本发明涉及智能控制技术领域，具体涉及智能优化控制方法及基于该方法的PAC投加控制系统，该方法包括：记录每个絮凝过程中PAC的投加量；实时采集每个单元的透光率；读取搅拌机的电机扭矩；对于每个絮凝过程，区分每个单元中的变化组和稳定组，根据变化组数据获取对应单元的絮凝效果因子；获取絮凝过程的絮凝效果指数，由絮凝效果指数和电机扭矩组成一个絮凝向量，获取相应投加量的评价指数；当评价指数低于预设阈值时，基于评价指数对应的投加量设置调整量，每次追加调整量，再次获取对应的絮凝向量，直至达到标准向量，此时的总投加量为最佳投加量。本发明能够获取污水处理时PAC的最佳投加量，在保证处理效果的同时避免原料浪费。
1.一种智能优化控制方法，其特征在于，该方法包括以下步骤：将待处理污水每次投加PAC的处理过程记为絮凝过程，记录每个絮凝过程中PAC的投加量；将待处理污水在竖直方向上划分为多个单元，实时采集每个单元的透光率；在搅拌过程中实时读取搅拌机的电机扭矩；
对于每个絮凝过程，将每个单元按照时间测定的多个透光率进行分组，获取每组数据的稳定性，并基于稳定性区分变化组和稳定组，根据变化组中相邻时刻的透光率的比值获取对应单元的絮凝效果因子；将所有透光率进行二分类，区分沉淀单元和净水单元；
根据所述沉淀单元的数量以及所述絮凝效果因子的最大值获取絮凝过程的絮凝效果指数，将一次絮凝过程在搅拌完成时的电机扭矩作为一整个絮凝过程投加量的扭矩，与对应的絮凝效果指数组成絮凝向量，获取标准絮凝过程的絮凝向量作为标准向量，计算所述絮凝向量和所述标准向量之间的余弦相似度作为相应投加量的评价指数；
当所述评价指数低于预设阈值时，基于评价指数对应的投加量设置调整量，每次追加所述调整量，再次获取对应的絮凝向量，直至达到所述标准向量，此时的总投加量为最佳投加量；
获取絮凝过程中两个相邻时刻的透光率的比值，根据所有比值的平均值与絮凝过程的变化组时长得到所述絮凝效果因子；
其中，q表示所述絮凝效果指数， 表示所述絮凝效果因子的最大值，x表示沉淀单元的数量，e为自然常数；
以所述评价指数对应的投加量的预设倍数作为追加量，将所述追加量平均分为多次进行追加，每次追加的量为所述调整量；
其中，p表示稳定性数据，s表示每个类别中的所有透光率组成的序列， 表示序列s中所有元素的标准差，e为自然常数；
当所述追加量全部追加完毕，对应的絮凝向量还未达到所述标准向量时，以所述投加量和追加量的和的所述预设倍数作为新追加量继续追加，直至达到所述标准向量，此时的总投加量为所述最佳投加量。
2.根据权利要求1所述的一种智能优化控制方法，其特征在于，所述二分类的过程为：利用k‑means算法对所有透光率进行聚类，其中k为2，得到两个类别，完成所述二分类。
3.根据权利要求2所述的一种智能优化控制方法，其特征在于，所述区分沉淀单元和净水单元，包括：计算每个类别包括的所有絮凝效果因子的平均值作为对应类别的平均絮凝效果因子，平均絮凝效果因子更大的类别为所述净水单元，平均絮凝效果因子更小的类别为沉淀单元。
4.一种智能优化控制方法，其特征在于，该方法包括以下步骤：将待处理污水每次投加PAC的处理过程记为絮凝过程，记录每个絮凝过程中PAC的投加量；将待处理污水在竖直方向上划分为多个单元，实时采集每个单元的透光率；在搅拌过程中实时读取搅拌机的电机扭矩；
对于每个絮凝过程，将每个单元按照时间测定的多个透光率进行分组，获取每组数据的稳定性，并基于稳定性区分变化组和稳定组，根据变化组中相邻时刻的透光率的比值获取对应单元的絮凝效果因子；将所有透光率进行二分类，区分沉淀单元和净水单元；
根据所述沉淀单元的数量以及所述絮凝效果因子的最大值获取絮凝过程的絮凝效果指数，将一次絮凝过程在搅拌完成时的电机扭矩作为一整个絮凝过程投加量的扭矩，与对应的絮凝效果指数组成絮凝向量，获取标准絮凝过程的絮凝向量作为标准向量，计算所述絮凝向量和所述标准向量之间的余弦相似度作为相应投加量的评价指数；
当所述评价指数低于预设阈值时，基于评价指数对应的投加量设置调整量，每次追加所述调整量，再次获取对应的絮凝向量，直至达到所述标准向量，此时的总投加量为最佳投加量；
获取絮凝过程中两个相邻时刻的透光率的比值，根据所有比值的平均值与絮凝过程的变化组时长得到所述絮凝效果因子；
其中，q表示所述絮凝效果指数， 表示所述絮凝效果因子的最大值，x表示沉淀单元的数量，e为自然常数；
