CN116639794A - 医疗废水消毒处理系统及处理方法 - Google Patents
医疗废水消毒处理系统及处理方法 Download PDFInfo
- Publication number
- CN116639794A CN116639794A CN202310631418.1A CN202310631418A CN116639794A CN 116639794 A CN116639794 A CN 116639794A CN 202310631418 A CN202310631418 A CN 202310631418A CN 116639794 A CN116639794 A CN 116639794A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- organic matter
- input vector
- feature
- vector
- 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.)
- Granted
Links
- 239000002351 wastewater Substances 0.000 title claims abstract description 68
- 238000004659 sterilization and disinfection Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005276 aerator Methods 0.000 claims abstract description 76
- 239000010865 sewage Substances 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 344
- 239000005416 organic matter Substances 0.000 claims description 204
- 239000011159 matrix material Substances 0.000 claims description 151
- 238000005457 optimization Methods 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 230000004043 responsiveness Effects 0.000 claims description 16
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 238000005273 aeration Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 2
- 230000000249 desinfective effect Effects 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000007800 oxidant agent Substances 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 239000000645 desinfectant Substances 0.000 abstract description 6
- 230000001590 oxidative effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 19
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004065 wastewater treatment Methods 0.000 description 7
- 238000007792 addition Methods 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000005446 dissolved organic matter Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F7/00—Aeration of stretches of water
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
- C02F2103/003—Wastewater from hospitals, laboratories and the like, heavily contaminated by pathogenic microorganisms
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2303/00—Specific treatment goals
- C02F2303/04—Disinfection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microbiology (AREA)
- Physical Water Treatments (AREA)
- Activated Sludge Processes (AREA)
Abstract
一种医疗废水消毒处理系统及处理方法，其获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；利用溶解性有机物余量、氧化剂(消毒剂)残留量和曝气机功率值，并结合深度学习和人工智能技术来实现对曝气机功率的自适应调整，从而提高污水处理效率和稳定性。
Description
技术领域
本申请涉及智能化消毒处理技术领域，并且更具体地，涉及一种医疗废水消毒处理系统及处理方法。
背景技术
为解决现有技术中存在的污水处理罐结构复杂、过滤膜沉淀出的大量污泥难以处理等问题，中国专利CN105174606B提供了一种带紫外线消毒的膜技术医疗废水处理装置，其经过预处理、好氧处理、膜组件处理和消毒排放可以得到达标的废水。
其中，好氧处理是指将废水经曝气结构使空气与废水强烈充分接触，将废水中不需要的气体和挥发性物质放逐到空气中，促进气体与液体之间物质交换。在此过程中，由于不同的处理情况需要不同的氧气供应量，通常需要对曝气机进行功率控制以调整曝气量，曝气不足影响处理效果，影响氧化剂(消毒剂)残留量；曝气过量则能量消耗过大，且易导致水质异常，同时影响氧化剂(消毒剂)残留量。然而，现有的曝气机的功率控制无法根据实际情况进行自适应地调整。
因此，期待一种解决方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种医疗废水消毒处理系统及处理方法，其获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量、影响氧化剂(消毒剂)残留量，以及，所述多个预定时间点的曝气机的功率值；利用溶解性有机物余量和曝气机功率值，并结合深度学习和人工智能技术来实现对曝气机功率的自适应调整，从而提高污水处理效率和稳定性。
第一方面，提供了一种医疗废水消毒处理系统，其包括：
数据获取模块，用于获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；
数据结构化模块，用于将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量；
消耗量构建模块，用于计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量；
