一种废水重金属去除方法及装置与流程

本发明涉及废水处理技术领域，具体涉及一种废水重金属去除方法及装置。

背景技术：

工业的飞速发展促使废水的产生量和排放量激增，而废水中所含的重金属对环境和人类的危害尤为严重，已在全球范围内引起广泛关注。进入环境的重金属不能被生物有效降解，其参与到食物链的循环中并逐渐在生物体内富集，最终破坏生物体正常的生理代谢活动，危害人体健康，因此，如何有效治理重金属污染已成为人类共同关注的问题。开发一种安全、经济、高效的重金属废水处理方法，以减少或消除重金属在环境中的积累，满足日益严格的环保要求是水污染控制研究领域的热点和难点问题之一。

絮凝沉淀工艺是一种发展时间较长，工艺较为成熟的处理方法，其原理是将废水的ph值调节至碱性，通过混凝将水中颗粒物和胶体形成矾花，进而将废水中呈溶解状态的重金属转变为不溶于水的重金属化合物，通过过滤和分离使沉淀物从水溶液中除去，具有设备简单，操作方便，便于运行，效果好的优点。

目前，在混凝沉淀去除废水重金属工艺中，为保证出水水质，会过度投加药剂，这样，就会造成运行成本大幅度上升。

技术实现要素：

针对现有技术中的上述缺陷，本发明提供了一种废水重金属去除方法及装置，可以获得精准而合理的药剂投加量，进而能够节省运行成本。

第一方面，本发明提供的一种废水重金属去除方法，包括：

获取废水的参数信息和标准重金属浓度；

根据所述参数信息和标准重金属浓度，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量；

根据所述药剂投加量，去除废水重金属。

可选的，所述参数信息，包括：废水流量、废水重金属浓度、药剂种类和反应时间。

可选的，在所述根据所述参数信息，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量的步骤之前，还包括：

获取样本数据；

根据所述样本数据，采用广义回归神经网络方法，建立药剂计算模型。

可选的，所述根据所述样本数据，采用广义回归神经网络方法，建立药剂计算模型，包括：

将所述样本数据分成建模样本数据和检验样本数据；

根据所述建模样本数据，确定光滑因子；

根据所述建模样本数据，确定固有参数；

根据所述建模样本数据、所述光滑因子和所述固有参数，采用广义回归神经网络方法，建立药剂计算模型；

根据所述检验样本数据，对所述药剂计算模型进行验证。

可选的，所述根据所述建模样本数据，确定光滑因子，包括：

根据所述建模样本数据，采用黄金分割法、鲍威尔法或共轭梯度法，确定光滑因子。

可选的，所述根据所述检验样本数据，对所述药剂计算模型进行验证，包括：

根据所述检验样本数据，利用所述药剂计算模型，计算药剂投加量的理论值；

根据所述理论值与所述检验样本数据中的测量值，计算误差值；

判断所述误差值是否小于预设范围，若不小于，则重新确定所述固有参数，根据重新确定的所述固有参数、所述建模样本数据和所述光滑因子，采用广义回归神经网络方法，重新建立药剂计算模型；

若小于，则执行所述根据所述参数信息和标准重金属浓度，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量的步骤。

