污水处理厂自动化控制系统及其方法与流程

本技术涉及自动化控制领域，且更为具体地，涉及一种污水处理厂自动化控制系统及其方法。

背景技术：

1、水是人类最不可或缺的资源，是国民经济和社会可持续发展的的基础和保障，随着人口的急剧增长和人们对生活品质要求的提高，加重了人们对水资源开发利用的需求。在社会活动中不可避免地会产生污水，若不加处理就进行排放，必然造成较为严重的水资源污染及生态环境问题，因此，污水处理厂作为重要的处理设施越来越受到重视。

2、在污水处理过程，如何合理的节约资源，提高污水处理效率和质量是一大难点。例如，当污水量较少，污染程度较低时，频繁的处理会消耗大量成本，造成资源浪费；当污水量积累过多，污染程度过高时再处理又可能对人们生活和环境质量造成恶劣影响。

3、因此，期望一种污水处理厂自动化控制系统。

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厂自动化控制系统，其基于污水量和污水污染程度来构建污水处理厂自动化控制系统，以智能的判断是否需要打开阀门处理污水。这样，有效地降低了能源损耗和对生活环境的影响，并且可以实现远程监控和自动化控制，提高管理效率和工作效率。

2、根据本技术的一个方面，提供了一种污水处理厂自动化控制系统，其包括：

3、监控模块，用于获取由水下摄像头采集的预定时间段的污水监控视频以及由流量传感器采集的所述预定时间段内多个预定时间点进入处理池的污水流量值；

4、污水流量特征提取模块，用于将所述预定时间段内多个预定时间点的进入处理池的污水流量值按照时间维度排列为污水流量输入向量后通过多尺度邻域特征提取模块以得到多尺度污水流量特征向量；

5、监控视频编码模块，用于从所述污水监控视频提取多个污水监控关键帧，将所述多个污水监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到污水特征图；

6、降维模块，用于对所述污水特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到污水特征向量；

7、多源特征融合模块，用于融合所述污水特征向量和所述多尺度污水流量特征向量以得到分类特征向量；以及

8、控制结果生成模块，用于将所述分类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打开阀门处理污水。

9、在上述污水处理厂自动化控制系统中，所述污水流量特征提取模块，包括：第一尺度特征提取单元，用于将所述污水流量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度污水流量特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述污水流量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度污水流量特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元，用于将所述第一尺度污水流量特征向量和所述第二尺度污水流量特征向量进行级联以得到所述多尺度污水流量特征向量。

10、在上述污水处理厂自动化控制系统中，所述第一尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一尺度卷积公式对所述污水流量输入向量进行一维卷积编码以得到第一尺度污水流量特征向量；其中，所述第一尺度卷积公式为：

11、

12、其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述污水流量输入向量，cov(x)表示对所述污水流量输入向量进行一维卷积编码。

13、在上述污水处理厂自动化控制系统中，所述二尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述污水流量输入向量进行一维卷积编码以得到所述第二尺度污水流量特征向量；其中，所述第二尺度卷积公式为：

14、

15、其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述污水流量输入向量，cov(x)表示对所述污水流量输入向量进行一维卷积编码。

16、在上述污水处理厂自动化控制系统中，所述监控视频编码模块，包括：采样单元，用于以预定采样频率从所述污水监控视频得到多个污水监控关键帧；以及，时间注意力卷积编码单元，用于将所述多个污水监控关键帧通过所述使用时间注意力机制的卷积神经网络模型以得到所述污水特征图。

17、在上述污水处理厂自动化控制系统中，所述时间注意力卷积编码单元，包括：相邻帧提取子单元，用于从所述多个污水监控关键帧中提取相邻的第一污水监控关键帧和第二污水监控关键帧；第一卷积编码子单元，用于将所述第一污水监控关键帧和所述第二污水监控关键帧分别通过所述卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；时间注意力子单元，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；注意力激活子单元，用于将所述时间注意力图输入softmax激活函数以得到时间注意力特征图；第二卷积编码子单元，用于将所述第二监控关键帧通过所述卷积神经网络模型的第三卷积层以得到第三卷积特征图；以及，注意力施加子单元，用于计算所述第三卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述污水特征图。