级联模块，用于将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；
多尺度感知模块，用于将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量；
响应性估计模块，用于计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；
特征分布优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
控制策略划分模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。
在上述医疗废水消毒处理系统中，所述级联模块，用于：以如下级联公式将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；其中，所述级联公式为：
Vc＝Concat[Va，Vb]
其中，Va，Vb表示所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量，Concat[·]表示级联函数，Vc表示所述有机物动-静时序输入向量。
在上述医疗废水消毒处理系统中，所述多尺度感知模块，包括：第一卷积单元，用于将所述有机物动-静时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度有机物特征向量，其中，所述第一卷积层具有第一尺度的卷积核；第二卷积单元，用于将所述有机物动-静时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度有机物特征向量，其中，所述第二卷积层层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及,融合单元，用于将所述第一尺度有机物特征向量和所述第二尺度有机物特征向量进行级联以得到所述有机物动-静时序特征向量。
在上述医疗废水消毒处理系统中，所述第一卷积单元，用于：使用所述时序特征提取器的第一卷积层对所述有机物动-静时序输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为所述第一尺度有机物特征向量。
在上述医疗废水消毒处理系统中，所述第二卷积单元，用于：使用所述时序特征提取器的第二卷积层对所述有机物动-静时序输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为所述第二尺度有机物特征向量。
在上述医疗废水消毒处理系统中，所述响应性估计模块，用于：以如下响应性公式计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性公式为：
其中，Vs表示所述有机物动-静时序特征向量，Vl表示所述功率时序特征向量，M表示所述分类特征矩阵。
在上述医疗废水消毒处理系统中，所述特征分布优化模块，用于：以如下优化公式对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；其中，所述优化公式为：
其中，Mc是所述分类特征矩阵，M′c是所述优化分类特征矩阵，V1～Vn表示所述分类特征矩阵的各个行特征向量，且DV是所述分类特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，Mc T是所述分类特征矩阵的转置矩阵，DV T是所述距离矩阵的转置矩阵，d(Vi,Vj)表示所述分类特征矩阵的各个行特征向量之间的欧式距离，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值，⊙和分别表示按位置点乘和矩阵加法。
在上述医疗废水消毒处理系统中，所述控制策略划分模块，包括：矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及,分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面，提供了一种医疗废水消毒处理方法，其包括：
获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；
将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量；
计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量；
将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；
将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量；
计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；
对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。
在上述医疗废水消毒处理方法中，将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量，包括：以如下级联公式将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；其中，所述级联公式为：
Vc＝Concat[Va，Vb]
其中，Va，Vb表示所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量，Concat[·]表示级联函数，Vc表示所述有机物动-静时序输入向量。
与现有技术相比，本申请提供的医疗废水消毒处理系统及处理方法，其获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；利用溶解性有机物余量和曝气机功率值，并结合深度学习和人工智能技术来实现对曝气机功率的自适应调整，从而提高污水处理效率和稳定性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为根据本申请实施例的医疗废水消毒处理系统的应用场景图。
图2为根据本申请实施例的医疗废水消毒处理系统的框图。
图3为根据本申请实施例的医疗废水消毒处理系统中所述多尺度感知模块的框图。
图4为根据本申请实施例的医疗废水消毒处理系统中所述控制策略划分模块的框图。
图5为根据本申请实施例的医疗废水消毒处理方法的流程图。
图6为根据本申请实施例的医疗废水消毒处理方法的系统架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
针对上述技术问题，本申请的技术构思是综合利用溶解性有机物余量和曝气机功率值，并结合深度学习和人工智能技术来实现对曝气机功率的自适应调整，从而提高污水处理效率和稳定性。
医疗废水处理工艺的一般工艺流程如下，污水收集管网→调节池→生物氧化系统(和曝气机直接相关，溶解性有机物余量)→沉淀池→消毒池(氧化剂残余量，和消毒效果相关)→排放。
其中，溶解性有机物余量影响氧化剂(消毒剂)的投加量，溶解性有机物越少，达到同样的消毒效果，氧化剂(消毒剂)投加量需要的也少。
具体地，在本申请的技术方案中，首先，获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值。也就是，所述多个预定时间点的溶解性有机物余量可以反映废水中有机物消耗情况，所述多个预定时间点的曝气机的功率值可以反映曝气机的运行状态和能耗情况。
接着，将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量。也就是，将所述氧气剂残留量的时序离散分布和曝气机的功率值的时序离散分布构造为结构化的所述溶解性有机物余量时序输入向量和所述功率时序输入向量。
