CN109523094B - 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 - Google Patents
一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 Download PDFInfo
- Publication number
- CN109523094B CN109523094B CN201811573009.6A CN201811573009A CN109523094B CN 109523094 B CN109523094 B CN 109523094B CN 201811573009 A CN201811573009 A CN 201811573009A CN 109523094 B CN109523094 B CN 109523094B
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- ship
- wavelet
- sewage treatment
- 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.)
- Active
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明的目的在于提供一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法,将小波理论和神经网络相结合,使小波神经网络完全继承了小波变换的优良时频局部化特性和神经网络的自学习特性,实现了强非线性逼近能力。特别针对含盐污水处理过程中高度非线性、强耦合性、时变、大滞后性和复杂性等特点,解决了传统的神经网络预测模型精度差、稳定性低等问题。提出了相应的控制策略,对船舶污水处理设备起到自我监测和诊断的同时,还实现了自我修复,对比其他算法,智能化程度高,进一步节省了运行成本。实验结果表明,该预测方法能够很好的预测高盐度海水中的污染物去除效率,进而对船舶含盐污水的处理提供切实可行的运行策略。
Description
技术领域
本发明涉及的是一种船舶生活污水处理系统及方法。
背景技术
国际海事组织(IMO)对船舶污水的排放要求越来越严格。尽管生活污水处理技术和装置在我国发展迅猛,但还是存在许多问题。尤其是在处理过程中的控制问题,由于污水处理过程中存在高度非线性、强耦合性、时变、大滞后性和复杂性等特点,传统的控制方法,例如开关控制或PID控制,只能对单个变量进行控制,而对于复杂的系统,无法实现有效的控制。
针对传统控制方法存在的缺陷,近年来,很多学者对污水处理过程中控制进行了大量的研究并提出了很多数学模型,比如ASM系列模型、模糊控制模型等。但是,目前污水处理过程模型结构复杂,待定参数过多,可辨识差,不能动态地反映出操作变量和控制目标之间的联系,所以无法用于在线控制。此外,由于污水处理过程受进水水质、温度、pH和盐度影响,具有强耦合性和高度非线性等特点,更是对污水处理过程得监测和控制提出了挑战。因此,寻求一种有效的污水处理过程控制方法尤为紧迫。
发明内容
本发明的目的在于提供能极大降低人为因素对控制过程的干扰和操作人员带来的运行成本的一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法。
本发明的目的是这样实现的:
本发明一种基于小波神经网络的船舶含盐污水处理控制预测系统,其特征是:包括缓冲池、生化处理池、含盐污泥驯化池、投药箱,进水管连通缓冲池,缓冲池下方连通淡水管,缓冲池通过中间管连通生化处理池,生化处理池出口连通出水管,含盐污泥驯化池通过污泥调节阀连通生化处理池,生化处理池下方连接曝气泵,投药箱通过投药泵连通生化处理池的底部,进水管上安装进水调节阀,淡水管上安装淡水开关阀,生化处理池里分别设置盐度传感器、pH计、在线COD传感器、在线总氮传感器。
本发明一种基于小波神经网络的船舶含盐污水处理控制预测方法,其特征是:小波神经网络预测模型分为三层:输入层、隐含层和输出层;两个预测模型WNN神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t)]T,x1(t)为t时刻生化处理区pH值,x2(t)为t时刻生化处理区盐度值,x3(t)为t时刻生化处理区COD值,x4(t)为t时刻生化处理区氨氮值;模型1输出y1(t)为t时刻出水COD值,模型2输出y2(t)为t时刻出水总氮值,模型建立如下:
(1)初始化小波神经网络控制器:确定单个神经网络为4-N-1的连接方式,即输入层神经元为4,隐含层神经元为N,输出层神经元为1,Wjk和Wij初始值选为0.5,伸缩参数aj=1,平移参数bj=0.5;学习率η=10-4和最大训练迭代K=1000设计用于船舶污水处理过程中高盐分污水处理控制预测的目标函数:
其中,Wij是隐藏层到输出层的权重,ψ(x)是WNN模型的母小波,采用Morlet小波函数;Morlet小波函数的定义由表达式ψ(x)=cos(1.75x)exp{-x2/2}描述,ψa,b(x)是对应的小波基函数,作为隐层中的激活函数。
(2)定义WNN模型性能指标:
其中E为结果测试的误差函数,P是训练样本的集合,di是输出矢量数据的期望值,d=[d1,d2,…,dm]T,yi是输出矢量,y=[y1,y2,…,yk]T;每个隐藏层神经元j的输入表达如下:
其中Wjk是隐藏层到输入层的权重,xi是输入矢量,x=[x1,x2,…,xi]T;隐藏层神经元j的输出表达如下:
其中aj和bj为隐含层的伸缩参数和平移参数;WNN模型的输出表达如下:
(3)对WNN模型的参数进行更新:
Wjk(t+1)=Wjk(t)+ηjkΔWjk(t),
Wij(t+1)=Wij(t)+ηijΔWij(t),
aij(t+1)=aij(t)+ηaΔaj(t),
bij(t+1)=bij(t)+ηbΔbj(t),
其中ηjk、ηij、ηa、ηb分别为Wjk、Wij、aj、bj的学习效率,
其中ΔWij(t)为隐藏层到输出层第P次迭代权值的修正量,ΔWjk(t)为隐藏层到输入层第P次迭代权值的修正量,Δaj(t)为第P次迭代尺度参数的修正量,Δbj(t)为第P次迭代评议参数的修正量;
(4)判断当前时刻出水COD和氨氮的目标函数大小,当E>10-4时,重复步骤(3);如果E<10-4时,则转到步骤(1)计算WNN控制器的输出y1(t),y2(t),利用求解出来的y1(t),y2(t),进而对设备进行控制。
本发明还可以包括:
1、当检测当前时刻pH值x1(t)小于设定值6.5时,WNN控制器输出指令,开启设备投药泵,向设备生化处理池注入碳酸氢钠溶液,提高生化处理池的pH;直至pH值x1(t)升高到8,关闭设备投药泵。
2、当检测当前时刻盐度值x2(t)大于设定值10g/L时,WNN控制器输出指令,开启设备淡水阀,向设备缓冲池注入淡水,稀释缓冲池中的污水盐度;当盐度值x2(t)小于设定值10g/L,关闭设备淡水阀。
3、当出水COD预测值y1(t)大于设定值125mg/L,出水TN预测值y2(t)大于设定20mg/L时,开启进水流量调节阀,降低进水流量至原来的1/2,并打开曝气泵的功率调节器,增大设备的进气量,进而增大设备的溶解氧浓度。
本发明的优势在于:
1、采用小波神经网路预测控制算法,构建了小波神经网络(WNN)的船舶污水处理控制预测系统。通过小波变换与神经网络相结合,使小波神经网络完全继承了小波变换的优良时频局部化特性和神经网络的自学习特性,实现了强非线性逼近,进而克服了污水处理过程中存在高度非线性、强耦合性、时变、大滞后性和复杂性对模型的影响。对比目前运用于污水处理中的算法,例如模糊控制算法,BP神经网络和自组织径向基神经网络等算法,具有结构简单,收敛速度快,精度更高等优点。
2、在污水处理过程控之中,一般只是针对溶解氧、pH等指标进行控制,但是特别对于船舶生活污水,盐度是必不可少的参考因素。此外,过高的盐度会破坏污水处理装置中的生物稳定性,进而影响装置的正常运行。而基于小波神经网络(WNN)的船舶污水处理控制预测系统,对比其他的控制技术,加入了盐度浓度的控制。
3、目前大多数运用于污水处理中的算法只考虑了单一因素,比如溶解氧浓度、pH值等,只能对正常运行起到辅助作用,并不能对整个污水处理设备的正常运行提供控制;该小波神经网络(WNN)的船舶污水处理控制预测系统,基于小波神经网络算法的预测值基础上,提出了相应的控制策略,对船舶污水处理设备起到自我监测和诊断的同时,还实现了自我修复,对比其他算法,智能化程度高,进一步节省了运行成本。
附图说明
图1为本发明的过程控制示意图;
图2为污水处理系统结构示意图;
图3为小波神经网络结构图;
图4为出水COD结果预测值与真实值对比图;
图5为出水COD结果误差值;
图6为出水氨氮结果预测值与真实值对比图;
图7为出水氨氮结果误差值。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1-7,本发明一种基于小波神经网络(WNN)的船舶高盐分污水处理控制预测系统,用于对船舶生活污水处理系统运行进行控制和预测,其过程控制示意图如图1:
该系统包含3个模块,分别为船舶污水处理装置本体、传感器采集模块和小波神经网络控制器;
