一种基于数据分析的腐竹余液回收数据处理系统

技术领域

本发明涉及腐竹余液回收管理领域，更具体地说，它涉及一种基于数据分析的腐竹余液回收数据处理系统。

背景技术

腐竹废水是大豆磨浆烧煮后，凝结干制而成腐竹后所剩的残液。但腐竹生产过程中大豆利用率低，只有 50%左右的蛋白质，50%左右的脂肪，20%左右的碳水化合物被利用，因此，腐竹废水中含有大量的有机物，腐竹废水直接排放到环境中，不仅浪费宝贵的资源，而且破坏生态环境，因此，对腐竹余液的回收利用是重要的经济要求，目前，微生物燃料电池(Microbial fuel cell，MFC)发展迅速，这种技术融合了微生物发电技术和污水处理技术，它既能处理有机废水又能获得电能。近代以来，微生物产电的技术得到了较快发展，MFC的应用越来越广，微生物燃料电池(MFC)作为一种新型的具有产能和污水处理双重功能的能源转换装置，由于其应用领域广泛而备受到人们的关注。其利用产电微生物的催化活动将化学能转化为电能，从污水中的有机物获取电能，有节能减排、成本较低等诸多优点，微生物燃料电池在处理有机污水的方面取得良好效果，含有高浓度有机废水也可以作为MFC的基质，故而，微生物燃料电池可以应用到腐竹废水的回收利用。

在通过微生物燃料电池处理腐竹废水的过程中，影响生物燃料电池MFC性能的主要参数包括电极、温度、溶解氧浓度、基质等，温度和氧气浓度是外部影响环境，也是最容易控制且影响效率较高的因素，因此通过控制生物燃料电池MFC的反应温度和氧气通入是成本较低且经济效益较高的控制变量，但是生物燃料电池MFC反应过程中数据存在波动，进而使输出的数据具有波动性，使数据的更加复杂，进而导致温度和氧气通入量的控制难度上升，因此需要对控制过程中产生的数据进行相关处理，实现数据的有效分析，增强控制效果。

发明内容

针对现有技术存在电源管理过程中数据分析难度较大，且电池反应复杂，数据关系难以表达的问题，本发明的目的在于提供一种基于数据分析的腐竹余液回收数据处理系统，实现腐竹余液回收过程中的数据的快速分析处理。

为实现上述目的，本发明提供了如下技术方案：

一种基于数据分析的腐竹余液回收数据处理系统，所述基于数据分析的腐竹余液回收数据处理系统包括：

反应模块，构建微生物燃料电池MFC反应模型，以生产腐竹废液为底物构建双室型MFC，设置SA-PQ-11/CF为阳极，腐竹废水为阳极液，CF为阴极，构建了MFC发电系统；

样本模型建立模块，包括数据采集单元、样本扩充单元和模型训练单元，数据采集单元用于采集当前周期时间内对应时间序列的温度值和溶氧量，并获取各个温度值和溶氧量对应时间序列上的发电功率，形成样本数据表，样本扩充单元通过GAN模型扩充样本数据表，生成伪数据表，将样本数据表和伪数据表汇合形成新的训练集，模型训练单元根据训练集进行训练，获取温度值和溶氧量与发电功率的表达关系模型；

调控模块包括判断单元和调整单元，判断单元用于期望发电功率与实时发电功率的分析判定，判断是否启动调整单元，调整单元基于PID控制模型对微生物燃料电池MFC中的温度值和溶氧量进行调整。

