公布日：2024.05.03
申請日：2024.02.26
分類號：C02F1/52(2023.01)I;C02F101/20(2006.01)N
摘要
本申請公開了一種重金屬污水處理系統及處理方法，屬于重金屬污水處理系統技術領域。包括采集重金屬數據，采集不同來源的重金屬數據及重金屬污染濃度等情況，對重金屬數據進行去除噪聲、處理缺失值、標準化數據的預處理，確保數據質量和一致性，以便深度學習模型能夠有效學習，對不同重金屬污染濃度進行標簽，利用重金屬數據進行建立重金屬模型并通過數據集進行訓練，實時監測重金屬濃度，根據監測結果，調整每次添加劑量及處理反應攪拌的速率等，通過重金屬模型的設置，可以對不同來源不同濃度的重金屬污水進行不同速率及藥劑量添加的處理預測，從而可以提高處理效率的同時還能對藥劑的量進行預測，提高利用率，減少浪費。
權利要求書
1.一種重金屬污水處理系統，其特征在于：包含：采集重金屬數據，采集不同來源的重金屬數據及重金屬污染濃度等情況；重金屬數據預處理，對重金屬數據進行去除噪聲、處理缺失值、標準化數據的預處理，確保數據質量和一致性，以便深度學習模型能夠有效學習；重金屬數據標注，對不同重金屬污染濃度進行標簽；建立重金屬模型訓練，利用重金屬數據進行建立重金屬模型并通過數據集進行訓練；重金屬模型驗證評估并優化，利用驗證集進行重金屬模型的驗證評估，并根據結果進行調整；重金屬模型保存部署，部署訓練好的重金屬模型到實際監測系統中，實時監測重金屬濃度；處理設備，根據監測結果，調整每次添加劑量及處理反應攪拌的速率等。
2.根據權利要求1所述的重金屬污水處理系統，其特征在于：所述采集重金屬數據，還包括在設備處理重金屬污水的過程中，不同量的藥劑在添加后不同速率攪拌反應的數據，利用光學傳感器，使用光的特性來測量目標物質的濃度，通過吸收光譜法測量光的吸收或發射特性，可以推斷出目標物質的濃度。
3.根據權利要求1所述的重金屬污水處理系統，其特征在于：所述重金屬數據預處理，使用濾波器如平均濾波、中值濾波，有助于平滑信號并降低噪聲的影響，使用傅里葉變換將信號從時域轉換到頻域，從而更容易識別和去除特定頻率的噪聲成分；如果缺失值較少，選擇刪除包含缺失值的樣本或特征，使用插值技術，如線性插值、多項式插值或插值算法，以估計缺失值；使用學習模型來預測缺失值，將問題建模為回歸或分類任務；對于時間序列處理，進行移動平均、指數平滑等方法幫助平滑時間序列數據，減少噪聲和突發性波動，創建滯后特征，即將當前時刻的值作為特征，有助于捕捉時間序列的趨勢，對于季節性數據，進行周期性分析以了解數據在不同時間段的周期性變化。
4.根據權利要求1所述的重金屬污水處理系統，其特征在于：所述重金屬數據標注，還包括對在處理過程中，不同藥劑的不同量對重金屬污水進行處理過程中，時間節點的濃度變化標注。
5.根據權利要求1所述的重金屬污水處理系統，其特征在于：所述建立重金屬模型訓練，選擇循環神經網絡構架，以處理輸入的時空信息，設計網絡結構和層數，并確定適當的損失函數，使用標注的數據集對重金屬模型進行訓練，通過迭代優化模型參數，使其能夠準確地預測重金屬濃度。
6.根據權利要求1所述的重金屬污水處理系統，其特征在于：所述重金屬模型驗證評估并優化，利用評估指標進行評估，平均絕對誤差，預測值與實際值之間差異的絕對值的平均值；公式：【MAE＝\frac{1}{n}\sum_{i＝1}^{n}|y_i-\hat{y}_i|】其中是樣本數，是實際值，是預測值；決定系數，R2度量模型對總方差的解釋程度，取值范圍在0到1之間，越接近1表示模型越好，公式：【R^2＝1-\frac{\sum_{i＝1}^{n}^2}{\sum{i＝1}^{n}^2}]】其中是實際值，是預測值，是實際值的平均值；平均百分比誤差，實際值與預測值的百分比誤差的平均值；公式：【MAPE＝\frac{1}{n}\sum_{i＝1}^{n}\left\times100％】其中是樣本數，是實際值，是預測值。
