《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》是中南大學於2016年6月21日申請的專利，該專利的公布號為CN105975800A，授權公布日為2016年9月28日，發明人是陽春華；張鳳雪；李勇剛；朱紅求；蔣曉雲；王強。
《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》提供了一種用於電化學重金屬廢水處理過程的多參數最佳化方法及裝置，方法包括：S1：建立公式一所示的基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；S2：建立廢水處理過程的電能消耗模型；S3：建立廢水處理過程的電耗最佳化模型，使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小；S4：獲取電解槽池待處理廢水的入口重金屬離子濃度的檢測數據，採用狀態轉移算法對S3中的電耗最佳化模型求解，獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值。該發明提供的多參數最佳化方法能夠穩定出口廢水重金屬離子濃度進而節約電能。
2018年12月20日，《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》獲得第二十屆中國專利獎優秀獎。
（概述圖為《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》摘要附圖）
基本介紹
- 中文名：用於化學重金屬廢水處理過程的多參數最佳化方法及裝置
- 申請人：中南大學
- 申請日：2016年6月21日
- 申請號：2016104475579
- 公布號：CN105975800A
- 公布日：2016年9月28日
- 發明人：陽春華；張鳳雪；李勇剛；朱紅求；蔣曉雲；王強
- 地址：湖南省長沙市嶽麓區麓山南路932號
- Int. Cl.：G06F19/00(2011.01)I
- 代理機構：北京路浩智慧財產權代理有限公司
- 代理人：李相雨
- 類別：發明專利
專利背景,發明內容,專利目的,技術方案,改善效果,附圖說明,技術領域,權利要求,實施方式,榮譽表彰,
專利背景
截至2016年6月，隨著冶金和化工行業的發展，大量的重金屬元素（如銅、鈷、鎳等）進入到工業廢水中，導致地下水環境重金屬污染嚴重。地方性重金屬中毒引起了世界範圍的廣泛關注。為此，中國在廢水排放和飲用水標準中對重金屬的濃度作出了嚴格的規定。但這種含重金屬的廢水處理是冶煉行業面臨的一大難題。
常規的處理方法需要投加大量的金屬鹽、石灰或電石渣，這導致在廢水處理階段會產生大量的廢渣，對廢渣中含有的多種重金屬沉澱物亦無法進行有效分離和回收，處理後產生的污泥量也非常大且成分複雜，這些污泥同樣難以進行回收和利用，如作為危廢處理還將給企業帶來了巨大的經濟負擔，易形成二次污染。
電化學重金屬廢水處理技術具有施工周期短、運行成本低、處理效果好、設施占地面積小、工藝可自動化程度高、處理範圍廣、耐衝擊負荷強、污泥產生量少、操作和維護簡單等優點，因此在重金屬廢水治理領域得到廣泛套用。
但隨著電化學處理重金屬廢水技術的發展與推廣，該技術存在的缺陷也日益明顯：採用電化學的方法處理含重金屬離子的廢水時，各種參數的設定（如pH值、電流值和電導率值）常根據人工經驗進行判定，這就導致出口廢水所含重金屬離子濃度波動較大，整流器運行功率浪費，電能消耗較大。
發明內容
專利目的
《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》提供一種用於化學重金屬廢水處理過程的多參數最佳化方法及裝置，能夠穩定出口廢水重金屬離子濃度進而節約電能。
技術方案
《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》提供了一種用於電化學重金屬廢水處理過程的多參數最佳化方法，包括以下步驟：
S1：採用BP神經網路模型建立公式一所示的基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；
