本发明涉及循环神经网络,特别涉及一种基于循环神经网络的盐酸多西环素废水处理方法。
背景技术:
1、盐酸多西环素是一种抗生素,其生产过程产生的废水包括:盐酸多西环素残留和未被完全转化的有机物,未经处理会污染地下水、河流和湖泊,并对水生生物产生毒性影响。同时,盐酸多西环素是一种广谱抗生素,会导致环境中细菌对抗生素产生耐药性,并影响生态系统的稳定性和功能。此外,盐酸多西环素经光照刺激后参与光化学反应,产生光解产物,比如:有毒的亚硝基和亚硝酸盐,这些物质对生物和环境产生危害。
2、为了防止盐酸多西环素制药废水的潜在危害,需要采取适当的废水处理方法将盐酸多西环素生产过程产生的有无有害物质脱除,具体包括:物理法、物化法和生化法,使用这些方法需要考虑的参数数据包括:过氧化氢添加量、反应时间、调节ph所用的酸碱量、ph值、混凝剂添加量、混凝剂搅拌时间、生化池曝气量、生化池污泥浓度、水力停留时间以及曝气压力。通过分析参数数据,定期检测相关参数,可以判断污染物处理效果。
3、申请号为:cn202310408682.9的发明专利公开了一种基于模型优化的废气废水处理方法及装置,其中,方法包括:获取工厂的当前生产量;利用检测设备对废气废水一体化处理设备进行检测,以获得废气废水一体化处理设备的当前净化处理参数;其中,当前净化处理参数包括:当前废水进入流量、当前废气进入流量、当前废水进入温度以及当前废气进入温度;将当前生产量以及当前净化处理参数输入经过训练的参数预测神经网络模型,以预测出废气废水一体化处理设备的目标运行控制参数;以及,基于目标运行控制参数对废气废水一体化处理设备进行控制。上述方法能够有效地降低废气废水处理成本和能耗。
4、但是,上述现有技术将当前净化处理参数输入参数预测神经网络模型进行预测时,神经网络模型只是基于当前状态的预测,没有考虑到之前时间的模型输出,预测结果不够精准,进一步的,后续的废水处理步骤也不适宜。
5、有鉴于此,亟需一种基于循环神经网络的盐酸多西环素废水处理方法,以至少解决上述不足。
技术实现思路
1、本发明目的之一在于提供了一种基于循环神经网络的盐酸多西环素废水处理方法,根据获取的盐酸多西环素生产过程中的污水数据确定污水处理参数指标。引入循环神经网络模型,将污水处理参数指标输入循环神经网络模型预测废水处理数据,根据模型输出循环预测,提升了废水处理数据预测的准确性,提高了数据分析效率,基于预测的废水处理数据进行废水处理,更加适宜。
2、本发明实施例提供的一种基于循环神经网络的盐酸多西环素废水处理方法,包括:
3、步骤1:获取盐酸多西环素生产过程中的污水数据;
4、步骤2:根据污水数据,确定污水处理参数指标;
5、步骤3:构建循环神经网络模型;
6、步骤4:将污水处理参数指标输入循环神经网络模型预测废水处理数据,获得废水处理数据预测结果;
7、步骤5:根据废水处理数据预测结果,进行相应废水处理。
8、优选的,步骤1:获取盐酸多西环素生产过程中的污水数据,包括:
9、获取预设于生产废水池中的检测装置的检测数据;
10、根据检测数据,获取污水数据。
11、优选的,步骤2:根据污水数据,确定污水处理参数指标,包括:
12、基于pca分析技术,根据污水数据,筛选污水处理参数指标,污水处理参数指标包括:过氧化氢添加量、反应时间、调节ph所用的酸碱量、ph值、混凝剂添加量、混凝剂搅拌时间、生化池曝气量、生化池污泥浓度、水力停留时间以及曝气压力。
13、优选的,步骤3:构建循环神经网络模型,包括:
14、获取rnn结构;
15、获取多级循环逻辑关系,多级循环逻辑关系为:每2次输出获取1次循环输出数据;
16、根据rnn结构和多级循环逻辑关系,构建循环神经网络模型。
17、优选的,获取rnn结构,包括:
18、获取rnn结构的系统状态模型以及输出节点的输出模型;
19、根据系统状态模型和输出模型,确定rnn计算模型;
20、获取rnn结构的连接模型和输出模式;
21、根据rnn计算模型、连接模型和输出模式,获取rnn结构;
22、系统状态模型具体为:
