CN115838222A - 一种智能试验废水处理一体化装置及处理方法 - Google Patents

Abstract

本发明公开了一种智能试验废水处理一体化装置及处理方法，包括箱体、位于箱体内部的收集池、酸碱调节池、混凝池、吸附过滤池以及控制模块，通过收集池对流入的污水进行混合储蓄，当水量达到预设阈值后经计量泵泵入酸碱调节模块进行酸碱平衡调节，调节完毕的污水进入混凝池通过添加螯合剂以及絮凝剂处理水中杂质，最后经过吸附过滤中的过滤膜对污水的处理，其中控制模块通过收集原水以及出水的参数借助智能算法对药剂投加量进行预测调控，同时对污水处理流程和处理过程进行调控。本发明将各个处理单元进行模块化，使其具有体积小、集成化程度高、便于移动的特点。

Description

一种智能试验废水处理一体化装置及处理方法

技术领域

本发明涉及水污染治理设备技术领域，具体为一种智能试验废水处理一体化装置及处理方法。

背景技术

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***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。

目前为止，我国部分高校尚未建立独立的、高效的、专门针对实验室的污水处理装置，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，或者污水直接接入学校的污水处理厂进行处理。往往学校的污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。因此，本专利拟针对现行实验室污废水问题提出一种智能实验废水处理一体化装置，专门针对实验室规模的、针对实验废水处理一体化装置。

发明内容

针对现有技术中的不足，本发明提供一种智能试验废水处理一体化装置及处理方法。

为实现上述目的，本发明提供如下技术方案：一种智能试验废水处理一体化装置，包括箱体、位于箱体内部的收集池、酸碱调节池、混凝池、吸附过滤池以及控制模块；

所述箱体一侧上端设有一进水管，所述收集池位于所述箱体内部前端位置，所述进水管下端与所述收集池相互连通，所述酸碱调节池、混凝池以及吸附过滤池依次位于所述收集池后侧，所述酸碱调节池以及所述混凝池内分别设有搅拌器，所述搅拌器下端的叶片对各自池内的废水进行搅拌处理，所述吸附过滤池内部设有一过滤膜，且所述过滤膜上设有膜压力传感器，通过所述过滤膜对废水进行处理过滤，所述箱体另一侧下端壁面设有一出水管；

所述控制模块包括控制面板、plc控制器、计量泵、ph传感器、浊度监测器和电池组，所述控制面板位于所述箱体前端外壁，所述控制面板内部设有中央处理器，所述plc控制器位于所述箱体内部一侧上端，且所述电池组位于所述plc控制器一侧，所述计量泵分别位于所述收集池、酸碱调节池以及混凝池内，且所述收集池、酸碱调节池以及混凝池内的废水输送均通过所述计量泵进行输送传递，所述ph传感器和所述浊度监测器分别位于所述酸碱调节池、所述混凝池以及吸附过滤池内部底端。

优选的，所述进水管下端且位于所述箱体内部设有一格栅，所述格栅用于对经过所述进水管输送的废水进行初步过滤。

优选的，所述控制模块还包括液位传感器，所述液位传感器位于所述收集池内部底端以及所述酸碱调节池和所述混凝池上端区域。

优选的，所述中央处理器通过接收所述液位传感器、浊度监测器以及ph传感器的信号后，对酸碱投加量、混凝剂和螯合剂投加量进行预测，所述plc控制器将接收到转为控制信号的预测值，由所述plc控制器控制所述计量泵实现最终药剂的投加。

优选的，所述plc控制器内部包括数据预处理模块和BP神经网络预测模型，所述数据预处理模块对采集的数据进行归一化处理，处理后的数据作为bp神经网络的输入参数，所述的归一化处理公式为：

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，X_n为归一化处理后得到的新值。

优选的，所述BP神经网络预测模型包括人工神经网络ANN，设置所述人工神经网络ANN的参数并构建ANN模型的步骤包括：

采用三层BP网络模型作为ANN模型，输入BP网络模型的拓扑结构、最小允许误差参数；其中所述BP网络模型的拓扑结构包括输入层数目、隐含层数目、输出层数目；设置隐含层激活函数、输出层激活函数；

计算所述BP网络模型中隐含层神经元的输入α_h(k)与输出β_h(k)，以及输出层神经元的输入y_j(k)和输出y_o(k)，其计算公式如下：

β_h(k)＝f₁(α_h(k))

/>

yo_j(k)＝f₂(y_j(k))

