CN117776413A - 一种利用二氧化碳废气处理高硬度废水的方法 - Google Patents
一种利用二氧化碳废气处理高硬度废水的方法 Download PDFInfo
- Publication number
- CN117776413A CN117776413A CN202311838889.6A CN202311838889A CN117776413A CN 117776413 A CN117776413 A CN 117776413A CN 202311838889 A CN202311838889 A CN 202311838889A CN 117776413 A CN117776413 A CN 117776413A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- state
- data
- monitoring state
- ion concentration
- 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
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 62
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 62
- 239000002351 wastewater Substances 0.000 title claims abstract description 38
- 239000002912 waste gas Substances 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 228
- 238000006243 chemical reaction Methods 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 48
- 239000007788 liquid Substances 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 30
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims abstract description 24
- 239000010842 industrial wastewater Substances 0.000 claims abstract description 12
- 230000001105 regulatory effect Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 105
- 150000002500 ions Chemical class 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 58
- JLVVSXFLKOJNIY-UHFFFAOYSA-N Magnesium ion Chemical compound [Mg+2] JLVVSXFLKOJNIY-UHFFFAOYSA-N 0.000 claims description 27
- 229910001424 calcium ion Inorganic materials 0.000 claims description 27
- 229910001425 magnesium ion Inorganic materials 0.000 claims description 27
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 239000007789 gas Substances 0.000 claims description 9
- 238000003756 stirring Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000013506 data mapping Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 10
- 238000009776 industrial production Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 4
- 239000002002 slurry Substances 0.000 description 4
- 238000001223 reverse osmosis Methods 0.000 description 3
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229910000029 sodium carbonate Inorganic materials 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本申请涉及离子浓度技术领域，提出了一种利用二氧化碳废气处理高硬度废水的方法，包括：将工业废水流入一级PH调节槽后加入氢氧化钠溶液得到混合液体，分别采集混合液体流入一级软化器、二级软化器后通入二氧化碳反应过程中的监测数据；基于每个数据点所取滑动窗口的监测状态向量以及滑动窗口内元素的异常状态确定反应状态异步系数；基于不同采集时刻下监测状态样本之间监测状态的差异确定离子浓度状态异步特征值；基于离子浓度状态异步特征值得到一级软化器内离子浓度的在线检测结果。本申请通过对不同时刻混合液体中离子浓度状态的评估提高了工业废水在线检测的准确率。
Description
技术领域
本申请涉及离子浓度技术领域，具体涉及一种利用二氧化碳废气处理高硬度废水的方法。
背景技术