优选的，所述微生物燃料电池MFC的发电功率由电力采样装置进行发电输出功率测量，反应液体温度由温度传感器进行采集记录，液体的溶氧量由溶解氧分析仪进行测量和记录。

优选的，所述样本扩充单元中，GAN模型扩充样本数据表且输出参考样本的训练过程如下：

构建GAN模型的框架：选择生成器

根据目标函数进行GAN模型训练，得到训练好的GAN模型，将样本数据表的每组数据输入训练好的GAN模型中，设定生成Q组伪数据表；

将样本数据表和伪数据表汇合形成新的训练集，并将训练集输出给模型训练单元。

优选的，所述模型训练单元包括T-O-W模型的构建，T-O-W模型即为温度值和溶氧量与发电功率的表达关系模型，T-O-W模型的构建过程如下：

训练集中每个组数据中的温度值和溶氧量作为RBF神经网络模型的输出，每个发电功率作为输入，对RBF神经网络模型进行训练；

寻找逼近函数

，

设定训练集为

更新权重向量，获取输入和输出的映射关系，生成温度值和溶氧量与发电功率关系表达的T-O-W模型。

优选的，所述RBF神经网络模型的损失函数，设定为Huber Loss损失函数，HuberLoss损失函数表达为，

，

其中，

通过计算损失函数的梯度信息，逐步减小损失函数的值，优化RBF神经网络模型，使预测输出不断逼近真实训练集的温度值和溶氧量，当训练集的损失函数的值不再下降时终止训练，得到训练好的RBF神经网络模型。

优选的，所述判断单元用于期望发电功率与实时发电功率的分析判定，通过电力采样装置对当前时刻点的发电功率进行测量，记为实时发电功率

将实时发电功率

优选的，所述判断单元对

若

若

优选的，所述调整单元基于PID控制模型对微生物燃料电池MFC中的温度值和溶氧量进行调整，调整单元的工作过程为：

获取微生物燃料电池MFC的期望发电功率

将期望温度值和实时温度值、期望溶氧量和实时溶氧量输入给PID控制模型，PID控制模型控制实时温度值和实时溶氧量逼近期望温度值和期望溶氧量。

优选的，所述PID控制模型通过温控设备进行温度调控，通过阀门和流量计控制空气压缩机的氧气输入流量。

优选的，所述腐竹余液回收数据处理系统应用于微型计算机，包括人机交互界面，通过人机交互界面对系统运行数据进行页面显示，管理人员通过人机交互界面对系统进行功能性操作和访问，通讯连接遵循HTTP协议，且采用集成信息处理体系和多客户端的信息体系结构。

与现有技术相比，本发明具备以下有益效果：

1、本发明中，通过数据采集单元对微生物燃料电池MFC的反应环境进行实时监测，可以获得更准确的电池状态信息，为样本扩充单元和模型训练单元的模型训练提供可靠的数据支持，通过使用GAN模型扩充样本库，降低样本量较少造成的数据分析误差的情况，且为T-O-W模型构建过程中数据的处理提供更多的依据。通过对RBF神经网络对温度值和溶氧量与发电功率的表达关系模型进行数据训练，为发电功率调整时，温度值和溶氧量的调整提供数据支持和调整依据，实现调控过程中的有效操作。

2、本发明中，通过判断单元对期望发电功率与实时发电功率进行分析判定，获取微生物燃料电池MFC是否需要进行反应环境的调整，通过调整单元的PID控制模型对微生物燃料电池MFC中的温度值和溶氧量进行调整，使得实时温度值和实时溶氧量向期望温度值和期望溶氧量方向上逼近，实现微生物燃料电池MFC反应环境的有效调整，有效控制MFC电池的输出状态，减少电池在不良状态下的损耗，通过对这些数据进行分析，从而为微生物燃料电池MFC反应环境提供更好的反应环境，使电池的性能能够得到充分发挥。

附图说明

图1为本发明提出一种基于数据分析的腐竹余液回收数据处理系统的结构示意图；

图2为本发明的方法示意图；

图3为本发明中微生物燃料电池MFC反应模型的示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

实施例一

参照图1、图2和图3，实施例一对本发明提出的一种基于数据分析的腐竹余液回收数据处理系统做进一步说明。

对于处理高浓度腐竹废水一般需要多种工艺技术相结合处理以达到排放要求，但其运行过程中需投加大量化学药剂，在一定程度上影响出水质量，且药剂投加、好氧曝气和废水回流使得运行成本较高，同时组合工艺的管理难度较高。而微生物燃料电池（Microbial Fuel Cell,MFC）作为一种新型废水处理技术，其对进水要求不高、抗污染负荷能力强、且无需外部能量摄入可将废水有机物中的化学能直接转化为电能。高浓度腐竹废水可为MFC长期稳定运行提供充足的碳源，有利于其产生电能；且MFC对废水中有机物有良好的去除作用，相比传统组合工艺技术具有清洁、节能和经济等优势。