然后，计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量。通过计算溶解性有机物余量的差值，可以得到有机物消耗量，从而更加凸显有机物在时序上的消耗情况。
为了能够综合利用并分析有机物的整体残留和消耗情况，在本申请的技术方案中，首先将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；然后，将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量。其中，所述时序特征提取器中的所述第一卷积层和所述第二卷积层分别具有不同尺度的卷积核，可以有效地处理不同时间跨度下的时序数据。也就是，所述时序特征提取器能够提取到有机物动-静时序输入向量和功率时序输入向量中在不同时间跨度下的局部特征，例如溶解性有机物余量和消耗量的变化趋势，曝气机的功率值的波动范围等。
如前所述，有机物动-静时序特征向量反映了污水中有机物的消耗和残留的变化趋势，而功率时序特征向量反映了曝气机的功率变化趋势。两者之间存在一定的相关性，例如，当有机物消耗增加时，曝气机的功率应相应增加，以提供更多的氧气供应；当有机物残留增加时，曝气机的功率应相应减少，以避免过度曝气造成能源浪费。因此，在本申请的技术方案中，计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以构建两者之间的关联度，从而得到分类特征矩阵。这里的所述分类特征矩阵可以更好地反映有机物消耗对曝气机功率的影响程度。
进一步地，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。其中，所述分类器能够将不同的输入特征映射到不同的输出标签上，从而实现对样本的分类和识别。也就是，将所述分类特征矩阵作为分类器的输入，经过训练的分类器能够基于历史数据判断当前有机物的消耗和残留情况，并给出相应的反馈用于调整曝气机的功率大小。具体来说，所述分类器有两个分类标签，即当前时间点的曝气机的功率值应增大和当前时间点的曝气机的功率值应减小。通过这样的方式来自适应地调整曝气机的功率值，以适配于不同的实际处理情况，从而提高废水处理效率和稳定性。
在本申请的技术方案中，在使用高斯密度图计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵时，是在所述有机物动-静时序特征向量与所述功率时序特征向量的响应向量的各个特征值的基础上，通过所述有机物动-静时序特征向量的自方差矩阵相对于所述功率时序特征向量的自方差矩阵的响应方差矩阵的行向量的方差分布，进行行方向上的概率密度采样展开来得到所述分类特征矩阵。因此，所述分类特征矩阵是行数与列数相同的正方矩阵，且其每个行向量与所述响应向量的相应特征值及其响应方差矩阵的行向量的方差分布相对应，由此所述分类特征矩阵可以看作为各个行特征向量拼接得到的特征矩阵。这样，在将所述分类特征矩阵作为整体通过分类器进行分类回归时，期望通过提高所述分类特征矩阵的特征分布的整体性来提升分类效果。
基于此，本申请的申请人对所述分类特征矩阵，例如记为Mc进行向量谱聚类代理学习融合优化，表示为：
其中，V1～Vn表示所述分类特征矩阵Mc的各个行特征向量，且DV是相应向量之间的距离组成的距离矩阵。
这里，在所述分类特征矩阵Mc的各个行特征向量拼接后通过分类器进行分类回归时，由于各个行特征向量的内部类回归语义特征会与合成噪声特征发生混淆，从而导致有意义的类回归语义特征与噪声特征之间分界的模糊性，因此，所述向量谱聚类代理学习融合优化通过引入用于表示特征向量间的空间布局和语义相似性的谱聚类代理学习，来利用类回归语义特征和类回归场景之间的关联的概念化信息，对各个行特征向量间的潜在关联属性进行隐性监督传播，从而提高合成特征的整体分布依赖性，由此提升所述分类特征矩阵通过分类器进行分类回归的分类效果。
本申请的技术效果有如下几点：1、提供了一种医疗废水消毒处理方案，更具体地，是一种曝气机的功率值的自动化控制方案。2、该方案可以实现对曝气机功率的自适应调整，避免了现有技术中曝气机功率控制缺乏自适应性的问题，提高了污水处理效率和稳定性，又节约了能源消耗。
图1为根据本申请实施例的医疗废水消毒处理系统的应用场景图。如图1所示，在该应用场景中，首先，获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量(例如，如图1中所示意的C1)，以及，所述多个预定时间点的曝气机的功率值(例如，如图1中所示意的C2)；然后，将获取的溶解性有机物余量和曝气机的功率值输入至部署有医疗废水消毒处理算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于医疗废水消毒处理算法对所述溶解性有机物余量和所述曝气机的功率值进行处理，以生成用于表示当前时间点的曝气机的功率值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的医疗废水消毒处理系统的框图。如图2所示，根据本申请实施例的医疗废水消毒处理系统100，包括：数据获取模块110，用于获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；数据结构化模块120，用于将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量；消耗量构建模块130，用于计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量；级联模块140，用于将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；多尺度感知模块150，用于将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量；响应性估计模块160，用于计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；特征分布优化模块170，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，控制策略划分模块180，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。
具体地，在本申请实施例中，所述数据获取模块110，用于获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值。针对上述技术问题，本申请的技术构思是综合利用溶解性有机物余量和曝气机功率值，并结合深度学习和人工智能技术来实现对曝气机功率的自适应调整，从而提高污水处理效率和稳定性。
具体地，在本申请的技术方案中，首先，获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值。也就是，所述多个预定时间点的溶解性有机物余量可以反映废水中有机物消耗情况，所述多个预定时间点的曝气机的功率值可以反映曝气机的运行状态和能耗情况。
具体地，在本申请实施例中，所述数据结构化模块120，用于将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量。接着，将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量。也就是，将所述氧气剂残留量的时序离散分布和曝气机的功率值的时序离散分布构造为结构化的所述溶解性有机物余量时序输入向量和所述功率时序输入向量。
