一种污水处理场景下的人工智能自动化投药方法与流程

1.本发明属于智能污水处理技术领域，主要涉及一种污水处理场景下的人工智能自动化投药方法。


背景技术：

2.在污水或废水处理工艺设置过程中，考虑因素较为复杂，需要针对不同的污水来源及水质，设置相应的处理工艺流程，并建设定制化的厂房和污水处理设施。涉及的因素包括：物理性污染、无机物污染、有机物污染、营养盐污染与水体富营养化、生物污染和放射性污染等。其中，投加药剂处理具有适用面广、普适性好、效率高、效果稳定的优势，成为了污废水处理工艺中非常重要的环节。由于处理水质的不同及定制化工艺流程的差异，也使得整个污废水处理系统从前期的设计到后期的运营维护，都离不开有经验的工程师进行分析和操作，尤其是不同的药剂投加工艺环节(重点是加药量与效果呈现非严格线性关系，以及同时投加包含多种药剂的药剂组合投加等场景)，其药剂投加量的决策更是需要工程师进行持续跟踪。
3.随着人工智能ai(artificial intelligence)近年来的兴起，模型技术已经在各个行业领域得到了广泛的应用，智能水务领域天然有着大数据支撑、复杂因素相互作用、明确的指标预期等特性，十分适合应用ai技术，来解决各环节的数据预测推理，进而结合业务演化出自动化数据展现、指标预测、指标风控、监控预警、药剂精准投加等应用技术。然而实际从业界技术发展现状看来，ai技术在环保污水处理领域落地的案例还较少，其中最主要的问题可以归结为：有效数据样本的不足。在实际落地过程中，污水处理工艺涉及的影响因素复杂，不同水厂的处理系统有着其特殊性，而且一般考虑到指标采集传感器造价昂贵，通常仅对一些主要指标进行采集，因此对于系统的运行细节往往仅停留在粗略的了解。与理论模型推导不同的是，一方面由于真实生产环境下要求出水指标确保在合规范围内，因此数据都是乐观样本，缺少不同情况下对数值超标的试探和感知；另一方面，在某些情况下工程师为了获取超标时的投药情况数据，往往使用测试环境的数据来作为样本训练，但测试系统并不能确保与实际生产一致，因此，工程师们很难拿到大量的、覆盖全场景的水厂真实数据，这样的数据训练出的模型，或者过于保守，导致投药浪费，亦或者不能精准把控标准边界，造成出水指标超标等风险。
4.因此，虽然业内涌现出一些通过建模来解决智能投药的理论，但往往由于数据获取成本高昂，数据偏差较大，出现模型效果欠佳，实际应用落地难等情况；其主要原因在于，在开展基于基于人工智能大数据模型的药剂投加技术应用时，无法避免会面临数据缺失的问题，甚至对于一些存在一定量历史运行数据的项目场景，也同样存在数据量不足的问题，其主要原因是：
5.(1)ai智能模型训练依赖的大数据建设成本较大，收益不明确，设备投入成本高；
6.(2)历史的实验级别数据，与实际投产环境仍然存在差别，数据不可直接复用；
7.(3)人工阶段形式的补充指标采集，由于检测效率的限制，采样间隔时间较长，数
据曲线不连续平滑。
8.综合以上问题，最核心的难点在于，历史往期小量的数据样本，本身无法代表最优的投药经验，label本身与最优真值存在偏差，而逆向模型如果以此数据作为训练的话，无法学习到最优的投药方式；而如果需要补足数据样本，将大幅度增加投入成本，为此还会存在：第一、历史数据中的投药量，出于实际生产中的谨慎考量，各种药量可能存在着过量投药或者药量之间的此消彼长互补，那么经过学习得到的投药量也是偏谨慎的；第二、在历史投药过程，尤其是同时投加包含多种药剂的药剂组合投加等场景，不同的药剂之间可以通过此消彼长来互补效果，而由于数据量过少，存在着模型无法捕捉组合药剂间的互补关系，难以判断哪种适当多些，哪种适当少一些，以及样本中哪些药剂实际是过量加注浪费等问题。


