反渗透膜的污染监测系统及其方法

技术领域

本公开涉及污染监测领域，且更为具体地，涉及一种反渗透膜的污染监测系统及其方法。

背景技术

反渗透膜是一种能够有效分离水和溶质的膜材料，广泛应用于海水淡化、工业废水处理、饮用水制备等领域。然而，反渗透膜在运行过程中会受到各种有机物、无机物和微生物的污染，导致膜性能下降，增加运行成本和环境风险。因此，及时监测反渗透膜的污染状况，采取有效的清洗和恢复措施，是保证反渗透系统稳定运行的重要环节。

目前，反渗透膜的污染监测主要依赖于人工采样和观察，这种方法耗时耗力，不能实现实时在线监测。因此，期待一种优化的反渗透膜的污染监测方案。

发明内容

有鉴于此，本公开提出了一种反渗透膜的污染监测系统及其方法，其结合基于深度学习的人工智能技术，并通过日常操作数据中的操作压力和脱盐率数据，分析污染物的累积情况。

根据本公开的一方面，提供了一种反渗透膜的污染监测方法，其包括：

获取被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的操作压力值和脱盐率；

对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵；

提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图；以及

基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度。

在上述反渗透膜的污染监测方法中，对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵，包括：

将所述多个预定时间点的操作压力值按照时间维度排列为操作压力时序输入向量，并计算所述操作压力时序输入向量中每两个相邻位置的操作压力值之间的差值以得到操作压力变化时序输入向量；

将所述操作压力时序输入向量通过基于一维卷积神经网络模型的操作压力时序特征提取器以得到操作压力时序特征向量；

将所述操作压力变化时序输入向量通过基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到操作压力变化时序特征向量；以及

利用高斯混合模型来融合所述操作压力时序特征向量和所述操作压力变化时序特征向量以得到所述多尺度操作压力特征矩阵。

在上述反渗透膜的污染监测方法中，提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图，包括：

将所述多个预定时间点的脱盐率按照时间维度排列为脱盐率时序输入向量，将所述脱盐率时序输入向量进行归一化处理以得到归一化后脱盐率时序输入向量；以及

将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于MetaNet模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图。

在上述反渗透膜的污染监测方法中，将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于MetaNet模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图，包括：

将所述归一化后脱盐率时序输入向量通过点卷积层以得到第一卷积特征向量；

将所述第一卷积特征向量通过基于ReLU函数的修正线性单元以得到第一修正卷积特征向量；

将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；

将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元以得到第二修正卷积特征向量；

将所述多尺度操作压力特征矩阵通过CNN模型以得到高维隐含特征图；以及

融合所述第二修正卷积特征向量与所述高维隐含特征图以得到所述融合脱盐率信息的多尺度操作压力特征图。

在上述反渗透膜的污染监测方法中，基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度，包括：

将所述融合脱盐率信息的多尺度操作压力特征图通过分类器以得到分类结果，所述分类结果用于表示反渗透膜的污染物累积程度的标签。

在上述反渗透膜的污染监测方法中，还包括训练步骤：对所述基于一维卷积神经网络模型的操作压力时序特征提取器、所述基于一维卷积神经网络模型的操作压力变化时序特征提取器、所述高斯混合模型、所述基于MetaNet模块的运行参数交融模块和所述分类器进行训练；其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的训练操作压力值和训练脱盐率，以及，所述被评估反渗透膜的污染物累积程度的标签的真实值；

将所述多个预定时间点的训练操作压力值按照时间维度排列为训练操作压力时序输入向量，并计算所述训练操作压力时序输入向量中每两个相邻位置的训练操作压力值之间的差值以得到训练操作压力变化时序输入向量；

将所述训练操作压力时序输入向量通过所述基于一维卷积神经网络模型的操作压力时序特征提取器以得到训练操作压力时序特征向量；

将所述训练操作压力变化时序输入向量通过所述基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到训练操作压力变化时序特征向量；

利用所述高斯混合模型来融合所述训练操作压力时序特征向量和所述训练操作压力变化时序特征向量以得到训练多尺度操作压力特征矩阵；

将所述多个预定时间点的训练脱盐率按照时间维度排列为训练脱盐率时序输入向量，将所述训练脱盐率时序输入向量进行归一化处理以得到训练归一化后脱盐率时序输入向量；

将所述训练归一化后脱盐率时序输入向量和所述训练多尺度操作压力特征矩阵通过所述基于MetaNet模块的运行参数交融模块以得到融合脱盐率信息的训练多尺度操作压力特征图；

