CN114636654A - 一种通过噪声数据特征实现纳滤膜污染预测的方法 - Google Patents
一种通过噪声数据特征实现纳滤膜污染预测的方法 Download PDFInfo
- Publication number
- CN114636654A CN114636654A CN202210187154.0A CN202210187154A CN114636654A CN 114636654 A CN114636654 A CN 114636654A CN 202210187154 A CN202210187154 A CN 202210187154A CN 114636654 A CN114636654 A CN 114636654A
- Authority
- CN
- China
- Prior art keywords
- nanofiltration membrane
- noise characteristic
- noise
- characteristic value
- healthy
- 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
- 239000012528 membrane Substances 0.000 title claims abstract description 184
- 238000001728 nano-filtration Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 77
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 230000001502 supplementing effect Effects 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001223 reverse osmosis Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 229910017053 inorganic salt Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229920000867 polyelectrolyte Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000108 ultra-filtration Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/082—Investigating permeability by forcing a fluid through a sample
- G01N15/0826—Investigating permeability by forcing a fluid through a sample and measuring fluid flow rate, i.e. permeation rate or pressure change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N2015/084—Testing filters
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/124—Water desalination
- Y02A20/131—Reverse-osmosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Dispersion Chemistry (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Separation Using Semi-Permeable Membranes (AREA)
Abstract
本发明涉及一种通过噪声数据特征实现纳滤膜污染预测的方法，包括以下步骤：S1建立健康纳滤膜噪声特征模型库；S2建立污染纳滤膜噪声特征模型库；S3以固定周期采集当前纳滤膜产水时的当前噪声数据，获得当前噪声特征值；S4将当前噪声特征值与污染纳滤膜噪声特征模型库中污染噪声特征值进行偏差运算，当预测纳滤膜受污染时执行步骤S7，否则将当前噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，当预测纳滤膜受污染时执行步骤S7，否则预测纳滤膜未受污染，将当前噪声特征值作为健康噪声特征值补充至健康纳滤膜噪声特征模型库；S7预测纳滤膜受污染，将当前噪声特征值作为污染噪声特征值补充至污染纳滤膜噪声特征模型库。
Description
技术领域
本发明属于纳滤膜污染预测技术领域，尤其是涉及一种通过噪声数据特征实现纳滤膜污染预测的方法。
背景技术
纳滤膜是一种新型分离膜，其截留分子量介于反渗透膜和超滤膜之间，约为100-2000Da，由此推测纳滤膜可能拥有lnm左右的微孔结构，故称之为“纳滤”。纳滤膜大多是复合膜，其表面分离层由聚电解质构成，对无机盐具有一定的截留率。
