【技术实现步骤摘要】
本专利技术涉及水处理，具体涉及一种基于全连接神经网络的智能加药技术。
技术介绍
1、混凝处理是水厂制水过程中保证水质安全的最重要环节之一。在混凝、絮凝和沉淀过称中，投加过量混凝剂不仅增加成本，还可能会发生“胶体保护”现象而使得混凝沉淀效果变差，从而影响出水水质。传统的药剂投加方式往往采用人工控制，如：“经验法”、“成浊度-药耗对照表法”、“烧杯实验法”等，通过取水流量和进厂水浊度的变化不断调整投药量，降低浊度，保证出水水质达到标准要求，但不可避免地存在投药浪费、人工管理成本高等问题。因此，精准投药是水厂保证水质达标前提下，降低成本的有效措施。
2、在精准投药方面，自动投药控制系统在我国已经有了较为广泛应用，主要分为三种类型。一是简单反馈控制系统，利用pid反馈控制方式控制投药量，但因为混凝沉淀过程的复杂性，控制对象受环境因素影响波动大，投加处理效果不佳。二是前馈控制系统，一般是根据原水的特性参数(如浊度、ph值等)建立与投药量之间的线性回归数学模型。如某矿区自来水水厂处理矿井尾水采用双闭环调节与前馈控制系统，设计对混凝剂投加和絮凝剂投加分别进行控制的多参数控制方案，以有效抑制原水量、浊度等参数突变造成的扰动作用。但是模型精度和可靠性同样难以保证，且容易受到水质变化的影响。三是以前馈－反馈控制系统为代表的复合控制系统，不仅能由前馈控制及时补偿主要干扰，还能由反馈控制校正，从而提高控制精度。如：在某水厂中试基地的加药控制中进行了前馈+反馈控制系统的实时实验，结果表明，复合控制系统比前馈控制效果更为优越。但自动投药控制系统
3、近年来智能化成为加药系统的热点研究方向，在自动投药控制系统的基础框架上，增加以神经网络控制、模糊控制等为主的算法，形成具有自学习能力的模型，对非线性、时滞性的复杂混凝过程具有较好的模拟能力，基于大数据的智能系统相较于自动投药控制更不容易出现偏差，能够适应在实际应用中的多种环境。
技术实现思路
1、本专利技术的目的在于提供一种基于全连接神经网络的智能加药技术，以全连接神经网络为核心的智能加药系统通过对大量数据的积累和学习，能够不断提高水厂混凝工艺中加药量预测精准度，降低人工控制强度，最终实现系统的智能控制。
2、本专利技术的目的可以通过以下技术方案实现：
3、一种基于全连接神经网络的智能加药技术，包括以下步骤:
4、步骤一、通过加药工艺的调研，初步筛选可能影响控制目标的影响因子，收集这些影响因子的历史生产数据作为模型样本数据，并对样本数据进行整理、清洗；
5、步骤二、借助部分阿里云的云原生ai平台对清洗后的样本数据进行特征工程分析；
6、步骤三、根据特征工程分析结果确定出模型的影响因子；
7、步骤四、对于生产样本数据，通过曲线图图表工具人工评估加药量的合理性，并对加药量进行批量打标修正；
8、步骤五、样本数据经清洗达标后即可进行模型训练和超参调整；
9、步骤六、模型训练完成后，将生产环境中相关影响因子输入模型进行模拟预测，通过与人工投加的模拟预测投加测试评估模型的投加效果；
10、步骤七、模型经模拟预测评估后方可投产，投产前需制定好人工介入机制；
11、步骤八、模型投产后，需持续观察投加量与出水浊度，若模型预测加药量无法保证沉淀池出水浊度达标或者存在过量投加的情况，需返回步骤四进行样本数据打标、模型训练和超参调整。
12、作为本专利技术进一步的方案：所述影响因子为在保证水质前提下影响混凝剂投加量的13个因子，包括包括聚合铝铁投加量(dos i ng)、进水浊度(i nntu)、进水流量(f low)、出水浊度(outntu)、水温(temperature)、进水cod(cod)、进水电导率(conduct i vity)、进水ph值(ph)、进水溶解氧(do)、进水氨氮(nh3-n)、进水锰离子(mn)、次氯酸钠投加量(naoc l)、三氯化铁(fec l 3)。
13、作为本专利技术进一步的方案：步骤三中确定影响因子的具体方法为：聚合铝铁投加量与三氯化铁投加量、进水锰离子、进水溶解氧、进水电导率呈负相关，其中，与三氯化铁投加量相关性最高，相关系数为-0.79，进水电导率次之，为-0.53，与其他因子的相关系数绝对值均不超过0.2，相关性较低；三氯化铁投加量与次氯酸钠投加量、进水氨氮、进水ph值、进水cod、水温、出水浊度、进水流量、进水浊度呈正相关，其中，与进水浊度相关性最高，相关系数为0.7，出水浊度次之，为0.48，与其他因子的相关系数均小于0.2，相关性较低。
14、作为本专利技术进一步的方案：步骤四中对加药量进行批量打标修正具体方法为：出水浊度要求指标＜1ntu，图示时间区域内的出水浊度处在0.6ntu，人工存在过量投加的情况，考虑到混凝剂投加存在2～5小时的反应滞后，对图示时间区域前2.5小时前开始的投加量进行打标，根据经验投加量减10l/h。
15、作为本专利技术进一步的方案：步骤五中采用全连接神经网络作为模型主要算法。
16、作为本专利技术进一步的方案：所述全连接神经网络由多个相互连接的层组成，每一层都由大量的神经元组成，通过大量数据训练来学习得到每一个连接的权重；因此，全连接神经网络能够学习输入数据的复杂特征，并进行分类、回归等任务，同时借助部分阿里云的云原生ai平台，进行特征工程分析，对相关影响因子的历史数据进行收集、归纳与分析，利用智能算法的样本数据集进行训练；以全连接神经网络为核心的智能加药系统通过对大量数据的积累和学习，能够不断提高水厂混凝工艺中加药量预测精准度，降低人工控制强度，最终实现系统的智能控制。
17、作为本专利技术进一步的方案：步骤六中模拟预测投加效果评估接近人工或超过人工可投入生产，若模拟预测投加效果评估不理想，应返回步骤四进行样本数据重新打标、模型训练和超参调整。
18、作为本专利技术进一步的方案：步骤七中，当沉淀池出水浊度大于1.4ntu时，水厂现场应报警提醒制水人员切换为手工投加，避免最终出厂水质不达标。
19、本专利技术的有益效果：
20、(1)本专利技术以沉淀池作为加药控制对象，基于水厂运行大数据分析、人工智能技术，创造性设计了具有“原水前馈模型，沉淀出水反馈模型，过程实时检测，模型自我更新”的全连接神经网络智能加药系统，在沉淀池混凝剂的智能监测与精准投加的同时，进一步实现现代化水厂智慧、高效的管理目标。
21、(2)由于ai机器学习是基于人工历史投加经验(投加结果)进行的模型训练，人工投加人员的投加经验在一定程度上会影响智慧加药投加结果，投入生产后，持续以生产数据作为样本，对数据持续进行数据挖掘、数据开发和模型训练，可以不断提高模型预测性能指标，使加药准确度不断提高，实现替代人工，节省药耗的目的。
本文档来自技高网...【技术保护点】
1.一种基于全连接神经网络的智能加药技术，其特征在于，包括以下步骤:
2.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，所述影响因子为在保证水质前提下影响混凝剂投加量的13个因子，包括聚合铝铁投加量(Dosing)、进水浊度(InNtu)、进水流量(Flow)、出水浊度(OutNtu)、水温(Temperature)、进水COD(COD)、进水电导率(Conductivi ty)、进水pH值(PH)、进水溶解氧(DO)、进水氨氮(NH3-N)、进水锰离子(Mn)、次氯酸钠投加量(NaOCl)、三氯化铁(FeCl 3)。
3.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，步骤三中确定影响因子的具体方法为：聚合铝铁投加量与三氯化铁投加量、进水锰离子、进水溶解氧、进水电导率呈负相关，其中，与三氯化铁投加量相关性最高，相关系数为-0.79，进水电导率次之，为-0.53，与其他因子的相关系数绝对值均不超过0.2，相关性较低；三氯化铁投加量与次氯酸钠投加量、进水氨氮、进水pH值、进水COD、水温、出水浊度、进水流量、进水