其中，fBP為電化學處理過程模型；Cout為出口廢水中重金屬離子濃度；Dk為電解槽的電解電流密度；pH為待處理廢水的pH值大小；K為待處理廢水的電導率；C0為廢水入口重金屬離子濃度；
S2：建立公式二所示的廢水處理過程的電能消耗模型；
其中，Jw為電能消耗量；N為電解槽數；B為陰極板數；S為每塊陰極板的截面積；Vi（i＝1，2...n）為不同重金屬離子產生的槽電壓，為關於電流密度Dk、重金屬離子濃度C和電解溫度T的非線性函式；t為電解時間；
S3：建立公式三所示的廢水處理過程的電耗最佳化模型，使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小；
其中，Cmax為出口廢水中重金屬離子濃度應達到的指標值；Dk.max為電解極板能承受的電流密度上限；
S4：獲取電解槽池待處理廢水的入口重金屬離子濃度的檢測數據，採用狀態轉移算法對S3中的電耗最佳化模型求解，獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值。
優選地，所述S1中建立的電化學處理過程模型為多輸入多輸出的BP神經網路模型，建立的具體步驟為：
S11：採集電流密度值、pH值、電導率值、入口重金屬離子濃度和出口重金屬離子濃度數據，並將電流密度值、pH值、電導率值、入口重金屬離子濃度作為輸入層神經元，將出口重金屬離子濃度作為輸出層神經元；
S12：對採集的數據採用3σ準則和零均值標準化方法進行數據預處理，以剔除異常數據和消除由於不同特徵因子量綱不同和數量級不同所帶來的差異化影響；
S13：利用處理後的樣本數據對BP神經網路模型進行訓練，得到所述電化學處理過程模型。
優選地，所述S2中廢水處理過程的電能消耗模型中的槽電壓V與電流密度Dk、重金屬離子濃度C和電解溫度T之間的關係如公式四所示：
其中，是重金屬離子析出的平衡電位常數；R是熱力學常數；F是法拉第常數；r是電解液中重金屬離子的活度係數；M是重金屬的相對原子量；L為陰陽極間距；β1～β5為待辨識參數。
第二方面，《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》還提供了一種用於電化學重金屬廢水處理過程的多參數最佳化裝置，包括：
第一模型建立單元，用於建立公式一所示的基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；
其中，fBP為電化學處理過程模型；Cout為出口廢水中重金屬離子濃度；Dk為電解槽的電解電流密度；pH為待處理廢水的pH值大小；K為待處理廢水的電導率；C0為廢水入口重金屬離子濃度；
第二模型建立單元，用於建立公式二所示的廢水處理過程電能消耗模型，並採集工業現場數據對模型參數進行辨識；
其中，Jw為電能消耗量；N為電解槽數；B為陰極板數；S為每塊陰極板的截面積；Vi（i＝1，2...n）為不同重金屬離子產生的槽電壓，為關於電流密度Dk、重金屬離子濃度C和電解溫度T的非線性函式；t為電解時間；
最佳化模型建立單元，用於建立公式三所示的廢水處理過程的電耗最佳化模型，使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小；
其中，Cmax為出口廢水中重金屬離子濃度應達到的指標值；Dk.max為電解極板能承受的電流密度上限；
最佳化模型求解單元，用於獲取電解槽池待處理廢水的入口重金屬離子濃度的檢測數據，採用狀態轉移算法對所述電耗最佳化模型求解，獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值。
優選地，所述第一模型建立單元，具體用於：
採集電流密度值、pH值、電導率值、入口重金屬離子濃度和出口重金屬離子濃度數據，並將電流密度值、pH值、電導率值、入口重金屬離子濃度作為輸入層神經元，將出口重金屬離子濃度作為輸出層神經元；
對採集的數據採用3σ準則和零均值標準化方法進行數據預處理，以剔除異常數據和消除由於不同特徵因子量綱不同和數量級不同所帶來的差異化影響；
