将提取的、影响膜污染程度和速度的关键水质因素(下文中将做详细介绍)作为主要考量标准。这进一步增强了膜污染预警的标准性。
在本实施例中,在基于机器学习构建膜污染预测模型的步骤中,包括:
S201、获取在不同进水水质条件下进水样本的进水水质参数,以形成进水水质参数样本集。
在本发明的实施例中,通过常规监测手法可获得处理方不同进水水质条件下进水中的若干参数,如CODCr(化学需氧量)、TOC(总有机碳)、NH3-N(氨氮)、TP(总磷)、TN(总氮)等,将收集到的参数汇总为进水水质参数。所谓不同进水水质条件是指进水水体如前所述的参数不同。
S202、获取在前述不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集,以形成电化学信息值样本集。即,在不同的进水条件下去获取与当前进行条件下进水样本相应的膜处理系统的电化学信息数据。
在本实施例中,利用电化学工作站,对不同进水条件下的电化学信息进行测量(包括阻抗模值Z、界面电阻值R和电容值C),用于表征膜污染程度和速度。
其具体运行方式如下所述:
1)在大型膜处理系统旁路并联一套内嵌电化学监测的仿真运行膜滤组件,该组件与大型膜系统保持相同的运行条件(过滤、产水、清洗等),组件内设4个交流阻抗谱输出输入探头,与电化学工作站及电脑连接,实现传输数据实时记录传输和分析。
2)采用电化学工作站监测仿真运行膜滤组件的阻抗模值Z,具体方法为向仿真运行膜滤组件释放扰动信号(如交流电压100mV),在频率10-3~106Hz范围内对运行过程中的仿真运行膜滤组件,进行全频谱扫描,得到不同频率情况下膜的阻抗值随时间的变化和能奎斯特图。再采用相关性判别法或者等效电路模型法(实际工程中,选用其中一种即可)获取不同膜工艺运行条件下的阻抗数据(阻抗模值Z)或电化学元件信号(界面电阻值R和电容值C)随时间的变化曲线作为输出数据。
S203、将获取的进水水质参数样本集与电化学信息值样本集联合,以建立联合样本集。即,将前述获取的进水水质参数样本集与在不同进水条件下相应获得的电化学信息值样本集(能够为阻抗模值样本集,或者元件信息样本集,例如界面电阻值R和电容值C样本集)进行联合,形成联合样本集,用于后续关键因素分析和机器学习模型的建立。
S204、基于联合样本集,对其中的进水水质参数进行特征化表征,以提取进水水质参数中引起膜处理系统的电化学信息值随时间发生显著性变化的关键水质因素。
S205、将提取出的关键水质因素和时刻作为自变量,将与各个时刻相对应的、用于表征膜处理系统污染程度的电化学信息值作为因变量,对原始模型进行训练。
S206、对经训练得到的模型进行模型评估,以获得膜污染预测模型。
对于前述步骤S202,当电化学信息值为阻抗模值时,则在获取在不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集的步骤中,包括:
采用电化学工作站监测并且获取膜处理系统中膜组件在不同频率情况下随时间变化的阻抗数据(即全频谱扫描下的阻抗模值);
基于电化学工作站获取的在不同频率情况下的阻抗数据,将各时刻各频率所得阻抗模值与监测得到的膜组件参数进行相关性判别分析,以获得判别系数r2>0.9的阻抗模值所对应的频率;
通过电化学工作站在判别系数r2>0.9的频率下进行定频测量,得到定频测量下阻抗模值随时间变化的阻抗模值数据集,作为电化学信息值样本集。
而当电化学信息值为界面电阻值和电容值时,则在获取在不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集的步骤中,包括:
采用电化学工作站监测并且获取膜处理系统中膜组件在不同频率情况下随时间变化的阻抗数据;
根据电化学工作站获取的在不同频率情况下的阻抗数据,建立等效电路模型;
根据等效电路模型确立代表膜外污染层和膜材料本体的电路元件的界面电阻值和电容值随时间变化的电化学元件信号数据集,作为电化学信息值样本集。
对于前述步骤S204,通过关键因素评估法对进水水质参数样本集中的参数进行特征和表征,以寻找引起电化学信息值(阻抗模值Z或界面电阻值R与电容值C)发生显著性变化的关键因素,即影响膜污染程度和速度的关键因素。
具体地,使用偏最小二乘法对进水水质参数样本集中的参数进行特征化表征,寻找引起阻抗模值Z或界面电阻值R与电容值C发生显著性变化(即影响膜污染速度和程度)的关键因素,达到对多维数据库进行降维去噪处理,为模型建立提取要素的目的。
以前述电化学信息值为界面电阻值R与电容值C为例,联合样本集为进水水质参数样本集+电化学元件信号数据集,其中自变量矩阵X的数据源为进水水质参数样本集,因变量Y的电化学元件信号(界面电阻值R和电容值C)数据集,则进行关键因素评估的主要步骤为:
步骤a,设样本个数为n,自变量个数为p,则自变量的矩阵为:
设样本个数为n,因变量个数为2(采用相关性判别法时,因变量个数为1),则因变量的矩阵为:
将自变量矩阵X和因变量矩阵Y标准化:
式中xij、分别为标准化前后自变量的值;yik、/>分别为标准化前后因变量的值。/>分别为xj和yk的均值;/>分别为xj和yk的标准差,得到标准差矩阵E0、F0。
步骤b,确定关键因素Xh个数,
Xh的交叉有效性的定义式如下:
其中为交叉有效性系数,是评价拟合方程预测能力的指标;SPRESS,h为Y的预测误差平方和;Sss,h-1是为用全部样本点拟合的具有h-1个成分的方差拟合误差;yi是实测数据;yhi是使用h个主成分建模得到的yi的拟合值;yh(-i)是去除第i个实测数据后使用h个主成分建模所得到的yi的拟合值。
当的值超过0.0975时,认为第h个主成分的加入对模型精度有明显提升,需继续提取主成分。直到/>的值小于规定值,则认为该成分不能较好解释模型。例如:对于第四个成分/>则认为第四个成分能较好解释模型,对于第五个成分/> 则认为第五个成分不能较好解释模型。
步骤c,关键因素Xh的提取:
Xh的表达式如下:
其中wh为矩阵最大特征值对应的特征向量;Ei为与ti同阶的残差向量,且对任意i,/>I为单位矩阵。
本领域技术人员能够理解到的,在联合样本集为进水水质参数样本集+阻抗模值数据样本集的情况下,进行关键水质因素评估的分析与上述联合样本集为进水水质参数样本集+电化学元件信号数据集的情况同理。
关于步骤S205,在本发明的实施例中,可供选择的模型包括回归模型、随机森林模型、支持向量机模型、前馈神经网络模型、循环神经网络模型等。
在一个优选的实施例中,建立一种深度学习神经网络(CNN)模型。以本实施例中使用的电化学信息值为阻抗模值(即联合样本集的组成为进水水质参数样本集+阻抗模值数据集;经前述关键因素评估分析,所获得的关键水质因素(或称为关键水质指标)个数为5个,记录为x1,x2,x3,x4,x5;神经网络中包括一个隐藏层,该隐藏层的神经节点个数为3个。
该模型包括三层,即一个输入层,一个隐藏层,一个输出层。输入层的神经元个数为5个,隐藏层的神经节点数为3个,输出层的神经元个数为1,模型的连接方式为5-3-1(神经网络的隐藏层数目和隐藏层节点数可根据实际需求变化)。选取联合样本集中总数据组的80%作为训练集,其余20%作为验证集。输入层在t时刻的输入数据为x=[x1,x2,x3,x4,x5],其中x1,x2,x3,x4,x5为提取出来的关键水质指标x1,x2,x3,x4,x5的监测数据,输出层为对应时刻t的阻抗模值Z,预测模型的各层计算方式如下所示:
1)输入层:该层有五个神经元,该层的输出值为:
μ=x,
其中μ=[μ1,μ2,μ3,μ4,μ5],它的维度为1×5。
2)隐藏层:该层有三个神经节点,该层的输出为:
其中θ=[θ1,θ2,θ3],它的维度为1×3。w0,1表示t时刻输入层和第一隐藏层之间的权值向量,b1表示t时刻第一隐藏层的偏置向量,w0,1和b1的取值维度为5×3。
3)输出层:该层仅有一个神经元,该层的输出为:
其中z的维度为3×1。w1,2表示t时刻第一隐藏层和输出层之间的权值向量,b2表示t时刻输出层的偏置向量,w1,2和b2的取值维度为3×1。
关于步骤S206,选择回归系数(R2)作为评估模型回归性质的评价指标,选择AUC值(Area under the Curve of ROC值,或称“ROC曲线下面积”)作为模型分类性质的评估指标,综合两个参数评估模型的误差情况,选择符合实际情况的最佳模型。回归系数(R2)的计算公式如下所示:
其中,其中y是实际值,是预测值,/>是所有实际值的平均值。R2∈[0,1]。
并且,根据数据结果,将数据进行分类,如下所示:
计算预测模型的召回率TPR(True Positive Rate,真阳率)和FPR(FalsePositive Rate,伪阳性率),计算公式如下:
以FPR为x轴,TPR为y轴画图,得到了ROC曲线(Receiver operatingcharacteristic curve,受试者工作特征曲线),从而求得数据的AUC值(AUC∈[0.5,1]),AUC值可以很直观地评价模型的好坏,其值一般介于0.5和1之间,值越大说明模型适配性越高,则选择该模型作为后续膜污染预测模型。
实施例2
本发明的实施例还公开了一种基于机器学习的膜污染预测装置,膜污染预测装置包括:
模型构建单元,用于基于机器学习构建膜污染预测模型,使得膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值;
预警时间设定单元,用于设定预警时间间隔Δt;
预测单元,用于基于进水水质参数,通过构建好的膜污染预测模型预先输出膜处理系统在不同时刻下的电化学信息值,并从中获取某一时刻t的电化学信息值Zt和t+Δt时刻的电化学信息值Zt+Δt;
计算单元,用于计算预警判定公式E的数值:
当0<E<0.2时,判定为正常;当0.2≤E<0.4时,判定膜处理系统发生轻微污染,对应轻微污染预警级别;当E≥0.4时,判定膜处理系统发生严重污染,对应严重污染预警级别;
预警单元,用于根据判定的预警级别发出预警信号。
在本实施例中,膜污染预测装置还包括:
第一获取单元,用于对通过膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理,以获取轻微污染预警级别和严重污染预警级别分别出现的对应时间节点T轻微和T严重;
预警单元在所获取的时间节点T轻微和T严重到来之前的时刻T预警处发出预警信号。
在本实施例中,膜污染预测装置还包括:
第二获取单元,用于获取膜处理系统中膜组件清洗的最短清洗周期D清洗周期;
第三获取单元,用于获取轻微污染预警级别相对应的预警信号待发出的时刻T轻微-预警和严重污染预警级别相对应的预警信号待发出的时刻T严重-预警,并且将从零时刻到T轻微-预警、T严重-预警的时间区段依次记为D轻微-预警、D严重-预警;
比较判断单元,其用于将最短清洗周期D清洗周期与严重污染预警时间区段D严重-预警进行比较,并判断是否需要进行预处理;
其中,当最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警,则判断为无需对相应进水进行预处理,使其直接进入膜处理系统;
其中,当最短清洗周期D清洗周期小于严重污染预警时间区段D严重-预警,则判断为需对相应进水进行预处理;
其中,当相应进水被预处理后,第三获取单元再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间区段D严重-预警,比较判断单元则再次最短清洗周期D清洗周期与新获取的严重污染预警时间区段D严重-预警进行比较,此过程直到最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警。
在本实施例中,膜污染预测装置还包括:
第四获取单元,用于获取在不同进水水质条件下进水样本的进水水质参数,以形成进水水质参数样本集;
第五获取单元,用于获取在前述不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集,以形成电化学信息值样本集;
样本联合单元,用于将获取的进水水质参数样本集与电化学信息值样本集联合,以建立联合样本集;
关键水质因素提取单元,用于基于联合样本集,对其中的进水水质参数进行特征化表征,以提取进水水质参数中引起膜处理系统的电化学信息值随时间发生显著性变化的关键水质因素;
训练单元,用于将提取出的关键水质因素和时刻作为自变量,将对应时刻用于表征膜处理系统污染程度的电化学信息值作为因变量,对原始模型进行训练;
模型评估单元,用于对经训练得到的模型进行模型评估,以获得膜污染预测模型。
在本实施例中,电化学信息值为阻抗模值;或者,电化学信息值为界面电阻值和电容值。
本发明实施例还公开了一种电子设备,电子设备包括存储器和处理器,存储器用于存储计算机程序,处理器运行计算机程序以使得电子设备执行本发明实施例1所公开的膜污染预警方法。
本发明实施例还公开了一种可读存储介质,可读存储介质中存储有计算机程序指令,计算机程序指令被一处理器读取并运行时,执行本发明实施例1所公开的膜污染预警方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也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,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请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。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,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。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种基于机器学习的膜污染预警方法,其特征在于,包括以下步骤:
基于机器学习构建膜污染预测模型,所述膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值;
设定预警时间间隔Δt;
基于进水水质参数,通过构建好的所述膜污染预测模型预先输出膜处理系统在不同时刻下的电化学信息值,从中获取时刻t的电化学信息值Zt和t+Δt时刻的电化学信息值Zt+Δt;
计算预警判定公式E的数值:
当0<E<0.2时,判定为正常;当0.2≤E<0.4时,判定膜处理系统发生轻微污染,对应轻微污染预警级别;当E≥0.4时,判定膜处理系统发生严重污染,对应严重污染预警级别;
根据判定的预警级别发出预警信号;