目前，反渗透膜技术已经达到了比较成熟的水平，但对于纳滤膜的研究还有很长的路要走，而纳滤膜的性质决定了其在水处理领域特有的广阔应用前景。纳滤膜处理作为渗滤液处理的关键设备之一，如果纳滤膜受到污染，产水将受到影响，同时也会影响整个厂区的运行。现有技术中，纳滤膜污染的判断方法，一般通过分析原水如COD、温度、污泥浓度等水质参数，以及结合进水流量、压力等运行参数，通过人为经验进行粗略判断纳滤膜是否污染。该方法不仅对运营人员的技术及经验要求较高，而且容易出现误判或者判断不及时等情况，从而导致整个渗滤液厂的运营受到严重影响。
发明内容
本发明的目的在于针对现有技术中存在的不足，提供一种设计合理，运维成本低，结构简单，预测准确度高的通过噪声数据特征实现纳滤膜污染预测的方法。
为了实现上述目的，本发明采用以下技术方案：
一种通过噪声数据特征实现纳滤膜污染预测的方法，其包括以下步骤：
S1：依据纳滤膜未受污染时的大量健康噪声特征值，建立健康纳滤膜噪声特征模型库；
S2：依据纳滤膜受污染时的大量污染噪声特征值，建立污染纳滤膜噪声特征模型库；
S3：以固定周期采集当前纳滤膜产水时的当前噪声数据，通过数据处理，获得当前噪声特征值；
S4：将当前噪声特征值与污染纳滤膜噪声特征模型库中污染噪声特征值进行偏差运算，获得污染偏差值，并判断污染偏差值是否在预设污染阈值内，若是，则执行步骤S7，若否，则执行步骤S5；
S5：将当前噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得健康偏差值，并判断健康偏差值是否在预设健康阈值内，若是，则执行步骤S6，若否，则执行步骤S7；
S6：预测纳滤膜未受污染，并将当前噪声特征值作为健康噪声特征值补充至健康纳滤膜噪声特征模型库；
S7：预测纳滤膜受污染，并将当前噪声特征值作为污染噪声特征值补充至污染纳滤膜噪声特征模型库。
作为优选，步骤S1中建立健康纳滤膜噪声特征模型库的方法为：在纳滤膜未受污染时，采集大量不同进水流量和进水压力状态下纳滤膜产水时的健康噪声数据，通过数据处理，获得健康噪声特征值，依据不同状态的大量健康噪声特征值，建立健康纳滤膜噪声特征模型库。
作为优选，步骤S2中建立污染纳滤膜噪声特征模型库的方法，包括以下步骤：
S2.1：在纳滤膜正常产水时，采集大量不同进水流量和进水压力状态下纳滤膜产水时的样本噪声数据，通过数据处理，获得样本噪声特征值；
S2.2：将样本噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得样本偏差值；
S2.3：判断样本偏差值是否在预设健康阈值内，若是，则执行步骤S2.4，若否，则执行步骤S2.5；
S2.4：将样本噪声特征值作为健康噪声特征值，以补充至健康纳滤膜噪声特征模型库；
S2.5：将样本噪声特征值作为污染噪声特征值，以建立污染纳滤膜噪声特征模型库。
作为优选，通过数据处理的方法为：通过频谱分析获取噪声频谱数据，将噪声频谱数据经过连续傅里叶变换后，形成预处理数据，然后将预处理数据通过多轮周期性归一化处理。
作为优选，步骤S3中以固定周期采集当前纳滤膜产水时的当前噪声数据时，通过噪声采集器采集当前纳滤膜产水时的当前噪声数据，同时通过流量传感器和压力传感器获取当前纳滤膜产水时的进水流量和进水压力，通过数据处理，获得的当前噪声特征值与进水流量和进水压力建立关联。
作为优选，步骤S3中在采集当前纳滤膜产水时的当前噪声数据前，先判断当前纳滤膜是否正常产水，若是，则进行采集，若否，则不采集。
作为优选，步骤S4中将当前噪声特征值与污染纳滤膜噪声特征模型库中污染噪声特征值进行偏差运算，获得污染偏差值，偏差运算公式如下式(1)：
其中，C'表示污染纳滤膜噪声特征模型库中污染噪声特征值与当前噪声特征值的绝对偏差，k表示第k个频率点，m表示第m帧数据，Y′k(m)表示污染噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值，Nk(m)表示当前噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值。
作为优选，步骤S5中将当前噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得污染偏差值，偏差运算公式如下式(2)：
其中，C表示健康纳滤膜噪声特征模型库中健康噪声特征值与当前噪声特征值的绝对偏差，k表示第k个频率点，m表示第m帧数据，Yk(m)表示健康噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值，Nk(m)表示当前噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值。
本发明采用以上技术方案，将噪声技术首次应用于纳滤膜污染预测中，利用噪声采集技术，形成不同态的噪声特征值，并引入AI机器学习技术建立噪声特征模型库，以综合推导预测纳滤膜是否受污染；期间攻克了在渗滤液处理领域需要考虑的因子多、原水水质关系大、生物因子影响大等原因导致的不可控因素多及实现难度大的技术问题；从而具有以下有益效果：
1)本发明不需要依靠人为经验或者考虑原水水质即可进行膜污染预测，能够提前自动进行预警，防止厂区关键设备损坏。
2)本发明利用噪声技术，采集纳滤膜未受污染时的健康纳滤膜产水过程中的噪声数据，作为健康噪声数据，通过频谱分析形成健康膜的噪声频谱数据，然后通过连续傅里叶变换算法、多轮周期性归一化处理、频谱匹配度方法，实现纳滤膜污染预测，并且降低了预测复杂度和提高实用性。