船舶污水处理系统本体图如图2,总体布局分为缓冲池、生化处理池、投药箱和含盐污泥驯化池,缓冲池进水口连有进水调节阀,用于控制进水水量;缓冲区与生化处理区相连,用于缓冲系统污水进水量以及稀释进水盐度;生化处理区与投药区通过投药泵相连,用于降解船舶污水中的有害物质(COD和总氮等);投药区用来储存碳酸氢钠溶液,用于降低生化处理区的pH;此外,船舶污水处理装置本体内部包含含盐污泥驯化区,其目的在于培养高效处理含盐生活污水的污泥,污泥内含有耐盐微生物,能够处理含盐生活污水中的污染物质。
传感器采集模块内置于船舶污水处理装置生化处理区中,包含pH计、盐度传感器、在线COD传感器和在线总氮传感器,用于对船舶生活污水处理系统的pH、盐度、COD和总氮指标进行实时监测,进而得到传感器信号传入小波神经网络控制器;
小波神经网络控制器与传感器模块直接相连,用于将处理后的传感器信号对船舶生活污水处理系统进行控制和水质预测;
小波神经网络控制器中内置小波神经网络算法(WNN),设计基于小波神经网络的船舶高盐分污水处理控制预测系统,构建两个小波神经网络,小波神经网络结构图如图三,每个预测模型分为三层:输入层、隐含层和输出层;两个预测模型WNN神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t)]T,x1(t)为t时刻生化处理区pH值,x2(t)为t时刻生化处理区盐度值,x3(t)为t时刻生化处理区COD值,x4(t)为t时刻生化处理区氨氮值;模型1输出y1(t)为t时刻出水COD值,模型2输出y2(t)为t时刻出水总氮值;模型建立如下:
(1)初始化小波神经网络控制器:确定单个神经网络为4-N-1的连接方式,即输入层神经元为4,隐含层神经元为N,输出层神经元为1.Wjk和Wij初始值选为0.5,伸缩参数aj=1,平移参数bj=0.5;学习率η=10-4和最大训练迭代K=1000设计用于船舶污水处理过程中高盐分污水处理控制预测的目标函数:
其中,Wij是隐藏层到输出层的权重,ψ(x)是WNN模型的母小波,这里采用Morlet小波函数。Morlet小波函数的定义由表达式ψ(x)=cos(1.75x)exp{-x2/2}描述。ψa,b(x)是对应的小波基函数,作为隐层中的激活函数。
(2)定义WNN模型性能指标:
其中E为结果测试的误差函数,P是训练样本的集合,di是输出矢量数据的期望值,d=[d1,d2,…,dm]T,yi是输出矢量,y=[y1,y2,…,yk]T。每个隐藏层神经元j的输入表达如下:
其中Wjk是隐藏层到输入层的权重,xi是输入矢量,x=[x1,x2,…,xi]T。隐藏层神经元j的输出表达如下:
其中aj和bj为隐含层的伸缩参数和平移参数。因此,WNN模型的输出表达如下:
(3)对WNN模型的参数进行更新:
Wjk(t+1)=Wjk(t)+ηjkΔWjk(t)
Wij(t+1)=Wij(t)+ηijΔWij(t)
aij(t+1)=aij(t)+ηaΔaj(t)
bij(t+1)=bij(t)+ηbΔbj(t)
其中ηjk,ηij,ηa,ηb分别为Wjk,Wij,aj,bj的学习效率,
其中ΔWij(t)为隐藏层到输出层第P次迭代权值的修正量,ΔWjk(t)为隐藏层到输入层第P次迭代权值的修正量,Δaj(t)为第P次迭代尺度参数的修正量,Δbj(t)为第P次迭代评议参数的修正量。
(4)判断当前时刻出水COD和氨氮的目标函数大小,当E>10-4时,重复步骤(3);如果E<10-4时,则转到步骤(1)计算WNN控制器的输出y1(t),y2(t).利用求解出来的y1(t),y2(t),进而对设备进行控制。
图4为系统的出水COD结果预测值与真实值对比图,X轴为时间,单位为天,Y轴为系统的预测值y1(t)和实际值对比,单位为mg/L;图5为系统的出水COD结果误差值E1,X轴为时间,单位为天,Y轴为系统的预测误差;图6为系统的出水氨氮结果预测值与真实值对比图,X轴为时间,单位为天,Y轴为系统的预测值y2(t)和实际值对比,单位为mg/L;图7为系统的出水COD结果误差值E2,X轴为时间,单位为天,Y轴为系统的预测误差,该结果证明了该小波神经网络算法的有效性。
通过小波神经网络模型可以提出一种最优控制策略,方便快速找出故障设备及时加以排除,实现设备自我修复,具体控制策略如下:
当检测当前时刻pH值x1(t)小于设定值6.5时,WNN控制器输出指令,开启设备投药泵,向设备生化处理池注入碳酸氢钠溶液,提高生化处理池的pH;直至pH值x1(t)升高到8,关闭设备投药泵,污水处理设备正常运行。
当检测当前时刻盐度值x2(t)大于设定值10g/L时,WNN控制器输出指令,开启设备淡水阀,向设备缓冲池注入淡水,稀释缓冲池中的污水盐度;当盐度值x2(t)小于设定值10g/L,关闭设备淡水阀,污水处理设备正常运行。
当连续一段时间的出水COD预测值y1(t)大于设定值125mg/L,出水TN预测值y2(t)大于设定20mg/L时,开启进水流量调节阀,降低进水流量至原来的1/2,并打开曝气泵的功率调节器,增大设备的进气量,进而增大设备的溶解氧浓度,增强污染物的去除效果。当出水COD预测值y1(t)小于设定值125mg/L,出水TN预测值y2(t)小于设定值20mg/L时,污水处理设备正常运行。
Claims (4)
1.一种基于小波神经网络的船舶含盐污水处理控制预测方法,其特征是:小波神经网络预测模型分为三层:输入层、隐含层和输出层;两个预测模型WNN神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t)]T,x1(t)为t时刻生化处理区pH值,x2(t)为t时刻生化处理区盐度值,x3(t)为t时刻生化处理区COD值,x4(t)为t时刻生化处理区氨氮值;模型1输出y1(t)为t时刻出水COD值,模型2输出y2(t)为t时刻出水总氮值,模型建立如下:
(1)初始化小波神经网络控制器:确定单个神经网络为4-N-1的连接方式,即输入层神经元为4,隐含层神经元为N,输出层神经元为1,Wjk和Wij初始值选为0.5,伸缩参数aj=1,平移参数bj=0.5;学习率η=10-4和最大训练迭代K=1000设计用于船舶污水处理过程中高盐分污水处理控制预测的目标函数:
其中,Wij是隐藏层到输出层的权重,ψ(x)是WNN模型的母小波,采用Morlet小波函数;Morlet小波函数的定义由表达式ψ(x)=cos(1.75x)exp{-x2/2}描述,ψa,b(x)是对应的小波基函数,作为隐层中的激活函数;
(2)定义WNN模型性能指标:
其中E为结果测试的误差函数,P是训练样本的集合,di是输出矢量数据的期望值,d=[d1,d2,···,dm]T,yi是输出矢量,y=[y1,y2,···,yk]T;每个隐藏层神经元j的输入表达如下:
其中Wjk是隐藏层到输入层的权重,xi是输入矢量,x=[x1,x2,···,xi]T;隐藏层神经元j的输出表达如下:
其中aj和bj为隐含层的伸缩参数和平移参数;WNN模型的输出表达如下:
(3)对WNN模型的参数进行更新:
Wjk(t+1)=Wjk(t)+ηjkΔWjk(t),
Wij(t+1)=Wij(t)+ηijΔWij(t),
aij(t+1)=aij(t)+ηaΔaj(t),
bij(t+1)=bij(t)+ηbΔbj(t),
其中ηjk、ηij、ηa、ηb分别为Wjk、Wij、aj、bj的学习效率,
其中ΔWij(t)为隐藏层到输出层第P次迭代权值的修正量,ΔWjk(t)为隐藏层到输入层第P次迭代权值的修正量,Δaj(t)为第P次迭代尺度参数的修正量,Δbj(t)为第P次迭代评议参数的修正量;
(4)判断当前时刻出水COD和氨氮的目标函数大小,当E>10-4时,重复步骤(3);如果E<10-4时,则转到步骤(1)计算WNN控制器的输出y1(t),y2(t),利用求解出来的y1(t),y2(t),进而对设备进行控制。
2.根据权利要求1所述的一种基于小波神经网络的船舶含盐污水处理控制预测方法,其特征是:当检测当前时刻pH值x1(t)小于设定值6.5时,WNN控制器输出指令,开启设备投药泵,向设备生化处理池注入碳酸氢钠溶液,提高生化处理池的pH;直至pH值x1(t)升高到8,关闭设备投药泵。
3.根据权利要求1或2所述的一种基于小波神经网络的船舶含盐污水处理控制预测方法,其特征是:当检测当前时刻盐度值x2(t)大于设定值10g/L时,WNN控制器输出指令,开启设备淡水阀,向设备缓冲池注入淡水,稀释缓冲池中的污水盐度;当盐度值x2(t)小于设定值10g/L,关闭设备淡水阀。
4.根据权利要求1或2所述的一种基于小波神经网络的船舶含盐污水处理控制预测方法,其特征是:当出水COD预测值y1(t)大于设定值125mg/L,出水TN预测值y2(t)大于设定20mg/L时,开启进水流量调节阀,降低进水流量至原来的1/2,并打开曝气泵的功率调节器,增大设备的进气量,进而增大设备的溶解氧浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573009.6A CN109523094B (zh) | 2018-12-21 | 2018-12-21 | 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573009.6A CN109523094B (zh) | 2018-12-21 | 2018-12-21 | 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523094A CN109523094A (zh) | 2019-03-26 |
CN109523094B true CN109523094B (zh) | 2023-07-25 |
Family
ID=65795640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811573009.6A Active CN109523094B (zh) | 2018-12-21 | 2018-12-21 | 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523094B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069032B (zh) * | 2019-04-19 | 2021-04-23 | 淮阴工学院 | 一种基于小波神经网络的茄子温室环境智能检测系统 |
CN110543979A (zh) * | 2019-08-19 | 2019-12-06 | 湖南九层台环境科技有限公司 | 一种村落农户污水提升泵预测选择方法 |
CN110909922B (zh) * | 2019-11-08 | 2022-07-01 | 四川大学 | 一种水资源效率检测及预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446132A (zh) * | 2012-01-13 | 2016-03-30 | 北京工业大学 | 基于神经网络的污水处理预测控制方法 |
CN105776554A (zh) * | 2016-03-28 | 2016-07-20 | 舟山光大检测研究院有限公司 | 用于船舶修造含盐污水处理的人工湿地植物的筛选与配置方法 |
JP2016150987A (ja) * | 2015-02-18 | 2016-08-22 | アルファペイント株式会社 | 防汚塗膜及びそれを形成した海水接触機器 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6560586B1 (en) * | 1998-10-30 | 2003-05-06 | Alcatel | Multiresolution learning paradigm and signal prediction |
CN2813601Y (zh) * | 2005-08-03 | 2006-09-06 | 李保标 | 一种无机废水净化处理机 |
CN100540483C (zh) * | 2007-07-20 | 2009-09-16 | 哈尔滨工程大学 | 真空自控式膜生物反应装置 |
CN202829782U (zh) * | 2012-09-12 | 2013-03-27 | 湘潭保利光电测控科技有限公司 | 工业废水综合处理系统 |
CN103319026B (zh) * | 2013-06-26 | 2015-04-08 | 哈尔滨工程大学 | 一种用于船舶洗涤脱硫系统废液的处理装置及其处理方法 |
CN103382051B (zh) * | 2013-07-06 | 2014-12-03 | 北京工业大学 | 一种强化低温生物硝化效果的装置与方法 |
CN103482827B (zh) * | 2013-09-29 | 2015-12-02 | 哈尔滨工程大学 | 船用内置式膜生物反应装置 |
CN106682316A (zh) * | 2016-12-29 | 2017-05-17 | 北京工业大学 | 一种基于尖峰径向基神经网络的出水总磷实时监测系统 |
CN206927732U (zh) * | 2017-07-19 | 2018-01-26 | 哈尔滨工程大学 | 一种船舶废气洗涤系统废水处理装置 |
CN108053054B (zh) * | 2017-11-22 | 2020-09-01 | 中国农业大学 | 一种河流水质预测方法 |
CN107867770B (zh) * | 2017-12-26 | 2020-02-21 | 湖南钜晟环保科技工程有限公司 | 一种脱硫废水处理系统及其处理方法 |
CN108503072B (zh) * | 2018-03-15 | 2021-11-23 | 哈尔滨工程大学 | 一种船舶废气脱硫系统废水处理装置 |
-
2018
- 2018-12-21 CN CN201811573009.6A patent/CN109523094B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446132A (zh) * | 2012-01-13 | 2016-03-30 | 北京工业大学 | 基于神经网络的污水处理预测控制方法 |
JP2016150987A (ja) * | 2015-02-18 | 2016-08-22 | アルファペイント株式会社 | 防汚塗膜及びそれを形成した海水接触機器 |