将所述融合脱盐率信息的训练多尺度操作压力特征图通过分类器以得到分类损失函数值；以及

以所述分类损失函数值来对所述基于一维卷积神经网络模型的操作压力时序特征提取器、所述基于一维卷积神经网络模型的操作压力变化时序特征提取器、所述高斯混合模型、所述基于MetaNet模块的运行参数交融模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述融合脱盐率信息的训练多尺度操作压力特征图进行特征分布优化。

在上述反渗透膜的污染监测方法中，在所述训练的每一轮迭代中，对所述融合脱盐率信息的训练多尺度操作压力特征图进行特征分布优化，包括：

计算所述融合脱盐率信息的训练多尺度操作压力特征图沿通道的修正用加权系数以得到通道加权系数，以及，计算所述融合脱盐率信息的训练多尺度操作压力特征图的各个特征矩阵的修正用加权系数以得到特征矩阵加权系数的序列；

以所述通道加权系数对所述融合脱盐率信息的训练多尺度操作压力特征图沿通道进行加权，并以所述特征矩阵加权系数的序列对所述融合脱盐率信息的训练多尺度操作压力特征图的每个特征矩阵进行加权以得到优化后的融合脱盐率信息的多尺度操作压力特征图。

根据本公开的另一方面，提供了一种反渗透膜的污染监测系统，其包括：

数据获取模块，用于获取被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的操作压力值和脱盐率；

时序分析模块，用于对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵；

融合模块，用于提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图；以及

累积程度分析模块，用于基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度。

在上述反渗透膜的污染监测系统中，所述时序分析模块，包括：

插值计算单元，用于将所述多个预定时间点的操作压力值按照时间维度排列为操作压力时序输入向量，并计算所述操作压力时序输入向量中每两个相邻位置的操作压力值之间的差值以得到操作压力变化时序输入向量；

操作压力时序特征提取单元，用于将所述操作压力时序输入向量通过基于一维卷积神经网络模型的操作压力时序特征提取器以得到操作压力时序特征向量；

操作压力变化时序特征提取单元，用于将所述操作压力变化时序输入向量通过基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到操作压力变化时序特征向量；以及

高斯混合单元，用于利用高斯混合模型来融合所述操作压力时序特征向量和所述操作压力变化时序特征向量以得到所述多尺度操作压力特征矩阵。

在上述反渗透膜的污染监测系统中，所述融合模块，包括：

归一化单元，用于将所述多个预定时间点的脱盐率按照时间维度排列为脱盐率时序输入向量，将所述脱盐率时序输入向量进行归一化处理以得到归一化后脱盐率时序输入向量；以及

交融单元，用于将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于MetaNet模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图。

根据本公开的实施例，其首先获取被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的操作压力值和脱盐率，接着，对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵，然后，提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图，最后，基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度。这样，可以精确地分析污染物的累积情况。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的反渗透膜的污染监测方法的流程图。

图2示出根据本公开的实施例的反渗透膜的污染监测方法的架构示意图。

图3示出根据本公开的实施例的反渗透膜的污染监测方法的子步骤S120的流程图。

图4示出根据本公开的实施例的反渗透膜的污染监测方法的子步骤S130的流程图。

图5示出根据本公开的实施例的反渗透膜的污染监测方法的子步骤S132的流程图。

图6示出根据本公开的实施例的反渗透膜的污染监测系统的框图。

图7示出根据本公开的实施例的反渗透膜的污染监测方法的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

针对上述技术问题，本公开的技术构思是结合基于深度学习的人工智能技术，并通过日常操作数据中的操作压力和脱盐率数据，来分析污染物的累积情况。

基于此，图1示出根据本公开的实施例的反渗透膜的污染监测方法的流程图。图2示出根据本公开的实施例的反渗透膜的污染监测方法的架构示意图。如图1和图2所示，根据本公开实施例的反渗透膜的污染监测方法，包括步骤：S110，获取被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的操作压力值和脱盐率；S120，对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵；S130，提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图；以及，S140，基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度。

