CN116693163A - 污泥干化***的控制方法、终端及*** - Google Patents
污泥干化***的控制方法、终端及*** Download PDFInfo
- Publication number
- CN116693163A CN116693163A CN202310906183.2A CN202310906183A CN116693163A CN 116693163 A CN116693163 A CN 116693163A CN 202310906183 A CN202310906183 A CN 202310906183A CN 116693163 A CN116693163 A CN 116693163A
- Authority
- CN
- China
- Prior art keywords
- sludge
- target
- water content
- dehydration
- heat
- 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
- 239000010802 sludge Substances 0.000 title claims abstract description 322
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000001035 drying Methods 0.000 title claims abstract description 72
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 145
- 230000018044 dehydration Effects 0.000 claims abstract description 112
- 238000006297 dehydration reaction Methods 0.000 claims abstract description 112
- 238000004146 energy storage Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 142
- 239000011159 matrix material Substances 0.000 claims description 91
- 239000013598 vector Substances 0.000 claims description 54
- 238000013145 classification model Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 239000007789 gas Substances 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 26
- 239000002918 waste heat Substances 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 20
- 239000007787 solid Substances 0.000 claims description 20
- 239000007788 liquid Substances 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 15
- 238000011084 recovery Methods 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000000112 cooling gas Substances 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 2
- 238000003912 environmental pollution Methods 0.000 abstract description 7
- 230000001276 controlling effect Effects 0.000 description 21
- 230000000694 effects Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 10
- 238000001704 evaporation Methods 0.000 description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 6
- 239000003546 flue gas Substances 0.000 description 6
- 239000003507 refrigerant Substances 0.000 description 6
- 238000007789 sealing Methods 0.000 description 6
- 239000000306 component Substances 0.000 description 5
- 239000003570 air Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000002826 coolant Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008020 evaporation Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005338 heat storage Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F11/00—Treatment of sludge; Devices therefor
- C02F11/12—Treatment of sludge; Devices therefor by de-watering, drying or thickening
- C02F11/13—Treatment of sludge; Devices therefor by de-watering, drying or thickening by heating
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F11/00—Treatment of sludge; Devices therefor
- C02F11/12—Treatment of sludge; Devices therefor by de-watering, drying or thickening
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/30—Wastewater or sewage treatment systems using renewable energies
- Y02W10/37—Wastewater or sewage treatment systems using renewable energies using solar energy
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Mechanical Engineering (AREA)
- Treatment Of Sludge (AREA)
Abstract
本发明提供了一种污泥干化***的控制方法、终端及***，所述污泥干化***的控制方法包括：当污泥进入脱水机前，调用预先训练好的脱水模式匹配模型对污泥信息进行分析处理，确定污泥信息对应的脱水模式，控制脱水机按照脱水模式对污泥进行脱水；将脱水后的污泥输送至传送装置的输入端，控制传送装置转动，并控制第二循环泵驱动储能罐的热能在换热管内循环流动，以加热传送装置上的污泥，得到目标污泥，控制含水率传感器对目标污泥的含水率进行检测，当判定目标污泥的含水率低于预设含水率时，将目标污泥输出，以利用太阳能干化污泥，降低环境污染，并确保污泥的含水率达标才输出。
Description
技术领域
本发明涉及污泥干化技术领域，尤其涉及一种污泥干化***的控制方法、终端及***。
背景技术
污泥作为市政污水处理厂在污水处理过程中的剩余产物，含水率较高、体积庞大、易腐烂、气味恶臭，同时还可能伴有重金属、病菌等有毒有害物质。若污泥不经过处置直接排放到外界环境中，将会对地表水、地下水、土壤和空气造成极大的危害，最终对人体健康和整体环境带来不利影响。因此，对污泥进行减量化、稳定化、无害化的处理处置就显得至关重要。
污泥干化是指利用热能将污泥进行加热，降低污泥中的含水率。目前的污泥干化***，一般利用污泥厌氧消化过程中产生的沼气热能、垃圾和污泥焚烧余热、发电厂余热或其他余热作为污泥干化处理的热源，环境污染较大，且干化后污泥的含水率难以保证达标，污泥干化效果较差。
在申请号为CN202210901801.X的技术方案中，虽然其能够利用污泥进入污泥干化机前、后的含水率、污泥输送流量以及疏水量进行测量，但测量结果只是用于判断污泥干化机的工作是否正常，无法保证污泥的含水率达标。
发明内容
本发明提供一种污泥干化***的控制方法、终端及***，以利用清洁热源干化污泥，降低环境污染，并确保污泥的含水率达标。
为解决上述问题，本发明采用如下技术方案：
本发明提供一种污泥干化***的控制方法，应用于污泥干化***的控制中心，所述污泥干化***还包括储能罐、第一循环泵、第二循环泵、太阳能集热器、脱水机、换热管、余热回收装置、传送装置及传感器，所述储能罐的输入端与所述太阳能集热器的输出端连接，所述储能罐与所述太阳能集热器之间还连接有第一循环泵，所述储能罐的输出端通过所述第二循环泵与所述换热管连接，所述换热管位于所述传送装置的下方，所述传送装置的输入端与所述脱水机的输出端接壤，所述控制中心分别与所述第一循环泵、第二循环泵、太阳能集热器、脱水机、传送装置及传感器电性连接，所述太阳能集热器用于利用太阳辐射能将太阳能转化为热能，所述储能罐用于储存所述热能，所述第一循环泵用于驱动所述太阳能集热器的热能流入储能罐，所述第二循环泵用于驱动所述储能罐的热能在所述换热管内流动；其中，所述污泥干化***的控制方法包括：
当污泥进入脱水机前，接收传感器采集到的所述污泥的污泥信息，调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式，控制所述脱水机按照所述脱水模式对所述污泥进行脱水，并将脱水后的所述污泥输送至传送装置的输入端；其中，所述污泥信息包括初始含水率、固体颗粒大小、固体颗粒浓度、密度及黏稠度，所述传感器包括含水率传感器、颗粒大小传感器、浓度传感器、密度传感器及粘度传感器，所述脱水模式匹配模型为神经网络模型，用于根据不同的污泥信息匹配对应的脱水模式；
控制所述传送装置转动，并控制所述第二循环泵驱动所述储能罐的热能在所述换热管内循环流动，以加热所述传送装置上的污泥，得到目标污泥；其中，所述传送装置、换热管及脱水机的输出端通过多个封装壁封闭于空腔内，至少一个所述封装壁开设有连通所述空腔与余热回收装置的通孔，以将空腔内的余热进行回收利用，所述传送装置包括多条传送带，每条传送带由上至下呈等间距设置，且位于下方的传送带的输入端比位于上方且相邻的传送带的输出端凸出；
控制含水率传感器对所述目标污泥的含水率进行检测，当判定所述目标污泥的含水率低于预设含水率时，将所述目标污泥输出。
优选地，所述污泥干化***还包括冷凝器及蒸发器，所述换热管的输出端分别与所述储能罐的输入端及冷凝器的一个输入端连接，所述冷凝器的另一个输入端与所述储能罐的输出端连接，所述冷凝器的输出端通过膨胀阀或压缩机与所述蒸发器的输入端连接，所述蒸发器的输出端通过管道连通蓄水池，所述冷凝器用于将气体或蒸汽冷却并转化为液体，所述蒸发器用于将液体转化为蒸汽或气体。
进一步地，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤之前，还包括：
获取训练样本数据集；其中，所述训练样本数据集包含多个训练样本，每个训练样本都包含一组污泥信息样本及对应的标准脱水模式；
将所述训练样本数据集分成多个子数据集；其中，每个子数据集包含至少两个训练样本；
从每个子数据集中都随机抽取一个训练样本作为目标训练样本，得到K个目标训练样本；其中，所述K为大于1的正整数；
对所述K个目标训练样本进行随机选取，得到N组训练集；其中，所述N为大于1的正整数，每组训练集都包含多个目标训练样本，且每组训练集的目标训练样本的数量相同但不重复；
根据预设的决策树算法对所述N组训练集进行训练，得到N个训练后的分类模型，利用多分类交叉熵损失函数分别计算训练后的每个分类模型的损失值；
将训练后的每个分类模型的损失值分别与目标损失值进行比较，筛选出损失值低于目标损失值的分类模型，得到多个第一分类模型；
按照损失值由小到大的顺序对所述多个第一分类模型进行排序，得到排序结果；
根据所述排序结果筛选出排在前M位的第一分类模型，得到至少两个目标分类模型，将至少两个所述目标分类模型进行组合后，得到脱水模式匹配模型。
优选地，所述将所述训练样本数据集分成多个子数据集的步骤，包括：
从所述训练样本数据集中随机选择多个训练样本，得到多个参考训练样本；
将每个所述参考训练样本作为一个聚类中心，并将未选择的剩余训练样本作为待分配训练样本；
确定每个所述聚类中心中所述参考训练样本的标签，得到每个所述聚类中心的参考标签，并确定每个待分配训练样本的标签；
利用独热编码将每个所述聚类中心的参考标签转换为向量，得到多个参考向量；
利用独热编码将每个待分配训练样本的标签转换为向量，得到多个向量；
计算每个向量与每个参考向量的余弦距离，并确定与每个向量的余弦距离最大的参考向量，将每个向量对应的待分配训练样本分配给余弦距离最大的参考向量所对应的聚类中心，得到多个子数据集；其中，每个子数据集包含一组相似的训练样本。
优选地，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤，包括：
设定所述污泥的目标含水率；
调用预先训练好的脱水模式匹配模型确定影响所述目标含水率的至少一个参数，根据至少一个所述参数构建初始函数公式；其中，所述参数包括脱水机的转速及脱水时长；
设定每个所述参数的初始数值，将每个所述参数的初始数值代入所述初始函数公式中，并利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算；其中，每次迭代时任意至少一个所述参数的数值发生调整，并根据每次迭代后各所述参数的数值调整所述初始函数公式；
将所述污泥信息输入调整后的初始函数公式中计算每次迭代后的第一含水率，判断所述第一含水率是否低于所述目标含水率；
当确定所述第一含水率低于所述目标含水率时，输出最近一次迭代后的各所述参数的数值，将最近一次迭代后的各所述参数的数值作为目标数值，根据所述参数的目标数值制定脱水模式；其中，所述脱水模式包括所述脱水机的最佳转速及最佳脱水时长；
当确定所述第一含水率不低于所述目标含水率时，返回执行所述利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算的步骤，直至所述第一含水率低于所述目标含水率或迭代次数达到所述预设次数。
优选地，所述利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算的步骤，包括：
每次迭代时，对每个所述参数的数值进行编码，得到多个目标编码；
对所述多个目标编码进行交叉和/或变异运算；
获取交叉和/或变异运算后的各所述参数的调整值；
根据交叉和/或变异运算后的各所述参数的调整值调整所述初始函数公式。
优选地，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤，包括：
调用预先训练好的脱水模式匹配模型将所述污泥信息转换为矩阵，得到标准矩阵；
利用高斯分布函数随机初始化两个矩阵，得到第一初始矩阵及第二初始矩阵；
判断所述第一初始矩阵与第二初始矩阵的乘积是否等于所述标准矩阵；
当判定所述第一初始矩阵与第二初始矩阵的乘积不等于所述标准矩阵时，根据最小化重构误差方法不断更新所述第一初始矩阵及第二初始矩阵，直至所述第一初始矩阵与第二初始矩阵的乘积等于所述标准矩阵，并得到第一目标矩阵与第二目标矩阵；
利用主成分分析法分别将所述第一目标矩阵与第二目标矩阵转换为低维的特征表示，得到所述污泥信息的污泥特征；
对所述污泥特征进行分析处理，确定所述污泥特征对应的脱水模式。
进一步地，所述控制含水率传感器对所述目标污泥的含水率进行检测的步骤之后，还包括：
当判定所述目标污泥的含水率不低于预设含水率时，计算所述预设含水率与含水率的差值；
控制切割装置将所述目标污泥平均切成多条目标污泥块；
根据所述差值估算每条所述目标污泥块还需的烘干时长，根据所述烘干时长调整所述传送装置中传送带的转速，得到目标转速；
将所述多条目标污泥块重新输送至所述传送装置的输入端，按照所述目标转速对所述多条目标污泥块进行烘干，直至所述目标污泥的含水率低于预设含水率。
本发明提供一种终端，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的污泥干化***的控制方法的步骤。
本发明还提供一种污泥干化***，包括控制中心、储能罐、第一循环泵、第二循环泵、太阳能集热器、脱水机、换热管、余热回收装置、传送装置及传感器，所述储能罐的输入端与所述太阳能集热器的输出端连接，所述储能罐与所述太阳能集热器之间还连接有第一循环泵，所述储能罐的输出端通过所述第二循环泵与所述换热管连接，所述换热管位于所述传送装置的下方，所述传送装置的输入端与所述脱水机的输出端接壤，所述控制中心分别与所述第一循环泵、第二循环泵、太阳能集热器、脱水机、传送装置及传感器电性连接，所述太阳能集热器用于利用太阳辐射能将太阳能转化为热能，所述储能罐用于储存所述热能，所述第一循环泵用于驱动所述太阳能集热器的热能流入储能罐，所述第二循环泵用于驱动所述储能罐的热能在所述换热管内流动；其中，所述控制中心包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的污泥干化***的控制方法的步骤。
相对于现有技术，本发明的技术方案至少具备如下优点：
本发明提供的污泥干化***的控制方法、终端及***，当污泥进入脱水机前，接收传感器采集到的污泥信息，调用预先训练好的脱水模式匹配模型对污泥信息进行分析处理，确定污泥信息对应的脱水模式，控制脱水机按照脱水模式对污泥进行脱水，以根据不同的污泥信息通过人工智能方式自动匹配合适的脱水模式，提高污泥的脱水效果，并减轻后续污泥干化负担；将脱水后的污泥输送至传送装置的输入端，控制传送装置转动，并控制第二循环泵驱动储能罐的热能在换热管内循环流动，以加热传送装置上的污泥，得到目标污泥，该传送装置、换热管及脱水机的输出端通过多个封装壁封闭于空腔内，以避免热能流失，且至少一个封装壁开设有连通空腔与余热回收装置的通孔，以将空腔内的余热进行回收利用，从而节约资源；此外，传送装置包括多条传送带，每条传送带由上至下呈等间距设置，且位于下方的传送带的输入端比位于上方且相邻的传送带的输出端凸出，以确保上方的污泥能准确落入下方且相邻的传送带，最后控制含水率传感器对目标污泥的含水率进行检测，当判定目标污泥的含水率低于预设含水率时，将目标污泥输出，以利用太阳能这一清洁热源干化污泥，降低环境污染，并通过含水率传感器对干化后的目标污泥的含水率进行检测，确保污泥的含水率达标才输出。
附图说明
图1为本发明污泥干化***的控制方法一种实施例的流程框图；
图2为本发明污泥干化***一种实施例的结构框图；
图3为本发明污泥干化***控制装置一种实施例的模块框图；
图4为本发明一个实施例中终端的内部结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S11、S12等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本领域普通技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域普通技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
