反渗透膜的污染监测系统及其方法技术方案

公开了一种反渗透膜的污染监测系统及其方法

【技术实现步骤摘要】
反渗透膜的污染监测系统及其方法


[0001]本公开涉及污染监测领域，且更为具体地，涉及一种反渗透膜的污染监测系统及其方法
。

技术介绍

[0002]反渗透膜是一种能够有效分离水和溶质的膜材料，广泛应用于海水淡化
、
工业废水处理
、
饮用水制备等领域
。
然而，反渗透膜在运行过程中会受到各种有机物
、
无机物和微生物的污染，导致膜性能下降，增加运行成本和环境风险
。
因此，及时监测反渗透膜的污染状况，采取有效的清洗和恢复措施，是保证反渗透系统稳定运行的重要环节
。
[0003]目前，反渗透膜的污染监测主要依赖于人工采样和观察，这种方法耗时耗力，不能实现实时在线监测
。
因此，期待一种优化的反渗透膜的污染监测方案
。

技术实现思路

[0004]有鉴于此，本公开提出了一种反渗透膜的污染监测系统及其方法，其结合基于深度学习的人工智能技术，并通过日常操作数据中的操作压力和脱盐率数据，分析污染物的累积情况
。
[0005]根据本公开的一方面，提供了一种反渗透膜的污染监测方法，其包括：获取被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的操作压力值和脱盐率；对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵；提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图；以及基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度
。
[0006]在上述反渗透膜的污染监测方法中，对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵，包括：将所述多个预定时间点的操作压力值按照时间维度排列为操作压力时序输入向量，并计算所述操作压力时序输入向量中每两个相邻位置的操作压力值之间的差值以得到操作压力变化时序输入向量；将所述操作压力时序输入向量通过基于一维卷积神经网络模型的操作压力时序特征提取器以得到操作压力时序特征向量；将所述操作压力变化时序输入向量通过基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到操作压力变化时序特征向量；以及利用高斯混合模型来融合所述操作压力时序特征向量和所述操作压力变化时序
特征向量以得到所述多尺度操作压力特征矩阵
。
[0007]在上述反渗透膜的污染监测方法中，提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图，包括：将所述多个预定时间点的脱盐率按照时间维度排列为脱盐率时序输入向量，将所述脱盐率时序输入向量进行归一化处理以得到归一化后脱盐率时序输入向量；以及将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于
MetaNet
模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图
。
[0008]在上述反渗透膜的污染监测方法中，将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于
MetaNet
模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图，包括：将所述归一化后脱盐率时序输入向量通过点卷积层以得到第一卷积特征向量；将所述第一卷积特征向量通过基于
ReLU
函数的修正线性单元以得到第一修正卷积特征向量；将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；将所述第二卷积特征向量通过基于
Sigmoid
函数的修正线性单元以得到第二修正卷积特征向量；将所述多尺度操作压力特征矩阵通过
CNN
模型以得到高维隐含特征图；以及融合所述第二修正卷积特征向量与所述高维隐含特征图以得到所述融合脱盐率信息的多尺度操作压力特征图
。
[0009]在上述反渗透膜的污染监测方法中，基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度，包括：将所述融合脱盐率信息的多尺度操作压力特征图通过分类器以得到分类结果，所述分类结果用于表示反渗透膜的污染物累积程度的标签
。
[0010]在上述反渗透膜的污染监测方法中，还包括训练步骤：对所述基于一维卷积神经网络模型的操作压力时序特征提取器
、
所述基于一维卷积神经网络模型的操作压力变化时序特征提取器
、
所述高斯混合模型
、
所述基于
MetaNet
模块的运行参数交融模块和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的训练操作压力值和训练脱盐率，以及，所述被评估反渗透膜的污染物累积程度的标签的真实值；将所述多个预定时间点的训练操作压力值按照时间维度排列为训练操作压力时序输入向量，并计算所述训练操作压力时序输入向量中每两个相邻位置的训练操作压力值之间的差值以得到训练操作压力变化时序输入向量；将所述训练操作压力时序输入向量通过所述基于一维卷积神经网络模型的操作压力时序特征提取器以得到训练操作压力时序特征向量；将所述训练操作压力变化时序输入向量通过所述基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到训练操作压力变化时序特征向量；利用所述高斯混合模型来融合所述训练操作压力时序特征向量和所述训练操作
压力变化时序特征向量以得到训练多尺度操作压力特征矩阵；将所述多个预定时间点的训练脱盐率按照时间维度排列为训练脱盐率时序输入向量，将所述训练脱盐率时序输入向量进行归一化处理以得到训练归一化后脱盐率时序输入向量；将所述训练归一化后脱盐率时序输入向量和所述训练多尺度操作压力特征矩阵通过所述基于
MetaNet
模块的运行参数交融模块以得到融合脱盐率信息的训练多尺度操作压力特征图；将所述融合脱盐率信息的训练多尺度操作压力特征图通过分类器以得到分类损失函数值；以及以所述分类损失函数值来对所述基于一维卷积神经网络模型的操作压力时序特征提取器
、
所述基于一维卷积神经网络模型的操作压力变化时序特征提取器
、
所述高斯混合模型
、
所述基于
MetaNet
模块的运行参数交融模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述融合脱盐率信息的训练多尺度操作压力特征图进行特征分布优化
。
[0011]在上述反渗透膜的污染监测方法中，在所述训练的每一轮迭代中，对所述融合脱盐率信息的训练多尺度操作压力特征图进行特征分布优化，包括：计算所述融合脱盐率信息的训练多尺度操作压力特征图沿通道的修正用加权系数以得到通道加权系数，以及，计算所述融合脱盐率信息的训练多尺度操作压力特征图的各个特征矩阵的修正用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种反渗透膜的污染监测方法，其特征在于，包括：获取被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的操作压力值和脱盐率；对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵；提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图；以及基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度；其中，对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵，包括：将所述多个预定时间点的操作压力值按照时间维度排列为操作压力时序输入向量，并计算所述操作压力时序输入向量中每两个相邻位置的操作压力值之间的差值以得到操作压力变化时序输入向量；将所述操作压力时序输入向量通过基于一维卷积神经网络模型的操作压力时序特征提取器以得到操作压力时序特征向量；将所述操作压力变化时序输入向量通过基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到操作压力变化时序特征向量；以及利用高斯混合模型来融合所述操作压力时序特征向量和所述操作压力变化时序特征向量以得到所述多尺度操作压力特征矩阵
。2.
根据权利要求1所述的反渗透膜的污染监测方法，其特征在于，提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图，包括：将所述多个预定时间点的脱盐率按照时间维度排列为脱盐率时序输入向量，将所述脱盐率时序输入向量进行归一化处理以得到归一化后脱盐率时序输入向量；以及将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于
MetaNet
模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图
。3.
根据权利要求2所述的反渗透膜的污染监测方法，其特征在于，将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于
MetaNet
模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图，包括：将所述归一化后脱盐率时序输入向量通过点卷积层以得到第一卷积特征向量；将所述第一卷积特征向量通过基于
ReLU
函数的修正线性单元以得到第一修正卷积特征向量；将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；将所述第二卷积特征向量通过基于
Sigmoid
函数的修正线性单元以得到第二修正卷积特征向量；将所述多尺度操作压力特征矩阵通过
CNN
模型以得到高维隐含特征图；以及融合所述第二修正卷积特征向量与所述高维隐含特征图以得到所述融合脱盐率信息的多尺度操作压力特征图
。
4.
根据权利要求3所述的反渗透膜的污染监测方法，其特征在于，基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度，包括：将所述融合脱盐率信息的多尺度操作压力特征图通过分类器以得到分类结果，所述分类结果用于表示反渗透膜的污染物累积程度的标签
。5.
根据权利要求4所述的反渗透膜的污染监测方法，其特征在于，还包括训练步骤：对所述基于一维卷积神经网络模型的操作压力时序特征提取器
、
所述基于一维卷积神经网络模型的操作压力变化时序特征提取器
、
所述高斯混合模型
、
所述基于
MetaNet
模块的运行参数交融模块和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的训练操作压力值和训练脱盐率，以及，所述被评估反渗透膜的污染物累积程度的标签的真实值；将所述多个预定时间点的训练操作压力值按照时间维度排列为训练操作压力时序输入向量，并计算所述训练操作压力时序输入向量中每两个相邻位置的训练操作压力值之间的差值以得到训练操作压力...

【专利技术属性】
技术研发人员：石杰，王炳森，米丰，范伟康，许建岷，郑源，
申请(专利权)人：克拉玛依曜诚石油科技有限公司，
类型：发明
国别省市：