本发明涉及沉淀池控制,尤其是涉及一种基于深度神经网络的沉淀池刮泥机节能控制方法。
背景技术:
1、沉淀池是应用沉淀作用去除水中悬浮物的一种构筑物,用以净化水质。在污水处理工艺中,活性污泥沉淀分离即通过沉淀池完成,当物化污泥或者生化污泥沉淀到池底后,通过刮泥机将池底的泥砂刮入泥斗,如授权公告号为cn212523134u的实用新型公开的一种沉淀池刮泥机。
2、现有的沉淀池刮泥机控制方法是驱动刮泥机持续运行,保持进行泥砂刮取,时刻保持高负荷运行状态。但沉淀池工况中,沉淀池里产生的泥砂并非匀速生成,沉淀池集泥坑内污泥的高度并非均匀增加,时刻保持刮泥机的运行并非高效率进行泥砂清理的方案,且会增加耗能。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在刮泥机时刻保持高负荷运行状态,增加耗能的缺陷而提供一种基于深度神经网络的沉淀池刮泥机节能控制方法。
2、本发明的目的可以通过以下技术方案来实现:
3、一种基于深度神经网络的沉淀池刮泥机节能控制方法,包括以下步骤:
4、获取沉淀池内的浊度信息、运行参数和温度信息,并将获取的浊度信息、运行参数和温度信息按时序输入到预先构建并训练好的深度学习神经网络模型中,获取泥位和刮泥机启动时间的预测结果,从而控制刮泥机的开启和关闭;
5、所述深度学习神经网络模型包括依次连接的卷积神经网络子模型和长短期记忆网络子模型,所述卷积神经网络子模型用于根据接收的浊度信息、运行参数和温度信息自适应提取水质的局部特征,所述长短期记忆网络子模型用于对所述卷积神经网络子模型提取的水质的局部特征进行二次特征提取,获取特征的时序信息,最终输出预测结果。
6、进一步地,所述深度学习神经网络模型最终通过全连接层对所述长短期记忆网络子模型的输出进行特征量维度降低,输出所述预测结果。
7、进一步地,所述深度学习神经网络模型的训练过程中通过随机梯度下降、自适应动量估计和/或内斯特夫加速梯度进行迭代优化。
8、进一步地,所述深度学习神经网络模型的训练过程中使用平均绝对误差、均方根误差、拟合优度指标验证模型的预测性能。
9、进一步地,所述深度学习神经网络模型在训练过程中输入的训练数据包括浊度信息、运行参数、温度信息和泥位信息,所述泥位信息通过设置在沉淀池内的泥位传感器获取,所述泥位传感器设置在沉淀池的头部、中部和尾部。
10、进一步地,所述沉淀池内的浊度信息、运行参数和温度信息的获取过程包括:
11、在所述沉淀池内分别设置温度传感器、浊度传感器和流量传感器,获取温度信息、浊度信息和流量信息。
12、进一步地,所述温度传感器设置在沉淀池的入水口,所述流量传感器设置在沉淀池的水管处。
13、进一步地,所述刮泥机连接有plc系统,通过该plc系统控制所述刮泥机的开启和关闭。
14、进一步地,获取所述浊度信息、运行参数和温度信息后,首先对各个信息进行时间同步,然后将时间同步后的信息输入到所述深度学习神经网络模型中。
15、进一步地,输入到所述深度学习神经网络模型中的信息为基于浊度信息、运行参数和温度信息的多维的时序信号。
16、与现有技术相比,本发明具有以下优点:
17、(1)本发明基于深度学习神经网络模型,使用入口处的浊度传感器信息在线学习和训练神经网络模型输出其泥位和刮泥板启动时间,实时控制启动刮泥板运行,达到智慧节水节能目的;根据调研,泥位识别和控制系统本身是一个非线性的系统,且具有一定的复杂性,难以用精确的数字模型进行描述,而神经网络可以在不借助于任何已知的描述下,通过自适应学习,实现输入、输出的非线性映射,因此可以基于深度神经网络进行对泥位的识别和刮泥板启动时间的预测,并且具有一定的抗干扰能力,最终实现对刮泥板启停的自动控制,实现节能目的。
18、(2)本发明考虑到卷积神经网络子模型通常依靠卷积层上的卷积核提取特征,然后依靠池化层来细化特征,从而保留数据的重要信息,但是卷积核的存在又限制了卷积神经网络子模型在处理时序信号数据时存在的“长期依赖问题”,因而引入长短期记忆网络子模型解决此问题,通过长短期记忆网络子模型继续对卷积神经网络子模型提取到的特征量进行二次特征提取,获取特征的时序信息,确保输入源的深层空间特征和时间维度的特征信息能被有效提取。
1.一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,所述深度学习神经网络模型最终通过全连接层对所述长短期记忆网络子模型的输出进行特征量维度降低,输出所述预测结果。
3.根据权利要求1所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,所述深度学习神经网络模型的训练过程中通过随机梯度下降、自适应动量估计和/或内斯特夫加速梯度进行迭代优化。
4.根据权利要求1所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,所述深度学习神经网络模型的训练过程中使用平均绝对误差、均方根误差、拟合优度指标验证模型的预测性能。
5.根据权利要求1所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,所述深度学习神经网络模型在训练过程中输入的训练数据包括浊度信息、运行参数、温度信息和泥位信息,所述泥位信息通过设置在沉淀池内的泥位传感器获取,所述泥位传感器设置在沉淀池的头部、中部和尾部。
6.根据权利要求1所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,所述沉淀池内的浊度信息、运行参数和温度信息的获取过程包括:
7.根据权利要求6所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,所述温度传感器设置在沉淀池的入水口,所述流量传感器设置在沉淀池的水管处。
8.根据权利要求1所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,所述刮泥机连接有plc系统,通过该plc系统控制所述刮泥机的开启和关闭。
9.根据权利要求1所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,获取所述浊度信息、运行参数和温度信息后,首先对各个信息进行时间同步,然后将时间同步后的信息输入到所述深度学习神经网络模型中。
10.根据权利要求1所述的一种基于深度神经网络的沉淀池刮泥机节能控制方法,其特征在于,输入到所述深度学习神经网络模型中的信息为基于浊度信息、运行参数和温度信息的多维的时序信号。