在所述基于机器学习构建膜污染预测模型的步骤中,包括:
获取在不同进水水质条件下进水样本的进水水质参数,以形成进水水质参数样本集;
获取在前述不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集,以形成电化学信息值样本集;
将获取的进水水质参数样本集与所述电化学信息值样本集联合,以建立联合样本集;
基于联合样本集,对其中的进水水质参数进行特征化表征,以提取进水水质参数中引起膜处理系统的电化学信息值随时间发生显著性变化的关键水质因素;
将提取出的关键水质因素和时刻作为自变量,将与各个时刻相对应的、用于表征膜处理系统污染程度的电化学信息值作为因变量,对原始模型进行训练;
对经训练得到的模型进行模型评估,以获得所述膜污染预测模型;
所述电化学信息值为阻抗模值,或者,所述电化学信息值为界面电阻值和电容值。
2.根据权利要求1所述的基于机器学习的膜污染预警方法,其特征在于,
在所述根据判定的预警级别发出预警信号的步骤中,包括:
对通过所述膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理,从中获取轻微污染预警级别和严重污染预警级别将要出现的对应时间节点T轻微和T严重;
在所获取的时间节点T轻微和/或T严重到来之前的时刻T预警处发出预警信号。
3.根据权利要求1所述的基于机器学习的膜污染预警方法,其特征在于,所述方法还包括以下步骤:
获取膜处理系统中膜组件清洗的最短清洗周期D清洗周期;
获取轻微污染预警级别相对应的预警信号待发出的时刻T轻微-预警和严重污染预警级别相对应的预警信号待发出的时刻T严重-预警,从零时刻到T轻微-预警、T严重-预警的时间区段依次记为D轻微-预警、D严重-预警;
当最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警,则判断为无需对相应进水进行预处理;
当最短清洗周期D清洗周期小于严重污染预警时间区段D严重-预警,则判断为需对相应进水进行预处理,且在预处理后,再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间区段D严重-预警,直到最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警。
4.根据权利要求1所述的基于机器学习的膜污染预警方法,其特征在于,
当所述电化学信息值为阻抗模值时,在所述获取在不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集的步骤中,包括:
采用电化学工作站监测并且获取膜处理系统中膜组件在不同频率情况下随时间变化的阻抗数据;
基于电化学工作站获取的在不同频率情况下的阻抗数据,将各时刻各频率所得阻抗模值与监测得到的膜组件参数进行相关性判别分析,以获得判别系数r2>0.9的阻抗模值所对应的频率;
通过电化学工作站在判别系数r2>0.9的所述频率下进行定频测量,得到定频测量下阻抗模值随时间变化的阻抗模值数据集,作为所述电化学信息值样本集;
当所述电化学信息值为界面电阻值和电容值时,在所述获取在不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集的步骤中,包括:
采用电化学工作站监测并且获取膜处理系统中膜组件在不同频率情况下随时间变化的阻抗数据;
根据电化学工作站获取的在不同频率情况下的阻抗数据,建立等效电路模型;
根据等效电路模型确立代表膜外污染层和膜材料本体的电路元件的界面电阻值和电容值随时间变化的电化学元件信号数据集,作为所述电化学信息值样本集。
5.根据权利要求4所述的基于机器学习的膜污染预警方法,其特征在于,
在所述对经训练得到的模型进行模型评估,以确定所述膜污染预测模型的步骤中,包括:
将回归系数R2作为评估模型回归性质的评价指标,回归系数R2的计算公式如下:
其中,y是实际值,是预测值,/>是所有实际值的平均值,R2∈[0,1];
并且,将AUC值作为模型分类性质的评估指标,包括:
根据训练得到的模型的预测数据进行数据分类;
根据分类结果,计算模型的召回率TPR和FPR,以FPR为x轴,TPR为y轴作图,得到ROC曲线,从而求得数据的AUC值;
将AUC值相对较大的模型确定为所述膜污染预测模型。
6.根据权利要求5所述的基于机器学习的膜污染预警方法,其特征在于,
所述原始模型选自以下模型中其中之一:回归模型、随机森林模型、支持向量机模型、前馈神经网络模型和循环神经网络模型。
7.一种基于机器学习的膜污染预测装置,其特征在于,所述膜污染预测装置包括:
模型构建单元,用于基于机器学习构建膜污染预测模型,使得膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值;
预警时间设定单元,用于设定预警时间间隔Δt;
