CN116675277B - 一种基于物联网的低能耗废水浓缩系统控制方法 - Google Patents
一种基于物联网的低能耗废水浓缩系统控制方法 Download PDFInfo
- Publication number
- CN116675277B CN116675277B CN202310966788.0A CN202310966788A CN116675277B CN 116675277 B CN116675277 B CN 116675277B CN 202310966788 A CN202310966788 A CN 202310966788A CN 116675277 B CN116675277 B CN 116675277B
- Authority
- CN
- China
- Prior art keywords
- data
- state
- wastewater concentration
- equipment
- wastewater
- 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
- 239000002351 wastewater Substances 0.000 title claims abstract description 298
- 238000005265 energy consumption Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000012423 maintenance Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000007405 data analysis Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000011217 control strategy Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000010485 coping Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 230000001953 sensory effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 4
- 230000008020 evaporation Effects 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000011010 flushing procedure Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003009 desulfurizing effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000000126 substance Substances 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
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/02—Treatment of water, waste water, or sewage by heating
- C02F1/04—Treatment of water, waste water, or sewage by heating by distillation or evaporation
- C02F1/048—Purification of waste water by evaporation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
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)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于物联网的低能耗废水浓缩系统控制方法，首先，对传感器设备以及废水浓缩设备进行数据采集，并对采集到的数据进行数据处理及数据分析，得到废水浓缩设备各个部件的状态参数；然后，利用优化机器学习算法对废水浓缩设备的历史状态数据集合进行预测学习，得到废水浓缩设备各个部件的预测状态；最后，根据废水浓缩设备各个部件的状态参数，确定各部件的状态，进一步生成控制指令对其进行控制，同时，根据废水浓缩设备的预测状态，对废水浓缩设备进行预测性维护，确保废水浓缩系统正常运行。本发明解决了现有技术在低能耗废水浓缩系统中对其中设备控制不够准确，以及在进行废水浓缩时处理效率较低的技术问题。
Description
技术领域
本发明涉及废水处理技术领域，尤其涉及一种基于物联网的低能耗废水浓缩系统控制方法。
背景技术
低能耗废水浓缩系统是一种环保技术，主要用于处理和回收各种工业废水，以最小的能耗将废水中的有害物质浓缩为目标；其中采用的废水浓缩技术是一种处理废水的方法，主要目的是减少废水的体积并集中其中的污染物。将物联网技术应用于废水浓缩系统中可实现远程监控和自动化控制，从而提高废水处理的效率和减少能源的消耗。
对于低能耗废水浓缩系统的研究有很多，闫升等人提出的申请号“CN202211230388.5”，专利名称“一种节水降耗型烟气废水浓缩系统及方法”，主要包括：浓缩塔(1)、清水箱(2)、补水装置(4)、冲洗水泵(5)、脱硫塔(6)、第一阀门(7)、第二阀门(8)、烟道除雾器(9)、冲洗水收集槽(10)、第三阀门(11)、第四阀门(12)及过滤器(13)；浓缩塔(1)的顶部出口经出口烟道与脱硫塔(6)的入口烟道相连通，出口烟道内设置有烟道除雾器(9)，其中，出口烟道的底部设置有与所述烟道除雾器(9)相配合的冲洗水收集槽(10)，其中，冲洗水收集槽(10)的出口分为两路，其中一路经第三阀门(11)与浓缩塔(1)相连通，另一路经第四阀门(12)及过滤器(13)与清水箱(2)相连通，补水装置(4)与清水箱(2)相连通，清水箱(2)的出口经冲洗水泵(5)后分为两路，其中一路经第一阀门(7)与脱硫塔(6)相连通，另一路经第二阀门(8)与烟道除雾器(9)的冲洗水入口相连通，脱硫塔(6)的入口烟道与脱硫塔(6)相连通。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：在低能耗废水浓缩系统中对其中设备控制不够准确，以及在进行废水浓缩时处理效率较低的技术问题。
