基于制造技术

本公开涉及污泥处理技术领域，提出了一种基于

【技术实现步骤摘要】
基于AI模型含水率在线检测的污泥干化控制系统及方法


[0001]本公开涉及污泥干化控制相关
，具体的说，是涉及一种基于
AI
模型含水率在线检测的污泥干化控制系统及方法
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术
。
[0003]污泥成分复杂，污染性难以控制，因此需将污泥干化，使其减量化并最终无害化
、
资源化利用，为了达到污泥的干化效果，在干化过程中，需要对污泥的含水率进行在线检测，从而得到工艺稳定且满足含水率要求的干污泥
。
[0004]专利技术人在研究中发现，现有的污泥干化控制系统智能化不高，需要工人在处理过程中实施查看污泥的状态，通过经验调整干化设备的运行参数；对污泥的检测采用专用的污泥含水率检测装置，设备本身价格昂贵，且需要将装置的检测头伸入污泥中，检测装置在污泥这种比较恶劣的环境中容易损坏，检测装置的耗损大导致测量成本升高；并且通过污泥检测装置，这种传感测量的数据具有时滞性，检测到含水率偏离设计值再调节设备已经输出了大量的不合格污泥
。

技术实现思路

[0005]本公开为了解决上述问题，提出了一种基于
AI
模型含水率在线检测的污泥干化控制系统及方法，通过获取干化后的污泥所处的环境参数数据，对污泥的含水率进行在线检测，可取代昂贵的专业检测仪表，保证了出泥含水率检测的实时性，提高了污泥干化稳定性
。
[0006]为了实现上述目的，本公开采用如下技术方案：
[0007]一个或多个实施例提供了基于
AI
模型含水率在线检测的污泥干化控制系统，包括干污泥环境参数采集装置
、AI
检测模型和污泥干化控制模块；
[0008]干污泥环境参数采集装置，用于采集干污泥所处的环境参数数据；
[0009]AI
检测模型，被配置为对采集的环境参数数据进行序列化处理，以当前时刻的环境参数数据的时间序列数据推算得到含水率数据；
[0010]污泥干化控制模块，被配置为根据推算的含水率数据生成干化过程设备的控制参数数据，实时控制干化过程
。
[0011]所述
AI
检测模型训练过程中，对获取的历史环境参数数据以及对应的含水率进行序列处理及平移，含水率作为窗口的最后一个数据，将窗口的最后一个数据为标签作为
AI
检测模型输出，将窗口内的除标签数据外的其他数据作为输入，对
AI
检测模型进行训练
。
[0012]基于
AI
模型含水率在线检测的污泥干化控制系统的污泥干化控制方法，包括如下步骤：
[0013]获取干污泥所处的环境参数数据；
[0014]对获取的环境参数数据进行序列化处理，采用训练好的
AI
检测模型，以当前时刻的环境参数数据的时间序列数据推测得到含水率数据；
[0015]根据推测的含水率数据生成干化过程设备的控制参数数据，控制干化过程；
[0016]所述
AI
检测模型训练过程中，对获取的历史环境参数数据以及对应的含水率进行序列处理及平移，含水率作为窗口的最后一个数据，将窗口的最后一个数据为标签作为
AI
检测模型输出，将窗口内的除标签数据外的其他数据作为输入，对
AI
检测模型进行训练
。
[0017]与现有技术相比，本公开的有益效果为：
[0018]本公开中，首先将环境参数数据进行序列化处理，能够将环境参数数据转换为时间序列数据，同时数据前处理步骤中有序列平移的步骤，将窗口最后一个数据作为标签，模型训练过程中不需要标注，直接用历史数据就可以进行训练，提高了训练的效率；在基于该
AI
检测模型对污泥的含水率进行测量时，是通过环境参数数据推测污泥含水率，避免了采购专业含水率检测仪器所带来的成本问题
。
[0019]本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明
。
附图说明
[0020]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定
。
[0021]图1是本公开实施例1的系统结构示意图；
[0022]图2是传统采用含水率检测仪的检测含水率的示意图；
[0023]图3是本公开实施例1的干污泥环境参数采集装置数据采集的示意图；
[0024]图4是本公开实施例2的控制方法的流程图
。
具体实施方式
[0025]下面结合附图与实施例对本公开作进一步说明
。
[0026]应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明
。
除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义
