基于机器学习的膜污染预警方法及其装置制造方法及图纸

本发明专利技术涉及一种基于机器学习的膜污染预警方法，其使用基于机器学习构建的膜污染预测模型，能够自动基于待膜处理水的进水水质参数预测并且输出在不同时刻下用于表征膜污染程度的电化学信息值，并从中获取时刻t的电化学信息值Z

【技术实现步骤摘要】
基于机器学习的膜污染预警方法及其装置


[0001]本专利技术涉及膜污染
，特别涉及一种基于机器学习的膜污染预警方法及其装置。

技术介绍

[0002]膜处理在水处理中承担的作用越来越重要，但是膜污染问题影响着其在水处理中的应用。尽管膜处理过程中进水的预处理工艺已经十分成熟，但是膜污染的发生仍是不可避免地，随着膜污堵地逐渐加剧，膜组件的膜通量就会受到影响，当膜段间的压差累积到设定阈值时，则需要对膜处理系统的膜组件进行停机化学清洗，这直接影响着膜处理系统的运行效率。因此，需要对膜处理装置的污堵的预警就显得尤为重要。
[0003]现有技术中，对膜处理装置的污堵进行预警的常用方法是：设置若干传感器，在膜组件运行过程中采集大量的运行数据，通过对数据分析以判断膜通量的污堵或者段间压差达到阈值或极限，然后进行停机化学清洗。但这种方法具有明显的滞后性，有时可能在膜组件的污染情况已经很严重时才能发现问题，而此时膜组件的运行工况已经受到影响。
[0004]因此，如何在膜组件被污堵前进行提前预警以延缓膜组件的污堵趋势就显得尤为重要。

