CN103632032A - 一种城市污水处理过程出水指标在线软测量预测方法 - Google Patents
一种城市污水处理过程出水指标在线软测量预测方法 Download PDFInfo
- Publication number
- CN103632032A CN103632032A CN201310503546.4A CN201310503546A CN103632032A CN 103632032 A CN103632032 A CN 103632032A CN 201310503546 A CN201310503546 A CN 201310503546A CN 103632032 A CN103632032 A CN 103632032A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- model
- vector
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市污水处理过程出水指标在线软测量预测方法,该方法首先采用以相关性为原则和递归偏最小二乘法为局部模型的即时学习模型结构,同时基于统计学习理论对模型自身不确定性进行描述,该模型可以充分反映污水处理过程不确定性、大滞后等特点,预测结果的解释性更强,控制人员可以及时调整曝气池的曝气量、回流量等工艺变量,维持物料平衡和细菌种群平衡,充分实现有机物的高效去除。
Description
技术领域
本发明涉及城市污水处理的技术领域,尤其是指一种基于即时学习算法和统计学习理论提出了带有模型不确定描述的城市污水处理过程出水指标在线软测量预测方法。
背景技术
污水处理是采取特定工艺将污水中的污染物分离出去或将其转化为无害物质,从而净化污水的一个过程。但是污水处理过程的生产条件恶劣,随机干扰严重,并且具有多输入、多输出、不确定性、强非线性、大滞后、大时变等特点,使得该过程发杂,难以用机理模型进行准确的描述。此外,由于污水处理系统复杂性,有一些重要出水指标(如BOD5、COD、SVI等)无法在线实时测量,BOD5是污水处理过程中重要的出水指标,用于检测水体中有机污染物情况,它直接影响着污水厂的生产运行。研制新型硬件检测仪表虽然可以直接解决BOD5的检测问题,但是污水处理过程反应复杂,导致硬件仪表的检测精度有限,在线仪表维护成本高。污水处理的生化反应过程易受污水的浓度、天气、气温、时间变化的影响,国际水质协会IWA(International Water Association)制定的污水生化处理过程的标准模型是在特定的环境下制定出来的,具有很大的局限性。当污水的浓度、天气、气温、时间变化时,所反映出的溶解氧和出水指标值与标准模型得出的值有很大的偏差。需要针对污水处理的生化反应特点,根据污水处理厂的实际检测数据,进行出水水质预测模型研究,借助建模的各种理论与方法,包括数据的预处理、模型的建立、模型的校正等环节,为污水处理厂建立适用的出水水质预测模型。软测量为此提供了新的解决途径,其基本思路是通过易于在线测量的变量建立合适的模型预测难于测量的变量。近年来软测量技术获得了长足的发展,其研究领域涉及到石油、化工、环保等领域。
现有的污水水质软测量预测模型(例如基于神经网络的预测模型等)都未考虑实际的污水处理过程中,作为模型输入变量的关键工艺参数的检测仪表容易漂移甚至故障的问题,本发明不仅通过软测量模型预测水质关键参数,同时对模型偏差进行在线修正,对模型不确定性进行数学描述,作为模型预测准确性评价。
发明内容
本发明的目的在于克服现有技术的不足,提供一种城市污水处理过程出水指标在线软测量预测方法,该方法不仅能够提供污水水质出水指标的预测值,同时给出了基于统计学习理论的模型不确定性描述,充分反映污水处理过程不确定性、大滞后等特点,根据软测量预测结果,控制人员可以及时调整曝气池的曝气量、回流量等工艺变量,维持物料平衡和细菌种群平衡,充分实现有机物的高效去除。
为实现上述目的,本发明所提供的技术方案为:一种城市污水处理过程出水指标在线软测量预测方法,包括以下步骤:
1)将从污水厂获取的数据中去除超过标准差3倍的数据,之后再将余下数据进行标准化处理:
其中,xi,m是xi的转换形式,i=1,2,…,N,m和s分别是均值和标准差;
2)将处理后的数据作为模型的训练集合,并把训练集合数据放在空间G中;
3)现场测量获取一个新数据点后,开始建立局部模型:
①根据新来数据点选择与之相关的数据
首先引入Ci,j对其相关性进行衡量:
x′i=xi-xq
x′j=xj-xq
其中,xi和xj是空间集合G中的数据,xq是新数据,随后选择相关系数Ci,j的数据并置于相关数据空间Z中,考察空间Z中的样本数是否大于数据的维数,如果大于则下一步,否则按r=r-δ放松相关限r的限制,使空间Z中的样本数大于数据的维数,按此逻辑,重新计算Ci,j,之后再进一步计算主元分析PCA指标,进而加深数据选择的相关性,如下情况:
