一种基于ANFIS模型的实验室废水处理一体化方法及装置与流程

一种基于anfis模型的实验室废水处理一体化方法及装置
技术领域
1.本发明涉及实验室废水处理技术领域，尤其涉及一种基于anfis模型的实验室废水处理一体化方法及装置。


背景技术：

2.随着我国科学技术的发展，对各类实验室数量的需求越来越多，各学科的重点实验室、各学校、各系统内的专业实验室层出不穷。从实验室的分布来看，主要集中在学校(包括各高等院校和中学)、科研机构、检测机构和企业中的检验研究部门。近些年来，随着各大中学校学生扩招，我国高等院校得到迅速发展，规模成倍扩大，各种实验室的数目更是有增无减，在发展的同时，也带来了一系列的环境污染问题。实验室实际上是一类典型的小型污染源，实验室排放的废水对水体的污染日益加重，尤其是在城区和居民区的实验室对环境的危害更不可忽视。因为很多实验室的下水道与城市的下水道相通，污染物通过下水道形成交叉污染，对城市后续生活废水处理造成麻烦，若最后流入河中或者渗入地下，经过长期的生物蓄积作用最终可能破坏植物的生长并危及人和动物的生命，形成“蝴蝶效应”，而对环境污染具有积累性和潜在性。
3.目前为止，我国部分高校尚未建立独立的、高效的、专门针对实验室的废水处理装置，还没有将污染治理纳入生化环材等生化实验室的基础设施建设中。一般，各高校的化学实验室废水处理方式分为两大类，一类是高浓度的危险废液，一般是单独收集后，交给具有危险废物经营许可证的单位处理；另一类是清洗实验器材、玻璃器皿所排放的含有较低浓度的酸、碱、重金属、有机物等的废水。大部分无机废水和小分子有机物废水一般比较容易处理，生化法对于此类废水尚具备一定处理能力，而含有重金属、有毒有机物等“三致”物质比较难以通过生化法处理，往往对池体内微生物造成比较大的影响。现阶段大部分高校实验室没有污染治理设施，或者废水直接接入学校的废水处理厂进行处理。往往学校的废水处理厂不具备处理有毒污染物的能力，或者只是将有毒物质进行简单的稀释排放，且实验室废水具有排放周期不定，排放量无一定规律性，所含污染成分较为复杂。这些含有毒有害污染物及环境激素类物质的废水未经处理便直接排入市政管网，则会对环境造成严重的威胁，对人体、环境、生物造成严重影响。
4.此外，另一个值得注意的背景是，随着人工智能的发展和各行各业智能化程度的提高，废水处理领域anfis是一种将模糊逻辑和神经网络有机结合的新型模糊推理系统，基于大量数据对黑箱/灰箱过程的推理预测方面具有优势，既保留了模糊规则，又融入了人工神经网络自主学习功能。作为一种优化后的组合模型，通过模糊控制的原理加强神经网络推理能力和准确性，提高人工神经网络精度。因此，结合实验室集成化处理装置和anfis模型，可以有效针对不同种类的实验室废水进行精度处理，节约废水处理成本。
5.本专利基于现行实验室污废水问题提出一种基于anfis模型的实验室废水处理一体化装置。


技术实现要素：

6.本发明的目的在于提供一种基于anfis模型的实验室废水处理一体化方法及装置解决了背景技术中提出的技术问题。
7.为实现上述目的，本发明提供如下技术方案：一种基于anfis模型的实验室废水处理一体化方法，包括如下步骤：
8.废水水质检测，对实验室废水水质进行检测，获得废水水质特征信息；
9.处理模块组装，根据废水水质特征信息，进行废水处理单元模块设计，并进行废水处理模块组装；
10.参数计算，根据废水水质特征信息基于anfis模型对废水处理模块进行处理参数计算，获得废水处理参数；
11.废水处理，废水处理模块根据计算出的废水处理参数对进入废水处理模块的废水进行净化处理。
12.优选的，所述废水处理模块包括酸碱调整模块、重金属螯合模块、混凝模块和沉淀模块其中一种或多种；
13.所述废水处理模块还包括活性炭吸附模块。
14.优选的，所述参数计算至少包括如下步骤：
15.废水参数采集，对废水处理模块中的废水进行废水参数采集，获得废水参数，所述废水参数包括废水ph值、膜压力、废水浊度和废水液位信息；
16.归一化处理，对采集到地废水参数进行数据归一化处理，获得废水参数归一化数据；
17.anfis神经网络预测，利用anfis神经网络预测模型对酸碱投加量、混凝剂和螯合剂投加量进行预测，控制重金属螯合和混凝搅拌时间。
18.优选的，所述归一化处理的处理公式为：
[0019][0020]
其中x
*
表示归一化处理后的数据，x
max
