一种养殖尾水处理系统及方法 专利技术说明

环保节能,再生,污水处理设备的制造及其应用技术1.本技术涉及数据处理技术领域，尤其是一种养殖尾水处理系统及方法。背景技术：2.水产集约化养殖作为一种新兴的陆基养殖模式，具有养殖密度高、可控性强等优点，近年来得到了快速的推广和应用，推进了渔业资源养护、海水养殖、远洋渔业和水产品加工等领域的发展和合作。然而，海水养殖带来的环境问题不容忽视。由于集约化养殖模式养殖密度大、饵料投入量大，大量饵料并未被水产动物吸收，残饵和水产动物的排泄物会对水体和底泥造成严重的污染。同时，大部分水产养殖场并未设置尾水处理设施，而养殖尾水未经处理直接排放或者处理不达标进行排放会造成近海水体富营养化，从而导致近海赤潮频发。3.由于海水养殖尾水具有盐度高及排水量大等特点，传统淡水养殖尾水处理技术难以直接应用到海水养殖尾水处理中。目前主流的海水养殖尾水处理工艺为物理沉淀+人工湿地，尾水处理构筑物伟三池两坝或者三池两坝一湿地，其性能稳定的关键为维持进水水质的稳定。现有的海水养殖尾水处理技术主要研究和实时监测尾水处理过程中的关键参数变化，提供多种跟踪尾水处理效果的手段。由于尾水处理过程中尾水停留时间长，现有的海水养殖尾水处理技术在发现水质变差后再进行运行参数的调整往往需要较长的恢复时间，无法对水质进行及时调控。技术实现要素：4.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。5.为此，本发明实施例提供一种养殖尾水处理系统及方法，提高了养殖尾水处理的实时性和可靠性。6.为了达到上述技术目的，本发明实施例所采取的技术方案包括：7.第一方面，本发明实施例提供了一种养殖尾水处理系统，包括：8.机器学习模块，用于根据历史数据进行计算得到第一运行参数；9.尾水处理模块，用于根据所述第一运行参数进行尾水处理；10.监测模块，用于实时监测所述尾水处理模块中尾水的指标参数；11.第一控制模块，用于实时比对所述第一运行参数和所述指标参数，得到数据偏差；用于当所述数据偏差小于或者等于预设阈值时对所述第二运行参数进行调整，所述第二运行参数为所述第一运行参数中的关键参数；当所述数据偏差大于所述预设阈值时对所述第一运行参数进行调整。12.另外，根据本发明上述实施例的一种养殖尾水处理系统，还可以具有以下附加的技术特征：13.进一步地，本发明实施例的一种养殖尾水处理系统中，所述尾水处理模块包括生态沟渠、沉淀池、生态净化池和曝气池；14.所述生态沟渠的入口用于通入所述尾水，所述生态沟渠的出口与所述沉淀池的入口连通，所述沉淀池的出口与所述生态净化池的入口连通，所述生态净化池的出口与所述曝气池的入口连通，所述曝气池的出口用于排放处理后的所述尾水。15.进一步地，在本发明的一个实施例中，所述监测模块包括采集模块和显示模块；16.所述采集模块采集所述指标参数，并将所述指标参数发送给所述显示模块，所述显示模块显示所述指标参数。17.进一步地，在本发明的一个实施例中，所述历史数据包括所述监测模块的历史监测数据以及成功案例数据；18.所述机器学习模块将所述成功案例数据作为训练集进行训练得到第三运行参数；19.所述机器学习模块将所述历史监测数据作为验证集对所述第三运行参数进行验证和完善，生成所述第一运行参数。20.进一步地，在本发明的一个实施例中，所述系统还包括第二控制模块；21.所述第二控制模块控制所述尾水处理模块以所述第一运行参数进行尾水处理。22.进一步地，在本发明的一个实施例中，所述系统还包括清水回流模块；23.所述清水回流模块用于对所述尾水处理模块排出的处理后的所述尾水进行回流处理。24.第二方面，本发明实施例提出了一种养殖尾水处理方法，所述方法应用于养殖尾水处理系统，所述养殖尾水处理系统包括机器学习模块、尾水处理模块、监测模块和第一控制模块，所述方法包括：25.根据历史数据，通过所述机器学习模块进行计算得到第一运行参数；26.根据所述第一运行参数，通过所述尾水处理模块进行尾水处理；27.通过所述监测模块实时监测所述尾水处理模块中尾水的指标参数；28.通过所述第一控制模块实时比对所述第一运行参数和所述指标参数，得到数据偏差；29.当所述数据偏差小于或者等于预设阈值时，通过所述第一控制模块对所述第二运行参数进行调整，所述第二运行参数为所述第一运行参数中的关键参数；30.当所述数据偏差大于所述预设阈值时，通过所述第一控制模块对所述第一运行参数进行调整。31.进一步地，在本发明的一个实施例中，所述监测模块包括采集模块和显示模块；32.所述通过所述监测模块实时监测所述尾水处理模块中尾水的指标参数包括：33.通过所述采集模块采集所述指标参数，并将所述指标参数发送给所述显示模块；34.通过所述显示模块显示所述指标参数。35.