一种基于深度学习与云计算的污水处理控制方法及其系统与流程

本发明属于污水处理智能控制技术领域，尤其是涉及一种基于深度学习与云计算的污水处理智能控制方法及其系统。

背景技术：

目前发展人工智能已上升到国家战略高度，是实现国家产业结构调整，推动产业转型升级的一次重要契机。其中生活、工业污水处理等智慧环保、智慧水务工程又是人工智能时代新一代信息技术的重要组成部分，然而现有污水处理领域中对于药剂用量的控制大多采用在传统污水处理工艺的基础上进行优化组合。与此同时，诸如人工智能、云存储与云计算技术等现代先进技术在污水处理药剂用量实时精准控制领域也没有被较好地应用。

例如，现有污水处理加药量的控制方法大部分是基于传统的plc作为污水处理现场加药量控制硬件，同时在加药量的控制策略方面多采用pid算法程序。然而污水处理过程具有多变量强耦合、强非线性、参数时变、工况变化频繁、难以在线检测等特点，传统plc+pid自动控制模式在pid参数的选择与plc控制程序的编写上均要依赖污水处理领域技术人员的过往经验，控制效果差。

同时传统的污水处理加药量控制器受制于硬件参数，导致控制器难以处理大量复杂的污水处理现场实时数据。诸如新一代人工智能、大数据等技术难以推动污水处理加药量控制取得质的飞跃，因其具有运算速度高、数据吞吐量大等特点，传统的算法控制器难以满足其要求。致使相关专业技术人员从污水处理现场各状态参数中难以获取有用信息，从而对药剂用量的添加做出实时调整，导致污水处理加药量的控制效果差、精度低，药剂损耗大，污水处理成本高等问题。

技术实现要素：

本发明的目的是针对上述问题，提供一种基于深度学习与云计算的污水处理智能控制方法；

本发明的另一目的是针对上述问题，提供一种基于深度学习与云计算的污水处理智能控制系统。

为达到上述目的，本发明采用了下列技术方案：

一种基于深度学习与云计算的污水处理智能控制方法，包括以下步骤：

s1.采集加药参数与污水处理器的进水参数和出水参数；

s2.将所述加药参数、进水参数和出水参数发送至云端服务器并在云端服务器中进行数据清洗以获得训练集；

s3.使用所述训练集对云端服务器中的深度学习算法进行训练以获得用于预测污水处理加药量的加药量预测模型；

s4.将所述加药量预测模型安装至位于污水处理现场的算法控制器中，以使所述算法控制器根据进水参数和出水参数计算污水处理药剂及其用量，并根据计算结果控制加药执行装置完成加药。

在上述的基于深度学习与云计算的污水处理智能控制方法中，在步骤s2中，同时将所述加药参数、进水参数和出水参数存储在本地存储模块中，且通过以太网将加药参数、进水参数和出水参数发送至端服务器并存储。

在上述的基于深度学习与云计算的污水处理智能控制方法中，在步骤s1中，所述加药参数为污水处理用药剂用量。

在上述的基于深度学习与云计算的污水处理智能控制方法中，在步骤s1中，所述进水参数和出水参数分别为进水水质参数和出水水质参数，且所述进水水质参数和出水水质参数均包括ph值、含磷量、含氮量和含cod。

在上述的基于深度学习与云计算的污水处理智能控制方法中，在步骤s3中，计算加药参数与深度学习算法的药剂用量计算值之间的偏差值，同时将所述偏差值作为训练集。

在上述的基于深度学习与云计算的污水处理智能控制方法中，在步骤s3中，采用云计算方式在云端服务器对深度学习算法进行训练。

在上述的基于深度学习与云计算的污水处理智能控制方法中，所述云端服务器包括云端数据库和深度学习模型训练模块，由所述云端数据库接收加药参数、进水参数和出水参数，由所述深度学习模型训练模块对深度学习算法进行训练。

在上述的基于深度学习与云计算的污水处理智能控制方法中，所述深度学习算法采用多层全连接神经网络作为待训练模型，且多层全连接神经网络的输出层激活函数均为relu，以获得数值大于1的药剂用量。

一种基于深度学习与云计算的污水处理智能控制系统，其特征在于，包括污水处理现场加药执行模块、本地存储模块和云端服务器，所述云端服务器用于通过对深度学习算法获取加药量预测模型，所述污水处理现场加药执行模块用于基于所述加药量预测模型进行智能加药，所述存储模块用于存储污水污水处理过程中的加药参数、进水参数和出水参数并将前述参数数据值上传至云端服务器。

在上述的基于深度学习与云计算的污水处理智能控制系统中，所述污水处理现场加药执行模块连接有数据采集模块，且污水处理现场加药执行模块包括加药执行装置，所述云端服务器包括深度学习模型训练模块和云端数据库：

加药执行装置，用于根据加药量控制信号完成相应的加药动作；

数据采集模块，用于实时采集污水处理过程中的进水参数和出水参数；

深度学习模型训练模块，运用云计算完成深度学习算法的云端训练，以获取用于预测污水处理加药量的加药量预测模型；

加药量预测模型，将经过深度学习模型训练模块后的模型文件作为污水处理的加药量预测模型，将数据采集模块在污水处理过程中获取的进水参数和出水参数作为加药量预测模型的输入，从而计算出加药量，并将计算所得的加药量值传递给加药执行模块；