为所有数据中x的最大值，x
min
为所有数据中x的最小值，xn为归一化处理后得到的新值。
[0021]
优选的，所述anfis神经网络预测包括：
[0022]
输入所述anfis神经网络预测模型的拓扑结构、最小允许误差参数；
[0023]
设置隐含层激活函数、输出层激活函数；
[0024]
其中，所述拓扑结构包括输入层数目、隐含层数目、输出层数目。
[0025]
优选的，所述anfis神经网络预测模型中隐含层神经元的输入αh(k)与输出βh(k)，以及输出层神经元的输入yj(k)和输出yo(k)，其计算公式如下：
[0026]
[0027]
βh
(
k)＝f1(αh(k)) 公式3；
[0028][0029][0030]yo
(k)＝f2(yj(k)) 公式5；
[0031][0032]
式中，w
ih
为输入层与隐含层的连接权值，bh为隐含层各神经元的阈值，w
hj
为隐含层与输出层的连接权值，bj为输出层各神经元的阈值，其中h＝1,2,...,m，m为隐藏层神经元数量，j＝1,2,...,q，q为输出层神经元数量；；xi(k)表示第k个输入样本集x(k)中第i个样本，其中x(k)＝[x1(k),x2(k),...,xn(k)]；f1为隐含层激活函数，f2为输出层激活函数；
[0033]
定义误差函数e，其计算公式为：
[0034][0035]
其中，所述隐含层与输出层的连接权值的修正量δw
hj
(k)、输出层阈值的修正量δbj(k)、输入层与隐含层的连接权值的修正量δw
ih
(k)、隐含层阈值的修正量δbh(k)，其计算公式如下：
[0036][0037][0038][0039][0040]
式中：
[0041]
η为修正系数，δj(k)为输出层的灵敏度，δh(k)为隐含层的灵敏度；f1
′
为对隐含层激活函数的求导，f2
′
为对输出层激活函数的求导；
[0042]
根据上述修正量对相应的连接权值和阈值进行调整，根据调整后的连接权值和阈值计算网络模型的实际输出值di和期望输出值yi的误差函数fit，并根据误差函数fit确定网络模型中输入层、隐含层、输出层的最优位置；其中误差函数fit的计算公式如下：
[0043][0044]
式中，n为训练样本数。
[0045]
进一步的，提出一种基于anfis模型的实验室废水处理一体化装置，包括：
[0046]
控制面板，控制面板用于实现人机交互；
[0047]
中央处理器，中央处理器内置存储器，所述存储器内部存储有计算机程序，所述计算机程序运行时用于执行如上述的实验室废水处理一体化方法；
[0048]
废水处理模块，所述废水处理模块用于执行酸碱调整、重金属螯合、混凝、沉淀其中一种或多种步骤，所述废水处理模块还用于执行活性炭吸附；
[0049]
plc控制器，所述plc控制器用于根据中央处理器预测的酸碱投加量、混凝剂和螯合剂投加量，以及重金属螯合和混凝搅拌时间控制废水处理模块；
[0050]
数据存储分析模块，所述数据存储分析模块用于进行废水处理数据进行存储。
[0051]
可选的，所述废水处理模块还包括液位传感器、浊度监测器、膜压力传感器、ph传感器以及计量泵，所述液位传感器、浊度监测器、膜压力传感器、ph传感器分别用于检测废水处理模块中废水ph值、膜压力、废水浊度和废水液位信息，所述计量泵用于实现药剂的定量投加。
[0052]
可选的，所述废水处理模块还包括模块安装座，所述酸碱调整模块、重金属螯合模块、混凝模块和沉淀模块其中一种或多种可拆卸的安装于模块安装座上，所述活性炭吸附模块可拆卸的安装于模块安装座上。
[0053]
与相关技术相比较，本发明提供的一种基于anfis模型的实验室废水处理一体化方法及装置具有如下有益效果：
[0054]
本发明提出的基于anfis模型的实验室废水处理一体化方法利用内置的anfis神经网络预测模型对酸碱投加量、混凝剂和螯合剂投加量进行预测，控制重金属螯合和混凝搅拌时间，引入了具有自学习能力和推理、判断、决策能力的anfis模型，经过学习后可以将废水处理过程和药品的添加量进行预测和自动控制，通过对废水处理过程和参数进行学习，预测后阶段废水处理过程所需的水力水质参数、需要添加的药剂种类和含量进行控制。
[0055]
本发明提出的基于anfis模型的实验室废水处理一体化装置组成以酸碱调整模块、重金属螯合模块、混凝模块、沉淀模块和活性炭吸附模块为主、附配模块安装座为辅的实验室废水处理一体化装置，上述处理单元模块可以根据实验室废水水质水量进行更换与调整，可拆卸的安装在在模块安装座上，各个模块之间通过不同管路链接改变废水在各模块之间的通路，以满足不同污染物的处理，最终废水通过活性炭吸附模块吸附后使废水达到排放标准。
附图说明
[0056]
图1为本发明公开的实验室废水处理一体化方法流程图；
[0057]
图2为本发明公开的实验室废水处理一体化方法中的参数计算流程图；
[0058]
图3为本发明公开的实验室废水处理一体化方法中的anfis神经网络预测流程图；
[0059]
图4为本发明中的废水处理单元模块结构示意图；
[0060]
图5为本发明中的模块安装座的结构示意图；
[0061]
图6为anfis模型流程图；
[0062]
图7为本发明提出的实验室废水处理一体化装置结构框图。
具体实施方式
[0063]
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。
[0064]
实施例一：
[0065]
请参阅图1所示，一种基于anfis模型的实验室废水处理一体化方法，包括如下步骤：
[0066]
废水水质检测，对实验室废水水质进行检测，获得废水水质特征信息；
[0067]
处理模块组装，根据废水水质特征信息，进行废水处理单元模块设计，并进行废水处理模块组装，废水处理模块包括酸碱调整模块、重金属螯合模块、混凝模块和沉淀模块中一种或多种，可以根据实验室废水水质水量进行更换与调整，此外废水处理模块还至少包括一个活性炭吸附模块，最终废水通过活性炭吸附模块吸附后使废水达到排放标准；
[0068]
参数计算，根据废水水质特征信息基于anfis模型对废水处理模块进行处理参数计算，获得废水处理参数，anfis模型流程图如图6所示；
[0069]
废水处理，废水处理模块根据计算出的废水处理参数对进入废水处理模块的废水进行净化处理。
[0070]
请参阅图2所示，参数计算至少包括如下步骤：
[0071]
废水参数采集，对废水处理模块中的废水进行废水参数采集，获得废水参数，废水参数包括废水ph值、膜压力、废水浊度和废水液位信息；
[0072]
归一化处理，对采集到地废水参数进行数据归一化处理，获得废水参数归一化数据；
[0073]
anfis神经网络预测，利用anfis神经网络预测模型对酸碱投加量、混凝剂和螯合剂投加量进行预测，控制重金属螯合和混凝搅拌时间。
[0074]
其中，归一化处理的处理公式为：
[0075][0076]
其中x
*
表示归一化处理后的数据，x
max
为所有数据中x的最大值，x
min
为所有数据中
x的最小值，xn为归一化处理后得到的新值。
[0077]
请参阅图3所示，anfis神经网络预测包括：
[0078]
输入anfis神经网络预测模型的拓扑结构、最小允许误差参数；
[0079]
设置隐含层激活函数、输出层激活函数；
[0080]
其中，拓扑结构包括输入层数目、隐含层数目、输出层数目。
[0081]
其中，
[0082]
隶属度函数sugeno模型的anfis的模糊规则为：
[0083]
if x is a and y is b then z＝f(x,y)；
[0084]
式中：a，b表示为系统的模糊度，z＝f(x,y)为根据a和b前期模糊数所得出的结论。f(x,y)为x和y的多项表达式。sugeno模型就是当f(x,y)为x和y一阶多项式时所建立的模型。sugeno模型的模糊规则如下：
[0085]
规则1：if xis a 1
and yis b1,then f1＝p1x q1y r1；
[0086]
规则2：if xis a 2
and yis b2,then f2＝p2x q2y r2。
[0087]
anfis神经网络预测模型中隐含层神经元的输入αh(k)与输出βh(k)，以及输出层神经元的输入yj(k)和输出yo(k)，其计算公式如下：
[0088][0089]
βh(k)＝f1(αh(k)) 公式3；
[0090][0091][0092]yo
(k)＝f2(yj(k)) 公式5；
[0093][0094]
式中，w
ih
为输入层与隐含层的连接权值，bh为隐含层各神经元的阈值，w
hj
为隐含层与输出层的连接权值，bj为输出层各神经元的阈值，其中h＝1,2,...,m，m为隐藏层神经元数量，j＝1,2,...,q，q为输出层神经元数量；；xi(k)表示第k个输入样本集x(k)中第i个样本，其中x(k)＝[x1(k),x2(k),...,xn(k)]；f1为隐含层激活函数，f2为输出层激活函数；