假设B=[X,Y]是n×m的数据矩阵,PCA将多变量的输入数据矩阵进行奇异值分解后得到主元和特征向量:
其中,ti∈Rn被称为得分向量,即矩阵B的主元,pi∈Rm被称为负荷向量,ε是残差矩阵,它包含了系统的数据的主要噪声,T=[t1,t2,…,tn]和P=[p1,p2,…,pm]分别是得分向量矩阵和负荷向量矩阵,当给定一个新的采样向量,PCA的得分向量、预测和残差向量的关系如下:
统计量Q主要用于测量残差数据的变化
Q统计量是衡量原始数据和主元分析PCA处理后数据的差异性的指标,此外,为了避免模型外推误差,引入了T2统计量指标,T2统计量定义如下:
其中,表示第l个得分tl的标准差,l的确定是对进行累加计算,直到所对应的l值,T2统计量越小,则表示采样数据靠近模型数据的均值,Q统计量和T2统计量能作为综合指标来衡量数据的差异,J越小说明数据的相关性越强,否则相反,
J=λT2+(1-λ)Q
其中,T2和Q可由上述统计量计算公式算得,通常λ设置为0.9,
确定最终数据选择指标J,并根据相应的J选择相对最相关的数据放于相应的数据库L中用于后续递归偏最小二乘算法的建模;
②建立回归偏最小二乘模型
根据相关数据集合,即数据库L,计算CPLS和相应的预测值:
CPLS=(XTX)+XTY;ynew,=cPLSxq
其中,X是数据库L中的与xq相关性最大的输入数据,Y是数据库L中的需要预测的历史值,而0+是右逆,CPLS是PLS算法的回归系数;
其中,#A代表了集合A中元素个数,若可以计算校验集合中每个可能输出的p值,所有输出的p值在置信度δ以内则其至少有δ概率发生故障,因此,给定置信度1-η,ICP算法的输出为:
{yq:p(yq)>η},
以降序的方式排列计算所得αn+1,…,αd,在此基础上计算有上公式计算p(yq),再通过比例公式推断得出其中,σB和σp分别是空间G数据点标准偏差和对应获得输出新数据点的标准偏差,从而可确定其不确定区间为(-2σp,2σp);
4)当新数据xq更新后,回到步骤3)计算新数据预测值ynew。
步骤3)中第③点所述的校验集合是空间G中与新来数据点时间最近的,新来采样时刻d的采样点以前的一段数据。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明针对一些重要出水指标(如BOD5、COD、SVI等)无法在线实时测量的问题,根据即时学习可以快速逼近非线性函数的特点,对BOD5等重要出水指标进行了软测量预测,省去了研制硬件传感器的复杂过程,因而更具方便性;
2、本发明采用了相关性原则和递归偏最小二乘方法为局部模型,解决了即时学习测量精度差的问题;
3、本发明利用统计学习理论对即时模型不确定进行了描述,避免了由于传统软测量模型输出单一而导致的鲁棒性不强的难题。
附图说明
图1为本发明的原理图。
图2为本发明的预测值与实际值拟合曲线图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明所述的城市污水处理过程出水指标在线软测量预测方法,是特别针对污水处理过程中的一些难以在线测量的重要出水指标,如BOD5、COD、SVI等,而在本实施例中就以BOD5的在线测量为例,如图1所示,给出了BOD5软测量模型,其输入分别为混合液悬浮固体(MLSS),pH值,氨氮等19个变量作为输入变量,输出为污水处理过程中出水的BOD5。其中,混合液悬浮固体(MLSS)是指单位体积生化池混合液所含干污泥的重量;pH则反映了进水水质的酸碱度;氨氮代表进水中氨氮的含量。BOD5是指废水中能被氧化的物质在被生物氧化5天所需氧量,除了pH外,以上单位均为毫克/升。训练和预测样本各200组,具体的实现步骤如下:
1)将从污水厂获取的200组训练数据去除超过标准差3倍的数据后,再将余下数据进行标准化处理:
其中,xi,m是xi的转换形式(后续计算为了方便,还是继续用xi代表标准化的数据),i=1,2,…,N,m和s分别是均值和标准差。
2)将处理后的数据作为模型的训练集合,并把训练集合数据放在空间G中,其中训练集合要求包含污水厂数据的相关和重要特征。
3)现场测量获取一个新数据点后,开始建立局部模型:
①根据新来数据点选择与之最相关数据
首先引入Ci,j对其相关性进行衡量:
x′i=xi-xq
x′j=xj-xq
其中,xi和xj是空间集合G中的数据,xq是新数据,设置r为0.7,随后选择相关系数Ci,j的数据并置于相关数据空间Z中,同时检测相关数据空间Z中数据的个数是否大于主元个数(后续处理所需要的最少数据个数,这里设置为20),即样本数是否大于数据的维数,如果大于则下一步,否则r=r-δ放松相关限r的限制,一般r的初始值可设为0.95,δ为0.05,按此逻辑,重新计算Ci,j,之后再进一步计算主元分析PCA指标(又名主成分分析,作为输入数据降维和揭示变量间线性相关关系的一种统计工具,其主旨是在保证数据信息丢失最少的原则下,对高维变量数据进行降维处理,使低维特征中的主成分变量保留原始变量的特征信息而消除冗余信息),进而加深数据选择的相关性,如下情况:
假设B=[X,Y]是n×m的数据矩阵,PCA将多变量的输入数据矩阵进行奇异值分解后得到主元和特征向量:
其中,ti∈Rn被称为得分向量,即矩阵B的主元,pi∈Rm被称为负荷向量,ε是残差矩阵,它包含了系统的数据的主要噪声,T=[t1,t2,…,tn]和P=[p1,p2,…pm]分别是得分向量矩阵和负荷向量矩阵,当给定一个新的采样向量,PCA的得分向量、预测和残差向量的关系如下:
统计量Q主要用于测量残差数据的变化,是衡量原始数据和主元分析PCA处理后数据的差异性的指标
其中,b是空间Z中的数据包含输入数据和所预测数据共20列。此外,为了避免模型外推误差,引入了T2统计量指标,T2统计量计算如下:
其中,表示第l个得分tl的标准差,l的确定是对进行累加计算,直到所对应的l值,T2统计量越小,则表示采样数据靠近模型数据的均值,Q统计量和T2统计量能作为综合指标来衡量数据的差异,J越小说明数据的相关性越强,否则相反,
J=λT2+(1-λ)Q
其中,T2和Q可由上述统计量计算公式算得,通常λ设置为0.9,因此,上述公式即为:
J=0.9T2+0.1Q
接着进一步选择出J大于0.6的数据并根据相应合适的J选择相对最相关的数据放于相应的数据库L中用于后续递归偏最小二乘算法的建模。
②建立回归偏最小二乘模型
根据最相关数据集合,即数据库L,计算CPLS和相应的预测值:
CPLS=(XTX)+XTY;ynew=CPLSxq
其中,X是数据库L中的与xq相关性最大的输入数据,Y是数据库L中的需要预测的历史值,而0+是右逆,CPLS是PLS算法的回归系数;
③对于新来的数据点,除了利用数据库L来训练回归模型(即软测量模型)外,利用校验集合(空间G中与新来数据点时间最近的前10个点来计算不确定值,即此新来采样时刻,即当前点为预测集合的第一个点,q=201的采样点),d=200,n=190来计算每个输出值的p值;
其中,#A代表了集合A中元素个数,若可以计算校验集合中每个可能输出的p值,所有输出的p值在置信度δ为0.95,因此,给定置信度1-η,ICP算法的输出为:
{yq:p(yq)>η},
以降序的方式排列计算所得α191,…,α200,在此基础上计算有上公式计算p(yq),再通过比例公式推断得出其中,σB和σp分别是空间G数据点标准偏差和对应获得输出新数据点的标准偏差,从而可确定其不确定区间为(-2p,2σp);
在采用以上方案后,本发明不仅能够提供污水水质出水指标的预测值,同时给出了基于统计学习理论的模型不确定性描述,充分反映污水处理过程不确定性、大滞后等特点,进而根据软测量预测结果,控制人员可以及时调整曝气池的曝气量、回流量等工艺变量,维持物料平衡和细菌种群平衡,充分实现有机物的高效去除。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (2)
1.一种城市污水处理过程出水指标在线软测量预测方法,其特征在于,包括以下步骤:
1)将从污水厂获取的数据中去除超过标准差3倍的数据,之后再将余下数据进行标准化处理:
其中,xi,m是xi的转换形式,i=1,2,…,N,m和s分别是均值和标准差;
2)将处理后的数据作为模型的训练集合,并把训练集合数据放在空间G中;
3)现场测量获取一个新数据点后,开始建立局部模型:
①根据新来数据点选择与之相关的数据
首先引入Ci,j对其相关性进行衡量:
x′i=xi-xq
x′j=xj-xq
其中,xi和xj是空间集合G中的数据,xq是新数据,随后选择相关系数Ci,j的数据并置于相关数据空间Z中,考察空间Z中的样本数是否大于数据的维数,如果大于则下一步,否则按r=r-δ放松相关限r的限制,使空间Z中的样本数大于数据的维数,按此逻辑,重新计算Ci,j,之后再进一步计算主元分析PCA指标,进而加深数据选择的相关性,如下情况:
假设B=[X,Y]是n×m的数据矩阵,PCA将多变量的输入数据矩阵进行奇异值分解后得到主元和特征向量:
其中,ti∈Rn被称为得分向量,即矩阵B的主元,pi∈Rm被称为负荷向量,ε是残差矩阵,它包含了系统的数据的主要噪声,T=[t1,t2,…,tn]和P=[p1,p2,…,,pm]分别是得分向量矩阵和负荷向量矩阵,当给定一个新的采样向量,PCA的得分向量、预测和残差向量的关系如下:
统计量Q主要用于测量残差数据的变化
Q统计量是衡量原始数据和主元分析PCA处理后数据的差异性的指标,此外,为了避免模型外推误差,引入了T2统计量指标,T2统计量定义如下:
其中,表示第l个得分tl的标准差,l的确定是对进行累加计算,直到所对应的l值,T2统计量越小,则表示采样数据靠近模型数据的均值,Q统计量和T2统计量能作为综合指标来衡量数据的差异,J越小说明数据的相关性越强,否则相反,
J=λT2+(1-λ)Q
其中,T2和Q可由上述统计量计算公式算得,通常λ设置为0.9,