具体地，在本申请实施例中，所述消耗量构建模块130，用于计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量。然后，计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量。通过计算溶解性有机物余量的差值，可以得到有机物消耗量，从而更加凸显有机物在时序上的消耗情况。
具体地，在本申请实施例中，所述级联模块140，用于将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量。为了能够综合利用并分析有机物的整体残留和消耗情况，在本申请的技术方案中，首先将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量。
其中，所述级联模块140，用于：以如下级联公式将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；其中，所述级联公式为：
Vc＝Concat[Va，Vb]
其中，Va，Vb表示所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量，Concat[·]表示级联函数，Vc表示所述有机物动-静时序输入向量。
具体地，在本申请实施例中，所述多尺度感知模块150，用于将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量。然后，将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量。其中，所述时序特征提取器中的所述第一卷积层和所述第二卷积层分别具有不同尺度的卷积核，可以有效地处理不同时间跨度下的时序数据。也就是，所述时序特征提取器能够提取到有机物动-静时序输入向量和功率时序输入向量中在不同时间跨度下的局部特征，例如溶解性有机物余量和消耗量的变化趋势，曝气机的功率值的波动范围等。
图3为根据本申请实施例的医疗废水消毒处理系统中所述多尺度感知模块的框图，如图3所示，所述多尺度感知模块150，包括：第一卷积单元151，用于将所述有机物动-静时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度有机物特征向量，其中，所述第一卷积层具有第一尺度的卷积核；第二卷积单元152，用于将所述有机物动-静时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度有机物特征向量，其中，所述第二卷积层层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，融合单元153，用于将所述第一尺度有机物特征向量和所述第二尺度有机物特征向量进行级联以得到所述有机物动-静时序特征向量。
其中，所述第一卷积单元151，用于：使用所述时序特征提取器的第一卷积层对所述有机物动-静时序输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为所述第一尺度有机物特征向量。
所述第二卷积单元152，用于：使用所述时序特征提取器的第二卷积层对所述有机物动-静时序输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为所述第二尺度有机物特征向量。
所述多尺度感知模块150，还包括：第三卷积单元，用于将所述功率时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度功率特征向量，其中，所述第一卷积层具有第一尺度的卷积核；第四卷积单元，用于将所述功率时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度功率特征向量，其中，所述第二卷积层层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，第二融合单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述功率时序特征向量。
值得一提的是，相较于传统的特征工程，所述时序特征提取器本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
所述时序特征提取器包含多个并行的一维卷积层，其中，在所述时序特征提取器进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在本申请实施例中，所述响应性估计模块160，用于计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵。如前所述，有机物动-静时序特征向量反映了污水中有机物的消耗和残留的变化趋势，而功率时序特征向量反映了曝气机的功率变化趋势。两者之间存在一定的相关性，例如，当有机物消耗增加时，曝气机的功率应相应增加，以提供更多的氧气供应；当有机物残留增加时，曝气机的功率应相应减少，以避免过度曝气造成能源浪费。因此，在本申请的技术方案中，计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以构建两者之间的关联度，从而得到分类特征矩阵。这里的所述分类特征矩阵可以更好地反映有机物消耗对曝气机功率的影响程度。
其中，所述响应性估计模块160，用于：以如下响应性公式计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性公式为：
其中，Vs表示所述有机物动-静时序特征向量，Vl表示所述功率时序特征向量，M表示所述分类特征矩阵。
具体地，在本申请实施例中，所述特征分布优化模块170，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。在本申请的技术方案中，在使用高斯密度图计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵时，是在所述有机物动-静时序特征向量与所述功率时序特征向量的响应向量的各个特征值的基础上，通过所述有机物动-静时序特征向量的自方差矩阵相对于所述功率时序特征向量的自方差矩阵的响应方差矩阵的行向量的方差分布，进行行方向上的概率密度采样展开来得到所述分类特征矩阵。因此，所述分类特征矩阵是行数与列数相同的正方矩阵，且其每个行向量与所述响应向量的相应特征值及其响应方差矩阵的行向量的方差分布相对应，由此所述分类特征矩阵可以看作为各个行特征向量拼接得到的特征矩阵。这样，在将所述分类特征矩阵作为整体通过分类器进行分类回归时，期望通过提高所述分类特征矩阵的特征分布的整体性来提升分类效果。
基于此，本申请的申请人对所述分类特征矩阵，例如记为Mc进行向量谱聚类代理学习融合优化，表示为：以如下优化公式对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；其中，所述优化公式为：
其中，Mc是所述分类特征矩阵，M′c是所述优化分类特征矩阵，V1～Vn表示所述分类特征矩阵的各个行特征向量，且DV是所述分类特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，Mc T是所述分类特征矩阵的转置矩阵，DV T是所述距离矩阵的转置矩阵，d(Vi,Vj)表示所述分类特征矩阵的各个行特征向量之间的欧式距离，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值，⊙和分别表示按位置点乘和矩阵加法。
这里，在所述分类特征矩阵Mc的各个行特征向量拼接后通过分类器进行分类回归时，由于各个行特征向量的内部类回归语义特征会与合成噪声特征发生混淆，从而导致有意义的类回归语义特征与噪声特征之间分界的模糊性，因此，所述向量谱聚类代理学习融合优化通过引入用于表示特征向量间的空间布局和语义相似性的谱聚类代理学习，来利用类回归语义特征和类回归场景之间的关联的概念化信息，对各个行特征向量间的潜在关联属性进行隐性监督传播，从而提高合成特征的整体分布依赖性，由此提升所述分类特征矩阵通过分类器进行分类回归的分类效果。