23、h(t)=f(s(t-1),x(t),θ)
24、其中,h(t)为t时刻rnn的系统状态,x(t)为t时刻的输入向量,s(t-1)为t-1时刻的内部状态,f为激励函数,θ为rnn结构的循环单元的权重系数;
25、输出模型具体为:
26、
27、o(t)=vh(t)+c
28、其中,为输出模型的输出值,g是输出函数,o(t)为第t步的输出,v和c为输出节点对应预设的权重系数;
29、连接模型具体为:
30、h(t)=f(ux(t-1)+wh(t-1)+ry(t-1))
31、其中,x(t-1)为t-1时刻的输入向量,h(t-1)为t-1时刻的系统状态,y(t-1)为t-1时刻的真实值,u,w和r为连接模型的权重系数。
32、优选的,根据rnn结构和多级循环逻辑关系,构建循环神经网络模型,包括:
33、基于vae模型,获取废水处理样本数据;
34、基于rnn结构和多级循环逻辑关系,根据废水处理样本数据,构建循环神经网络模型。
35、优选的,基于vae模型,获取废水处理样本数据,包括:
36、从本地废水处理记录库提取历史废水处理数据;
37、通过编码器网络将历史废水处理数据映射到潜在空间中,获取潜在向量表示;
38、通过解码器网络将潜在向量表示解码为预生成废水处理样本;
39、将预生成废水处理样本和历史废水处理数据进行对比,计算重建损失函数;
40、确定潜在向量表示分布;
41、将潜在向量表示分布和标准正态分布进行对比,计算潜在空间正则化项;
42、基于重建损失函数和潜在空间正则化项,根据预生成废水处理样本,训练vae模型,获取训练完成的vae模型的解码器网络输出的废水处理样本数据。
43、优选的,步骤5:根据废水处理数据预测结果,进行相应废水处理,包括:
44、获取废水处理的优化目标;
45、根据优化目标和废水处理数据预测结果,确定目标最优解;
46、根据目标最优解进行废水处理。
47、优选的,根据优化目标和废水处理数据预测结果,确定目标最优解,包括:
48、获取优化目标的目标数目;
49、若目标数目为1,计算优化目标和废水处理数据预测结果之间的第一差异,根据第一差异确定目标最优解;
50、若目标数目大于1,计算每一优化目标和废水处理数据预测结果之间的第二差异;
51、根据第二差异,确定第一排斥项,并将第一排斥项对应的优化目标作为排斥目标;
52、根据第一排斥项,确定目标解判定区间;
53、获取目标解判定区间中的区间点位集,根据区间点位集中的区间点位,确定第二排斥项;
54、将第二排斥项通过排斥目标预设的价值量转换模版进行转换,获得差异调整价值,并与对应第二排斥项进行关联;
55、确定第一排斥项对应的第二排斥项关联的最大差异调整价值,并根据最大差异调整价值的第二排斥项确定目标最优子解;
56、汇总每一第一排斥项对应的目标最优子解,获得目标最优解。
57、本发明实施例提供的一种基于循环神经网络的盐酸多西环素废水处理系统,包括:
58、污水数据获取子系统,用于获取盐酸多西环素生产过程中的污水数据;
59、污水处理参数指标确定子系统,用于根据污水数据,确定污水处理参数指标;
60、循环神经网络模型构建子系统,用于构建循环神经网络模型;
61、预测子系统,用于将污水处理参数指标输入循环神经网络模型预测废水处理数据,获得废水处理数据预测结果;
62、废水处理子系统,用于根据废水处理数据预测结果,进行相应废水处理。
63、本发明的有益效果为:
64、本发明根据获取的盐酸多西环素生产过程中的污水数据确定污水处理参数指标。引入循环神经网络模型,将污水处理参数指标输入循环神经网络模型预测废水处理数据,根据模型输出循环预测,提升了废水处理数据预测的准确性,提高了数据分析效率,基于预测的废水处理数据进行废水处理,更加适宜。
65、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过本技术文件中所特别指出的结构来实现和获得。
66、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。