确定最终数据选择指标J,并根据相应的J选择相对最相关的数据放于相应的数据库L中用于后续递归偏最小二乘算法的建模;
②建立回归偏最小二乘模型
根据相关数据集合,即数据库L,计算CPLS和相应的预测值:
CPLS=(XTX)+XTY;ynew,=CPLSxq
其中,X是数据库L中的与xq相关性最大的输入数据,Y是数据库L中的需要预测的历史值,而0+是右逆,CPLS是PLS算法的回归系数;
其中,#A代表了集合A中元素个数,若可以计算校验集合中每个可能输出的p值,所有输出的p值在置信度δ以内则其至少有δ概率发生故障,因此,给定置信度1-η,ICP算法的输出为:
{yq:p(yq)>η},
以降序的方式排列计算所得αn+1,…,αd,在此基础上计算有上公式计算p(yq),再通过比例公式推断得出其中,σB和σp分别是空间G数据点标准偏差和对应获得输出新数据点的标准偏差,从而可确定其不确定区间为(-2σp,2σp);
4)当新数据xq更新后,回到步骤3)计算新数据预测值ynew。
2.根据权利要求1所述的一种城市污水处理过程出水指标在线软测量预测方法,其特征在于:步骤3)中第③点所述的校验集合是空间G中与新来数据点时间最近的,新来采样时刻d的采样点以前的一段数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310503546.4A CN103632032A (zh) | 2013-10-23 | 2013-10-23 | 一种城市污水处理过程出水指标在线软测量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310503546.4A CN103632032A (zh) | 2013-10-23 | 2013-10-23 | 一种城市污水处理过程出水指标在线软测量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103632032A true CN103632032A (zh) | 2014-03-12 |
Family
ID=50213071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310503546.4A Pending CN103632032A (zh) | 2013-10-23 | 2013-10-23 | 一种城市污水处理过程出水指标在线软测量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103632032A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927412A (zh) * | 2014-04-01 | 2014-07-16 | 浙江大学 | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 |
CN104462806A (zh) * | 2014-12-02 | 2015-03-25 | 中国石油天然气集团公司 | 一种非金属管寿命预测方法 |
CN105550492A (zh) * | 2014-10-23 | 2016-05-04 | 胜科工业有限公司 | 用于预测废水处理过程的参数的系统和方法 |
CN106599494A (zh) * | 2016-12-07 | 2017-04-26 | 宁波大学 | 基于多重动态plsr模型的产品质量软测量方法 |
CN108197380A (zh) * | 2017-12-29 | 2018-06-22 | 南京林业大学 | 基于偏最小二乘的高斯回归软测量建模方法 |
CN108595892A (zh) * | 2018-05-11 | 2018-09-28 | 南京林业大学 | 基于时间差分模型的软测量建模方法 |
CN108829964A (zh) * | 2018-06-07 | 2018-11-16 | 北京化工大学 | 基于特征提取elm的pta装置醋酸消耗的软测量方法 |
CN108898253A (zh) * | 2018-07-02 | 2018-11-27 | 哈尔滨工业大学 | 一种预测中药材加工废水急性毒性的方法 |
CN109165794A (zh) * | 2018-09-30 | 2019-01-08 | 中冶华天工程技术有限公司 | 多模式多特征聚合回归的污水处理目标参数预测方法 |
CN109300108A (zh) * | 2018-07-27 | 2019-02-01 | 昆明理工大学 | 一种基于统计和多高斯的日面亮度分析方法 |
CN110320806A (zh) * | 2019-07-24 | 2019-10-11 | 东北大学 | 基于集成即时学习的污水处理过程自适应预测控制方法 |