具体地，在本申请实施例中，所述控制策略划分模块180，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。进一步地，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。其中，所述分类器能够将不同的输入特征映射到不同的输出标签上，从而实现对样本的分类和识别。
也就是，将所述分类特征矩阵作为分类器的输入，经过训练的分类器能够基于历史数据判断当前有机物的消耗和残留情况，并给出相应的反馈用于调整曝气机的功率大小。具体来说，所述分类器有两个分类标签，即当前时间点的曝气机的功率值应增大和当前时间点的曝气机的功率值应减小。通过这样的方式来自适应地调整曝气机的功率值，以适配于不同的实际处理情况，从而提高废水处理效率和稳定性。
图4为根据本申请实施例的医疗废水消毒处理系统中所述控制策略划分模块的框图，如图4所示，所述控制策略划分模块180，包括：矩阵展开单元181，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元182，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元183，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的医疗废水消毒处理系统100被阐明，其获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；利用溶解性有机物余量和曝气机功率值，并结合深度学习和人工智能技术来实现对曝气机功率的自适应调整，从而提高污水处理效率和稳定性。
如上所述，根据本申请实施例的医疗废水消毒处理系统100可以实现在各种终端设备中，例如用于医疗废水消毒处理的服务器等。在一个示例中，根据本申请实施例的医疗废水消毒处理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该医疗废水消毒处理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该医疗废水消毒处理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该医疗废水消毒处理系统100与该终端设备也可以是分立的设备，并且该医疗废水消毒处理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图5为根据本申请实施例的医疗废水消毒处理方法的流程图。如图5所示，根据本申请实施例的医疗废水消毒处理方法，其包括：210，获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；220，将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量；230，计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量；240，将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；250，将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量；260，计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；270，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，280，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。
图6为根据本申请实施例的医疗废水消毒处理方法的系统架构的示意图。如图6所示，在所述医疗废水消毒处理方法的系统架构中，首先，获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；然后，将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量；接着，计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量；然后，将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；接着，将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量；然后，计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；接着，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。
在一个具体示例中，在上述医疗废水消毒处理方法中，将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量，包括：以如下级联公式将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；其中，所述级联公式为：
Vc＝Concat[Va，Vb]
其中，Va，Vb表示所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量，Concat[·]表示级联函数，Vc表示所述有机物动-静时序输入向量。
在一个具体示例中，在上述医疗废水消毒处理方法中，将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量，包括：将所述有机物动-静时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度有机物特征向量，其中，所述第一卷积层具有第一尺度的卷积核；将所述有机物动-静时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度有机物特征向量，其中，所述第二卷积层层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度有机物特征向量和所述第二尺度有机物特征向量进行级联以得到所述有机物动-静时序特征向量。
在一个具体示例中，在上述医疗废水消毒处理方法中，将所述有机物动-静时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度有机物特征向量，其中，所述第一卷积层具有第一尺度的卷积核，包括：使用所述时序特征提取器的第一卷积层对所述有机物动-静时序输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为所述第一尺度有机物特征向量。
在一个具体示例中，在上述医疗废水消毒处理方法中，将所述有机物动-静时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度有机物特征向量，其中，所述第二卷积层层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度，包括：使用所述时序特征提取器的第二卷积层对所述有机物动-静时序输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为所述第二尺度有机物特征向量。
在一个具体示例中，在上述医疗废水消毒处理方法中，计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下响应性公式计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性公式为：