发明内容
本申请实施例通过提供一种基于物联网的低能耗废水浓缩系统控制方法，解决了现有技术在低能耗废水浓缩系统中对其中设备控制不够准确，以及在进行废水浓缩时处理效率较低的技术问题，实现了高效高准确的低能耗废水浓缩的技术效果。
本申请提供了一种基于物联网的低能耗废水浓缩系统控制方法，具体包括以下技术方案：
一种基于物联网的低能耗废水浓缩系统，包括以下部分：
设备模块，物联网模块，云端服务器，智能控制模块，执行模块，预测性维护模块，状态策略数据库；
所述设备模块，包含传感器设备以及废水浓缩设备；所述传感器设备，用来实时监测所述低能耗废水浓缩系统中的废水的各项参数信息；所述废水浓缩设备，用于处理和浓缩废水，包含蒸发装置，热泵系统，循环泵和循环风机；
所述物联网模块，用于所述低能耗废水浓缩系统的信息数据采集、传输和接收，包含数据采集组件，数据传输组件；
所述数据采集组件，对安装在所述废水浓缩系统关键位置的传感器设备以及废水浓缩设备中各个部件进行数据采集；
所述数据传输组件，在各个系统模块之间对进行数据通信，用于实现对数据的传输以及数据的接收功能；
所述云端服务器，包含数据处理中心和数据分析中心，所述数据处理中心包含对采集到的数据进行第一数据处理以及第二数据处理，为数据分析提供准确的数据依据；所述数据分析中心，包含对数据处理后的信息数据进行特征分析，模型训练分析以及预测性分析；
所述智能控制模块，根据云端服务器得到的数据分析结果生成控制指令发送到所述低能耗废水浓缩系统的执行模块，对所述低能耗废水浓缩系统的设备进行智能控制；
所述执行模块，接收智能控制模块发出的控制指令，对低能耗废水浓缩系统中设备进行调整控制；
所述预测性维护模块，根据云端服务器对数据信息进行预测性分析得到的所述低能耗废水浓缩系统的设备的预测状态，制定预测性维护策略，进一步实现对各个设备的预测性维护；
所述状态策略数据库，用来存放废水浓缩设备各部件状态以及对应的应对策略，为状态匹配对比提供对比依据。
一种基于物联网的低能耗废水浓缩系统控制方法，包括以下步骤：
S1. 对传感器设备以及废水浓缩设备进行数据采集，并对采集到的数据进行数据处理及数据分析，得到废水浓缩设备各个部件的状态参数，为智能控制模块提供参数依据；
S2. 利用优化机器学习算法对废水浓缩设备的历史状态数据集合进行预测学习，得到废水浓缩设备各个部件的预测状态，为预测性维护模块提供参数依据；所述废水浓缩设备的历史状态数据集合/>取自状态策略数据库中废水浓缩设备各部件历史状态，为当前废水浓缩设备的各部件的历史状态数据；所述状态策略数据库，用来存放废水浓缩设备各部件状态以及对应的应对策略，为状态匹配对比提供对比依据；
S3. 根据废水浓缩设备各个部件的状态参数，确定各部件的状态，进一步生成控制指令对其进行控制，同时，根据废水浓缩设备的预测状态，对废水浓缩设备进行预测性维护，确保废水浓缩系统正常运行。
优选的，所述步骤S1，具体包括：
利用数据采集组件对传感器设备以及废水浓缩设备进行数据采集，得到传感器设备对应的传感数据集合以及废水浓缩设备对应的浓缩设备数据集合，将采集到的数据集合分别进行第一数据处理和第二数据处理以及对第二数据处理后的数据集合进行数据融合分析，得到传感器数据对废水浓缩设备的状态影响参数，结合状态影响参数进一步得到废水浓缩设备各个部件的状态参数，为智能控制模块提供状态参数依据。
优选的，在所述步骤S1中，还包括：
利用自适应数据清洗和数据平衡算法实现对传感器数据和浓缩设备数据的第一数据处理，然后利用数据增强技术对第一数据处理后的数据进行第二数据处理，以提高数据的质量和准确性，为数据分析提供更准确的数据依据。
优选的，所述步骤S2，具体包括：
利用优化机器学习算法对废水浓缩设备的历史状态数据集合进行预测学习，得到废水浓缩设备各个部件的预测状态，以及废水浓缩设备各部件状态分级，并判断废水浓缩设备各个设备的预测状态级别，进一步为预测性维护提供参数依据；所述废水浓缩设备的历史状态数据集合/>取自状态策略数据库中废水浓缩设备各部件历史状态，为当前废水浓缩设备的各部件的历史状态数据；所述状态策略数据库，用来存放废水浓缩设备各部件状态以及对应的应对策略，为状态匹配对比提供对比依据。
优选的，在所述步骤S2中，还包括：
将废水浓缩设备的历史状态数据集合作为优化机器模型的输入对废水浓缩设备的历史状态数据集合/>进行优化预测，得到废水浓缩设备的预测状态，在优化机器学习模型中，经过输入层、特征提取层、第一拟合层、第二拟合层、融合层以及预测层的处理最终得到废水浓缩设备的预测状态。
优选的，所述步骤S3，具体包括：
根据废水浓缩设备各个部件的状态参数，确定各部件的状态，对状态策略数据库中数据元素进行匹配对比，得到对应的控制策略，根据控制策略生成控制指令，将控制指令传送至调用执行模块，对废水浓缩设备进行调整控制，实现对低能耗废水浓缩系统的控制，同时根据废水浓缩设备各部件的预测状态，同样与状态策略数据库中数据元素进行匹配对比，实现对废水浓缩设备的预测性维护，确保废水浓缩系统的正常运行。
优选的，在所述步骤S3中，还包括：
废水浓缩设备各部件状态与状态策略数据库中数据元素进行匹配对比，具体过程如下：
第一步，根据步骤S1得到废水浓缩设备的状态集合，，其中T表示废水浓缩设备状态个数，集合/>中任意一个元素可由/>表示，/>表示第t个废水浓缩设备状态，/>；
第二步，根据状态策略数据库中数据元素构造对比匹配矩阵，由废水浓缩设备的历史状态构成；
第三步，计算废水浓缩设备状态集合与对比矩阵之间的相关匹配距离集/>；
第四步，求取相关匹配距离集的最小值，并提取对应下标，确定与废水浓缩设备状态集合/>最匹配的废水浓缩设备状态；
最后根据与废水浓缩设备的状态集合最匹配的废水浓缩设备的历史状态数据集合得到与浓缩设备状态对应的历史状态和调整控制策略，进一步根据所述调整控制策略生成控制指令并将控制指令传送至执行模块，通过执行模块对废水浓缩系统进行调整控制。
优选的，在所述步骤S3中，还包括：