预测单元,用于基于进水水质参数,通过构建好的所述膜污染预测模型预先输出膜处理系统在不同时刻下的电化学信息值,并从中获取某一时刻t的电化学信息值Zt和t+Δt时刻的电化学信息值Zt+Δt;
计算单元,用于计算预警判定公式E的数值:
当0<E<0.2时,判定为正常;当0.2≤E<0.4时,判定膜处理系统发生轻微污染,对应轻微污染预警级别;当E≥0.4时,判定膜处理系统发生严重污染,对应严重污染预警级别;
预警单元,用于根据判定的预警级别发出预警信号;
所述膜污染预测装置还包括:
第四获取单元,用于获取在不同进水水质条件下进水样本的进水水质参数,以形成进水水质参数样本集;
第五获取单元,用于获取在前述不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集,以形成电化学信息值样本集;
样本联合单元,用于将获取的进水水质参数样本集与所述电化学信息值样本集联合,以建立联合样本集;
关键水质因素提取单元,用于基于联合样本集,对其中的进水水质参数进行特征化表征,以提取进水水质参数中引起膜处理系统的电化学信息值随时间发生显著性变化的关键水质因素;
训练单元,用于将提取出的关键水质因素和时刻作为自变量,将对应时刻用于表征膜处理系统污染程度的电化学信息值作为因变量,对原始模型进行训练;
模型评估单元,用于对经训练得到的模型进行模型评估,以获得所述膜污染预测模型;
其中,所述电化学信息值为阻抗模值,或者,所述电化学信息值为界面电阻值和电容值。
8.根据权利要求7所述的膜污染预测装置,其特征在于,所述膜污染预测装置还包括:
第一获取单元,用于对通过所述膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理,以获取轻微污染预警级别和严重污染预警级别分别出现的对应时间节点T轻微和T严重;
所述预警单元在所获取的时间节点T轻微和/或T严重到来之前的时刻T预警处发出预警信号;
所述膜污染预测装置还包括:
第二获取单元,用于获取膜处理系统中膜组件清洗的最短清洗周期D清洗周期;
第三获取单元,用于获取轻微污染预警级别相对应的预警信号待发出的时刻T轻微-预警和严重污染预警级别相对应的预警信号待发出的时刻T严重-预警,并且将从零时刻到T轻微-预警、T严重-预警的时间区段依次记为D轻微-预警、D严重-预警;
比较判断单元,其用于将最短清洗周期D清洗周期与严重污染预警时间区段D严重-预警进行比较,并判断是否需要进行预处理;
其中,当最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警,则判断为无需对相应进水进行预处理,使其直接进入膜处理系统;
其中,当最短清洗周期D清洗周期小于严重污染预警时间区段D严重-预警,则判断为需对相应进水进行预处理;
其中,当相应进水被预处理后,第三获取单元再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间区段D严重-预警,比较判断单元则再次最短清洗周期D清洗周期与新获取的严重污染预警时间节点区段D严重-预警进行比较,此过程直到最短清洗周期D清洗周期大于严重污染预警时间区段D严重-预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310474066.3A CN116502530B (zh) | 2023-04-27 | 2023-04-27 | 基于机器学习的膜污染预警方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310474066.3A CN116502530B (zh) | 2023-04-27 | 2023-04-27 | 基于机器学习的膜污染预警方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502530A CN116502530A (zh) | 2023-07-28 |
CN116502530B true CN116502530B (zh) | 2023-11-07 |
Family
ID=87319778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310474066.3A Active CN116502530B (zh) | 2023-04-27 | 2023-04-27 | 基于机器学习的膜污染预警方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502530B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2821780A1 (en) * | 2013-07-02 | 2015-01-07 | Ancosys GmbH | In-situ fingerprinting for electrochemical deposition and/or electrochemical etching |