具体地，在本公开的技术方案中，首先，获取被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的操作压力值和脱盐率。应可以理解，反渗透膜在正常运行时，水分子可以通过膜孔隙，而溶质（如盐、有机物等）通常无法通过，从而实现水和溶质的分离。当反渗透膜受到污染时，污染物会在膜表面或孔隙中积聚，导致膜的通量下降，即水通过膜的速率减慢，从而增加了操作压力。因此，通过监测操作压力值的变化可以间接反映反渗透膜的污染程度。此外，脱盐率是指反渗透膜系统中处理水中溶质的效果，通常以水中溶质的去除率来衡量。当反渗透膜受到污染时，污染物会附着在膜表面或孔隙中，阻碍水分子通过，从而降低了脱盐率。因此，通过监测脱盐率的变化可以直接评估反渗透膜的污染程度。

然后，对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵。应可以理解，反渗透膜的污染是一个渐进的过程，也就是说，反渗透膜在运行过程中会逐渐受到污染，而不是突然发生。通过对多个预定时间点的操作压力值进行时序分析，可以观察到操作压力的变化趋势，从而了解膜的污染程度是逐渐增加还是保持稳定。

在本公开的一个具体示例中，对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵的编码过程，包括：先将所述多个预定时间点的操作压力值按照时间维度排列为操作压力时序输入向量，并计算所述操作压力时序输入向量中每两个相邻位置的操作压力值之间的差值以得到操作压力变化时序输入向量；随后，将所述操作压力时序输入向量通过基于一维卷积神经网络模型的操作压力时序特征提取器以得到操作压力时序特征向量；再将所述操作压力变化时序输入向量通过基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到操作压力变化时序特征向量；进一步地，利用高斯混合模型来融合所述操作压力时序特征向量和所述操作压力变化时序特征向量以得到多尺度操作压力特征矩阵。

这里，操作压力的差值反映压力变化的速率。也就是，通过计算操作压力时序输入向量中相邻位置的操作压力值之间的差值，可以获得操作压力的变化速率。这种变化速率可以提供关于膜性能变化的信息，比如污染物积聚的速度。较大的差值可能意味着膜受到了更严重的污染。通过对操作压力变化进行时序特征提取可以增强污染检测的敏感性，捕捉到操作压力的动态变化模式。

接着，提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图。这样，使得融合后的所述融合脱盐率信息的多尺度操作压力特征图具有更为出色的特征表达能力。

在本公开的一个具体示例中，提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图的编码过程，包括：先将所述多个预定时间点的脱盐率按照时间维度排列为脱盐率时序输入向量，将所述脱盐率时序输入向量进行归一化处理以得到归一化后脱盐率时序输入向量；再将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于MetaNet（Meta Network，元网络）模块的运行参数交融模块以得到融合脱盐率信息的多尺度操作压力特征图。

更具体地，在本公开的实施例中，将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于MetaNet模块的运行参数交融模块以得到融合脱盐率信息的多尺度操作压力特征图的编码过程，包括：先将所述归一化后脱盐率时序输入向量通过点卷积层以得到第一卷积特征向量；再将所述第一卷积特征向量通过基于ReLU（RectifiedLinear Unit，线性整流函数）函数的修正线性单元以得到第一修正卷积特征向量；随后，将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；进一步地，将所述第二卷积特征向量通过基于Sigmoid（S型生长曲线）函数的修正线性单元以得到第二修正卷积特征向量；接着，将所述多尺度操作压力特征矩阵通过CNN（Convolutional NeuralNetwork，卷积神经网络）模型以得到高维隐含特征图；然后，融合所述第二修正卷积特征向量与所述高维隐含特征图以得到所述融合脱盐率信息的多尺度操作压力特征图。

相应地，如图3所示，对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵，包括：S121，将所述多个预定时间点的操作压力值按照时间维度排列为操作压力时序输入向量，并计算所述操作压力时序输入向量中每两个相邻位置的操作压力值之间的差值以得到操作压力变化时序输入向量；S122，将所述操作压力时序输入向量通过基于一维卷积神经网络模型的操作压力时序特征提取器以得到操作压力时序特征向量；S123，将所述操作压力变化时序输入向量通过基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到操作压力变化时序特征向量；以及，S124，利用高斯混合模型来融合所述操作压力时序特征向量和所述操作压力变化时序特征向量以得到所述多尺度操作压力特征矩阵。应可以理解，步骤S121的目的是将操作压力数据按照时间顺序组织起来，并提取操作压力的变化信息。步骤S122的目的是提取操作压力数据中的关键特征，例如波形、频率等，以捕捉操作压力的时间演化模式。步骤S123目的是提取操作压力变化数据中的关键特征，例如斜率、峰值等，以捕捉操作压力变化的动态模式。步骤S124的目的是将操作压力的时序特征和变化特征结合起来，提供多尺度的操作压力特征表示，从而更全面地描述操作压力的特性。综合来说，这些步骤构成了一个操作压力特征提取的流程，通过将操作压力数据转换为特征向量的形式，可以更好地表示和分析操作压力的时序特征和变化特征，为后续的操作压力分析和模型建立提供基础。

