水處理混凝劑最佳投量預測系統及預測方法
2023-04-27 21:29:41 1
專利名稱：水處理混凝劑最佳投量預測系統及預測方法
技術領域：
本發明涉及水處理系統的測量技術，尤其涉及城市水處理混凝沉澱工藝中混凝劑最佳投量的預測。
背景技術：
在城市水處理中，「混凝-沉澱」是一項重要的常規處理工藝。在原水水質不斷變化的情況下，水廠需要在保證持續穩定地控制出廠水濁度的同時，控制混凝劑的使用量以降低成本。混凝劑的最佳投量是指水廠達到既定水質目標的最小混凝劑投量。在實際生產實踐中，水廠主要通過燒杯試驗以及以往生產經驗確定混凝劑的最佳投量。然而，由於這些方法受人為因素的影響較大，不同監測人員可能有不同的判斷標準。其它機理的絮凝控制儀也存在著技術不成熟、硬體設施不完善等缺點。這些都導致了水廠出水濁度不穩定、水處理成本差異較大等問題。實際生產中缺乏有效的混凝劑最佳投量預測系統，成功應用於實際生產的例子很少。發明內容
基於上述現有技術，本發明提出了一種水處理混凝劑最佳投量預測系統及預測方法，利用可遠程控制的計算輔助系統結合再生水廠原水水質的採集與分析處理，以對「混凝-沉澱」工藝出水濁度進行的預測處理結果為依據，完成混凝劑最佳投量預測。
本發明提出了一種水處理混凝劑最佳投量預測系統，該系統包括數據採集與監測系統、數據中心和主控計算機，用於監測和分析水廠「混凝-沉澱」工藝運行情況，預測「混凝-沉澱」工藝中混凝劑最佳投量，其中
所述數據採集與監測SCADA系統，包括若干個遙測遠傳終端和通訊系統，所述遙測遠傳終端用於採集水廠原水進水監測點、「混凝-沉澱」工藝出水監測點處的相關理化指標數據，以及所述通訊系統，用於遙測遠傳終端與數據中心的信息通訊；
所述數據中心，用於該系統的控制和數據存儲，包括伺服器和資料庫，所述伺服器用於控制數據採集與監測系統，監控過程值並與過程硬體通訊；所述伺服器上的資料庫，用來存儲按時序監測的理化指標數據，該理化指標數據為原水進水濁度、原水PH值、原水溫度、「混凝-沉澱」工藝出水濁度數據)以及混凝劑實際投量數據；
所述主控計算機包括存儲模塊，用於存儲混凝劑最佳投量預測分析的相關數據信息；以及數據採集模塊，用於控制所述數據採集與監測SCADA系統對水廠原水進水監測點和工藝出水監測點理化指標進行所述相關數據信息的循環採集，並將採集到的相關數據信息作為監測數據傳送到所述資料庫中存儲；所述相關數據信息包括
①水廠的基礎情況與數據；
②水廠原水和工藝出水理化指標監測數據監測指標為原水進水濁度、原水pH 值、原水溫度，以及「混凝-沉澱」工藝出水濁度數據；
③水廠「混凝-沉澱」工藝運行中混凝劑實際投量數據與原水和工藝出水理化指際投量歷史數據；
混凝-沉澱工藝出水濁度預測模塊，用於讀取所述資料庫中的所述監測數據，將其作為輸入數據，代入不確定性水質模型對混凝-沉澱工藝出水濁度的概率分布進行預測處理；所述不確定性水質模型的計算包括基於上述原水、工藝出水理化指標數據以及混凝劑實際投量數據，建立資料庫，並利用該資料庫的數據樣本構建預測「混凝-沉澱」工藝出水濁度的不確定性水質模型；
混凝劑最佳投量預測模塊，用於確定混凝-沉澱工藝的混凝劑最佳投量，以所述混凝-沉澱工藝出水濁度進行預測結果為依據，確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍，結合出水實際濁度確定工藝運行過程中的混凝劑投量；所述預測混凝劑最佳投量的計算包括根據預測「混凝-沉澱」工藝出水濁度的不確定性水質模型，結合當前原水水質條件以及工藝出水實際水質情況確定工藝運行過程中的混凝劑最佳投量。
所述代入不確定性水質模型對「混凝-沉澱」工藝出水濁度進行預測處理為建立不確定性水質模型，該不確定性水質模型通過基於馬爾科夫蒙特卡羅方法的 Metropolis-Hastings算法，在實測數據基礎上對模型參數的後驗分布進行採樣，然後以參數的樣本進行隨機模擬，從而得到模型預測值的概率分布情況；在本系統中，首先建立原水進水濁度、原水PH值、原水溫度、混凝劑投加量與工藝出水濁度之間的冪指數模型，並得到模型中待估參數，然後運行M-H算法，以資料庫中的實測數據為樣本對模型參數進行採樣， 並以當前水廠原水理化指標數據為模型輸入，採用模型參數採樣樣本進行隨機模擬，預測 「混凝-沉澱」工藝出水濁度隨混凝劑投量變化的概率分布，得到工藝出水濁度概率分布圖。
所述確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍的處理包括
水廠「混凝-沉澱」工藝出水濁度需達到某一特定值以下，將該濁度數值與工藝出水濁度概率分布進行比對，並截取該濁度下混凝劑投量取值區間，同時結合當前工藝出水實際濁度變化情況、混凝劑投量因素條件，確定工藝運行過程中的混凝劑最佳投量。
所述數據採集與監測系統按預先設定的時段完成採集，採集結果經由有線或無線通訊方式發送給數據中心。
所述「混凝-沉澱」工藝出水濁度的特定值，該特定值一般由水處理的後續工藝決定，工藝出水濁度應滿足小於該特定值以下，以保證後續處理的要求，如一般水廠要求「混凝-沉澱」工藝出水濁度在INTU以下。
本發明還提出了一種水處理混凝劑最佳投量預測方法，該方法包括以下步驟
步驟一，採集並存儲水廠原水進水監測點、「混凝-沉澱」工藝出水監測點處的相關理化指標數據；
步驟二，存儲混凝劑最佳投量預測分析的相關數據信息到資料庫，所述混凝劑最佳投量預測分析的相關數據信息包括
①水廠的基礎情況與數據；
②水廠原水和工藝出水理化指標監測數據監測指標為原水進水濁度、原水pH 值、原水溫度，以及「混凝-沉澱」工藝出水濁度數據；
③水廠「混凝-沉澱」工藝運行中混凝劑實際投量數據與原水和工藝出水理化指標數據同時期的相應混凝劑實際投量歷史數據；6
步驟三，讀取所述資料庫中的所述監測數據，將其作為輸入數據，代入不確定性水質模型對混凝-沉澱工藝出水濁度的概率分布進行預測處理，預測「混凝-沉澱」工藝出水濁度的不確定性水質模型的計算又包括以下步驟基於原水、工藝出水理化指標數據以及混凝劑實際投量數據，建立資料庫，並利用該資料庫的數據樣本構建預測「混凝-沉澱」工藝出水濁度的不確定性水質模型；
步驟四，以所述「混凝-沉澱」工藝出水濁度進行預測結果為依據，確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍，結合出水實際濁度確定工藝運行過程中的混凝劑投量，預測混凝劑最佳投量的計算又包括以下步驟根據預測「混凝-沉澱」工藝出水濁度的不確定性水質模型，結合當前原水水質條件以及工藝出水實際水質情況確定工藝運行過程中的混凝劑最佳投量。
所述代入不確定性水質模型對「混凝-沉澱」工藝出水濁度進行預測處理為建立不確定性水質模型，該不確定性水質模型通過基於馬爾科夫蒙特卡羅方法的 Metropolis-Hastings算法(M-H算法)，在實測數據基礎上對模型參數的後驗分布進行採樣，然後以參數的樣本進行隨機模擬，從而得到模型預測值的概率分布情況；在本系統中， 首先建立原水進水濁度、原水PH值、原水溫度、混凝劑投加量與工藝出水濁度之間的冪指數模型，並得到模型中待估參數，然後運行M-H算法，以資料庫中的實測數據為樣本對模型參數進行採樣，並以當前水廠原水理化指標數據為模型輸入，採用模型參數採樣樣本進行隨機模擬，預測「混凝-沉澱」工藝出水濁度隨混凝劑投量變化的概率分布，得到工藝出水濁度概率分布圖。
所述確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍是指，水廠 「混凝-沉澱」工藝出水濁度需達到一特定值以下，將該濁度數值與工藝出水濁度概率分布進行比對，並截取該濁度下混凝劑投量取值區間，同時結合當前工藝出水實際濁度變化情況、混凝劑投量因素條件，確定工藝運行過程中的混凝劑最佳投量。
所述數據採集與監測系統按預先設定的時段完成採集，採集結果經由有線或無線通訊方式發送給數據中心。
所述「混凝-沉澱」工藝出水濁度的特定值，該特定值一般由水處理的後續工藝決定，工藝出水濁度應滿足小於該特定值以下，以保證後續處理的要求，如一般水廠要求「混凝-沉澱」工藝出水濁度在INTU以下。
與現有技術相比，本發明能夠迅速準確地在水廠原水水質變化條件下，預測混凝劑最佳投量的取值範圍，同時對水廠「混凝-沉澱」工藝運行情況的相關數據進行有效的管理，從而保證水廠工藝運行的穩定。
圖1為本發明的水處理混凝劑最佳投量預測系統的結構示意圖2是本發明的水處理混凝劑最佳投量預測系統的流程圖中1.數據採集與監測系統(Supervisory Control And Data Acquisition, 即SCADA系統)，2.數據中心，3.主控計算機，4.遙測遠傳終端(Remote Terminal Unit，即 RTU)，5.通訊系統，6.伺服器，7，資料庫。
圖3是本發明的「混凝-沉澱」工藝出水濁度概率分布示意圖。
具體實施方式
本發明的水處理混凝劑最佳投量預測系統，由數據採集與監測系統(Supervisory Control And Data Acquisition，即SCADA系統)、數據中心和主控計算機組成，用於監測和分析水廠原水情況，預測「混凝-沉澱」工藝中混凝劑最佳投量。
下面結合附圖及具體實施方式
進一步詳細說明本發明
在圖1中，水處理混凝劑最佳投量預測系統，由SCADA系統1、數據中心2和主控計算機3組成。
其中SCADA系統1主要包括若干個遙測遠傳終端(RTU) 4和通訊系統5兩部分。遙測遠傳終端(RTU)4，是一種遠端測控單元裝置，用於採集水廠原水進水監測點、「混凝-沉澱」工藝出水監測點處點的水質數據，並按約定的採集時段定時發送(無線或有線方式)給數據中心。通訊系統5，用於RTU與數據中心的信息通訊，可採用有線或無線方式。
數據中心2包括伺服器6和資料庫7，伺服器6可監控過程值並與過程硬體通訊， 資料庫7用來儲存按時序監測的在線監測數據。
主控計算機3內安裝有系統軟體和應用軟體(水處理混凝劑最佳投量預測系統軟體)，並可隨時操作資料庫中的數據，是系統的操作平臺。
水處理混凝劑最佳投量預測系統軟體的流程圖如圖2所示，該軟體主要流程包括以下幾個方面
(1)啟動計算機，運行水處理混凝劑最佳投量預測系統。該系統主要包含以下功能與信息
①系統存有水廠的基礎情況與數據其中包括水廠的「混凝-沉澱」工藝流程情況，工藝流程和相關構築物的設計參數，以及工藝中各構築物的運行參數等；
②系統存有水廠原水和「混凝-沉澱」工藝出水理化指標監測數據一般情況下水廠對「混凝-沉澱」工藝相關構築物的水力條件已進行優化，在此條件下影響「混凝-沉澱」 工藝處理效果的主要因素為水廠原水水質特徵和「混凝-沉澱」工藝出水水質要求等，因此選定的監測指標為原水進水濁度、原水PH值、原水溫度，以及「混凝-沉澱」工藝出水濁度數據，以上數據按時間順序進行存儲；
③混凝劑實際投量數據水廠運行過程中「混凝-沉澱」工藝混凝劑實際投量的歷史數據，該數據按時間順序進行存儲，並與同時期水廠原水和工藝出水理化指標數據相對應；
④系統將上述數據匯總建立資料庫，並構建預測「混凝-沉澱」工藝出水濁度的不確定性水質模型，該不確定性水質模型以貝葉斯定理為基礎，貝葉斯定理把概率函數中的未知參數當作隨機變量，在抽取樣本以前，根據先驗知識設置未知參數的分布，稱為先驗分布，或驗前分布，在抽取樣本以後，根據對於抽取到的樣本的概率規律的了解，就可用貝葉斯公式把參數先驗分布改進為後驗分布，貝葉斯公式的基本形式為剛=
式中ρ ( θ I y)是參數的後驗分布密度，ρ ( θ )是參數的額先驗分布密度，P (y I θ ) 為參數的似然度信息，P (y)為比例常數；
該不確定性水質模型通過基於馬爾科夫蒙特卡羅方法的Metropolis-Hastings 算法(M-H算法)，在實測數據基礎上對模型參數的後驗分布進行採樣，然後以參數的樣本進行隨機模擬，從而得到模型預測值的概率分布情況；在本系統中，首先建立原水進水濁度、原水PH值、原水溫度、混凝劑投加量與工藝出水濁度之間的冪指數模型，並得到模型中待估參數，然後運行M-H算法，以資料庫中的實測數據為基礎對模型參數進行採樣，得到參數的後驗分布，並以當前水廠原水理化指標數據為模型輸入，採用模型參數採樣樣本進行隨機模擬，預測「混凝-沉澱」工藝出水濁度隨混凝劑投量變化的概率分布，得到工藝出水濁度概率分布圖(如圖3所示)。
⑤預測混凝劑最佳投量的計算方法根據預測「混凝-沉澱」工藝出水濁度的不確定性水質模型，結合當前原水水質條件以及工藝出水實際水質情況確定工藝運行過程中的混凝劑最佳投量。
系統通過資料庫獲取在線監測數據，並對其進行後續分析與研究。
(2)系統定時讀取伺服器資料庫中存儲的各監測點在線監測數據。
(3)系統將最近讀取的各監測點的在線監測數據作為輸入數據，代入已經建立的不確定性模型進行隨機模擬，對「混凝-沉澱」工藝出水濁度進行預測，得到當前水質條件下出水濁度隨混凝劑投量變化的概率分布，並在計算機中繪製概率分布圖(如圖3所示)， 兩種深度的灰色區域分別表示95%和90%的置信區間。
(4)系統確定混凝劑最佳投量的取值範圍如圖3所示，水廠「混凝-沉澱」工藝出水濁度應滿足小於某一特定值以下，以保證後續處理的要求，(如小於1NTU)，在得到出水濁度概率分布的基礎上，將該濁度要求數值與工藝出水濁度概率分布進行比對，在90%的置信區間內截取該濁度下混凝劑投量取值範圍區間；
(5)將當前混凝劑投量與截取的取值範圍區間進行對比，判斷當前工藝條件下，混凝劑實際投量是否合理，若在取值區間內，系統自動返回(2)，等待下一次獲取在線監測數據並進行預測；若在取值區間以外，進行下一步操作(6)。
(6)結合當前原水水質條件、工藝出水實際濁度變化情況、混凝劑投量經濟因素等條件，在取值區間內選取混凝劑投量，並發送混凝劑投量設定指令。
(7) SCADA系統採集水廠監測點處各項理化指標；與本系統連接的SCADA系統對監測數據進行循環採集，即按照指定時間間隔自動對監測點進行數據採集。
(8) SCADA系統的監測數據隨時傳送到伺服器資料庫中，資料庫存儲實時數據和歷史數據，可通過圖表方式顯示歷史和趨勢數據，且控制中心可隨時對資料庫中的數據進行查看、修改、添加、刪除等操作。
(9)根據用戶需求判斷系統是否繼續進行。
權利要求
1.一種水處理混凝劑最佳投量預測系統，該系統包括數據採集與監測系統、數據中心和主控計算機，用於監測和分析水廠「混凝-沉澱」工藝運行情況，預測「混凝-沉澱」工藝中混凝劑最佳投量，其中所述數據採集與監測SCADA系統，包括若干個遙測遠傳終端和通訊系統，所述遙測遠傳終端用於採集水廠原水進水監測點、混凝-沉澱工藝出水監測點處的相關理化指標數據，以及所述通訊系統，用於遙測遠傳終端與數據中心的信息通訊；所述數據中心，用於該系統的控制和數據存儲，包括伺服器和資料庫，所述伺服器用於控制數據採集與監測系統，監控過程值並與過程硬體通訊；所述伺服器上的資料庫，用來存儲按時序監測的理化指標數據，該理化指標數據包括原水進水濁度、原水PH值、原水溫度、 混凝-沉澱工藝出水濁度數據以及混凝劑實際投量數據；所述主控計算機包括存儲模塊，用於存儲混凝劑最佳投量預測分析的相關數據信息； 以及數據採集模塊，用於控制所述數據採集與監測SCADA系統對水廠原水進水監測點和工藝出水監測點理化指標進行所述相關數據信息的循環採集，並將採集到的相關數據信息作為監測數據傳送到所述資料庫中存儲；所述相關數據信息包括 水廠的基礎情況與數據；水廠原水和工藝出水理化指標監測數據監測指標為原水進水濁度、原水PH值、原水溫度，以及「混凝-沉澱」工藝出水濁度數據；水廠「混凝-沉澱」工藝運行中混凝劑實際投量數據與原水和工藝出水理化指標數據同時期的相應混凝劑實際投量歷史數據；混凝-沉澱工藝出水濁度預測模塊，用於讀取所述資料庫中的所述監測數據，將其作為輸入數據，代入不確定性水質模型對混凝-沉澱工藝出水濁度的概率分布進行預測處理；所述不確定性水質模型的計算包括基於上述原水、工藝出水理化指標數據以及混凝劑實際投量數據，建立資料庫，並利用該資料庫的數據樣本構建預測「混凝-沉澱」工藝出水濁度的不確定性水質模型；混凝劑最佳投量預測模塊，用於確定混凝-沉澱工藝的混凝劑最佳投量，以所述混凝-沉澱工藝出水濁度進行預測結果為依據，確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍，結合出水實際濁度確定工藝運行過程中的混凝劑投量；所述預測混凝劑最佳投量的計算包括根據預測「混凝-沉澱」工藝出水濁度的不確定性水質模型，結合當前原水水質條件以及工藝出水實際水質情況確定工藝運行過程中的混凝劑最佳投量。
2.如權利要求1所述的水處理混凝劑最佳投量預測系統，其特徵在於，所述代入不確定性水質模型對「混凝-沉澱」工藝出水濁度進行預測處理為建立不確定性水質模型，該不確定性水質模型通過基於馬爾科夫蒙特卡羅方法的Metropolis-Hastings算法，在實測數據基礎上對模型參數的後驗分布進行採樣，然後以參數的樣本進行隨機模擬，從而得到模型預測值的概率分布情況；在本系統中，首先建立原水進水濁度、原水PH值、原水溫度、 混凝劑投加量與工藝出水濁度之間的冪指數模型，並得到模型中待估參數，然後運行M-H 算法，以資料庫中的實測數據為樣本對模型參數進行採樣，並以當前水廠原水理化指標數據為模型輸入，採用模型參數採樣樣本進行隨機模擬，預測「混凝-沉澱」工藝出水濁度隨混凝劑投量變化的概率分布，得到工藝出水濁度概率分布圖。
3.如權利要求1或3所述的水處理混凝劑最佳投量預測系統，其特徵在於，所述確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍的處理包括水廠「混凝-沉澱」工藝出水濁度需達到某一特定值以下，將該濁度數值與工藝出水濁度概率分布進行比對，並截取該濁度下混凝劑投量取值區間，同時結合當前工藝出水實際濁度變化情況、混凝劑投量因素條件，確定工藝運行過程中的混凝劑最佳投量。
4.如權利要求1所述的水處理混凝劑最佳投量預測系統，其特徵在於，所述數據採集與監測系統按預先設定的時段完成採集，採集結果經由有線或無線通訊方式發送給數據中心。
5.如權利要求1所述的水處理混凝劑最佳投量預測系統，其特徵在於，所述混凝-沉澱工藝出水濁度的特定值取混凝-沉澱工藝出水濁度在INTU以下。
6.一種水處理混凝劑最佳投量預測方法，該方法包括以下步驟步驟一，採集並存儲水廠原水進水監測點、「混凝-沉澱」工藝出水監測點處的相關理化指標數據；步驟二，存儲混凝劑最佳投量預測分析的相關數據信息到資料庫，所述混凝劑最佳投量預測分析的相關數據信息包括水廠的基礎情況與數據；水廠原水和工藝出水理化指標監測數據監測指標為原水進水濁度、原水PH值、原水溫度，以及「混凝-沉澱」工藝出水濁度數據；水廠「混凝-沉澱」工藝運行中混凝劑實際投量數據與原水和工藝出水理化指標數據同時期的相應混凝劑實際投量歷史數據；步驟三，讀取所述資料庫中的所述監測數據，將其作為輸入數據，代入不確定性水質模型對混凝-沉澱工藝出水濁度的概率分布進行預測處理，預測「混凝-沉澱」工藝出水濁度的不確定性水質模型的計算又包括以下步驟基於原水、工藝出水理化指標數據以及混凝劑實際投量數據，建立資料庫，並利用該資料庫的數據樣本構建預測「混凝-沉澱」工藝出水濁度的不確定性水質模型；步驟四，以所述「混凝-沉澱」工藝出水濁度進行預測結果為依據，確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍，結合出水實際濁度確定工藝運行過程中的混凝劑投量，預測混凝劑最佳投量的計算又包括以下步驟根據預測「混凝-沉澱」工藝出水濁度的不確定性水質模型，結合當前原水水質條件以及工藝出水實際水質情況確定工藝運行過程中的混凝劑最佳投量。
7.如權利要求1所述的水處理混凝劑最佳投量預測方法，其特徵在於，所述代入不確定性水質模型對「混凝-沉澱」工藝出水濁度進行預測處理為建立不確定性水質模型， 該不確定性水質模型通過基於馬爾科夫蒙特卡羅方法的Metropolis-Hastings算法(M-H 算法)，在實測數據基礎上對模型參數的後驗分布進行採樣，然後以參數的樣本進行隨機模擬，從而得到模型預測值的概率分布情況；在本系統中，首先建立原水進水濁度、原水PH 值、原水溫度、混凝劑投加量與工藝出水濁度之間的冪指數模型，並得到模型中待估參數， 然後運行M-H算法，以資料庫中的實測數據為樣本對模型參數進行採樣，並以當前水廠原水理化指標數據為模型輸入，採用模型參數採樣樣本進行隨機模擬，預測「混凝-沉澱」工藝出水濁度隨混凝劑投量變化的概率分布，得到工藝出水濁度概率分布圖。
8.如權利要求1所述的水處理混凝劑最佳投量預測方法，其特徵在於，所述確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍是指，水廠「混凝-沉澱」工藝出水濁度需達到一特定值以下，將該濁度數值與工藝出水濁度概率分布進行比對，並截取該濁度下混凝劑投量取值區間，同時結合當前工藝出水實際濁度變化情況、混凝劑投量因素條件， 確定工藝運行過程中的混凝劑最佳投量。
9.如權利要求1所述的水處理混凝劑最佳投量預測系統，其特徵在於，所述數據採集與監測系統按預先設定的時段完成採集，採集結果經由有線或無線通訊方式發送給數據中心。
10.如權利要求1所述的水處理混凝劑最佳投量預測系統，其特徵在於，所述「混凝-沉澱工藝出水濁度的特定值取混凝-沉澱工藝出水濁度在INTU以下。
全文摘要
本發明公開了一種水處理混凝劑最佳投量預測系統，該系統包括數據採集與監測系統、數據中心和主控計算機；讀取所述資料庫中的所述監測數據，將其作為輸入數據，代入不確定性水質模型對混凝-沉澱工藝出水濁度的概率分布進行預測處理；以所述「混凝-沉澱」工藝出水濁度進行預測結果為依據，確定工藝出水達到既定水質目標時的混凝劑最佳投量取值範圍，結合出水實際濁度確定工藝運行過程中的混凝劑投量，與現有技術相比，本發明能夠迅速準確地在水廠原水水質變化條件下，預測混凝劑最佳投量的取值範圍，同時對水廠「混凝-沉澱」工藝運行情況的相關數據進行有效的管理，從而保證水廠工藝運行的穩定。
文檔編號C02F1/52GK102531121SQ20111041049
公開日2012年7月4日 申請日期2012年2月28日 優先權日2012年2月28日
發明者單金林, 彭森, 田一梅, 趙新華 申請人:天津大學