CN110928264A (zh) * | 2018-09-20 | 2020-03-27 | 株式会社斯库林集团 | 数据处理、数据处理装置以及计算机可读取记录介质 |
CN114180764A (zh) * | 2021-11-30 | 2022-03-15 | 河北化工医药职业技术学院 | 一种液体预处理装置和方法 |
-
2013
- 2013-10-23 CN CN201310503546.4A patent/CN103632032A/zh active Pending
Non-Patent Citations (6)
Title |
---|
YIQI LIU ET: "A SEVA soft sensor method based on self-calibration model and uncertainty description algorithm", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
YIQI LIU ET: "Adaptive Statistic Process Monitoring with a Modified PCA", 《IEEE CSAE》 * |
YIQI LIU ET: "Development of Interval Soft Sensors Using Enhanced Just-in-Time Learning and Inductive Confidence Predictor", 《INDUSTRIAL&ENGINEERING CHEMISTRY RESEARCH》 * |
冉维丽等: "基于PCA-GABP神经网络的BOD软测量方法", 《控制工程》 * |
刘乙奇等: "基于改进JIT算法的软测量建模及其在污水处理中的应用", 《华南理工大学学报(自然科学版)》 * |
马军爽: "污水处理出水水质软测量建模研究", 《微计算机信息》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927412B (zh) * | 2014-04-01 | 2016-10-12 | 浙江大学 | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 |
CN103927412A (zh) * | 2014-04-01 | 2014-07-16 | 浙江大学 | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 |
CN105550492A (zh) * | 2014-10-23 | 2016-05-04 | 胜科工业有限公司 | 用于预测废水处理过程的参数的系统和方法 |
CN105550492B (zh) * | 2014-10-23 | 2017-06-20 | 胜科工业有限公司 | 用于预测废水处理过程的参数的系统和方法 |
CN104462806A (zh) * | 2014-12-02 | 2015-03-25 | 中国石油天然气集团公司 | 一种非金属管寿命预测方法 |
CN104462806B (zh) * | 2014-12-02 | 2018-04-03 | 中国石油天然气集团公司 | 一种非金属管寿命预测方法 |
CN106599494B (zh) * | 2016-12-07 | 2019-08-16 | 宁波大学 | 基于多重动态plsr模型的产品质量软测量方法 |
CN106599494A (zh) * | 2016-12-07 | 2017-04-26 | 宁波大学 | 基于多重动态plsr模型的产品质量软测量方法 |
CN108197380A (zh) * | 2017-12-29 | 2018-06-22 | 南京林业大学 | 基于偏最小二乘的高斯回归软测量建模方法 |
CN108595892A (zh) * | 2018-05-11 | 2018-09-28 | 南京林业大学 | 基于时间差分模型的软测量建模方法 |
CN108829964A (zh) * | 2018-06-07 | 2018-11-16 | 北京化工大学 | 基于特征提取elm的pta装置醋酸消耗的软测量方法 |
CN108898253A (zh) * | 2018-07-02 | 2018-11-27 | 哈尔滨工业大学 | 一种预测中药材加工废水急性毒性的方法 |
CN109300108A (zh) * | 2018-07-27 | 2019-02-01 | 昆明理工大学 | 一种基于统计和多高斯的日面亮度分析方法 |
CN110928264A (zh) * | 2018-09-20 | 2020-03-27 | 株式会社斯库林集团 | 数据处理、数据处理装置以及计算机可读取记录介质 |
