基于智能加药的含氟废水处理系统及方法

摘要

本发明属于含氟废水处理技术领域，本发明公开了基于智能加药的含氟废水处理系统及方法；采集 组历史废水状态数据；历史废水状态数据包括废水特征数据以及与废水特征数据对应的药剂流量；基于历史废水状态数据训练出预测药剂流量的药剂选择模型；将采集的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次反应池中药剂投放设备的控制参数；能够实时控制药剂投放设备投放药剂，根据废水含氟浓度的变化作出相应的药剂流量调整，及时增加药剂流量，确保含氟废水(56)对比文件王炯辉等.大型废弃石墨矿坑酸性含氟废水污染治理研究: 以山东省莱西市南墅镇岳石矿坑为例《.环境工程》.2022,第40卷(第8期),164-170.Nathaniel J. Olsavsky等.Research andRegulatory Advancements on Remediationand Degradation of Fluorinated PolymerCompounds《.applied sciences》.2020,第10卷1-26.

权利要求

1.基于智能加药的含氟废水处理方法，其特征在于，包括：采集 组历史废水状态数据；历史废水状态数据包括废水特征数据以及与废水特征数据对应的药剂流量；

基于历史废水状态数据训练出预测药剂流量的药剂选择模型；

将含氟废水处理设备划分为 个区域；含氟废水处理设备包含反应池、沉淀池、加药孔、加药管以及药剂投放设备，将反应池划分为 个区域，沉淀池划分为 个区域，；药剂投放设备通过n个加药孔将药剂投放至反应池与沉淀池，n个加药孔与n个区域一一对应，反应池设置 个加药孔，沉淀池设置 个加药孔，加药孔位于加药管上，加药管与药剂投放设备以及含氟废水处理设备相连；

将采集的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次反应池中药剂投放设备的控制参数；

采集沉淀池进水端的废水特征数据，将沉淀池进水端的废水特征数据中废水含氟浓度标记为第一处理浓度；

对第一处理浓度进行分析，判断是否生成二次处理指令或药剂增加指令；

若生成二次处理指令，将采集的沉淀池进水端的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次沉淀池中药剂投放设备的控制参数；若生成药剂增加指令，则计算反应池药剂流量增加量，将反应池中的药剂流量加上反应池药剂流量增加量作为反应池新的药剂流量；

采集沉淀池出水端的废水含氟浓度，将沉淀池出水端的废水含氟浓度标记为第二处理浓度；

对第二处理浓度进行分析，判断是否生成二次药剂增加指令；

若生成二次药剂增加指令，则计算沉淀池药剂流量增加量，将沉淀池中的药剂流量加上沉淀池药剂流量增加量作为沉淀池新的药剂流量。

2.根据权利要求1所述的基于智能加药的含氟废水处理方法，其特征在于，所述废水特征数据包括废水流量与废水含氟浓度。

3.根据权利要求2所述的基于智能加药的含氟废水处理方法，其特征在于，所述药剂选择模型训练过程包括：将废水特征数据作为药剂选择模型的输入，所述药剂选择模型以对每组废水特征数据的预测药剂流量为输出，以该组废水特征数据对应的实际药剂流量为预测目标，以最小化所有废水特征数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中 为预测误差， 为废水特征数据的编号， 为第 组废水特征数据对应的预测药剂流量， 为第 组废水特征数据对应的实际药剂流量；对药剂选择模型进行训练，直至预测误差之和达到收敛时停止训练；所述药剂选择模型是深度神经网络模型或深度信念网络模型中的任一个。

4.根据权利要求3所述的基于智能加药的含氟废水处理方法，其特征在于，所述判断是否生成二次处理指令或药剂增加指令的方法包括：将第一处理浓度与预设含氟浓度阈值进行对比分析；

若第一处理浓度小于含氟浓度阈值，则不生成二次处理指令和药剂增加指令；

若第一处理浓度大于或等于含氟浓度阈值且第一处理浓度除以含氟浓度阈值小于或等于R，则生成二次处理指令，R为大于1的数值；

若第一处理浓度除以含氟浓度阈值大于R，则生成二次处理指令和药剂增加指令。

5.根据权利要求4所述的基于智能加药的含氟废水处理方法，其特征在于，所述反应池药剂流量增加量的计算公式如下：；

式中 为反应池药剂流量增加量， 为沉淀池进水端的废水含氟浓度， 为含氟浓度阈值， 为沉淀池进水端的废水流量。

6.根据权利要求5所述的基于智能加药的含氟废水处理方法，其特征在于，所述判断是否生成二次药剂增加指令的方法包括：将第二处理浓度与预设含氟浓度阈值进行对比分析；

若第二处理浓度小于或等于含氟浓度阈值，则不生成二次药剂增加指令；

若第二处理浓度大于含氟浓度阈值，则生成二次药剂增加指令。

7.根据权利要求6所述的基于智能加药的含氟废水处理方法，其特征在于，所述沉淀池药剂流量增加量的计算公式如下：；

式中 为沉淀池药剂流量增加量， 为沉淀池出水端的废水含氟浓度， 为沉淀池出水端的废水流量。

8.根据权利要求7所述的基于智能加药的含氟废水处理方法，其特征在于，将连续采集的Q个第二处理浓度输入浓度预测模型预测未来时刻的第二处理浓度；浓度预测模型的训练方法包括：将连续采集的Q个第二处理浓度构建第二处理浓度集合，基于第二处理浓度集合，训练预测未来时刻第二处理浓度的预测模型；