技术实现思路

[0005]有鉴于此，本专利技术实施例的目的在于提供一种膜污染预警方法，其使用基于机器学习构建的膜污染预测模型，能够自动基于待膜处理水的进水水质参数预测(或称“识别”)并且输出在不同时刻下用于表征膜污染程度的电化学信息值，然后基于膜污染预测模型输出的电化学信息值进行计算并判断相应的污染级别，并且进行预警提示，进而有利于及时对膜污染的情况进行预先了解以提前处理，维护膜污染处理系统的正常运转，延缓膜组件污堵的趋势，增加膜组件的运行周期。
[0006]本专利技术第一方面公开了一种基于机器学习的膜污染预警方法，所述方法包括以下步骤：
[0007]基于机器学习构建膜污染预测模型，所述膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值；
[0008]设定预警时间间隔Δt；
[0009]基于进水水质参数，通过构建好的所述膜污染预测模型预先输出膜处理系统在不同时刻下的电化学信息值，从中获取时刻t的电化学信息值Z
t
和t+Δt时刻的电化学信息值Z
t+Δt
；
[0010]计算预警判定公式E的数值：
[0011][0012]当0<E<0.2时，判定为正常；当0.2≤E<0.4时，判定膜处理系统发生轻微污染，对应
轻微污染预警级别；当E≥0.4时，判定膜处理系统发生严重污染，对应严重污染预警级别；
[0013]根据判定的预警级别发出预警信号。
[0014]在上述实现过程中，首先根据机器学习进行膜污染预测模型的构建，其中能够将待膜处理水的进水水质参数作为膜污染预测模型的输入，膜污染预测模型基于输入的进水水质参数能够预测并且输出不同时刻下用于表征膜处理系统污染程度的电化学信息值，其中，电化学信息值包括阻抗模值和/或界面电阻值与电容值。得到不同时刻下的电化学信息值后，从中获取某一时刻t的电化学信息值和t+Δt时刻的电化学信息值，然后根据预警判定公式进行计算数值，进而得出相应的污染级别，从而发出预警信号。
[0015]本专利技术的膜污染预警方法，通过膜污染预测模型能够在刚开始进水阶段就了解到膜处理系统将要发生污染的级别及相应时刻，即，在相应膜处理系统发生实时污染之前就能够对膜污染发生的可能性进行预测和提前预报，从而帮助膜污染系统的操作人员提前准备相关操作，以维护膜污染系统对水处理的正常运行。
[0016]进一步地，在根据判定的预警级别发出预警信号的步骤中，包括：
[0017]对通过膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理，从中获取轻微污染预警级别和严重污染预警级别将要出现的对应时间节点T
轻微
和T
严重
；
[0018]在所获取的时间节点T
轻微
和/或T
严重
到来之前的时刻T
预警
处发出预警信号。
[0019]在上述实现过程中，最终的预警信号是在模型预测的污染级别的相应时间节点将要到来之前一段时间的时刻处发出的，即时刻T
预警
，其能够发生在时间节点T
轻微
之前，或者T
严重
到来之前，或者在时间节点T
轻微
之前和T
严重
到来之前的时刻T
预警
处均能发生。相关技术人员容易理解的是，时刻T
预警
距离时间节点T
轻微
和T
严重
具有一个时间间隔(或称“时间长度”)。
[0020]而关于时间节点T
轻微
和T
严重
的获取，能够通过膜污染预测模型的输出数据或者借助于数据处理单元直接获得，因为如前所述，膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值，根据输出的与轻微污染级别和严重污染级别相关的电化学信息值就可以反推获得其相应的时间节点。
[0021]进一步地，本专利技术的方法还包括以下步骤：
[0022]获取膜处理系统中膜组件清洗的最短清洗周期D
清洗周期
；所谓“获取膜处理系统中膜组件清洗的最短清洗周期D
清洗周期”能够依据既往水厂运行经验及膜通量、脱盐率和压力差变化等运行参数进行计算处理获得，也能够基于水厂工作人员预设好的最短清洗周期D
清洗周期
进行直接获取，其能够通过现有技术手段实现，在此不做限定；
[0023]对通过膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理，获取严重污染预警级别所出现的对应时间节点T
严重
，从零时刻到T
轻微
‑
预警
、T
严重
‑
预警
的时间区段依次记为D
轻微
‑
预警
、D
严重
‑
预警
；
[0024]当最短清洗周期D
清洗周期
大于严重污染预警时间区段D
严重
‑
预警
，则判断为无需对相应进水进行预处理；
[0025]当最短清洗周期D
清洗周期
小于严重污染预警时间区段D
严重
‑
预警
，则判断为需对相应进水进行预处理，且在预处理后，再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间区段D
严重
‑
预警
，直到最短清洗周期D
清洗周期