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，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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，本领域技术人员在没有作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。
请参阅图1，并结合图2所示，本发明提供一种污泥干化***的控制方法，应用于污泥干化***的控制中心(图2未示出)，该控制中心可以是计算机设备、服务器或服务器机群，所述污泥干化***还包括储能罐1、第一循环泵2、第二循环泵3、太阳能集热器4、脱水机5、换热管6、余热回收装置7、传送装置8及传感器，所述储能罐1的其中一个输入端与所述太阳能集热器4的输出端连接，所述储能罐1的其中一个输出端与所述太阳能集热器4的输入端连接，所述储能罐1与所述太阳能集热器4之间还连接有第一循环泵2，所述储能罐1的输出端通过所述第二循环泵3与所述换热管6连接，所述换热管6位于所述传送装置的下方，所述传送装置的输入端与所述脱水机5的输出端接壤，用于接收落入传送装置8的污泥，所述控制中心分别与所述第一循环泵2、第二循环泵3、太阳能集热器4、脱水机5、传送装置8及传感器电性连接，所述传感器用于采集污泥的污泥信息，所述太阳能集热器4用于利用太阳辐射能将太阳能转化为热能，该热能以导热介质形式存储或传输，该导热介质包括水或油，所述储能罐1用于储存所述热能，所述第一循环泵2用于驱动所述太阳能集热器4的热能流入储能罐1，所述第二循环泵3用于驱动所述储能罐1的热能在所述换热管6内流动，以加热传送带上的污泥，使其干化。
其中，余热回收装置7是一种利用工业生产过程中产生的废热或烟气中的热能，将其回收并再利用的装置。它可以帮助提高能源利用效率，减少能源消耗和环境污染。具体可包括以下结构：
热交换器：热交换器是余热回收装置7的核心组件，用于实现热能的传递。通过热交换器，废热或烟气中的热能可以传递给其他介质(如水、空气或蒸汽)，以供暖、热水或其他热能需求使用。
烟气净化设备：在余热回收装置7中，烟气净化设备用于处理废烟气中的固体颗粒物、有害气体和其他污染物，以确保回收的热能不会对环境造成污染。
热储存装置：热储存装置用于储存回收的热能，以便在需要时进行供热。它可以是热水储存罐、热媒储罐等形式，用于平衡供需之间的时间差。
管道和阀门***：用于连接热交换器、烟气净化设备、热储存装置和其他组件，以形成完整的热能传递路径。
换热管6是一种用于传递热量的管道，通常用于热交换器或换热设备中。它的主要功能是将热量从一个介质传递到另一个介质，实现热能的转移和利用。换热管6通常由金属材料制成，例如铜、不锈钢等，以具备良好的导热性和耐腐蚀性。换热管6内部常常通过流体来传递热量。在热交换器中，热源介质通过一侧的管道流动，而被加热或冷却的介质则通过另一侧的管道流动。通过换热管6的壁面，热量可以通过传导和对流的方式从热源介质传递到被加热或冷却的介质中。
其中，所述污泥干化***的控制方法包括：
S11、当污泥进入脱水机前，接收传感器采集到的所述污泥的污泥信息，调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式，控制所述脱水机按照所述脱水模式对所述污泥进行脱水，并将脱水后的所述污泥输送至传送装置的输入端；其中，所述污泥信息包括初始含水率、固体颗粒大小、固体颗粒浓度、密度及黏稠度，所述传感器包括含水率传感器、颗粒大小传感器、浓度传感器、密度传感器及粘度传感器，所述脱水模式匹配模型为神经网络模型，用于根据不同的污泥信息匹配对应的脱水模式；
S12、控制所述传送装置转动，并控制所述第二循环泵驱动所述储能罐的热能在所述换热管内循环流动，以加热所述传送装置上的污泥，得到目标污泥；其中，所述传送装置、换热管及脱水机的输出端通过多个封装壁封闭于空腔内，至少一个所述封装壁开设有连通所述空腔与余热回收装置的通孔，以将空腔内的余热进行回收利用，所述传送装置包括多条传送带，每条传送带由上至下呈等间距设置，且位于下方的传送带的输入端比位于上方且相邻的传送带的输出端凸出；
S13、控制含水率传感器对所述目标污泥的含水率进行检测，当判定所述目标污泥的含水率低于预设含水率时，将所述目标污泥输出。
如上述步骤S11所述，当污泥进入脱水机5前，传感器首先对污泥进行检测，得到污泥信息，并将污泥信息发送给控制中心，控制中心接收传感器采集到的所述污泥的污泥信息，并根据预设的算法或模型进行分析和处理。根据污泥的特性，***可以确定相应的脱水模式。污泥信息可以包括但不限于以下内容：
初始含水率：污泥中水分所占的比例。
固体颗粒大小：污泥中固体颗粒的尺寸范围。
固体颗粒浓度：污泥中固体颗粒的浓度。
pH值：污泥的酸碱性。
有机物含量：污泥中有机物质的含量。
悬浮物含量：污泥中悬浮颗粒物的含量。
比重：污泥的密度。
粘度：污泥的黏稠程度。
该传感器可包括但不限于以下几种：
含水率传感器：用于测量污泥中的水分含量，包括电阻式传感器、微波传感器和红外线传感器等。
浓度传感器：用于测量污泥中固体颗粒的浓度，包括悬浮物浓度传感器、浊度传感器和激光散射传感器等。
pH传感器：用于测量污泥的酸碱性。pH传感器可以提供污泥的酸碱度信息，用于判断脱水过程中的条件调节和控制。
温度传感器：用于测量污泥的温度。温度传感器可以提供污泥的温度信息，用于控制脱水设备的运行和优化脱水效果。
颗粒大小传感器：用于测量污泥中固体颗粒的大小，包括激光粒度仪、图像分析仪和超声波传感器等。
气体传感器：用于检测污泥中的气体成分。例如，可使用气体传感器来测量污泥中的氧气、氨气等气体含量，以了解污泥的气体特性。
密度传感器：用于测量污泥的密度，即单位体积内的质量，包括压力传感器、振动管密度计和放射性密度计等。
粘度传感器：用于测量污泥的黏稠程度，即流体的粘性，包括旋转式粘度计、振荡式粘度计和压降式粘度计等。
本实施例调用预先训练好的脱水模式匹配模型对污泥信息进行分析处理，确定污泥信息对应的脱水模式，控制脱水机5按照脱水模式对污泥进行脱水，并将脱水后的污泥输送至传送装置8的输入端，在污泥脱水过程中，控制中心根据脱水模式会自动调节脱水机5的转速，具体可以通过调整电机的输出频率或控制阀门的开关来实现转速调节。此外，还可持续监测脱水机5的运行状态和脱水效果。如果发现脱水效果不理想，控制中心会自动调整转速或其他参数，以优化脱水效果。
例如，假设采集到的污泥信息显示含水率较高，固体颗粒较小，浓度较低。根据脱水模式匹配模型的分析处理，控制中心判断需要较高的转速来实现有效脱水，会自动调节脱水机5的转速，并在实时监测中不断优化转速以达到最佳脱水效果。
如上述步骤S12-S13所述，传送装置8、换热管6及脱水机5的输出端通过多个封装壁封闭于空腔内，该封装壁包含保温层，以避免热能散失，且至少一个封装壁开设有连通空腔与余热回收装置7的通孔，以将空腔内的余热进行回收利用。
传送装置8包括多条传送带，每条传送带由上至下呈等间距设置，且位于下方的传送带的输入端比位于上方且相邻的传送带的输出端凸出，以使上方加热后的污泥能准确落入下方的传送带的输入端，使污泥继续加热，直至从最下方的传送带的输出端输出。
本实施例的控制中心控制传送装置8转动，且相邻的两条传送带的转动方向不同，例如，假设最上方的传送带的转动方向为顺时针方向，则第二上方的传送带的转动方向为逆时针方向，以此类推。
控制中心控制第二循环泵3驱动储能罐1的热能在换热管6内循环流动，以加热传送装置8上的污泥，使污泥干化，得到目标污泥，控制含水率传感器对目标污泥的含水率进行检测，当判定目标污泥的含水率低于预设含水率时，则将目标污泥输出，从而得到含水率达标的污泥。其中，预设含水率可自定义设置，如设置为10％。
本发明提供的污泥干化***的控制方法，当污泥进入脱水机5前，接收传感器采集到的污泥信息，调用预先训练好的脱水模式匹配模型对污泥信息进行分析处理，确定污泥信息对应的脱水模式，控制脱水机5按照脱水模式对污泥进行脱水，以根据不同的污泥信息通过人工智能方式自动匹配合适的脱水模式，提高污泥的脱水效果，并减轻后续污泥干化负担；将脱水后的污泥输送至传送装置8的输入端，控制传送装置8转动，并控制第二循环泵3驱动储能罐1的热能在换热管6内循环流动，以加热传送装置8上的污泥，得到目标污泥，该传送装置8、换热管6及脱水机5的输出端通过多个封装壁封闭于空腔内，以避免热能流失，且至少一个封装壁开设有连通空腔与余热回收装置7的通孔，以将空腔内的余热进行回收利用，从而节约资源；此外，传送装置8包括多条传送带，每条传送带由上至下呈等间距设置，且位于下方的传送带的输入端比位于上方且相邻的传送带的输出端凸出，以确保上方的污泥能准确落入下方且相邻的传送带，最后控制含水率传感器对目标污泥的含水率进行检测，当判定目标污泥的含水率低于预设含水率时，将目标污泥输出，以利用太阳能这一清洁热源干化污泥，降低环境污染，并通过含水率传感器对干化后的目标污泥的含水率进行检测，确保污泥的含水率达标才输出。
在一个实施例中，所述污泥干化***还包括多个阀门、冷凝器9及蒸发器12，各个阀门可根据需要安装于管道上，用于调节导热介质的流向，所述换热管6的输出端分别与所述储能罐1的输入端及冷凝器9的一个输入端连接，所述冷凝器9的另一个输入端与所述储能罐1的输出端连接，以将储能罐1多余的热能排出，所述冷凝器9的输出端通过膨胀阀10或压缩机11与所述蒸发器12的输入端连接，所述蒸发器12的输出端通过管道连通蓄水池或排水渠，所述蒸发器12与蓄水池的连通管道上安装有第三循环泵13，所述冷凝器9用于将气体或蒸汽冷却并转化为液体，所述蒸发器12用于将液体转化为蒸汽或气体。
其中，冷凝器9是一种用于将气体或蒸汽冷却并转化为液体的设备。它通过传热过程将热量从气体或蒸汽中提取出来，使其冷却至饱和状态或过饱和状态下的温度，从而使气体或蒸汽凝结成液体。
冷凝器9通常由管道、换热管6束和冷却介质组成。工作时，气体或蒸汽通过冷凝器9的管道或换热管6束流动，而冷却介质(如冷水或冷却空气)则在管道或管束外部流动，通过传热的方式将热量从气体或蒸汽中带走。