以所述评价指数对应的投加量的预设倍数作为追加量，将所述追加量平均分为多次进行追加，每次追加的量为所述调整量；
其中，p表示稳定性数据，s表示每个类别中的所有透光率组成的序列， 表示序列s中所有元素的标准差，e为自然常数；
当所述追加量全部追加完毕，对应的絮凝向量还未达到所述标准向量时，记录每次追加时的总投加量，并与对应的絮凝向量组成三维向量，基于所有三维向量预测达到所述标准向量时的总投加量作为所述最佳投加量。
5.PAC投加控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1 3~任意一项所述一种智能优化控制方法的步骤。
智能优化控制方法及基于该方法的PAC投加控制系统
技术领域
[0001] 本发明涉及智能控制技术领域，具体涉及智能优化控制方法及基于该方法的PAC投加控制系统。
背景技术
[0002] 我们每天的生活和生产中都会产生生活废水、工业污水，污水处理能够节约用水、提高水资源利用率、改善环境，具有重要的现实意义。在污水处理和净化过程中，通常会加入聚合氯化铝（PAC）作为絮凝剂，同时搅拌，使污水中的杂质不断结合生成沉淀。其中PAC的投加量会直接影响杂质絮凝的速度与效果，因此需要在保证絮凝效果的前提下，获取最佳投加量，避免原料浪费。
[0003] 在实际的絮凝过程中，往往是由老师傅根据自己的经验确定此次絮凝的投加量，主观投入容易造成投加量的缺少，致使絮凝的效果不佳；或者投加量过多，造成浪费，增加成本支出。
发明内容
[0004] 为了解决上述技术问题，本发明的目的在于提供一种智能优化控制方法及基于该方法的PAC投加控制系统，所采用的技术方案具体如下：
[0005] 第一方面，本发明一个实施例提供了一种智能优化控制方法，该方法包括以下步骤：
[0006] 将待处理污水每次投加PAC的处理过程记为絮凝过程，记录每个絮凝过程中PAC的投加量；将待处理污水在竖直方向上划分为多个单元，实时采集每个单元的透光率；在搅拌过程中实时读取搅拌机的电机扭矩；
[0007] 对于每个絮凝过程，将每个单元的多个透光率进行分组，获取每组数据的稳定性，并基于稳定性区分变化组和稳定组，根据变化组中相邻时刻的透光率的比值获取对应单元的絮凝效果因子；将所有透光率进行二分类，区分沉淀单元和净水单元；
[0008] 根据所述沉淀单元的数量以及所述絮凝效果因子的最大值获取絮凝过程的絮凝效果指数，由所述絮凝效果指数和所述电机扭矩组成一个絮凝向量，获取标准絮凝过程的絮凝向量作为标准向量，计算所述絮凝向量和所述标准向量之间的余弦相似度作为相应投加量的评价指数；
[0009] 当所述评价指数低于预设阈值时，基于评价指数对应的投加量设置调整量，每次追加所述调整量，再次获取对应的絮凝向量，直至达到所述标准向量，此时的总投加量为最佳投加量。
[0010] 优选的，所述絮凝效果因子的获取方法为：
[0011] 获取絮凝过程中两个相邻时刻的透光率的比值，根据所有比值的平均值与絮凝过程的变化组时长得到所述絮凝效果因子。
[0012] 优选的，所述二分类的过程为：
[0013] 利用k‑means算法对所有透光率进行聚类，其中k为2，得到两个类别，完成所述二分类。
[0014] 优选的，所述区分沉淀单元和净水单元，包括：
[0015] 计算每个类别包括的所有絮凝效果因子的平均值作为对应类别的平均絮凝效果因子，平均絮凝效果因子更大的类别为所述净水单元，平均絮凝效果因子更小的类别为沉淀单元。
[0016] 优选的，所述絮凝效果指数的获取方法为：
[0017]
[0018] 其中，q表示所述絮凝效果指数， 表示所述絮凝效果因子的最大值，x表示沉淀单元的数量，e为自然常数。
[0019] 优选的，所述调整量的获取方法为：
[0020] 以所述评价指数对应的投加量的预设倍数作为追加量，将所述追加量平均分为多次进行追加，每次追加的量为所述调整量。
[0021] 优选的，所述方法还包括以下步骤：
[0022] 当所述追加量全部追加完毕，对应的絮凝向量还未达到所述标准向量时，以所述投加量和追加量的和的所述预设倍数作为新追加量继续追加，直至达到所述标准向量，此时的总投加量为所述最佳投加量。
[0023] 优选的，所述方法还包括以下步骤：
