一种智能絮凝剂决策系统的制作方法

本发明涉及水处理智能管理技术领域，尤其涉及一种智能絮凝剂决策系统。

背景技术：

对于一个标准的现代化供水系统，供水系统的智能控制环节至关重要。而在水厂的净水处理过程中，絮凝投药环节是净化工艺中的核心工艺，絮凝沉淀效果直接影响着出厂水水质，所以絮凝剂投加量的自动控制就成为现代化供水系统中的关键环节。目前现有技术中虽然提出了多种絮凝剂投加控制方案，但暂时没有相关的成熟产品，很多水厂日常运营中仍然采用固定投加率方式进行加矾。

目前，水厂在实际运营过程中通常以固定投加率投加絮凝剂，投加率往往偏高，会存在浪费现象；此外，采用固定投加率投加絮凝剂，只考虑原水流量因素，在原水水质参数突变时也无法保障出厂水水质达到符合标准，因而亟需一种具有智能化的絮凝剂添加管理系统。

技术实现要素：

针对现有技术中存在的上述问题，现提供一种智能絮凝剂决策系统，具体技术方案如下所示：

一种智能絮凝剂决策系统，该种智能加矾决策系统应用于一水厂供水系统的净水子系统中，净水子系统主要包括一原水池、一絮凝沉淀池和一絮凝剂加药泵，絮凝沉淀池连接原水池用于对原水进行絮凝沉淀操作；

智能絮凝剂决策系统具体包括：

水质采集模块，用于以一第一预设频率持续对原水池进行原水水质监测并输出一水质参数集合；

前馈控制模块，连接水质采集模块，根据水质参数集合和一预设的投药模型进行处理，输出一前馈投药量；

絮凝剂加药泵根据前馈投药量向絮凝沉淀池投放絮凝剂；

图像采集模块，用于以一第二预设频率持续对絮凝沉淀池进行絮凝图像获取并进行预处理，输出一絮凝特征集合；

后馈控制模块，连接图像采集模块，根据絮凝特征集合和一预设的修正模型进行处理，输出一后馈投药修正量；

絮凝剂加药泵根据后馈投药修正量修正向絮凝沉淀池投放的絮凝剂数量。

优选的，该种智能絮凝剂决策系统，其中水质参数集合包括原水流量数据、原水浊度数据、原水ph值数据和原水温度数据。

优选的，该种智能絮凝剂决策系统，其中投药模型根据历史水质参数样本数据，基于elman神经网络算法训练得到。

优选的，该种智能絮凝剂决策系统，其中图像采集模块具体包括：

图像采集模组，设置于絮凝沉淀池中，用于持续获取流动水样图像；

处理模组，连接图像采集模组，用于对流动水样图像进行处理并输出絮凝特征集合。

优选的，该种智能絮凝剂决策系统，其中图像采集模组具备自清洁功能。

优选的，该种智能絮凝剂决策系统，其中处理模组进一步包括：

预处理单元，用于对流动水样图像依次进行灰度化处理、图像平滑处理和灰度修正处理，输出一预处理图像；

分割处理单元，连接预处理单元，用于对预处理图像进行矾花图像分割并统计矾花数量和分布密度；

特征提取单元，连接分割处理单元，用于根据矾花数量和分布密度进行矾花特征提取和标准化处理，输出絮凝特征集合。

优选的，该种智能絮凝剂决策系统，其中修正模型输出的后馈投药修正量包括多加、少加、合适、多减、少减五种修正状态。

优选的，该种智能絮凝剂决策系统，其中修正模型包括一一级分类器和一二级分类器，二级分类器连接一级分类器；

一级分类器根据絮凝特征集合进行分类并映射至相应的后馈投药修正量区域；

二级分类器对于一级分类器难以划分的絮凝特征集合进行二次重划分。

优选的，该种智能絮凝剂决策系统，其中第一预设频率为分钟级。

本技术方案具有如下优点或有益效果：

通过本技术方案，能够分别在絮凝剂投放的起始和中途根据原水水质和絮凝沉淀池的水体沉淀变化灵活进行絮凝剂投放量的调整，实现了智能化自主指导控制絮凝剂的合理添加，进而达到帮助水厂节省药耗，加速自来水厂自动化的进程，提升精细化管理的目的。

附图说明

图1为本发明一种智能絮凝剂决策系统的结构示意图。

图2为本发明一种智能絮凝剂决策系统中，训练投药模型的elman神经网络模型的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

