CN106651032A - Sbr法氨氧化过程神经网络智能控制的方法 - Google Patents

Sbr法氨氧化过程神经网络智能控制的方法 Download PDF

Info

Publication number
CN106651032A
CN106651032A CN201611200797.5A CN201611200797A CN106651032A CN 106651032 A CN106651032 A CN 106651032A CN 201611200797 A CN201611200797 A CN 201611200797A CN 106651032 A CN106651032 A CN 106651032A
Authority
CN
China
Prior art keywords
neural network
model
concentration
sbr
layer
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.)
Granted
Application number
CN201611200797.5A
Other languages
English (en)
Other versions
CN106651032B (zh
Inventor
杨庆
杨玉兵
刘秀红
冯红利
李健敏
李健伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201611200797.5A priority Critical patent/CN106651032B/zh
Publication of CN106651032A publication Critical patent/CN106651032A/zh
Application granted granted Critical
Publication of CN106651032B publication Critical patent/CN106651032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)
  • Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)

Abstract

SBR法氨氧化过程神经网络智能控制的方法，属于废水处理方法领域。在SBR系统中，利用实时控制策略控制曝气时间，以长期运行稳定的SBR数据为基础数据，建立3层BP神经网络预测控制模型，然后根据在线检测pH数据提前预测氨氮浓度；主要依据数据采集、数据处理以及模型建立；在恒定溶解氧(DO)条件下，利用BP神经网络模型，将数据进行训练、校正和测试，达到精度要求后，再将神经网络预测控制模型用于SBR系统中，预测并控制氨氧化过程。

Description

SBR法氨氧化过程神经网络智能控制的方法
技术领域
本发明涉及一种污水处理技术，尤其是能够实现SBR法氨氧化过程的预测控制，适用于城市生活污水的脱氮处理，有利于经济有效的控制水体氮素污染，提高污水脱氮效率，节省脱氮成本，属于废水处理方法领域。
背景技术
近年来，随着经济的快速发展，污水的排放总量不断增加，尤其是污水中氮、磷等营养物质的排放不断增加，从而导致水体富营养化的加剧。人们都意识到控制水体中的氮、磷是限制藻类生长、遏制水体富营养化的关键。我国现明确规定生活污水处理厂氮磷排放需达到一级A标准，即TP小于1mg/l，NH4 +-N小于5mg/l，TN小于15mg/l。日益严格的排放标准使得污水处理厂不得不面对升级改造的挑战。
目前国内外对污水生物脱氮主要集中在新工艺和机理研究。新工艺如短程硝化反硝化工艺、厌氧氨氧化工艺以及短程或半短程-厌氧氨氧化联合工艺等，而这些工艺都直接或间接地涉及到氨氧化过程，但目前这些工艺的控制策略都停留在控制氨氧化结束时间上，对氨氧化过程中氨氮浓度的预测控制很少有行之有效的方法。因此，如果能够提前预测氨氧化过程中的氨氮浓度，这对于实现短程或半短程-厌氧氨氧化等工艺具有重要的意义。
污水处理过程是一个复杂的生化反应过程，伴随有物理化学反应、生化反应及物质与能量的转化和传递过程，导致其过程控制十分困难。SBR智能控制系统主要包括模糊控制、专家系统和神经网络等，模糊控制系统鲁棒性差，易受参数信号波动的干扰，专家系统所需的信息来源于经验和数学模型仿真模块不断更新的数据库，导致专家系统的结果不够详细和精确，而由神经元构成的神经网络具有强大的非线性映射能力和学习功能可以很好地对非线性系统进行预测控制。本专利针对污水处理系统的非线性、时变性和不确定性等特点，采用神经网络预测控制算法，根据在线检测pH数据对SBR氨氧化过程的氨氮浓度进行预测控制，具有重要的理论意义和应用前景。
发明内容
本发明的目的是建立SBR法氨氧化过程神经网络智能控制的方法和装置，实现并精确预测氨氧化过程中的氨氮浓度，为实现主流工艺(短程硝化、短程或半短程-厌氧氨氧化)提供新的方法和途径。
本发明的技术方案是：
在SBR系统中，利用实时控制策略控制曝气时间，以长期运行稳定的SBR数据为基础数据，建立3层BP神经网络预测控制模型(图1)，然后根据在线检测pH数据提前预测氨氮浓度。
模型建立过程主要依据数据采集、数据处理以及模型建立。在恒定溶解氧(DO)条件下，利用BP神经网络模型，将数据进行训练、校正和测试。达到精度要求后，再将神经网络预测控制模型用于SBR系统中，预测并控制氨氧化过程。最后考察SBR长期运行过程中，神经网络预测控制模型的适应性及稳定性能。
SBR系统运行的具体操作方法如下:
SBR系统每天运行一个周期，整个反应过程中，由加热棒和温控系统控制温度，反应过程的好氧阶段由空气压缩机曝气，控制系统内DO恒定，缺氧阶段投加乙醇作为反硝化碳源，整个反应过程一直进行搅拌以保持系统的同质性和完全混合状态并按照实时控制策略运行。反应结束后沉淀，排水和闲置，整个周期在线监测pH值和DO值。
模型建立过程的方法如下:
(1)预测模型变量参数的选择：在好氧硝化阶段，DO和pH可以指示氨氧化反应的进程；当硝化结束后，停止曝气进入缺氧阶段，ORP和pH曲线上的变化点可准确指示反硝化终点。pH值在氨氧化结束和反硝化结束时都会出现明显的变化点，与DO、ORP等控制参数相比，选取pH值作为深度脱氮过程的控制参数既可以节省数据存储的空间，同时可以减少控制器的运算次数，使控制策略得到简化。本发明在运行稳定的SBR系统内实现，好氧阶段DO维持恒定，选取pH作为BP神经网络的预测参数指标，用于预测氨氧化过程中氨氮浓度的变化。
(2)神经网络预测模型的建立:为预测氨氧化过程的氨氮浓度，本发明建立的BP神经网络的输入层包括在线检测的pH值和好氧反应过程间隔(30-60min)实际测定的氨氮浓度，输出层为预测的下一刻(时间间隔1min)pH值和氨氮浓度。
1)利用Matlab编写神经网络函数；
2)BP神经网络的设计：典型的BP神经网络为3层结构：输入错、隐含层和输出层。
输入层接受算法的输入，在本模型中输入层为x。输入层节点的个数应当和x的维数对应，本模型中，输入x为标量，因此输入层节点个数为1。
隐含层节点个数可以自行设定，本模型设定为4个。
输出层节点个数应当和输出y的维数对应，本模型中，输出y为标量，因此输出层结点个数为1。
3)学习过程的基本思路
在SBR系统内，建立一个3层的BP神经网络模型。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按照在Matlab编写的函数进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值。然后按减小希望输出与实际输出误差的方向，从输出层经各隐含层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。
给定组样本:即稳定运行的大批次pH值或不同pH值及对应的氨氮浓度，对模型进行训练，具体过程如下：
具体训练过程为：
确定神经网络结构为1-4-1型，选0.1作为最大容许误差，并给出隐含层到输出层的权矩阵，将其初始化为某一小的随机权矩阵。
①.依次输入样本，计算网络的实际输出
②计算误差
③.计算各层权值的变化量
④.调节权值
⑤.若误差在容许范围内，则，转②，否则转⑥
⑥.若达到训练时间，结束，否则，转②进入下一轮的计算，若直到规定的次数(2500次)时还没有使输出层达到期望的输出，则强行退出，终止程序。
4)预测氨氧化过程pH的预测方法：采用稳定运行的一批pH数据训练神经网络模型，通过滚动预测的方法预测下一刻pH值。具体如下：一个SBR好氧反应周期中，前50个点只进行数据采集，不进行预测，从第51个pH开始预测，用第1-50个pH预测第51个pH，将预测出的第51个当作已知pH，用第2-52个pH预测第52个pH，将预测的第52个作为已知pH，用第3-52个pH预测第53个pH，以此类推，滚动预测，用前50个实际在线监测的pH预测后20个pH值。在第51个点时显示了预测的51-70个pH，以此类推，预测下一时刻的pH值，也可以根据预测的pH变化曲线的“氨谷”点来预测氨氧化结束时间。
5)根据在线检测pH实时预测NH4 +-N浓度的预测方法：在SBR系统内，建立一个3层的BP神经网络模型，采用稳定运行的一批pH值和对应NH4 +-N数据训练神经网络模型，其中pH为在线连续监测，氨氮为实际测定不同时间点的pH对应的氨氮浓度。根据pH与对应NH4 +-N浓度构建模型，具体与上述步骤1)-3)相同；其中前n个点只进行数据采集，不进行预测，从第n+1个点开始预测，用第1-n个不同pH对应的NH4 +-N浓度预测第n+1个pH对应的NH4 +-N浓度，将预测出的第n+1个NH4 +-N浓度当作已知NH4 +-N浓度，用第2-+1个不同pH对应的NH4 +-N浓度预测第n+2个不同pH对应的NH4 +-N浓度，将预测的第n+2个不同pH对应的NH4 +-N浓度作为已知的，用第3-n+2个不同pH对应的NH4 +-N浓度，预测第n+3个不同pH对应的NH4 +-N浓度，以此类推，滚动预测，用至少前20个实际在线监测的不同pH对应的NH4 +-N浓度预测后面的多个不同pH对应的NH4 +-N浓度，根据pH预测氨氧化过程模型中预测的pH和所建立的pH和氨氮模型，来预测对应的下一时刻NH4 +-N值。
也可以根据预测的NH4 +-N值控制暴气时间。
优选步骤4)和5)是在同一程序中同时分步进行的。
优选步骤1)利用Matlab编写神经网络函数如下：
net＝newff(XX,YY,[10,15,15,1],{'tansig''purelin'},'traingdx','learngdm')；