CN105776554A (zh) * | 2016-03-28 | 2016-07-20 | 舟山光大检测研究院有限公司 | 用于船舶修造含盐污水处理的人工湿地植物的筛选与配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523094A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523094B (zh) | 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 | |
CN109470831B (zh) | 一种水生态监测与修复水面机器人及水生态修复控制方法 | |
CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和系统 | |
US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
CN109534486B (zh) | 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法 | |
CN103064290B (zh) | 基于自组织径向基神经网络的溶解氧模型预测控制方法 | |
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 | |
CN108375534A (zh) | Mbr膜污染智能预警方法 | |
CN108536106B (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 | |
Qiao et al. | Self-organizing fuzzy control for dissolved oxygen concentration using fuzzy neural network 1 | |
CN109473182A (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
Türkmenler et al. | Performance assessment of advanced biological wastewater treatment plants using artificial neural networks | |
CN108563118A (zh) | 一种基于自适应模糊神经网络的溶解氧模型预测控制方法 | |
Salles et al. | Dynamic setpoint optimization using metaheuristic algorithms for wastewater treatment plants | |
Xu et al. | A novel dissolve oxygen control method based on fuzzy neural network | |
CN110412878A (zh) | Pid-rbf稳态估计与lssvm软测量污水bod控制方法 | |
CN115481720A (zh) | 基于br-narx神经网络的混凝剂加药量的预测方法 | |
CN115583721A (zh) | 基于污水处理的ai智能曝气方法及系统 | |
Zhang et al. | Finite-Time Extended State Observer-based PI Control for Dissolved Oxygen | |
CN114462208A (zh) | 一种基于自组织rbfnn的出水bod在线软测量方法 | |
Husin et al. | Improving total nitrogen removal using a neural network ammonia-based aeration control in activated sludge process | |
Yordanova et al. | Neuro-fuzzy control for anaerobic wastewater treatment | |
CN112551691A (zh) | 一种基于多激励函数极限学习机的自适应污水处理控制方法 | |
Chen | Modeling the raw inverse process based on SAE stacked self-coding neural networks |
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 |