云端数据库，用于接收加药参数、进水参数和出水参数并存储。

本发明的优点在于：依据进水参数和出水参数，将深度学习与云计算技术相融合对污水处理现场药剂用量的添加做出实时预测与调整，同时基于深度学习的人工智能算法有效克服了污水处理过程中的多变量强耦合、强非线性、参数时变等缺点；云计算能够很好的适应污水处理现场各状态参数数据吞吐量大、所需运算处理速度高等特点，因此有效提高了加药量的控制精度，降低了药剂损耗量，大大降低了污水处理成本。

附图说明

图1是本发明基于深度学习与云计算的污水处理智能控制方法的架构图；

图2是本发明基于深度学习与云计算的污水处理智能控制方法的一种较佳实施例的结构示意图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步详细的说明。

如图1和图2所示，本实施例公开了一种基于深度学习与云计算的污水处理智能控制方法及其系统，系统包括污水处理现场加药执行模块、本地存储模块和云端服务器，污水处理现场加药执行模块连接有数据采集模块，且污水处理现场加药执行模块包括加药执行装置，云端服务器包括深度学习模型训练模块和和云端数据库，其中：

加药执行装置，用于根据加药量控制信号完成相应的加药动作；

数据采集模块，用于实时采集污水处理过程中的进水参数和出水参数；

深度学习模型训练模块，运用云计算分布式存储与计算技术完成深度学习算法的云端训练，以获取用于预测污水处理加药量的加药量预测模型；

加药量预测模型，将经过深度学习模型训练模块后的模型文件作为污水处理的加药量预测模型，将数据采集模块在污水处理过程中获取的进水参数和出水参数作为加药量预测模型的输入，从而计算出加药量，并将计算所得的加药量值传递给加药执行模块；

云端数据库，用于接收加药参数、进水参数和出水参数并存储；

存储模块，用于存储污水污水处理过程中的加药参数、进水参数和出水参数并将前述参数数据值上传至云端服务器。

具体地，上述基于深度学习与云计算的污水处理智能控制系统的控制方法包括以下步骤：

s1.采集加药参数与污水处理器的进水参数和出水参数；其中进水参数和出水参数由数据采集模块采集，加药参数直接从plc中获取。plc连接有触摸屏，用于输入污水处理程度要求命令和/或手动输入加药量控制命令等。

s2.将所述加药参数、进水参数和出水参数发送至云端服务器并在云端服务器中进行数据清洗，主要去除重复值与无效值，同时进行相应的归一化去纲处理，以获得训练集；同时利用组态软件将加药参数、进水参数和出水参数存储在本地存储模块中，且通过以太网将加药参数、进水参数和出水参数发送至端服务器并存储；

s3.采用云计算方式使用所述训练集对云端服务器中的深度学习算法进行训练，其中深度学习算法采用5层全连接神经网络作为待训练模型，各层的激活函数均选用relu，节点数分别为20、32、32、32、1，精度值设定为0.01，导入经过步骤s2处理的训练集，并开始深度学习算法模型的训练以获得用于预测污水处理加药量的加药量预测模型；

s4.安装在污水处理现场的算法控制器通过ftp方式获取前述加药量预测模型，预测模型根据进水参数和出水参数计算污水处理药剂及其用量，并将计算结果发送给plc，plc根据计算结果控制加药执行装置完成加药。

具体地，在步骤s1中，加药参数为污水处理用药剂用量；进水参数和出水参数分别为进水水质参数和出水水质参数，且所述进水水质参数和出水水质参数均包括ph值、含磷量、含氮量和含cod等状态参数。

优选地，在步骤s3中，计算加药参数与深度学习算法的药剂用量计算值之间的偏差值，同时将偏差值作为训练集以提高训练效果。

算法控制器与加药执行装置硬件安装在一起，避免单一控制器上运行多程序时，相互之间产生耦合干扰。

优选地，污水处理现场加药执行模块中采集的污水进水参数、出水参数，现场算法控制器的加药量计算值与加药执行装置的状态参数共同传递给现场工业监控模块，实现对现场运行硬件系统状态的实时监控与控制。

本实施例的污水处理加药量控制方法，通过步骤s1至步骤s4的过程，便可将深度学习与云计算技术相融合对污水处理现场药剂用量的添加做出实时预测与调整，有效克服了传统plc+pid自动控制模式在pid参数的选择与plc控制程序的编写上均需依赖污水处理领域技术人员的过往经验，同时云计算也有效克服了传统算法控制器难以满足污水处理现场算法运算速度快、数据吞吐量大的数据处理要求，有效提高了加药量的控制精度，降低了药剂损耗量，大大降低了污水处理成本。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围，本发明的连接指直接连接或间接连接。

尽管本文较多地使用了污水处理现场加药执行模块本地存储模块、云端服务器、进水参数、出水参数、加药执行装置、加药量预测模型、本地数据库、云端数据库、深度学习模型训练模块、加药量预测模型等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。