CN118039027A - 一种基于循环神经网络的盐酸多西环素废水处理方法 - Google Patents
一种基于循环神经网络的盐酸多西环素废水处理方法 Download PDFInfo
- Publication number
- CN118039027A CN118039027A CN202410094896.8A CN202410094896A CN118039027A CN 118039027 A CN118039027 A CN 118039027A CN 202410094896 A CN202410094896 A CN 202410094896A CN 118039027 A CN118039027 A CN 118039027A
- Authority
- CN
- China
- Prior art keywords
- wastewater treatment
- data
- neural network
- model
- sewage
- 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
- 238000004065 wastewater treatment Methods 0.000 title claims abstract description 150
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 54
- PTNZGHXUZDHMIQ-UHFFFAOYSA-N 4-(dimethylamino)-1,5,10,11,12a-pentahydroxy-6-methyl-3,12-dioxo-4a,5,5a,6-tetrahydro-4h-tetracene-2-carboxamide;hydrochloride Chemical compound Cl.C1=CC=C2C(C)C(C(O)C3C(C(O)=C(C(N)=O)C(=O)C3N(C)C)(O)C3=O)C3=C(O)C2=C1O PTNZGHXUZDHMIQ-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 229960004082 doxycycline hydrochloride Drugs 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 239000010865 sewage Substances 0.000 claims abstract description 104
- 238000003062 neural network model Methods 0.000 claims abstract description 55
- 239000002351 wastewater Substances 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 14
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 claims description 10
- 238000005273 aeration Methods 0.000 claims description 10
- 239000000701 coagulant Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 230000035484 reaction time Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 239000010802 sludge Substances 0.000 claims description 5
- 238000003756 stirring Methods 0.000 claims description 5
- 239000002253 acid Substances 0.000 claims description 4
- 239000003513 alkali Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 239000002912 waste gas Substances 0.000 description 7
- 239000000126 substance Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003115 biocidal effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 125000000018 nitroso group Chemical group N(=O)* 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000006552 photochemical reaction Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003786 synthesis reaction 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