根据废水浓缩设备各部件的预测参数，得到废水浓缩设备各部件的预测状态，与状态策略数据库中数据元素进行匹配对比，得到与预测状态对应的历史状态和调整控制策略，进一步根据所述调整控制策略生成控制指令并将控制指令传送至执行模块，通过执行模块对废水浓缩系统进行预测性维护；
当出现状态策略库中未出现的浓缩设备状态时，由工作人员经商讨得到调整控制策略，并将新元素储存于状态策略库中，实现对状态策略库进行更新。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本申请通过对传感器数据以及废水浓缩设备数据进行第一、第二数据处理得到更为准确的数据依据，并对处理后的数据进行数据分析得到传感器浓缩系统状态的影响参数以及废水浓缩设备各个部件的状态参数，为智能控制模块提供状态参数依据，进一步提高设备控制的准确性，以及对废水浓缩时的处理效率。
2、本申请通过对废水浓缩设备的历史状态数据集合利用优化机器学习算法对浓缩设备状态进行预测，可得到准确的浓缩设备预测状态参数，进一步对废水浓缩系统进行预测性维护，确保所述废水浓缩系统的正常运行，以提高在进行废水浓缩时的处理效率。
3、本申请通过构建对比矩阵实现将浓缩设备状态与浓缩设备历史状态进行匹配对比，进一步确定浓缩设备状态以及对应调整应对策略，实现对浓缩设备状态的调整控制，提高了废水浓缩系统控制的准确性，同时也对浓缩设备预测状态进行匹配对比，实现对废水浓缩系统的预测性维护，提高了在进行废水浓缩时的处理效率。
4、本申请的技术方案能够有效解决在低能耗废水浓缩系统中对其中设备控制不够准确，以及在进行废水浓缩时处理效率较低的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过对传感器数据以及废水浓缩设备数据进行第一、第二数据处理得到更为准确的数据依据，并对处理后的数据进行数据分析得到传感器浓缩系统状态的影响参数以及废水浓缩设备各个部件的状态参数，为智能控制模块提供状态参数依据，进一步提高设备控制的准确性，以及对废水浓缩时的处理效率；通过对废水浓缩设备的历史状态数据集合利用优化机器学习算法对浓缩设备状态进行预测，可得到准确的浓缩设备预测状态参数，进一步对废水浓缩系统进行预测性维护，确保所述废水浓缩系统的正常运行，以提高在进行废水浓缩时的处理效率；通过构建对比矩阵实现将浓缩设备状态与浓缩设备历史状态进行匹配对比，进一步确定浓缩设备状态以及对应调整应对策略，实现对浓缩设备状态的调整控制，提高了废水浓缩系统控制的准确性，同时也对浓缩设备预测状态进行匹配对比，实现对废水浓缩系统的预测性维护，提高了在进行废水浓缩时的处理效率。
附图说明
图1为本申请所述基于物联网的低能耗废水浓缩系统的模块图；
图2为本申请所述基于物联网的低能耗废水浓缩控制方法的流程图；
具体实施方式
本申请实施例通过提供一种基于物联网的低能耗废水浓缩系统控制方法，解决了现有技术中在低能耗废水浓缩系统中对其中设备控制不够准确，以及在进行废水浓缩时处理效率较低的技术问题，总体思路如下：
首先，对传感器设备以及废水浓缩设备进行数据采集，并对采集到的数据进行数据处理及数据分析，得到废水浓缩设备各个部件的状态参数，为智能控制模块提供参数依据；然后，利用优化机器学习算法对废水浓缩设备的历史状态数据集合进行预测学习，得到废水浓缩设备各个部件的预测状态，为预测性维护模块提供参数依据；最后，根据废水浓缩设备各个部件的状态参数，确定各部件的状态，进一步生成控制指令对其进行控制，同时，根据废水浓缩设备的预测状态，对废水浓缩设备进行预测性维护，确保废水浓缩系统正常运行。通过对传感器数据以及废水浓缩设备数据进行第一、第二数据处理得到更为准确的数据依据，并对处理后的数据进行数据分析得到传感器浓缩系统状态的影响参数以及废水浓缩设备各个部件的状态参数，为智能控制模块提供状态参数依据，进一步提高设备控制的准确性，以及对废水浓缩时的处理效率；通过对废水浓缩设备的历史状态数据集合利用优化机器学习算法对浓缩设备状态进行预测，可得到准确的浓缩设备预测状态参数，进一步对废水浓缩系统进行预测性维护，确保所述废水浓缩系统的正常运行，以提高在进行废水浓缩时的处理效率；通过构建对比矩阵实现将浓缩设备状态与浓缩设备历史状态进行匹配对比，进一步确定浓缩设备状态以及对应调整应对策略，实现对浓缩设备状态的调整控制，提高了废水浓缩系统控制的准确性，同时也对浓缩设备预测状态进行匹配对比，实现对废水浓缩系统的预测性维护，提高了在进行废水浓缩时的处理效率。为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种基于物联网的低能耗废水浓缩系统包括以下部分：
设备模块，物联网模块，云端服务器，智能控制模块，执行模块，预测性维护模块，状态策略数据库；
所述设备模块，包含传感器设备以及废水浓缩设备；所述传感器设备，用来实时监测所述低能耗废水浓缩系统中的废水的各项参数，所述参数包含但不限于酸碱度，温度，湿度，浓度，压力，流量；所述废水浓缩设备，用于处理和浓缩废水，包含蒸发装置，热泵系统，循环泵和循环风机；
所述物联网模块，用于所述低能耗废水浓缩系统的信息数据采集、传输和接收，包含数据采集组件，数据传输组件；
所述数据采集组件，对安装在所述废水浓缩系统关键位置的传感器设备以及废水浓缩设备中各个部件进行数据采集；
所述数据传输组件，在各个系统模块之间对进行数据通信，用于实现对数据的传输以及数据的接收功能；
所述云端服务器，包含数据处理中心和数据分析中心，所述数据处理中心包含对采集到的数据进行第一数据处理以及第二数据处理，为数据分析提供准确的数据依据；所述数据分析中心，包含对数据处理后的信息数据进行特征分析，模型训练分析以及预测性分析；
所述智能控制模块，根据云端服务器得到的数据分析结果生成控制指令发送到所述低能耗废水浓缩系统的执行模块，对所述低能耗废水浓缩系统的设备进行智能控制；
所述执行模块，接收智能控制模块发出的控制指令，对低能耗废水浓缩系统中设备进行调整控制；
所述预测性维护模块，根据云端服务器对数据信息进行预测性分析得到的所述低能耗废水浓缩系统的设备的预测状态，制定预测性维护策略，进一步实现对各个设备的预测性维护；
所述状态策略数据库，用来存放废水浓缩设备各部件状态以及对应的应对策略，为状态匹配对比提供对比依据；
参照附图2，本申请所述一种基于物联网的低能耗废水浓缩系统控制方法包括以下步骤：