技术实现要素：

9.针对以上问题，本发明提出污水处理场景下一种基于人工智能的低成本高效自动化投药方法。本发明应用mlp多层感知机神经网络，并采取一种有偏数据样本下的模型构建方案，针对不同污水处理系统的药剂投加场景，仅通过较少的几个业界通用指标，并结合往期有偏实际生产数据以及小规模实验数据，从正向和逆向路径多步骤构建预测模型，实现可具备落地量产实施的自动化精准投药方案。为解决上述技术问题，本发明所采用如下技术方案：
10.本发明提供了一种污水处理场景下的人工智能自动化投药方法，包括如下步骤：
11.基于正式投产污水处理系统场景下的投药效果进行预测分析，获取有偏数据集合d1形成正向投药预测模型；
12.在同一投药生产工艺环境下，基于正式投产污水系统场景按等比例缩小的方式制作一套实验系统场景下的实验模型，采用实验模型与正向投药预测模型相互关联，在同等环境下获取实验环境下的异常边界样本数据集合d2；并按照等比缩量投药方式，补充实验环境下的异常边界样本数据集合d2，实现样本增强；
13.合并有偏数据集合d1和异常边界样本数据集合d2作为逆向投药预测模型的训练样本集合，重新训练逆向投药预测模型，获取最终的投药预测试剂量。
14.上述方案进一步优选的，基于正式投产污水处理场景下的投药效果进行预测分析包括如下步骤：
15.步骤:10：在正式投产的生产环境下收集往期投药有偏数据作为训练样本，并对训练样本行归一化处理和指标真值恢复处理；
16.步骤:11：选取入水特征指标和出水特征指标，以污水的入水特征指标作为输入指标，并为每个输入指标提取n次方值作为基础特征；
17.步骤:12：将基础特征输入正向投药预测模型进行预测分析，获取支持根据输入指标预估的输出指标；
18.上述方案进一步优选的，所述归一化处理数值满足：
19.a_u＝(a-a_min)/(a_max-a_min)，其中a_min和a_max分别为各个指标的最大最小值；
20.所述指标真值恢复处理满足：a＝a_u*(a_max-a_min)+a_min。
21.上述方案进一步优选的，采用实验环境与正向投药预测模型相互关联包括步骤如下：
22.步骤20：基于正式投产污水系统场景按等比例缩小的方式制作一套实验系统场景下的实验模型，采用与正式投产的生产环境下同等工艺的实验环境，根据正式投产生产环境的投药量，按照等比缩量投药方式分别收集实验环境下的非超标区域的入水特征指标和出水特征指标以及超标区域的入水特征指标和出水特征指标；
23.步骤21：选取与正式投产的生产环境下同等的入水特征指标和出水特征指标，以此作为实验环境下的训练样本，
24.步骤22：将实验环境下的训练样本借助正向投药预测模型进行关联训练，获取实验环境下的异常边界样本数据的预测指标；
25.步骤23：为每个异常边界样本数据的预测指标提取n次方值作为基础特征；
26.步骤24：对提取后的各指标进行归一化处理，获取实验环境下根据输入指标预估的输出指标。
27.上述方案进一步优选的，重新训练逆向投药预测模型，获取最终的投药预测试剂量包括如下步骤：
28.步骤:30：将正式投产的生产环境的有偏数据和实验环境下的异常边界样本数据进行合并作为智能投药的训练样本集合；
29.步骤:31：对智能投药的训练样本集合进行归一化处理，选取智能投药的训练样本集合的入水特征指标和出水特征指标，并为每个输入指标提取n次方值作为基础特征；
30.步骤:32：将基础特征逆向输入正向投药预测模型进行逆向训练，获取逆向训练的投药预测指标。
31.上述方案进一步优选的，基于正式投药效果进行预测分析采用三层串联结构的mlp多层感知机神经网络，针对不同污水处理场景进行自动训练分析污水多个入水特征输入指标之间的关系，获取投药预测试剂量。