预设滑动步长L以及滑动窗口长度；将第二处理浓度集合内的第二处理浓度使用滑动窗口方法将其转化为多个训练样本，将训练样本作为浓度预测模型的输入，预测滑动步长L后的第二处理浓度作为输出，每个训练样本的后续第二处理浓度作为预测目标，以预测准确率作为训练目标，对浓度预测模型进行训练；生成根据第二处理浓度预测未来时刻第二处理浓度的浓度预测；浓度预测模型为循环神经网络模型。

9.根据权利要求8所述的基于智能加药的含氟废水处理方法，其特征在于，通过CCD摄像机采集沉淀池图像，对图像进行灰度化处理，收集Y个像素点的灰度值；

将Y个像素点的灰度值分别与灰度值阈值进行对比分析，若像素点的灰度值大于或等于灰度值阈值，则标记为沉淀点，若像素点的灰度值小于差值阈值，则不标记为沉淀点；

统计沉淀点的个数，计算沉淀面积；

沉淀面积计算公式如下：

:

式中， 为沉淀面积， 为沉淀点个数， 为一个沉淀点的面积， 为比例系数；

一个沉淀点的面积由图像的分辨率获取，将沉淀池的实际面积除以沉淀池的图像面积作为比例系数;根据沉淀面积计算第二处理浓度，将第二处理浓度发送至第二浓度判断模块；

第二处理浓度计算公式如下:

:

式中， 为权重系数。

10.基于智能加药的含氟废水处理系统，其基于权利要求1‑9中任一项所述的基于智能加药的含氟废水处理方法实现，其特征在于，包括：第一数据采集模块，采集 组历史废水状态数据；历史废水状态数据包括废水特征数据以及与废水特征数据对应的药剂流量；

模型训练模块，基于历史废水状态数据训练出预测药剂流量的药剂选择模型；

区域划分模块，将含氟废水处理设备划分为 个区域；

第一药剂投放模块，将采集的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次反应池中药剂投放设备的控制参数；

第二数据采集模块，采集沉淀池进水端的废水特征数据，将沉淀池进水端的废水特征数据中废水含氟浓度标记为第一处理浓度；

第一浓度判断模块，对第一处理浓度进行分析，判断是否生成二次处理指令或药剂增加指令；

第二药剂投放模块，若生成二次处理指令，将采集的沉淀池进水端的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次沉淀池中药剂投放设备的控制参数；若生成药剂增加指令，则计算反应池药剂流量增加量，将反应池中的药剂流量加上反应池药剂流量增加量作为反应池新的药剂流量；

第三数据采集模块，采集沉淀池出水端的废水含氟浓度，将沉淀池出水端的废水含氟浓度标记为第二处理浓度；

第二浓度判断模块，对第二处理浓度进行分析，判断是否生成药剂增加指令；

药剂增加模块，若生成二次药剂增加指令，则计算沉淀池药剂流量增加量，将沉淀池中的药剂流量加上沉淀池药剂流量增加量作为沉淀池新的药剂流量。

11.一种电子设备，包括存储器、处理器以及存储在存储器上并可在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权利要求1‑9中任一项所述的基于智能加药的含氟废水处理方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1‑9中任一项所述的基于智能加药的含氟废水处理方法。

说明书

基于智能加药的含氟废水处理系统及方法

技术领域

[0001] 本发明涉及含氟废水处理技术领域，更具体地说，本发明涉及基于智能加药的含氟废水处理系统及方法。

背景技术

[0002] 国内目前解决的主要针对高氟废水处理系统的研究，当然也存在部分针对低浓度含氟废水的处理系统，例如申请公开号为CN116395814A的中国专利提出一种含氟废水深度除氟系统及方法；包括依次连接的混合搅拌区、絮凝搅拌区和沉淀区，所述混合搅拌区的一侧设有进水端，所述进水端、混合搅拌区和絮凝搅拌区分别设有自动药剂投加点，所述自动药剂投加点与智慧加药系统相连接；所述沉淀区的一侧设有出水端，所述出水端安装有氟化物在线监测仪，所述絮凝搅拌区安装有图像识别系统，所述氟化物在线监测仪和图像识别系统分别与智慧加药系统相连接；可以有效解决污水水质水量波动时，加药计量泵频繁手动调节、实际加药量时多时少、污染物去除效果不稳定等问题；上述技术虽然能实现自动加药，但经发明人对上述技术以及现有技术进行研究和实际应用发现，上述技术以及现有技术至少存在以下部分缺陷：

[0003] （1）无法根据废水含氟浓度进行实时调整药剂用量，需要经过一段时间的数据收集或者手动操控才能控制药剂投放设备加药；

[0004] （2）药剂投放点无法覆盖含氟废水处理设备，药剂与废水反应不充分；

[0005] （3）仅能根据出水端的废水含氟浓度判断是否增加药剂用量，无法有效的减少废水含氟浓度，废水中氟化物去除效果不稳定。

[0006] 鉴于此，本发明提出基于智能加药的含氟废水处理系统及方法以解决上述问题。

发明内容

[0007] 为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：基于智能加药的含氟废水处理方法，包括：

