一种基于数字孪生的净水厂智能加药控制系统及方法与流程

1.本发明属于水处理技术领域，更具体地，涉及一种基于数字孪生的净水厂智能加药控制系统及方法。


背景技术：

2.自来水作为生产生活不可缺少的一部分，每年都有着规模庞大的消耗量。水厂的净水处理过程中，絮凝投药环节是净化工艺中的核心工艺，絮凝沉淀效果直接影响着出厂水水质。但是，目前的水厂在实际运营中通常以固定投加率投加絮凝剂，投加率往往偏高，导致现有水厂絮凝投药方式存在着较为严重的浪费现象。
3.此外，建立恰当的数学模型，对于精确控制药剂投加量、提高净水处理的运行水平将会有很大的帮助。但是由于絮凝投药过程是一个复杂的物理化学过程，目前还很难通过对其化学反应机理的研究，难以准确地建立起基于反应过程的数学模型。现普遍实际采用的水厂絮凝投药方法不能及时跟踪含水质的变化，反应滞后，鲁棒性较差。
4.如何在保证水质的前提下减少浪费，提高净水处理过程中投药的智能性，实现精准投药，具有至关重要的现实意义。


技术实现要素：

5.本发明通过提供一种基于数字孪生的净水厂智能加药控制系统及方法，解决现有技术中水厂絮凝投药方式浪费严重的问题。
6.本发明提供一种基于数字孪生的净水厂智能加药控制方法，包括：
7.基于物理加药间的实体结构、运行流程和历史运行数据，建立加药间数字孪生体；所述加药间数字孪生体为与所述物理加药间双向映射的虚拟加药间模型；
8.通过数据采集设备采集所述物理加药间运行过程中的实时监测数据，并通过网络传输系统将所述实时监测数据传输至管理平台；
9.所述管理平台通过所述网络传输系统将所述实时监测数据传输至所述加药间数字孪生体；
10.所述加药间数字孪生体在所述实时监测数据的驱动下同步运行，动态映射所述物理加药间的生产状况；
11.通过所述三维可视化系统对所述加药间数字孪生体进行三维可视化监控与展示；
12.所述管理平台基于所述实时监测数据，利用lstm神经网络进行加药量预测，得到加药量预测信息；
13.所述管理平台根据所述加药量预测信息和所述实时监测数据得到调整控制信息，并通过所述网络传输系统将所述调整控制信息传输至所述物理加药间；
14.所述物理加药间根据所述调整控制信息对加药量进行调整。
15.优选的，所述基于数字孪生的净水厂智能加药控制方法还包括：通过所述三维可视化系统对所述管理平台的相关数据信息进行实时显示。
16.优选的，通过所述三维可视化系统对物理加药间的设备运行状态、药量添加状态和水流流转状态进行三维可视化监控。
17.优选的，所述数据采集设备包括流量计、温度传感器、ph传感器和浊度传感器；所述实时监测数据包括物理加药间中主水管中的水流流量、温度、原水ph值和原水浊度。
18.另一方面，本发明提供一种基于数字孪生的净水厂智能加药控制系统，包括：物理加药间、加药间数字孪生体、数据采集设备、网络传输系统、三维可视化系统和管理平台；
19.所述基于数字孪生的净水厂智能加药控制系统用于实现上述的基于数字孪生的净水厂智能加药控制方法中的步骤。
20.优选的，所述物理加药间包括：水泵、三通、主管道、支管、搅拌器、加药间、变频加药泵、输药软管、沉淀池；
21.水流经由所述水泵增压进入所述主水管中，所述主水管上置有所述数据采集设备，所述数据采集设备将物理加药间运行过程中的实时监测数据通过所述网络传输系统传输至所述管理平台；
22.在进入所述加药间前，水流流经所述三通后，第一比例的水流通过所述主水管直接流入至所述沉淀池，第二比例的水流通过所述支管进入所述加药间，进入所述加药间的水流在所述搅拌器的作用下与药液混合，得到初步稀释后的药液；同时，所述变频加药泵根据所述管理平台的反馈实时调整加药量，对所述初步稀释后的药液进行调整，得到调整后的药液；所述调整后的药液通过输药软管进入所述沉淀池。
23.优选的，所述物理加药间还包括：交互界面；所述交互界面用于显示实时加药量和进行物理加药间调控操作。
24.本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