值得一提的是，高斯混合模型（Gaussian Mixture Model，GMM）是一种概率模型，用于对由多个高斯分布组成的数据进行建模和拟合。它假设观测数据是由多个高斯分布组成的混合体，每个高斯分布对应一个隐藏的潜在变量（或称为隐变量），表示数据属于该分布的概率。高斯混合模型的核心思想是通过调整各个高斯分布的均值、方差和权重，使得模型能够最好地拟合观测数据。每个高斯分布对应的权重表示了该分布在整个混合模型中的重要性或贡献程度。在高斯混合模型中，给定观测数据，模型的目标是通过最大似然估计或期望最大化算法（Expectation-Maximization，EM算法）来估计模型参数，包括各个高斯分布的均值、方差和权重。高斯混合模型常用于聚类分析、密度估计和生成模型等领域。它的灵活性和表达能力使得它能够适应各种数据分布，并且可以用于发现数据中的隐藏模式和聚类结构。

相应地，如图4所示，提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图，包括：S131，将所述多个预定时间点的脱盐率按照时间维度排列为脱盐率时序输入向量，将所述脱盐率时序输入向量进行归一化处理以得到归一化后脱盐率时序输入向量；以及，S132，将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于MetaNet模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图。应可以理解，步骤S131的目的是将脱盐率数据按照时间顺序组织起来，并对其进行归一化处理，以确保不同尺度的脱盐率数据具有可比性。步骤S132的目的是将脱盐率特征信息与操作压力特征进行融合，以获得综合考虑操作压力和脱盐率的特征表示，从而更全面地描述系统的状态和性能。综合来说，这两个步骤构成了一个特征提取和融合的流程，通过将脱盐率数据和操作压力数据进行归一化、融合，可以得到多尺度操作压力特征图，其中包含了脱盐率的信息。这样的特征图可以用于进一步的分析和建模，以提取系统状态和性能的关键特征，并支持相关的决策和优化。

更具体地，如图5所示，在步骤S132中，将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于MetaNet模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图，包括：S1321，将所述归一化后脱盐率时序输入向量通过点卷积层以得到第一卷积特征向量；S1322，将所述第一卷积特征向量通过基于ReLU函数的修正线性单元以得到第一修正卷积特征向量；S1323，将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；S1324，将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元以得到第二修正卷积特征向量；S1325，将所述多尺度操作压力特征矩阵通过CNN模型以得到高维隐含特征图；以及，S1326，融合所述第二修正卷积特征向量与所述高维隐含特征图以得到所述融合脱盐率信息的多尺度操作压力特征图。

继而，将所述融合脱盐率信息的多尺度操作压力特征图通过分类器以得到分类结果，所述分类结果用于表示所述被评估反渗透膜的污染物累积程度的标签。

相应地，基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度，包括：将所述融合脱盐率信息的多尺度操作压力特征图通过分类器以得到分类结果，所述分类结果用于表示反渗透膜的污染物累积程度的标签。

更具体地，将所述融合脱盐率信息的多尺度操作压力特征图通过分类器以得到分类结果，所述分类结果用于表示反渗透膜的污染物累积程度的标签，包括：将所述融合脱盐率信息的多尺度操作压力特征图按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