冷凝器9的工作原理基于热传导和对流传热的原理。通过与冷却介质的接触，热量会从气体或蒸汽传导到冷却介质中，同时也会通过对流传热的方式将热量带走。随着热量的损失，气体或蒸汽的温度逐渐降低，直至达到饱和状态或过饱和状态，进而发生凝结，形成液体。
蒸发器12是一种用于将液体转化为蒸汽或气体的设备。它通过提供热量使液体加热，使其蒸发成为蒸汽或气体状态。蒸发器12通常由加热表面、蒸发室和蒸发介质组成。液体通过蒸发器12的加热表面流动或喷洒，并受到加热表面提供的热量作用，从而升温并逐渐蒸发。蒸发介质(如空气或其他气体)通过蒸发室流过，与液体接触并带走蒸发过程中释放的热量和蒸汽。
蒸发器12的工作原理基于液体的蒸发和热传导原理。当液体接触到加热表面时，热量会从加热表面传输到液体中，使其温度升高。随着温度的升高，液体的分子能量增加，部分液体分子会脱离液体表面，形成蒸汽或气体。蒸汽或气体与蒸发介质接触并混合，最终形成蒸汽或气体的混合物。
膨胀阀10是一种用于控制制冷***中制冷剂流量的装置。它通常安装在制冷***的蒸发器12和冷凝器9之间，起到调节制冷剂流动的作用。膨胀阀10的主要功能是通过调节制冷***中的压力差来控制制冷剂的流量。当高压制冷剂从冷凝器9流入膨胀阀10时，阀门会根据***需求调整通道的大小，从而控制制冷剂的流速。通过膨胀阀10的控制，制冷剂在蒸发器12中可以膨胀和蒸发，吸收热量并降低温度，实现制冷效果。
压缩机11是一种用于将气体或蒸汽压缩成高压的装置。它通过提供机械能，将气体或蒸汽从低压状态压缩到高压状态，以便在后续的工艺中进行处理或利用。压缩机11通常由电动机、压缩机11头和控制***等组成。电动机提供机械能，驱动压缩机11头进行气体或蒸汽的压缩。压缩机11头包括压缩腔、气缸和活塞等部分，通过往复运动将气体或蒸汽逐渐压缩，并将其推送到高压储气罐或其他设备中。
在一个实施例中，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤之前，还包括：
获取训练样本数据集；其中，所述训练样本数据集包含多个训练样本，每个训练样本都包含一组污泥信息样本及对应的标准脱水模式；
将所述训练样本数据集分成多个子数据集；其中，每个子数据集包含至少两个训练样本；
从每个子数据集中都随机抽取一个训练样本作为目标训练样本，得到K个目标训练样本；其中，所述K为大于1的正整数；
对所述K个目标训练样本进行随机选取，得到N组训练集；其中，所述N为大于1的正整数，每组训练集都包含多个目标训练样本，且每组训练集的目标训练样本的数量相同但不重复；
根据预设的决策树算法对所述N组训练集进行训练，得到N个训练后的分类模型，利用多分类交叉熵损失函数分别计算训练后的每个分类模型的损失值；
将训练后的每个分类模型的损失值分别与目标损失值进行比较，筛选出损失值低于目标损失值的分类模型，得到多个第一分类模型；
按照损失值由小到大的顺序对所述多个第一分类模型进行排序，得到排序结果；
根据所述排序结果筛选出排在前M位的第一分类模型，得到至少两个目标分类模型，将至少两个所述目标分类模型进行组合后，得到脱水模式匹配模型。
本实施例利用训练样本对神经网络模型进行训练，得到脱水模式匹配模型。具体的，控制中心首先获取训练样本数据集，训练样本数据集的数据量越多，则神经网络模型的训练效果越好，该训练样本数据集包含多个训练样本，每个训练样本都包含一组污泥信息样本及对应的标准脱水模式，该污泥信息样本可以包括含水率、固体颗粒大小、固体颗粒浓度等等，该标准脱水模式包括脱水机5的最佳脱水转速及最佳脱水时长。
将训练样本数据集分成多个子数据集，每个子数据集包含至少两个训练样本，如将训练样本数据集分成三个子数据集，第一个子数据集包含两个训练样本、第二个子数据集包含三个训练样本、第三个子数据集包含三个训练样本，且每个子数据集的训练样本都不重复。然后从每个子数据集中都随机抽取一个训练样本作为目标训练样本，得到K个目标训练样本，如从第一个子数据集中抽取一个训练样本A作为目标训练样本，从第二个子数据集中抽取一个训练样本B作为目标训练样本，从第三个子数据集中抽取一个训练样本C作为目标训练样本，从第四个子数据集中抽取一个训练样本D作为目标训练样本，得到四个目标训练样本A、B、C、D。
对K个目标训练样本进行随机选取，得到N组训练集，每组训练集都包含多个目标训练样本，且每组训练集的目标训练样本的数量相同但不重复，例如，可以选取目标训练样本A、B组成一组训练集，选取目标训练样本C、D组成一组训练集，得到两组训练集。
根据预设的决策树算法对N组训练集进行训练，得到N个训练后的分类模型，利用多分类交叉熵损失函数分别计算训练后的每个分类模型的损失值，将训练后的每个分类模型的损失值分别与目标损失值进行比较，筛选出损失值低于目标损失值的分类模型，得到多个第一分类模型。
其中，决策树算法是一种监督学习算法，用于解决分类和回归问题。它通过构建一棵树状结构来表示数据的决策规则，从而对新的输入数据进行预测或分类。决策树由节点和边组成，其中节点表示特征或属性，边表示特征取值或属性的分支。根节点代表最重要的特征，内部节点代表中间特征，叶节点代表最终的预测结果或分类标签。
多分类交叉熵损失函数是一种用于解决多类别分类问题的损失函数。它用于衡量模型预测结果与真实标签之间的差异，并作为优化目标来调整模型参数。
最后按照损失值由小到大的顺序对多个第一分类模型进行排序，得到排序结果，根据排序结果筛选出排在前M位的第一分类模型，得到至少两个目标分类模型，将至少两个所述目标分类模型进行组合后，得到脱水模式匹配模型，以提高脱水模式匹配模型的训练效果。例如，可以从多个第一分类模型中筛选出损失值排在前两位的第一分类模型作为目标分类模型，将该两个目标分类模型进行拼接后，得到脱水模式匹配模型，用于根据污泥信息自动匹配合适的脱水模式，提高脱水效果。
在一个实施例中，所述将所述训练样本数据集分成多个子数据集的步骤，包括：
从所述训练样本数据集中随机选择多个训练样本，得到多个参考训练样本；
将每个所述参考训练样本作为一个聚类中心，并将未选择的剩余训练样本作为待分配训练样本；
确定每个所述聚类中心中所述参考训练样本的标签，得到每个所述聚类中心的参考标签，并确定每个待分配训练样本的标签；
利用独热编码将每个所述聚类中心的参考标签转换为向量，得到多个参考向量；
利用独热编码将每个待分配训练样本的标签转换为向量，得到多个向量；
计算每个向量与每个参考向量的余弦距离，并确定与每个向量的余弦距离最大的参考向量，将每个向量对应的待分配训练样本分配给余弦距离最大的参考向量所对应的聚类中心，得到多个子数据集；其中，每个子数据集包含一组相似的训练样本。
本实施例从训练样本数据集中随机选择多个训练样本，得到多个参考训练样本，将每个参考训练样本作为一个聚类中心，并将未选择的剩余训练样本作为待分配训练样本。然后确定每个聚类中心中参考训练样本的标签，得到每个聚类中心的参考标签，并确定每个待分配训练样本的标签，该标签可以是含水率大、固体颗粒大或固体颗粒浓度高等等。
控制中心利用独热编码将每个聚类中心的参考标签转换为向量，得到多个参考向量，并利用独热编码将每个待分配训练样本的标签转换为向量，得到多个向量。
其中，独热编码是一种数据编码技术，用于将离散型特征转换为机器学习算法可以处理的数值表示。
在独热编码中，对于具有S个不同取值的离散型特征，将其编码成一个长度为S的二进制向量。在该二进制向量中，只有对应特征取值的位置上的元素为1，其他位置上的元素都为0。
例如，假设有一个离散型特征"颜色"，可能的取值为红、蓝和绿。使用独热编码将这些取值转换为二进制向量的过程如下：
红色编码为[1,0,0]
蓝色编码为[0,1,0]
绿色编码为[0,0,1]
通过独热编码，每个离散型特征都会被表示为一个只有一个元素为1，其余元素为0的向量。这样的编码方式有助于机器学习算法更好地理解和处理离散型特征。
最后计算每个向量与每个参考向量的余弦距离，并确定与每个向量的余弦距离最大的参考向量，将每个向量对应的待分配训练样本分配给余弦距离最大的参考向量所对应的聚类中心，得到多个子数据集，每个子数据集包含一组相似的训练样本，以将相似的训练样本分配至同一个数据集，提高后续的训练效果。例如，假设与向量a1的余弦距离最大的参考向量是A1时，则确定参考向量是A1对应的聚类中心Q1，将向量a1对应的待分配训练样本分配给参考向量A1对应的聚类中心Q1；假设与向量a2的余弦距离最大的参考向量是A2时，则确定参考向量是A2对应的聚类中心Q2，将向量a2对应的待分配训练样本分配给参考向量A2对应的聚类中心Q2。
在一个实施例中，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤，包括：
设定所述污泥的目标含水率；
调用预先训练好的脱水模式匹配模型确定影响所述目标含水率的至少一个参数，根据至少一个所述参数构建初始函数公式；其中，所述参数包括脱水机5的转速及脱水时长；
设定每个所述参数的初始数值，将每个所述参数的初始数值代入所述初始函数公式中，并利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算；其中，每次迭代时任意至少一个所述参数的数值发生调整，并根据每次迭代后各所述参数的数值调整所述初始函数公式；
将所述污泥信息输入调整后的初始函数公式中计算每次迭代后的第一含水率，判断所述第一含水率是否低于所述目标含水率；
当确定所述第一含水率低于所述目标含水率时，输出最近一次迭代后的各所述参数的数值，将最近一次迭代后的各所述参数的数值作为目标数值，根据所述参数的目标数值制定脱水模式；其中，所述脱水模式包括所述脱水机5的最佳转速及最佳脱水时长；
当确定所述第一含水率不低于所述目标含水率时，返回执行所述利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算的步骤，直至所述第一含水率低于所述目标含水率或迭代次数达到所述预设次数。
本实施例可设定污泥的目标含水率，如设置为10％，然后调用预先训练好的脱水模式匹配模型集中获取影响目标含水率的参数，根据至少一个所述参数构建初始函数公式，该参数如脱水机5的转速、脱水时长等等，初始函数公式可以为其中，P为第一含水率，r为脱水机5的转速、h为脱水时长，c和f为常数，可以动态调整。
随机设定每个参数的初始数值，如将转速设置为2000转/分钟，脱水时长设置为1小时，然后将每个参数的初始数值代入初始函数公式中，利用并行遗传算法在初始数值的基础上对多个参数进行多次迭代计算。
其中，并行遗传算法是一种基于遗传算法的优化方法，通过利用并行计算资源来加速搜索和优化过程。遗传算法是一种模拟自然进化过程的优化算法，通过模拟遗传操作(如选择、交叉和变异)来搜索最优解。然而，遗传算法在处理复杂问题时可能需要大量的计算资源和时间。为了加速遗传算法的搜索过程，引入并行计算的概念可以同时处理多个个体或子群体，从而提高算法的效率和性能。
在并行遗传算法中，可以通过以下方式进行并行计算：
种群并行：将种群分成多个子群体，每个子群体在独立的处理单元上进行遗传操作，如选择、交叉和变异。每个子群体独立地进化，并定期进行信息交流和同步。
任务并行：将遗传算法的不同任务分配给多个处理单元并行执行。例如，可以将选择、交叉和变异等任务分配给不同的处理单元，并通过消息传递或共享内存进行数据交换和同步。
岛模型并行：将种群划分为多个岛屿，每个岛屿具有自己的种群和进化过程。每个岛屿独立地进行进化，并定期进行种群迁移，即将一些个体从一个岛屿迁移到另一个岛屿。
并行遗传算法能够充分利用多核处理器、分布式计算和并行计算平台等计算资源，加速搜索和优化过程，提高算法的效率和性能。
然后基于每次迭代后各所述参数的数值调整初始函数公式，初始函数公式用于污泥信息计算第一含水率，将污泥信息输入调整后的初始函数公式中计算每次迭代后的第一含水率，并判断第一含水率是否低于所述目标含水率，当确定目标含水率低于所述目标含水率时，则表明当前各个参数的数值设置合理，输出最近一次迭代后的各参数的数值，将最近一次迭代后的各参数的数值作为目标数值，根据目标数值制定脱水模式，如脱水机5的最佳转速及最佳脱水时长分别制定为多少，从而减少后续的脱水次数，得到最佳的脱水模式。
当确定第一含水率不低于目标含水率时，则调整参数的数值，根据调整参数后的数值返回执行所述利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算的步骤，直至所述第一含水率低于所述目标含水率或迭代次数达到所述预设次数。
在一个实施例中，所述利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算的步骤，包括：
每次迭代时，对每个所述参数的数值进行编码，得到多个目标编码；
对所述多个目标编码进行交叉和/或变异运算；
获取交叉和/或变异运算后的各所述参数的调整值；
根据交叉和/或变异运算后的各所述参数的调整值调整所述初始函数公式。
本实施例可对每个参数的数值进行编码，得到多个目标编码，例如，当参数的数值较小时，可采用0-1编码，当参数的数值较大时，则可采用八进制或十六进制编码。
然后将编码后的多个目标编码分配至相应的计算机中进行交叉和/或变异运算，并获取各个计算机每次交叉和/或变异运算后的各参数的调整值，根据各个计算机每次交叉和/或变异运算后的各参数的调整值调整初始函数公式，从而逐渐逼近目标函数公式及其对应的目标数值，并通过借助多个计算机同时运算，减少运算时间，提高运算效率。
在一个实施例中，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤，包括：
调用预先训练好的脱水模式匹配模型将所述污泥信息转换为矩阵，得到标准矩阵；
利用高斯分布函数随机初始化两个矩阵，得到第一初始矩阵及第二初始矩阵；
判断所述第一初始矩阵与第二初始矩阵的乘积是否等于所述标准矩阵；
当判定所述第一初始矩阵与第二初始矩阵的乘积不等于所述标准矩阵时，根据最小化重构误差方法不断更新所述第一初始矩阵及第二初始矩阵，直至所述第一初始矩阵与第二初始矩阵的乘积等于所述标准矩阵，并得到第一目标矩阵与第二目标矩阵；
利用主成分分析法分别将所述第一目标矩阵与第二目标矩阵转换为低维的特征表示，得到所述污泥信息的污泥特征；
对所述污泥特征进行分析处理，确定所述污泥特征对应的脱水模式。
在本实施例中，调用预先训练好的脱水模式匹配模型将污泥信息转换为矩阵的方法取决于污泥信息的数据类型和结构。如对于数值型数据，可以直接使用原始数据构建矩阵。每个样本可以表示为矩阵中的一行，每个特征可以表示为矩阵中的一列。例如，如果污泥信息有m个样本和n个特征，则可以构建一个大小为m×n的矩阵。对于文本数据，通常需要进行特征提取或向量化，然后将其转换为矩阵表示。文本向量化方法包括词袋模型、TF-IDF向量化、词嵌入等。这些方法将文本数据转换为稀疏或密集的矩阵表示。对于图像数据，可以将每个像素的数值作为矩阵中的元素，从而将图像表示为矩阵。灰度图像可以表示为二维矩阵，彩色图像可以表示为三维矩阵(高度×宽度×通道数)。对于类别型数据，可以使用独热编码(One-Hot Encoding)将其转换为二进制的矩阵形式。每个类别可以表示为矩阵中的一列，对应的样本在该列上的值为1，其他列上的值为0。对于时间序列数据，可以将每个时间点的观测值作为矩阵中的元素，从而得到一个时间×特征的矩阵。
在给定一个标准矩阵V后，我们的目标是找到两个非负矩阵W和H，使得V≈WH。具体的，可以使用高斯分布函数来随机初始化两个矩阵，得到第一初始矩阵W和第二初始矩阵H，先判断第一初始矩阵与第二初始矩阵的乘积是否等于标准矩阵，当判定第一初始矩阵与第二初始矩阵的乘积不等于标准矩阵时，再通过最小化重构误差方法来更新第一初始矩阵W和第二初始矩阵H。
其中，该最小化重构误差方法包括梯度下降、乘法更新规则等，直至第一初始矩阵与第二初始矩阵的乘积等于标准矩阵，以得到第一目标矩阵与第二目标矩阵，通过主成分分析法分别对第一目标矩阵与第二目标矩阵进行特征提取，可以从中提取出更有用的信息，从而得到污泥信息的污泥特征，对所述污泥特征进行分析处理，确定污泥特征对应的脱水模式。
其中，该主成分分析法可以将高维的矩阵转换为低维的特征表示，从而得到污泥信息的主成分特征信息，并减少冗余信息和噪声。高斯分布是一种连续概率分布，也被称为正态分布。它以钟形曲线的形式呈现，具有一个峰值和两个对称的尾部。
最小化重构误差是一种无监督学习方法，用于对数据进行降维或特征提取。它的目标是通过将原始数据重构为低维表示，使得重构的结果尽可能接近原始数据。
在一个实施例中，所述控制含水率传感器对所述目标污泥的含水率进行检测的步骤之后，还包括：
当判定所述目标污泥的含水率不低于预设含水率时，计算所述预设含水率与含水率的差值；
控制切割装置将所述目标污泥平均切成多条目标污泥块；
根据所述差值估算每条所述目标污泥块还需的烘干时长，根据所述烘干时长调整所述传送装置8中传送带的转速，得到目标转速；
将所述多条目标污泥块重新输送至所述传送装置8的输入端，按照所述目标转速对所述多条目标污泥块进行烘干，直至所述目标污泥的含水率低于预设含水率。
在本实施例中，当判定目标污泥的含水率不低于预设含水率时，则计算预设含水率与含水率的差值，控制切割装置将目标污泥平均切成形状大小相近的多条目标污泥块，然后根据差值估算每条目标污泥块还需的烘干时长，其中，预设含水率与含水率的差值越大，则烘干时长越长。
最后根据烘干时长调整传送装置8中传送带的转速，得到目标转速，将多条目标污泥块重新输送至传送装置8的输入端，按照该目标转速对多条目标污泥块进行再次烘干，直至目标污泥的含水率低于预设含水率。其中，烘干时长与目标转速成反比，当烘干时长越长时，则传送装置8的目标转速越慢，以确保干化污泥。
请参考图3，本发明的实施例还提供一种污泥干化***控制装置，包括：
接收模块31，用于当污泥进入脱水机5前，接收传感器采集到的所述污泥的污泥信息，调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式，控制所述脱水机5按照所述脱水模式对所述污泥进行脱水，并将脱水后的所述污泥输送至传送装置8的输入端；其中，所述污泥信息包括初始含水率、固体颗粒大小、固体颗粒浓度、密度及黏稠度，所述传感器包括含水率传感器、颗粒大小传感器、浓度传感器、密度传感器及粘度传感器，所述脱水模式匹配模型为神经网络模型，用于根据不同的污泥信息匹配对应的脱水模式；
控制模块32，用于控制所述传送装置8转动，并控制所述第二循环泵3驱动所述储能罐1的热能在所述换热管6内循环流动，以加热所述传送装置8上的污泥，得到目标污泥；其中，所述传送装置8、换热管6及脱水机5的输出端通过多个封装壁封闭于空腔内，至少一个所述封装壁开设有连通所述空腔与余热回收装置7的通孔，以将空腔内的余热进行回收利用，所述传送装置8包括多条传送带，每条传送带由上至下呈等间距设置，且位于下方的传送带的输入端比位于上方且相邻的传送带的输出端凸出；
判定模块33，用于控制含水率传感器对所述目标污泥的含水率进行检测，当判定所述目标污泥的含水率低于预设含水率时，将所述目标污泥输出。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明提供的一种终端，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的污泥干化***的控制方法的步骤。
在一实施例中，本申请一实施例中提供的终端，参照图4，该终端可以是计算机设备，其内部结构可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储污泥干化***的控制方法的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现以上实施例所述的污泥干化***的控制方法。
在一个实施例中，本发明还提供一种污泥干化***，包括控制中心、储能罐1、第一循环泵2、第二循环泵3、太阳能集热器4、脱水机5、换热管6、余热回收装置7、传送装置8及传感器，所述储能罐1的输入端与所述太阳能集热器4的输出端连接，所述储能罐1与所述太阳能集热器4之间还连接有第一循环泵2，所述储能罐1的输出端通过所述第二循环泵3与所述换热管6连接，所述换热管6位于所述传送装置8的下方，所述传送装置8的输入端与所述脱水机5的输出端接壤，所述控制中心分别与所述第一循环泵2、第二循环泵3、太阳能集热器4、脱水机5、传送装置8及传感器电性连接，所述太阳能集热器4用于利用太阳辐射能将太阳能转化为热能，所述储能罐1用于储存所述热能，所述第一循环泵2用于驱动所述太阳能集热器4的热能流入储能罐1，所述第二循环泵3用于驱动所述储能罐1的热能在所述换热管6内流动；其中，所述控制中心包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的污泥干化***的控制方法的步骤。