25.在发明中，基于物理加药间的实体结构、运行流程和历史运行数据，建立加药间数字孪生体，加药间数字孪生体为与物理加药间双向映射的虚拟加药间模型；通过数据采集设备采集物理加药间运行过程中的实时监测数据，并通过网络传输系统将实时监测数据传输至管理平台；管理平台通过网络传输系统将实时监测数据传输至加药间数字孪生体；加药间数字孪生体在实时监测数据的驱动下同步运行，动态映射物理加药间的生产状况；通过三维可视化系统对加药间数字孪生体进行三维可视化监控与展示；管理平台基于实时监测数据，利用lstm神经网络进行加药量预测，得到加药量预测信息；管理平台根据加药量预测信息和实时监测数据得到调整控制信息，并通过网络传输系统将调整控制信息传输至物理加药间；物理加药间根据调整控制信息对加药量进行调整。本发明利用lstm神经网络对加药量进行预测，进而实现对加药量的调控，能够极大提高对絮凝投药量的控制，具有较高的节能减排效益。同时，本发明利用数字孪生技术和三维可视化技术对物理加药间的全生产过程进行实时的监控与展示，提高了作业中的信息利用率，利用管理平台将实时监测数据与理论模型进行对比，能够对物理加药间的实际工作进行调整与修正，实现了人工智能辅助安全预测的功能，为加药间的工作提供了质量保障。
附图说明
26.图1为本发明实施例提供的一种基于数字孪生的净水厂智能加药控制系统的组成层面示意图；
27.图2为加药间数字孪生体的仿真预测框架示意图；
28.图3为本发明实施例提供的一种基于数字孪生的净水厂智能加药控制系统中物理加药间的结构示意图；
29.图4为物理加药间的工作流程图。
30.其中，1
‑
水泵、2
‑
流量计、3
‑
三通、4
‑
球阀、5
‑
转接头、6
‑
交互界面、7
‑
搅拌器、8
‑
加药间、9
‑
变频加药泵、10
‑
输药软管、11
‑
沉淀池。
具体实施方式
31.为了提高矾液利用率，同时对水厂进行智能改造，本发明应用lstm神经网络对准确加矾量大数据进行处理，运用数字孪生技术构建物理模型，通过传感器对原水浊度、流量、温度、ph等进行准确实时测量，并对数据进行实时反馈，通过三维可视化系统进行实时显示监测，实现对絮凝投药的精细化控制。
32.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
33.实施例1：
34.实施例1提供了一种基于数字孪生的净水厂智能加药控制方法，包括：
35.基于物理加药间的实体结构、运行流程和历史运行数据，建立加药间数字孪生体；所述加药间数字孪生体为与所述物理加药间双向映射的虚拟加药间模型；
36.通过数据采集设备采集所述物理加药间运行过程中的实时监测数据，并通过网络传输系统将所述实时监测数据传输至管理平台；
37.所述管理平台通过所述网络传输系统将所述实时监测数据传输至所述加药间数字孪生体；
38.所述加药间数字孪生体在所述实时监测数据的驱动下同步运行，动态映射所述物理加药间的生产状况；
39.通过所述三维可视化系统对所述加药间数字孪生体进行三维可视化监控与展示；
40.所述管理平台基于所述实时监测数据，利用lstm神经网络进行加药量预测，得到加药量预测信息；
41.所述管理平台根据所述加药量预测信息和所述实时监测数据得到调整控制信息，并通过所述网络传输系统将所述调整控制信息传输至所述物理加药间；
42.所述物理加药间根据所述调整控制信息对加药量进行调整。
43.此外，还可通过所述三维可视化系统对所述管理平台的相关数据信息进行实时显示。例如，可以显示加药量、设备信息、调控信息。
44.通过所述三维可视化系统可对物理加药间的设备运行状态、药量添加状态和水流流转状态进行三维可视化监控。
45.其中，所述数据采集设备包括流量计、温度传感器、ph传感器和浊度传感器等；所述实时监测数据包括物理加药间中主水管中的水流流量、温度、原水ph值和原水浊度等。
46.实施例2：
47.实施例2提供了一种基于数字孪生的净水厂智能加药控制系统，包括：物理加药间、加药间数字孪生体、数据采集设备、网络传输系统、三维可视化系统和管理平台。实施例
2提供的基于数字孪生的净水厂智能加药控制系统用于实现如实施例1所述的基于数字孪生的净水厂智能加药控制方法中的步骤。
48.其中，参见图3、图4，所述物理加药间主要包括：水泵1、三通3、主管道、支管、搅拌器7、加药间8、变频加药泵9、输药软管10、沉淀池11。水流经由所述水泵1增压进入所述主水管中，所述主水管上置有所述数据采集设备(包括流量计2、温度传感器、ph传感器和浊度传感器)，所述数据采集设备将物理加药间运行过程中的实时监测数据(包括主水管中的水流流量、温度、ph值以及浊度等信息)通过所述网络传输系统传输至所述管理平台；在进入所述加药间前，水流流经所述三通3后，第一比例的水流(大部分水流)通过所述主水管直接流入至所述沉淀池11，第二比例的水流通过所述支管(支管通过球阀4和转接头5转出去)进入所述加药间8，进入所述加药间8的水流在所述搅拌器7的作用下与药液混合，得到初步稀释后的药液；同时，所述变频加药泵9根据所述管理平台的反馈实时调整加药量，对所述初步稀释后的药液进行调整，得到调整后的药液；所述调整后的药液通过输药软管10进入所述沉淀池11。
49.此外，所述物理加药间还可包括交互界面6；所述交互界面6用于显示实时加药量和进行物理加药间调控操作。所述交互界面6可方便工人日常的检修和操作。
50.通过系统中上述装置的合理布置、优化组合，能够实现药品的最大化利用以及在加药量精准化的同时保证水的浊度达标。
51.下面对本发明做进一步的说明。
52.本发明提供的一种基于数字孪生的净水厂智能加药控制系统可归纳为以下4个层面(如图1所示)：
53.(1)物理层，由物理加药间内的设备、产品、人员等所有客观存在的实体集合构成。
54.(2)数据层，包括物理加药间的静态数据和基于物联网采集的加药过程实时数据。在该层对所采集的数据进行数据处理和数据清洗，最后通过数据通讯机制传输到模型层。
55.(3)模型层，指虚拟空间中构建的加药间数字孪生体。
56.(4)功能层，指加药间数字孪生体在实时数据驱动下同步运行，从而动态映射物理加药间真实的生产状况，最终实现物理加药间生产状态的真实描述、生产数据的实时展示和运行状态的仿真预测等功能，进而辅助加药间管理进行决策。
57.其中，所述加药间数字孪生体是一个囊括物理加药间全要素、全流程、全数据的集成与融合的复杂生产系统，通过传感器通信、仿真评估、迭代优化实现物理加药间与虚拟加药间的交互融合，达到加药生产和管控最优。数字孪生体是充分利用物理模型、传感器更新、运行历史等数据集成的一个仿真过程，在虚拟空间中完成对物理加药间和加药过程映射，可以将外界条件反映到虚拟体上，利用管理平台强大的计算机算力达到一个类似于预测性维护的功能，工作人员可在显示加药过程还未完成的情况下看到加药结果，如若发现有较大偏差可对其进行及时调整。同时可以反映设备的工作生命周期，对设备的损坏情况做到提前预知提前维护，减少其带来的损害。
58.基于加药间数字孪生体的仿真预测框架如图2所示，主要包括：加药间数字孪生体、物理加药间、基于实时数据的lstm神经网络加药量预测模型、可视化界面。其中，加药间数字孪生体和物理加药间双向映射，对物理加药间进行数据采集，加药间数字孪生体在数据驱动下同步运行，通过可视化界面对加药间数字孪生体进行可视化监控，通过基于实时
数据的lstm神经网络加药量预测模型对加药量进行仿真，仿真结果反馈至物理加药间，通过可视化界面对仿真结果进行可视化展示。
59.下面从另一角度对本发明进行解释说明。本发明提供的一种基于数字孪生的净水厂智能加药控制方法的实现流程如下：
60.(1)以数据为驱动源，建立数字孪生加药间数据管理架构，实现生产数据的采集、驱动、输入、更新、展示等交互管理。
61.(2)构建物理加药间设备的三维静态模型，并基于实际加药间生产布局搭建与物理加药间完全映射的虚拟加药间模型，建立虚拟平台下的加药间数字孪生体。
62.(3)建立物理加药间与加药间数字孪生体之间的数据通讯机制，以实时数据驱动虚拟加药间三维模型动态运行，实现在虚拟空间中对设备运行状态、药量添加状态和水流流转状态的三维可视化监控。在此基础上，将设备状态信息、药量预测信息和生产环境信息等多层次信息通过可视化界面的形式进行展示，实现物理车间和虚拟车间之间的信息动态映射。
63.(4)建立系统仿真输入参数，生成仿真水流变量，以lstm神经网络为基础扫描当前仿真水流状态作为仿真的初始状态，并执行预测加药量的神经网络程序，然后持续改变模拟现实中的水流状况实现持续瞬态仿真，同时将加药量仿真运行结果输出到可视化界面上，进而实现物理加药间间运行状态的在线预测。