32.上述方案进一步优选的，所述三层串联结构的mlp多层感知机神经网络分别为：第一层节点input层、第二层为隐藏层，通过对多个通用指标之间的关系进行反复训练对比获得最优权值，输出第三层为预测目标，即为投药试剂预测药量。
33.综上所述，本发明由于采用了上述技术方案，本发明的有益之处在于：
34.(1)、本发明基于人工智能的低成本高效自动化投药方法，应用mlp多层感知机神经网络，采取有偏数据样本下的模型构建本方案，针对不同污水处理系统的药剂投加场景，仅通过较少的几个业界通用指标，并结合往期有偏实际生产数据以及小规模实验数据，通过多层串联的mlp感知神经网络结构进行预测，实现可具备落地量产实施的自动化精准投药方案。
35.(2)、本发明结合人工智能技术，采用多层感知机mlp技术，仅依赖少量的通用指标为核心指标，检测能力容易获得，各个环保厂商已经建设并具备检测能力，从而解决水处理场景下的精准投药问题，而且推广使用成本低；
36.(3)、通过多层串联的mlp感知机神经网络进行自动训练分析较复杂的多个通用指标之间的关系，能基于较低成本的数据建设，结合生产数据和实验样本数据，就可提供较好的逆向投药预测训练，从而形成反馈网络，并结合边界数据的补充，修整预测训练的准确
性。
附图说明
37.图1为本发明的mlp多层感知机神经网络模型节点结构示意图；；
38.图2为本发明的mlp多层感知机神经网络的训练模型图；
39.图3为传统mlp训练的预测结果图；
40.图4为传统mlp训练的效果图；
41.图5为本发明的mlp训练的效果图。
具体实施方式
42.下面结合附图和具体实施对本发明进行详细描述。本发明的保护范围并不以具体方式为限，而是由权利要求加以限定。
43.结合图1，本发明方法具体实施描述如下，本实施例提供一种污水处理场景下的人工智能自动化投药方法，本发明以工业废水处理系统芬顿工艺段芬顿试剂(核心投加药剂为双氧水《h2o2》和硫酸亚铁
44.《fe2so4》)的投药场景为例进行详细说明，具体实施措施和步骤如下：首先，本发明的目的在于克服现有污水处理厂技术和数据储备不足，提出一种低成本方案，借助同等工艺实验环境实现样本补充的方法，实现对智能投药效果的准确率的提升，在实施策略上，分为三个阶段：包括如下步骤：基于正式投产污水处理场景下的投药效果进行预测分析，获取有偏数据集合d1形成正向投药预测模型；在同一投药生产工艺环境下，采用实验环境与正向投药预测模型相互关联，在同等环境下获取实验环境下的异常边界样本数据集合d2；按照等比缩量投药方式，补充实验环境下的异常边界样本数据集合d2，实现样本增强；合并有偏数据集合d1和异常边界样本数据集合d2作为逆向投药预测模型的训练样本集合，重新训练逆向投药预测模型，获取最终的投药预测试剂量。
45.在本发明中，结合图1和图2所示，基于正式投产污水处理场景下的投药效果进行预测分析包括如下步骤：
46.步骤:10：在正式投产的生产环境下收集往期投药有偏数据作为训练样本，并对训练样本行归一化处理和指标真值恢复处理；所述归一化处理数值a_u满足：a_u＝(a-a_min)/(a_max-a_min)，其中a_min和a_max分别为各个指标的最大最小值，对各指标进行归一化处理其目的是将各个特征收敛在统一个数量及范围内，在模型训练期间，提升梯度下降的迭代优化效率；记录各个指标的最大最小值a_min和a_max，以便后续通过公式进行指标真值恢复，所述指标真值恢复处理满足：a＝a_u*(a_max-a_min)+a_min；
47.步骤:11：选取入水特征指标和出水特征指标(水特征指标和出水特征指标的通用指标)，以污水的入水特征指标作为输入指标，并为每个输入指标提取n次方值作为基础特征，包括：u自身、二次方u_2、负一次方u_n1、负二次方u_n2，线性偏移量u_bia共5个；
48.步骤:12：将基础特征输入正向投药预测模型进行预测分析，获取支持根据输入指标预估的输出指标，以基础特征输入正向投药预测模型进行预测分析；根据往期投药有偏数据作为训练样本，选取入水特征指标和出水特征指标作为初始条件数据，对初始条件进行归一化处理，将各个特征收敛在统一个数量及范围内，使用正式生产环境下稀疏的样本
进行训练，合计输入feature数量为25，输出label数量为1，样本数为89，batch_size为4，最大训练epochs为100，从而获取支持根据输入指标预估输出指标，从而形成正向预测指标的产出模型m1(输出指标模型)，完成第一阶段实施策略工作；
49.在本发明中，结合图1和图2所示，采用实验环境与正向投药预测模型相互关联包括步骤如下：
50.步骤20：基于正式投产污水系统场景按等比例缩小的方式制作一套实验系统场景下的实验模型，采用与正式投产的生产环境下同等工艺的实验环境，根据正式投产生产环境的投药量，按照等比缩量投药方式分别收集实验环境下的非超标区域的入水特征指标和出水特征指标以及超标区域的入水特征指标和出水特征指标；根据生产环境下的投药量进行等比缩放，对于非超标区域和超标区域，分别收集数据样本，为了提升训练的准确性，部分数据可以根据生产样本中的投药量进行等比投放，收集实验环境下的入水和出水指标；
51.步骤21：选取与正式投产的生产环境下同等的入水特征指标和出水特征指标，以此作为实验环境下的训练样本；选取实验环境下的入水特征指标和出水特征指标作为输入指标，包括：实验环境下入水检测时的ph值《ph_in》、水量《water_amount》、cod值《cod_in》、双氧水加药量《h2o2》和硫酸亚铁加药量《fe2so4》、实验环境下出水指标《cod_out》。其中需要对水量这一指标按照生产环境进行等比放大；利用第一阶段实施策略形成的正向投药预测模，将以上指标(除了《cod_out》作为输入，正向投药预测模的预测结果《cod_out_prd》作为输出指标；
52.步骤22：将实验环境下的训练样本借助正向投药预测模型进行关联训练，获取实验环境下的异常边界样本数据的预测指标，形成关联模型m2；实验环境与投产环境进行关联，其目的是在非超标区域，捕捉实验环境和生产环境之间的关联关系，而在超标区域，借助实验环境易于获得大量测试数据的优势，为生产环境进行样本补充。
53.步骤23：对提取后的各指标进行归一化处理，获取实验环境下根据输入指标预估的输出指标；归一化方案采用a_u＝(a-a_min)/(a_max-a_min)，记录各个指标的最大最小值a_min和a_max，以便后续通过公式进行指标真值恢复：a＝a_u*(a_max-a_min)+a_min；将各个特征收敛在统一个数量及范围内，在训练期间，可提升梯度下降的迭代优化效率。
54.步骤24：为每个异常边界样本数据的预测指标提取n次方值作为基础特征；包括：u自身、二次方u_2、负一次方u_n1、负二次方u_n2，线性偏移量u_bia共5个。本发明将实验环境下的训练样本借助正向投药预测模型进行关联训练时采用mlp多层感知机神经网络，并借助以上特征选取方式，进行非线性扩展，采用均方误差损失函数，利用梯度下降算法进行迭代优化获得最佳预测指标，使用以上样本进行训练，合计输入feature数量为30，输出label数量为1，样本数为80，batch_size为4，最大训练epochs为100，并于实验环境下，补充200个测试样本，其中80个在超标区域采集，通过补充异常边界样本实现样本增强，从而获取关联关系支持根据输入指标预估输出指标，形成关联预测指标的产出模型m2(关联输出指标模型)，完成第二阶段实施策略工作。