S1. 对传感器设备以及废水浓缩设备进行数据采集，并对采集到的数据进行数据处理及数据分析，得到废水浓缩设备各个部件的状态参数，为智能控制模块提供参数依据；
利用数据采集组件对传感器设备以及废水浓缩设备进行数据采集，得到传感器设备对应的传感数据集合，/>，其中，N表示传感器的个数，集合/>中的任意一个元素可由/>表示，/>表示第i个传感器的数据集合，，传感器数据集合中包含但不限于温度传感器，压力传感器，流量传感器，酸碱度传感器，电导率传感器；在一定周期内，任意一个传感器数据集合/>表示为：，其中，M表示在数据的个数，集合/>中的任意一个元素可由/>表示，/>表示第i个传感器的第j个数据，/>；得到废水浓缩设备的对应的浓缩设备数据集合/>，/>，其中，P表示设备个数，集合/>中的任意一个元素可由/>表示，/>表示第p个设备数据集合，/>；，集合/>中的任意一个元素可由/>表示，/>表示第p个设备中的第q个数据，/>；将采集到的数据分别进行第一数据处理和第二数据处理以及对第二数据处理后的数据进行数据分析，得到传感器数据对废水浓缩设备的影响参数，进一步得到废水浓缩设备各个部件的状态参数，为智能控制模块提供参数依据。
第一数据处理：
针对传感数据集合进行第一数据处理，首先利用自适应数据清洗算法对集合进行清洗，具体步骤如下：
以集合中的任意一个传感器数据集合/>为例，对于集合/>中的任意一个数据点/>，选择数据点附近的n个数据点作为滑动窗口W，然后计算滑动窗口的均值：，标准差：/>，其中/>表示滑动窗口的长度；进一步，根据滑动窗口的均值和标准差，确定传感器数据的有效范围，并结合有效范围对数据集合进行自适应清洗，有效范围为：，其中，/>，/>代表权重系数，由工作人员通过多次试验确定，数据自适应清洗过程如下：
，
随后再对自适应数据清洗后的传感器数据集合进行标准化处理以及其他常规处理方式，最终得到第一数据处理后的传感器数据集合；
针对浓缩设备数据集合，首先采用上述自适应数据清洗算法对数据集合进行清洗，然后在进行数据标准化过程中，为了消除数据的量纲和范围的影响，采用数据平衡算法对数据集合进行数据处理，最终得到第一数据处理后的传感器数据集合/>；
第二数据处理：
针对第一数据处理后的传感数据集合和浓缩设备数据集合/>，采用数据增强技术进行数据增强处理，以提高数据的质量和准确性，为数据分析提供更准确的数据依据，所述数据增强技术包含插值、平滑、滤波等技术，最终得到第二数据处理后的传感数据集合/>和浓缩设备数据集合/>；
数据分析：
针对第二数据处理后的传感数据集合进行数据分析，得到浓缩设备状态影响参数，具体过程：
确定废水浓缩系统中各设备对浓缩过程的影响因素集合，/>，L表示影响因素个数，集合S中的任意一个元素可由/>表示，/>表示第l个影响因素，，计算每类传感器数据与每个影响因素的相关性，利用皮尔逊相关系数计算得到传感器数据与每个影响因素的相关矩阵/>：
，
其中，矩阵中的任意一个元素可由表示，/>表示第l个影响因素与第i个传感器之间的相关系数，再结合影响因素对每个浓缩设备状态的影响进一步计算传感器对浓缩设备状态的影响参数，以第r个浓缩设备状态为例，确定与第r个浓缩设备状态相关的影响参数，并调用传感器与影响参数的相关系数，进一步计算传感器对第r个浓缩设备状态的影响参数：
，
其中，E表示与第r个浓缩设备状态相关的影响参数的个数，表示第i个传感器对浓缩设备状态的影响拟合函数，通过试验拟合获得，/>表示第二数据处理后的第i个传感器数据集合；
最后，得到传感器对浓缩设备状态的影响参数集合；
针对第二数据处理后的浓缩设备数据集合进行数据分析，得到废水浓缩设备各个部件的状态参数，首先采用上述相关性分析确定设备数据与状态参数相关性，对第二数据处理后的浓缩设备数据集合/>进行筛选，得到更新后的浓缩设备数据集合，采用现有神经网络算法进行分析，并将所述集合/>以及传感器对浓缩设备状态的影响参数集合/>作为所述神经网络的输入进行模型处理，最后得到废水浓缩设备各个部件的状态参数集合/>；
本申请通过对传感器数据以及废水浓缩设备数据进行第一、第二数据处理得到更为准确的数据依据，并对处理后的数据进行数据分析得到传感器浓缩系统状态的影响参数以及废水浓缩设备各个部件的状态参数，为智能控制模块提供状态参数依据，进一步提高设备控制的准确性，以及对废水浓缩时的处理效率。
S2. 利用优化机器学习算法对废水浓缩设备的历史状态数据集合进行预测学习，得到废水浓缩设备各个部件的预测状态，为预测性维护模块提供参数依据；所述废水浓缩设备的历史状态数据集合/>取自状态策略数据库中废水浓缩设备各部件历史状态，为当前废水浓缩设备的各部件的历史状态数据；所述状态策略数据库，用来存放废水浓缩设备各部件状态以及对应的应对策略，为状态匹配对比提供对比依据；
利用优化机器学习算法对废水浓缩设备的历史状态数据集合进行预测学习，得到废水浓缩设备各个部件的预测状态，以及废水浓缩设备各部件状态分级，并判断废水浓缩设备各个设备的预测状态级别，进一步为预测性维护提供参数依据；
将废水浓缩设备的历史状态数据集合作为优化机器模型的输入对废水浓缩设备的历史状态数据集合/>进行优化预测，得到废水浓缩设备的预测状态，具体过程如下：
输入层：
将废水浓缩设备的历史状态数据集合作为训练集，并对输入集合进行标准化处理，得到易处理形式的数据集合/>，将数据集合/>作为输入层的输出；
特征提取层：
将输入层的输出集合作为特征提取层的输入，并对输入集合进行特征提取，得到特征矩阵/>，将特征矩阵作为特征提取层的输出；
第一拟合层：
构建ARIMA模型进行设备状态的预测，对集合进行拟合，使用ARIMA模型进行预测时，可以通过递归的应用模型，根据历史数据来预测未来的设备状态，最终得到浓缩设备第一拟合状态集合/>；并确定拟合函数/>；
第二拟合层：
利用拉格朗日拟合算法对浓缩设备状态进行拟合，得到浓缩设备第二拟合状态集合；并确定拟合函数/>;
融合层：
将第一拟合状态集合和第二拟合状态集合/>进行小波变换处理，将第一拟合状态集合/>和第二拟合状态集合/>作为小波变换的基函数，最终得到拟合函数/>；
预测层：
利用拟合函数结合特征矩阵/>，得到最终预测函数：
，
其中，表示矩阵的秩，/>表示废水浓缩设备参数集合；
最终，将废水浓缩设备参数带入得到废水浓缩设备状态进行预测，得到废水浓缩设备各个部件的预测状态；
