CN117373567A - 一种对厌氧废水处理工艺进行监测的方法 - Google Patents
一种对厌氧废水处理工艺进行监测的方法 Download PDFInfo
- Publication number
- CN117373567A CN117373567A CN202311665712.0A CN202311665712A CN117373567A CN 117373567 A CN117373567 A CN 117373567A CN 202311665712 A CN202311665712 A CN 202311665712A CN 117373567 A CN117373567 A CN 117373567A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- judgment
- database
- monitoring
- wastewater treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 137
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 230000008569 process Effects 0.000 title claims abstract description 69
- 238000004065 wastewater treatment Methods 0.000 title claims abstract description 58
- 230000005764 inhibitory process Effects 0.000 claims abstract description 51
- 238000011084 recovery Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000001629 suppression Effects 0.000 claims description 56
- 230000004044 response Effects 0.000 claims description 39
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 claims description 36
- 230000035945 sensitivity Effects 0.000 claims description 31
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 30
- XBDQKXXYIPTUBI-UHFFFAOYSA-N dimethylselenoniopropionate Natural products CCC(O)=O XBDQKXXYIPTUBI-UHFFFAOYSA-N 0.000 claims description 24
- 238000011161 development Methods 0.000 claims description 14
- 235000019260 propionic acid Nutrition 0.000 claims description 12
- IUVKMZGDUIUOCP-BTNSXGMBSA-N quinbolone Chemical compound O([C@H]1CC[C@H]2[C@H]3[C@@H]([C@]4(C=CC(=O)C=C4CC3)C)CC[C@@]21C)C1=CCCC1 IUVKMZGDUIUOCP-BTNSXGMBSA-N 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003909 pattern recognition Methods 0.000 claims description 10
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 9
- 229910052739 hydrogen Inorganic materials 0.000 claims description 9
- 239000001257 hydrogen Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 claims description 3
- 235000014113 dietary fatty acids Nutrition 0.000 claims description 3
- 229930195729 fatty acid Natural products 0.000 claims description 3
- 239000000194 fatty acid Substances 0.000 claims description 3
- 150000004665 fatty acids Chemical class 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 231100000331 toxic Toxicity 0.000 claims description 3
- 230000002588 toxic effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004804 winding Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000000696 methanogenic effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000000789 acetogenic effect Effects 0.000 description 2
- 230000003851 biochemical process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000020477 pH reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- C02F3/28—Anaerobic digestion processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/30—Fuel from waste, e.g. synthetic alcohol or diesel
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Microbiology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明公开了一种对厌氧废水处理工艺进行监测的方法，涉及厌氧废水处理技术领域，所述方法包括：建立知识库，所述知识库用于存储理论知识和经验数据；建立综合数据库，所述综合数据库用于存储用户输入信息转化成的计算机语言形式的初始数据、推理程序求解过程中得到的中间数据和最终结果的数据；获取厌氧废水处理工艺的监测数据；根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果。能够对厌氧反应系统中的扰动抑制的发生、扰动抑制因素类型和绕顶抑制程度、扰动抑制终点和厌氧反应器恢复情况等进行快速、准确、全面的诊断，并给出详细且便于理解的判断信息。
Description
技术领域
本发明涉及厌氧废水处理技术领域，特别涉及一种对厌氧废水处理工艺进行监测的方法。
背景技术
基于AI的智能监测方法，对特定的厌氧废水处理工艺取得了较好的监测控制效果，但是，应用广泛的人工神经网络需要通过长期的训练来调整和优化内部的算法，才能具备良好的学习能力、联想能力和适应能力，但这一过程需要海量的训练数据，在目前厌氧废水处理工艺的实践条件下难以被满足。模糊逻辑控制方法中对输入信息的模糊化处理和对输出信息的反模糊化处理影响了控制的精度，导致其往往难以满足厌氧废水处理工艺监测控制的准确性要求。
基于AI的智能判断方法的核心是对监测参数数据进行模式识别，由于厌氧废水处理工艺具有滞后性的特点，厌氧微生物在受到强扰动抑制因素的抑制作用后的恢复过程缓慢，厌氧系统的受控变量在扰动抑制出现一段时间后才会响应，而且监测参数的数据往往存在无规律的噪声波动，对准确的模式识别造成了困难。目前尚缺少具有通用性的厌氧废水处理工艺监测控制方法，并且各种基于AI的智能监测控制方法在对特定厌氧废水处理工艺监测的准确性、全面性和敏感性的平衡上也存在不足。
发明内容
本发明提供一种对厌氧废水处理工艺进行监测的方法，能够对厌氧反应系统中的扰动抑制的发生、扰动抑制因素类型和绕顶抑制程度、扰动抑制终点和厌氧反应器恢复情况等进行快速、准确、全面的诊断，并给出详细且便于理解的判断信息。
根据本公开的一方面，提供了一种对厌氧废水处理工艺进行监测的方法，所述方法包括：建立知识库，所述知识库用于存储理论知识和经验数据；
建立综合数据库，所述综合数据库用于存储用户输入信息转化成的计算机语言形式的初始数据、推理程序求解过程中得到的中间数据和最终结果的数据；
获取厌氧废水处理工艺的监测数据；
根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果；
其中，所述判断结果包括厌氧反应期中扰动抑制的发生、扰动抑制因素的类型、扰动抑制程度、扰动抑制的发展情况和厌氧反应器状态的恢复情况。
在一种可能的实现方式中，所述知识库包括：初步判断的扰动抑制识别数据库，扰动抑制因素类型判断数据库和进行全面判断的综合判断数据库；
其中，所述扰动抑制识别数据库存储敏感性判断指标，所述扰动抑制因素类型判断数据库存储主要判断指标，所述综合判断数据库存储。
在一种可能的实现方式中，所述扰动抑制识别数据库用于在扰动抑制初期对厌氧废水处理工艺是否遭受扰动抑制进行模式识别，利用敏感性监测参数构建的敏感性判断指；
所述扰动抑制因素类型判断数据库用于在判断扰动抑制发生后对扰动抑制因素的类型进行模式识别；
所述综合判断数据库用于在扰动抑制因素类型被模式识别后对厌氧反应器进行全面的判断，所述综合判断数据库的判断依据，包括敏感性判断指标，主要判断指标的特征响应和非敏感性监测参数的响应。
在一种可能的实现方式中，所述根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果，包括：
将所述监测数据输入推理程序中，根据扰动抑制识别数据库及敏感性判断指标的响应识别厌氧废水处理工艺是否受到扰动抑制；
如果是，根据多个主要判断指标的响应，判断扰动抑制因素的种类；
根据所述扰动抑制因素的种类及判断指标的特征响应，判断出扰动抑制程度和扰动抑制状态的发展情况，进而对厌氧反应器的状态做出预测或预警；
其中，扰动抑制因素的种类包括：难降解毒性有机物的冲击、进水有机负荷的变化和温度的波动。
在一种可能的实现方式中，所述方法还包括：通过人机交互界面显示是否受到扰动抑制的结果，扰动抑制因素的种类和扰动抑制程度和扰动抑制状态的发展情况。
在一种可能的实现方式中，所述方法还包括：
通过知识获取的方式将理论知识和经验方法整理和传送到所述知识数据库中，对知识数据库的修改和维护。
在一种可能的实现方式中，所述方法还包括：利用指数平滑异同移动平均MACD算法处理所述监测数据，根据所述监测数据构建MACD判断指标；
所述监测数据包括沼气产率、甲烷含量、氢分压、甲烷产率、VFA浓度和碳酸氢盐碱度、乙酸的浓度和丙酸浓度，乙酸的浓度和丙酸浓度的比值；
所述MACD判断指标包括：甲烷含量的MACD指标，氢分压的MACD指标，甲烷产率的MACD指标，总挥发性脂肪酸VFA浓度的MACD指标，乙酸浓度的MACD指标，丙酸浓度的MACD指标和乙酸浓度/丙酸浓度的MACD指标。
在一种可能的实现方式中，所述方法还包括：根据所述MACD判断指标与厌氧反应器中的状态的映射关系，更新所述知识库。
在一种可能的实现方式中，所述根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果，包括：
将所述MACD判断指标输入推理程序中，根据扰动抑制识别数据库及敏感性判断指标的响应识别厌氧废水处理工艺是否受到扰动抑制；
如果是，根据多个主要MACD判断指标的正/负符号，判断扰动抑制因素的种类；
根据所述扰动抑制因素的种类及多个MACD指标的一阶导数的正/负符号和绝对值，判断出扰动抑制程度和扰动抑制状态的发展情况，进而对厌氧反应器的状态做出预测或预警。
与现有技术相比，本发明的有益效果是：
1、本公开实施例的对厌氧废水处理工艺进行监测的方法，通过知识库中的理论知识和经验数据，以及综合数据库中的数据和厌氧废水处理工艺的监测数据。通过推理程序对厌氧反应系统中的扰动抑制的发生、扰动抑制因素类型和绕顶抑制程度、扰动抑制终点和厌氧反应器恢复情况等进行快速、准确、全面的诊断，并给出详细且便于理解的判断信息。
2、而且，通过知识获取的方式将理论知识和经验方法整理和传送到所述知识数据库中，对知识数据库的修改和维护知识，这样，该方法具备了不断更新知识数据库的能力。
3、当厌氧废水处理工艺遭到扰动抑制时，所述监测方法可以通过MACD指标偏离基线的响应，尤其敏感性判断指标MHP，通过其快速的响应可以迅速判断扰动抑制的发生。未经处理的参数监测数据存在无规律的噪声波动，很难被专家诊断系统进行模式识别，而经MACD算法处理后，则可以得到明显的、可识别的响应。
附图说明
图1示出本公开一实施例的一种对厌氧废水处理工艺进行监测的方法框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出本公开一实施例的一种对厌氧废水处理工艺进行监测的方法框图，如图1所示，所述方法包括：
S01，建立知识库，所述知识库用于存储理论知识和经验数据；例如，所述知识库中包括厌氧废水处理工艺判断控制领域知识的集合，以及以厌氧反应器扰动抑制因素模拟冲击实验的实验数据，通过深入分析获得的监测参数(和以监测参数为基础构建的判断指标)的响应与厌氧反应器系统状态之间的映射关系。
S02，建立综合数据库，所述综合数据库用于存储用户输入信息转化成的计算机语言形式的初始数据、推理程序求解过程中得到的中间数据和最终结果的数据；
S03，获取厌氧废水处理工艺的监测数据；
S04，根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果；
其中，所述判断结果包括厌氧反应期中扰动抑制的发生、扰动抑制因素的类型、扰动抑制程度、扰动抑制的发展情况和厌氧反应器状态的恢复情况。
厌氧废水处理工艺遭遇环境扰动时，某些状态参数会做出不同程度的响应，对厌氧废水处理工艺的关键状态参数进行实时监测，可以获取厌氧处理系统的状态信息。
本公开实施例的对厌氧废水处理工艺进行监测的方法，通过知识库中的理论知识和经验数据，以及综合数据库中的数据和厌氧废水处理工艺的监测数据。通过推理程序对厌氧反应系统中的扰动抑制的发生、扰动抑制因素类型和绕顶抑制程度、扰动抑制终点和厌氧反应器恢复情况等进行快速、准确、全面的诊断，并给出详细且便于理解的判断信息。
在一种可能的实现方式中，所述知识库包括：初步判断的扰动抑制识别数据库，扰动抑制因素类型判断数据库和进行全面判断的综合判断数据库；
其中，所述扰动抑制识别数据库存储敏感性判断指标，所述扰动抑制因素类型判断数据库存储主要判断指标，所述综合判断数据库存储。
在一种可能的实现方式中，所述扰动抑制识别数据库用于在扰动抑制初期对厌氧废水处理工艺是否遭受扰动抑制进行模式识别，利用敏感性监测参数构建的敏感性判断指；
所述扰动抑制因素类型判断数据库用于在判断扰动抑制发生后对扰动抑制因素的类型进行模式识别；
所述综合判断数据库用于在扰动抑制因素类型被模式识别后对厌氧反应器进行全面的判断，所述综合判断数据库的判断依据，包括敏感性判断指标，主要判断指标的特征响应和非敏感性监测参数的响应。
这三部分判断数据库在不同的时刻和情境分别承担不同的判断任务，互相配合，共同完成判断。
扰动抑制识别数据库用于在扰动抑制初期对厌氧废水处理工艺是否遭受扰动抑制进行模式识别，利用敏感性监测参数构建的敏感性判断指标，敏感性判断指标往往在扰动出现后很快就能做出响应，为下一步的判断及时提供有价值的判断信息。
扰动抑制因素类型判断数据库用于在判断扰动抑制发生后对扰动抑制因素的类型进行模式识别。在众多的监测参数中遴选出和厌氧微生物的状态直接相关，并且能够反映厌氧生化过程本质性信息的监测参数，将其与只能够反映厌氧系统一些表观信息的监测参数做出区分，然后在这部分监测参数中选取最能区分扰动抑制因素类型的一组作为主要判断指标，其他的监测参数作为辅助判断指标。
综合判断数据库用于在扰动抑制因素类型被模式识别后对厌氧反应器进行全面的判断，该判断数据库的判断依据，除敏感性判断指标和主要判断指标的特征响应之外，还包括其他非敏感性监测参数的响应；反映反应厌氧生化过程某些表观信息的监测参数，其特征响应也可以为该判断数据库提供判断依据。综合判断数据库不仅需要对厌氧废水处理工艺做出综合判断，包括扰动抑制强度和厌氧系统的恢复情况等，也应承担提前预测和预警的任务，为操作人员采取合理的控制措施以保证厌氧反应器高效稳定运行提供有效的判断信息。
扰动识别数据库为该诊断步骤提供诊断依据，推理程序中根据敏感性诊断指标的响应，结合扰动识别数据库，快速识别厌氧废水处理工艺是否受到扰动抑制，为接下来判断扰动抑制因素类型提供可靠的信息；判断扰动抑制因素类型：扰动抑制因素类型判断数据库是该类型确定步骤的依据，在识别扰动抑制的情况后，根据多个主要诊断指标的响应，判断扰动抑制因素的种类，该判断步骤的要点在于主要诊断指标特征响应的组合，并初步预测厌氧废水处理工艺系统状态可能发生的改变。第三步：根据第二步对扰动抑制因素的识别情况，进一步综合各诊断指标的特征响应，做出更加全面的诊断，包括扰动抑制程度和系统状态的发展情况，同时给出提前预测和可靠预警，作为采取合理控制措施的基础，为厌氧废水处理工艺的高效稳定运行提供保障。
在一种可能的实现方式中，所述根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果，包括：
将所述监测数据输入推理程序中，根据扰动抑制识别数据库及敏感性判断指标的响应识别厌氧废水处理工艺是否受到扰动抑制；
如果是，根据多个主要判断指标的响应，判断扰动抑制因素的种类；
根据所述扰动抑制因素的种类及判断指标的特征响应，判断出扰动抑制程度和扰动抑制状态的发展情况，进而对厌氧反应器的状态做出预测或预警；
其中，扰动抑制因素的种类包括：难降解毒性有机物的冲击、进水有机负荷的变化和温度的波动。
在一种可能的实现方式中，所述方法还包括：通过人机交互界面显示是否受到扰动抑制的结果，扰动抑制因素的种类和扰动抑制程度和扰动抑制状态的发展情况。
在一种可能的实现方式中，所述方法还包括：
通过知识获取的方式将理论知识和经验方法整理和传送到所述知识数据库中，对知识数据库的修改和维护。
AI方法代表了厌氧废水处理工艺判断控制技术的未来发展方向，目前基于AI的智能诊断控制方法的核心就是对厌氧系统的监测参数数据进行模式识别，根据监测参数(及以其为基础构建的诊断指标)响应和厌氧反应器系统状态之间的映射关系，对厌氧废水处理工艺进行诊断但是厌氧废水处理工艺的一些固有特征限制了智能诊断方法的模式识别能力。
在一种可能的实现方式中，所述方法还包括：利用指数平滑异同移动平均MACD算法处理所述监测数据，根据所述监测数据构建MACD判断指标；
所述监测数据包括沼气产率、甲烷含量、氢分压、甲烷产率、VFA浓度和碳酸氢盐碱度、乙酸的浓度和丙酸浓度，乙酸的浓度和丙酸浓度的比值；
所述MACD判断指标包括：甲烷含量的MACD指标，氢分压的MACD指标，甲烷产率的MACD指标，总挥发性脂肪酸VFA浓度的MACD指标，乙酸浓度的MACD指标，丙酸浓度的MACD指标和乙酸浓度/丙酸浓度的MACD指标。
MACD算法的数学原理是指数移动平均(Exponential moving average,EMA)法，即计算固定数量数据加权平均数的方法。EMA方法通过添加最新的数据，同时减去最旧的数据，以保持计算数据数量的固。MACD算法是对一段时期内的数据进行加权平均处理来构建MACD指标，因此考虑到了强抑制因素的长期影响，并将其带入MACD指标中，这种方法能够克服厌氧废水处理工艺的滞后性，而EMA方法又具有过滤监测参数不规则噪声波动的功能，有助于增强专家诊断系统模式识别诊断的准确性。此外，通过调整MACD 算法的计算周期(即EMA方法中的计算数据量)，可以平衡MACD指标响应的敏感性和准确性。
在一种可能的实现方式中，所述方法还包括：根据所述MACD判断指标与厌氧反应器中的状态的映射关系，更新所述知识库。
在一种可能的实现方式中，所述根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果，包括：
将所述MACD判断指标输入推理程序中，根据扰动抑制识别数据库及敏感性判断指标的响应识别厌氧废水处理工艺是否受到扰动抑制；
如果是，根据多个主要MACD判断指标的正/负符号，判断扰动抑制因素的种类；
根据所述扰动抑制因素的种类及多个MACD指标的一阶导数的正/负符号和绝对值，判断出扰动抑制程度和扰动抑制状态的发展情况，进而对厌氧反应器的状态做出预测或预警。
举例来说，甲烷含量的MACD指标为负号且下降趋势，厌氧反应器的状态可能为产甲烷过程和酸化/产氢产乙酸过程失衡(产甲烷过程受抑制/负荷冲击)，酸化/产氢产乙酸过程正在恢复，但产甲烷过程仍受抑制；甲烷产率的MACD指标的负号为正号且上升趋势，厌氧反应器的状态可能为遭遇负荷冲击或产甲烷过程处于恢复状态；甲烷产率的MACD指标的负号为正号且下降趋势产甲烷过程处于受抑制状态，或酸化/产氢产乙酸过程和产甲烷过程失衡(产甲烷过程受抑制/负荷冲击)等。
MACD判断指标的正/负符号反映了监测曲线的升/降状态，可以作为扰动抑制初期的诊断依据；MACD判断指标的升/降趋势(即MACD判断指标的一阶导数的正/负符号)显示了引起状态参数波动的深层推动力的动态变化当 MACD判断指标的趋势为升高(即MACD指标的一阶导数为正)时，MACD判断指标将在接下来一段时间内继续升高(原本为正号)或从负号变为正号(原本为负号)。因此MACD指标一阶导数的正/负符号适合作为扰动抑制初期之后阶段的预测依据；MACD指标的绝对值指示了监测曲线的波动水平，表示不同的扰动程度。根据与不同扰动抑制程度(稳定状态，轻微扰动抑制，中度扰动抑制和严重扰动抑制，记作D0，D1，D2和D3)对应的阈值，将这些绝对值转换为四个定性的值(记作L0，L1，L2和L3)，可以准确地判断扰动抑制程度。MACD指标的响应特征，包括MACD指标的正/负符号、MACD指标的升/降趋势(一阶导数的正/负符号)和MACD指标的绝对值，是厌氧工艺状态判断、预测和预警的依据。
根据MACD指标的特征响应，能够对难降解有机物冲击、有机负荷冲击 和温度冲击进行准确区分。
当厌氧废水处理工艺遭到扰动抑制时，所述监测方法可以通过MACD指标偏离基线的响应，尤其敏感性判断指标氢分压MHP，通过其快速的响应可以迅速判断扰动抑制的发生。未经处理的参数监测数据存在无规律的噪声波动，很难被专家诊断系统进行模式识别，而经MACD算法处理后，则可以得到明显的、可识别的响应。
本公开实施例的对厌氧废水处理工艺进行监测的方法，通过知识库中的理论知识和经验数据，以及综合数据库中的数据和厌氧废水处理工艺的监测数据。通过推理程序对厌氧反应系统中的扰动抑制的发生、扰动抑制因素类型和绕顶抑制程度、扰动抑制终点和厌氧反应器恢复情况等进行快速、准确、全面的诊断，并给出详细且便于理解的判断信息。
而且，通过知识获取的方式将理论知识和经验方法整理和传送到所述知识数据库中，对知识数据库的修改和维护知识，这样，该方法具备了不断更新知识数据库的能力。
当厌氧废水处理工艺遭到扰动抑制时，所述监测方法可以通过MACD指标偏离基线的响应，尤其敏感性判断指标MHP，通过其快速的响应可以迅速判断扰动抑制的发生。未经处理的参数监测数据存在无规律的噪声波动，很难被专家诊断系统进行模式识别，而经MACD算法处理后，则可以得到明显的、可识别的响应。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本公开所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序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取存储器中。基于这样的理解，本公开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全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（英文：Read-Only Memory ，简称：ROM）、随机存取器（英文：Random Access Memory，简称：RAM）、磁盘或光盘等。
以上对本公开实施例进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域的一般技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本公开的限制。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述方法包括：建立知识库，所述知识库用于存储理论知识和经验数据；
建立综合数据库，所述综合数据库用于存储用户输入信息转化成的计算机语言形式的初始数据、推理程序求解过程中得到的中间数据和最终结果的数据；
获取厌氧废水处理工艺的监测数据；
根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果；
其中，所述判断结果包括厌氧反应期中扰动抑制的发生、扰动抑制因素的类型、扰动抑制程度、扰动抑制的发展情况和厌氧反应器状态的恢复情况。
2.根据权利要求1所述的一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述知识库包括：初步判断的扰动抑制识别数据库，扰动抑制因素类型判断数据库和进行全面判断的综合判断数据库；
其中，所述扰动抑制识别数据库存储敏感性判断指标，所述扰动抑制因素类型判断数据库存储主要判断指标，所述综合判断数据库存储。
3.根据权利要求2所述的一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述扰动抑制识别数据库用于在扰动抑制初期对厌氧废水处理工艺是否遭受扰动抑制进行模式识别，利用敏感性监测参数构建的敏感性判断指；
所述扰动抑制因素类型判断数据库用于在判断扰动抑制发生后对扰动抑制因素的类型进行模式识别；
所述综合判断数据库用于在扰动抑制因素类型被模式识别后对厌氧反应器进行全面的判断，所述综合判断数据库的判断依据，包括敏感性判断指标，主要判断指标的特征响应和非敏感性监测参数的响应。
4.根据权利要求3所述的一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果，包括：
将所述监测数据输入推理程序中，根据扰动抑制识别数据库及敏感性判断指标的响应识别厌氧废水处理工艺是否受到扰动抑制；
如果是，根据多个主要判断指标的响应，判断扰动抑制因素的种类；
根据所述扰动抑制因素的种类及判断指标的特征响应，判断出扰动抑制程度和扰动抑制状态的发展情况，进而对厌氧反应器的状态做出预测或预警；
其中，扰动抑制因素的种类包括：难降解毒性有机物的冲击、进水有机负荷的变化和温度的波动。
5.根据权利要求4所述的一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述方法还包括：通过人机交互界面显示是否受到扰动抑制的结果，扰动抑制因素的种类和扰动抑制程度和扰动抑制状态的发展情况。
6.根据权利要求1所述的一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述方法还包括：
通过知识获取的方式将理论知识和经验方法整理和传送到所述知识数据库中，对知识数据库的修改和维护。
7.根据权利要求1所述的一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述方法还包括：利用指数平滑异同移动平均MACD算法处理所述监测数据，根据所述监测数据构建MACD判断指标；
所述监测数据包括沼气产率、甲烷含量、氢分压、甲烷产率、VFA浓度和碳酸氢盐碱度、乙酸的浓度和丙酸浓度，乙酸的浓度和丙酸浓度的比值；
所述MACD判断指标包括：甲烷含量的MACD指标，氢分压的MACD指标，甲烷产率的MACD指标，总挥发性脂肪酸VFA浓度的MACD指标，乙酸浓度的MACD指标，丙酸浓度的MACD指标和乙酸浓度/丙酸浓度的MACD指标。
8.根据权利要求7所述的一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述方法还包括：根据所述MACD判断指标与厌氧反应器中的状态的映射关系，更新所述知识库。
9.根据权利要求7所述的一种对厌氧废水处理工艺进行监测的方法，其特征在于，所述根据所述知识库，所述综合数据库和所述监测数据，通过推理程序确定对所述监测数据的判断结果，包括：
将所述MACD判断指标输入推理程序中，根据扰动抑制识别数据库及敏感性判断指标的响应识别厌氧废水处理工艺是否受到扰动抑制；
如果是，根据多个主要MACD判断指标的正/负符号，判断扰动抑制因素的种类；
根据所述扰动抑制因素的种类及多个MACD指标的一阶导数的正/负符号和绝对值，判断出扰动抑制程度和扰动抑制状态的发展情况，进而对厌氧反应器的状态做出预测或预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311665712.0A CN117373567A (zh) | 2023-12-07 | 2023-12-07 | 一种对厌氧废水处理工艺进行监测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311665712.0A CN117373567A (zh) | 2023-12-07 | 2023-12-07 | 一种对厌氧废水处理工艺进行监测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117373567A true CN117373567A (zh) | 2024-01-09 |
Family
ID=89400676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311665712.0A Pending CN117373567A (zh) | 2023-12-07 | 2023-12-07 | 一种对厌氧废水处理工艺进行监测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117373567A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095655A (zh) * | 2015-07-17 | 2015-11-25 | 南京信息工程大学 | 一种基于自适应敏感因子的扰动方法 |
| CN113159340A (zh) * | 2021-04-23 | 2021-07-23 | 苏州悠道智能科技有限公司 | 一种共享用电专家系统推理与分析方法及系统 |
| WO2022112869A2 (en) * | 2020-11-24 | 2022-06-02 | Singh Ekta | E=mc 2 pr (a) = time machine a light and music in a new life can be protected by meditation and prayer to reach the star for pride in king's kingdom |