其中，Vs表示所述有机物动-静时序特征向量，Vl表示所述功率时序特征向量，M表示所述分类特征矩阵。
在一个具体示例中，在上述医疗废水消毒处理方法中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，用于：以如下优化公式对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；其中，所述优化公式为：
其中，Mc是所述分类特征矩阵，M′c是所述优化分类特征矩阵，V1～Vn表示所述分类特征矩阵的各个行特征向量，且DV是所述分类特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，Mc T是所述分类特征矩阵的转置矩阵，DV T是所述距离矩阵的转置矩阵，d(Vi,Vj)表示所述分类特征矩阵的各个行特征向量之间的欧式距离，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值，⊙和分别表示按位置点乘和矩阵加法。
在一个具体示例中，在上述医疗废水消毒处理方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解，上述医疗废水消毒处理方法中的各个步骤的具体操作已经在上面参考图1到图4的医疗废水消毒处理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种医疗废水消毒处理系统，其特征在于，包括：
数据获取模块，用于获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；
数据结构化模块，用于将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量；
消耗量构建模块，用于计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量；
级联模块，用于将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；
多尺度感知模块，用于将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量；
响应性估计模块，用于计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；
特征分布优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
控制策略划分模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。
2.根据权利要求1所述的医疗废水消毒处理系统，其特征在于，所述级联模块，用于：以如下级联公式将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；
其中，所述级联公式为：
Vc＝Concat[Va，Vb]
其中，Va，Vb表示所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量，Concat[·]表示级联函数，Vc表示所述有机物动-静时序输入向量。
3.根据权利要求2所述的医疗废水消毒处理系统，其特征在于，所述多尺度感知模块，包括：
第一卷积单元，用于将所述有机物动-静时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度有机物特征向量，其中，所述第一卷积层具有第一尺度的卷积核；
第二卷积单元，用于将所述有机物动-静时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度有机物特征向量，其中，所述第二卷积层层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及
融合单元，用于将所述第一尺度有机物特征向量和所述第二尺度有机物特征向量进行级联以得到所述有机物动-静时序特征向量。
4.根据权利要求3所述的医疗废水消毒处理系统，其特征在于，所述第一卷积单元，用于：使用所述时序特征提取器的第一卷积层对所述有机物动-静时序输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为所述第一尺度有机物特征向量。
5.根据权利要求4所述的医疗废水消毒处理系统，其特征在于，所述第二卷积单元，用于：使用所述时序特征提取器的第二卷积层对所述有机物动-静时序输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为所述第二尺度有机物特征向量。
6.根据权利要求5所述的医疗废水消毒处理系统，其特征在于，所述响应性估计模块，用于：以如下响应性公式计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应性公式为：
其中，Vs表示所述有机物动-静时序特征向量，Vl表示所述功率时序特征向量，M表示所述分类特征矩阵。
7.根据权利要求6所述的医疗废水消毒处理系统，其特征在于，所述特征分布优化模块，用于：以如下优化公式对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；
其中，所述优化公式为：
其中，Mc是所述分类特征矩阵，M′c是所述优化分类特征矩阵，V1～Vn表示所述分类特征矩阵的各个行特征向量，且DV是所述分类特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，Mc T是所述分类特征矩阵的转置矩阵，DV T是所述距离矩阵的转置矩阵，d(Vi,Vj)表示所述分类特征矩阵的各个行特征向量之间的欧式距离，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值，⊙和分别表示按位置点乘和矩阵加法。
8.根据权利要求7所述的医疗废水消毒处理系统，其特征在于，所述控制策略划分模块，包括：
矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种医疗废水消毒处理方法，其特征在于，包括：
获取被处理污水在预定时间段内多个预定时间点的溶解性有机物余量，以及，所述多个预定时间点的曝气机的功率值；
将所述多个预定时间点的溶解性有机物余量和所述多个预定时间点的曝气机的功率值分别按照时间维度排列为溶解性有机物余量时序输入向量和功率时序输入向量；
计算所述溶解性有机物余量时序输入向量中每相邻两个位置的溶解性有机物余量之间的差值以得到有机物消耗量时序输入向量；
将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；
将所述有机物动-静时序输入向量和所述功率时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到有机物动-静时序特征向量和功率时序特征向量；
计算所述有机物动-静时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；
对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的曝气机的功率值应增大或应减小。
10.根据权利要求9所述的医疗废水消毒处理方法，其特征在于，将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量，包括：以如下级联公式将所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量进行级联以得到有机物动-静时序输入向量；
