[0049] 若Td1(r)Td3(r)，则絮凝剂实际投加量调整为[Pd1(r)+Pd2(r)]/2。
[0050] 本发明一个实施例还提供一种基于多杯罐絮凝实验的絮凝剂投加量实时优化系统，所述絮凝剂投加量实时优化系统包括：
[0051] 基础投加量获取模块，用于获取首次运行时絮凝剂与助凝剂的投加量，以作为杯罐絮凝实验第1轮杯罐絮凝实验的絮凝剂基础投加量；
[0052] 数据获取模块，用于基于第r轮杯罐絮凝实验的絮凝剂基础投加量，分别获取第r轮杯罐絮凝实验中同时进行絮凝实验的第一智能Jar Test模块、第二智能Jar Test模块、第一智能Jar Test模块对应的第一组絮体图像和水质指标数据、第二组絮体图像和水质指标数据、第三组絮体图像和水质指标数据，其中，所述第一智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd1(r)小于当前絮凝剂实际投加量，所述第二智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd2(r)等于当前絮凝剂实际投加量，所述第三智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd3(r)大于当前絮凝剂实际投加量；
[0053] 预测值获取模块，用于将第r轮杯罐絮凝实验对应的所述第一组絮体图像和水质指标数据、所述第二组絮体图像和水质指标数据、所述第三组絮体图像和水质指标数据分别输入预先训练好的深度学习模型，对应得到第r轮杯罐絮凝实验的第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)；
[0054] 絮凝剂实际投加量获取模块，用于根据所述第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、所述第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、所述第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)得到新的絮凝剂实际投加量，并将新的絮凝剂实际投加量作为第r+1轮的絮凝剂基础投加量，重复执行数据获取模块至絮凝剂实际投加量获取模块的处理过程，以确定第r+1轮的新的絮凝剂实际投加量。
[0055] 与现有技术相比，本发明的有益效果：
[0056] 本发明提出一种基于多个杯罐絮凝实验迭代优化方法，该方法通过3个智能Jar Test模块同时实验，分别获取了第一组絮体图像和水质指标数据、第二组絮体图像和水质指标数据、第三组絮体图像和水质指标数据，之后基于所得到的三组絮体图像和水质指标数据，通过深度学习模型对多个杯罐絮凝实验后的浊度进行了预测，得到了三个同时进行絮凝实验后的上清液浊度预测值，之后再利用所得到的三个同时进行絮凝实验后的上清液浊度预测值得到新一轮杯罐絮凝实验的絮凝剂投加量，实现絮凝剂投加量的优化迭代。本发明通过深度学习模型实现对絮凝实验效果的预测，通过多杯罐絮凝实验实现投加量的快速优化，能够实现絮凝剂投加量的实时调整与优化，可以解决目前絮凝加药控制中的非线性、时变性以及大时滞的难点，以及由此带来的絮凝剂过量投加，难以应对水质突变和特殊水质等问题。本发明所提供的方法缩短了絮凝实验效果预测时间，优化了出水控制，降低了絮凝剂投加量，为水处理企业节省成本，同时降低间接碳排放量。
[0057] 以下将结合附图及对本发明做进一步详细说明。
附图说明
[0058] 图1是本发明实施例提供的一种基于多杯罐絮凝实验的絮凝剂投加量实时优化方法的流程示意图；
[0059] 图2是本发明实施例提供的一种基于多杯罐絮凝实验的絮凝剂投加量实时优化方法的模型示意图；
[0060] 图3是本发明实施例提供的一种絮凝剂实际投加量的确定方法的流程示意图；
[0061] 图4是本发明实施例提供的一种浊度去除率与絮凝剂投加量的关系图；
[0062] 图5是本发明实施例提供的一种预设浊度状态的第一增大步进的取值方法的流程示意图；