在一个实施例中，本发明还提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述污泥干化***的控制方法。其中，所述存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(RandomAccess Memory，RAM)等。
综合上述实施例可知，本发明最大的有益效果在于：
本发明提供的污泥干化***的控制方法、终端及***，当污泥进入脱水机5前，接收传感器采集到的污泥信息，调用预先训练好的脱水模式匹配模型对污泥信息进行分析处理，确定污泥信息对应的脱水模式，控制脱水机5按照脱水模式对污泥进行脱水，以根据不同的污泥信息通过人工智能方式自动匹配合适的脱水模式，提高污泥的脱水效果，并减轻后续污泥干化负担；将脱水后的污泥输送至传送装置8的输入端，控制传送装置8转动，并控制第二循环泵3驱动储能罐1的热能在换热管6内循环流动，以加热传送装置8上的污泥，得到目标污泥，该传送装置8、换热管6及脱水机5的输出端通过多个封装壁封闭于空腔内，以避免热能流失，且至少一个封装壁开设有连通空腔与余热回收装置7的通孔，以将空腔内的余热进行回收利用，从而节约资源；此外，传送装置8包括多条传送带，每条传送带由上至下呈等间距设置，且位于下方的传送带的输入端比位于上方且相邻的传送带的输出端凸出，以确保上方的污泥能准确落入下方且相邻的传送带，最后控制含水率传感器对目标污泥的含水率进行检测，当判定目标污泥的含水率低于预设含水率时，将目标污泥输出，以利用太阳能这一清洁热源干化污泥，降低环境污染，并通过含水率传感器对干化后的目标污泥的含水率进行检测，确保污泥的含水率达标才输出。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种污泥干化***的控制方法，其特征在于，应用于污泥干化***的控制中心，所述污泥干化***还包括储能罐(1)、第一循环泵(2)、第二循环泵(3)、太阳能集热器(4)、脱水机(5)、换热管(6)、余热回收装置(7)、传送装置(8)及传感器，所述储能罐(1)的输入端与所述太阳能集热器(4)的输出端连接，所述储能罐(1)与所述太阳能集热器(4)之间还连接有第一循环泵(2)，所述储能罐(1)的输出端通过所述第二循环泵(3)与所述换热管(6)连接，所述换热管(6)位于所述传送装置(8)的下方，所述传送装置(8)的输入端与所述脱水机的输出端接壤，所述控制中心分别与所述第一循环泵(2)、第二循环泵(3)、太阳能集热器(4)、脱水机(5)、传送装置(8)及传感器电性连接，所述太阳能集热器(4)用于利用太阳辐射能将太阳能转化为热能，所述储能罐(1)用于储存所述热能，所述第一循环泵(2)用于驱动所述太阳能集热器(4)的热能流入储能罐(1)，所述第二循环泵(3)用于驱动所述储能罐(1)的热能在所述换热管(6)内流动；其中，所述污泥干化***的控制方法包括：
当污泥进入脱水机(5)前，接收传感器采集到的所述污泥的污泥信息，调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式，控制所述脱水机(5)按照所述脱水模式对所述污泥进行脱水，并将脱水后的所述污泥输送至传送装置(8)的输入端；其中，所述污泥信息包括初始含水率、固体颗粒大小、固体颗粒浓度、密度及黏稠度，所述传感器包括含水率传感器、颗粒大小传感器、浓度传感器、密度传感器及粘度传感器，所述脱水模式匹配模型为神经网络模型，用于根据不同的污泥信息匹配对应的脱水模式；
控制所述传送装置(8)转动，并控制所述第二循环泵(3)驱动所述储能罐(1)的热能在所述换热管(6)内循环流动，以加热所述传送装置(8)上的污泥，得到目标污泥；其中，所述传送装置(8)、换热管(6)及脱水机(5)的输出端通过多个封装壁封闭于空腔内，至少一个所述封装壁开设有连通所述空腔与余热回收装置(7)的通孔，以将空腔内的余热进行回收利用，所述传送装置(8)包括多条传送带，每条传送带由上至下呈等间距设置，且位于下方的传送带的输入端比位于上方且相邻的传送带的输出端凸出；
控制含水率传感器对所述目标污泥的含水率进行检测，当判定所述目标污泥的含水率低于预设含水率时，将所述目标污泥输出。
2.根据权利要求1所述的污泥干化***的控制方法，其特征在于，所述污泥干化***还包括冷凝器(9)及蒸发器(12)，所述换热管(6)的输出端分别与所述储能罐(1)的输入端及冷凝器(9)的一个输入端连接，所述冷凝器(9)的另一个输入端与所述储能罐(1)的输出端连接，所述冷凝器(9)的输出端通过膨胀阀(10)或压缩机(11)与所述蒸发器(12)的输入端连接，所述蒸发器(12)的输出端通过管道连通蓄水池，所述冷凝器(9)用于将气体或蒸汽冷却并转化为液体，所述蒸发器(12)用于将液体转化为蒸汽或气体。
3.根据权利要求1所述的污泥干化***的控制方法，其特征在于，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤之前，还包括：
获取训练样本数据集；其中，所述训练样本数据集包含多个训练样本，每个训练样本都包含一组污泥信息样本及对应的标准脱水模式；
将所述训练样本数据集分成多个子数据集；其中，每个子数据集包含至少两个训练样本；
从每个子数据集中都随机抽取一个训练样本作为目标训练样本，得到K个目标训练样本；其中，所述K为大于1的正整数；
对所述K个目标训练样本进行随机选取，得到N组训练集；其中，所述N为大于1的正整数，每组训练集都包含多个目标训练样本，且每组训练集的目标训练样本的数量相同但不重复；
根据预设的决策树算法对所述N组训练集进行训练，得到N个训练后的分类模型，利用多分类交叉熵损失函数分别计算训练后的每个分类模型的损失值；
将训练后的每个分类模型的损失值分别与目标损失值进行比较，筛选出损失值低于目标损失值的分类模型，得到多个第一分类模型；
按照损失值由小到大的顺序对所述多个第一分类模型进行排序，得到排序结果；
根据所述排序结果筛选出排在前M位的第一分类模型，得到至少两个目标分类模型，将至少两个所述目标分类模型进行组合后，得到脱水模式匹配模型。
4.根据权利要求3所述的污泥干化***的控制方法，其特征在于，所述将所述训练样本数据集分成多个子数据集的步骤，包括：
从所述训练样本数据集中随机选择多个训练样本，得到多个参考训练样本；
将每个所述参考训练样本作为一个聚类中心，并将未选择的剩余训练样本作为待分配训练样本；
确定每个所述聚类中心中所述参考训练样本的标签，得到每个所述聚类中心的参考标签，并确定每个待分配训练样本的标签；
利用独热编码将每个所述聚类中心的参考标签转换为向量，得到多个参考向量；
利用独热编码将每个待分配训练样本的标签转换为向量，得到多个向量；
计算每个向量与每个参考向量的余弦距离，并确定与每个向量的余弦距离最大的参考向量，将每个向量对应的待分配训练样本分配给余弦距离最大的参考向量所对应的聚类中心，得到多个子数据集；其中，每个子数据集包含一组相似的训练样本。
5.根据权利要求1所述的污泥干化***的控制方法，其特征在于，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤，包括：
设定所述污泥的目标含水率；
调用预先训练好的脱水模式匹配模型确定影响所述目标含水率的至少一个参数，根据至少一个所述参数构建初始函数公式；其中，所述参数包括脱水机(5)的转速及脱水时长；
设定每个所述参数的初始数值，将每个所述参数的初始数值代入所述初始函数公式中，并利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算；其中，每次迭代时任意至少一个所述参数的数值发生调整，并根据每次迭代后各所述参数的数值调整所述初始函数公式；
将所述污泥信息输入调整后的初始函数公式中计算每次迭代后的第一含水率，判断所述第一含水率是否低于所述目标含水率；
当确定所述第一含水率低于所述目标含水率时，输出最近一次迭代后的各所述参数的数值，将最近一次迭代后的各所述参数的数值作为目标数值，根据所述参数的目标数值制定脱水模式；其中，所述脱水模式包括所述脱水机(5)的最佳转速及最佳脱水时长；
当确定所述第一含水率不低于所述目标含水率时，返回执行所述利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算的步骤，直至所述第一含水率低于所述目标含水率或迭代次数达到所述预设次数。
6.根据权利要求5所述的污泥干化***的控制方法，其特征在于，所述利用并行遗传算法在所述初始数值的基础上对至少一个所述参数进行预设次数的迭代计算的步骤，包括：
每次迭代时，对每个所述参数的数值进行编码，得到多个目标编码；
对所述多个目标编码进行交叉和/或变异运算；
获取交叉和/或变异运算后的各所述参数的调整值；
根据交叉和/或变异运算后的各所述参数的调整值调整所述初始函数公式。
7.根据权利要求1所述的污泥干化***的控制方法，其特征在于，所述调用预先训练好的脱水模式匹配模型对所述污泥信息进行分析处理，确定所述污泥信息对应的脱水模式的步骤，包括：
调用预先训练好的脱水模式匹配模型将所述污泥信息转换为矩阵，得到标准矩阵；
利用高斯分布函数随机初始化两个矩阵，得到第一初始矩阵及第二初始矩阵；
判断所述第一初始矩阵与第二初始矩阵的乘积是否等于所述标准矩阵；
当判定所述第一初始矩阵与第二初始矩阵的乘积不等于所述标准矩阵时，根据最小化重构误差方法不断更新所述第一初始矩阵及第二初始矩阵，直至所述第一初始矩阵与第二初始矩阵的乘积等于所述标准矩阵，并得到第一目标矩阵与第二目标矩阵；
利用主成分分析法分别将所述第一目标矩阵与第二目标矩阵转换为低维的特征表示，得到所述污泥信息的污泥特征；