例如，当预测废水浓度过高，处理器可以自动减小蒸发设备的工作强度，以降低能耗，不仅可以实时优化系统运行，提高浓缩效率，还可以显著降低能耗。
本申请通过对废水浓缩设备的历史状态数据集合利用优化机器学习算法对浓缩设备状态进行预测，可得到准确的浓缩设备预测状态参数，进一步对废水浓缩系统进行预测性维护，确保所述废水浓缩系统的正常运行，以提高在进行废水浓缩时的处理效率。
S3. 根据废水浓缩设备各个部件的状态参数，确定各部件的状态，进一步生成控制指令对其进行控制，同时，根据废水浓缩设备的预测状态，对废水浓缩设备进行预测性维护，确保废水浓缩系统正常运行。
根据废水浓缩设备各个部件的状态参数，确定各部件的状态，对状态策略数据库中数据元素进行匹配对比，得到对应的控制策略，根据控制策略生成控制指令，将控制指令传送至调用执行模块，对废水浓缩设备进行调整控制，实现对低能耗废水浓缩系统的控制，同时根据废水浓缩设备各部件的预测状态，同样与状态策略数据库中数据元素进行匹配对比，实现对废水浓缩设备的预测性维护，确保废水浓缩系统的正常运行；
废水浓缩设备各部件状态与状态策略数据库中数据元素进行匹配对比，具体过程如下：
第一步，根据步骤S1得到废水浓缩设备的状态集合，，其中T表示废水浓缩设备状态个数，集合/>中任意一个元素可由/>表示，/>表示第t个废水浓缩设备状态，/>；
第二步，根据状态策略数据库中数据元素构造对比匹配矩阵，由废水浓缩设备的历史状态构成，有：
，
第三步，计算废水浓缩设备状态集合与对比矩阵之间的相关匹配距离集/>，计算公式如下：
，
其中，表示水浓缩设备状态集合/>与第k个废水浓缩设备历史状态的相关匹配值，/>表示第k个废水浓缩设备历史状态集合，/>；
第四步，求取相关匹配距离集的最小值，并提取对应下标，确定与废水浓缩设备状态集合/>最匹配的废水浓缩设备状态；
最后根据与废水浓缩设备的状态集合最匹配的废水浓缩设备的历史状态数据集合得到与浓缩设备状态对应的历史状态和调整控制策略，进一步根据所述调整控制策略生成控制指令并将控制指令传送至执行模块，通过执行模块对废水浓缩系统进行调整控制；
根据废水浓缩设备各部件的预测参数，得到废水浓缩设备各部件的预测状态，与状态策略数据库中数据元素进行匹配对比，得到与预测状态对应的历史状态和调整控制策略，进一步根据所述调整控制策略生成控制指令并将控制指令传送至执行模块，通过执行模块对废水浓缩系统进行预测性维护；
当出现状态策略库中未出现的浓缩设备状态时，由工作人员经商讨得到调整控制策略，并将新元素储存于状态策略库中，实现对状态策略库进行更新。
本申请通过构建对比矩阵实现将浓缩设备状态与浓缩设备历史状态进行匹配对比，进一步确定浓缩设备状态以及对应调整应对策略，实现对浓缩设备状态的调整控制，提高了废水浓缩系统控制的准确性，同时也对浓缩设备预测状态进行匹配对比，实现对废水浓缩系统的预测性维护，提高了在进行废水浓缩时的处理效率。
综上所述，便完成了本申请所述的一种基于物联网的低能耗废水浓缩系统控制方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请通过对传感器数据以及废水浓缩设备数据进行第一、第二数据处理得到更为准确的数据依据，并对处理后的数据进行数据分析得到传感器浓缩系统状态的影响参数以及废水浓缩设备各个部件的状态参数，为智能控制模块提供状态参数依据，进一步提高设备控制的准确性，以及对废水浓缩时的处理效率。
2、本申请通过对废水浓缩设备的历史状态数据集合利用优化机器学习算法对浓缩设备状态进行预测，可得到准确的浓缩设备预测状态参数，进一步对废水浓缩系统进行预测性维护，确保所述废水浓缩系统的正常运行，以提高在进行废水浓缩时的处理效率。
3、本申请通过构建对比矩阵实现将浓缩设备状态与浓缩设备历史状态进行匹配对比，进一步确定浓缩设备状态以及对应调整应对策略，实现对浓缩设备状态的调整控制，提高了废水浓缩系统控制的准确性，同时也对浓缩设备预测状态进行匹配对比，实现对废水浓缩系统的预测性维护，提高了在进行废水浓缩时的处理效率。
效果调研：
本申请的技术方案能够有效解决在低能耗废水浓缩系统中对其中设备控制不够准确，以及在进行废水浓缩时处理效率较低的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过对传感器数据以及废水浓缩设备数据进行第一、第二数据处理得到更为准确的数据依据，并对处理后的数据进行数据分析得到传感器浓缩系统状态的影响参数以及废水浓缩设备各个部件的状态参数，为智能控制模块提供状态参数依据，进一步提高设备控制的准确性，以及对废水浓缩时的处理效率；通过对废水浓缩设备的历史状态数据集合利用优化机器学习算法对浓缩设备状态进行预测，可得到准确的浓缩设备预测状态参数，进一步对废水浓缩系统进行预测性维护，确保所述废水浓缩系统的正常运行，以提高在进行废水浓缩时的处理效率；通过构建对比矩阵实现将浓缩设备状态与浓缩设备历史状态进行匹配对比，进一步确定浓缩设备状态以及对应调整应对策略，实现对浓缩设备状态的调整控制，提高了废水浓缩系统控制的准确性，同时也对浓缩设备预测状态进行匹配对比，实现对废水浓缩系统的预测性维护，提高了在进行废水浓缩时的处理效率。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／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／或方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／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种基于物联网的低能耗废水浓缩系统控制方法，其特征在于，包括以下步骤：
S1. 利用数据采集组件对传感器设备以及废水浓缩设备进行数据采集，得到传感器设备对应的传感数据集合以及废水浓缩设备对应的浓缩设备数据集合/>，将采集到的数据集合分别进行第一数据处理和第二数据处理以及对第二数据处理后的数据集合进行数据融合分析，得到传感器数据对废水浓缩设备的状态影响参数，结合状态影响参数进一步得到废水浓缩设备各个部件的状态参数；所述第一数据处理，首先利用自适应数据清洗算法对集合进行清洗，具体步骤如下：