[0063] 图6是本发明实施例提供的一种预设温度和浊度状态的判断方法的流程示意图；
[0064] 图7是本发明实施例提供的一种基于多杯罐絮凝实验的絮凝剂投加量实时优化系统的示意图。
具体实施方式
[0065] 下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0066] 实施例一
[0067] 现有絮凝剂投加量控制方法主要有两类，一类是通过混凝过程中产生的絮体进行浊度预测，进而决定絮凝剂投加量，在Yamamura等人的论文《Dosage optimization of polyaluminum chloride by the application of convolutional neural network to the floc images captured in jar tests》中，采用对杯罐絮凝过程进行拍照，使用CNN神经网络算法，基于絮体图像进行模型训练，实现对沉后上清液浊度的快速预测；中国专利局2022年11月22日公开的专利《一种建立混凝智能监控联动系统的方法》中，则是使用相机拍摄混凝池中矾花图像，并与进水参数结合，共同预测絮凝剂投加量以及平流沉淀池尾部的沉后上清液浊度。另外一种则是利用水厂历史运行数据，进行絮凝剂投加量的预测，在Lin等人的论文《Coagulant dosage determination using deep learning‑based graph attention multivariate time series forecasting model》中，使用图注意力神经网络算法，基于水厂历史数据进行训练，实现对来水絮凝剂投加量的预测；在中国专利局2023年
3月14日公开的专利《混凝沉淀控制方法、装置、设备及存储介质》中，首先获取预设净水厂中沉淀容器的进水端的进水参数和预设混凝剂的预设投加量；根据进水参数和投加量，采用预先训练的浊度时序预测模型进行处理，得到沉淀容器的出水端的出水浊度预测值；根据出水浊度预测值，调整预设投加量，得到目标投加量；根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设混凝剂。
[0068] 但是上述方法存在的问题是，在杯罐絮凝过程中，一组连续拍摄的絮体图像，图像之间具有明确的时序性，而CNN网络则是将样本作为彼此孤立的个体进行预测，因此单纯使用CNN神经网络进行浊度预测，无法有效利用絮体图像的时序性信息，同时单纯预测浊度，也无法实现对投加量的调控与优化；使用水下摄像机对沉淀池入水口矾花进行拍摄，由于水下光线昏暗，拍摄的矾花照片质量较难保证，此外水中环境湿潮，对摄像机等设备的使用寿命也会带来极大损伤，从而使得设备更换较为频繁，使用成本较高；使用水厂历史运行数据训练出的模型，只能根据进水参数，判断出当前水质对应的历史投加量，而无法拟合出更优的絮凝剂投加量关系，也就是无法实现对投加量的优化。
[0069] 基于上述原因，本发明提出了一种基于多杯罐絮凝实验的絮凝剂投加量实时优化方法，请参见图1和图2，图1是本发明实施例提供的一种基于多杯罐絮凝实验的絮凝剂投加量实时优化方法的流程示意图，图2是本发明实施例提供的一种基于多杯罐絮凝实验的絮凝剂投加量实时优化方法的模型示意图，该絮凝剂投加量实时优化方法包括：
[0070] 步骤1、获取首次运行时絮凝剂与助凝剂的投加量，以此作为絮凝剂实际投加量P‑real，将絮凝剂实际投加量P‑real作为杯罐絮凝实验第1轮杯罐絮凝实验(Jar Test)的絮凝剂基础投加量。
[0071] 具体的，当本发明的方法首次运行时，读取水厂当前时刻絮凝剂与助凝剂的投加量P‑real，作为杯罐絮凝实验的絮凝剂基础投加量P0。
[0072] 步骤2、基于第r轮杯罐絮凝实验的絮凝剂基础投加量，分别获取第r轮杯罐絮凝实验中同时进行絮凝实验的第一智能Jar Test模块、第二智能Jar Test模块、第三智能Jar Test模块对应的第一组絮体图像和水质指标数据、第二组絮体图像和水质指标数据、第三组絮体图像和水质指标数据，其中，第一智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd1(r)小于当前絮凝剂实际投加量，第二智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd2(r)等于当前絮凝剂实际投加量，第三智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd3(r)大于当前絮凝剂实际投加量。
[0073] 这里，初始化参数P0＝P‑real，P1＝P0*L，P2＝P0*K，P3＝P0*H，L为投加量下降系数，K为投加量基准系数，H为投加量增加系数，L＜1，K＝1，H＞1。之后，将絮凝剂按照P1、P2及P3剂量分别投入3个智能Jar Test模块中，以进行絮凝实验。
[0074] 3个智能Jar Test模块(即第一智能Jar Test模块、第二智能Jar Test模块、第三智能Jar Test模块)同时开始絮凝并且拍摄絮体图像，采集水质指标数据，经过M分钟后，获取第一智能Jar Test模块得到的第一组絮体图像和水质指标数据、第二智能Jar Test模块得到的第二组絮体图像和水质指标数据、第三智能Jar Test模块得到的第三组絮体图像和水质指标数据。
[0075] 进一步的，第r轮杯罐絮凝实验的絮凝剂投加量Pd1(r)为Pd0(r‑1)*L，即絮凝剂投加量低于水厂当前投加量，絮凝剂投加量为Pd0(r‑1)*K，即絮凝剂投加量与水厂当前投加量相同，絮凝剂投加量Pd3为Pd0(r‑1)*H，即絮凝剂投加量高于水厂当前投加量，其中，Pd0(r‑1)为第r‑1轮杯罐絮凝实验的絮凝剂基础投加量。
[0076] 这里，每组絮体图像在30张～8000张之间，具体的图像数量取决于不同的深度学习模型。优选的，每组絮体图像数量为900张。
[0077] 这里，水质参数数据一般包括浊度、PH、温度、TOC/COD、SS、硫等指标参数，具体可以根据所选用的深度学习模型进行设定。
[0078] 步骤3、将第r轮杯罐絮凝实验对应的第一组絮体图像和水质指标数据、第二组絮体图像和水质指标数据、第三组絮体图像和水质指标数据分别输入预先训练好的深度学习模型，对应得到第r轮杯罐絮凝实验的第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)。
[0079] 这里，在絮凝过程中，采集的絮凝图像数据(即絮体图像)和水质指标数据，会储存在服务器中，等到采集时长为M时，停止图像与水质指标数据的采集。
[0080] 采集完成3组絮体图像与水质指标数据后，分别输入预先训练好的深度学习模型中，以得到对应的上清液浊度预测值，深度学习模型可以是CNN结合RNN网络，或者自编码器结合RNN网络。
[0081] 可选的，深度学习模型由CNN(Convolutional Neural Network，卷积神经网络)结合RNN(Recurrent Neural Network，循环神经网络)实现，具体的，将絮体图像按照拍摄时间顺序，依次输入CNN中的ResNet网络，从倒数第二层的全连接层，或者之前的展平层输出，获得图片的图像特征，将图像特征与相应时刻的水质指标数据组合成一个新的张量输入RNN，通过RNN获取张量间的时序性信息，最后输出絮凝后上清液的浊度预测值。优选的，RNN选择LSTM。
[0082] 可选的，深度学习模型由图像降维算法结合RNN实现，具体的，将絮体图像按照拍摄时间顺序，依次输入图像降维算法模块，通过图像降维算法提取图像特征并将图像特征降维输出，将降维后的图像特征与相应时刻的水质指标数据组合成一个新的张量输入RNN，通过RNN获取张量间的时序性信息，最后输出絮凝后上清液的浊度预测值。优选的，图像降维算法选择自编码器技术，RNN选择LSTM。
[0083] 在本实施例中，3个智能Jar Test模块同时开始絮凝并且拍摄絮体图像，采集水质指标数据，经过M分钟后，将采集的3组絮体图像与水质指标数据分别输入预先训练好的深度学习模型，得到各自的絮凝后的上清液浊度预测值；根据这3个浊度预测值从而得到新的絮凝剂实际投加量PE以及下一轮Jar Test的基础投加量Pnew。时间M可以在5～15分钟内取值，具体数值取决于深度学习模型的性能。
[0084] 步骤4、根据第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)得到新的絮凝剂实际投加量，并将新的絮凝剂实际投加量作为第r+1轮的絮凝剂基础投加量，重复执行步骤2至步骤4，以确定第r+1轮的新的絮凝剂实际投加量。
[0085] 在一个具体实施例中，请参见图3，步骤4具体可以包括：
[0086] 判断第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)与每轮絮凝实验后的上清液浊度标准Ts之间的关系；
[0087] 若Td1(r)＜Ts，则将絮凝剂实际投加量调整为第r轮杯罐絮凝实验的絮凝剂投加量Pd1(r)；
[0088] 若Td1(r)≥Ts且Td2(r)＜Ts，则絮凝剂实际投加量为第r轮杯罐絮凝实验的絮凝剂投加量Pd2(r)；
[0089] 若Td2(r)≥Ts且Td3(r)＜Ts，则将絮凝剂实际投加量调整为第r轮杯罐絮凝实验的絮凝剂投加量Pd3(r)；
[0090] 若Td1(r)＞Ts、Td2(r)＞Ts和Td3(r)≥Ts，则根据第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)与每轮絮凝实验后上清液浊度标准Ts之间的预设关系确定新的絮凝剂实际投加量。
[0091] 这里，每轮絮凝实验后上清液浊度标准Ts，即沉后浊度必须满足的浊度标准，Ts的值水厂可以根据国家标准，再具体结合水厂的实际工况设定，通常数值低于国家标准，也就是优于国家标准。
[0092] 可选的，Ts＝0.8NTU。
[0093] 在本实施例中，根据第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)与每轮絮凝实验后上清液浊度标准Ts之间的预设关系确定新的絮凝剂实际投加量，包括：
[0094] 判断第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)和每轮絮凝实验后上清液浊度标准Ts之间的预设关系；
[0095] (1)、若预设关系为Td1(r)>Td2(r)>Td3(r)≥Ts，则浊度去除率处于单调爬升区，则判断状态是否处于预设浊度状态，若处于预设浊度状态，则絮凝剂实际投加量调整为Pd3(r)*QH，若未处于预设浊度状态，则继续判断是否处于预设温度和浊度状态，若未处于预设温度和浊度状态，则絮凝剂实际投加量调整为Pd3(r)*Q，若处于预设温度和浊度状态，则Pd3(r)*QL，其中，Q为投加量增大步进，QH为预设浊度状态的第一增大步进，QL为预设浊度状态的第二增大步进。
[0096] 这里，浊度去除率表示絮凝实验后，相比进水的初始浊度Tini，沉后浊度下降的比例，在相同初始浊度下，浊度去除率越高，絮凝实验后水的沉后浊度就越低，初始浊度Tini为初始的进水浊度，这个进水也就是水厂待处理的原水。请参见图4，浊度去除率与絮凝剂投加量，呈现非线性关系。在絮凝剂投加量较小时，随着絮凝剂投加量的增大，浊度去除率随之升高，沉后浊度不断降低，随着絮凝剂投加量不断增加，浊度去除率会增大到峰值，此时对应着最低的沉后浊度，之后，随着絮凝剂投加量继续增大，浊度去除率会开始下降，沉后浊度开始上升。
[0097] 当Td1(r)>Td2(r)>Td3(r)时，说明絮凝剂投加量越大，浊度去除率越高，因为Pd1(r)
[0098] 这里，预设浊度状态为一种高浊状态，预设温度和浊度状态为一种低温低浊状态。
[0099] 当浊度去除率处于去除率单调爬升区，同时进入了高浊状态时，那么则判断为“高浊模式”，新一轮的絮凝剂投加量(即新的絮凝剂实际投加量)PE＝Pd3(r)*QH，QH的值由“高浊模式”决定。
[0100] 进一步的，判断状态是否处于预设浊度状态，包括：
[0101] 判断是否连续两轮的爬升速度Z均大于浊度爬升速率b，若否，则未处于预设浊度状态，若是，则处于预设浊度状态，其中，Z＝abs[Tini(r)‑Tini(r‑1)]/Tini(r‑1)]，abs为取绝对值，Tini(r)为第r轮杯罐絮凝实验的进水平均浊度，Tini(r‑1)为第r‑1轮杯罐絮凝实验的进水平均浊度；
[0102] 其中，在状态处于预设浊度状态时，继续判断是否跳出预设浊度状态，若Tini(r‑3)>Tini(r)，同时Tini(r‑2)>Tini(r)，同时Tini(r)
[0103] 优选的，c＝25NTU。
[0104] 这里，浊度爬升速率为b，优选的设置b＝1.2。
[0105] 图3中，HT为进入高浊模式的标识符，如果HT＝1，说明已经在高浊状态中，如果HT＝0，说明不在高浊状态中。
[0106] 在本实施例中，投加量增大步进为Q＝[(Tini(r)‑Ts)/(Tini(r)‑Td3(r)]*m，m为斜率修正系数；优选的，m＝1.1。
[0107] 在本实施例中，预设浊度状态的第二增大步进为QL＝1+(Qcur‑1)/f，f为预设温度和浊度状态下Q值调整系数，Qcur为当前轮次杯罐絮凝实验的Q值；优选的，f＝10。
[0108] 在本实施例中，请参见图5，预设浊度状态的第一增大步进的取值方法包括：
[0109] 判断第r‑1轮杯罐絮凝实验的进水平均浊度Tini(r‑1)是否大于第r‑2轮杯罐絮凝实验的进水平均浊度Tini(r‑2)；
[0110] 若第r‑1轮杯罐絮凝实验的进水平均浊度Tini(r‑1)大于第r‑2轮杯罐絮凝实验的进水平均浊度Tini(r‑2)，则继续判断第r轮杯罐絮凝实验的进水平均浊度Tini(r)是否大于第r‑1轮杯罐絮凝实验的进水平均浊度Tini(r‑1)，若是，那么此时为高浊状态的飙升段，则QH＝Qr，若否，那么此时为高浊状态的峰顶区，则QH＝Qp，其中，Qr为飙升段增大步进，Qp为峰顶区增大步进；
[0111] 若第r‑1轮杯罐絮凝实验的进水平均浊度Tini(r‑1)不大于第r‑2轮杯罐絮凝实验的进水平均浊度Tini(r‑2)，则继续判断第r轮杯罐絮凝实验的进水平均浊度Tini(r)是否大于第r‑1轮杯罐絮凝实验的进水平均浊度Tini(r‑1)，若否，那么此时为高浊状态的回落区，则QH＝Qd，若是，则Dell，Dell是指空状态，也就是实际中不会出现的状态，所以不用进行任何操作，Qd为回落段增大步进；
[0112] 其中，Qr＝Qr1*n，Qp＝Q，Qd＝Qd1*n，Qr1＝(Tpre1‑Ts)/[Tini(r)‑Ts]，Tpre1＝Tini(r)+kpre*yr，Qd1＝(Tpre2‑Ts)/[Tini(r)‑Ts]，Tpre2＝Tini(r)+kpre*yd，Tpre为第r+1轮原水初始浊度预测值，kpre为第r+1轮原水初始浊度与第r轮原水初始浊度的预测变化值，kpre＝k(r)+[k(r)‑k(r‑1)]，K(r)为第r轮原水初始浊度与第r‑1轮原水初始浊度的的变化值，k(r)＝Tini(r)‑Tini(r‑1)，K(r‑1)为第r‑1轮原水初始浊度与第r‑2轮原水初始浊度的变化值，k(r‑1)＝Tini(r‑1)‑Tini(r‑2)，yr为第一修正系数，也即飙升段预测修正系数，yd为第二修正系数，也即回落段修正预测系数，n为Q的修正系数。
[0113] 可选的，yd的取值在0.8～3之间，yr的取值在0.3～2之间，n的取值在0.8～2之间。
[0114] 优选的，yd＝1.2，yr＝0.8，n＝1.1。
[0115] 进一步的，请参见图6，判断是否处于预设温度和浊度状态，包括：
[0116] 判断监测的水温数据Temp是否小于低温判断标准Temp‑L，同时第r轮杯罐絮凝实验的进水平均浊度Tini(r)是否小于低浊判断标准Tini_L，若监测的水温数据Temp小于低温判断标准Temp‑L，同时第r轮杯罐絮凝实验的进水平均浊度Tini(r)小于低浊判断标准Tini_L，则状态处于预设温度和浊度状态，否则，未处于预设温度和浊度状态。
[0117] 这里，当进水水温较低，同时浊度也较低时，进入“低温低浊状态”，进入低温低浊时，低温低浊模式的标识符DL＝1。
[0118] 也就是说，如果温度TempTemp_L，或者进水平均浊度Tini(r)>Tini_L，跳出低温低浊状态，跳出时，将低温低浊轮次变量Lr置0，将L、H、Q设置为初始化数据。
[0119] 优选的，Temp_L＝70℃，Tini_L＝4NTU。
[0120] 在本实施例中，第r轮杯罐絮凝实验的进水平均浊度Tini(r)的计算方法为：Tini(r)＝(Tini1(r)+Tini2(r)+Tini3(r))/3，Tini1(r)＝Tur1(r)，Tini2(r)＝Tur2(r)，Tini3(r)＝Tur3(r)，其中，Tini1(r)为第r轮杯罐絮凝实验中1号杯罐中样水的初始浊度，Tini2(r)为第r轮杯罐絮凝实验中2号杯罐中样水的初始浊度，Tini3(r)为第r轮杯罐絮凝实验中3号杯罐中样水的初始浊度，Tur1(r)为第r轮杯罐絮凝实验中浊度探头测到的1号杯罐中水的浊度，Tur2(r)为第r轮杯罐絮凝实验中浊度探头测到的2号杯罐中水的浊度，Tur3(r)为第r轮杯罐絮凝实验中浊度探头测到的3号杯罐中水的浊度。
[0121] (2)、若预设关系为Ts
[0122] 在本实施例中，根据状态是否在预设温度和浊度状态确定下一轮杯罐絮凝实验的H和L的值，包括：
[0123] 判断监测的水温数据Temp是否小于低温判断标准Temp‑L、第r轮杯罐絮凝实验的进水平均浊度Tini(r)是否小于低浊判断标准Tini_L；
[0124] 若监测的水温数据Temp小于低温判断标准Temp‑L，同时第r轮杯罐絮凝实验的进水平均浊度Tini(r)小于低浊判断标准Tini_L，则状态在预设温度和浊度状态，当首次进入预设温度和浊度状态时，L的取值更新为LL，H的取值更新为HL，并将LL和HL作为下一轮的H和L的值，其中，LL＝Lcur‑(1‑Lcur)/s，HL＝1+(Hcur‑1)/s，Lcur为当前轮次杯罐絮凝实验的L值，Hcur为当前轮次杯罐絮凝实验的H值，s为调整系数，具体为预设温度和浊度状态下L、H的调整系数，f为预设温度和浊度状态下Q值调整系数，当不是首次进入预设温度和浊度状态时，L、H、QL的值保持不变，LL为预设温度和浊度状态下投加量的下降系数，HL为预设温度和浊度状态下投加量的增加系数；
[0125] 若监测的水温数据Temp大于低温判断标准Temp‑L，或者，第r轮杯罐絮凝实验的进水平均浊度Tini(r)大于低浊判断标准Tini_L，跳出预设温度和浊度状态，将L、H、Q设置为初始化数据，同时将进入预设温度和浊度状态的次数设置为0。
[0126] 优选的，s＝5，f＝10。
[0127] (3)、若预设关系为min(Td1(r),Td2(r),Td3(r))>Ts、Td1(r)>Td2(r)、Td2(r)Ts、Td1(r)Td3(r)，则浊度去除率处于非单调爬升区，此时根据第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)的关系确定新的絮凝剂实际投加量，并根据浊度是否在预设温度和浊度状态确定下一轮杯罐絮凝实验的H和L的值。
[0128] 在本实施例中，根据第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)的关系确定新的絮凝剂实际投加量，包括：
[0129] 判断第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)之间的关系；
[0130] 若Td1(r)>Td2(r)、且Td2(r)
[0131] 若Td1(r)Td3(r)，则絮凝剂实际投加量调整为[Pd1(r)+Pd2(r)]/2。
[0132] 最终，通过本实施例提供的方法确定了新一轮絮凝剂投加量PE(即新一轮的絮凝剂实际投加量)，之后将PE这一参数传递给Jar Test模块，以进行新一轮的实验，Pnew(r)＝PE，Pnew(r)为第r轮的新投加量，同时将Pnew(r)传递给水厂投加量的控制系统，具体可以根据水厂实际情况设定判断条件，决定是否改变絮凝剂实际投加量。
[0133] 本发明提出一种基于多个杯罐絮凝实验迭代优化方法，该方法通过3个智能Jar Test模块同时实验，分别获取了第一组絮体图像和水质指标数据、第二组絮体图像和水质指标数据、第三组絮体图像和水质指标数据，之后基于所得到的三组絮体图像和水质指标数据，通过深度学习模型对多个杯罐絮凝后的浊度进行了预测，得到了三个同时进行絮凝实验后的上清液浊度预测值，之后再利用所得到的三个同时进行絮凝实验后的上清液浊度预测值得到新一轮杯罐絮凝实验的絮凝剂投加量，实现絮凝剂投加量的优化迭代。本发明通过深度学习模型实现对絮凝效果的预测，通过多杯罐絮凝实验实现投加量的快速优化，能够实现絮凝剂投加量的实时调整与优化，可以解决目前絮凝加药控制中的非线性、时变性以及大时滞的难点，以及由此带来的絮凝剂过量投加，难以应对水质突变和特殊水质等问题。本发明所提供的方法缩短了絮凝效果预测时间，优化了出水控制，降低了絮凝剂投加量，为水处理企业节省成本，同时降低间接碳排放量。
[0134] 实施例二
[0135] 请参见图7，图7是本发明实施例提供的一种基于多杯罐絮凝实验的絮凝剂投加量实时优化系统的示意图，本发明在上述实施例的基础上还提供一种基于多杯罐絮凝实验的絮凝剂投加量实时优化系统，该絮凝剂投加量实时优化系统包括：
[0136] 基础投加量获取模块，用于获取首次运行时絮凝剂与助凝剂的投加量，以作为杯罐絮凝实验第1轮杯罐絮凝实验的絮凝剂基础投加量；
[0137] 数据获取模块，用于基于第r轮杯罐絮凝实验的絮凝剂基础投加量，分别获取第r轮杯罐絮凝实验中同时进行絮凝实验的的第一智能Jar Test模块、第二智能Jar Test模块、第一智能Jar Test模块对应的第一组絮体图像和水质指标数据、第二组絮体图像和水质指标数据、第三组絮体图像和水质指标数据，其中，所述第一智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd1(r)小于当前絮凝剂实际投加量，所述第二智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd2(r)等于当前絮凝剂实际投加量，所述第三智能Jar Test模块的第r轮杯罐絮凝实验的絮凝剂投加量Pd3(r)大于当前絮凝剂实际投加量；
[0138] 预测值获取模块，用于将第r轮杯罐絮凝实验对应的所述第一组絮体图像和水质指标数据、所述第二组絮体图像和水质指标数据、所述第三组絮体图像和水质指标数据分别输入预先训练好的深度学习模型，对应得到第r轮杯罐絮凝实验的第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)；
[0139] 絮凝剂实际投加量获取模块，用于根据所述第一智能Jar Test模块絮凝实验后的上清液浊度预测值Td1(r)、所述第二智能Jar Test模块絮凝实验后的上清液浊度预测值Td2(r)、所述第三智能Jar Test模块絮凝实验后的上清液浊度预测值Td3(r)得到新的絮凝剂实际投加量，并将新的絮凝剂实际投加量作为第r+1轮的絮凝剂基础投加量，重复执行数据获取模块至絮凝剂实际投加量获取模块的处理过程，以确定第r+1轮的新的絮凝剂实际投加量。
[0140] 本实施例提供的絮凝剂投加量实时优化系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0141] 需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0142] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0143] 尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图以及公开内容，可理解并实现所述公开实施例的其他变化。在说明书中，“包括”一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。相互不同的实施例中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0144] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
