CN117332358A - 一种玉米浸泡水处理方法及系统 - Google Patents
一种玉米浸泡水处理方法及系统 Download PDFInfo
- Publication number
- CN117332358A CN117332358A CN202311606908.2A CN202311606908A CN117332358A CN 117332358 A CN117332358 A CN 117332358A CN 202311606908 A CN202311606908 A CN 202311606908A CN 117332358 A CN117332358 A CN 117332358A
- Authority
- CN
- China
- Prior art keywords
- sequence
- isolated
- processing flow
- taking
- flow sequence
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 127
- 240000008042 Zea mays Species 0.000 title claims abstract description 111
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 111
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 111
- 235000005822 corn Nutrition 0.000 title claims abstract description 111
- 238000002791 soaking Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 90
- 230000008569 process Effects 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 230000035945 sensitivity Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 16
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 15
- 229920002472 Starch Polymers 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 14
- 235000019698 starch Nutrition 0.000 claims description 14
- 239000008107 starch Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 235000014655 lactic acid Nutrition 0.000 claims description 8
- 239000004310 lactic acid Substances 0.000 claims description 8
- 229910052698 phosphorus Inorganic materials 0.000 claims description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 7
- LSNNMFCWUKXFEE-UHFFFAOYSA-N Sulfurous acid Chemical compound OS(O)=O LSNNMFCWUKXFEE-UHFFFAOYSA-N 0.000 claims description 7
- 239000011574 phosphorus Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004065 wastewater treatment Methods 0.000 abstract description 3
- 235000019624 protein content Nutrition 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010907 mechanical stirring Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 235000018102 proteins Nutrition 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 240000008791 Antiaris toxicaria Species 0.000 description 1
- 229920002261 Corn starch Polymers 0.000 description 1
- 102000004316 Oxidoreductases Human genes 0.000 description 1
