污水处理的智能监测系统及其方法与流程

本技术涉及智能化监测，并且更具体地，涉及一种污水处理的智能监测系统及其方法。

背景技术：

1、污水处理厂属高耗能行业，生物处理系统作为核心单元承担着去除污水中主要污染物质的任务，其中，厌氧和好氧(曝气)处理系统运行所需能耗约占整个污水厂的50％以上。因此，对污水处理厂曝气系统进行优化改造，提升其稳定性以及能源资源利用效率，是污水厂出水达标排放和节能降耗的需求所在。

2、在污水生物处理过程中，反应器内气体的产生与释放直接相关。由气体产生机理可知，反应器内气体产物组分及产率可以有效反应污染物降解程度，气体产物检测分析的相关数据可作为曝气控制的重要参数。

3、当前传统污水处理曝气控制方法大多采用手动pid控制或人工经验模式化控制，难于获得实时监测数据和足够的数据量；又由于污水处理曝气系统为多变量、强耦合、强非线性复杂体系，具有不确定性、时变性、时滞性、大惯性等特点，内部同时进行物理、化学和生物多相反应，依赖传统数学模型的方法难以捕捉复杂系统中多变量间存在的耦合关系，无法适应实时变化的复杂体系，难以实现污水处理自动控制系统的精准调控。

4、因此，期待一种优化的污水处理的智能监测方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种污水处理的智能监测系统及其方法，其获取由气体传感器采集的预定时间段内多个预定时间点的氨气浓度值；利用基于深度学习的深度神经网络模型来拟合污水处理过程中氨气浓度值的时序特征与曝气机的控制之间的映射关系，并基于污水中氨气的浓度值自适应地控制曝气机，以实现对污水处理过程的优化控制，进而提高处理效率和质量。

2、第一方面，提供了一种污水处理的智能监测系统，其包括：

3、氨气浓度采集模块，用于获取由气体传感器采集的预定时间段内多个预定时间点的氨气浓度值；

4、向量化模块，用于将所述多个预定时间点的氨气浓度值按照时间维度排列为氨气浓度时序输入向量；

5、差分模块，用于计算所述氨气浓度时序输入向量中每相邻两个位置的氨气浓度时序输入向量之间的差值以得到氨气浓度时序变化输入向量；

6、整合模块，用于将所述氨气浓度时序变化输入向量和所述氨气浓度时序输入向量进行级联以得到氨气浓度动静时序输入向量；

7、特征提取模块，用于将所述氨气浓度动静时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度氨气浓度动静时序特征向量；以及

8、监测结果生成模块，用于将所述多尺度氨气浓度动静时序特征向量通过分类器以得到分类结果，所述分类结果用于表示是否启动所述曝气机。

9、在上述污水处理的智能监测系统中，所述整合模块，用于：以如下级联公式将所述氨气浓度时序变化输入向量和所述氨气浓度时序输入向量进行级联以得到氨气浓度动静时序输入向量；其中，所述级联公式为：

10、vc＝concat[va，vb]

11、其中，va表示所述氨气浓度时序变化输入向量，vb表示所述氨气浓度时序输入向量，concat[·]表示级联函数，vc表示氨气浓度动静时序输入向量。

12、在上述污水处理的智能监测系统中，所述特征提取模块，包括；第一尺度特征提取单元，用于将所述氨气浓度动静时序输入向量输入所述双管线模型的第一卷积神经网络模型以得到第一尺度氨气浓度特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；第二尺度特征提取单元，用于将所述氨气浓度动静时序输入向量输入所述双管线模型的第二卷积神经网络模型以得到第二尺度氨气浓度特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，多尺度融合单元，用于将所述第一尺度氨气浓度特征向量和所述第二尺度氨气浓度特征向量级联以得到所述多尺度氨气浓度动静时序特征向量。

13、在上述污水处理的智能监测系统中，所述第一尺度特征提取单元，用于：使用所述双管线模型的第一卷积神经网络模型的各层在层的正向传递中分别对所述氨气浓度动静时序输入向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为所述第一尺度氨气浓度特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述氨气浓度动静时序输入向量。