本文以生产腐竹废液为底物构建双室型MFC，以腐竹废水当微生物源，处理负载电压产生过程中，计算温度和需氧量控制过程中数据的快速分析和处理，温度的采集由温度感应器获取，并通过温控设备进行温度调控，氧气在液体中的含量数据由溶解氧分析仪进行监测和采集，且阴极要连接空气压缩机，通过阀门和流量计控制氧气输入流量。

阳极是MFC中电活性微生物生长繁殖和细胞外电子转移的主要载体，其物理、化学性质及表面特性直接影响MFC性能。阳极的生物相容性、高比表面积和孔隙度对于支持微生物的附着和定植至关重要，本系统为提高微生物燃料电池（MFC）的废水处理效果和发电性能，以碳毡（CF）（SA-PQ-11/CF）为阳极，SA-PQ-11/CF阳极具有较大的比表面积，MFC的溶液电阻和电荷转移电阻得到明显降低。以腐竹废水为阳极液，以CF为阴极，构建了MFC系统。

微生物燃料电池MFC由阳极单元和阴极单元组成。在阳极单元，阳极埋入下层沉积物中，处于厌氧状态，阳极上电活性菌利用沉积物中的有机质等进行生长代谢，并释放电子和质子。阳极作为电子受体，接收电子并通过外电路传递至阴极，质子经泥/水分界面扩散至阴极单元。在阴极单元中，电子、质子与最终电子受体发生还原反应，进而形成可利用的电流，电极反应式如下：

阳极反应:

阴极反应:

样本模型建立模块，包括数据采集单元、样本扩充单元和模型训练单元，数据采集单元用于采集当前周期时间内对应时间序列的温度值和溶氧量，并获取各个温度值和溶氧量对应时间序列上的发电功率，发电功率由电力采样装置进行发电输出功率测量，得到样本数据库，并形成样本数据表，样本扩充单元通过GAN模型扩充样本数据表，生成伪数据表，将样本数据表和伪数据表汇合形成新的训练集，模型训练单元根据训练集进行训练，获取温度值和溶氧量与发电功率的表达关系模型。

样本数据库包括每个周期时间内，系统随机标记多个时间序列，获取多个时刻点，并通过温度传感器、溶解氧分析仪和电力采样装置获取每个时刻点对应微生物燃料电池MFC的反应液体温度、阴极处液体溶氧量（氧气溶解量）和MFC输出的电力功率，进而形成样本数据库，对样本数据库中各项数据去噪平滑处理后录入excel表格，形成样本数据表，其中，由于微生物燃料电池MFC的反应池较大，为了获取数据的准确性，会在反应池上安装有多个温度传感器和溶解氧分析仪，因为在样本库中，同一时刻点只输出一个温度值和溶氧量，因此，存在多个温度传感器和溶解氧分析仪的数据输出时，可以对数据进行平均化处理，使同一时刻点只输出一个平均温度值和平均溶氧量。

溶解在水中的空气中的分子态氧称为溶解氧，水中的溶解氧的含量与空气中氧的分压、水的温度都有密切关系。一般情况下，空气中的含氧量变动不大，故水温是主要的因素，水温愈低，水中溶解氧的含量愈高。

由于周期时间内，温度传感器、溶解氧分析仪和电力采样装置采样次数有限，或者出于成本以及其他因素的考虑，导致周期时间内样本数据表中获取到的数据数量有限，样本数据数量较少，会导致模型训练过程中，温度值和溶氧量与发电功率的表达关系与实际偏差较大，不能很好的进行关系表达，因此，模型训练需要充足的样本数据数量，才能达到理想的效果，本系统通过GAN模型扩充样本库，自动生成模型训练单元所需要的数据数量。