利用處理後的樣本數據對BP神經網路模型進行訓練，得到所述電化學處理過程模型。
優選地，所述槽電壓V與電流密度Dk、重金屬離子濃度C和電解溫度T之間的關係如公式四所示：
其中，
是重金屬離子析出的平衡電位常數；R是熱力學常數；F是法拉第常數；r是電解液中重金屬離子的活度係數；M是重金屬的相對原子量；L為陰陽極間距；β1～β5為待辨識參數。
改善效果
由上述技術方案可知，針對2016年6月之前技術中存在的出口廢水所含重金屬離子濃度波動較大，整流器運行功率浪費，電能消耗較大的問題，《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》提供的用於電化學重金屬廢水處理過程的多參數最佳化方法，採用BP神經網路模型來建立基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；然後分析電能消耗與重金屬離子濃度和電流密度的關係，建立電能消耗最佳化模型；最後利用電能消耗最佳化模型獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值，從而為pH值、電導率值和電流的調節提供依據。該方法穩定了出口廢水重金屬離子濃度，節約了電能資源。
附圖說明
圖1是《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》實施例一提供的用於電化學重金屬廢水處理過程的多參數最佳化方法的流程圖；
圖2是《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》實施例二提供的用於電化學重金屬廢水處理過程的多參數最佳化裝置的結構示意圖。
技術領域
《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》涉及電化學技術領域，具體涉及一種用於化學重金屬廢水處理過程的多參數最佳化方法及裝置。
權利要求
1.一種用於電化學重金屬廢水處理過程的多參數最佳化方法，其特徵在於，包括以下步驟：
S1：採用BP神經網路模型建立公式一所示的基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；
其中，fBP為電化學處理過程模型；Cout為出口廢水中重金屬離子濃度；Dk為電解槽的電解電流密度；pH為待處理廢水的pH值大小；K為待處理廢水的電導率；C0為廢水入口重金屬離子濃度；
S2：建立公式二所示的廢水處理過程的電能消耗模型；
其中，Jw為電能消耗量；N為電解槽數；B為陰極板數；S為每塊陰極板的截面積；Vi（i＝1，2...n）為不同重金屬離子產生的槽電壓，為關於電流密度Dk、重金屬離子濃度C和電解溫度T的非線性函式；t為電解時間；
S3：建立公式三所示的廢水處理過程的電耗最佳化模型，使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小；
其中，Cmax為出口廢水中重金屬離子濃度應達到的指標值；Dk.max為電解極板能承受的電流密度上限；
S4：獲取電解槽池待處理廢水的入口重金屬離子濃度的檢測數據，採用狀態轉移算法對S3中的電耗最佳化模型求解，獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值。
2.根據權利要求1所述的用於電化學重金屬廢水處理過程的多參數最佳化方法，其特徵在於，所述S1中建立的電化學處理過程模型為多輸入多輸出的BP神經網路模型，建立的具體步驟為：
S11：採集電流密度值、pH值、電導率值、入口重金屬離子濃度和出口重金屬離子濃度數據，並將電流密度值、pH值、電導率值、入口重金屬離子濃度作為輸入層神經元，將出口重金屬離子濃度作為輸出層神經元；
S12：對採集的數據採用3σ準則和零均值標準化方法進行數據預處理，以剔除異常數據和消除由於不同特徵因子量綱不同和數量級不同所帶來的差異化影響；
S13：利用處理後的樣本數據對BP神經網路模型進行訓練，得到所述電化學處理過程模型。
3.根據權利要求1所述的用於電化學重金屬廢水處理過程的多參數最佳化方法，其特徵在於，所述S2中廢水處理過程的電能消耗模型中的槽電壓V與電流密度Dk、重金屬離子濃度C和電解溫度T之間的關係如公式四所示：