14、在上述污水处理的智能监测系统中，所述第二尺度特征提取单元，用于：使用所述双管线模型的第二卷积神经网络模型的各层在层的正向传递中分别对所述氨气浓度动静时序输入向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和线性激活处理以由所述第二卷积神经网络模型的最后一层的输出为所述第二尺度氨气浓度特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述氨气浓度动静时序输入向量。

15、在上述污水处理的智能监测系统中，所述监测结果生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述多尺度氨气浓度动静时序特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

16、在上述污水处理的智能监测系统中，还包括用于对所述包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练氨气浓度采集单元，用于获取由气体传感器采集的预定时间段内多个预定时间点的训练氨气浓度值；训练向量化单元，用于将所述多个预定时间点的训练氨气浓度值按照时间维度排列为训练氨气浓度时序输入向量；训练差分单元，用于计算所述训练氨气浓度时序输入向量中每相邻两个位置的训练氨气浓度时序输入向量之间的差值以得到训练氨气浓度时序变化输入向量；训练整合单元，用于将所述训练氨气浓度时序变化输入向量和所述训练氨气浓度时序输入向量进行级联以得到训练氨气浓度动静时序输入向量；训练特征提取单元，用于将所述训练氨气浓度动静时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到第一尺度训练氨气浓度动静时序特征向量和第二尺度训练氨气浓度动静时序特征向量；多尺度训练融合模块，用于将所述第一尺度训练氨气浓度动静时序特征向量和所述第二尺度训练氨气浓度动静时序特征向量进行级联以得到多尺度训练氨气浓度动静时序特征向量；训练优化单元，用于计算所述第一尺度氨气浓度动静时序特征向量和所述第二尺度氨气浓度动静时序特征向量的流式精细化损失函数值；分类损失函数值计算单元，用于将所述多尺度训练氨气浓度动静时序特征向量通过所述分类器以得到分类损失函数值；以及，训练单元，用于计算所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值来对所述包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型和所述分类器进行训练的训练模块。

17、在上述污水处理的智能监测系统中，所述训练优化单元，用于：以如下优化公式计算所述第一尺度氨气浓度动静时序特征向量和所述第二尺度氨气浓度动静时序特征向量的流式精细化损失函数值；其中，所述优化公式为：

18、

19、其中，v1是所述第一尺度氨气浓度动静时序特征向量，v2是所述第二尺度氨气浓度动静时序特征向量，表示向量的二范数的平方，表示按位置减法，⊙表示按位置点乘，exp[·]表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述流式精细化损失函数值。

20、第二方面，提供了一种污水处理的智能监测方法，其包括：

21、获取由气体传感器采集的预定时间段内多个预定时间点的氨气浓度值；

22、将所述多个预定时间点的氨气浓度值按照时间维度排列为氨气浓度时序输入向量；

23、计算所述氨气浓度时序输入向量中每相邻两个位置的氨气浓度时序输入向量之间的差值以得到氨气浓度时序变化输入向量；

24、将所述氨气浓度时序变化输入向量和所述氨气浓度时序输入向量进行级联以得到氨气浓度动静时序输入向量；

25、将所述氨气浓度动静时序输入向量通过包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度氨气浓度动静时序特征向量；以及

26、将所述多尺度氨气浓度动静时序特征向量通过分类器以得到分类结果，所述分类结果用于表示是否启动所述曝气机。

27、在上述污水处理的智能监测方法中，将所述氨气浓度时序变化输入向量和所述氨气浓度时序输入向量进行级联以得到氨气浓度动静时序输入向量，包括：以如下级联公式将所述氨气浓度时序变化输入向量和所述氨气浓度时序输入向量进行级联以得到氨气浓度动静时序输入向量；其中，所述级联公式为：

28、vc＝concat[va，vb]

29、其中，va表示所述氨气浓度时序变化输入向量，vb表示所述氨气浓度时序输入向量，concat[·]表示级联函数，vc表示氨气浓度动静时序输入向量。

30、与现有技术相比，本技术提供的污水处理的智能监测系统及其方法，其获取由气体传感器采集的预定时间段内多个预定时间点的氨气浓度值；利用基于深度学习的深度神经网络模型来拟合污水处理过程中氨气浓度值的时序特征与曝气机的控制之间的映射关系，并基于污水中氨气的浓度值自适应地控制曝气机，以实现对污水处理过程的优化控制，进而提高处理效率和质量。