【技术实现步骤摘要】
本专利技术涉及污水处理领域，尤其涉及一种svi在线监测分析方法。
技术介绍
1、活性污泥法是一种污水处理工艺，指以污水中的有机污染物为基质，在溶解氧存在的条件下，通过对微生物群的连续培养，经凝聚、吸附、氧化分解、沉淀等过程去除有机物的一种方法；成熟的活性污泥应当具有以下三大特征：一是具有良好的凝聚沉降性能。二是含有大量菌胶团和纤维类原生动物。三是使污水的bod去除率达90％左右。
2、在废水处理工艺中，svi(污泥体积指数)是衡量活性污泥沉降性能的重要指标，它能较好地反映出活性污泥的松散程度和凝聚沉降性能。良好的活性污泥svi常在50～120之间，svi值过低，说明可能存在污泥活性不够，或存在水温上升、有机物负荷过低等问题。svi过高，说明可能发生污泥膨胀。目前对活性污泥性能判定指标包括：混合液污泥浓度(mlss)，污泥沉降比(sv30)，污泥指数[污泥体积指数(svi)，污泥密度指数(sdi)]，其中svi＝sv30/mlss。现有监测装置及方法仅能实现svi的在线监测，不能实现svi的在线分析。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种svi在线监测分析方法，用以解决现有svi在线监测方法不能实现svi在线分析的问题。
2、本专利技术是通过以下技术方案实现的：
3、本专利技术提供了一种svi在线监测分析方法，包括以下步骤：
4、步骤1：在云平台中构建沉降比图像识别模型，并设置水样svi基准值和/或svi阈值；
5、步骤2：实时采集待测水样，获取实时待测水样的混合液污泥浓度mlss和沉降图片；
6、步骤3：将实时沉降图片输入至云平台的沉降比图像识别模型，沉降比图像识别模型输出实时污泥沉降比sv30；
7、步骤4：利用输出的实时污泥沉降比sv30以及获取的实时待测水样的混合液污泥浓度mlss，根据svi＝sv30/mlss在线计算出实时污泥体积指数svi；
8、步骤5：将实时污泥体积指数svi和水样svi基准值或svi阈值实时进行数据对比，若实时污泥体积指数svi大于水样svi基准值或者超出svi阈值，判定数据异常情况，进行异常数据报警。
9、进一步地，步骤1中，所述沉降比图像识别模型通过以下步骤训练得到：
10、第一步：采集水样进行污泥沉降试验，拍摄沉降图片，获取样本数据，建立沉降图片训练集；
11、第二步：将沉降图片训练集输入深度学习模型进行训练，得到沉降比图像识别模型。
12、进一步地，所述拍摄沉降图片，获取样本数据，建立沉降图像训练集包括：
13、确定拍照参数：确定拍照放大倍数和拍照距离；拍照时，根据拍照距离对沉降图像区域进行自动调焦，所拍的沉降图片满足刻度完整、图片清晰；
14、采集标准图片信息：在确定的放大倍数和拍照距离下，拍摄水样在沉淀一段时间后，泥水液面分别在测量容器不同刻度下的污泥沉降图片，将沉降图片作为训练照片；
15、标记图片刻度：对采集的所有沉降图片进行标记，标记不同图片的泥水液面实际刻度读数；
16、对沉降图片进行处理：将所有沉降图片的背景、测量容器上的每一个刻度、泥水液面刻度进行二值化处理，将图片从jpg格式转化为png格式，已处理完成的沉降图片和原始沉降图片共同构成沉降图片训练集；
17、构建图像识别模型：设置深度学习模型训练的终止参数，将沉降图片训练集输入深度学习模型进行训练，深度学习模型对已处理的沉降图片进行学习，对相应的原始沉降图片进行识别，然后对比两个图片找出差异调整，直至训练的差异达到设定好的终止参数，得到训练完成的沉降比图像识别模型。
18、进一步地，步骤3中，所述沉降比图像识别模型输出实时污泥沉降比sv30包括：
19、沉降比图像识别模型识别沉降图片的背景、泥水液面、测量容器中泥水液面上方的相邻刻度；
20、根据沉降图片的像素信息，得出泥水液面和上方相邻刻度之间的距离百分比，计算出泥水液面刻度，从而计算出污泥沉降比sv30。
21、进一步地，步骤1中，所述设置水样svi基准值包括：
22、获取水样svi基准值：对待测水样的svi进行n次测量，去掉测量结果中的最大值amax和最小值amin，对剩余测量值求算平均值，平均值为水样svi基准值，水样svi基准值e＝(a1+a2+a3+…ai…+an)/n；
23、其中ai为待测水样第i次测量获得的svi，n为测量次数；
24、进一步地，步骤5包括，根据水样svi基准值预设所述svi阈值，svi阈值包括svi预警上限值和svi预警下限值，将实时污泥体积指数svi和svi预警上限值、svi预警下限值实时进行数据对比，若实时污泥体积指数svi超过预设的svi预警上限值和所述svi下限值，判定数据异常情况，进行异常数据报警。