其中，是重金屬離子析出的平衡電位常數；R是熱力學常數；F是法拉第常數；r是電解液中重金屬離子的活度係數；M是重金屬的相對原子量；L為陰陽極間距；β1～β5為待辨識參數。
4.一種用於電化學重金屬廢水處理過程的多參數最佳化裝置，其特徵在於，包括：第一模型建立單元，用於建立公式一所示的基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；
其中，是重金屬離子析出的平衡電位常數；R是熱力學常數；F是法拉第常數；r是電解液中重金屬離子的活度係數；M是重金屬的相對原子量；L為陰陽極間距；β1～β5為待辨識參數。
第二方面，《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》還提供了一種用於電化學重金屬廢水處理過程的多參數最佳化裝置，包括：
第一模型建立單元，用於建立公式一所示的基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；
其中，fBP為電化學處理過程模型；Cout為出口廢水中重金屬離子濃度；Dk為電解槽的電解電流密度；pH為待處理廢水的pH值大小；K為待處理廢水的電導率；C0為廢水入口重金屬離子濃度；
第二模型建立單元，用於建立公式二所示的廢水處理過程電能消耗模型，並採集工業現場數據對模型參數進行辨識；
其中，Jw為電能消耗量；N為電解槽數；B為陰極板數；S為每塊陰極板的截面積；Vi（i＝1，2...n）為不同重金屬離子產生的槽電壓，為關於電流密度Dk、重金屬離子濃度C和電解溫度T的非線性函式；t為電解時間；
最佳化模型建立單元，用於建立公式三所示的廢水處理過程的電耗最佳化模型，使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小；
其中，Cmax為出口廢水中重金屬離子濃度應達到的指標值；Dk.max為電解極板能承受的電流密度上限；
最佳化模型求解單元，用於獲取電解槽池待處理廢水的入口重金屬離子濃度的檢測數據，採用狀態轉移算法對所述電耗最佳化模型求解，獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值。
5.根據權利要求4所述的用於電化學重金屬廢水處理過程的多參數最佳化裝置，其特徵在於，所述第一模型建立單元，具體用於：採集電流密度值、pH值、電導率值、入口重金屬離子濃度和出口重金屬離子濃度數據，並將電流密度值、pH值、電導率值、入口重金屬離子濃度作為輸入層神經元，將出口重金屬離子濃度作為輸出層神經元；對採集的數據採用3σ準則和零均值標準化方法進行數據預處理，以剔除異常數據和消除由於不同特徵因子量綱不同和數量級不同所帶來的差異化影響；利用處理後的樣本數據對BP神經網路模型進行訓練，得到所述電化學處理過程模型。
6.根據權利要求4所述的用於電化學重金屬廢水處理過程的多參數最佳化裝置，其特徵在於，所述槽電壓V與電流密度Dk、重金屬離子濃度C和電解溫度T之間的關係如公式四所示：
其中，是重金屬離子析出的平衡電位常數；R是熱力學常數；F是法拉第常數；r是電解液中重金屬離子的活度係數；M是重金屬的相對原子量；L為陰陽極間距；β1～β5為待辨識參數。
實施方式
圖1示出了《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》實施例一提供的用於電化學重金屬廢水處理過程的多參數最佳化方法的流程圖，參見圖1，所述方法包括如下步驟：
步驟101：採用BP神經網路模型建立公式一所示的基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；
其中，fBP為電化學處理過程模型；Cout為出口廢水中重金屬離子濃度；Dk為電解槽的電解電流密度；pH為待處理廢水的pH值大小；K為待處理廢水的電導率；C0為廢水入口重金屬離子濃度；
在該步驟中，建立的電化學處理過程模型為多輸入多輸出的BP神經網路模型，建立的具體步驟為：
步驟a：採集電流密度值、pH值、電導率值、入口重金屬離子濃度和出口重金屬離子濃度數據，並將電流密度值、pH值、電導率值、入口重金屬離子濃度作為輸入層神經元，將出口重金屬離子濃度作為輸出層神經元；
步驟b：對採集的數據採用3σ準則和零均值標準化方法進行數據預處理，以剔除異常數據和消除由於不同特徵因子量綱不同和數量級不同所帶來的差異化影響；
步驟c：利用處理後的樣本數據對BP神經網路模型進行訓練，得到所述電化學處理過程模型。
步驟102：建立公式二所示的廢水處理過程的電能消耗模型，並採集工業現場數據對模型參數進行辨識；
其中，Jw為電能消耗量；N為電解槽數；B為陰極板數；S為每塊陰極板的截面積；Vi（i＝1，2...n）為不同重金屬離子產生的槽電壓，為關於電流密度Dk、重金屬離子濃度C和電解溫度T的非線性函式；t為電解時間；
在該步驟中，槽電壓V與電流密度Dk、重金屬離子濃度C和電解溫度T之間的關係如公式四所示：
其中，是重金屬離子析出的平衡電位常數；R是熱力學常數；F是法拉第常數；r是電解液中重金屬離子的活度係數；M是重金屬的相對原子量；L為陰陽極間距；β1～β5為待辨識參數。
步驟103：建立公式三所示的廢水處理過程的電耗最佳化模型，使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小；
其中，Cmax為出口廢水中重金屬離子濃度應達到的指標值；Dk.max為電解極板能承受的電流密度上限；
步驟104：獲取電解槽池待處理廢水的入口重金屬離子濃度的檢測數據，採用狀態轉移算法對S3中的電耗最佳化模型求解，獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值。
在該步驟中，利用電耗最佳化模型求解獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值，從而為pH值、電導率值和電流的調節提供依據，以穩定出口廢水重金屬離子濃度，節約電能資源。
從上面描述可知，針對2016年6月之前技術中存在的出口廢水所含重金屬離子濃度波動較大，整流器運行功率浪費，電能消耗較大的問題，該實施例提供的用於電化學重金屬廢水處理過程的多參數最佳化方法，採用BP神經網路模型來建立基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；然後分析電能消耗與重金屬離子濃度和電流密度的關係，建立電能消耗最佳化模型；最後利用電能消耗最佳化模型獲取使得在出口重金屬離子濃度滿足預設閾值（達標值）的情況下電能消耗最小的電流密度值、pH值和電導率值，從而為pH值、電導率值和電流的調節提供依據。該方法穩定了出口廢水重金屬離子濃度，節約了電能資源。
該實施例實時獲取被處理廢水中重金屬離子濃度，根據建立的電化學處理過程模型和電能消耗模型，採用狀態轉移算法最佳化求解，得到在滿足出口重金屬離子濃度達標的前提下使得電耗最小的電流密度值、pH值和電導率值，為這三種參數的調節提供依據。解決了因人工經驗調節導致的出口廢水所含重金屬離子濃度波動較大，電能消耗浪費的問題。該方法節約了電能資源，穩定了出口廢水重金屬離子濃度。和電化學重金屬廢水處理系統的2016年6月之前技術相比，該實施例的電化學處理過程模型和電能消耗模型更加科學準確，既節約了電能和延長極板運行時間，也減少了工人的勞動強度，提高了電化學反應的安全係數，更加節能環保、安全可靠。
下面以一個具體的實例對上述實施例提供的方法進行解釋說明。
例如對於一種待處理的含重金屬銻的廢水，其中銻含量80毫克/升，廢水pH＝5.5，K＝10600微秒/厘米，採取連續進水方式處理，處理量控制在50立方米/小時。採用上述實施例提供的用於電化學重金屬廢水處理過程的多參數最佳化方法確定其在出口銻離子濃度達標（0.5毫克/升）的情況下電能消耗最小的pH值和電導率值。第一步，建立基於電解槽廢水出口銻離子濃度和廢水電導率、pH值以及電解電流密度之間關係的BP神經網路電化學處理過程模型，並採集數據對模型訓練；第二步，建立廢水處理過程電能消耗模型並採集數據通過狀態轉移算法對模型進行參數辨識；第三步，建立廢水處理過程電耗最佳化模型，使得在出口銻離子濃度達標的情況下電能消耗最小；第四步，根據銻離子濃度和入口流量，採用狀態轉移算法對電耗最佳化模型求解，得到使得在出口銻離子濃度達標的情況下電能消耗最小的電流密度值、pH值和電導率值。
採用電化學重金屬廢水處理過程的多參數最佳化方法調節參數，通過狀態轉移算法計算得到的pH值為8.5，電導率值為11820微秒/厘米，輸出電流為1924安。採用人工調節的方法和電化學重金屬廢水處理過程的多參數最佳化方法的電耗對比如表1所示，使用電化學重金屬廢水處理過程的多參數最佳化方法調節參數後，電耗日均降低了162.377千瓦時。
其結果表明，該實施例所提出的方法充分考慮了pH值、電導率值和電流值的確定對電能消耗的降低和出口重金屬離子濃度的穩定達標的重要性，既節約了電能和延長極板運行時間，也減少了工人的勞動強度，提高了電化學反應的安全係數，更加節能環保、安全可靠。
人工調節方法 | 多參數最佳化方法 | |
耗電量（千瓦時/天） | 1390.09 | 1227.713 |
《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》實施例二提供了一種用於電化學重金屬廢水處理過程的多參數最佳化裝置，參見圖2，該裝置包括：第一模型建立單元21、第二模型建立單元22、最佳化模型建立單元23和最佳化模型求解單元24；
第一模型建立單元21，用於建立公式一所示的基於電解槽廢水出口重金屬離子濃度和廢水電導率、pH值以及電解電流密度之間關係的電化學處理過程模型；
其中，fBP為電化學處理過程模型；Cout為出口廢水中重金屬離子濃度；Dk為電解槽的電解電流密度；pH為待處理廢水的pH值大小；K為待處理廢水的電導率；C0為廢水入口重金屬離子濃度；
第二模型建立單元22，用於建立公式二所示的廢水處理過程電能消耗模型，並採集工業現場數據對模型參數進行辨識；
其中，Jw為電能消耗量；N為電解槽數；B為陰極板數；S為每塊陰極板的截面積；Vi（i＝1，2...n）為不同重金屬離子產生的槽電壓，為關於電流密度Dk、重金屬離子濃度C和電解溫度T的非線性函式；t為電解時間；
進一步地，所述槽電壓V與電流密度Dk、重金屬離子濃度C和電解溫度T之間的關係如公式四所示：
其中，是重金屬離子析出的平衡電位常數；R是熱力學常數；F是法拉第常數；r是電解液中重金屬離子的活度係數；M是重金屬的相對原子量；L為陰陽極間距；β1～β5為待辨識參數。
最佳化模型建立單元23，用於建立公式三所示的廢水處理過程的電耗最佳化模型，使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小；
其中，Cmax為出口廢水中重金屬離子濃度應達到的指標值；Dk.max為電解極板能承受的電流密度上限；
最佳化模型求解單元24，用於獲取電解槽池待處理廢水的入口重金屬離子濃度的檢測數據，採用狀態轉移算法對所述電耗最佳化模型求解，獲取使得在出口重金屬離子濃度滿足預設閾值的情況下電能消耗最小的電流密度值、pH值和電導率值。
進一步地，所述第一模型建立單元21，具體用於：
採集電流密度值、pH值、電導率值、入口重金屬離子濃度和出口重金屬離子濃度數據，並將電流密度值、pH值、電導率值、入口重金屬離子濃度作為輸入層神經元，將出口重金屬離子濃度作為輸出層神經元；
對採集的數據採用3σ準則和零均值標準化方法進行數據預處理，以剔除異常數據和消除由於不同特徵因子量綱不同和數量級不同所帶來的差異化影響；
利用處理後的樣本數據對BP神經網路模型進行訓練，得到所述電化學處理過程模型。
該實施例提供的用於電化學重金屬廢水處理過程的多參數最佳化裝置，可以用於執行上述實施例所述的用於電化學重金屬廢水處理過程的多參數最佳化方法，其原理和技術效果類似，此處不再贅述。
在《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》的描述中，需要說明的是，在該文中，諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
榮譽表彰
2018年12月20日，《用於化學重金屬廢水處理過程的多參數最佳化方法及裝置》獲得第二十屆中國專利獎優秀獎。