- 108090000854 Oxidoreductases Proteins 0.000 description 1
- 108010064851 Plant Proteins Proteins 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 239000008120 corn starch Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 235000014786 phosphorus Nutrition 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 235000021118 plant-derived protein Nutrition 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Organic Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及废水处理技术领域,提出了一种玉米浸泡水处理方法及系统,包括:获取每个采集时刻的关键参数序列;获取每个玉米浸泡水完整处理流程中每个关键参数的非处理流程序列、处理流程序列;根据每个关键参数的非处理流程序列、处理流程序列确定每棵孤立树的特征敏感度;根据每棵孤立树的异常检测精度获取每棵孤立树的检测稳定指数以及检测权重;根据孤立森林中所有孤立树的检测权重得到每个多维样本点的真实异常得分;根据真实异常得分确定玉米浸泡水完整处理流程中的异常时刻;基于异常时刻完成对浸泡水处理系统中的参数调节。本发明通过分析玉米浸泡水中关键参数的含量是否符合处理需求进行参数调节,提高了玉米浸泡水的处理效果。
Description
技术领域
本发明涉及废水处理技术领域,具体涉及一种玉米浸泡水处理方法及系统。
背景技术
玉米浸泡水是指玉米在加工过程中产生的工业废水,玉米浸泡水的主要来源是湿法淀粉的生产流程。玉米浸泡水中含有较多的蛋白质、糖类、有机酸、色素等有机物,是一种高浓度的有机废水,如果不对玉米浸泡水进行及时处理,就会对环境造成严重污染。
玉米浸泡水的处理包括物理法、生化处理法等,其中,物理法通过药剂投加、絮凝气浮工艺主要去除悬浮物、胶体物质及部分悬浮物,同时回收植物蛋白饲料,针对废水本身污染物物浓度高的特点,生化处理采用厌氧-好氧相结合的处理工艺,玉米浸泡水经机械格栅截留大块漂浮物后,进入调节池均匀调节水质与水量,调节池设机械搅拌装置,通过机械搅动使原水混合匀质,阻止悬浮物沉淀,悬浮物随水流入气浮池。但是玉米浸泡水中的有机污染成分复杂,对处理后出水的水质质量要求较高,常规的废水处理技术很难将其处理达到排放标准,因此通过数据处理技术做出定量分析非常重要,通过对玉米浸泡水中成分含量的检测判断处理结果是否达标。
发明内容
本发明提供一种玉米浸泡水处理方法及系统,以解决利用孤立森林算法检测玉米浸泡水处理过程中关键参数精度低的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供一种玉米浸泡水处理方法,该方法包括以下步骤:
获取每个采集时刻的关键参数序列,所述关键参数序列包括每次玉米浸泡水抽取水样中的淀粉含量、蛋白质含量、乳酸浓度、磷含量、亚硫酸含量;
采用突变点检测算法获取每个玉米浸泡水完整处理流程中每个关键参数的非处理流程序列、处理流程序列;根据所述每个关键参数的非处理流程序列、处理流程序列确定每棵孤立树的特征敏感度;
根据每棵孤立树的异常检测精度获取每棵孤立树的检测稳定指数以及检测权重;根据孤立森林中所有孤立树的检测权重得到每个多维样本点的真实异常得分;根据所述每个多维样本点的真实异常得分确定玉米浸泡水完整处理流程中的异常时刻;基于所述异常时刻对浸泡水处理系统中的参数调节,完成玉米浸泡水的有效处理。
优选的,所述采用突变点检测算法获取每个玉米浸泡水完整处理流程中每个关键参数的非处理流程序列、处理流程序列的方法为:
将每个玉米浸泡水完整处理流程中每个关键参数的测量值按照时间升序组成的序列作为每个关键参数的单一流程序列;
采用突变点检测算法基于每个关键参数的单一流程序列获取所述单一流程序列中的突变点;将一阶导数最大的两个突变点分别作为显著拐点,将两个显著拐点中所有测量值按照时间顺序组成的序列作为每个关键参数的非处理流程序列;
将从每个关键参数的单一流程序列中去掉所述非处理流程序列后剩余元素按照时间顺序组成的序列作为每个关键参数的处理流程序列。
优选的,所述根据所述每个关键参数的非处理流程序列、处理流程序列确定每棵孤立树的特征敏感度的方法为:
将每个关键参数的非处理流程序列中所有元素的变异系数作为所述非处理流程序列的处理波动系数;
根据每个关键参数的处理流程序列中相邻元素的变化程度获取所述处理流程序列的处理变化率;
基于每棵孤立树的抽取样本集中所选节点特征对应的所述处理波动系数、处理变化率确定每棵孤立树的特征敏感度。
优选的,所述根据每个关键参数的处理流程序列中相邻元素的变化程度获取所述处理流程序列的处理变化率的方法为:
将每个关键参数的处理流程序列中相邻元素之间的差值组成的序列作为所述处理流程序列的一阶差分序列;
