CN110110466A - 一种机器学习和工艺仿真的污水处理目标参数预测方法 - Google Patents

一种机器学习和工艺仿真的污水处理目标参数预测方法 Download PDF

Info

Publication number
CN110110466A
CN110110466A CN201910409208.1A CN201910409208A CN110110466A CN 110110466 A CN110110466 A CN 110110466A CN 201910409208 A CN201910409208 A CN 201910409208A CN 110110466 A CN110110466 A CN 110110466A
Authority
CN
China
Prior art keywords
machine learning
data
model
target component
process simulation
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
CN201910409208.1A
Other languages
English (en)
Other versions
CN110110466B (zh
Inventor
钱小聪
韦雪文
高心宇
王星星
周煜申
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.)
Huatian Engineering and Technology Corp MCC
Original Assignee
Huatian Engineering and Technology Corp MCC
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 Huatian Engineering and Technology Corp MCC filed Critical Huatian Engineering and Technology Corp MCC
Priority to CN201910409208.1A priority Critical patent/CN110110466B/zh
Publication of CN110110466A publication Critical patent/CN110110466A/zh
Application granted granted Critical
Publication of CN110110466B publication Critical patent/CN110110466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Activated Sludge Processes (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种机器学习和工艺仿真的污水处理目标参数预测方法，涉及污水处理技术领域。该机器学习和工艺仿真的污水处理目标参数预测方法，包括如下步骤：同时建立和维护工艺仿真模型和机器学习模型。该机器学习和工艺仿真的污水处理目标参数预测方法，把机器学习和工艺仿真进行集成，对污水处理的某个或多个目标参数进行预测，不同于单一的机器学习，也不同于单一工艺仿真模型，而是巧妙地把仿真模型和机器学习模型在数据构建和误差验证上进行互补，成为一种新的智能模型，从而很好的保证了污水处理过程积累的历史样本的质量，以及保证了正负样本的平衡，同时加强了样本空间分布的合理性，加强了机器学习的效果。