[0024] 当所述追加量全部追加完毕，对应的絮凝向量还未达到所述标准向量时，记录每次追加时的总投加量，并与对应的絮凝向量组成三维向量，基于所有三维向量预测达到所述标准向量时的总投加量作为所述最佳投加量。
[0025] 第二方面，本发明另一个实施例提供了一种PAC投加控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种智能优化控制方法的步骤。
[0026] 本发明实施例至少具有如下有益效果：
[0027] 对于每个絮凝过程，根据变化组数据获取每个单元的絮凝效果因子；获取絮凝过程的絮凝效果指数，由絮凝效果指数和电机扭矩组成一个絮凝向量，获取相应投加量的评价指数；通过追加PAC，使能够的絮凝向量达到标准向量，对应的总投加量为最佳投加量。本发明能够获取污水处理时PAC的最佳投加量，在保证处理效果的同时避免原料浪费，节省成本。
附图说明
[0028] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0029] 图1为本发明一个实施例提供的一种智能优化控制方法的步骤流程图。
具体实施方式
[0030] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种智能优化控制方法及基于该方法的PAC投加控制系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0031] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0032] 下面结合附图具体的说明本发明所提供的一种智能优化控制方法的具体方案。
[0033] 请参阅图1，其示出了本发明一个实施例提供的一种智能优化控制方法的步骤流程图，该方法包括以下步骤：
[0034] 步骤S001，将待处理污水每次投加聚合氯化铝（PAC）的处理过程记为絮凝过程，记录每个絮凝过程中PAC的投加量；将待处理污水在竖直方向上划分为多个单元，实时采集每个单元的透光率；在搅拌过程中实时读取搅拌机的电机扭矩。
[0035] 具体的步骤包括：
[0036] 1、记录每个絮凝过程中PAC的投加量。
[0037] 待处理污水进行絮凝时，可能会多次投加PAC进行污水处理，每次投加PAC之后进行搅拌，判断絮凝效果，当絮凝效果不好的时候，需要酌情增加投加量，每次投加完成进行一次处理的过程为一个絮凝过程。
[0038] 记录每个絮凝过程加入的总的PAC的重量w即为投加量。
[0039] 2、实时采集每个单元的透光率。
[0040] 将待处理污水在竖直方向上划分为多个单元，能够监测污水絮凝沉淀的速度和絮凝的效果，在污水经受到搅拌沉淀后，对絮凝的速度和效果进行计算检验。
[0041] 在本发明实施例中将待处理污水在竖直方向上划分为5个单元，具体实施时可以根据实际条件进行对应的修改，单元越多下述计算越精确。
[0042] 每秒采集一次透光率，从上至下的分层透光率数据记为 ，其中下标t为数据的时间戳，上标为对应单元位置。
[0043] 3、在搅拌过程中实时读取搅拌机的电机扭矩。
[0044] 在絮凝的过程中，搅拌机转速是影响絮凝效率的关键因素之一，为了保证絮凝效果稳定，采用匀速搅拌的方式，但是随着絮凝发生，水中的大颗粒杂质越来越多，这些颗粒的存在会导致搅拌器的扭矩上升。
[0045] 在电机上读取电机扭矩f，每秒读取一次。
[0046] 步骤S002，对于每个絮凝过程，将每个单元的多个透光率进行分组，获取每组数据的稳定性，并基于稳定性区分变化组和稳定组，基于变化组中相邻时刻的透光率的比值获取对应单元的絮凝效果因子；将所有透光率进行二分类，区分沉淀单元和净水单元。
[0047] 具体的步骤包括：
[0048] 1、区分每个单元的变化组和稳定组。
[0049] 利用DBSCAN对每个单元的所有透光率进行分类计算，得到多个类别。其中DBSCAN聚类方法为公知技术，邻域半径和最小聚类数目根据实际情况确定。
[0050] 计算各个类别的稳定性数据：
[0051]
[0052] 其中，p表示稳定性数据，s表示每个类别中的所有透光率组成的序列， 表示序列s中所有元素的标准差，e为自然常数。
[0053] 当透光率数据发生变化时，说明此时仍在絮凝状态；当透光率数据趋于稳定时，说明此时已完成絮凝，因此通过标准差判断每个类别是稳定还是变化。