- 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
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
-
- 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
- C02F1/66—Treatment of water, waste water, or sewage by neutralisation; pH adjustment
-
- 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
- C02F1/72—Treatment of water, waste water, or sewage by oxidation
- C02F1/722—Oxidation by peroxides
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
- C02F2103/34—Nature of the water, waste water, sewage or sludge to be treated from industrial activities not provided for in groups C02F2103/12 - C02F2103/32
- C02F2103/343—Nature of the water, waste water, sewage or sludge to be treated from industrial activities not provided for in groups C02F2103/12 - C02F2103/32 from the pharmaceutical industry, e.g. containing antibiotics
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Water Supply & Treatment (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Microbiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明提供一种基于循环神经网络的盐酸多西环素废水处理方法，其中，方法包括：步骤1：获取盐酸多西环素生产过程中的污水数据；步骤2：根据污水数据，确定污水处理参数指标；步骤3：构建循环神经网络模型；步骤4：将污水处理参数指标输入循环神经网络模型预测废水处理数据，获得废水处理数据预测结果；步骤5：根据废水处理数据预测结果，进行废水处理。本发明的一种基于循环神经网络的盐酸多西环素废水处理方法，根据盐酸多西环素的污水数据确定污水处理参数指标。根据污水处理参数指标和循环神经网络模型预测废水处理数据，根据模型输出循环预测，预测更准确，基于废水处理数据进行废水处理，制药废水处理后不具备生物毒性，更加适宜。
Description
技术领域
本发明涉及循环神经网络技术领域，特别涉及一种基于循环神经网络的盐酸多西环素废水处理方法。
背景技术
盐酸多西环素是一种抗生素，其生产过程产生的废水包括：盐酸多西环素残留和未被完全转化的有机物，未经处理会污染地下水、河流和湖泊，并对水生生物产生毒性影响。同时，盐酸多西环素是一种广谱抗生素，会导致环境中细菌对抗生素产生耐药性，并影响生态系统的稳定性和功能。此外，盐酸多西环素经光照刺激后参与光化学反应，产生光解产物，比如：有毒的亚硝基和亚硝酸盐，这些物质对生物和环境产生危害。
为了防止盐酸多西环素制药废水的潜在危害，需要采取适当的废水处理方法将盐酸多西环素生产过程产生的有无有害物质脱除，具体包括：物理法、物化法和生化法，使用这些方法需要考虑的参数数据包括：过氧化氢添加量、反应时间、调节pH所用的酸碱量、pH值、混凝剂添加量、混凝剂搅拌时间、生化池曝气量、生化池污泥浓度、水力停留时间以及曝气压力。通过分析参数数据，定期检测相关参数，可以判断污染物处理效果。
申请号为：CN202310408682.9的发明专利公开了一种基于模型优化的废气废水处理方法及装置，其中，方法包括：获取工厂的当前生产量；利用检测设备对废气废水一体化处理设备进行检测，以获得废气废水一体化处理设备的当前净化处理参数；其中，当前净化处理参数包括：当前废水进入流量、当前废气进入流量、当前废水进入温度以及当前废气进入温度；将当前生产量以及当前净化处理参数输入经过训练的参数预测神经网络模型，以预测出废气废水一体化处理设备的目标运行控制参数；以及，基于目标运行控制参数对废气废水一体化处理设备进行控制。上述方法能够有效地降低废气废水处理成本和能耗。
但是，上述现有技术将当前净化处理参数输入参数预测神经网络模型进行预测时，神经网络模型只是基于当前状态的预测，没有考虑到之前时间的模型输出，预测结果不够精准，进一步的，后续的废水处理步骤也不适宜。
有鉴于此，亟需一种基于循环神经网络的盐酸多西环素废水处理方法，以至少解决上述不足。
发明内容