针对现有技术中存在的上述问题，现提供一种智能絮凝剂决策系统，具体技术方案如下所示：

一种智能絮凝剂决策系统，如图1所示，该种智能加矾决策系统应用于一水厂供水系统的净水子系统中，净水子系统主要包括一原水池01、一絮凝沉淀池02和一絮凝剂加药泵03，絮凝沉淀池02连接原水池01用于对原水进行絮凝净水操作；

智能絮凝剂决策系统具体包括：

水质采集模块1，用于以一第一预设频率持续对原水池进行原水水质监测并输出一水质参数集合；

前馈控制模块2，连接水质采集模块1，根据水质参数集合和一预设的投药模型进行处理，输出一前馈投药量；

絮凝剂加药泵03根据前馈投药量向絮凝沉淀池投放絮凝剂；

图像采集模块3，用于以一第二预设频率持续对絮凝沉淀池进行絮凝图像获取并进行预处理，输出一絮凝特征集合；

后馈控制模块4，连接图像采集模块3，根据絮凝特征集合和一预设的修正模型进行处理，输出一后馈投药修正量；

絮凝剂加药泵03根据后馈投药修正量修正向絮凝沉淀池投放的絮凝剂数量。

在本发明一较佳实施例中，

作为优选的实施方式，该种智能絮凝剂决策系统，其中水质参数集合包括原水流量数据、原水浊度数据、原水ph值数据和原水温度数据。

在本发明的另一较佳实施例中，对流量、浊度、ph值、温度等反应原水水质变化的数据进行检测能够当原水水质参数发生突变时也及时调整絮凝策略以保障出厂水水质达到符合标准

作为优选的实施方式，该种智能絮凝剂决策系统，其中投药模型根据历史水质参数样本数据，基于elman神经网络算法训练得到。

在本发明的另一较佳实施例中，投药模型基于elman神经网络算法训练获得，通过一定数量的水厂历史数据作为样本数据，建立原水水质参数与絮凝剂投加量之间的神经网络模型。elman神经网络是一种典型的动态递归神经网络，该网络除了常规神经网络中的输入层、隐含层和输出层外，还提出了一个特定的承接层，用于记忆隐含层单元前一时刻的输出值，并反馈给网络的输入

如图2所示，神经网络输入为u，隐含层和承接层的输出非别为x和xc，输出为y，其数学表达式为：

x(t)＝f(w1u(t-1)+w3xc(t))

xc(t)＝x(t-1)+αxc(t-1)

y(t)＝g(w2x(t))

上式中：u(t-1)为输入层结点的输入；x(t)为隐含层结点的输出；y(t)为输出结点的输出；xc(t)为反馈状态向量；w1，w3，w2分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值；g()为输出层神经元的传递函数；f()为隐含层神经元的传递函数，f()多取sigmoid函数，f(x)＝1/(1+e^-x)；α为反馈权值；t为神经元序号。

于上述较佳实施例中，神经网络的输入量包括原水流量数据、原水浊度数据、原水温度数据、原水ph值数据和历史投药流量数据共10000组以构成样本库以预测控制量；输出量为投药量(flow)，当相对误差和平方均值e达到预先设定误差时停止网络训练，此时网络模型就是所需的絮凝投药预测模型。

作为优选的实施方式，该种智能絮凝剂决策系统，其中图像采集模块3具体包括：

图像采集模组31，设置于絮凝沉淀池中，用于持续获取流动水样图像；

处理模组32，连接图像采集模组31，用于对流动水样图像进行处理并输出絮凝特征集合。

作为优选的实施方式，该种智能絮凝剂决策系统，其中图像采集模组31具备自清洁功能。

在本发明的另一较佳实施例中，图像采集模组31可以是一种附带光源的水下图像采集装置(具备500万像素和定焦镜头的工业相机)，设置于絮凝沉淀池水中一定深度处，通过计算机串口实现对相机拍摄和图像信息传输的控制，并以一定帧率连续采集流动水样图像，并匹配比较自来水厂浊度仪记录的数据；该种图像采集模组31还带有一种机械装置能够定期对相机镜头进行自清洁。

作为优选的实施方式，该种智能絮凝剂决策系统，其中处理模组32进一步包括：

预处理单元321，用于对流动水样图像依次进行灰度化处理、图像平滑处理和灰度修正处理，输出一预处理图像；

分割处理单元322，连接预处理单元321，用于对预处理图像进行矾花图像分割并统计矾花数量和分布密度；

特征提取单元323，连接分割处理单元322，用于根据矾花数量和分布密度进行矾花特征提取和标准化处理，输出絮凝特征集合。

在本发明的一较佳实施例中，处理模组32的主要处理过程及功能包括：

图像预处理，现将获取的彩色图像转换成成0到255共256个灰度级的灰度图像来处理，即把图像数据以rgb形式表示，同时去除图像中的干扰色彩，然后采用非线性中值滤波算法来滤除噪声进行图像平滑，最后采用灰度变换方法将原图像主要集中在80到255的灰度级均匀变换到0和255之间，以改善图像的对比度。