将每个关键参数的处理流程序列中最后一个元素对应的采集时刻与第一个元素对应的采集时刻之间的时间间隔作为所述处理流程序列的时间长度;
将所述一阶差分序列中所有元素之和与所述处理流程序列的时间长度的比值作为所述处理流程序列的处理变化率。
优选的,所述基于每棵孤立树的抽取样本集中所选节点特征对应的所述处理波动系数、处理变化率确定每棵孤立树的特征敏感度的方法为:
将每个采集时刻的关键参数序列作为一个多维样本点,将训练每棵孤立树的抽取数据集中每个多维样本点中每个元素对应的处理波动系数与处理变化率的乘积作为第一累积因子;
将第一累加因子在预设次数玉米浸泡水完整处理流程中预设数量个特征上的累加作为分子,将分子与预设参数的比值作为每棵孤立树的特征敏感度。
优选的,所述根据每棵孤立树的异常检测精度获取每棵孤立树的检测稳定指数以及检测权重的方法为:
每个玉米浸泡水完整处理流程对应的所有多维样本点作为异常检测算法的输入,采用异常检测算法得到所述每个多维样本点的异常得分;
将每棵孤立树上每个多维样本点的路径深度异常系数与所述每个多维样本点的异常得分之间映射结果差值的绝对值作为第二累加因子;
将所述第二累加因子在预设次数玉米浸泡水完整处理流程中每棵孤立树的抽取数据集上的累加作为分母;将所述预设次数与每棵孤立树的抽取数据集中的样本数量的乘积作为分子;将分子与分母的比值作为每棵孤立树的检测稳定指数;
将每棵孤立树的特征敏感度与每棵孤立树的检测稳定指数的乘积作为分子,将分子与每棵树的最大路径深度的比值作为每棵孤立树的检测权重。
优选的,所述每棵孤立树上每个多维样本点的路径深度异常系数的获取方法为:
获取测试集中每个多维样本点在孤立森林中所有孤立树上输出路径深度的均值,将每棵孤立树上测试集中每个多维样本点的输出路径深度与所述均值的差值绝对值作为第一差值;
将所述第一差值在每棵孤立树上每个路径深度下所有输出多维样本点上累加结果的均值作为每棵孤立树上每个路径深度下任意一个输出多维样本点的路径深度异常系数。
优选的,所述根据孤立森林中所有孤立树的检测权重得到每个多维样本点的真实异常得分的具体方法为:
基于每棵孤立树的检测权重确定每个多维样本点在每棵孤立树上输出路径深度的权重,采用孤立森林算法中异常得分的计算公式基于所述检测权重得到每个多维样本点的真实异常得分。
优选的,所述根据所述每个多维样本点的真实异常得分确定玉米浸泡水完整处理流程中的异常时刻的方法为:
将真实异常得分大于预设阈值的多维样本点对应关键参数序列的采集时刻作为玉米浸泡水处理过程中的异常时刻。
第二方面,本发明实施例还提供了一种玉米浸泡水处理系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是:本发明通过分析玉米浸泡水处理流程中抽取水样中关键参数的变化量以及处理过程中的处理速率构建特征敏感度,其次结合每棵孤立树的检测精度的高低确定每棵孤立树的检测权重,并基于孤立树的检测权重得到玉米浸泡水处理过程中出水质量的检测结果,有益效果在于通过对每棵孤立树检测权重的构建,能够准确反映每棵孤立树对玉米浸泡水处理流程中每个采集时刻关键参数序列的检测精度,并赋予对玉米浸泡水处理过程中抽取水样不同检测精度的孤立树相应权重,避免利用孤立森林算法检测玉米浸泡水处理过程中异常情况检测精度低的问题,使得玉米浸泡水的处理效果更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种玉米浸泡水处理方法的流程示意图;
图2为本发明一个实施例所提供的一种玉米浸泡水处理过程中关键参数变化示意图;
图3为本发明一个实施例所提供的一种玉米浸泡水处理方法的实施流程图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的一种玉米浸泡水处理方法的流程图,该方法包括以下步骤:
步骤S001,获取玉米浸泡水处理过程中每个采集时刻的关键参数序列。
在玉米浸泡水中主要包括淀粉、蛋白质、乳酸、磷、亚硫酸以及一些其他成分如微量元素,矿物质等,而其中微量元素,矿物质对玉米淀粉生产环节,物质回收环节以及环境污染影响较小,所以在本发明中主要监测玉米浸泡水中的关键参数,即淀粉含量、蛋白质含量、乳酸浓度、磷含量以及亚硫酸含量。
在每次完整玉米浸泡水处理过程中间隔m分钟抽取一次玉米浸泡水水样,m的大小取经验值5。其次分别使用NIR光谱仪检测玉米浸泡水水样中淀粉和蛋白质含量,使用乳酸氧化酶传感器检测玉米浸泡水水样中乳酸浓度,使用分光光度法测量玉米浸泡水水样中磷含量以及亚硫酸含量,并将每个水样抽取时刻采集的关键参数组成的序列作为每个采样时刻的关键参数序列,将每次完整玉米浸泡水处理过程中水样抽取次数记为n,则每次完整玉米浸泡水处理过程中共采集n个关键参数序列。其中,所述分光光度法为公知技术,具体测量过程不再赘述。需要说明的是,实施者可根据处理标准采集合适的关键参数。
至此,每个水样抽取时刻的关键参数序列,用于后续玉米浸泡水中关键参数的检测。
步骤S002,采用突变点检测算法获取每个关键参数的非处理流程序列、处理流程序列;根据所述每个关键参数的非处理流程序列、处理流程序列确定每棵孤立树的特征敏感度。