式中，w_ih为输入层与隐含层的连接权值，b_h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，b_j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；x_i(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)]；dj(k)表示第k个输入样本集x(k)的期望输出；f1为隐含层激活函数，f2为输出层激活函数；定义误差函数E，根据所述误差函数E计算隐含层与输出层的连接权值、输出层阈值、输入层与隐含层的连接权值、隐含层阈值的修正量，其表达公式如下：

式中，η为修正系数，δ_j(k)为输出层的灵敏度，δ_h(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；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BP网络模型的实际输出值d_i和期望输出值y_i的误差函数fit，并根据误差函数fit确定BP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：

式中，N为训练样本数。

一种智能试验废水处理一体化装置的处理方法，包括以下步骤：

S1、污水通过进水管进入箱体内部的收集池内，通过收集池对污水进行混合储蓄；

S2、通过收集池内的液位传感器实时对收集池内水量进行监测，并将水量信息传送至控制模块，由控制模块判断污水量是否到达预设的阈值再决定是否开始进行污水处理，当水量达到预设阀值后经过计量泵泵入酸碱调节池内，进行酸碱平衡调节，并通过酸碱调节池中设有的pH传感器、液位传感器和浊度监测器采集数据并传送至控制模块，判断是否达到酸碱调节标准；

S3、酸碱调节完毕后，污水通过计量泵进入混凝池内，利用控制模块通过神经网络预测模型对信息处理预测药剂添加量并通过各种计量泵对药剂进行添加，通过投加的螯合剂以及絮凝剂处理污水中杂质，并通过混凝池中设有的pH传感器、液位传感器和浊度监测器采集数据并传送至控制模块，判断是否达到混凝标准；

S4、混凝完毕后，再次通过计量泵输送污水至吸附过滤池内，通过过滤膜对污水进行过滤吸附处理，最终完成对污水的处理；

S5、处理达到排放标准的污水通过箱体尾端的出水管进行排出，且整个过程通过控制模块收集原水以及出水的参数借助智能算法对药剂投加量进行预测调控，同时对污水处理流程和处理过程进行调控。

与现有技术相比，本发明的有益效果：本发明实现对实验室废水的处理，装置的控制***中引入了具有自学习能力和推理、判断、决策能力的智能控制算法，可对处理过程进行准确的预测控制，装置将各个处理单元进行模块化，使其具有体积小、集成化程度高、便于移动的特点，同时可根据实验废水的流量对处理过程进行智能调节。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明整体的结构示意图；

图2是本发明神经网络模型处理流程示意图；

图中标号：1、控制面板；2、进水管；3、格栅；4、搅拌器；5、计量泵；6、液位传感器；7、plc控制器；8、电池组；9、过滤膜；10、出水管；11、ph传感器；12、浊度监测器。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：如图1所示，一种智能试验废水处理一体化装置，可用于高校实验室的废水处理，可以有效地去除水体中的重金属、有机污染物等，装置的控制模块中引入了具有自学习能力和推理、判断、决策能力的智能控制算法，包括箱体、位于箱体内部的收集池、酸碱调节池、混凝池、吸附过滤池以及控制模块，箱体上方设有一储药箱，储药箱体上方设有仓门，用于添加药剂，储药箱下方设有开口与取药装置联通，并通过螺纹连接与取药装置相互连接；

所述箱体一侧上端设有一进水管2，所述收集池位于所述箱体内部前端位置，所述进水管2下端与所述收集池相互连通，所述进水管2下端且位于所述箱体内部设有一格栅3，所述格栅3用于对经过所述进水管2输送的废水进行初步过滤，所述酸碱调节池、混凝池以及吸附过滤池依次位于所述收集池后侧，所述酸碱调节池以及所述混凝池内分别设有搅拌器4，所述搅拌器4下端的叶片对各自池内的废水进行搅拌处理，所述吸附过滤池内部设有一过滤膜9，且所述过滤膜9上设有膜压力传感器，通过所述过滤膜9对废水进行处理过滤，所述箱体另一侧下端壁面设有一出水管10；

所述控制模块包括控制面板1、plc控制器7、计量泵5、ph传感器11、浊度监测器12和电池组8，所述控制面板1位于所述箱体前端外壁，所述控制面板1内部设有中央处理器，所述plc控制器7位于所述箱体内部一侧上端，且所述电池组8位于所述plc控制器7一侧，所述计量泵5分别位于所述收集池、酸碱调节池以及混凝池内，且所述收集池、酸碱调节池以及混凝池内的废水输送均通过所述计量泵5进行输送传递，所述ph传感器11和所述浊度监测器12分别位于所述酸碱调节池、所述混凝池以及吸附过滤池内部底端，所述控制模块还包括液位传感器6，所述液位传感器6位于所述收集池内部底端以及所述酸碱调节池和所述混凝池上端区域，所述中央处理器通过接收所述液位传感器6、浊度监测器12以及ph传感器11的信号后，对酸碱投加量、混凝剂和螯合剂投加量进行预测，所述plc控制器7将接收到转为控制信号的预测值，由所述plc控制器7控制所述计量泵5实现最终药剂的投加，所述plc控制器7内部包括数据预处理模块和BP神经网络预测模型，所述数据预处理模块对采集的数据进行归一化处理，处理后的数据作为bp神经网络的输入参数，所述的归一化处理公式为：