3)本发明提供的纳滤膜污染预测方法，可提前预测纳滤膜是否受到了污染，能够实现预测性维护，提升渗滤液厂的产水量及保证厂区正常运转。
4)采用本发明方法进行纳滤膜污染预测，可以延长纳滤膜的使用寿命，降低纳滤膜器件的维护成本，提高渗滤液厂的经济效益，避免非计划性停机或者停产。
附图说明
为了更清楚地说明本发明实施例或现有技术中技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，现针对附图进行如下说明：
图1为本发明通过噪声数据特征实现纳滤膜污染预测的方法的流程示意图。
具体实施方式
以下所描述的实施例仅是本发明一部分实施例，并不代表与本发明相一致的所有实施例。现结合附图，对示例性实施例进行如下说明：
如图1所示，本发明通过噪声数据特征实现纳滤膜污染预测的方法，其包括以下步骤：
S1：依据纳滤膜未受污染时的大量健康噪声特征值，建立健康纳滤膜噪声特征模型库；
S2：依据纳滤膜受污染时的大量污染噪声特征值，建立污染纳滤膜噪声特征模型库；
S3：以固定周期采集当前纳滤膜产水时的当前噪声数据，通过频谱分析获取噪声频谱数据，将噪声频谱数据经过连续傅里叶变换后，形成预处理数据，然后将预处理数据通过多轮周期性归一化处理，获得当前噪声特征值；
S4：将当前噪声特征值与污染纳滤膜噪声特征模型库中污染噪声特征值进行偏差运算，获得污染偏差值，并判断污染偏差值是否在预设污染阈值内，若是，则执行步骤S7，若否，则执行步骤S5；
S5：将当前噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得健康偏差值，并判断健康偏差值是否在预设健康阈值内，若是，则执行步骤S6，若否，则执行步骤S7；
S6：预测纳滤膜未受污染，并将当前噪声特征值作为健康噪声特征值补充至健康纳滤膜噪声特征模型库；
S7：预测纳滤膜受污染，并将当前噪声特征值作为污染噪声特征值补充至污染纳滤膜噪声特征模型库。
作为一种优选的实施方式，步骤S1中建立健康纳滤膜噪声特征模型库的方法为：在纳滤膜未受污染时，通过控制不同的进水流量和进水压力，以便采集不同进水流量和进水压力状态下纳滤膜产水时的健康噪声数据，通过频谱分析获取噪声频谱数据，将噪声频谱数据经过连续傅里叶变换后，形成预处理数据，然后将预处理数据通过多轮周期性归一化处理，获得健康噪声特征值；同理，通过控制不同的进水流量和进水压力，获得不同状态的大量健康噪声特征值，以此建立健康纳滤膜噪声特征模型库。
本发明步骤S1中，因不同的进水流量和进水压力对纳滤膜出水产生较大影响，也直接影响出水时的噪声特征，所以在采用大量健康噪声特征值来建立健康纳滤膜噪声特征模型库时，需要通过采集不同的进水流量和进水压力进行建立不同态的噪声特征值，形成健康纳滤膜噪声特征模型库，以提高后续对比、运算的准确性和效率。
作为一种优选的实施方式，步骤S2中建立污染纳滤膜噪声特征模型库的方法，包括以下步骤：
S2.1：在纳滤膜正常产水时，采集大量不同进水流量和进水压力状态下纳滤膜产水时的样本噪声数据，通过频谱分析获取噪声频谱数据，将噪声频谱数据经过连续傅里叶变换后，形成预处理数据，然后将预处理数据通过多轮周期性归一化处理，获得样本噪声特征值；
S2.2：将样本噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得样本偏差值；
S2.3：判断样本偏差值是否在预设健康阈值内，若是，则执行步骤S2.4，若否，则执行步骤S2.5；
S2.4：将样本噪声特征值作为健康噪声特征值，以补充至健康纳滤膜噪声特征模型库；
S2.5：将样本噪声特征值作为污染噪声特征值，以建立污染纳滤膜噪声特征模型库。
本发明步骤S2中污染纳滤膜噪声特征模型库中的污染噪声特征值，是通过将样本噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行比较，并判断纳滤膜是否受污染，若样本偏差值在预设健康阈值内，则表示此时的纳滤膜未受污染，为健康膜，此时将此样本噪声特征值作为健康噪声特征值补充至健康纳滤膜噪声特征模型库，若样本偏差值超出预设健康阈值，则表示此时的纳滤膜受污染，为污染膜，此时即可将此样本噪声特征值作为污染噪声特征值用以构建污染纳滤膜噪声特征模型库，如此循环自增，即可依据大量污染噪声特征值构建污染纳滤膜噪声特征模型库。
本发明开始纳滤膜污染预测流程，纳滤膜预测是基于纳滤膜正常产水的场景下开始执行，如若纳滤膜不产水，即进水流量低于一定值，则不符合预测流程，不进入预测流程。因此，作为一种优选的实施方式，步骤S3中在采集当前纳滤膜产水时的当前噪声数据前，先判断当前纳滤膜是否正常产水，若是，则进行采集，若否，则不采集。
作为一种优选的实施方式，步骤S3中以固定周期采集当前纳滤膜产水时的当前噪声数据时，通过噪声采集器采集当前纳滤膜产水时的当前噪声数据，通过频谱分析获取噪声频谱数据，将噪声频谱数据经过连续傅里叶变换后，形成预处理数据，然后将预处理数据通过多轮周期性归一化处理，获得当前噪声特征值，同时通过流量传感器和压力传感器获取当前纳滤膜产水时的进水流量和进水压力，进水流量和进水压力与获得的当前噪声特征值建立关联。
本发明上述步骤S3中，纳滤膜正常产水，此时进水流量和进水压力在工艺给定的范围内，可通过流量传感器和压力传感器获取进水流量和进水压力，并确定范围。正常生产过程中，进水流量和进水压力保持在较稳定状态，不会过大波动，因此，可通过求均值来确定进水流量和进水压力的值。较佳的，本发明对噪声特征值进行分类管理，分类管理可以依据进水流量和进水压力及采样时间构建。