可选的，所述获取样本数据，包括：

利用数据采集网关采集原始数据；

从所述原始数据中筛选样本数据，获得所述样本数据。

第二方面，本发明提供的一种废水重金属去除装置，包括：

信息获取模块，用于获取废水的参数信息；

计算模块，用于根据所述参数信息，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量；

去除模块，用于根据所述药剂投加量，去除废水重金属。

可选的，所述装置，还包括：

样本获取模块，用于获取样本数据；

模型建立模块，用于根据所述样本数据，采用广义回归神经网络方法，建立药剂计算模型。

可选的，所述模型建立模块，包括：

样本拆分单元，用于将所述样本数据分成建模样本数据和检验样本数据；

光滑因子确定单元，用于根据所述建模样本数据，确定光滑因子；

固有参数确定单元，用于根据所述建模样本数据，确定固有参数；

模型建立单元，用于根据所述建模样本数据、所述光滑因子和所述固有参数，采用广义回归神经网络方法，建立药剂计算模型；

验证单元，用于根据所述检验样本数据，对所述药剂计算模型进行验证。

可选的，所述光滑因子确定单元，具体用于：

根据所述建模样本数据，采用黄金分割法、鲍威尔法或共轭梯度法，确定光滑因子。

可选的，所述验证单元，包括：

理论值计算子单元，用于根据所述检验样本数据，利用所述药剂计算模型，计算药剂投加量的理论值；

误差值计算子单元，用于根据所述理论值与所述检验样本数据中的测量值，计算误差值；

判断子单元，用于判断所述误差值是否小于预设范围，若不小于，则重新确定所述固有参数，根据重新确定的所述固有参数、所述建模样本数据和所述光滑因子，采用广义回归神经网络方法，重新建立药剂计算模型；

若小于，则执行所述根据所述参数信息和标准重金属浓度，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量的步骤。

可选的，所述样本获取模块，包括：

原始数据采集单元，用于利用数据采集网关采集原始数据；

样本数据筛选单元，用于从所述原始数据中筛选样本数据，获得所述样本数据。

由以上技术方案可知，本发明提供一种废水重金属去除方法，包括：获取废水的参数信息和标准重金属浓度；根据所述参数信息和标准重金属浓度，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量；根据所述药剂投加量，去除废水重金属。本发明通过利用药剂计算模型，能够根据标准重金属浓度，获得去除废水重金属的合理的药剂投加量，根据所述药剂投加量去除废水重金属，能够获得具有标准重金属浓度的净水，可以避免过度投加药剂造成的损失，能够降低成本，提高运行效果，实现精准化运行。

本发明提供的一种废水重金属去除装置，与上述一种废水重金属去除方法出于相同的发明构思，具有相同的有益效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明第一实施例提供一种废水重金属去除方法的流程图；

图2示出了本发明第一实施例提供废水重金属去除的工艺流程图；

图3示出了本发明第一实施例提供广义回归神经网络的结构图；

图4示出了本发明第二实施例提供一种废水重金属去除装置的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明提供了一种废水重金属去除方法及装置。下面结合附图对本发明的实施例进行说明。

图1示出了本发明第一实施例所提供的一种废水重金属去除方法的流程图。如图1所示，本发明第一实施例提供的一种废水重金属去除方法包括以下步骤：

步骤s101：获取废水的参数信息和标准重金属浓度。

在本步骤中，所述参数信息可以包括：废水流量、废水重金属浓度、药剂种类、反应时间等中的一种或多种。其中，所述废水流量是指废水流进工艺反应池的进水流量。所述废水重金属浓度可以是铜、铅、锡、镍、钴、锑、汞、镉、铋等中的一种或多种重金属的浓度。所述药剂种类可以是pac(polyaluminiumchloride)、pam(polyacrylamide)、naoh等中的一种或多种。所述反应时间是指药剂在反应池里的反应时间。所述标准重金属浓度是指废水经处理后，标准的净水重金属浓度。

步骤s102：根据所述参数信息，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量。

其中，所述药剂投加量是指加入的药剂质量。所述药剂投加量也可以用药剂的浓度来代替。

在本步骤之前，还包括：获取样本数据；根据所述样本数据，采用广义回归神经网络方法，建立药剂计算模型。

在本发明提供的一个具体实施例中，所述获取样本数据，可以包括：利用数据采集网关采集原始数据；从所述原始数据中筛选样本数据，获得所述样本数据。

所述原始数据是指在去除废水工艺中实测的数据。工艺流程图如图2所示，重金属废水经反应池1到反应池2，经反应池2到反应池3，经反应池3到反应池4，从反应池4可以析出一种重金属沉淀，流到斜板沉淀池1，重金属沉淀经斜板沉淀池最终到污泥池；经反应池4的废水可以继续进入到反应池5，再经反应池5到反应池6，从反应池6可以析出另一种重金属沉淀，流到斜板沉淀池2，重金属沉淀经斜板沉淀池最终到污泥池；经反应池6后到达混合水池，混合水池中的水就是去除重金属后的净水，可以从所述混合水池中输出净水。

