CN201309838Y - 无机废水资源化移动专家系统 - Google Patents

Abstract

本实用新型涉及一种无机废水资源化移动专家系统，可进入到企业现场提供废水的资源化方案并进行试验，以帮助企业进行废水资源化方案的决策。本系统包括移动车本体、试验设备、自动控制模块和专家诊断决策模块。移动车本体包括置于一运输底盘上的厢体。试验设备适于形成多种设备组合，其中每一设备组合按照至少一种废水处理工艺在厢体内进行废水处理。自动控制模块依据废水处理方案控制试验设备形成相应的设备组合并使设备组合执行废水处理工艺。专家诊断决策模块依据废水水质指标以及回用水水质指标确定并输出至少一废水处理方案至自动控制模块。

Description

无机废水资源化移动专家系统

技术领域

本实用新型涉及无机废水资源化方案的确定方法，尤其涉及一种可提供无机废水资源化方案的无机废水资源化移动专家系统。

背景技术

将工业废水转化为可以重复使用的新资源已经成为企业的普遍要求，然而废水的种类繁多，企业对资源化产品的要求各不相同，难以用单一的方案解决。因此需要针对不同的企业废水来源确定相应的废水处理和回应方案。

目前，对于废水处理与回用方案的确定，大多依靠常识和经验来初步设定，再通过厂方取样人工小试来进行验证，最后确定具体的废水处理工艺及设备。如果所取水样太少代表性不强，设计人员经验的不足或实验室试验条件的限制，往往会导致小试的失败或试验发生偏差，以至最终方案失败。而大量的废水运抵实验室在实际操作中是不现实的，因此现有方式很难获得可靠的废水资源化方案。

另外，现有的传统工艺通过以上所述各道必不可少的工序后，工艺的试验周期很长，确定了工艺方案后设备的设计周期也相当长，而且设计后设备还有一定的制造周期。一般整个过程需要几个月甚至半年以上。设备制作安装后，在现场的处理工艺也不一定能完全满足用户废水处理的要求。对用户来说可能投入大量的时间精力后会无功而返。由于工艺设计是针对废水的样品进行试验，然后确定一套针对此水质的具体工艺方案，是一对一的操作方法。如果投产后水质不能达到要求，设备就不能取得预期的使用效果。

实用新型内容

鉴于以上问题，本实用新型所要解决的技术问题是提供一种无机废水资源化移动专家系统，可现场提供废水的资源化方案并进行试验，以帮助企业进行废水资源化方案的决策。

本实用新型为解决上述技术问题而采用的技术方案是提供一种无机废水资源化移动专家系统，包括移动车本体、试验设备、自动控制模块和专家诊断决策模块。移动车本体包括置于一运输底盘上的厢体。试验设备适于形成多种设备组合，其中每一设备组合按照至少一种废水处理工艺在厢体内进行废水处理。自动控制模块依据废水处理方案控制试验设备形成相应的设备组合并使设备组合执行废水处理工艺。专家诊断决策模块依据废水水质指标以及回用水水质指标确定并输出至少一废水处理方案至自动控制模块。

在上述的无机废水资源化移动专家系统中，上述试验设备包括以下部件的至少一部分：水质监测仪器与仪表、pH调节设备、预处理设备、离子交换处理设备、膜分离设备、加药设备。

在上述的无机废水资源化移动专家系统中，上述自动控制模块通过自动阀切换所述试验设备形成所述设备组合。

在上述的无机废水资源化移动专家系统中，上述专家诊断决策模块可包括输入层、预处理层、隐含层和输出层。输入层输入包含所述废水水质指标与所述回用水水质指标的第一向量至预处理层。预处理层对第一向量中的废水水质指标与回用水水质指标进行分区段处理，并输出第二向量。隐含层依照经过训练的第一加权值矩阵计算第二向量的各元素之和，并且分别计算多个和在一非线性激励下的函数，输出多个和的函数的第三向量。输出层依照经过训练的第二加权值矩阵计算第三向量的各元素之和，并分别计算多个和在一阈值型激励下的函数，输出包含多个和的函数的第四向量，其中值为1的元素表示选择的废水处理方案。