随着经济技术的发展，工业生产规模在不断的扩大，但随着工业生产规模的扩大伴随而来的工业生产中的排放物的数量也不断增加，其中工业生产过程中工业废水的排放是工业生产过程中一个重要的监测方面。同时随着工业生产规模的增加，工业废水的处理在工业生产过程中的管理越来越严格，现如今对工业废水的处理提倡“零排放处理”，即工业生产中的废水：循环水污水、反渗透浓水以及其它生产过程中产生的高硬度废水均不能直接排放，对高硬度废水的处理成为工业废水深度处理的关键。
现如今对高硬度废水的处理主要通过“碳酸钠+液碱”除硬技术，但该技术存在反应速率慢、除硬效果难以控制等问题，同时在工业生产中也会产生大量的二氧化碳废气，可以通过二氧化碳废气对刚硬度废水进行处理，提高工业生产过程中排放物的综合利用。在二氧化碳废气对高硬度废水进行处理时，需要对一级软化器内的离子浓度状态进行高精度的检测，避免流入二级软化器时的混合液体不达标，但是现阶段对二氧化碳废气对高硬度废水进行处理过程中一级软化器内离子浓度的检测通常需要进行样本抽样，容易造成额外的污染且检测效率交底；而采用传统的异常检测方法对一级软化器内离子浓度进行检测时的精度不稳定，例如LOF(Local outlier factor)异常检测算法存在难以定义最小近邻域等问题，CURE(Clustering Using Representative)检测算法代表点选取困难等问题，导致采用传统的异常检测算法对利用二氧化碳废气对高硬度废水进行处理时离子状态检测精度较低。
发明内容
本申请提供利用二氧化碳废气处理高硬度废水的方法，以解决高硬度废水进行处理时一级软化器内钙离子、镁离子浓度检测精度较低的问题，所采用的技术方案具体如下：
本申请一个实施例利用二氧化碳废气处理高硬度废水的方法，该方法包括以下步骤：
将工业废水流入一级PH调节槽后加入氢氧化钠溶液得到混合液体，采集混合液体流入一级软化器后通入二氧化碳反应过程中的监测数据；
基于每个监测数据序列中每个数据点所取滑动窗口的监测状态向量以及滑动窗口内元素的异常状态确定每个监测数据序列中每个数据点的反应状态异步系数；
将所有监测数据序列中同一采集时刻下所有数据点组成的序列作为一个监测状态样本，基于反应过程中不同采集时刻下监测状态样本之间监测状态的差异确定两个监测状态映射样本之间的离子浓度状态异步特征值；
基于一级软化器内反应过程中所有监测状态映射样本之间的离子浓度状态异步特征值得到一级软化器内离子浓度的在线检测结果。
优选的，所述采集混合液体流入一级软化器后通入二氧化碳反应过程中的监测数据的方法为：
将工业废水输送至一级PH调节槽，将配置的氢氧化钠溶液加入一级PH调节槽中得到混合液体，将混合液体进入一级软化器，并向一级软化器中通入二氧化碳；
分别采集通入二氧化碳后反应过程中不同采集时刻的二氧化碳流量数据、搅拌速度数据、钙离子浓度数据、镁离子浓度数据、PH值。
优选的，所述基于每个监测数据序列中每个数据点所取滑动窗口的监测状态向量以及滑动窗口内元素的异常状态确定每个监测数据序列中每个数据点的反应状态异步系数的方法为：
将任意一种监测数据在所有采集时刻下的采集数据按照时间顺序组成的序列作为一个监测数据序列；
基于每个监测数据序列中每个数据点所取滑动窗口内所有元素的分布特征确定每个数据点所取滑动窗口的监测状态向量；
将包含每个数据点的任意一个滑动窗口的监测状态向量与其余所有滑动窗口的监测状态向量之间度量距离之和作为分子；
将每个监测数据序列中每个数据点在每种监测数据的拟合曲线中对应的拟合结果作为每个数据点的拟合优值，将每个数据点与其对应拟合优值之间的差值作为每个数据点的拟合残差；
将包含每个数据点的任意一个滑动窗口内所有元素的拟合残差的均值与每种监测数据的拟合曲线中所有数据点的拟合残差的均值之间差值绝对值的数据映射结果作为分母；
将分子与分母的比值在包含每个数据点的所有滑动窗口上的累加结果作为每个监测数据序列中每个数据点的反应状态异步系数。
优选的，所述基于每个监测数据序列中每个数据点所取滑动窗口内所有元素的分布特征确定每个数据点所取滑动窗口的监测状态向量的方法为：
将每个监测数据序列中每个数据点所取滑动窗口内所有元素的均方差作为第一监测状态值；
将每个监测数据序列中每个数据点所取滑动窗口内所有元素对应的拟合回归线在所述所有元素上斜率的均值作为第二监测状态值；
将由第一监测状态值、第二监测状态值组成的向量作为每个监测数据序列中每个数据点所取滑动窗口的监测状态向量。
优选的，所述基于反应过程中不同采集时刻下监测状态样本之间监测状态的差异确定两个监测状态映射样本之间的离子浓度状态异步特征值的方法为：
基于监测状态样本映射集合中每个监测状态映射样本的近邻样本构建每个监测状态映射样本的状态异步矩阵；
基于两个监测状态映射样本的状态异步矩阵的矩阵分解结果之间的度量结果确定两个监测状态映射样本之间的离子浓度状态异步特征值。
优选的，所述基于监测状态样本映射集合中每个监测状态映射样本的近邻样本构建每个监测状态映射样本的状态异步矩阵的方法为：
将以钙离子浓度数据的监测状态异步系数为横坐标，以镁离子浓度数据的监测状态异步系数为纵坐标构建的坐标系作为离子浓度映射坐标系；
将任意一个监测状态样本在离子浓度映射坐标系中的映射结果作为一个监测状态映射样本，将所有监测状态映射样本组成的集合作为监测状态样本映射集合；
将所有监测数据序列中同一采集时刻下所有数据点的反应状态异步系数组成的向量作为每个采集时刻对应监测状态样本的反应状态异步向量；
采用K近邻算法基于监测状态样本映射集合获取每个监测状态映射样本的K个近邻样本，将每个监测状态映射样本的K个近邻样本中任意两个近邻样本对应的反应状态异步向量之间的度量结果作为矩阵中的一个元素值；
将由每个监测状态映射样本的K个近邻样本中所有近邻样本对应的反应状态异步向量之间的度量结果组成的矩阵作为每个监测状态映射样本的状态异步矩阵。
优选的，所述基于两个监测状态映射样本的状态异步矩阵的矩阵分解结果之间的度量结果确定两个监测状态映射样本之间的离子浓度状态异步特征值的方法为：
将每个监测状态映射样本的状态异步矩阵作为输入，采用矩阵分解算法得到每个监测状态映射样本的状态异步矩阵的左奇异矩阵、对角矩阵、右奇异矩阵；
将每个监测状态映射样本的状态异步矩阵的对角矩阵中对角线上所有元素按照数值降序顺序组成的向量作为每个监测状态映射样本的监测状态奇异值向量；
将两个监测状态映射样本的状态异步矩阵的分解结果中同类矩阵之间绝对差的累加结果作为分子；
将两个监测状态映射样本的监测状态奇异值向量之间的相似性度量结果与任意一个状态异步矩阵所分解矩阵数量之间的乘积与预设参数之和作为分母；
将分子与分母的比值作为两个监测状态映射样本之间的离子浓度状态异步特征值。
优选的，所述矩阵分解算法为奇异值分解算法。
优选的，所述基于一级软化器内反应过程中所有监测状态映射样本之间的离子浓度状态异步特征值得到一级软化器内离子浓度的在线检测结果的方法为：
采用聚类算法基于所有监测状态映射样本之间的离子浓度状态异步特征值得到不同时刻下离子浓度的分类结果；
基于一级软化器内反应过程中随机抽样的时间段内相邻时刻下钙离子浓度数据和镁离子浓度数据所处聚类簇之间的差异确定一级软化器内离子浓度的在线检测结果。
优选的，所述基于一级软化器内反应过程中随机抽样的时间段内相邻时刻下钙离子浓度和镁离子浓度所处聚类簇之间的差异确定一级软化器内离子浓度的在线检测结果的方法为：
采用等时间间隔划分的方式对一级软化器反应过程划分成若干个时间段，随机抽取任意一个时间段，获取每个时间段内任意两个相邻采集时刻对应的监测状态映射样本所处聚类簇之间的相似度度量结果；将每个时间段内所有所述相似度度量结果的累加和作为每个时间段内离子浓度状态检测值。
本申请的有益效果是：本申请通过分析一级软化器中不同种监测数据的状态变化特征以及拟合残差获取每个采集时刻下每种监测数据的反应状态异步系数，能够准确评估通入二氧化碳后每个时刻反应的异常程度；其次通过每个监测状态映射样本的近邻样本构建每个监测状态映射样本的状态异步矩阵，基于状态异步矩阵的矩阵分解结果得到两个监测状态映射样本之间的离子浓度状态异步特征值，能够准确反应一级软化器中不同采集时刻之间的钙、镁离子浓度变化状态的差异；其次将离子浓度状态异步特征值作为图聚类算法中的边权，综合考虑一级软化器中各监测数据的状态变化特征来对每个时间段内的钙离子浓度、镁离子浓度的状态进行在线检测，提高了二氧化碳处理高硬度废水过程中一级软化器内粒子浓度在线检测的精度，避免将不稳定反应时产生的混合液体流入二级软化器的问题。
附图说明
为了更清楚地说明本申请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为本申请一个实施例所提供的利用二氧化碳废气处理高硬度废水的方法的流程示意图；
图2为本申请一个实施例所提供的状态异步矩阵的示意图；
图3为本申请一个实施例所提供的利用二氧化碳废气处理高硬度废水的方法的实施流程图。
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清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1，其示出了本申请一个实施例提供的利用二氧化碳废气处理高硬度废水的方法的流程图，该方法包括以下步骤：
步骤S001，将工业废水流入一级PH调节槽后加入氢氧化钠溶液得到混合液体，采集混合液体流入一级软化器后通入二氧化碳反应过程中的监测数据。
本申请的目的在于通过对二氧化碳废气处理高硬度废水过程中一级软化器内的钙离子浓度状态、镁离子浓度状态进行在线检测，评估一级软化器内混合液体的处理状态。
本申请中，利用二氧化碳废气处理高硬度废水的主要工艺过程为：将产生的工业废水(例如酸性废水中和处理后达标污水、循环水排污水、反渗透浓水)在水池汇合后输送至一级PH调节槽，同时在一级PH调节槽加入配置好的氢氧化钠溶液，氢氧化钠溶液的浓度为10～15％，将一级PH调节槽内的PH值调整为10.5～12；将调节后的混合液体输送至一级软化器同时通入二氧化碳气体进行充分搅拌，其中二氧化碳的流量为10～30Nm3/h，反应时间为40～60min，在此过程中利用多种传感器采集关于离子浓度检测的监测数据，其中，所述监测数据包括二氧化碳流量数据、搅拌速度数据、钙离子浓度数据、镁离子浓度数据、PH值。具体地，每个采集时刻分别采用气体流量传感器采集二氧化碳的流量数据，采用转速传感器采集搅拌过程中的搅拌速度数据，采用离子选择性电极分别采集混合液体中钙离子浓度数据、镁离子浓度数据，采用PH传感器采集混合液体的PH值数据，相邻两个采集时刻之间的时间间隔为t秒，每种监测数据均采集n个数据，其中，t、n的大小分别取经验值1.5、200。需要说明的是，时间间隔t、以及数据量n可由实施者根据一级软化器的型号设置合适的值。利用二氧化碳废气处理高硬度废水的主要工艺过程也可以参考申请号202111679675.X专利的内容。
其次，将一级软化器处理后的混合液体输送至二级软化器同时通入二氧化碳气体进行充分搅拌，其中二氧化碳的流量为10～15Nm3/h，反应时间为40～60min；进一步的，二级软化器中的混合液体输送至FBL过滤器进行过滤，将过滤后的清澈液体输送至清液池，将泥浆输送至泥浆池，其中清液池内清液即为合格的水可作为循环水补水或反渗透原水，泥浆池内泥浆主要为含CaCO3混合物，用泵将其送至污酸中和工序作为药剂，予以回收利用，完成高硬度废水的处理。
至此，得到一级软化器内通入二氧化碳后每个采集时刻的监测数据，用于后续计算每种监测数据在不同时刻下对应的反应状态异步系数。
步骤S002，基于每个监测数据序列中每个数据点所取滑动窗口的监测状态向量以及滑动窗口内元素的异常状态确定每个监测数据序列中每个数据点的反应状态异步系数。
本申请根据对一级软化器中每个采集时刻的监测数据进行分析，进而确定一阶软化器内通入二氧化碳后钙离子浓度、镁离子浓度的在线检测结果。首先基于每种监测数据在不同采集时刻下采集数据与拟合数据之间的差异以及相邻时刻下采集数据之间的变化量评估每种监测数据在不同采集时刻下反映的反应状态。
由于利用二氧化碳处理高硬度废水过程中二氧化碳气体过量则会导致降低混合液体硬度的过程中使液体的PH值继续降低从而呈现酸性，进而降低了混合液体的处理效果。由于一级软化器和二级软化器的处理过程中混合液体中通入二氧化碳的流量和搅拌过程中均需稳定进行，而混合液体的PH值和钙离子、镁离子的含量均应呈稳定下降趋势。
具体地，将任意一种监测数据在所有采集时刻下的采集数据按照时间顺序组成的序列作为一个监测数据序列。对于任意一种监测数据的监测数据序列，以第a种监测数据的监测数据序列Xa为例，设置尺度为7*1的滑动窗口，将监测数据序列Xa内第一个点作为滑动窗口的初始中心点，滑动步长设置为1，滑动窗口沿着监测数据序列Xa依次滑动。其次，将监测数据序列Xa内的所有元素作为输入，采用最小二乘拟合算法获取监测数据序列Xa的拟合曲线la，将监测数据序列Xa内每个元素与每个元素在拟合曲线la上对应的拟合优值之间的差值作为每个元素的拟合残差，最小二乘拟合算法为公知技术，具体过程不再赘述。
进一步地，对于监测数据序列Xa内任意一个位置的滑动窗口，将每个位置的滑动窗口内的所有元素作为输入，采用曲线拟合算法得到每个位置的滑动窗口内所有元素的拟合回归线，分别计算拟合回归线上所述滑动窗口内每个元素处的斜率，曲线拟合为公知技术，具体过程不再赘述。其次，将每个数据点为中心点时的滑动窗口作为每个数据点的所取滑动窗口，将每个数据点所取滑动窗口内所有元素的均方差作为第一监测状态值；将每个数据点所取滑动窗口内所有元素对应的拟合回归线在所述所有元素上斜率的均值作为第二监测状态值，将由第一监测状态值、第二监测状态值组成的向量作为每个监测数据序列中每个数据点所取滑动窗口的监测状态向量。
基于上述分析，此处构建反应状态异步系数，用于表征每个监测数据序列内每个数据点表征的反应状态的异常程度。计算监测数据序列Xa中第i个数据点的反应状态异步系数：
式中，Uai是监测数据序列Xa中第i个数据点的反应状态异步系数，K是包含监测数据序列Xa中第i个数据点的滑动窗口的数量，j是包含监测数据序列Xa中第i个数据点的第j个滑动窗口，m是监测数据序列Xa上包含的滑动窗口的数量，p是监测数据序列Xa上第p个滑动窗口，ha,p、hj,i分别是第p个滑动窗口、包含监测数据序列Xa中第i个数据点的第j个滑动窗口的监测状态向量，dtw()是DTW(Dynamic Time Warping)距离函数，dtw(hj,i,ha,p)是向量ha,p、hj,i之间的DTW距离，exp()是以自然常数为底数的指数函数，分别是监测数据序列Xa中所有元素拟合残差的均值、包含监测数据序列Xa中第i个数据点的第k个滑动窗口内所有元素的拟合残差的均值。
其中，一级软化器内通入二氧化碳后第i个采集时刻反应越不稳定，离子浓度的变化越大，监测数据序列中第i个数据点所表现的反应状态变化程度越大，包含第i个数据点的滑动窗口与其余滑动窗口内元素的分布差异越大，ha,p、hj,i的之间的差异越大，dtw(hj,i,ha,p)的值越大；第i个数据点对应时刻离子浓度变化越不稳定，对第i个数据点相邻后续几个数据点的影响越大，包含监测数据序列Xa中第i个数据点的第j个滑动窗口所有元素相较于监测数据序列Xa中其余离子浓度变化稳定时刻的元素之间的数据拟合结果偏差越大，的值越大，/>的值越小，Uai的值越大。
至此，得到每个监测数据序列中每个数据点的反应状态异步系数，用于后续评估不同时刻下离子浓度之间的差异。
步骤S003，基于反应过程中不同采集时刻下监测状态样本之间监测状态的差异确定两个监测状态映射样本之间的离子浓度状态异步特征值。
根据上述步骤，能够得到每个采集时刻下每个监测数据序列中每个数据点的反应状态异步系数，其次考虑通过一级软化器中不同时刻下监测数据之间变化特征的相似程度评估不同时刻下钙离子浓度、镁离子浓度变化状态的同步程度。
若二氧化碳通入量不稳定，一级软化器中二氧化碳与混合液体之间反应出现异常，即二氧化碳通入量较少，则一级软化池中混合液体的钙离子浓度、镁离子浓度下降程度较小；二氧化碳通入过量则混合液体可能呈现酸性，导致反应沉淀物溶解，进而使一级软化器中混合液体的钙离子、镁离子浓度会突然升高；而如果二氧化碳通入量稳定，则一级软化器的混合液体中的钙离子浓度和镁离子浓度呈稳定下降趋势，因此可根据一级软化器中的二氧化碳处理高硬度废水的稳定情况反映一级软化器中不同采集时刻的钙离子浓度变化情况和镁离子浓度变化情况。
具体地，将所有监测数据序列中同一采集时刻下所有数据点组成的序列作为一个监测状态样本，将每个采集时刻下所有数据点的反应状态异步系数组成的向量作为每个采集时刻对应监测状态样本的反应状态异步向量。其次，将所有采集时刻采集的钙离子浓度数据、镁离子浓度数据分别作为横纵坐标，将由所述钙离子浓度、镁离子浓度构建的二维坐标系作为离子浓度映射坐标系，将任意一个监测状态样本在离子浓度映射坐标系中的映射结果作为一个监测状态映射样本，将所有监测状态映射样本组成的集合作为监测状态样本映射集合。
进一步地，在一个实施例中，将监测状态样本映射集合作为输入，采用KNN(K-Nearest Neighbor)算法获取每个监测状态映射样本的k个近邻样本，k的大小取经验值10,KNN算法为公知技术，具体过程不再赘述。其次，以第v个监测状态映射样本为例，分别计算第v个监测状态映射样本的k个近邻样本中任意两个近邻样本对应的反应状态异步向量之间的余弦相似度，将反应状态异步向量之间的余弦相似度作为相应两个近邻样本在第v个监测状态映射样本的状态异步矩阵的元素值，余弦相似度为公知技术，具体过程不再赘述。如图2所示，矩阵中第一行第二列的θ1,2为第v个监测状态映射样本的第一个近邻样本与第二个近邻样本对应的反应状态异步向量之间的余弦相似度，其余元素的含义与矩阵中第一行第二列元素的含义一致，不再重复赘述。
在另一个实施例中，还可以计算第v个监测状态映射样本的k个近邻样本中任意两个近邻样本对应的反应状态异步向量之间的皮尔逊相关系数，将反应状态异步向量之间的皮尔逊相关系数作为相应两个近邻样本在第v个监测状态映射样本的状态异步矩阵的元素值，例如，将第v个监测状态映射样本的第3个、第k个近邻样本的反应状态异步向量之间的皮尔逊相关系数作为第v个监测状态映射样本的状态异步矩阵中第3行第k列的元素值θ3,k，皮尔逊相关系数为公知技术，具体过程不再赘述。
进一步地，将每个监测状态映射样本的状态异步矩阵作为输入，采用奇异值分解算法将每个监测状态映射样本的状态异步矩阵分解为左奇异矩阵、对角矩阵、右奇异矩阵，奇异值分解算法为公知技术，具体过程不再赘述。并将每个对角矩阵中对角线上的所有元素按照数值降序顺序组成的向量作为对应的监测状态映射样本的监测状态奇异值向量。
基于上述分析，此处构建离子浓度状态异步特征值，用于表征不同时刻下一级软化器中钙离子浓度、镁离子浓度的稳定程度。计算监测状态映射样本x、q之间的离子浓度状态异步特征值：
式中，Vxq是监测状态映射样本x、q之间的离子浓度状态异步特征值，n1是任意一个监测状态映射样本的状态异步矩阵分解所得矩阵数量，n1的值为3，Gx,z、Gq,z分别是监测状态映射样本x、q的状态异步矩阵分解所得的第z个矩阵，SAD()是绝对差分和函数，SAD(Gx,z,Gq,z)为计算矩阵Gx,z、Gq,z中对应位置元素差的累加和，Dx、Dq分别是监测状态映射样本的监测状态奇异值向量，y(Dx,Dq)是Dx、Dq向量之间的余弦相似度，μ是调参因子，用于防止分母为0，μ的大小取经验值0.001，SAD(Sum of Absolute Differences)绝对差分求和算法为公知技术，具体计算过程不再赘述。
其中，监测状态映射样本x、q对应数据采集时刻下一级软化器内二氧化碳与混合液体的反应状态越不稳定，监测状态映射样本x、q的k近邻样本之间的重叠程度越低，监测状态映射样本x、q的状态异步矩阵的分解结果中同类矩阵之间的差异越大，的值越大，y(Dx,Dq)的值越小；即Vxq的值越大，监测状态映射样本x、q对应数据采集时刻下一级软化器内反应越不稳定，钙离子浓度与镁离子浓度的波动程度越大。
至此，得到监测状态映射样本之间的离子浓度状态异步特征值，用于后续确定一级软化器内离子浓度的检测结果。
步骤S004，基于一级软化器内反应过程中所有监测状态映射样本之间的离子浓度状态异步特征值得到一级软化器内离子浓度的在线检测结果。
根据上述步骤，分别获取任意两个监测状态映射样本之间的离子浓度状态异步特征值，将每个监测状态映射样本作为一个节点，将两个监测状态映射样本之间的离子浓度状态异步特征值作为对应两个节点之间边的权重，将基于所有监测状态映射样本构成的加权无向图作为离子浓度特征图，将离子浓度特征图作为输入，采用克鲁斯卡尔Kruskal算法生成离子浓度特征图的最小生成树UT，其次将最小生成树UT作为输入，利用最小生成树MST(Minimum Spanning Tree)算法将最小生成树UT划分为M个子树，算法中的步长设置为2，判断参数设置为2，其中，Kruskal算法、MST算法均为公知技术，具有过程不再赘述。将每个子树作为一个聚类簇，将每个子树中所有节点对应的监测状态映射样本对应的采集时刻下的钙离子浓度数据、镁离子浓度数据作为一个聚类簇内的元素。
进一步地，采用等时间间隔划分的方式对一级软化器反应过程划分成多个时间段，基于每个时间段内相邻两个采集时刻之间离子浓度的差异确定每个时间段内离子浓度状态检测值：
式中，L是每个时间段内离子浓度状态检测值，m1是每个时间段内采集时刻的数量，c是每个时间段内的第c个采集时刻，Ac、Ac-1分别是每个时间段内第c个、第c-1个采集时刻下离子浓度数据所在聚类簇内所有元素的集合，Jac()是杰卡德系数函数，Jac(Ac,Ac-1)是集合Ac、Ac-1之间的杰卡德系数，杰卡德系数为公知技术，具体过程不再赘述。
根据上述步骤，分别获取一级软化器内通入二氧化碳后，反应过程中每个时间段的离子浓度状态检测值，离子浓度状态检测值越大，说明此时钙离子浓度、镁离子浓度的波动性越强，二氧化碳处理高硬度废水的反应越不稳定，越不能直接流入二级软化器中。
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。以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种利用二氧化碳废气处理高硬度废水的方法，其特征在于，该方法包括以下步骤：
将工业废水流入一级PH调节槽后加入氢氧化钠溶液得到混合液体，采集混合液体流入一级软化器后通入二氧化碳反应过程中的监测数据；
基于每个监测数据序列中每个数据点所取滑动窗口的监测状态向量以及滑动窗口内元素的异常状态确定每个监测数据序列中每个数据点的反应状态异步系数；
将所有监测数据序列中同一采集时刻下所有数据点组成的序列作为一个监测状态样本，基于反应过程中不同采集时刻下监测状态样本之间监测状态的差异确定两个监测状态映射样本之间的离子浓度状态异步特征值；
基于一级软化器内反应过程中所有监测状态映射样本之间的离子浓度状态异步特征值得到一级软化器内离子浓度的在线检测结果。
2.根据权利要求1所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述采集混合液体流入一级软化器后通入二氧化碳反应过程中的监测数据的方法为：
将工业废水输送至一级PH调节槽，将配置的氢氧化钠溶液加入一级PH调节槽中得到混合液体，将混合液体进入一级软化器，并向一级软化器中通入二氧化碳；
分别采集通入二氧化碳后反应过程中不同采集时刻的二氧化碳流量数据、搅拌速度数据、钙离子浓度数据、镁离子浓度数据、PH值。
3.根据权利要求1所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述基于每个监测数据序列中每个数据点所取滑动窗口的监测状态向量以及滑动窗口内元素的异常状态确定每个监测数据序列中每个数据点的反应状态异步系数的方法为：
将任意一种监测数据在所有采集时刻下的采集数据按照时间顺序组成的序列作为一个监测数据序列；
基于每个监测数据序列中每个数据点所取滑动窗口内所有元素的分布特征确定每个数据点所取滑动窗口的监测状态向量；
将包含每个数据点的任意一个滑动窗口的监测状态向量与其余所有滑动窗口的监测状态向量之间度量距离之和作为分子；
将每个监测数据序列中每个数据点在每种监测数据的拟合曲线中对应的拟合结果作为每个数据点的拟合优值，将每个数据点与其对应拟合优值之间的差值作为每个数据点的拟合残差；
将包含每个数据点的任意一个滑动窗口内所有元素的拟合残差的均值与每种监测数据的拟合曲线中所有数据点的拟合残差的均值之间差值绝对值的数据映射结果作为分母；
将分子与分母的比值在包含每个数据点的所有滑动窗口上的累加结果作为每个监测数据序列中每个数据点的反应状态异步系数。
4.根据权利要求1所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述基于每个监测数据序列中每个数据点所取滑动窗口内所有元素的分布特征确定每个数据点所取滑动窗口的监测状态向量的方法为：
将每个监测数据序列中每个数据点所取滑动窗口内所有元素的均方差作为第一监测状态值；
将每个监测数据序列中每个数据点所取滑动窗口内所有元素对应的拟合回归线在所述所有元素上斜率的均值作为第二监测状态值；
将由第一监测状态值、第二监测状态值组成的向量作为每个监测数据序列中每个数据点所取滑动窗口的监测状态向量。
5.根据权利要求1所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述基于反应过程中不同采集时刻下监测状态样本之间监测状态的差异确定两个监测状态映射样本之间的离子浓度状态异步特征值的方法为：
基于监测状态样本映射集合中每个监测状态映射样本的近邻样本构建每个监测状态映射样本的状态异步矩阵；
基于两个监测状态映射样本的状态异步矩阵的矩阵分解结果之间的度量结果确定两个监测状态映射样本之间的离子浓度状态异步特征值。
6.根据权利要求5所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述基于监测状态样本映射集合中每个监测状态映射样本的近邻样本构建每个监测状态映射样本的状态异步矩阵的方法为：
将以钙离子浓度数据的监测状态异步系数为横坐标，以镁离子浓度数据的监测状态异步系数为纵坐标构建的坐标系作为离子浓度映射坐标系；
将任意一个监测状态样本在离子浓度映射坐标系中的映射结果作为一个监测状态映射样本，将所有监测状态映射样本组成的集合作为监测状态样本映射集合；
将所有监测数据序列中同一采集时刻下所有数据点的反应状态异步系数组成的向量作为每个采集时刻对应监测状态样本的反应状态异步向量；
采用K近邻算法基于监测状态样本映射集合获取每个监测状态映射样本的K个近邻样本，将每个监测状态映射样本的K个近邻样本中任意两个近邻样本对应的反应状态异步向量之间的度量结果作为矩阵中的一个元素值；
将由每个监测状态映射样本的K个近邻样本中所有近邻样本对应的反应状态异步向量之间的度量结果组成的矩阵作为每个监测状态映射样本的状态异步矩阵。
7.根据权利要求5所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述基于两个监测状态映射样本的状态异步矩阵的矩阵分解结果之间的度量结果确定两个监测状态映射样本之间的离子浓度状态异步特征值的方法为：
将每个监测状态映射样本的状态异步矩阵作为输入，采用矩阵分解算法得到每个监测状态映射样本的状态异步矩阵的左奇异矩阵、对角矩阵、右奇异矩阵；
将每个监测状态映射样本的状态异步矩阵的对角矩阵中对角线上所有元素按照数值降序顺序组成的向量作为每个监测状态映射样本的监测状态奇异值向量；
将两个监测状态映射样本的状态异步矩阵的分解结果中同类矩阵之间绝对差的累加结果作为分子；
将两个监测状态映射样本的监测状态奇异值向量之间的相似性度量结果与任意一个状态异步矩阵所分解矩阵数量之间的乘积与预设参数之和作为分母；
将分子与分母的比值作为两个监测状态映射样本之间的离子浓度状态异步特征值。
8.根据权利要求7所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述矩阵分解算法为奇异值分解算法。
9.根据权利要求1所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述基于一级软化器内反应过程中所有监测状态映射样本之间的离子浓度状态异步特征值得到一级软化器内离子浓度的在线检测结果的方法为：
采用聚类算法基于所有监测状态映射样本之间的离子浓度状态异步特征值得到不同时刻下离子浓度的分类结果；
基于一级软化器内反应过程中随机抽样的时间段内相邻时刻下钙离子浓度数据和镁离子浓度数据所处聚类簇之间的差异确定一级软化器内离子浓度的在线检测结果。
10.根据权利要求9所述的利用二氧化碳废气处理高硬度废水的方法，其特征在于，所述基于一级软化器内反应过程中随机抽样的时间段内相邻时刻下钙离子浓度和镁离子浓度所处聚类簇之间的差异确定一级软化器内离子浓度的在线检测结果的方法为：
采用等时间间隔划分的方式对一级软化器反应过程划分成若干个时间段，随机抽取任意一个时间段，获取每个时间段内任意两个相邻采集时刻对应的监测状态映射样本所处聚类簇之间的相似度度量结果；将每个时间段内所有所述相似度度量结果的累加和作为每个时间段内离子浓度状态检测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311838889.6A CN117776413B (zh) | 2023-12-28 | 2023-12-28 | 一种利用二氧化碳废气处理高硬度废水的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311838889.6A CN117776413B (zh) | 2023-12-28 | 2023-12-28 | 一种利用二氧化碳废气处理高硬度废水的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117776413A true CN117776413A (zh) | 2024-03-29 |
| CN117776413B CN117776413B (zh) | 2024-07-05 |
Family
ID=90397985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311838889.6A Active CN117776413B (zh) | 2023-12-28 | 2023-12-28 | 一种利用二氧化碳废气处理高硬度废水的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117776413B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118388089A (zh) * | 2024-06-18 | 2024-07-26 | 湖南北控威保特环境科技股份有限公司 | 一种基于芬顿处理的渗滤液全量化处理工艺 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106746002A (zh) * | 2016-12-27 | 2017-05-31 | 武汉凯迪电力环保有限公司 | 用于脱硫废水零排放技术的三段式软化预处理设备及方法 |
| CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
| CN108038044A (zh) * | 2017-12-26 | 2018-05-15 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
| CN110482741A (zh) * | 2019-08-28 | 2019-11-22 | 武汉飞博乐环保工程有限公司 | 一种高氨氮、高硬度废水处理系统及方法 |
| CN113225391A (zh) * | 2021-04-27 | 2021-08-06 | 东莞中山大学研究院 | 基于滑动窗口异常检测的大气环境监测质量监控方法及计算设备 |
| CN114275938A (zh) * | 2021-12-31 | 2022-04-05 | 武汉飞博乐环保工程有限公司 | 一种高硬度废水处理装置及其处理方法 |
| US20220240544A1 (en) * | 2021-01-28 | 2022-08-04 | Digested Organics Llc | Method to produce high protein residuals |
| CN114997664A (zh) * | 2022-06-10 | 2022-09-02 | 江苏前景瑞信科技发展有限公司 | 一种基于卷积神经网络的变压器异常预警分析方法及系统 |
| CN117034601A (zh) * | 2023-08-07 | 2023-11-10 | 太原理工大学 | 一种多工况选矿过程溢流粒度的软测量建模方法 |
| CN117100191A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市仙鱼环保科技有限公司 | 用于自动化洗碗机的清洗剂投放控制系统及方法 |
| CN117251744A (zh) * | 2023-11-16 | 2023-12-19 | 苏州科尔珀恩机械科技有限公司 | 基于人工智能的窑炉运行异常状态检测方法 |
-
2023
- 2023-12-28 CN CN202311838889.6A patent/CN117776413B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106746002A (zh) * | 2016-12-27 | 2017-05-31 | 武汉凯迪电力环保有限公司 | 用于脱硫废水零排放技术的三段式软化预处理设备及方法 |
| CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
| CN108038044A (zh) * | 2017-12-26 | 2018-05-15 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
| CN110482741A (zh) * | 2019-08-28 | 2019-11-22 | 武汉飞博乐环保工程有限公司 | 一种高氨氮、高硬度废水处理系统及方法 |
| US20220240544A1 (en) * | 2021-01-28 | 2022-08-04 | Digested Organics Llc | Method to produce high protein residuals |
| CN113225391A (zh) * | 2021-04-27 | 2021-08-06 | 东莞中山大学研究院 | 基于滑动窗口异常检测的大气环境监测质量监控方法及计算设备 |
| CN114275938A (zh) * | 2021-12-31 | 2022-04-05 | 武汉飞博乐环保工程有限公司 | 一种高硬度废水处理装置及其处理方法 |
| CN114997664A (zh) * | 2022-06-10 | 2022-09-02 | 江苏前景瑞信科技发展有限公司 | 一种基于卷积神经网络的变压器异常预警分析方法及系统 |
| CN117034601A (zh) * | 2023-08-07 | 2023-11-10 | 太原理工大学 | 一种多工况选矿过程溢流粒度的软测量建模方法 |
| CN117100191A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市仙鱼环保科技有限公司 | 用于自动化洗碗机的清洗剂投放控制系统及方法 |
| CN117251744A (zh) * | 2023-11-16 | 2023-12-19 | 苏州科尔珀恩机械科技有限公司 | 基于人工智能的窑炉运行异常状态检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| YANG, YL (YANG, YILING)等: ""Design of a Sliding Window over Distributed and Asynchronous Event Streams"", IEEE COMPUTER SOC》, vol. 25, no. 10, 15 October 2014 (2014-10-15), pages 2551 - 2560, XP011559048, DOI: 10.1109/TPDS.2013.233 * |
| 赵俊华，赵洪贵: ""碳减排与废水资源化循环利用实践"", 《硫酸工业》, vol. 2021, no. 4, 30 April 2021 (2021-04-30), pages 35 - 37 * |
| 郭金玉;齐蕾蕾;李元;: "基于DMOLPP的间歇过程在线故障检测", 仪器仪表学报, no. 01, 15 January 2015 (2015-01-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118388089A (zh) * | 2024-06-18 | 2024-07-26 | 湖南北控威保特环境科技股份有限公司 | 一种基于芬顿处理的渗滤液全量化处理工艺 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117776413B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117776413B (zh) | 一种利用二氧化碳废气处理高硬度废水的方法 | |
| Lee et al. | Monitoring of a sequencing batch reactor using adaptive multiblock principal component analysis | |
| Yoo et al. | Multi‐model statistical process monitoring and diagnosis of a sequencing batch reactor | |
| CN110232256B (zh) | 一种基于kpls和rwfcm的污水处理过程监测方法 | |
| CN111160776A (zh) | 利用分块主成分分析的污水处理过程异常工况检测方法 | |
| Ba-Alawi et al. | Missing data imputation and sensor self-validation towards a sustainable operation of wastewater treatment plants via deep variational residual autoencoders | |
| CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
| CN112417765B (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
| CN114527249B (zh) | 一种水质监测数据质量控制方法及系统 | |
| CN110232062B (zh) | 一种基于kpls和fcm的污水处理过程监测方法 | |
| CN111126870A (zh) | 利用集成主成分分析的污水处理过程异常工况检测方法 | |
| Ba-Alawi et al. | Explainable multisensor fusion-based automatic reconciliation and imputation of faulty and missing data in membrane bioreactor plants for fouling alleviation and energy saving | |
| Aguado et al. | PLS-based soft-sensor to predict ammonium concentration evolution in hollow fibre membrane contactors for nitrogen recovery | |
| Deng et al. | Integrated models for prediction and global factors sensitivity analysis of ultrafiltration (UF) membrane fouling: statistics and machine learning approach | |
| CN114636654A (zh) | 一种通过噪声数据特征实现纳滤膜污染预测的方法 | |
| CN118039027A (zh) | 一种基于循环神经网络的盐酸多西环素废水处理方法 | |
| CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| Ren et al. | Multivariable identification of membrane fouling based on compacted cascade neural network | |
| Chang | Soft measurement modeling of turbidity in flocculation process of drinking water treatment using gaussian process regression | |
| CN116756523A (zh) | 跨界水污染源解析方法、系统、装置和存储介质 | |
| Zhao et al. | KPCA and ELM ensemble modeling of wastewater effluent quality indices | |
| CN115266835A (zh) | 一种基于电导率测量多种补偿的废水含盐量测量方法 | |
| Zhang et al. | Soft-sensing modeling of chemical oxygen demand in photo-electro-catalytic oxidation treatment of papermaking wastewater | |
| Peng et al. | Hybrid mechanistic approach in the estimation of flow properties in cylindrical membrane modules | |
| Rubio et al. | Qualitative trends for situation assessment in sbr wastewater treatment process |
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 |