其中，所述级联公式为：
Vc＝Concat[Va，Vb]
其中，Va，Vb表示所述溶解性有机物余量时序输入向量和所述有机物消耗量时序输入向量，Concat[·]表示级联函数，Vc表示所述有机物动-静时序输入向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310631418.1A CN116639794B (zh) | 2023-05-30 | 2023-05-30 | 医疗废水消毒处理系统及处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310631418.1A CN116639794B (zh) | 2023-05-30 | 2023-05-30 | 医疗废水消毒处理系统及处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116639794A true CN116639794A (zh) | 2023-08-25 |
| CN116639794B CN116639794B (zh) | 2024-07-16 |
Family
ID=87643142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310631418.1A Active CN116639794B (zh) | 2023-05-30 | 2023-05-30 | 医疗废水消毒处理系统及处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116639794B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117247180A (zh) * | 2023-10-11 | 2023-12-19 | 浙江致远环境科技股份有限公司 | 一种用于处理高氟高氨氮废水的装置和方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101729932B1 (ko) * | 2015-11-02 | 2017-05-11 | (주)이앤이솔루션 | 실시간 수처리 설비 감시 자동 제어 시스템 |
| US20180260704A1 (en) * | 2017-03-10 | 2018-09-13 | International Business Machines Corporation | Multi-dimensional time series event prediction via convolutional neural network(s) |
| US20180330201A1 (en) * | 2017-05-15 | 2018-11-15 | International Business Machines Corporation | Time-series representation learning via random time warping |
| US20220043502A1 (en) * | 2020-08-06 | 2022-02-10 | Micron Technology, Inc. | Intelligent low power modes for deep learning accelerator and random access memory |
| CN114314823A (zh) * | 2022-02-09 | 2022-04-12 | 南开大学 | 一种曝气环节溶解氧控制系统与方法 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
| CN116030897A (zh) * | 2023-01-31 | 2023-04-28 | 北京宏科庆能科技有限公司 | 油田伴生气的分离方法及系统 |
| CN116088450A (zh) * | 2023-01-20 | 2023-05-09 | 北京首创生态环保集团股份有限公司 | 一种污水处理厂智能终端控制系统、构建方法及控制方法 |
| CN116133215A (zh) * | 2022-12-13 | 2023-05-16 | 中建新疆建工集团第三建设工程有限公司 | 建筑物夜景的照明控制方法及其系统 |
| CN116151768A (zh) * | 2023-03-07 | 2023-05-23 | 中安(潮州)建设有限公司 | 城市污水处理监管方法及其系统 |
| CN116151545A (zh) * | 2022-12-02 | 2023-05-23 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种多风电机组功率控制优化系统 |
| CN116164497A (zh) * | 2023-04-25 | 2023-05-26 | 福建德天宸新材料科技有限公司 | 液氧制备过程中的精馏控制系统及其方法 |
-
2023
- 2023-05-30 CN CN202310631418.1A patent/CN116639794B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101729932B1 (ko) * | 2015-11-02 | 2017-05-11 | (주)이앤이솔루션 | 실시간 수처리 설비 감시 자동 제어 시스템 |
| US20180260704A1 (en) * | 2017-03-10 | 2018-09-13 | International Business Machines Corporation | Multi-dimensional time series event prediction via convolutional neural network(s) |
| US20180330201A1 (en) * | 2017-05-15 | 2018-11-15 | International Business Machines Corporation | Time-series representation learning via random time warping |
| US20220043502A1 (en) * | 2020-08-06 | 2022-02-10 | Micron Technology, Inc. | Intelligent low power modes for deep learning accelerator and random access memory |
| CN114314823A (zh) * | 2022-02-09 | 2022-04-12 | 南开大学 | 一种曝气环节溶解氧控制系统与方法 |
| CN116151545A (zh) * | 2022-12-02 | 2023-05-23 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种多风电机组功率控制优化系统 |
| CN116133215A (zh) * | 2022-12-13 | 2023-05-16 | 中建新疆建工集团第三建设工程有限公司 | 建筑物夜景的照明控制方法及其系统 |
| CN116088450A (zh) * | 2023-01-20 | 2023-05-09 | 北京首创生态环保集团股份有限公司 | 一种污水处理厂智能终端控制系统、构建方法及控制方法 |