所述原始数据可以包括废水流量、每个反应池的废水重金属浓度、每个反应池反应的时间、药剂种类、药剂浓度、药剂投加量、净水重金属浓度等中的一种或多种。

所述样本数据是指多组实测数据。每组实测数据中包括输入数据和输出数据。其中，输入数据可以包括与步骤s101中的参数信息相对应的数据，可以是废水流量、废水重金属浓度、药剂种类、反应时间等中的一种或多种以及净水重金属浓度，输出数据为药剂投加量。

在本发明提供的一个具体实施例中，所述根据所述样本数据，采用广义回归神经网络方法，建立药剂计算模型，包括：将所述样本数据分成建模样本数据和检验样本数据；根据所述建模样本数据，确定光滑因子；根据所述建模样本数据，确定固有参数；根据所述建模样本数据、所述光滑因子和所述固有参数，采用广义回归神经网络方法，建立药剂计算模型；根据所述检验样本数据，对所述药剂计算模型进行验证。

在本步骤中，首先，需要将所述样本数据分成建模样本数据和检验样本数据。

例如，样本数据有500组数据，设置其中400组数据为建模样本数据，剩余100组数据为检验样本数据。

其中，所述固有参数是指样本容量、维数等参数。

优选地，样本数据中的输入数据包括五个维度的数据，分别是：废水流量、废水重金属浓度、药剂种类、反应时间和净水重金属浓度；输出数据为药剂投加量。建模样本数据的输入数据也包括四个维度的数据，分别是：废水流量、废水重金属浓度、药剂种类、反应时间和净水重金属浓度；输出数据为药剂投加量。

在确定光滑因子时，可以采用黄金分割法、鲍威尔法或共轭梯度法来确定光滑因子。再根据所述建模样本数据、所述固有参数和所述光滑因子，采用广义回归神经网络方法，建立药剂计算模型。最后，再根据所述检验样本数据，对所述药剂计算模型进行检验。

其中，广义回归神经网络方法为：

设随机向量x和y的联合概率密度函数为f(x,y)，x的取值为x0，y对x0的回归值第一公式为：

同时，应用parzen非参数估计，可由采集到的样本数据集估算密度函数f(x0,y)，估算公式为：

其中，d(y,yi)＝[y-yi]²

式中n为样本容量，p为x的维数。σ为高斯函数的宽度系数，在此称为光滑因子。

将估算公式代入回归值第一公式，并交换积分与加和的顺序，得到回归值第二公式：

对回归值第二公式的两个积分进行计算后可得回归值第三公式：

一般情况下，广义回归神经网络由输入层、模式层、加和层和输出层所构成(如图3所示)。输入层的各单元是简单的线性单元，每个单元对应于输入数据自变量x的一维；模式层的每个单元对应一组建模样本数据，以高斯函数为活化核函数，xi为各单元核函数的中心矢量，共有n个单元；加和层由两部分组成，其中一层计算模式层各单元输出的加权和，权为各组建模样本数据的yi值，算得回归值第三公式的分子(分子单元)，另一单元计算模式层各单元的输出之和，算得回归值第三公式的分母(分母单元)；输出层单元将加和层分子、分母的输出相除，算得y的估算值。

在本发明提供的一个具体实施例中，所述根据所述检验样本数据，对所述药剂计算模型进行验证，包括：根据所述检验样本数据，利用所述药剂计算模型，计算药剂投加量的理论值；根据所述理论值与所述检验样本数据中的测量值，计算误差值；判断所述误差值是否小于预设范围，若不小于，则重新确定所述固有参数，根据重新确定的所述固有参数、所述建模样本数据和所述光滑因子，采用广义回归神经网络方法，重新建立药剂计算模型；若小于，则执行所述根据所述参数信息和标准重金属浓度，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量的步骤。

其中，检验样本数据有多组，所述误差值是指多组检验样本数据的理论值与测量值的差值的平均值。

若所述误差值不小于预设范围，则表明建立的所述药剂计算模型不是最优模型，可以重新确定所述固有参数，重新建立药剂计算模型。若误差值小于预设范围，则表明建立的所述药剂计算模型满足准确性要求。这样能够保证利用药剂计算模型计算的准确性，能够提高药剂计算模型的可靠性。