为了让纳滤膜污染判断更加精确及增加实用性，本发明引入偏差阈值，通过偏差运算公式计算得到的偏差与预设定的偏差阈值进行比较，并确认偏差是否超过阈值，从而判断纳滤膜是否受到污染。具体的，作为一种优选的实施方式，步骤S4中将当前噪声特征值与污染纳滤膜噪声特征模型库中污染噪声特征值进行偏差运算，获得污染偏差值，偏差运算公式如下式(1)：
其中，C'表示污染纳滤膜噪声特征模型库中污染噪声特征值与当前噪声特征值的绝对偏差，偏差越小，表示与污染纳滤膜噪声特征模型越接近，如果低于偏差阈值，则表示当前纳滤膜是受到污染的，但是偏差值越大(超过偏差阈值)，则无法确认当前纳滤膜是否受到污染，主要原因是污染纳滤膜噪声特征模型是由自学习后自更新的模型库，部分受污染纳滤膜的污染噪声特征值可能还未更新到该模型库中，因此需要进入下一流程(步骤S5)进行二次对比判断；k表示第k个频率点，m表示第m帧数据；Y'表示纳滤膜受污染产水过程的污染噪声特征值，Y′k(m)表示污染噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值；N表示纳滤膜产水过程的当前噪声特征值，Nk(m)表示当前噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值。
作为一种优选的实施方式，步骤S5中将当前噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得污染偏差值，偏差运算公式如下式(2)：
其中，C表示健康纳滤膜噪声特征模型库中健康噪声特征值与当前噪声特征值的绝对偏差，偏差值越小，表示与健康膜的噪声特征模型越接近，偏差值越大，表示差异越大，偏离了健康纳滤膜噪声特征模型；k表示第k个频率点，m表示第m帧数据；Y表示纳滤膜未受污染产水过程的健康噪声特征值，Yk(m)表示健康噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值，是通过线性位移和振幅参数等参数计算得到的特征值；N表示纳滤膜产水过程的当前噪声特征值，Nk(m)表示当前噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值。
作为一种优选的实施方式，步骤S5中可以根据当前噪声特征值所对应的当前纳滤膜产水时的进水压力和进水流量，在健康纳滤膜噪声特征模型库中通过分类管理，快速定位到对应当前进水压力和进水流量所需要对比的健康噪声特征值，将当前噪声特征值与健康噪声特征值进行一一比较。
以上仅为本发明的较佳具体实施例，并不用以限制本发明保护范围；凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验所做的均等变化、修改、替换和变型，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种通过噪声数据特征实现纳滤膜污染预测的方法，其特征在于：其包括以下步骤：
S1：依据纳滤膜未受污染时的大量健康噪声特征值，建立健康纳滤膜噪声特征模型库；
S2：依据纳滤膜受污染时的大量污染噪声特征值，建立污染纳滤膜噪声特征模型库；
S3：以固定周期采集当前纳滤膜产水时的当前噪声数据，通过数据处理，获得当前噪声特征值；
S4：将当前噪声特征值与污染纳滤膜噪声特征模型库中污染噪声特征值进行偏差运算，获得污染偏差值，并判断污染偏差值是否在预设污染阈值内，若是，则执行步骤S7，若否，则执行步骤S5；
S5：将当前噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得健康偏差值，并判断健康偏差值是否在预设健康阈值内，若是，则执行步骤S6，若否，则执行步骤S7；
S6：预测纳滤膜未受污染，并将当前噪声特征值作为健康噪声特征值补充至健康纳滤膜噪声特征模型库；
S7：预测纳滤膜受污染，并将当前噪声特征值作为污染噪声特征值补充至污染纳滤膜噪声特征模型库。
2.根据权利要求1所述的通过噪声数据特征实现纳滤膜污染预测的方法，其特征在于：步骤S1中建立健康纳滤膜噪声特征模型库的方法为：在纳滤膜未受污染时，采集大量不同进水流量和进水压力状态下纳滤膜产水时的健康噪声数据，通过数据处理，获得健康噪声特征值，依据不同状态的大量健康噪声特征值，建立健康纳滤膜噪声特征模型库。
3.根据权利要求1所述的通过噪声数据特征实现纳滤膜污染预测的方法，其特征在于：步骤S2中建立污染纳滤膜噪声特征模型库的方法，包括以下步骤：
S2.1：在纳滤膜正常产水时，采集大量不同进水流量和进水压力状态下纳滤膜产水时的样本噪声数据，通过数据处理，获得样本噪声特征值；
S2.2：将样本噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得样本偏差值；
S2.3：判断样本偏差值是否在预设健康阈值内，若是，则执行步骤S2.4，若否，则执行步骤S2.5；
S2.4：将样本噪声特征值作为健康噪声特征值，以补充至健康纳滤膜噪声特征模型库；
S2.5：将样本噪声特征值作为污染噪声特征值，以建立污染纳滤膜噪声特征模型库。
4.根据权利要求1-3之一所述的通过噪声数据特征实现纳滤膜污染预测的方法，其特征在于：通过数据处理的方法为：通过频谱分析获取噪声频谱数据，将噪声频谱数据经过连续傅里叶变换后，形成预处理数据，然后将预处理数据通过多轮周期性归一化处理。