进一步地，在本公开的技术方案中，所述的反渗透膜的污染监测方法，其还包括训练步骤：对所述基于一维卷积神经网络模型的操作压力时序特征提取器、所述基于一维卷积神经网络模型的操作压力变化时序特征提取器、所述高斯混合模型、所述基于MetaNet模块的运行参数交融模块和所述分类器进行训练。应可以理解，训练步骤对于反渗透膜的污染监测方法非常重要，它的作用如下：1.训练操作压力时序特征提取器和操作压力变化时序特征提取器：这些模型用于从操作压力数据中提取有用的时序特征。通过训练这些模型，可以学习到适合于反渗透膜污染监测的特征提取方式，使得提取到的特征更能准确地反映反渗透膜的状态和性能。2.训练高斯混合模型：高斯混合模型用于对脱盐率数据进行建模和拟合。通过训练高斯混合模型，可以估计脱盐率数据的分布情况，并得到每个高斯分布的参数（均值、方差和权重），用于后续的特征融合。3.训练基于MetaNet模块的运行参数交融模块：这个模块用于将归一化后的脱盐率时序输入向量和多尺度操作压力特征矩阵进行融合。通过训练这个模块，可以学习到如何将不同特征源的信息进行有效的融合，以获得更具表达能力和判别性的特征表示。4.训练分类器：分类器用于对污染情况进行分类，判断反渗透膜是否受到污染。通过训练分类器，可以学习到如何根据提取到的特征来进行准确的分类，从而实现对反渗透膜污染情况的监测和预测。综上所述，训练步骤对于反渗透膜的污染监测方法是必要的，它们通过训练模型和分类器，使得系统能够从操作压力和脱盐率数据中提取关键特征，并进行有效的特征融合和分类，从而实现对反渗透膜污染的准确监测和预测。

其中，更具体地，所述训练步骤，包括：获取训练数据，所述训练数据包括被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的训练操作压力值和训练脱盐率，以及，所述被评估反渗透膜的污染物累积程度的标签的真实值；将所述多个预定时间点的训练操作压力值按照时间维度排列为训练操作压力时序输入向量，并计算所述训练操作压力时序输入向量中每两个相邻位置的训练操作压力值之间的差值以得到训练操作压力变化时序输入向量；将所述训练操作压力时序输入向量通过所述基于一维卷积神经网络模型的操作压力时序特征提取器以得到训练操作压力时序特征向量；将所述训练操作压力变化时序输入向量通过所述基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到训练操作压力变化时序特征向量；利用所述高斯混合模型来融合所述训练操作压力时序特征向量和所述训练操作压力变化时序特征向量以得到训练多尺度操作压力特征矩阵；将所述多个预定时间点的训练脱盐率按照时间维度排列为训练脱盐率时序输入向量，将所述训练脱盐率时序输入向量进行归一化处理以得到训练归一化后脱盐率时序输入向量；将所述训练归一化后脱盐率时序输入向量和所述训练多尺度操作压力特征矩阵通过所述基于MetaNet模块的运行参数交融模块以得到融合脱盐率信息的训练多尺度操作压力特征图；将所述融合脱盐率信息的训练多尺度操作压力特征图通过分类器以得到分类损失函数值；以及，以所述分类损失函数值来对所述基于一维卷积神经网络模型的操作压力时序特征提取器、所述基于一维卷积神经网络模型的操作压力变化时序特征提取器、所述高斯混合模型、所述基于MetaNet模块的运行参数交融模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述融合脱盐率信息的训练多尺度操作压力特征图进行特征分布优化。

在本申请的技术方案中，将所述训练归一化后脱盐率时序输入向量和所述训练多尺度操作压力特征矩阵通过基于MetaNet模块的运行参数交融模块以得到融合脱盐率信息的训练多尺度操作压力特征图时，由于所述训练多尺度操作压力特征矩阵用于表达操作压力值及其变化值的时序关联特征的概率密度分布融合关联表示，当通过脱盐率的源时序分布进行分布约束后，所述融合脱盐率信息的训练多尺度操作压力特征图会同时包含与源时序分布和特征时序分布及其概率密度分布对应的多样化时序特征表示，也就是，使得所述融合脱盐率信息的训练多尺度操作压力特征图作为整体，对于其各个特征矩阵表达的时序关联特征和特征矩阵间的时序关联存在不均衡。并且，这种不均衡在很大程度上与特征表达尺度相关，即特征矩阵的时序关联特征分布表达尺度，和各个特征矩阵间的源时序分布尺度，例如，可以理解为相对于进行通道关联的源时序分布尺度，时序关联特征分布越不均衡，则所述融合脱盐率信息的训练多尺度操作压力特征图的整体表达也越不均衡。因此，优选地，对于所述融合脱盐率信息的训练多尺度操作压力特征图的各个特征矩阵，例如记为