[0054] 具体的，将稳定性数据p的最大值所对应的类别为稳定组，即组内的数据为絮凝结束后的稳定状态，即PAC已完全使用。
[0055] 在絮凝过程中，絮凝结果随着时间的变化逐渐趋于稳定，因此在稳定组之前的所有分组为变化组。变化组可以表达实际的絮凝效率情况。
[0056] 2、在每个絮凝过程中获取每个单元的絮凝效果因子。
[0057] 获取变化组数据中絮凝过程中两个相邻时刻的透光率的比值，根据所有比值的平均值与絮凝过程的变化组时长得到絮凝效果因子。
[0058] 在每个絮凝过程中，以第一单元为例，计算絮凝效果因子 ：
[0059]
[0060] 其中，表示第1个时刻下第一单元的透光率，表示第2个时刻下第一单元的透光率， 表示第n‑1个时刻下第一单元的透光率，表示第n个时刻下第一单元的透光率，n表示变化组数据所包含的时刻数，即絮凝过程的变化组时长。
[0061] 相邻两个时刻的透光率的比值越接近于1，说明相邻两个时刻的透光率越接近，相邻两个时刻的透光率不再变化，絮凝过程越有可能稳定了，絮凝效果越好；絮凝过程的变化组时长越长，得到的絮凝效果因子越小，絮凝效果越差。
[0062] 3、将所有透光率进行二分类，区分沉淀单元和净水单元。
[0063] 利用k‑means算法对所有透光率进行聚类，其中k为2，得到两个类别，完成二分类。
[0064] 以两个透光率之间的欧氏距离作为聚类的距离，将所有透光率通过k‑means算法聚为两类，即k等于2。
[0065] 计算每个类别包括的所有透光率的平均值作为对应类别的类别透光率，类别透光率更大的类别为净水单元，类别透光率更小的类别为沉淀单元。
[0066] 在其他实施例中，也可以采用中位数等其他能够代表类别整体的透光率的数据作为类别透光率。
[0067] 由于沉淀区域都在容器底部，在另一实施例中，通过聚类获取两个类别的分类边界，分类边界的上部区域为净水单元，下部区域为沉淀单元。
[0068] 步骤S003，根据沉淀单元的数量以及絮凝效果因子的最大值获取絮凝过程的絮凝效果指数，由絮凝效果指数和电机扭矩组成一个絮凝向量，获取标准絮凝过程的絮凝向量作为标准向量，计算絮凝向量和标准向量之间的余弦相似度作为相应投加量的评价指数。
[0069] 具体的步骤包括：
[0070] 1、获取絮凝过程的絮凝效果指数。
[0071] 记录沉淀单元的数量x，并筛选出一次絮凝过程中所有絮凝效果因子中的最大值，然后计算这次絮凝过程的絮凝效果指数：
[0072]
[0073] 其中，q表示絮凝效果指数， 表示絮凝效果因子的最大值，x表示沉淀单元的数量，e为自然常数。
[0074] 使用 来表征絮凝效果最优的单元，由于絮凝过程的絮凝效果是不稳定的，采用最大值来表征絮凝过程中的效果； 来表示杂质含量对絮凝效果的影响，杂质越多絮凝效果越差。
[0075] 2、获取絮凝过程相应的投加量的评价指数。
[0076] 电机扭矩可以表达此次絮凝过程的沉淀颗粒的大小。电机扭矩存在于搅拌过程中，将一次絮凝过程在搅拌完成时的电机扭矩作为一整个絮凝过程投加量的扭矩，与对应的絮凝效果指数q组成絮凝向量 ，获取标准絮凝过程的絮凝向量作为标准向量 ，计算絮凝向量和标准向量之间的余弦相似度作为相应投加量的评价指数。
[0077] 步骤S004，当评价指数低于预设阈值时，基于评价指数对应的投加量设置调整量，每次追加调整量，再次获取对应的絮凝向量，直至达到标准向量，此时的总投加量为最佳投加量。
[0078] 具体的步骤包括：
[0079] 1、当评价指数低于预设阈值时，获取调整量。
[0080] 当评价指数低于预设阈值时，说明此时的絮凝效果不理想，需要追加PAC进行继续絮凝，否则说明达到了理想效果，不需要再次追加，此时的投加量即为最佳投加量。
[0081] 作为一个示例，在本发明实施例中预设阈值为0.8。
[0082] 当需要追加PAC时，以评价指数对应的投加量的预设倍数作为追加量，将追加量平均分为多次进行追加，每次追加的量为调整量。
[0083] 在本发明实施例中以投加量的0.5倍作为追加量，平均分为50次进行追加，每次追加的量为调整量 。每次追加调整量 后，总投加量为 ，其中c表示追加次数，计算对应的絮凝向量，当追加过程中达到标准向量后，停止追加并记录此时的总投加量作为最佳投加量。