。
[0027]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式
。
如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和
/
或“包括”时，其指明存在特征
、
步骤
、
操作
、
器件
、
组件和
/
或它们的组合
。
需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合
。
下面将结合附图对实施例进行详细描述
。
[0028]实施例1[0029]在一个或多个实施方式公开的技术方案中，如图1至图3所示，基于
AI
模型含水率在线检测的污泥干化控制系统，包括干污泥环境参数采集装置
、AI
检测模型和污泥干化控制模块；
[0030]干污泥环境参数采集装置，用于采集干污泥所处的环境参数数据；
[0031]AI
检测模型，被配置为对采集的环境参数数据进行序列化处理，以本时刻的环境
参数数据的时间序列数据推测本时刻的含水率；
[0032]污泥干化控制模块，被配置为根据预测的含水率数据生成干化过程设备的控制参数数据，控制干化过程
。
[0033]所述
AI
检测模型训练过程中，对获取的历史环境参数数据以及对应的含水率进行序列处理及平移，含水率作为窗口的最后一个数据，将窗口的最后一个数据为标签作为
AI
检测模型输出，将窗口内的除标签数据外的其他数据作为输入，对
AI
检测模型进行训练
。
[0034]本实施例中，首先将环境参数数据进行序列化处理，能够将环境参数数据转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
AI
模型含水率在线检测的污泥干化控制系统，其特征在于：包括干污泥环境参数采集装置
、AI
检测模型和污泥干化控制模块；干污泥环境参数采集装置，用于采集干污泥所处的环境参数数据；
AI
检测模型，被配置为对采集的环境参数数据进行序列化处理，以当前时刻的环境参数数据的时间序列数据推算得到含水率数据；污泥干化控制模块，被配置为根据推算的含水率数据生成干化过程设备的控制参数数据，实时控制干化过程；所述
AI
检测模型训练过程中，对获取的历史环境参数数据以及对应的含水率进行序列处理及平移，含水率作为窗口的最后一个数据，将窗口的最后一个数据为标签作为
AI
检测模型输出，将窗口内的除标签数据外的其他数据作为输入，对
AI
检测模型进行训练
。2.
如权利要求1所述的基于
AI
模型含水率在线检测的污泥干化控制系统，其特征在于：干污泥环境参数采集装置包括温度传感器和湿度传感器
。3.
如权利要求1所述的基于
AI
模型含水率在线检测的污泥干化控制系统，其特征在于：
AI
检测模型包括依次连接的输入层
、
隐藏层
、
激活函数层和输出层，输入层为
LSTM
层，隐藏层包括多个
LSTM
层，激活函数层选择
relu
函数，输出层为全连接神经网络层
。4.
如权利要求1所述的基于
AI
模型含水率在线检测的污泥干化控制系统，其特征在于，对采集的数据进行预处理，包括如下过程：对获取的环境参数数据进行数据清洗；对清洗后的数据进行标准化处理；对标准化处理后的数据进行序列化处理，将原始的温度和湿度数据转换成时间序列数据，并采用滑动窗口方法将数据划分为多个时间窗口，每个窗口包含
N
个数据点
。5.
如权利要求1所述的基于
AI
模型含水率在线检测的污泥干化控制系统，其特征在于，还包括对
AI
检测模型训练的方法，包括如下步骤：获取干污泥所处的环境参数数据以及对应的干污泥含水率，构建数据样本集；将数据集分为训练集
、
验证集和测试集；对划分后的数据样本集数据进行预处理，分别进行数据清洗
、
标准化处理，以及序列化处理后划分窗口数据后，其中序列化过程中，将含水率作为对应时刻的最后一个数据点；对序列化得到的窗口数据进行平移，将每个时间窗口的最后一个数据点作为标签，并将对应的时间窗口的数据点向前平移一位；将预处理后的数据时间窗口的数据作为输入，时间窗口最后一个数据点的含水率作为输出，输入至
AI
检测模型进行训练；基于梯度下降算法来最小化模型的预测误差，同时进行交叉验证和参数调整，直到满足预测精度，得到训练后的
AI
检测模型；使用测试集来评估训练好的
AI
检测模型的性能，根据评估结果进行模型的调整和优化
。6.
如权利要求1所述的基于
AI
模型含水率在线检测的污泥...

【专利技术属性】
技术研发人员：王军龙，王茹，管明健，梅殿臣，张文渊，田书营，
申请(专利权)人：青岛荏原环境设备有限公司，
类型：发明
国别省市：