5.根据权利要求1所述的通过噪声数据特征实现纳滤膜污染预测的方法，其特征在于：步骤S3中以固定周期采集当前纳滤膜产水时的当前噪声数据时，通过噪声采集器采集当前纳滤膜产水时的当前噪声数据，同时通过流量传感器和压力传感器获取当前纳滤膜产水时的进水流量和进水压力，通过数据处理，获得的当前噪声特征值与进水流量和进水压力建立关联。
6.根据权利要求1或者5所述的通过噪声数据特征实现纳滤膜污染预测的方法，其特征在于：步骤S3中在采集当前纳滤膜产水时的当前噪声数据前，先判断当前纳滤膜是否正常产水，若是，则进行采集，若否，则不采集。
7.根据权利要求1所述的通过噪声数据特征实现纳滤膜污染预测的方法，其特征在于：步骤S4中将当前噪声特征值与污染纳滤膜噪声特征模型库中污染噪声特征值进行偏差运算，获得污染偏差值，偏差运算公式如下式(1)：
其中，C'表示污染纳滤膜噪声特征模型库中污染噪声特征值与当前噪声特征值的绝对偏差，k表示第k个频率点，m表示第m帧数据，Y′k(m)表示污染噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值，Nk(m)表示当前噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值。
8.根据权利要求1所述的通过噪声数据特征实现纳滤膜污染预测的方法，其特征在于：步骤S5中将当前噪声特征值与健康纳滤膜噪声特征模型库中健康噪声特征值进行偏差运算，获得污染偏差值，偏差运算公式如下式(2)：
其中，C表示健康纳滤膜噪声特征模型库中健康噪声特征值与当前噪声特征值的绝对偏差，k表示第k个频率点，m表示第m帧数据，Yk(m)表示健康噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值，Nk(m)表示当前噪声特征值中噪声频谱的第k个频率点的第m帧数据的特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210187154.0A CN114636654B (zh) | 2022-02-28 | 2022-02-28 | 一种通过噪声数据特征实现纳滤膜污染预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210187154.0A CN114636654B (zh) | 2022-02-28 | 2022-02-28 | 一种通过噪声数据特征实现纳滤膜污染预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114636654A true CN114636654A (zh) | 2022-06-17 |
| CN114636654B CN114636654B (zh) | 2024-10-01 |
Family
ID=81947799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210187154.0A Active CN114636654B (zh) | 2022-02-28 | 2022-02-28 | 一种通过噪声数据特征实现纳滤膜污染预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114636654B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935993A (zh) * | 2023-07-26 | 2023-10-24 | 南昌大学 | 指导薄膜纳米复合纳滤膜设计的多任务深度学习方法 |
| EP4349954A1 (en) * | 2022-10-04 | 2024-04-10 | Sartorius Stedim Biotech GmbH | Method for performing an integrity test on a testing consumable of a bioprocess installation |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108854545A (zh) * | 2017-05-08 | 2018-11-23 | 上海澄沥环保科技有限公司 | 一种反渗透纳滤系统监控偏差及时提示技术 |
| US20200254391A1 (en) * | 2019-02-11 | 2020-08-13 | Doosan Heavy Industries & Construction Co., Ltd. | Method of predicting membrane fouling in reverse osmosis process |
| CN111982302A (zh) * | 2020-08-24 | 2020-11-24 | 广东工业大学 | 一种带噪声滤波和环境温度补偿的测温方法 |
| WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
-
2022