55.在本发明中，结合图1和图2所示，重新训练逆向投药预测模型，获取最终的投药预测试剂量包括如下步骤：
56.步骤:30：将正式投产的生产环境的有偏数据和实验环境下的异常边界样本数据进行合并作为智能投药的训练样本集合；
57.步骤:31：对智能投药的训练样本集合进行归一化处理，归一化处理方案采用a_u＝(a-a_min)/(a_max-a_min)，记录各个指标的最大最小值a_min和a_max，以便后续通过公式进行指标真值恢复：a＝a_u*(a_max-a_min)+a_min，选取智能投药的训练样本集合的入水特征指标和出水特征指标，并为每个输入指标提取n次方值作为基础特征，包括：u自身、二次方u_2、负一次方u_n1、负二次方u_n2，线性偏移量u_bia共5个；在本发明中，入水检测时的ph值《ph_in》、水量《water_amount》、cod值《cod_in》、出水指标《cod_out》、cod消除量《cod_bias＝cod_in-cod_out》；选取双氧水加药量《h2o2》和硫酸亚铁加药量《fe2so4》作为输出指标
58.步骤:32：将基础特征逆向输入正向投药预测模型进行逆向训练，获取逆向训练的投药预测指标；根据逆向训练获取的投药预测指标形成逆向成投药预测模型m3；在本发明中，合计输入feature数量为25，输出label数量为2，样本数为289，batch_size为4，最大训练epochs为100，生成投药预测模型m3。根据训练指标进行逆向训练获得最终的智能反推投药预测模型m3，该模型可根据当前入水的检测指标和生产预期的出水指标，反推芬顿投药的剂量，基于正式投药效果进行预测分析采用三层串联结构的mlp多层感知机神经网络，如图2所示，针对不同污水处理场景进行自动训练分析污水多个入水特征输入指标之间的关系，获取投药预测试剂量；所述三层串联结构的mlp多层感知机神经网络分别为：第一层节点层(input layer层，节点rn＝12)，已包含基于原始入参的线性和非线性转化为12个特征，第二层为隐藏层(hidden layer层，节点rn＝10)，通过对多个通用指标之间的关系进行反复训练对比获得最优权值，反复训练对比获得最优神经元个数为10，第三层为输出层(output layer层，节点rn＝2)为预测目标，输出层为芬顿两种试剂的预测药量，即为投药试剂预测药量；多层感知神经网络输入参数包括：入水检测时的ph值、处理池水量、入水cod值，label采用出水检测时的cod值，样本数据简单具备通用性；在正向预测出水指标为单一输出节点《cod_out》，而反向智能投药模型中为2个输出节点，即芬顿两种试剂的预测药量-双氧水加药量《h2o2》和硫酸亚铁加药量《fe2so4》，本发明采用3000次采样作为实验，坐标每个点为抽稀后的一个数据样本，即一次投药，纵坐标数据进行了归一化操作，显示预测投药量和实际投药量的相对大小。同时对比传统mlp方法效果图(如图3和图4所示)和本发明的效果(如图5所示)，图3中是自动化预测结果与真值的对比图，相比与直接采用mlp预测模型相比，本专发明的预测准确性提升明显，如图5所示，且投药+量低于人工加投量，运行样本超标率为0％，具备实际落地价值，而且，推广使用成本低。本发明提出的方法仅依赖少量的通用指标，从而保证具备检测能力。本发明采用多层感知机mlp技术，自动训练分析较复杂的多个通用指标之间的关系，从而解决了水处理场景下的精准投药问题，可提供较好的投药预测效果。
59.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。