对所述污泥特征进行分析处理，确定所述污泥特征对应的脱水模式。
8.根据权利要求1所述的污泥干化***的控制方法，其特征在于，所述控制含水率传感器对所述目标污泥的含水率进行检测的步骤之后，还包括：
当判定所述目标污泥的含水率不低于预设含水率时，计算所述预设含水率与含水率的差值；
控制切割装置将所述目标污泥平均切成多条目标污泥块；
根据所述差值估算每条所述目标污泥块还需的烘干时长，根据所述烘干时长调整所述传送装置(8)中传送带的转速，得到目标转速；
将所述多条目标污泥块重新输送至所述传送装置(8)的输入端，按照所述目标转速对所述多条目标污泥块进行烘干，直至所述目标污泥的含水率低于预设含水率。
9.一种终端，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的污泥干化***的控制方法的步骤。
10.一种污泥干化***，其特征在于，包括控制中心、储能罐(1)、第一循环泵(2)、第二循环泵(3)、太阳能集热器(4)、脱水机(5)、换热管(6)、余热回收装置(7)、传送装置(8)及传感器，所述储能罐(1)的输入端与所述太阳能集热器(4)的输出端连接，所述储能罐(1)与所述太阳能集热器(4)之间还连接有第一循环泵(2)，所述储能罐(1)的输出端通过所述第二循环泵(3)与所述换热管(6)连接，所述换热管(6)位于所述传送装置(8)的下方，所述传送装置(8)的输入端与所述脱水机(5)的输出端接壤，所述控制中心分别与所述第一循环泵(2)、第二循环泵(3)、太阳能集热器(4)、脱水机(5)、传送装置(8)及传感器电性连接，所述太阳能集热器(4)用于利用太阳辐射能将太阳能转化为热能，所述储能罐(1)用于储存所述热能，所述第一循环泵(2)用于驱动所述太阳能集热器(4)的热能流入储能罐(1)，所述第二循环泵(3)用于驱动所述储能罐(1)的热能在所述换热管(6)内流动；其中，所述控制中心包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的污泥干化***的控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906183.2A CN116693163B (zh) | 2023-07-21 | 2023-07-21 | 污泥干化***的控制方法、终端及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906183.2A CN116693163B (zh) | 2023-07-21 | 2023-07-21 | 污泥干化***的控制方法、终端及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116693163A true CN116693163A (zh) | 2023-09-05 |
| CN116693163B CN116693163B (zh) | 2023-12-05 |
Family
ID=87835997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310906183.2A Active CN116693163B (zh) | 2023-07-21 | 2023-07-21 | 污泥干化***的控制方法、终端及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116693163B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116719240A (zh) * | 2023-08-02 | 2023-09-08 | 中国一冶集团有限公司 | 一种淤泥质土脱水装置车的脱水控制方法及*** |
| CN116958503A (zh) * | 2023-09-19 | 2023-10-27 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及*** |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999015255A1 (en) * | 1997-09-19 | 1999-04-01 | Baker Hughes Incorporated | Method and apparatus for monitoring, controlling and operating rotary drum filters |
| CN203794764U (zh) * | 2014-04-24 | 2014-08-27 | 广东河山环保有限公司 | 一种生活污泥深度干化和资源化利用一体式装置 |
| KR101617862B1 (ko) * | 2015-07-31 | 2016-05-03 | 주식회사 우리종합기술 | 슬러지 건조 시스템 |
| CN106340873A (zh) * | 2016-10-11 | 2017-01-18 | 上海交通大学 | 一种采用基于无向生成树的并行遗传算法的配网重构方法 |
| CN107555590A (zh) * | 2017-10-27 | 2018-01-09 | 中冶华天南京电气工程技术有限公司 | 一种多点组合式精确曝气控制方法 |
| CN109231779A (zh) * | 2018-10-07 | 2019-01-18 | 杭州诺曼生物技术有限公司 | 智能化污泥除湿干化装置 |
| CN109242149A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于教育数据挖掘的学生成绩早期预警方法及*** |
| CN208964777U (zh) * | 2018-08-06 | 2019-06-11 | 深圳德尔科机电环保科技有限公司 | 一种污泥干化设备智能调节出泥含水率的控制*** |
| CN110135399A (zh) * | 2019-05-28 | 2019-08-16 | 哈尔滨工业大学 | 基于稀疏表示的遥感图像特征提取与场景分类方法 |
| CN112269168A (zh) * | 2020-10-14 | 2021-01-26 | 西安电子科技大学 | 基于贝叶斯理论与低秩分解的sar宽带干扰抑制方法 |
| CN112624562A (zh) * | 2020-12-18 | 2021-04-09 | 湖南长科诚享石化科技有限公司 | 一种污泥热干化的***及其在污泥热干化中的应用 |
| CN112926799A (zh) * | 2021-03-26 | 2021-06-08 | 平安科技（深圳）有限公司 | 医保策略调整方法、装置和计算机设备 |
| CN113086659A (zh) * | 2021-04-01 | 2021-07-09 | 广东鑫光智能***有限公司 | 包件码垛方法及终端 |
| CN113526824A (zh) * | 2021-07-06 | 2021-10-22 | 绍兴市上虞区供水有限公司 | 热能太阳能联动干化污泥处理设备及工艺 |
| CN114116832A (zh) * | 2021-11-04 | 2022-03-01 | 广西电网有限责任公司桂林供电局 | 一种基于数据驱动的配电网异常识别方法 |
| CN114405156A (zh) * | 2022-01-26 | 2022-04-29 | 中国神华能源股份有限公司哈尔乌素露天煤矿 | 一种煤泥水加压过滤机的控制方法及控制*** |
| CN115168848A (zh) * | 2022-09-08 | 2022-10-11 | 南京鼎山信息科技有限公司 | 基于大数据分析拦截的拦截反馈处理方法 |
| CN115373438A (zh) * | 2022-08-31 | 2022-11-22 | 江苏惠霖环保科技有限公司 | 一种用于固液分离装置的控制***以及控制方法 |
| JP2023006328A (ja) * | 2021-06-30 | 2023-01-18 | 月島機械株式会社 | 含水率制御装置、焼却設備システム、含水率制御方法、及びプログラム |
-
2023
- 2023-07-21 CN CN202310906183.2A patent/CN116693163B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999015255A1 (en) * | 1997-09-19 | 1999-04-01 | Baker Hughes Incorporated | Method and apparatus for monitoring, controlling and operating rotary drum filters |
| CN203794764U (zh) * | 2014-04-24 | 2014-08-27 | 广东河山环保有限公司 | 一种生活污泥深度干化和资源化利用一体式装置 |
| KR101617862B1 (ko) * | 2015-07-31 | 2016-05-03 | 주식회사 우리종합기술 | 슬러지 건조 시스템 |
| CN106340873A (zh) * | 2016-10-11 | 2017-01-18 | 上海交通大学 | 一种采用基于无向生成树的并行遗传算法的配网重构方法 |
| CN107555590A (zh) * | 2017-10-27 | 2018-01-09 | 中冶华天南京电气工程技术有限公司 | 一种多点组合式精确曝气控制方法 |
| CN208964777U (zh) * | 2018-08-06 | 2019-06-11 | 深圳德尔科机电环保科技有限公司 | 一种污泥干化设备智能调节出泥含水率的控制*** |
| CN109242149A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于教育数据挖掘的学生成绩早期预警方法及*** |