在对所述药剂计算模型进行验证时，将所述检验样本数据中的输入数据输入到所述药剂计算模型，所述药剂计算模型会根据所述输入数据计算出药剂投加量的理论值，然后，根据所述理论值与所述检验样本数据中的药剂投加量的测量值，能够得到两者的差值，进而能够得到误差值。

其中，采用黄金分割法、鲍威尔法或共轭梯度法三种方法可以确定三种不同的光滑因子，根据三种光滑因子，可以建立三种药剂计算模型。这都在本发明的保护范围内。

其中，所述三种药剂计算模型也可以根据所述检验样本数据进行验证，所使用的方法可以与上述验证方法相同。

例如，利用黄金分割法建立了第一药剂计算模型，利用鲍威尔法建立了第二药剂计算模型，利用共轭梯度法建立了第三药剂计算模型。可以用将检验样本数据的输入数据分别输入到所述第一药剂计算模型、第二药剂计算模型和第三药剂计算模型，计算出三种药剂投加量的理论值，将所述理论值都与所述检验样本数据中的测量值进行计算，能够得到三种误差值，对比三种误差值，选择误差值较小的药剂计算模型作为最优选的药剂计算模型。

步骤s103：根据所述药剂投加量，去除废水重金属。

所述药剂投加量是根据标准重金属浓度计算的合理药剂投加量，通过利用所述药剂投加量去除废水中的重金属，能够得到具有标准重金属浓度的净水，进而能够节省成本，提高运行效果，能够实现精准化运行，从而可以精准指导工程上对废水重金属的去除。

在上述的第一实施例中，提供了一种废水重金属去除方法，与之相对应的，本申请还提供一种废水重金属去除装置。请参考图4，其为本发明第二实施例提供的一种废水重金属去除装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

本发明第二实施例提供的一种废水重金属去除装置，包括：

信息获取模块101，用于获取废水的参数信息；

计算模块102，用于根据所述参数信息，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量；

去除模块103，用于根据所述药剂投加量，去除废水重金属。

在本发明提供的一个具体实施例中，所述参数信息，包括：废水流量、废水重金属浓度、药剂种类和反应时间。

在本发明提供的一个具体实施例中，所述装置，还包括：

样本获取模块，用于获取样本数据；

模型建立模块，用于根据所述样本数据，采用广义回归神经网络方法，建立药剂计算模型。

在本发明提供的一个具体实施例中，所述模型建立模块，包括：

样本拆分单元，用于将所述样本数据分成建模样本数据和检验样本数据；

光滑因子确定单元，用于根据所述建模样本数据，确定光滑因子；

固有参数确定单元，用于根据所述建模样本数据，确定固有参数；

模型建立单元，用于根据所述建模样本数据、所述光滑因子和所述固有参数，采用广义回归神经网络方法，建立药剂计算模型；

验证单元，用于根据所述检验样本数据，对所述药剂计算模型进行验证。

在本发明提供的一个具体实施例中，所述光滑因子确定单元，具体用于：

根据所述建模样本数据，采用黄金分割法、鲍威尔法或共轭梯度法，确定光滑因子。

在本发明提供的一个具体实施例中，所述验证单元，包括：

理论值计算子单元，用于根据所述检验样本数据，利用所述药剂计算模型，计算药剂投加量的理论值；

误差值计算子单元，用于根据所述理论值与所述检验样本数据中的测量值，计算误差值；

判断子单元，用于判断所述误差值是否小于预设范围，若不小于，则重新确定所述固有参数，根据重新确定的所述固有参数、所述建模样本数据和所述光滑因子，采用广义回归神经网络方法，重新建立药剂计算模型；

若小于，则执行所述根据所述参数信息和标准重金属浓度，采用预设的药剂计算模型，计算用于去除废水重金属的药剂投加量的步骤。

在本发明提供的一个具体实施例中，所述样本获取模块，包括：

原始数据采集单元，用于利用数据采集网关采集原始数据；

样本数据筛选单元，用于从所述原始数据中筛选样本数据，获得所述样本数据。

以上，为本发明第二实施例提供的一种废水重金属去除装置的实施例说明。

本发明提供的一种废水重金属去除装置与上述一种废水重金属去除方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。