公布日：2022.12.23
申請日：2022.10.25
分類號：C02F1/52(2006.01)I;B01D21/24(2006.01)I;B01D21/30(2006.01)I;G06F30/27(2020.01)I;G06K9/62(2022.01)I;G06N20/00(2019.01)I
摘要
本發(fā)明公開了一種應用于沉淀池的自動排泥方法，包括：S1.構建以沉淀池出水濁度為輸出的智能加藥模型；S2.構建以沉淀池污泥分布濃度為輸出的污泥積累分布規(guī)律模型；S3.利用污泥積累分布規(guī)律模型預測目標區(qū)域的污泥分布濃度預測值，并利用智能加藥模型預測目標區(qū)域的出水濁度預測值，若污泥分布濃度預測值大于污泥濃度報警值或出水濁度預測值大于出水濁度報警值或排泥周期大于排泥周期報警值，則對沉淀池進行自動排泥。本發(fā)明能夠實現精準排泥，改善了排泥效果，減少了半成品水的浪費。
權利要求書
1.一種應用于沉淀池的自動排泥方法，其特征在于：包括如下步驟：S1.構建以沉淀池出水濁度為輸出的智能加藥模型；S2.構建以沉淀池污泥分布濃度為輸出的污泥積累分布規(guī)律模型；S3.利用污泥積累分布規(guī)律模型預測目標區(qū)域的污泥分布濃度預測值，并利用智能加藥模型預測目標區(qū)域的出水濁度預測值，若污泥分布濃度預測值大于污泥濃度報警值或出水濁度預測值大于出水濁度報警值或排泥周期大于排泥周期報警值，則對沉淀池進行自動排泥。
2.根據權利要求1所述的應用于沉淀池的自動排泥方法，其特征在于：構建以沉淀池出水濁度為輸出的智能加藥模型，具體包括：以水質參數、加藥參數以及排泥參數為輸入，以沉淀池出水濁度為輸出，通過機器學習算法，構建智能加藥模型；其中，所述水質參數包括進水濁度、進水電導率、進水pH以及進水溫度；所述加藥參數包括混凝劑加藥量以及絮凝劑加藥量；所述排泥參數包括排泥周期以及排泥流量。
3.根據權利要求1所述的應用于沉淀池的自動排泥方法，其特征在于：構建以沉淀池污泥分布濃度為輸出的污泥積累分布規(guī)律模型，具體包括：以進水濁度、出水濁度、混凝劑加藥量、絮凝劑加藥量、排泥周期以及排泥流量為輸入，以沉淀池污泥分布濃度為輸出，通過機器學習算法，構建污泥積累分布規(guī)律模型。
4.根據權利要求1所述的應用于沉淀池的自動排泥方法，其特征在于：對沉淀池進行自動排泥，具體包括：按照排泥行進方向將沉淀池劃分為同等長度的n段，并以50Hz的行進速度進行吸泥；若n段中某一段污泥量占總污泥量的30％及以上，則該段采用20Hz的行進速度進行吸泥；若n段中某一段污泥量占總污泥量的20％及以上且30％以下，則該段采用35Hz的行進速度進行吸泥；若n段中某一段污泥量占總污泥量的10％及以上且20％以下，則該段采用50Hz的行進速度進行吸泥；若n段中某一段污泥量占總污泥量的10％以下，則不吸泥且行進；其中，在每段之間，設置休息時間為k小時；當進行完最后一段的吸泥且休息完畢后，執(zhí)行與所述行進方向相反的反向行進吸泥；所述反向行進吸泥的行進速度以及休息時間的設置原理與正向行進時一致；所述正向為所述行進方向。
5.根據權利要求1所述的應用于沉淀池的自動排泥方法，其特征在于：還包括：S4.自動排泥結束后：若排泥濃度的平均值低于設定的污泥濃度報警值的10％，則排泥周期增加20％和排泥流量減少10％；若排泥濃度的平均值高于設定的污泥濃度報警值，則排泥流量增加10％和排泥周期減少20％。
6.根據權利要求5所述的應用于沉淀池的自動排泥方法，其特征在于：還包括：S5.將步驟S4中變化后的排泥周期與排泥流量作為新的排泥周期與排泥流量，并將新的排泥周期與排泥流量作為輸入參數，對智能加藥模型以及污泥積累分布規(guī)律模型進行更新。
