CN114125001A - 用于餐厨垃圾处理厌氧***的边缘微平台设备 - Google Patents
用于餐厨垃圾处理厌氧***的边缘微平台设备 Download PDFInfo
- Publication number
- CN114125001A CN114125001A CN202111374323.3A CN202111374323A CN114125001A CN 114125001 A CN114125001 A CN 114125001A CN 202111374323 A CN202111374323 A CN 202111374323A CN 114125001 A CN114125001 A CN 114125001A
- Authority
- CN
- China
- Prior art keywords
- module
- model
- data
- anaerobic
- control module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000010806 kitchen waste Substances 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 230000008901 benefit Effects 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 230000006872 improvement Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 21
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 20
- 238000003756 stirring Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000013479 data entry Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 239000010813 municipal solid waste Substances 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000855 fermentation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001417527 Pempheridae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000003301 hydrolyzing effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及一种用于餐厨垃圾处理厌氧***的边缘微平台设备,包括嵌入在Linux***中的数据库模块、软网关模块、云边协同模块、智能控制模块和算法控制模块,所述智能控制模块与企业侧的WEB端进行数据传输;所述的数据库模块与企业侧的程序交互模块进行数据传输;该智能控制模块还与数据库模块以及算法控制模块进行数据交互,所述的数据库模块和软网关模块均与所述的算法控制模块连接。本发明的优点是:对采集的生产侧数据进行实时分析,输出优化结果至企业侧智能管控***模型管理菜单中作为消息提醒,生产人员可以选择手动或自动下发优化结果至硬网关,进而对生产侧设备执行相应动作,以达到增效目的。
Description
技术领域
本发明涉及一种用于餐厨垃圾处理厌氧***的边缘微平台设备,涉及微平台与PLC之间的通讯,实现边缘计算控制,完成增效的领域。
背景技术
餐厨垃圾处理中的厌氧***通过厌氧微生物的作用将有机物分解产生沼气,后端工艺再将沼气作为能源进行再利用,而厌氧产生沼气的过程需要通过设备逻辑控制完成水解酸化、进料、厌氧发酵、出料等工序,其中利用搅拌机的搅拌作用使反应底物与微生物充分接触,这一过程消耗的电量占厌氧单元总耗能约40-50%。同时厌氧发酵过程因为控制参数的相对固定,有机质利用率和转化率在一定范围内优化的空间较为有限。
同时生产上一般通过控制器(如PLC、DCS)采集到的工业运行数据,通过通讯功能模块(比如4G模块)等,实现数据向云端的发送。随着技术的发展,这种模式产生了一些弊端,随着采集的生产数据越来越多会导致带宽瓶颈以及流量耗费巨大,其次用户出于对数据的安全性和私密性考虑不愿意将数据上传到云数据库。
目前餐厨垃圾处理工厂厌氧***生产管理水平低下,绝大多数企业实现自动化控制,小部分企业实现数字化管理,但是几乎没有任何一家企业实现智能化管控。在现有的技术水平下,处理企业存在以下两个痛点:
(1)效益低:自动化程度低,很多阀门、电机的控制需要到现场进行手动开启或关闭,部分设备的启停需要在中控室由工作人员进行控制;管理与生产依赖人工经验,由于生物反应惯性比较大、影响因素较多,所以生产工艺参数基本上一成不变,造成能源浪费多,运行成本高;
(2)安全差:餐厨处理过程中会产生一定的有毒、易燃、易爆气体,但大部分企业只进行视频监控,及少量的具备远传功能的气体的检测探头,但不具备检测报警***、智能联动功能,造成危险事故经常发生。
如202011489115.3,发明名称为基于物联网的生活垃圾分类收运***、装置及其方法,该发明公开了基于物联网的生活垃圾分类收运***、装置及其方法,该***包括:户分类智能垃圾桶、垃圾分类智能收集箱、垃圾清扫车、垃圾运输车、垃圾处理站点和收运管理***,收运管理***通过无线网络与户分类智能垃圾桶和垃圾分类智能收集箱通信并接收来自两者的容量信息,垃圾清扫车和垃圾运输车通过无线网络与收运管理***通信。该方法包括:部署物联网,并确立所述垃圾处理的成本模型;通过物联网获取待处理垃圾信息,并获取相应的垃圾处理站点及其车辆信息;根据所述成本模型计算可选的各收运线路的成本,并筛选出成本最小的收运线路,并以该收运线路指示相应的垃圾处理站点及车辆作业。
该专利进行***管理监督完善了功能,并未对企业生产的效益增加特别是厌氧***的控制产生直接的影响。
如专利申请号为201811040339.9,发明名称为一种基于新型BP神经网络建模的沼气生产过程的预测方法;该发明公开了一种基于新型BP神经网络建模的沼气生产过程的预测方法。包括如下步骤:通过现场操作或者实验获得沼气生产过程中的数据(不同原料的配比及其各自指定发酵时间的输出产气量Y;将采集到的数据用于新型BP神经网络的训练;利用训练到的最终模型对沼气生产过程的不同原料配比进行产气预测,并且再次验证所获取模型的有效性;将通过验证的模型用于实际沼气工程的原料配比技术指导。该发明可靠性及精度都非常高,克服了目前甲烷生产企业原料盲目配比的低效益生产模式,可实现相同原料种类下不同配比的沼气企业效益提前精确预测,可广泛应用。
但是该专利仅针对多种原料对产气的影响没有考虑其他因素,而且是单纯的模型控制技术指导,没有针对企业运行参数调整带来的能耗成本降低和沼气增收做阐述,同时数据的安全性也没有得到解决。
发明内容
为克服现有技术的缺陷,本发明提供一种用于餐厨垃圾处理厌氧***的边缘微平台设备,本发明的技术方案是:
一种用于餐厨垃圾处理厌氧***的边缘微平台设备,其特征在于,包括嵌入在Linux***中的数据库模块、软网关模块、云边协同模块、智能控制模块和算法控制模块,所述智能控制模块与企业侧的WEB端进行数据传输;所述的数据库模块与企业侧的程序交互模块进行数据传输;该智能控制模块还与数据库模块以及算法控制模块进行数据交互,所述的数据库模块和软网关模块均与所述的算法控制模块连接,该Linux***还接入所述的云边协同模块和实时操作***,在所述的实时操作***中嵌入有逻辑控制模块;该数据库模块通过硬网关模块与生产侧的PLC控制器连接;所述的算法控制模块用于对采集的生产数据进行实时分析,输出优化结果至企业侧智能管控***的管理菜单中作为消息提醒;生产人员手动或自动选择下发优化结果至硬网关模块,进而对生产侧设备执行相应动作,以达到增效目的。
所述的算法控制模块包括厌氧***增收降耗模型和***稳态模型,所述的厌氧***增收降耗模型用于进行运行参数的寻优,找到实现投入产出净收益最大化对应的进料量、进料频率、搅拌时长、搅拌频率及反应温度,参数优化过程中通过不断将上述参数优化,并迭代到计算模型中,探索出最优的运行参数;所述的***稳态模型用于判断经过厌氧***增收降耗模型寻优后的参数下发后,是否***仍处于安全运行的范围内,通过对VFA、ALK、pH和COD指标的时间前后对比分析,判断***运行状态,及时对调优后的运行参数进行纠偏。所述的厌氧***增收降耗模型的具体处理步骤如下:
S1、通过现场控制不同的进料频次、进料量和搅拌机频率形成n组不同的测试数据,在相同的厌氧罐环境下,收集实时运行的沼气产量累积值和电耗,形成采集数据,将采集到的数据存储到数据库中;
S2、对步骤S1中的沼气累积值和电耗值做数据预处理,计算净收益作为因变量,并且在数据中添加前一日进料量、前两日进料量和前一日产气量作为自变量,将数据随机拆分成两部分,训练集75%和测试集25%;
S3、使用网格搜索法和交叉验证对步骤S3中的训练集进行XGBoost模型训练,选择均方误差最小的一组参数即为模型最优参数;
S4、利用步骤S3训练得到的XGBoost算法模型对测试集数据的净收益进行预测,将预测结果与测试集中的实际值进行对比,通过R2_score评估模型的泛化能力;
S5、当不同的进料量、搅拌机频率组合出现时,将数据输入测试验证后的XGBoost模型输出沼气净收益,从而可以提高沼气企业的经济效益。
所述的***稳态模型的具体处理步骤如下:
S1、将实验室检测的厌氧***指标通过生产管控***WEB端预设数据录入功能进行上传,对检测的指标进行监测分析;
S2、根据餐厨垃圾处理项目厌氧单元长期运行数据总结的厌氧***各项指标正常数值参考,判断厌氧***pH、VFA、ALK、COD指标是否处在正常范围;
S3、若不在正常范围内,则降低进料量、提高进料频次、延迟搅拌时长、增加搅拌频率、调整反应温度,出参下发至控制***;若在正常范围内,则厌氧***增收降耗模型进行继续优化初始进料量、进料频次、搅拌频率和反应温度的参数。
本发明的优点是:对采集的生产侧数据进行实时分析,输出优化结果至企业侧智能管控***模型管理菜单中作为消息提醒,生产人员可以选择手动或自动下发优化结果至硬网关,进而对生产侧设备执行相应动作,以达到增效目的。微平台可自由设置与平台侧的断连、功能与数据的开关,用户可以根据需求,选择连接平台并下载所需的功能模型,获得持续化的技术支撑与增效服务。能够大大降低数据反馈延时以及数据传输成本。从价值上讲,不仅仅是赋能企业、提高客户收益,更重要的是新物种的成功可以逐步改变传统的PLC/DCS+上位机的控制模式,进而大幅度降低管控***机配套设置投资,同时为无人工厂的打造提供丰富的经验和坚实的基础。
附图说明
图1是本发明的主体结构示意图。
图2是本发明厌氧***增收降耗模型和***稳态模型工作流程示意图。
图3是本发明生成的沼气净收益预测值和实际值对比图。
具体实施方式
下面结合具体实施例来进一步描述本发明,本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的,并不对本发明的范围构成任何限制。本领域技术人员应该理解的是,在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换,但这些修改和替换均落入本发明的保护范围内。
参见图1和图2,本发明涉及一种用于餐厨垃圾处理厌氧***的边缘微平台设备,包括嵌入在Linux***中的数据库模块1、软网关模块2、云边协同模块3、智能控制模块4和算法控制模块5,所述智能控制模块4与企业侧的WEB端进行数据传输;所述的数据库模块1与企业侧的程序交互模块进行数据传输;该智能控制模块4还与数据库模块1以及算法控制模块5进行数据交互,所述的数据库模块1和软网关模块2均与所述的算法控制模块5连接,该Linux***还接入所述的云边协同模块3和实时操作***6,在所述的实时操作***6中嵌入有逻辑控制模块7;该数据库模块1通过硬网关模块与生产侧的PLC控制器连接;所述的算法控制模块用于对采集的生产数据进行实时分析,输出优化结果至企业侧智能管控***的管理菜单中作为消息提醒;生产人员手动或自动选择下发优化结果至硬网关模块,进而对生产侧设备执行相应动作,以达到增效目的。
所述的算法控制模块5包括厌氧***增收降耗模型和***稳态模型,所述的厌氧***增收降耗模型用于进行运行参数的寻优,找到实现投入产出净收益最大化对应的进料量、进料频率、搅拌时长、搅拌频率及反应温度,参数优化过程中通过不断将上述参数优化,并迭代到计算模型中,探索出最优的运行参数;所述的***稳态模型用于判断经过厌氧***增收降耗模型寻优后的参数下发后,是否***仍处于安全运行的范围内,通过对VFA、ALK、pH和COD指标的时间前后对比分析,判断***运行状态,及时对调优后的运行参数进行纠偏。
所述的厌氧***增收降耗模型的具体处理步骤如下:
S1、通过现场控制不同的进料频次、进料量和搅拌机频率形成n组不同的测试数据,在相同的厌氧罐环境(温度、PH值等)下,收集实时运行的沼气产量累积值和电耗,形成采集数据,将采集到的数据存储到数据库中;
S2、对步骤S1中的沼气累积值和电耗值做数据预处理,计算净收益作为因变量,并且在数据中添加前一日进料量、前两日进料量和前一日产气量作为自变量,将数据随机拆分成两部分,训练集(75%)和测试集(25%);
S3、使用网格搜索法(学习率、迭代次数、树最大深度、叶子节点最小权重、随机样本采样比例等)和交叉验证(5折)对训练集进行XGBoost模型训练,选择均方误差(MSE)最小的一组参数即为模型最优参数;
S4、利用步骤S3训练得到的XGBoost算法模型对测试集数据的净收益进行预测,将预测结果与测试集中的实际值进行对比,通过R2_score评估模型的泛化能力;
S5、经过离散的输入测试后的XGBoost模型,可以运用到实际生产过程中。当不同的进料量、搅拌机频率等特征组合出现时,将数据输入测试验证后的XGBoost模型可以很快的输出沼气净收益,从而可以提高沼气企业的经济效益。
根据泰勒公式,把函数f(x+Δx)在点x处进行泰勒的二阶展开,可得如下公式:
决策树的复杂度可由叶子数组成,叶子节点越少模型越简单,此外叶子节点也不应该含有过高的权重(类比LR的每个变量的权重),所以目标函数的正则项由生成的所有决策树的叶子节点数量,和所有节点权重所组成的向量的范式共同决定,第t颗决策树的复杂度如下:
其中,T为叶子数,ωj为第j个叶子节点取值。
所述S2中,将数据分为两部分,其中C%(一般C介于70和80之间)的数据组用来训练结构化的XGBoost模型,剩下的数据用来验证模型的预测。
所述步骤S3中,对于XGBoost算法训练如下:(1)设置学习率、迭代次数、树最大深度、叶子节点最小权重、随机样本采样比例等模型参数列表,及设置交叉验证折数;(2)确定每个样本(Xp,Yp)的实际模型输出Op;其中,p=1、2、…、i;(3)计算实际输出值Op和理想输出值Yp之间的残差,作为构建下一棵决策树的预测值;(4)将最大迭代次数N与事先给定的值进行比较,若大于事先给定值则终止迭代;或者将模型的误差与事先给定的值进行比较,若误差小于给定的ε,则终止迭代;(5)计算每轮迭代的均方误差(MSE),选择MSE最小的一组参数即为XGBoost模型的最优解。
所述步骤S4中,预测结果与第二部门的实验输出结果进行对比(R2_score)后即可验证XGBoost模型。
所述步骤S5中,经过验证后的XGBoost算法模型可以运用到实际生产过程中。基于准确模型的不同特征值组合,可以很快的预测出不同情况下比较精确的沼气净收益累积值,进而对非最优的特征组合进行预筛选,提高沼气企业的经济效益。
如图3所示,通过本发明的方法生成的沼气净收益预测值和实际值对比图。
所述的***稳态模型的具体处理步骤如下:
S1、将实验室检测的厌氧***pH、VFA、ALK、COD等指标通过生产管控***WEB端预设数据录入功能进行上传,对上述指标进行监测分析;
S2、根据餐厨垃圾处理项目厌氧单元长期运行数据总结的厌氧***各项指标正常数值参考,判断厌氧***pH、VFA、ALK、COD指标是否处在正常范围;
S3、若不在正常范围内,则降低进料量、提高进料频次、延迟搅拌时长、增加搅拌频率、调整反应温度,出参下发至控制***;若在正常范围内,则厌氧***增收降耗模型进行继续优化初始进料量、进料频次、搅拌频率和反应温度的参数。
上述模型通过对生产数据的不断收集、清洗及处理,将有效数据重复用于新模型的构建,来不断优化寻优模型的参数。已实现沼气收益与用电成本的最大净值;将打包好的增效函数嵌入至边缘网关(微平台机),然后进行边缘网关(微平台机)编程、对接数据接口、通讯协议打通等,确保数据的传输路线准确、畅通。
本发明可同时满足数据实时性和安全性,通过网关采集、传输与汇聚厌氧***生产数据包括进料量、进料频率、搅拌时长、搅拌频率、反应温度等参数,并进行协议转换,将转换后的数据发往运算中心。***算法模型对于本地数据进一步处理,将输出结果下发至终端设备,实现***的降本增效。本专利所述微平台可进行功能升级,自由设置与平台的断连、功能与数据的开关,具有相对的独立性,根据用户所需不定期选择连接平台,下载所需功能模型,获得平台赋能,包括跨平台之间的连接,整合一切需要和可以整合的资源,满足客户需求的多样性和灵活性,为***带来持续增效。
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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种用于餐厨垃圾处理厌氧***的边缘微平台设备,其特征在于,包括嵌入在Linux***中的数据库模块、软网关模块、云边协同模块、智能控制模块和算法控制模块,所述智能控制模块与企业侧的WEB端进行数据传输;所述的数据库模块与企业侧的程序交互模块进行数据传输;该智能控制模块还与数据库模块以及算法控制模块进行数据交互,所述的数据库模块和软网关模块均与所述的算法控制模块连接,该Linux***还接入所述的云边协同模块和实时操作***,在所述的实时操作***中嵌入有逻辑控制模块;该数据库模块通过硬网关模块与生产侧的PLC控制器连接;所述的算法控制模块用于对采集的生产数据进行实时分析,输出优化结果至企业侧智能管控***的管理菜单中作为消息提醒;生产人员手动或自动选择下发优化结果至硬网关模块,进而对生产侧设备执行相应动作,以达到增效目的。
2.根据权利要求1所述的一种用于餐厨垃圾处理厌氧***的边缘微平台设备,其特征在于,所述的算法控制模块包括厌氧***增收降耗模型和***稳态模型,所述的厌氧***增收降耗模型用于进行运行参数的寻优,找到实现投入产出净收益最大化对应的进料量、进料频率、搅拌时长、搅拌频率及反应温度,参数优化过程中通过不断将上述参数优化,并迭代到计算模型中,探索出最优的运行参数;所述的***稳态模型用于判断经过厌氧***增收降耗模型寻优后的参数下发后,是否***仍处于安全运行的范围内,通过对VFA、ALK、pH和COD指标的时间前后对比分析,判断***运行状态,及时对调优后的运行参数进行纠偏。
3.根据权利要求2所述的一种用于餐厨垃圾处理厌氧***的边缘微平台设备,其特征在于,所述的厌氧***增收降耗模型的具体处理步骤如下:
S1、通过现场控制不同的进料频次、进料量和搅拌机频率形成n组不同的测试数据,在相同的厌氧罐环境下,收集实时运行的沼气产量累积值和电耗,形成采集数据,将采集到的数据存储到数据库中;
S2、对步骤S1中的沼气累积值和电耗值做数据预处理,计算净收益作为因变量,并且在数据中添加前一日进料量、前两日进料量和前一日产气量作为自变量,将数据随机拆分成两部分,训练集75%和测试集25%;
S3、使用网格搜索法和交叉验证对步骤S3中的训练集进行XGBoost模型训练,选择均方误差最小的一组参数即为模型最优参数;
S4、利用步骤S3训练得到的XGBoost算法模型对测试集数据的净收益进行预测,将预测结果与测试集中的实际值进行对比,通过R2_score评估模型的泛化能力;
S5、当不同的进料量、搅拌机频率组合出现时,将数据输入测试验证后的XGBoost模型输出沼气净收益,从而可以提高沼气企业的经济效益。
4.根据权利要求2或3所述的一种用于餐厨垃圾处理厌氧***的边缘微平台设备,其特征在于,所述的***稳态模型的具体处理步骤如下:
S1、将实验室检测的厌氧***指标通过生产管控***WEB端预设数据录入功能进行上传,对检测的指标进行监测分析;
S2、根据餐厨垃圾处理项目厌氧单元长期运行数据总结的厌氧***各项指标正常数值参考,判断厌氧***pH、VFA、ALK、COD指标是否处在正常范围;
S3、若不在正常范围内,则降低进料量、提高进料频次、延迟搅拌时长、增加搅拌频率、调整反应温度,出参下发至控制***;若在正常范围内,则厌氧***增收降耗模型进行继续优化初始进料量、进料频次、搅拌频率和反应温度的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374323.3A CN114125001B (zh) | 2021-11-19 | 2021-11-19 | 用于餐厨垃圾处理厌氧***的边缘微平台设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374323.3A CN114125001B (zh) | 2021-11-19 | 2021-11-19 | 用于餐厨垃圾处理厌氧***的边缘微平台设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114125001A true CN114125001A (zh) | 2022-03-01 |
CN114125001B CN114125001B (zh) | 2024-02-02 |
Family
ID=80396691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374323.3A Active CN114125001B (zh) | 2021-11-19 | 2021-11-19 | 用于餐厨垃圾处理厌氧***的边缘微平台设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114125001B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114951235A (zh) * | 2022-05-16 | 2022-08-30 | 淮阴工学院 | 一种关于餐厨垃圾和污泥协同处理的制备方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018124383A1 (ko) * | 2016-12-30 | 2018-07-05 | 서울시립대학교 산학협력단 | 혐기성 소화가스 생산촉진을 위한 공정모델 예측제어 시스템 및 그 방법 |
CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
US20200074307A1 (en) * | 2018-09-05 | 2020-03-05 | WEnTech Solutions Inc. | System and method for anaerobic digestion process assessment, optimization and/or control |
CN113537336A (zh) * | 2021-03-10 | 2021-10-22 | 沈阳工业大学 | 基于XGBoost的短临雷雨大风的预测方法 |
-
2021
- 2021-11-19 CN CN202111374323.3A patent/CN114125001B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018124383A1 (ko) * | 2016-12-30 | 2018-07-05 | 서울시립대학교 산학협력단 | 혐기성 소화가스 생산촉진을 위한 공정모델 예측제어 시스템 및 그 방법 |
US20200074307A1 (en) * | 2018-09-05 | 2020-03-05 | WEnTech Solutions Inc. | System and method for anaerobic digestion process assessment, optimization and/or control |
CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