在上述的无机废水资源化移动专家系统中，还包括一专家知识库，用以依照预知的专家方案规则表构建输入训练阵和输出训练阵进行训练，并利用误差反向传播的δ学习算法训练所述第一加权值矩阵和所述第二加权值矩阵。

在上述的无机废水资源化移动专家系统中，还包括数据分析模块，比对处理后的水质与回用水水质指标并提供分析结果。

在上述的无机废水资源化移动专家系统中，上述自动控制模块和上述专家诊断决策模块结合于一计算机中。

本实用新型的无机废水资源化移动专家系统改变了传统的废水资源回收技术方案的获取方式，不再凭个人经验或依赖少量废水的实验室小试结果来制定实施方案，因此方案的确定周期以及可靠性都有明显提升。并且硬件和软件完善的移动试验车可以不受地域限制，方便地进入生产现场以实际废水为对象进行中试规模的试验，最终为企业提供有价值的废水资源化技术和经济可行性方案。

附图说明

为让本实用新型的上述目的、特征和优点能更明显易懂，以下结合附图对本实用新型的具体实施方式作详细说明，其中：

图1是根据本实用新型一实施例的移动专家系统结构框图。

图2是根据本实用新型一实施例的试验设备结构图。

图3-图7是本实用新型的试验设备根据废水处理方案进行组合的实例。

图8是根据本实用新型一实施例的专家诊断决策模块的神经网络结构图。

图9是根据本实用新型一实施例的具有多个子网络的专家诊断决策模块的神经网络结构图。

具体实施方式

无机工业废水的种类繁多，难以用固定的技术方案加以推广应用，必须针对不同工业、不同废水的性质以及回用水的水质标准制定专门的废水回收方案，而方案的拟定必须是以科学试验为基础的。实验室规模的试验由于受到条件限制(如废水量和水质变化等)只能得到粗略的方案，要让企业接受废水资源化的技术方案，仅靠实验室数据是不够的，至少希望能得到中试规模的数据。

而大量的废水运抵实验室在操作中是不现实的，因此，本实用新型的构思是设计出一套能移动的无机废水资源化移动专家系统，相当于移动实验室，在移动实验室内根据需要安置各种水质监测仪器、分离设备、化学处理和加药设备，膜处理设备等工业废水处理及回用的常用试验设备，可以进入分散布置的企业进行现场检测、分析、试验和评估。本实用新型的一个特点是试验设备可以根据不同的废水处理方案随时进行组合，以便执行相应的废水处理工艺。

本实用新型的另一特点是能够根据企业的废水水质及回用要求等实际情况，自动化且迅速地提出适合企业实际情况的废水回用及资源回收工艺和技术方案，方案的选择有十几种，并且还可以不断的扩充，使企业的选择余地大大增加。如果选择的方案处理后的水质不能达到客户的要求，可以马上切换方案继续试验，直至处理的出水水质完全满足客户要求为止。

图1是根据本实用新型一实施例的移动专家系统结构框图。移动车本体100、试验设备110、自动化控制模块130、专家诊断决策模块140、专家知识库150以及数据分析模块160。

移动车本体100包括载重4吨的运输底盘(图未示)，置于底盘上长5米8、宽2米1的全封闭厢体(图未示)。由此移动专家系统可像普通的车辆一样自由移动。其中厢体的容量保证废水处理试验达到中试水平。

试验设备110可集成在封闭的厢体内。试验设备110通常包括水质分析仪表、各种自动化水处理设备，例如：精密的水质监测仪器与仪表、pH调节设备、预处理设备、离子交换处理设备、膜分离设备、加药设备等。通过优化的设计，将这一系列设备的控制集中于一体。试验设备110的一个实例如图2所示，它包括：原水箱111、原水泵112、pH调节装置113、多介质过滤器114a、活性炭过滤器114b、精密过滤器114c、超滤装置114d、加药装置115、电渗析装置116、一级反渗透装置117、中间水箱118、二级反渗透装置119、中间水箱120、输送泵121、阳离子交换床122、阴离子交换床123、精阳离子交换床124、混合离子交换床125、pH调节装置126和紫外杀菌器127等单元设备，可以满足大多数无机工业废水资源回收试验要求。这些单元设备合理布局于空间狭小的厢体内，由管路及阀门加以连接。通过切换设备中的自动阀(图未示)，可以使试验设备110形成多达15种不同的设备组合，图3-图7示出其中的部分设备组合。这些设备组合可以按照一定的废水处理工艺对废水进行处理。当然，所描述的试验设备中的各种单元设备以及单元设备之间的连接关系仅为举例而已，本领域技术人员还可以根据需要选择其他的搭配。

试验设备110中的这些自动阀与自动化控制模块130相连，由自动化控制模块130进行控制。自动化控制模块130包括安装在一计算机中的自动控制软件，其根据来自专家诊断决策模块140的废水处理方案控制试验设备110切换不同的设备组合，进行多种不同的废水处理工艺的变换。

试验设备110还包含各种水质分析仪表128(参见图1)，可以对水的pH值、电导率、SS(或浊度)、DO、氯化物及铜、镍、锌、铬等金属盐类进行便捷的测量，保证可以准确的了解水质。

移动车内的全部设备的运行能实现全自动控制。电控主柜上的触摸屏可以启动或关闭车内所有的废水处理设备。设备启动后的运行全自动化，无需人工操作。

专家诊断决策模块140是整个移动车的决策部分。废水的水质通过水质分析仪表128检测后，将废水水质指标和回用水水质指标输入到专家诊断决策模块140，专家诊断决策模块140据此确定并输出初步的废水处理方案，方案可以是一个或多个。

在下面的实施例中，专家诊断决策模块140是利用神经网络结构来构建的。利用人工神经网络技术优秀的自学习自适应能力，网络分布储存知识，并行运算特性和优越的非线性映射能力，实现废水处理方案的自动决策。

回到图1所示，专家诊断决策模块140连接专家知识库150。在一个实施例中，专家知识库150还可连接一数据分析模块160。

针对不同工业、不同工艺的无机废水的性质以及不同处理水的水质标准，根据现有废水回收工艺，可以事先制定成熟的废水处理方案。这些成熟方案以及专家规则方案表储存在专家知识库150内，供专家诊断决策模块140调用。专家诊断决策模块140可以经过训练学习这些方案知识。使用已学习的知识，专家诊断决策模块140可以根据输入的无机废水水质指标和所要求的回用水水质指标，从已有的废水处理方案中确定初步的无机废水处理方案。

下面首先描述本实用新型一实施例的专家诊断决策模块的结构实现。

专家诊断决策模块140由如图8所示的神经网络结构构成，此专家诊断决策模块140的神经网络采用前向网络，可分为四层，分别为输入层141、预处理层142、隐含层143和输出层144。这些层可以由计算机可执行程序实现。

在一个实施例中，各层神经元个数按如下方法确定：设置无机废水的水质指标有R项，则输入层的神经元数等于进出水(废水与回用水)的各项水质指标数之和，为2R个；预处理层的神经元是按进出水指标在决策时的不同条件区段划分而定(以下详述)；而隐含层的神经元数可取预处理层节点数的二倍；输出层的神经元数等于专家方案数为S个。

由于不同功能的专家方案仅与不同部分进出水指标相关，在一个实施例中，为了提高神经网络的学习速度和简化网络结构，可根据关联的进出水指标分类将一个大网络分割成多个子网络，从而生成一个规模为多子网络的专家诊断决策模块。

举例来说，当有13个方案仅与2个进出水指标有关时，如表一所示，则可建立的一个输入层为2个神经元(即进水电导率和出水电导率)，输出层为13个神经元(即13个方案)的四层前向子网络。由于不同的工艺方案对应不同进出水指标的不同范围，将表一中进水电导率从0至2999μm/cm分为0-199、200-399、400-999、1000-2999共4个区段，出水电导率从0.2至19分为0.2-0.9、1-9、10-19共3个区段。若子网络仅取进水电导率和出水电导率为输入层141的2个神经元时，则预处理层142神经元个数取区段之和为7个，而取隐含层143的神经元数为14个。其它子网络设计以此类推。