Description

一种机器学习和工艺仿真的污水处理目标参数预测方法
技术领域
本发明涉及污水处理技术领域，具体为一种机器学习和工艺仿真的污水处理目标参数预测方法。
背景技术
当前，活性污泥法是城镇污水处理、工业废水处理过程中普遍使用的工艺。在采用活性污泥法进行污水处理的生产过程中，经常需要对一些指标进行重点监测，比如出水的水质是否达标，工艺的关键控制参数是否匹配当前进水和环境的变化，由于这些指标的采集化验存在时间上的迟滞，因此把指标作为目标参数进行预测是污水处理过程中普遍的需求。但是，污水处理过程本身就是一个多时变、高耦合、大时滞的非线性系统，给目标参数的预测带来了很大的困难。
为了更好地对目标参数的预测，基于国际水协会发布的活性污泥模型(包括ASM1、ASM2、ASM2d、ASM3模型)构建计算机仿真模型，计算污水处理过程的目标参数，是一种解决方案，并已在一些污水处理厂的设计和运行中得到应用。但是，基于活性污泥模型的计算机仿真方法不仅在初始建模时需要基于专业知识进行大量的仿真参数调试工作，而且在实际应用中仍然需要根据历史数据周期性地去优化参数，即使这样，仍难以根据污水处理实际运行中进水的变化做出实时反应并给出有效的控制策略。
在现有技术中，采用机器学习来进行污水处理目标参数的预测，但是在实际应用中，机器学习的效果不仅与选择的模型和参数有关，还与是否具备足够数量的合格样本息息相关，污水处理过程积累的历史样本往往存在质量问题(比如仪表示数的漂移、测量误差)，以及正负样本的不平衡(比如记录出水水质超标的负样本数量不足)，存在样本空间分布的不合理，直接导致机器学习的效果低于预期。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种机器学习和工艺仿真的污水处理目标参数预测方法，解决了污水处理目标参数预测的机器学习方法实际应用效果不佳问题。这是因为机器学习的效果不仅与选择的模型和参数有关，还与是否具备足够数量的合格样本息息相关。污水处理过程积累的历史样本往往存在质量问题(比如仪表示数的漂移、测量误差)，以及正负样本的不平衡(比如记录出水水质超标的负样本数量不足)，存在样本空间分布的不合理，直接导致机器学习的效果低于预期的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种机器学习和工艺仿真的污水处理目标参数预测方法，包括如下步骤：
S1、同时建立和维护工艺仿真模型和机器学习模型，并把工艺仿真模型在软件上开发实现为工艺仿真模块，把机器学习模型在软件上开发实现为机器学习引擎；
S2、工艺仿真模型的仿真输出记录到数据库里形成记录，为机器学习模型建模和优化提供样本，机器学习模型的性能评价，通过分析得出新增的仿真需求，对工艺仿真模型进行驱动；
S3、建立污水处理目标参数预测模型，具体操作如下：
3-1.根据数据库里保存的污水处理厂生产运行历史记录，完成工艺仿真模块中各配置项的校准。
3-2.对于校准好的工艺仿真模块，根据输入数据(进水数据、环境数据以及过去时刻的输出数据)，得到仿真计算的输出。
3-3.把通过仿真得到各组数据，以记录的方式，逐条加入到数据库中，和历史数据记录合并，作为机器学习所使用的样本库。
3-4.把样本库里的样本划分为训练集和测试集，划分的方法包括交叉验证和hold-out、bootstrapping方法。
3-5.建立机器学习模型。
3-6.评价机器学习模型的性能，如果接受评价结果，转入步骤3-7，否则转入步骤3-8。
3-7.将模型参数配置到实际预测所用的机器学习引擎中。
3-8.进一步判断性能不理想的原因在于机器学习模型的参数，还是样本数据本身的问题，如果原因在于机器学习模型的参数，则进行步骤3-9，否则进入步骤3-10。
3-9.尝试通过调整机器学习模型的参数对模型进行改进。
3-10.评估需要扩充样本的类型Ti，和每类样本的数量qi，i＝1,2,...,N。
3-11.对于每类样本Ti，通过专业知识映射出相应的工艺场景Ci。
3-12.在工艺仿真模块中，配置符合工艺场景Ci的输入参数集合，这样的集合共有qi套。当每一套输入进行仿真计算得到输出后，形成一条完整的记录。
3-13.把条构建的记录加入到样本空间中；
S4、应用污水处理目标参数预测模型进行计算，具体操作如下：
4-1.通过传感器、仪器仪表和PLC设备实时采集并检测得到污水处理厂的进水数据、出水数据和与工艺有关的数据。
4-2.把步骤4-1得到的数据，送入机器学习引擎，得到目标参数的预测值。
4-3.当检测或化验获得目标参数真实值时，把它与目标参数预测值按照误差评价准则进行评价计算。
4-4.根据误差评价结果，对机器学习模型参数进行调整。
4-5.根据误差评价结果，结合专业知识，对仿真器模型参数进行调整。
4-6.将步骤4-1采集到数据和步骤4-3中采集到的目标参数真实值，构成完整的记录，写入到历史数据库中。
优选的，在步骤S3中的步骤3-1中，进水数据包括且不局限于水量、水温和水质(COD、氨氮、pH、SS和ORP)数据；出水数据包括且不局限于水量和水质(COD、氨氮、总氮和总磷)数据；与工艺有关的数据包括各工艺段与污水有关的监测数据(溶解氧、COD、氨氮、硝氮、SS、pH、水温和碱度)、与污泥有关的监测数据、生产设备(曝气装置、鼓风机和泵站)运行数据、药物投放数据。
优选的，在步骤S3中的步骤3-1中，对于不具备实时检测条件，采用实验室化验得到数据，也将被记录下来，通过适当处理后，和实时检测到的数据一起作为输入数据。
优选的，在步骤S3中的步骤3-5中，所用模型可以是基于神经网络的、基于支持向量机的、基于决策树的、基于贝叶斯决策的、基于概率图的、基于深度学习的，也可以是上述模型的改进或变种，还可以是在上述模型中同时选择若干种作为基学习器并在其基础上进行集成学习。