[0084] 2、当追加量全部追加完毕，对应的絮凝向量还未达到标准向量，则通过继续追加或者预测的方式获取最佳投加量。
[0085] 在一个实施例中通过继续追加的方法获取最佳投加量：以投加量和追加量的和的预设倍数作为新追加量继续追加，直至达到标准向量，此时的总投加量为最佳投加量。
[0086] 即当追加了投加量的0.5倍后，对应的絮凝向量依然未达到标准向量，此时的总投加量为1.5w，以1.5w的0.5倍作为新追加量，依然平均分为50次进行追加，直至达到标准向量，如果新追加量也追加完毕，即总投加量为2.25w时，对应的絮凝向量依然未达到标准向量，继续以2.25w的0.5倍作为新追加量，依然平均分为50次进行追加，重复上述操作，直至达到标准向量，对应的总投加量为最佳投加量。
[0087] 在另一个实施例中采用预测的方法获取最佳投加量：记录每次追加时的总投加量，并与对应的絮凝向量组成三维向量，基于所有三维向量预测达到所述标准向量时的总投加量作为最佳投加量。
[0088] 具体的预测过程为：
[0089] 首先利用spline函数拟合已知数据的曲线，创建追加量的向量：t=0:1:50，1为步长，50为追加次数，t=0:1:50表示从第0次追加到第50次追加，追加次数的步长为1。并构建每次追加得到的总投加量对应的絮凝向量的向量： ，然后得到，x为追加次数，但是此处可以不为整数，例如，依据构成的曲线可以得到x=1.5时对应的絮凝向量。
[0090] 将得到的絮凝向量与对应的总投加量组成三维向量，通过上述方法扩充了三维向量的数量，然后将得到的三维向量进行预测网络的训练，本发明实施例中的预测网络为LSTM网络，输入为作为训练集的三维向量，标签为下一时刻的三维向量，损失函数为均方差损失，重复训练，直至损失函数收敛。
[0091] 基于训练完成的预测网络得到预测三维向量，由于三维向量的变化是由总投加量w决定的，预测三维向量包含总投加量和一个二维絮凝向量，找到第一个达到标准向量的预测三维向量，并记录其中的总投加量即为最佳投加量。
[0092] 进一步的，将上述的50次追加得到的絮凝向量等分为10组数据，即每组5个絮凝向量。对每组的5个向量，利用最小二乘法得到最优直线，计算组内每个絮凝向量与最优直线的余弦相似度，作为对应的标准偏差分数z。
[0093] 同样的，将依据曲线得到的每个絮凝向量对应的标准偏差分数，将作为训练样本的所有三维向量对应的标准偏差分数进行归一化，使所有标准偏差分数的和为1，将归一化结果作为对应三维向量在损失函数中的权重，优化预测网络的损失函数。
[0094] 综上所述，本发明实施例将待处理污水每次投加PAC的处理过程记为絮凝过程，记录每个絮凝过程中PAC的投加量；将待处理污水在竖直方向上划分为多个单元，实时采集每个单元的透光率；在搅拌过程中实时读取搅拌机的电机扭矩；对于每个絮凝过程，将每个单元的多个透光率进行分组，获取每组数据的稳定性，并基于稳定性区分变化组和稳定组，根据变化组中相邻时刻的透光率的比值获取对应单元的絮凝效果因子；将所有透光率进行二分类，区分沉淀单元和净水单元；根据沉淀单元的数量以及絮凝效果因子的最大值获取絮凝过程的絮凝效果指数，由絮凝效果指数和电机扭矩组成一个絮凝向量，获取标准絮凝过程的絮凝向量作为标准向量，计算絮凝向量和标准向量之间的余弦相似度作为相应投加量的评价指数；当评价指数低于预设阈值时，基于评价指数对应的投加量设置调整量，每次追加调整量，再次获取对应的絮凝向量，直至达到标准向量，此时的总投加量为最佳投加量。本发明实施例能够获取污水处理时PAC的最佳投加量，在保证处理效果的同时避免原料浪费，节省成本。
[0095] 本发明实施例还提出了一种PAC投加控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的步骤。由于智能优化控制方法在上述给出了详细描述，不再赘述。
[0096] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0097] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0098] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