25、进一步地，步骤5还包括：发出数据异常报警信息通知，通知可通过短信、邮件、系统内通知推送至用户。
26、进一步地，所述svi预警上限值和svi预警下限值的计算方法为：
27、a1＝e*(1+b％)，a2＝e*(1-b％)，0＜b＜100，
28、其中，e为水样svi基准值，a1为svi预警上限值，a2为svi预警下限值，b为svi预警上限值和svi预警下限值的浮动区间。
29、进一步地，所述在线监测分析方法还包括：
30、进行同一污水厂每年不同季度的同期历史数据对比分析，同区域内不同污水厂在不同季度中的同期历史数据对比分析。
31、进一步地，所述进行同一污水厂每年不同季度的同期历史数据对比分析包括：
32、获取污水厂水样污泥体积指数svi的每日历史数据，标识出同一污水厂同一水样的历史污泥体积指数svi的每月上限值和下限值；
33、测量获得当月污泥体积指数svi；
34、绘制同一污水厂每年不同季度的同期svi数据曲线，完成对比分析。
35、与现有技术相比，本专利技术至少可实现如下有益效果之一：
36、1、本专利技术方法通过在线实时读取mlss数据和沉降比图像识别模型识别沉降图片获取sv30数据，所获得的sv30数据精确度高，通过云平台的算法可实现污泥体积指数svi的自动化检测及分析应用，解决了现有svi在线监测方法不能实现svi在线分析的问题。
37、2、通过本专利技术提供的污泥体积指数svi在线分析方法，可实现污泥体积指数的在线分析与存储，可通过图表直观了解污水厂每年春夏秋冬四个季节同期的历史数据趋势，了解同地域内不同水厂在不同季度中变化趋势的数据，获得该区域污泥容积指数的基准值，解决了传统方式法分析数据不方便的问题。
38、3、通过本专利技术提供的污泥体积指数在线分析方法，可在线判断svi是否正常，实时感知数据异常情况，可提前对污水厂可及时对污水处理厂工艺参数进行调本文档来自技高网...
【技术保护点】
1.一种SVI在线监测分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的SVI在线监测分析方法，其特征在于，步骤1中，所述沉降比图像识别模型通过以下步骤训练得到：
3.根据权利要求2所述的SVI在线监测分析方法，其特征在于，所述拍摄沉降图片，获取样本数据，建立沉降图像训练集包括：
4.根据权利要求1所述的SVI在线监测分析方法，其特征在于，步骤3中，所述沉降比图像识别模型输出实时污泥沉降比SV30包括：
5.根据权利要求要求1所述的SVI在线监测分析方法，其特征在于，步骤1中，所述设置水样SVI基准值包括：
6.根据权利要求要求1所述的SVI在线监测分析方法，其特征在于，步骤5包括，根据水样SVI基准值预设所述SVI阈值，SVI阈值包括SVI预警上限值和SVI预警下限值，将实时污泥体积指数SVI和SVI预警上限值、SVI预警下限值实时进行数据对比，若实时污泥体积指数SVI超过预设的SVI预警上限值和所述SVI下限值，判定数据异常情况，进行异常数据报警。
7.根据权利要求要求6所述的SVI在线监测分
8.根据权利要求要求6所述的SVI在线监测分析方法，其特征在于，所述SVI预警上限值和SVI预警下限值的计算方法为：
9.根据权利要求要求1所述的SVI在线监测分析方法，其特征在于，所述在线监测分析方法还包括：
10.根据权利要求9所述的SVI在线监测分析方法，其特征在于，所述进行同一污水厂每年不同季度的同期历史数据对比分析包括：
...【技术特征摘要】
1.一种svi在线监测分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的svi在线监测分析方法，其特征在于，步骤1中，所述沉降比图像识别模型通过以下步骤训练得到：
3.根据权利要求2所述的svi在线监测分析方法，其特征在于，所述拍摄沉降图片，获取样本数据，建立沉降图像训练集包括：
4.根据权利要求1所述的svi在线监测分析方法，其特征在于，步骤3中，所述沉降比图像识别模型输出实时污泥沉降比sv30包括：
5.根据权利要求要求1所述的svi在线监测分析方法，其特征在于，步骤1中，所述设置水样svi基准值包括：
6.根据权利要求要求1所述的svi在线监测分析方法，其特征在于，步骤5包括，根据水样svi基准值预设所述svi阈值，svi阈值包括svi预警上限值和...
【专利技术属性】
技术研发人员：杨斌，焦赟仪，李玉宝，王张卿，
申请(专利权)人：北京金控数据技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。