基于机器学习的自适应污泥处理控制系统及控制方法与流程

本发明属于污泥处理，具体为一种基于机器学习的自适应污泥处理控制系统及控制方法。

背景技术：

1、污泥是指生活污水、工业废水或其他水体中所含的固态或半固态物质，通常含有大量的有机物、无机物和微生物成分。污泥的处理和处置是环境保护和资源利用的重要课题，也是城市建设和发展的难点问题。污泥处理的目的是减少污泥的量、稳定污泥的性质、消除污泥的臭味、降低污泥的污染物含量，以便于污泥的运输、处置和利用。

2、目前，常用的污泥处理方法主要包括厌氧消化、脱水和烘干过程。厌氧消化是指在无氧或缺氧条件下，通过微生物的作用，将污泥中的有机物分解为甲烷、二氧化碳无机物质，从而达到减量化、稳定化和消毒化的目的。厌氧消化过程中涉及到多种复杂的生化反应，如水解、酸化、产甲酸菌发酵、产乙酸菌发酵、产氢菌发酵、甲烷菌发酵。厌氧消化过程中的主要影响因素有温度、ph值、有机负荷、搅拌强度。脱水是指通过机械或化学方法，将污泥中的水分分离出来，从而降低污泥的含水率，提高污泥的固体含量。脱水过程中的主要影响因素有压力、时间、药剂。烘干是指通过加热或吹风方法，将污泥中的水分进一步蒸发掉，从而使污泥达到干燥状态，便于储存和运输。烘干过程中的主要影响因素有温度、时间、湿度。

3、由于污泥处理过程中涉及到多个变量和多个目标，且存在着非线性和不确定性特点，因此，对于污泥处理过程的控制是一项具有挑战性和复杂性的任务。传统的污泥处理控制方法通常采用经验公式或固定参数来调节污泥处理装置的操作参数，如进料速度、搅拌速度、加热温度、脱水压力、烘干时间。然而，这种方法不能有效地适应污泥处理过程中各种参数变化带来的影响，也不能充分地考虑到能耗、效率和质量多个指标之间的权衡和优化。因此，传统的污泥处理控制方法往往不能达到最佳或最优的控制效果，导致污泥处理过程的性能和效益降低，甚至出现故障或事故。

4、为了解决上述问题，本发明提出了一种基于机器学习的自适应污泥处理控制系统及控制方法，该系统及方法利用机器学习技术，根据污泥处理过程中的实时数据，建立并更新一个污泥处理模型，该模型能够预测和优化污泥处理过程中的能耗、效率和质量指标，并根据模型的输出，自适应地调节污泥处理装置的操作参数，从而实现对污泥处理过程的智能化和优化化控制。

技术实现思路

1、本发明解决了如何利用机器学习技术实现污泥处理过程的自适应控制，提高污泥处理的能耗、效率和质量指标的技术问题。

2、本发明采用了一种基于机器学习的自适应污泥处理控制系统，包括：

3、污泥处理装置，用于对进入的污泥进行厌氧消化、脱水和烘干处理过程；

4、传感器模块，设置在污泥处理装置的不同位置，用于检测污泥的各项参数，包括温度、压力、湿度、ph值、有机物含量、氨氮含量；

5、传感器模块是指一组由不同类型和功能的传感器组成的模块，它们可以分别安装在污泥处理装置的进料口、厌氧消化槽、脱水机、烘干机不同位置，以实时监测污泥在处理过程中的各项参数，并将检测结果以数字信号或模拟信号的形式发送给控制模块和机器学习模块。