表一  专家方案规则表

承接上述，当模块存在多个子网络时，可以类似并行联接的方式进行连接。图9示出具有多个子网络的专家诊断决策模块的神经网络结构图。此专家诊断决策模块210的总输入层211的输入量为全部的进出水指标参数，总输入层211各神经元的输入分别连接各个进出水指标参数。各个子网络2121-212n的输入又连接包含与之有关进出水指标参数的输入层211的神经元输出。各个子网络可具有类似图2所示的结构，包括输入层、预处理层、隐含层和输出层。模块总输出层213的输出量为全部方案号，总输出层213各神经元的输出对应为各方案号。而各个子网络的输出又连接与这些子网络有关的方案号所对应的那些总输出层神经元的输入。从而实现一个规模为多子网络的专家诊断决策模块。

下面以图8所示的单个网络为例，描述专家诊断决策模块140的推理机制。

专家诊断决策模块140采用正向推理方法，由进出水(废水与回用水)的各项水质指标作为系统的输入，经神经网络前向传播进行推理，计算的网络输出即决策方案号。具体正向推理方法如下：

输入层141作为模块接口，输入层的各神经元采用线性激励函数，输入输出直接为进出水(废水与回用水)的包含各项水质指标的第一向量X＝{x₁，...，x_i，...，x_2R}，i为自然数，2R为输入水质指标个数。

预处理层142是将输入层141的输出x_i按要求进行分区段处理。为了克服学习中的s型函数的饱和现象，将不同范围的进出水参数值进行归一化处理，采用0-1-0矩型激励函数为：

$y_j=\left\{\begin{array}{cc}0& x_i<a\\ 1& a\&le;x_i<b\\ 0& x_i\&le;b\end{array}\right.---\left(1\right)$

式中a、b为门限值，由具体的方案规则而定。

因此每一水质指标x_i均可分为一个或多个归一值y_j，从而得到第二向量Y＝{y₁，...，y_j，...，y_T}，j＝1，2，...，T。T为预处理层142的神经元数量，其取决于分区段处理。

隐含层143的神经元输入为所有预处理层输出的加权之和：

$z_k=\underset{j}{\mathrm{\&Sigma;}}{w}_{\mathrm{jk}}{y}_j---\left(2\right)$

其中w_jk为第一加权值，所有w_jk组成第一加权值矩阵W₁。w_jk初始值可以任意设定。经过后述的神经网络的学习之后，w_jk将趋近于准确。k＝1，2，...，2T。2T即为隐含层的神经元数量。需要指出的是，隐含层143的神经元数量并不限定为预处理层的2倍。

隐含层143的神经元输出采用非线性函数，例如常用的Sigmoid激励函数(也称S型函数)：

$z_k^{\&prime;}=f\left(z_k\right)=\frac{1}{1+e^{-z_k}}---\left(3\right)$

隐含层143的所有输出z′_k组成第三向量Z。

在另一例子中，隐含层143的神经元输出还可采用径向基函数。

输出层144的神经元的输出为：

$a_l=\underset{k}{\mathrm{\&Sigma;}}{w}_{\mathrm{kl}}{z}_k^{\&prime;}---\left(4\right)$

其中w_kl为第二加权值，所有w_kl组成第二加权值矩阵W₂。w_kl初始值可以任意设定。经过后述的神经网络的学习之后，w_kl将趋近于准确。

可通过阈值型激励函数，进一步使输出层144的神经元的输出为：

$a_l^1=\left\{\begin{array}{cc}1,& a_l>c\\ 0,& a_l\&le;c\end{array}\right.---\left(5\right)$

式中c为阈值，可取0.8-0.9之间。这些输出a_l ¹组成第四向量A，其中l＝1，2，...，S，S为输出层的神经元数量，也是模块的专家方案数量。对于各个神经元输出a_l ¹，l＝1，2，...，S，如果a_l ¹＝1，表示选择了对应的专家方案号。a_l ¹越接近于1，可认为对应的专家方案号越可靠。

容易理解的是，对于如图9所示的具有多个子网络的模块，其子网络的推理机制是类似的。差别仅在于，各子网络只是从网络的总输入层中取与之有关的部分水质指标进行上述的推理，同时输出相应的专家回用方案至网络的总输出层中相关的神经元上。