CN108055830A (zh) * | 2015-04-24 | 2018-05-18 | 南洋理工大学 | 用于评估反渗透系统污染状态的方法和装置 |
CN108132340A (zh) * | 2017-12-14 | 2018-06-08 | 浙江大学 | 一种河道多传感器融合上下游污染预警系统及方法 |
KR20190113421A (ko) * | 2018-03-28 | 2019-10-08 | 광주과학기술원 | 역삼투막 오염 예측 모델의 표본 입력 데이터 양 결정 방법 및 이를 이용한 장치 |
CN111948272A (zh) * | 2020-07-30 | 2020-11-17 | 北京航空航天大学 | 一种基于人工神经网络的水质生物毒性预测方法 |
JP2021020165A (ja) * | 2019-07-29 | 2021-02-18 | 水ing株式会社 | 水生生物を飼育するための水槽内の水のきれいさを判定する判定システム、および水槽内の水質を維持するための水処理システムおよび水処理方法 |
CN113255764A (zh) * | 2021-05-21 | 2021-08-13 | 池测(上海)数据科技有限公司 | 利用机器学习检测电化学储能系统故障的方法、系统和装置 |
GB202110984D0 (en) * | 2021-07-30 | 2021-09-15 | Univ Newcastle | Water quality monitoring method and device |
CN114692723A (zh) * | 2022-03-02 | 2022-07-01 | 中国石油大学(北京) | 一种反渗透膜污堵预警方法及系统 |
CN114943372A (zh) * | 2022-05-09 | 2022-08-26 | 国网浙江省电力有限公司宁波供电公司 | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109133351A (zh) * | 2018-08-29 | 2019-01-04 | 北京工业大学 | 膜生物反应器-mbr膜污染智能预警方法 |
-
2023
- 2023-04-27 CN CN202310474066.3A patent/CN116502530B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2821780A1 (en) * | 2013-07-02 | 2015-01-07 | Ancosys GmbH | In-situ fingerprinting for electrochemical deposition and/or electrochemical etching |
CN108055830A (zh) * | 2015-04-24 | 2018-05-18 | 南洋理工大学 | 用于评估反渗透系统污染状态的方法和装置 |
CN108132340A (zh) * | 2017-12-14 | 2018-06-08 | 浙江大学 | 一种河道多传感器融合上下游污染预警系统及方法 |
KR20190113421A (ko) * | 2018-03-28 | 2019-10-08 | 광주과학기술원 | 역삼투막 오염 예측 모델의 표본 입력 데이터 양 결정 방법 및 이를 이용한 장치 |
JP2021020165A (ja) * | 2019-07-29 | 2021-02-18 | 水ing株式会社 | 水生生物を飼育するための水槽内の水のきれいさを判定する判定システム、および水槽内の水質を維持するための水処理システムおよび水処理方法 |
CN111948272A (zh) * | 2020-07-30 | 2020-11-17 | 北京航空航天大学 | 一种基于人工神经网络的水质生物毒性预测方法 |
CN113255764A (zh) * | 2021-05-21 | 2021-08-13 | 池测(上海)数据科技有限公司 | 利用机器学习检测电化学储能系统故障的方法、系统和装置 |
GB202110984D0 (en) * | 2021-07-30 | 2021-09-15 | Univ Newcastle | Water quality monitoring method and device |
CN114692723A (zh) * | 2022-03-02 | 2022-07-01 | 中国石油大学(北京) | 一种反渗透膜污堵预警方法及系统 |