[0095]
定义误差函数e，其计算公式为：
[0096][0097]
其中，隐含层与输出层的连接权值的修正量δw
hj
(k)、输出层阈值的修正量δbj(k)、输入层与隐含层的连接权值的修正量δw
ih
(k)、隐含层阈值的修正量δbh(k)，其计算
公式
[0098]
如下：
[0099]099][0100][0101][0102][0103][0104]
式中：
[0105]
η为修正系数，δj(k)为输出层的灵敏度，δh(k)为隐含层的灵敏度；f1′
为对隐含层激活函数的求导，f2′
为对输出层激活函数的求导；
[0106]
根据上述修正量对相应的连接权值和阈值进行调整，根据调整后的连接权值和阈值计算网络模型的实际输出值di和期望输出值yi的误差函数fit，并根据误差函数fit确定网络模型中输入层、隐含层、输出层的最优位置；其中误差函数fit的计算公式如下：
[0107][0108]
式中，n为训练样本数。
[0109]
利用内置的anfis神经网络预测模型对酸碱投加量、混凝剂和螯合剂投加量进行预测，控制重金属螯合和混凝搅拌时间，引入了具有自学习能力和推理、判断、决策能力的anfis模型，经过学习后可以将废水处理过程和药品的添加量进行预测和自动控制，实现了实验室废水的自动智能化学习处理，过对废水处理过程和参数进行学习，预测后阶段废水处理过程所需的水力水质参数、需要添加的药剂种类和含量进行控制，可实现实验室废水的高效化，精准化的处理。
[0110]
实施例二：
[0111]
请参阅图7，在实施例一的基础上，本发明提供一种基于anfis模型的实验室废水处理一体化装置，包括：
[0112]
控制面板，控制面板用于实现人机交互；
[0113]
中央处理器，中央处理器内置存储器，存储器内部存储有计算机程序，计算机程序运行时用于执行如上述的实验室废水处理一体化方法，中央处理器通过接收液位传感器、浊度监测器、膜压力传感器、ph传感器等信号后，利用内置的anfis神经网络预测模型对酸碱投加量、混凝剂和螯合剂投加量进行预测，控制重金属螯合和混凝搅拌时间；
[0114]
废水处理模块，废水处理模块用于执行酸碱调整、重金属螯合、混凝、沉淀其中一种或多种步骤，废水处理模块还用于执行活性炭吸附，废水处理模块还包括液位传感器、浊度监测器、膜压力传感器、ph传感器以及计量泵，液位传感器、浊度监测器、膜压力传感器、ph传感器分别用于检测废水处理模块中废水ph值、膜压力、废水浊度和废水液位信息，酸碱调整模块、重金属螯合模块、混凝模块和沉淀模块中均设置有独立的液位传感器、浊度监测器、膜压力传感器、ph传感器分别进行其中的废水ph值、膜压力、废水浊度和废水液位信息检测，根据采集到的废水信息，确定后续的废水处理步骤，计量泵用于实现药剂的定量投加，此外，请参阅图5-6，废水处理模块还包括模块安装座，模块安装座上设置有若干个卡槽，酸碱调整模块、重金属螯合模块、混凝模块和沉淀模块其中一种或多种可拆卸的安装于模块安装座上，上述处理单元模块可以根据实验室废水水质水量进行更换与调整，可拆卸式的模块安装座结构便于进行处理单元模块的调整更换安装，活性炭吸附模块可拆卸的安装于模块安装座上，酸碱调整模块、重金属螯合模块、混凝模块和沉淀模块其中一种或多种之间通过不同管路连接即可改变废水在各模块之间的通路，以满足对不同实验室污染物的处理，最终废水通过活性炭吸附模块使废水达到排放标准，甚至实现部分废水的回用；
[0115]
plc控制器，plc控制器用于根据中央处理器预测的酸碱投加量、混凝剂和螯合剂投加量，以及重金属螯合和混凝搅拌时间控制废水处理模块，中央处理器预测值转为控制信号传送至plc控制器，由plc控制计量泵实现最终药剂的投加，并对每个废水处理单元模块进行参数化控制；
[0116]
数据存储分析模块，数据存储分析模块用于进行废水处理数据进行存储。
[0117]
综上所述，本发明的优点在于：本发明引入了具有自学习能力和推理、判断、决策能力的anfis模型，经过学习后可以将废水处理过程和药品的添加量进行预测和自动控制，进而可实现实验室废水的高效化，精准化的处理。
[0118]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。