大于严重污染预警时间区段D
严重
‑
预警
。
[0026]膜组件清洗的最短清洗周期能够根据处理方(例如水厂)可承受的运行成本进行计算得出，这能够通过现有技术实现在此不再赘述。在计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的膜污染预警方法，其特征在于，包括以下步骤：基于机器学习构建膜污染预测模型，所述膜污染预测模型能够基于进水水质参数输出不同时刻下用于表征膜处理系统污染程度的电化学信息值；设定预警时间间隔Δt；基于进水水质参数，通过构建好的所述膜污染预测模型预先输出膜处理系统在不同时刻下的电化学信息值，从中获取时刻t的电化学信息值Z
t
和t+Δt时刻的电化学信息值Z
t+Δt
；计算预警判定公式E的数值：当0<E<0.2时，判定为正常；当0.2≤E<0.4时，判定膜处理系统发生轻微污染，对应轻微污染预警级别；当E≥0.4时，判定膜处理系统发生严重污染，对应严重污染预警级别；根据判定的预警级别发出预警信号。2.根据权利要求1所述的基于机器学习的膜污染预警方法，其特征在于，在所述根据判定的预警级别发出预警信号的步骤中，包括：对通过所述膜污染预测模型预测所得到的不同时刻下的电化学信息值进行处理，从中获取轻微污染预警级别和严重污染预警级别将要出现的对应时间节点T
轻微
和T
严重
；在所获取的时间节点T
轻微
和/或T
严重
到来之前的时刻T
预警
处发出预警信号。3.根据权利要求1所述的基于机器学习的膜污染预警方法，其特征在于，所述方法还包括以下步骤：获取膜处理系统中膜组件清洗的最短清洗周期D
清洗周期
；获取轻微污染预警级别相对应的预警信号待发出的时刻T
轻微
‑
预警
和严重污染预警级别相对应的预警信号待发出的时刻T
严重
‑
预警
，从零时刻到T
轻微
‑
预警
、T
严重
‑
预警
的时间区段依次记为D
轻微
‑
预警
、D
严重
‑
预警
；当最短清洗周期D
清洗周期
大于严重污染预警时间区段D
严重
‑
预警
，则判断为无需对相应进水进行预处理；当最短清洗周期D
清洗周期
小于严重污染预警时间区段D
严重
‑
预警
，则判断为需对相应进水进行预处理，且在预处理后，再次借助于膜污染预测模型获取严重污染预警级别出现的对应时间区段D
严重
‑
预警
，直到最短清洗周期D
清洗周期
大于严重污染预警时间区段D
严重
‑
预警
。4.根据权利要求1
‑
3中任一项所述的基于机器学习的膜污染预警方法，其特征在于，在所述基于机器学习构建膜污染预测模型的步骤中，包括：获取在不同进水水质条件下进水样本的进水水质参数，以形成进水水质参数样本集；获取在前述不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集，以形成电化学信息值样本集；将获取的进水水质参数样本集与所述电化学信息值样本集联合，以建立联合样本集；基于联合样本集，对其中的进水水质参数进行特征化表征，以提取进水水质参数中引起膜处理系统的电化学信息值随时间发生显著性变化的关键水质因素；将提取出的关键水质因素和时刻作为自变量，将与各个时刻相对应的、用于表征膜处理系统污染程度的电化学信息值作为因变量，对原始模型进行训练；
对经训练得到的模型进行模型评估，以获得所述膜污染预测模型。5.根据权利要求4所述的基于机器学习的膜污染预警方法，其特征在于，所述电化学信息值为阻抗模值，或者，所述电化学信息值为界面电阻值和电容值；当所述电化学信息值为阻抗模值时，在所述获取在不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集的步骤中，包括：采用电化学工作站监测并且获取膜处理系统中膜组件在不同频率情况下随时间变化的阻抗数据；基于电化学工作站获取的在不同频率情况下的阻抗数据，将各时刻各频率所得阻抗模值与监测得到的膜组件参数进行相关性判别分析，以获得判别系数r2>0.9的阻抗模值所对应的频率；通过电化学工作站在判别系数r2>0.9的所述频率下进行定频测量，得到定频测量下阻抗模值随时间变化的阻抗模值数据集，作为所述电化学信息值样本集；当所述电化学信息值为界面电阻值和电容值时，在所述获取在不同进水条件下相应膜处理系统的电化学信息值随时间变化的数据集的步骤中，包括：采用电化学工作站监测并且获取膜处理系统中膜组件在不同频率情况下随时间变化的阻抗数据；根据电化学工作站获取的在不同频率情况下的阻抗数据，建立等效电路模型；根据等效电路模型确立代表膜外污染层和膜材料本体的电路元件的界面电阻值和电容值随时间变化的电化学元件信号数据集，作为所述电化学信息值样本集。6.根据权利要求5所述的基于机器学习的膜污染预警方法，其特征在于，在所述对经训练得到的模型进行模型评估，以确定所述膜污染预测模型的步...

【专利技术属性】
技术研发人员：韩乐，邹婷，刘剑，周鹭，张淏泉，姚婧梅，
申请(专利权)人：重庆大学，
类型：发明
国别省市：