[0008] 采集 组历史废水状态数据；历史废水状态数据包括废水特征数据以及与废水特征数据对应的药剂流量；

[0009] 基于历史废水状态数据训练出预测药剂流量的药剂选择模型；

[0010] 将含氟废水处理设备划分为 个区域；

[0011] 将采集的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次反应池中药剂投放设备的控制参数；

[0012] 采集沉淀池进水端的废水特征数据，将沉淀池进水端的废水特征数据中废水含氟浓度标记为第一处理浓度；

[0013] 对第一处理浓度进行分析，判断是否生成二次处理指令或药剂增加指令；

[0014] 若生成二次处理指令，将采集的沉淀池进水端的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次沉淀池中药剂投放设备的控制参数；若生成药剂增加指令，则计算反应池药剂流量增加量，将反应池中的药剂流量加上反应池药剂流量增加量作为反应池新的药剂流量；

[0015] 采集沉淀池出水端的废水含氟浓度，将沉淀池出水端的废水含氟浓度标记为第二处理浓度；

[0016] 对第二处理浓度进行分析，判断是否生成药剂增加指令；

[0017] 若生成二次药剂增加指令，则计算沉淀池药剂流量增加量，将沉淀池中的药剂流量加上沉淀池药剂流量增加量作为沉淀池新的药剂流量。

[0018] 进一步地，废水特征数据包括废水流量与废水含氟浓度。

[0019] 进一步地，药剂选择模型具体训练过程包括：

[0020] 将废水特征数据作为药剂选择模型的输入，所述药剂选择模型以对每组废水特征数据的预测药剂流量为输出，以该组废水特征数据对应的实际药剂流量为预测目标，以最小化所有废水特征数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中 为预测误差， 为废水特征数据的编号， 为第 组废水特征数据对应的预测药剂流量， 为第 组废水特征数据对应的实际药剂流量；对药剂选择模型进行训练，直至预测误差之和达到收敛时停止训练；所述药剂选择模型是深度神经网络模型或深度信念网络模型中的任一个。

[0021] 进一步地，含氟废水处理设备包含反应池、沉淀池、加药孔、加药管以及药剂投放设备，将反应池划分为 个区域，沉淀池划分为 个区域， ；药剂投放设备通过n个加药孔将药剂投放至反应池与沉淀池，n个加药孔与n个区域一一对应，反应池设置个加药孔，沉淀池设置 个加药孔，加药孔位于加药管上，加药管与药剂投放设备以及含氟废水处理设备相连。

[0022] 进一步地，判断是否生成二次处理指令或药剂增加指令的方法包括：

[0023] 将第一处理浓度与预设含氟浓度阈值进行对比分析；

[0024] 若第一处理浓度小于含氟浓度阈值，则不生成二次处理指令和药剂增加指令；

[0025] 若第一处理浓度大于或等于含氟浓度阈值且第一处理浓度除以含氟浓度阈值小于或等于R，则生成二次处理指令，R为大于1的数值；

[0026] 若第一处理浓度除以含氟浓度阈值大于R，则生成二次处理指令和药剂增加指令；

[0027] 含氟浓度阈值为工作人员根据政府各级有关部门制定的氟化物排放标准确定。

[0028] 进一步地，反应池药剂流量增加量的计算如下：

[0029] ；

[0030] 式中 为反应池药剂流量增加量， 为沉淀池进水端的废水含氟浓度，为含氟浓度阈值， 为沉淀池进水端的废水流量。

[0031] 进一步地，判断是否生成二次药剂增加指令的方法包括：

[0032] 将第二处理浓度与预设含氟浓度阈值进行对比分析；

[0033] 若第二处理浓度小于或等于含氟浓度阈值，则不生成二次药剂增加指令；

[0034] 若第二处理浓度大于含氟浓度阈值，则生成二次药剂增加指令。

[0035] 进一步地，沉淀池药剂流量增加量的计算如下：

[0036] ；

[0037] 式中 为沉淀池药剂流量增加量， 为沉淀池出水端的废水含氟浓度，为沉淀池出水端的废水流量。

[0038] 进一步地，将连续采集的Q个第二处理浓度输入浓度预测模型预测未来时刻的第二处理浓度；浓度预测模型的训练方法包括：

[0039] 将连续采集的Q个第二处理浓度构建第二处理浓度集合，基于第二处理浓度集合，训练预测未来时刻第二处理浓度的预测模型；

[0040] 预设滑动步长L以及滑动窗口长度；将第二处理浓度集合内的第二处理浓度使用滑动窗口方法将其转化为多个训练样本，将训练样本作为循环神经网络模型的输入，预测滑动步长L后的第二处理浓度作为输出，每个训练样本的后续第二处理浓度作为预测目标，以预测准确率作为训练目标，对循环神经网络模型进行训练；生成根据第二处理浓度预测未来时刻第二处理浓度的浓度预测；其中，所述循环神经网络模型可以为RNN神经网络模型。

