技术特征：
1.一种污水处理场景下的人工智能自动化投药方法，其特征在于：包括如下步骤：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；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；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。2.根据权利要求1所述一种污水处理场景下的人工智能自动化投药方法，其特征在于：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：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；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；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。3.根据权利要求1所述一种污水处理场景下的人工智能自动化投药方法，其特征在于：所述归一化处理数值满足：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；所述指标真值恢复处理满足：a＝a_u*(a_max-a_min)+a_min。4.根据权利要求1所述一种污水处理场景下的人工智能自动化投药方法，其特征在于：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：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；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；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；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；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。5.根据权利要求1所述一种污水处理场景下的人工智能自动化投药方法，其特征在于：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：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；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；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。6.根据权利要求1至5任一权利要求所述一种污水处理场景下的人工智能自动化投药方法，其特征在于：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。7.根据权利要求6所述一种污水处理场景下的人工智能自动化投药方法，其特征在于：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。
技术总结
本发明涉及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：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；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。本发明能针对不同污水的药剂投加场景，仅通过较少的几个业界通用指标，结合往期有偏实际生产数据以及小规模实验数据并通过MLP多层感知机网络进行训练，实现可具备落地量产实施的自动化精准投药方案。准投药方案。准投药方案。
技术研发人员：陆立海 洪雷 方圆 王德凯 杜镭 成刚 田冬梅 何华生 覃日帮 林日团 李文文 李庆金 梁传顺
受保护的技术使用者：广西博世科环保科技股份有限公司
技术研发日：2022.03.31
技术公布日：2022/6/21