64.所述lstm神经网络的结构确定主要包括：收集净水厂数据，对所述净水厂数据进行预处理得到标准化数据，基于所述标准化数据建立数据集，将所述数据集划分为训练集和测试集；基于keras框架构建包括输入层、隐藏层和输出层的神经网络模型，设置每层的神经元个数、优化器、损失函数、随机种子、每批过神经网络的大小和神经网络模型的训练次数；基于所述训练集对神经网络模型进行训练，基于所述测试集对神经网络模型进行验证和优化，得到训练好的神经网络。
65.其中，所述净水厂数据包括两列，第一列为加药时间，第二列为加药时间对应的加药量数据。所述对所述净水厂数据进行预处理包括：对原始数据进行均方根差、矩阵计算；神经网络模型的输入格式为矩阵，所述矩阵表示为[samples，time steps，features]，其中，samples表示观测量，即某加药时间对应的加药量；time steps表示时间窗口，所述时间窗口的步长为1；features表示在得到观测值的时刻,观测到的加药量的影响因素分别对应的值。
[0066]
下面从程序设计的角度进行说明。本发明中的lstm神经网络是基于keras建立神经网络模型，主要步骤如下：
[0067]
代码数据文件夹中的数据包含我们创建的sinewave.csv文件，该文件包含由水厂提供的训练数据集。首先把csv文件中的数据转换加载到pandas数据帧，然后将其用于输出，它将为lstm神经网络提供数据的numpy数组。
[0068]
首先导入数组模块、绘图模块，导入csv文件成dataframe结构，导入数学模块，计算均方根差，引入kears模块的序列模型，此模型是将所有层线性叠加，输出层使用全连接层，引入lstm层；接着进行数据标准化，均方根差，矩阵计算。
[0069]
然后设置随机种子、每批过神经网络的大小以及神经网络训练的轮次。
[0070]
导入数据文件，数据文件包括两列，一列是加药时间，方便对加药量数据进行排列
为后续神经网络的训练做准备，另外一列是每天的加药量数据。
[0071]
设置时间窗口，步长为1，代表时间窗口是1天，即用今天预测明天。
[0072]
隐藏层为3层，input_shape是输入数据格式，lstm层输入格式为矩阵，矩阵内容为：[samples，time steps，features]。samples:观测值，即某加药时间对应的加药量；time steps:时间窗口；features:在得到观测值的时刻，观测到的加药量的影响因素分别对应的值。
[0073]
输出层采用全连接层。
[0074]
损失函数是均方差，优化器是采用adam。
[0075]
然后设置随机种子，目的是确保可以复现神经网络训练的结果。
[0076]
接着导入数据以及标准化数据，然后训练数据、测试数据并创建dataset，让数据产生相关性。
[0077]
完成上述工作后训练模型，优化模型的预测数据，还需要反标准化数据(将数据进行一个正常的反标准化操作或者说是反归一化)，以保证mse的准确性。
[0078]
最后评估模型，构建通过训练集进行预测的图表数据以及构建通过测试集进行预测的图表数据，用图表进行显示。
[0079]
具体的，本发明采用的lstm神经网络的参数如表1所示。
[0080]
表1 lstm神经网络参数
[0081][0082]
综上，本发明在对从水厂获取的絮凝投药数据分析训练后，得到最优的神经网络模型，利用lstm神经网络对加药量进行预测，进而实现对加药量的调控，极大提高了对絮凝投药量的控制，具有较高的节能减排效益。本发明综合物联网、深度学习和有限元模型搭建了基于数字孪生的智能建造方法框架，该框架中还包含了智能决策平台，使用实时监测数据与理论模型进行对比，进而对物理空间的实际工作过程进行调整与修正。数字孪生模型对该加药间全过程给予了实时反馈与调控，提高了施工作业中的信息利用率，加快了水厂数字化的进程；同时智能决策实现了人工智能辅助安全预测的功能，为加药间的工作提供了质量保障。
[0083]
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。