7.根據權利要求1所述的應用于沉淀池的自動排泥方法，其特征在于：步驟S3中，還包括：若實際檢測的出水濁度大于出水濁度報警值，則對沉淀池進行自動排泥。
發(fā)明內容
有鑒于此，本發(fā)明的目的是克服現有技術中的缺陷，提供應用于沉淀池的自動排泥方法，能夠實現精準排泥，改善了排泥效果，減少了半成品水的浪費。
本發(fā)明的應用于沉淀池的自動排泥方法，包括如下步驟：
S1.構建以沉淀池出水濁度為輸出的智能加藥模型；
S2.構建以沉淀池污泥分布濃度為輸出的污泥積累分布規(guī)律模型；
S3.利用污泥積累分布規(guī)律模型預測目標區(qū)域的污泥分布濃度預測值，并利用智能加藥模型預測目標區(qū)域的出水濁度預測值，若污泥分布濃度預測值大于污泥濃度報警值或出水濁度預測值大于出水濁度報警值或排泥周期大于排泥周期報警值，則對沉淀池進行自動排泥。
進一步，構建以沉淀池出水濁度為輸出的智能加藥模型，具體包括：
以水質參數、加藥參數以及排泥參數為輸入，以沉淀池出水濁度為輸出，通過機器學習算法，構建智能加藥模型；其中，所述水質參數包括進水濁度、進水電導率、進水pH以及進水溫度；所述加藥參數包括混凝劑加藥量以及絮凝劑加藥量；所述排泥參數包括排泥周期以及排泥流量。
進一步，構建以沉淀池污泥分布濃度為輸出的污泥積累分布規(guī)律模型，具體包括：
以進水濁度、出水濁度、混凝劑加藥量、絮凝劑加藥量、排泥周期以及排泥流量為輸入，以沉淀池污泥分布濃度為輸出，通過機器學習算法，構建污泥積累分布規(guī)律模型。
進一步，對沉淀池進行自動排泥，具體包括：
按照排泥行進方向將沉淀池劃分為同等長度的n段，并以50Hz的行進速度進行吸泥；
若n段中某一段污泥量占總污泥量的30％及以上，則該段采用20Hz的行進速度進行吸泥；
若n段中某一段污泥量占總污泥量的20％及以上且30％以下，則該段采用35Hz的行進速度進行吸泥；
若n段中某一段污泥量占總污泥量的10％及以上且20％以下，則該段采用50Hz的行進速度進行吸泥；
若n段中某一段污泥量占總污泥量的10％以下，則不吸泥且行進；
其中，在每段之間，設置休息時間為k小時；
當進行完最后一段的吸泥且休息完畢后，執(zhí)行與所述行進方向相反的反向行進吸泥；所述反向行進吸泥的行進速度以及休息時間的設置原理與正向行進時一致；所述正向為所述行進方向。
進一步，還包括：S4.自動排泥結束后：
若排泥濃度的平均值低于設定的污泥濃度報警值的10％，則排泥周期增加20％和排泥流量減少10％；
若排泥濃度的平均值高于設定的污泥濃度報警值，則排泥流量增加10％和排泥周期減少20％。
進一步，還包括：S5.將步驟S4中變化后的排泥周期與排泥流量作為新的排泥周期與排泥流量，并將新的排泥周期與排泥流量作為輸入參數，對智能加藥模型以及污泥積累分布規(guī)律模型進行更新。
進一步，步驟S3中，還包括：若實際檢測的出水濁度大于出水濁度報警值，則對沉淀池進行自動排泥。
本發(fā)明的有益效果是：本發(fā)明公開的一種應用于沉淀池的自動排泥方法，通過根據混凝絮凝工藝單元進水的濁度等水質參數以及其混凝劑絮凝劑的藥劑投加量對平流沉淀池的污泥分布累計規(guī)律進行建模與機器學習，同時通過排泥的污泥濃度對模型進行矯正與自學習，從而提升污泥分布累積模型的可靠度；同時，構建排泥周期與排泥流量與藥劑投加量、沉淀池出水水質的模型關系，以此來協同控制藥劑投加量和排泥周期與排泥流量，實現精準排泥，減少半成品水的浪費，實現平流沉淀池出水水質的提升以及混凝絮凝工藝單元藥劑量的節(jié)省，為下游的過濾單元提供穩(wěn)定水質。
（發(fā)明人：鄭界;李翠）