在淀粉工业的加工过程中,需水量较大导致每次产生的玉米浸泡水量较大,因此对玉米浸泡水处理后的出水质量有着一定要求,避免不达标的处理出水造成大量污染的现象。则在每次完整的处理玉米浸泡水的过程中,每种关键参数的检测精度尤为重要,本发明通过对每次抽取水样中淀粉含量、蛋白质含量、乳酸浓度、磷含量以及亚硫酸含量的检测判断玉米浸泡水的处理结果是否达标。孤立森林算法是现阶段工业生产中使用频率较高的异常检测算法,然而在构建每棵孤立树的过程中,通过随机选择的参数特征将抽取数据集中的样本点分配到每棵孤立树的节点中,直到达到终止条件,形成一棵完整的二叉树。上述构建方式决定了每棵孤立树在关键参数的检测过程中起到相同程度的作用,然而实际上分类精度较高的孤立树应该拥有更高的权重以提高孤立森林的检测精度。
对于任意一次玉米浸泡水完整处理流程,以第a次玉米浸泡水完整处理流程为例,将第a次玉米浸泡水完整处理流程中每个关键参数的测量值按照时间升序组成的序列作为每个关键参数的单一流程序列,以第i个关键参数为例,将第a次玉米浸泡水完整处理流程中第i个关键参数的测量值构建得到单一流程序列记为。在每次完整的玉米浸泡水处理流程中,处理过程是分步骤进行的,如图2所示,即在一个关键参数的处理过程中,未涉及处理的其余关键参数对应的单一流程序列中相邻元素的变化幅度很小,不会超过处于处理过程中的关键参数的变化量,因此考虑将各个关键参数的单一流程序列进行分段处理,将任意一次玉米浸泡水完整处理流程中各个关键参数的单一流程序列分为非处理流程序列、处理流程序列。以/>为例,分段处理过程如下:
具体地,将单一流程序列作为Pelt(Pruned Exact Linear Time)算法的输入,Pelt(Pruned Exact Linear Time)算法的模型选择准则为贝叶斯信息准则,Pelt算法的输出为单一流程序列/>中突变点的位置序列,Pelt算法为公知技术,具体过程不再赘述;除上述方法外,还可以单一流程序列/>作为BG序列分割算法的输入,BG序列分割算法输出为单一流程序列/>中的突变点,BG序列分割算法为公知技术,具体过程不再赘述,实施者可根据情况选择合适的突变点检测算法获取所述单一流程序列中的突变点。
进一步地,分别获取单一流程序列中所有突变点处的一阶导数,将一阶导数最大的两个突变点分别作为显著拐点1、显著拐点2,将两个显著拐点中所有测量值按照时间顺序组成的序列作为第i个关键参数的非处理流程序列/>,将非处理流程序列/>中所有元素的变异系数作为非处理流程序列/>的处理波动系数/>,变异系数的计算为公知技术,具体过程不再赘述;其次从单一流程序列/>去掉非处理流程序列/>,将单一流程序列/>中剩余元素按照时间顺序组成的序列作为第i个关键参数的处理流程序列/>,将处理流程序列/>中最后一个元素对应的采集时刻与第一个元素对应的采集时刻之间的时间间隔作为处理流程序列/>的时间长度。
每个完整的玉米浸泡水处理过程中,随着处理时间的增长,不同关键参数的单一流程序列中数据变化趋势相近,统一呈现递减的趋势,但相对来说,处理流程时间越短,处理流程时间段内数据变化越快,则该关键参数在不同采集时刻越有可能出现异常情况,那么此关键参数作为训练孤立树的特征时对于异常样本点的评估效果更优。将处理流程序列中相邻元素之间的差值组成的序列作为处理流程序列/>的一阶差分序列,基于所述一阶差分序列以及时间长度计算处理流程序列/>的处理变化率/>:
式中,是处理流程序列/>的处理变化率,/>是处理流程序列/>的时间长度,/>是处理流程序列/>的一阶差分序列中元素的数量,/>是处理流程序列/>的一阶差分序列中的第t个元素。
在本发明中采集M次完整的玉米浸泡水处理流程中所有水样抽取时刻对应的关键参数数列,共得到个关键参数序列,按照训练集与测试集比例为/>的比例分割个关键参数序列得到本发明中随机森林的训练集/>、测试集/>,并将每个完整的玉米浸泡水处理流程中每个采集时刻的关键参数序列作为一个多维样本点,将每种关键参数作为一类参数特征,基于所述多维样本点训练孤立树。具体的,本发明中孤立森林中孤立树的数量设置为/>,训练每棵孤立树时抽取数据集中包含N个多维样本点,每棵孤立树的最大路径深度设置为10,每棵孤立树中选择P个参数特征,M、N、P的大小分别取经验值10、512、3,孤立树的训练为公知技术,具体过程不再赘述,上述孤立森立算法中的相关参数实施者可根据实际情况设置合适的大小。
对于任意一个孤立树,以第k棵孤立树为例,其对应的抽取数据集中每个多维样本点中的每个元素都对应一个采集时刻的关键参数,那么所述每个关键参数在每次完整的玉米浸泡水处理流程中根据上述步骤都能够得到其对应的单一流程序列、处理波动系数以及处理变化率。基于第k棵孤立树的抽取数据集中所有多维样本点对应的处理波动系数以及处理变化率确定第k棵孤立树的特征敏感度:
式中,是第k棵孤立树的特征敏感度,M是完整的玉米浸泡水处理流程的次数,P是训练每棵孤立树时选择参数特征的数量,/>是第p的参数特征在第a个完整的玉米浸泡水处理流程中对应的非处理流程序列的处理波动系数,/>是第p的参数特征在第a个完整的玉米浸泡水处理流程中对应的处理流程序列的处理变化率。
其中,第p个参数特征对应的非处理流程序列内数据的变异系数越大,数据变化越明显,第p个参数特征在第k棵孤立树构建过程中敏感度更高,的值越大;处理流程序列内相邻数据的变化量越大,处理流程序列的单位变化速率越大,则在较短的处理时间内数据变化量越大,第p个参数特征更适合作为训练孤立树时的参数特征,/>的值越大,第一累加因子/>的值越大,相应的,/>的值越大。
至此,得到每棵孤立树的特征敏感度,用于后续检测玉米浸泡水处理过程中关键参数的异常程度。
步骤S003,根据每棵孤立树的异常检测精度获取每棵孤立树的检测稳定指数以及检测权重;根据孤立森林中所有孤立树的检测权重得到每个多维样本点的真实异常得分。
进一步地,将每个完整的玉米浸泡水处理流程中获取的所有多维样本点作为离群因子检测LOF算法的输入,LOF算法中第b近邻距离中b的大小取经验值5,LOF算法的输出为所述每个多维样本点的异常得分,将第a次完整玉米浸泡水处理流程中第g个多维样本点的异常得分记为,离群因子检测LOF算法为公知技术,具体过程不再赘述。
在利用测试集中的多维样本点测试随机森林时,同一个多维样本点在不同孤立树中输出节点的位置可能是不同的,即测试集/>中的多维样本点在不同孤立树上输出路径深度是不同的,这是因为训练孤立树的过程中是随机抽取数据集的方式,因此不同孤立树可能是由不同玉米浸泡水处理阶段的多维样本点训练的。举例而言,第a次完整玉米浸泡水处理流程中第g个多维样本点是测试集/>中的一个多维样本点,所述第g个多维样本点在第k棵孤立树上的输出路径深度为/>,则第k棵孤立树上输出路径深度为/>的左右两个节点中任意一个输出的多维样本点的检测精度与所述第g个多维样本点在第k棵孤立树上检测精度是相同的,即每棵孤立树上输出路径深度相同的任意两个多维样本点的检测精度是相同的。
本发明基于测试集中每个多维样本点的异常得分以及测试集/>中每个多维样本点的输出路径深度构建检测权重,用于评估每棵孤立树的检测精度,计算第k棵孤立树的检测权重/>:
式中,是第g个多维样本点的路径深度异常系数,/>是第k棵孤立树上与第g个多维样本点的输出路径深度相同的多维样本点的数量,/>是第k棵孤立树中第g个多维样本点的输出路径深度,/>是第g个多维样本点在所有孤立树上输出路径深度的均值;
是第k棵孤立树的检测稳定指数,M是所取完整玉米浸泡水处理流程的次数,N是第k棵孤立树的抽取数据集中的样本量,/>是第g个多维样本点的异常得分,/>是以自然常数为底数的指数函数;
是第k棵孤立树的检测权重,/>是第k棵孤立树的特征敏感度,/>是第k棵孤立树的最大路径深度。
其中,测试集中第g个多维样本点在第k棵孤立树上的检测精度与其余孤立树上检测精度的差异越大,第g个多维样本点在第k棵孤立树上的输出路径深度与第g个多维样本点在其余孤立树上的输出路径深度的差异越大,第一差值/>的值越大;测试集中第g个多维样本点的异常程度越高,第g个多维样本点的异常得分越大,/>的值越大,第二累加因子/>的值越小,第g个多维样本点为真实异常点的概率越高,/>的值越大;第k棵孤立树对参数特征的分类精度越高,/>的值越大,即/>的值越大,第k棵孤立树上异常样本点的检测精度越高。
根据上述步骤,分别获取每棵孤立树的检测权重。基于所有孤立树的检测权重获取测试集中每个多维样本点的真实异常得分,第g个多维样本点的真实异常得分的计算公式如下:
式中,是第g个多维样本点在第k棵孤立树上的加权路径深度,/>是第k棵孤立树的检测权重,/>、/>分别是所有孤立树的检测权重中的最大值、最小值,/>是第k棵孤立树中第g个多维样本点的输出路径深度;
是第g个多维样本点的真实异常得分,K是孤立树的总数量, />是与第g个多维样本点处于同一节点内的样本数量,/>是孤立森林算法中的修正值,修正值的计算为孤立森林算法中的公知技术,具体过程不再赘述。
至此,得到每个多维样本点的真实异常得分,用于后续确定玉米浸泡水处理流程中关键参数的异常检测结果。
步骤S004,根据每个多维样本点的真实异常得分确定玉米浸泡水完整处理流程中的异常时刻;基于所述异常时刻对浸泡水处理系统中的参数调节,完成玉米浸泡水的有效处理。
根据上述步骤,从玉米浸泡水处理流程起始时刻开始,获取关键参数构成关键参数序列,并将每个关键参数序列作为一个待检测的多维样本点,根据上述流程获取每个待检测的多维样本点的真实异常得分,整个实施流程如图3所示。
进一步地,将所述真实异常得分与预设阈值进行比较,预设阈值的大小取经验值0.8,将大于预设阈值的待检测的多维样本点对应的采集时刻作为异常时刻,将所述异常时刻对应的玉米浸泡水处理流程中的抽取水样认为是出水质量不合格的,此时分别获取出水质量不合格得水样中的淀粉含量、蛋白质含量、乳酸浓度、磷含量以及亚硫酸含量,并分别与每种关键参数的排放标准进行对比,并将对比结果上传至玉米浸泡水处理系统,玉米浸泡水处理系统根据实时接收的对比结果进行参数调控,举例而言,当玉米浸泡水中淀粉含量超出排放标准时,判定为玉米浸泡水中淀粉含量较高,则应在此时刻玉米浸泡水处理系统中离心转速等参数以确保淀粉可以被充分回收,从而降低玉米浸泡水中的淀粉含量直至达到排放标准,完成对玉米浸泡水的有效处理。
基于与上述方法相同的发明构思,本发明实施例还提供了一种玉米浸泡水处理系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种玉米浸泡水处理方法中任意一项所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种玉米浸泡水处理方法,其特征在于,该方法包括以下步骤:
获取每个采集时刻的关键参数序列,所述关键参数序列包括每次玉米浸泡水抽取水样中的淀粉含量、蛋白质含量、乳酸浓度、磷含量、亚硫酸含量;
采用突变点检测算法获取每个玉米浸泡水完整处理流程中每个关键参数的非处理流程序列、处理流程序列;根据所述每个关键参数的非处理流程序列、处理流程序列确定每棵孤立树的特征敏感度;
根据每棵孤立树的异常检测精度获取每棵孤立树的检测稳定指数以及检测权重;根据孤立森林中所有孤立树的检测权重得到每个多维样本点的真实异常得分;根据所述每个多维样本点的真实异常得分确定玉米浸泡水完整处理流程中的异常时刻;基于所述异常时刻对浸泡水处理系统中的参数调节,完成玉米浸泡水的有效处理。
2.根据权利要求1所述的一种玉米浸泡水处理方法,其特征在于,所述采用突变点检测算法获取每个玉米浸泡水完整处理流程中每个关键参数的非处理流程序列、处理流程序列的方法为:
将每个玉米浸泡水完整处理流程中每个关键参数的测量值按照时间升序组成的序列作为每个关键参数的单一流程序列;
采用突变点检测算法基于每个关键参数的单一流程序列获取所述单一流程序列中的突变点;将一阶导数最大的两个突变点分别作为显著拐点,将两个显著拐点中所有测量值按照时间顺序组成的序列作为每个关键参数的非处理流程序列;
将从每个关键参数的单一流程序列中去掉所述非处理流程序列后剩余元素按照时间顺序组成的序列作为每个关键参数的处理流程序列。
3.根据权利要求1所述的一种玉米浸泡水处理方法,其特征在于,所述根据所述每个关键参数的非处理流程序列、处理流程序列确定每棵孤立树的特征敏感度的方法为:
将每个关键参数的非处理流程序列中所有元素的变异系数作为所述非处理流程序列的处理波动系数;
根据每个关键参数的处理流程序列中相邻元素的变化程度获取所述处理流程序列的处理变化率;
基于每棵孤立树的抽取样本集中所选节点特征对应的所述处理波动系数、处理变化率确定每棵孤立树的特征敏感度。
4.根据权利要求3所述的一种玉米浸泡水处理方法,其特征在于,所述根据每个关键参数的处理流程序列中相邻元素的变化程度获取所述处理流程序列的处理变化率的方法为:
将每个关键参数的处理流程序列中相邻元素之间的差值组成的序列作为所述处理流程序列的一阶差分序列;
将每个关键参数的处理流程序列中最后一个元素对应的采集时刻与第一个元素对应的采集时刻之间的时间间隔作为所述处理流程序列的时间长度;
将所述一阶差分序列中所有元素之和与所述处理流程序列的时间长度的比值作为所述处理流程序列的处理变化率。
5.根据权利要求3所述的一种玉米浸泡水处理方法,其特征在于,所述基于每棵孤立树的抽取样本集中所选节点特征对应的所述处理波动系数、处理变化率确定每棵孤立树的特征敏感度的方法为:
将每个采集时刻的关键参数序列作为一个多维样本点,将训练每棵孤立树的抽取数据集中每个多维样本点中每个元素对应的处理波动系数与处理变化率的乘积作为第一累积因子;
将第一累加因子在预设次数玉米浸泡水完整处理流程中预设数量个特征上的累加作为分子,将分子与预设参数的比值作为每棵孤立树的特征敏感度。
6.根据权利要求1所述的一种玉米浸泡水处理方法,其特征在于,所述根据每棵孤立树的异常检测精度获取每棵孤立树的检测稳定指数以及检测权重的方法为:
每个玉米浸泡水完整处理流程对应的所有多维样本点作为异常检测算法的输入,采用异常检测算法得到所述每个多维样本点的异常得分;
将每棵孤立树上每个多维样本点的路径深度异常系数与所述每个多维样本点的异常得分之间映射结果差值的绝对值作为第二累加因子;
将所述第二累加因子在预设次数玉米浸泡水完整处理流程中每棵孤立树的抽取数据集上的累加作为分母;将所述预设次数与每棵孤立树的抽取数据集中的样本数量的乘积作为分子;将分子与分母的比值作为每棵孤立树的检测稳定指数;
将每棵孤立树的特征敏感度与每棵孤立树的检测稳定指数的乘积作为分子,将分子与每棵树的最大路径深度的比值作为每棵孤立树的检测权重。
7.根据权利要求6所述的一种玉米浸泡水处理方法,其特征在于,所述每棵孤立树上每个多维样本点的路径深度异常系数的获取方法为:
获取测试集中每个多维样本点在孤立森林中所有孤立树上输出路径深度的均值,将每棵孤立树上测试集中每个多维样本点的输出路径深度与所述均值的差值绝对值作为第一差值;
将所述第一差值在每棵孤立树上每个路径深度下所有输出多维样本点上累加结果的均值作为每棵孤立树上每个路径深度下任意一个输出多维样本点的路径深度异常系数。
8.根据权利要求1所述的一种玉米浸泡水处理方法,其特征在于,所述根据孤立森林中所有孤立树的检测权重得到每个多维样本点的真实异常得分的具体方法为:
基于每棵孤立树的检测权重确定每个多维样本点在每棵孤立树上输出路径深度的权重,采用孤立森林算法中异常得分的计算公式基于所述检测权重得到每个多维样本点的真实异常得分。
9.根据权利要求1所述的一种玉米浸泡水处理方法,其特征在于,所述根据所述每个多维样本点的真实异常得分确定玉米浸泡水完整处理流程中的异常时刻的方法为:
将真实异常得分大于预设阈值的多维样本点对应关键参数序列的采集时刻作为玉米浸泡水处理过程中的异常时刻。
10.一种玉米浸泡水处理系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606908.2A CN117332358B (zh) | 2023-11-29 | 2023-11-29 | 一种玉米浸泡水处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606908.2A CN117332358B (zh) | 2023-11-29 | 2023-11-29 | 一种玉米浸泡水处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332358A true CN117332358A (zh) | 2024-01-02 |
CN117332358B CN117332358B (zh) | 2024-02-23 |
Family
ID=89293769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606908.2A Active CN117332358B (zh) | 2023-11-29 | 2023-11-29 | 一种玉米浸泡水处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332358B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706967A (zh) * | 2024-02-06 | 2024-03-15 | 湖南旺旺食品有限公司 | 一种洗米自动化设备智能监测控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107311333A (zh) * | 2017-08-20 | 2017-11-03 | 合肥信达膜科技有限公司 | 一种高效的玉米淀粉工业生产废水处理系统 |
CA3083716A1 (en) * | 2017-12-01 | 2019-06-06 | Zymergen Inc. | Identifying organisms for production using unsupervised parameter learning for outlier detection |
CN110627829A (zh) * | 2019-09-02 | 2019-12-31 | 青岛西海岸第六纪生态农业发展有限公司 | 一种玉米浸泡水资源化处理方法 |
CN111159251A (zh) * | 2019-12-19 | 2020-05-15 | 青岛聚好联科技有限公司 | 一种异常数据的确定方法及装置 |
CN112479360A (zh) * | 2020-11-06 | 2021-03-12 | 深圳市深能环保东部有限公司 | 一种生活垃圾渗滤液的厌氧处理工艺异常识别及调整方法 |
CN116977111A (zh) * | 2023-07-28 | 2023-10-31 | 山东科翔智能科技有限公司 | 一种基于智慧ai农业的玉米种植决策管控系统 |
-
2023
- 2023-11-29 CN CN202311606908.2A patent/CN117332358B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107311333A (zh) * | 2017-08-20 | 2017-11-03 | 合肥信达膜科技有限公司 | 一种高效的玉米淀粉工业生产废水处理系统 |
CA3083716A1 (en) * | 2017-12-01 | 2019-06-06 | Zymergen Inc. | Identifying organisms for production using unsupervised parameter learning for outlier detection |
CN110627829A (zh) * | 2019-09-02 | 2019-12-31 | 青岛西海岸第六纪生态农业发展有限公司 | 一种玉米浸泡水资源化处理方法 |
CN111159251A (zh) * | 2019-12-19 | 2020-05-15 | 青岛聚好联科技有限公司 | 一种异常数据的确定方法及装置 |
CN112479360A (zh) * | 2020-11-06 | 2021-03-12 | 深圳市深能环保东部有限公司 | 一种生活垃圾渗滤液的厌氧处理工艺异常识别及调整方法 |
WO2022095501A1 (zh) * | 2020-11-06 | 2022-05-12 | 深圳市深能环保东部有限公司 | 一种生活垃圾渗滤液的厌氧处理工艺异常识别及调整方法 |
CN116977111A (zh) * | 2023-07-28 | 2023-10-31 | 山东科翔智能科技有限公司 | 一种基于智慧ai农业的玉米种植决策管控系统 |
Non-Patent Citations (2)
Title |
---|
WEI HONG等: "Design and operation effect of corn starch wastewater treatment project", IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE, vol. 358, no. 2, pages 1 - 6 * |
夏子翔: "生物制品废水处理扩改工程的技术方案与调试运行", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, vol. 2022, no. 05, pages 027 - 1150 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706967A (zh) * | 2024-02-06 | 2024-03-15 | 湖南旺旺食品有限公司 | 一种洗米自动化设备智能监测控制系统 |
CN117706967B (zh) * | 2024-02-06 | 2024-05-24 | 湖南旺旺食品有限公司 | 一种洗米自动化设备智能监测控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117332358B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117332358B (zh) | 一种玉米浸泡水处理方法及系统 | |
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
Wei et al. | Tracing floral and geographical origins of honeys by potentiometric and voltammetric electronic tongue | |
CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
CN105699437B (zh) | 一种基于电子鼻的不同新鲜度山核桃的快速无损区分方法 | |
Lauguico et al. | Lettuce life stage classification from texture attributes using machine learning estimators and feature selection processes | |
CN110455512B (zh) | 基于深度自编码器dae的旋转机械多集成故障诊断方法 | |
CN115453064B (zh) | 一种细颗粒物空气污染成因分析方法及系统 | |
CN114757413A (zh) | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 | |
CN111243676B (zh) | 一种基于高通量测序数据的枯萎病发病预测模型及应用 | |
CN112949984A (zh) | 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 | |
CN115034303A (zh) | 一种食品有害物质定向检测方法及系统 | |
CN115015126A (zh) | 一种粉末状生物粒子材料活性判定方法和系统 | |
CN116612820B (zh) | 基于数据分析的乳制品生产智能管理平台 | |
CN117113264B (zh) | 一种实时在线的污水厂溶解氧仪表异常检测的方法 | |
CN108334977B (zh) | 基于深度学习的水质预测方法及系统 | |
Nambi et al. | Comprehensive ripeness-index for prediction of ripening level in mangoes by multivariate modelling of ripening behaviour | |
CN116611000B (zh) | 基于机器学习的大闸蟹养殖环境智能监测系统 | |
CN110726813B (zh) | 基于双层集成神经网络的电子鼻预测方法 | |
CN114354666B (zh) | 基于波长频次选择的土壤重金属光谱特征提取、优化方法 | |
Prayogi et al. | Image classification of different clove (Syzygium aromaticum) quality using deep learning method with convolutional neural network algorithm | |
CN114063587B (zh) | 一种基于机器视觉的蛋糕无菌生产控制方法及系统 | |
CN113607681A (zh) | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 | |
CN114417227A (zh) | 一种水体中叶绿素a浓度预测方法 | |
CN113361209A (zh) | 一种高温合金表面缺陷磁异常定量分析方法 |
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 |