[0041] 进一步地，通过CCD摄像机采集沉淀池图像，对图像进行灰度化处理，收集Y个像素点的灰度值；

[0042] 将Y个像素点的灰度值分别与灰度值阈值进行对比分析，若像素点的灰度值大于或等于灰度值阈值，则标记为沉淀点，若像素点的灰度值小于差值阈值，则不标记为沉淀点；灰度值阈值为工作人员在历史含氟废水处理阶段，采集多张沉淀池图像并进行灰度化处理，将每张沉淀池中沉淀区域对应像素点的灰度值作为一个分析集合，将多个分析集合中最低灰度值的均值作为灰度值阈值；

[0043] 统计沉淀点的个数，计算沉淀面积；

[0044] 沉淀面积计算如下：

[0045] :

[0046] 式中， 为沉淀面积， 为沉淀点个数， 为一个沉淀点的面积， 为比例系数；

[0047] 一个沉淀点的面积由图像的分辨率获取，将沉淀池的实际面积除以沉淀池的图像面积作为比例系数，沉淀池的实际面积与沉淀池的图像面积由工作人员测量获取；

[0048] 根据沉淀面积计算第二处理浓度，将第二处理浓度发送至第二浓度判断模块；

[0049] 第二处理浓度计算如下:

[0050] :

[0051] 式中， 为权重系数。

[0052] 基于智能加药的含氟废水处理系统，实现上述基于智能加药的含氟废水处理方法，包括：

[0053] 第一数据采集模块，采集 组历史废水状态数据，将历史废水状态数据发送至模型训练模块；历史废水状态数据包括废水特征数据以及与废水特征数据对应的药剂流量；

[0054] 模型训练模块，基于历史废水状态数据训练出预测药剂流量的药剂选择模型；

[0055] 区域划分模块，将含氟废水处理设备划分为 个区域；

[0056] 第一药剂投放模块，将采集的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次反应池中药剂投放设备的控制参数；

[0057] 第二数据采集模块，采集沉淀池进水端的废水特征数据，将沉淀池进水端的废水特征数据中废水含氟浓度标记为第一处理浓度；

[0058] 第一浓度判断模块，对第一处理浓度进行分析，判断是否生成二次处理指令或药剂增加指令；

[0059] 第二药剂投放模块，若生成二次处理指令，将采集的沉淀池进水端的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次沉淀池中药剂投放设备的控制参数；若生成药剂增加指令，则计算反应池药剂流量增加量，将反应池中的药剂流量加上反应池药剂流量增加量作为反应池新的药剂流量；

[0060] 第三数据采集模块，采集沉淀池出水端的废水含氟浓度，将沉淀池出水端的废水含氟浓度标记为第二处理浓度；

[0061] 第二浓度判断模块，对第二处理浓度进行分析，判断是否生成药剂增加指令；

[0062] 药剂增加模块，若生成二次药剂增加指令，则计算沉淀池药剂流量增加量，将沉淀池中的药剂流量加上沉淀池药剂流量增加量作为沉淀池新的药剂流量。

[0063] 一种电子设备，包括存储器、处理器以及存储在存储器上并可在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所述的基于智能加药的含氟废水处理方法。

[0064] 一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现所述的基于智能加药的含氟废水处理方法。

[0065] 本发明基于智能加药的含氟废水处理系统及方法的技术效果和优点：

[0066] 1.通过实时检测反应池进水端、沉淀池进水端以及沉淀池出水端的废水流量与废水含氟浓度，能够实时控制药剂投放设备投放药剂，根据废水含氟浓度的变化作出相应的药剂流量调整，及时增加药剂流量，确保含氟废水处理设备排出的废水中含氟浓度达到标准要求的水平；在反应池与沉淀池中设置多个加药孔，保证药剂与废水能充分接触反应，防止中心单点加药容易出现加药管中药剂堵塞的问题。

[0067] 2.通过预测未来时刻沉淀池出水端的废水含氟浓度，提前调整沉淀池中药剂用量，增加药剂流量，避免出现因加药不及时而导致短时间内含氟废水处理设备排出的废水含氟浓度超标的情况。

[0068] 3.通过CCD摄像机采集沉淀池图像，计算废水与药剂反应后的产生沉淀面积，从而计算沉淀池出水端的废水含氟浓度，能实时获取沉淀池出水端的废水含氟浓度，实时控制药剂投放设备增加药剂流量，保证排出的废水中氟化物浓度降低至标准要求的水平。

附图说明

[0069] 图1为本发明实施例1的基于智能加药的含氟废水处理系统示意图；

[0070] 图2为本发明实施例1的含氟废水处理设备示意图；

[0071] 图3为本发明实施例2的基于智能加药的含氟废水处理系统示意图；

[0072] 图4为本发明实施例3的基于智能加药的含氟废水处理系统示意图；

[0073] 图5为本发明实施例4的基于智能加药的含氟废水处理方法示意图；

[0074] 图6为本发明实施例5的电子设备示意图。

[0075] 附图标记：1、反应池；2、加药孔；3、加药管；4、沉淀池；5、药剂投放设备。

具体实施方式

[0076] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0077] 实施例1

[0078] 请参阅图1所示，本实施例所述基于智能加药的含氟废水处理系统，包括第一数据采集模块、模型训练模块、区域划分模块、第一药剂投放模块、第二数据采集模块、第一浓度判断模块、第二药剂投放模块、第三数据采集模块、第二浓度判断模块以及药剂增加模块，各个模块间通过有线和/或无线的方式连接；

