Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 哈尔滨工业大学袁维波获国家专利权

哈尔滨工业大学袁维波获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉哈尔滨工业大学申请的专利结合时空图神经网络和强化学习调控曝气量实现石化废水高效低耗微氧水解酸化的方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN119430460B

龙图腾网通过国家知识产权局官网在2025-06-20发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202411723733.8,技术领域涉及:C02F3/00;该发明授权结合时空图神经网络和强化学习调控曝气量实现石化废水高效低耗微氧水解酸化的方法是由袁维波;梁曼丽;邓志伟;魏亮亮;赵维鑫设计研发完成,并于2024-11-28向国家知识产权局提交的专利申请。

结合时空图神经网络和强化学习调控曝气量实现石化废水高效低耗微氧水解酸化的方法在说明书摘要公布了:结合时空图神经网络和强化学习调控曝气量实现石化废水高效低耗微氧水解酸化的方法,它涉及调控曝气量实现石化废水高效低耗微氧水解酸化的方法,它是要解决的现有的微氧水解酸化中氧气浓度和流量调控的精确度差,处理效率不稳定的问题,本方法:一、数据收集和清洗;二、构建图数据集;三、ST‑GNN模型的训练;四、构建深度Q强化学习模型;五、将训练好的ST‑GNN模型嵌入污水处理厂的自动控制系统中,模型利用当前工况和历史数据的交互,输出当前时间步的最优曝气量以及对微氧水解酸化效果的预测;根据模型的输出调整曝气设备的运行参数进行水解酸化处理。本发明调控效率高且操作误差低,可用于污水处理厂数字化和智能化管理领域。

