一种通过神经网络实现超滤膜污染评价的方法、装置、系统制造方法及图纸

技术编号:24323279 阅读:36 留言:0更新日期:2020-05-29 17:21
本发明专利技术提供了一种通过神经网络实现超滤膜污染评价的方法、装置、系统,所述方法包括:将原始数据进行预处理,采用预处理后的数据集对神经网络模型进行训练,基于获得的神经网络模型,评价新工况下的膜污染情况。本发明专利技术采用训练后的神经网络模型给出科学的膜污染评价,一方面具有自学习功能,避免了人工经验的差别而导致运行效果、差异较大的情况;另一方面可以避免现有技术中理论公式苛刻的参数要求,高效准确地实现超滤膜污染评价。

A method, device and system for the evaluation of ultrafiltration membrane pollution by neural network

【技术实现步骤摘要】
一种通过神经网络实现超滤膜污染评价的方法、装置、系统
本专利技术涉及过滤
,更具体地涉及实时通过神经网络实现超滤膜污染评价的方法、装置、系统以及计算机存储介质。
技术介绍
随着经济社会的发展,水环境污染加剧,水源水质恶化,水中的污染物尤其是有机污染物越来越多。而传统的饮用水处理方法仅对一般的有机污染物起作用,对“两虫”、藻类的去除效果不佳,且消毒容易产生副产物。超滤(ultrafiltration,UF)技术能满足新一代饮用水净化工艺要求,去除饮用水中的“两虫”、病毒、细菌、藻类、水生生物,保障饮用水的安全性,已广泛应用于美国、日本等发达国家的城市水厂。超滤技术是介于微滤和纳滤之间的一种膜分离技术。超滤膜可截留水中绝大部分悬浮物、胶体,但无法去除溶解性小分子物质,阻碍超滤技术在饮用水处理中的应用。超滤膜是一种用于超滤过程能将一定大小的高分子胶体或悬浮颗粒从溶液中分离出来的高分子半透膜。然而据调查,就超滤而言,膜污染仍是主要问题,膜污染的消除将使超滤过程效率提高30%以上,使投资减少15%,而且能提高分离效果,是超滤范围拓宽。在这样的背景下,膜污染评价已经成为了一个重要的研究方向。现有技术中膜污染评价的思路主要是基于理论机理来进行推导得到个模型的关系式。这种方法往往只根据模型的关系式中的几个参数进行推导,对参数的要求很严格,然而实际运行中可能某些参数并没有检测,这样导致缺失一个参数的数据就无法得到最终的结果。例如,现有技术中,很多计算膜污染的关系式都有跨膜压差,而有些渗滤液处理厂为了节约成本没有安装检测设备,这就导致这种方法行不通。还有依据人工经验来判断污染程度,但是不同的运行人员操作结果的差异可能较大。因此,现有技术中对于膜污染评价可能存在不适用实际情况的问题。本专利技术专利的目的在于基于神经网络对超滤膜污染进行评价,达到膜污染预警的效果,同时该评价模型相比传统的理论机理模型以及人工经验更加具有普遍适用性。并且本专利技术专利的有益效果,一方面由于神经网络评价模型具有自学习功能,避免了人工经验的差别而导致运行效果差异较大的情况,从而提高评价的准确性,另一方面可以避免理论公式对参数的苛刻要求,易于实施。
技术实现思路
考虑到上述问题而提出了本专利技术。本专利技术提供了一种通过神经网络实现超滤膜污染评价的方法,所述方法包括:将原始数据进行预处理,采用预处理后的数据集对神经网络模型进行训练,基于获得的神经网络模型,评价新工况下的膜污染情况。本专利技术一方面由于神经网络评价模型具有自学习功能,避免了人工经验的差别而导致运行效果差异较大的情况,从而提高评价的准确性,另一方面可以避免理论公式对参数的苛刻要求,易于实施。根据本专利技术一方面,提供了一种通过神经网络实现超滤膜污染评价的方法,其特征在于,所述方法包括:步骤S1,将原始数据进行预处理,步骤S2,采用预处理后的数据集对神经网络模型进行训练,步骤S3,基于获得的神经网络模型,评价新工况下的膜污染情况。示例性地,所述步骤S1将原始数据进行预处理包括:缺失值处理、异常值处理;示例性地,所述缺失值处理的方法包括:删除法、填补法等;示例性地,在对所述异常值进行处理之前还包括:对异常值进行判别;其中,所述对异常值进行判别的方法主要包括:统计分析方法、3σ原则、箱型图分析方法等;示例性地,所述步骤S1将原始数据进行预处理还包括:数据标准化、变量筛选等;示例性地,在所述将原始数据进行预处理之前还包括:获取超滤的水质数据及其它运行数据等;示例性地,所述获取超滤的水质数据以及其他运行数据包括:获取不同工况下的数据;其中,通过采样获取所述不同工况下的数据,所述采样对应变量取距离上一次清洗时间、COD、氨氮、污泥浓度、进水流量、温度、进水压力、产水流量、浓水压力等;示例性地,所述步骤S2采用预处理后的数据集对神经网络模型进行训练进一步包括:步骤S21,将预处理后的数据集划分成训练集和测试集;步骤S22,采用训练集进行训练神经网络模型,并采用测试集来对建立的模型进行评价;步骤S23,重复S21和S22,来优化模型的参数,使模型结果达到预期,获取达到模型结果预期的模型。示例性地,所述步骤S23的所述优化模型的参数过程中包括,采用梯度下降法。其中,所述梯度下降法采用的公式如下:其中θi表示求解的待定系数,α表示步长,J(θ)表示关于θ令方差最小的损失函数。示例性地,所述获得的神经网络模型包括三层网络结构;其中,所述三层网络结构包括:输入层、隐藏层和输出层。根据本专利技术的另一方面提供一种通过神经网络实现超滤膜污染评价的装置,其特征在于,包括:预处理模块,用于将原始数据进行预处理,训练模块,用于采用预处理后的数据集对神经网络模型进行训练,评价模块,基于获得的神经网络模型,评价新工况下的膜污染情况。根据本专利技术另一方面,提供一种通过神经网络实现超滤膜污染评价的系统,所述系统包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行本专利技术的通过神经网络实现超滤膜污染评价的方法。根据本专利技术另一方面,提供了一种存储介质,在所述存储介质上存储了程序指令,在所述程序指令被计算机或处理器运行时用于执行本专利技术的通过神经网络实现超滤膜污染评价的方法的相应步骤,并且用于实现根据本专利技术实施例的通过神经网络实现超滤膜污染评价的装置中的相应模块。附图说明通过结合附图对本专利技术实施例进行更详细的描述,本专利技术的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本专利技术实施例的进一步理解,并且构成说明书的一部分,与本专利技术实施例一起用于解释本专利技术,并不构成对本专利技术的限制。在附图中,相同的参考标号通常代表相同部件或步骤。图1是用于实现根据本专利技术实施例的通过神经网络实现超滤膜污染评价的方法的示意性流程图;图2是神经网络的结构示意图;具体实施方式为了使得本专利技术的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本专利技术的示例实施例。显然,所描述的实施例仅仅是本专利技术的一部分实施例,而不是本专利技术的全部实施例,应理解,本专利技术不受这里描述的示例实施例的限制。在现有技术中,基于跨膜压差进行膜污染评价主要采用以下两种方法:第一种方法是采用公式:其中,P表示膜污染程度;Qt表示膜组件运行时间t后,单位时间产水量;Q0表示膜组件单位时间内初始产水量,prediff0和predifft分别表示膜组件运行初始膜压差和运行时间t后膜压差。而针对没有测量跨膜压差的,我们假定跨膜压差恒定情况下采用产水量来进行计算:另一种方法是采用公式:1/J′sp=1+(FI)Vsp其中J表示膜通量,单位L/(m2·h);J′sp表示相对单位膜通量,计算公式:J′sp=Jsp/Jsp0,无因次量;...