-
2023
- 2023-12-07 CN CN202311665712.0A patent/CN117373567A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095655A (zh) * | 2015-07-17 | 2015-11-25 | 南京信息工程大学 | 一种基于自适应敏感因子的扰动方法 |
| WO2022112869A2 (en) * | 2020-11-24 | 2022-06-02 | Singh Ekta | E=mc 2 pr (a) = time machine a light and music in a new life can be protected by meditation and prayer to reach the star for pride in king's kingdom |
| CN113159340A (zh) * | 2021-04-23 | 2021-07-23 | 苏州悠道智能科技有限公司 | 一种共享用电专家系统推理与分析方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 刘明辉;沈佐锐;高灵旺;张跃进;王建强;姜玉英;: "基于WebGIS的农业病虫害预测预报专家系统", 农业机械学报, no. 07 * |
| 吴旭: "基于MACD算法的厌氧废水处理工艺增强模式识别专家诊断系统", 中国优秀硕士论文电子期刊数据库 * |
| 杨紫怡;王雯;马宗虎;陈泓;刘广青;: "长链脂肪酸对餐厨垃圾厌氧消化产甲烷的影响", 环境工程学报, no. 10 * |
| 焦振毅;任建文;王力;马叶芝;: "电网智能设备检修辅助决策系统的设计与实现", 陕西电力, no. 11 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
| US5465320A (en) | Method of automated learning, an apparatus therefor, and a system incorporating such an apparatus | |
| CN110728457B (zh) | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 | |
| Martinez-Garcia et al. | Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems | |
| CN112288021B (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
| CN103728431A (zh) | 基于极限学习机的工业污水cod在线软测量方法 | |
| CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
| CN109270921A (zh) | 一种故障诊断方法及装置 | |
| CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
| CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
| CN114707234B (zh) | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 | |
| CN111899905A (zh) | 一种基于核动力装置的故障诊断方法及系统 | |
| CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
| CN113962299A (zh) | 一种核电设备智能运行监测与故障诊断通用模型 | |
| CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
| CN115891741B (zh) | 一种适用于电动汽车充电过程的远程故障预警方法及装置 | |
| CN115563494B (zh) | 基于迁移学习的多模式流程工业过程的数据驱动故障检测方法 | |
| Xu et al. | A complex-valued slow independent component analysis based incipient fault detection and diagnosis method with applications to wastewater treatment processes | |
| CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
| CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| CN117373567A (zh) | 一种对厌氧废水处理工艺进行监测的方法 | |
| CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 |
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 |