[发明专利]基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质

说明书

本发明公开了一种基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质基于迁移学习的重金属废水处理过程异常工况智能化监测，通过对不同来源的重金属废水处理过程数据融合，能够自动的实现不同来源的重金属废水处理过程异常工况智能识别；具体为利用来源固定的重金属废水处理过程的正常样本Y^SD、少量来源未知的重金属废水处理过程的正常样本Y^TD；首先通过对Y^SD进行学习得到其数据表示字典D^SD，然后考虑到Y^SD和Y^TD分布不同，采用迁移学习的方法，将Y^TD的特征融入到字典学习过程，得到泛化能力更强的字典D^TD。该方法无需过程先验知识，能自适应的适应废水处理系统中的不确定性因素，能够更加准确的检测过程中相关指标的变化，实现及时地检测与预警。

技术领域

本发明属于重金属废水处理领域，特别涉及一种基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质。

背景技术

作为地球上不可替代的自然资源与环境资源，水的储量与质量与人类的生存发展息息相关。随着近些年工业的高速发展，工业废水尤其是重金属废水对环境污染非常严重和对人类危害非常深远。同时，重金属在环境中稳定性高、难降解、迁移范围广，正逐渐成为全球性环境问题。

絮凝—电化学技术是实现重金属废水深度净化的有效途径之一。该技术用电化学技术对经传统絮凝沉淀过程处理后的废水进行深度处理，可以减少药剂的消耗，与单一的电絮凝处理废水相比，又可以节约电能。一方面，现有絮凝—电化学技术对废水的处理效果受多种过程因素(如pH值、电流密度、电导率等)的影响。另一方面，重金属废水因其来源等存在不确定性，包括气候变化、人为破坏、偶然污染、内部许多生物化学反应过程的机理不明确等，难以用明确的数学关系对重金属废水的特征进行描述。除此之外，不同来源的重金属废水的离子浓度分布差异较大，其处理效果需要经过长时间离线化验才能获取。目前，针对不同来源的重金属废水的处理工况主要依赖于工艺人员的经验进行判断，往往难以准确的识别处理过程的正常工况和异常工况。当异常工况发生时，难以有效地降低废水中的重金属离子浓度，如未对处理过程进行及时调整，其处理结果会影响下一个工序的效果。而人工处理方式操作主观盲目性大，尤其是当重金属废水来源发生变化时，其工况识别准确性较低。

发明内容

本发明为了准确识别不同来源的重金属废水处理过程的异常工况，同时克服不同来源重金属离子各浓度数据带来的数据分布畸变导致模型失配带来的问题，本发明提出一种基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质，该方法能够适应不同来源重金属废水，准确识别处理过程的工况。

字典学习是一种高效的数据表示方式，该方法假设信号能进行稀疏表示，即表示为一个字典和其稀疏编码的乘积形式，通过学习并存储一个小数据量的字典，便能还原高维信号数据，这对于高维数据的处理是卓有成效的。由于能够减少高维数据的计算与存储负荷，字典学习受到了越来越多关注。

本技术方案通过对包含处理过程中pH值、电流密度、电导率、初始重金属浓度、流量等指标在内的历史数据进行建模，在对废水处理过程进行在线监测时，考虑到不同来源的废水其初始重金属浓度的时间序列上分布不同，使用历史数据得到的模型，其检测效果可能得不到保障。因此，对来源不确定的重金属废水的处理结果进行离线化验，根据化验结果选取其正常工况下的数据(即废水中重金属离子浓度得到有效降低的数据)和确定来源下的正常工况的历史数据进行融合，通过对历史模型进行迁移学习，实现不同来源下的废水处理过程的异常工况检测。

本发明的技术方案如下：

一方面，一种基于迁移学习的重金属废水处理过程异常工况智能化监测方法，包括：

1)利用历史采集的来源固定的重金属废水处理数据样本，构建来源固定的重金属废水处理数据样本的离线字典；