进一步地，在本发明的一个实施例中，所述历史数据包括所述监测模块的历史监测数据以及成功案例数据；36.所述根据历史数据，通过所述机器学习模块进行计算得到第一运行参数，包括：37.将所述成功案例数据作为训练集进行训练得到第三运行参数；38.将所述历史监测数据作为验证集对所述第三运行参数进行验证和完善，生成所述第一运行参数。39.进一步地，在本发明的一个实施例中，所述养殖尾水处理系统还包括第二控制模块；40.所述根据所述第一运行参数，通过所述尾水处理模块进行尾水处理包括：41.通过所述第二控制模块控制所述尾水处理模块以所述第一运行参数进行尾水处理。42.本发明的优点和有益效果：43.本发明实施例通过机器学习模块根据历史数据计算得到第一运行参数，实现了养殖尾水处理系统的预控运行，并通过实时监测尾水的指标数据，基于指标数据和第一运行参数的数据偏差对第一运行参数进行相应的调整，降低了进水水质以及尾水处理效果对养殖尾水处理系统的影响，提高了养殖尾水处理的实时性和可靠性。附图说明44.为了更清楚地说明本技术实施例或者现有技术中的技术方案，下面对本技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本技术的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。45.图1为本发明一种养殖尾水处理系统具体实施例的结构示意图；46.图2为本发明一种养殖尾水处理方法具体实施例的流程示意图。具体实施方式47.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，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。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。48.本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。49.在本发明中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。50.由于海水养殖尾水具有盐度高及排水量大等特点，传统淡水养殖尾水处理技术难以直接应用到海水养殖尾水处理中。目前主流的海水养殖尾水处理工艺为物理沉淀+人工湿地，尾水处理构筑物伟三池两坝或者三池两坝一湿地，其性能稳定的关键为维持进水水质的稳定。现有的海水养殖尾水处理技术主要研究和实时监测尾水处理过程中的关键参数变化，提供多种跟踪尾水处理效果的手段。由于尾水处理过程中尾水停留时间长，现有的海水养殖尾水处理技术在发现水质变差后再进行运行参数的调整往往需要较长的恢复时间，无法对水质进行及时调控。为此，本发明提出了一种养殖尾水处理系统及方法，通过机器学习模块根据历史数据计算得到第一运行参数，实现了养殖尾水处理系统的预控运行，并通过实时监测尾水的指标数据，基于指标数据和第一运行参数的数据偏差对第一运行参数进行相应的调整，降低了进水水质以及尾水处理效果对养殖尾水处理系统的影响，提高了养殖尾水处理的实时性和可靠性。51.下面参照附图详细描述根据本发明实施例提出的一种养殖尾水处理系统及方法，首先描述根据本发明实施例提出的一种养殖尾水处理系统。52.参照图1，本发明实施例中的一种养殖尾水处理系统包括：53.机器学习模块，用于根据历史数据进行计算得到第一运行参数；54.尾水处理模块，用于根据所述第一运行参数进行尾水处理；55.监测模块，用于实时监测所述尾水处理模块中尾水的指标参数；56.第一控制模块，用于实时比对所述第一运行参数和所述指标参数，得到数据偏差；用于当所述数据偏差小于或者等于预设阈值时对所述第二运行参数进行调整，所述第二运行参数为所述第一运行参数中的关键参数；当所述数据偏差大于所述预设阈值时对所述第一运行参数进行调整。57.可选地，本发明实施例的预设阈值可以设置为10％，第二运行参数可以包括第一运行参数中的进水水量、回流水量和曝气量，本发明一些实施例通过调整进水水量、回流水量和曝气量提升进水水质和尾水处理效果的稳定性。58.作为一种可选的实施方式，所述尾水处理模块包括生态沟渠、沉淀池、生态净化池和曝气池；59.所述生态沟渠的入口用于通入所述尾水，所述生态沟渠的出口与所述沉淀池的入口连通，所述沉淀池的出口与所述生态净化池的入口连通，所述生态净化池的出口与所述曝气池的入口连通，所述曝气池的出口用于排放处理后的所述尾水。60.可选地，在一些实施例中，沉淀池的尺寸为1.0m×2.2m×1.5m，有效容积为3m3；曝气池的尺寸为1.0m×1.5m×1.5m，有效容积为2m3；生态净化池的尺寸为2.0m×2.0m×1.5m，有效容积为5.8m3；生态沟渠的尺寸为1.0m×1.0m×1.5m，有效容积为1.3m3，从上到下分别填充细沙20cm、煤渣30cm、碎石35cm，水面及超高15cm。61.可选地，在一些实施例中，选择互花米草、凤眼莲、水葫芦等作为生态净化池中的植物，植株密度为10株/m2，水力负荷为0.5m/d。62.可选地，在一些实施例中，进水水质参数为：cod浓度29.5～36.6mg/l，均值32.4mg/l；tp浓度0.12～0.73mg/l，均值0.53mg/l；tn浓度5.3～13.8mg/l，均值8.3mg/l。63.作为一种可选的实施方式，所述监测模块包括采集模块和显示模块；64.所述采集模块采集所述指标参数，并将所述指标参数发送给所述显示模块，所述显示模块显示所述指标参数。65.可选地，在一些实施例中，采集模块包括水质和水量传感器，指标参数包括ph值、氧化还原电位、进水水量、回流水量、氨氮、硝酸盐、总磷、溶解氧、cod和污泥量。66.可选地，在一些实施例中，沉淀池的入口设置的传感器采集的指标参数包括ph值、进水水量、回流污泥量、氨氮、硝酸盐、总磷和cod；沉淀池的出口设置传感器采集的指标参数包括ph值、氨氮、硝酸盐和总磷合cod。67.曝气池的入口设置的传感器采集的指标参数包括溶解氧、曝气量、回流水量、回流污泥量、ph值、氨氮、硝酸盐、总磷、cod和污泥浓度；沉淀池的出口设置传感器采集的指标参数包括ph值、氨氮、硝酸盐、总磷和cod。68.生态池的入口设置的传感器采集的指标参数包括ph值、氨氮、硝酸盐、总磷和cod；沉淀池的出口设置传感器采集的指标参数包括ph值、氨氮、硝酸盐、总磷和cod。69.可以理解的是，在本发明的实施例中，采集模块采集的指标参数一方面后续可作为机器学习模块的历史数据的一部分进行机器学习演算，另一方面用于与第一运行参数比对进行第一运行参数的调整。70.作为一种可选的实施方式，所述历史数据包括所述监测模块的历史监测数据以及成功案例数据；71.所述机器学习模块将所述成功案例数据作为训练集进行训练得到第三运行参数；72.所述机器学习模块将所述历史监测数据作为验证集对所述第三运行参数进行验证和完善，生成所述第一运行参数。73.作为一种可选的实施方式，所述系统还包括第二控制模块；74.所述第二控制模块控制所述尾水处理模块以所述第一运行参数进行尾水处理。75.可选地，在一些实施例中，第二控制模块通过电磁阀控制尾水处理模块以第一运行参数进行尾水处理。76.作为一种可选的实施方式，所述系统还包括清水回流模块；77.所述清水回流模块用于对所述尾水处理模块排出的处理后的所述尾水进行回流处理。78.其次，参照图1，本发明实施例提出了一种养殖尾水处理方法，所述方法应用于养殖尾水处理系统，所述养殖尾水处理系统包括机器学习模块、尾水处理模块、监测模块和第一控制模块，所述方法包括：79.s201、根据历史数据，通过所述机器学习模块进行计算得到第一运行参数；80.其中，历史数据包括所述监测模块的历史监测数据以及成功案例数据。81.具体地，在本发明的实施例中，机器学习模块将所述成功案例数据作为训练集进行训练得到第三运行参数，然后将所述历史监测数据作为验证集对所述第三运行参数进行验证和完善，生成所述第一运行参数。82.s202、根据所述第一运行参数，通过所述尾水处理模块进行尾水处理；83.其中，养殖尾水处理系统还包括第二控制模块。84.具体地，在本发明的实施例中，通过第二控制模块控制尾水处理模块以第一运行参数进行尾水处理。85.s203、通过所述监测模块实时监测所述尾水处理模块中尾水的指标参数；86.其中，监测模块包括采集模块和显示模块。87.具体地，在本发明的实施例中，通过采集模块采集指标参数，并将指标参数发送给显示模块，通过显示模块显示指标参数。88.s204、通过所述第一控制模块实时比对所述第一运行参数和所述指标参数，得到数据偏差；89.s205、当所述数据偏差小于或者等于预设阈值时，通过所述第一控制模块对所述第二运行参数进行调整；90.其中，所述第二运行参数为所述第一运行参数中的关键参数。91.s206、当所述数据偏差大于所述预设阈值时，通过所述第一控制模块对所述第一运行参数进行调整。92.实施例1：93.沉淀池的尺寸为1.0m×2.2m×1.5m，有效容积为3m3；曝气池的尺寸为1.0m×1.5m×1.5m，有效容积为2m3；生态净化池的尺寸为2.0m×2.0m×1.5m，有效容积为5.8m3；生态沟渠的尺寸为1.0m×1.0m×1.5m，有效容积为1.3m3，从上到下分别填充细沙20cm、煤渣30cm、碎石35cm，水面及超高15cm。选择互花米草、凤眼莲、水葫芦等作为生态净化池中的植物，植株密度为10株/m2，水力负荷为0.5m/d。