【技术保护点】
1.一种通过神经网络实现超滤膜污染评价的方法,其特征在于,所述方法包括:/n步骤S1,将原始数据进行预处理,/n步骤S2,采用预处理后的数据集对神经网络模型进行训练,/n步骤S3,基于获得的神经网络模型,评价新工况下的膜污染情况。/n

【技术特征摘要】
1.一种通过神经网络实现超滤膜污染评价的方法,其特征在于,所述方法包括:
步骤S1,将原始数据进行预处理,
步骤S2,采用预处理后的数据集对神经网络模型进行训练,
步骤S3,基于获得的神经网络模型,评价新工况下的膜污染情况。


2.如权利要求1所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,所述预处理包括:缺失值处理、异常值处理。


3.如权利要求2所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,在对所述异常值进行处理之前还包括:对异常值进行判别。


4.如权利要求1所述的通过神经网络实现超滤膜污染评价的方法,所述将原始数据进行预处理还包括:数据标准化、变量筛选。


5.如权利要求4所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,经过所述变量筛选之后确定输入参数和输出参数,其中输入参数包括:距离上一次清洗时间、COD、氨氮、污泥浓度和温度,输出参数包括:膜污染指数。


6.如权利要求5所述的通过神经网络实现超滤膜污染评价的方法,其特征在于,所述采用预处理后的数据集对神经网络模型进行训练进一步包括:
步骤S21,将所述预处理后的数据集划分成训练集和测试集;
步骤S22,采用所述训练集进行训练神经网络模型,并采用所述测试集来对建立的模型进行评价;
步骤S23...

【专利技术属性】
技术研发人员:嵇达文杨仕桥邵哲如王健生朱亮徐忻李昕王超颖钱中华王文俊
申请(专利权)人:光大环境科技中国有限公司
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 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。

1