污泥处理控制参数的计算方法、系统、服务器及存储介质与流程

本发明涉及污泥处理控制，尤其涉及一种污泥处理控制参数的计算方法、系统、服务器及存储介质。

背景技术：

1、随着工业化和城市化的快速发展，污泥处理逐渐成为环保和可持续发展的关键问题。采用电渗和真空预压的方法对污泥进行处理可以实现更高的脱水率，但会相对产生较高的能耗，通过在电渗真空预压污泥处理的过程中引入纳米材料，能有效提高污染物去除效率、降低所需的能耗，但纳米材料的应用效果会受到多种因素的影响，例如电渗作用的电压、电流，以及真空预压的压力等。

2、可以根据电渗真空预压污泥处理设备的状态调整其操作参数以提升污泥处理效率，降低污泥处理设备的能耗，但由于电渗真空预压污泥处理设备所涉及的影响因素较多，需要根据污泥处理设备中各组件的多种状态推算出用于调整污泥处理设备操作参数的控制参数。通过采用智能模型对污泥处理设备的状态进行分析，能及时根据污泥处理设备中各组件的多种状态对操作参数进行控制，但智能模型无法根据污泥处理过程中的环境气候变化、设备组件故障等不确定因素对设备状态进行预测，导致生成的控制参数不能精确的根据污泥处理设备的状态对操作参数进行调整。

技术实现思路

1、本发明实施例提供了一种污泥处理控制参数的计算方法、系统、服务器及存储介质，以解决精确控制污泥处理过程中操作参数的技术问题。

2、第一方面，本发明实施例提供了一种污泥处理控制参数的计算方法，包括：

3、获取污泥处理设备中各组件的状态信息，所述状态信息包括历史状态信息和当前状态信息，基于所述各组件的状态信息生成每个组件的组件特征矩阵，所述组件特征矩阵体现各组件的多维特征，所述多维特征表示预设时间段内各组件所在位置的污泥流体电场当前状态以及变化趋势和周期特性；

4、基于所述组件之间的位置关系和连接关系生成初始组件结构图；

5、将所述初始组件结构图输入训练完成的图神经网络，利用所述图神经网络将所述组件特征矩阵嵌入与组件对应的节点中；

6、利用所述图神经网络的卷积层针对每个节点聚合相邻节点之间的组件向量，对节点的组件特征向量进行更新预测，得到各节点的预测特征矩阵；

7、利用所述图神经网络的随机波动层根据各节点的预测特征矩阵与扩散系数形成扩散项，所述扩散项表示所述设备的状态更新时的随机波动，并利用所述扩散项与维纳过程形成所述设备的状态的不确定变化量，根据所述确定性变化量和不确定变化量形成所述设备的状态波动特征矩阵；

8、将所述设备的状态波动特征矩阵输入训练完成的深度强化学习模型，得到污泥处理设备的控制参数。

9、进一步的，利用所述图神经网络的随机波动层根据各节点的预测特征矩阵与扩散系数形成扩散项，所述扩散项表示所述设备状态更新时的随机波动，并利用所述扩散项与维纳过程形成所述设备的不确定变化量，根据所述设备的确定性变化量和不确定变化量形成所述设备的状态波动特征矩阵，包括：

10、根据所述各节点的预测特征矩阵与漂移系数形成漂移项，所述漂移项表示所述设备状态更新时的规律变化，并利用所述漂移项与预设时间增量的乘积得到所述设备的确定性变化量；

11、利用所述扩散项与预设时间增量的维纳过程的乘积得到所述设备的不确定变化量，所述维纳过程表示污泥处理设备的不确定因素；

12、根据所述确定性变化量和不确定性变化量的总和，得到所述设备在预设时间增量的状态波动特征矩阵，所述状态波动特征矩阵体现所述设备在规律变化与随机波动共同影响下的变化量。