样本扩充单元中，GAN模型扩充样本数据表且输出参考样本的训练过程如下：

构建GAN模型的框架：选择生成器

根据目标函数进行GAN模型训练，得到训练好的GAN模型，将样本数据表的每组数据输入训练好的GAN模型中，设定生成Q组伪数据表；

将样本数据表和伪数据表汇合形成新的训练集，并将训练集输出给模型训练单元。

框架由生成器

生成器

GAN的训练是一个minmax问题的求解，对应的目标函数如下：

；

式中，

训练GAN模型的训练目标为最大化目标函数；通过迭代训练，生成器和判别器的参数不断调整，最终得到GAN模型；

在本发明中，将当前周期时间内样本数据表的每组数据输入训练好的GAN模型中，通过对GAN的目标函数求取全局最优解，设定生成Q组伪数据，将样本数据表和伪数据表汇合形成新的训练集，训练集为模型训练单元提供数据支持。

模型训练单元包括T-O-W模型的构建，T-O-W模型即为温度值和溶氧量与发电功率的表达关系模型，T-O-W模型的构建过程如下：

训练集中每个组数据中的温度值和溶氧量作为RBF神经网络模型的输出，每个发电功率作为输入，对RBF神经网络模型进行训练，更新权重向量，获取输入和输出的映射关系，当需要对发电功率进行设定时，将设定的发电功率输入到训练好的RBF神经网络模型中，生成发电功率对应的温度值和溶氧量；

在RBF神经网络中，所述输入层接收输入数据，并将其传递给隐含层；所述隐含层由一系列径向基函数组成，这些函数根据输入数据与各自的中心点之间的距离来计算输出；每个基函数对应着一个中心点和一个偏差参数，通过调整这些参数，使得基函数能够适应输入数据的特征；输出层根据隐含层的输出计算最终的预测结果；通常情况下，输出层使用线性激活函数来得到连续的预测值。

本发明采用了RBF神经网络对周期时间内发电功率与对应温度值和溶氧量的关系表达进行预测，解决了传统BP神经网络泛化问题，RBF神经网络采用随机逼近的方法，能够获得较好的结果：

设定训练集为

，

高斯基函数为：

,

为输入到第/>

设定RBF神经网络模型的损失函数时，采用Huber Loss损失函数，Huber Loss是一种将MSE与MAE结合起来，取两者优点的损失函数，也被称作Smooth MeanAbsoluteErrorLoss(Smooth L1损失)。Huber Loss也是回归中使用的一种损失函数，它对数据中的异常值不如误差平方损失那么敏感。它具有对异常点不敏感和极小可微的特点，使得损失函数具有良好的性质。当误差较小时，利用Huber Loss的MSE部分，当误差较大时，利用Huber损失的MAE部分。引入了一种新的超参数，它告诉损失函数从MSE到MAE的切换位置。在损失函数中引入超参数，使MSE向MAE的转变趋于平滑，有效衡量模型预测输出与真实值之间的差距，Huber Loss损失函数，

，

其中，

在使用训练集训练RBF神经网络模型的过程中，通过计算损失函数的梯度信息，并根据权值的更新，逐步减小损失函数的值，使RBF神经网络模型预测输出不断逼近真实训练集的温度值和溶氧量，从而优化模型；采用梯度裁剪技术限制梯度范围；在训练集的损失函数的值不再下降时终止训练；得到训练好的RBF神经网络模型。

本实施例中，通过数据采集单元对微生物燃料电池MFC的反应环境进行实时监测，可以获得更准确的电池状态信息，为样本扩充单元和模型训练单元的模型训练提供可靠的数据支持，通过使用GAN模型扩充样本库，降低样本量较少造成的数据分析误差的情况，且为T-O-W模型构建过程中数据的处理提供更多的依据。通过对RBF神经网络对温度值和溶氧量与发电功率的表达关系模型进行数据训练，为发电功率调整时，温度值和溶氧量的调整提供数据支持和调整依据，实现调控过程中的有效操作。

实施例二

参照图1和图2，实施例二对本发明提出的一种基于数据分析的腐竹余液回收数据处理系统做进一步说明。

当需要对微生物燃料电池MFC输出的发电功率进行控制时，判断单元用于期望发电功率与实时发电功率的分析判定，通过电力采样装置对当前时刻点的发电功率进行测量，记为实时发电功率