6、传感器模块中包括以下几种传感器：

7、温度传感器：用于检测污泥的温度，常见的温度传感器有热电偶、热敏电阻、热电堆，它们可以将温度变化转换为电压或电阻变化，并输出相应的信号。

8、压力传感器：用于检测污泥的压力，常见的压力传感器有压阻式、压电式、电容式，它们可以将压力变化转换为电阻或电容变化，并输出相应的信号。

9、湿度传感器：用于检测污泥的湿度，常见的湿度传感器有电阻式、电容式、热敏式，它们可以将湿度变化转换为电阻或电容或温度变化，并输出相应的信号。

10、ph值传感器：用于检测污泥的ph值，常见的ph值传感器有玻璃电极、离子选择性电极，它们可以将ph值变化转换为电势差，并输出相应的信号。

11、有机物含量传感器：用于检测污泥中有机物的含量，常见的有机物含量传感器有化学需氧量（cod）传感器、生化需氧量（bod）传感器，它们可以通过光学或化学方法测定污泥中有机物的氧化程度，并输出相应的信号。

12、氨氮含量传感器：用于检测污泥中氨氮的含量，常见的氨氮含量传感器有氨气敏感电极、离子选择性电极，它们可以通过电化学方法测定污泥中氨氮的浓度，并输出相应的信号。

13、控制模块，与传感器模块和污泥处理装置相连接，用于根据传感器模块检测到的污泥参数，调节污泥处理装置的各项操作参数，包括进料速度、搅拌速度、加热温度、脱水压力、烘干时间；

14、控制模块是指一个由plc（可编程控制器）和人机界面（hmi）组成的模块，它可以接收传感器模块发送的污泥参数信号，并根据预设的控制程序或机器学习模块发送的控制指令，通过执行器对污泥处理装置的各项操作参数进行调节，以实现对污泥处理过程的优化控制。

15、控制模块中包括以下几个部分：

16、plc（可编程控制器）：是一种广泛应用于工业控制领域的电子设备，它可以根据用户设定的程序对输入信号进行逻辑运算和输出控制，实现对各种机械或生产过程的自动化控制。在本发明中，plc作为核心控制器，负责接收传感器模块和机器学习模块的数据，并根据预设的控制程序或机器学习模块的控制指令，通过执行器对污泥处理装置的各项操作参数进行调节。

17、人机界面（hmi）：是一种用于显示和交互的设备，它可以将plc的数据和状态以图形化的方式显示在屏幕上，并且可以通过触摸屏、键盘、鼠标方式与plc进行通讯和操作。在本发明中，人机界面作为辅助控制器，负责显示和监视污泥处理过程中的各项参数，并且可以通过人工干预的方式修改或调整控制程序或操作参数。

18、执行器：是一种用于执行控制命令的设备，它可以将电信号转换为机械运动或物理量变化，并对被控对象进行操作。在本发明中，执行器包括电动阀、电动机、加热器、风机，它们分别用于调节污泥处理装置的进料速度、搅拌速度、加热温度、脱水压力、烘干时间操作参数。

19、机器学习模块，与控制模块相连接，用于根据传感器模块检测到的污泥参数和控制模块调节的操作参数，建立并更新一个污泥处理模型，该模型用于预测和优化污泥处理过程中的能耗、效率和质量指标；

20、其中，机器学习模块采用深度神经网络作为核心算法，该深度神经网络包括多个隐藏层和一个输出层，每个隐藏层由多个神经元组成，神经元的输入信号为，每个神经元的激活函数为，输出层的激活函数为，机器学习模块通过反向传播算法更新深度神经网络的权重和偏置参数。

21、本发明的有益效果是，通过使用机器学习技术，可以实现对污泥处理过程的实时监测和智能调节，从而提高污泥处理的性能和质量。

22、在较佳实施情况下，本发明解决了如何具体设置传感器模块以便更准确地检测污泥处理过程中各项关键参数的技术问题。

23、在较佳实施情况下，所述传感器模块包括温度传感器、压力传感器、湿度传感器、ph值传感器、有机物含量传感器和氨氮含量传感器。其中，温度传感器设置在污泥处理装置的厌氧消化罐内部，用于检测厌氧消化过程中的温度；压力传感器设置在污泥处理装置的脱水机出口处，用于检测脱水过程中的压力；湿度传感器设置在污泥处理装置的烘干机出口处，用于检测烘干过程中的湿度；ph值传感器设置在污泥处理装置的厌氧消化罐内部，用于检测厌氧消化过程中的ph值；有机物含量传感器设置在污泥处理装置的厌氧消化罐出口处，用于检测厌氧消化过程中的有机物含量；氨氮含量传感器设置在污泥处理装置的烘干机出口处，用于检测烘干过程中的氨氮含量。