net.trainParam.epochs＝2500；
net.trainParam.goal＝0.000001；
net.trainParam.show＝10；
net.trainParam.lr＝0.1；
net.trainParam.min_grad＝0.0000000001；
net.trainParam.max_fail＝2000；
net＝train(net,XX,YY)；
激活函数：激活函数不管对于识别率或收敛速度都有显著的影响。S型激活函数具有非线性放大增益，对任意输入的增益等于在输入、输出曲线中该输入点处的曲线斜率值。利用该函数可以使同一神经网络既能处理小信号，也能处理大信号，极好的适应了城市生活污水水质的非线性和时变性。因此，隐层的激活函数采取s型函数：f(x)＝1/(1+exp(-x))。
本发明SBR法氨氧化过程神经网络智能控制的方法与装置同现有处理城市生活污水的技术相比，具有下列优点：
1)SBR独特优势：SBR系统具有工艺流程简单，基建与运行费用低，操作灵活多样，有效防止污泥膨胀，沉淀效果好等优点。
2)控制策略简化：选取pH值作为BP神经网络预测的控制参数既可以节省数据存储的空间,同时可以减少控制器的运算次数,使控制策略得到简化。
3)适应性强：基于BP神经网络的预测控制将神经网络精确描述非线性和不确定性动态过程的特性和预测控制的滚动优化思想有机结合起来，极好的适应了城市生活污水氨氧化过程的非线性、时变性和不确定性。
4)稳定性好：采用BP神经网络预测控制，提高了智能控制系统的自适应性和鲁棒性，可以精确的预测氨氧化过程中的氨氮浓度，在保证出水水质的情况下，为主流工艺(厌氧氨氧化)提供新的方法和途径。
5)BP神经网络对外界输入样本有很强的识别与分类能力。由于它具有强大的非线性处理能力，因此可以较好地进行非线性分类。
附图说明
图1是3层BP神经网络模型结构图
图2是本发明的反应器结构示意图。
图3是基于pH预测氨氧化结束时间模型训练结果
图4是根据在线监测pH值实时预测氨氮浓度模型训练结果
图5整体预测氨氧化过程效果。
具体实施方法
下面结合附图和实施例对本发明做说明：
本发明装置主体为有机玻璃制成，有效容积19.5L(高1100mm，内径150mm),试验装置如图1所示。进水量通过时间控制，也可以由液位计控制。每天运行一个周期，整个反应过程中，由加热棒和温控系统控制温度，反应过程的好氧阶段由空气压缩机曝气，控制系统内DO恒定；缺氧阶段投加乙醇作为反硝化碳源，整个反应过程一直进行搅拌以保持系统的同质性和完全混合状态并按照实时控制策略运行。反应结束后沉淀30min，排水12L，整个周期在线监测pH和DO。
1)利用Matlab编写神经网络函数如下
net＝newff(XX,YY,[10,15,15,1],{'tansig''purelin'},'traingdx','learngdm')；
net.trainParam.epochs＝2500；
net.trainParam.goal＝0.000001；
net.trainParam.show＝10；
net.trainParam.lr＝0.1；
net.trainParam.min_grad＝0.0000000001；
net.trainParam.max_fail＝2000；
net＝train(net,XX,YY)；
隐层的激活函数采取s型函数：f(x)＝1/(1+exp(-x))；
2)BP神经网络的设计：典型的BP神经网络为3层结构：输入错、隐含层和输出层。
输入层接受算法的输入，在本模型中输入层为x。输入层节点的个数应当和x的维数对应，本模型中，输入x为标量，因此输入层节点个数为1。
隐含层节点个数可以自行设定，本模型设定为4个。
输出层节点个数应当和输出y的维数对应，本模型中，输出y为标量，因此输出层结点个数为1。
3)学习过程的基本思路
给定组样本:即稳定运行的大批次pH值或不同pH值及对应的氨氮浓度，对模型进行训练，具体过程如下：
具体训练过程为：
确定神经网络结构为1-4-1型，选0.1作为最大容许误差，并给出隐含层到输出层的权矩阵，将其初始化为某一小的随机权矩阵。
①.依次输入样本，计算网络的实际输出
②计算误差
③.计算各层权值的变化量
④.调节权值
⑤.若误差在容许范围内，则，转②，否则转⑥
⑥.若达到训练时间，结束，否则，转②进入下一轮的计算，若直到规定的次数(2500次)时还没有使输出层达到期望的输出，则强行退出，终止程序。
(1)基于pH预测氨氧化结束时间，具体方法是采用稳定运行的217批pH数据训练神经网络模型，通过滚动预测的方法预测下一刻pH值。具体如下：一个SBR好氧反应周期中，前50个点只进行数据采集，不进行预测，从第51个pH开始预测，用第1-50个pH预测第51个pH，将预测出的第51个当作已知pH，用第2-52个pH预测第52个pH，将预测的第52个作为已知pH，用第3-52个pH预测第53个pH，以此类推，滚动预测，用前50个实际在线监测的pH预测后20个pH值。在第51个点时显示了预测的51-70个pH，以此类推，预测下一时刻的pH值，根据预测的pH变化曲线的“氨谷”点，预测氨氧化结束时间。
图2为基于pH预测氨氧化结束时间模型训练结果。由图可知整体相关系数(R)值为0.99854，说明该模型的相关性好，拟合度高。均方误差(MSE)可评价数据的变化程度，是衡量"平均误差"的一种较方便的方法，本模型MSE值仅为0.00021949。MSE的值越小，说明预测模型描述试验数据的精确度越好。
(2)根据在线检测pH实时预测氨氮浓度，具体方法是在SBR系统内，建立一个3层的BP神经网络模型(包含4个隐含层)，采用稳定运行的第217批的pH和对应NH4 +-N数据训练神经网络模型，其中pH为在线连续检测，氨氮为实际测定不同时间点的氨氮浓度。根据pH与对应NH4 +-N浓度构建模型，根据pH预测氨氧化过程模型中预测的pH和所建立的pH和氨氮模型，来预测对应的下一时刻NH4 +-N值。
图3为基于在线pH实时预测氨氮浓度的模型训练结果图。其整体R值为0.90811，说明该模型的相关性好，拟合度高。但由于pH为实时在线监测的数据，而氨氮为不同时间点的氨氮浓度，且进水氨氮浓度波动较大，使得该模型的精确度低于基于pH预测氨氧化过程模型。
(3)在不同的条件下，长期运行SBR,预测氨氧化过程，具体方法是：1)在污泥浓度(MLSS)为2800mg/L时，控制温度分别为21℃、26℃、31℃运行SBR，每天运行一个周期，整个反应过程中，由加热棒和温控系统控制温度(21℃、26℃、31℃)，反应过程的好氧阶段由空气压缩机曝气，控制系统内DO恒定(如0.5mg/L)；缺氧阶段投加乙醇作为反硝化碳源，整个反应过程一直进行搅拌以保持系统的同质性和完全混合状态并按照实时控制策略运行。反应结束后沉淀30min，排水12L，整个周期在线监测pH值和DO，并预测氨氧化结束时间，2)在26℃时，MLSS分别为1400mg/L和2800mg/L运行SBR，每天运行一个周期，整个反应过程中，由加热棒和温控系统控制温度(25℃)，反应过程的好氧阶段由空气压缩机曝气，控制系统内DO恒定；缺氧阶段投加乙醇作为反硝化碳源，整个反应过程一直进行搅拌以保持系统的同质性和完全混合状态并按照实时控制策略运行。反应结束后沉淀30min，排水12L，整个周期在线监测pH值和DO，并预测氨氧化过程。
图4为SBR稳定运行160个周期，模型整体预测效果，由图可知，在整个过程中，氨氮去除效率在85％以上，预测氨氧化过程精度在80％以上。由此可知，在不同的温度和污泥浓度条件下氨氮结束时间预测模型具有较好的适应性，预测精度较高，同时，对于长期运行SBR的预测效果说明，该模型具有较好的稳定性，这为实现并精确控制氨氧化过程提供了一条新的方法和途径。

Claims (6)

1.SBR法氨氧化过程神经网络智能控制的方法，其特征在于，在SBR系统中，利用实时控制策略控制曝气时间，以长期运行稳定的SBR数据为基础数据，建立3层BP神经网络预测控制模型，然后根据在线检测pH数据提前预测氨氮浓度；主要依据数据采集、数据处理以及模型建立；在恒定溶解氧(DO)条件下，利用BP神经网络模型，将数据进行训练、校正和测试，达到精度要求后，再将神经网络预测控制模型用于SBR系统中，预测并控制氨氧化过程。
2.按照权利要求1的SBR法氨氧化过程神经网络智能控制的方法，其特征在于，具体包括：
(1)预测模型变量参数的选择：在好氧硝化阶段，好氧阶段DO维持恒定，选取pH作为BP神经网络的预测参数指标，用于预测氨氧化过程中氨氮浓度的变化；
(2)神经网络预测模型的建立:为预测氨氧化过程的氨氮浓度，建立的BP神经网络的输入层包括在线检测的pH值和好氧反应过程间隔实际测定的氨氮浓度，输出层为预测的下一刻pH值和氨氮浓度。
3.按照权利要求2的SBR法氨氧化过程神经网络智能控制的方法，其特征在于，BP神经网络模型的建立，包括以下过程：
1)利用Matlab编写神经网络函数；
2)BP神经网络的设计：典型的BP神经网络为3层结构：输入错、隐含层和输出层；
输入层接受算法的输入，在本模型中输入层为x，输入层节点的个数应当和x的维数对应，本模型中，输入x为标量，因此输入层节点个数为1；
隐含层节点个数为4个；
输出层节点个数应当和输出y的维数对应，本模型中，输出y为标量，因此输出层结点个数为1；
3)学习过程的基本思路
相邻层之间各神经元进行全连接，而每层各神经元之间无连接，神经网络按照在Matlab中编写的函数进行学习，当将学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值；然后按减小希望输出与实际输出误差的方向，从输出层经各隐含层逐层修正各连接权，回到输入层；此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。
4)预测氨氧化过程pH的预测方法：采用稳定运行的一批pH数据训练神经网络模型，通过滚动预测的方法预测下一刻pH值，具体如下：一个SBR好氧反应周期中，前50个点只进行数据采集，不进行预测，从第51个pH开始预测，用第1-50个pH预测第51个pH，将预测出的第51个当作已知pH，用第2-52个pH预测第52个pH，将预测的第52个作为已知pH，用第3-52个pH预测第53个pH，以此类推，滚动预测，用前50个实际在线监测的pH预测后20个pH值；在第51个点时显示了预测的51-70个pH，以此类推，预测下一时刻的pH值，或根据预测的pH变化曲线的“氨谷”点来预测氨氧化结束时间；
5)根据在线检测pH实时预测NH4 +-N浓度的预测方法：在SBR系统内，建立一个3层的BP神经网络模型，采用稳定运行的一批pH值和对应NH4 +-N数据训练神经网络模型，其中pH为在线连续监测，氨氮为实际测定不同时间点的pH值对应的氨氮浓度，根据pH与对应NH4 +-N浓度构建模型，根据pH预测氨氧化过程模型中预测的pH和所建立的pH和氨氮模型，来预测对应的下一时刻NH4 +-N值。
4.按照权利要求3的SBR法氨氧化过程神经网络智能控制的方法，其特征在于，学习的具体训练过程为：
确定神经网络结构为1-4-1型，选0.1作为最大容许误差，并给出隐含层到输出层的权矩阵，将其初始化为某一小的随机权矩阵；
①.依次输入样本，计算网络的实际输出
②计算误差
③.计算各层权值的变化量
④.调节权值
⑤.若误差在容许范围内，则，转②，否则转⑥
⑥.若达到训练时间，结束，否则，转②进入下一轮的计算，若直到规定的次数时还没有使输出层达到期望的输出，则强行退出，终止程序。
5.按照权利要求3的SBR法氨氧化过程神经网络智能控制的方法，其特征在于，根据在线检测pH实时预测NH4 +-N浓度的预测方法：在SBR系统内，建立一个3层的BP神经网络模型，采用稳定运行的一批pH值和对应NH4 +-N数据训练神经网络模型，其中pH为在线连续监测，氨氮为实际测定不同时间点的氨氮浓度。根据pH与对应NH4 +-N浓度构建模型，具体与上述步骤1)-3)相同；其中前n个点只进行数据采集，不进行预测，从第n+1个点开始预测，用第1-n个不同pH对应的NH4 +-N浓度预测第n+1个pH对应的NH4 +-N浓度，将预测出的第n+1个NH4 +-N浓度当作已知NH4 +-N浓度，用第2-n+1个不同不同pH对应的NH4 +-N浓度预测第n+2个不同pH对应的NH4 +-N浓度，将预测的第n+2个不同pH对应的NH4 +-N浓度作为已知的，用第3-n+2个不同pH对应的NH4 +-N浓度，预测第n+3个不同pH对应的NH4 +-N浓度，以此类推，滚动预测，用至少前20个实际在线监测的不同pH对应的NH4 +-N浓度预测后面的多个不同pH对应的NH4 +-N浓度，根据pH预测氨氧化过程模型中预测的pH和所建立的pH和氨氮模型，来预测对应的下一时刻NH4 +-N值。
6.按照权利要求3的SBR法氨氧化过程神经网络智能控制的方法，其特征在于，步骤1)利用Matlab编写神经网络函数如下：
net＝newff(XX,YY,[10,15,15,1],{'tansig”purelin'},'traingdx','learngdm')；
net.trainParam.epochs＝2500；
net.trainParam.goal＝0.000001；
net.trainParam.show＝10；
net.trainParam.lr＝0.1；net.trainParam.min_grad＝0.0000000001；
net.trainParam.max_fail＝2000；
net＝train(net,XX,YY)；
激活函数：隐层的激活函数采取s型函数：f(x)＝1/(1+exp(-x))；
步骤4)和5)是在同一程序中同时分步进行的。
CN201611200797.5A 2016-12-22 2016-12-22 Sbr法氨氧化过程神经网络智能控制的方法 Active CN106651032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611200797.5A CN106651032B (zh) 2016-12-22 2016-12-22 Sbr法氨氧化过程神经网络智能控制的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611200797.5A CN106651032B (zh) 2016-12-22 2016-12-22 Sbr法氨氧化过程神经网络智能控制的方法

Publications (2)

Publication Number Publication Date
CN106651032A true CN106651032A (zh) 2017-05-10
CN106651032B CN106651032B (zh) 2022-03-04

Family

ID=58826490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611200797.5A Active CN106651032B (zh) 2016-12-22 2016-12-22 Sbr法氨氧化过程神经网络智能控制的方法

Country Status (1)

Country Link
CN (1) CN106651032B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107720946A (zh) * 2017-10-11 2018-02-23 浙江大学宁波理工学院 Sbr污水处理工艺中的串级控制方法
CN108088974A (zh) * 2017-11-30 2018-05-29 华南理工大学 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法
CN112250166A (zh) * 2020-08-27 2021-01-22 盐城工学院 基于智能化sbr电极工艺的印染废水高效脱毒梯度处理方法
CN113031445A (zh) * 2021-03-12 2021-06-25 北京工业大学 基于机理模型的污水脱氮过程鲁棒多变量控制方法
CN116225083A (zh) * 2022-12-13 2023-06-06 宁波市海洋与渔业研究院 一种用于水产养殖的氨氮浓度调控方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052422A1 (en) * 2011-02-14 2014-02-20 Jinquan Wan Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN105540832A (zh) * 2015-12-14 2016-05-04 安徽国祯环保节能科技股份有限公司 基于部分反硝化-厌氧氨氧化实现低碳氮比污水自养脱氮的装置及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052422A1 (en) * 2011-02-14 2014-02-20 Jinquan Wan Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN105540832A (zh) * 2015-12-14 2016-05-04 安徽国祯环保节能科技股份有限公司 基于部分反硝化-厌氧氨氧化实现低碳氮比污水自养脱氮的装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张兴吾 等: "基于BP神经网络的SBR法污水处理DO预测模型研究", 《云南大学学报(自然科学版)》 *
管秋: "基于人工神经网络的污水水质指标软测量方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
邵青: "SBR工艺中pH值变化时间序列的BP网络预测模型", 《中国农村水利水电》 *
郭庆春 等: "滇池水污染物浓度预测的人工神经网络模型", 《四川环境》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107720946A (zh) * 2017-10-11 2018-02-23 浙江大学宁波理工学院 Sbr污水处理工艺中的串级控制方法
CN107720946B (zh) * 2017-10-11 2020-11-20 浙江大学宁波理工学院 Sbr污水处理工艺中的串级控制方法
CN108088974A (zh) * 2017-11-30 2018-05-29 华南理工大学 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法
CN112250166A (zh) * 2020-08-27 2021-01-22 盐城工学院 基于智能化sbr电极工艺的印染废水高效脱毒梯度处理方法
CN113031445A (zh) * 2021-03-12 2021-06-25 北京工业大学 基于机理模型的污水脱氮过程鲁棒多变量控制方法
CN116225083A (zh) * 2022-12-13 2023-06-06 宁波市海洋与渔业研究院 一种用于水产养殖的氨氮浓度调控方法与系统

Also Published As

Publication number Publication date
CN106651032B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN106651032A (zh) Sbr法氨氧化过程神经网络智能控制的方法
AU2021101438A4 (en) Adaptive control method and system for aeration process
CN102854296B (zh) 一种基于集成神经网络的污水处理软测量方法
CN105510546B (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
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN103197544B (zh) 基于非线性模型预测的污水处理过程多目标控制方法
CN106745739A (zh) 一种基于神经网络模型预测pH变化实现SBR短程硝化的方法
CN102411308B (zh) 基于递归神经网络模型的溶解氧的自适应控制方法
CN106295800A (zh) 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法
CN113104961B (zh) 一种基于活性污泥处理污水工艺中实时曝气精确控制方法
Yang et al. Progress in the development of control strategies for the SBR process
AU2021100130A4 (en) Intelligent control method and system for sewage treatment aeration based on deep learning
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
CN104182794A (zh) 一种基于神经网络的污水处理过程出水总磷tp软测量方法
CN105439285A (zh) 一种污水处理的调控方法
CN106354014A (zh) 一种基于多目标差分进化算法的污水处理优化控制方法
CN111762958A (zh) 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置
CN109809560A (zh) 一种多点进水多级a/o工艺的碳源精确投加控制装置及方法
CN113189881A (zh) 一种污水处理多目标优化控制方法及系统
CN115602258A (zh) 污水处理厂中好氧池内曝气设定值计算方法
CN117634707A (zh) 一种低碳污水处理过程多指标建模与优化运行方法
Drewnowski et al. Computer simulation in predicting biochemical processes and energy balance at WWTPs
CN114879487B (zh) 一种基于区间二型模糊神经网络的污水处理过程鲁棒模型预测控制方法
Jeon et al. Management strategy of granular sludge settleability in saline denitrification: Insights from machine learning
Zhao et al. Simulation and prediction of rural sewage treatment by biological aerated filter using LMBP artificial neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant