[发明专利]一种基于神经网络的DTRO膜渗透通量控制方法

权利要求书

1.一种基于神经网络的DTRO膜渗透通量控制方法，应用于污水处理设备，其特征在于，包括如下步骤：

步骤一：通过数据采集设备获取原始渗透数据，具体获取步骤为：

首先获取控制系统中所有污水处理设备中DTRO膜的渗透通量，并分析挖掘所有污水处理设备的潜在关联运行参数数据；然后将最终得到的产水系数Pz反馈至控制系统；

步骤二：对获取的原始过滤数据进行审核后，将审核通过的原始过滤数据转化为显性过滤数据存储在数据库中；所述显性过滤数据包括污水处理过程中的DTRO膜渗透通量、液面高度、进水水质系数、各项环境参数以及产水系数Pz；具体为：

设定预设水质阈值以及预设第一产水阈值；当出水水质系数小于预设水质阈值或者Pz小于预设第一产水阈值时，对应的原始过滤数据不做参考；

步骤三：以数据库中存储的显性过滤数据为样本集，基于AI深度学习识别算法分析得到污水处理设备的渗透通量参照模型；

步骤四：采集当前污水处理设备的潜在关联运行参数数据作为输入数据输入至渗透通量参照模型，输出对应的渗透通量计算值；控制系统控制所述污水处理设备中的DTRO膜以所述渗透通量计算值进行污水处理工作；并按照液位调节范围调节污水处理设备的液面高度；

步骤五：在污水处理设备运行过程中，采集所述污水处理设备的产水关联参数数据并进行效处偏离系数PL分析，判断是否需要调节DTRO膜的渗透通量。

2.根据权利要求1所述的一种基于神经网络的DTRO膜渗透通量控制方法，其特征在于，其中，步骤五的具体工作步骤如下：

获取所述污水处理设备的产水关联参数数据，所述产水关联参数数据包括进水流量、进水水质系数、出水水质系数、液面高度以及产水系数；

根据所述产水关联参数数据计算得到效处值XM，建立效处值XM随时间变化的曲线图；将XM与预设效处阈值相比较；若XM≤预设效处阈值，则截取对应的曲线段进行标注，记为偏离曲线段；

在预设时间段内，统计偏离曲线段的数量为C1，将所有偏离曲线段上对应效处值XM与预设效处阈值的差值对时间进行积分得到偏离参考面积M1；利用公式PL=C1×a3+M1×a4计算得到所述污水处理设备的效处偏离系数PL，其中a3、a4均为系数因子；

将效处偏离系数PL与预设第一偏离阈值相比较；若PL大于预设第一偏离阈值，则表明此时污水处理设备污水处理效率低下，生成调节信号至渗通调节模块。

3.根据权利要求2所述的一种基于神经网络的DTRO膜渗透通量控制方法，其特征在于，根据产水关联参数数据计算得到效处值XM，具体为：

将进水流量、进水水质系数、出水水质系数、液面高度以及产水系数依次标记为L1、M1、M2、G1以及Pt；

利用公式XM=[(M2-M1)×g1+Pt×g2]/(L1×g3+G1×g4)计算得到所述污水处理设备的效处值XM，其中g1、g2、g3、g4均为系数因子。

4.根据权利要求3所述的一种基于神经网络的DTRO膜渗透通量控制方法，其特征在于，其中水质系数从多个维度进行计算，包括水浊度、PH值、溶解氧浓度以及硫化物浓度，综合得出水体的水质系数。

5.根据权利要求4所述的一种基于神经网络的DTRO膜渗透通量控制方法，其特征在于，其中产水系数Pz的具体计算方法为：

获取出水水质系数为Z1，将单位时间产水量标记为SL；利用公式Pz=Z1×a1+SL×a2计算得到产水系数Pz，其中a1、a2为系数因子。

6.根据权利要求1所述的一种基于神经网络的DTRO膜渗透通量控制方法，其特征在于，步骤三具体包括：

将从数据库获取的显性过滤数据作为样本集，建立误差逆向传播神经网络模型；误差逆向传播神经网络模型至少包括一层隐含层；

将参数训练集按照设定比例划分为训练集、测试集和校验集；

通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为渗透通量参照模型。