| CN116030897A (zh) * | 2023-01-31 | 2023-04-28 | 北京宏科庆能科技有限公司 | 油田伴生气的分离方法及系统 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN116151768A (zh) * | 2023-03-07 | 2023-05-23 | 中安(潮州)建设有限公司 | 城市污水处理监管方法及其系统 |
| CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
| CN116164497A (zh) * | 2023-04-25 | 2023-05-26 | 福建德天宸新材料科技有限公司 | 液氧制备过程中的精馏控制系统及其方法 |
Non-Patent Citations (3)
| Title |
|---|
| LEI DU ET AL.: "Robust Spectral Clustering via Matrix Aggregation", IEEE ACCESS, vol. 6, 17 October 2018 (2018-10-17), pages 53661 - 53669 * |
| 万春萌;: "污水处理生化池优化控制及改造", 山东工业技术, no. 24, 22 November 2018 (2018-11-22), pages 16 - 17 * |
| 刘礼祥;张金松;黄凌军;施汉昌;何苗;: "城市污水厂全流程节能降耗示范工程分析", 中国给水排水, no. 18, 17 September 2010 (2010-09-17), pages 134 - 138 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117247180A (zh) * | 2023-10-11 | 2023-12-19 | 浙江致远环境科技股份有限公司 | 一种用于处理高氟高氨氮废水的装置和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116639794B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Asadi et al. | Biogas production estimation using data-driven approaches for cold region municipal wastewater anaerobic digestion | |
| Vasilaki et al. | Relating N2O emissions during biological nitrogen removal with operating conditions using multivariate statistical techniques | |
| Cakmakci | Adaptive neuro-fuzzy modelling of anaerobic digestion of primary sedimentation sludge | |
| CN116639794B (zh) | 医疗废水消毒处理系统及处理方法 | |
| Fragkoulis et al. | Detection, isolation and identification of multiple actuator and sensor faults in nonlinear dynamic systems: Application to a waste water treatment process | |
| CN116135797B (zh) | 污水处理智能控制系统 | |
| Yaqub et al. | Modeling nutrient removal by membrane bioreactor at a sewage treatment plant using machine learning models | |
| Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
| CN102616927B (zh) | 一种污水处理的工艺参数的调整方法及装置 | |
| CN116736703A (zh) | 污水处理的智能监测系统及其方法 | |
| CN110308705A (zh) | 一种基于大数据和人工智能水质预测的设备控制方法 | |
| CN117164103B (zh) | 生活污水处理系统的智能控制方法、终端及系统 | |
| CN116621409A (zh) | 畜禽粪污资源化处理设备及方法 | |
| Peng et al. | Monitoring of wastewater treatment process based on multi-stage variational autoencoder | |
| CN117236409B (zh) | 基于大模型的小模型训练方法、装置、系统和存储介质 | |
| CN117247180B (zh) | 一种用于处理高氟高氨氮废水的装置和方法 | |
| CN118183886A (zh) | 基于神经网络的水质模型基础参数动态调优方法及装置 | |
| Elsayed et al. | Genetic programming expressions for effluent quality prediction: Towards AI-driven monitoring and management of wastewater treatment plants | |
| Li et al. | Brain-inspired multimodal approach for effluent quality prediction using wastewater surface images and water quality data | |
| Perendeci et al. | Effects of phase vector and history extension on prediction power of adaptive-network based fuzzy inference system (ANFIS) model for a real scale anaerobic wastewater treatment plant operating under unsteady state | |
| Nguyen et al. | Artificial intelligence for wastewater treatment | |
| Kim et al. | Optimizing coagulant dosage using deep learning models with large-scale data | |
| Cao et al. | Deep learning based soft sensor for microbial wastewater treatment efficiency prediction | |
| Harrou et al. | Wastewater treatment plant monitoring via a deep learning approach | |
| Hamed et al. | Performance simulation of H-TDS unit of FAJR industrial wastewater treatment plant using a combination of neural network and principal component analysis |
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 |