进水水质参数为：cod浓度29.5～36.6mg/l，均值32.4mg/l；tp浓度0.12～0.73mg/l，均值0.53mg/l；tn浓度5.3～13.8mg/l，均值8.3mg/l。94.沉淀池的入口设置的传感器采集的指标参数包括ph值、进水水量、回流污泥量、氨氮、硝酸盐、总磷和cod；沉淀池的出口设置传感器采集的指标参数包括ph值、氨氮、硝酸盐和总磷合cod。95.曝气池的入口设置的传感器采集的指标参数包括溶解氧、曝气量、回流水量、回流污泥量、ph值、氨氮、硝酸盐、总磷、cod和污泥浓度；沉淀池的出口设置传感器采集的指标参数包括ph值、氨氮、硝酸盐、总磷和cod。96.生态池的入口设置的传感器采集的指标参数包括ph值、氨氮、硝酸盐、总磷和cod；沉淀池的出口设置传感器采集的指标参数包括ph值、氨氮、硝酸盐、总磷和cod。97.基于上述设置，采用本发明实施例的养殖尾水处理系统及养殖尾水处理方法进行养殖尾水处理。98.实施例2：99.进水水质参数为：cod浓度21.5～26.6mg/l，均值23.4mg/l；tp浓度0.09～0.53mg/l，均值0.43mg/l；tn浓度4.6～10.1mg/l，均值6.3mg/l。实施例2的其他设置与实施例1相同。100.实施例3：101.进水水质参数为：cod浓度40.5～48.4mg/l，均值46.3mg/l；tp浓度0.17～0.93mg/l，均值0.62mg/l；tn浓度5.4～12.4mg/l，均值8.6mg/l。实施例3的其他设置与实施例1相同。102.对比例1：103.基于实施例1的设置，采用传统养殖尾水处理方法进行养殖尾水处理。104.对比例2：105.基于实施例2的设置，采用传统养殖尾水处理方法进行养殖尾水处理。106.对比例3：107.基于实施例3的设置，采用传统养殖尾水处理方法进行养殖尾水处理。108.实施例1-3以及对比例1-3的处理效果如表1所示：109.表1110.实施例cod去除率tn去除率tp去除率实施例178～82％62～68％76～79％实施例271～76％52～61％66～73％实施例370～78％50～58％62～9％对比例152～68％42～57％46～59％对比例244～57％40～59％36～61％对比例342～56％33～47％38～54％111.由表1可知，当进水水质变化时，本发明实施例的养殖尾水处理系统处理出水的cod、tn、tp去除率较为稳定，变化幅度大部分在5％以内。在小试实验中，本发明实施例的养殖尾水处理系统稳定运行超过180天。112.在对比例中，出水效率比本发明实施例的养殖尾水处理系统要低，并且变化较大，大部分出水变化幅度超过10％。在小试实验中，对比例运行到55天后，系统水质恶化，不能运行。113.综上所述，本发明通过机器学习模块根据历史数据计算得到第一运行参数，实现了养殖尾水处理系统的预控运行，并通过实时监测尾水的指标数据，基于指标数据和第一运行参数的数据偏差对第一运行参数进行相应的调整，降低了进水水质以及尾水处理效果对养殖尾水处理系统的影响，提高了养殖尾水处理的实时性和可靠性。114.上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。115.在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本技术的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。116.此外，虽然在功能性模块的背景下描述了本技术，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本技术是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本技术。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本技术的范围，本技术的范围由所附权利要求书及其等同方案的全部范围来决定。117.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。118.在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。119.尽管已经示出和描述了本技术的实施方式，本领域的普通技术人员可以理解：在不脱离本技术的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本技术的范围由权利要求及其等同物限定。120.以上是对本技术的较佳实施进行了具体说明，但本技术并不限于所述实施例，熟悉本领域的技术人员在不违背本技术精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!