7.根據權利要求1所述的重金屬污水處理系統，其特征在于：所述處理設備，包括固定座；限位外殼，所述限位外殼固定設置于固定座外壁；處理桶，所述處理桶通過轉動驅動轉動設置于限位外殼內部；箱門，所述箱門活動設置于處理桶一側；處理軸，所述處理軸通過環繞組件轉動設置于處理桶內部。
8.根據權利要求1-7任一所述的一種重金屬污水處理系統的處理方法，其特征在于，包括以下步驟：S1、首先，采集不同來源的重金屬數據及重金屬污染濃度等情況，在設備處理重金屬污水的過程中，不同量的藥劑在添加后不同速率攪拌反應的數據，利用光學傳感器，使用光的特性來測量目標物質的濃度，通過吸收光譜法測量光的吸收或發射特性，可以推斷出目標物質的濃度；S2、此時，重金屬數據進行去除噪聲、處理缺失值、標準化數據的預處理，使用濾波器如平均濾波、中值濾波，有助于平滑信號并降低噪聲的影響，使用傅里葉變換將信號從時域轉換到頻域，從而更容易識別和去除特定頻率的噪聲成分，如果缺失值較少，選擇刪除包含缺失值的樣本或特征，使用插值技術，如線性插值、多項式插值或插值算法，以估計缺失值；使用學習模型來預測缺失值，將問題建模為回歸或分類任務，對于時間序列處理，進行移動平均、指數平滑等方法幫助平滑時間序列數據，減少噪聲和突發性波動，創建滯后特征，即將當前時刻的值作為特征，有助于捕捉時間序列的趨勢，對于季節性數據，進行周期性分析以了解數據在不同時間段的周期性變化；S3、此時，對不同重金屬污染濃度進行標簽，還包括對在處理過程中，不同藥劑的不同量對重金屬污水進行處理過程中，時間節點的濃度變化標注；S4、此時，利用重金屬數據進行建立重金屬模型并通過數據集進行訓練，選擇循環神經網絡構架，以處理輸入的時空信息，設計網絡結構和層數，并確定適當的損失函數，使用標注的數據集對重金屬模型進行訓練，通過迭代優化模型參數，使其能夠準確地預測重金屬濃度；S5、此時，利用驗證集進行重金屬模型的驗證評估，利用評估指標進行評估，平均絕對誤差，預測值與實際值之間差異的絕對值的平均值；公式：【MAE＝\frac{1}{n}\sum_{i＝1}^{n}|y_i-\hat{y}_i|】其中是樣本數，是實際值，是預測值；決定系數，R2度量模型對總方差的解釋程度，取值范圍在0到1之間，越接近1表示模型越好，公式：【R^2＝1-\frac{\sum_{i＝1}^{n}^2}{\sum{i＝1}^{n}^2}】其中是實際值，是預測值，是實際值的平均值；平均百分比誤差，實際值與預測值的百分比誤差的平均值；公式：【MAPE＝\frac{1}{n}\sum_{i＝1}^{n}\left\times100％】其中是樣本數，是實際值，是預測值，并根據結果進行調整；S6、此時，根據監測結果，調整每次添加劑量及處理反應攪拌的速率等。
發明內容
1.要解決的技術問題
本申請的目的在于提供一種重金屬污水處理系統的方法，解決了上述背景技術中的裝置在處理的過程中，不能直接的在處理箱內部添加藥劑進行處理，處理的效率低，同時在處理的過程中，不能對不同的重金屬污水進行監測，從而有效的控制藥劑的量，減少浪費的技術問題，實現了技術效果。
2.技術方案
本申請技術方案提供了一種重金屬污水處理系統，包括
采集重金屬數據，采集不同來源的重金屬數據及重金屬污染濃度等情況；