US11474150B2 (en) | 2018-09-20 | 2022-10-18 | SCREEN Holdings Co., Ltd. | Data processing method, data processing device, and non-transitory computer-readable recording medium |
CN110928264B (zh) * | 2018-09-20 | 2023-08-01 | 株式会社斯库林集团 | 数据处理、数据处理装置以及计算机可读取记录介质 |
CN109165794A (zh) * | 2018-09-30 | 2019-01-08 | 中冶华天工程技术有限公司 | 多模式多特征聚合回归的污水处理目标参数预测方法 |
CN110320806A (zh) * | 2019-07-24 | 2019-10-11 | 东北大学 | 基于集成即时学习的污水处理过程自适应预测控制方法 |
CN114180764A (zh) * | 2021-11-30 | 2022-03-15 | 河北化工医药职业技术学院 | 一种液体预处理装置和方法 |
CN114180764B (zh) * | 2021-11-30 | 2023-10-13 | 河北化工医药职业技术学院 | 一种液体预处理装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
CN104376380B (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
Han et al. | Data-driven intelligent monitoring system for key variables in wastewater treatment process | |
Puig et al. | Data evaluation of full-scale wastewater treatment plants by mass balance | |
JP2007229550A (ja) | 下水処理場運転支援装置 | |
CN108564229A (zh) | 一种基于arima模型的工业污水进水量预测的方法 | |
CN101387632A (zh) | 一种污水处理过程中生化需氧量bod的软测量方法 | |
CN105510546A (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN108088974B (zh) | 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法 | |
CN102494979B (zh) | 一种污泥沉降体积指数svi的软测量方法 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
Zounemat-Kermani et al. | Multivariate NARX neural network in prediction gaseous emissions within the influent chamber of wastewater treatment plants | |
CN115470702B (zh) | 一种基于机器学习的污水处理水质预测方法及系统 | |
CN107664682A (zh) | 一种氨氮的水质软测量预测方法 | |
Rustum et al. | Applying Kohonen self‐organizing map as a software sensor to predict biochemical oxygen demand | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
CN102778548B (zh) | 一种污水处理过程污泥膨胀指数预测方法 | |
CN112964843A (zh) | 污水处理设施水质监测的物联网传感器系统及监测方法 | |
CN112989704A (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN112417765A (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
CN107665288A (zh) | 一种化学需氧量的水质软测量预测方法 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
CN109359741A (zh) | 一种废水处理进水水质时序变化智能预测方法 | |
Zhao et al. | KPCA and ELM ensemble modeling of wastewater effluent quality indices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140312 |