| CN109231779A (zh) * | 2018-10-07 | 2019-01-18 | 杭州诺曼生物技术有限公司 | 智能化污泥除湿干化装置 |
| CN110135399A (zh) * | 2019-05-28 | 2019-08-16 | 哈尔滨工业大学 | 基于稀疏表示的遥感图像特征提取与场景分类方法 |
| CN112269168A (zh) * | 2020-10-14 | 2021-01-26 | 西安电子科技大学 | 基于贝叶斯理论与低秩分解的sar宽带干扰抑制方法 |
| CN112624562A (zh) * | 2020-12-18 | 2021-04-09 | 湖南长科诚享石化科技有限公司 | 一种污泥热干化的***及其在污泥热干化中的应用 |
| CN112926799A (zh) * | 2021-03-26 | 2021-06-08 | 平安科技（深圳）有限公司 | 医保策略调整方法、装置和计算机设备 |
| CN113086659A (zh) * | 2021-04-01 | 2021-07-09 | 广东鑫光智能***有限公司 | 包件码垛方法及终端 |
| JP2023006328A (ja) * | 2021-06-30 | 2023-01-18 | 月島機械株式会社 | 含水率制御装置、焼却設備システム、含水率制御方法、及びプログラム |
| CN113526824A (zh) * | 2021-07-06 | 2021-10-22 | 绍兴市上虞区供水有限公司 | 热能太阳能联动干化污泥处理设备及工艺 |
| CN114116832A (zh) * | 2021-11-04 | 2022-03-01 | 广西电网有限责任公司桂林供电局 | 一种基于数据驱动的配电网异常识别方法 |
| CN114405156A (zh) * | 2022-01-26 | 2022-04-29 | 中国神华能源股份有限公司哈尔乌素露天煤矿 | 一种煤泥水加压过滤机的控制方法及控制*** |
| CN115373438A (zh) * | 2022-08-31 | 2022-11-22 | 江苏惠霖环保科技有限公司 | 一种用于固液分离装置的控制***以及控制方法 |
| CN115168848A (zh) * | 2022-09-08 | 2022-10-11 | 南京鼎山信息科技有限公司 | 基于大数据分析拦截的拦截反馈处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈宏文, 王蔚, 方柏山, 胡宗定: "克雷伯杆菌生产1, 3-丙二醇关键酶发酵条件研究", 高校化学工程学报, no. 05 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116719240A (zh) * | 2023-08-02 | 2023-09-08 | 中国一冶集团有限公司 | 一种淤泥质土脱水装置车的脱水控制方法及*** |
| CN116719240B (zh) * | 2023-08-02 | 2023-11-24 | 中国一冶集团有限公司 | 一种淤泥质土脱水装置车的脱水控制方法及*** |
| CN116958503A (zh) * | 2023-09-19 | 2023-10-27 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及*** |
| CN116958503B (zh) * | 2023-09-19 | 2024-03-12 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116693163B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116693163B (zh) | 污泥干化***的控制方法、终端及*** | |
| CN114205106B (zh) | 用于检测可疑网络行为的深度嵌入式自学***和方法 | |
| Junior et al. | Data reduction based on machine learning algorithms for fog computing in IoT smart agriculture | |
| CN110601185B (zh) | 一种基于统一潮流模型的综合能源***薄弱点辨识方法 | |
| Rostami et al. | Accurate prediction of water dewpoint temperature in natural gas dehydrators using gene expression programming approach | |
| CN117610322B (zh) | 基于数字孪生的智慧水务动态监测***及监测方法 | |
| Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
| CN112231306A (zh) | 基于大数据的能源数据分析***及方法 | |
| Ibragimov et al. | Technical Simulation Of The Process Of Reducing The Moisture Content Of Cotton Seeds And Its Analysis | |
| CN104156768A (zh) | 一种模糊c均值聚类小数据量识别混沌的方法 | |
| Boeri et al. | Predicting the drying kinetics of salted codfish (Gadus Morhua): semi‐empirical, diffusive and neural network models | |
| Zolanvari et al. | Addai: Anomaly detection using distributed ai | |
| CN117076991B (zh) | 治污设备用电异常监测方法、装置及计算机设备 | |
| CN104504696A (zh) | 图像显著区域检测的嵌入式并行优化方法 | |
| CN117706927A (zh) | 基于样本库管理复合模型的能源***节能控制方法及*** | |
| CN116678082B (zh) | 中央空调***的控制方法、终端及中央空调*** | |
| CN116499011B (zh) | 太阳能相变蓄能***的智能控制方法、终端及*** | |
| Wokoma et al. | A biologically-inspired clustering algorithm dependent on spatial data in sensor networks | |
| CN116541778A (zh) | 一种基于物联网的设备数据处理和缓存方法 | |
| CN113780405B (zh) | 基于深度神经网络的空调机参数回归优化方法 | |
| Setiawan et al. | Sequence to sequence deep learning architecture for forecasting temperature and humidity inside closed space | |
| Li et al. | The intrusion detection model based on parallel multi-artificial bee colony and support vector machine | |
| Hua et al. | A novel sampled-data asynchronous CatBoost model with knowledge-based guidance for product quality estimation in the industrial processes | |
| Nematolahi et al. | Predicting saturated hydraulic conductivity using particle swarm optimization and genetic algorithm | |
| Heikkinen et al. | Classification of process phases using Self-Organizing Maps and Sammon’s mapping for investigating activated sludge treatment plant in a pulp mill |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240606 Address after: 529300 No. 4112, Floor 4, No. 1, Xihu 1st Road, Cuishanhu New District, Kaiping City, Jiangmen, Guangdong Province Patentee after: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd. Country or region after: China Patentee after: Guangzhou Xipin High tech Engineering Consulting Co.,Ltd. Address before: Room 505, Building 5, No. 3 Guangzhou Avenue Middle, Guangfo Industrial Park, Tangtang Town, Fogang County, Qingyuan City, Guangdong Province, 511600 Patentee before: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd. Country or region before: China |