相应地，在一个具体示例中，在所述训练的每一轮迭代中，对所述融合脱盐率信息的训练多尺度操作压力特征图进行特征分布优化，包括：计算所述融合脱盐率信息的训练多尺度操作压力特征图沿通道的修正用加权系数以得到通道加权系数，以及，计算所述融合脱盐率信息的训练多尺度操作压力特征图的各个特征矩阵的修正用加权系数以得到特征矩阵加权系数的序列；以所述通道加权系数对所述融合脱盐率信息的训练多尺度操作压力特征图沿通道进行加权，并以所述特征矩阵加权系数的序列对所述融合脱盐率信息的训练多尺度操作压力特征图的每个特征矩阵进行加权以得到优化后的融合脱盐率信息的多尺度操作压力特征图。

计算所述融合脱盐率信息的训练多尺度操作压力特征图沿通道的修正用加权系数以得到通道加权系数，所述融合脱盐率信息的训练多尺度操作压力特征图的各个特征矩阵的修正用加权系数以得到特征矩阵加权系数的序列，具体表示为：

这里，通过类标准柯西分布式的尾部分布加强机制，可以基于特征尺度对高维特征空间内的特征概率密度分布进行多层次分布结构的相关性约束，以使得具有不同尺度的高维特征的概率密度分布在整体概率密度空间内进行均匀性展开，从而弥补特征尺度偏差导致的概率密度收敛异质性。这样，在训练过程中，以上述系数

综上，基于本公开实施例的反渗透膜的污染监测方法，其可以精确地分析污染物的累积情况。

图6示出根据本公开的实施例的反渗透膜的污染监测系统100的框图。如图6所示，根据本公开实施例的反渗透膜的污染监测系统100，包括：数据获取模块110，用于获取被评估反渗透膜所属的反渗透系统在预定时间段内多个预定时间点的操作压力值和脱盐率；时序分析模块120，用于对所述多个预定时间点的操作压力值进行时序分析以得到多尺度操作压力特征矩阵；融合模块130，用于提取所述多个预定时间点的脱盐率的脱盐率特征信息，并将所述脱盐率特征信息与所述多尺度操作压力特征矩阵进行融合以得到融合脱盐率信息的多尺度操作压力特征图；以及，累积程度分析模块140，用于基于所述融合脱盐率信息的多尺度操作压力特征图，确定所述被评估反渗透膜的污染物累积程度。

在一种可能的实现方式中，所述时序分析模块120，包括：插值计算单元，用于将所述多个预定时间点的操作压力值按照时间维度排列为操作压力时序输入向量，并计算所述操作压力时序输入向量中每两个相邻位置的操作压力值之间的差值以得到操作压力变化时序输入向量；操作压力时序特征提取单元，用于将所述操作压力时序输入向量通过基于一维卷积神经网络模型的操作压力时序特征提取器以得到操作压力时序特征向量；操作压力变化时序特征提取单元，用于将所述操作压力变化时序输入向量通过基于一维卷积神经网络模型的操作压力变化时序特征提取器以得到操作压力变化时序特征向量；以及，高斯混合单元，用于利用高斯混合模型来融合所述操作压力时序特征向量和所述操作压力变化时序特征向量以得到所述多尺度操作压力特征矩阵。

在一种可能的实现方式中，所述融合模块130，包括：归一化单元，用于将所述多个预定时间点的脱盐率按照时间维度排列为脱盐率时序输入向量，将所述脱盐率时序输入向量进行归一化处理以得到归一化后脱盐率时序输入向量；以及，交融单元，用于将所述归一化后脱盐率时序输入向量和所述多尺度操作压力特征矩阵通过基于MetaNet模块的运行参数交融模块以得到所述融合脱盐率信息的多尺度操作压力特征图。

这里，本领域技术人员可以理解，上述反渗透膜的污染监测系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的反渗透膜的污染监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本公开实施例的反渗透膜的污染监测系统100可以实现在各种无线终端中，例如具有反渗透膜的污染监测算法的服务器等。在一种可能的实现方式中，根据本公开实施例的反渗透膜的污染监测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该反渗透膜的污染监测系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该反渗透膜的污染监测系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该反渗透膜的污染监测系统100与该无线终端也可以是分立的设备，并且该反渗透膜的污染监测系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图7示出根据本公开的实施例的反渗透膜的污染监测方法的应用场景图。如图7所示，在该应用场景中，首先，获取被评估反渗透膜（例如，图7中所示意的L）所属的反渗透系统（例如，图7中所示意的N）在预定时间段内多个预定时间点的操作压力值（例如，图7中所示意的D1）和脱盐率（例如，图7中所示意的D2），然后，将所述多个预定时间点的操作压力值和所述多个预定时间点的脱盐率输入至部署有反渗透膜的污染监测算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述反渗透膜的污染监测算法对所述多个预定时间点的操作压力值和所述多个预定时间点的脱盐率进行处理以得到用于表示反渗透膜的污染物累积程度的标签的分类结果。

进一步对本公开的技术方案进行说明。反渗透又称逆渗透,是一种以压力差为推动力，从溶液中分离出溶剂的膜分离操作对膜一侧的料液施加压力，当压力超过它的渗透压时，溶剂会逆着自然渗透的方向作反向渗透。从而在膜的低压侧得到透过的溶剂，即渗透液；高压侧得到浓缩的溶液，即浓缩液。若用反渗透处理海水，在膜的低压侧得到淡水，在高压侧得到浓水。因为它和自然渗透的方向相反，故称反渗透。根据各种物料的不同渗透压，就可以使用大于渗透压的反渗透压力，即反渗透法，达到分离、提取、纯化和浓缩的目的。

反渗透系统运行时，进水中含有的悬浮物质，溶解物质以及微生物繁殖等原因都会造成膜元件污染。反渗透系统的预处理应尽可能的除去这些污染物质，尽量降低膜元件污染的可能性。通常，造成膜污染的原因主要有以下几种：1.装置管道中含有的油类物质和焊接管道时的残留物以及灰尘未在装膜前清洗干净；2.预处理装置设计不合理；3.添加化学药品的量发生错误或设备发生故障；4.人为操作失误；5.停止运行时未作低压冲洗或冲洗条件控制得不正确；6.给水水源或水质发生变化。

污染物的累积情况可以通过日常数据记录中的操作压力、压差上升、脱盐率变化等参数得知。膜元件受到污染时，往往通过清洗来恢复膜元件的性能。清洗的方式一般有两种，物理清洗(冲洗)和化学清洗(药品清洗)。物理清洗(冲洗)是不改变污染物的性质，用力量使污染物排除膜元件，恢复膜元件的性能。化学清洗是使用相应的化学药剂，改变污染物的组成或属性，恢复膜元件的性能。吸附性低的粒子状污染物，可以通过冲洗(物理清洗)的方式达到一定的效果，像生物污染这种对膜的吸附性强的污染物使用冲洗的方法很难达到预期效果。用冲洗的方法很难除去的污染应采用化学清洗，为了提高化学清洗的效果，清洗前，有必要通过对污染状况进行分析，确定污染的种类在了解了污染物种类时，选择合适的清洗药剂就可以适当的恢复膜元件的性能。

相应地，可以采用物理清洗（冲洗）或者化学清洗的方式进行污染物的清洗。

冲洗是采用低压大流量的进水冲洗膜元件，冲洗掉附着在膜表面的污染物或堆积物。装置运行时，颗粒污染物逐渐堆积在膜的表面。如果冲洗时的流速和制水时的流速相等或略低，则很难把污染物从膜元件中冲出来。因此，冲洗时要使用比正常运行时更高的流速。正常高压运行时，污染物被压向膜表面造成污染。所以在冲洗时，如果采用同样的高压，污染物仍会被压在膜表面上，清洗的效果不会理想。因此在冲洗时，应尽可能的通过低压、高流速的方式，增加水平方向的剪切力，把污染物冲出膜元件。

当物理冲洗已经不能使反渗透膜的性能恢复，这时就需要进行化学清洗。不同污染物应采用不同的清洗药剂。污染发生时通常不是只有一种污染物，因此常规化学清洗需要包括高pH值清洗和低pH值清洗两大步骤。选用哪个清洗剂进行化学清洗，可以按以下方法判断：按反渗透进水水质判断；进行全系统膜元件清洗之前，可以从系统中取出一、两支膜元件，通过进行清洗试验，选择最佳的清洗药品。一般来说，应先采用高pH清洗液清洗油类和微生物污染，然后采用低pH清洗液清洗无机垢类或金属氧化物污染。有时也先酸洗后碱洗，或者只采用一种药剂清洗，例如地下水源的铁污染，采用简单的低pH清洗即可。

附图中的流程图和框图显示了本公开的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。