一种人工智能混凝投药信号反馈控制方法技术

技术编号:29255613 阅读:15 留言:0更新日期:2021-07-13 17:26
本发明专利技术涉及人工智能混凝投药信号反馈控制方法,该方法对絮凝阶段的水体进行拍摄,对拍摄的图像进行预处理,并标注标签,图像和对应的标签构成训练样本,训练样本构成训练集;构建和训练卷积网络,卷积网络包括N卷积层、M池化层和Q全连接层;卷积网络各层的设置方式为:一个卷积层和一个池化层,接下来还是卷积层和二个池化层依次类推,最后是连续的Q个全连接层,采用训练集中的数据进行训练;对絮凝阶段的水体拍摄的待预测图像进行图像预处理后输入训练后的卷积网络,即可得到水体的分类结果。本方法通过人工智能方法对原始絮体图像的特征进行自主提取,避免增设额外絮体收集装置进行图像特征的人工提取,克服絮体模糊、破碎等产生的环境影响。

【技术实现步骤摘要】
一种人工智能混凝投药信号反馈控制方法
本专利技术属于环保监测
,具体涉及一种人工智能混凝投药信号反馈控制方法。
技术介绍
随着饮用水厂的运行管理精细化的要求不断提高,在保证水量水质提升的基础之上,挖掘运行系统大量数据的潜在作用,达到节能降耗的目标,实现生产上增质提效,已成为当前研究的热点问题。目前,在国内水厂自动投药方面,大部分水厂正处于起步阶段,还是通过过量投药和人工手动投药满足到出水水质要求,这种较为落后的状况与现代产、供水要求及饮水品质要求差距较大,存在药耗高、经济效益差、水质不稳定、工人劳动强度大等一系列问题。因此,混凝投药的自动化控制研究在水处理行业具有必要性。目前,前馈、反馈、复合控制是混凝投药自动化控制的基本模式。复合控制结合前馈与反馈过程,以出水浊度或中间参数作为反馈信号微调前馈给定量,从而达到整个处理工艺设计的要求,其应用广泛。反馈信号基本可划分为:电流信号、光信号与图像信号,存在的问题主要有:投药点与出水水质之间会引发时滞性问题、信号受环境干扰大、设备维护频繁等。图像信号是通过拍摄絮体图片计算絮体特征参数,作为投药调控的依据,其操作简单、成本低廉、设备维护方便,受环境条件影响小,但其不足有:图像特征抽取仍以手工提取为主,需要人工分析与计算,耗时、耗力;以絮体结构尺度为反馈信号,易受絮体破碎、模糊等影响,需增设絮体转移装置。
技术实现思路
针对现有技术存在的上述问题,本专利技术的要解决的技术问题是:如何避免环境干扰,准确预测水质的水浊度值。为解决上述技术问题,本专利技术采用如下技术方案:一种人工智能混凝投药信号反馈控制方法,包括如下步骤:S100:数据准备:采用电子摄像仪器对絮凝阶段的水体进行拍摄,对拍摄的图像进行预处理,然后根据水浊度值大小进行分类,将分类结果作为图像的标签,图像和对应的标签构成一个训练样本,所述训练样本构成训练集;S200:构建和训练卷积网络S210:构建卷积网络,所述卷积网络包括N卷积层、M池化层和Q全连接层;所述卷积层、池化层和全连接层设置方式为:一个卷积层和一个池化层,接下来继续是卷积层和二个池化层依次类推,最后是连续的Q个全连接层;S220:卷积网络的训练S221:预设迭代次数、学习效率、卷积核的大小和池化核的大小;选定激活函数和分类器;S222:将S100训练集中的训练样本输入所述卷积网络中,卷积网络输出分类的概率值,将最大概率值对应的分类作为预测分类,将预测分类与该训练样本标签之间的交叉熵作为损失值,采用梯度下降法进行反向传播对所述卷积网络中的参数进行更新;S223:将S100训练集中的训练样本输入所述卷积网络中,当迭代次数达到预设迭代次数时,训练结束得到训练后的卷积网络;S300:水体分类预测,将对絮凝阶段的水体拍摄的待预测图像进行图像预处理,再将预处理后的图像输入训练后的卷积网络,即可得到待预测图像中水体的分类结果。作为改进,所述S220中学习效率为动态调整,每30次迭代更换为初始值的0.1;所述激活函数为Relu,所述分类器为Softmax;所述卷积核大小为5,池化核大小为5。作为改进,所述S220构建的卷积网络中,采用Dropout函数克服过拟合现象,其值设置为0.5。作为改进,所述S100中图像预处理是指将图像裁剪为48x48像素大小尺度,然后归一化处理。相对于现有技术,本专利技术至少具有如下优点:1.本专利技术方法,完成絮体图像预测反馈前馈控制系统的信号目标,与传统算法显著不同:图像特征通过机器自主提取,有别于传统人工特征的选择,加速了信号反馈的速度。该方法从混凝过程的实际情况出发,掌握有效卷积特征及其有效学习机制,进一步深入掌握卷积特征的学习模型及其学习结构和调控机制,获得有效卷积网络模型及其学习效果好的内在原因。2.基于卷积网络的深度学习机制,本专利技术将实验场景中获得的模型知识迁移到生产场景中应用,探索获得的科学规律和方法机制可避免模型重头训练、节约高昂的成本花费。3.传统方法通过手工选择图像的特征,为避免运动絮体模糊、破碎带来分析的障碍,一般需要增设额外絮体收集装置进行图像特征的选取,但人工智能深度学习网络对原始絮体图像、即使存在模糊的条件下,也能够进行图像特征的自主提取,因此避免了絮体模糊、破碎等产生的环境影响。附图说明图1为一种卷积网络的框架结构,其中weight表示权值,bias表示偏差,kernel_size表示核大小,padding表示填充,stride表示步长,In_features表示输入特征大小,out_features表示输出特征大小,p表示概率。图2为传统的数据采集结构。图3为本专利技术的数据采集结构。具体实施方式下面对本专利技术作进一步详细说明。卷积网络是专门用以处理具有类似网络结构数据的深度学习神经网络,具有稀疏交互、参数共享、等变表示的特征,通过卷积运算可机器提取图像中有意义的特征,实现图像的识别分类,在计算机视觉等多个领域取得了巨大成功。通过卷积自动计算图像像素值,因此不需要图像的尺度、结构特征等参数。因此,将卷积网络应用于絮体图像的处理不会为破碎、模糊等问题进行思考,避免了絮体数据采集与分析的障碍,可望加快图像处理的速度。一种人工智能混凝投药信号反馈控制方法,包括如下步骤:S100:数据准备:采用电子摄像仪器对絮凝阶段的水体进行拍摄,对拍摄的图像进行预处理,然后根据水浊度值大小进行分类,将分类结果作为图像的标签,图像和对应的标签构成一个训练样本,所述训练样本构成训练集。S200:构建和训练卷积网络S210:构建卷积网络,所述卷积网络包括N卷积层、M池化层和Q全连接层;所述卷积层、池化层和全连接层设置方式为:一个卷积层和一个池化层,接下来继续是卷积层和二个池化层依次类推,最后是连续的Q个全连接层。S220:卷积网络的训练S221:预设迭代次数、学习效率、卷积核的大小和池化核的大小,选定激活函数和分类器。所述学习效率为动态调整,每30次迭代更换为初始值的0.1;所述激活函数为Relu,所述分类器为Softmax;所述卷积核大小为5,池化核大小为5,Padding值为2,Stride值为2。S222:将S100训练集中的训练样本输入所述卷积网络中,卷积网络输出分类的概率值,将最大概率值对应的分类作为预测分类,将预测分类与该训练样本标签之间的交叉熵作为损失值,采用梯度下降法进行反向传播对所述卷积网络中的参数进行更新。采用Dropout函数克服过拟合现象,其值设置为0.5。Dropout函数主要是通过减少训练过程中神经元的数量。由于减少了神经元数量可以提高网路的鲁棒性,避免过度拟合现象发生。过度拟合现象是指训练模型不能在测试阶段获得与训练模型一样有效的作用效果。本研究中Dropout函数仅仅用于训练过程。S223:将S100训练集中的训练样本输入所述卷积网络中,当迭代次数达到预设迭代本文档来自技高网...