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，X_n为归一化处理后得到的新值。

其中，BP神经网络预测模型包括人工神经网络ANN，设置所述人工神经网络ANN的参数并构建ANN模型的步骤包括：

采用三层BP网络模型作为ANN模型，输入BP网络模型的拓扑结构、最小允许误差参数；其中所述BP网络模型的拓扑结构包括输入层数目、隐含层数目、输出层数目；设置隐含层激活函数、输出层激活函数；

计算所述BP网络模型中隐含层神经元的输入α_h(k)与输出β_h(k)，以及输出层神经元的输入y_j(k)和输出y_o(k)，其计算公式如下：

β_h(k)＝f₁(α_h(k))

yo_j(k)＝f₂(y_j(k))

式中，w_ih为输入层与隐含层的连接权值，b_h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，b_j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；x_i(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)]；dj(k)表示第k个输入样本集x(k)的期望输出；f1为隐含层激活函数，f2为输出层激活函数；定义误差函数E，根据所述误差函数E计算隐含层与输出层的连接权值、输出层阈值、输入层与隐含层的连接权值、隐含层阈值的修正量，其表达公式如下：

式中，η为修正系数，δ_j(k)为输出层的灵敏度，δ_h(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；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BP网络模型的实际输出值d_i和期望输出值y_i的误差函数fit，并根据误差函数fit确定BP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：

式中，N为训练样本数。

其中，如图2所示，一种智能试验废水处理一体化装置的处理方法，包括以下步骤：

S1、污水通过进水管2进入箱体内部的收集池内，通过收集池对污水进行混合储蓄；

S2、通过收集池内的液位传感器6实时对收集池内水量进行监测，并将水量信息传送至控制模块，由控制模块判断污水量是否到达预设的阈值再决定是否开始进行污水处理，当水量达到预设阀值后经过计量泵5泵入酸碱调节池内，进行酸碱平衡调节，并通过酸碱调节池中设有的pH传感器11、液位传感器6和浊度监测器12采集数据并传送至控制模块，判断是否达到酸碱调节标准；

S3、酸碱调节完毕后，污水通过计量泵5进入混凝池内，利用控制模块通过神经网络预测模型对信息处理预测药剂添加量并通过各种计量泵5对药剂进行添加，通过投加的螯合剂以及絮凝剂处理污水中杂质，并通过混凝池中设有的pH传感器11、液位传感器6和浊度监测器12采集数据并传送至控制模块，判断是否达到混凝标准；

S4、混凝完毕后，再次通过计量泵5输送污水至吸附过滤池内，通过过滤膜对污水进行过滤吸附处理，最终完成对污水的处理；

S5、处理达到排放标准的污水通过箱体尾端的出水管10进行排出，且整个过程通过控制模块收集原水以及出水的参数，进行参数的读取，并进行数据归一化，然后对神经预测网络模型以及参数进行设置，并进行模型训练，训练完成后将数据进行反归一化，并进行验证，不满意则重新进行数据归一化，满意则将预测的药剂投加量结果输出，以此借助智能算法对药剂投加量进行预测调控，同时对污水处理流程和处理过程进行调控。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种智能试验废水处理一体化装置，其特征在于：包括箱体、位于箱体内部的收集池、酸碱调节池、混凝池、吸附过滤池以及控制模块；

所述箱体一侧上端设有一进水管，所述收集池位于所述箱体内部前端位置，所述进水管下端与所述收集池相互连通，所述酸碱调节池、混凝池以及吸附过滤池依次位于所述收集池后侧，所述酸碱调节池以及所述混凝池内分别设有搅拌器，所述搅拌器下端的叶片对各自池内的废水进行搅拌处理，所述吸附过滤池内部设有一过滤膜，且所述过滤膜上设有膜压力传感器，通过所述过滤膜对废水进行处理过滤，所述箱体另一侧下端壁面设有一出水管；