CN113537336A (zh) * | 2021-03-10 | 2021-10-22 | 沈阳工业大学 | 基于XGBoost的短临雷雨大风的预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114951235A (zh) * | 2022-05-16 | 2022-08-30 | 淮阴工学院 | 一种关于餐厨垃圾和污泥协同处理的制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114125001B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107179503B (zh) | 基于随机森林的风电机组故障智能诊断预警的方法 | |
CN108921352B (zh) | 一种具有区间不确定性的湿法冶金浸出过程优化方法 | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
CN112068456A (zh) | 一种燃气管网智能调控方法、***、终端及存储介质 | |
CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和*** | |
KR20140142491A (ko) | 진화적 예측모델 생성 인공지능 프로그램이 결합된 수처리장의 인공지능 통합 제어시스템 | |
CN114125001B (zh) | 用于餐厨垃圾处理厌氧***的边缘微平台设备 | |
CN111917111B (zh) | 用于配电网的分布式光伏电源接纳能力在线评估的方法、***、设备及存储介质 | |
CN117151701A (zh) | 一种热电联产的工业余热回收利用*** | |
CN117375097A (zh) | 基于多代理协调控制策略与强化学习的光伏协调自治方法 | |
Schaum et al. | Observability analysis and observer design for a class of cell population balance models | |
CN116119877A (zh) | 一种基于物联网技术的污水自动化处理方法及*** | |
Zhou et al. | Transmission switching under wind uncertainty using linear decision rules | |
Hrnija et al. | Genetic programming for turbidity prediction: hourly and monthly scenarios | |
CN109038672A (zh) | 一种平抑可再生能源波动的多目标鲁棒优化配置方法 | |
Basterrech et al. | Optimal design of neural tree for solar power prediction | |
Quteishat et al. | Strategic Renewable Energy Resource Selection Using a Fuzzy Decision-Making Method. | |
CN103558762B (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 | |
Pimentel et al. | Synthesis of integrated vertical farming systems with multiperiodic resource availability | |
Wolf et al. | Biogas plant optimization using genetic algorithms and particle swarm optimization | |
CN111967689A (zh) | 一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法 | |
CN111639742A (zh) | 一种脱硫脱硝循环泵状态故障诊断***及方法 | |
Luca et al. | Testing Platform for Real-Time Controllers Based on Hardware In the Loop Simulation | |
Su et al. | A novel data-driven robust method applied to OPF with uncertain wind power | |
Cubillos et al. | Real-time process optimization based on grey-box neural models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |