膜污染监测方法及监测系统

1.本技术涉及膜污染监测技术领域，尤其是涉及一种膜污染监测方法及监测系统。


背景技术：

2.膜技术因其节能、无二次污染等优点，被认为是一种极具潜力的废水处理技术，是目前污水处理的热点。然而，膜污染是影响膜分离工艺广泛应用的最大阻碍。为此对膜污染进行监测，有望减少膜污染的形成，减少膜处理过程的能源消耗。
3.目前的研究，需要耗费数天的时间进行计算，才能得到膜污染相关的界面能数据；并且对设备的要求较高，需要大量的存储空间。


技术实现要素：

4.为了提高膜污染相关的界面能数据的获取效率，能够高效的实时监测膜污染，本技术提供一种膜污染监测方法及监测系统。
5.根据本发明的一个方面，提供一种膜污染监测方法，包括：获取正常运行下膜反应器中污泥和膜表面的数据；将所述数据作为输入层输入预先训练的膜性能预测模型中；输出不同运行条件下污泥和污染物之间的界面能，完成膜污染监测；其中，预先训练的膜性能预测模型是ga算法优化bp-ann模型构建的gabp神经网络模型。
6.通过使用本技术方案中的膜污染监测方法，将膜污染情况由膜表面和污泥颗粒的表面作用力定量分析，ga优化ann模型构建的gabp神经网络模型，采用常规监测数据对模型进行训练，使得膜污染预测模型可以很好的对mbr 反应器中膜的污染情况进行实时监测，可以指导mbr反应器的运行和维护，从而提升mbr处理水的效果，同时节省了大量人力物力。
7.另外，根据本技术的膜污染监测方法，还可具有如下附加的技术特征：
8.在本发明的一些实施方式中，所述膜性能预测模型的生成包括：对反应器中膜组件和污泥表面性质进行采集；将采集的数据分为训练集和预测集；采用贝叶斯算法遍历，确定神经网络隐藏层最优的神经元个数；使用遗传算法对神经网络的权重和偏置进行优化，获得最优的权重和偏置；使用该最优的权重和偏置进行bp神经网络的构建；完成训练和验证，得到预先训练的膜性能预测模型。
9.在本发明的一些实施方式中，所述采集的数据中，训练集数据占70％，预测集数据占30％。
10.在本发明的一些实施方式中，所述的采用贝叶斯算法遍历，确定神经网络隐藏层最优的神经元个数步骤中，使用g-mean、auc、sensitivity和specificity 作为指标进行分析。
11.在本发明的一些实施方式中，所述的使用遗传算法对神经网络的权重和偏置进行优化，获得最优的权重和偏置包括，设定初始种群大小和数量，通过选择、交叉和变异产生符合条件的权重和偏置；以回归系数r作为指标进行判断。
12.在本发明的一些实施方式中，所述的对反应器中膜组件和污泥表面性质进行采集
包括：接触角、zeta电位和膜表面粗糙度。
13.在本发明的一些实施方式中，所述膜表面粗糙度的采集包括：采用原子力显微镜捕获原始的pvdf膜表面的图像；采用分析软件计算afm图像的统计高度和均方根粗糙度。
14.根据本发明的另一方面，提供一种膜污染监测系统，包括：数据采集单元，进行反应器中膜组件和污泥表面性质采集；神经网络预测单元，即膜性能预测模型，将常规监测产生的数据作为输入层输入神经网络预测单元中；膜污染预测单元，实时的将生成的神经网络预测单元用于膜污染实时监测，输出污染物和膜表面的界面能。
15.另外，根据本技术的膜污染监测系统，还可具有如下附加的技术特征：
16.在本发明的一些实施方式中，所述膜污染监测系统还包括数据分析单元，所述数据分析单元对膜性能预测模型的稳定性和准确度进行分析。
17.本发明采用以上的技术方案有望达到以下的有益效果：
18.1.可以保证对mbr中膜组件的实时在线监测，保证预测效果的同时大大减少计算时间；
19.2.弥补现有技术的单指标变量膜污染监测，从界面能方面对膜污染进行监测；
20.3.实现了模型训练、性能评估、预测功能一体，既能满足科学研究需要，也具有推广应用价值。
附图说明
21.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
22.图1是本技术的gabp膜污染监测系统的总体框架示意图；
23.图2是本技术的gabp膜污染监测系统数据来源图；
24.图3是本技术的神经网络优化详述图；
25.图4是本技术的ga算法优化权重和偏置的流程图；
26.图5是本技术实施例提供的一种膜污染监测功能结构图；
27.图6是本技术的实施例提供的一种膜污染监测流程示意框图；
28.图7是本技术的实施例提供的一种结构优化的结果图，其中，numberofneurons为神经元数量，sensitivity为灵敏度，g-mean为g-均值，auc为曲线下面积，specificity为特异性；
29.图8是本技术的实施例实时预测结果图，其中，separationdistance为分离距离，totalinterfacialenergy为总作用力，abinterfacialenergy为ab作用力，lwinterfacialenergy为lw作用力，elinterfacialenergy为el总作用力，interactionenergy为界面相互作用力。
具体实施方式
30.应当明确，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
31.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
32.在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
33.下面结合附图1-8对本技术实施例提供的膜污染监测方法及监测系统进行说明。
34.本技术的原始数据，采用mbr稳定运行阶段的污泥作为典型的污剂，利用常规监测数据，即接触角和zeta电位，用原子力显微镜(afm)(nt-mdt， usa)捕获原始的pvdf膜表面的图像；采用nanoscope分析软件v1.7计算 afm图像的统计高度和均方根粗糙度，进行xdlvo理论计算获得其相关界面能数据，然后将70％的数据作为训练集输入系统，并将30％的数据作为预测集数据。
35.膜污染监测系统的构建，首先对神经网络，即人工神经网络ann(bp网络)的隐藏层的神经元数进行研究，通过编程，利用贝叶斯算法对神经元个数进行遍历，在遍历结果中找寻最优的神经元个数，并使用g-mean、auc、 sensitivity和specificity作为指标进行分析。
36.ga算法，即遗传算法，是一种高效的全局搜索算法，其原理是模拟生物在自然环境的遗传和进化，通过种群内的竞争达到全局优化；本技术gabp 神经网络在进行训练前，通过遗传算法对偏置和权重进行选择，获得最优的权重和偏置，
37.利用ga对bp神经网络进行参数优化时，通过设定合适的种群和迭代次数，对bp神经网络的权重和偏置进行优化，从而提升bp神经网络的预测性能；即设定初始种群大小和数量，通过选择、交叉和变异产生符合条件的权重和偏置；并以回归系数r作为指标进行判断。
38.在经过贝叶斯算法的结构优化和遗传算法的权重优化后的神经网络，使用70％的训练集数据和30％的预测集数据，对模型性能进行分析，分析后的 gabp神经网络模型，即预先训练的膜性能预测模型作为膜污染监测系统的一部分。
39.最后，通过探头对mbr反应器的运行数据进行采集，并将实时采集的数据作为输入层，输入膜污染监测系统，然后输出不同运行条件下污泥和污染物之间的界面能，即可以完成对mbr反应器的实时线上监测。
40.本技术将膜污染情况由膜表面和污泥颗粒的表面作用力定量分析，是膜污染实时监测的新探索；由于本技术ga优化ann模型构建的gabp神经网络模型，并且采用常规监测数据对模型进行训练，使得膜污染预测模型可以很好的对mbr反应器中膜的污染情况进行实时监测，可以指导mbr反应器的运行和维护，从而提升mbr处理水的效果，同时节省了大量人力物力。
41.具体的，膜污染监测系统包括数据采集单元、神经网络预测单元、膜污染预测单元
和数据分析单元，其中数据采集单元进行反应器中膜组件和污泥表面性质采集；神经网络预测单元即膜性能预测模型，将常规监测产生的数据作为输入层输入神经网络预测单元中；膜污染预测单元实时的将生成的神经网络预测单元用于膜污染实时监测，输出污染物和膜表面的界面能；数据分析单元对膜性能预测模型的稳定性和准确度进行分析。
42.神经网络预测单元包括结构优化分析单元和ga优化分析单元，结构优化分析单元利用贝叶斯算法对神经元个数进行遍历，在遍历结果中找寻最优的神经元个数，ga优化分析单元通过选择、交叉和变异产生符合条件的权重和偏置，用来bp神经网络的构建。
43.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。