本发明授权结合时空图神经网络和强化学习调控曝气量实现石化废水高效低耗微氧水解酸化的方法在权利要求书中公布了:1.结合时空图神经网络和强化学习调控曝气量实现石化废水高效低耗微氧水解酸化的方法,其特征在于该方法按以下步骤进行:一、数据收集和清洗1在水解酸化池中设置监测点和监测收集数据的传感器,监测并收集水解酸化池中进水口、出水口、中间反应区的工艺参数,其中工艺参数为溶解氧浓度、污水的流速和流量、进水BOD5浓度、出水BOD5浓度、进水COD浓度、出水COD浓度、氨氮浓度、温度、pH值、VFA浓度、曝气量、搅拌速率;数据监测采集的时间节点为:正常工作条件下每隔10~15min采集一次,曝气和搅拌设备开启或关闭时每隔1~2分钟采集一次;温度、pH或溶解氧参数出现显著波动时每隔1~2分钟采集一次;其中显著波动是指参数值变化超过20%;以确保精细地捕捉系统的动态特征;2数据收集后,通过回归分析对各工艺参数的数据进行清洗,清洗后的数据通过Z-score标准化或最小-最大标准化进行尺度规范化,以确保不同量纲的数据在同一尺度上操作;对具有正态分布特征的数据,采用Z-score标准化将数据规范到均值为0、标准差为1的分布中;对具有偏态分布的数据,采用最小-最大标准化将数据缩放到[0,1]范围内;这样规范后的数据既提高了模型训练的效率,又增强了预测的准确性;3引入基于时间序列的LSTM-Autoencoder模型识别多维数据中的异常值,异常的标准是各参数值偏离正常波动范围的2倍标准差以上;本步骤结合多传感器数据融合,增强异常值的识别和剔除;4结合基于密度的空间聚类应用带噪声算法对溶解氧浓度、污水的流速和流量、进水BOD5浓度、出水BOD5浓度、进水COD浓度、出水COD浓度、氨氮浓度、温度、pH值、VFA浓度、曝气量、搅拌速率进行聚类分析,以异常的标准是偏离群体密度的3倍标准差作为异常的标准进行识别并剔除异常值,筛选出了与曝气量最直接的工艺参数数据;5将处理后的多维工艺参数数据构建时空图的节点,每个节点代表特定位置和时间下的一个参数值,并使用边来表示这些工艺参数之间的相互作用关系,边的权重计算基于各工艺参数之间的相关性和因果关系,以量化反映工艺参数间的影响强度;二、构建图数据集1将经过清洗后的工艺参数作为节点输入图模型,每个节点代表一个特定的工艺参数,这些节点具有时间序列特性;通过相关性分析计算各节点间的皮尔逊相关系数,识别参数之间的基本线性关系,对于相关性系数大于0.7的节点对,初步判断其存在直接关联;应用核主成分分析来提取参数间的非线性特征,将多维数据降维并保留主要特征,从而识别出工艺参数的潜在非线性交互关系,这有助于简化模型结构,同时突出关键特征采用核岭回归来构建非线性关系较复杂的节点对的边特征值,进一步量化这些节点对的非线性交互关系;通过这些步骤,形成具有边特征值的静态图结构,其中每条边的特征值反映节点对之间相互作用的强度;2通过结合历史运行数据,将各时间步的数据快照按时间顺序排列,生成每个时间步的图结构,形成根据时间序列构建的动态图数据集,以此捕捉系统的动态变化特征;3最终得到的动态图数据集按时间序列输入到ST-GNN模型中进行训练,ST-GNN的图卷积层将每个节点的特征与其邻居节点的特征进行聚合,从而提取节点的全局空间信息,通过多层卷积捕捉节点间的复杂交互和长距离依赖关系;之后,时间卷积层对聚合后的节点特征进行时间序列处理,以捕捉各工艺参数在时间上的动态变化趋势;经过图卷积和时间卷积处理后,ST-GNN模型输出每个节点的综合表示,将节点的时空信息融合在一起,反映节点在不同工况下的动态状态;三、ST-GNN模型的训练1将构建好的图数据集输入到ST-GNN模型中进行训练;ST-GNN模型包含3-5层图卷积网络结构,通过每一层卷积操作,提取工艺参数之间的空间关系和全局信息;通过多层图卷积,模型可以捕捉不同工艺参数之间的长距离依赖关系;2同时采用、剪枝、量化模型压缩技术对ST-GCN模型进行轻量化处理,轻量化处理的步骤是:首先,设定权重阈值为0.01,保留权重高于0.01的权重连接,去除权重小于0.01的连接,从而减少冗余参数的数量;同时结合结构化剪枝方法对整个卷积层进行评估,移除低贡献的通道或节点,剪枝比例设为20%~40%;通过剪枝策略去除卷积层中冗余或重要性低的参数,达到减少模型运算量和存储需求、确保模型精度尽量不受影响的目的;接着,采用量化技术将32位浮点数转换为8位整数表示,从而大幅降低模型的存储需求,加速推理过程;最后,在图卷积层中引入注意力机制,使模型能够动态识别并重点关注与目标参数关联性最强的节点和边,优先计算对目标输出影响最大的关系,进一步提升计算效率;通过以上模型压缩技术可以对ST-GCN模型进行优化,以减少计算复杂度并提高计算效率;3采用五折交叉验证方法评估模型的泛化性能,具体操作是:将图数据集分为五个子集,每次从中选取一个子集作为验证集,其余子集作为训练集,反复迭代训练模型,以确保模型在不同工况下的预测精度,预测精度为平均绝对误差控制在5%以内,均方误差控制在10%以内,均方根误差控制在6%以内,此操作避免了过拟合,增强了模型对未知工况的适应性;同时在模型训练过程中,结合注意力机制或通过对重要特征进行可视化,识别对预测结果最具影响力的工艺参数及其交互关系,以增强模型的可解释性;4在训练过程中,采用以COD去除率、VFA产量为主要目标的多目标损失函数来优化ST-GNN模型的预测精度,其中损失函数包括对微氧水解酸化效果的预测精度、对曝气量调控的准确性;通过均方误差衡量模型对微氧水解酸化效果的预测精度,将MSE控制在5%以内;并评估模型预测的曝气量与实际最优曝气量之间的差异,差异应控制在±3%以内,以确保曝气量调控的准确性;在训练过程中,若误差指标均在设定范围内,则继续执行后续步骤,完成训练;若误差超出范围,则调整模型参数或增加训练迭代次数,直至误差回到合适范围内;通过优化这些误差,实现对曝气系统的精准控制和稳定的微氧水解酸化效果;5再引入自适应权重调整机制,通过在损失函数中设定两个初始权重参数,分别对应VFA产量和曝气能耗,并根据系统的实时状态动态调整这两个权重,从而在不同工况下实现优化目标;当检测到系统能耗较高时,自适应机制会自动增加曝气能耗项的权重,使模型优先关注能耗的降低;当VFA产量不足时,系统则会提高VFA产量项的权重,以确保产量达到需求;通过这种机制,模型能够在不同工况下动态平衡VFA产量和能耗,实现优化效果,确保系统运行的稳定性和高效性;四、构建深度Q强化学习模型:1基于ST-GNN模型的输出,构建深度Q学习模型,即,将ST-GNN模型预测的各个物理和化学参数溶解氧浓度、pH值、温度、VFA浓度、进水流量,以及当前的操作参数曝气量和搅拌速率作为状态输入,导入到深度Q学习模型中;2利用主成分分析、t-SNE或自编码器对高维状态空间进行降维处理,提取最具代表性的工艺参数特征,达到降低状态空间的复杂性,加速模型的训练收敛的目的;3根据优化目标,设置多组奖励函数,分别针对最大化VFA产量和最小化曝气能耗的不同目标进行训练;4深度Q学习模型通过多次迭代在不同工况下试探并优化其策略,以满足优化目标;达到优化完成的标准是当奖励值在连续若干轮迭代中保持收敛,且VFA产量和能耗指标稳定在预设阈值内时,表示策略已优化完成;通过这种训练,最终实现在提高产酸效率的同时,降低曝气过程中的能耗,实现更经济的运行;五、曝气量的实时调控1将训练好的ST-GNN模型嵌入污水处理厂的自动控制系统中,通过传感器网络实时获取工艺参数数据,并输入到ST-GNN模型中,模型利用当前工况和历史数据的交互,输出当前时间步的最优曝气量以及对微氧水解酸化效果的预测;2根据ST-GNN模型的输出,调整曝气设备的运行参数鼓风机功率和曝气时间,以实现实时控制;3系统同时记录每次调整后的水解酸化效果指标COD去除率和VFA产量,将这些新的工艺参数数据再次输入到模型中,实现闭环控制,动态优化曝气量;同时集成应急控制策略,当检测到异常状况,自动启用预设的应急控制策略,以稳定工艺,直至强化学习模型重新收敛,实现石化废水高效低耗微氧水解酸化。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人哈尔滨工业大学,其通讯地址为:150001 黑龙江省哈尔滨市南岗区西大直街92号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。