重金屬數據預處理，對重金屬數據進行去除噪聲、處理缺失值、標準化數據的預處理，確保數據質量和一致性，以便深度學習模型能夠有效學習；
重金屬數據標注，對不同重金屬污染濃度進行標簽；
建立重金屬模型訓練，利用重金屬數據進行建立重金屬模型并通過數據集進行訓練；
重金屬模型驗證評估并優化，利用驗證集進行重金屬模型的驗證評估，并根據結果進行調整；
重金屬模型保存部署，部署訓練好的重金屬模型到實際監測系統中，實時監測重金屬濃度；
處理設備，根據監測結果，調整每次添加劑量及處理反應攪拌的速率等。
通過采用上述技術方案，通過重金屬模型的設置，可以對不同來源不同濃度的重金屬污水進行不同速率及藥劑量添加的處理預測，從而可以提高處理效率的同時還能對藥劑的量進行預測，提高利用率，減少浪費。
作為本申請文件技術方案的一種可選方案，所述采集重金屬數據，還包括在設備處理重金屬污水的過程中，不同量的藥劑在添加后不同速率攪拌反應的數據，利用光學傳感器，使用光的特性來測量目標物質的濃度，通過吸收光譜法測量光的吸收或發射特性，可以推斷出目標物質的濃度。
作為本申請文件技術方案的一種可選方案，所述重金屬數據預處理，使用濾波器如平均濾波、中值濾波，有助于平滑信號并降低噪聲的影響，使用傅里葉變換將信號從時域轉換到頻域，從而更容易識別和去除特定頻率的噪聲成分；
如果缺失值較少，選擇刪除包含缺失值的樣本或特征，使用插值技術，如線性插值、多項式插值或插值算法，以估計缺失值；
使用學習模型來預測缺失值，將問題建模為回歸或分類任務；
對于時間序列處理，進行移動平均、指數平滑等方法幫助平滑時間序列數據，減少噪聲和突發性波動，創建滯后特征，即將當前時刻的值作為特征，有助于捕捉時間序列的趨勢，對于季節性數據，進行周期性分析以了解數據在不同時間段的周期性變化。
作為本申請文件技術方案的一種可選方案，所述重金屬數據標注，還包括對在處理過程中，不同藥劑的不同量對重金屬污水進行處理過程中，時間節點的濃度變化標注。
作為本申請文件技術方案的一種可選方案，所述建立重金屬模型訓練，選擇循環神經網絡構架，以處理輸入的時空信息，設計網絡結構和層數，并確定適當的損失函數，使用標注的數據集對重金屬模型進行訓練，通過迭代優化模型參數，使其能夠準確地預測重金屬濃度。
作為本申請文件技術方案的一種可選方案，所述重金屬模型驗證評估并優化，利用評估指標進行評估，平均絕對誤差，預測值與實際值之間差異的絕對值的平均值；
公式：【MAE＝\frac{1}{n}\sum_{i＝1}^{n}|y_i-\hat{y}_i|】
其中(n)是樣本數，(y_i)是實際值，(\hat{y}_i)是預測值。
決定系數，R2度量模型對總方差的解釋程度，取值范圍在0到1之間，越接近1表示模型越好，公式：【R^2＝1-\frac{\sum_{i＝1}^{n}(y_i-\hat{y}i)^2}{\sum{i＝1}^{n}(y_i-\bar{y})^2}】
其中(y_i)是實際值，(\hat{y}_i)是預測值，(\bar{y})是實際值的平均值；
平均百分比誤差，實際值與預測值的百分比誤差的平均值；
公式：【MAPE＝\frac{1}{n}\sum_{i＝1}^{n}\left(\frac{|y_i-\hat{y}_i|}{|y_i|}\right)\times100％】
其中(n)是樣本數，(y_i)是實際值，(\hat{y}_i)是預測值。
作為本申請文件技術方案的一種可選方案，所述處理設備，包括
固定座；
限位外殼，所述限位外殼固定設置于固定座外壁；
處理桶，所述處理桶通過轉動驅動轉動設置于限位外殼內部；
箱門，所述箱門活動設置于處理桶一側；
處理軸，所述處理軸通過環繞組件轉動設置于處理桶內部。
本申請還公開了前述重金屬污水處理系統的使用方法，包括以下步驟：
S1、首先，采集不同來源的重金屬數據及重金屬污染濃度等情況，在設備處理重金屬污水的過程中，不同量的藥劑在添加后不同速率攪拌反應的數據，利用光學傳感器，使用光的特性來測量目標物質的濃度，通過吸收光譜法測量光的吸收或發射特性，可以推斷出目標物質的濃度；
S2、此時，重金屬數據進行去除噪聲、處理缺失值、標準化數據的預處理，使用濾波器如平均濾波、中值濾波，有助于平滑信號并降低噪聲的影響，使用傅里葉變換將信號從時域轉換到頻域，從而更容易識別和去除特定頻率的噪聲成分，如果缺失值較少，選擇刪除包含缺失值的樣本或特征，使用插值技術，如線性插值、多項式插值或插值算法，以估計缺失值；
使用學習模型來預測缺失值，將問題建模為回歸或分類任務，對于時間序列處理，進行移動平均、指數平滑等方法幫助平滑時間序列數據，減少噪聲和突發性波動，創建滯后特征，即將當前時刻的值作為特征，有助于捕捉時間序列的趨勢，對于季節性數據，進行周期性分析以了解數據在不同時間段的周期性變化；
S3、此時，對不同重金屬污染濃度進行標簽，還包括對在處理過程中，不同藥劑的不同量對重金屬污水進行處理過程中，時間節點的濃度變化標注；
S4、此時，利用重金屬數據進行建立重金屬模型并通過數據集進行訓練，選擇循環神經網絡構架，以處理輸入的時空信息，設計網絡結構和層數，并確定適當的損失函數，使用標注的數據集對重金屬模型進行訓練，通過迭代優化模型參數，使其能夠準確地預測重金屬濃度；
S5、此時，利用驗證集進行重金屬模型的驗證評估，利用評估指標進行評估，平均絕對誤差，預測值與實際值之間差異的絕對值的平均值；
公式：【MAE＝\frac{1}{n}\sum_{i＝1}^{n}|y_i-\hat{y}_i|】
其中(n)是樣本數，(y_i)是實際值，(\hat{y}_i)是預測值。
決定系數，R2度量模型對總方差的解釋程度，取值范圍在0到1之間，越接近1表示模型越好，公式：【R^2＝1-\frac{\sum_{i＝1}^{n}(y_i-\hat{y}i)^2}{\sum{i＝1}^{n}(y_i-\bar{y})^2}】
其中(y_i)是實際值，(\hat{y}_i)是預測值，(\bar{y})是實際值的平均值；
平均百分比誤差，實際值與預測值的百分比誤差的平均值；
公式：【MAPE＝\frac{1}{n}\sum_{i＝1}^{n}\left(\frac{|y_i-\hat{y}_i|}{|y_i|}\right)\times100％】
其中(n)是樣本數，(y_i)是實際值，(\hat{y}_i)是預測值，并根據結果進行調整；
S6、此時，根據監測結果，調整每次添加劑量及處理反應攪拌的速率等。
3.有益效果
本申請技術方案中提供的一個或多個技術方案，至少具有如下技術效果或優點：
1.本申請通過重金屬模型的設置，可以對不同來源不同濃度的重金屬污水進行不同速率及藥劑量添加的處理預測，從而可以提高處理效率的同時還能對藥劑的量進行預測，提高利用率，減少浪費。
2.本申請通過轉動驅動的設置，可以讓處理桶進行轉動，讓液體在處理桶內部進行翻滾，通過充分的攪拌翻滾，增加反應的效率，提高處理的效果。
3.本申請通過環繞組件的設置，可以讓處理軸進行環繞并自轉，從而進行一步的攪拌，讓液體間進行多方式的撞擊反應，提高反應的效果。
4.本申請通過處理軸上出液頭的設置，可以進行不同量的藥劑的攝入，同時在液體內部直接的注入，提高混合的效率及效果。
（發明人：溫金波）