13、进一步的，所述利用所述图神经网络的卷积层针对每个节点聚合相邻节点之间的组件向量，对节点的组件特征向量进行更新预测，得到各节点的预测特征矩阵，包括：

14、利用每个节点的相邻节点与聚合函数形成相邻节点的平均组件特征矩阵；

15、根据平均组件特征矩阵和每个节点的组件向量并加入随机噪声，得到各节点的预测特征矩阵。

16、进一步的，所述基于所述各组件的状态信息生成每个组件的组件特征矩阵，包括：

17、利用污泥处理设备中各组件的状态信息，提取各组件所在位置的污泥流体和电场的历史状态和当前状态；

18、根据所述历史状态和当前状态形成污泥流体和电场的变化趋势和周期特性；

19、根据所述当前状态以及变化趋势和周期特性形成组件特征矩阵。

20、进一步的，所述获取污泥处理设备中各组件的状态信息，包括：

21、收集污泥处理设备中各组件的传感器信息；

22、剔除所述传感器信息的异常值与噪音；

23、对传感器信息进行数据平滑与标准化处理。

24、进一步的，所述方法还包括：

25、利用污泥处理设备的当前状态信息和深度强化学习模型输出的污泥处理设备的控制参数进行梯度计算，得到策略参数的调整值；

26、利用所述调整值对深度强化学习模型的策略参数进行优化。

27、进一步的，基于所述组件之间的位置关系和连接关系生成初始组件结构图，包括：

28、利用所述组件作为节点，利用所述组件之间的连接关系作为边，边体现组件之间的物理连接状态，基于组件之间的位置关系与连接关系生成初始组件结构图。

29、第二方面，本发明实施例还提供了一种污泥处理控制参数的计算系统，包括：

30、数据采集模块，用于获取污泥处理设备中各组件的状态信息；

31、特征生成模块，用于基于所述各组件的状态信息生成每个组件的组件特征矩阵；

32、图生成模块，用于基于所述组件之间的位置关系和连接关系生成初始组件结构图；

33、图神经网络模块，用于根据所述初始组件结构图生成设备的状态波动特征矩阵；

34、深度强化学习模块，用于根据所述设备的状态波动特征矩阵生成污泥处理设备的控制参数。

35、第三方面，本发明实施例还提供了一种服务器，包括：

36、一个或多个处理器；

37、存储装置，用于存储一个或多个程序，

38、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例提供的污泥处理控制参数的计算方法。

39、第四方面，本发明实施例还提供了包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的污泥处理控制参数的计算方法。

40、本发明实施例提供的一种污泥处理控制参数的计算方法、系统、服务器及存储介质，通过图神经网络的随机波动层在图神经网络卷积层得到的各节点的预测特征矩阵的基础上，利用随机微分方程将扩散项与维纳过程形成的不确定变化量加入污泥处理设备的确定性变化量中，使图神经网络模型在预测时具有考虑不可预测因素的能力，能适应外部环境和突发情况对污泥处理设备的影响，能模拟现实中污泥处理设备受到不可预测因素影响产生的随机动态变化，再利用深度强化学习模型生成污泥处理设备的控制参数，能更精确的对污泥处理设备的操作参数进行调整，进而降低污泥处理设备的能耗，提升污泥处理设备的效率。

技术特征：

1.一种污泥处理控制参数的计算方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述利用所述图神经网络的随机波动层根据各节点的预测特征矩阵与扩散系数形成扩散项，所述扩散项表示所述设备状态更新时的随机波动，并利用所述扩散项与维纳过程形成所述设备的不确定变化量，根据所述设备的确定性变化量和不确定变化量形成所述设备的状态波动特征矩阵，包括：

3.根据权利要求1所述的方法，其特征在于，所述利用所述图神经网络的卷积层针对每个节点聚合相邻节点之间的组件向量，对节点的组件特征向量进行更新预测，得到各节点的预测特征矩阵，包括：

4.根据权利要求1所述的方法，其特征在于，所述基于所述各组件的状态信息生成每个组件的组件特征矩阵，包括：

5.根据权利要求1所述的方法，其特征在于，所述获取污泥处理设备中各组件的状态信息，包括：

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，基于所述组件之间的位置关系和连接关系生成初始组件结构图，包括：

8.一种污泥处理控制参数的计算系统，其特征在于，包括：

9.一种服务器，其特征在于，所述服务器包括：

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的污泥处理控制参数的计算方法。

技术总结
本发明实施例公开了一种污泥处理控制参数的计算方法、系统、服务器及存储介质，其中，所述方法包括：获取污泥处理设备中各组件的状态信息；基于组件之间的关系生成初始组件结构图；利用图神经网络的卷积层对初始组件结构图的节点进行更新预测；利用图神经网络的随机波动层形成设备的不确定变化量，将包含确定性变化量和不确定变化量的波动特征矩阵输入深度强化学习模型得到污泥处理设备的控制参数。通过图神经网络的随机波动层将不确定变化量加入污泥处理设备的确定性变化量中，使图神经网络模型能适应外部环境和突发情况的影响对污泥处理设备的更新状态进行预测，得到控制参数对污泥处理设备进行调整，降低设备能耗，提升污泥处理效率。

技术研发人员：董智超,侯晋芳,侯荣荣,付建宝,刘爱民,徐盛博,王超洋
受保护的技术使用者：中交天津港湾工程研究院有限公司
技术研发日：
技术公布日：2024/12/5