CN105843036A - 一种基于神经网络的污水处理过程控制方法 - Google Patents
一种基于神经网络的污水处理过程控制方法 Download PDFInfo
- Publication number
- CN105843036A CN105843036A CN201610218353.8A CN201610218353A CN105843036A CN 105843036 A CN105843036 A CN 105843036A CN 201610218353 A CN201610218353 A CN 201610218353A CN 105843036 A CN105843036 A CN 105843036A
- Authority
- CN
- China
- Prior art keywords
- moment
- pid
- dissolved oxygen
- oxygen concentration
- neutral net
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000010865 sewage Substances 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 12
- 238000004886 process control Methods 0.000 title claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 35
- 229910052760 oxygen Inorganic materials 0.000 claims description 35
- 239000001301 oxygen Substances 0.000 claims description 35
- 230000007935 neutral effect Effects 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 6
- FDWIKIIKBRJSHK-UHFFFAOYSA-N 2-(2-methyl-4-oxochromen-5-yl)acetic acid Chemical compound C1=CC=C2OC(C)=CC(=O)C2=C1CC(O)=O FDWIKIIKBRJSHK-UHFFFAOYSA-N 0.000 claims description 5
- 238000005842 biochemical reaction Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000005273 aeration Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 230000001546 nitrifying effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种基于神经网络的污水处理过程控制方法,属于水处理和智能信息控制领域。本方法主要包括两个部分:PID控制部分与神经网络自适应调整参数部分。该方法能够根据环境状态实时对PID参数进行修正,实现对目标的稳定控制。其一,利用神经网络对PID控制器参数进行实时的修正,使控制器能够根据实际环境的变化自适应的进行调整;其二,利用智能PID控制器对污水处理过程进行稳定控制,使出水水质满足排放标准。以上两部分构成的基于神经网络的污水处理PID智能控制系统,属于本发明的保护范围。本发明克服了PID控制自适应差、自学习能力差的缺点。
Description
技术领域
本发明针对污水处理过程难以控制的问题,在BSM1中利用神经网络与PID控制方法相结合,对污水处理过程中溶解氧浓度进行控制。神经网络是智能信息处理技术的主要分支之一,基于神经网络的污水处理PID控制技术不但属于水处理领域,还属于智能信息控制领域。
背景技术
随着当今社会城市化和工业化不断的快速发展,我国水环境已受到严重破坏。污水排放不仅严重影响居民的日常生活,而且破坏了大自然的生态平衡。为了降低污水的排放量,实现水的循环利用,全国各地纷纷建立了污水处理厂,然而目前污水处理厂采用的控制方法较为落后,从而造成污水处理厂运行成本居高不下,研究污水处理过程控制方法对污水处理厂运营意义重大,是未来提高污水处理效果必然的发展趋势。因此,本发明的研究成果具有广阔的应用前景。
在污水处理过程中,主要的控制变量是第五分区的溶解氧浓度,溶解氧浓度的高低影响硝化过程和反硝化过程的进行,硝化和反硝化过程的进行对污水排放能否达标有着至关重要的影响。因此,对溶解氧的浓度的稳定控制对于出水水质的达标,以及污水处理厂的稳定运行是非常有必要的。
PID控制作为一种结构简单,易于实现的控制方法,虽然被广泛的应用到了各工业领域中,但是由于污水处理过程是一个具有高度非线性、大滞后、大时变、多变量耦合等特点的复杂系统,将传统的PID控制方法应用到此类复杂系统中,易出现鲁棒性差,控制精度低以及参数无法在线实时调整的问题,从而导致控制效果不理想。
神经网络因其良好的学习能力、信息处理能力和自适应特性,能对非线性系统进行高精度逼近。本发明提出了一种基于神经网络的PID污水处理过程控制方法,在满足出水质达标和系统稳定运行的基础上,实现了对PID的三个参数实时在线调整,提高了控制精度。
发明内容
基于神经网络的污水处理过程PID控制方法,主要包括两个部分:PID控制部分与神经网络自适应调整参数部分。本方法利用神经网络的自适应性与学习能力,根据当前的环境状态自适应的对PID控制器的三个参数进行实时调整,及时对环境的变化做出响应,从而对污水处理过程进行控制,使得溶解氧浓度误差最小化。
本发明采用了如下的技术方案为基于神经网络的污水处理过程PID控制方法,其特征在于,包括以下步骤:
1)底层PID控制器
将k时刻的溶解氧浓度与浓度设定值进行对比作差,可定义误差为:
e(k)=r(k)-y(k) (1)
r(k)为k时刻溶解氧浓度期望值,y(k)为k时刻的溶解氧浓度实际测量值,e(k)为k时刻的溶解氧浓度的误差值;
PID控制器的输出为:
Δu(k)=Kp(e(k)-e(k-1))+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)] (2)
Kp代表的是比例系数,Ki代表的是积分系数,Kd代表的是微分系数,e(k)与e(k-1)分别代表在k时刻和k-1时刻溶解氧的误差变化量,e(k-2)代表在k-2时刻溶解氧的误差变化量,Δu(k)为PID控制器k时刻的输出控制量增量;
2)PID调整参数
本方法选择BP神经网络对PID参数进行调整,共有三个输入量,分别是k时刻的比例、积分、微分所对应的误差变化量,其输入为:
x1(k)=e(k)-e(k-1) (3)
x2(k)=e(k) (4)
x3(k)=e(k)-2e(k-1)+e(k-2) (5)
X(k)=[x1(k)x2(k)x3(k)] (6)
则神经网络的输出为:
Yout(k)=Wout(k)f(Win(k)X(k)) (7)
式中,x1(k),x2(k),x3(k)为k时刻比例、积分、微分所对应的误差变化量,X(k)为k时刻的神经网络的输入向量,Yout(k)为k时刻的神经网络的输出,同时作为PID控制器的比例、积分、微分参数;Win(k)为k时刻神经网络输入层神经元到隐含层神经元的连接权值;Wout(k)为k时刻神经网络隐含层神经元到输出层神经元的连接权值;f为隐含层神经元激活函数,取为Sigmoid函数;
将k时刻溶解氧浓度变化量e(k)作为污水处理控制过程的输入,
得到在k时刻的性能指标函数值J(k),调整神经网络权值指标函数为:
权值调整公式为:
Wout(k+1)=Wout(k)+ηδ2f(Win(k)X(k)) (9)
Win(k+1)=Win(k)+ηδ1X(k) (10)
η为学习速率,E(k)为k时刻的PID控制器参数误差变化,δ1为反向传播隐含层算子,δ2为反向传播输出层算子。
本发明的创造性主要体现在:
本发明设计了智能PID控制方法并将其应用在污水处理过程中,该方法能够根据环境状态实时对PID参数进行修正,实现对目标的稳定控制。其一,利用神经网络对PID控制器参数进行实时的修正,使控制器能够根据实际环境变化自适应的进行调整;其二,利用智能PID控制器对污水处理过程进行稳定控制,使出水水质满足排放标准。以上两部分构成的基于神经网络的污水处理PID智能控制系统,属于本发明的保护范围。
本发明提出的基于神经网络的污水处理PID智能控制系统,解决了传统PID控制器难以在线调整的问题,克服了PID控制自适应差、自学习能力差的缺点。
附图说明
图1.污水处理过程基准模型。
图2.神经网络拓扑结构图。
图3.溶解氧控制效果。
图4.溶解氧浓度控制系统框图
具体实施方式
BSM1污水基准仿真处理模型主要包括生化反应池和二沉池,如图1所示,生化反应池共有五个单元,前两个单元为厌氧区,后三个单元为曝气区,控制溶解氧浓度主要是通过调节第五单元的氧气转化系数KLa,使溶解氧浓度维持在2mg/L。图2所示的BP神经网络拓扑图,分为输入层,隐含层和输出层。本专利通过BP神经网络对PID控制器参数进行整定。
文中的实验是基于BSM1模型晴朗天气下的数据进行的,具体步骤如下:
S1.PID控制器
PID控制器的输入量有六个,其中三个是溶解氧浓度与其设定值的偏差经计算后得到的误差变化量,如图4中所示的x1(k),x2(k),x3(k),另外三个是BP神经网络的输出量,如图4中所示的Kp,Ki,Kd,输出为控制量。溶解氧浓度的设定值为2mg/L。
S2.参数调整层神经网络
参数调整层神经网络结构为3-20-3,输入为误差的微积分计算分量,输出为PID的三个控制参数,内部神经元个数为20(根据实际情况进行增加或删减),初始化网络的权值,输入层神经元到隐含层神经元的权值Wo in的维数为20×3,隐含层神经元到输出层神经元的权值Wo out的维数为3×20。
S3.通过迭代学习,可以得到溶解氧浓度的控制结果如图3,可以看出,在控制的开始阶段,BP-PID控制器经过学习,能够快速的将溶解氧浓度控制在2mg/L附近,且能够保持稳定,不会随着入水流量和入水组分(即系统的状态)的变化而变化,开始的调整阶段可以很好的弥补传统PID控制器参数难以选择的问题,图中曲线为BP-PID控制效果。
Claims (2)
1.一种基于神经网络的污水处理过程控制方法,主要包括两个部分:PID控制部分与神经网络自适应调整参数部分;本方法利用神经网络的自适应性与学习能力,根据当前的环境状态自适应的对PID控制器的三个参数进行实时调整,及时对环境的变化做出响应,从而对污水处理过程进行控制,使得溶解氧浓度的误差最小化;
其特征在于,包括以下步骤:
1)底层PID控制器
将k时刻的溶解氧浓度与浓度设定值进行对比作差,可定义误差为:
e(k)=r(k)-y(k) (1)
r(k)为k时刻溶解氧浓度期望值,y(k)为k时刻的溶解氧浓度实际测量值,e(k)为k时刻的溶解氧浓度的误差值;
PID控制器的输出为:
Δu(k)=Kp(e(k)-e(k-1))+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)] (2)
Kp代表的是比例系数,Ki代表的是积分系数,Kd代表的是微分系数,e(k)与e(k-1)分别代表在k时刻和k-1时刻溶解氧的误差变化量,e(k-2)代表在k-2时刻溶解氧的误差变化量,Δu(k)为PID控制器k时刻的输出控制量增量;
2)PID调整参数
本方法选择BP神经网络对PID参数进行调整,共有三个输入量,分别是k时刻的比例、积分、微分所对应的误差变化量,其输入为:
x1(k)=e(k)-e(k-1) (3)
x2(k)=e(k) (4)
x3(k)=e(k)-2e(k-1)+e(k-2) (5)
X(k)=[x1(k) x2(k) x3(k)] (6)
则神经网络的输出为:
Yout(k)=Wout(k)f(Win(k)X(k)) (7)
式中,x1(k),x2(k),x3(k)为k时刻比例、积分、微分所对应的误差变化量,X(k)为k时刻的神经网络的输入向量,Yout(k)为k时刻的神经网络的输出,同时作为PID控制器的比例、积分、微分参数;Win(k)为k时刻神经网络输入层神经元到隐含层神经元的连接权值;Wout(k)为k时刻神经网络隐含层神经元到输出层神经元的连接权值;f为隐含层神经元激活函数,取为Sigmoid函数;
将k时刻溶解氧浓度变化量e(k)作为污水处理控制过程的输入,得到在k时刻的性能指标函数值J(k),调整神经网络权值指标函数为:
权值调整公式为:
Wout(k+1)=Wout(k)+ηδ2f(Win(k)X(k)) (9)
Win(k+1)=Win(k)+ηδ1X(k) (10)
η为学习速率,E(k)为k时刻的PID控制器参数误差变化,δ1为反向传播隐含层算子,δ2为反向传播输出层算子。
2.根据权利要求1所述的一种基于神经网络的污水处理过程控制方法,其特征在于:BSM1污水基准仿真处理模型主要包括生化反应池和二沉池,生化反应池共有五个单元,前两个单元为厌氧区,后三个单元为曝气区,控制溶解氧浓度主要是通过调节第五单元的氧气转化系数KLa,使溶解氧浓度维持在2mg/L;BP神经网络拓扑图,分为输入层,隐含层和输出层;通过BP神经网络对PID控制器参数进行整定;
基于BSM1模型晴朗天气下的数据进行实验,具体步骤如下:
S1.PID控制器
PID控制器的输入量有六个,其中三个是溶解氧浓度与其设定值的偏差经计算后得到的误差变化量:x1(k)、x2(k)、x3(k),另外三个是BP神经网络的输出量:Kp、Ki、Kd,输出为控制量;溶解氧浓度的设定值为2mg/L;
S2.参数调整层神经网络
参数调整层神经网络结构为3-20-3,输入为误差的微积分计算分量,输出为PID的三个控制参数,内部神经元个数为20,初始化网络的权值,输入层神经元到隐含层神经元的权值Wo in的维数为20×3,隐含层神经元到输出层神经元的权值Wo out的维数为3×20;
S3.通过迭代学习,得到溶解氧浓度的控制结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610218353.8A CN105843036A (zh) | 2016-04-09 | 2016-04-09 | 一种基于神经网络的污水处理过程控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610218353.8A CN105843036A (zh) | 2016-04-09 | 2016-04-09 | 一种基于神经网络的污水处理过程控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105843036A true CN105843036A (zh) | 2016-08-10 |
Family
ID=56597121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610218353.8A Pending CN105843036A (zh) | 2016-04-09 | 2016-04-09 | 一种基于神经网络的污水处理过程控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105843036A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106354019A (zh) * | 2016-11-21 | 2017-01-25 | 北京工业大学 | 一种基于rbf神经网络的溶解氧精确控制方法 |
CN109034390A (zh) * | 2018-08-07 | 2018-12-18 | 河北工业大学 | 基于bp神经网络三维磁特性测量的相角幅值pid自适应方法 |
CN110529419A (zh) * | 2019-09-02 | 2019-12-03 | 苏州贝舒医疗科技有限公司 | 无创呼吸机风机的压力输出控制方法 |
CN111484124A (zh) * | 2019-01-27 | 2020-08-04 | 凯秘克(上海)环保科技有限公司 | 一种污水处理智能控制与生化工艺集约方法及系统 |
CN111580381A (zh) * | 2020-03-20 | 2020-08-25 | 北京工业大学 | 一种动态事件驱动控制策略的溶解氧控制方法 |
CN113448245A (zh) * | 2021-04-14 | 2021-09-28 | 华南师范大学 | 一种基于深度学习的污水处理过程溶解氧控制方法及系统 |
CN113688577A (zh) * | 2021-10-22 | 2021-11-23 | 江苏拓邦环保科技有限公司 | 一种家用生活污水处理及再利用的方法及装置 |
CN114149076A (zh) * | 2021-12-21 | 2022-03-08 | 浙江沃乐环境科技有限公司 | 一种厌氧氨氧化污水处理系统的智能调试系统 |
CN114326375A (zh) * | 2021-12-22 | 2022-04-12 | 江苏精瓷智能传感技术研究院有限公司 | 一种氮氧传感器泵单元自适应控制系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10118691A (ja) * | 1996-10-17 | 1998-05-12 | Kurita Water Ind Ltd | 生物学的硝化脱窒処理装置 |
US6535795B1 (en) * | 1999-08-09 | 2003-03-18 | Baker Hughes Incorporated | Method for chemical addition utilizing adaptive optimization |
CN101576734A (zh) * | 2009-06-12 | 2009-11-11 | 北京工业大学 | 基于动态径向基神经网络的溶解氧的控制方法 |
CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
CN102411308A (zh) * | 2011-12-24 | 2012-04-11 | 北京工业大学 | 基于递归神经网络模型的溶解氧的自适应控制方法 |
CN103064290A (zh) * | 2013-01-01 | 2013-04-24 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
CN103499982A (zh) * | 2013-09-30 | 2014-01-08 | 北京工业大学 | 一种污水处理过程自组织控制方法 |
-
2016
- 2016-04-09 CN CN201610218353.8A patent/CN105843036A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10118691A (ja) * | 1996-10-17 | 1998-05-12 | Kurita Water Ind Ltd | 生物学的硝化脱窒処理装置 |
US6535795B1 (en) * | 1999-08-09 | 2003-03-18 | Baker Hughes Incorporated | Method for chemical addition utilizing adaptive optimization |
CN101576734A (zh) * | 2009-06-12 | 2009-11-11 | 北京工业大学 | 基于动态径向基神经网络的溶解氧的控制方法 |
CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
CN102411308A (zh) * | 2011-12-24 | 2012-04-11 | 北京工业大学 | 基于递归神经网络模型的溶解氧的自适应控制方法 |
CN103064290A (zh) * | 2013-01-01 | 2013-04-24 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
CN103499982A (zh) * | 2013-09-30 | 2014-01-08 | 北京工业大学 | 一种污水处理过程自组织控制方法 |
Non-Patent Citations (3)
Title |
---|
付文韬 等: "神经网络的溶解氧控制系统", 《计算机与应用化学》 * |
刘文军 等: "基于模糊神经网络的参数自整定PID控制系统设计", 《太原理工大学学报》 * |
刘超彬 等: "污水处理过程中溶解氧的模糊神经网络控制", 《山东大学学报(工学版)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106354019B (zh) * | 2016-11-21 | 2019-01-22 | 北京工业大学 | 一种基于rbf神经网络的溶解氧精确控制方法 |
CN106354019A (zh) * | 2016-11-21 | 2017-01-25 | 北京工业大学 | 一种基于rbf神经网络的溶解氧精确控制方法 |
CN109034390B (zh) * | 2018-08-07 | 2021-08-03 | 河北工业大学 | 基于bp神经网络三维磁特性测量的相角幅值pid自适应方法 |
CN109034390A (zh) * | 2018-08-07 | 2018-12-18 | 河北工业大学 | 基于bp神经网络三维磁特性测量的相角幅值pid自适应方法 |
CN111484124A (zh) * | 2019-01-27 | 2020-08-04 | 凯秘克(上海)环保科技有限公司 | 一种污水处理智能控制与生化工艺集约方法及系统 |
CN110529419A (zh) * | 2019-09-02 | 2019-12-03 | 苏州贝舒医疗科技有限公司 | 无创呼吸机风机的压力输出控制方法 |
CN111580381A (zh) * | 2020-03-20 | 2020-08-25 | 北京工业大学 | 一种动态事件驱动控制策略的溶解氧控制方法 |
CN111580381B (zh) * | 2020-03-20 | 2023-09-12 | 北京工业大学 | 一种动态事件驱动控制策略的溶解氧控制方法 |
CN113448245A (zh) * | 2021-04-14 | 2021-09-28 | 华南师范大学 | 一种基于深度学习的污水处理过程溶解氧控制方法及系统 |
CN113688577A (zh) * | 2021-10-22 | 2021-11-23 | 江苏拓邦环保科技有限公司 | 一种家用生活污水处理及再利用的方法及装置 |
CN114149076A (zh) * | 2021-12-21 | 2022-03-08 | 浙江沃乐环境科技有限公司 | 一种厌氧氨氧化污水处理系统的智能调试系统 |
CN114149076B (zh) * | 2021-12-21 | 2022-07-19 | 浙江沃乐环境科技有限公司 | 一种厌氧氨氧化污水处理系统的智能调试系统 |
CN114326375A (zh) * | 2021-12-22 | 2022-04-12 | 江苏精瓷智能传感技术研究院有限公司 | 一种氮氧传感器泵单元自适应控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105843036A (zh) | 一种基于神经网络的污水处理过程控制方法 | |
CN105404151B (zh) | 污水处理过程动态多目标优化控制方法 | |
CN105676649A (zh) | 一种基于自组织神经网络的污水处理过程控制方法 | |
CN106873379A (zh) | 一种基于迭代adp算法的污水处理最优控制方法 | |
CN103809557B (zh) | 一种基于神经网络的污水处理过程优化控制方法 | |
CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
CN108549234A (zh) | 一种基于动态变值的多目标优化控制方法 | |
CN101763036A (zh) | 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法 | |
CN104865979A (zh) | 一种污水处理过程自适应广义预测控制方法及系统 | |
CN109928493A (zh) | 一种基于大数据与进化算法的精确溶氧控制调节方法 | |
CN111367181B (zh) | 一种用于污水处理系统的混合驱动智能评判控制方法 | |
Qiao et al. | Adaptive optimal control for a wastewater treatment plant based on a data-driven method | |
CN106096724B (zh) | 基于elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
CN105974801A (zh) | 基于数据驱动的温室环境建模与控制技术 | |
CN106019940B (zh) | 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统 | |
CN108536106A (zh) | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 | |
CN108427268A (zh) | 一种基于知识与数据信息决策的污水处理优化控制方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
Han et al. | Multi-objective integrated optimal control for a wastewater treatment process | |
CN103771582B (zh) | 污水处理的曝气控制方法 | |
CN116360366B (zh) | 一种污水处理过程优化控制方法 | |
CN113087288A (zh) | 一种制造企业能源中心水处理控制系统及方法 | |
CN107783416A (zh) | 一种水体溶解氧含量的控制方法 | |
CN111797363A (zh) | 基于数据的污水处理系统自学习轨迹跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160810 |