本发明目的之一在于提供了一种基于循环神经网络的盐酸多西环素废水处理方法，根据获取的盐酸多西环素生产过程中的污水数据确定污水处理参数指标。引入循环神经网络模型，将污水处理参数指标输入循环神经网络模型预测废水处理数据，根据模型输出循环预测，提升了废水处理数据预测的准确性，提高了数据分析效率，基于预测的废水处理数据进行废水处理，更加适宜。
本发明实施例提供的一种基于循环神经网络的盐酸多西环素废水处理方法，包括：
步骤1：获取盐酸多西环素生产过程中的污水数据；
步骤2：根据污水数据，确定污水处理参数指标；
步骤3：构建循环神经网络模型；
步骤4：将污水处理参数指标输入循环神经网络模型预测废水处理数据，获得废水处理数据预测结果；
步骤5：根据废水处理数据预测结果，进行相应废水处理。
优选的，步骤1：获取盐酸多西环素生产过程中的污水数据，包括：
获取预设于生产废水池中的检测装置的检测数据；
根据检测数据，获取污水数据。
优选的，步骤2：根据污水数据，确定污水处理参数指标，包括：
基于PCA分析技术，根据污水数据，筛选污水处理参数指标，污水处理参数指标包括：过氧化氢添加量、反应时间、调节pH所用的酸碱量、pH值、混凝剂添加量、混凝剂搅拌时间、生化池曝气量、生化池污泥浓度、水力停留时间以及曝气压力。
优选的，步骤3：构建循环神经网络模型，包括：
获取RNN结构；
获取多级循环逻辑关系，多级循环逻辑关系为：每2次输出获取1次循环输出数据；
根据RNN结构和多级循环逻辑关系，构建循环神经网络模型。
优选的，获取RNN结构，包括：
获取RNN结构的系统状态模型以及输出节点的输出模型；
根据系统状态模型和输出模型，确定RNN计算模型；
获取RNN结构的连接模型和输出模式；
根据RNN计算模型、连接模型和输出模式，获取RNN结构；
系统状态模型具体为：
h(t)＝f(s(t-1),X(t),θ)
其中，h(t)为t时刻RNN的系统状态，X(t)为t时刻的输入向量，s(t-1)为t-1时刻的内部状态，f为激励函数，θ为RNN结构的循环单元的权重系数；
输出模型具体为：
o(t)＝vh(t)+c
其中，为输出模型的输出值，g是输出函数，o(t)为第t步的输出，v和c为输出节点对应预设的权重系数；
连接模型具体为：
h(t)＝f(uX(t-1)+wh(t-1)+Ry(t-1))
其中，X(t-1)为t-1时刻的输入向量，h(t-1)为t-1时刻的系统状态，y(t-1)为t-1时刻的真实值，u，w和R为连接模型的权重系数。
优选的，根据RNN结构和多级循环逻辑关系，构建循环神经网络模型，包括：
基于VAE模型，获取废水处理样本数据；
基于RNN结构和多级循环逻辑关系，根据废水处理样本数据，构建循环神经网络模型。
优选的，基于VAE模型，获取废水处理样本数据，包括：
从本地废水处理记录库提取历史废水处理数据；
通过编码器网络将历史废水处理数据映射到潜在空间中，获取潜在向量表示；
通过解码器网络将潜在向量表示解码为预生成废水处理样本；
将预生成废水处理样本和历史废水处理数据进行对比，计算重建损失函数；
确定潜在向量表示分布；
将潜在向量表示分布和标准正态分布进行对比，计算潜在空间正则化项；
基于重建损失函数和潜在空间正则化项，根据预生成废水处理样本，训练VAE模型，获取训练完成的VAE模型的解码器网络输出的废水处理样本数据。
优选的，步骤5：根据废水处理数据预测结果，进行相应废水处理，包括：
获取废水处理的优化目标；
根据优化目标和废水处理数据预测结果，确定目标最优解；
根据目标最优解进行废水处理。
优选的，根据优化目标和废水处理数据预测结果，确定目标最优解，包括：
获取优化目标的目标数目；
若目标数目为1，计算优化目标和废水处理数据预测结果之间的第一差异，根据第一差异确定目标最优解；
若目标数目大于1，计算每一优化目标和废水处理数据预测结果之间的第二差异；
根据第二差异，确定第一排斥项，并将第一排斥项对应的优化目标作为排斥目标；
根据第一排斥项，确定目标解判定区间；
获取目标解判定区间中的区间点位集，根据区间点位集中的区间点位，确定第二排斥项；
将第二排斥项通过排斥目标预设的价值量转换模版进行转换，获得差异调整价值，并与对应第二排斥项进行关联；
确定第一排斥项对应的第二排斥项关联的最大差异调整价值，并根据最大差异调整价值的第二排斥项确定目标最优子解；
汇总每一第一排斥项对应的目标最优子解，获得目标最优解。
本发明实施例提供的一种基于循环神经网络的盐酸多西环素废水处理系统，包括：
污水数据获取子系统，用于获取盐酸多西环素生产过程中的污水数据；
污水处理参数指标确定子系统，用于根据污水数据，确定污水处理参数指标；
循环神经网络模型构建子系统，用于构建循环神经网络模型；
预测子系统，用于将污水处理参数指标输入循环神经网络模型预测废水处理数据，获得废水处理数据预测结果；
废水处理子系统，用于根据废水处理数据预测结果，进行相应废水处理。
本发明的有益效果为：
本发明根据获取的盐酸多西环素生产过程中的污水数据确定污水处理参数指标。引入循环神经网络模型，将污水处理参数指标输入循环神经网络模型预测废水处理数据，根据模型输出循环预测，提升了废水处理数据预测的准确性，提高了数据分析效率，基于预测的废水处理数据进行废水处理，更加适宜。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过本申请文件中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于循环神经网络的盐酸多西环素废水处理方法的示意图；
图2为本发明实施例中构建循环神经网络模型时的训练集效果图；
图3为本发明实施例中构建循环神经网络模型时的测试集效果图；
图4为本发明实施例中构建循环神经网络模型时训练集预测结果与真实值的对比图；
图5为本发明实施例中构建循环神经网络模型时测试集预测结果与真实值的对比图；
图6为本发明实施例中构建循环神经网络模型时所有样本拟合的预测结果的示意图；
图7为本发明实施例中一种基于循环神经网络的盐酸多西环素废水处理系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于循环神经网络的盐酸多西环素废水处理方法，如图1所示，包括：
步骤1：获取盐酸多西环素生产过程中的污水数据；其中，生产过程中为：盐酸多西环素的制备过程；污水数据为：制备盐酸多西环素的工业废水中对环境产生危害的物质的含量数据；
步骤2：根据污水数据，确定污水处理参数指标；其中，污水处理参数指标为：与污水处理任务相关的数据，比如：过氧化氢添加量、反应时间、调节pH所用的酸碱量、pH值、混凝剂添加量、混凝剂搅拌时间、生化池曝气量、生化池污泥浓度、水力停留时间以及曝气压力；
步骤3：构建循环神经网络模型；其中，循环神经网络模型为：用于代替人工分析污水处理效果的智能模型，循环神经网络模型通过学习多个污水处理过程记录实现根据污水处理参数自动预测污水处理效果；
步骤4：将污水处理参数指标输入循环神经网络模型预测废水处理数据，获得废水处理数据预测结果；其中，废水处理数据为：基于污水处理参数处理后的污水水质数据；废水处理数据预测结果为：循环神经网络模型预测的基于污水处理参数处理后的预测水质数据；
步骤5：根据废水处理数据预测结果，进行相应废水处理。其中，根据废水处理数据预测结果进行相应废水处理具体为：若废水处理数据预测结果在规定范围内，则根据相应污水处理参数指标进行污水处理；若废水处理数据预测结果不在规定范围内，则调整当前的污水处理参数指标，直至循环神经网络模型输出的预测结果在规定范围内，基于调整后的污水处理参数指标进行污水处理。
上述技术方案的工作原理及有益效果为：
本申请根据获取的盐酸多西环素生产过程中的污水数据确定污水处理参数指标。引入循环神经网络模型，将污水处理参数指标输入循环神经网络模型预测废水处理数据，根据模型输出循环预测，提升了废水处理数据预测的准确性，提高了数据分析效率，基于预测的废水处理数据进行废水处理，更加适宜。
在一个实施例中，步骤1：获取盐酸多西环素生产过程中的污水数据，包括：
获取预设于生产废水池中的检测装置的检测数据；其中，检测装置为：水质检测设备；检测数据为：水质检测设备监测的生产废水池中液体的水质数据；
根据检测数据，获取污水数据。
上述技术方案的工作原理及有益效果为：
本申请引入预置于生产废水池中的检测装置的检测数据确定污水数据，污水数据的获取更精确。
在一个实施例中，步骤2：根据污水数据，确定污水处理参数指标，包括：
基于PCA分析技术，根据污水数据，筛选污水处理参数指标，污水处理参数指标包括：过氧化氢添加量、反应时间、调节pH所用的酸碱量、pH值、混凝剂添加量、混凝剂搅拌时间、生化池曝气量、生化池污泥浓度、水力停留时间以及曝气压力。其中，PCA(PrincipalComponent Analysis)分析技术是一种使用主成分分析方法来确定最相关和最具代表性的指标的多元统计分析方法，用于降低数据维度、提取主要特征并发现数据中的相关性。
上述技术方案的工作原理及有益效果为：
本申请对根据污水数据确定的预筛选污水处理参数指标进行PCA分析，预筛选污水处理参数指标为盐酸多西环素废水处理过程中考虑的所有的处理参数的种类。获取与污水处理最相关且数据维度低于预筛选污水处理参数指标的污水处理参数指标，根据污水处理参数指标进行后续的预测，提高了预测的效率。
在一个实施例中，构建循环神经网络模型，包括：
获取RNN结构；其中，RNN结构为：循环神经网络模型的网络结构；
获取多级循环逻辑关系，多级循环逻辑关系为：每2次输出获取1次循环输出数据；
根据RNN结构和多级循环逻辑关系，构建循环神经网络模型。
上述技术方案的工作原理及有益效果为：
本申请引入RNN结构以及多级循环逻辑关系，根据RNN结构以及多级循环逻辑关系构建循环神经网络模型，提高了循环神经网络模型构建的合理性。
在一个实施例中，获取RNN结构，包括：
获取RNN结构的系统状态模型以及输出节点的输出模型；其中，系统状态模型为：描述RNN结构中循环输出和输入的关系的计算模型；输出节点为：RNN结构的输出节点；输出模型为：根据不同问题确定的输出函数；
根据系统状态模型和输出模型，确定RNN计算模型；
获取RNN结构的连接模型和输出模式；其中，连接模型为：描述RNN结构的循环单元的当前时间步的状态与当前时间步的上一个时间步的状态的关系的计算模型；输出模式包括：单输出、同步多输出以及异步多输出；
根据RNN计算模型、连接模型和输出模式，获取RNN结构；
系统状态模型具体为：
h(t)＝f(s(t-1),X(t),θ)
其中，h(t)为t时刻RNN的系统状态，X(t)为t时刻的输入向量，s(t-1)为t-1时刻的内部状态，f为激励函数，θ为RNN结构的循环单元的权重系数；
输出模型具体为：
o(t)＝vh(t)+c
其中，为输出模型的输出值，g是输出函数，o(t)为第t步的输出，v和c为输出节点对应预设的权重系数；
连接模型具体为：
h(t)＝f(uX(t-1)+wh(t-1)+Ry(t-1))
其中，X(t-1)为t-1时刻的输入向量，h(t-1)为t-1时刻的系统状态，y(t-1)为t-1时刻的真实值，u，w和R为连接模型的权重系数。
上述技术方案的工作原理及有益效果为：
本申请引入系统状态模型和输出模型，系统状态模型引入上一时间步的内部状态和循环单元的权重系数确定系统状态。根据系统状态模型和输出模型，确定RNN计算模型。引入RNN结构的连接模型和输出模式，根据RNN计算模型、连接模型和输出模式，获取RNN结构，RNN结构的构建更合理。
在一个实施例中，基于VAE模型，根据RNN结构和多级循环逻辑关系，构建循环神经网络模型，包括：
获取废水处理样本数据；其中，废水处理样本数据为：用于循环神经网络模型的训练数据；
基于RNN结构和多级循环逻辑关系，根据废水处理样本数据，构建循环神经网络模型。其中，构建循环神经网络模型时，将废水处理样本数据划分为训练集和测试集进行循环神经网络模型训练，图2为训练集效果图，图3为测试集效果图，图4为训练集预测结果与真实值的对比图，图5为测试集预测结果与真实值的对比图，图6为所有样本拟合的预测结果的示意图。
上述技术方案的工作原理及有益效果为：
已知的盐酸多西环素废水处理样本数据有限，同时，收集样本数据需要进行数据的全面性判定，不够便捷，因此，本申请引入VAE模型获取废水处理样本数据，并将废水处理样本数据用于后续循环神经网络模型的构建，提高了训练数据的获取效率和可靠性。
如图2-图6所示，根据预测结果的R2值，可以判断预测数据的线性关系，R2值越高，表明真实值与预测值之间的线性关系越强，指导性越强。测试集真实值与预测值拟合结果R2为参考数值，表明预测值与真实值的置信程度，R2值越高，置信度越高。RSME、RSMEC和RSMEP分别代表均方根误差、校正均方根误差和预测均方根误差，分别用来表示均方根误差、估计校正集样本实际值和预测值之间的差异、估计预测集样本实际值和预测值之间的差异。RSME是真实值减预测值的平方除以预测样本开根号后的数值，使其与测试样本大小无关，可以结合R2数值进行参考。RSME越低，表明真实值与预测值之间的差距越小。因此，可以通过R2、RSME、RSMEC和RSMEP数值的大小对预测结果的好坏进行判断。一般认为R2在0.9以上有显著相关，R2在0.95以上为明显显著相关。
在一个实施例中，基于VAE模型，获取废水处理样本数据，包括：
从本地废水处理记录库提取历史废水处理数据；其中，本地废水处理记录库为：记录本地的废水处理站进行废水处理时的处理记录的数据库；历史废水处理数据为：历史废水处理记录库中记录的废水处理记录；
通过编码器网络将历史废水处理数据映射到潜在空间中，获取潜在向量表示；其中，潜在空间为：比历史废水处理数据的数据维度更低维的向量空间；潜在向量表示为：历史废水处理数据在潜在空间的抽象表示；
通过解码器网络将潜在向量表示解码为预生成废水处理样本；其中，预生成废水处理样本为：根据潜在向量表示解码合成的废水处理样本；
将预生成废水处理样本和历史废水处理数据进行对比，计算重建损失函数；其中，重建损失函数为：衡量解码器输出的预生成废水处理样本与历史废水处理数据之间的差异的损失函数；
确定潜在向量表示分布；其中，潜在向量表示分布为：潜在向量表示在潜在空间的分布情况；
将潜在向量表示分布和标准正态分布进行对比，计算潜在空间正则化项；其中，空间正则化项用于鼓励潜在向量在潜在空间中具有平滑的分布，比如：KL散度，用于测量潜在向量分布与标准正态分布之间的差异；
基于重建损失函数和潜在空间正则化项，根据预生成废水处理样本，训练VAE模型，获取训练完成的VAE模型的解码器网络输出的废水处理样本数据。其中，训练VAE模型时，控制模型往重建损失函数和潜在空间正则化项更小的方向训练，训练完成指的是重建损失函数和潜在空间正则化项均达到预设标准。
上述技术方案的工作原理及有益效果为：
本申请引入本地废水处理记录库提取历史废水处理数据，根据历史废水处理数据和变分自编码器生成模型学习历史废水处理数据样本的分布，生成合成的废水处理样本。生成时，基于编码器网络，生成比历史废水处理数据的数据维度更低维的空间的潜在向量表示。基于解码器网络，生成潜在向量表示解码合成的预生成废水处理样本。对比预生成废水处理样本和历史废水处理数据之间的差异获取重建损失函数。引入潜在空间正则化项，用于控制潜在向量表示在潜在空间中具有平滑的分布。当重建损失函数和潜在空间正则化项均达到预设标准，则完成VAE模型的训练，获取训练完成的VAE模型生成的废水处理样本数据。废水处理样本数据更全面，质量也更高。
在一个实施例中，步骤5：根据废水处理数据预测结果，进行相应废水处理，包括：
获取废水处理的优化目标；其中，优化目标为：废水处理过程中，希望达到的理想状态，比如：水处理的经济性、环境友好性和资源利用效率等；
根据优化目标和废水处理数据预测结果，确定目标最优解；其中，目标最优解为：在优化过程中，根据设定的优化目标和约束条件，找到的最佳解决方案；
根据目标最优解进行废水处理。
上述技术方案的工作原理及有益效果为：
在进行盐酸多西环素废水处理的过程中，除了考虑环境效益，也需要综合考虑其他优化目标，比如：污染治理的成本、污染治理的效率等。因此，本申请引入废水处理的优化目标，优化目标可以是一个，也可以是多个，根据优化目标和废水处理数据预测结果，确定目标最优解，并基于目标最优解进行废水处理，提高了废水处理的综合性和全面性。
在一个实施例中，根据优化目标和废水处理数据预测结果，确定目标最优解，包括：