将实时发电功率

若

若

本系统进行连续周期性监测，当前周期时间内各个模块工作完成后，在下一个周期时间内，各模块进行重复工作，即此时，判断单元重复实时发电功率

调整单元基于PID控制模型对微生物燃料电池MFC中的温度值和溶氧量进行调整，调整单元的工作过程为，获取微生物燃料电池MFC的期望发电功率

PID控制模型基于神经网络的PID控制对微生物燃料电池MFC的实时温度值和实时溶氧量向期望温度值和期望溶氧量逼近及调控，PID控制模型构建过程如下：

构建离散调控目标函数，

公式（1）

公式（2）

公式（3）

公式（1）用于展示每次迭代输出的气体输入速度向预设输入速度逼近的表达式；

公式（2）用于展示迭代气体输入速度的调控表达式；

公式（3）用于展示

其中，

基于每次迭代后输出的实时值对比例系数

基于上述过程，PID控制模型对实时温度值和实时溶氧量的调控进行举例说明，设定实时温度值和实时溶氧量分别为1和2，期望温度值和期望溶氧量分别为3和0.5；

则PID控制模型对温度进行调控时：获取

本实施例中，通过判断单元对期望发电功率与实时发电功率进行分析判定，获取微生物燃料电池MFC是否需要进行反应环境的调整，通过调整单元的PID控制模型对微生物燃料电池MFC中的温度值和溶氧量进行调整，使得实时温度值和实时溶氧量向期望温度值和期望溶氧量方向上逼近，实现微生物燃料电池MFC反应环境的有效调整，有效控制MFC电池的输出状态，减少电池在不良状态下的损耗，通过对这些数据进行分析，从而为微生物燃料电池MFC反应环境提供更好的反应环境，使电池的性能能够得到充分发挥。

实施例三

参照图1和图2，实施例二对本发明提出的一种基于数据分析的腐竹余液回收数据处理系统做进一步说明。

一种基于数据分析的腐竹余液回收数据处理系统，所述腐竹余液回收数据处理系统应用于微型计算机，包括人机交互界面，通过人机交互界面对系统运行数据进行页面显示，管理人员通过人机交互界面对系统进行功能性操作和访问，通讯连接遵循HTTP协议，且采用集成信息处理体系和多客户端的信息体系结构。所述基于数据分析的腐竹余液回收数据处理系统应用于云处理平台，应用于云端，且进行分布式存储。

用户通过人机界面进行身份验证，过滤器会拦截每一个管理人员的登陆请求，并且认证网关根据用户Ukey的数字证书与数据库存储的身份信息进行校对，判断是否具有登录权限，只允许具有登录权限的管理人员登入系统，管理人员登入系统后具有接入系统的权限，人机交互界面可以是计算机以及其他满足功能的智能设备。

基于数据分析的腐竹余液回收数据处理系统包括以下步骤：

步骤S1：构建微生物燃料电池MFC反应模型，以生产腐竹废液为底物构建双室型MFC，设置SA-PQ-11/CF为阳极，腐竹废水为阳极液，CF为阴极，构建了MFC发电系统；

步骤S2：在当前周期时间内，数据采集单元通过电力采样装置采集并记录燃料电池MFC的发电功率，通过温度传感器采集反应液体温度，通过溶解氧分析仪测量和记录液体的溶氧量，形成样本数据表；

步骤S3：样本扩充单元通过GAN模型扩充样本数据表，生成伪数据表，将样本数据表和伪数据表汇合形成新的训练集；

步骤S4：模型训练单元根据训练集进行训练，获取温度值和溶氧量与发电功率的表达关系模型，构建T-O-W模型；

步骤S5：输入期望发电功率，判断单元判定是否启动调整单元，若不启动，则结束，并在下一个周期内重复步骤S2到S5；

步骤S6：若启动，则将期望发电功率输入T-O-W模型，获取期望温度值和期望溶氧量，调整单元基于PID控制模型将微生物燃料电池MFC中的实时温度值和实时溶氧量调整逼近期望温度值和期望溶氧量，在下一个周期内重复步骤S2到S6。

另外，根据本申请的实施方式，一种基于数据分析的腐竹余液回收数据处理系统附图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，当然，一种基于数据分析的腐竹余液回收数据处理系统附图所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以进行适应性选择或者调整。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术用户来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。