4.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，步骤四中对加药量进行批量打标修正具体方法为：出水浊度要求指标＜1NTU，图示时间区域内的出水浊度处在0.6NTU，人工存在过量投加的情况，考虑到混凝剂投加存在2～5小时的反应滞后，对图示时间区域前2.5小时前开始的投加量进行打标，根据经验投加量减10L/H。
5.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，步骤五中采用全连接神经网络作为模型主要算法。
6.根据权利要求5所述的一种基于全连接神经网络的智能加药技术，其特征在于，所述全连接神经网络由多个相互连接的层组成，每一层都由大量的神经元组成，通过大量数据训练来学习得到每一个连接的权重；因此，全连接神经网络能够学习输入数据的复杂特征，并进行分类、回归等任务，同时借助部分阿里云的云原生AI平台，进行特征工程分析，对相关影响因子的历史数据进行收集、归纳与分析，利用智能算法的样本数据集进行训练；以全连接神经网络为核心的智能加药系统通过对大量数据的积累和学习，能够不断提高水厂混凝工艺中加药量预测精准度，降低人工控制强度，最终实现系统的智能控制。
7.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，步骤六中模拟预测投加效果评估接近人工或超过人工可投入生产，若模拟预测投加效果评估不理想，应返回步骤四进行样本数据重新打标、模型训练和超参调整。
8.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，步骤七中，当沉淀池出水浊度大于1.4NTU时，水厂现场应报警提醒制水人员切换为手工投加，避免最终出厂水质不达标。
...【技术特征摘要】
1.一种基于全连接神经网络的智能加药技术，其特征在于，包括以下步骤:
2.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，所述影响因子为在保证水质前提下影响混凝剂投加量的13个因子，包括聚合铝铁投加量(dosing)、进水浊度(inntu)、进水流量(flow)、出水浊度(outntu)、水温(temperature)、进水cod(cod)、进水电导率(conductivi ty)、进水ph值(ph)、进水溶解氧(do)、进水氨氮(nh3-n)、进水锰离子(mn)、次氯酸钠投加量(naocl)、三氯化铁(fecl 3)。
3.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，步骤三中确定影响因子的具体方法为：聚合铝铁投加量与三氯化铁投加量、进水锰离子、进水溶解氧、进水电导率呈负相关，其中，与三氯化铁投加量相关性最高，相关系数为-0.79，进水电导率次之，为-0.53，与其他因子的相关系数绝对值均不超过0.2，相关性较低；三氯化铁投加量与次氯酸钠投加量、进水氨氮、进水ph值、进水cod、水温、出水浊度、进水流量、进水浊度呈正相关，其中，与进水浊度相关性最高，相关系数为0.7，出水浊度次之，为0.48，与其他因子的相关系数均小于0.2，相关性较低。
4.根据权利要求1所述的一种基于全连接神经网络的智能加药技术，其特征在于，步骤四中对加药量进行批量打标修正具体方法为：出水浊度要求指标＜1ntu，图示时间区...
【专利技术属性】
技术研发人员：吴铭，杨明，刘嘉豪，丁鹏飞，左敦晨，尹翠琴，赵宇明，傅德峰，
申请(专利权)人：合肥供水集团有限公司，
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。