所述控制模块包括控制面板、plc控制器、计量泵、ph传感器、浊度监测器和电池组，所述控制面板位于所述箱体前端外壁，所述控制面板内部设有中央处理器，所述plc控制器位于所述箱体内部一侧上端，且所述电池组位于所述p lc控制器一侧，所述计量泵分别位于所述收集池、酸碱调节池以及混凝池内，且所述收集池、酸碱调节池以及混凝池内的废水输送均通过所述计量泵进行输送传递，所述ph传感器和所述浊度监测器分别位于所述酸碱调节池、所述混凝池以及吸附过滤池内部底端。

2.根据权利要求1所述的一种智能试验废水处理一体化装置，其特征在于：所述进水管下端且位于所述箱体内部设有一格栅，所述格栅用于对经过所述进水管输送的废水进行初步过滤。

3.根据权利要求1所述的一种智能试验废水处理一体化装置，其特征在于：所述控制模块还包括液位传感器，所述液位传感器位于所述收集池内部底端以及所述酸碱调节池和所述混凝池上端区域。

4.根据权利要求3所述的一种智能试验废水处理一体化装置，其特征在于：所述中央处理器通过接收所述液位传感器、浊度监测器以及ph传感器的信号后，对酸碱投加量、混凝剂和螯合剂投加量进行预测，所述plc控制器将接收到转为控制信号的预测值，由所述plc控制器控制所述计量泵实现最终药剂的投加。

5.根据权利要求4所述的一种智能试验废水处理一体化装置，其特征在于：所述plc控制器内部包括数据预处理模块和BP神经网络预测模型，所述数据预处理模块对采集的数据进行归一化处理，处理后的数据作为bp神经网络的输入参数，所述的归一化处理公式为：

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，X_n为归一化处理后得到的新值。

6.根据权利要求5所述的一种智能试验废水处理一体化装置，其特征在于：所述BP神经网络预测模型包括人工神经网络ANN，设置所述人工神经网络ANN的参数并构建ANN模型的步骤包括：

采用三层BP网络模型作为ANN模型，输入BP网络模型的拓扑结构、最小允许误差参数；其中所述BP网络模型的拓扑结构包括输入层数目、隐含层数目、输出层数目；设置隐含层激活函数、输出层激活函数；

计算所述BP网络模型中隐含层神经元的输入α_h(k)与输出β_h(k)，以及输出层神经元的输入y_j(k)和输出y_o(k)，其计算公式如下：

β_h(k)＝f₁(α_h(k))

yo_j(k)＝f₂(y_j(k))

式中，w_ih为输入层与隐含层的连接权值，b_h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，b_j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；x_i(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)]；dj(k)表示第k个输入样本集x(k)的期望输出；f1为隐含层激活函数，f2为输出层激活函数；定义误差函数E，根据所述误差函数E计算隐含层与输出层的连接权值、输出层阈值、输入层与隐含层的连接权值、隐含层阈值的修正量，其表达公式如下：

式中，η为修正系数，δ_j(k)为输出层的灵敏度，δ_h(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；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BP网络模型的实际输出值d_i和期望输出值y_i的误差函数fit，并根据误差函数fit确定BP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：

式中，N为训练样本数。

7.一种基于上述权利要求1-6中任一项所述的智能试验废水处理一体化装置的处理方法，其特征在于，包括以下步骤：

S1、污水通过进水管进入箱体内部的收集池内，通过收集池对污水进行混合储蓄；

S2、通过收集池内的液位传感器实时对收集池内水量进行监测，并将水量信息传送至控制模块，由控制模块判断污水量是否到达预设的阈值再决定是否开始进行污水处理，当水量达到预设阀值后经过计量泵泵入酸碱调节池内，进行酸碱平衡调节，并通过酸碱调节池中设有的pH传感器、液位传感器和浊度监测器采集数据并传送至控制模块，判断是否达到酸碱调节标准；

S3、酸碱调节完毕后，污水通过计量泵进入混凝池内，利用控制模块通过神经网络预测模型对信息处理预测药剂添加量并通过各种计量泵对药剂进行添加，通过投加的螯合剂以及絮凝剂处理污水中杂质，并通过混凝池中设有的pH传感器、液位传感器和浊度监测器采集数据并传送至控制模块，判断是否达到混凝标准；

S4、混凝完毕后，再次通过计量泵输送污水至吸附过滤池内，通过过滤膜对污水进行过滤吸附处理，最终完成对污水的处理；

S5、处理达到排放标准的污水通过箱体尾端的出水管进行排出，且整个过程通过控制模块收集原水以及出水的参数借助智能算法对药剂投加量进行预测调控，同时对污水处理流程和处理过程进行调控。

Images