传感数据集合中的任意一个传感器数据集合/>，对于集合/>中的任意一个数据点/>，选择数据点附近的n个数据点作为滑动窗口W，然后计算滑动窗口的均值/>和标准差/>，其中/>表示滑动窗口的长度；根据滑动窗口的均值和标准差，确定传感器数据的有效范围，并结合有效范围对数据集合进行自适应清洗，有效范围为：，其中，/>，/>代表权重系数，由工作人员通过多次试验确定，数据自适应清洗过程如下：
，
随后再对自适应数据清洗后的传感器数据集合进行标准化处理以及常规方式处理，最终得到第一数据处理后的传感器数据集合/>；
针对浓缩设备数据集合，首先采用所述自适应数据清洗算法对数据集合进行清洗，然后在进行数据标准化过程中，采用数据平衡算法对数据集合进行数据处理，最终得到第一数据处理后的传感器数据集合/>；
针对第一数据处理后的传感数据集合和浓缩设备数据集合/>，采用数据增强技术进行数据增强处理，所述数据增强技术包含插值、平滑、滤波技术，最终得到第二数据处理后的传感数据集合/>和浓缩设备数据集合/>；
针对第二数据处理后的传感数据集合进行数据分析，得到浓缩设备状态影响参数，具体过程：
确定废水浓缩系统中各设备对浓缩过程的影响因素集合，/>，L表示影响因素个数，集合S中的任意一个元素可由/>表示，/>表示第l个影响因素，/>，计算每类传感器数据与每个影响因素的相关性，利用皮尔逊相关系数计算得到传感器数据与每个影响因素的相关矩阵/>：
，
其中，矩阵中的任意一个元素可由表示，/>表示第l个影响因素与第i个传感器之间的相关系数，再结合影响因素对每个浓缩设备状态的影响进一步计算传感器对浓缩设备状态的影响参数；计算传感器对第r个浓缩设备状态的影响参数：
，
其中，E表示与第r个浓缩设备状态相关的影响参数的个数，表示第i个传感器对浓缩设备状态的影响拟合函数，通过试验拟合获得，/>表示第二数据处理后的第i个传感器数据集合；
最后，得到传感器对浓缩设备状态的影响参数集合；
针对第二数据处理后的浓缩设备数据集合进行数据分析，得到废水浓缩设备各个部件的状态参数，采用皮尔逊相关系数进行相关性分析确定设备数据与状态参数相关性，对第二数据处理后的浓缩设备数据集合/>进行筛选，得到更新后的浓缩设备数据集合/>，采用神经网络算法进行分析，并将所述集合/>以及传感器对浓缩设备状态的影响参数集合/>作为所述神经网络的输入进行模型处理，最后得到废水浓缩设备各个部件的状态参数集合/>；
S2. 利用优化机器学习算法对废水浓缩设备的历史状态数据集合进行预测学习，得到废水浓缩设备各个部件的预测状态，以及废水浓缩设备各部件状态分级，并判断废水浓缩设备各个设备的预测状态级别，为预测性维护模块提供参数依据；所述废水浓缩设备的历史状态数据集合/>取自状态策略数据库中废水浓缩设备各部件历史状态，为当前废水浓缩设备的各部件的历史状态数据；所述状态策略数据库，用来存放废水浓缩设备各部件状态以及对应的应对策略；将废水浓缩设备的历史状态数据集合/>作为基于优化机器学习算法的优化机器模型的输入对废水浓缩设备的历史状态数据集合/>进行优化预测，得到废水浓缩设备的预测状态，具体过程如下：
输入层：
将废水浓缩设备的历史状态数据集合作为训练集，并对输入集合进行标准化处理，得到易处理形式的数据集合/>，将数据集合/>作为输入层的输出；
特征提取层：
将输入层的输出集合作为特征提取层的输入，并对输入集合进行特征提取，得到特征矩阵/>，将特征矩阵作为特征提取层的输出；
第一拟合层：
构建ARIMA模型进行设备状态的预测，对集合进行拟合，使用ARIMA模型进行预测时，通过递归的应用模型，根据历史数据来预测未来的设备状态，最终得到浓缩设备第一拟合状态集合/>；并确定拟合函数/>；
第二拟合层：
利用拉格朗日拟合算法对浓缩设备状态进行拟合，得到浓缩设备第二拟合状态集合；并确定拟合函数/>;
融合层：
将第一拟合状态集合和第二拟合状态集合/>进行小波变换处理，将第一拟合状态集合/>和第二拟合状态集合/>作为小波变换的基函数，最终得到拟合函数/>；
预测层：
利用拟合函数结合特征矩阵/>，得到最终预测函数：
，
其中，表示矩阵的秩，/>表示废水浓缩设备参数集合；
最终，将废水浓缩设备参数带入得到废水浓缩设备状态进行预测，得到废水浓缩设备各个部件的预测状态；
S3. 根据废水浓缩设备各个部件的状态参数，确定各部件的状态，对状态策略数据库中数据元素进行匹配对比，进一步生成控制指令对其进行控制，同时，根据废水浓缩设备的预测状态，对废水浓缩设备进行预测性维护；废水浓缩设备各部件状态与状态策略数据库中数据元素进行匹配对比，具体过程如下：
第一步，根据步骤S1得到废水浓缩设备的状态集合，/>，其中T表示废水浓缩设备状态个数，集合/>中任意一个元素可由/>表示，/>表示第t个废水浓缩设备状态，/>；
第二步，根据状态策略数据库中数据元素构造对比匹配矩阵，由废水浓缩设备的历史状态构成有：
，
第三步，计算废水浓缩设备状态集合与对比匹配矩阵之间的相关匹配距离集/>，计算公式如下：
，
其中，表示水浓缩设备状态集合/>与第k个废水浓缩设备历史状态的相关匹配值，/>表示第k个废水浓缩设备历史状态集合，/>；
第四步，求取相关匹配距离集的最小值，并提取对应下标，确定与废水浓缩设备状态集合/>最匹配的废水浓缩设备状态；
最后根据与废水浓缩设备的状态集合最匹配的废水浓缩设备的历史状态数据集合得到与浓缩设备状态对应的历史状态和调整控制策略，进一步根据所述调整控制策略生成控制指令并将控制指令传送至执行模块，通过执行模块对废水浓缩系统进行调整控制；
根据废水浓缩设备各部件的预测参数，得到废水浓缩设备各部件的预测状态，与状态策略数据库中数据元素进行匹配对比，得到与预测状态对应的历史状态和调整控制策略，进一步根据所述调整控制策略生成控制指令并将控制指令传送至执行模块，通过执行模块对废水浓缩系统进行预测性维护；
当出现状态策略库中未出现的浓缩设备状态时，由工作人员经商讨得到调整控制策略，并将新元素储存于状态策略库中，实现对状态策略库进行更新。
2.一种基于物联网的低能耗废水浓缩系统，其特征在于，包括以下部分：
设备模块，物联网模块，云端服务器，智能控制模块，执行模块，预测性维护模块，状态策略数据库；
所述设备模块，包含传感器设备以及废水浓缩设备；所述传感器设备，用来实时监测所述低能耗废水浓缩系统中的废水的各项参数信息；所述废水浓缩设备，用于处理和浓缩废水，包含蒸发装置，热泵系统，循环泵和循环风机；
所述物联网模块，用于所述低能耗废水浓缩系统的信息数据采集、传输和接收，包含数据采集组件，数据传输组件；
所述数据采集组件，对安装在所述废水浓缩系统关键位置的传感器设备以及废水浓缩设备中各个部件进行数据采集；
所述数据传输组件，在各个系统模块之间对进行数据通信，用于实现对数据的传输以及数据的接收功能；
所述云端服务器，包含数据处理中心和数据分析中心，所述数据处理中心包含对采集到的数据进行第一数据处理以及第二数据处理，为数据分析提供准确的数据依据；所述数据分析中心，包含对数据处理后的信息数据进行特征分析，模型训练分析以及预测性分析；
所述智能控制模块，根据云端服务器得到的数据分析结果生成控制指令发送到所述低能耗废水浓缩系统的执行模块，对所述低能耗废水浓缩系统的设备进行智能控制；
所述执行模块，接收智能控制模块发出的控制指令，对低能耗废水浓缩系统中设备进行调整控制；
所述预测性维护模块，根据云端服务器对数据信息进行预测性分析得到的所述低能耗废水浓缩系统的设备的预测状态，制定预测性维护策略，进一步实现对各个设备的预测性维护；
所述状态策略数据库，用来存放废水浓缩设备各部件状态以及对应的应对策略，为状态匹配对比提供对比依据；
应用于权利要求1所述的一种基于物联网的低能耗废水浓缩系统控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966788.0A CN116675277B (zh) | 2023-08-03 | 2023-08-03 | 一种基于物联网的低能耗废水浓缩系统控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966788.0A CN116675277B (zh) | 2023-08-03 | 2023-08-03 | 一种基于物联网的低能耗废水浓缩系统控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116675277A CN116675277A (zh) | 2023-09-01 |
| CN116675277B true CN116675277B (zh) | 2023-10-27 |
Family
ID=87787677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310966788.0A Active CN116675277B (zh) | 2023-08-03 | 2023-08-03 | 一种基于物联网的低能耗废水浓缩系统控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116675277B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117975696B (zh) * | 2024-03-28 | 2024-07-05 | 南京邦固消防科技有限公司 | 一种联动型火灾报警控制系统及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3315465A1 (en) * | 2016-10-28 | 2018-05-02 | Carrier Corporation | Method and system for dynamically managing waste water treatment process for optimizing power consumption |
| KR101897441B1 (ko) * | 2018-06-25 | 2018-09-10 | 임영현 | 빅데이터 수집 기반 오·폐수 수질 차등화 처리 시스템 및 방법, 그리고 빅데이터를 이용한 오·폐수 수질 차등화 프로그램을 기록한 컴퓨터로 판독가능한 기록매체 |
| CN109976187A (zh) * | 2019-02-28 | 2019-07-05 | 重庆工商大学 | 基于污水生化处理优化与精细曝气的污水管理平台 |
| CN111832222A (zh) * | 2020-06-28 | 2020-10-27 | 成都佳华物链云科技有限公司 | 一种污染物浓度的预测模型训练方法、预测方法及装置 |
| KR102187345B1 (ko) * | 2019-12-20 | 2020-12-04 | 롯데건설 주식회사 | IoT 플랫폼을 적용한 바이오가스 생산 시스템 |
| WO2021087893A1 (zh) * | 2019-11-07 | 2021-05-14 | 云南合续环境科技有限公司 | 一种组合式逻辑控制电路及污水处理系统 |
| CN113023810A (zh) * | 2021-03-16 | 2021-06-25 | 广东电网有限责任公司电力科学研究院 | 一种多加热脱硫废水热浓缩装置及其浓缩效果控制方法 |
| WO2021211053A1 (en) * | 2020-04-15 | 2021-10-21 | Sembcorp Watertech Pte Ltd. | Predictive control system and method |
| CN114676822A (zh) * | 2022-03-25 | 2022-06-28 | 东南大学 | 一种基于深度学习的多属性融合空气质量预报方法 |
| CN116360331A (zh) * | 2023-06-02 | 2023-06-30 | 山东工泵电机有限公司 | 一种通用的自动化控制系统及控制方法 |
| CN116382100A (zh) * | 2023-06-05 | 2023-07-04 | 中特检管道工程（北京）有限公司 | 一种油气管道检测控制系统及控制方法 |
-
2023
- 2023-08-03 CN CN202310966788.0A patent/CN116675277B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3315465A1 (en) * | 2016-10-28 | 2018-05-02 | Carrier Corporation | Method and system for dynamically managing waste water treatment process for optimizing power consumption |
| KR101897441B1 (ko) * | 2018-06-25 | 2018-09-10 | 임영현 | 빅데이터 수집 기반 오·폐수 수질 차등화 처리 시스템 및 방법, 그리고 빅데이터를 이용한 오·폐수 수질 차등화 프로그램을 기록한 컴퓨터로 판독가능한 기록매체 |
| CN109976187A (zh) * | 2019-02-28 | 2019-07-05 | 重庆工商大学 | 基于污水生化处理优化与精细曝气的污水管理平台 |
| WO2021087893A1 (zh) * | 2019-11-07 | 2021-05-14 | 云南合续环境科技有限公司 | 一种组合式逻辑控制电路及污水处理系统 |
| KR102187345B1 (ko) * | 2019-12-20 | 2020-12-04 | 롯데건설 주식회사 | IoT 플랫폼을 적용한 바이오가스 생산 시스템 |
| WO2021211053A1 (en) * | 2020-04-15 | 2021-10-21 | Sembcorp Watertech Pte Ltd. | Predictive control system and method |
| CN111832222A (zh) * | 2020-06-28 | 2020-10-27 | 成都佳华物链云科技有限公司 | 一种污染物浓度的预测模型训练方法、预测方法及装置 |
| CN113023810A (zh) * | 2021-03-16 | 2021-06-25 | 广东电网有限责任公司电力科学研究院 | 一种多加热脱硫废水热浓缩装置及其浓缩效果控制方法 |
| CN114676822A (zh) * | 2022-03-25 | 2022-06-28 | 东南大学 | 一种基于深度学习的多属性融合空气质量预报方法 |
| CN116360331A (zh) * | 2023-06-02 | 2023-06-30 | 山东工泵电机有限公司 | 一种通用的自动化控制系统及控制方法 |
| CN116382100A (zh) * | 2023-06-05 | 2023-07-04 | 中特检管道工程（北京）有限公司 | 一种油气管道检测控制系统及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116675277A (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
| CN116675277B (zh) | 一种基于物联网的低能耗废水浓缩系统控制方法 | |
| CN108536106B (zh) | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 | |
| CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
| CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| CN118350510A (zh) | 一种基于雨水收集系统多级净化技术的雨水利用方法 | |
| KR102085296B1 (ko) | 분류 알고리즘을 이용한 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법 | |
| CN117964023A (zh) | 一种基于人工智能算法控制的污水处理控制系统 | |
| CN113274885B (zh) | 应用于膜法污水处理的膜污染智能化预警方法 | |
| CN118296569A (zh) | 一种基于人工智能算法的城市街区能耗预测方法 | |
| KR102481577B1 (ko) | 물고기 생육 및 에너지 효율 최적화를 위한 제어 방법 및 시스템 | |
| CN117873237A (zh) | 一种无人档案库房智能环境调控系统及方法 | |
| CN105372995A (zh) | 污水处理系统测控方法 | |
| KR100701439B1 (ko) | 마을 하수 처리 시설 통합 관리 방법 및 그 시스템 | |
| CN117519365A (zh) | 基于多路pid温度控制器的温度控制方法及系统 | |
| Wang et al. | Cutting state estimation and time series prediction using deep learning for Cutter Suction Dredger | |
| CN117742144A (zh) | 一种决策支持模型的优化方法、系统及决策支持模型 | |
| CN116341391A (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
| CN111624874A (zh) | 用于城市污水处理的泵站集群智能化预测方法及系统 | |
| KR20060136071A (ko) | 마을 하수 처리 시설 통합 관리 방법 및 그 시스템 | |
| CN118387948A (zh) | 一种针对高浓度有机废水的自动化过滤系统 | |
| CN103970016A (zh) | 多极镁电解槽状态识别控制系统及其识别控制方法 | |
| Pisa | Artificial Neural Networks in the Wastewater Industry. From Conventional to Data-based Industrial Control | |
| CN118567240A (zh) | 基于大数据建模的铝冶炼工艺参数自适应控制方法及系统 | |
| Liu | Improving Water Treatment Using Reinforcement Learning |
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 |