图像分割，将矾花图像和图像2进行分割区分，于上述较佳实施例中，采用大津法进行矾花图像分割，在得到初步的二值化图像后，对二值化图像利用区域增长技术进行细分割，统计其中的矾花数量，从而计算其分布密度。

进一步形态学图像处理和纹理分析，通过形态学图像处理进一步简化图像，分离粘连纤细的矾花，同时消除图像中噪声干扰，于纹理分析过程中，先计算互相关函数，定义互相关函数测度如下所示：

其中：x＝0,1,2,…,n-1；s(x,y)为原图像，t(x,y)为模板图像，大小均为m×n，s(x,y)和t(x,y)均表示图像在坐标(x,y)处的像素值；而后通过灰度共现矩阵进行特征提取，根据图像的灰度特征、图像纹理特征、图像形态特征分别提取核心特征量，主要包括：矾花灰度图像的方差、倾斜度、峰态、熵；二值图像中矾花的平均面积、平均周长、平均等效直径、分布密度等，在剔除其中的相关性不强特征后进行标准化处理得到絮凝特征集合。

作为优选的实施方式，该种智能絮凝剂决策系统，其中修正模型输出的后馈投药修正量包括多加、少加、合适、多减、少减五种修正状态。

在本发明的另一较佳实施例中，由于修正模型目的是为了修正投药模型的结果，根据模板图像对应的多加、少加、合适、少减、多减五种状态，需要在絮凝投药预测模型结果的基础上进行一定修正。于本实施例中，五种状态对应的修正比例系数分别设置为5％，2.5％，0，-2.5％，-5％，根据映射到对应的修正比例系数并输出——例如，当投药模型输出的投药量结果为x，当前矾花图像的修正比例系数结果为5％，则最终投药量为(1+5％)x，根据最终投药量计算加药泵变频器频率进而控制絮凝剂的用量。

作为优选的实施方式，该种智能絮凝剂决策系统，其中修正模型包括一一级分类器和一二级分类器，二级分类器连接一级分类器；

一级分类器根据絮凝特征集合进行分类并映射至相应的后馈投药修正量区域；

二级分类器对于一级分类器难以划分的絮凝特征集合进行二次重划分。

在本发明的另一较佳实施例中，根据模拟加矾量对应多加，少加、合适、多减、少减的五种状态，分别采集不同状态下的水下矾花图像各500幅图像，对应五种状态各选取300幅图像用于训练分类器，剩下的图像用于测试分类识别率。本较佳实施例中构造了两级分类器用于识别采集的矾花图像并进行相应分类，其中：

第一级分类器采用了图像预处理后的互相关函数特征，计算输入图像与五种模板图像的互相关函数，得到一个最大值并计算最大值与1的差值的绝对值，若低于某个预先设定的阈值r，则识别为该类图像状态；若大于这个阈值，则拒识进入第二级分类器。

第二级分类器为多分类器组合，提取了图像的三种特征(包括：矾花分布密度、图像矩特征、共现矩特征)，构造了三个特征分类器，对图像的识别形成一个综合的决策；在构造多分类器组合时，采用各分类器的距离度量信息，其计算公式如下：

其中m为分类器个数，于本技术方案中被设定为3。dif[i]为输入图像的第i个分类器的中心特征值，dsf[i]为模板图像对应的第i个分类器的中心统计特征值。通过两级分类器的设置能够有效精确地进行分类映射。

作为优选的实施方式，该种智能絮凝剂决策系统，其中第一预设频率为分钟级。

在本发明的另一较佳实施例中，采集频次被设定为1至5分钟/次。由于原水水质波动通常稳定在一定区间，大幅突变的情况极少，故而在实际应用过程中数据采集频率不需要很高，限定于分钟级即可。

综上所述，通过本技术方案，能够分别在絮凝剂投放的起始和中途根据原水水质和絮凝沉淀池的水体沉淀变化灵活进行絮凝剂投放量的调整，实现了智能化自主指导控制絮凝剂的合理添加，进而达到帮助水厂节省药耗，加速自来水厂自动化的进程，提升精细化管理的目的。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。