CN114943372A (zh) * | 2022-05-09 | 2022-08-26 | 国网浙江省电力有限公司宁波供电公司 | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
宓云 ; 王晓萍 ; 金鑫 ; .基于机器学习的水质COD预测方法.浙江大学学报(工学版).2008,(第05期),全文. * |
王晓萍 ; 孙继洋 ; 金鑫 ; .基于BP神经网络的钱塘江水质指标的预测.浙江大学学报(工学版).2007,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116502530A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Silva et al. | Tool wear monitoring of turning operations by neural network and expert system classification of a feature set generated from multiple sensors | |
US7496798B2 (en) | Data-centric monitoring method | |
CN112766182B (zh) | 一种拉削刀具磨损状态识别方法 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
Lundgren et al. | Data-driven fault diagnosis analysis and open-set classification of time-series data | |
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 | |
Khademi et al. | Fuzzy rules for fuzzy $\overline {X} $ and $ R $ control charts | |
Wang et al. | Sequential condition diagnosis for centrifugal pump system using fuzzy neural network | |
Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
CN111191855A (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
Liu et al. | Performance evaluation for three pollution detection methods using data from a real contamination accident | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
CN116502530B (zh) | 基于机器学习的膜污染预警方法及其装置 | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
CN111949496A (zh) | 一种数据检测方法及装置 | |
CN115958990A (zh) | 一种v2g充电桩信息诊断与安全防护方法 | |
Jiaa et al. | A self-organizing approach to the prediction and detection of tool wear | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
Xie et al. | A generalized hidden Markov model and its applications in recognition of cutting states | |
CN115047853A (zh) | 基于递推规范变量残差和核主元分析的微小故障检测方法 | |
CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
Buschmann et al. | Data-driven decision support for process quality improvements | |
Castillo et al. | A new hybrid approach for plant monitoring and diagnostics using type-2 fuzzy logic and fractal theory |
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 |