18、在上述污水处理厂自动化控制系统中，还包括用于对所述多尺度邻域特征提取模块、所述使用时间注意力机制的卷积神经网络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：训练监控单元，用于获取由水下摄像头采集的预定时间段的训练污水监控视频以及由流量传感器采集的所述预定时间段内多个预定时间点进入处理池的训练污水流量值；训练污水流量特征提取单元，用于将所述预定时间段内多个预定时间点的进入处理池的训练污水流量值按照时间维度排列为训练污水流量输入向量后通过所述多尺度邻域特征提取模块以得到训练多尺度污水流量特征向量；训练监控视频编码单元，用于从所述训练污水监控视频提取多个训练污水监控关键帧，将所述多个训练污水监控关键帧通过所述使用时间注意力机制的卷积神经网络模型以得到训练污水特征图；训练降维单元，用于对所述训练污水特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到训练污水特征向量；训练多源特征融合单元，用于融合所述训练污水特征向量和所述训练多尺度污水流量特征向量以得到训练分类特征向量；分类损失函数计算单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；鲁棒性比较约束损失函数计算单元，用于计算所述训练污水特征向量和所述训练多尺度污水流量特征向量的鲁棒性比较约束损失函数值；以及，模型训练单元，用于以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述多尺度邻域特征提取模块、所述使用时间注意力机制的卷积神经网络模型和所述分类器进行训练。

19、在上述污水处理厂自动化控制系统中，所述鲁棒性比较约束损失函数计算单元，包括：高斯归一化子单元，用于对所述训练污水特征向量和所述训练多尺度污水流量特征向量进行高斯归一化处理以得到以得到归一化第一特征向量和归一化第二特征向量；数据强化子单元，用于基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵；展开子单元，用于将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量；以及，鲁棒性比较约束损失函数值计算子单元，用于计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的鲁棒性比较约束损失函数值。

20、在上述污水处理厂自动化控制系统中，所述高斯归一化子单元，用于：以如下归一化公式对所述训练污水特征向量和所述训练多尺度污水流量特征向量进行高斯归一化处理以得到以得到归一化第一特征向量和归一化第二特征向量，其中，所述归一化公式为：

21、v′1i＝(v1i-μ1)/σ1

22、v′2i＝(v2i-μ2)/σ2

23、其中，v′1i表示所述归一化第一特征向量的第i个位置的特征值，v1i表示所述污水特征向量的第i个位置的特征值，μ1表示所述污水特征向量的均值，σ1表示所述污水特征向量的标准差，v2′i表示所述归一化第二特征向量的第i个位置的特征值，v2i表示所述多尺度污水流量特征向量的第i个位置的特征值，μ2表示所述多尺度污水流量特征向量的均值，σ2表示所述多尺度污水流量特征向量的标准差。

24、在上述污水处理厂自动化控制系统中，所述鲁棒性比较约束损失函数值计算子单元，用于：以如下损失公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的鲁棒性比较约束损失函数值；

25、其中，所述损失公式为：

26、loss＝‖v3-v4‖2

27、其中，loss表示所述鲁棒性比较约束损失函数值，v3表示所述数据强化第一特征向量，v4表示所述数据强化第二特征向量，‖·‖表示计算两个向量之间的欧式距离。

28、根据本技术的另一个方面，提供了一种污水处理厂自动化控制方法，其包括：

29、获取由水下摄像头采集的预定时间段的污水监控视频以及由流量传感器采集的所述预定时间段内多个预定时间点进入处理池的污水流量值；

30、将所述预定时间段内多个预定时间点的进入处理池的污水流量值按照时间维度排列为污水流量输入向量后通过多尺度邻域特征提取模块以得到多尺度污水流量特征向量；

31、从所述污水监控视频提取多个污水监控关键帧，将所述多个污水监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到污水特征图；

32、对所述污水特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到污水特征向量；

33、融合所述污水特征向量和所述多尺度污水流量特征向量以得到分类特征向量；以及

34、将所述分类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打开阀门处理污水。

35、与现有技术相比，本技术提供的污水处理厂自动化控制系统，其基于污水量和污水污染程度来构建污水处理厂自动化控制系统，以智能的判断是否需要打开阀门处理污水。这样，有效地降低了能源损耗和对生活环境的影响，并且可以实现远程监控和自动化控制，提高管理效率和工作效率。