下面将描述神经网络专家诊断决策模块的专家知识库的建立，专家知识库的建立包括知识获取与知识存储两个过程。

1)知识的获取

知识的获取表现为训练样本的获取与选择。根据已有的专家决策结果，列出进水指标与出水指标与水处理工艺方案的对应关系(即专家规则方案)，可生成神经网络的输入训练阵P与输出训练阵T。

设专家规则方案表如前述表一所示，表中有二个条件项目：进水电导率与出水电导率指标，分别分为4个区段与3个区段，水处理工艺方案有13个。若专家规则方案表中有13条规则，其中规则1为：进水电导率指标条件400-2999落在第3分区，出水电导率指标条件0.2-9跨第1、2二个分区，对应结果方案为1号。则对应神经网络训练阵P与T阵的行列数据如下表二所示。

表二

P阵	T阵
			进水电导率分区	出水电导率分区	结果方案号
1234	12	12345678910111213
			0010	10	1000000000000
0010	01	10000000000000
			......	......	......

将其它所有可能的情况都进行类似处理，注意保证专家规则的完备性和可扩充性，从而生成训练用的P阵和T阵。

2)知识的存储

神经网络专家诊断决策模块的专家决策知识存储是隐式地分散存储在神经网络各神经元连接权值和阈值中。知识的存储过程就是神经网络的学习过程。

根据设计生成的神经网络结构，专家决策的神经网络可学习调整的参数为隐含层的权值w_jk与输出层的权值w_kl。采用误差反向传播的δ学习算法，调整各层间的权值，可推导出神经网络的学习算法如下：

设神经网络第a_l ¹输出与相应期望输出a_l ⁰的误差为：

$e_l=a_l^0-a_l^1---\left(6\right)$

第p个样本的误差性能指标函数为：

$E_p=\frac{1}{2}\underset{l=1}{\overset{N}{\mathrm{\&Sigma;}}}{e}_l^2---\left(7\right)$

其中N为网络输出层的神经元个数。

根据梯度下降法，权值的学习算法如下：

输出层及隐含层的连接权值学习算法为：

$\mathrm{\&Delta;}{w}_{\mathrm{kl}}=-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{kl}}}=-\mathrm{\&eta;}\&CenterDot;e_l\&CenterDot;\frac{\&PartialD;a_l}{\&PartialD;w_{\mathrm{kl}}}=-\mathrm{\&eta;}\&CenterDot;e_l\&CenterDot;z_k^{\&prime;}---\left(8\right)$

t+1时刻网络的权值为：

w_kl(t+1)＝w_kl(t)+Δw_kl(t+1)    (9)

隐含层及预处理层连接权值学习算法为：

$\mathrm{\&Delta;}{w}_{\mathrm{jk}}=-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{jk}}}=-\mathrm{\&eta;}\&CenterDot;e_l\&CenterDot;\frac{\&PartialD;a_l}{\&PartialD;w_{\mathrm{jk}}}---\left(10\right)$

其中

$\frac{\&PartialD;a_l}{\&PartialD;w_{\mathrm{jk}}}=\frac{\&PartialD;a_l}{\&PartialD;z_k^{\&prime;}}\&CenterDot;\frac{\&PartialD;z_k^{\&prime;}}{\&PartialD;z_k}\&CenterDot;\frac{\&PartialD;z_k}{\&PartialD;w_{\mathrm{jk}}}=w_{\mathrm{kl}}\&CenterDot;z_k^{\&prime;}(1-z_k^{\&prime;})\&CenterDot;y_j---\left(11\right)$

k+1时刻网络的权值为：

w_jk(k+1)＝w_jk(k)+Δw_jk(t+1)    (12)

如果考虑上次权值对本次权值变化的影响，加入动量因子，此时的权值为：

w_kl(k+1)＝w_kl(k)+Δw_kl(t+1)+α(w_kl(k)-w_kl(k-1))    (13)

w_jk(t+1)＝w_jk(t)+Δw_jk(t+1)+α(w_jk(t)-w_jk(t-1))    (14)

其中η为学习速率，α为动量因子。取α∈[0，1]η∈[0，1]。

由根据专家规则表生成的训练阵P与T阵，神经网络经过5000次训练学习，误差指标函数可达到E＜0.02，此时完成神经网络专家知识库的建立。经由训练后神经网络的推理决策，其输入输出关系与专家规则方案表的要求达到完全一致。将训练后神经网络嵌入专家诊断决策模块中，运行结果与期望可达到一致。

因此，上述的神经网络专家诊断决策模块，可以根据输入水质指标(即废水水质指标)和输出水质指标(即回用水水质指标)进行运算，输出废水处理方案。

上述的初步的废水处理方案会输出给自动控制模块130，由自动控制模块130控制试验设备110形成相应的设备组合，以便执行废水处理工艺，并获得回用水的实际水质指标。回用水的实际水质指标与回用水的要求水质指标会输入数据分析模块160，进行实际处理效果的分析和处理结果的评估。如果处理效果能够达到预期标准，则根据专家诊断决策模块140得到的方案为系统得出的解决方案。如果处理效果不理想，则在专家诊断决策模块140得到的其它方案再进行试验，并且进行对比得出合理的最佳方案。这样反复进行，直到得到满意的解决方案为止。另外，还可以根据分析和评估结果对专家知识库120中的废水处理方案进行修改，产生优化的废水处理方案方案，并作为新的方案储存在专家知识库中，同时提供给企业参考。

试验过程中的经验数据都积累到专家知识库150中，专家知识库150对专家诊断决策模块140提供优化方案数据资源，以对其进行补充完善，不断增加专家诊断决策模块的可靠性。

在实际应用中，自动控制模块130、专家诊断决策模块140均可为安装于同一计算机的软件，可以实现专家诊断决策模块140与自动控制模块130的链接，进一步提高现场试验的效率。

本实用新型的废水资源化移动试验车可为那些有废水资源化回收利用意愿，但又因缺乏技术和经济可行性依据而举棋不定的企业提供了现场试验服务，为这些企业的投资决策提供颇有价值可行性方案。下面举若干的应用例进行说明：

应用例一：

某种铝氧化生产中产生的零件清洗废水，废水偏酸性，电导率800μS/cm左右，目前作为废水处理，没有回收利用，因此希望能够回收利用此废水，要求回用水电导率优于自来水的水平。据此要求，首先将废水水质参数和回用水质指标等资料输入计算机中的专家诊断决策模块140界面，获得输出的“电渗析”和“反渗透”两个试验方案。根据试验方案移动试验车在生产现场以实际生产中产生的废水进行了两组实验，其试验流程分别为：

电渗析方案为：原水→pH调节→多介质过滤→活性炭过滤→精密过滤→电渗析→回用。此方案的设备组合示意图请参照图3。

反渗透方案为：原水→pH调节→多介质过滤→活性炭过滤→加药→精密过滤→超滤装置→一级反渗透→回用。此方案的设备组合示意图请参照图4。

表三示出两种方案的试验结果。两组试验的结果表明，反渗透方案在技术指标方面明显优于电渗析方案，而经济指标方面两者差别不大。表格中是试验得出的两种方案关键技术参数的比较。综合考虑技术和经济的可行性，采用反渗透方案是更佳的选择。

表三  试验技术数据比较

方案	方案一(电渗析)	方案二(反渗透)	备注
				脱盐率(％)	68.7	98.46
回收率(％)	41	50	电渗析采用浓水循环，废水回收率可以提高到65％左右。生产规模的反渗透可以达到70％的回收率。
				回用水质(μS/cm)	223	9

应用例二：

采用反渗透(RO)技术生产纯水的工艺中，每天有大量含盐量较高的浓水作为废水排放，为节约用水，期望回用这部分水。移动专家系统进行了现场试验。通过计算机控制将阀门自动切换到二级反渗透试验流程：

RO浓水→多介质过滤→活性炭过滤→加药→精密过滤→超滤→一级反渗透→二级反渗透→纯水回用。此方案的设备组合结构示意图请参见图5。

试验数据表明电导率超过1000μS/cm的RO浓水经过以上试验流程处理后出水电导率可以达到5μS/cm左右，符合纯水标准，采用此方案既可为纯水生产企业节约自来水又可扩大纯水产能。

应用例三：

某种废水经处理后达到排放标准，但含盐量较高，电导率超过5000μS/cm，不能重复回用。根据回用水的水质要求，专家诊断决策模块140输出一级反渗透的试验方案，自动控制模块130根据方案转换试验流程为：

废水→多介质过滤→活性炭过滤→精密过滤→超滤→一级反渗透→回用。此方案的设备组合结构示意图请参见图6。

试验结果表明电导率5000μS/cm的生产废水经过处理后电导率可以下降到180μS/cm，脱盐率达到96％以上，水质好于自来水。

应用例四：

移动专家系统为某种酸性镀铜废水回用进行了现场试验。该种废水pH值2左右，含有铜离子，废水回用要求主要是降低废水中的铜离子浓度，保持回用水pH近中性。移动专家系统的基本试验流程并未包括此类废水。由于试验设备的设计考虑到了废水回收范围的扩展性，因此在做了少量改进之后开发了新的试验流程。试验流程为：

酸性镀铜废水→pH调节→多介质过滤→活性炭过滤→铜离子交换→铜离子交换→回用

基础试验流程的更改之处在于将原阳离子交换床122的强酸性阳离子交换树脂和阴离子交换床123的强碱性阴离子交换树脂换成能够吸附铜离子的树脂。酸性含铜废水经过pH调节装置后按流程进入更换了树脂的交换树脂床122、123，99％以上铜离子被吸附，出水浓度小于0.5mg/l，返回生产线回用。

综上所述，本实用新型的无机废水资源化移动专家系统改变了传统的废水资源回收技术方案的获取方式，不再凭个人经验或依赖少量废水的实验室小试结果来制定实施方案。硬件和软件完善的移动试验车可以不受地域限制，方便地进入生产现场以实际废水为对象进行优化试验，最终为企业提供有价值的废水资源化技术和经济可行性方案。

另外，本实用新型利用人工神经网络技术优秀的自学习自适应能力，网络分布储存知识，并行运算特性和优越的非线性映射能力，实现废水处理方案的自动决策。由于神经网络专家系统在一定程度上克服了一般专家系统的知识获取问题、学习能力较差、知识的“窄台阶效应”即容错性差和知识存贮容量与运行速度的矛盾等瓶颈问题，从而进一步提高专家系统学习能力和处理大型复杂问题的能力，使知识库具有良好的可扩充性，系统的运行具有更高的可靠性。

虽然本实用新型已以较佳实施例揭示如上，然其并非用以限定本实用新型，任何本领域技术人员，在不脱离本实用新型的精神和范围内，当可作些许的修改和完善，因此本实用新型的保护范围当以权利要求书所界定的为准。

Claims (5)

1.一种无机废水资源化移动专家系统，其特征在于包括：

移动车本体，包括置于一运输底盘上的厢体；

试验设备，适于形成多种设备组合，其中每一设备组合按照至少一种废水处理工艺在所述厢体内进行废水处理；

自动控制模块，依据废水处理方案控制所述试验设备形成相应的设备组合并使所述设备组合执行废水处理工艺；以及

专家诊断决策模块，依据废水水质指标以及回用水水质指标确定并输出至少一废水处理方案至所述自动控制模块。

2.如权利要求1所述的无机废水资源化移动专家系统，其特征在于，所述试验设备包括以下部件的至少一部分：水质监测仪器与仪表、pH调节设备、预处理设备、离子交换处理设备、膜分离设备、加药设备。

3.如权利要求1所述的无机废水资源化移动专家系统，其特征在于，所述自动控制模块通过自动阀切换所述试验设备形成所述设备组合。

4.如权利要求1所述的无机废水资源化移动专家系统，其特征在于，还包括数据分析模块，比对处理后的水质与回用水水质指标并提供分析结果。

5.如权利要求1所述的无机废水资源化移动专家系统，其特征在于，所述自动控制模块和所述专家诊断决策模块结合于一计算机中。

Images