(三)有益效果
本发明提供了一种机器学习和工艺仿真的污水处理目标参数预测方法。具备以下有益效果：该机器学习和工艺仿真的污水处理目标参数预测方法，把机器学习和工艺仿真进行集成，对污水处理的某个或多个目标参数进行预测，不同于单一的机器学习，也不同于单一工艺仿真模型，而是巧妙地把仿真模型和机器学习模型在数据构建和误差验证上进行互补，成为一种新的智能模型，一方面采集并记录入水数据、出水数据和污水处理运行的工艺数据，形成历史数据集，另一方面根据专业知识、设计数据和历史数据，建立并维护工艺仿真模型，并通过模型仿真出更多机器学习所需的数据，最后，把历史数据和仿真数据合并为训练数据集合，通过机器学习方法去对污水处理过程的目标参数进行预测，从而很好的保证了污水处理过程积累的历史样本的质量，以及保证了正负样本的平衡，同时加强了样本空间分布的合理性，加强了机器学习的效果。
附图说明
图1是机器学习和工艺仿真和耦合关系暨整体模型的框图
图2是本发明中建模步骤的说明。
图3是本发明的应用流程说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-3，本发明提供一种技术方案：一种机器学习和工艺仿真的污水处理目标参数预测方法，包括如下步骤：
S1、同时建立和维护工艺仿真模型和机器学习模型，并把工艺仿真模型在软件上开发实现为工艺仿真模块，把机器学习模型在软件上开发实现为机器学习引擎；
S2、工艺仿真模型的仿真输出记录到数据库里形成记录，为机器学习模型建模和优化提供样本，机器学习模型的性能评价，通过分析得出新增的仿真需求，对工艺仿真模型进行驱动；
S3、建立污水处理目标参数预测模型，具体操作如下：
3-1.根据数据库里保存的污水处理厂生产运行历史记录，完成工艺仿真模块中各配置项的校准。
3-2.对于校准好的工艺仿真模块，根据输入数据(进水数据、环境数据以及过去时刻的输出数据)，得到仿真计算的输出。
3-3.把通过仿真得到各组数据，以记录的方式，逐条加入到数据库中，和历史数据记录合并，作为机器学习所使用的样本库。
3-4.把样本库里的样本划分为训练集和测试集，划分的方法包括交叉验证和hold-out、bootstrapping方法。
3-5.建立机器学习模型。
3-6.评价机器学习模型的性能，如果接受评价结果，转入步骤3-7，否则转入步骤3-8。
3-7.将模型参数配置到实际预测所用的机器学习引擎中。
3-8.进一步判断性能不理想的原因在于机器学习模型的参数，还是样本数据本身的问题，如果原因在于机器学习模型的参数，则进行步骤3-9，否则进入步骤3-10。
3-9.尝试通过调整机器学习模型的参数对模型进行改进。
3-10.评估需要扩充样本的类型Ti，和每类样本的数量qi，i＝1,2,...,N。
3-11.对于每类样本Ti，通过专业知识映射出相应的工艺场景Ci。
3-12.在工艺仿真模块中，配置符合工艺场景Ci的输入参数集合，这样的集合共有qi套。当每一套输入进行仿真计算得到输出后，形成一条完整的记录。
3-13.把条构建的记录加入到样本空间中；
S4、应用污水处理目标参数预测模型进行计算，具体操作如下：
4-1.通过传感器、仪器仪表和PLC设备实时采集并检测得到污水处理厂的进水数据、出水数据和与工艺有关的数据(进水数据包括且不局限于水量、水温和水质(COD、氨氮、pH、SS和ORP)数据；出水数据包括且不局限于水量和水质(COD、氨氮、总氮和总磷)数据；与工艺有关的数据包括各工艺段与污水有关的监测数据(溶解氧、COD、氨氮、硝氮、SS、pH、水温和碱度)、与污泥有关的监测数据、生产设备(曝气装置、鼓风机和泵站)运行数据、药物投放数据，对于不具备实时检测条件，采用实验室化验得到数据，也将被记录下来，通过适当处理后，和实时检测到的数据一起作为输入数据)。
4-2.把步骤4-1得到的数据，送入机器学习引擎，得到目标参数的预测值。
4-3.当检测或化验获得目标参数真实值时，把它与目标参数预测值按照误差评价准则进行评价计算。
4-4.根据误差评价结果，对机器学习模型参数进行调整。
4-5.根据误差评价结果，结合专业知识，对仿真器模型参数进行调整(所用模型可以是基于神经网络的、基于支持向量机的、基于决策树的、基于贝叶斯决策的、基于概率图的、基于深度学习的，也可以是上述模型的改进或变种，还可以是在上述模型中同时选择若干种作为基学习器并在其基础上进行集成学习)。
4-6.将步骤4-1采集到数据和步骤4-3中采集到的目标参数真实值，构成完整的记录，写入到历史数据库中。
综上所述，该机器学习和工艺仿真的污水处理目标参数预测方法，把机器学习和工艺仿真进行集成，对污水处理的某个或多个目标参数进行预测，不同于单一的机器学习，也不同于单一工艺仿真模型，而是巧妙地把仿真模型和机器学习模型在数据构建和误差验证上进行互补，成为一种新的智能模型，一方面采集并记录入水数据、出水数据和污水处理运行的工艺数据，形成历史数据集，另一方面根据专业知识、设计数据和历史数据，建立并维护工艺仿真模型，并通过模型仿真出更多机器学习所需的数据，最后，把历史数据和仿真数据合并为训练数据集合，通过机器学习方法去对污水处理过程的目标参数进行预测，从而很好的保证了污水处理过程积累的历史样本的质量，以及保证了正负样本的平衡，同时加强了样本空间分布的合理性，加强了机器学习的效果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员，在不脱离本发明创造宗旨的情况下，设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (4)

1.一种机器学习和工艺仿真的污水处理目标参数预测方法，其特征在于：包括如下步骤：
S1、同时建立和维护工艺仿真模型和机器学习模型，并把工艺仿真模型在软件上开发实现为工艺仿真模块，把机器学习模型在软件上开发实现为机器学习引擎；
S2、工艺仿真模型的仿真输出记录到数据库里形成记录，为机器学习模型建模和优化提供样本，机器学习模型的性能评价，通过分析得出新增的仿真需求，对工艺仿真模型进行驱动；
S3、建立污水处理目标参数预测模型，具体操作如下：
3-1.根据数据库里保存的污水处理厂生产运行历史记录，完成工艺仿真模块中各配置项的校准。
3-2.对于校准好的工艺仿真模块，根据输入数据(进水数据、环境数据以及过去时刻的输出数据)，得到仿真计算的输出。
3-3.把通过仿真得到各组数据，以记录的方式，逐条加入到数据库中，和历史数据记录合并，作为机器学习所使用的样本库。
3-4.把样本库里的样本划分为训练集和测试集，划分的方法包括交叉验证和hold-out、bootstrapping方法。
3-5.建立机器学习模型。
3-6.评价机器学习模型的性能，如果接受评价结果，转入步骤3-7，否则转入步骤3-8。
3-7.将模型参数配置到实际预测所用的机器学习引擎中。
3-8.进一步判断性能不理想的原因在于机器学习模型的参数，还是样本数据本身的问题，如果原因在于机器学习模型的参数，则进行步骤3-9，否则进入步骤3-10。
3-9.尝试通过调整机器学习模型的参数对模型进行改进。
3-10.评估需要扩充样本的类型Ti，和每类样本的数量qi，i＝1,2,...,N。
3-11.对于每类样本Ti，通过专业知识映射出相应的工艺场景Ci。
3-12.在工艺仿真模块中，配置符合工艺场景Ci的输入参数集合，这样的集合共有qi套。当每一套输入进行仿真计算得到输出后，形成一条完整的记录。
3-13.把条构建的记录加入到样本空间中；
S4、应用污水处理目标参数预测模型进行计算，具体操作如下：
4-1.通过传感器、仪器仪表和PLC设备实时采集并检测得到污水处理厂的进水数据、出水数据和与工艺有关的数据。
4-2.把步骤4-1得到的数据，送入机器学习引擎，得到目标参数的预测值。
4-3.当检测或化验获得目标参数真实值时，把它与目标参数预测值按照误差评价准则进行评价计算。
4-4.根据误差评价结果，对机器学习模型参数进行调整。
4-5.根据误差评价结果，结合专业知识，对仿真器模型参数进行调整。
4-6.将步骤4-1采集到数据和步骤4-3中采集到的目标参数真实值，构成完整的记录，写入到历史数据库中。
2.根据权利要求1所述的一种机器学习和工艺仿真的污水处理目标参数预测方法，其特征在于：在步骤S3中的步骤3-1中，进水数据包括且不局限于水量、水温和水质(COD、氨氮、pH、SS和ORP)数据；出水数据包括且不局限于水量和水质(COD、氨氮、总氮和总磷)数据；与工艺有关的数据包括各工艺段与污水有关的监测数据(溶解氧、COD、氨氮、硝氮、SS、pH、水温和碱度)、与污泥有关的监测数据、生产设备(曝气装置、鼓风机和泵站)运行数据、药物投放数据。
3.根据权利要求1所述的一种机器学习和工艺仿真的污水处理目标参数预测方法，其特征在于：在步骤S3中的步骤3-1中，对于不具备实时检测条件，采用实验室化验得到数据，也将被记录下来，通过适当处理后，和实时检测到的数据一起作为输入数据。
4.根据权利要求1所述的一种机器学习和工艺仿真的污水处理目标参数预测方法，其特征在于：在步骤S3中的步骤3-5中，所用模型可以是基于神经网络的、基于支持向量机的、基于决策树的、基于贝叶斯决策的、基于概率图的、基于深度学习的，也可以是上述模型的改进或变种，还可以是在上述模型中同时选择若干种作为基学习器并在其基础上进行集成学习。
CN201910409208.1A 2019-05-17 2019-05-17 一种机器学习和工艺仿真的污水处理目标参数预测方法 Active CN110110466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910409208.1A CN110110466B (zh) 2019-05-17 2019-05-17 一种机器学习和工艺仿真的污水处理目标参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910409208.1A CN110110466B (zh) 2019-05-17 2019-05-17 一种机器学习和工艺仿真的污水处理目标参数预测方法

Publications (2)

Publication Number Publication Date
CN110110466A true CN110110466A (zh) 2019-08-09
CN110110466B CN110110466B (zh) 2023-07-21

Family

ID=67490527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910409208.1A Active CN110110466B (zh) 2019-05-17 2019-05-17 一种机器学习和工艺仿真的污水处理目标参数预测方法

Country Status (1)

Country Link
CN (1) CN110110466B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652445A (zh) * 2020-06-11 2020-09-11 广东科创工程技术有限公司 基于高斯分布的污水设备优化运行控制方法
CN111858715A (zh) * 2020-07-24 2020-10-30 青岛洪锦智慧能源技术有限公司 一种基于数据挖掘的污水处理厂进水质量预测方法
CN112116140A (zh) * 2020-09-10 2020-12-22 同济大学 一种基于孪生模型的建筑能耗预测方法
US20210049460A1 (en) * 2019-08-15 2021-02-18 Noodle Analytics, Inc. Deep probabilistic decision machines
CN113627087A (zh) * 2021-08-23 2021-11-09 中机中联工程有限公司 基于物流仿真与机器学习的生产系统参数自适应优化方法
CN114295707A (zh) * 2021-12-28 2022-04-08 南京大学 一种基于机器学习的污水有机氮生物有效性评价方法
WO2022233206A1 (zh) * 2021-05-07 2022-11-10 苏州奇流信息科技有限公司 样本数据库系统、训练及检验打印参数的方法、计算机
CN116242899A (zh) * 2022-09-05 2023-06-09 广东中拓华盛信息科技有限公司 一种基于机器学习校准电极法水质检测结果的方法
CN117388457A (zh) * 2023-10-16 2024-01-12 中山大学 一种耦合水力停留时间提高污水厂出水预测精度的方法
CN117388457B (zh) * 2023-10-16 2024-05-31 中山大学 一种耦合水力停留时间提高污水厂出水预测精度的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000107796A (ja) * 1998-09-30 2000-04-18 Toshiba Corp 下水処理プロセスシミュレータシステム
CN102902257A (zh) * 2012-10-30 2013-01-30 威水星空（北京）环境技术有限公司 污水处理工艺优化及节能控制系统和方法
US20180315182A1 (en) * 2017-04-28 2018-11-01 Siemens Healthcare Gmbh Rapid assessment and outcome analysis for medical patients
CN108875122A (zh) * 2018-04-25 2018-11-23 杭州迅美科技有限公司 利用随钻测井数据计算地质参数的人工智能方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000107796A (ja) * 1998-09-30 2000-04-18 Toshiba Corp 下水処理プロセスシミュレータシステム
CN102902257A (zh) * 2012-10-30 2013-01-30 威水星空（北京）环境技术有限公司 污水处理工艺优化及节能控制系统和方法
US20180315182A1 (en) * 2017-04-28 2018-11-01 Siemens Healthcare Gmbh Rapid assessment and outcome analysis for medical patients
CN108875122A (zh) * 2018-04-25 2018-11-23 杭州迅美科技有限公司 利用随钻测井数据计算地质参数的人工智能方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
连晓峰等: "机理模型与补偿模型相结合的污水处理工艺出水指标软测量预测模型研究", 《计算机与应用化学》 *
连晓峰等: "机理模型与补偿模型相结合的污水处理工艺出水指标软测量预测模型研究", 《计算机与应用化学》, no. 10, 31 October 2013 (2013-10-31) *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210049460A1 (en) * 2019-08-15 2021-02-18 Noodle Analytics, Inc. Deep probabilistic decision machines
US11966840B2 (en) * 2019-08-15 2024-04-23 Noodle Analytics, Inc. Deep probabilistic decision machines
CN111652445B (zh) * 2020-06-11 2024-03-22 广东科创智水科技有限公司 基于高斯分布的污水设备优化运行控制方法
CN111652445A (zh) * 2020-06-11 2020-09-11 广东科创工程技术有限公司 基于高斯分布的污水设备优化运行控制方法
CN111858715A (zh) * 2020-07-24 2020-10-30 青岛洪锦智慧能源技术有限公司 一种基于数据挖掘的污水处理厂进水质量预测方法
CN111858715B (zh) * 2020-07-24 2023-04-07 青岛洪锦智慧能源技术有限公司 一种基于数据挖掘的污水处理厂进水质量预测方法
CN112116140A (zh) * 2020-09-10 2020-12-22 同济大学 一种基于孪生模型的建筑能耗预测方法
WO2022233206A1 (zh) * 2021-05-07 2022-11-10 苏州奇流信息科技有限公司 样本数据库系统、训练及检验打印参数的方法、计算机
CN113627087B (zh) * 2021-08-23 2023-11-03 中机中联工程有限公司 基于物流仿真与机器学习的生产系统参数自适应优化方法
CN113627087A (zh) * 2021-08-23 2021-11-09 中机中联工程有限公司 基于物流仿真与机器学习的生产系统参数自适应优化方法
CN114295707B (zh) * 2021-12-28 2024-02-09 南京大学 一种基于机器学习的污水有机氮生物有效性评价方法
CN114295707A (zh) * 2021-12-28 2022-04-08 南京大学 一种基于机器学习的污水有机氮生物有效性评价方法
CN116242899B (zh) * 2022-09-05 2023-08-15 广东中拓华盛信息科技有限公司 一种基于机器学习校准电极法水质检测结果的方法
CN116242899A (zh) * 2022-09-05 2023-06-09 广东中拓华盛信息科技有限公司 一种基于机器学习校准电极法水质检测结果的方法
CN117388457A (zh) * 2023-10-16 2024-01-12 中山大学 一种耦合水力停留时间提高污水厂出水预测精度的方法
CN117388457B (zh) * 2023-10-16 2024-05-31 中山大学 一种耦合水力停留时间提高污水厂出水预测精度的方法