获取优化目标的目标数目；其中，目标数目为：优化目标的个数；
若目标数目为1，计算优化目标和废水处理数据预测结果之间的第一差异，根据第一差异确定目标最优解；其中，第一差异为：当优化目标的个数为1时，优化目标和废水处理数据预测结果之间的数据差异；由于只存在一个优化目标，调整时不会存在冲突，直接根据第一差异确定目标最优解即可；
若目标数目大于1，计算每一优化目标和废水处理数据预测结果之间的第二差异；其中，第二差异为：当优化目标的个数为多个时，每个和废水处理数据预测结果存在差异的优化目标的对应差异数值的集合；
根据第二差异，确定第一排斥项，并将第一排斥项对应的优化目标作为排斥目标；其中，第一排斥项为：第二差异中的对立调整项，比如：每升多添加5克的A物质与每升减少添加3克的A物质同时存在；
根据第一排斥项，确定目标解判定区间；其中，目标解判定区间为，根据第一排斥项确定的添加物的含量的范围，比如：当前A物质为10g/L，则目标解判定区间为7g/L-15g/L；
获取目标解判定区间中的区间点位集，根据区间点位集中的区间点位，确定第二排斥项；其中，第二排斥项为：区间点位确定的添加物的含量；
将第二排斥项通过排斥目标预设的价值量转换模版进行转换，获得差异调整价值，并与对应第二排斥项进行关联；其中，排斥目标预设的价值量转换模版由人工预先设置；
确定第一排斥项对应的第二排斥项关联的最大差异调整价值，并根据最大差异调整价值的第二排斥项确定目标最优子解；
汇总每一第一排斥项对应的目标最优子解，获得目标最优解。
上述技术方案的工作原理及有益效果为：
本申请引入优化目标的目标数目，当优化目标的目标数目为1时，直接根据优化目标和废水处理数据预测结果之间的第一差异确定目标最优解。当目标数目为多个时，考虑到优化目标的不同，可能存在对立的处理方法。因此，确定第二差异中的第一排斥项，根据第一排斥项，确定目标解判定区间。将目标解判定区间中区间点位对应的第二排斥项通过目标预设的价值量转换模版进行转换获取差异调整价值，并根据第一排斥项对应的第二排斥项关联的最大差异调整价值的第二排斥项确定目标最优子解，汇总每一第一排斥项对应的目标最优子解，获得目标最优解，目标最优解的获取更适宜，多目标优化的废水处理的均衡性更佳。
本发明实施例提供了一种基于循环神经网络的盐酸多西环素废水处理系统，如图7所示，包括：
污水数据获取子系统1，用于获取盐酸多西环素生产过程中的污水数据；
污水处理参数指标确定子系统2，用于根据污水数据，确定污水处理参数指标；
循环神经网络模型构建子系统3，用于构建循环神经网络模型；
预测子系统4，用于将污水处理参数指标输入循环神经网络模型预测废水处理数据，获得废水处理数据预测结果；
废水处理子系统5，用于根据废水处理数据预测结果，进行相应废水处理。
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 (10)
1.一种基于循环神经网络的盐酸多西环素废水处理方法，其特征在于，包括：
步骤1：获取盐酸多西环素生产过程中的污水数据；
步骤2：根据污水数据，确定污水处理参数指标；
步骤3：构建循环神经网络模型；
步骤4：将污水处理参数指标输入循环神经网络模型预测废水处理数据，获得废水处理数据预测结果；
步骤5：根据废水处理数据预测结果，进行相应废水处理。
2.如权利要求1所述的一种基于循环神经网络的盐酸多西环素废水处理方法，其特征在于，步骤1：获取盐酸多西环素生产过程中的污水数据，包括：
获取预设于生产废水池中的检测装置的检测数据；
根据检测数据，获取污水数据。
3.如权利要求1所述的一种基于循环神经网络的盐酸多西环素废水处理方法，其特征在于，步骤2：根据污水数据，确定污水处理参数指标，包括：
基于PCA分析技术，根据污水数据，筛选污水处理参数指标，污水处理参数指标包括：过氧化氢添加量、反应时间、调节pH所用的酸碱量、pH值、混凝剂添加量、混凝剂搅拌时间、生化池曝气量、生化池污泥浓度、水力停留时间以及曝气压力。
4.如权利要求1所述的一种基于循环神经网络的盐酸多西环素废水处理方法，其特征在于，步骤3：构建循环神经网络模型，包括：
获取RNN结构；
获取多级循环逻辑关系，多级循环逻辑关系为：每2次输出获取1次循环输出数据；
根据RNN结构和多级循环逻辑关系，构建循环神经网络模型。
5.如权利要求4所述的一种基于循环神经网络的盐酸多西环素废水处理方法，其特征在于，获取RNN结构，包括：
获取RNN结构的系统状态模型以及输出节点的输出模型；
根据系统状态模型和输出模型，确定RNN计算模型；
获取RNN结构的连接模型和输出模式；
根据RNN计算模型、连接模型和输出模式，获取RNN结构；
系统状态模型具体为：
h(t)＝f(s(t-1),X(t),θ)
其中，h(t)为t时刻RNN的系统状态，X(t)为t时刻的输入向量，s(t-1)为t-1时刻的内部状态，f为激励函数，θ为RNN结构的循环单元的权重系数；
输出模型具体为：
o(t)＝vh(t)+c
其中，为输出模型的输出值，g是输出函数，o(t)为第t步的输出，v和c为输出节点对应预设的权重系数；
连接模型具体为：
h(t)＝f(uX(t-1)+wh(t-1)+Ry(t-1))
其中，X(t-1)为t-1时刻的输入向量，h(t-1)为t-1时刻的系统状态，y(t-1)为t-1时刻的真实值，u，w和R为连接模型的权重系数。
6.如权利要求4所述的一种基于循环神经网络的盐酸多西环素废水处理方法，其特征在于，根据RNN结构和多级循环逻辑关系，构建循环神经网络模型，包括：
基于VAE模型，获取废水处理样本数据；
基于RNN结构和多级循环逻辑关系，根据废水处理样本数据，构建循环神经网络模型。
7.如权利要求6所述的一种基于循环神经网络的盐酸多西环素废水处理方法，其特征在于，基于VAE模型，获取废水处理样本数据，包括：
从本地废水处理记录库提取历史废水处理数据；
通过编码器网络将历史废水处理数据映射到潜在空间中，获取潜在向量表示；
通过解码器网络将潜在向量表示解码为预生成废水处理样本；
将预生成废水处理样本和历史废水处理数据进行对比，计算重建损失函数；
确定潜在向量表示分布；
将潜在向量表示分布和标准正态分布进行对比，计算潜在空间正则化项；
基于重建损失函数和潜在空间正则化项，根据预生成废水处理样本，训练VAE模型，获取训练完成的VAE模型的解码器网络输出的废水处理样本数据。
8.如权利要求1所述的一种基于循环神经网络的盐酸多西环素废水处理方法，步骤5：根据废水处理数据预测结果，进行相应废水处理，包括：
获取废水处理的优化目标；
根据优化目标和废水处理数据预测结果，确定目标最优解；
根据目标最优解进行废水处理。
9.如权利要求8所述的一种基于循环神经网络的盐酸多西环素废水处理方法，根据优化目标和废水处理数据预测结果，确定目标最优解，包括：
获取优化目标的目标数目；
若目标数目为1，计算优化目标和废水处理数据预测结果之间的第一差异，根据第一差异确定目标最优解；
若目标数目大于1，计算每一优化目标和废水处理数据预测结果之间的第二差异；
根据第二差异，确定第一排斥项，并将第一排斥项对应的优化目标作为排斥目标；
根据第一排斥项，确定目标解判定区间；
获取目标解判定区间中的区间点位集，根据区间点位集中的区间点位，确定第二排斥项；
将第二排斥项通过排斥目标预设的价值量转换模版进行转换，获得差异调整价值，并与对应第二排斥项进行关联；
确定第一排斥项对应的第二排斥项关联的最大差异调整价值，并根据最大差异调整价值的第二排斥项确定目标最优子解；
汇总每一第一排斥项对应的目标最优子解，获得目标最优解。
10.一种基于循环神经网络的盐酸多西环素废水处理系统，其特征在于，包括：
污水数据获取子系统，用于获取盐酸多西环素生产过程中的污水数据；
污水处理参数指标确定子系统，用于根据污水数据，确定污水处理参数指标；
循环神经网络模型构建子系统，用于构建循环神经网络模型；
预测子系统，用于将污水处理参数指标输入循环神经网络模型预测废水处理数据，获得废水处理数据预测结果；
废水处理子系统，用于根据废水处理数据预测结果，进行相应废水处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410094896.8A CN118039027A (zh) | 2024-01-23 | 2024-01-23 | 一种基于循环神经网络的盐酸多西环素废水处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410094896.8A CN118039027A (zh) | 2024-01-23 | 2024-01-23 | 一种基于循环神经网络的盐酸多西环素废水处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118039027A true CN118039027A (zh) | 2024-05-14 |
Family
ID=90990421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410094896.8A Pending CN118039027A (zh) | 2024-01-23 | 2024-01-23 | 一种基于循环神经网络的盐酸多西环素废水处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118039027A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118642413A (zh) * | 2024-08-09 | 2024-09-13 | 江苏圣泰节能科技有限公司 | 一种新材料的合成过程中废水处理智能调控方法及系统 |
-
2024
- 2024-01-23 CN CN202410094896.8A patent/CN118039027A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118642413A (zh) * | 2024-08-09 | 2024-09-13 | 江苏圣泰节能科技有限公司 | 一种新材料的合成过程中废水处理智能调控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Regmi et al. | The future of WRRF modelling–outlook and challenges | |
| CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
| Han et al. | Hierarchical neural network modeling approach to predict sludge volume index of wastewater treatment process | |
| Rieger et al. | Progress in sensor technology-progress in process control? Part I: Sensor property investigation and classification | |
| 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 | |
| Simutis et al. | Exploratory analysis of bioprocesses using artificial neural network‐based methods | |
| CN114275912A (zh) | 一种基于自适应神经网络模型的曝气系统溶解氧控制方法 | |
| 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 | |
| CN113838542B (zh) | 化学需氧量智能预测方法和系统 | |
| Yasmin et al. | Improved support vector machine using optimization techniques for an aerobic granular sludge | |
| Sulaiman et al. | Modeling anaerobic process for wastewater treatment: new trends and methodologies | |
| CN110705752A (zh) | 基于anfis与机理模型的污水bod实时预测方法 | |
| Khurshid et al. | Machine learning approaches for data-driven process monitoring of biological wastewater treatment plant: A review of research works on benchmark simulation model no. 1 (bsm1) | |
| CN117388457B (zh) | 一种耦合水力停留时间提高污水厂出水预测精度的方法 | |
| CN117923657A (zh) | 基于厌氧氨氧化反应器的废水处理方法及系统 | |
| Han et al. | Efficient economic model predictive control of water treatment process with learning-based Koopman operator | |
| de Matos et al. | A Review of Energy and Sustainability KPI-Based Monitoring and Control Methodologies on WWTPs | |
| Bakht et al. | Ingredient analysis of biological wastewater using hybrid multi-stream deep learning framework | |
| Beraud et al. | Multiobjective genetic algorithms for the optimisation of wastewater treatment processes | |
| Lim et al. | A systematic model calibration methodology based on multiple errors minimization method for the optimal parameter estimation of ASM1 | |
| Corominas Tabares | Control and optimization of an SBR for nitrogen removal: from model calibration to plant operation | |
| Kirilova et al. | Prediction of Temperature Conditions of Autothermal Thermophilic Aerobic Digestion Bioreactors at Wastewater Treatment Plants. | |
| Jeppsson | A simplified control-oriented model of the activated sludge process | |
| Suh et al. | Sequential modeling of fecal coliform removals in a full-scale activated-sludge wastewater treatment plant using an evolutionary process model induction system |
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 |