[0079] 第一数据采集模块，采集 组历史废水状态数据， 为大于1的整数，将历史废水状态数据发送至模型训练模块；历史废水状态数据包括废水特征数据以及与废水特征数据对应的药剂流量；

[0080] 废水特征数据包括废水流量与废水含氟浓度；废水流量通过安装在反应池进水端的电磁流量计获取，废水流量增加，对应的药剂流量也增加，以确保足够的药剂对废水进行中和处理，能有效去除其中的氟化物；废水含氟浓度通过安装在反应池进水端的氟化物在线检测仪获取，废水含氟浓度上升，药剂流量随之增加；药剂流量增加时，反应池内药剂浓度上升，高浓度药剂对于高含氟浓度废水具备更好的处理能力，能有效去除其中的氟化物；药剂流量通过安装在加药管入口的电磁流量计获取；

[0081] 在实验环境下，工作人员依次采用不同药剂流量对同一组废水特征数据进行处理，依次采集处理后废水的含氟浓度，将废水中含氟浓度最低对应的药剂流量作为该废水特征数据对应的药剂流量；依次按照上述方法获取不同药剂流量对应的药剂流量；

[0082] 模型训练模块，基于历史废水状态数据训练出预测药剂流量的药剂选择模型；药剂选择模型具体训练过程包括：

[0083] 将废水特征数据作为药剂选择模型的输入，所述药剂选择模型以对每组废水特征数据的预测药剂流量为输出，以该组废水特征数据对应的实际药剂流量为预测目标，以最小化所有废水特征数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中 为预测误差， 为废水特征数据的编号， 为第 组废水特征数据对应的预测药剂流量， 为第 组废水特征数据对应的实际药剂流量；对药剂选择模型进行训练，直至预测误差之和达到收敛时停止训练；

[0084] 上述药剂选择模型是深度神经网络模型或深度信念网络模型中的任一个；

[0085] 区域划分模块，将含氟废水处理设备划分为 个区域， 为大于1的整数；

[0086] 第一药剂投放模块，将采集的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次反应池中药剂投放设备的控制参数；

[0087] 请参阅图2所示，含氟废水处理设备包含反应池1、加药孔2、加药管3、沉淀池4以及药剂投放设备5，将反应池划分为 个区域，沉淀池划分为 个区域， ；药剂投放设备5通过n个加药孔2将药剂投放至反应池1与沉淀池4，n个加药孔与n个区域一一对应，即反应池设置 个加药孔，沉淀池设置 个加药孔，加药孔2位于加药管3上，加药管3与药剂投放设备5相连；使得药剂与废水能够充分混合反应，有效去除废水中的氟化物，防止中心单点加药容易出现加药管中药剂堵塞的问题；

[0088] 废水从反应池的进水端流入反应池，先在反应池中与药剂进行反应后再通过反应池出水端流入沉淀池，因此先控制反应池中的 个加药孔向反应池中投放药剂；

[0089] 第二数据采集模块，采集沉淀池进水端的废水特征数据，将沉淀池进水端的废水特征数据中废水含氟浓度标记为第一处理浓度；废水流量通过安装在沉淀池进水端的电磁流量计获取，废水含氟浓度通过安装在沉淀池进水端的在线氟电极获取；

[0090] 在沉淀池对废水特征数据进行再次采集的原因在于，在含氟废水处理过程中可能存在其他情况导致废水中氟浓度未能降至标准要求的水平，例如反应池中废水和药剂的混合时间不足，导致药剂未能与废水充分反应；反应池加药管中药剂堵塞，导致药剂无法进入反应池中处理废水；反应池进水端的数据采集设备存在误差，导致误报废水含氟浓度，药剂投放设备投放的药剂不足等情况；需要在沉淀池中进行二次处理或增大反应池中投放的药剂流量，保证沉淀池出水端排出的废水中含氟浓度达到标准要求的水平；

[0091] 第一浓度判断模块，对第一处理浓度进行分析，判断是否生成二次处理指令或药剂增加指令；

[0092] 判断是否生成二次处理指令或药剂增加指令的方法包括：

[0093] 将第一处理浓度与预设含氟浓度阈值进行对比分析；

[0094] 若第一处理浓度小于含氟浓度阈值，则不生成二次处理指令和药剂增加指令，说明此时含氟废水在反应池中与药剂充分反应，废水中的含氟浓度达到标准要求的水平，无需进行其他操作；

[0095] 若第一处理浓度大于或等于含氟浓度阈值且第一处理浓度除以含氟浓度阈值小于或等于R，则生成二次处理指令，但不生成药剂增加指令；说明此时含氟废水在反应池中与药剂并未充分反应，废水中的含氟浓度达不到标准要求的水平，需要在沉淀池中进行二次处理，但废水中的含氟浓度已经在反应池中得到了有效的减少，无需在反应池中增加药剂；R为工作人员根据含氟浓度阈值进行设置，R为大于1的数值，本实施例优选R为2；

[0096] 若第一处理浓度除以含氟浓度阈值大于R，则生成二次处理指令和药剂增加指令，说明此时反应池中的药剂不足以有效降低废水中的含氟浓度，需要增加反应池中的药剂，即增大药剂流量；并且废水中的含氟浓度还远远达不到标准要求的水平，需要在沉淀池中进行二次处理，以确保沉淀池出水端流出废水中的含氟浓度达到标准要求的水平；

[0097] 含氟浓度阈值为工作人员根据政府各级有关部门制定的氟化物排放标准确定；

[0098] 第二药剂投放模块，若生成二次处理指令，将采集的沉淀池进水端的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次沉淀池中药剂投放设备的控制参数，控制沉淀池中的 个加药孔向沉淀池中投放药剂；若生成药剂增加指令，则计算反应池药剂流量增加量，将反应池中的药剂流量加上反应池药剂流量增加量作为反应池新的药剂流量；

[0099] 反应池药剂流量增加量的计算如下：

[0100] ；

[0101] 式中 为反应池药剂流量增加量， 为第一处理浓度， 为含氟浓度阈值， 为沉淀池进水端的废水流量；

[0102] 第三数据采集模块，采集沉淀池出水端的废水含氟浓度，将沉淀池出水端的废水含氟浓度标记为第二处理浓度；废水含氟浓度通过安装在沉淀池出水端的在线氟电极获取；

[0103] 第二浓度判断模块，对第二处理浓度进行分析，判断是否生成二次药剂增加指令；

[0104] 判断是否生成二次药剂增加指令的方法包括：

[0105] 将第二处理浓度与预设含氟浓度阈值进行对比分析；

[0106] 若第二处理浓度小于或等于含氟浓度阈值，则不生成二次药剂增加指令，说明此时沉淀池出水端排出的废水中氟浓度已经达到标准要求的水平，废水中氟化物去除效果较好，无需增加沉淀池中投放的药剂流量；

[0107] 若第二处理浓度大于含氟浓度阈值，则生成二次药剂增加指令，说明此时废水经过沉淀池的二次处理后，废水含氟浓度仍然未达到标准要求的水平，需要再次增加药剂，即增加沉淀池中的药剂，增大药剂流量，以确保沉淀池出水端流出废水中的含氟浓度达到标准要求的水平，提升废水中氟化物去除效果；

[0108] 药剂增加模块，若生成二次药剂增加指令，则计算沉淀池药剂流量增加量，将沉淀池中的药剂流量加上沉淀池药剂流量增加量作为沉淀池新的药剂流量；

[0109] 沉淀池药剂流量增加量的计算如下：

[0110] ；

[0111] 式中 为沉淀池药剂流量增加量， 为第二处理浓度， 为沉淀池出水端的废水流量；

[0112] 本实施例通过实时检测反应池进水端、沉淀池进水端以及沉淀池出水端的废水流量与废水含氟浓度，能够实时控制药剂投放设备投放药剂，根据废水含氟浓度的变化作出相应的药剂流量调整，及时增加药剂流量，确保含氟废水处理设备排出的废水中含氟浓度达到标准要求的水平；在反应池与沉淀池中设置多个加药孔，保证药剂与废水能充分接触反应，防止中心单点加药容易出现加药管中药剂堵塞的问题。

[0113] 实施例2

[0114] 请参阅图3所示，本实施例在实施例1的基础上进一步改进设计，在沉淀池中，需要根据沉淀池出水端的废水含氟浓度判断是否对沉淀池增加药剂流量，存在一定的滞后性，无法及时减少废水中氟化物浓度，导致存在含氟浓度未达到标准要求水平的废水排出沉淀池；因此本实施例提供了基于智能加药的含氟废水处理方法，还包括浓度预测模块，预测未来时刻的沉淀池出水端的废水含氟浓度，提前对沉淀池增加药剂流量，确保沉淀池出水端排出废水中的含氟浓度达到标准要求的水平；

[0115] 浓度预测模块，将连续采集的Q个第二处理浓度输入浓度预测模型预测未来时刻的第二处理浓度，将未来时刻的第二处理浓度发送至第二浓度判断模块；根据未来时刻的第二处理浓度提前对沉淀池增加药剂流量，确保沉淀池出水端排出废水中的含氟浓度达到标准要求的水平；浓度预测模型的训练方法包括：

[0116] 将连续采集的Q个第二处理浓度构建第二处理浓度集合，基于第二处理浓度集合，训练预测未来时刻第二处理浓度的预测模型；

[0117] 根据工作人员实际经验预设滑动步长L以及滑动窗口长度；将第二处理浓度集合内的第二处理浓度使用滑动窗口方法将其转化为多个训练样本，将训练样本作为循环神经网络模型的输入，预测滑动步长L后的第二处理浓度作为输出，每个训练样本的后续第二处理浓度作为预测目标，以预测准确率作为训练目标，对循环神经网络模型进行训练；生成根据第二处理浓度预测未来时刻第二处理浓度的浓度预测；其中，所述循环神经网络模型可以为RNN神经网络模型；

[0118] 示例性的，假设第二处理浓度集合 包含10组第二处理浓度， ={ ,    , ... ,  }, 为第 组第二处理浓度，使用滑动窗口构建多个训练样本，定义滑动窗口的长度为3，滑动步长L为1,每个训练样本包含连续的3个第二处理浓度，将连续的3个第二处理浓度下一个第二处理浓度作为预测目标；例如：

[0119] { ,  ,  }作为训练数据，{ ,  ,  }对应的预测目标为 ；

[0120] { ,  ,  }作为训练数据，{ ,  ,  }对应的预测目标为 ；以此类推，用于浓度预测模型；

[0121] 本实施例通过预测未来时刻沉淀池出水端的废水含氟浓度，提前调整沉淀池中药剂用量，增加药剂流量，避免出现因加药不及时而导致短时间内含氟废水处理设备排出的废水含氟浓度超标的情况。

[0122] 实施例3

[0123] 请参阅图4所示本实施例在实施例1和2的基础上进一步改进设计，除了通过预测未来时刻的沉淀池出水端的废水含氟浓度进行提前处理之外，还可以通过CCD摄像机采集沉淀池中废水与药剂反应后产生的沉淀面积来计算废水含氟浓度；因此本实施例提供了基于智能加药的含氟废水处理方法，还包括图像检测模块；

[0124] 图像检测模块，通过CCD摄像机采集沉淀池图像，对图像进行灰度化处理，收集Y个像素点的灰度值；

[0125] 将Y个像素点的灰度值分别与灰度值阈值进行对比分析，若像素点的灰度值大于或等于灰度值阈值，则标记为沉淀点，若像素点的灰度值小于差值阈值，则不标记为沉淀点；灰度值阈值为工作人员在历史含氟废水处理阶段，采集多张沉淀池图像并进行灰度化处理，将每张沉淀池中沉淀区域对应像素点的灰度值作为一个分析集合，将多个分析集合中最低灰度值的均值作为灰度值阈值；

[0126] 统计沉淀点的个数，计算沉淀面积；

[0127] 沉淀面积计算如下：

[0128] :

[0129] 式中， 为沉淀面积， 为沉淀点个数， 为一个沉淀点的面积， 为比例系数；

[0130] 一个沉淀点的面积由图像的分辨率获取，将沉淀池的实际面积除以沉淀池的图像面积作为比例系数，沉淀池的实际面积与沉淀池的图像面积由工作人员测量获取；

[0131] 根据沉淀面积计算第二处理浓度，将第二处理浓度发送至第二浓度判断模块；

[0132] 第二处理浓度计算如下:

[0133] :

[0134] 式中， 为权重系数；

[0135] 权重系数为上述确定灰度值阈值时，工作人员通过测量获取多个沉淀面积，将采集到的第二处理浓度减去第一处理浓度再除以沉淀面积获取多个数值，将多个数值的均值作为权重系数；

[0136] 本实施例通过CCD摄像机采集沉淀池图像，计算废水与药剂反应后的产生沉淀面积，从而计算沉淀池出水端的废水含氟浓度，能实时获取沉淀池出水端的废水含氟浓度，实时控制药剂投放设备增加药剂流量，保证排出的废水中氟化物浓度降低至标准要求的水平。

[0137] 实施例4

[0138] 请参阅图5所示，本实施例未详细叙述部分见实施例1、2和3描述内容，基于智能加药的含氟废水处理方法，包括：

[0139] 采集 组历史废水状态数据；历史废水状态数据包括废水特征数据以及与废水特征数据对应的药剂流量；

[0140] 基于历史废水状态数据训练出预测药剂流量的药剂选择模型；

[0141] 将含氟废水处理设备划分为 个区域；

[0142] 将采集的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次反应池中药剂投放设备的控制参数；

[0143] 采集沉淀池进水端的废水特征数据，将沉淀池进水端的废水特征数据中废水含氟浓度标记为第一处理浓度；

[0144] 对第一处理浓度进行分析，判断是否生成二次处理指令或药剂增加指令；

[0145] 若生成二次处理指令，将采集的沉淀池进水端的实时废水特征数据输入药剂选择模型，获得预测药剂流量，将预测药剂流量作为本次沉淀池中药剂投放设备的控制参数；若生成药剂增加指令，则计算反应池药剂流量增加量，将反应池中的药剂流量加上反应池药剂流量增加量作为反应池新的药剂流量；

[0146] 采集沉淀池出水端的废水含氟浓度，将沉淀池出水端的废水含氟浓度标记为第二处理浓度；

[0147] 对第二处理浓度进行分析，判断是否生成药剂增加指令；

[0148] 若生成二次药剂增加指令，则计算沉淀池药剂流量增加量，将沉淀池中的药剂流量加上沉淀池药剂流量增加量作为沉淀池新的药剂流量。

[0149] 进一步地，废水特征数据包括废水流量与废水含氟浓度。

[0150] 进一步地，具体训练过程包括：

[0151] 将废水特征数据作为药剂选择模型的输入，所述药剂选择模型以对每组废水特征数据的预测药剂流量为输出，以该组废水特征数据对应的实际药剂流量为预测目标，以最小化所有废水特征数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中 为预测误差， 为废水特征数据的编号， 为第 组废水特征数据对应的预测药剂流量， 为第 组废水特征数据对应的实际药剂流量；对药剂选择模型进行训练，直至预测误差之和达到收敛时停止训练；

[0152] 所述药剂选择模型是深度神经网络模型或深度信念网络模型中的任一个。

[0153] 进一步地，含氟废水处理设备包含反应池、沉淀池、加药孔、加药管以及药剂投放设备，将反应池划分为 个区域，沉淀池划分为 个区域， ；药剂投放设备通过n个加药孔将药剂投放至反应池与沉淀池，n个加药孔与n个区域一一对应，反应池设置个加药孔，沉淀池设置 个加药孔，加药孔位于加药管上，加药管与药剂投放设备以及含氟废水处理设备相连。

[0154] 进一步地，判断是否生成二次处理指令或药剂增加指令的方法包括：

[0155] 将第一处理浓度与预设含氟浓度阈值进行对比分析；

[0156] 若第一处理浓度小于含氟浓度阈值，则不生成二次处理指令和药剂增加指令；

[0157] 若第一处理浓度大于或等于含氟浓度阈值且第一处理浓度除以含氟浓度阈值小于或等于R，则生成二次处理指令，R为大于1的数值；

[0158] 若第一处理浓度除以含氟浓度阈值大于R，则生成二次处理指令和药剂增加指令；

[0159] 含氟浓度阈值为工作人员根据政府各级有关部门制定的氟化物排放标准确定。

[0160] 进一步地，反应池药剂流量增加量的计算如下：

[0161] ；

[0162] 式中 为反应池药剂流量增加量， 为沉淀池进水端的废水含氟浓度，为含氟浓度阈值， 为沉淀池进水端的废水流量。

[0163] 进一步地，判断是否生成二次药剂增加指令的方法包括：

[0164] 将第二处理浓度与预设含氟浓度阈值进行对比分析；

[0165] 若第二处理浓度小于或等于含氟浓度阈值，则不生成二次药剂增加指令；

[0166] 若第二处理浓度大于含氟浓度阈值，则生成二次药剂增加指令。

[0167] 进一步地，沉淀池药剂流量增加量的计算如下：

[0168] ；

[0169] 式中 为沉淀池药剂流量增加量， 为沉淀池出水端的废水含氟浓度，为沉淀池出水端的废水流量。

[0170] 进一步地，将连续采集的Q个第二处理浓度输入浓度预测模型预测未来时刻的第二处理浓度；浓度预测模型的训练方法包括：

[0171] 将连续采集的Q个第二处理浓度构建第二处理浓度集合，基于第二处理浓度集合，训练预测未来时刻第二处理浓度的预测模型；

[0172] 根据工作人员实际经验预设预测时间步长L、第一滑动步长以及滑动窗口长度；将第二处理浓度集合内的第二处理浓度使用滑动窗口方法将其转化为多个训练样本，将训练样本作为循环神经网络模型的输入，预测时间步长L后的第二处理浓度作为输出，每个训练样本的后续第二处理浓度作为预测目标，以预测准确率作为训练目标，对循环神经网络模型进行训练；生成根据第二处理浓度预测未来时刻第二处理浓度的浓度预测；其中，所述循环神经网络模型可以为RNN神经网络模型。

[0173] 进一步地，通过CCD摄像机采集沉淀池图像，对图像进行灰度化处理，收集Y个像素点的灰度值；

[0174] 将Y个像素点的灰度值分别与灰度值阈值进行对比分析，若像素点的灰度值大于或等于灰度值阈值，则标记为沉淀点，若像素点的灰度值小于差值阈值，则不标记为沉淀点；灰度值阈值为工作人员在历史含氟废水处理阶段，采集多张沉淀池图像并进行灰度化处理，将每张沉淀池中沉淀区域对应像素点的灰度值作为一个分析集合，将多个分析集合中最低灰度值的均值作为灰度值阈值；

[0175] 统计沉淀点的个数，计算沉淀面积；

[0176] 沉淀面积计算如下：

[0177] :

[0178] 式中， 为沉淀面积， 为沉淀点个数， 为一个沉淀点的面积， 为比例系数；

[0179] 一个沉淀点的面积由图像的分辨率获取，将沉淀池的实际面积除以沉淀池的图像面积作为比例系数，沉淀池的实际面积与沉淀池的图像面积由工作人员测量获取；

[0180] 根据沉淀面积计算第二处理浓度，将第二处理浓度发送至第二浓度判断模块；

[0181] 第二处理浓度计算如下:

[0182] :

[0183] 式中， 为权重系数。

[0184] 实施例5

[0185] 请参阅图6所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在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各方法所提供的任一项所述基于智能加药的含氟废水处理方法。

[0186] 由于本实施例所介绍的电子设备为实施本申请实施例中基于智能加药的含氟废水处理方法所采用的电子设备，故而基于本申请实施例中所介绍的基于智能加药的含氟废水处理方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于智能加药的含氟废水处理方法所采用的电子设备，都属于本申请所欲保护的范围。

[0187] 实施例6

[0188] 本实施例公开提供了一种计算机可读存储介质，包括存储器、处理器以及存储在存储器上并可在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各方法所提供的任一项所述基于智能加药的含氟废水处理方法。

[0189] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

[0190] 最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。