Also Published As

Publication number Publication date
CN110110466B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN110110466A (zh) 一种机器学习和工艺仿真的污水处理目标参数预测方法
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
CN111553468B (zh) 一种准确预测污水处理厂出水水质的方法
Al-Shayea Measuring hospital’s units efficiency: A data envelopment analysis approach
CN104007243B (zh) 应用反向传播神经网络模型评价游泳池水质的方法
CN109345101A (zh) 基于综合评价分析法的教育质量评价分析方法
CN108388762A (zh) 基于深度置信网络的烧结矿化学成分预测方法
CN114297954A (zh) 一种基于污水处理厂的大数据智能分析数字管控平台
CN106845767A (zh) 一种行业科技发展力量化评估方法与评估系统
CN110132629A (zh) 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法
CN109523439A (zh) 在线题库难度智能分级方法及系统
CN104049071A (zh) 一种污水处理工艺中水质指标的虚拟监测方法
CN104063609B (zh) 一种利用神经网络辅助判定污染源监测数据有效性的方法
CN201330211Y (zh) 污水处理厂运行参数自寻优模拟系统
Pan et al. A new approach to estimating oxygen off-gas fraction and dynamic alpha factor in aeration systems using hybrid machine learning and mechanistic models
Cairns et al. Developing a sampling strategy
CN106769748A (zh) 膜生物反应器‑mbr出水透水率的智能检测系统
CN109949942A (zh) 基于铁代谢指标的结核病风险预测模型的构建方法和系统
JP2002328702A (ja) プロセスモデルのパラメータ調整装置、調整支援装置及び方法
CN103472728B (zh) 机器学习的农药焚烧炉有害物排放达标控制系统及方法
CN103472727A (zh) 群智加权的农药焚烧炉有害物排放达标控制系统及方法
CN100352912C (zh) 红霉素发酵过程变量的神经网络逆软测量方法及软仪表构造
CN103488090B (zh) 群智机器学习的焚烧炉有害物排放达标控制系统及方法
CN107298485A (zh) 一种基于数据模型对工业废水处理过程的故障检测与诊断的方法
CN103472729A (zh) 群智的农药废液焚烧炉有害物排放达标控制系统及方法

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