- 2022-02-28 CN CN202210187154.0A patent/CN114636654B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108854545A (zh) * | 2017-05-08 | 2018-11-23 | 上海澄沥环保科技有限公司 | 一种反渗透纳滤系统监控偏差及时提示技术 |
| US20200254391A1 (en) * | 2019-02-11 | 2020-08-13 | Doosan Heavy Industries & Construction Co., Ltd. | Method of predicting membrane fouling in reverse osmosis process |
| WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
| CN111982302A (zh) * | 2020-08-24 | 2020-11-24 | 广东工业大学 | 一种带噪声滤波和环境温度补偿的测温方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4349954A1 (en) * | 2022-10-04 | 2024-04-10 | Sartorius Stedim Biotech GmbH | Method for performing an integrity test on a testing consumable of a bioprocess installation |
| WO2024074451A1 (en) * | 2022-10-04 | 2024-04-11 | Sartorius Stedim Biotech Gmbh | Method for performing an integrity test on a testing consumable of a bioprocess installation |
| CN116935993A (zh) * | 2023-07-26 | 2023-10-24 | 南昌大学 | 指导薄膜纳米复合纳滤膜设计的多任务深度学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114636654B (zh) | 2024-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114636654A (zh) | 一种通过噪声数据特征实现纳滤膜污染预测的方法 | |
| CN110929743B (zh) | 基于时间序列关联与聚类分析的水质污染物变化监测系统 | |
| CN109270237A (zh) | 一种基于大数据的水质监测分析系统 | |
| CN111489271B (zh) | 污水管理云平台 | |
| CN111126870A (zh) | 利用集成主成分分析的污水处理过程异常工况检测方法 | |
| CN118579873B (zh) | 一种基于电渗析污水处理系统及控制方法 | |
| CN116894663B (zh) | 一种智能化的aem电解槽控制系统 | |
| CN101786675A (zh) | 一种多参数废水源头分离装置及方法 | |
| CN113791186B (zh) | 一种选择水质异常报警监测因子的方法及其系统 | |
| CN117521008B (zh) | 一种基于数据融合的污水处理监测控制方法及系统 | |
| CN116610105B (zh) | 一种基于数据融合的轧机机械运行故障监测方法及系统 | |
| CN111860684B (zh) | 一种基于双网络的电厂设备故障预警方法及系统 | |
| CN116485611A (zh) | 一种锂电池正极材料生产废水处理方法及系统 | |
| CN116402233A (zh) | 一种超滤膜污染预测方法 | |
| KR102403493B1 (ko) | 인공지능을 이용한 하·폐수 처리장 통합관리 시스템 | |
| CN114298242A (zh) | 一种智能家居用全屋循环净水系统 | |
| CN105160147A (zh) | 一种基于状态空间模型和模糊理论的刀具更换时间方法 | |
| CN118320624A (zh) | 一种反渗透膜污堵异常预警方法及系统 | |
| CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| KR102021719B1 (ko) | 폐수 내 중금속을 제거하기 위한 선택적 이온분리시스템, 이의 제어방법, 및 생산관리시스템 | |
| CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
| CN113449789B (zh) | 基于大数据的全光谱水质监测设备监测水质的质控方法 | |
| CN119075690B (zh) | 一种用于超滤冲洗系统的冲洗控制方法 | |
| CN117071000B (zh) | 一种用于pem电解水制氢设备的远程安全监控系统 | |
| CN118814243B (zh) | 一种带有过滤机构的电镀液回收装置的滤膜堵塞预警方法 |
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 |