[发明专利]一种通过神经网络实现超滤膜污染评价的方法、装置、系统

说明书

本发明提供了一种通过神经网络实现超滤膜污染评价的方法、装置、系统，所述方法包括：将原始数据进行预处理，采用预处理后的数据集对神经网络模型进行训练，基于获得的神经网络模型，评价新工况下的膜污染情况。本发明采用训练后的神经网络模型给出科学的膜污染评价，一方面具有自学习功能，避免了人工经验的差别而导致运行效果、差异较大的情况；另一方面可以避免现有技术中理论公式苛刻的参数要求，高效准确地实现超滤膜污染评价。

技术领域

本发明涉及过滤技术领域，更具体地涉及实时通过神经网络实现超滤膜污染评价的方法、装置、系统以及计算机存储介质。

背景技术

随着经济社会的发展，水环境污染加剧，水源水质恶化，水中的污染物尤其是有机污染物越来越多。而传统的饮用水处理方法仅对一般的有机污染物起作用，对“两虫”、藻类的去除效果不佳，且消毒容易产生副产物。超滤(ultrafiltration，UF)技术能满足新一代饮用水净化工艺要求，去除饮用水中的“两虫”、病毒、细菌、藻类、水生生物，保障饮用水的安全性，已广泛应用于美国、日本等发达国家的城市水厂。超滤技术是介于微滤和纳滤之间的一种膜分离技术。超滤膜可截留水中绝大部分悬浮物、胶体，但无法去除溶解性小分子物质，阻碍超滤技术在饮用水处理中的应用。

超滤膜是一种用于超滤过程能将一定大小的高分子胶体或悬浮颗粒从溶液中分离出来的高分子半透膜。然而据调查，就超滤而言，膜污染仍是主要问题，膜污染的消除将使超滤过程效率提高30％以上，使投资减少15％，而且能提高分离效果，是超滤范围拓宽。

在这样的背景下，膜污染评价已经成为了一个重要的研究方向。现有技术中膜污染评价的思路主要是基于理论机理来进行推导得到个模型的关系式。这种方法往往只根据模型的关系式中的几个参数进行推导，对参数的要求很严格，然而实际运行中可能某些参数并没有检测，这样导致缺失一个参数的数据就无法得到最终的结果。例如，现有技术中，很多计算膜污染的关系式都有跨膜压差，而有些渗滤液处理厂为了节约成本没有安装检测设备，这就导致这种方法行不通。还有依据人工经验来判断污染程度，但是不同的运行人员操作结果的差异可能较大。因此，现有技术中对于膜污染评价可能存在不适用实际情况的问题。

本发明专利的目的在于基于神经网络对超滤膜污染进行评价，达到膜污染预警的效果，同时该评价模型相比传统的理论机理模型以及人工经验更加具有普遍适用性。并且本发明专利的有益效果，一方面由于神经网络评价模型具有自学习功能，避免了人工经验的差别而导致运行效果差异较大的情况，从而提高评价的准确性，另一方面可以避免理论公式对参数的苛刻要求，易于实施。

发明内容

考虑到上述问题而提出了本发明。本发明提供了一种通过神经网络实现超滤膜污染评价的方法，所述方法包括：将原始数据进行预处理，采用预处理后的数据集对神经网络模型进行训练，基于获得的神经网络模型，评价新工况下的膜污染情况。本发明一方面由于神经网络评价模型具有自学习功能，避免了人工经验的差别而导致运行效果差异较大的情况，从而提高评价的准确性，另一方面可以避免理论公式对参数的苛刻要求，易于实施。

根据本发明一方面，提供了一种通过神经网络实现超滤膜污染评价的方法，其特征在于，所述方法包括：

步骤S1，将原始数据进行预处理，

步骤S2，采用预处理后的数据集对神经网络模型进行训练，

步骤S3，基于获得的神经网络模型，评价新工况下的膜污染情况。

示例性地，所述步骤S1将原始数据进行预处理包括：缺失值处理、异常值处理；

示例性地，所述缺失值处理的方法包括：删除法、填补法等；

示例性地，在对所述异常值进行处理之前还包括：对异常值进行判别；其中，所述对异常值进行判别的方法主要包括：统计分析方法、3σ原则、箱型图分析方法等；