[发明专利]基于边云协同与双增量的智能混凝算法

说明书

本发明公开了一种基于边云协同与双增量的智能混凝算法，提出了确定水处理厂混凝过程中最优pac添加的边云协同解决方案。通过pac预测与pac调优两步确定最优pac添加量，有效降低出水中残余铝的含量，同时为水厂节约了成本；通过边云协同的架构，使得模型推理在更接近传感器设备的边缘端进行，降低了网络传输的延迟，同时云端基于蒙德里安森林进行双增量学习，可以在原有模型的基础上，利用新到达的数据不断对模型进行更新，提高精度，降低模型重新训练的成本，实现了一套完善的边云协同训练与推理方案。

技术领域

本发明属于人工智能领域，具体涉及一种基于边云协同与双增量的智能混凝算法。

背景技术

随着互联网、人工智能、云计算等技术的快速发展，物联网以及工业4.0时代的到来，智慧水务应运而生。智慧水务是一种更加精细化、动态化、智能化的水资源管理模式，对于加强资源整合共享，实现节能减排，促进智慧城市建设具有重要意义。智能净水是智慧水务的关键任务之一，饮用水的质量直接关系到人们的身体健康。水处理厂通常采用的净水工艺为混凝/絮凝—沉淀—过滤。混凝作为最重要的一步，其最佳投加量的确定至关重要，投加量不足会导致处理后水质不达标。另一方面，剂量过高会导致高成本和高残留铝(明矾通常用作凝固剂)，高残留铝会对人们的身体健康产生影响。然而，混凝过程复杂，涉及化学反应和物理混合过程，受原水流速、浊度和pH值等诸多因素的影响。传统的方法是采用罐实验来确定最佳剂量。但是，这既昂贵又耗时，而且无法实时响应原水水质的变化。为了克服这些局限性，许多研究者提出了基于操作者经验的人工智能方法，如机器学习和深度学习等方法。然而，这些研究方法都把操作者的经验作为基本事实。实际上，在许多水处理厂(如本文研究的水处理厂)中，通常会投放超过最佳剂量的絮凝剂来保证水质，从而导致成本高昂甚至健康问题。因此，我们的重点是在保证水质达标的情况下尽量减少水中的残余铝含量。此外，面对实时增加的传感器数据，如何利用这些不断到达的新数据对原有模型进行更新，同时不影响原模型的性能也是我们需要考虑的问题，另外，模型更新这样繁重的任务，需要性能更强的云端服务器来进行，无法在边端实现。

发明内容

本发明的目的在于克服上述现有问题，提供一种基于边云协同与双增量的智能混凝算法，该算法主要包括以下三点内容：

①通过pac预测与pac调优，确定最优pac添加量。

②提出基于蒙德里安森林的双增量学习方法实现模型在线更新并一定程度提高精度。

③采用边云协同架构，降低延迟。

为达到上述目的，本发明采用如下技术方案来实现的：

基于边云协同与双增量的智能混凝算法，通过pac预测与pac调优确定pac最优添加量；基于蒙德里安森林的双增量学习方法实现模型在线更新；利用边云协同，降低延迟，具体包括以下五个步骤：

1)端的各种传感器设备采集原水的温度，pH，浊度等信息，发送给边；

2)边端利用部署的pac预测模型进行pac的预测；

3)根据预测的pac以及传感器数据进行出水浊度预测，通过出水浊度进行pac迭代直到获得最优pac，将最优pac作为结果返回给端设备进行实际的pac添加；

4)将实际出水浊度以及传感器数据存储到数据库中，并发送给云端进行模型在线更新；

5)云端利用到达的数据流采用双增量学习的方法对模型进行在线更新，并将更新后的模型重新部署到边端；

步骤1)的具体操作为：当污水进入沉淀池中时，传感器会立刻采集到原水在当前时刻的浊度、pH、温度以及流量数据并发送给边缘设备。

步骤2)的具体操作为：边端接收到传感器发送的原水的浊度、pH、温度、流量数据，将这些数据作为Breiman随机森林的输入，进行pac的预测。