24、在较佳实施情况下，本发明的有益效果是，通过使用多种类型的传感器，可以更全面和准确地获取污泥处理过程中各项关键参数的信息，从而为机器学习模块提供更多的输入数据，提高模型的精度和可靠性。

25、在较佳实施情况下，本发明解决了如何具体设置控制模块以便更有效地调节污泥处理过程中各项操作参数的技术问题。

26、在较佳实施情况下，本发明采用了一种基于机器学习的自适应污泥处理控制系统，所述控制模块包括进料控制器、搅拌控制器、加热控制器、脱水控制器和烘干控制器。其中，进料控制器与传感器模块和污泥处理装置的进料口相连接，用于根据传感器模块检测到的污泥参数，调节污泥处理装置的进料速度；搅拌控制器与传感器模块和污泥处理装置的厌氧消化罐相连接，用于根据传感器模块检测到的污泥参数，调节厌氧消化罐的搅拌速度；加热控制器与传感器模块和污泥处理装置的厌氧消化罐相连接，用于根据传感器模块检测到的污泥参数，调节厌氧消化罐的加热温度；脱水控制器与传感器模块和污泥处理装置的脱水机相连接，用于根据传感器模块检测到的污泥参数，调节脱水机的脱水压力；烘干控制器与传感器模块和污泥处理装置的烘干机相连接，用于根据传感器模块检测到的污泥参数，调节烘干机的烘干时间。

27、在较佳实施情况下，本发明的有益效果是，通过使用多个专门设计的控制器，可以更灵活和精确地调节污泥处理过程中各项操作参数，从而适应不同类型和状态的污泥，并达到最佳或次佳的处理效果。

28、在较佳实施情况下，本发明解决了如何具体设置机器学习模块以便更有效地建立和更新污泥处理模型的技术问题。

29、在较佳实施情况下，所述机器学习模块还包括数据存储单元和数据处理单元。其中，数据存储单元用于存储传感器模块检测到的污泥参数和控制模块调节的操作参数；数据处理单元用于对数据存储单元中的数据进行预处理、归一化、降维操作，并将处理后的数据输入到深度神经网络中。

30、在较佳实施情况下，本发明的有益效果是，通过使用数据存储单元和数据处理单元，可以更有效地管理和处理污泥处理过程中产生的大量数据，并将其转化为深度神经网络能够接受和学习的格式，从而提高模型的训练速度和质量。

31、在较佳实施情况下，本发明解决了如何具体设置深度神经网络以便更准确地反映污泥处理过程中各项参数之间的关系的技术问题。

32、在较佳实施情况下，本发明采用了一种基于机器学习的自适应污泥处理控制系统，所述深度神经网络的输入层由传感器模块检测到的污泥参数组成，输出层由控制模块调节的操作参数组成。其中，输入层包括温度、压力、湿度、ph值、有机物含量、氨氮含量6个节点；输出层包括进料速度、搅拌速度、加热温度、脱水压力、烘干时间5个节点。

33、在较佳实施情况下，本发明的有益效果是，通过使用与污泥处理过程中各项参数相对应的输入层和输出层，可以更直观和准确地反映污泥处理过程中各项参数之间的关系，并为控制模块提供最优或次优的操作参数建议。

34、在较佳实施情况下，本发明解决了如何具体设置深度神经网络以便更有效地提高模型的复杂度和表达能力的技术问题。

35、在较佳实施情况下，本发明采用了一种基于机器学习的自适应污泥处理控制系统，所述深度神经网络的隐藏层个数为3个，每个隐藏层包含64个神经元。其中，隐藏层用于在输入层和输出层之间建立非线性的映射关系，增加模型的复杂度和表达能力；每个隐藏层包含64个神经元，用于接收上一层的输入信号，并根据激活函数计算并输出下一层的输入信号。

36、在较佳实施情况下，本发明的有益效果是，通过使用多个隐藏层和多个神经元，可以更有效地提高模型的复杂度和表达能力，使得模型能够适应不同类型和状态的污泥，并更好地拟合污泥处理过程中各项参数之间的非线性关系。

37、在较佳实施情况下，本发明解决了如何具体设置反向传播算法以便更有效地更新深度神经网络的权重和偏置参数的技术问题。

38、在较佳实施情况下，本发明采用了一种基于机器学习的自适应污泥处理控制系统，所述反向传播算法采用随机梯度下降法作为优化方法，学习率为0.01，批量大小为32，迭代次数为1000。其中，反向传播算法用于根据深度神经网络的输出误差，沿着梯度方向更新深度神经网络的权重和偏置参数；随机梯度下降法是一种常用的优化方法，用于每次随机选取一部分数据进行梯度计算和参数更新；学习率是一个控制梯度下降速度的超参数；批量大小是每次随机选取数据的数量；迭代次数是进行梯度下降和参数更新的次数。

39、在较佳实施情况下，本发明的有益效果是，通过使用随机梯度下降法作为反向传播算法的优化方法，可以更有效地更新深度神经网络的权重和偏置参数，并避免陷入局部最优或出现过拟合问题。

40、本发明解决了如何利用机器学习技术实现污泥处理过程的自适应控制，提高污泥处理的能耗、效率和质量指标的技术问题。

41、本发明采用了一种基于机器学习的自适应污泥处理控制方法，包括以下步骤：

42、步骤1：将进入的污泥送入污泥处理装置进行厌氧消化、脱水和烘干处理过程；

43、步骤2：利用设置在污泥处理装置不同位置的传感器模块检测污泥的各项参数，并将检测结果发送给控制模块和机器学习模块；

44、步骤3：利用控制模块根据接收到的污泥参数调节污泥处理装置的各项操作参数；

45、步骤4：利用机器学习模块根据接收到的污泥参数和控制模块调节的操作参数，建立并更新一个污泥处理模型，该模型用于预测和优化污泥处理过程中的能耗、效率和质量指标。

46、本发明的有益效果是，通过使用机器学习技术，可以实现对污泥处理过程的实时监测和智能调节，从而提高污泥处理的性能和质量。

47、在较佳实施情况下，本发明解决了如何具体设置深度神经网络以便更准确地反映污泥处理过程中各项参数之间的关系的技术问题。

48、在较佳实施情况下，本发明采用了一种基于机器学习的自适应污泥处理控制方法，所述深度神经网络包括多个隐藏层和一个输出层，每个隐藏层由多个神经元组成，神经元的输入信号为，每个神经元的激活函数为，输出层的激活函数为，机器学习模块通过反向传播算法更新深度神经网络的权重和偏置参数。

49、在较佳实施情况下，本发明的有益效果是，通过使用深度神经网络作为核心算法，可以更直观和准确地反映污泥处理过程中各项参数之间的关系，并为控制模块提供最优或次优的操作参数建议。

50、在较佳实施情况下，本发明解决了如何具体设置反向传播算法以便更有效地更新深度神经网络的权重和偏置参数的技术问题。

51、在较佳实施情况下，本发明采用了一种基于机器学习的自适应污泥处理控制方法，所述反向传播算法采用随机梯度下降法作为优化方法，学习率为0.01，批量大小为32，迭代次数为1000。其中，反向传播算法用于根据深度神经网络的输出误差，沿着梯度方向更新深度神经网络的权重和偏置参数；随机梯度下降法是一种常用的优化方法，用于每次随机选取一部分数据进行梯度计算和参数更新；学习率是一个控制梯度下降速度的超参数；批量大小是每次随机选取数据的数量；迭代次数是进行梯度下降和参数更新的次数。

52、在较佳实施情况下，本发明的有益效果是，通过使用随机梯度下降法作为反向传播算法的优化方法，可以更有效地更新深度神经网络的权重和偏置参数，并避免陷入局部最优或出现过拟合问题。