【技术保护点】
1.一种人工智能混凝投药信号反馈控制方法,其特征在于,包括如下步骤:/nS100:数据准备:采用电子摄像仪器对絮凝阶段的水体进行拍摄,对拍摄的图像进行预处理,然后根据水浊度值大小进行分类,将分类结果作为图像的标签,图像和对应的标签构成一个训练样本,所述训练样本构成训练集;/nS200:构建和训练卷积网络/nS210:构建卷积网络,所述卷积网络包括N卷积层、M池化层和Q全连接层;所述卷积层、池化层和全连接层设置方式为:一个卷积层和一个池化层,接下来继续是卷积层和二个池化层依次类推,最后是连续的Q个全连接层;/nS220:卷积网络的训练/nS221:预设迭代次数、学习效率、卷积核的大小和池化核的大小;/n选定激活函数和分类器;/nS222:将S100训练集中的训练样本输入所述卷积网络中,卷积网络输出分类的概率值,将最大概率值对应的分类作为预测分类,将预测分类与该训练样本标签之间的交叉熵作为损失值,采用梯度下降法进行反向传播对所述卷积网络中的参数进行更新;/nS223:将S100训练集中的训练样本输入所述卷积网络中,当迭代次数达到预设迭代次数时,训练结束得到训练后的卷积网络;/nS300:水体分类预测,将对絮凝阶段的水体拍摄的待预测图像进行图像预处理,再将预处理后的图像输入训练后的卷积网络,即可得到待预测图像中水体的分类结果。/n...

【技术特征摘要】
1.一种人工智能混凝投药信号反馈控制方法,其特征在于,包括如下步骤:
S100:数据准备:采用电子摄像仪器对絮凝阶段的水体进行拍摄,对拍摄的图像进行预处理,然后根据水浊度值大小进行分类,将分类结果作为图像的标签,图像和对应的标签构成一个训练样本,所述训练样本构成训练集;
S200:构建和训练卷积网络
S210:构建卷积网络,所述卷积网络包括N卷积层、M池化层和Q全连接层;所述卷积层、池化层和全连接层设置方式为:一个卷积层和一个池化层,接下来继续是卷积层和二个池化层依次类推,最后是连续的Q个全连接层;
S220:卷积网络的训练
S221:预设迭代次数、学习效率、卷积核的大小和池化核的大小;
选定激活函数和分类器;
S222:将S100训练集中的训练样本输入所述卷积网络中,卷积网络输出分类的概率值,将最大概率值对应的分类作为预测分类,将预测分类与该训练样本标签之间的交叉熵作为损失值,采用梯度下降法进行反向传播对所述卷积网络中的参数进行更新;

【专利技术属性】
技术研发人员:朱国成任伯帜李晓尚袁程舒建卫黄威袁芳纪倩楠方海全
申请(专利权)人:湖南科技大学湘潭中环水务有限公司中环保水务投资有限公司
类型:发明
国别省市:湖南;43

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